Wiki ТНТУ - Внесок користувача [uk]

Сфери застосування планування експерементів

2011-09-07T11:59:46Z

Detraransdell:

{{Завдання|zvizdar|Назаревич О.Б.|8 квітня 2010}}

[http://elartu.tstu.edu.ua/handle/123456789/405] Презентація доповіді (університетський репозиторій).

= ВСТУП. =
'''Класичне уявлення про експерименти.'''

Незважаючи на велике значення експерименту в науковому пізнанні, не існує єдиного загальновизнаного визначення відповідного терміна (це саме стосується, як уже зазначалося й інших фундаментальних понять кібернетики — «система», «модель», «інформація», «управління»). Як правило, під експериментом розуміють створення деякого комплексу умов R, в результаті яких можуть відбуватись чи не відбуватись події з деякої заданої множини S. Предметом теорії експерименту є вивчення відображення цієї множини R, яка називається комплексом умов, на множину S подій — результатів експерименту.

Наведемо ще кілька класичних інтуїтивних визначень.

'''Експеримент''' (від лат. experimentum — проба, досвід) — науково поставлене випробування, спостереження досліджуваного явища за певних фіксованих умов, завдяки чому його можна відтворити повторенням цих умов.

'''Експеримент''' — випробування, дія чи операція, спрямована на виявлення нових фактів або на перевірку гіпотез.

Зупинимося на деяких аспектах сучасного розуміння експерименту.

Нині вже усвідомлено той факт, що існують явища, які не піддаються числовому (кількісному) вимірюванню, але які можна фіксувати в «слабких», «якісних» шкалах і ці результати враховувати в моделях, дістаючи якісні, проте цілком обґрунтовані висновки.

Розпливчастість деяких спостережень визнається як їхня невід’ємна природна властивість, яку можна математично формалізувати за допомогою апарату теорії нечітких множин.

Намагаючись дістати якомога точніші результати вимірювання, дослідник має усвідомлювати, що похибки вимірювання є органічними, неусувними властивостями самого процесу вимірювання. Тому моделі, що перевіряються на практиці, мають не тільки бути гіпотезами про досліджуваний об’єкт, а й ураховувати гіпотези щодо точності вхідної інформації.

Хоча для проведення експерименту необхідна модель відповідного об’єкта, а для уточнення моделі об’єкта необхідний експеримент, тут немає хибного кола: після завершення чергового циклу наступний починається з нової, зміненої моделі. Ми починаємо з найпростішої моделі вхід—вихід («чорної скриньки») і намагаємось побудувати модель «білої скриньки».

Можна виокремити два основні напрямки в теорії планування експериментів: планування екстремальних експериментів та планування експериментів зі з’ясування механізмів явищ.

Завдання екстремального експерименту полягає у визначенні оптимальних значень функції регресії (чи комбінації факторів, за яких функція відгуку набуває екстремальних значень). Методи планування такого експерименту тісно пов’язані з регресійним та факторним аналізом і методами стохастичного програмування.

У плануванні експериментів зі з’ясування механізмів явищ розрізняють:

• експерименти з перевірки статистичних гіпотез;

• експерименти, що відсіюють другорядні та незначущі фактори;

• імітаційні експерименти, які пов’язані з комп’ютерним відтворенням досліджуваного явища. Цей тип експериментів базується на застосуванні методу Монте-Карло.

= Особливості проведення експериментів в економіці. =

При дослідженні відносно простих систем дослідник може з достатнім ступенем точності стабілізувати (зафіксувати) усі незалежні змінні. Потім, по черзі варіюючи деякі з них, можна встановити вигляд функціональної (статистичної) залежності між ними. Що ж до економіки, то варто звернути увагу на такі її особливості як об’єкта моделювання.

1. В економіці неможливі моделі за принципом подібності, широко застосовувані в техніці. Наприклад, у літакобудуванні, гідротехніці часто використовується такий прийом: будується точна копія (макет) системи (у деякому масштабі) і на цій копії відпрацьовуються з необхідним коригуванням усі режими її роботи. Однак такий прийом неприйнятний щодо економіки — не можна побудувати точну копію економіки і на ній відпрацювати різні варіанти економічної політики.

2. В економіці обмежена можливість проведення прямих (активних) експериментів. Прямі експерименти з економікою мають як позитивний, так і негативний бік. Перевага таких експериментів полягає в тому, що практично відразу виявляються короткострокові результати здійснюваної економічної політики, а недолік — в тому, що неможливо безпосередньо передбачати середньо- та довгострокові наслідки прийнятих рішень. Адже передбачати такі наслідки можна лише на основі концептуальних моделей розвитку економіки, що спираються на минулий досвід. Проте прямі експерименти з економікою вкрай небезпечні, оскільки в разі невдалої та неефективної економічної політики вони можуть призвести до стагнації економіки та негативних соціальних наслідків.

3. В економіці можливості «чистих» експериментів вельми обмежені, оскільки економічні системи належать до класу великих складних динамічних систем, в яких існують численні контури прямих і зворотних зв’язків. У таких системах не можна встановити «непроникні перегородки», що розмежовують вплив різних факторів. Такі системи називають «погано організованими», або дифузійними.

З огляду на сказане, досліджуючи економіку будь-якої країни, спираються на її минулий досвід та досвід інших країн. Такий досвід важко переоцінити, але далеко не завжди його можна безпосередньо перенести в умови конкретної економічної ситуації. Проте, зважаючи на вельми обмежену можливість безпосереднього експериментування з усією економікою, вдаються до концептуальних моделей, на яких ґрунтується побудова ЕММ. Адекватність таких моделей встановлюється за допомогою сучасної теорії планування (імітаційних) експериментів.

= Приклади планування експериментів в медицині та сільському господарстві. =

Доволі часто виникає необхідність у визначенні частоти випадків одужання після якогось захворювання - або при випробуванні того чи іншого препарату, або при порівнянні ефективності двох препаратів. Чудова особливість такого статистичного аналізу полягає в тому, що всі види неминучої природної мінливості, що становить як би "фон", на якому виявляється мінливість, пов'язана з досліджуваним фактором, що враховуються в комплексі шляхом використання відповідного розподілу ймовірностей. Якщо фонова мінливість дуже велика, то для отримання остаточних результатів може знадобитися дуже велике число спостережень, а коли вона порівняно мала, результат буде отримано значно швидше.

Якщо який-небудь ефект викликається дуже великим числом різних факторів, то цілком можливо, що фонова мінливість буде вельми велика. У таких випадках доцільно спробувати виділити деякі з цих факторів, навіть якщо їх неможливо повністю контролювати або виключити. Часто виявляється можливим розбити загальну мінливість на окремі компоненти, з яких один відповідає досліджуваного фактору, кілька інших - інших дій, які припускають можливість роздільної оцінки, і останній - інших дій, роздільна оцінка яких неможлива. Оскільки вплив останньої групи чинників, безумовно, буде слабшим, ніж вплив досліджуваного фактора, то це забезпечує більш точну статистичну перевірку.

Мистецтво розташовувати спостереження в певному порядку або проводити спеціально сплановані перевірки з метою повного використання можливостей цих методів і складає зміст предмета "планування експерименту". Тут наведені лише деякі основні переваги свідомого та продуманого планування експерименту.

Перший приклад. Потрібно порівняти болезаспокійливу дію двох різних лікарських препаратів А та В. Нехай підібрано 16 хворих і прийнято рішення розділити їх випадковим чином (щоб уникнути будь-якої свідомо чи мимоволі вноситься систематичної помилки) на дві групи, по 8 хворих в кожній . Одна група отримує препарат А, а інша - препарат В. Потім вимірюють час, протягом якого кожен з хворих відчуває полегшення, і порівнюють середні значення по обох групах. Якщо середній час для препарату А значимо перевищує середній час для препарату В, то можна зробити висновок, що перший препарат більш ефективний. (В даному випадку несуттєво, який статистичний критерій використовується. Оскільки розглядається невелика кількість об'єктів, це може бути один з критеріїв Стьюдента.)

Відомо, що хворі по-різному реагують на один і той самий лікарський препарат, тому тривалість періоду полегшення зазвичай сильно варіює, що значно знижує точність порівняння цих двох препаратів. Проте в даному експерименті відмінності між хворими не становлять для нас особливого інтересу, і це джерело похибки можна виключити такий спосіб. Замість того щоб ділити хворих на дві групи, перевіряють на кожному з них обидва препарати, призначаючи їх послідовно через досить великі проміжки часу (щоб уникнути взаємодії) і у випадковому порядку (або, можливо, в одному порядку для однієї половини хворих і в іншому порядку для іншої).

Тепер для кожного хворого визначають відносну перевагу препарату А перед препаратом В, для чого обчислюють сумарну тривалість періоду полегшення для кожного з них і знаходять різницю цих двох величин. Таким чином отримують 16 чисел, що характеризують відносну перевагу одного препарату перед іншим, що дозволяє перевірити, чи значимо відрізняється від нуля їх середнє значення. Позитивна різниця tA-tB свідчить про статистично значущу перевагу препарату А, негативна - про зворотне співвідношення. Розглядаючи показники відносної переваги, ми виключаємо вплив реакції окремих хворих і в загальному випадку добиваємося більш ефективного порівняння цих двох ліків.

Така проста перевірка методом попарного порівняння являє собою найпростіший план експерименту, який має на меті отримати максимальну кількість інформації з даного числа спостережень. Зауважимо, що цей план має і свої додаткові особливості, тому що вимагає особливої уваги до низки практичних питань, наприклад до того, щоб препарати призначалися у випадковому порядку (щоб уникнути небажаної систематичної помилки) і через досить великі проміжки часу (для виключення ефектів взаємодії) ; однак тут ми не можемо детально розглядати ці питання.

Ми показали, яким чином під час перевірки методом попарного порівняння можна контролювати або виключати з розгляду будь-яке одне важливе і явне джерело мінливості. У більш загальному випадку можуть бути сплановані факторні експерименти, за допомогою яких можна визначити внесок кожного з кількох факторів в загальну мінливість. Деякі з цих факторів можуть становити особливий інтерес, тоді як інші мають другорядне значення. Ідея та практичне застосування цього нового підходу, що належить головним чином Р. Фішером, набули широкого поширення після появи його книги "Планування експериментів", що вийшла першим виданням в 1935 р.

Більшість фундаментальних робіт в області планування експерименту було присвячено сільськогосподарським додаткам.
Другий приклад. Припустимо, потрібно зрівняти середню врожайність кількох сортів пшениці при застосуванні різних добрив в різної концентрації, враховуючи при цьому коливання в родючості грунту на досить великих ділянках землі, які можна розбити на ділянки відповідних розмірів. Для початку можна спробувати скласти план експерименту, в якому будуть розглядатися всі можливі комбінації значень, або рівнів, різних факторів. Так, якщо є чотири сорти пшениці і три різних види добрив, що застосовуються в трьох різних концентраціях, то загальна кількість комбінацій умов дорівнюватиме 36. Таким чином, вихідне число ділянок в одному блоці факторного експерименту буде дорівнює 36 - по одній ділянці на кожну комбінацію умов. Внаслідок можливого коливання в родючості грунту від одного блоку до іншого може виявитися доцільним мати не менше двох повних блоків.

Проводиться застосування факторного плану замість класичної схеми, згідно з якою кожен раз змінюється тільки один фактор, що має ряд серйозних і навіть кілька несподіваних переваг. Перш за все в цьому випадку найбільш повною є картина впливу кожного фактора, оскільки воно вивчається в самих різних умовах (внаслідок одночасної зміни інших факторів). По-друге, велика кількість комбінацій факторів, що використовуються в експерименті, полегшує передбачення результатів, які можуть бути досягнуті при певній комбінації умов. По-третє, якщо ефекти, що викликаються кожним фактором, включених в експеримент, статистично незалежні, то про кожному факторі можна отримати не менше інформації, ніж якщо б у процесі експерименту змінювався тільки один цей чинник, а інші залишалися постійними. По-четверте, якщо (як це часто буває) різні фактори не є незалежними, а викликають ефекти, які більшою чи меншою мірою корельовані, то в цьому випадку тільки факторний експеримент може дати інформацію про характер цих взаємодій. За наявності декількох взаємопов'язаних істотних факторів обійтися без постановки факторного експерименту неможливо. Для ряду часто зустрічаються спеціальних завдань розроблено велику кількість стандартних планів такого типу.

Згідно з деякими з цих найпростіших планів, експеримент проводять на декілька блоків і всередині кожного з них на окремих ділянках перевіряють вплив усіх рівнів якогось одного фактора. При правильному плануванні отримують рандомізований блочний план. У сільськогосподарських задачах блоками можуть служити ділянки землі на різних полях, а рівнями одного фактора - ступінчаста послідовність концентрацій добрив або просто різні сорти пшениці. У лабораторному експерименті, в якому, скажімо, перевіряється вплив різних раціонів харчування на щурів, раціони харчування будуть випробовуватись умовами, а щури - окремими експериментальними одиницями (відповідними ділянках в сільськогосподарському експерименті).
У розглянутої вище простій перевірці методом попарного порівняння також можна було б застосувати рандомізований блочний план; тоді кожного хворого можна було б розглядати як окремий блок, а лікарські препарати - як умови експерименту.

== Логічна схема. ==

Хоча іноді буває важко перенести плани експериментів, розроблені для однієї області, особливо для сільського господарства, у зовсім іншу область, що лежить в їх основі логічна схема часто опиняється досить сприятливою. Тому доцільно ретельно обміркувати можливість того, щоб при належноій інтерпретації елементів якого-небудь певного плану експерименту можна було б забезпечити його успішне застосування в задачах зовсім іншого характеру. Це ілюструє великі можливості математичних методів планування експерименту. В основі планування повинна, зрозуміло, лежати деяка вихідна математична модель. Опишемо найпростішу з них, яка в тому чи іншому варіанті використовується найбільш широко. Хай потрібно досліджувати вплив тільки двох факторів А та В. Припустимо, що спостерігається на деякій експериментальної одиниці вплив i-го рівня фактора А і j-го рівня фактора В можна записати у вигляді

<center><math>yij = m + ai + bj + zij</math> (1.1)</center>

де<math> yij</math> – досліджувана величина, m – загальне середнє, <math>ai</math> і <math>bj</math> - відносні вклади цих двох чинників при заданих рівнях кожного з них, a <math>zij</math> - випадкова зміна, що накладається на основну лінійну адитивну схему. Крім того, часто приймається, що всі величини мають один і той же нормальний розподіл і незалежні один від одного.

Ці обмеження досить серйозні, проте часто прийняття їх в якості першого наближення цілком виправдано. Так, якщо вплив цих факторів малий, то помітну величину будуть мати тільки лінійні члени та можливими членами другого порядку можна знехтувати. При незалежності факторів формула (1.1) цілком задовільна. Але якщо вони взаємодіють один з одним, то слід включити в неї додаткові члени сij, що враховують цю взаємодію. Можна, однак, виконати перевірку значущості на основі формули (1.1), щоб переконатися, чи потрібні члени, що характеризують взаємодію. Крім того, якщо випадкові величини zij не розподілені за нормальним законом, то можна використовувати будь-яку функцію емпіричних результатів (наприклад, квадратні корені або логарифми), для якої зберігається нормальний закон розподілу.

На основі елементарної формули (1.1) легко побудувати моделі, що враховують безліч чинників, блоків, взаємодій і інших ускладнень, спричинених практичною необхідністю в кожному даному експерименті. Справа в тому, що в дуже багатьох випадках необхідні обчислення відносно прості і виконуються безпосередньо. Зазвичай доводиться виробляти повторювані обчислення сум і сум квадратів даних, обраних відповідним чином. Результати представляють у вигляді таблиці дисперсійного аналізу, за допомогою якої можна встановити значимість всіх різних факторів, що впливають на результати експерименту.

== Послідовна схема. ==

Одним із сучасних варіантів планування експериментів, який слід розглянути окремо, є послідовна схема експерименту. В експерименті стандартного типу необхідно заздалегідь вирішити, скільки спостережень потрібно набрати. Якщо після аналізу виявиться, що кількість спостережень занадто мало, то потрібно спробувати продовжити експеримент, однак може виявитися, що на даному етапі зробити це важко або неможливо. Якщо ж з'ясується, що отримано значно більше спостережень, ніж необхідно для досягнення необхідної точності, то буде втрачено час і гроші. У медичних задачах це має особливо істотне значення. Жоден лікар не зацікавлений в тому, щоб експеримент тривав довше, ніж це строго необхідно, тому що його мета - дати своїм хворим найкращий з існуючих препаратів, як тільки він пройде клінічні випробування. Таким чином, в медицині вибір і планування експерименту найтіснішим чином пов'язані з етичними міркуваннями.

Послідовна схема передбачає проведення експерименту окремими серіями. Оцінка результатів проводиться на кожному етапі, з тим щоб негайно можна було вирішити, застосовувати препарат А, препарат В або ж продовжувати експеримент, оскільки остаточного висновку зробити ще не можна. За такої схеми експерименту тривалість його буде мінімальна і він закінчиться значно раніше, ніж у будь-якому іншому випадку. Крім того, в медицині часто буває дуже важко або навіть взагалі неможливо провести звичайну експериментальну перевірку, тому що після кількох невдалих результатів, які можуть закінчитися смертю хворого, починаються гострі суперечки про те, чи варто продовжувати експеримент взагалі. Послідовних схема означає, що заздалегідь можна ретельно і спокійно розглянути різні лінії поведінки, зумовлюється різними результатами експерименту. При цьому значно легше вибрати найкращі рішення безпосередньо в ході експерименту і сумістити вимоги етики з статистичною ефективністю.

= Приклад застосування в хімії. =

Розрахунок швидкості корозії.

Розрахунок швидкості корозії в промислових водах проводиться з метою оцінки корозійної характеристики середовища за змістом корозійно-активних компонентів. Згідно з РД 39-0147323-339-89-Р основними корозійно-активними складовими промислових вод є рН, HCO3-, Cl-, Ca2 +, Mg2 +, H2S. Оскільки рН є похідним від змісту HCO3-, H2S і вплив іонів Ca2 + і Mg2 + аналогічно, були взяті чотири складові - HCO3-, Cl-, Ca2 + + Mg2 +, H2S.

На першому етапі роботи була зібрана апріорна інформація за даними складу промислових вод за період з 1995 по 1999 роки по родовищах (таблиця 1). Джерелом інформації служили результати аналізів промислових вод, проведені хіміко-аналітичною лабораторією за період часу. Найбільш істотним в таблиці є мінімальне та максимальне утримання кожного компонента.
Як фактори були взяті:

х1 - вміст HCO3-, г / л;

х2 - вміст Ca2 + + Mg2 +, г / л;

х3 - вміст Cl-, г / л;

х4 - вміст H2S, мг / л.

Таблиця 1 - Зміна змісту корозійно-активних компонентів в стічній воді по родовищах за 1995-1999 роки

<center>[[Файл:3333.jpg]]</center>

У ході дослідження важливим було відстеження взаємодії факторів. Виходячи з цього, було прийнято математичний опис процесу у вигляді рівняння регресії для чотирьох змінних:

<math>vcor = b0 + b1x1 + b2x2 + b3x3 + b4x4 + b11x12 + b22x22 + b33x33 + b44x44 + b12x1x2 + B13x1x3 + b14x1x4 + b23x2x3 + b24x2x4 + b34x3x4.</math>

Використання в якості моделі полінома другого порядку вимагає варіювання факторів на п'яти рівнях. Відповідно до апріорної інформацією були прийняті значення рівнів, представлені в таблиці 2.

Таблиця 2 - Значення рівнів варіювання факторів.

<center>[[Файл:444444.jpg]]</center>

Так як в якості моделі взяли поліном другого порядку для розрахунку коефіцієнтів зручно скористатися методом центрального композиційного планування (ЦКОП). В основному експерименті в центрі плану передбачався один досвід, тому значення «зоряного» плеча α береться рівним +1. Кількість експериментів рівне 25. З огляду на вимоги, які розглядаються, була складена матриця планування в умовному масштабі. При проведенні основного експерименту досліди були рандомізовані.

Таблиця 3 - Матриця планування чотирьохфакторного експерименту.

<center>[[Файл:55555.jpg‎]]</center>

Коррозия и защита в нефтегазовой промышленности: Экономическая эффективность катодной защиты обсадных колонн скважин / Под ред. Г.С. Кесельмана, В.Б. Максимова. - М.: ВНИИОЭНГ, 1974. - 74 с.
http://nature.web.ru/db/msg.html?mid=1156624&uri=2_3.htm
http://buklib.net/component/option,com_jbook/task,view/Itemid,36/catid,128/id,3694/

=Список використаних джерел=

#Коррозия и защита в нефтегазовой промышленности: Экономическая эффективность катодной защиты обсадных колонн скважин / Под ред. Г.С. Кесельмана, В.Б. Максимова. - М.: ВНИИОЭНГ, 1974. - 74 с.
#http://nature.web.ru/db/msg.html?mid=1156624&uri=2_3.htm;
#http://buklib.net/component/option,com_jbook/task,view/Itemid,36/catid,128/id,3694.

{{Завдання:Виступ|zvizdar|8 березня 2010|Приклади задач у народному господарстві, в тому числі у багатьох областях медицини та ін.}}

[[Категорія:ПЕ-2010]]
[[Категорія:Виступ на семінарі]]
[[Категорія:Планування експеримента]]

[http://cvresumewritingservices.org/ resume writing]

Методи прогнозування

2011-09-07T11:59:45Z

Detraransdell:

{{Завдання|hotcoffe|Назаревич О.Б.|28 лютого 2010}}

http://elartu.tstu.edu.ua/handle/123456789/411 Презентація доповіді (університетський репозиторій).

= Методи прогнозування =

До недавнього часу (середини 80-х років минулого століття) існувало декілька загальновизнаних методів прогнозування тимчасових рядів:

• Економетричні

• Регресійні

• Методи Бокса-дженкінса (ARIMA, ARMA)

Проте, починаючи з кінця 80-х років, в науковій літературі були опубліковані ряд статей з нейромережевої тематики, в яких був приведений ефективний алгоритм навчання нейронних мереж і доведена можливість їх використання для найширшого кола завдань.

Ці статті відродили інтерес до нейромереж в науковому співтоваристві і останні дуже скоро почали широко використовуватися при дослідженнях в самих різних областях науки від експериментальної фізики і хімії до економіки.

= Методи прогнозування, засновані на згладжуванні, експоненційному згладжуванні і ковзному середньому =

== "Наївні" моделі прогнозування ==

При створенні "наївних" моделей передбачається, що деякий основний період прогнозованого тимчасового ряду краще всього описує майбутнє цього прогнозованого ряду, тому в цих моделях прогноз, як правило, є дуже простою функцією від значень прогнозованої змінної в недалекому минулому.

Найпростішою моделлю є

<center> <math>Y_{t+1}=Y_{t}</math> </center>

що відповідає припущенню, що "завтра буде як сьогодні"[4].

Поза всяким сумнівом, від такої примітивної моделі не варто чекати великої точності. Вона не тільки не враховує механізми, що визначають прогнозовані дані (цей серйозний недолік взагалі притаменний багатьом статистичним методам прогнозування), але і не захищена від випадкових коливань, вона не враховує сезонні коливання і тенденції. Втім, можна будувати "наївні" моделі дещо по-іншому

<center>

<math>\begin{align}
& Y_{t+1}=Y_{t}+\left[ Y_{t}-Y_{t-1} \right], \\
& Y_{t+1}=Y_{t}\cdot \left[ Y_{t}/Y_{t-1} \right], \\
\end{align}</math>

</center>

такими способами ми намагаємося пристосувати модель до можливих тенденцій

<center>
<math>Y_{t+1}=Y_{t-S}</math>
</center>

це спроба врахувати сезонні коливання.

[[Файл:23.png|border|center|Прогнозування ]]
<center>Рис.1 - Прогнозування найпростішими методами. </center>

[[Файл:24.png|border|center|Прогнозування ]]
<center>Рис.2 - Прогнозування найпростішими методами. </center>

== Середні і ковзаючі середні ==

Найпростішою моделлю, заснованою на простому усереднюванні [4] є

<center>
<math>Y_{t+1}=\frac{1}{t}\left[ Y_{t}+Y_{t-1}+...+Y_{1} \right]</math>
</center>

і у відмінності від найпростішої "наївної" моделі, якій відповідав принцип "завтра буде як сьогодні", цій моделі відповідає принцип "завтра буде як було в середньому за останній час". Така модель, звичайно стійкіша до коливань, оскільки в ній згладжуються випадкові викиди щодо середнього. Не дивлячись на це, цей метод ідеологічно настільки ж примітивний як і "наївні" моделі і йому властиві майже ті ж самі недоліки.

У приведеній вище формулі передбачалося, що ряд усереднюється по достатньо тривалому інтервалу часу. Проте як правило, значення тимчасового ряду з недалекого минулого краще описують прогноз, ніж усі попередні значення цього ж ряду. Тоді можна використовувати для прогнозування ковзне середнє

<center>
<math>Y_{t+1}=\frac{1}{T+1}\left[ Y_{t}+Y_{t-1}+...+Y_{t-T} \right]</math>
</center>

Сенс його полягає в тому, що модель бачить тільки найближче минуле (на T відліків за часом в глибину) і грунтуючись тільки на цих даних будує прогноз.

При прогнозуванні досить часто використовується метод експоненціальних середніх, який постійно адаптується до даних за рахунок нових значень. Формула, що описує цю модель записується як

<center> <math>Y_{t+1}=\alpha Y_{t}+\left( 1-a \right)\hat{Y}_{t},</math>
</center>

де <math>Y_{t+1}</math> – прогноз на наступний період часу

<math>Y_{t}</math> – реальне значення у момент часу t

<math>\hat{Y}</math> – минулий прогноз на момент часу t

а – постійна згладжування (0<=a<=1)

У цьому методі є внутрішній параметр а, який визначає залежність прогнозу від усіх розглянутих даних, причому вплив даних на прогноз експоненціально зменшується із "віком" даних. Залежність впливу даних на прогноз при різних коефіцієнтах а приведена на графіці.

[[Файл:qa.png|border|center|Залежність впливу даних на прогноз при різних коефіцієнтах а ]]
<center>Рис.3 - Залежність впливу даних на прогноз при різних коефіцієнтах а </center>

Видно, що при a→1, експоненціальна модель прагне до найпростішої "наївної" моделі. При a→0, прогнозована величина стає рівною попередньому прогнозу.

Якщо проводиться прогнозування з використанням моделі експоненціального згладжування, зазвичай на деякому тестовому наборі будуються прогнози при a=[0.01, 0.02 ..., 0.98, 0.99] і відстежується, при якому а точність прогнозування вища. Це значення а потім використовується при прогнозуванні надалі.

Хоча описані вище моделі ("наївні" алгоритми, методи, засновані на середніх, ковзних середніх і експоненціальному згладжуванні) використовуються при бізнес-прогнозуванні в не дуже складних ситуаціях, наприклад, при прогнозуванні продажу на спокійних і сталих західних ринках, не рекомендовано використовувати ці методи в завданнях прогнозування з причини явної примітивності і неадекватності моделей.

Разом з цим хотілося б відзначити, що описані алгоритми цілком успішно можна використовувати як супутні і допоміжні для передобробки даних в завданнях прогнозування. Наприклад, для прогнозування продажу в більшості випадків необхідно проводити декомпозицію тимчасових рядів (тобто виділяти окремо тенденційну, сезонну і нерегулярну складові). Одним з методів виділення тенденційних складових є використання експоненціального згладжування.

[[Файл:26.png|border|center|Прогнозування ]]
<center>Рис.4 - Прогнозування ковзаючим середнім. </center>

[[Файл:27.png|border|center|Прогнозування ]]
<center>Рис.5 - Спад адекватності при ковзаючому середньому. </center>

= Методи Хольта і Брауна =

В середині минулого століття Хольт запропонував вдосконалений метод експоненціального згладжування, згодом названий його ім'ям. У запропонованому алгоритмі значення рівня і тенденції згладжуються за допомогою експоненціального згладжування. Причому параметри згладжування у них різні.
<center>
<math>\left\{ \begin{matrix}
\Omega _{t}=\alpha Y_{t}+\left( 1-\alpha \right)\left( \Omega _{t-1}-T_{t-1} \right), \\
T_{t}=\beta \left( \Omega _{t}-\Omega _{t-1} \right)+\left( 1-\beta \right)T_{t-1}, \\
\hat{Y}_{t+p}=\Omega _{t}+pT_{t} \\
\end{matrix} \right.</math>
</center>
Тут перше рівняння описує згладжений ряд загального рівня.

Друге рівняння служить для оцінки тенденції.

Третє рівняння визначає прогноз на p відліків за часом вперед.

Постійні згладжування в методі Хольта ідеологічно грають ту ж роль, що і постійна в простому експоненціальному згладжуванні. Підбираються вони, наприклад, шляхом перебору по цих параметрах з якимсь кроком. Можна використовувати і менш складні в сенсі кількості обчислень алгоритми. Головне, що завжди можна підібрати таку пару параметрів, яка дає велику точність моделі на тестовому наборі і потім використовувати цю пару параметрів при реальному прогнозуванні.

Окремим випадком методу Хольта є метод Брауна, коли <math>\alpha =\beta </math> .

= Метод Вінтерса =

Хоча описаний вище метод Хольта (метод двохпараметричного експоненціального згладжування) і не є зовсім простим (щодо "наївних" моделей і моделей, заснованих на усереднюванні), він не дозволяє враховувати сезонні коливання при прогнозуванні. Кажучи акуратніше, цей метод не може їх "бачити" в передісторії. Існує розширення методу Хольта до трьохпараметричного експоненціального згладжування. Цей алгоритм називається методом Вінтерса. При цьому робиться спроба врахувати сезонні складові даних. Система рівнянь, що описують метод Вінтерса виглядає таким чином:
<center>
<math>\left\{ \begin{matrix}
\Omega _{t}=\alpha \frac{Y_{t}}{S_{t-s}}+\left( 1-\alpha \right)\left( \Omega _{t-1}-T_{t-1} \right), \\
T_{t}=\beta \left( \Omega _{t}-\Omega _{t-1} \right)+\left( 1-\beta \right)T_{t-1}, \\
S_{t}=\Upsilon \frac{Y_{t}}{\Omega _{t}}+\left( 1-\Upsilon \right)S_{t-s}, \\
\hat{Y}_{t+p}=\left( \Omega _{t}+pT_{t} \right)S_{t-s+p} \\
\end{matrix} \right.</math>
</center>
Дріб в першому рівнянні служить для виключення сезонності з Y(t). Після виключення сезонності алгоритм працює з "чистими" даними, в яких немає сезонних коливань. З'являються вони вже в самому фінальному прогнозі, коли "чистий" прогноз, порахований майже по методу Хольта умножається на сезонний коефіцієнт.

[[Файл:25.png|border|center|Прогнозування ]]
<center>Рис.6 - Прогнозування методи Вінтерса. </center>

= Регресійні методи прогнозування =
Разом з описаними вище методами, заснованими на експоненціальному згладжуванні, вже достатньо довгий час для прогнозування використовуються регресійні алгоритми. Коротко суть алгоритмів такого класу можна описати так.
Існує прогнозована змінна Y (залежна змінна) і відібраний заздалегідь комплект змінних, від яких вона залежить, - X1, X2 ..., XN (незалежні змінні). Природа незалежних змінних може бути різною. Наприклад, якщо припустити, що Y - рівень попиту на деякий продукт в наступному місяці, то незалежними змінними можуть бути рівень попиту на цей же продукт в минулий і позаминулий місяці, витрати на рекламу, рівень платоспроможності населення, економічна обстановка, діяльність конкурентів і багато що інше. Головне - уміти формалізувати всі зовнішні чинники, від яких може залежати рівень попиту в числовій формі.

Модель множинної регресії в загальному випадку описується виразом
<center>
<math>Y=F\left( X_{1},\,X_{2},\,...,\,X_{N} \right)+\varepsilon </math>
</center>
У простішому варіанті лінійної регресійної моделі залежність залежної змінної від незалежних має вигляд:
<center>
<math>Y=\beta _{0}+\beta _{1}X_{1}+\beta _{2}X_{2}+...+\beta _{N}X_{N}+\varepsilon </math>
</center>
Тут <math>\beta _{1},\beta _{2},\,...,\,\beta _{N}-</math> підбирані коефіцієнти регресії

<math>\varepsilon -</math> компонента помилки. Передбачається, що всі помилки незалежні і нормально розподілені.
Для побудови регресійних моделей необхідно мати базу даних спостережень приблизно такого вигляду:
<center>
<table width="382" border="1">
<tr>
<th width="22" scope="col"> </th>
<th colspan="5" scope="col">Змінні</th>
</tr>
<tr>
<th scope="row"> </th>

<td colspan="4" bgcolor="#BDE0BA"><div align="center">Незалежні</div></td>
<td width="86" bgcolor="#C1BEE9">Залежна</td>
</tr>
<tr>
<th scope="row">№</th>
<td width="44" bgcolor="#BDE0BA">X1</td>
<td width="65" bgcolor="#BDE0BA">X2</td>

<td width="65" bgcolor="#BDE0BA">...</td>
<td width="60" bgcolor="#BDE0BA">XN</td>
<td bgcolor="#C1BEE9">Y</td>
</tr>
<tr>
<th scope="row">1</th>
<td bgcolor="#BDE0BA">x_11</td>

<td bgcolor="#BDE0BA">x_12</td>
<td bgcolor="#BDE0BA">...</td>
<td bgcolor="#BDE0BA">x_1N</td>
<td bgcolor="#C1BEE9">Y_1</td>
</tr>
<tr>
<th scope="row">2</th>

<td bgcolor="#BDE0BA">x_21</td>
<td bgcolor="#BDE0BA">x_22</td>
<td bgcolor="#BDE0BA">...</td>
<td bgcolor="#BDE0BA">x_2N</td>
<td bgcolor="#C1BEE9">Y_2</td>
</tr>

<tr>
<th scope="row">...</th>
<td bgcolor="#BDE0BA">...</td>
<td bgcolor="#BDE0BA">...</td>
<td bgcolor="#BDE0BA">...</td>
<td bgcolor="#BDE0BA">...</td>

<td bgcolor="#C1BEE9">...</td>
</tr>
<tr>
<th scope="row">m</th>
<td bgcolor="#BDE0BA">x_M1</td>
<td bgcolor="#BDE0BA">x_M2</td>
<td bgcolor="#BDE0BA">...</td>

<td bgcolor="#BDE0BA">x_MN</td>
<td bgcolor="#C1BEE9">Y_m</td>
</tr>
</table>
</center>

За допомогою таблиці значень минулих спостережень можна підібрати (наприклад, методом найменших квадратів) коефіцієнти регресії, побудувавши тим самим модель.

При роботі з регресією треба дотримуватися певної обережності і обов'язково перевірити на адекватність знайдені моделі. Існують різні способи такої перевірки. Обов'язковим є статистичний аналіз залишків, тест Дарбіна-Уотсона. Корисно, як і у випадку з нейронними мережами, мати незалежний набір прикладів, на яких можна перевірити якість роботи моделі.

= Методи Бокса-Дженкінса (ARIMA)=

В середині 90-х років минулого століття був розроблений принципово новий і достатньо могутній клас алгоритмів для прогнозування тимчасових рядів. Велику частину роботи по дослідженню методології і перевірці моделей була проведена двома статистиками, Г.Е.П. Боксом ([http://en.wikipedia.org/wiki/George_E._P._Box G.E.P. Box]) і Г.М. Дженкинсом ([http://en.wikipedia.org/wiki/Gwilym_Jenkins G.M. Jenkins]). З тих пір побудова подібних моделей і отримання на їх основі прогнозів іноді називатися методами Бокса-Дженкінса. В це сімейство входить декілька алгоритмів, найвідомішим і використовуваним з них є алгоритм ARIMA. Він вбудований практично в будь-який спеціалізований пакет для прогнозування. У класичному варіанті ARIMA не використовуються незалежні змінні. Моделі спираються тільки на інформацію, що міститься в передісторії прогнозованих рядів, що обмежує можливості алгоритму. В даний час в науковій літературі часто згадуються варіанти моделей ARIMA, що дозволяють враховувати незалежні змінні. У даній доповіді вони розглядатись не будуть, обмежимось тільки загальновідомим класичним варіантом. На відміну від розглянутих раніше методик прогнозування тимчасових рядів, в методології ARIMA не передбачається якої-небудь чіткої моделі для прогнозування даної тимчасової серії. Задається лише загальний клас моделей, що описують часовий ряд і що дозволяють якось виражати поточне значення змінної через її попередні значення. Потім алгоритм, підстроюючи внутрішні параметри, сам вибирає найбільш відповідну модель прогнозування. Як вже наголошувалося вище, існує ціла ієрархія моделей Бокса-Дженкінса. Логічно її можна визначити так
<center>
AR(p)+MA(q)→ARMA(p,q)→ARMA(p,q)(P,Q)→ARIMA(p,q,r)(P,Q,R)→...
</center>
== AR(p) -авторегресивна модель порядку р ==

Модель має вигляд:
<center>
<math>Y\left( t \right)=f_{0}+f_{1}\cdot Y\left( t-1 \right)+f_{2}\cdot Y\left( t-2 \right)+...+f_{p}\cdot Y\left( t-p \right)+E\left( t \right)</math>
</center>

де
Y(t) –залежна змінна у момент часу t. <math>f_{0},f_{1},f_{2}...,f_{p}</math> - оцінювані параметри. E(t) - помилка від впливу змінних, які не враховуються в даній моделі. Завдання полягає в тому, щоб визначити <math>f_{0},f_{1},f_{2}...,f_{p}</math>. Їх можна оцінити різними способами. Найправильніше шукати їх через систему рівнянь Юла-Уолкера, для складання цієї системи буде потрібно розрахунок значень автокореляційної функції. Можна поступити простішим способом - порахувати їх методом найменших квадратів.

== MA(q) -модель з ковзаючим середнім порядку q ==

Модель має вигляд:
<center>
<math>Y\left( t \right)=m+e\left( t \right)-w_{1}\cdot e\left( t-1 \right)-w_{2}\cdot e\left( t-2 \right)-...-w_{p}\cdot e\left( t-p \right)</math>
</center>

Де Y(t) -залежна змінна у момент часу t. <math>w_{0},w_{1},w_{2}...,w_{p}</math> - оцінювані параметри.

== Авторегресійне ковзне середнє ARMA(p,q) ==

Під позначенням ARMA(p,q) [3] розуміється модель, p авторегресійних складових, що містить q, ковзаючих середніх.

Точніше модель ARMA(p,q) включає моделі AR(p) і MA(q):
<center>
<math>X_{t}=c+e_{t}+\sum\limits_{i=1}^{q}{\theta _{i}e_{t-i}}+\sum\limits_{i=1}^{p}{\phi _{i}X_{t-i}},</math>
</center>
Зазвичай значення помилки <math>e_{t}</math> вважають незалежними однаково розподіленими випадковими величинами, узятими з нормального розподілу з нульовим середнім: <math>e_{t}\sim N\left( 0,\sigma ^{2} \right),</math> де <math>\sigma ^{2}</math> — дисперсія. Припущення можна ослабити, але це може привести до зміни властивостей моделі. Наприклад, якщо не припускати незалежності і однакового розподілу помилок, поведінка моделі суттєво міняється.

== ARIMA (p,d,q) ==

У завданні аналізу тимчасового ряду з складною структурою часто використовуються моделі класу ARIMA(p,d,q)[2] (авторегресійне інтегрування ковзаючого середнього - Autoregressive Integrated Moving Average) порядку (p,d,q), які моделюють різні ситуації, що зустрічаються при аналізі стаціонарних і нестаціонарних рядів. Залежно від аналізованого ряду модель ARIMA (p,d,q) може трансформуватися до авторегресійної моделі AR(p), моделі ковзного середнього MA(q) або змішаній моделі ARMA (p,q). При переході від нестаціонарного ряду до стаціонарного значення параметра d, що визначає порядок різниці, приймається рівним 0 або 1, тобто цей параметр має тільки цілочисельні значення. Зазвичай обмежуються вибором між d = 0 і d = 1. Проте з поля зору дослідників випадає ситуація, коли параметр d може приймати дробові значення.

== ARFIMA(p,d,q) ==

Для ситуації розгляду дробових значень порядку різниці, в роботах зарубіжних учених, в першу чергу, C.W.Granger, J.R.Hosking, P.M.Robinson, R. Beran, був запропонований новий клас моделей ARFIMA(p,d,q)[2] (F: fractional - дріб), що допускає можливість нецілого параметра d і авторегресійний дріб інтегрований процес ковзного середнього. Такі ряди володіють своєю специфікою: самоподібністю, дробовою розмірністю, поволі спадаючою кореляцією. Прогнозування тимчасових рядів за допомогою моделі ARFIMA(p,d,q) відкриває ширші перспективи для підвищення точності прогнозу.

== Модель вигляду ARIMA (p,d,q)(P,D,Q)S ==

ARIMA (p,d,q)(P,D,Q)S [1],

де: p - авторегресійні доданки;

D - різниці;

q - доданки ковзаючого середнього;

P – сезонні авторегресійні доданки;

D – сезонні різниці на інтервалі S;

Q – доданки сезонного ковзаючого середнього

= Метод "Гусениці" SSA =

Метод SSALRF[6,7]

Метод “Гусеніца”-SSA може бути використаний для різних загальних завдань дослідження тимчасових рядів, зокрема - для виділення сигналу і знаходження його ЛРФ. При його використанні по ряду <math>F_{N}</math> будується траєкторна матриця X заданого розміру L x K, 1 < L < N.

K = N – L + 1 (L називається довжиною вікна), обчислюються власні числа <math>\left\{ \lambda _{i} \right\}_{i=1}^{L},</math> власні <math>\left\{ \lambda _{i} \right\}_{i=1}^{L},</math>і факторні <math>\left\{ V_{i} \right\}_{i=1}^{L}</math> вектора матриці <math>XX^{T}</math>, формуючи сингулярне розкладання <math>X=\sum\limits_{i}{\sqrt{\lambda _{i}}U_{i}V_{i}^{T}}</math>. Набір <math>\left( \sqrt{\lambda _{i}}U_{i}V_{i} \right)</math> називається сингулярною трійкою. Ряду зіставляється траєкторний простір, аддитивній складовій ряду при виконанні умов роздільності відповідає власний траєкторний підпростір в цьому просторі.

В умовах наближеної роздільності метод дозволяє знайти підпростір близьке до траєкторного простору даної аддитивної складової.

Опишемо алгоритм методу SSALRF, в нім можна виділити наступну послідовність кроків.

Алгоритм [5]

#Вибір довжини вікна L і побудова траєкторної матриці <math>X\in \mathbb{R}^{L\times K}</math> по ряду <math>F_{N}</math>;
#Сингулярне розкладання траєкторної матриці <math>X=\sum\limits_{i}{\sqrt{\lambda _{i}}U_{i}V_{i}^{T}}</math> ;
#Вибір сингулярних трійок, відповідних сигналу <math>S_{N}</math>;
#Побудова по власних векторах вибраних сингулярних трійок наближеної ЛРФ сигналу порядку L – 1;
#Знаходження кореня характеристичного полінома цієї ЛРФ;
#Пошук головного кореня серед всієї безлічі коренів;
#Отримання наближеною мінімальною ЛРФ (порядка 2) сигналу по головному кореню.

[[Файл:28.png|border|center|Прогнозування ]]
<center>Рис.1 - Типи трендів. </center>

[[Файл:29.png|border|center|Прогнозування ]]
<center>Рис.2 - Декомпозиція на сезони, тренди та наступне прогнозування. </center>

= Перелік використаних джерел =

#http://ipu-conf.ru/kmu/sbornik_VMKPU2008.pdf (лютий 2010)
#http://www.guap.ru/guap/main/avtoref_krichevsky.doc (лютий 2010)
#http://www.machinelearning.ru/wiki/index.php?title= Авторегрессионное_скользящее_среднее (лютий 2010)
#http://www.neuroproject.ru/forecasting_tutorial.php#mlp Методы прогнозирования (лютий 2010)
#http://www.pdmi.ras.ru/~theo/autossa/files/SSAvsREGR--paper.pdf Метод SSALRF (лютий 2010)
#http://www.nsu.ru/ef/tsy/ecmr/Forum/topic77.htm Конференция по эконометрике » AR, ARMA, ARIMA, FARIMA (лютий 2010)
#[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%BE%D0%B4%D0%B5%D0%BB%D1%8C_%D0%A5%D0%BE%D0%BB%D1%8C%D1%82%D0%B0 Метод_Хольта]
#[http://www.ipredict.it/Methods/ Методи прогнозування (eng.)]

{{Завдання:Виступ|Hotcoffe|30 лютого 2010|Методи прогнозування.}}

[[Категорія:ПЕ-2010]]
[[Категорія:Виступ на семінарі]]
[[Категорія:Планування експеримента]]
[http://editingwritingservices.org/ essay editing]

[http://cvresumewritingservices.org/ resume writing service]

Чорний ящик

2011-09-07T11:59:44Z

Detraransdell:

= Чорний ящик =
Чорний ящик являє собою важливий елемент у плануванні експерименту та в науці загалом. Використовуючи дане поняття тисячі вчених світу отримують змогу використовувати той рівень поглиблення при дослідженні об’єкту який необхідний для досягнення оптимального результату планування.

http://elartu.tstu.edu.ua/handle/123456789/349 Презентація доповіді (університетський репозиторій).

= Планування експерименту =
<div class="tright" style="clear:none">[[Файл:Eksperument.jpg|thumb|center|]]</div>
Завдання, для вирішення яких може використовуватися планування експерименту, надзвичайно різноманітні. До них відносяться: пошук оптимальних умов,
побудова інтерполяційних формул, вибір істотних факторів, оцінка та уточнення констант теоретичних моделей, вибір найбільш прийнятних з деякої безлічі гіпотез про механізми явищ, дослідження діаграм склад - властивість і т.д.
Пошук оптимальних умов є одним з найбільш поширених науково - технічних завдань. Вони виникають в той момент, коли встановлена можливість проведення процесу і необхідно знайти найкращі (оптимальні) умови його реалізації.
Такі завдання називаються завданнями оптимізації. Процес їх рішення називається процесом оптимізації або просто оптимізацією. Вибір оптимального складу багатокомпонентних сумішей та сплавів, підвищення продуктивності діючих установок, підвищення якості продукції, зниження витрат на її отримання - ось приклади задач оптимізації.

= “Чорний ящик” =
== Схема чорного ящика (його функціональна структура) ==

Далі слідує поняття - об'єкт дослідження. Для його опису зручно користуватися поданням про кібернетичної системи, яка схематично зображена на рис.1.
Таку схему називають «чорним ящиком».
Чорний ящик - термін, що використовується в точних науках (зокрема, системотехніці, кібернетики та фізики) для позначення системи, механізм роботи якої дуже складний, невідомий або не важлива в рамках цієї задачі. Такі системи зазвичай мають якийсь «вхід» для введення інформації та «вихід» для відображення результатів роботи. Стан виходів звичайно функціонально залежить від стану входів і т.д.
Якщо механізм роботи не важливий, то залежність результатів від вхідних даних, як правило, відома; концепція чорного ящика при цьому використовується, щоб не відволікатися на внутрішню будову. Проте такий підхід може дати помилку при використанні пристрою на межі його можливостей.

[[Файл:Black BoX.png|thumb|center|Схематичне зображення чорного ящика]]

<center>Рис.1 - Схема представлення об'єкта дослідження</center>

Представлення об'єкта у вигляді такої схеми базується на принципі «чорного ящика». Тобто ми маємо наступні групи параметрів:
# керуючі (вхідні) Хі, які називаються факторами;
# вихідні параметри Уі., які називаються параметрами стану;
# Wi-впливи.

Стрілки праворуч зображують чисельні характеристики цілей дослідження. Ми їх позначаємо літерою ігрек (у) і називаємо параметрами оптимізації. У літературі зустрічаються інші назви:
*критерій оптимізації,
*цільова функція,
*вихід «чорного ящика» і т.д.

== Математична модель чорного ящика ==

Для проведення експерименту необхідно мати можливість впливати на поведінку «чорного ящика». Всі способи такого впливу ми позначаємо літерою ікс (х) і називаємо факторами. Їх також називають також входами «чорного ящика».
<div class="tright" style="clear:none">[[Файл:Black BoX Shem.png|thumb|center|Схема чорного ящика]]</div>

При вирішенні задачі використовують математичні моделі дослідження. Під математичною моделлю ми розуміємо рівняння, що зв'язує параметр оптимізації з чинниками.

Це рівняння в загальному вигляді можна записати так:
<math>y=\varphi(x_1,x_2,...,x_K)</math>, де символ <math>\varphi()</math>, як завжди в математиці, замінює слова: «функція від».
Така функція називається функцією відгуку.

Кожен фактор може приймати в досліді одне з декількох значень. Ці значення називаються рівнями. Для полегшення побудови «чорного ящика» і експерименту фактор повинен мати певне число дискретних рівнів. Фіксований набір рівнів факторів визначає одне з можливих станів «чорного ящика».
Одночасно це є умовою проведення одного з можливих дослідів. Якщо перебрати всі можливі набори станів, то виходить безліч різних станів «чорного ящика».
Це буде число можливих різних дослідів.

Число можливих дослідів визначають за виразом:
<math>N=P^K</math>,
де:
*N - число дослідів;
*р - число рівнів;
*K - число факторів.

Реальні об'єкти зазвичай мають величезну складність. Так, на перший погляд, проста система з п'ятьма факторами на п'яти рівнях має 3125 станів, а для десяти факторів на чотирьох рівнях їх уже понад мільйон. У цих випадках виконання всіх дослідів практично неможливо. Виникає питання: скільки і яких дослідів потрібно включити до експерименту, щоб вирішити поставлене завдання?
Саме тут і застосовується планування експерименту.

== Використання схеми ”чорний ящик” в плануванні експерименту ==

Виконання досліджень за допомогою планування експерименту вимагає виконання деяких вимог. Основними з них є умови відтворюваності результатів експерименту і керованість експерименту. Якщо повторити деякі досліди через нерівні проміжки часу і порівняти результати, в нашому випадку - значення параметра оптимізації, то розкид їх значень характеризує відтворюваність результатів. Якщо він не перевищує певної заданої величини, то об'єкт задовольняє вимогу відтворюваності результатів. Ми будемо розглядати тільки такі об'єкти, де ця умова виконується.

Планування експерименту припускає активне втручання в процес і можливість вибору в кожному досвіді тих рівнів факторів, які становлять інтерес.
Тому такий експеримент називають активним. Об'єкт, на якому можливий активний експеримент, називається керованим.
На практиці немає абсолютно керованих об'єктів, тому що на них діють як керовані, так і некеровані фактори. Некеровані фактори впливають на відтворюваність експерименту і є причиною її порушення. У цих випадках доводиться переходити до інших методів дослідження.

== Фактори чорного ящика ==

Фактором називається вимірювана змінна величина, що приймає в деякий момент часу певне значення і впливає на об'єкт дослідження.
Фактори повинні мати область визначення, всередині якої задаються його конкретні значення.

Область визначення може бути безперервною або дискретною. При плануванні експерименту значення факторів приймаються дискретними, що пов'язано з рівнями факторів. У практичних завданнях області визначення чинників мають обмеження, які носять або принциповий, або технічний характер.

Фактори поділяються на кількісні та якісні.
До кількісних відносяться ті фактори, які можна вимірювати, зважувати і т.д.
Якісні чинники - це різні речовини, технологічні способи, прилади, виконавці і т.п.
Хоча до якісних факторів не відноситься числова шкала, але при плануванні експерименту до них застосовують умовну порядкову шкалу відповідно до рівнів, тобто проводиться кодування. Порядок рівнів тут довільний, але після кодування він фіксується.

Фактори повинні бути керованими, це означає, що вибране потрібне значення фактора можна підтримувати постійним протягом всього досвіду. Планувати експеримент можна тільки в тому випадку, якщо рівні факторів підкоряються волі експериментатора.

Наприклад, експериментальна установка змонтована на відкритому майданчику. Тут температурою повітря ми не можемо управляти, її можна тільки контролювати, і тому при виконанні дослідів температуру, як чинник, що ми не можемо враховувати.

Вибір параметрів оптимізації (критеріїв оптимізації) є одним з головних етапів роботи на стадії попереднього вивчення об'єкта дослідження, тому що правильна постановка завдання залежить від правильності вибору параметра оптимізації, що є функцією мети.
Під параметром оптимізації розуміють характеристику мети, задану кількісно. Параметр оптимізації є реакцією (відгуком) на вплив факторів, які визначають поведінку обраної системи.

Реальні об'єкти або процеси, як правило, дуже складні. Вони часто вимагають одночасного обліку декількох, іноді дуже багатьох, параметрів. Кожен об'єкт може характеризуватися усією сукупністю параметрів, або будь-якою підмножиною цієї сукупності, або одним - єдиним параметром оптимізації. В останньому випадку інші характеристики процесу вже не виступають як параметр оптимізації, а служать обмеженнями. Інший шлях - побудова узагальненого параметра оптимізації як деякої функції від безлічі вихідних.

== Параметри оптимізації чорного ящика ==

Параметр оптимізації - це ознака, по якому оптимізується процес. Він повинен бути кількісним, задаватися числом. Безліч значень, які може приймати параметр оптимізації, називається областю його визначення. Області визначення можуть бути безперервними і дискретними, обмеженими та необмеженими.

Наприклад, вихід реакції - це параметр оптимізації з безперервною обмеженою областю визначення.
Він може змінюватися в інтервалі від 0 до 100%. Кількість бракованих виробів, число зерен на шлиф сплаву, число кров'яних тілець у пробі крові - ось приклади параметрів з дискретної областю визначення, обмеженої знизу.

Кількісна оцінка параметра оптимізації на практиці не завжди можлива. У таких випадках користуються прийомом, так званим ранжуванням. При цьому параметрам оптимізації присвоюються оцінки - ранги по заздалегідь вибраної шкалою: двобальною, п'ятибальною і т.д. Рангові параметр має дискретну обмежену область визначення. У простому випадку область містить два значення (так, ні, ти зробив добре, погано).
Це може відповідати, наприклад, придатної продукції і браку.

Основні вимоги що накладаються на параметри оптимізації:
#Параметр оптимізації повинен бути кількісним.
#Параметр оптимізації повинен виражатись одним числом. Інколи це виходить природно – як показник приладу. Але часто буває й необхідно провести розрахунок – наприклад при розрахунку виходу реакції.
#Параметр оптимізації повинен бути однозначним в статистичному сенсі. Тобто заданому набору значень факторів оптимізації повинно відповідати одне значення параметра оптимізації.
#Параметр оптимізації повинен надавати можливість ефективної оцінки функціонування системи.
#П’ята вимога – вимога універсальності або повноти. Під універсальністю розуміють його здатність всебічно охарактеризувати об’єкт.
#Бажано щоб параметр оптимізації мав фізичний сенс, був простим та обчислювався без особливих труднощів.

=Список використаних джерел=

#«ОСНОВЫ ПЛАНИРОВАНИЯ ЭКСПЕРИМЕНТА» Методическое пособие для студентов специальностей 190800 «Метрология и метрологическое обеспечение» и 072000 «Стандартизация и сертификация (по отраслям пищевой промышленности)»
#http://www.chuvsu.ru/~rte/uits/liter_uits/plan_exp/glav1_1.htm - МОДЕЛИРОВАНИЕ ОБЪЕКТА И ПЛАНИРОВАНИЕ ЭКСПЕРИМЕНТА. – (січень 2010)
#http://chernykh.net/content/view/158/ - История комп’ютера – черний ящик – (січень 2010)

{{Завдання:Виступ|Bojkoio|13 січня 2010|Схема "чорного ящика" в плануванні експерименту. Фактори (входи) і параметри оптимізації (виходи) "чорного ящика"}}

[[Категорія:Планування експерименту]]

[http://cvresumewritingservices.org/ resume writing services]

Основи безпеки інформації в комп'ютерних мереж

2011-09-07T11:59:39Z

Detraransdell:

{{Студент | Name=Богдан | Surname=Сікач | FatherNAme=Ярославович |Faculti=ФІС | Group=СН-41 | Zalbook=ПК-07-026}} 
{{Презентація доповіді |title= Основи безпеки інформації в комп'ютерних мереж}}

Мережева атака (Network Attacks) або віддалена атака (Remote Attacks) - атака на розподілену обчислювальну систему, що здійснюють програмні засоби каналами зв'язку. Така атака може бути здійснена на протоколи і мережні служби, а також на операційні системи та прикладні програми вузлів мережі. 
Розподіл ресурсів та інформації у просторі робить можливими мережеві атаки. 
Базовими документами у сфері захисту розподілених систем стали технічно узгоджені документи ISO/IEC 7498-2 і Рекомендації ССІТТ (The International Telegraph and Telephone Consultative Committee) X.800 «Архітектура безпеки взаємодії відкритих систем для застосувань ССІТТ». Розглянемо більш докладно останній документ. 

== Типові вразливості розподілених систем ==
У документі «Інструкція із захисту базового рівня інформаційних технологій» (ІТ Baseline Protection Manual) як типові атаки, що можуть бути застосовані для нападу на розподілені системи та які слід моделювати під час випробувань стійкості до них систем, названо такі:
* угадування паролів, або атаки за словником;
* реєстрація та маніпуляції з мережним трафіком;
* імпорт фальшивих пакетів даних;
* експлуатація відомих уразливостей програмного забезпечення (мови макросів, помилки в ОС, служби віддаленого доступу тощо).
З-поміж типових віддалених атак виокремлюють такі:
* аналіз мережного трафіку;
* підміна довіреного об'єкта в розподіленій системі;
* упровадження в розподілену систему фальшивого об'єкта через нав'язування фальшивого маршруту;
* упровадження в розподілену систему фальшивого об'єкта шляхом використання недоліків алгоритмів віддаленого пошуку;
* відмова в обслуговуванні.

== Сервіси безпеки ==
У рекомендаціях Х.800 увагу закцентовано на таких функціях (сервісах) безпеки:
* автентифікація;
* керування доступом;
* конфіденційність даних;
* цілісність даних;
* унеможливлення відмови від авторства.

=== Автентифікація ===
Цей сервіс забезпечує автентифікацію сторін, що спілкуються (Communicating peer Entity), і автентифікацію джерела даних. 
Автентифікацію сторін здійснюють у момент встановлення з'єднання та іноді під час передавання даних з метою підтвердження автентичності сутностей з'єднання. Завдяки використанню цього сервісу можна бути впевненим, що суб'єкт не влаштує «маскарад» і не використає повторно попередній несанкціонований сеанс зв'язку. Застосовують різні схеми автентифікації, які забезпечують різний ступінь захисту. 
''' Автентифікація джерела даних ''' — це підтвердження автентичності джерела блоку даних. Сервіс, який реалізують засобами певного рівня моделі OSI та надають для сутностей вищого рівня, підтверджує автентичність сутності цього ж таки рівня. Слід зауважити, що сервіс не забезпечує захист від повторення або пошкодження даних.
=== Керування доступом ===
Цей сервіс забезпечує захист від несанкціонованого використання ресурсів, доступних через взаємодію відкритих систем. Керування доступом може застосовуватися до різних типів доступу до ресурсу (наприклад, використання комунікаційного ресурсу, читання, записування або видалення інформаційного ресурсу, виконання ресурсу оброблення).
=== Конфіденційність даних ===
Цей сервіс забезпечує захист даних від їх несанкціонованого розкриття. Розрізняють кілька сервісів конфіденційності даних:
* конфіденційність даних під час обміну зі встановленням з'єднання — цей сервіс захищає всю інформацію користувачів, окрім даних щодо запиту на встановлення з'єднання (це залежатиме від рівня моделі OSI);
* конфіденційність даних під час обміну без встановлення з'єднання — цей сервіс захищає всю інформацію користувачів;
* конфіденційність окремих полів даних — цей сервіс забезпечує захист інформації в окремих обраних полях даних у сеансі зі встановленням з'єднання або без нього;
* конфіденційність трафіку — цей сервіс забезпечує захист інформації, яку отримують під час здійснення аналізу трафіку.

=== Цілісність даних ===
Цей сервіс спрямований на протидію активним загрозам. Розрізняють такі сервіси цілісності даних:
* цілісність даних під час обміну зі встановленням з'єднання з відновленням — цей сервіс забезпечує цілісність усіх даних користувача шляхом виявлення будь-якої модифікації даних (додавання, видалення та повторення) і здійснює спробу відновити дані;
* цілісність даних під час обміну зі встановленням з'єднання без відновлення — так само, як і попередній сервіс, забезпечує цілісність усіх даних, але без спроби їхнього відновлення;
* цілісність окремих полів даних під час обміну зі встановленням з'єднання — цей сервіс забезпечує цілісність окремих обраних полів даних у сеансі зі встановленням з'єднання і визначає, чи не було ці поля модифіковано (додано, видалено та повторено);
* цілісність даних під час обміну без встановлення з'єднання — цей сервіс на відміну від попередніх у разі його реалізації на певному рівні моделі OSI забезпечує цілісність даних за запитом сутності вищого рівня; сервіс забезпечує цілісність окремого блоку даних, що передається без встановлення з'єднання, і може визначати, чи було блок даних модифіковано, крім того він може виявляти дані, що повторюються;
* цілісність окремих полів даних під час обміну без встановлення з'єднання — цей сервіс забезпечує цілісність окремих обраних полів в окремому блоці даних, що передається без встановлення з'єднання, і визначає, чи було модифіковано обрані поля.

=== Унеможливлений відмови від авторства ===
Сервіс забезпечує такі можливості (кожну окремо або обидві разом):
* унеможливлення відмови від авторства з підтвердженням справжності джерела даних — цей сервіс захищає одержувача даних від будь-якої спроби відправника відмовитися від факту відправлення ним даних чи справжності їхнього вмісту;
* унеможливлення відмови від авторства з підтвердженням про отримання — цей сервіс сповіщає відправнику даних про їх отримання, що не дає одержувачу відмовитися від факту отримання даних або викривити їх.

== Специфічні механізми безпеки ==

Реалізувати сервіси безпеки можна, впровадивши на певному рівні моделі OSI такі механізми:
* шифрування;
* цифровий підпис;
* керування доступом;
* контроль цілісності даних;
* автентифікаційний обмін;
* заповнення трафіку;
* керування маршрутом;
* нотаризація.

=== Шифрування ===
Цей механізм, який захищає окремі дані або потік даних (шифрування трафіку), може бути використаний іншими механізмами або може замінити деякі з них. 
Застосовують симетричні й асиметричні алгоритми шифрування. Використання алгоритму шифрування майже завжди передбачає впровадження механізму керування ключами.

=== Цифровий підпис ===
Механізм цифрового підпису складається із двох процедур:
* підписання блоку даних;
* перевірки підписаного блоку даних.
Процедура підписування блоку даних полягає у шифруванні блоку даних або обчисленні криптографічної контрольної суми з використанням приватної (унікальної та конфіденційної) інформації користувача, що здійснює підпис. 
Для перевірки підписаного блоку даних використовують процедури та інформацію, що є загальнодоступними, але з яких неможливо здобути приватну інформацію про того, хто підписує. Ця процедура, фактично, дає змогу перевірити, чи справді цифровий підпис було зроблено з використанням приватної інформації того, хто підписав блок даних. 
=== Керування доступом ===
Ці механізми використовують ідентифікацію сутності або деяку інформацію про сутність (як належність до певної відомої множини сутностей), а також посвідчення, надане сутністю для визначення і встановлення її прав доступу. Якщо сутність намагається здійснити неавторизований (несанкціонований) доступ (використати неавторизований ресурс або недозволений метод доступу до авторизованого ресурсу), функція керування доступом перешкодить цьому і, можливо, згенерує повідомлення про інцидент (для ініціювання протидії або з метою аудита). 
Механізми керування доступом можуть використовувати один чи кілька із зазначених нижче видів та джерел інформації:
* бази даних керування доступом, в яких зберігаються права доступу сутностей; ці бази підтримуються централізовано або на кінцевих системах; права доступу зберігаються у вигляді списків керування доступом або матриці ієрархічної чи розподіленої структури (використання бази даних керування доступом передбачає, що сутності перед цим було автентифіковано);
* інформація автентифікації, володіння якою і надання якої є доказом авторизації (наприклад, паролі);
* посвідчення, володіння якими і подання яких є доказом дозволу доступу до сутності або ресурсу, вказаних у посвідченні;
* мітки безпеки, асоційовані із сутностями (суб'єктами та об'єктами доступу), які використовують для надання або заборони доступу, як правило, на основі політики безпеки;
* момент часу, коли було здійснено спробу доступу;
* маршрут спроби доступу;
* тривалість спроби доступу.
Механізми керування доступом можуть бути задіяні на будь-якій із сторін, що здійснюють зв'язок, а також у проміжній точці. Механізми, задіяні у точці, яка ініціює доступ, і у проміжних точках, мають перевіряти, чи відправник авторизований для зв'язку з одержувачем та (або) для використання комунікаційних ресурсів. Якщо зв'язок було здійснено без встановлення з'єднання, вимоги механізму, реалізованого у кінцевій точці, мають бути відомими у точці, що ініціює доступ, апріорі.
=== Контроль цілісності даних ===
Є два аспекти цілісності:
* цілісність окремого блоку даних або поля інформації;
* цілісність потоку блоків даних або полів інформації.
Для забезпечення цих двох видів сервісу цілісності у загальному випадку можуть бути задіяні різні механізми, але контроль цілісності потоку без контролю окремих блоків даних (полів) не є практичним. 
Контроль цілісності окремого блоку даних (поля) здійснюють як на стороні, що передає дані, так і на стороні, що їх приймає. На стороні, що передає, до блоку даних додається інформація, яка є функцією від цих даних (циклічна або криптографічна контрольна сума, яка також може бути зашифрованою). На стороні, що приймає, генерується аналогічна контрольна сума, яка в подальшому порівнюється з отриманою. Зауважте, цей механізм не здатний захистити від повторення блоків даних. 
Перевірка цілісності потоку блоків даних (тобто захист від втрати даних, їх перевпорядкування, дублювання, вставляння та модифікації) вимагає додаткового впровадження порядкових номерів, часових штампів або криптографічного зв'язування (коли результат шифрування чергового блоку залежить від попереднього).
Під час здійснення зв'язку без встановлення з'єднання використання часових штампів надає обмежений захист від дублювання блоків даних.
=== Автентифікаційний обмін ===
Механізми автентифікаційного обміну впроваджуються на певному рівні моделі OSI для підтвердження автентичності сутності. Якщо механізм не підтверджує автентичність сутності, з'єднання забороняється або закривається вже встановлене з'єднання, при цьому може бути згенероване повідомлення про інцидент (для ініціювання протидії або з метою аудита). Автентифікаційний обмін здійснюють у кілька способів:
* використовуючи автентифікаційну інформацію (на кшталт паролів), яку надає відправник і перевіряє одержувач;
* із застосуванням криптографічних методів;
* демонструючи характеристики або можливості сутності.
Щоб уникнути повторення даних, криптографічні методи іноді використову¬ють разом із процедурами «рукостискання» (Handshaking) — обміну з квитируванням, підтвердження зв'язку. 
Методи автентифікаційного обміну інколи (залежно від обставин) використовують разом із:
* часовими штампами і синхронізацією годинників;
* двох- і трьохетапними процедурами «рукостискання» (відповідно для одно-та двохсторонньої автентифікації);
* сервісами унеможливлення відмови від авторства, що досягається викори¬станням механізмів цифрового підпису та (або) нотаризації.
=== Заповнення трафіку ===
Механізми заповнення трафіку застосовують для забезпечення захисту від аналізування трафіку. Ці механізми ефективні лише в поєднанні із засобами забезпечення конфіденційності.
=== Керування маршрутом ===
аршрути можна обирати динамічно або статично таким чином, щоб використовувати лише фізично безпечні підмережі, вузли комутації та канали. Кінцеві системи у разі виявлення неодноразових атак на маршруті мають можливість звернутися до провайдера мережних послуг для встановлення з'єднання за іншим маршрутом. 
Передавання даних, що мають мітки безпеки, через певні підмережі, вузли комутації та канали може бути заборонено політикою безпеки. Ініціатор з'єднання, або відправник даних, які передаються без встановлення з'єднання, має можливість обмежити маршрут таким чином, щоб оминути певні підмережі, вузли комутації та канали.
=== Нотаризація ===
За допомогою механізму нотаризації завіряються характеристики даних, що передаються між двома (або більше) сутностями (їх цілісність, джерело, час передавання і пункт призначення). Достовірність таких даних стверджує третя сторона, якій довіряють сутності, що взаємодіють, і яка володіє достатньою для цього інформацію. Кожна сутність, що взаємодіє із застосуванням механізму нотаризації, використовує цифровий підпис, шифрування і контроль цілісності.

== Універсальні механізми безпеки ==
Рекомендації Х.800 визначають універсальні механізми безпеки. До них належать:
* довірена функціональність;
* мітки безпеки;
* детектування подій;
* аудит безпеки;
* відновлення безпеки.

=== Довірена функціональність ===
Будь-яка функціональність, що безпосередньо забезпечує механізми безпеки або надає доступ до таких механізмів, має бути довіреною. 
Процедури, які застосовуються для підтвердження того, що апаратні та (або) програмні компоненти справді заслуговують на довіру, знаходяться поза межами Рекомендацій Х.800.
=== Мітки безпеки ===
Ресурси, що містять дані, можуть мати асоційовані з ними мітки безпеки. Найчастіше за допомогою таких міток визначають рівень чутливості даних до порушення їхньої безпеки (наприклад, їх конфіденційність). 
=== Детектування подій ===
Детектування подій, що впливають на безпеку, полягає у виявленні порушень безпеки, а іноді й в реєстрації подій, на кшталт успішного входження в систему і доступу до об'єктів. Детектування різних подій, що впливають на безпеку, може супроводжуватися:
* локальним інформуванням про подію;
* віддаленим інформуванням про подію;
* реєстрацією події у журналі;
* дією з відновлення.
=== Аудит безпеки ===
'''Аудит безпеки''' — це незалежний огляд і аналіз системних записів і дій, який здійснюють з метою перевірки адекватності керування системою та її відповідності встановленій політиці та процедурам, а також задля оцінювання завданих пошкоджень і надання рекомендацій щодо змінень у керуванні, політиці та процедурах. Аудит безпеки вимагає занесення відповідної інформації до певного протоколу. Реєстрація та запис інформації належить до механізмів безпеки, а аналіз і генерування звітів — до функцій керування безпекою.
===Відновлення безпеки===
Цей механізм обробляє запити від механізму оброблення подій і виконує дії з відновлення безпеки відповідно до встановлених правил. Відновлення може відбуватися:
* миттєво (миттєве відключення чи розрив з'єднання);
* тимчасово (тимчасове блокування деякої сутності);
* у тривалий термін (занесення сутності у "чорний список" або змінення ключової інформації).

==Список літературних джерел==
* Грайворонський М. В., Новіков О. М. Г14 Безпека інформаційно-комунікаційних систем. — К.: Видавнича група ВНУ, 2009. — 608 с. 
* Андрончик А.Н. Защита информации в компьютерных сетях. - Екатеринбург: УГТУ-УПИ, 2008. – 248с. 

==Посилання==
*[http://uk.wikipedia.org/wiki/Автентифікація Автентифікація]

[[Категорія: Індивідуальні завдання виступу на семінарах з предмету "Комп'ютерні системи захисту інформації"]]
[[Категорія:Виступ на семінарі]]

[http://editingwritingservices.org/ dissertation editing]

Оновлення Koha, встановленої з джерела

2011-09-07T11:59:36Z

Detraransdell:

Оновлення Koha 3.4.x, встановленої з джерела

Стосується встановлення Koha 3.4.x за інструкцією „[[Встановлення Koha з джерела на ОС Debian]]“

= Резервні копії =

Якщо даних немає — не робимо.
Якщо дані є — бажано зробити … буде додано пізніше.

= Журнал попереднього встановлення =

Дивимося у конфігураційному файлі
/etc/koha3/koha-conf.xml
за розміщенням журналу встановлення
<config>
<install_log>/usr/share/koha3/misc/koha-install-log</install_log>

= Отримання останньої стабільної версій Koha 3.4.4 =

su АдміністраторСистемиKoha
(та вводимо пароль користувача АдміністраторСистемиKoha)

cd ~/koha;

rm koha-latest.tar.gz
wget http://download.koha-community.org/koha-latest.tar.gz
tar -xzf koha-latest.tar.gz

Також оновлюємо логічне посилання на теку з Koha

rm ~/koha/koha.local;ln -s ~/koha/koha-3.04.04 ~/koha/koha.local

= Оновлення =

cd ~/koha/koha-3.04.04/
perl Makefile.PL --prev-install-log /usr/share/koha3/misc/koha-install-log

вивід —

Reading values from install log /usr/share/koha3/misc/koha-install-log. You
will be prompted only for settings that have been
added since the last time you installed Koha. To
be prompted for all settings, run 'perl Makefile.PL'
without the --prev-install-log option.

Found 'zebrasrv' and 'zebraidx' in /usr/bin.

Koha will be installed with the following configuration parameters:

AUTH_INDEX_MODE dom
DB_HOST localhost
DB_NAME Koha3
DB_PASS ПарольКористувачаБДKoha3
DB_PORT 3306
DB_TYPE mysql
DB_USER КористувачБДKoha3
INSTALL_BASE /usr/share/koha3
INSTALL_MODE standard
INSTALL_PAZPAR2 yes
INSTALL_SRU yes
INSTALL_ZEBRA yes
KOHA_GROUP АдміністраторСистемиKoha
KOHA_INSTALLED_VERSION 3.04.04.000
KOHA_USER АдміністраторСистемиKoha
MEMCACHED_NAMESPACE KOHA
MEMCACHED_SERVERS 127.0.0.1:11211
MERGE_SERVER_HOST localhost
MERGE_SERVER_PORT 11001
PATH_TO_ZEBRA /usr/bin
PAZPAR2_HOST localhost
PAZPAR2_PORT 11002
RUN_DATABASE_TESTS no
USE_MEMCACHED yes
ZEBRA_LANGUAGE en
ZEBRA_MARC_FORMAT unimarc
ZEBRA_PASS ПарольКористувачаZebra
ZEBRA_SRU_AUTHORITIES_POR9999
ZEBRA_SRU_BIBLIOS_PORT 9998
ZEBRA_SRU_HOST localhost
ZEBRA_USER КористувачZebra

and in the following directories:

DOC_DIR $(DESTDIR)/usr/share/koha3/doc
INTRANET_CGI_DIR $(DESTDIR)/usr/share/koha3/intranet/cgi-bin
INTRANET_TMPL_DIR $(DESTDIR)/usr/share/koha3/intranet/htdocs/intranet-tmpl
INTRANET_WWW_DIR $(DESTDIR)/usr/share/koha3/intranet/htdocs
KOHA_CONF_DIR $(DESTDIR)/etc/koha3
LOG_DIR $(DESTDIR)/var/log/koha3
MAN_DIR $(DESTDIR)/usr/share/koha3/man
MISC_DIR $(DESTDIR)/usr/share/koha3/misc
OPAC_CGI_DIR $(DESTDIR)/usr/share/koha3/opac/cgi-bin
OPAC_TMPL_DIR $(DESTDIR)/usr/share/koha3/opac/htdocs/opac-tmpl
OPAC_WWW_DIR $(DESTDIR)/usr/share/koha3/opac/htdocs
PAZPAR2_CONF_DIR $(DESTDIR)/etc/koha3/pazpar2
PERL_MODULE_DIR $(DESTDIR)/usr/share/koha3/lib
SCRIPT_DIR $(DESTDIR)/usr/share/koha3/bin
SCRIPT_NONDEV_DIR $(DESTDIR)/usr/share/koha3/bin
ZEBRA_CONF_DIR $(DESTDIR)/etc/koha3/zebradb
ZEBRA_DATA_DIR $(DESTDIR)/var/lib/koha3/zebradb
ZEBRA_LOCK_DIR $(DESTDIR)/var/lock/koha3/zebradb
ZEBRA_RUN_DIR $(DESTDIR)/var/run/koha3/zebradb

To change any configuration setting, please run
perl Makefile.PL again. To override one of the target
directories, you can do so on the command line like this:

perl Makefile.PL PERL_MODULE_DIR=/usr/share/perl/5.8

You can also set different default values for parameters
or override directory locations by using environment variables.

For example:

export DB_USER=my_koha
perl Makefile.PL

or

DB_USER=my_koha DOC_DIR=/usr/local/info perl Makefile.PL

If installing on a Win32 platform, be sure to use:
'dmake -x MAXLINELENGTH=300000'

Writing Makefile for koha

= Якщо у попередньому виводі є зауваження на кшталт такого =

[Wed May 19 10:07:51 2010] Makefile.PL: Warning: prerequisite Text::CSV::Encoded 0.09 not found.

то необхідно довстановити згадані пакунки.

= Компіляція та встановлення =

make
make test
sudo make upgrade

= Поправити налаштування хоста Apache =

/etc/koha3/koha-httpd.conf

...
<VirtualHost *:80>
ServerName koha
...
...
<VirtualHost *:8888>
ServerName koha:8888
...

та перезапустити сервер Apache

sudo /etc/init.d/apache2 restart

= Продовжуємо оновлення через веб-інтерфейс =

http://10.246.28.202:8888

Логін АдміністраторСистемиKoha та пароль

Updating database structure

Update report :

* Upgrade to 3.04.03.000 done (Incrementing version for 3.4.3 release. See release notes for details.)
* Upgrade to 3.04.03.001 done (Adds pref BasketConfirmations)
* Upgrade to 3.04.03.002 done (issues referential integrity)
* Upgrade to 3.04.04.000 done (Incrementing version for 3.4.4 release. See release notes for details.)

Everything went OK, update done.

= Оновлення завершено =

Заходимо у інтерфейс бібліотекаря.
Бачимо зміну версії за адресою http://10.246.28.202:8888/cgi-bin/koha/about.pl

= Див. також =

* [[Встановлення Koha з джерела на ОС Debian]]
* [[Вилучення Koha, встановленої з джерела]]

[[Категорія:АБІС Koha]]
[[Категорія:Бібліотека]]

[http://editingwritingservices.org/article.php article writing service]