Оптимизация эксперимента в химии и химической технологии
..pdfподставим значение я=40 и полученную в таблице сумму. В результате имеем
л0)2 = |
+ 0,032057=0,03414. |
Для уровня значимости р = 0,05 |
табличное значение (ясо2) i_ P=0,4614 (табл. 4). |
Вычисленное значение ясо2 меньше табличного. Следовательно, гипотеза нормаль ного распределения концентрации аммиачной селитры в соковом паре не откло няется.
21. Подбор плотности распределения вероятности. Нормальное распределение хорошо изучено, для него составлены многочислен ные таблицы. Поэтому, если выборочное распределение не согласу ется с законом нормального распределения, пытаются подобрать какое-нибудь преобразование результатов измерения Хг, чтобы пре образованные величины yi=f(Xi) подчинялись нормальному закону. Например, логарифмическое преобразование заменяет резко асим метричное распределение распределением, близким к нормальному. Если обозначить InX=Y, то
X = eY. |
(11.138) |
Оценкой для математического ожидания нормально распределен ной величины У служит среднее выборочное у:
П
Оценка для среднего значения случайной величины X получается следующего вида:
|
|
|
п |
п /------------- |
|
|
еу |
|
|
П Xi=V *1*2...*/!. |
(11.139) |
||
|
|
/=1 |
/=1 |
|
|
|
Здесь в качестве среднего значения величины X рассматривается |
||||||
медиана, равная |
еШу. Математическое |
ожидание |
величины X |
|||
равно тх= е ту+а'/2. |
Доверительная оценка |
для среднего значе |
||||
ния величины У имеет вид |
_ |
^ |
|
|
||
|
_, |
£ |
|
|
||
|
У — t — — < Щ < у + t —— . |
|
||||
|
|
V n |
|
V n |
|
|
Это приводит к следующей |
доверительной |
оценке |
для среднего |
|||
значения величины X: |
|
|
|
|
||
п /—п— |
п / -------- |
|
||||
У |
П |
xie~tsV" |
< еПу < ] / |
f \ x i e tsIVJ |
(И.140) |
|
|
Z -1 |
|
|
/=1 |
|
|
При больших п соотношение (11.140) может быть записано в виде
Преобразование нетрудно подобрать также, если отклонение выборочного распределения от нормального вызвано тем, что в процессе наблюдений изменяется генеральная дисперсия ох2. Опыт показывает, что нормальное распределение наблюдается тогда, когда в одну совокупность объединяются анализы проб, у которых концентрация определяемого компонента отличается не более чем в 3—4 раза. В противном случае между концентрацией х и выбо рочным стандартом sx обнаруживается зависимость sx= f(x), и распределение получается асимметричным. Заменим случайную ве личину X случайной величиной У: У=ср(А'). Тогда, согласно форму ле (11.36), получим
5// = ср' (х) sx = ср' (х) f (х). |
(И. 142) |
Выберем преобразующую* функцию ср(х) таким |
образом, чтобы |
дисперсия величины У стала постоянной, т. е. |
|
<р'( -* )/(* ) = * ( с > 0 ) . |
(11.143) |
Тогда искомая преобразующая функция будет |
определяться сле |
дующим образом: |
(ИЛ4) |
H x ) = c \ i b ) - |
При помощи найденной преобразующей функции переходим от прямых измерений к косвенным измерениям с постоянной диспер сией. Теперь все наблюдения можно рассматривать как выборку цз одной генеральной совокупности. Такое преобразование называ ется стабилизацией дисперсии.
Пример 16. При замере концентрации поташа было обнаружено, что ошибка воспроизводимости уменьшается с ростом концентрации:
Концентрация раствора |
10 |
16 |
20 |
30 |
40 |
|
х, % |
0,2 |
|||||
Ошибка |
воспроизводи |
0,25 |
0,20 |
0,17 |
0,11 |
0,05 |
мости s* |
0,32 |
Необходимо подобрать преобразующую функцию для измеряемой величины (кон центрации), чтобы стабилизировать дисперсию воспроизводимости.
Р е ш е н и е . Для установления зависимости ошибки воспроизводимости от концентрации обработаем опытные данные методом наименьших квадратов, пола
гая, что зависимость sx=f(x) |
линейна. В результате расчетов получим уравнение |
||||
|
|
|
sx = 0,31 — 0,007;с. |
|
|
Для стабилизации дисперсии |
определим |
преобразующую функцию по формуле |
|||
у — (х) = |
с f |
--------- — ---------= |
— — |
In (0,007л: — 0,031). |
|
T W |
J |
0,31 — 0,007* |
0,007 |
1 ’ |
|
Приняв с = 0,007 Ig е , |
получим |
|
|
0 = — lg (0,007лг — 0,031).
Пересчитав-значения концентрации по этой формуле, стабилизируем дисперсию воспроизводимости.
Если выборочное распределение не согласуется с законом нор мального распределения, иногда удается получить хорошее анали тическое приближение при помощи Л-ряда Шарлье. Используя три первых члена ряда Шарлье, получим формулы для вычисления плотности вероятности f(x) и функции распределения:'
/ (И) = |
[<Р (И) — “ £ '<P111 |
(“) + |
^ f V V |
(“)]. |
(11.145) |
/=•(«) = |
0,5 + Ф ( и ) - ^ - т " |
(«) + |
-^ -Т 1П |
(и), |
(И.146) |
где vi и у2 — коэффициенты асимметрии и эксцесса, Ф(и) — функ ция Лапласа;
и = |
(11.147) |
<рп (и), ср1П (д), cpIV (и) — производные 2, |
3 и 4-го |
порядка |
от плот |
|
ности вероятности нормального распределения. |
|
|
||
Пример 17. По данным примера |
13 (см. стр. 61) подобрать закон распреде |
|||
ления, пользуясь Л-рядом Шарлье. |
Проверить, |
используя |
критерий |
Пирсона, |
улучшится ли согласие эмпирического распределения с этим законом распреде
ления по сравнению, с нормальным законом распределения. |
были |
получены |
сле |
|||||||||
|
Р е ш е н и е . В примере 13 по выборке |
объема п=200 |
||||||||||
дующие значения |
выборочных |
параметров: |
х = 4,30 |
мкм, |
sx= 9,71 |
мкм, |
Yi* = |
|||||
= —0,1247, Y2* = —0,1455. Определим границы для |
нормированной случайной |
|||||||||||
величины U по формуле (11.147), заменяя неизвестные |
генеральные |
параметры |
||||||||||
выборочными: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
и = (х — 4 ,30)/9,71. |
|
|
|
|
|
|
|
||
Результаты расчета приведены в таблице. |
|
|
|
|
|
|
|
|
||||
1 |
/ - 1 -s- и1 |
Ф(и.) |
?П (м/ ) |
|
|
|
|
|
F(u.) |
|||
1 |
- оо-5— 1,99 |
—0,5ч— 0,4767 |
04-0,1630 |
|
|
04-0,1062 |
|
04-0,0267 |
||||
2 |
-1,99ч — 1,47 |
—0,4767ч-ч-0,4292 |
0,16304-0,1572 |
|
0,1062ч— 1,1670 |
0,02674-0,0715 |
||||||
3 |
—1,47ч— 0,96 |
—0,4292ч— 0,3315 |
0,15724— 0,0197 |
—0,1670ч— 0,5021 |
0,07514-0,1712 |
|||||||
4 |
-0,96ч — 0,44 |
-0,3315ч— 0,1700 |
-0,01974-0,2920 |
|
-0,50214-0,4472 |
|
0,17124-0,3266 |
|||||
5 |
-0,444-0,07 |
-0,17004-0,0279 |
—0,2920ч— 0,3960 |
-0,4472ч-0,0834 |
|
0,32664-0,5192 |
||||||
6 |
0,074-0,59 |
0,02794-0,2224 |
—0,3960—0,2185 |
|
|
0,0834ч-0,5245 |
|
0,5192ч-0,7147 |
||||
7 |
0,59-4-1,10 |
0,2224-4-0,3673 |
—0,21854-0,0458 |
|
|
0,5245ч-0,4290 |
|
t), 7147-г-0,8,627 |
||||
8 |
1,104-1,62 |
0,36434-0,4474 |
0,04584-0,1745 |
|
|
0,42904-0,0654 |
|
0,86274-0,9506 |
||||
9 |
1,62-4-2,13 |
0,44744-0,4834 |
0,17454-0,1460 |
|
|
0,0654ч— 0,1351 |
0,95064-0,9872 |
|||||
10 |
2,134-00 |
0,48344-0,5000 |
0,14604-0 |
|
-0,13514-0 |
|
0,98724-1,0000 |
|||||
|
Значения функции распределения Шарлье F(Ui) |
определены |
по формуле |
|||||||||
(11.146). |
|
|
|
|
|
|
|
|
|
|
|
|
|
Покажем, например, как определены функции |
распределения |
Шарлье . для |
|||||||||
второго интервала. Границы |
интервала (— 1,99-=-----1,47). По табл. |
1 |
приложения |
|||||||||
определим значения функции Лапласа для границ интервала |
|
|
|
|
||||||||
|
|
Ф С— 1,99) = |
— Ф (1,99) = |
— 0,4707, |
|
|
|
|||||
|
|
Ф ( — 1,47) = |
— Ф (1,47) = |
— 0,4292. |
|
|
|
|
В связи с тем, что функция ф(и) четная, вторая производная фп (ц) должна быть четной, а третья производная фш (ц) — нечетной:
<Р" ( — и) = <р"(и),
ср"'( — и) = — ср"'(ц). |
(11.148) |
Поэтому ср" ( — 1,99) = <р"(1,99) = 0,1630,
ср" ( — 1,47) = <р" (1,47) = 0,1572,
<р"'(—1,99) = —ср'" (1,99) = 0,1062,
ср"' ( — 1,47) = — ср'" (1,47) = — 0,1670.
Оценим при помощи критерия Пирсона точность приближения эмпирическо го распределения рядом Шарлье. Теоретические вероятности pi попасть в /-й интервал на основании закона распределения Шарлье определим по форму ле (1.12):
где Ui — правая граница; |
Ui-\ — левая |
граница |
i-ro интервала. Результаты рас |
||
чета приведены в таблице. |
|
|
|
||
/ |
Р; |
пр{ |
|
P i - np.t |
.к- - «/»/)* |
|
n p t |
||||
|
|
|
|
|
|
1 |
0,0267 |
5,34 |
7 |
1,66 |
0,516 |
2 |
0,0484 |
9,68 |
il |
1,32 |
0,180 |
3 |
0,0901 |
19,22 |
ls |
—4,22 |
0,926 |
4 |
0,1454 |
29,08 |
24 |
—5,08 |
0,887 |
5 |
0,1926 |
38,52 |
49 |
10,48 |
2,852 |
6 |
0,1955 |
39,10 |
41 |
1,90 |
0,092 |
7 |
0,1480 |
29,60 |
26 |
—3,60 |
0,438 |
8 |
0,0879 |
17,58 |
17 |
- 0 ,5 8 |
0,019 |
9 |
0,0336 |
7,321 |
7 |
0,12 |
0,001 |
10 |
0,0128 |
2,56/ |
3 |
В таблице два последних интервала объединены в один, так как прю= 2,56<5. Величина х2определяется по формуле
Х2 = |
|
(П1— ripi)* |
|
= 5,911. |
|
|
/-1 |
npi |
|
|
Число степеней свободы /= 9 —4— 1=4, так как число параметров, определенных
по выборке, с=4{х, |
sx, y f , у2*). По табл. 4 приложения при /= 4 Хо,95 = 9,5. |
|
• |
^ |
9 |
Таким образом, Х2<Хо,95 и гипотеза о согласии опытных данных с законом рас
пределения, определяемым Л-рядом Шарлье, не отвергается. Однако нет основа ний утверждать, что согласование лучше, чем с законом нормального распреде ления, рассмотренного в примере 15.
22. Непараметрическая статистика. Если о законе распределе ния случайной величины ничего не известно, некоторые оценки можно получить методами непараметрической статистики. Таким методом, в частности, является метод построения доверительного интервала для генерального среднего при помощи неравенства Че
бышева. В качестве оценки генерального среднего тх всегда можно взять выборочное среднее х. Точность такой оценки можно указать, зная генеральную дисперсию ст*2, вместо которой можно взять вы борочную дисперсию s*2. Основанием для этого служит теорема Гливенко (см. гл. II, § 1).
Согласно неравенству Чебышева, вероятность того, что отклоне ние случайной величины от ее математического ожидания будет по абсолютной величине не меньше любого положительного числа
е, ограничена сверху величиной |
о2 |
|
|
—_ ; |
|
||
|
е2 |
|
|
Р ( I X — тх \ |
> 1) < ~ У . |
(11.149) |
|
Полагая e=kox, получим |
|
|
|
Р ( \ Х - т |
х \ |
> к*х) < - У . |
(11.150) |
При доверительной вероятности р= 1—р неравенство Чебышева дает для генерального среднего тх доверительную оценку
* — |
< тх < х + —°1 _ ■, |
(11.151) |
У 7 |
У р |
|
которая позволяет оценить среднее по одному наблюдению. Если вместо х взять среднее выборочное х
П
2 xi
X = — -----, |
|
|
|
п |
|
то о- = - - С‘х_ - , откуда |
|
|
У п |
|
|
х — — |
< тх < х + — -— ■ |
(11.152) |
Упр |
у пр |
|
При доверительной вероятности р=1 —р = 0,95 имеем |
|
|
х — 4,46 — |
< т х < J + 4 , 4 6 - — _■■■ |
(11.153) |
Уп |
Уп |
|
В практических расчетах округляют множитель 4,46 до 5 (что со ответствует р=0,96). Отклонения с вероятностью р<0,04 будем считать практически невозможными. Отсюда следует: каково бы ни было распределение генеральной совокупности случайной вели чины X с дисперсией ах , отклонение от генерального среднего больше чем на 5сг* практически невозможно- (см. формулу (11.120) для оценки коэффициента эксцесса).
Большая простота и универсальность позволяют использовать неравенство Чебышева для теоретических заключений, хотя для практических расчетов оно оказывается слишком грубым. .Оценки, получаемые на основании неравенства Чебышева, намного уступа ют оценкам, полученным для нормального распределения. Так, при (3 = 0,95 для нормального распределения в формуле (11.153) вместо 4,46 стоял множитель 1,96. Это объясняется тем, что при обработке нормального распределения известна плотность распределения изу чаемой случайной величины. При использовании же неравенства Чебышева о плотности распределения ничего не известно. Если удается получить какую-либо информацию о плотности изучаемого распределения, это позволяет улучшить оценки. Так, если известно, что плотность изучаемого распределения симметрично убывает по обе стороны от математического ожидания (так называемое сим метричное одновершинное распределение), то неравенство Чебьь шева справедливо в усиленной форме:
р ( I х — тх I > ka) < |
(11.154) |
При доверительной вероятности р=1—р = 0,95 из (11.154) полу чается оценка
_ |
ог |
_ |
ах |
(11.155) |
.* — 2 ,9 6 ---- — |
< тх < х -|-2 #9 б -----— |
|||
|
У п |
|
У п |
|
и, следовательно, отклонения от математического ожидания, пре вышающие З о Х у практически невозможны (см. формулу (11.119)). Выборочный коэффициент асимметрии имеет симметричное одно вершинное распределение. Если имеется выборка х\, Хг, , *п из генеральной совокупности с неизвестным распределением, полезно проверить гипотезу о том, что наблюдаемое распределение симмет рично. Подтверждение этой гипотезы позволило бы применить уси ленное неравенство Чебышева (11.154). Гипотеза о симметричности справедлива, если вероятность значений х<х в выборке равна V2 .
Оценкой для вероятности события А (х<х) служит частота со бытия А (теорема Бернулли), которую можно определить по вы борке. Если в полученной выборке k элементов меньше среднего выборочного, то частота события А равна сo = k/n. Число появлений события является случайной величиной, имеющей биноминальное распределение
п\
k\ (П— k)\ P kqn~ k ,
где р — вероятность появления события А в единичном испытании. Частота события сама является случайной величиной.
Для проверки гипотезы симметричности распределения необхо димо построить доверительный интервал для неизвестной вероят ности события Х<х по вычисленной частоте. Гипотеза не откло-
Т
р = — попадает в доверительный интервал.
При построении доверительного интервала пользуются тем обстоятельством, что при больших п и при р, не очень близком к О и 1, биноминальное распределение мало отличается от нормаль ного с теми же математическим ожиданием т = пр и дисперсией о2 = пр(1—p)=npq. Из линейности нормального распределения вы
текает, что распределение |
частоты |
со также |
будет |
близко к нор |
|
мальному с параметрами |
|
т |
|
|
|
|
|
|
|
|
|
= — = 1 Г |
/>(* —/0 |
|
(11.156) |
||
' |
п |
V |
п |
|
|
Поэтому при доверительной |
вероятности |
р = 0,95 |
справедлива |
||
оценка |
|
|
|
|
|
|
|
< р < (О+ 1,96 j / " |
(Н.157) |
В левую и правую части полученной оценки входит неизвестная ве роятность р, и решение неравенств относительно р очень трудоемко. Поэтому величину р в формуле
1 f Р(\ — Р)
' = | /
приближенно заменяют на найденное по выборке значение частоты о). В результате оценка (11.157) -при доверительной вероятности р= 0,95 имеет вид
со— 1,96 j / ^ °) (1^ |
< р < to + 1,96 j |
/ |
" |
(Н. 158) |
Пример 18. В результате наблюдений получена выборка из 20 элементов значений случайной величины X с неизвестным распределением:
11,2; |
11,8; |
12,4; |
13,3; |
14,2; |
15,5; |
12,1 |
9,8; |
14,5; |
12,5; |
12,3; |
16,4; |
10,1; |
11,3 |
15,4; |
13,7; |
10,8; |
14,4; |
9,6; |
12,6; |
|
Требуется проверить гипотезу симметричности распределения. Р е ш е н и е . Определим среднее выборочное
2 * * |
|
х = /=1 |
12,7. |
п20
Число элементов выборки k, меньших среднего, равно |
12. Отсюда частота 0 = |
= 12/20=3/5 и при доверительной вероятности (5 = 0,95 |
в соответствии с (11.158). |
получается оценка для вероятности значений х<х: |
|
и после вычислений 0,38^/7^0,82.
Таком образом, значение р—1/2 попадает в доверительный интервал. На этом основании можно сделать вывод о том, что наблюдаемая выборка не про тиворечит гипотезе о симметричности распределения генеральной совокупности случайной величины X.
ГЛАВА III
ДИСПЕРСИОННЫЙ АНАЛИЗ.
1. Задача дисперсионного анализа. В любом эксперименте сред ние значения наблюдаемых величин меняются в связи с изменением основных факторов (качественных и количественных), определяю щих условия опыта, а также и случайных факторов. Исследование влияния тех или иных факторов на изменчивость средних является задачей ди сп ер си о н н о го ан али з а [11, 13, 14, 15].
Дисперсионный анализ использует рассмотренное в гл. I, 3 свой ство аддитивности дисперсии изучаемой случайной величины, обус ловленной действием независимых факторов. Р. А. Фишер в 1938 г. впервые определил дисперсионный анализ как «отделение диспер сии, приписываемой одной группе причин от дисперсии, приписы ваемой другим группам». В зависимости от числа источников дисперсии различают однофакторный и многофакторный диспер сионный анализ.
Дисперсионный анализ особенно эффективен при изучении не скольких факторов. При классическом методе исследования варьи руют только один фактор, а остальные оставляют постоянными. При этом для каждого фактора проводится своя серия наблюде ний, не используемая при изучении других факторов. Кроме того, при таком методе исследования не удается определить взаимодей ствие факторов при одновременном их изменении. При дисперсион ном анализе каждое наблюдение служит для одновременной оцен ки всех факторов и их взаимодействий.
Дисперсионный анализ состоит в выделении и оценке отдельных факторов, вызывающих'изменчивость изучаемой случайной вели чины. Для этого производится разложение суммарной выборочной дисперсии на составляющие, обусловленные независимыми факто рами. Каждая из этих составляющих представляет собой оценку дисперсии генеральной совокупности. Чтобы решить, значимо ли влияние данного фактора, необходимо оцейнть значимость соответ ствующей выборочной дисперсии в сравнении с дисперсией воспро изводимости, обусловленной случайными факторами. Проверка значимости оценок дисперсий проводится по критерию Фишера (см. гл. II, 11). Если рассчитанное значение критерия Фишера ока жется меньше табличного, то влияние рассматриваемого фактора нет оснований считать значимым. Если же рассчитанное значение критерия Фишера окажется больше табличного, то рассматривае мый фактор влияет на изменчивость средних. В дальнейшем будем полагать, что выполняются следующие допущения: 1) случайные ошибки наблюдений имеют нормальное распределение; 3) факторы
влияют только на изменение средних значений, а дисперсия наблю дений остается постоянной; эксперименты равноточны.
Требование нормального распределения определяет выбор ос новных факторов при исследовании процесса методом дисперсион ного анализа. Если нужно получить нормальное распределение вы ходной величины, к случайным желательно относить только те фак торы, влияние которых на выходную величину очень мало. Исключение можно делать лишь для тех факторов, которые сами по себе (из каких-либо других соображений) дают нормальное распределение результатов.
Факторы/ рассматриваемые в дисперсионном анализе, бывают двух родов: 1) со случайными уровнями и 2) с фиксированными. В первом случае предполагается, что выбор уровней производится •из бесконечной совокупности возможных уроёней и сопровожда ется рандомизацией. При этом результаты эксперимента имеют большее значение, поскольку выводы по эксперименту можно рас пространить на всю генеральную совокупность. Если все уровни
.выбираются случайным образом, математическая модель экспери
мента называется м о д е л ь ю с о с л у ч а й н ы м и у р о в н я м и ф а к т о р о в
( с л у ч а й н а я м о д е л ь ) . Когда все уровни фиксированы, модель назы
вается м о д е л ь ю с ф и к с и р о в а н н ы м и у р о в н я м и ф а к т о р о в . Когда
часть факторов рассматривается на фиксированных уровнях, а уровни остальных выбираются случайным образом, модель назы вается м о д е л ь ю с м е ш а н н о го типа. Иногда отсутствует различие в критериях, применяемых для разных моделей, и единственное раз личие состоит в общности -выводов, в других случаях существует различие в критериях.
Дисперсионный анализ может применяться в различных формах в зависимости от структуры исследуемого процесса;- выбор соответ ствующей формы является обычно одной из главных трудностей в
практическом применении анализа.
2. Однофакторный дисперсионный анализ. Рассмотрим действие Единичного фактора А (количественного или качественного), кото рый принимает k различных значений (уровней фактора). На /-м уровне производится п£ наблюдений, результаты которых можно записать следующим образомL
Уи Уп - Уь,.
У12 Д22---У*,.
Ущ, У1пг --Уъпь-
Будем предполагать, что результат любого наблюдения можно представить в виде модели
У1) = ll + ^ + £|/i |
(1И.1) |
где р суммарный эффект во всех опытах; d i — эффект фактора А на /-to уровне (»—1, 2, .... k ); e£j— ошибка измерения на »-м
79
уровне. Предположим также, что наблюдения на фиксированном уровне фактора нормально распределены относительно среднего
значения p + d* с общей дисперсией а2. Общее число опытов рав но N:
N = Hi + п2 + . .. + nk. |
(III.2) |
Проверяется нулевая гипотеза равенства средних значений на раз личных уровнях фактора А:
т\ — ш2 = ... = = т .
Наиболее простые расчеты получаются при равном числе опы
тов на'каждом |
уровне фактора |
А: т = п2= =пк = п |
(табл. |
5). |
|||
|
|
|
|
|
|
Т а б л и ц а 5 |
|
|
Исходные данные для однофакторного дисперсионного анализа |
|
|||||
|
|
с равным числом повторений опытов |
|
|
|||
Номер |
|
|
|
|
Уровни фактора А |
|
|
|
|
|
|
|
|
|
|
наблюдения |
fli |
|
|
|
°* |
|
|
|
|
|
|
|
|
||
1 |
|
0 И |
|
|
021 |
0*1 |
|
2 |
|
012 |
|
|
0 22 |
0*2 |
|
п |
|
У\п |
|
|
У2п |
0*л |
|
Итоги |
|
п |
|
п |
п |
|
|
а |
= 2 |
yij |
л |
= 2 w |
Л * = 2 ^ |
а/ |
|
|
|
j - |
1 |
|
|
/ “ 1 |
|
При этом общее число наблюдений N равно kti. Обозначим че рез yi среднее значение наблюдений на i-м уровне
2 |
уи |
А, |
(III.3) |
|
У1 = |
“ |
|||
п |
||||
|
п |
|
а общее среднее значение для всей выборки из N наблюдений:
* “ 7Г 2 2 !,"-T 2 s' |
<ш-4) |
|
Г 7-Г |
/-1 |
|
Для проведения дисперсионного анализа необходимо общую выбо рочную дисперсию s2
* |
л |
_ |
|
|
( k п |
\k2 ’ „ |
'УI |
2 |
(У iJ |
1 |
* п |
^ |
|
S2 = /-1J-1________ |
|
|
(III.5) |
|||
|
N — 1 |
|
|
|
|