Корреляционный анализ
Позволяет определить тесноту связи между двумя (или более) случайными величинами, наблюдаемыми и фиксируемыми в процессе моделирования. Теснота связи оценивается с помощью коэффициента корреляции.
Различные случаи корреляции переменных показаны на рисунках (а) – (г).
Если коэффициент корреляции равнее 0 (случай (а)), случайные величины независимы.
Если коэффициент корреляции по модулю равен 1 (случай (б)) – имеет место функциональная (т. е. нестохастическая) линейная зависимость вида y=b0+b1x.
Если коэффициент корреляции заключен в диапазоне от 0 до 1, то наблюдается либо линейная корреляция с рассеянием (случай (в)), либо нелинейная корреляция (случай (г)).
Регрессионный анализ результатов моделирования
Позволяет построить модель, наилучшим образом соответствующую набору данных, полученных в результате эксперимента. Под наилучшим соответствием понимается минимизированная функция ошибки, которая определяется как разность между значениями эксперимента, определяемыми на модели, и реальными данными эксперимента. Такой функцией ошибки служит сумма квадратов ошибок.
=b0+b1x – величина, предсказываемая регрессионной моделью,
ei= -yi – величина ошибки,
2 → min – функция ошибки.
Дисперсионный анализ результатов моделирования
Это метод, который устанавливает относительное влияние различных факторов на значение отклика.
Пусть при варьирования фактора X была получена выборка значений случайной величины Y вида y1,y2…yk, где k – количество уровней фактора X. Влияние фактора X оценивается неслучайной величиной DX, называемой факторной дисперсией.