Решение
Для получения количественных характеристик используем Excel. В Сервисе выбираем Анализ Данных. В открывшемся подменю выбираем Регрессия, заполняем поля, как указано на рис.3.7.
Рисунок 3.7. Заполнение полей при выполнении Анализа данных – Регрессия.
В результате получаем итоговые значения (табл.3.7)
Таблица 3.7
Регрессионная статистика
Регрессионная статистика |
|
Множественный R |
0,9971 |
R-квадрат |
0,9942 |
Нормированный R-квадрат |
0,9825 |
Стандартная ошибка |
0,0317 |
Наблюдения |
7 |
Регрессионную статистику используют для оценки информативности модели:
Множественный R (коэффициент множественной корреляции) - чем ближе он к 1, тем выше информативность модели. R2 - представляет собой долю общей суммы квадратов, объясняемой моделью (Еще его называют коэффициентом детерминации):
. (3.17)
Его значение должно быть как можно ближе к единице. Эмпирически установлено, что для активного эксперимента оно должно быть не мене 0,96-0,97. Модель считается работоспособной при значении . Это необходимое, не недостаточное условие. Достаточным условием является проверка значимости коэффициента множественной корреляции по критерию Фишера.
Для анализа адекватности необходима остаточная дисперсия и дисперсия воспроизводимости. Под адекватностью в целом подразумевают соответствие модели описываемому процессу или объекту по заранее определенным условиям. В частности в регрессионном анализе проверка адекватности сводится к проверке по критерию Фищера, принадлежности дисперсии воспроизводимости и остаточной дисперсии к одной генеральной совокупности ( формула 3.21). Если Fтабл меньше Fрасч, то модель считается адекватной с заданным уровнем значимости, при этом различие дисперсий статистически незначимо. Эта проверка является формальной, поэтому окончательное решение об адекватности модели следует принимать, исходя из пригодности модели к практическому применению по всей совокупности параметров.
Если нет параллельных опытов, то либо для моделей сравнивают остаточные дисперсии
, (3.18)
либо сравнивают эту величину с оценкой разброса опытных данных относительно среднего значения - дисперсии среднего
. (3.19)
Так как последняя дисперсия больше , то для критерия Фишера рассматривают отношение к , и условие адекватности будет иметь вид
. (3.20)
Некоторые авторы, в случае, когда повторные опыты отсутствуют, считают модель адекватной, если выполняется условие:
(3.21)
VR, Vости- степени свободы для дисперсии, объясняемой моделью и остаточной дисперсией соответственно.
Если расчетное значение больше табличного с заданным уровнем значимости, том модель информативна. Такая проверка информативности является качественной.
Для определения значимости коэффициента множественной корреляции необходима дисперсия, объясняемая моделью, которая находится в ячейке на пересечении строки Регрессия и столбца МS, и остаточная дисперсия, которая находится в ячейке на пересечении строки Остаток и столбца МS (табл.3.8).
Таблица 3.8
Таблица дисперсионного анализа
Дисперсионный анализ |
|
|
|
|
|
|
df |
SS |
MS |
F |
Значимость F |
Регрессия |
4 |
0,341733067 |
0,085433267 |
85,01708079 |
0,011659385 |
Остаток |
2 |
0,002009791 |
0,001004895 |
|
|
Итого |
6 |
0,343742857 |
|
|
|
Расчетное значение критерия Фишера для оценки значимости множественного коэффициента регрессии находится в строке Регрессия и столбце F. Критическое значение вычисляют вызовом функции =FРАСПОБР(0,05;7-5;5-1), где 7 - число опытов, а 3 - число членов модели, которое равно 6,94. Поскольку это значение меньше расчетного, то множественной коэффициент регрессии значим.
Для построения уравнения регрессии используем конечную таблицу 3.9:
Таблица 3.9
Таблица характеристик переменных
|
Коэффи-циенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Нижние 95% |
Верхние 95% |
Нижние 95,0% |
Верхние 95,0% |
Y-пересечение |
-102,95 |
3E+06 |
-4E-05 |
0,99997 |
-1E+07 |
1E+07 |
-1E+07 |
1E+07 |
Переменная X 1 |
20,5513 |
524714 |
3,9E-05 |
0,99997 |
-2E+06 |
2E+06 |
-2E+06 |
2E+06 |
Переменная X 2 |
20,7271 |
524714 |
4E-05 |
0,99997 |
-2E+06 |
2E+06 |
-2E+06 |
2E+06 |
Переменная X 3 |
-3,5511 |
1,9916 |
-1,7831 |
0,21651 |
-12,12 |
5,0179 |
-12,12 |
5,018 |
Переменная X 4 |
3,57574 |
1,9638 |
1,82086 |
0,21023 |
-4,8737 |
12,025 |
-4,8737 |
12,03 |
Таблица коэффициентов регрессии и их статистических характеристик в первом столбце содержит названия коэффициентов, во втором - значение коэффициентов регрессии, затем стандартное отклонение для него и расчетное значение t-статистики. Под У-пересечением подразумевают свободный член. Регрессоры, для которых расчетное значение t-статистики меньше критического (табличное значение критерия Стьюдента с уровнем значимости α, и ν степенями свободы; при этом ν=(N(n-1) , где N - число экспериментов, а n - количество повторных опытов; вычисляют с помощью функции СТЬЮДРАСПРОБР) должны быть удалены из модели. Критическое значение критерия Стьюдента вычисляют вызовом функции = СТЬЮДРАСПОБР(0,05;7*(2-1)). Оно равно 2,36 (или см. табл. распределений Стьюдента, 2.36). Если расчетные значения коэффициентов регрессии больше этого числа, то они значимы. В нашем случае они незначимы.
Согласно таблице наша зависимость может быть описана как
или в наших характеристиках:
Даже без учета t-статистики и стандартной ошибки видно, что при описании влияния рассматриваемых факторов на концентрацию не учтены более существенные факторы, поскольку достаточно велико значение свободного члена. С определенной долей вероятности можно предположить существенное влияние на изменение концентрации рН (их вклад примерно одинаков) и значительно меньшее влияние объема и давления, которые сопоставимы между собой.
Аналогично получаем уравнения для других зависимостей, результаты котонных приведены в таблице 3.10.
Таблица 3.10
Таблица информативности модели
№ п/п |
У |
факторы |
Уравнение |
Fрасч |
Fтабл |
1 |
С1 |
рН1,рН3, V, Р1 |
|
85,02 |
6,94 |
2 |
С2 |
рН1,рН3, V, Р1 |
|
64,07 |
6,94 |
3 |
С3 |
рН1,рН3, V, Р1, Т, |
|
|
6,61 |
4 |
Т |
рН1,рН3, V, Р1 |
|
1,36 |
6,94 |
5 |
рН3 |
Р1, рН1 |
|
|
19,25 |
6 |
С1 |
рН1 |
|
305,14 |
230,16 |
7 |
С2 |
рН1 |
|
127,37 |
230,16 |
8 |
С3 |
рН1 |
|
|
230,16 |
9 |
С1 |
рН3 |
|
305,14 |
230,16 |
10 |
С2 |
рН3 |
|
127,37 |
230,16 |
11 |
С3 |
рН3 |
|
|
230,16 |
12 |
С1 |
V |
|
8,69 |
230,16 |
13 |
С2 |
V |
|
6,56 |
230,16 |
14 |
С3 |
V |
|
10,05 |
230,16 |
15 |
С1 |
Р1 |
|
3,79 |
230,16 |
16 |
С2 |
Р1 |
|
2,86 |
230,16 |
17 |
С3 |
Р1 |
|
4,42 |
230,16 |
18 |
Р1 |
Т |
|
6,45 |
230,16 |
19 |
V |
Т |
|
5,59 |
230,16 |
20 |
рН1 |
Т |
|
4 |
230,16 |
21 |
С3 |
Т |
|
2,14 |
230,16 |
22 |
рН3 |
Т |
|
2,14 |
230,16 |
23 |
рН3 |
Р1 |
|
4,42 |
230,16 |
24 |
Р1 |
V |
|
112,84 |
230,16 |
25 |
рН1 |
рН3 |
|
|
230,16 |
Итак,
1) проверка информативности модели дает следующие результаты (табл.3.11):
Таблица 3.11
Таблица информативных моделей
№ п/п |
У |
факторы |
Уравнение |
Fрасч |
Fтабл |
1 |
С1 |
рН1,рН3, V, Р1 |
|
85,02 |
6,94 |
2 |
С2 |
рН1,рН3, V, Р1 |
|
64,07 |
6,94 |
3 |
С3 |
рН1,рН3, V, Р1, Т, |
|
|
6,61 |
5 |
рН3 |
Р1, рН1 |
|
|
19,25 |
6 |
С1 |
рН1 |
|
305,14 |
230,16 |
8 |
С3 |
рН1 |
|
|
230,16 |
9 |
С1 |
рН3 |
|
305,14 |
230,16 |
11 |
С3 |
рН3 |
|
|
230,16 |
25 |
рН1 |
рН3 |
|
|
230,16 |
2) для этих моделей определяем значимость коэффициентов регрессии (табл.3.12):
Таблица 3.12
Определение значимости коэффициентов регрессии
№ п/п |
У |
факторы |
Уравнение |
t-статистика |
tP |
1 |
С1 |
рН1,рН3, V, Р1 |
|
-4E-05 3,9E-05 4E-05 -1,7831 1,82086 |
2,36 |
2 |
С2 |
рН1,рН3, V, Р1 |
|
-5E-05 5,1E-05 5,1E-05 -2,3321 2,43788 |
|
3 |
С3 |
рН1,рН3, V, Р1, Т, |
|
21446,1 -16337 34758,4 -0,9606 0,97127 -0,8122
|
|
5 |
рН3 |
Р1, рН1 |
|
1,3E+13 -3E+13 1,99481 |
|
6 |
С1 |
рН1 |
|
26,9587 -17,468 |
|
8 |
С3 |
рН1 |
|
8,9E+15 -4E+15 |
|
9 |
С1 |
рН3 |
|
-6,7571 17,4684 |
|
11 |
С3 |
рН3 |
|
2E+14 9,7E+14 |
|
25 |
рН1 |
рН3 |
|
8,5E+14 -4E+14 |
|
Проверка значимости коэффициентов регрессии показала незначимость коэффициентов регрессии уравнений 1; значимость коэффициента 5 в уравнении 2, но модель С2=f(P1) неинформативна; значимость коэффициентов 1,3 в модели 3, С2=f(рН3), которая исследована ниже; значимость коэффициентов 1,2 в уравнении 5, рН3=f(Р1), которая рассмотрена ниже; значимость всех коэффициентов в уравнениях 6, 8, 9, 11, 25.
Для использования количественных характеристик сопоставим данные аппроксимации и уравнения, полученные с помощью регрессионного анализа (табл.3.13).
Таблица 3.13
Сравнение уравнений, полученный при аппроксимации данных и регрессионным анализом
№ п/п |
У |
фактор |
Уравнение (аппроксимация) |
R2 |
Уравнение (регрессия) |
R2 |
дисперсия |
1 |
С1 |
рН1 |
|
1 |
|
0,98 |
0,03 |
2 |
С2 |
рН1 |
|
0,96 |
|
|
|
3 |
С3 |
рН1 |
|
1 |
|
1 |
6,20E-18 |
4 |
С1 |
рН3 |
|
1 |
|
0,98 |
0,03 |
5 |
С2 |
рН3 |
|
1 |
|
|
|
6 |
С3 |
рН3 |
|
1 |
|
1 |
2,705 E-17 |
7 |
С1 |
V |
замена |
|
|
|
|
|
V |
С1 |
y = -2381,6x5 + 7717,8x4 - 9743,2x3 + 5984,3x2 - 1789,9x + 212,34 |
1 |
|
|
|
8 |
С2 |
V |
замена |
|
|
|
|
|
V |
С2 |
y = -19,027x3 + 33,557x2 - 17,191x + 5,6024 |
0,98 |
|
|
|
9 |
С3 |
V |
замена |
|
|
|
|
|
V |
С3 |
|
1 |
|
|
|
10 |
С1 |
Р1 |
y = -4673,4x4 + 64656x3 - 335234x2 + 771997x - 666224 |
0,99 |
|
|
|
11 |
С2 |
Р1 |
замена |
|
|
|
|
|
Р1 |
С2 |
y = -426,4x4 + 1372,9x3 - 1656,9x2 + 888,11x - 174,75 |
1 |
|
|
|
12 |
С3 |
Р1 |
Замена |
|
|
|
|
|
Р1 |
С3 |
|
1 |
|
|
|
13 |
Р1 |
Т |
|
1 |
|
|
|
14 |
V |
Т |
|
1 |
|
|
|
15 |
рН1 |
Т |
|
1 |
|
|
|
16 |
С3 |
Т |
|
1 |
|
|
|
17 |
рН3 |
Т |
|
1 |
|
|
|
18 |
рН3 |
Р1 |
y = -9848,3x4 + 136268x3 - 706614x2 + 2E+06x - 1E+06 |
1 |
|
|
|
19 |
Р1 |
V |
замена |
|
|
|
|
|
V |
Р1 |
|
0,97 |
|
|
|
20 |
рН1 |
рН3 |
|
1 |
|
1 |
3,102 E-15 |
Итак, для анализа эксплуатации химико-технологической системы недостаточно проведения аппроксимации данных, но для выявления линейной связи, что характеризует процесс, определять вид зависимости необходимо. С другой стороны, хорошее совпадение моделей (у четом R-квадрата и дисперсионного рассеивания) позволяет делать надежные выводы.
В результате проделанной работы мы определили:
Увеличить концентрацию С1 и С3 можно уменьшая значение рН1, причем наиболее существенно влияние рН1 на С1.
Увеличить концентрацию С1 и С3 можно увеличивая значение рН3, причем наиболее существенно влияние рН3 на С1.
Процесс протекает в кислой среде, не выше 5. Для увеличения С1 сумма рН1 и рН2 должна быть равна 5.
рН1 и рН3 – величины математически зависимые. Увеличение рН1 приводит к снижению рН3.
Процесс следует вести регулируя рН3 для корректировки С1. При этом следует учитывать вызываемые этой корректировкой изменения С3. И наоборот.
Для управления процессом и получения оптимальных условий следует решить систему уравнений
При граничном условии .