Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Krutov_V_I__Popov_V_V__Osnovue_nauchnueh_issled_BookSee_org (1).doc
Скачиваний:
8
Добавлен:
01.07.2025
Размер:
5 Мб
Скачать
☆

Глава X

ОБРАБОТКА РЕЗУЛЬТАТОВ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИИ

10.1. Основы теории случайных ошибок и методов оценки случайных погрешностей в измерениях

Анализ случайных погрешностей основывается на тео­рии случайных ошибок, дающей возможность с опреде­ленной гарантией вычислить действительное значение измеренной величины и оценить возможные ошибки.

Основу теории случайных ошибок составляют пред­положения о том, что при большом числе измерений слу­чайные погрешности одинаковой величины, но разного знака встречаются одинаково часто; большие погрешно­сти встречаются реже, чем малые (вероятность появле­ния погрешности уменьшается с ростом ее величины); при бесконечно большом числе измерений истинное зна­чение измеряемой величины равно среднеарифметичес­кому значению всех результатов измерений, а появление того или иного результата измерения как случайного со­бытия описывается нормальным законом распределения.

Различают генеральную и выборочную совокупность измерений. Под генеральной совокупностью подразуме­вают все множество возможных значений измерений Xi или возможных значений погрешностей А*,-. Для выбо­рочной совокупности число измерений п ограничено, и в каждом конкретном случае строго определяется. Обычно считают, если «>30, то среднее значение дан­ной совокупности измерений х достаточно приближается к его истинному значению.

Теория случайных ошибок позволяет оценить точ­ность и надежность измерения при данном количестве замеров или определить минимальное количество заме­ров, гарантирующее требуемую (заданную) точность и надежность измерений. Наряду с этим возникает необ­ходимость исключить грубые ошибки ряда, определить достоверность полученных данных и др.

Интервальная оценка с помощью доверительной веро­ятности. Для большой выборки и нормального закона распределения общей оценочной характеристикой изме­рения являются дисперсия D и коэффициент вариа­ции

п

D - о3 = 2 (х, - х)'/(п - 1); К = (10.1)

Дисперсия характеризует однородность измерения. Чем выше D, тем больше разброс измерений. Коэффици­ент вариации характеризует изменчивость. Чем выше k„, тем больше изменчивость измерений относительно сред­них значений, kB оценивает также разброс при оценке нескольких выборок.

Доверительным называется интервал значений x-t, в который попадает истинное значение измеряемой величины с заданной вероятностью. Доверительной ве­роятностью (достоверностью) измерения называется вероятность того, что истинное значение измеряемой ве­личины попадает в данный доверительный интервал, т. е. в зону а^Хд^б. Эта величина определяется в долях еди­ницы или в процентах. Доверительная вероятность рж описывается выражением

(Ю.2)

Ps, = р[а< *д< Ь] - (1/2) [<р {b — х)/о — <р(а — i)/cr],

где ф(0 — интегральная функция Лапласа (табл. 10.1), определяемая выражением

Аргументом этой функции является отношение ц к сред­неквадратичному отклонению а, т. е.

t — ц/о,

где / — гарантийный коэффициент;

ц = b~ I'; (.1 ——"(а —х).

Таблица 10.1

Интегральная функция Лапласа1,50 1,55 1,60 1,65 1,70 1,75 1,80 1,85 1,90 1,95 2,00 2,25 2,50 3,00 4,00

0,00 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70

0,0000 0,0399 0,0797 0,1192 0,1585 0,1974 0,2357 0,2737 0,3108 0,3473 0,3829 0,4177 0,4515 0,4843 0,5161

0,75 0,80 0,85 0,90 0,95 1,00 1,05 1,10 1,15 1,20 1,25 1,30 1,35 1,40 1,45

0,5467 0,5763 0,6047 0,6319 0,6579 0,6827 0,7063 0,7287 0,7419 0,7699 0,7887 0,8064 0,8230 0,8385 0,8529

0,8664 0,8789 0,8904 0,9011 0,9109 0,9199 0,9281 0,9357 0,9426 0,ft488 0,9545 0,9756 0,9876 0,9973 0,9999

Если же на основе определенных данных установлена доверительная вероятность рл (часто ее принимают рав­ной 0,90; 0,95; 0,9973), то устанавливается точность из­мерений (доверительный интервал 2ц) на основе соот­ношения Яд = ф(^/а). Половина доверительного интерва­ла равна

ц. = a arg <р (рд) — о/,

где arg(p(/?д) — аргумент функции Лапласа, а при п< <30 — функции Стьюдента (табл. 10.2). Доверительный интервал характеризует точность измерения данной вы­борки, а доверительная вероятность — достоверность из­мерения. Пусть, например, выполнено 30 измерений проч­ности дорожной одежды участка автомобильной дороги при среднем модуле упругости одежды £'=170 МПа и вычисленном значении среднеквадратического откло­нения о = 3,1 МПа.

(Ю.З)

Требуемую точность измерений можно определить для разных уровней доверительной вероятности , (ра — 0,9;. 0,95; 0,9973), приняв значения t по табл. 10.1. В этом случае соответственно ц= ±3,1 • 1,65=5,1; ±3,1-2,0-6,2; ±3,1-3,0 = 9,3 МПа. Следовательно, для данного сред­ства и метода доверительный интервал возрастает при­мерно в два раза, если увеличить рА только на 10%

.Таблица 10.2

Коэффициент Сгыодента «Ст

| 0.ПС9

0,95

12,71

  1. 3,188 2,77 2,57 2,45 2,36

  1. 2,26 2,20 2,16 2,13 2,11 2,09 2,04 2,02 2,01 2,00 1,96

0,995

127,30 14,10 7,50 5,60 4,77 4,32 4,03 3,83 3,69 3,50 3,37 3,29 3,22 3,17 3,20 3,12 3,09 3,06 2,81

0,80

3,080 1,886 1,638 1,533 1,476 1,440 1,415 1,397 1,383 1,363 1,350 1,341 1,333 1,328 1,316 1,306 1,298 1,290 1.282

0,90

6,31 2,92 2,35 2,13 2,02 1,94 1,90 1,86 1,83 1,80 1,77 1,75 1,74 1,73 1,70 1,68 1,68 1,67 1.64

0,99

63,70 9,92 5,84 4,60 4,03 3,71 3,50 3,36 3,25 3,11 3.01

95 90 86 75 70 2,68 2,66 2,58

я — число параллельных серий опытов.

Если необходимо определить достоверность измерений для установленного доверительного интервала, напри­мер р=±7 МПа, то по формуле (10.2) tf = p/cr=7/3tl = = 2,26. По табл. 10.1 для ( = 2,26 определяем рд=0,97. Это означает, что в заданный доверительный интервал из 100 измерений не попадают только три.

Значение (1—Ря) называют уровнем значимости. Из него следует, что при нормальном законе распреде­ления погрешность, превышающая доверительный интер­вал, будет встречаться один раз из пп измерений, где

пи = Рд/(1-Рд), (10.4)

или иначе приходится браковать одно из «и измерений.

По данным приведенного выше примера можно вы­числить количество измерений, из которых одно изме­рение превышает доверительный интервал. По формуле (10.4) при /)д=0,9; определяется e„=0,9/(l—0,9)=9 из­мерений. При равной 0,95 и 0,9973, соответственно 19 и 367 измерений.1-

Определение минимального количества измерений

.

Для проведения опытов с заданной точностью н досто­верностью необходимо знать то количество измерений, при котором экспериментатор уверен в положитель­ном исходе. В связи с этим одной из первоочередных задач при статических методах оценки является уста­новление минимального, но достаточного числа изме­рений для данных условий. Задача сводится к уста­новлению минимального объема выборки (числа изме­рений) N min при заданных значениях доверительного интервала и доверительной вероятности. При выпол­нении измереиий необходимо знать их точность:

Д = V*. (10.5)

где а0—среднеарифметическое значение среднеквадра­тичного отклонения о, равное сто = сг/ У~п.

Значение о0 часто называют средней ошибкой. Дове­рительный интервал ошибки измерения Д определяется аналогично для измерений р, = /сто. С помощью t легко определить доверительную вероятность ошибки измере­ний из табл. 10.1.

В исследованиях часто по заданной точности Д и до­верительной вероятности измерения определяют мини­мальное количество измерений, гарантирующих требуе­мые значения Д и рА.

Аналогично уравнению (10.3) с учетом (10.5) можно получить

ц = с arg ф (рд) = ст0/у~п (. (10.6)

При Nmin=/i получаем

Kit = = 00.7)

здесь йв — коэффициент вариации (изменчивости), %; Д — точность измерений, %.

Для определения Afmi„ может быть принята такая по­следовательность вычислений: 1) проводится предвари­тельный эксперимент с количеством измерений п, кото­рое составляет в зависимости от трудоемкости опыта от 20 до 50; 2) вычисляется среднеквадратичное отклоне­ние о по формуле (10.1); 3) в соответствии с поставлен­ными задачами эксперимента устанавливается требуе­мая точность измерений Д, которая не должна превышать точности прибора; 4) устанавливается нор­мированное отклонение t, значение которого обычно за­дается (зависит также от точности метода); 5) по фор­муле (Ю.7) определяют Nm\n и тогда в дальнейшем

в процессе эксперимента число измерений не должно быть меньше Nmtn.

Пусть, например, при приемке сооружений комиссия в качестве одного из параметров замеряет их ширину. Согласно инструкции требуется выполнять 25 измере­ний; допускаемое отклонение параметра ±0,1 м. Если предварительно вычисленное значение а = 0,4м, то мож­но определить, с какой достоверностью комиссия оцени­вает данный параметр.

Согласно инструкции Д = 0,1 м. Из формулы (10.7)

можно записать t = Vh. — = 1^25- = 1,25. В соот-

а 0,4

ветствии с табл. 10.1 доверительная вероятность для t —

= 1,25рд~0,79. Это низкая ве­роятность. Погрешность, пре­вышающая доверительный ин­тервал 2jx=0,2m, согласно выражению (10.4) будет встре­чаться один раз из 0,79/(1— —0,79) =3,37, т. е. из четырех измерений. Это недопустимо. В связи с этим необходимо вы­числить минимальное количе­ство измерений с доверитель­ной вероятностью рд, равной 0,9 и 0,95. По формуле (10.7) имеем Wmm=0,42-l,6570,l2 = =43 измерения при рд=0,90 и 64 измерения при рд=0,95, что значительно превышает ус­тановленные 25 измерений, иценки измерении с помощью о и Оо по приведенным методам справедливы при «>30. Для нахождения гра­ницы доверительного интервала при малых значениях применяют метод, предложенный в 1908 г. английским математиком В. С. Госсетом (псевдоним Стьюдент). Кривые распределения Стьюдента в случае п-*-оо (прак­тически при /г>20) переходят в кривые нормального рас­пределения (рис. 10.1).

Для малой выборки доверительный интервал

fXcT = 0oacr. (10.8)

Рис. 10.1. Кривые распреде­ления Стьюдента для раз­личных значений:

/ _п->-°°; 2 — 3 — и-2

где аст — коэффициент Стьюдента, принимаемый по табл. 10.2 в зависимости от значения доверительной ве­роятности рд.

Зная Цст. можно вычислить действительное значение изучаемой величины для малой выборки

ХЯ=Х± рст: (Ю.9)

Возможна и иная постановка задачи. По п известных измерений малой выборки необходимо определить довери­тельную вероятность рд при условии, что погрешность среднего значения не выйдет за пределы ±|д,ст. Задачу решают в такой последовательности: вначале вычисля­ется среднее значение х, а0 и ссст^Цст/схо. С помощью величины сеет, известного п и табл. 10.2 определяют до­верительную вероятность.

В процессе обработки экспериментальных данных сле­дует исключать грубые ошибки ряда. Появление этих ошибок вполне вероятно, а наличие их ощутимо влияет на результат измерений. Однако прежде чем исключить то или иное измерение, необходимо убедиться, что это действительно грубая ошибка, а не отклонение вследст­вие статистического разброса. Известно несколько ме­тодов определения грубых ошибок статистического ряда. Наиболее простым способом исключения из ряда резко выделяющегося измерения является правило трех сигм: разброс случайных величин от среднего значения не дол­жен превышать

■Xjnax, m!n = X ± 3<Т. (Ю.10)

Более достоверными являются методы, базируемые на использовании доверительного интервала. Пусть име­ется статистический ряд малой выборки, подчиняющий­ся закону нормального распределения. При наличии грубых ошибок критерии их появления вычисляются по формулам _

Pi e (-W — х)/о V(n — Wrr,

& = {x-xmlu)/oV(n-\)!nt (10.11)

ГДе Л'тах» Л-'т in —наибольшее и наименьшее значения из п измерений.

В табл. 10.3 приведены в зависимости от доверитель­ной вероятности максимальные значения ртах, возника­ющие вследствие статистического разброса. Если 0i> >pmax, то значение ^та* необходимо исключить из ста­тистического ряда как грубую погрешность. При fb< <{Wax исключается величина л:т|п. После исключения грубых ошибок определяют новые значения х и а из (/г— 1) или (я—2) измерений.

(W "Р" "д

(W "Р" "д

п

0,90 | 0,95 | 0,99

п

0,90 | 0.95 | 0,99

Таблица 10.3

Критерий появления грубых ошибок

  1. t 8 9

10 11 12

1,41 1,69 1,87 2,00 2,09 2,17 2,24 2,29 2,34 2,39 2,43 2,46

  1. 25 30 35 40 45 50

2,33 2,35 2,38 2,40 2,43 2,45 2,54 2,61 2,67 2,72 2,76 2,80

2,49 2,52

2,55 2,58 2,60 2,62 2,72 2,79 2,85 2,90 2,95 2,99

Второй метод установления грубых ошибок основан на использовании критерия В. И. Романовского и приме­ним также для малой выборки. Методика выявления грубых ошибок сводится к следующему. Задаются дове­рительной вероятностью ря и по табл. 10.4 в зависимости от п находится коэффициент q. Вычисляют предельно до­пустимую абсолютную ошибку отдельного измерения

ecP = V (10.12)

Если х — лгтах>епр, то измерение хтах исключают из ряда наблюдений. Этот метод более требователен к очи­стке ряда.

При анализе измерений можно применять для при­ближенной оценки и такую методику: вычислить по (10.1) среднеквадратичное отклонение о; определить с помощью (10.5) <ю; принять доверительную вероят­ность рд и найти доверительные интервалы fiCT из (10.8); окончательно установить действительное значение изме­ряемой величины хд по формуле (10.9).

'н 1

1

н*

1

—Л

1

н

ч

ч

67

-8

—7,83

64

67

—8

—7,83

64

68

—7

—6,83

49

68

—7

-6,83

49

69

-6

—5,83

36

70

-5

—4,83

25

71

—4

—3,83

16

73

—2

—1,83

4

74

— 1

—0,83

1

75

0

+0,17

0

76

+ 1

+ 1,17

1

77

+2

+2,17

4

78

+3

+3,17

9

79

+4

+4,17

16

80

+5

+5,17

25

81

+6

+6,17

36

82

+7

+7,17

49

92

+17

+ 17,27

289

х —

2 =

Проверка

2 =

=74,83

=—3

—46,5 +46,5

=737

та б л и ц а 10.4

Коэффициент для вычисления предельно допустимой ошибки измерения

Значение q при р.

л

0,95

0,98

0,99

0,995

2

15,56

38,97

77,96

779.7

3

4,97

8,04

11,46

36,5

4

3,56

5,08

6,58

14,46

5

3,04

4,10

5,04

9,43

6

2,78

3,64

4,36

7,41

7

2,62

3,36

3,96

6,37

8

2,51

3,18

3,71

5,73

9

2,43

3,05

3,54

5,31

10

2,37

2,96

3,41

5,01

12

2,29

2,83

3,23

4,62

14

2,24

2,74

3,12

4,37

16

2,20

2,68

3,04

4,20

18

2,17

2,64

3,00

4,07

20

2,15

2,60

2,93

3,98

1,96

2,33

2,58

3,29

той доверительной вероятности ра и числа членов ряда п принимают коэффициент Стьюдента аст; с помощью формулы (10.2) для большой выборки или (10.8) для малой выборки определяют доверительный интервал; 7) устанавливают по (10.9) действительное значение ис­следуемой величины; 8) оценивают относительную по-

<?и в

В случае более глубокого анализа экспериментальных данных рекомендуется такая последовательность: 1) по­сле получения экспериментальных данных в виде стати­стического ряда его анализируют и исключают система­тические ошибки; 2) анализируют ряд в целях обнару­жения грубых ошибок и промахов: устанавливают подо­зрительные значения хmix или xmin; определяют средне­квадратичное отклонение о; вычисляют по (10.11) кри­терии Pi, р2 и сопоставляют с pmax, Pmm, исключают при необходимости из статистического ряда Jtmax или *n>in и получают новый ряд из новых членов; 3) вычисляют среднеарифметическое х, погрешности отдельных изме­рений (х—*,) и среднеквадратичное очищенного ряда а; 4) находят среднеквадратичное о0 серии измерений, ко­эффициент вариации kB; 5) при большой выборке зада­ются доверительной вероятностью рд = ф(0 или уравне­нием значимости (Г—рд) и по табл. 10.1 определяют /; 6) при малой выборке (ж30) в зависимости от приня­грешность (%) результатов серии измерений при задан­ной доверительной вероятности рд:

e^JpriOO. . (10.13)

Если погрешность серии измерений соизмерима с по­грешностью прибора finp, то границы доверительного ин­тервала ■

J-'ст - ]/+ (10.14)

Формулой (10.14) следует пользоваться при аСтОо^35пр. Если же аСт<то>ЗВПр, то доверительный интервал вычис­ляют с помощью (10.1) или (10.9).

Пусть, например, имеется 18 измерений (табл. 10.5). Если анализ средств и результатов измерений показал, что систематических ошибок в эксперименте не обнару­жено, то можно выяснить, не содержат ли измерения грубых ошибок. Если воспользоваться первым методом '(критерий ртах), то надо вычислить среднеарифметиче­ское х и отклонение сг^При этом удобно пользоваться фор­мулой x=x'-\-(Xi — х')/п, где х' — среднее произвольное число. Для вычисления х, например, принять произволь­но ~х'=75. Тогда ж—76—3/18=74,83. В формуле (10.1) значение (*—я()г можно найти упрощенным методом:

В данном случае (х — ж,)2=737—32/18=736,5. По ((10.1) о— 736,5/(18—1) =6,58, коэффициент вариации

= 100 — 8,8%. Следовательно,

6.= _,2.68.

Как видно из табл. 10.3, при доверительной вероятно­сти />д = 0,99 и /1=18 Ртах = 2,90. Поскольку 2,68<рт«, измерение 92 не является грубым промахом. Если ря~ = 0,95, Рта*=2,58, то значение 92 следует исключить.

Если применить правило За, то *max,mm = 74,83±3X Х6,58=94,6...55,09, т.е. измерение 92 следует оставить.

В случае, когда измерение 92 исключается, jc=73,8, а=5,15. Среднеквадратичное отклонение для всей серии измерений при «=18 <т0=6,58/18= 1,55; при очищенном ряде 00—5,15/17—1,25.

Поскольку /г <30, ряд следует отнести к малой вы­борке и доверительный интервал вычисляется с приме­нением коэффициента Стьюдента аст. По табл. 10.2 при­нимается доверительная вероятность 0,95 и тогда аст — = 2,11 в случае «=18; аст = 2,12, если «=17. Довери­тельный интервал при я= 18 цСт= ± 1,55-2,11 =3,2; при я=17 цСт=± 1,25-2,12=2,7. Действительное значение изучаемой величины: при п—18 — 74,8±3,2; при я=17 л:д=73,8±2,7. Относитель­ная погрешность результатов серии измерений: при л= 18 6= (3,2-100)/74,8 = 4,3 %; при «=17 б=(2,7Х ХЮ0)/73,8 = 3,7 %. Таким образом, если принять */=92 за грубый промах, то погрешность измерения уменьша­ется с 4,3 до 3,7 %, т. е. на 14 %.

Если необходимо определить минимальное количест­во измерений при их заданной точности, проводят серию опытов, вычисляют cf, затем с помощью формулы (10.7) определяют Nmin.

В рассмотренном случае <т=6,58; £„=8,91 %. Если задана точность Д = 5 и 3 % при доверительной вероят­ности рд=95%, «ст = 2,11. Следовательно, при Д = 5 %' JVrain=(8,9I2-2,lP)/52 = 14, а при Д = 3 % Nm]n= = (8,912 • 2,112) /З2 = 40.

Таким образом, требование повышения точности из­мерения (но не выше точности прибора) приводит к зна­чительному увеличению повторяемости опытов.

Во многих случаях в процессе-экспериментальных ис­следований приходится иметь дело с косвенными изме­рениями. При этом неизбежно в расчетах применяют те или иные функциональные зависимости типа

у = /(*!,* *„)• (10.15)

Так как в данную, функцию подставляют не истинные, а приближенные значения, то и окончательный резуль­тат также будет приближенным. В связи с этим од­ной из основных задач теории случайных ошибок явля­ется определение ошибки функции, если известны ошиб­ки их аргументов.

При исследовании функции одного переменного пре­дельные абсолютные епр и относительные 6„Р ошибки (погрешности) вычисляют так:

впр=±е«/'(*). (Ю.16)

6DP = + d!n(*), (10.17)

С87

где —производная функции f{x); dln(A-) —диффе­ренциал натурального логарифма функции.

Если исследуется функция многих переменных, то

(10.18)

1

«вр = ± d f In (Jfj,"^,..., *n)f. (10.19)

В (10.18) и (10.19) выражения под знаком суммы и дифференциала принимают абсолютные значения. Ме­тодика определения ошибок с помощью этих уравнений следующая: вначале определяют абсолютные и относи­тельные ошибки аргументов (независимых переменных). Обычно величина л"д±е каждого переменного измерена, следовательно, абсолютные ошибки для аргументов из­вестны, т.е. Затем вычисляют относитель­ные ошибки независимых переменных:

«„ = «„"*;. е-. = в-Л 00.20)

Находят частные дифференциалы функции и по фор­муле (10.18) вычисляют 8Пр в размерностях функции f(y) И С ПОМОЩЬЮ (10.19) ВЫЧИСЛЯЮТ бпр, %.

Одной из задач теории измерений является установ­ление оптимальных, т.е. наиболее выгодных, условий из­мерений. Оптимальные условия измерений в данном экс­перименте имеют место при бПр — Опр mln- Методика ре­шения этой задачи сводится к следующему. Если исследуется функция с одним неизвестным переменным, то вначале следует взять первую производную по х, при­равнять ее нулю и определить Х\, Если вторая производ­ная по л:] положительна, то функция (10.15) в случае jf=jfi имеет минимум. При наличии нескольких пере­менных поступают аналогичным образом, но берут про­изводные по всем переменным хи...,хп. В результате минимизации функций устанавливают оптимальную об­ласть измерений (интервал температур, напряжений, хилы тока, угла поворота стрелки на приборе и т.д.) каждой функции f(xi,...,*«), при которой относительная ошибка измерений минимальна, т.е. 6^ = min.

В исследованиях часто возникает вопрос о достовер­ности данных, полученных в опытах. Решение такой за­дачи можно проиллюстрировать примером.

Пусть установлена прочность контрольных образцов бетона до виброперемешивания Ri~ ^i±ap=20±±0,5 МПа и прочность_бетонных образцов после вибро­перемешивания /?2=^2±Оо = 23±0,6 МПа. Прирост прочности составляет 15%. Это упрочнение относитель­но небольшое, его можно отнести за счет разброса опыт­ных данных. В этом случае следует провести проверку на достоверность экспериментальных данных по условию

i_>3. (Ю.21)

В данном случае проверяется разница x=R, — R2= =3,0 МПа. Ошибка измерения равна о0 = У^ffi+tf*.

поэтому

(Я, - Щ1\Го\ + сг| = 3,0/(0,25 + 0,36) = 3,84 >3.

(10.22)

Следовательно, полученный прирост прочности явля­ется достоверным.

Выше были рассмотрены общие методы проверки экспериментальных измерений на точность и достовер­ность. Ответственные эксперименты должны быть прове­рены также и на воспроизводимость результатов, т.е. на их повторяемость в определенных пределах измерений с заданной доверительной достоверностью. Суть такой проверки сводится к следующему. Имеется несколько па­раллельных опытов (серий). Для каждой серии вычис­ляют среднеарифметическое значение (я — число из­мерений в одной серии, принимаемое обычно равным 3...4). Далее вычисляют дисперсию Чтобы оценить воспроизводимость, рассчитывают критерий Кохрена (расчетный):

т

- шах (10.23)

1

где шах D, — наибольшее значение дисперсий из числа

т

- рассматриваемых параллельных серий — сумма

дисперсий т серий. Рекомендуется принимать Опыты считают воспроизводимыми при

(10.24)

где kKT — табличное значение критерия Кохрена (табл. 10.6), принимаемое в зависимости от доверительной ве­роятности рд и числа степеней свободы q=ti— 1. Здесь т — число серий опытов; п — число измерений в серии.

Таблица 10.6 Критерий Кохреиа КК1 при рд=0,95

q = П— I


m

1

36

1 | 2 j

3

4

5 1

« !

1U |

i6

0,73 0,54 0,43 0,36 0,31 0,27 0,24 0,22 0,20 0,17 0,14 0,11 0,09 0,07 0,06 0,04 0,02

0,99 0,97 0,90 0,84 0,78 0,72 0,68 0,64 0,60 0,57 0,47 0,39 0,34 0,29 0,24 0,17 0,09

0,90 0,74 0,62 0,54 0,48 0,43 0,39 0,35 0,33 0,29 0,24 0,19 0,16 0,14 0,10 0,07 0,04

0,87 0,70 0,59 0,50 0,44 0,39 0,36 0,33 0,30 0,26 0,22 0,17 0,15 0,12 0,09 0,06 0,03

0,85 0,76 0,56 0,48 0,42 0,37 0,33 0,30 0,28 0,24 0,20 0,16 0,14 0,11 0,08 0,06 0,03

0,81 0,63 0,51 0,44 0,38 0,34 0,30 0,28 0,25 0,22 0,18 0,14 0,12 0,10 0,07 0,05 0,02

0,78 0,60 0,48 0,41 0,35 0,31 0,28 0,25 0,23 0,20 0,17 0,13 0,11 0,09 0,07 0,05 0,02

0,97 0,93 0,76 0,68 0,61 0,56 0,51 0,47 0,44 0,39 0,33 0,27 0,29 0,20 0,16 0,11 0,06

0,93 0,79 0,68 0,60 0,53 0,48 0,43 0,40 0,37 0,32 0,27 0,22 0,19 0,16 0,12 0,08 0,04

т — число параллельных серий опытов; q— число степеней свободы; л — число измерений в серии.

Пусть, например, проведено три серии опытов по из­мерению прочности грунта методом пенетрации (табл. 10.7). В каждой серии выполнялось по пять измерений (повторностей). Тогда по формуле (10.23)

htr-п 0,55.

^ 2,93-f- 2,0 + 0,4

Вычислим число степеней свободы q=*n—1 = 5—1 = = 4. Так, например, для и q=4 согласно табл. 10.6 значение критерия Кохрена &кт=0,74. Так как 0,55<0,74, то измерения в эксперименте следует считать воспроиз-

Таблица 10.7

Результаты измерений прочности грунта методом пенетрации и их

обработка


Серн» опытов

Измерен не величины и

повторностн

Вычисленные

1

2

3

4

5

1

7

9

6

8

4

6,8

2,96

2

9

7

8

6

5

7,0

2,0

3

8

8

7

9

8

8,0

0,4

водимыми. Если бы оказалось наоборот, т.е. &кр >k кт, то необходимо было бы увеличить число серий т или число измерений п.

10.2. Методы графической обработки результатов измерений

При обработке результатов измерений и наблюдений широко используются методы графического изображе­ния, так как результаты измерений, представленные в табличной форме, иногда не позволяют достаточно на­глядно характеризовать закономерности изучаемых про­цессов. Графическое изображение дает наиболее нагляд­ное представление о результатах эксперимента, позволя­ет лучше понять физическую сущность исследуемого процесса, выявить общий характер функциональной за­висимости изучаемых переменных величин, установить наличие максимума или минимума функции.

Для графического изображения результатов измере­ний (наблюдений), как правило, применяют систему прямоугольных координат. Если анализирует­ся графическим методом функция y—f(x), то наносят в системе прямоугольных координат значения х{уи х2у2,-.,хпуп, (рис. 10.2,а). Прежде чем строить график, необходимо знать ход (течение) исследуемого явления. Как правило, качественные закономерности и форма графика экспериментатору ориентировочно известны из теоретических исследований.

Точки на графике необходимо соединять плавной линией так, чтобы она по возможности проходила ближе ко всем экспериментальным точкам. Если соединить точки прямыми отрезками, то получим ломаную кривую. Она характеризует изменение функции по данным экс­перимента. Обычно функции имеют плавный характер. Поэтому при графическом изображении результатов из­мерений следует проводить между точками плавные кри­вые. Резкое искривление графика объясняется погреш­ностями измерений. Если бы эксперимент повторили с применением средств измерений более высокой точности, то получили бы меньшие погрешности, а ло­маная кривая больше бы соответствовала плавной кри­вой.

Однако могут быть и исключения, так как иногда ис­следуются явления, для которых в определенных интер­валах наблюдается быстрое скачкообразное изменение

одной из координат (рис. 10.2,6). Это объясняется сущ­ностью физико-химических процессов, например фазо­выми превращениями влаги, радиоактивным распадом атомов в процессе исследования радиоактивности и т.д. В таких случаях необходимо особо тщательно соединять точки кривой. Общее «осреднение» всех точек плавной

Рис. 10.2. Графическое изображение функции y^f(x)\

а —плавная зависимость: / — кривая по результатам непосредственных измерений; 2 — плавная кривая; 6 — при наличии скачка; в — при трех переменных: 1 — ar5-const; 1 — г,-const; 3 — zi=const; 4 — гг-canst; S — z%"const

кривой может привести к тому, что скачок функции под­меняется погрешностями измерений.

Иногда при построении графика одна-две точки рез­ко удаляются от кривой. В таких случаях вначале сле­дует проанализировать физическую сущность явления, и если нет основания полагать наличие скачка функции, то такое резкое отклонение можно объяснить грубой ошибкой или промахом. Это может возникнуть тогда, когда данные измерений предварительно не исследова­лись на наличие грубых ошибок измерений. В таких слу­чаях необходимо повторить измерение в диапазоне рез­кого отклонения данных замера. Если прежнее измере­ние оказалось ошибочным, то на график наносят новую

точку. Если же повторные измерения дадут прежнее зна­чение, необходимо к этому интервалу кривой отнестись особенно внимательно и тщательно проанализировать физическую сущность явления.

Часто при графическом изображении результатов экспериментов приходится иметь дело с тремя перемен­ными у, г). В этом случае применяют метод раз­деления переменных. Одной из величин г в пределах интервала измерений гх — z„ задают несколько после­довательных значений. Для двух остальных переменных х а у строят графики y~fi(x) при z, = const. В резуль­тате на одном графике получают семейство кривых у = для различных значений г (рис. 10.2,в). Если необходимо графически изобразить функцию с четырьмя переменными и более a=f(b, х, у, г), то строят серию типа предыдущих, но каждый из них при bt,.... fr„ = const или принимает из N переменных (N—1) постоянными и строят графики: вначале (N—l)=fi(x), далее (/V—2)=f2(x), (N-Z)^h(x) и т.д. Таким образом, можно проследить изменение любой переменной вели­чины в функции от другой при постоянных значениях остальных. Этот метод графического анализа требует тщательности, большого внимания к результатам изме­рений. Однако он в большинстве случаев является наи­более простым и наглядным.

При графическом изображении результатов экспери­ментов большую роль играет выбор системы координат или координатой сетки. Координатные сетки бывают равномерными и неравномерными. У равномер­ных координатных сеток ординаты и абсциссы имеют равномерную шкалу. Например, в системе прямоуголь­ных координат длина откладываемых единичных отрез­ков на обеих осях одинаковая.

Из неравномерных координатных сеток наиболее распространены полулогарифмические, логарифмиче­ские, вероятностные. Полулогарифмическая сетка имеет равномерную ординату и логарифмическую абсциссу (рис. 10.3,а). Логарифмическая координатная сетка имеет обе оси логарифмические (рис. 10.3,6), вероят­ностная— ординату обычно равномерную и по абсцис­се.— вероятностную шкалу (рис. 10.3,а).

Назначение неравномерных сеток различное. В боль­шинстве случаев их применяют для более наглядного изображения функций. Функция у = имеет различ­ную форму при различных сетках. Так, многие криво­

линейные функции спрямляются на логарифмических сетках.

Большое значение в практике графического изобра­жения экспериментальных данных имеет вероятностная сетка, применяемая в различных случаях: при обработ-

0

"III И ЩИ fjjt

lg?

* i

s

* nzzi::;::: *

2 2

2 3 4 6 Stqx 1 2 « И Iff* t sets WW SO ss $9\qn P^c. 10.3. Координатная сетка:

о —полулогарифмическая; б — логарифмическая; в — вероятности.)» сетка

ке измерений для оценки точности, при определении рас­четных характеристик (расчетной влажности, расчетных значений модуля упругости, межремонтных сроков службы и т.д.).

Иногда в процессе обработки экспериментальных данных графическим способом необходимо составить расчетные графики, ускоряющие нахождение по одной переменной других. При этом существенно повышаются требования к точности вычерчивания функции на графи­ке. При вычерчивании расчетных графиков необходимо в зависимости от числа переменных выбрать координат­ную сетку и определить вид графика — одна кривая, се­мейство кривых или серия семейств. Большое значение приобретает выбор масштаба графика, что связано с размерами чертежа и соответственно с точностью сни­маемых с него значений величин. Известно, что чем крупнее масштаб, тем выше точность снимаемых значе­ний. Однако, как правило, графики не превышают раз­меров 20X15 см, что является удобным при снятии от­счетов. Лишь в отдельных случаях используют графики больших размеров.

Я ! -

е ■ и ■ 2-

Опыт показывает, что применяемая для вычерчива­ния графиков миллиметровая бумага в пределах разме­ров 15...20 см дает погрешность, не превышающую ±0,1...

...0,2 мм. Это следует иметь в виду при вычерчивании расчетных графиков. Таким образом, абсолютная ошиб­ка снимаемых с графиков величин может достигать е= = ±0,2 М, где М — принятый масштаб графика. Оче­видно, что точность измерений может быть выше точно­сти снимаемых с графика величин.

Масштаб по координатным осям обычно применяют различный. От выбора его зависит форма графика — он может быть плоским (узким) или вытянутым (широким) вдоль оси (рис. 10.4). Узкие графики дают большую по­грешность по оси у; широкие — по оси х. Из рисунка видно, что пра­вильно подобранный масштаб (нормальный график) позволяет существенно повысить точность отсчетов. Расчетные графики, имеющие (минимум) функции или какой-либо сложный вид, особо тщательно необходимо вы­черчивать в зонах изгиба. На та­ких участках количество точек для вычерчивания графика долж­но быть значительно больше, чем на плавных участках.

Рис. 10.4. Форма графи­ка в зависимости от масштаба:

/ — плоская: 2 —уширенная; 3 — нормальная

В некоторых случаях строят номограммы, существенно облег­чающие применение для система­тических расчетов сложных тео­ретических или эмпирических формул в определенных пределах измерения величин. Номограммы могут отра­жать алгебраические выражения и тогда сложные мате­матические выражения можно решать сравнительно про­сто графическими методами. Построение номограмм — операция трудоемкая. Однако, будучи раз построенной, номограмма может быть использована для нахождения любой из переменных, входящих в номограммированное уравнение. Применение ЭВМ существенно снижает тру­доемкость номограммирования. Существует несколько ме­тодов построения номограмм. Для этого применяют рав­номерные или неравномерные координатные сетки. В системе прямоугольных координат функции в боль­шинстве случаев имеют криволинейную форму. Это уве­личивает трудоемкость построения номограмм, поскольку требуется большое количество точек для нанесения од­ной кривой.

В полу- или логарифмических координатных сетках функции часто имеют прямолинейную форму и составле­ние номограмм упрощается.

Методика построения номограмм функции одной пе­ременной у=({х) или многих y=f(xh х2, ..., хп) сводит­ся к построению кривых или их семейств путем принятия постоянными отдельных переменных. Сложные алгебра­ические выражения целесообразно сводить к простому произведению двух-трех значений, например d = abc, где а,Ь,с — функции двух или трех переменных. В этом слу­чае необходимо вначале, задавшись переменными, вы­числить а, Ь, с. Далее, придавая им постоянные значения, найти d. Величины «, Ь, с необходимо варьировать в оп­ределенных значениях, например от 0 до 100 через 5 или 10. Наиболее эффективным является такой способ по­строения номограмм, при котором а, Ь, с представляются как безразмерные критерии.

10.3. Методы подбора эмпирических формул

В процессе экспериментальных исследований получается статистический ряд измерений двух величин, когда каж­дому значению функции у|, Уп соответствует опре­деленное значение аргумента Хи ••, хп.

На основе экспериментальных данных можно подоб­рать алгебраические выражения функции

y = f(x), (Ю.25)

которые называют эмпирическими формулами. Такие формулы подбираются лишь в пределах измеренных значений аргумента Xi—хп и имеют тем большую цен­ность, чем больше соответствуют результатам экспери­мента.

Необходимость в подборе эмпирических формул воз­никает во многих случаях. Так, если аналитическое вы­ражение (10.25) сложное, требует громоздких вычисле­ний, составления программ для ЭВМ или вообще не имеет аналитического выражения, то эффективнее пользо­ваться упрощенной приближенной эмпирической форму­лой.Эмпирические формулы должны быть по возможно­сти наиболее простыми и точно соответствовать экспери­ментальным данным в пределах изменения аргумента. Таким образом, эмпирические формулы являются при­ближенными выражениями аналитических формул. За­мену точных аналитических выражений приближенны­

ми, более простыми называют аппроксимацией, а функ­ции — аппроксимирующими.

Процесс подбора эмпирических формул состоит из двух этапов.

  1. этап. Данные измерений наносят на сетку прямо­угольных координат, соединяют экспериментальные точ­ки плавной кривой и выбирают ориентировочно вид фор­мулы.

  2. этап. Вычисляют параметры формул, которые наи­лучшим образом соответствовали бы принятой форму­ле. Подбор эмпирических формул необходимо начинать с самых простых выражений. Так, например, результаты измерений многих явлений и процессов аппроксимируют­ся простейшими эмпирическими уравнениями типа

^ у = а + Ьх, (10.26)

где й, b — постоянные коэффициенты. Поэтому при ана­лизе графического материала необходимо по возможно­сти стремиться к использованию линейной функции. Для этого применяют метод выравнивания, заключающийся в том, что кривую, построенную по экспериментальным точкам, представляют линейной функцией.

Для преобразования некоторой кривой (10.25) в пря­мую линию вводят новые переменные:

Х = У = У)- (Ю.27)

В искомом уравнении они должны быть связаны ли­нейной зависимостью

Y = a + bX. (10.28)

Значения X и Y можно вы­числить на основе решения системы уравнений (10.27). Да­лее строят прямую (рис. 10.5), по которой легко графически вычислить параметры а (орди­ната точки пересечения прямой с осью У) и 6 (тангенс угла на­клона прямой с осью X): fe — = tgct=iY,-a)IXl.

Рис. 10.5. Графическое оп­ределение параметров х и У

При графическом опреде­лении параметров а и b обя­зательно, чтобы прямая (10.26) строилась на координатной сетке, у которой началом явля­ется точка У=0 и J=0. Для

расчета необходимо точки У,- и Xt принимать на край­них участках прямой.

Для определения параметров прямой можно приме­нить также другой графический метод. В уравнение (10.28) подставляют координаты двух крайних точек, взятых с графика. Получают систему двух уравнений, из которых вычисляют а и Ь. После установления парамет­ров а и Ь получают эмпирическую формулу (10.26), ко­торая связывает У и А', позволяет установить функцио­нальную связь между х и у и эмпирическую зависимость

  1. .

Линеаризацию кривых можно легко осуществить на полу- или логарифмических координатных сетках, кото­рые сравнительно широко применяют при графическом методе подбора эмпирических формул.

Пример. Подобрать эмпирическую формулу следую-. щих измерений:

12,1 19.2 25,9 33,3 40,5 46,4 54,0 I 2 3 4 5 1 6 7

Графический анализ этих измерений показывает, что в прямоугольных координатах точки хорошо ложаться на прямую линию и их можно выразить зависимостью

  1. . Выбираем координаты крайних точек и подстав­ляем в (10.26). Тогда Л0+7Л 1=54,0; Л0+Л| = 12,1, от­куда Л] = 41,9 : 6=6,98 и /40=12,10—6,98=5,12. Эмпири­ческая формула примет вид {/=5,12+6,984!.

Таким образом, аппроксимация экспериментальных данных прямолинейными функциями позволяет просто и быстро установить вид эмпирических формул.

Графический метод выравнивания мо­жет быть применен в тех случаях, когда эксперименталь­ная кривая на сетке прямоугольных координат имеет вид плавной кривой. Так, если экспериментальный гра­фик имеет вид, показанный на рис. 10.6, а, то необходимо применить формулу

у = ах". (10.29)

Заменяя X=\gx и Y=\gy, получим Y~\ga-\-bX. При этом экспериментальная кривая превращается в прямую линию на логарифмической сетке. Если эксперименталь­ный график имеет вид, показанный на рис. 10.6,6, то це­лесообразно использовать выражение

ц = аё>х. (10.30)

При замене Y = \gy получим Y=\ga-\-bx\ge. Здесь экс­периментальная кривая превращается в прямую линию на полулогарифмической сетке. Если экспериментальный график имеет вид, представленный на рис. 10.6, в, то эм­пирическая формула принимает вид

у = с + ах>. (10.31)

Если Ь задано, то надо принять Х=хь, и тогда получим прямую линию на сетке прямоугольных координат у=

=£-j-aX Если же Ь неизвестно, то надо принять X=\gx и y=lg(y—с), в этом случае будет прямая линия, но на логарифмической сетке Y=\ga-\-bX.

В последнем случае необходимо предварительно вы­числить с. Для этого по экспериментальной кривой при­нимают три произвольные точки Xi, у\\ Xi, У2 и х$ = — VxiXs, Уг и вычисляют с в виде отношения

— > (10.32)

(fi + У1 — 2Уз

Если экспериментальный график имеет бйд, показан­ный на рис. 10.6, г, то нужно пользоваться формулой

y = c+aef*. (10.33)

Путем замены y=lg(y— с) можно построить прямую на полулогарифмической сетке:

У = 1g« + bx]gc,

где с предварительно определено с помощью формулы (10.32),. В этом случае д:3—0,5 (Х|+дг2).

Если экспериментальный график имеет вид, пред­ставленный на рис. 10.6,<5, то применяется выражение

у = а + Ых. (10.33')

Путем замены х~\/г можно получить прямую ли­нию на сетке прямоугольных координат у = а+bz.

Если график ! ■ >?ет вид, соответствующий кривым на рис. 10.6, е, то используют формулу

у « 1/(о+'&*). (10.34)

Если принять y=\/z*70 z=a-{-bx, т.е. прямая на сетке прямоугольных координат. Аналогично, уравнению

у = ! (10.35)

а + Ьх + сх*

путем замены y=\jz можно придать вид z~a~\-bx-{-cx2. Сложную степенную функцию

у = (10.36)

можно преобразовать в более простую. При lgy = z\ lga=jt>; n\ge=q, m\ge=r получается зависимость

г — р + qx + гхг.

С помощью приведенных на рис. 10.6 графиков и вы­ражений (10.29) ...(10.36) можно практически всегда по­добрать уравнение эмпирической формулы.

Пусть, например, необходимо подобрать эмпиричес­кую формулу для следующих измерений:

- 1 1,5 2,0 2,5 3,0 3,5 4,0 4,5 . 15,2 20,6 27,4 36,7 49,2 66,0 87,4 117,5

На основе этих данных строится график (рис. 10.7,а), соответствующий кривым (10.30) (рис. 10.6,6).

После логарифмирования выражения (10.30) — lga+ftxlge. Если обозначить lgy=Y, то V=lga+ +ЬхIge, т.е. в полулогарифмических координатах выра­жение для У представляет собой прямую линию (рис. 10.7,6). Подстановка в уравнение координат крайних то­чек дает lg 15,2 = lga+Mge и lg 117,5 = lga+4,5b\ge.

Следовательно,

Iga + b \ge= 1,183;

lga -Ь 4,56 Ige = 2,070,

откуда 6 = 0,887/(3,5 Ig e) =0,579; lg 1,183—0,254 = =0,929; «=1,85. Окончательно эмпирическая формула получит вид

у= Ш-е0-5™*.

Рис. 10.7. Подбор эмпирической характеристики:

о — эмпирическая; б — спрямленная

При подборе эмпирических формул широко исполь­зуются полиномы

у = 4 + Л, * + Л, л? + А3 х3 + ...+ л12 X12, (10.37)

где Ао, Аь .., — постоянные коэффициенты. Полино­мами можно аппроксимировать любые результаты изме­рений, если они графически выражаются непрерывными функциями. Особо ценным является то, что даже при не­известном точном выражении функции (10.37) можно оп­ределить значения коэффициентов А. Для определения коэффициентов А кроме графического метода, изложен­ного выше, применяют методы средних и наименьших квадратов.

Метод средних квадратов основан на следующем по­ложении. По экспериментальным точкам можно постро­ить несколько плавных кривых. Наилучшей будет та кривая, у которой разностные отклонения оказываются наименьшими, т.е. 2е»0. Порядок расчета коэффициен­тов полинома сводится к следующему. Определяется чис­

ло членов ряда (10.37), которое обычно принимают не более 3...4. В принятое выражение последовательно под­ставляют координаты х и у нескольких {т) эксперимен­тальных точек и получают систему из т уравнений. Каж­дое уравнение приравнивают соответствующему откло­нению:

4> + + +■•■+ \ Х1~У1 = Ч

Л0 + /4,*2 + И2*|+...+ Ляд»-у3 = ва; (10.38)

А + Л, хт + A,xJn +...+ АЛ~ут = вж. -

Число точек, т.е. число уравнений, должно быть не меньше числа коэффициентов А, что позволит их вычис­лить путем решения системы (10.38).

Разбивают систему начальных уравнений (10.38) по­следовательно сверху вниз на группы, - число которых должно быть равно количеству коэффициентов А0. В каж­дой группе складывают уравнения и получают новую систему уравнений, равную количеству групп (обычно 2...3). Решая систему, вычисляют коэффициенты А.

Метод средних обладает высокой точностью, если чис­ло точек достаточно велико (не менее 3...4). Однако сте­пень точности можно повысить, если начальные условия сгруппировать по 2...3 варианта и вычислить для каждо­го варианта эмпирическую формулу. Предпочтение сле­дует отдать той формуле, у которой 2е2—min. Пусть, на­пример, выполнено семь измерений:

4 5 6 7 8 9 10 10,2 6,7 4,8 3,6 2,7 2,1 1,7

Для подбора эмпирической формулы можно выбрать полином

у = Л0 + At х + Л2 х2.

Путем подстановки в это уравнение значений измере­ний систему начальных уравнений можно разделить на три группы: 1...2, 3...4; 5...7 в виде

  1. Л0+4Л, + 16Л2-Ю,2=е1;

  2. А0 + 5А1+25Аг— 6,7 = е2;

  3. Л0+6Д1+36Л2— 4,8 —ез;

  4. Л0+7Л1+49Л2— 3,6 = е4;

  5. Л0+8Л1+64Л2— 2,7 = е5;

  6. Ло+9Л1 + 81Л2— 2,1 — е6;

7. VMM,+ 1004*—1,7=е7.

Сложение уравнений в каждой подгруппе дает

    1. я группа 2Л0+9Л1+4Мг=1б,9;

    2. я группа 2Л0+Ш|+85Л2=8,4;

    3. я группа ЗЛН-27Л,+24Л2=6,5.

Определение из этих выражений коэффициентов Аа, А\ и Л2 приводит к эмпирической формуле (/ = 26,168— —5,2Ш8лг+0,2811л;2.

Метод средних квадратов может быть применен для различных кривых после их выравнивания. Пусть, напри­мер, имеется восемь измерений:

3 6 9 12 15 18 21 24 57,6 .41,9 31,0 22,7 16,6 12,2 8,9 6,5

Анализ кривой в системе прямоугольных координат дает возможность применить формулу (10.30)

у - ае~Ьх.

Произведем выравнивание путем замены переменных y=lgy, Х=х/2,303. Тогда Y=A+BX, где A = \ga, В = =Ь. Так как необходимо определить два параметра, то все измерения делятся на две группы по четыре измере­ния. Это приводит к уравнениям:

1,7604 = А + — В; 1,2201 = А +В;

1,6222 = Л Н —В; 1,0864 = А + —В;

2,303 ' ' 2,303 '

1,4914 = Л Н—-— В; 0,9494 = Л +

2,303 2,303

1,3560 = А + —В; 0,8129 = А + В;

6,2300 = 4 Л + -2L- В; 4,0688 = 4 А + В.

2,303 2,303

После суммирования по группам можно получить си­стему двух уравнений с двумя неизвестными Л и В, ре­шение которых дает: Л = 1,8952; а = 78,56; 0,1037; f> = —0,1037. Окончательно «/=78,56

Хорошие результаты при определении параметров за­данного уравнения дает использование метода наи­меньших квадратов. Суть этого метода заключа­ется в том, что если все измерения функций уи у2> у„ произведены с одинаковой точностью и распределенные величины ошибок измерения соответствуют нормальному закону, то параметры исследуемого уравнения опреде­лятся из условия, при котором сумма квадратов откло­нений измеренных значений от расчетных принимает наи­меньшее значение. Для нахождения неизвестных пара­метров (аь а2, ...,а„) необходимо решить систему линей­ных уравнений:

Ух = Oj xt + <h "i +...+ «i;

y2 = aix2-\-aiu2+...+ anz2; (10.39)

Уп = xm + a2 um +.... + an zm,

где уi, yn—частные значения измеренных величии функции у; х, и, г —переменные величины. Эту систему приводят к системе линейных уравнений путем умноже­ния каждого уравнения соответственно на х\...хт и по­следующего их сложения, затем умножения соответст­венно на Мь ит. Это позволяет получить так называе­мую систему нормальных уравнений

Основы 1

научных исследований 1

3.2. Методы теоретических й эмпирических исследоваййй 50

ВЫБОР НАПРАВЛЕНИЯ НАУЧНОГО ИССЛЕДОВАНИЯ И ЭТАПЫ НАУЧНО-ИССЛЕДОВАТЕЛЬСКОЙ РАБОТЫ 73

4.1. Выбор направления научного исследования 73

4.2. Оценка экономической эффективности темы 77

4.3. Этапы научно-исследовательской работы 78

5.1. Информатика как наука 80

■i й ® в 5 е las 88

Информационная сеть МСНТИ должна обес­печивать дистанционный доступ специалистов стран — членов СЭВ в первую очередь к базам данных МСНТИ на основе диалоговых информационно-поисковых си­стем и телекоммуникационной передачи данных. В сети МСНТИ используются базы НТИ, создаваемые 8 МСНТИ, в международных информационных систе­мах, а также ряд национальных БД стран — членов5.5. Информационно-поисковые системы 1

5,6. Научно-техническая патентная информация 4

5.7. Государственная система патентной информации (ГСПИ) 11

М (W + Ал, М (TmJn) - Ах, 3

А = Ш. 6

Oyj (i, ДО - ht К (<\ ДО! ('* = 1,2,..., k). 14

т п 22 (*» 43

>Ь 47

% = (AJA3)VAjA3 и ihwi/W 14

7.4. Физическое подобие и моделирование 21

7.6. Математическое цифровое подобие и моделирование 23

8.1. Типы ЭВМ и возможности вычислительных систем 26

8,2. Программное обеспечение ЭВМ 4

Назначение 12

Требуемые подпрограммы и подпрограммы-функции 12

Метод 12

Назначение 12

Требуемые подпрограммы и подпрограммы-функции 14

Метод. 14

Назначение 14

Требуемые подпрограммы и подпрограммы-функции 15

8.3. Автоматизированные системы научных исследований 15

9.1. Классификация, типы и задачи эксперимента 30

Pi e (-W — х)/о V(n — Wrr, 22

* nzzi::;::: * 36

y = c+aef*. (10.33) 5

q = m—s, (Ю.52) 23

= (10.54) 25

12.1. Государственная система внедрения 10

12.2. Эффективность и критерии научной работы 16

Дф t={Ti-TjAt; (12.6) 21

13.1. Основные принципы управления научным коллективом 21

13.7. Научная организация и гигиена умственного труда 38

13.8. Нравственная ответственность ученого 42

Использование ИПЯ в документальных АИПС 50

Приемы, помогающие устранять типичные ошибки языка и стиля рукописи 3

решение которой и дает искомые коэффициенты.

Пусть, например, необходимо определить коэффици­енты а| и а2 в уравнении &р=а1+а2ц. Так как требуется определить два параметра, то система уравнений может быть представлена в виде двух уравнений y=«i*i+a2u2 и уи2 = а2х&2 + а2и\, где y = kp\ Х\ = \\ х2=й.

Так как уравнения линейные, можно ограничиться че­тырьмя сериями опытов. Если они сведены в табл. 10.3, то систему нормальных уравнений можно записать в ви­де 5,48 = 4a; + IIOOa2; 1519= 1100a,+307 350аг, решение которых дает а, =0,78; о2~ 0,0025. Следовательно, эмпи­рическая формула получит вид /гр=0,78+0,0025 ц.

Метод наименьших квадратов обеспечивает достаточ

я,

о»

230

1,26

52900

289,8

255

1,32

65025

336,6

295

1,40

87025

413,0

320

1,50

102400

480,0

1100

5,48

307350

1519,4

но надежные результаты. При этом степень точности коэффициентов Л в (10.37) должна быть такой, чтобы вы­численные значения у совпадали со значениями в исход­ных табличных значениях. Это требует вычислять зна­чения А тем точнее, чем выше индекс А, т.е. должно быть точнее (больше число десятичных знаков), чем /13; А3 — точнее, чем Аг, и т.д. Для вычисления коэффициен­тов А методом наименьших квадратов необходимо поль­зоваться типовыми программами для ЭВМ.

10.4. Регрессионный анализ

1ак, ф *олжн труго

что с возрастанием плотности модуль упругости матери­ала увеличивается.-Но выявить эту закономерность мож­но только при наличии большого количества измерений, так как при исследованиях каждой отдельной парной связи в зависимости E=f(р) наблюдаются большие от­клонения.

Суть регрессионного анализа сводится к установле­нию уравнения регрессии, т.е. вида кривой между слу­чайными величинами (аргументами х и функцией у), оценке тесноты связей между ними, достоверности и аде­кватности результатов измерений.

Чтобы предварительно определить наличие такой свя­зи между х и у, наносят точки на график и строят так на­зываемое корреляционное поле (рис. 10.8). По тесноте

4

Рис, 10.8, Корреляционное поле

х

группирования точек вокруг прямой или кривой линии, по наклону линии можно визуально судить о наличии корреляционной связи. Так, из рис. 10.8, а видно, что экс­периментальные данные имеют определенную связь меж­ду х и у, а измерения, приведенные на рис. 10.8,6, такой связи не показывают.

Корреляционное поле характеризует вид связи между х и у. По форме поля можно ориентировочно судить о форме графика, характеризующего прямолинейную или криволинейную зависимости. Даже для вполне выражен­ной формы корреляционного поля вследствие статистиче­ского характера связи исследуемого явления одно значе­ние х может иметь несколько значений у. Если на корре­ляционном поле осреднить точки, т.е. для каждого значения ^определить xt и соединить точки у-, то можно будет получить ломаную линию, называемую экспери­

ментальной регрессионной зависимостью (линией). На­личие ломаной линии объясняется погрешностями изме­рений, недостаточным количеством измерений, физичес­кой сущностью исследуемого явления и др. Если на_кор­реляционном поле провести плавную линию между ^.ко­торая равноудалена от них, то получится новая теорети­ческая регрессионная зависимость — линия АБ (см. рис. 10.8, а).

Различают однофакторные (парные) и многофактор­ные регрессионные зависимости. Парная регрессия при парной зависимости может быть аппроксимирована прямой линией, параболой, гиперболой, логарифмичес­кой, степенной или показательной функцией, полиномом и др. Двухфакторное поле можно аппроксимировать пло­скостью, параболлоидом второго порядка, гиперболои­дом. Для переменных факторов связь может быть уста­новлена с помощью «-мерного пространства уравнения­ми второго порядка:

п п л

y^bb + ^btxt + y^bijxixj + ^buxl (10.41) 1 / 1

где у — функция цели (отклика) многофакторных пере­менных; — независимые факторы; bi — коэффициенты регрессии, характеризующие влияние фактора xt на функ­цию цели; bij — коэффициенты, характеризующие двой­ное влияние факторов х,- и х/ на функцию цели.

При построении теоретической регрессионной зависи­мости оптимальной является такая функция, в которой соблюдаются условия наименьших квадратов 2 (у,— —J/)2 = min, где у\ — фактические ординаты поля; у — среднее значение ординаты с абсциссой х. Поле корреля­ции аппроксимируется уравнением прямой у = а-\-Ьх. Линию регрессии рассчитывают из условий наименьших квадратов. При этом кривая АБ (см. рис. 10.8, о) наилуч­шим образом выравнивает значения постоянных коэффи­циентов я и ft, т.е. коэффициентов уравнения регрессии. Их вычисляют по выражениям

b = {tiZxy — 2х2у)/п2х* — (2х)\ (10.42)

а = у —bx = — Ь^- . (10.43)

п п

Критерием близости корреляционной зависимости междулгиуклинейной функциональной зависимости яв­ляется коэффициент парной или просто коэффициент корреляции г, показывающий степень тесноты связи х ну и определяемый отношением

. _ !Ц — IX; llJt

~ Ч/г 2 21 г а ап ' (1°'44)

где п — число измерений. Значение коэффициента корре­ляции всегда меньше единицы. При г —1,0 х и у связаны функциональной связью (в данном случае линейной), т.е. каждому значению х соответствует только одно зна­чение у. Если г<1, то линейной связи не существует. При г=0 линейная корреляционная связь между х и у отсут­ствует, но может существовать нелинейная регрессия. Обычно считают тесноту связи удовлетворительной при г^0,5; хорошей при г = 0,8...0,85. Для определения про­цента разброса (изменчивости) искомой функции у от­носительно ее среднего значения, определяемого измен­чивостью фактора х, вычисляют коэффициент детерми­нации

= г* (10.45)

Уравнение регрессии прямой можно представить вы­ражением

у= у+гЪ-{х-х). (10.46)

ох

Пусть, например, имеется статистический ряд парных измерений:

t 23456789 10

8 11 14 16 21 26 27 32 34 41

по которому можно найти уравнение прямолинейной рег­рессии, оценить тесноту связей и оценить степень досто­верности. Расчет целесообразно вести в табличной фор­ме (табл. 10.9).

В табл. 10.10 приведена сходимость эксперименталь­ной и теоретической регрессии.

- 55 с , - Й0 „, *=—=5,5; у — —— 23; =

10 ' у 10

( Та б лица 10.9

Расчет уравнения регрессии

I?

п

«

1

1

|

1

1

1

м

5S,

•J

д>

к

«

гч

X

3,

Н

э>

I

8

-4,5

-15

20,25

225

1

64

8

67,5

2

И

—3.5

—12

12,25

144

4

121

22

42,0

3

14

—2,5

-9

6,25

81

9

196

42

22,5

4

16

-1,5

—7

2,25

49

16

256

64

10,5

5

21

-0,5

-2

0,25

4

25

441

105

1,0

6

26

0,5

+3

0,25

9

36

676

156

1,5

7

27

1,5

+4

2,25

16

49

729

189

6,0

8

32

2,5

+9

6,25

81

64

1024

256

22,5

9

34

3,5

+П

12,25

121

81

1156

306

31,5

10

41

4,5

+18

20,25

324

100

1681

410

81,0

55

230

—

—

82,50

1054

385

6344

1558

286,0

Таблица 10,10 Сходимость экспериментальной и теоретической регрессии


У

8

11

14

16

2!

26

27

32

34

41

Ув

7,1

10,6

14,2

17,7

21,8

24,8

28,3

31,9

35,4

39,0

Коэффициент корреляции согласно (10.54) 10 1558 — 55-230

= — 0,99.

(10-385 — 552) (10-6344 — 230^ Из (10.52) и (10.53)

ь^ 10-1558 55-230 10-385 — 55?

_3 55_55__3 8 10 10 Уравнение регрессии имеет вид

у = 3,48 + 3,55*.

г = ■

Как видно из расчетов, сходимость оказалась хоро­шей.

Коэффициент детерминации, найденный по формуле (10.45), составляет &д = 0,992 —0,98, что означает, что 98% разброса определяется изменчивостью х, а 2% — другими причинами, т.е. изменчивость функции у почти полностью характеризуется разбросом (природой) фак­тора X.

На практике часто возникает потребность в установ­лении связи между у и многими параметрами на основе многофакторной регрессии.

Многофакторные теоретические регрессии аппрокси­мируются полиномами первого (10.37) нли второго (10.41) порядка. Математические модели характеризуют стохастический процесс изучаемого явления, уравнение регрессии определяет систематическую, а ошибки раз­броса — случайную составляющие.

Теоретическую модель множественной регрессии мож­но получить методами математического планирования, т.е. активным экспериментом, а также пассивным, ког­да точки факторного пространства выбираются в про­цессе эксперимента произвольно.

10.5. Оценка адекватности теоретических решений

В результате эксперимента получают статистический ряд обычно парных, однофакторных (х<, у,) или многофак­торных (а{, bt, Cj,„.) измерений. Статистические измере­ния подвергают обработке и анализу, подбирают эмпи­рические формулы и устанавливают их достоверность.

Перед подбором эмпирических формул необходимо еще раз убедиться в достоверности эксперимента, окон­чательно проверить воспроизводимость результатов по критерию Кохрена. Оценка пригодности гипотезы иссле­дования, а также теоретических данных на адекватность, т.е. соответствие теоретической кривой эксперименталь­ным данным, необходима во всех случаях на стадии анализа теоретико-экспериментальных исследований. Методы оценки адекватности основаны на использова­нии доверительных интервалов, позволяющих с задан­ной доверительной вероятностью определять искомые значения оцениваемого параметра. Суть такой проверки состоит в сопоставлении полученной или предполагае­мой теоретической функции y=f(x) с результатами из­мерений. В практике оценки адекватности применяют различные статистические критерии согласия.

Одним из таких критериев является критерий Фи­шера. Установление адекватности — это определение ошибки аппроксимации опытных данных. Для этого не­обходимо рассчитать экспериментальное (опытное) зна­чение критерия Фишера — £фЭ и сравнить его с теорети­ческим (табличным) —£фТ, принимаемым при требуемой доверительной вероятности ра (обычно рд = 0,95). Если кфэ<кфт — модель адекватна; если — модель

неадекватна. Опытный критерий Фишера вычисляют по формуле

%,=Д,/£>ср, (10.47)

где £>а — дисперсия адекватности; DzР — средняя диспер­сия всего эксперимента, определяющиеся как

и

2 (f« — У'э)2

Da=-J -i (10.48)

п —а

m rt

2 2 tor-Й»)*-

z> = j-! (10.49)

mn

Здесь yiT — теоретическое значение функции для каждо­го измерения; — экспериментальное значение функ­ции; у,» —среднее экспериментальное значение функции из m серий 'измерений; п — количество измерений в од­ном опыте (одной серии или количество опытов); d — число коэффициентов уравнения теоретической регрессии.

Значение принимается по табл. 10.11 для довери­тельной вероятности 0,95 и числа степеней свободы qу = = я— d, 92=«(m—1). В уравнении (10.48) t/<T вычисля­ют по теоретической регрессии для фактора лгг, у, — как средние из m серий измерений, т. е.

(Ю-50)

Пусть, например, получено теоретическое выражение у=80а- и для его подтверждения проведен эксперимент. В каждой из пяти серий (повторностей, /л=5) выполне­но по семь измерений (м = 7). Результаты эксперимента приведены в табл. 10.12. По этим данным можно уста­новить пригодность, т, е. адекватность теоретического выражения.

С этой целью по формуле (10.48) определяется дис­персия адекватности Z)a=5,32/(7— 1) =0,89. Здесь зна­чение d=l, поскольку в теоретическом выражении один

Критерий Фишера

Значения 6фГ при рд = 0,95 для различных i


«1

I

2

3

4

5

6

1

16

19

21

22

23

23

2

18

19

19

19

19

19

3

10

9,6

9,3

9,1

9,0

8,9

4

7,7

6,9

6,6

6,4

6,3

6,2

5

6,6

5,8

5,4

5,2

5,1

5,0

6

6,0

5,1

4.8

4,5

4,4

4,3

7

5,6

4,7

4,4

4,1

4,0

3,9

8

5,3

4,5

4,1

3,8

3,7

3,6

9

5,1

4,3

3,9

3,6

3,5

3,4

10

5,0

4,1

3,7

3,5

3,3

3,2

11

4,8

4,0

3,6

3,4

3,2

3,1

12

4,8

3,9

3,5

3,3

3,1

3,0

13

4,7

3,8

3,4

3,2

3,0

2,9

14

4,6

3,7

3,3

3,1

3,0

2,9

15

4,5

3,7

3,3

3,1

2,9

2,8

16

4,5

3,6

3,2

3,0

2,9

2,7

17

4,5

3,6

3,2

3,0

2,8

2.7

18

4,4

3,6

3,2

2,9

2.8

2,7

19

4,4

3,5

3,1

2,9

2.7

2,6

20

4,4

3,5

3,1

2,9

2,7

2,6

22

4,3

3,4

3,1

2,8

2,7

2,6

26

4,2

3,4

3,0

2,7

2,7

2,4

30

4,2

3,3

2,9

2,7

2,5

2.4

60

4,0

3,2

2,9

2,5

2,4

2.3

3S8

3,0

2,6

2,4

2,2

2,1

значащий член х. Дисперсия Dep вначале вычисляется построчечно для т строк. Для первой строки £)] = = S(jf/r - Ыг/т = 1/5{(12—16)2 + (17-16)2+(15- —16)2+(14—16)2]=4,4; для второй строки Z)2= = 1/5[(23—24)2 + (21+24)2 + (24~-24)2+(25-24)'+ '+(23— 24)2] — 2,4 и т.д. Тогда средняя дисперсия всего

эксперимента составит £>ср = 2£><//г=40,4/7 = 5,77. После

этого по формуле (10.47) подсчитывается £фЭ= = 0,89/5,77 = 0,15.

24 19 8,7 5,9

    1. 2,9

  1. 2,6 2,5 2,5

  1. 2,4 2,3 2,3 2,3

  1. 2,1 2,1 1,9

Таблица 10.11

Теоретические значения критерия Фишера можно при­нять по данным табл. 10.10 при следующих степенях свободы: —1=6 и (fe=7{5—1)=27, &фТ=3,75. Так как кфЭ—0,15</?фт—3,75, то модель адекватна, т.е. по­лученная математическая модель с доверительной веро­ятностью 95 % хорошо описывает изучаемый процесс.

Таблица 10.12

Результаты эксперимента и оценка адекватности его теоретического представления

Измеренные значения у{эв серии

IT «

Л

1 с

о

£

*t

^29

%

« [I s

S я 1i

5=» a, ew ~

OS II

A

II

t-

aT

1

e

эГ

a 1

t<

2" Em—

6

1 2

  1. 7

0.2

0,3 0,4 0,5 0,6 0,7 0,8

12

23 30 38 52 59 62

17 21 34 43 47 58 66

15 24 31 40 48 55 62

14

25 35 39 49 54 61

16

23 35 42 40 53 63

14,8 23,2 33,0 40,4 47,2 55,8 62,8

(6 24 32 40 48 56 64

1,2 0,8 1,0 0,4 0.8 0,2 1,8

1,44 0,64 1,00 0,16 0,64 0,04 1,44

4,4 2,4 3,8 3,6 16,4 5.4 4,4

Итого

5,36

40,4

Критерий Фишера обычно применяется для опреде­ления адекватности малых выборок. В больших выбор­ках целесообразно применять критерии Пирсона, Рома­новского, Колмогорова. Так, критерий Пирсона наиболее широко применяется при больших статистиче­ских измерениях. В соответствии с этим критерием гипо­теза о законе распределения подтверждается, если со­блюдается условие

ФМ- 00.51)

Здесь а=1—ф(*) — уровень значимости, обычно при­нимаемый равным 0,10; % — критерий согласия Пирсона; q — число степеней свободы, равное

q = m—s, (Ю.52)

где т — количество групп (серий, разрядов) большой выборки или число измерений в одной серии при анали­зе односерийного эксперимента; s — число используемых связей (констант).

Значение х2 вычисляют по формуле

т

= (Ю.53)

1

где y9i, yTi — количество измерений (частота) в каждой группе серий соответственно по данным эксперимента и теоретической кривой.

Пусть имеется большая выборка N измерений. Ста­тистические измерения следует разделить на т разря­дов: „. ... дг4; х5... А'6 и т.д. По данным измерений в каждом разряде может оказаться уэ измерений. Так, в диапазоне л^ ...х2 имеется уэ\ измерений (частота);

m

bXi„,Xi имеется у*г измерений и т.д. Очевидно,=

]

По данным эксперимента следует построить эксперимен­тальную кривую частот по y3i~}(x) или ijgi}N=f{x). Эту кривую можно аппроксимировать какой-то теорети­ческой кривой (законом Пуассона, показательным, лога­рифмическим, нормальным и др.). Для этой теоретиче­ской кривой устанавливают соответствующие экспери­ментальные частоты Ути производят вычисления критерия Пирсона %2 по формуле (10.53) и сравнивают его с данными табл. 10.13.

Пусть, например, произведено W=250 измерений не­которых величин Xi и по ним необходимо определить за­кон распределения. Для этого экспериментальные дан-

Таблица 10.13

Критерий Пирсона

Значение критерия Пирсона р (*'. в) при числе степеней

СВОБОДЫ 00,909 0,735 0 >557 0,406 0,287 0,199 0,135 0,091 0,061 0,040 0,026 0,017 0,011 0;007 0,004

0,962 0,849 0,700 0,549 0,415 0,306 0,220 0,156 0,109 0,075 0,051 0,034 0,023 0,014 0,010

0,985 0,919 0,806 0,767 0,543 0,423 0,320 0,238 0,173 0,124 0,088 0,062 0,043 0,029 0,020

0,606 0,367 0,223 0,135 0,083 0,049 0,030 0,018 0,011 0,006 0,004 0,002 0,001 0,000

0,801 0,572 0,391 0,261 0,171 0,111 0,071 0,046 0,020 0,018 0,011 0,007 0,004 0,002 0,001

0,994 0,959 0,885 0,079 0,660 0,539 0,428 0,332 0,252 0,188 0,138 0,100 0,072 0,036 0,030

0,317 0,157 0,083 0,045 0,025 0,014 0,008 0,004 0,002 0,001 0,000

ные y3i целесообразно разбить на семь групп, результаты измерений нанести на сетку в прямоугольных координа­тах и установить, что кривая близка к закону нормаль­ного распределения. В таких случаях в качестве аппрок­симирующей принимают кривую нормального распреде­ления, по которой устанавливают соответственно теоретические частоты:

1 23 50 82 58 28 2

1 27 57 80 57 27 1

и по формуле (10.53) вычисляют критерий согласия , = (I — I , (23—27)? , (50 - 57)* (82 — SO)2

Хэ I 27 57 80

(58-57)* (28-27)* (2-1)? =

57 27 1 1 '

По количеству разрядов т = 7, констант нормального закона 5=2, q=7—2 = 5. По данным табл. 10.12 в соот­ветствии с р (2,56; 5) определяется =0,774. Это свиде­тельствует о том, что адекватность удовлетворяется, по­скольку 0,774>0,10.

Критерий Романовского определяется отно­шением

= (10.54)

Число степеней свободы q определяется разностью (10.52). Адекватность удовлетворяется при Ар<3. Для

рассмотренного примера kp— <з. Таким обра-

К2-5

зом, по критериям Пирсона и Романовского гипотеза о принадлежности экспериментальных данных кривой нормального распределения подтверждается.

Критерий Колмогорова kK применяется для оценки адекватности также при большой статистической выборке N.

Чтобы определить этот критерий, статистическую кри­вую частот преобразовывают в статистическую инте­гральную функцию, находят наибольшую разность частот между экспериментальной статистической интегральной кривой и соответствующей теоретической интегральной кривой:

D0 = max (2^-2^). (10.55)

Затем вычисляют

\ = D9VN (10.56)

и по значению X в специальных таблицах находят веро­ятность р(1). Адекватность удовлетворяется, если р(Х)> >0,05, т.е. экспериментальные данные подтверждают ' теоретическое распределение.

10.6. Элементы теории планирования эксперимента

Математическая теория эксперимента 30 определяет усло­вия оптимального проведения исследования, в том числе и лри неполном знании физической сущности явления. Для этого используются математические методы при подго­товке и проведении опытов, что позволяет исследовать и оптимизировать сложные системы и процессы, обеспе­чивать высокую эффективность эксперимента и точность определения исследуемых факторов. Обеспечивается также эффективное управление экспериментом при не­полном знании механизма явлений.

Эксперименты обычно ставятся небольшими сериями 'по заранее согласованному алгоритму.

После каждой небольшой серии опытов производится обработка результатов наблюдений и принимается стро­го обоснованное решение о том, что делать дальше.

При использовании методов математического плани­рования эксперимента возможно: решать различные во­просы, связанные с изучением сложных процессов и яв­лений; проводить эксперимент с целью адаптации тех­нологического процесса к изменяющимся оптимальным условиям его протекания и обеспечивать таким образом высокую эффективность его осуществления и др.

Теория математического эксперимента содержит ряд концепций, которые обеспечивают успешную реализацию задач исследования. К ним относятся концепции рандо­мизации, последовательного эксперимента, математиче­ского моделирования, оптимального использования фак­торного пространства и ряд других.

Принцип рандомизации заключается в том,

что в план эксперимента вводят элемент случайности. Для этого план эксперимента составляется таким обра­зом, чтобы те систематические факторы, которые трудно поддаются контролю, учитывались статистически и за­тем исключались в исследованиях как систематические ошибки.

При последовательном проведении эксперимент вы­полняется не одновременно, а поэтапно, с тем чтобы ре­зультаты каждого этапа анализировать и принимать ре­шение о целесообразности проведения дальнейших исследований (рис. 10.9). В результате эксперимента

Эксперимент по плану (шара­га щряНха

Мышение сте пени поли­номиальной модем

В)

Полный

(рсн^^р^ыа эксперимент

, ш адйлг,, 'адекватна >

Нет

Г

ДНи/нение к области ваша- пума

атлимвм- них условий и их npoStpxa

. . mh 'вденЙатна ?


i Ав^

Определение оптимума

нет у

Повышение степени полинс- томной мо­дели '

Buiop вптишль- ных tjttoSuu и их пртерпа

Рис 10.9. Структурная схема эксперимента: о —с целью мате магического описания исследуемого процесса; б —с целыо оптимизации исследуемого процесса

получают уравнение регрессии, которое часто называют моделью процесса. Для конкретных случаев математи­ческая модель создается исходя из целевой направлен­ности процесса и задач исследования, с учетом требуе­мой точности решения и достоверности исходных данных, что обычно производится по критерию Фишера. Так как степень полинома, адекватно описывающего процесс, предсказать невозможно, то сначала пытаются описать явление линейной моделью, а затем, если она неадекват

-на, повышают степень полинома, т.е. проводят экспери­мент поэтапно.

В настоящее время изданы каталоги планов экспери­мента (например, каталог планов, выпущенный Москов­ским государственным университетом), в которых при­водятся сравнительная оценка планов и рекомендации по их выбору применительно к конкретным условиям эксперимента.

Важное место в теории планирования эксперимента занимают вопросы оптимизация исследуемых процессов, свойств многокомпонентных систем или других объектов. Как правило, нельзя найти такое сочетание значений влияющих факторов, при котором одновременно дости­гается экстремум всех функций отклика. Например, максимальный крутящий момент двигателя и минималь­ный расход топлива достигаются при различных режи­мах работы. Поэтому в большинстве случаев за крите­рий оптимальности выбирают лишь одну из переменных состояния — функцию отклика, характеризующую про­цесс, а остальные принимают приемлемыми для данного случая. Методы планирования эксперимента в настоя­щее время быстро развиваются, чему способствует воз­можность широкого использования ЭВМ.