- •Основы научных исследований
- •Введение
- •Общие представления
- •О науке1
- •Термины и определения
- •Классификация научных исследований
- •История науки и ее роль в жизни общества
- •Организация научной деятельности в России
- •Методы научных
- •Исследований1
- •Классификация методов научных исследований
- •Количественные измерения
- •Характеристика результатов измерений как случайных величин
- •Погрешности измерений
- •Формы представления конечных результатов измерений
- •Примеры статистической оценки результатов наблюдений и экспериментов Сравнение двух дисперсий
- •Сравнение нескольких дисперсий выборок одинакового объема
- •Сравнение двух средних
- •Контрольные вопросы и задания
- •Тема 3 основные этапы прикладных научных исследований
- •Основные этапы нир
- •Рекомендации по составлению аналитического обзора
- •Поиск и хранение информации
- •Определение предмета поиска информациизачастую определяется источниками информации и особенностями третичных документов, облегчающих поиск первичных и вторичных документов.
- •Выбор источников информации во многом зависит от "возраста" информации в этих источниках.
- •Отбор и хранение найденной информации.Рекомендуется всю найденную информацию сохранять, так как она может пригодиться не только для данного, но и последующих исследований.
- •Составление аналитического обзора
- •Тема 4 выбор и составление плана эксперимента
- •Планирование эксперимента для применения корреляционного анализа Общие положения корреляционного анализа
- •Составление планов эксперимента с учетом возможности проведения корреляционного анализа
- •Анализ поля корреляции. При использовании этого метода выполняем две операции:
- •Анализ выборочного коэффициента парной линейной корреляции. Выполняем следующие операции:
- •Окончательные выводы корреляционного анализа.
- •Планирование эксперимента для применения дисперсионного анализа Общие положения дисперсионного анализа
- •Составление планов эксперимента для проведения дисперсионного анализа
- •Однофакторный дисперсионный анализ.
- •Планирование эксперимента для применения регрессионного анализа Некоторые общие положения регрессионного анализа
- •Составление планов эксперимента для проведения
- •Регрессионного анализа
- •Составление планов эксперимента для проведения
- •Классического регрессионного анализа
- •Математическое планирование эксперимента для проведения регрессионного анализа
- •Планы первого порядка
- •Планы второго порядка
- •Планирование эксперимента для решения оптимизационных задач
- •Метод крутого восхождения или наискорейшего спуска по поверхности функции отклика объекта
- •Метод симплекс-планирования
- •Особенности планирования эксперимента в производственных условиях
- •Тема 6 основные задачи, решаемые при выполнении опытно-конструкторских работ
- •Тема 7 охрана интеллектуальной собственности, создаваемой при выполнении научных исследований
- •Библиографический список
- •Приложение а табличные формы некоторых законов распределения
- •Содержание
- •Глухих Виктор Владимирович Основы научных исследований
Математическое планирование эксперимента для проведения регрессионного анализа
В современных условиях, учитывая многогранность изучаемых явлений, острый дефицит времени, высокую стоимость эксплуатации научного оборудования, необходимо стремиться к наиболее рациональным планам проведения эксперимента.
Во многих случаях полученное по результатам эксперимента уравнение регрессии используется как математическая модель объекта.
Математические модели объекта могут быть детерминированными и статистическими.
Детерминированные математические моделиобъекта, строят на основе фундаментальных законов физики, механики, химии и других естественных наук.Статистические математические модели получают, описывая зависимости выходных параметровyv(свойств, откликов) объекта от изменения входных параметровxj(факторов) с помощью различных функций
yv = v (x1, x2, x3, ..., xj, ..., xk) + (w1, w2, w3, ..., wz, ...) ,
где – вклад в изменение свойств объекта случайных факторов.
Наиболее часто в качестве статистической модели объекта используют приближенные уравнения регрессии ŷ:
ŷ = fv(x1, x2, x3, …, xj, …, xk);
yv = fv(x1, x2, x3, ..., xj, ..., xk) + + .
Одно из основных требований к математической модели объекта - это точность описания (предсказывания) поведения реального объекта при изменении условий.
Применение методов РАМПЭможет помочь получить уравнения регрессии, более точно описывающего реальный объект(с меньшими ошибками + ), чем уравнение, полученное при КРА. В некоторых случаях применение методов математического планирования эксперимента позволяет значительно сократить в нем число опытов.
В основу методов математического планирования эксперимента для проведения РА положен принцип "черного ящика". Суть этого принципа заключается в том, что исследователь, не зная об истинных закономерностях поведения объекта, описывает его с помощью статистических математических моделей.
Образно говоря, "ударяя" по исследуемому объекту изменением входных параметров (xj) в ходе эксперимента (рис. 6) и измеряя его реакцию (yv) на эти "удары" при действии случайных факторов (wz), можно получить статистическую математическую зависимость, пригодную для прогноза поведения объекта.
Рис. 6. Схема
объекта,
изучаемого методом
"черного ящика"
С помощью метода "черного ящика" получают статистические математические модели объектов в виде полиномов различной степени.
Известно, что любую функцию (в том числе ) можно разложить в ряд Тейлора и представить в виде конкретного полинома определенной степени (конечного отрезка ряда Тейлора) вида
…,
ŷ =
где и b – генеральные и выборочные коэффициенты ряда Тейлора, соответственно.
По результатам эксперимента можно определить вид полинома только с выборочными коэффициентами, которые характеризуют:
b0 – величину y при нулевом значении всех факторов (свободный член);
b1, b2, ..., bj, ..., bk – линейные эффекты влияния соответствующих факторов на величину y;
b12, b13, ..., b1j, ...,b1k, b23, b34, ..., b2j, ..., b(k-1)j, ..b(k-1)k – парные эффекты влияния соответствующих факторов на величину y (эффекты взаимодействия двух соответствующих факторов);
b11, b22, ..., bjj, ..., bkk – квадратичные эффекты влияния соответствующих факторов на величину y;
b123, b124, ..., b1uj, ..., b234, b235, ..., b2uj, ..., b(k-2)(k-1)k – тройные эффекты влияния соответствующих факторов на величину y (эффекты взаимодействия трех соответствующих факторов) и т.д.
Наиболее удобно планировать эксперимент математическими методами для кодированных значений факторов (xj), получаемых из натуральных значений (Xj) по следующим формулам:
; ;,
где – натуральное значение фактора в центре (середине) выбранной (заданной) области изменения (варьирования) фактора,и– максимальное и минимальное значения фактора в выбранной области его изменения, соответственно;Хj – шаг варьирования фактора. В соответствии с этими формулами натуральному значению Xj = соответствует кодированное значениеxj = 0; Xj = – кодированное значениеxj = +1, а Xj = – значениеxj = –1.
Переход от кодированных значений факторов к натуральным осуществляют по формуле
.
Выбор плана эксперимента для проведения РАМПЭ, в отличие от планирования экспериментов для проведения КРА, определяется видом выбранного семейства функций (видом полинома).
После завершения эксперимента для проведения РАМПЭ выполняют следующие действия:
Выбирают вид полинома (отрезок ряда Тейлора) для поиска уравнения регрессии.
Для выбранного полинома с помощью МНК рассчитывают параметры функции (выборочные коэффициенты уравнения регрессии).
Проверяют рассчитанные выборочные коэффициенты уравнения регрессии на значимость (равенство нулю).
Корректируют вид исходной функции, исключая из нее члены с незначимыми коэффициентами.
Оценивают ошибки, допускаемые при описании истинной зависимости с помощью найденного уравнения регрессии: проверяют адекватность уравнения регрессии с помощью распределения Фишера или рассчитывают вероятность описания зависимости функцией f.
Если точность найденного уравнения регрессии не удовлетворяет, то выбирают, планируют и реализуют другой план эксперимента для поиска уравнения регрессии в другом семействе полиномов (например, полиномов более высокого порядка).
Порядок проведения РАМПЭ в отличие от КРА имеет следующие особенности:
- выбирается только один класс функций – полиномы;
- используется только один метод приближения – МНК;
- после корректировки уравнения регрессии его коэффициенты не пересчитываются;
- выполняется меньшее количество этапов РА.
Обычно поиск уравнения регрессии начинают в семействе самых простых полиномов: первого и второго порядка. По названиям степеней полиномов называют и планы эксперимента для применения РАМПЭ.
Прежде чем перейти к знакомству с методами РАМПЭ, необходимо отметить некоторые важные обстоятельства [4].
С познавательной точки зрения полиноминальная статистическая модель объекта не представляет большого интереса. Зная оценки коэффициентов отрезков ряда Тейлора, нельзя определить истинную зависимость , а, следовательно, невозможно получить информацию о механизме поведения исследуемого объекта.
Полиноминальные модели справедливы только для условий, в которых проводился эксперимент.
Полиноминальные модели очень полезны с практической точки зрения, так как позволяют управлять поведением объекта и решать для него задачи оптимизации.