Просмотр исходного текста страницы Лебедев Данила 1

<source lang="python">
import numpy as np
import math
f = open("order", "r")
f1 = open("import", "w")
f2 = open("export", "w")
X = []
Y = []
for line in f:
    q, x, y, z = map(float,line.split())
    xy =[]
    xy.append(x)
    xy.append(y)
    X.append(xy)
    Y.append(z)
    f1.write(str(x))
    f1.write(" ")
    f1.write(str(y))
    f1.write("\n")
    f2.write(str(z))
    f2.write("\n")
f.close()
f1.close()
f2.close()
sum = 0.0
count = 1
for i in range(len(Y)-1):
    if X[i+1][0] == X[i][0] and X[i+1][1] == X[i][1]:
        sum += Y[i]
        count += 1
sum += Y[54]
NY = Y[:-count]
NY.append(sum/count)
NX = X[:-count+1]
f4 = open("import2","r")
X1 = []
for line in f4:
    x, y, z = map(float, line.split())
    xy = []
    xy.append(x)
    xy.append(y)
    xy.append(z)
    X1.append(xy)
f4.close()

mx1 = np.matrix(X1)
mx = np.matrix(NX)
my = np.matrix(NY)

B1 = np.matmul(np.transpose(mx), mx)
B2 = np.matmul(np.linalg.inv(B1), np.transpose(mx))
B = np.matmul(B2, NY)
print("матрица коэффициенто b для уравнения y=b1*x1+b2*x2",B)

B10 = np.matmul(np.transpose(mx1), mx1)
B20 = np.matmul(np.linalg.inv(B10), np.transpose(mx1))
B01 = np.matmul(B20, NY)
print("матрица коэффициенто b для уравнения y=b0+b1*x1+b2*x2", B01)
yPs = sum/count
print("значения y при паралленых опытов",yPs)
sumP = 0.0
sumA = 0.0
sumA0 = 0.0
i = 0
while i < len(Y):
    if i >= 49:
        sumP += (Y[i] - yPs)**2
    else:
        sumA += (Y[i]-(X[i][0] * B[0, 0] + X[i][1] * B[0, 1])) ** 2
        sumA0 += (Y[i] - (X1[i][0] * B01[0, 0] + X1[i][1] * B01[0, 1] + X1[i][2] * B01[0, 2])) ** 2
    i += 1
print(" ")
print("дисперсия аппроксимации для уравнения y=b1*x1+b2*x2",sumA/(len(NY)-2))
print("дисперсия аппроксимации y=b0+b1*x1+b2*x2",sumA0/(len(NX)-3))
print("дисперсия воспроизводимости",sumP/(count-1))
print("Адекватность модели y=b1*x1+b2*x2",(sumA/(len(NY)-2))/(sumP/(count-1)))
print("Адекватность модели y=b0+b1*x1+b2*x2",(sumA0/(len(NY)-3))/(sumP/(count-1)))
Mx1 = np.sum(NX[0])/len(NX)
Mx2 = np.sum(NX[1])/len(NX)
My = np.sum(NY) / len(NY)
print(" ")
print("Mx1=",Mx1,"Mx2=", Mx2,"My=", My,)
Dx1 = 0
Dx2 = 0
Dy = 0
for i in range(len(NY)):
    Dx1 += (NX[i][0]-Mx1) ** 2
    Dx2 += (NX[i][1]-Mx2) ** 2
    Dy += (NY[i]-My) ** 2
print("Dx1=", Dx1/(len(NX)-1),"Dx2=", Dx2/(len(NX)-1),"Dy=", Dy/(len(NY)-1))
kxl1 = 0
kxl2 = 0
for i in range(len(NY)):
    kxl1 += ((NX[i][0] - Mx1) * (NY[i] - My))
    kxl2 += ((NX[i][1] - Mx2) * (NY[i] - My))
r1 = (kxl1/(len(NX)-1))/(math.sqrt(Dx1)*math.sqrt(Dy))
r2 = (kxl2/(len(NX)-1))/(math.sqrt(Dx2)*math.sqrt(Dy))
print("r1=",r1)
print("r2=",r2)
b1 = r1*math.sqrt(Dy)/(math.sqrt(Dx1))
b2 = r2*math.sqrt(Dy)/(math.sqrt(Dx2))
b0 = My - b1 * Mx1 - b2 * Mx2
print("b0=",b0)
print("b1=",b1)
print("b2=",b2)
</source>
вывод:


Mx1= 1.7 Mx2= 0.26 My= 36.545100000000005

Dx1= 3272.7204081632644 Dx2= 238.25836734693874 Dy= 8671.004347438775

r1= -0.006944522138339006

r2= 0.0066401943443432365

b0= 36.553901246661596

b1= -0.011303751887757618

b2= 0.04005819825998865

матрица коэффициентов b для уравнения y=b1*x1+b2*x2 -2.13088259 10.20497587

матрица коэффициентов b для уравнения y=b0+b1*x1+b2*x2 -5.04256469 -2.09981756 10.40195907

значения y при параллельных опытов 46.004999999999995
 
дисперсия аппроксимации для уравнения y=b1*x1+b2*x2 4.436452750556096

дисперсия аппроксимации y=b0+b1*x1+b2*x2 0.009872640020999046

дисперсия воспроизводимости 0.007950000000000259

Адекватность модели y=b1*x1+b2*x2 558.0443711391133

Адекватность модели y=b0+b1*x1+b2*x2 1.2418415120753112