- •1. Эксперимент как предмет исследования
- •1.1. Классификация видов экспериментальных исследований
- •1.2. Погрешности результатов исследований
- •2. Краткие сведения из теории вероятностей и математической статистики
- •2.1. Вероятность случайных событий, их характеристики
- •2.2. Нормальный закон распределения
- •3.1. Вычисление характеристик эмпирических распределений
- •3.2. Статистические гипотезы
- •3.3. Отсев грубых погрешностей
- •3.4. Определение доверительных интервалов для исследуемых величин
- •3.4.1. Оценка доверительного интервала для математического ожидания
- •3.4.2. Оценка доверительного интервала для дисперсии
- •3.5. Сравнение двух рядов наблюдений
- •3.5.1. Сравнение средних значений
- •3.5.2. Сравнение двух дисперсий
- •3.5.3. Проверка однородности нескольких дисперсий
- •3.6. Определение необходимого количества измерений
- •3.7. Проверка гипотезы нормального распределения
- •3.8. Преобразование распределений к нормальному
- •4. Анализ результатов пассивного эксперимента. Эмпирические зависимости
- •4.1. Характеристика видов связей между рядами наблюдений
- •4.2. Определение коэффициентов уравнения регрессии
- •4.3. Определение тесноты связи между случайными величинами
- •4.4. Линейная регрессия от одного фактора
- •4.5. Регрессионный анализ
- •4.5.1. Проверка адекватности модели
- •4.5.2. Проверка значимости коэффициентов уравнения регрессии
- •4.6. Линейная множественная регрессия
- •4.7. Нелинейная регрессия
- •5.1. Оценка погрешностей определения величин функций
- •5.2. Обратная задача теории экспериментальных погрешностей
- •5.3.Определение наивыгоднейших условий эксперимента
- •6. Методы планирования экспериментов. Логические основы
- •6.1. Основные определения и понятия
- •6.2. Пример хорошего и плохого эксперимента
- •6.3. Планирование первого порядка
- •6.3.1. Выбор основных факторов и их уровней
- •6.3.2.Планирование эксперимента
- •6.3.3. Определение коэффициентов уравнения регрессии
- •6.3.4. Статистический анализ результатов эксперимента
- •6.3.5. Дробный факторный эксперимент
- •6.3.6. Разработка математической модели гидравлического режима методической печи
- •6.4. Планы второго порядка
- •6.4.1. Ортогональные планы второго порядка
- •6.4.2. Ротатабельные планы второго порядка
- •6.5. Планирование экспериментов при поиске оптимальных условий
- •6.5.1. Метод покоординатной оптимизации (Гаусса - Зейделя)
- •6.5.2. Метод крутого восхождения (Бокса-Уилсона)
- •6.5.3. Симплексный метод планирования
- •7. Компьютерные методы статистической обработки результатов инженерного эксперимента
- •7.1. Статистические функции Microsoft Excel
- •7.2.1. Общая структура системы
- •7.2.2. Возможные способы взаимодействия с системой
- •7.2.3. Ввод данных
- •7.2.4. Вывод численных и текстовых результатов анализа
- •7.2.5. Статистические процедуры системы statistica
- •7.2.6. Структура диалога пользователя в системе statistica
- •7.2.7. Примеры использования системы statistica
4.3. Определение тесноты связи между случайными величинами
Определив уравнение теоретической линии регрессии, необходимо дать количественную оценку тесноты связи между двумя рядами наблюдений. Уравнения линий регрессии, проведенные на рис. 4.1бв, одинаковы, однако на рис. 4.1б точки значительно ближе (теснее) расположены к теоретической линии регрессии, чем на рис. 4.1в.
При корреляционном анализе предполагается, что факторы и отклики носят случайный характер и подчиняются нормальному закону распределения.
Тесноту связи между случайными величинами характеризуют корреляционным отношениемxy. Остановимся подробнее на физическом смысле этого показателя. Для определения физического смысла этого показателя введем новые понятия.
Остаточная дисперсия (дисперсия адекватности)характеризует разброс экспериментально наблюдаемых точек относительно линии регрессии и представляет собой показатель ошибки предсказания параметраYпо уравнению регрессии (рис. 4.6):
(4.9)
где l=k+1 – число коэффициентов уравнения модели.
Общая дисперсия (дисперсия выходного параметра)характеризует разброс экспериментально наблюдаемых точек относительно среднего значения, т.е. линии С (см. рис. 4.6):
(4.10)
где
Средний квадрат отклонения линии регрессии от среднего значения линии (см. рис.4.6):
(4.11)
Очевидно, что общая дисперсия Sy(сумма квадратов относительно среднего значения) равна остаточной дисперсии(сумме квадратов относительно линии регрессии) плюс средний квадрат отклонения линии регрессии Sy*2(сумма квадратов, обусловленная регрессией).
(4.11а)
Разброс экспериментально наблюдаемых точек относительно линии регрессии характеризуется безразмерной величиной – выборочным корреляционным отношением, которое определяет долю, которую привносит величина Х в общую изменчивость случайной величины Y.
(4.12)
Проанализируем свойства этого показателя.
1. В том случае, когда связь является не стохастической, а функциональной, корреляционное отношение равно 1, т.к. все точки корреляционного поля оказываются на линии регрессии, остаточная дисперсия равна , а(рис.4.7а).
2. Равенство нулю корреляционного отношения указывает на отсутствие какой-либо тесноты связи между величинами x и y для данного уравнения регрессии, поскольку разброс экспериментальных точек относительно среднего значения и линии регрессии одинаков, т.е.(рис.4.7б).
Рис. 4.7.Значения выборочного корреляционного отношенияxy:
а – функциональная связь; б – отсутствие связи
3. Чем ближе расположены экспериментальные данные к линии регрессии, тем теснее связь, тем меньше остаточная дисперсия и тем больше корреляционное отношение.
Следовательно, корреляционное отношение может изменяется в пределах от 0 до 1.
Учитывая, что на ПЭВМ имеются пакеты программ для статистической обработки результатов исследований, рассмотрим методологию этого подхода на примере простейших линейных и одномерных задач (см. уравнение 4.5). Идеология этого способа для решения более сложных задач принципиально не отличается. Более того, как мы увидим в дальнейшем, многие нелинейные зависимости можно свести к линейным.