Добавил:
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:

2074

.pdf
Скачиваний:
1
Добавлен:
16.06.2024
Размер:
4.62 Mб
Скачать

Однако это не соответствует действительности. Более реальна экспоненциальная модель. С увеличением высоты столба материала масса уравновешивающего груза асимптотически приближается к некоторой величине. Тем более, что данная модель хорошо согласуется с теоретическими положениями. Поэтому, как правило, получаемые эмпирические зависимости справедливы только на исследуемых участках факторов. Использование экстраполяции (переноса зависимостей за пределы значений аргумента) весьма ограничено.

 

120

 

 

 

 

 

 

 

100

a

 

 

б

 

в

 

 

 

 

 

Р

80

 

 

 

 

 

 

 

60

 

 

 

 

 

 

 

40

 

 

 

 

 

 

 

20

 

 

 

 

 

 

 

0

50

100

150

200

250

300

 

20

 

 

Н

 

 

 

Рис.2.14. Влияние высоты столба материала Н на давление Р: полином третьего порядка (а), второго порядка (б) и экспоненциальная модель (в)

Экстраполяция – метод, при котором принимается, что развитие процесса во времени или изменение показателя с изменением основного параметра будут изменяться в соответствии с полученной зависимостью.

2.3.2. Методики проведения экспериментальных исследований

Планирование эксперимента – это процедура выбора числа и условий проведения опытов, необходимых и достаточных для решения поставленной задачи с требуемой точностью. Необходима разработка такой стратегии планирования эксперимента, которая позволила бы, проводя минимальное число опытов при одновременном варьировании всеми факторами, получить необходимые данные как для выявления искомых зависимостей, так и для определения оптимального (или по крайней мере рационального) значения конструктивнотехнологических параметров исследуемого процесса.

Входные воздействия в процессе проведения эксперимента принято называть факторами (независимыми переменными), а реакцию на них –

откликом (зависимой переменной). Значения отклика характеризуются изменением (приращением) соответствующего выходного показателя. Данный параметр подлежит оптимизации, и его называют параметром

91

оптимизации. Уравнение, связывающее параметр оптимизации с факторами, называют функцией отклика, а геометрическое ее представление – поверхностью отклика. Топографическое изображение поверхности отклика осуществляют линиями равного выхода, каждая из которых соответствует определенному значению параметра отклика.

Факторы бывают количественные и качественные. Качественные факторы– различные вещества, технологические способы, типы рабочих органов. Если фактор можно оценить количественно (взвесить, замерить и т.п.), то его называют количественным. Фактор должен быть управляемым – в процессе опыта иметь постоянное значение или изменяться по соответствующему закону.

Числовые значения исследуемых факторов называют уровнем фактора. Как правило, в опытах для упрощения и удобства обозначения и облегчения ручной обработки результатов вводят кодированные значения факторов, при этом минимальное значение фактора условно принимают равным «–1», максимальное значение принимают «+1». Иногда используют и промежуточные значения.

Величина изменения числовых значений фактора от минимальных до максимальных исследуемых значений называется интервалом варьирования. Интервал изменения численных значений факторов между соседними уровнями называется шагом варьирования. Интервал варьирования фактора должен быть больше удвоенной среднеквадратической ошибки его определения. Используют узкие (при сильно выраженной кривизне отклика), средние и широкие интервалы варьирования факторов (при низкой точности фиксирования факторов, малой кривизне поверхности отклика, узком диапазоне изменения интервала).

Ориентировочно можно считать, что узкие интервалы варьирования факторов должны составлять не более 10 % от интервала изменения соответствующих факторов, а средние – не более 30 %.

Современные компьютерные технологии позволяют обрабатывать опытные данные и получать функциональные зависимости как при использовании кодированных, так и натуральных значений факторов.

Используемая лабораторная установка должна позволять экспериментатору придавать каждому фактору любое возможное значение в пределах выбранного интервала и поддерживать или изменять по заданному закону его (значение) до конца опыта.

Проводимые опыты могут быть как пассивными, так и активными. При пассивном наблюдении исследователь лишь регистрирует раз-

личные интересующие его стороны развития явления. Для регистрации используют самые разнообразные средства измерений и отметок. Пассивное наблюдение можно чередовать (во времени) с активным (экспериментом, опытом). Наблюдение становится активным, когда исследователь

92

сам определяет условия развития явления и видоизменяет эти условия в желаемом направлении для получения ясных закономерностей.

При планировании эксперимента широко используются методы подобия и размерностей; построение математических моделей; планирование эксперимента. Например, проводится экспериментальное исследование лабораторной установки с малыми габаритами, а результаты используются в производстве на агрегате, имеющем большие габариты. При этом дополнительно уточняется величина поправочного коэффициента.

Первой ступенью активного наблюдения являются поисковые опыты. Их проводятнестолькодляраскрытияимеющихсязакономерностей, сколько:

для проверки отдельных частей разработанной методики и приспособленности приборов к предполагаемым замерам;

для обоснования количества замеров в опытах;

для проверки общей работоспособности исследуемого опытного образца устройства с одновременным ориентировочным выявлением уровней и интервала изменения ряда факторов;

для проверки варианта рабочей гипотезы и выбора направления элементов исследований с целью сокращения общего количества опытов (например, выбор типа рабочего органа).

Проводиться они могут как на лабораторных установках, так и непосредственно на опытном образце.

Если проверяют направление процесса, то обычно достаточно двух опытов. Если устанавливают, какие факторы обусловливают развитие явления, то минимальное количество опытов – удвоенное количество изучаемых факторов. При более детальном изучении фактора ставится небольшая серия (3–5) опытов.

При проведении экспериментальных исследований наибольшее распространение получили традиционные (классические) планы проведения эксперимента и теория факторного эксперимента. Каждый из вариантов имеет свои положительные и отрицательные моменты.

При этом задачи, решаемые в процессе исследований, бывают интерполяционные (только для выявления существующих связей между факторами и откликом) и экстремальные (когда требуется найти условия, при которых отклик, он же параметр оптимизации, достигает экстремального значения: максимума или минимума).

С целью устранения ошибок, при проведении опыта проводят рандомизацию – чередование опытов (сочетание значений – уровней факторов)

вслучайном порядке, по жеребьевке или по таблицам случайных чисел таким образом, чтобы в процессе опытов постоянно изменялось значение уровня конкретного фактора (по строкам плана). В случае отсутствия проведения рандомизации по экономическим или иным причинам, она может не проводиться. Однако это неизбежно скажется на точности полу-

93

чаемого результата. Чем меньше влияние фактора, тем больше положительное влияние рандомизации. В случае проведения опытов на нескольких машинах следует помнить, что если рандомизированный план и усредняет эффекты воздействия от конкретных особенностей машин, то не устраняет разницы между машинами.

При классическом планировании всем независимым переменным (факторам), кроме одной, придается постоянное значение. Переменную изменяют, придавая различные значения (варьируя уровень) во всем интервале изменений, а по результатам эксперимента находят функциональную зависимость (пример 7). Затем придают различные значения следующей переменной при постоянстве других факторов и также находят функциональную зависимость. Аналогично поступают со всеми независимыми переменными. По результатам проделанной работы устанавливают функциональную зависимость от всех независимых переменных.

Многофакторные эксперименты при классическом планировании проводятся также, как и однофакторные. Число факторов, как правило, небольшое (чаще всего до трех).

Недостатком указанной методики является высокая трудоемкость проведения экспериментальных работ. Положительный момент – четко прослеживаются имеющиеся тенденции изменения отклика.

Пример 7

Обработка результатов однофакторного плана и нахождение экстремума (листинг программы для Mathcad)

В результате проведения опытов известны исходные значения уровней фактора и получены данные величины отклика.

Количество факторов: n1 1

Количество уровней фактора в опыте:

N 7

 

i

1 N

 

Матрица плана эксперимента (в натуральных значениях):

 

 

x1 12

x2 14

x3 16

x4 18

 

x5 20

x6 22

 

 

 

 

Xx x1 x2 x3 x4 x5 x6 x7

 

Количество повторностей опыта:

 

k 3

 

jj 1 3

 

Результаты проведения опыта:

 

 

 

 

 

 

 

y1 1

 

91.2

y2 1

94.3

y3 1

96.4

 

y4 1

97.5

y5 1

y1 2

 

91.5

y2 2

94.0

y3 2

96.1

 

y4 2

97.4

y5 2

y1 3

 

91.8

y2 3

93.8

y3 3

95.8

 

y4 3

97.0

y5 3

y6 1

 

97.3

y6 2

97.0

y6 3

96.8

 

 

 

 

y7 1

 

95.5

y7 2

94.7

y7 3

94.5

 

 

 

 

 

 

 

 

 

 

 

yi jj

 

 

Среднее значение результата:

Ycpi

jj

 

 

 

 

k

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

x7 24

98.998.598.2

94

Дисперсия каждого опыта:

 

 

 

1

 

 

 

2

 

S2i N 1 yi jj Ycpi

 

 

 

 

Наибольшее значение дисперсии:

 

 

 

 

jj

 

 

S2max max(S2)

 

Количество степеней свободы: 1

S2max 0.093

 

 

k 1

 

1

2

 

 

2 N 1

 

2

6

 

Значение G-критерия Кохрена:

G

S2max

 

G 0.359

 

S2i

 

 

 

 

 

 

 

 

i

 

 

 

 

Табличное значение критерия Кохрена:

Gтабл 0.9985

 

Ycpi

S2i

91.50.03

94.033 0.021

96.10.03

97.3 0.023

98.533 0.041

97.033 0.021

94.90.093

G Gтабл 1

Поскольку условие оказалось не ложным (равным 1, а не нулю), то гипотезу следует принять (не отвергнуть), то есть мы должны сделать вывод об однородности дисперсий и, следовательно, о достаточной достоверности (воспроизводимости) эксперимента.

Укажем координату дополнительной (нулевой точки):

 

 

 

 

 

 

x0 x1 x2 x1

 

x0 10

 

 

 

 

 

 

Дисперсия воспроизводимости эксперимента:

 

 

 

 

 

 

 

 

 

S2i

 

 

 

 

 

 

 

 

S2y

 

i

 

 

 

S2y 0.037

 

 

 

 

 

 

N

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Поиск линейного уравнения регрессии (k=1)

 

 

 

x1

Ycp1

 

Для получения исходной матрицы data используем значения

 

 

 

векторов Xx и Ycp.

 

 

 

 

 

 

 

 

 

x2

Ycp2

Выполняем математические преобразования для получения

x

Ycp

 

коэффициентов уравнения регрессии в виде полинома:

 

 

 

3

3

 

 

 

k 1

 

 

 

 

 

data x4

Ycp4

 

Выделяем столбцы факторов:0

 

 

1

 

 

 

 

 

Ycp5

 

 

 

 

 

 

 

x5

 

X data

 

 

Y data

n 7

 

 

 

x

Ycp

 

Количество строк матрицы:

n rows (data)

 

 

 

6

6

 

Поиск коэффициентов регрессии: C

regress(X Y k)

T

 

x7

Ycp7

coeffs submatrix(C 3 length(C) 1 0 0)

 

(89.639 0.333 )

 

coeffs

 

Значения коэффициентов регрессии:

 

b0 89.639

 

b1 0.333

 

Уравнение регрессии:

 

 

 

 

 

Y' ( x)

b0

b1 x

 

 

Расчетные значения по уравнению регрессии:

Ypi b0

b1 xi

 

 

 

Строим график опытных данных. Выбираем двумерный график и для Yp задаем тип линии lines, а для Ycp – points (рис. 2.15).

 

Ypi

 

Ycpi

Средние значения результатов: Ypcp

i

 

Ycp

i

N

N

 

 

Ypcp 95.633

Ycp 95.629

Остаточная сумма квадратов (финальный остаток):

95

 

 

 

k

 

 

 

 

 

 

 

S2R Ypi Ycpi 2

 

 

S2R 4.558

 

 

 

 

i 1

 

 

 

 

 

 

98

 

 

 

 

 

 

Ypi

 

 

 

 

 

 

 

 

93.635

 

96

 

 

 

 

 

 

94.301

Y'(x)

 

 

 

 

 

 

94.967

 

 

 

 

 

 

 

Ycp

 

 

 

 

 

 

 

95.633

94

 

 

 

 

 

 

96.299

y

 

 

 

 

 

 

 

96.965

 

92

 

 

 

 

 

 

97.631

 

 

 

 

 

 

 

 

 

90 10

12

14

16

18

20

22

24

 

 

 

 

x

 

 

 

 

 

 

 

Рис. 2.15. Влияние величины Х на Y

 

Уровень критерия проверки гипотезы (значимости ошибки): 0.05 Дисперсия отклонения результатов расчета от опытов:

S2R

S2ад N (n1 1) S2ад 0.9116

F-критерий Фишера: S0 S2ад

S1 S2y

F max (S)

F 24.544

 

 

min(S)

 

Критическое значение F-критерия Фишера:

Fkp qF 1 1 2

 

 

F Fkp 0

Fkp 5.143

Поскольку условие оказалось ложным (равным нулю, а не 1), то гипотезу следует отвергнуть (не принимать), то есть мы должны сделать вывод о неравноточности или неравнорассеянности дисперсий (значимы различия представленных выборок), следовательно, полученная модель неадекватно описывает результаты опытов.

Скорректированные средние квадратичные отклонения результатов:

 

 

1

 

N

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1

Ycp Ycpi 2

Sx

 

Ypcp Ypi 2

 

Sy

 

 

N 1

 

N 1

 

 

 

 

 

i 1

 

 

 

 

 

 

 

 

i

Sx 1.439

 

 

 

 

Sy 2.365

Выборочный корреляционный момент:

 

 

 

 

 

 

 

 

 

Kxy

1

Ycp Ycpi Ypcp Ypi

Kxy 2.068

N 1

 

 

 

 

 

i

 

 

 

Kxy

 

 

 

Коэффициент корреляции:

r

 

r 0.608

Sy Sx

 

 

 

 

 

 

t-критерий коэффициента корреляции: tr

 

r N 2

 

tr 1.712

 

1 r2

 

 

 

 

 

 

 

 

 

 

 

96

Табличное значение t-критерия:

Tr

 

 

1

 

 

k 1 1

 

qt

2

 

 

 

 

 

 

 

 

 

 

tr

Tr 1

 

Tr 12.706

Поскольку условие оказалось не ложным (равным 1, а не 0), то мы должны сделать вывод о несущественности различий в представленных выборках, то есть вычисленное значение коэффициента корреляции недостоверно.

Поиск уравнения регрессии второго порядка (k=2)

Для получения исходной матрицы data используем значения векторов Xx и Ycp. k 2

Выполняем математические преобразования для получения коэффициентов уравнения

регрессии в виде полинома:

 

 

 

x1

Ycp1

 

Выделяем столбцы факторов:

 

 

 

 

X data 0

Y data 1

 

 

 

 

Количество строк матрицы: n rows(data)

n 7

x2

Ycp2

x

Ycp

 

Поиск коэффициентов регрессии:

C regress(X Y k)

3

3

 

coeffs

submatrix(C 3 length(C) 1 0 0)

data x4

Ycp4

 

 

T

4.736

0.122 )

 

 

 

coeffs (51.964

x5

Ycp5

Значения коэффициентов регрессии:

 

 

 

 

x6

Ycp6

 

b0 51.964

b1 4.736

b2 0.122

 

 

 

 

 

 

 

 

 

 

 

 

 

x7

Ycp7

Уравнение регрессии:

 

 

 

 

Y(x) b0 b1 x b2 (x)2

Расчетные значения по уравнению регрессии:

Ypi b0

b1 xi b2 xi 2

Строим график опытных данных. Выбираем двумерный график и для Yp задаем тип

линии lines, а для Ycp – points (рис. 2.16).

 

 

 

 

 

98

 

 

 

 

 

 

Ypi

 

 

 

 

 

 

 

 

91.228

Y(x)

96

 

 

 

 

 

 

94.356

 

 

 

 

 

 

 

96.508

Ycp

94

 

 

 

 

 

 

97.684

 

 

 

 

 

 

97.884

y

 

 

 

 

 

 

 

 

 

 

 

 

 

 

97.108

 

92

 

 

 

 

 

 

 

 

 

 

 

 

 

95.356

 

 

 

 

 

 

 

 

 

90 10

12

14

16

18

20

22

24

 

 

 

 

x

 

 

 

 

 

 

 

Рис. 2.16. Влияние величины Х на Y

 

 

 

Ypi

 

Ycpi

Средние значения результатов:

Ypcp

i

 

Ycp

i

N

N

 

 

 

 

Ypcp 95.732

Ycp 95.629

97

Остаточная сумма квадратов (финальный остаток):

 

k

 

 

 

 

 

 

S2R Ypi Ycpi 2

S2R 4.558

 

 

i 1

 

 

 

 

 

 

Дисперсия отклонения результатов расчета от опытных данных:

 

S2ад

S2R

 

 

S2ад 0.0356

 

N (n1 1)

 

F-критерий Фишера: S0

S2ад

S1

S2y

F max(S)

F 1.043

 

 

 

 

 

 

min(S)

 

Критическое значение F-критерия Фишера:

Fkp qF 1 1 2

 

 

 

 

 

F

Fkp 1 Fkp

5.143

Поскольку условие оказалось не ложным (равным 1, а не нулю), то гипотезу следует

принять (не отвергнуть), то есть мы должны сделать вывод о равноточности или равнорассеянности дисперсий (различия представленных выборок незначимы), следовательно, полученная модель адекватно описывает результаты опытов.

Скорректированные средние квадратичные отклонения результатов:

 

 

 

1

N

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

2

 

 

 

 

 

 

1

 

 

 

2

Sx

Ypcp

Ypi

 

Sy

 

 

 

Ycp

Ycpi

 

 

N 1

 

 

 

 

 

N 1

 

Sx 2.354

i 1

 

 

 

 

Sy 2.365

i

 

 

 

 

 

 

 

 

 

 

 

 

Выборочный корреляционный момент:

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1

 

 

 

 

 

 

 

 

 

 

 

 

Kxy 5.479

 

 

Kxy N 1 Ycp Ycpi Ypcp Ypi

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

i

 

 

 

 

 

Kxy

 

 

 

 

 

 

 

 

 

Коэффициент корреляции:

r

 

 

 

 

 

r 0.9843

 

 

 

Sy Sx

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

t-критерий коэффициента корреляции:

tr

 

r N 2

 

 

 

tr 12.453

 

 

1 r2

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Табличное значение t-критерия:

 

 

 

 

 

 

 

k 1 1

 

 

 

Tr qt 1

2

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

tr

Tr 0

 

 

 

Tr 4.303

 

 

Поскольку условие оказалось ложным (равным нулю, а не 1), то мы должны сделать вывод о существенности различий в представленных выборках, то есть вычисленное значение коэффициента корреляции достоверно.

Оптимизация значений (поиск экстремума) функции

Начальное приближение:

Xn x5

Xn 20

Ключевое слово начала вычислительного блока:

Give

 

Поиск максимума с помощью функции maximize (минимум – minimize): P MaximizeY( Xn)

Вычисленное значение x, соответствующее максимуму: P 19.41

Значение искомой функции, соответствующее экстремуму: Y(19.41) 97.926

98

Поиск уравнения регрессии гиперболического типа (k=1)

Преобразуем исходные данные в соответствии с используемой

x1

s1

 

функцией, сделав замену переменной:

 

 

 

 

1

 

 

x2

s2

si

 

 

 

x

s

 

Ycp

 

 

i

 

3

3

 

Для получения исходной матрицы data используем значения

data x4

s4

векторов S и Ycp.

 

x

s

 

k 1

 

 

5

5

 

Выполняем математические преобразования для получения

x

s

 

коэффициентов уравнения регрессии в виде полинома.

6

6

 

Выделяем столбцы факторов: X data 0

Y data 1

x7

s7

Количество строк матрицы:

n rows(data)

 

 

 

 

n 7

 

 

 

Поиск коэффициентов регрессии:

C regress(X Y k)

 

 

 

 

 

 

 

 

coeffs submatrix(C 3 length(C)

1 0 0)

coeffsT 0.011 3.731 10 5

Значения коэффициентов регрессии:

 

 

b0 0.011

 

 

b1 3.731 10 5

Уравнение регрессии после преобразования:

Y'(x)

 

b

0

b

1

x

 

1

 

 

 

 

 

 

 

 

 

 

 

 

1

 

 

 

Расчетные значения по уравнению регрессии: Ypi

 

 

 

 

 

 

 

 

 

 

 

b0 b1 xi

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Ycpi

 

 

 

 

 

 

 

Ypi

Средние значения результатов:

Ycp

 

i

 

 

 

 

Ypcp

 

 

i

 

 

 

 

N

 

 

 

 

 

 

 

N

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Ycp 95.629

 

 

Ypcp 95.732

Остаточная сумма квадратов (финальный остаток):

 

 

 

 

 

 

 

 

 

 

 

 

k

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

S2R Ypi Ycpi 2

 

 

 

 

 

 

S2R 10.668

i 1

Строим график опытных данных. Выбираем двумерный график и для Yp задаем тип линии lines, а для Ycp – points (рис. 2.17).

 

98

 

 

 

 

 

 

Ypi

 

 

 

 

 

 

 

94.766

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

95.441

Y'(x) 96

 

 

 

 

 

 

96.126

 

 

 

 

 

 

96.82

Ycp

 

 

 

 

 

 

 

97.525

 

 

 

 

 

 

 

98.24

y

 

 

 

 

 

 

 

94

 

 

 

 

 

 

98.965

 

 

 

 

 

 

 

 

92 10

12

14

16

18

20

22

24

x

Рис. 2.17. Влияние величины Х на Y

99

Уровень критерия проверки гипотезы (значимости ошибки):

0.05

Дисперсия отклонения результатов расчета от опытов:

 

S2ад

S2R

 

S2ад 0.0356

N (n1 1)

 

F-критерий Фишера: S0 S2ад

S1 S2y

F max(S)

F 57.445

 

 

 

min(S)

 

Критическое значение F-критерия Фишера: Fkp qF 1 1 2

 

 

F

Fkp 0

Fkp 5.143

Поскольку условие оказалось ложным (равным нулю, а не 1), то гипотезу следует отвергнуть (не принимать), то есть мы должны сделать вывод о неравноточности или неравнорассеянности дисперсий (различия представленных выборок значимы), следовательно, полученная модель неадекватно описывает результаты опытов.

Скорректированные средние квадратичные отклонения результатов:

 

 

1

 

N

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1

 

 

Sx

 

Ypcp Ypi 2

 

 

 

Sy

 

Ycp Ycpi 2

 

 

N

1

 

 

 

 

N 1

Sx 1.512

 

i 1

 

 

 

Sy 2.365

 

i

 

 

 

 

 

 

 

Выборочный корреляционный момент:

 

 

 

 

 

 

 

 

 

 

 

 

Kxy

1

Ycp Ycpi Ypcp Ypi

 

 

Kxy 2.138

N 1

 

 

 

 

 

 

 

i

 

 

 

Kxy

 

 

 

 

 

 

 

Коэффициент корреляции:

r

 

 

 

 

 

 

 

r 0.5982

 

Sy Sx

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

t-критерий коэффициента корреляции:

tr

 

 

r N 2

 

 

 

 

tr 1.669

 

 

1 r2

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Табличное значение t-критерия:

 

 

 

 

1

 

k

 

 

Tr qt

2

1 1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

tr

Tr

1

 

 

 

 

 

Tr 12.706

Поскольку условие оказалось не ложным (равным 1, а не 0), то различия представленных выборок не существенны, а коэффициент корреляции не достоверен.

Проведение факторного эксперимента осуществляется по заранее намеченной стратегии исследования для изучения влияния одновременно нескольких факторов. При обработке данных вид формальной математической модели задается до проведения эксперимента, а в ходе его определяются только значения коэффициентов.

Проведение экспериментов, как правило, производится только на двух уровнях факторов: нижнем (–1) и верхнем (+1) или сокращенно «–, +» уровнях, что сокращает объем экспериментальной работы. В ряде способов

100

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]