- •Лекция 1. Общие сведения по теории вероятностей.
- •Условные и безусловные вероятности.
- •1.5. Формула полной вероятности и формула Байеса
- •Понятие случайного события.
- •1) Вероятность достоверного события равна 1;
- •2) Вероятность невозможного события равна 0;
- •Вероятность случайного события заключена
- •1.2. Алгебра событий.
- •1.3. Зависимые и независимые события.
- •1.4. Основные формулы теории вероятностей.
- •1.5. Формула полной вероятности и формула Байеса
- •1.6. Частная теорема о повторении опытов.
- •2.1. Случайные величины и их законы распределения.
- •2.2. Функция распределения.
- •2 .3. Вероятность попадания случайной величины
- •2.4. Плотность распределения
- •2.5. Числовые характеристики случайной величины
- •2.6 Понятие о моментах случайной величины.
- •2.7. Основные свойства математического ожидания
- •Свойства математического ожидания:
- •Свойства дисперсии случайной величины:
- •Лекция 3. Основные законы распределения
- •3.1. Гипергеометрическое распределение
- •3.5. Закон равной вероятности
- •3.7. Закон распределения модуля разности
- •3.8. Композиция законов распределения
- •3.1.Гипергеометрическое распределение.
- •3.5. Закон равной вероятности.
- •3.7. Закон распределения модуля разности.
- •Статистики
- •4.1. Основные задачи математической статистики
- •4.2. Основные понятия и определения. Выборочного метода
- •4.3. Выборочные характеристики. Состоятельные,
- •Свойства выборочных средних и дисперсий.
- •Доверительный интервал. Доверительная вероятность.
- •Задача определения закона распределения случайной величины.
- •2. Задача проверки правдоподобия гипотез.
- •3.Задача нахождения неизвестных параметров распределения.
- •4.2. Основные понятия и определения. Выборочного метода.
- •Генеральная совокупность и выборка из нее.
- •4.3. Выборочные характеристики. Состоятельные, несмещенные и эффективные оценки характеристики.
- •4.5. Доверительный интервал. Доверительная вероятность.
- •5.1. Определение характеристик эмпирического
- •5.2. Сопоставление и проверка сходимости
- •Координаты характерных точек кривой
- •5.3. Сопоставление эмпирического распределения
- •5.4. Статистическая проверка гипотез.
- •5.5. Проверка гипотезы о законе распределения случайной
- •Критерий
- •Критерий 2
- •5.6. Проверка гипотезы равенства двух выборочных средних
- •5.7. Проверка гипотезы равенства двух выборочных
- •5.8. Проверка гипотезы равенства ряда дисперсий .
- •Критерий Бартлета.
- •Критерий Кохрана.
- •5.9. Проверка гипотезы равенства ряда средних.
- •5.10. Метод исключения грубых ошибок измерения
- •5.11. Выбор числа наблюдений
- •6.1.Закон больших чисел и центральная
- •6.2. Неравенство Чебышева.
- •Неравенство Чебышева.
- •6.3. Закон больших чисел (теорема Чебышева).
- •6.4 Теорема Бернулли.
- •7.2. Коэффициент корреляции и корреляционное отношение.
- •7.3. Корреляционный анализ
- •7.4 Выбор уравнения регрессии
- •7.5. Понятие о множественной корреляции
- •Лекция 8. Основы планирования
- •8.6.1. Метод крутого восхождения.
- •8.1. Основные определения.
- •«Черный ящик »
- •8.3. Полный факторный эксперимент.
- •8.3.1 Выбор интервалов варьирования факторов
- •8.3.2 Полный факторный эксперимент типа 2
- •Построение матрицы 2
- •8.3.3. Свойства полного факторного эксперимента типа 2 к
- •8.3.4. Полный факторный эксперимент
- •8.3.5 Анализ модели.
- •8.3.5.1. Проверка значимости коэффициентов модели.
- •Расчет дисперсии опытов и оценка их однородности
- •Расчет дисперсий параметра оптимизации и коэффициентов регрессии
- •Проверка значимости коэффициентов регрессии
- •8.3.5.2. Проверка адекватности модели
- •8.4. Дробный факторный эксперимент.
- •8.4.1.Минимизация числа опытов.
- •Дробная реплика
- •8.4.3. Выбор полуреплик. Генерирующие соотношения и определяющие контрасты
- •8.4.4.Выбор 1/4-реплик. Обобщающий
- •8.6. Оптимизация функции отклика.
- •8.6.1. Метод крутого восхождения.
- •6.6.2. Методика расчета крутого восхождения
- •6.7. Принятие решений после построения модели процесса
- •8.5 Рандомизация опытов.
- •8.6 Оптимизация функции отклика
- •8.6.1. Метод крутого восхождения. Движение по градиенту
- •8.6.2. Методика расчета крутого восхождения
- •8.7.Принятие решений после построения
- •9.1. Статистический анализ точности обработки.
- •9.3. Статистический анализ посредством малых выборок.
- •9.4. Статистический анализ с помощью точечных
- •9.4.1. Карта средних значений (карта « »)
- •9.4.2. Карта медиан (карта )
- •9.4.3. Карты « »
- •9.4.4. Метод средних арифметических значений и
- •9.4.4. Контрольные карты по неизмеримым
- •Карта «р»
- •Карта «с».
8.5 Рандомизация опытов.
Чтобы исключить влияние систематических ошибок, вызванных внешними условиями (переменной температуры, сырья и т.д.), рекомендуется случайная последовательность при постановке опытов, запланированных матрицей, т.е. опыты необходимо рандомизировать.
Рассмотрим пример рандомизации условий эксперимента. Проводится факторный эксперимент 23. Предположим» что каждое значение параметра оптимизации определяется по двум параллельным опытам. Нужно случайно расположить все 16 опытов. Присвоим параллельным опытам номера с 9 по 16. Тогда опыт 9 будет повторим по отношению к опыту 1, опыт 10 - к опыту 2 и т.д. Следующий этап рандомизации - использование таблицы случайных чисел (такие таблиц проводятся в руководствах по математической статистике). В случайном месте таблицы вписываются числа с 1 по 16 отбрасыванием чисел больше 16 и уже выписанных. Можно также рекомендовать следующий способ. Заготавливаются и нумеруются 16 карточек, которые затем тщательно перемешиваются и раскладываются. Предположим, что в результате получена такая последовательность: 2, 15, 9, 5, 12, 14, 8, 13, 16, 1, 3, 7, 4, 6, 2, 10. Это значит, что первым реализуется опыт 2, вторым - опыт 15 и т.д. Выбранную случайным образом последовательность нарушать не рекомендуется
8.6 Оптимизация функции отклика
8.6.1. Метод крутого восхождения. Движение по градиенту
После вывода уравнения регрессии с помощью постановки полного или дробного факторного эксперимента у экспериментатора может возникнуть следующий вопрос: можно ли оптимизировать полученную функцию отклика, т.е. добиться такого сочетания факторов, при котором полученная функция принимала бы оптимальные значения?
Для поиска оптимальных условий в планировании экстремальных экспериментов широко применяется метод крутого восхождения по поверхности отклика в направлении градиента линейного приближения, который определяется реализацией плана полного или дробного факторного эксперимента.
Пример 8.6. Представим, что человек с закрытыми глазами хочет пройти кратчайшим путем к вершине горы. Он будет делать шаги в разные стороны, чтобы определить направление движения. Достигнув вершины, человек должен оценить ее крутизну, сделав поочередно по шагу во все четыре стороны.
Градиент функции отклика есть вектор:
(6.15)
или
,
где grad - обозначение градиента; - частная производная фукнции по i-фактору; i, j, … k - единичные векторы в направлении осей факторного пространства.
Следовательно, составляющие градиента являются частными производными функции отклика. В случае, если модель линейна по параметрам, частные производные равны коэффициентам регрессии при факторах. Для движения по градиенту необходимо изменять факторы пропорционально соответствующим коэффициентам регрессии и в ту сторону, в которую указывает знак коэффициентов.
Рассмотрим простейший случай для одного фактора. Пусть регрессионная модель имеет вид:
Градиент этой функции в точке x в соответствии с формулой можно записать так:
В начале координат (в точке x=0) , т.е. вектор-градиент функции имеет длину, равную абсолютному значению коэффициента b1 . На рис.6.6 представлена графическая иллюстрация вектора-градиента для этого случая.
y
В
O A
I
-1 0 +1
Рис.8.6. Расчет координат точек
в направлении градиента
Значение коэффициента регрессии равно тангенсу угла между линией регрессии и осью данного фактора. Если его умножить на интервал варьирования, который является прилежащим катетом в прямоугольном треугольнике ОАВ , то получится значение; равное размеру противолежащего катета , который и дает координаты точки, лежащей на градиенте.
Приведем краткий вывод основных соотношений для движения в направлении градиента функции отклика. Пусть функция отклика имеет вид полинома
y=b0+b1х1+b2х2+…+bKxK.
Вектор-градиент этой функции в начале координат, т.е. при х1=0, х2=0…xK =0, запишем так:
Уравнение прямой линии, проходящей в факторном пространстве через начало координат параллельно вектору-градиенту в той же точке, имеет вид
xi=λbi при i=1,2,…,к.. (8.16)
Кодированные переменные xi(i=1,2,…,к) связаны с натуральными переменными x1,x2,…,xK формулой (8.1).Тогда из равенства (8.16) получим
при i=1,2,..k. (8.17)
Уравнение прямой (8.17) лежит в основе метода крутого восхождения. Точки с координатам x1,x2,…xK удовлетворяющие этому уравнению, находятся на линии крутого .восхождения. Меняя значения параметра k, можно найти координаты нескольких точек, лежащих на данной линии. В соответствии с методом крутого восхождения отыскивается такая точка на линии, выраженной уравнением (8.17), которой отвечает максимальное значение величины .