- •Кафедра эттм «Эксплуатация транспортно-технологических машин»
- •Содержание
- •2.2 Методы научного исследования 8
- •4.2 Тесты 34
- •5.5 Тесты 46
- •Обозначения:
- •Введение
- •1 Предварительная обработка экспериментальных данных 4
- •1.1 Вычисление характеристик эмпирических распределений
- •1 Содержание и объем отчета по самостоятельной работе
- •Оглавление Введение 3
- •1.1 Основные правила оформления пояснительной записки
- •2 Наука. Научное исследование
- •2.1 Основные сведения
- •Теория без практики мертва. Практика без теории неэффективна
- •2.2 Методы научного исследования
- •2. 3 Тесты:
- •2 Процесс научного исследования?
- •Синтез?
- •8 Индукция?
- •9 Дедукция?
- •10 Аналогия?
- •11 Моделирование?
- •12 Виды моделей?
- •13 Абстрагирование?
- •14 Метод «исторической аналогии»?
- •15 Теория подобия?
- •16 Теория?
- •17 Гипотеза?
- •18 Эвристика?
- •19 Математическая модель?
- •20 Закон?
- •21 Виды научных задач?
- •22 Наблюдение?
- •23 Теоретические задачи?
- •24 Эмпирические задачи?
- •25 Наука?
- •26 Цель науки?
- •27 Развитие науки?
- •28 Путь познания?
- •29 Процесс познания?
- •30 Познание?
- •31 Практика?
- •32 Научное исследование?
- •33 Методология?
- •3. Предварительная обработка экспериментальных данных
- •3.1 Основные понятия теории вероятностей и математической статистики
- •3.1.1 Относительная частота и вероятность
- •Генеральная совокупность и выборка
- •Вычисление характеристик эмпирических распределений (выборочных характеристик). Точечные оценки. Моменты
- •Распределение случайных ошибок измерения
- •3.3. Нормальный закон распределения
- •3.4 Основные законы распределения случайных величин
- •4 Пример статистической обработки данных
- •4.1 Порядок выполнения работы
- •Варианты заданий: Исходные данные и результаты расчетов
- •4.1.1 Отсев грубых погрешностей
- •4.1.2 Проверка гипотезы нормальности распределения
- •4.2 Тесты
- •Цель предварительной обработки экспериментальных данных?
- •2 Методы отсева грубых погрешностей?
- •3 Методы проверки гипотезы нормальности распределения?
- •4 Отличие между генеральной совокупностью и выборкой?
- •5 Закон больших чисел?
- •3. Меру рассеивания случайной величины. 4. Меру рассеивания генеральной совокупности.
- •20 Стандартное нормальное распределение?
- •21 Логарифмически-нормальное распределение?
- •22 Эксцесс? 23 Асимметрия?
- •24 Размах варьирования?
- •1. Случайная величина, у которой математическое ожидание равно 0, а дисперсия равна 1.
- •2. Случайная величина, у которой математическое ожидание равно 1, а дисперсия равна 0.
- •5.1 Факторы
- •5.2 Априорное ранжирование факторов
- •5.3. Порядок выполнения работы:
- •5.4 Варианты заданий:
- •5.5 Тесты
- •9. Учет «связанных» рангов? где п - произведение
- •10. Чему равно число факторов tj?
- •1. Стьюдента. 2. Фишера. 3. Кохрена. 4. Пирсона.
- •31. Априорная информация?
- •32. Цель априорного ранжирования факторов?
- •В зависимости от числа степеней свободы f
- •Критические значения для отсева грубых погрешностей
- •Процентные точки распределения Стьюдента
- •Критические границы отношения r/s
- •Предварительная обработка экспериментальных данных
4.2 Тесты 34
5 Экспертные оценки 40
5.1 Факторы 40
5.2 Априорное ранжирование факторов 41
5.3 Порядок выполнения работы 42
5.4 Варианты заданий 44
5.5 Тесты 46
Приложения 49
Литература 53
Обозначения:
а, µ или МХ – математическое ожидание генеральной совокупности;
h I – частота; D h I – относительная частота (частость) выборки;
Е – погрешность, вероятность быть больше или меньше которой одинакова и равна 0,5;
k – число классов выборки; l – длина интервала;
mk – момент порядка k; m1н – начальный момент первого порядка;
n – объем выборки; Р(А ) (от англ. probability) – вероятность случайного события А;
R – размах варьирования; S – среднее квадратическое отклонение или стандарт выборки;
-
дисперсия
эмпирического
распределения; V
– коэффициент
вариации;
-
частость
случайного события;
∆Х – абсолютное отклонение каждого наблюдения от среднего;
-
среднее арифметическое выборки;
Z – оценка – стандартная случайная величина;
σ – среднее квадратическое отклонение или стандарт генеральной совокупности;
Введение
Современное производство требует от специалиста умения самостоятельно ставить и решать принципиально новые вопросы, чего нельзя сделать без овладения им ОНИ (основ научных исследований).
Научная подготовка студентов в вузах – одна из важнейших сторон их обучения.
Современный специалист должен: владеть методикой НИ (научных исследований), их планированием и организацией, уметь отбирать и анализировать необходимую информацию, формулировать цель и задачи исследования, обосновывать теоретическую базу, планировать и проводить эксперименты, обрабатывать результаты измерений, оценивать погрешность наблюдений, сопоставлять результаты эксперимента с теоретическими предпосылками, формулировать выводы НИ, составлять отчет, доклад или статью по результатам НИ.
Эксперимент занимает центральное место в науке. История развития наук состоит в нахождении перечня факторов, создании многофакторных математических моделей исследуемых явлений и их интерпретации.
Чтобы узнать количество опытов – N = рк, необходимо число уровней факторов «р» возвести в степень числа факторов «к». Для определения однофакторной зависимости достаточно, например, поставит всего 5 опытов. В случае двухфакторной зависимости y = ¦ (x1, x2) при исследовании каждого фактора также по пяти уровням потребуется поставить уже N = 52 = 25 опытов, а простая система с пятью факторами на пяти уровнях имеет 55 = 3125 состояний. В электротехнике для решения шестифакторной зависимости потребовалось несколько десятилетий.
Катастрофическое увеличение числа необходимых опытов с ростом числа учитываемых факторов при многофакторном исследовании в теории эксперимента получило название «проклятие размерности».
В исследование нужно включать все существенные факторы, которые могут влиять на процесс. Если число факторов велико, то нужно обратиться к методам отсеивания несущественных факторов: формализация априорной информации, метод случайного баланса, планы Плакетта-Бермана и др.
В современной высшей школе все большее внимание уделяется самостоятельной работе студентов. Например, объем самостоятельной работы более чем на порядок превышает объем аудиторных занятий - для студентов заочно-сокращенной формы обучения 100 и 8 часов.
Цель самостоятельной работы – усвоить основные сведения по ОНИ, приобрести практические навыки статистической обработки результатов экспериментальных исследований – предварительной обработки экспериментальных данных: отсев грубых погрешностей (промахов), проверка гипотезы нормальности распределения; применение метода априорного ранжирования факторов для выделения статистически значимых факторов, определяющих исследуемый процесс с использованием коэффициента конкордации и статистического критерия Пирсона (хи-квадрат).
