y kesk = =1,5 (aritmeetiline keskmine) 6 2 2 2 2 2 2 S=(0-1,5) +(0,6-1,5) +(1,2-1,5) +(1,8-1,5) +(2,4-1,5) +(3-1,5) =6,3 J 0 r 2=1- =1- =1 (aproksimeerimise täpsus) S 6,3 Kokkuvõte: - Kirjutada MATLAB programm, - Näidata lõpptulemused graafiliselt, näidata funktsioonid y = f (F) ja y = f (q), leida aproksimeerimisviga. - Selgitada, miks ühesuguse summaarse koormuse puhul üks ja sama tala deformeerub erinevalt. Üks ja sama tala deformeerub erinevalt, kuna koormused on jaotunud erinevalt, seetõttu mõjuvad tala eri kohtadele erineva suurusega jõud. Kui laotada koormus ainult tala keskele, mõjub tala keskele suurem jõud, kui tala ääre aladele, seetõttu deformeerub tala keskosa rohkem ning koormus mõjub väiksemale alale. Talale koormuse ühtlaselt jaotamise korral jaotub
Residual 58 75729,59 1305,683 Total 59 92586,18 Coefficients Standard Error t Stat P-value Lower 95%Upper 95% Intercept 351,73616 9,447673 37,22993 3,5E-042 332,8246 370,6477 tinglik aeg t -0,967852 0,269366 -3,593074 0,000675 -1,507047 -0,428657 RESIDUAL OUTPUT Observation Predicted Lahutused Residuals Aproksimeerimisviga 1 350,76831 -78,76831 78,76831 3,479296 2 349,80045 -50,80045 25,40023 3 348,8326 105,1674 35,0558 4 347,86475 1,135251 0,283813 5 346,8969 9,103103 1,820621 6 345,92905 11,07095 1,845159 7 344,96119 -77,96119 11,13731 8 343,99334 -19,99334 2,499168 9 343,02549 13,97451 1,552723
Interpoleerimine aegrea puuduvate elementide arvväärtuste leidmine Ekstrapoleerimine trendi retrospektiivne ja/või perspektiivne leidmine n ( y^ t - y)2 D=R = 2 i =1 n (y t - y)2 i =1 Statistiline prognoosimine ja terve hulk lihtsamaid prognoosimudeleid tugineb senise arengutrendi kindlaksmääramisel ja selle ekstrapoleerimisele tulevikku Aproksimeerimisviga - Mudeli headust mõõdetakse enamasti tema kirjeldatuse tasemega ehk determinatsioonikordajaga, R 2 Näitab kui palju sõltuva muutuja (y) hajuvusest seletav muutuja (trend, t) kirjeldab Omab väärtusi vahemikus [0, 1]; mida kõrgem, seda paremini seletav tunnus sõltuva tunnuse hajuvust kirjeldab Üldjuhul eristatakse aegreas kolme komponenti: · Trend ehk arengutendents
5. Resultaatnäitaja regressioonimudeliks sobiva funktsioonitüübi valimine, mudeli parameetrite leidmine ja hindamine (regressioon- teatud usaldatavus teatud tõenäosuse juures) x erineva kujuga ja mõõtühikutega regressioonimudelite arvutamine x mudelite headuse hindamine determinatsioonikoefitsientide abil x mudelite usaldatavuse kontroll F- kriteeriumi abil x mudelite adekvaatsuse hindamine (jääkstandardhälve ja keskmine aproksimeerimisviga) x regressioonikoefitsientide statistilise olulisuse kontroll t-kriteeriumi abil ja usalduspiiride leidmine x autokorrelatsiooni kontroll (Durbin - Watsoni jt kriteeriumitega) ja vähendamise võimalused (autokorrelatsioon- järgnevad andmed sõltuvad eelneva perioodi omadest; firma toodang antud kuul sõltub toodangust eelmisel kuul) x heteroskedastiivsuse hindamine (regressioonimudeli üheks eelduseks on juhusliku liikme dispersioonide
annaabi.ee 
