- •Основные требования к объектам исследований.
- •Основные принципы планирования эксперимента.
- •Основные этапы пэ.
- •Требования к параметру оптимизации.
- •Задачи с несколькими выходными параметрами.
- •Факторы.
- •Выбор модели.
- •Геометрическая интерполяция модели.
- •Поверхность отклика будет иметь следующий вид.
- •Допущения относительно свойств модели.
- •Предпосылки выбора модели.
- •Факторный эксперимент.
- •Преимущества факторных экспериментов.
- •Метод варьирования факторов по одному:
- •Полный факторный эксперимент.
- •Алгоритм принятия решения при выборе основного уровня.
- •При выборе интервала варьирования необходимо учитывать:
- •Полный факторный эксперимент 2 типа.
- •Геометрическая интерпретация пфэ 22.
- •Приемы построения матриц.
- •Свойства пфэ типа 2k.
- •Построение математической модели на основе пфэ.
- •Дробный факторный эксперимент.
- •Минимизация числа опытов.
- •Правила минимизации числа опытов.
- •Дробная реплика.
- •Порядок проведения эксперимента.
- •Оценка значимости результатов опытов
- •Проверка однородности дисперсии.
- •Критерий Фишера.
- •Критерий Кохрена.
- •Обработка результатов эксперимента.
- •Система нормальных уравнений мнк.
- •Геометрическая интерпретация уравнений(коэффициентов) регрессии.
- •Условие корректного применения регрессионного анализа.
- •Проверка значимости коэффициентов регрессии.
- •Проверка адекватности модели.
- •Методы поиска оптимума функции.
- •Шаговый метод.
- •Анализ результатов моделирования процессов.
- •Принятие решения после принятия решения.
- •Выделение существенных факторов.
- •Насыщенность плана:
- •Насыщенные дробные факторные планы.
- •Насыщенный эксперимент, планы Плакетте – Бермана.
- •Построение матриц.
- •Метод случайного баланса.
- •Планы для изучения поверхности отклика.
- •План подбора модели 2го порядка.
- •Центральные композиционные планы.
- •Ортогональные планы второго порядка.
- •Рототабельное планирование 2го порядка.
Система нормальных уравнений мнк.
Систему (2) решаем с помощью определителя, где Ѳ - главный определитель системы:
№ |
x |
y |
x 2 |
xy |
1 |
1,5 |
5 |
2,25 |
7,5 |
2 |
4 |
4,5 |
16 |
18 |
3 |
5 |
7 |
25 |
35 |
4 |
7 |
6,5 |
49 |
45,5 |
5 |
8,5 |
9,5 |
72,25 |
80,75 |
6 |
10 |
9 |
100 |
90 |
7 |
11 |
11 |
121 |
121 |
8 |
12,5 |
9 |
156,25 |
112,5 |
∑ |
59,5 |
61,5 |
541,75 |
510,25 |
Таким образом уравнение регрессии будет:
y=3,7+0,5x.
Геометрическая интерпретация уравнений(коэффициентов) регрессии.
b0 – свободный член, геометрически представляет собой расстояние от начала координат до точки пересечения линии регрессии с осью ординат.
b1 – коэффициент представляет собой тангенс угла наклона линии регрессии к оси абсцисс.
Графическая интерпретации коэффициентов регрессии.
Графики – положения прямой регрессии в системе декартовых координат в зависимости от значений коэффициентов значений регрессии.
Условие корректного применения регрессионного анализа.
Параметр оптимизации y-случайная величина с нормальным законом распределения.
Дисперсия y не зависит от абсолютной величины y. Проверяется с помощью критериев однородности дисперсии в разных точках факторного пространства.
Значения факторов неслучайные величины, т е можно точно фиксировать фактор на требуемом уровне.
Проверка значимости коэффициентов регрессии.
Проводится на основе доверительных интервалов для каждого коэффициента.
Дисперсия коэффициентов регрессии при отсутствии || опытов определяется:
Sbj2= Sy2 - говорим об оценках
N
Считаем, что дисперсии всех коэффициентов равны.
Доверительный интервал.
∆bj=±t*Sbj
t – табличное значение критерия Стьюдента
Sbj=√Sbj2 – ошибка или СКО
Доверительный интервал удобнее записать:
∆bj=±t*Sy
√N
Проверка адекватности модели.
Характеризуется средним разбросом точек относительно линии регрессии.
На рисунках a и б расположены экспериментальные точки одинаково, т е с одинаковым разбросом относительно линии, но средний разброс в точках разный и показан в виде отрезков, составляющих доверительный интервал.
Модель можно считать адекватной только в случае a, т к разброс в точках примерно того же порядка, что и разброс относительно линии регрессии.
В случае б разброс в точках меньше разброса относительно линии регрессии. Точность эксперимента выше точности модели => требуется большая сложная модель, чтобы точность ее предсказания была сравнима с точностью эксперимента.