книги из ГПНТБ / Баженов, Ю. М. Перспективы применения математических методов в технологии сборного железобетона
.pdfров распределений кривых Пирсона [75] весьма слож ны. Поэтому без ущерба для точности целесообразно в рецептурно-технологических задачах перейти к описанию распределений кривыми Н. Джонсона, который показал [41, 75], что преобразование е=/{л'} типа (111.51) при водит к семейству кривых и областей, более обширному (рис. III.2), чем в методе Пирсона. Были исследованы три системы преобразований Sb (III.52), S L (III.53) и Su (III.54), из которых далее в примере рассматривается первое.
“ |
V + 4Y"); |
|
(III.51) |
||
|
|
|
|
|
|
'M |
= |
W |
x — k |
|
(III .52) |
I, |
j |
ь (x + X0 — xj ’ |
|
|
|
|
|
|
|
|
(III.53) |
lg |
X '- Яд + |
У (х -- ХдУН-Х2 |
(III.54) |
||
|
|
|
|
||
где у, Ц, Х0, X — четыре параметра |
распределения |
Джонсона; |
е— нормированная, нормально распределенная ве личина.
Порядок определения параметров у, rj, Х0, X рассмот рен в примере III.19.
Пример Ш.19. Определить по данным 134 испытаний песка па содержание глины (пример III.17—III.18) параметры 5 В-распре
деления. Минимальная граница Х0 известна: нулевое содержание
глины |
(Л0= 0 ) : |
|
|
|
|
|
|
|
|
|
|
|
а) выписываем вариационный ряд (в возрастающем порядке): |
||||||||||||
Номер |
• • • б |
7 |
8 |
■■ G6 |
67 |
G8 |
••- |
127 |
128 |
129-- |
||
пробы |
|
|
|
|
|
|
|
|
|
|
|
|
X;, |
% |
■■■ 0,32 |
0,32 |
0,32 |
■■■ 2,88 |
2,9 |
2,9 |
■ |
10,06 |
11,11 |
11,1 |
|
б) |
определяем |
медиану и д-цептили |
(см. гл. II); |
если их оценки |
||||||||
оказываются дробными, |
то |
Me, |
Xq |
и Х {- д находят |
интерполяцией |
|||||||
(обычно <7=5%). Так, |
при |
134 |
измерениях |
Me проходит между |
пробами № 67 и 68 п составляет 2,9. Аналогично находим, что А''5=
= 0,32 |
и АГэ5= 11,1 (первому |
соответствует |
номер 6,75, второму — |
128,2); |
последовательно рассчитываем оценки X*, г|* и у*: |
||
в) |
|||
|
X* = |
(Me — Х0) X |
|
(Me - |
Хв)(Х9 - Х0)+(/Ие—X0)(Xj~q—Х0)—2(Xq—X0)(X i—g—X0) _ |
||
|
(Me - X„)2 _ |
(X„ - X„) ( X i - q |
- X0) |
IIO
= 1.5,53;
i f = (Ч- q — e9) :ln
V* = вi - q — i f In
(-Xj—q— W o — ^ Xq) (xq-% 0)(k0- x - X i - q)
= 0,69;
X i —q — X q
= 1,013;
ѵЯ„ + Я — X i —q
г) записываем распределение Джонсона типа SB :
Ф м |
|
Г| Я |
X |
= —— |
|||
|
|
~Ѵ2к(х-—Я0)(Я—Я0—х) |
|
Г |
|
1 |
X — Яо |
Х ехрІ-т |
У —11In |
X-- Х-л |
|
|
|
|
|
|
|
10,69 |
X |
|
|
|
|
|
|
Ѵ 2 я х (15,53— х) |
|
X ехр { - у |
(і ,01 - 0,69 In |
, J — |
(III. 55)
(III. 56)
(III. 57)
(III.58)
д) |
выбираем |
интервал группирования случайных величин X-, |
||||||
(в данном |
случае |
1%) и |
рассчитываем фактические частости ѵ, в |
|||||
% попадания Xt в каждый интервал; |
с помощью |
таблиц |
||||||
е) |
по |
распределению |
Джонсона (III.58) |
|||||
функции нормального распределения (прил. II) рассчитываем теоре |
||||||||
тические частости ѵт; |
|
|
|
|||||
ж) |
приводим |
проверку адекватности описания распределением |
||||||
(III.58) |
фактических частостей с помощью %2_критерия при числе |
|||||||
степенен |
свободы |
f — k—4—1 = 11—4—1=6 |
(четырехпараметрпче- |
|||||
скнй закон); |
с) |
|
9 |
|
|
|||
з) |
|
' |
|
|
расхождения |
(ѵ—ѵт) |
||
если |
|
Хф соответствует 73{Хф}>5%, то |
между эмпирическими и теоретическими частостями можно признать случайными и считать, что функция ср (х) адекватно описывает ис
ходную информацию (поскольку Хф=9,21 и -Р{Хф}>5%, то в дан
ной задаче сделан такой вывод); и) по фактическим т и теоретическим т Т частотам строится
совмещенная гистограмма распределения, наглядно иллюстрирую щая степень их совпадения.
Опыт показывает следующие немаловажные для тех нолога преимущества такого подхода:
в отличие от других семейств кривые Джонсона охва тывают все поле в координатах ßi и ß2;
во всем поле ßi — ßo находятся лишь 3 типа кривых Sb, Sl и S u, а на рис. III.1 таких разновидностей 9,
111
в семействе Пирсона— 10, каждая из которых отлича ется методикой расчета;
для расчета кривых Джонсона необходимы лишь две широко распространенные в инженерной практике таб лицы — нормального распределения и натуральных лога рифмов; другие семейства кривых для расчета требуют таблиц, опубликованных в специальных изданиях;
кривые Джонсона могут описывать распределение в ограниченном диапазоне, что необходимо для сохране ния физического смысла статистической модели (напри мер, содержание компонента меняется только от 0 до 100%, а не от —оо до +оо).
Г л а в а IVr
РАСЧЕТ, АНАЛИЗ И ПРИМЕНЕНИЕ МНОГОФАКТОРНЫХ ПОЛИНОМИНАЛЬНЫХ МОДЕЛЕЙ
IV. 1. Метод наименьших квадратов. При обсуждении методов математического моделирования в рецептурно технологических задачах отмечалось (гл. 1), что если необходимо описать поведение системы в конкретной ситуации, то можно искать модель в виде полинома т-той степени от /(-факторов.
кк
У 0 Ро '1 |
V |
ß, Х і |
У ß..Xr |
И Р і(. х г х . . . . . ( і ѵ . і ) |
|
— j I К I |
t*i |
||
|
1=1 |
Ы1 |
На практике обычно достаточно ограничиться поли номом второй степени, который содержит одни свобод ный член ßo, К линейных членов с коэффициентом ßi, К квадратичных членов с коэффициентом ßü, С2К пар
ных сочетаний |
с коэффициентом ß,-/ (^к — ~ ^ 2—~) ’ |
всего членов |
L: |
L = Н - К + К -I- С\ = |
1 + 2 К + ^ -2- 1) |
|
|
= (К + 2) |
(К+ 1) |
(IV.2) |
|
2 |
|||
|
Полином (IV.1) может быть преобразован в форму линейную по параметрам, если заменить X? на К допол
нительных линейных членов от Хк+\ до Хк+к, а Х,Х,- — на С^ линейных членов от Х2к+\ до XL. В результате по
лучается полином первой степени от L—1 факторов
^ѳ = Ро+ V ß , * - |
(ІѴ.З) |
(=i |
|
Для такой линейной модели и нужно по эксперименталь-
8— 1023 |
113 |
ным данным (пли иной исходной информации) найти статистические оценки коэффициентов Ьа и Ьі. Тогда по
статистической модели можно будет рассчитать оценки
л
выхода У:
|
Y = b0 + |
£ &/ X t |
(IV.4) |
|
|
/=1 |
|
или |
|
|
|
Y = Ь0+ S |
ЬХ( + £ |
Ьи X* + |
S Ъц X; X,. (ІѴ.5) |
і=і |
;=і |
|
і+1 |
Как указывалось в гл. I, вычислительная процедура определения оценок коэффициентов Ь0 и Ьі построена на основе метода наименьших квадратов — минимизирует ся сумма квадратов разностей Ди между наблюдаемыми
значениями у и и рассчитанными по модели значением
л
Yu (по всем м-опытам пли другим информационным комплексам в количестве N единиц):
У |
Д« |
= у |
(Уи- Ь |
-> мин. |
|
(ІѴ.б) |
и=1 |
|
ц=г |
|
|
|
|
В матричной |
форме |
таблица |
уровней, |
на |
которых |
|
фиксировались |
в |
N |
опытах значения |
К |
факторов |
(в дальнейшем все рассуждения ведутся для К факто ров, что легко обобщается L—I эффектов), представля
ет собой |
прямоугольную матрицу [X] размерности |
jV (K + 1). |
Она называется матрицей значений факторов. |
Результаты наблюдений выхода Y в N опытах представ ляют собой вектор-столбец [у] размерности AM, назы
ваемый вектором |
наблюдений: |
|
||
Х м |
Х „ |
■ ■ |
|
Ух |
IX] = *о2 |
*12 |
• ■ |
*Д2 ; [ у ] = |
У2 |
*о,ѵ |
|
|
|
Ук |
Нормальные уравнения записываются с помощью квадратной матрицы [М] = [X*] [X] порядка /<Ч-1 (она называется «информационной»), полученной при умно-
114
женин слева матрицы значений факторов [X] па матри цу, к ней транспонированную [X*], и вектора [Х*][у].
(00) |
(01). |
• (0К) |
1М] = [Х*1 [X] = (10) |
(11). |
■(1К) |
(КО) (К1) ■ • (КК) |
||
|
(ОУ) |
|
1х * Н у 1= |
(IV) |
(IV.8) |
( К У )
где
tl=1 |
H=1 |
|
У1Х іиХ іи=:(іі)=ШУ, |
(IV.9) |
|
i I І |
|
|
|
|
|
Ѵ х ,л |
= (іУ); X — (00). |
|
u=1 |
|
|
В матричной форме система нормальных уравнений имеет вид:
[Х*][Х][В] = [Х*][у], |
(IV. 10) |
где [В ]— вектор-столбец размерности (/(+1)1, элементы которого составляют коэффициенты регрессии Ьі (і =0, 1, ..., К), называемый
«вектором коэффициентов» модели.
Находим обратную матрицу [X*] [X]-1, которая на зывается матрицей ошибок или ковариационной (корре ляционной) и обозначается [Д]:
соС01 |
' с о к |
|
[Д] = С10СІ1 ' СІХ |
(ІѴ.11) |
|
СК 0 с к \ ' |
' с к к |
|
Если умножить слева обе части уравнения (IV. 10) на матрицу [Д], то вектор [В] определяется как
[В] = [Д] [X*] [у], |
(ІѴ.12) |
8* |
115 |
поскольку произведение [Д] на ([X*] [ X ] ) дает еди ничную матрицу [Е]. Следовательно, оценка коэффици ентов Ьі (элементы вектора [В]) равна:
Ь і - І с ц Ѵ П |
(IV. 13) |
1=0 |
|
где Cij— элементы матрицы ошибок [Д].
Решение системы (IV.10) производится любым изве стным способом. Все современные ЭЦВМ снабжены для
этого типовыми программами.
IV.2. Основные типы зависимостей между перемен ными и их влияние на выбор метода статистического анализа моделей. Алгебраический расчет математиче ской модели на основе эмпирической информации явля ется лишь предварительным этапом использования веро ятностно-статистической концепции в бетоноведешш и технологии.
Перед применением моделей необходимо провести тщательный их статистический анализ, который вклю чает в себя полностью или частично проверку гипотез об адекватности (соответствии) модели исходной инфор мации, о степени влияния А',- на У, взаимосвязи между Хі, взаимосвязи между коэффициентами регрессии ß, и ßj, об отличии коэффициентов ß; от нуля, о доверитель ных интервалах для коэффициентов ß; и т. д. Необходи мость и возможность проверки тех или иных статисти ческих гипотез обусловливается как технологической по становкой задачи, так и типом зависимостей между пе ременными.
Основные схемы зависимостей между переменными величинами рассмотрены в работе С. А. Айвазяна [4]. Эти схемы проводятся для двух переменных, но легко могут быть обобщены и на К факторах.
Схема А — зависимость между неслучайными вели чинами, называемая функциональной. При этом каждо му значению одной величины соответствует свое одно и только одно определенное (детерминированное) зна чение другой величины.
Схема В — зависимость случайной переменной | от неслучайных переменных Хі. Физическая природа такой связи может носить двойственный характер: а) измере ние £ неизбежно связано с некоторыми случайными ошибками измерения, а переменные X,• измеряются без
116
ошибок (или величины этих ошибок пренебрежимо ма лы по сравнению с ошибками измерений зависимой пе ременной £); б) значения £ зависят не только от соот ветствующих значений. Хі, но и еще от ряда неконтроли руемых факторов, а поэтому при каждом фиксированном значении Хі соответствующее значение | неизбежно под вержено некоторому случайному разбросу.
Схема типа В наблюдается в том случае, если экспе риментатор назначает уровни изменения В/Ц в бетоне (например, 0,4; 0,5; 0,6) и активности цемента (напри мер, 280; 340; 450 кгс/см2 и т. д.) и изучает влияние этих факторов на прочность бетона (здесь только £= Л!сж — случайная величина).
Схема С — зависимость между случайными величи нами |і, ..., %к- Здесь следует выделить два варианта связи, принципиально отличных друг от друга вследствие двойственной физической природы данной связи. Вари ант Сі — исследуемые величины | і зависят от совокупно стей неконтролируемых факторов и таким образом яв ляются случайными по своей физической природе. Ва риант Сг — исследуемые величины не случайны, однако могут быть измерены только с некоторыми случайными ошибками о{£,-}, близкими между собой по величине.
Связь типа Сі наблюдается между пределами проч ности бетона при сжатии и при изгибе или между проч ностью бетона и скоростью прохождения ультразвука. К типу Сг можно отнести связь между теплопроводно стью бетонной панели и ее толщиной; эта связь близка к функциональной, однако при фактических измерениях этих величин неизбежны ошибки, что и обусловливает вероятностный характер связи.
Установление схемы связей необходимо технологу для выбора корректного статистического аппарата ана лиза силы связи между переменными: при схеме В во просы решаются методами регрессионного анализа; при схеме Сі — методами корреляционного анализа. При схеме Сг используются весьма сложные методы конфлюеитного анализа (которые в данной работе не рассматриваются). Кроме того, проведенное выше рас смотрение схемы связей способствует правильному уста новлению и анализу причинно-следственных связей в ре цептурно-технологической ситуации.
ІѴ.З. Основы регрессионного анализа. Если случай ная величина У — критерий качества продукции или тех-
117
иологического процесса — зависит от неслучайных пере менных Хі (схема В), то применяется регрессионный ана лиз математической модели [35]. Для его эффектив ности должны быть обеспечены следующие условия [4]:
а) истинная функция Уѳ =f{x} линейна по парамет рам (ІѴ.З);
б) случайные величины уи, а также их невязки Ди стохастически взаимонезавнснмы;
Рис. IV. 1. Проверка адекватности (а) |
и информационной способно |
|
|
сти (б) линейной модели |
по F — критерию |
в) |
величины уи и Ди распределены нормально (или |
|
хотя бы не сильно асимметрично); |
||
г) |
генеральная дисперсия о\ |
в пределах исследуемо |
го пространства Хі постоянна или пропорциональна не которой функции от АѴ,
д) неслучайные факторы А,- стохастически независи мы (р{А,-Х,-} =0).
Если одна или несколько из этих предпосылок будут нарушены, то эффективность анализа значительно сни жается и по модели могут быть получены неверные тех нологические выводы.
Первым этапом регрессионного анализа является проверка адекватности модели результатам наблюдений (рис. ІѴ.1,а). Для этого используется дисперсия неадек
ватности |
sijA: |
|
|
|
s h a — ^ |
h a : Ач а ’ |
( I V .1 4 ) |
которая при N разных опытах для L эффектов вычисля |
|||
ется при |
числе степеней |
свободы |
|
|
/ н а — N — L. |
(IV. 15) |
|
|
|
N |
вычисляется |
Сумма квадратов 55 нл = S S 0Cт= 2 А2и |
118
л
или прямым подсчетом по значению выхода Уи, предска занного моделью в м-опыте:
SSoct = |
У, |
(Уи — Уи)2> |
(IV. 16) |
|
и—1 |
|
|
или через оценки коэффициентов регрессии |
|
||
SSOT= S |
Й - £ М ‘П |
(IV.17) |
|
ц=1 |
і —0 |
|
При проверке адекватности формулируется нуль-ги потеза Я0 : 0 ңА=о^ (а2— дисперсия, характеризующая точ
ность эксперимента и определяемая в зависимости от схемы его организации), которая проверяется по Fа- критерию при числе степеней свободы [на (всегда в чис лителе) и /э:
|
F ^ s ^ s l . |
(IV.18) |
|
Если Еа меньше Етабл |
(обычно при уровне значимо |
||
сти а= 5% ), |
то гипотеза |
адекватности признается прав |
|
доподобной. |
|
|
|
Принципиально иная по смыслу проверка значимо сти модели (ІѴ.З) или проверка ее «информационной способности» (рис. IV. 1,6), хотя в этом случае также используется Е-критерий (внешнее сходство весьма ча стоприводит к ошибкам в проверке гипотез; так, в ра боте [46] доказательство «значимости» модели прини мается за доказательство ее адекватности). Формулиру ется нуль-гипотеза Я0: а2{У} = ОңА, где а2{У}— диспер
сия |
выхода У во всем диапазоне Хі. Если такая гипо |
||
теза |
не будет отклонена (обычно |
а = 5%) |
по критерию |
|
Е„ = з2{ У }:4 |
а, |
(IV.19) |
то проверяемая модель описывает ситуацию так же, как
л_
модель У=г/, и не имеет информационной ^ценности
(удобнее считать, что все уи равны среднему у). Тонкость статистического анализа заключается в том,
что при большом числе измерений N модель оказывает ся значимой при малых Ем (так для а = 5% при Я=130
119