- •Метод размерности.
- •Случайные величины и их характеристики.
- •Свойства вероятности
- •Свойства дисперсии
- •Нормальное распределение
- •Доверительные интервалы и вероятность
- •Проверка статистических гипотез
- •Оценка результатов измерений. Оценка генерального среднего
- •Оценка генеральной дисперсии
- •Сравнение дисперсий
- •Проверка однородности наблюдений
- •Тема: « Дисперсионный анализ».
- •Двухфакторный дисперсионный анализ.
- •Многофакторный дисперсионный анализ.
- •Регрессия
- •Нелинейная регрессия
- •Активный эксперимент и его виды.
- •Планирование полного факторного эксперимента.
- •Дробный факторный эксперимент
- •Чумаченко
- •Проведение факторного эксперимента и обработка его результатов
Проведение факторного эксперимента и обработка его результатов
После того как составлена матрица планирования эксперимента, приступают к его проведению при этом необходимо учитывать погрешность измерений. Оценить погрешность можно по парным опытам. Каждое значение у находится несколько раз, и находится среднее всех результатов.
Затем для каждой серии опытов оценивается дисперсия
Если требуется, то необходимо исключить результаты, содержащие грубую ошибку. Для этого возможно использование τ-критерия.
Матрицу планирования можно использовать для оценки дисперсии всех опытов. Если число повторных измерений одинаково, то для оценки результирующей дисперсии можно использовать:
На практике число повторных измерений может различаться. Это может происходить из-за отбрасывания результатов содержащих грубую ошибку. В этом случае результирующую средневзвешенную дисперсию вычисляем таким образом:
νi-число степеней свободы для опыта с Ni
При вычислении дисперсий представляется их однородность. Это справедливо когда среди дисперсий σi нет сильно различающихся. Если возникают сомнения то необходимо проверить гипотезу о неоднородности дисперсии, используя критерий Фишера.
Если дисперсии однородны, то рассчитывается погрешность воспроизводимости и погрешности для коэффициентов модели. Для устранения или уменьшения систематических погрешностей необходимо производить рандомизацию порядка проведения опытов.
Продемонстрируем значение рандомизации на следующем опыте. Пусть проводится ПФЭ типа 23. В матрице планирования будет записано 8 опытов. Пусть первые 4 опыта проводятся в 1 день, а остальные 4 в другой. Изменившиеся условия могут привести к тому, что во второй день возникает системная погрешность = Е.
№ |
Х0 |
Х1 |
Х2 |
Х3 |
У |
1 |
+ |
+ |
+ |
+ |
У1+Е |
2 |
+ |
- |
+ |
+ |
У2+Е |
3 |
+ |
+ |
- |
+ |
У3+Е |
4 |
+ |
- |
- |
+ |
У4+Е |
5 |
+ |
+ |
+ |
- |
У5 |
6 |
+ |
- |
+ |
- |
У6 |
7 |
+ |
+ |
- |
- |
У7 |
8 |
+ |
- |
- |
- |
У8 |
В результате для коэффициента а3 линейной модели получается значение:
а3=1/8(у1+Е+ у2+Е+ у3+Е+ у4+Е-у5- у6- у7- у8)=1/8(у1+ у2+ у3+ у4-у5- у6- у7- у8)+Е/2
После проведения всех опытов вычисляются коэффициенты модели. Для этого используется метод наименьших квадратов, который приводит к формулам вида:
После вычисления коэффициентов аi необходимо проверить адекватность полученной модели, ее пригодность. Для этого вычисляется дисперсия адекватности с помощью формулы:
где N-число опытов
n-число коэффициентов в модели
уi-значение полученное экспериментально
уim= а0+а1х1(2)+ а2х2(2)+…
Для проверки гипотезы об адекватности модели вычисляется величина
и сравнивается с соответствующим квантилем распределения Фишера. Если величина меньше квантиля то полученная модель является адекватной, в противном случае модель необходимо уточнить, включая в нее новые члены, учтенные эффекты более высокого порядка или дополнительные факторы.
После получения адекватной модели необходимо проверить
Шалимов
Значимость отдельных коэффициентов модели. Для этого в качестве оценки дисперсии для коэффициентов регрессии
Далее вычисляют критерий Стьюдента
И сравнивают его с табличным значением.
Если эта величина оказывается меньше соответствующего квантиля.
Планирование эксперимента при поиске оптимальных условий
Эффективность некоторого процесса, например, производственной деятельности может характеризоваться с помощью некоторой функции, называемой целевой функцией или функцией отклика, зависящей от ряда параметров y = y(x1, x2, x3, …, xк).
Задачей оптимизации является нахождение значений параметра х1oп, x2oп, … xкоп обеспечивающих максимум целевой функции. Возможно, при выполнении дополнительных условий, которые запишем следующим образом:
Возможный путь нахождения решения в проведении факторного эксперимента для определения параметров функции отклика, после чего производить поиск экстремума этой функции. Однако, в этом случае требуется построение поверхности отклика в широком интервале варьирования. При этом функция отклика становится существенно нелинейной и требует построения сложной математической модели. Что требует большой объем эксперимента и трудоемкие вычисления.
В этом случае используют методы последовательного пошагового измерения поверхности отклика.
Схема такая:
Выбирается исходная точка проведения эксперимента и ставится небольшая серия опытов с целью изучения экспериментального участка поверхности отклика, т. к. рассматриваемый участок небольшой, то для поверхности отклика можно использовать линейную модель.
А для построения линейной модели достаточно проведения факторного эксперимента на двух уровнях.
После нахождения параметров линейной модели, определяется направление движения к оптимальному решению, оно совпадает с направлением градиента целевой функции (или имеет противоположное направление).
Для линейной модели компоненты градиента совпадают с коэффициентами линейной модели.
После нахождения коэффициентов линейной модели производится шаг в направлении градиента, в результате мы попадаем в новую точку, в которой процедура повторяется.
(Определяется новая небольшая область и т. д.).
Процесс движения повторяется до тех пор, пока мы не попадем в почти стационарную область вблизи оптимального решения.
Здесь ставится большая серия опытов с целью более точного описания поверхности отклика.
Для повышения эффективности поиска оптимального решения, используется метод крутого восхождения, метод Бокса-Уилсона.
В этом методе вычисление градиента после каждого шага не производится, а производится движение в направлении градиента до тех пор, пока происходит рост целевой функции.
Почти стационарная область содержит точку оптимума и поэтому не может быть описана линейной моделью. Для ее описания обычно используют полиномы второго порядка. В этом случае составляется план, в котором каждая переменная принимала бы по крайней мере три различных значения, т. е. строится план типа 3k.
Такое планирование может быть получено путем добавления некоторых точек специальным образом подобранных к ядру, образованному планированием линейной модели, такие планы называются композиционными или последовательными. Число экспериментов для композиционных планов меньше чем число экспериментов ПФЭ 3k.
Рассмотрим случай k = 3.
При k = 3, число экспериментов измерений равно 27.
N |
X1 |
X2 |
X3 |
|
1 |
+1 |
+1 |
+1 |
23-1 |
2 |
-1 |
+1 |
+1 |
|
3 |
+1 |
-1 |
+1 |
|
4 |
-1 |
-1 |
+1 |
|
5 |
0 |
0 |
0 |
|
|
+1 |
+1 |
-1 |
23-1 |
|
-1 |
+1 |
-1 |
|
|
+1 |
-1 |
-1 |
|
|
-1 |
-1 |
-1 |
|
|
|
0 |
0 |
звездные |
|
0 |
|
0 |
|
|
0 |
0 |
|
x2
Всего 15 точек вместо 27. Для большего числа фактора эффект уменьшения более заметный вместо 3k будет .
Необходимо выбрать оптимальное значение α, оно выбирается таким образом, чтобы обеспечить ортогональность вектор-столбцов и ортогональность матрицы планирования. В силу ортогональности, коэффициенты регрессии будут определяться по известным нам формулам.
ядро |
22 |
23 |
24 |
α |
1,0 |
1,215 |
1,414 |
Проведем сравнение активного оптимального эксперимента с классическим для двух факторов.
Эксперимент начинается с исходной точки и в (методе покоординатного спуска).
Особенности классического эксперимента следующие:
Часть эксперимента производится впустую, в ошибочном направлении.
Поиск ведется практически вслепую методом попыток.
Движение к оптимуму не является кратчайшим.
С увеличением числа факторов процедура поиска оптимума резко усложняется.
В активном эксперименте ставится минимальное количество опытов.
Движение к оптимуму производится кратчайшим путем.
Наряду с оптимальным решением находится уравнение для поверхности отклика.