- •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
4.5.4.4. Проверка модели на адекватность.
Ценность
любого математического описания
заключается в его предсказующих
свойствах. Поэтому за отправную точку
при оценке качеств модели выбирают
невязку
,
т.
е. разность между истинным откликом у
и
тем значением
,
которое
предсказывает модель.
В
качестве меры точности построенной
модели в РА используют математическое
ожидание квадрата невязки. Если оно во
всей рабочей области пространства
переменных практически не отличается
от дисперсии чистой ошибки
то построенная модель адекватна
исследуемому объекту.
Проверку адекватности модели осуществляют исходя из следующих соображений. Остаточную сумму квадратов Qост раскладывают на две составляющие:
(4.97)
Здесь индекс i относится к различным опытам (i = 1, 2, .... N0), a l — к повторам в i-м опыте (l = 1, ..., pi).
С
каждой из сумм, входящих в (4.97), связывают
число степеней свободы f,
которое равно числу случайных величин
в сумме минус число коэффициентов
(констант) в ней, которые вычислены
ранее по этим же случайным величинам.
Так, Qост
находят по N
значениям откликов уil;
кроме
них в сумме фигурируют
вычисленные
по модели. Но модель содержит
(п + 1) коэффициент, которые определены ранее по тем же N значениям откликов yil. Следовательно, число степеней свободы суммы Q0CT равно
foст = N — (п + 1).
Аналогично,
суммы Q0CT
и Qaд
имеют число степеней свободы
так что
fост = fy + fад (4.98)
Сумма
Qу
обусловлена
действием чистой ошибки ε. Поэтому
выборочная оценка дисперсии
чистой
ошибки
(4.99)
Сумма Qад зависит не только от чистой ошибки ε, но и от того, адекватна ли модель описываемому объекту. Поэтому можно рассматривать некоторую дисперсию характеризующую качество построенной модели; ее называют дисперсией адекватности. Выборочная оценка дисперсии адекватности
(4.100)
Аналогично
вводят остаточную дисперсию
оценкой
которой является
(4.101)
Если
модель адекватна, то дисперсия
обусловлена
чистой ошибкой. Поэтому проверку
адекватности модели можно осуществлять
как проверку статистической гипотезы
Как известно, гипотезу о равенстве дисперсий проверяют по F-критерию Фишера. Поэтому для проверки адекватности регрессионной модели следует:
1) вычислить отношение
2)
по заданному уровню значимости α и
числам степеней свободы fад
и fy
в таблице распределения Фишера найти
критическое значение критерия
где f1
=
fад,
f2
=
fy;
3) сравнить значения F и если F< то можно признать, что гипотеза об адекватности модели не противоречит опытным данным, если F ≥ то модель неадекватна.
Необходимо отметить, что:
1) построение регрессионной модели невозможно, если число различных опытов меньше числа коэффициентов модели, т. е. N0 < п + 1. В случае, когда N0 = п + 1, модель может быть построена, но проверка ее адекватности неосуществима, так как число степеней свободы суммы Qад равно нулю. Ценность такой модели при ее дальнейшем использовании сомнительна;
2)
если эксперимент проводят без повторов
(N
=
N0),
то адекватность модели не может быть
проверена на основе данного эксперимента,
так как число степеней свободы для
оценки
равно
нулю. Поэтому построение модели на
основе эксперимента без дублирования
опытов имеет смысл либо при известной
величине
,
либо в случае, когда имеется априорная
информация об адекватности выбранной
модели, т. е. фактически, когда до опыта
известен вид функции отклика f(Z)
и необходимо определить неизвестные
параметры, входящие в эту функцию;
3) построение математического описания исследуемого объекта заключается не только в установлении функции отклика f (Z), но и в нахождении дисперсии случайной ошибки . Если модель адекватна, то сумма Qoct зависит только от чистой ошибки ε, поэтому для вычисления оценки дисперсии вместо выражения (4.99) следует использовать выражение (4.101), где Qoct можно рассчитать как сумма Qy + Q3ад. Эта оценка является более точной, так как имеет большее число степеней свободы.
