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

В данном случае придется искать рациональные значения, а при обработке результатов качественных показателей использовать обратные данные (единица, деленная на число) либо подвергнутые логарифмированию.

Model: v=a0+a2*d+a22*d*d+a12*n*d

 

 

 

z=(210,0837)+(-4,3141114)*x+(0,0261)*x*x+(-0,0186674)*y*x

 

 

16

 

 

 

min=4,8

 

 

 

 

 

15

 

 

 

8

 

 

 

 

 

 

14

 

 

 

10.3 C:5

 

 

 

 

8,095

13

:2

 

 

 

 

17.1

C

 

 

 

 

 

 

 

10,367

 

 

 

 

 

 

 

 

 

12,638N

 

 

17.1

 

12.6

 

 

 

19.5

 

14,909

12

 

 

 

 

 

 

 

17,18

 

19.5

 

 

 

 

 

21.7

 

19,451

11

 

 

 

 

 

 

21,723

 

 

 

15

 

 

 

 

 

23,994

 

:3

 

 

C:6

 

 

24

C

26,265

10

75

80

85

95

100

28,536

70

90

105

110

 

 

 

 

 

 

D

 

 

 

 

Рис.2.24. Влияние диаметра смесительной камеры D (мм) и частоты

вращения n -1) на неравномерность смешивания компонентов

 

 

 

(коэффициент вариации), %

 

 

 

Для описания поверхности отклика используется центральное композиционное планирование, в частности применяя ротатабельные, ортогональные и D-оптимальные планы.

Композиционное планирование отли-

чается равным количеством уровней у разных факторов (рис.2.25).

Для отыскания оптимума у полученной математической модели можно использовать численные методы (например, метод крутого восхождения), иногда методы классического анализа (берутся первые производные по каждой переменной и приравнивают их к нулю, а решение системы всех уравнений позволяет найти экстремум), графический анализдвумернымисечениями.

Нахождение точки выявленного экстремума модели вне исследуемой зоны по плану эксперимента говорит о неправильном нахождении зоны оптимума либо, что чаще, о несоответствии принятой модели реальному процессу (несмотря на статистическую достоверность результата).

Рис. 2.25. Точки факторного пространства, центрального композиционного планирования двухфакторной модели:

– точки ядра плана;

– звёздные точки;

– точки в центре плана

131

Планирование эксперимента при описании поверхности отклика полиномом второго порядка получается при добавлении некоторого количества специально расположенных точек к «ядру», образованных планированием для линейного приближения: «звездных» точек, расположенных от центра эксперимента на расстоянии звездного плеча , и центральной точки. Ядром плана может быть и не полный факторный эксперимент, а полуреплика от него. Такое планирование требует меньшего числа опытов, чем полный факторный эксперимент типа 3n. Пример трехфакторного центрального композиционного плана представлен в табл.2.8.

Таблица 2 . 8 Матрица трехфакторного центрального композиционного плана

 

 

 

 

 

 

 

 

 

№ п/п

Х0

Х1

Х2

Х3

Х12

Х22

Х32

Y

1

+1

-1

-1

-1

+1

+1

+1

 

2

+1

+1

-1

-1

+1

+1

+1

 

3

+1

-1

+1

-1

+1

+1

+1

Ядро

4

+1

+1

+1

-1

+1

+1

+1

полнофакторного

5

+1

-1

-1

+1

+1

+1

+1

эксперимента

6

+1

+1

-1

+1

+1

+1

+1

 

7

+1

-1

+1

+1

+1

+1

+1

 

8

+1

+1

+1

+1

+1

+1

+1

 

9

+1

-

0

0

 

 

 

 

10

+1

+

0

0

 

 

 

 

11

+1

0

-

0

 

 

 

Звездные точки

12

+1

0

+

0

 

 

 

 

 

 

 

13

+1

0

0

-

 

 

 

 

14

+1

0

0

+

 

 

 

 

15

+1

0

0

0

 

 

 

Нулевая точка

Широко используются в зависимости от критерия оптимизации ортогональное композиционное планирование и ротатабельное планирование.

План называют ортогональным, если скалярное произведение всех векторов – столбцов матрицы равно нулю. Величина звездного плеча при ортогональном планировании, количество точек куба (гиперкуба-ядра) Nc при полнофакторном эксперименте, число звездных точек N , число точек в центре эксперимента No и общее число точек факторного пространства N для n факторов приведены в табл.2.9. Матрица ортогонального планирования приведена в табл. 2.10. Проверка адекватности описания объекта полиномом 2-го порядка проводится с помощью критерия Фишера. Следует помнить, что точность предсказаний по различным направлениям неодинакова.

132

Таблица 2 . 9 Параметры ортогонального планирования

n

 

N

No

Nc

N

2

1

4

1

4

9

3

1.215

6

1

8

15

4

1.414

8

1

16

25

5

1.547

10

1

32

43

Таблица 2 . 1 0 Матрица ортогонального планирования для трех факторов

 

 

 

 

0,73

0,73

0,73

2

3

3

 

0

1

2

3

Х

Х

Х

Примечание

п/п

Х

Х

Х

Х

-

-

-

1

1

2

2

2

2

1

2

3

 

 

Х

Х

Х

Х

Х

Х

 

 

 

 

 

 

 

 

 

 

 

 

 

1

1

1

1

1

0,27

0,27

0,27

1

1

1

 

2

1

1

1

-1

0,27

0,27

0,27

1

-1

-1

 

3

1

1

-1

1

0,27

0,27

0,27

-1

1

-1

 

4

1

1

-1

-1

0,27

0,27

0,27

-1

-1

1

Ядро 23

5

1

-1

1

1

0,27

0,27

0,27

-1

-1

1

 

6

1

-1

1

-1

0,27

0,27

0,27

-1

1

-1

 

7

1

-1

-1

1

0,27

0,27

0,27

1

-1

-1

 

8

1

-1

-1

-1

0,27

0,27

0,27

1

1

1

 

9

1

-1,215

0

0

0,745

-0,73

-0,73

0

0

0

 

10

1

1,215

0

0

0,745

-0,73

-0,73

0

0

0

 

11

1

0

-1,215

0

-0,73

0,745

-0,73

0

0

0

Звездные точки

12

1

0

1,215

0

-0,73

0,745

-0,73

0

0

0

 

13

1

0

0

-1,215

-0,73

-0,73

0,745

0

0

0

 

14

1

0

0

1,215

-0,73

-0,73

0,745

0

0

0

 

15

1

0

0

0

-0,73

-0,73

-0,73

0

0

0

Нулевая точка

Симметричные информационные контуры можно получить с помощью ротатабельного композиционного планирования.

Ротатабельные планы не требуют ортогонализации вектор-столбцов. Все его точки расположены на концентрических гипосферах, число которых не менее двух. Одна из сфер может быть вырожденной – нулевой точкой. Планы, у которых внутренняя дисперсия предсказанного значения постоянна, т.е. не зависит от расстояния до центра плана, называются униформ-планированием. Композиционные центральные ротатабельные униформ-планы (табл.2.11) состоят из трех сфер: центральных точек No, точек куба Nc и звездных точек N . Общее число точек факторного пространства N для n факторов приведено в табл.2.12–2.13.

133

Таблица 2 . 1 1 Данные для построения униформ-ротатабельного плана 2-го порядка

n

Nc

No

N

 

N

Примечание

2

4

5

4

1,414

13

ПФЭ

3

8

6

6

1,682

20

ПФЭ

4

16

7

8

2,000

31

ПФЭ

5

32

10

10

2,378

52

ПФЭ

5

16

10

6

2,000

32

Полуреплика

6

64

12

15

2,828

91

Полуреплика

6

32

12

9

2,378

53

Полуреплика

7

128

14

21

3,333

163

ПФЭ

7

64

14

14

2,828

92

Полуреплика

8

256

16

1

4,000

273

ПФЭ

8

128

16

1

3,333

145

Полуреплика

 

 

 

 

 

 

Таблица 2 . 1 2

 

Данные для построения ротатабельного плана 2-го порядка

 

 

 

 

 

 

 

 

n

 

Nc

No

N

N

 

Примечание

2

 

4

3

4

11

 

ПФЭ

3

 

8

2

6

16

 

ПФЭ

4

 

16

2

8

26

 

ПФЭ

5

 

32

3

10

45

 

ПФЭ

5

 

16

1

10

27

 

Полуреплика

6

 

64

3

12

79

 

ПФЭ

6

 

32

2

12

46

 

Полуреплика

7

 

128

1

14

143

 

ПФЭ

7

 

64

3

14

81

 

Полуреплика

8

 

256

0

16

272

 

ПФЭ

Таблица 2 . 1 3 Центральное композиционное ротатабельное униформ-планирование

второго порядка

 

 

 

 

 

 

 

№ п/п

Х0

Х1

Х2

Х3

Х4

Примечание

1

2

3

4

5

6

7

1

1

-1

-1

-1

-1

 

2

1

1

-1

-1

-1

 

3

1

-1

1

-1

-1

 

4

1

1

1

-1

-1

 

5

1

-1

-1

1

-1

 

6

1

1

-1

1

-1

 

7

1

-1

1

1

-1

 

8

1

1

1

1

-1

Ядро плана 24

9

1

-1

-1

-1

1

 

10

1

1

-1

-1

1

 

11

1

-1

1

-1

1

 

12

1

1

1

-1

1

 

13

1

-1

-1

1

1

 

14

1

1

-1

1

1

 

15

1

-1

1

1

1

 

16

1

1

1

1

1

 

134

Окончание табл. 2 . 1 3

1

2

3

4

5

6

7

17

1

-2

0

0

0

 

18

1

2

0

0

0

 

19

1

0

-2

0

0

 

20

1

0

2

0

0

Звездные

21

1

0

0

-2

0

точки

22

1

0

0

2

0

 

23

1

0

0

0

-2

 

24

1

0

0

0

2

 

25

1

0

0

0

0

 

26

1

0

0

0

0

 

27

1

0

0

0

0

 

28

1

0

0

0

0

Нулевые точки

29

1

0

0

0

0

 

30

1

0

0

0

0

 

31

1

0

0

0

0

 

D-оптимальные планы. Основаны на теории совместных эффектив-

ных оценок, развитой американским математиком Кифером. Они позво-

ляют минимизировать обобщенную дисперсию, или объем эллипсоида

рассеяния оценок параметров за счет оптимального расположения точек в

пространстве факторов. Вторым достоинством является трехуровневое

планирование. Это важно при малом количественном значении факторов,

когда возможны только целые значения, например при количестве

лопастей менее 15. В то время как при ином планировании имеются

звездные точки, а соответственно и дополнительные значения – с дробным

значением

факторов,

при

трехуров-

 

 

+1

X2

 

 

невом значении их можно избежать.

 

 

 

 

 

 

 

 

 

Некомпозиционное

 

планирование

 

5

 

3

 

 

отличается

различным

количеством

 

 

 

 

 

 

 

 

 

 

уровней у разных факторов. Они более

 

 

 

 

 

 

эффективны по сравнению с компози-

-1

2

 

7,8,9,10

1 +1

X1

ционными планами, если на основе

 

 

 

 

 

априорной информации известно, что

 

 

 

 

 

 

рассматриваемый

процесс

можно

 

 

 

 

 

 

описать полиномом второго порядка.

 

6

 

4

 

 

Данный

план

для

двух

факторов

 

 

 

-1

 

 

(рис.2.26) требует проведения десяти

 

 

 

 

 

опытов (вместо тринадцати – при ком-

 

Рис.2.26. Некомпозиционный

позиционном плане), а кроме того,

 

ротатабельный план второго

 

один фактор изменяется на трех уров-

 

порядка для двух факторов

 

нях, а второй – на пяти.

 

 

 

 

 

 

 

 

 

Это немаловажно, когда один из факторов может применять только

целые либо определенные значения. Планы для трех, четырех и пяти

факторов приведены в приложении.

 

 

 

 

 

 

135

Пример 12

Обработка результатов плана оптимизации (листинг программы для Mathcad)

Реализован план оптимизации двухфакторного плана для определения показателей полинома второго порядка.

Максимальный размер матрицы у Mathcad составляет 10х10 ячеек.

В результате парного взаимодействия количество факторов для получения модели

составит:

 

 

 

 

 

 

n (1 2 1 2)

1

 

n 5

 

j 0 n

Количество строк в опыте:

 

 

N 8

 

 

 

 

 

 

 

 

 

 

i 1 N

 

x0 i 1

 

Матрица плана эксперимента:

 

 

 

 

 

 

 

 

 

 

 

 

 

x

 

 

2

 

 

x

 

2

x

1

1

x

1

1

x

 

1

x

1

x

1

x

 

1

 

1

x

1

1

1

 

2

 

3

 

1

 

2

 

4

 

 

1

 

5

2

 

x

2

1

x

2

1

x

 

2

x

2

x

2

x

 

2

x

 

2

2

x

2

x

2

2

1

 

2

 

3

 

1

 

2

 

4

 

 

1

 

5

2

 

x

3

1

x

3

1

x

 

3

x

3

x

3

x

 

3

x

 

3

2

x

3

x

3

2

1

 

2

 

3

 

1

 

2

 

4

 

 

1

 

5

2

 

x

4

1

x

4

1

x

 

4

x

4

x

4

x

 

4

x

 

4

2

x

4

x

4

2

1

 

2

 

3

 

1

 

2

 

4

 

 

1

 

5

2

 

x

5

1

x

5

0

x

 

5

x

5

x

5

x

 

5

x

 

5

2

x

5

x

5

2

1

 

2

 

3

 

1

 

2

 

4

 

 

1

 

5

2

 

x

6

1

x

6

0

x

 

6

x

6

x

6

x

 

6

x

 

6

2

x

6

x

6

2

1

 

2

 

3

 

1

 

2

 

4

 

 

1

 

5

2

 

x

7

0

x

7

1

x

 

7

x

7

x

7

x

 

7

x

 

7

2

x

7

x

7

2

1

 

2

 

3

 

1

 

2

 

4

 

 

1

 

5

2

 

x

8

0

x

8

1

x

 

8

x

8

x

8

x

 

8

x

 

8

2

x

8

x

8

2

1

 

2

 

3

 

1

 

2

 

4

 

 

1

 

5

2

 

 

 

 

 

 

 

x0 1

x1 1

x2 1 x3 1 x4 1

x5 1

 

 

 

 

 

 

 

 

 

 

x0 2

x1 2

x2 2 x3 2 x4 2

x5 2

 

 

 

 

 

 

 

 

 

 

 

x

3

x

 

 

x

3

x

3

x

3

x

 

 

 

 

 

 

 

 

 

 

 

 

 

 

0

1 3

 

2

3

 

4

 

5 3

 

 

 

 

 

 

 

 

 

 

 

x

 

x

 

 

x

 

x

 

 

x

 

x

 

 

 

 

 

 

 

 

 

 

 

 

Xx

0

4

1 4

 

2

4

3

4

 

4

4

 

5 4

 

 

 

 

 

 

 

 

 

 

 

x0 5

x1 5

x2 5 x3 5 x4 5

x5 5

 

 

 

 

 

 

 

 

 

 

x

6

x

 

 

x

6

x

6

x

6

x

 

 

 

 

 

 

 

 

 

 

 

 

 

 

0

1 6

 

2

3

 

4

 

5 6

 

 

 

 

 

 

 

 

 

 

 

x0 7

x1 7

x2 7

x3 7 x4 7

x5 7

 

 

 

 

 

 

 

 

 

 

 

 

 

 

x1 8

x2 8

x3 8 x4 8

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

x0 8

x5 8

 

 

 

 

Количество повторностей опыта:

 

 

k 3

 

 

 

 

jj

1 3

 

 

 

 

 

Результаты проведения опыта:

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

y1 1

58.5

 

y1 2

 

64.0

 

 

y1 3

64.1

 

 

 

y1 4

62.9

 

 

 

 

 

 

y1 5

58.0

 

y2 1

 

59.0

 

 

y2 2

64.9

 

 

 

y2 3

65.0

 

 

 

 

 

 

y2 4

63.8

 

y2 5

 

59.9

 

 

y3 1

59.4

 

 

 

y3 2

64.5

 

 

 

 

 

 

y3 3

64.8

 

y3 4

 

63.3

 

 

y3 5

58.6

 

 

 

y1 6

69

 

 

 

 

 

 

y1 7

63.3

 

y1 8

 

64.8

 

 

y2 6

69.5

 

 

 

y2 7

63.0

 

 

 

 

 

 

y2 8

65.7

 

y3 6

 

68.6

 

 

y3 7

63.6

 

 

 

y3 8

65.2

 

 

 

 

136

Среднее значение результата:

Корректированный отклик Yk (см. коррекция в конце) Дисперсия каждого опыта:

S2i

1

 

yjj i Ycpi 2

N 1

 

 

 

jj

Наибольшее значение дисперсии: S2max max(S2) S2max 0.27

Количество степеней свободы:

k1 k 1

k1 2

k2 N 1

k2 7

 

 

yjj i

Ycp

jj

 

 

 

 

i

k

 

 

 

Ycpi

 

S2i

 

58.967

 

0.058

 

 

 

 

 

64.467

 

0.058

 

 

 

 

 

64.633

 

0.064

 

 

 

 

 

63.333

 

0.058

 

 

 

 

 

58.833

 

0.27

 

 

 

 

 

69.033

 

0.058

 

 

 

 

 

63.3

 

0.026

 

 

 

 

 

65.233

 

0.058

 

 

 

 

 

Ycp1

 

 

 

 

 

 

Ycp2

 

 

Ycp

 

 

 

3

 

 

Ycp

 

Ykj

Yi

4

 

Ycp5

 

Ycp

 

 

 

6

 

 

Ycp7

 

 

Ycp

 

 

 

8

 

 

58.97

64.47

64.6363.33

58.8363.3

65.23

59

Определяемся в потребности коррекции отклика:

Y Yi

Значение G-критерия Кохрена:

G

S2max

G 0.415

S2i

 

i

Табличное значение критерия Кохрена: Gтабл 0.8010 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.

S2i

Дисперсия воспроизводимости эксперимента: S2y

i

N

 

Построение матрицы, транспонированной Хх: Умножим слева матрицу Хх на матрицу Хх': Умножим слева матрицу Хх на матрицу Y:

Обратная матрица Н:

1

1

1

1

1

1

1

1

 

 

 

1

1

1

1 1 1

0

0

 

 

 

 

 

 

1

1

1 1

0

0

1

1

 

H

Xx'

1

1

1

1

0

0

0

0

 

 

 

 

 

1

1

1

1

1

1

0

0

 

 

 

 

1

1

1

0

0

1

1

 

 

1

 

 

Значения коэффициентов регрессии:

 

b

Xx' XxT H Xx' Xx Xy Xx' Y

C (Xx' Xx) 1

8

0

0

0

6

6

 

0

6

0

0

0

0

 

 

 

 

0

0

6

0

0

0

 

 

0

0

0

4

0

0

 

 

 

 

6

0

0

0

6

4

 

 

 

0

0

0

4

 

 

6

6

(C Xy)

S2y 0.081

 

507.8

 

 

14.4

 

 

 

 

6.467

 

Xy

6.8

 

 

 

 

379.267

 

 

 

 

379.933

 

137

 

 

 

 

 

 

 

 

 

 

n

 

 

 

 

 

 

 

 

Расчетные значения по уравнению регрессии: Ypi b0

xj i b

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

j 1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1

1

1

1

1

1

 

65.35

 

1.25

0

0

0

0.75

0.75

 

 

 

 

 

 

 

 

 

1

1 1

1 1 1

 

 

 

 

 

 

 

 

 

 

2.4

 

 

0

0.167

0

0

0

0

 

 

1

1

1

1

1

1

 

 

 

 

1.078

 

 

0

0

0.167

0

0

0

 

 

1

1

1

1

1

1

 

b

 

C

0

0

0

0.25

0

0

 

Xx

 

 

1.7

 

 

 

 

1

1

0

0

1

0

 

 

1.417

 

 

0.75

0

0

0

0.75

0.25

 

 

1

1

0

0

1

0

 

 

 

 

 

 

0

0

0

0.25

0.75

 

 

 

1.083

 

0.75

 

 

1

0

1

0

0

1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

0

1

0

0

 

 

 

 

 

 

 

 

 

 

 

 

 

1

1

Визуальным анализом сверяем соответствие расчетных и опытных значений (учитывая смещение показателей).

Средние значения результатов:

 

 

 

0

 

 

 

58.97

 

Ypj

 

 

Yj

 

57.67

 

 

 

64.47

 

 

 

 

 

 

 

 

 

Ypcp

j

 

 

Ycp

 

j

 

 

65.87

 

 

 

64.63

N

1

 

N

 

63.23

 

 

 

 

 

 

 

 

 

 

63.33

Ypcp 44.705

Ycp 47.408

 

 

 

 

 

Y

 

 

Остаточная сумма квадратов (финальный остаток):

Yp

64.63

 

58.83

 

 

k

 

 

 

2

 

 

 

61.53

 

 

 

69.03

 

S2R Ypi 1 Yi

S2R 5.627

 

 

 

 

 

 

 

 

66.33

 

 

 

63.3

 

 

i 1

 

 

 

 

 

 

 

63.19

 

 

 

 

 

j 0 n

 

 

 

 

 

 

 

 

65.34

 

 

 

65.23

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Коэффициенты ковариации, характеризующие статистическую зависимость факторов:

Сov

C S2y

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Дисперсии факторов:

 

S2bij Cj j S2y

 

 

 

 

 

 

 

 

 

 

 

0.1

0

0

0

0.06

 

0.06

0.101

 

 

0

0.01

0

0

0

 

 

0

 

 

 

0.014

 

 

 

 

 

 

 

 

 

0

0

0.01

0

0

 

 

0

 

 

 

0.014

 

Сov

0

0

0

0.02

0

 

 

0

 

 

S2bi

0.02

 

 

 

 

 

 

 

 

 

0.06

0

0

0

0.06

 

0.02

 

 

0.061

 

 

 

0

0

0

0.02

 

0.06

 

 

 

 

0.06

 

 

0.061

 

Ошибка коэффициентов регрессии:

Sbi

 

 

S2bi

 

 

 

 

 

 

N n

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Значения t-критерия для коэффициентов: tj

 

bj

 

 

 

 

 

 

Sbij

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Уровень критерия проверки гипотезы (значимости ошибки):

0.05

 

Количество степеней свободы:

1 n 1

 

 

 

 

 

 

 

 

 

 

138

Квантиль распределения Стьюдента:

 

 

 

 

 

1

 

 

 

T 2.776

T qt

2

1

 

 

 

 

 

Проводим проверку значимости

коэффициентов

 

1.297 10

3

0.05

 

регрессии. Незначимые коэффициенты принимаем

 

 

 

0.018

 

равными нулю:

 

 

 

 

 

130.486

 

 

 

to 0 bj

to

if T

 

tj

 

 

58.598

 

 

0.018

 

 

bj

otherwise

t

 

Sbi

0.023

 

 

 

75.467

 

 

 

Число значимых коэффициентов в уравнении:

 

36.309

 

 

0.039

 

n 1 6

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

27.766

 

0.039

 

Дисперсия отклонения результатов расчета от опытов:

S2ад

S2R

S2ад 2.8134

N (n 1)

Доверительный интервал для коэффициентов регрессии c 95 %-й вероятностью:

Число степеней свободы:

bj

tj S2y N 1

 

 

 

 

 

2 N 1

2

7

 

 

 

 

 

F-критерий Фишера:

 

 

 

13.167

 

65.35

 

S0 S2ад

S1 S2y

 

 

1.324

 

 

2.4

 

 

 

 

 

 

max(S)

 

 

 

0.595

 

 

1.078

 

F min(S)

F 34.652

 

b

 

b

 

Критическое значение F-критерия Фишера:

 

0.766

 

 

1.7

 

 

0.368

 

 

1.417

 

Fkp qF 1 1 2

Fkp 4.12

 

 

 

 

 

 

 

 

F Fkp 0

 

 

0.282

 

1.083

 

Поскольку условие оказалось ложным (равным нулю, а не 1), то гипотезу следует отвергнуть (не принять), то есть мы должны сделать вывод о неравноточности или неравнорассеянности дисперсий (различия представленных выборок значимы), значит, полученная модель неадекватно описывает результаты опытов и следует перейти к модели более высокого порядка.

При адекватной модели определяют скорректированные средние квадратичные отклонения результатов:

 

 

1

 

N

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

2

 

 

 

 

 

 

1

 

 

2

Sx

 

Ypcp Ypi

 

Sy

Ycp Ycpi

N 1

 

 

 

N 1

 

 

Sx 20.266

i 1

 

 

 

Sy 17.498

i

 

 

 

 

 

 

 

 

 

 

 

Выборочный корреляционный момент:

 

 

 

 

 

 

 

 

 

 

 

Kxy

1

 

Ycp Ycpi Ypcp Ypi

Kxy 352.704

 

 

N 1

 

 

 

 

 

 

i

 

 

 

Kxy

 

 

 

 

 

 

Коэффициент корреляции:

 

 

r

 

 

r 0.9946

 

 

Sy Sx

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Корреляционное отношение:

 

 

 

 

 

 

 

 

S2ад

 

0.167

 

 

 

 

1 S2y S2ад

 

 

 

 

 

 

 

 

Множественная мера определенности:

r2 0.989

 

 

 

 

 

139

Yjotherwise
При снятии эффектов дополнительно и других факторов следует повторить весь модуль (интервал в пометках «!!!»), при этом в скобку у Ykkj следует вносить значения их коэффициентов регрессии b, а значение Xb соответственно менять и приравнивать.
Составим уравнение регрессии второго порядка:

t-критерий коэффициента корреляции: tr

 

r

N 2

 

 

tr 23.492

 

 

 

1 r2

 

 

 

 

 

 

 

 

 

 

 

 

Табличное значение t-критерия: Tr qt

1

 

n 1 1

Tr

2.571

 

tr

 

Tr 0

 

 

 

 

2

 

 

 

 

 

 

 

 

 

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.

Корректировка результатов

Коэффициент, значение которого недостоверно (например, b1): b1 2.4

Представим матрицу Хх в виде векторов:

 

 

 

 

 

 

X0 Xx 0

X1 Xx 1

X2 Xx 2

X3 Xx 3

X4 Xx 4

X5 Xx 5

 

 

 

 

 

 

 

 

 

Снимаем действие эффекта первого (данного b1) фактора для значений Xxi=+1:

 

Ykk1j Yj b1

Xb1 X1

Y'j

 

Ykk1jif Xb1j

0

 

 

 

 

 

 

 

 

 

 

 

Ypcs d b0 b1 Xs b2 Zd b3 Xs Zd b4 Xs 2 b5 Zd 2

Полученные значения Y'j сравним с ранее принятыми результатами Yj.

Осуществим графический анализ (рис. 2.27) полученного уравнения регрессии. Перейдем к координатам X и Z, для этого введем векторизацию:

 

s 0 11

d 0 10

 

Xs

1.2 0.2 s

Zd 1

0.2 d

Y'j

 

 

 

 

 

1

 

 

 

 

 

 

 

1

 

 

61.367

 

0

58.967

 

 

 

 

 

 

1

64.467

 

 

1

 

 

64.467

 

 

 

Y

 

 

1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

67.033

j

2

64.633

Xb1

 

1

 

 

 

 

3

63.333

 

 

63.333

 

 

 

1

 

 

 

 

4

58.833

 

 

 

 

61.233

 

 

 

 

 

 

0

 

 

 

 

 

 

 

 

69.033

 

5

69.033

 

 

 

 

 

 

 

 

 

 

 

0

 

 

 

 

 

 

 

 

Построим трехмерный график Ypc: по горизонтали координата Х,

по вертикали координата Z (рис. 2.28).

В некоторых версиях Matchcad происходит смещение координатной сетки (вместо от -1 до +1 к участку от 0 до 10) при сохранении надлежащих числовых значений Ypc. Анализ полученного графика позволяет сделать вывод, что имеется экстремум в районе Х=-1 и Z=+5. Однако маловероятно, что экстремальное значение находится в плане эксперимента. Скорее всего, придется проводить дополнительные мероприятия по определению или уточнению месторасположения оптимума. Получаемые при этом значения включаются в план-матрицу эксперимента.

140

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]