Коррозия металлов

Авторегресійні моделі прогнозування

Методика прогнозування цінна в тому випадку, якщо вона спирається на обґрунтовану теорію, що встановлює правомочність прогнозування за допомогою даної моделі і помилки вірогідності прогнозу. Оцінка такої помилки за допомогою функції зростання неможлива, тому особливий інтерес представляють авторегресійні моделі.

Авторегресією називається рівняння, що визначає змінну Хj у момент t (або t-й період) через її значення в попередні періоди: (t-1) (t-2)... (t-к). Лінійне авторегресійне рівняння записуємо у вигляді

Х_t = а₁ Х_t-1 + а₂ Х_t-2 + + а_к Х_t-к. (4.18)

Першим етапом дослідження тимчасового ряду змінної Х є виділення загальної тенденції у вигляді функції d(t) і визначення залишків ε_t у формі ε_t = Х_t - d(t) чи ε_{t =} d(х_t).

Якщо залишки ε_t незалежні, тобто не можуть бути представлені як функція часу, то функція d(t) охоплює повністю еволюційну складову змінної Х_t. При цьому залишається знайти закон їх розподілу ε_t і, прийнявши гіпотезу про збереження цього закону розподілу на прогнозований період, побудувати довірчий інтервал для прогнозованої величини Х_t за функцією d(t). Якщо ж залишки ε_t залежні, тобто містять деяку тенденцію, то її можна виявити за допомогою коефіцієнта автокореляції. Проводячи зсув значень ε_t на один рядок і останнє значення переміщаємо на перше місце, одержуємо табл. 4.6.

Таблиця 4.6 – Залишки змінних ряду динаміки

εt	εt-1
ε1	εn
ε2	ε1
ε3	ε2
…………	…………..
εn	εn-1

Обчислюємо циклічний коефіцієнт кореляції між рядами ε_t і ε_t-1 за формулою

r(ε_t, ε_t-1) = . (4.19)

Ця формула (4.19) виходить із звичайної формули для визначення коефіцієнта кореляції, якщо покласти

∑ ε_{t =} ∑ ε_t-1 = 0; (4.20)

∑ (ε_{t -1})² = ∑ (ε_t)² . (4.21)

Формула (4.20) виходить з того, що параметри функції d(t) визначаються за методом якнайменших квадратів, а формула (4.21) - з циклічної табл. 4.6.

Аналогічно, зсовуючи ε_{t на 2,3….К} рядків, одержуємо циклічну таблицю послідовних відхилень

Таблиця 4.7 - Циклічна таблиця послідовних відхилень

t	εt	εt-1	εt-2	………	εt-к+1	εt-к
	ε1	εn	εn-1		εn-k+2	εn-k+1
	ε2	ε1	εn		εn-k+3	εn-k+2
	ε3	ε2	ε1		εn-k+4	εn-k+3
….	….	….	….	….		….
К	εk	εk-1	εk-2		ε1	εn
К+1	εk+1	εk	εk-1		ε2	ε1
К+2	εk+2	εk+1	εk		ε3	ε2
…..	…..	….	….	….	….	….
n	εn	εn-1	εn-2		εn-k+1	εn-k

За даними табл. 4.7 визначаємо всі циклічні коефіцієнти автокореляції:

r(ε_xt ε_xt-j) = , i, j = 1,2,…..K; (4.22)

r(ε_xt-1 ε_xt-j) = . (4.23)

Циклічний коефіцієнт автокореляції не підпорядковується нормальному закону розподілу, його розподіл асиметричний, суттєві величини коефіцієнтів автокореляції при певному рівні значущості різні для позитивних і негативних його значень. 5% - й і 1% - й рівні значущості коефіцієнтів автокореляції подані в спеціальних таблицях. Знайдені значення r₁, r₂… r_n-к-1 перевіряємо по таблиці 5% - х і 1% - х рівнів вірогідності коефіцієнтів автокореляції. Якщо | r_{стат. (n)} | < | r_{5%. (n)} |, то приймаємо гіпотезу неавтокорельованості залишків ε_t; якщо | r_{стат. (n)} | > | r_{1%. (n)} | відкидаємо гіпотезу їх неавтокорельованості.

За циклічними коефіцієнтами автокореляції складаємо матрицю і її обертаємо. Як і в разі звичайної регресії багаточинника, перевіряємо наявність мультиколінеарності кожного з чинників ε_xt-j, j=1,2-k від сукупності інших і зберігаємо тільки лінійно незалежні аргументи.

Будуємо лінійну авторегресійну модель

ε_t = а₁ ε_t-1 + а₁ ε_t-2 + ….+ а_к ε_t-к, (4.24)

що виражає ε_t в період t за допомогою значень ε_t-j, j = 1,2…К за К попередніх періодів. При цьому в рівнянні повинні бути збережені тільки суттєві і лінійно незалежні коефіцієнти.

Якщо виявляються а_j – коефіцієнти, що не задовольняють вказаним вимогам, то модель потребує перерахунку (починаючи з розрахунку автокореляційної матриці більш низького порядку).

Оскільки параметри рівняння тренда визначали за методом найменших квадратів, то в разі його коректного підбору відповідні відхилення підкоряються нормальному розподілу, і, отже, рівняння регресії можна відшукувати в лінійній формі

ℓ_n X_t = a₁ ℓ_n X_t-1 + a₂ ℓ_n X_t-2 +…….+a_k ℓ_n X_t-k + F(t); (4.25)

X_t = a₁ X_t-1 + a₂ ℓ_n X_t-2 +……..+ a_n X_t-k + F(t). (4.26)

Яким повинне бути число членів рівняння, це питання слід вирішувати в поєднанні професійних вимог процесу, що по суті вивчається, з математико-статистичними критеріями. Так, якщо статистичний ряд містить тижневі дані, то особливий інтерес являє чотиричленна модель залежності рівня показника від тижневих рівнів за весь попередній місяць. У разі місячних даних цікава тричленна авторегресія, а для даних, зібраних по роках, – п’ятичленна.

Статистичні критерії покликані встановити відсутність автокорельованості залишків від віднімання з табличних значень ε_t їх розрахункових значень

η_t = ε_t – (a₁ ε_t-1 + a₂ ε_t-2 +…+ a_k ε_t-2k). (4.27)

Існує декілька статистичних критеріїв. Один з них заснований на порівнянні середнього квадрата послідовних різниць η_t:

. (4.28)

З дисперсією величини

(4.29)

Складаємо відношення середнього квадрата послідовних різниць, до середнього квадрата самих величин:

К = . (4.30)

Якщо К_стат., потрапляє в допустиму область при рівні значущості 5%, а саме К_5% (n-k) < К_стат (n-k) < К¹_5% (n-k), то приймаємо гіпотезу неавтокорельованості залишків η_t, а, отже, і достатності числа членів К авторегресійної моделі.

Якщо ж К_стат (n-k) < К_% (n-k) або К_стат > К_1% (n-k), то відкидаємо гіпотезу неавтокорельованості залишків η_t і рахуємо число членів рівняння недостатності. У цьому випадку число членів рівняння треба збільшити, якщо довжина ряду дозволяє це.

Користуючись для прогнозу розробленими рівняннями, можна знайти довірчий інтервал для значення прогнозованого показника.

Якщо прогнозований показник рівний, то розмір показника Х_t записуємо у вигляді

- ≤ Xt ≤ + . (4.31)

Викладена методика складання авторегресійних моделей, використані критерії і побудований довірчий інтервал можна застосовувати тільки для великих вибірок, коли довжина ряду n не менше 30.

Помилка прогнозу по отриманих рівняннях визначається за дисперсії ε_t. Оскільки

- Х_t = ε_t, (4.32)

то Β_ер = | ε_t| ≤ t_α σ_ε= P_α, (4.33)

де P_α – задана вірогідність, P_α = 1-α, а t_α - відповідна межа по С (n-k) ступеням свободи Стьюдента:

σ_ε = . (4.34)

Розглянемо приклади складання авторегресійних моделей.

Одночленна модель. Щомісячний пробіг рухомого складу міського електротранспорту на 1000 пасажирів, що перевозяться, заданий рядом в графі 2 табл. 4.8. Наявність експоненціального ряду (див. рис. 4.3.) дозволяє розраховувати на придатність одночленної моделі = а₁Х_t-1.

Система нормальних рівнянь для визначення параметра а₁ має вигляд

= а_{1 .} (4.35)

З табл. 4.3. (графи 4 і 5) виходить 367673,4 = 364278,2 а₁

Звідки а_{1 =} = 1,0087 ≈ 1,01.

Одержуємо рівняння = 1,01 Х_t-1. Обчислюємо значення = 1,01 Х_t-1 (графа 6) і знаходимо значення ε_{t =} X_t -Х_t-1 (графа 7) ∑ ε_t = 9,4, що несуттєво в порівнянні з розмірами X_t.

Обчислюємо коефіцієнт циклічної автокореляції r₁. За графами 9 і 10 отримаємо

r₁ = r(ε_t, ε_t-1) = (4.36)

З табл. 4.3 знаходимо n¹ = 15-1=14, r<0, r_5% = -0,479.

Оскільки | r₁| < | r_5%|, кореляція ε_t, ε_t-1 несуттєва.

Аналогічно за графами 12 і 10 (табл. 4.8.) одержуємо r₂ = = 0,416, що свідчить про несуттєвість кореляції ε_t и ε_t-2.

У даному випадку переважний критерій Дж. Неймана. Обчислюємо різницю ε_t -ε_t-1 за графами 13 і (ε_t -ε_t-1)² – за графами 14. Одержуємо

K= (4.37)

За табл. 4.3 для n₁ = 14 рівень значущості К_5% рівний 1,2725 при r > 0 і 3,0352 у разі r < 0. Розрахунки свідчать, що коли в генеральній сукупності автокореляція між залишками ε_t відсутня, то в 95% вибірок буде К > 1,272 у випадку r > 0 и К < 3,0352 при <.

У даному прикладі значення К потрапляє в допустиму область при 5% рівні значущості К > 1,2725. Отже, гіпотеза неавтокорельованості залишків ε_t стверджується і авторегресійне рівняння X_t = 1,01 X_t-1 приймається.

Помилка прогнозу при середньоквадратичному відхиленні

σ_ε = . (4.38)

Складаємо

В_ср = ≤ t_α * = P_a. (4.39)

При 95%-й гарантійної вірогідності t_α = 2,1 за табл. П.4[12] і помилка прогнозу не перевищить 14,42, що складає приблизно 8%:

- 14,42 ≤ 1,01 X_t-1 ≤ + 14,42 (4.40)

Рис. 4.3 - Одночленна авторегресійна модель:

1-вихідні дані; 2-одночленна авторегресія; 3-вирівнююча гіпербола.

Багаточленна модель. Щомісячна реалізація цегли (в тисячах штук) базою торгово – будівельних матеріалів за 20 місяців представлена в табл. 4.9 (графа 2). Треба скласти модель для прогнозування місячної потреби в цеглі на найближчі місяці.

Содержание:

1. Общие представления

2. Основы теории коррозии

3. Классификация коррозионных процессов

3.1. По виду (геометрическому характеру) коррозионных разрушений на поверхности или в объёме металла.

3.2. По механизму реакций взаимодействия металла со средой (химическая и электрохимическая коррозия).

3.4. По характеру дополнительных воздействий

4. Показатель скорости коррозии

5. Методы защиты от коррозии

5.1. Защитные покрытия

5.2. Обработка коррозионной среды с целью снижения коррозионной активности.

5.3. Электрохимическая защита металлов.

5.4. Разработка и производство новых металлических конструкционных материалов

5.5. Переход в ряде конструкций от металлических к химически стойким материалам

5.6. Рациональное конструирование и эксплуатация металлических сооружений и деталей

Дата добавления: 2013-12-11