- •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
Условия и результаты опытов
Для выполнения вычислений ее расширяют так, как представлено в табл. 4.14.
Таблица 4.14
Расчетная таблица для вычислений коэффициентов регрессии
Как видно, в этой таблице сделано больше вычислений, чем требуется для расчета b0 и b1. Эти «лишние» данные нужны для проверки правильности расчетов.
Возможны два способа проверки. Первый из условия
которое хорошо известно из школьной математики. (Оно должно выполняться не только для сумм, но и в каждой строчке таблицы.) Второй способ использует условие = b0 + b1 1. Подставляя в это соотношение и 1 из последней строки таблицы и один из коэффициентов, можно найти другой коэффициент и сравнить с расчетным.
Вторая из проверок является наиболее полной, наиболее жесткой. Она проверяет не только вычисления сумм, но и вычисления коэффициентов
На практике используют обе проверки, чтобы в случае ошибок в таблице не считать зря коэффициенты.
Необходимо помнить: никакая проверка не гарантирует вас от ошибок в записи исходных данных.
Следует иметь в виду: никакие результаты вычислений нельзя ни использовать, ни обсуждать, пока они не проверены. Иначе можно впасть в заблуждение и, в лучшем случае, потерять время.
Нанесем исходные данные и полученное уравнение на график (рис. 4.8).
Рис. 4.8. Линейное уравнение регрессии
Выделим для удобства рассмотрения несколько экспериментальных точек и отрезок нашего уравнения в большем масштабе (рис. 4.9).
Рис. 4.9 Линейное уравнение регрессии (фрагмент)
Мы выбрали пять экспериментальных точек, которые пронумеровали цифрами 1, 2, 3, 4, 5. Четвертая точка оказалась лежащей на линии. МНК состоит в том, чтобы минимизировать сумму квадратов отрезков, характеризующих расхождение между экспериментальными точками и полученным уравнением. Мы минимизировали сумму квадратов пунктирных отрезков.
Если бы наше уравнение регрессии имело вид
x1=b0+b1y,
то мы минимизировали бы сумму сплошных отрезков.
Во всех формулах тогда пришлось бы х1 и у поменять местами и коэффициенты получились бы другими (если, конечно, не все невязки равны нулю).
Мы находим невязки по оси у, поэтому и минимизируется сумма квадратов вертикальных отрезков. Обе линии совпадут только в том случае, если все невязки равны нулю, т. е. если все экспериментальные точки лежат точно на прямой линии.
Теперь мы можем узнать, какая же получилась сумма квадратов невязок. Будем называть ее остаточной суммой квадратов.
Из рисунков видно, что для этого надо вычислить по уравнению значения у в условиях каждого опыта. Будем называть такое значение предсказанным и обозначать у. Затем надо найти все невязки (отрезки), возвести их в квадрат и сложить (табл. 4.15).
Таблица 4.15
Расчет остаточной суммы квадратов
Величина
и
есть остаточная сумма квадратов, которую
мы
раньше обозначили
МНК гарантирует, что эта величина
минимально возможная.
Итак, мы научились находить наилучшие в смысле МНК оценки коэффициентов линейного уравнения для одного фактора. Обобщение на многофакторный случай не связано с какими-либо принципиальными трудностями. При этом вычисления значительно усложняются и требуют привлечения аппарата алгебры матриц, фрагменты которой будут рассмотрены в дальнейшем. А пока мы воспользуемся тем, что наши матрицы планирования ортогональны. Далее будем рассматривать только этот случай, который позволяет резко упростить вычисления, что составляет одно из преимуществ планирования эксперимента. Можно показать, что для любого числа факторов коэффициенты будут вычисляться по формуле
В этой формуле j=0,1,2...,k — номер фактора. Ноль записан для вычисления b0. Воспользуемся формулами (4.86) для вычисления коэффициентов регрессии. В первой формуле
в силу симметричности плана. Поэтому после сокращения формулы приобретают вид
где
что совпадает с написанным выше.
Так как каждый фактор (кроме х0) варьируется на двух уровнях + 1 и —1, то вычисления сводятся к приписыванию столбцу у знаков соответствующего фактору столбца и алгебраическому сложению полученных значений. Деление результата на число опытов в матрице планирования дает искомый коэффициент. Это очень простая формула, но ею необходимо научиться пользоваться безошибочно.
