Исследователь вносит гипотезу о структуре ящика

Рассматривая экспериментально полученные данные, предположим, что они подчиняются линейной гипотезе, то есть выход Y зависит от входа X линейно, то есть гипотеза имеет вид: Y = A₁X + A₀ (рис. 2.2).

2) Определение неизвестных коэффициентов A₀ и A₁ модели

Линейная одномерная модель (рис. 2.3).

Рис. 2.3. Одномерная модель черного ящика

Для каждой из n снятых экспериментально точек вычислим ошибку (E_i) между экспериментальным значением (Y_i^Эксп.) и теоретическим значением (Y_i^Теор.), лежащим на гипотетической прямой A₁X + A₀ (см. рис. 2.2):

E_i = (Y_i^Эксп. – Y_i^Теор.), i = 1, …, n;

E_i = Y_i – A₀ – A₁ · X_i, i = 1, …, n.

Ошибки E_i для всех n точек следует сложить. Чтобы положительные ошибки не компенсировали в сумме отрицательные, каждую из ошибок возводят в квадрат и складывают их значения в суммарную ошибку F уже одного знака:

E_i² = (Y_i – A₀ – A₁ · X_i)², i = 1, …, n.

Цель метода — минимизация суммарной ошибки F за счет подбора коэффициентов A₀, A₁. Другими словами, это означает, что необходимо найти такие коэффициенты A₀, A₁ линейной функции Y = A₁X + A₀, чтобы ее график проходил как можно ближе одновременно ко всем экспериментальным точкам. Поэтому данный метод называется методом наименьших квадратов.

Суммарная ошибка F является функцией двух переменных A₀ и A₁, то есть F(A₀, A₁), меняя которые, можно влиять на величину суммарной ошибки (см. рис. 2.4).

Рис. 2.4. Примерный вид функции ошибки

Чтобы суммарную ошибку минимизировать, найдем частные производные от функции F по каждой переменной и приравняем их к нулю (условие экстремума):

После раскрытия скобок получим систему из двух линейных уравнений:

Для нахождения коэффициентов A₀ и A₁ методом Крамера представим систему в матричной форме:

Решение имеет вид:

Вычисляем значения A₀ и A₁.