- •4. Основные методы планирования экстремального
- •Предисловие
- •Введение
- •1. Творчество и научные исследования
- •1.1. Основные понятия и определения
- •1.2. О научном исследовании Понятие научного знания
- •1.3. Методология теоретических и экспериментальных исследований
- •1.3.1. Законы и формы мышления (мышление, понятие, абстракция)
- •1.3.2. Законы и формы мышления (сравнение, индукция и дедукция, анализ и синтез)
- •1.3.3. Законы и формы мышления (обобщение, аналогия, гипотеза)
- •1.3.4. Методология исследований
- •1.3.5. Задачи теоретических исследований
- •1.4. Цель и предмет исследования
- •1.4.1. Цель исследования
- •1.4.2. Предмет исследования
- •1.5. Рабочая гипотеза
- •Примеры аналогий
- •1.6. Особенности исследования непрерывных процессов
- •1.7. Введение в методы исследования
- •1.7.1. Измерения и отметки
- •1.7.2. Точность измерений
- •Предельные ошибки при различных способах измерений
- •1.7.3. Наблюдение
- •1.7.4. Поисковые опыты
- •1.7.5. Основные опыты
- •1.7.6. Определение общего количества опытов
- •2. Погрешности измерений и устройств
- •2.1. Погрешности измерений
- •2.1.1. Измеряемые сигналы
- •2.1.2. Погрешности измерений
- •2.1.3. Случайные погрешности
- •2.1.4. Числовые характеристики
- •2.1.6. Нормальный закон распределения
- •2.1.6. Закон равномерной плотности распределения
- •2.1.7. Композиции законов распределения. Правила суммирования случайных погрешностей
- •2.1.8. Зависимые и независимые случайные величины. Корреляция случайных погрешностей
- •2.1.9. Определение законов распределения случайных величин
- •2.1.10. Числовые характеристики статистического распределения
- •2.1.11. Проверка правдоподобия гипотезы о соответствии статистического закона теоретическому
- •2.1.12. Погрешности косвенного измерения
- •2.1.13. Промахи
- •2.1.14. Систематические погрешности. Оценка неисключенного остатка.
- •2.1.15. Запись результата измерения
- •2.2. Погрешности измерительных устройств при неизменном во времени значении измеряемой величины
- •2.2.1. Структурные схемы измерительных устройств
- •2.2.2. Характеристики преобразователей
- •2.2.3. Погрешности преобразователей. Аддитивная и мультипликативная составляющие
- •2.2.4. Частные погрешности. Причины их возникновения и законы распределения
- •3) Методические погрешности;
- •I. Нормальный закон распределения
- •II. Закон равномерной плотности распределения
- •III. Закон распределения Симпсона
- •IV. Закон распределения арксинуса (арккосинуса)
- •2.2.5. Методические погрешности
- •2.2.6. Суммирование частных погрешностей
- •2.2.7. Нормирование погрешностей измерительных устройств
- •2.3. Погрешности измерительных устройств при изменении значении измеряемой величины во времени
- •2.3.1. Понятие динамической погрешности
- •3. Параметры, факторы, модели объектов исследования
- •3.1. Параметры оптимизации
- •3.1.1. Виды параметров оптимизации
- •3.1.2. Требования к параметру оптимизации
- •3.1.3. Задачи с несколькими выходными параметрами
- •3.2. Обобщенный параметр оптимизации
- •3.2.1. Способы построения обобщенного отклика
- •Натуральные, преобразованные и обобщенные отклики
- •3.3. Факторы
- •3.3.1. Определение фактора
- •3.3.2. Требования, предъявляемые к факторам при планировании эксперимента
- •3.3.3. Требования к совокупности факторов
- •3.4. Выбор модели
- •3.4.1. Модели объектов исследования
- •3.4.2. Шаговый принцип
- •3.4.3. Полиномиальные модели
- •4. Основные методы планирования экстремального эксперимента
- •4.1. Сущность теории планирования эксперимента
- •4.2. Принятие решений перед планированием эксперимента
- •4.3. Корреляционный анализ
- •4.3.1. Понятие о корреляции
- •1) Эксперимент;
- •1) Корреляционный;
- •2) Регрессионный;
- •3) Дисперсионный.
- •4.3.2. Линейная корреляция
- •Общая схема расчетов коэффициента корреляции
- •Корреляционная таблица для х, у
- •Определение данных для вычисления σх и σу
- •Корреляционная таблица для х и z
- •Определение данных для вычислений
- •4.3.3. Нелинейная корреляция
- •4.3.4. Множественная линейная корреляция
- •Корреляционная таблица для у, z
- •4.3.5 Корреляционные (регрессионные) уравнения
- •4.3.6. Ранговая корреляция
- •4.4. Дисперсионный анализ
- •4.4.1. Однофакторный дисперсионный анализ.
- •4.5. Регрессионный анализ
- •4.5.1. Метод наименьших квадратов (мнк).
- •Расчетная таблица для вычислений коэффициентов регрессии
- •Расчет остаточной суммы квадратов
- •Условия и результаты опытов
- •4.5.2. Статистический анализ уравнения регрессии.
- •Значения t-критерия Стьюдента при 5%-ном уровне значимости
- •4.5.3. Матричный подход к регрессионному анализу
- •4.5.3.1. Метод наименьших квадратов для одного фактора
- •Условия и результаты опытов
- •4.5.3.2. Некоторые операции над матрицами
- •4.5.3.6. Критерии оптимальности планов
- •4.5.4. Построение регрессионных моделей
- •4.5.4.1. Выбор модели.
- •4.5.4.2. Эксперимент.
- •4.5.4.3. Вычисление оценок коэффициентов модели.
- •4.5.4.4. Проверка модели на адекватность.
- •4.5.4.5.Упрощение модели.
- •4.5.4.6. Точность регрессионной модели.
- •Приложения
- •Список литературы
4.5. Регрессионный анализ
По результатам эксперимента над объектом исследования, входы и выходы которого известны, можно получить математическую модель определенного вида. Полученная математическая модель (если это полином определенной степени) называется уравнением регрессии.
Степень приближения уравнения регрессии к реальному объекту зависит не только от экспериментальных данных, но и от метода построения полинома. В качестве такого метода обычно выбирают метод наименьших квадратов, являющийся частным случаем метода максимума правдоподобия для случайных переменных с нормальным распределением. Уравнение регрессии, полученное по методу наименьших квадратов, подвергается статистическому анализу, основанному на оценках дисперсий: проверяется однородность дисперсий, значимость коэффициентов и адекватность уравнения регрессии. Это и есть регрессионный анализ.
В основе регрессионного анализа лежит несколько статистических предпосылок, выполнение которых гарантирует достоверность анализа полученной математической модели:
1. Выходная переменная — случайная величина с нормальным распределением; факторы — суть неслучайные величины; практически это означает, что ошибки в управлении факторами по крайней мере на порядок меньше ошибок при измерении выходной переменной.
2. Связь между факторами отсутствует.
3. Дисперсии выходной переменной однородны (равноточны) в любой точке факторного пространства.
4. Исследуемый объект лишен динамических свойств (рассматриваются стационарные режимы объекта).
По назначению можно назвать три типа задач, для решения
которых используются модели регрессионного типа.
Задача 1. Обнаружение зависимости у= f(x). То есть установление
самого факта наличия или отсутствия статистически значимой связи
между x и y. Считаем, что между y и x существует статистически
значимая взаимосвязь, если хотя бы один из коэффициентов
регрессии bi статистически значимо отличен от нуля.
Задача 2. Предсказание значений y для значений x, не вошедших в экспериментальный набор. По уравнению регрессии можно определить
(предсказать) значения y для любого х, не вошедшего в набор
экспериментальных точек, и определить доверительный интервал для
этого значения при уровне значимости ά. Часто этим пользуются для
задач экстраполяции.
Задача 3. Объяснение зависимости y = f(x), то есть выявление
причинно-следственных связей между y и x. В задачах данного типа на
основе знания коэффициентов регрессии необходимо объяснить
(трактовать) на предметном уровне зависимость y от отдельных x,
указать пути управления значениями y при изменении значений x. Такая постановка задачи претендует на проникновение в «физический» смысл изучаемых статистических связей. Однако в большинстве случаев статистическая модель представляет собой модель «черного ящика»,
которая не позволяет выявить истинные причинно-следственные связи
в изучаемой системе. Это касается, в основном, моделей множественной регрессии. При этом не следует путать формальную степень влияния отдельных x на y (выражаемую парным или частным коэффициентом корреляции) и фактическую, предметную взаимосвязь x и y.
Для моделей простой линейной регрессии все три перечисленных
типа задач являются фактически одной и той же. Для моделей
множественной линейной регрессии задача предсказания и задача
объяснения являются разными задачами.
