- •Выборы плана проведения экспериментов.
- •Реализация отсеивающих экспериментов.
- •Обработка результатов отсеивающих экспериментов.
- •Представим, что значения выходных параметров образуют по мере убывания упорядоченной кортеж
- •Далее находят среднее значение для всех
- •По скорректированным данным строится диаграмма рассеивания для факторов y2; y3; y4; y5 определяется значимость факторов
- •Содержание задания
- •Выявление наиболее существенных факторов исследуемых процессов.
- •Обработка результатов
- •2.1 Планирование и обработка результатов пассивного эксперимента
- •2.1.1. Определение интервала съёма данных
- •2.1.2. Определение времени наблюдения т
- •2.1.3. Определение объёма экспериментальных данных
- •2.1.4. Обработка данных пассивного эксперимента
- •Содержание задания
- •2.3. Композиционное планирование и обработка результатов активного эксперимента
- •Ортогональное центральное композиционное планирование (оцкп)
- •Ротатабельное центральное композиционное планирование (рцкп)
- •Содержание задания
- •3. Проверка статистических гипотез о свойствах экспериментальных данных
- •3.1. Критерий Пирсона 2
- •3.2. Критерий Кохрена
- •3.3. Критерий Фишера (f-критерий)
- •3.4. Критерий Стьюдента (t-критерий)
- •3.5. Визуальный критерий проверки согласованности теоретических и статистических распределений (вариационная вероятностная сетка Турбина)
2.1.4. Обработка данных пассивного эксперимента
Основными задачами обработки результатов пассивного эксперимента являются:
Определение оценок коэффициентов уравнения регрессии в стандартизованном масштабе;
Оценка статистической значимости оценок коэффициентов уравнения регрессии;
Определение ошибки предсказания при переходе от предсказания выходной величины по среднему значению к предсказанию по эмпирическому уравнению регрессии.
Решение этих задач производится с использованием метода регрессионного анализа.
Определение оценок коэффициентов уравнения регрессии
Уравнение регрессии в стандартизованном масштабе имеет вид:
(9)
Стандартизованное масштабирование случайных величин осуществляется преобразованием величин x(t) и y = f(x) по следующим соотношениям:
, (10)
где j – номер величины х (j = 1n); l – номер измерения выходной величины y (l = 1N); jl, yl – значения величин xjl и yl в стандартизованном масштабе; x, y – средние значения величин; Sy, Sxj – среднеквадратические отклонения величин xjl и yl.
Для вычисления оценок коэффициентов j (j = 1m) на основе метода наименьших квадратов составляется система уравнений:
(11)
В системе уравнений (11) величина m – число линейных величин вместе с искусственными линейными величинами, заменившими нелинейные члены уравнений:
, (12)
где с – число сочетаний из n по 2: с = с2n.
Система уравнений (11) решается относительно j с использованием стандартных программ на ПЭВМ. Искомые оценки коэффициентов уравнения регрессии проверяются на значимость.
Оценка статистической значимости оценок коэффициентов уравнения регрессии
Оценка статистической значимости оценок коэффициентов уравнения регрессии в стандартизованном масштабе проводится с использованием t-критерия Стьюдента. Незначимые коэффициенты из уравнения исключаются.
Определение ошибки предсказания
Полученное уравнение регрессии вида (9)показывает, как изменяется среднее значение выхода с изменением входных величин. Оценку тесноты регрессионной связи, то есть адекватность полученного уравнения протекающему процессу даёт коэффициент множественной корреляции R. Полученное уравнение работоспособно, если коэффициент R лежит в пределах 0,8…0,9.
Интервал ошибки предсказания при переходе от предсказания выходной величины по среднему значению к предсказанию по полученному уравнению регрессии характеризуется коэффициентом , определяемым соотношением:
, (13)
где Sy – среднеквадратическое отклонение выходной величины y; S0y – среднеквадратическое отклонение выходной величины y относительно её значений, полученных по уравнению регрессии в натуральном масштабе. Чем больше , тем эффективнее работает уравнение регрессии.
Среднеквадратические отклонения определяются по формулам:
, (14)
г де yэl – экспериментальное значение выходной величины y в l-той точке наблюдения; y – среднее значение выходной величины; - значение выходной величины, полученное по уравнению регрессии в l-той точке; d – число членов уравнения регрессии; N – число наблюдений (N = 1l).
Величина коэффициента зависит от коэффициента корреляции R. Из графика, приведённого на рисунке 4, следует, что уравнение регрессии имеет смысл, если 2, то есть когда ошибки предсказания по уравнению регрессии хотя бы в два раза меньше, чем ошибки предсказания по среднему значению.