
- •Билет №1.
- •1. Классификация ошибок, возникающих при проведении исследований. Промахи: их причины, методы предупреждения и исключения.
- •Билет №2.
- •1. Систематические ошибки, возникающие при проведении исследований. Их причины, методы предупреждения и исключения.Есть ещё и Лизин вар.
- •Билет №3.
- •Билет №4.
- •Билет №5.
- •Билет №6.
- •2. Рандомизация плана эксперимента.
- •Билет №7.
- •1. Группировка результатов наблюдений. Расчёт среднего и дисперсии по результатам группировки.
- •Билет №8.
- •1. Гистограмма и полигон распределения. Обработка результатов ситового анализа.
- •Билет №9.
- •1. Корреляция. Расчёт и проверка значимости коэффициента корреляции
- •Билет №10.
- •Билет №11.
- •2. Условная оптимизация. Использование неопределённых множителей Лагранжа при оптимизации с ограничениями.
- •Билет №12.
- •Билет №13.
- •Билет №14.
- •2. Крутое восхождение.Как метод поиска оптимума.
- •Билет №15.
- •1. Проверка статистических гипотез при обработке результатов эксперимента.
- •Билет № 16.
- •2. Последовательный симплекс-метод оптимизации.
- •Билет № 17.
- •1. Доверительные интервалы. Возможности исключения незначимых коэффициентов.
- •Билет № 18.
- •Билет № 19.
- •1. Проверка адекватности уравнения регрессии. Анализ причин неадекватности и путей её устранения.
- •2. Графический метод решения задач линейного программирования.
- •Билет № 20.
- •Билет № 21.
- •Билет № 22.
- •Билет № 25.
Билет №7.
1. Группировка результатов наблюдений. Расчёт среднего и дисперсии по результатам группировки.
В случае большого кол-ва измерений мы разбиваем всю совокупность на небольшие интервал.Сводные характеристики:Средневзвешенное значение (сумма(медиана на кол-во результатов в этом интервале))/сумму кол-во результатов в этом интервале) Средневзвешенное среднеквадратическое отклонение Коэффициент вариации.Дисперсия это мат. ожидание квадрата отклонения случ. Величины от ее мат.ожидания. Дисперсия равна отношению суммы квадратов отклонений случ.величины от среднего значения к числу степеней свободы этой дисперсии. Числом степеней свободы f является разность между кол-вом наблюдений и кол-вом связей, положенных на эти наблюдения.Рассматривают выборочную и генеральную дисперсии. Первая хар-ет рассеяние элементов выборочной совокупности, а вторая –генеральной. У генеральной в знаменателе (n-1).
2. Суть проблемы оптимизации многофакторных технологических процессов.
Целью такого э-та явл-ся нахождение сочетания неск-ких факторов, к-ое обеспечит оптим-ое протекание наблюдаемого многофак-ого процесса.
1.Безусловный экстремум.
Рассм.1факторную экстремную задачу:1из стен производственного помещения имеет l=80м, к ней необх пристроить с наруж стороны прямоуг площадку для складских целей. Со стороны, паралл-ой корпуса площадка огорождена огр-ем из лист стали, с 2х перпен сторон огр-е из рабицы. 1 м длины такого огр-я обх-ся в С1=700 р/м
С2=200р/м Sскл=900м Какой д б длина и ширина буд склада, чтобы его стр-во обошлось как можно дешевле. Экономико-мат модель:
Z=с1*а+2с2б – мин
Завис-сть неоднозначна.Рациональнее вместо граф-ого реш-я найти аналит-кое.поскольку необх усл-ем экст-ма явл-ся
Рассм-ная задача строго говоря не отн-ся к классу задач безусл опт-ции, потому что в ней задача опт-ции целевой ф-ции сопров-ся усл-вием ограничением.
Билет №8.
1. Гистограмма и полигон распределения. Обработка результатов ситового анализа.
Гистограмма - функция, приближающая плотность вероятности некоторого распределения, построенная на основе выборки из него.По у – частота t, по х – медиана xi Полигон здесь – ломанная линия, которая получится если соединить середины верхов гистограммы.Если мы увеличим количество элементов в совокупности, гистограмма будет приближаться к идеальному виду, при росте к-ва элементов происходит сужение интервала который в пределе стремится к точке. Это значит по гистограмме можно судить не только о значении величины но и о законе, по которому она изменяется Дальше пример про сита разного диаметра и песок.По рез-там ситового анализа опр-ть 2параметра:ср.размер и коэф-т однородности.Песок надо просеять.Для анализа исп-ся небол.порция 50гр песка, от лишней примеси(глина) после его сушки. Обычно считают, что каждую песчинку усл-но рассм.как шар, харак-мый неким эквивалентным р-ром.Рассортировать невозможно-сгруппировать! Песок подвергают рассеву через набор сит,р-р яйчейки к-ых макс-но у верхнего сита и мин-лен у нижнего.
Нормальный ряд р-ра сит
1-2,5 в теч t автом.встряхивание
2 -1,6 тщательно сгреб-ся песок с сита;взвешивание;
3 -1 процентное содержание массы
4-0,63 по рез-там рассева строится график
5-0,4
6-0,315 в логар-ком маштабе(по осиХ) шкала не равномерна
7-0,2 Хср-ср.вел-на размера зерна песка(медианная)
8-0,16
9-0,1
10-0,063 к=в-а(%)коэф-т однородности песка
11-0,005
2. Геометрия двухфакторной функции отклика. Получение изолиний.
Оптимизация многоаргументной целефой ф-ции.
Целевая ф-ция- это мин или мах к –е мы хотим обнар-ть.
Представим закон-сти, хар-щие эту пов-сть
Линии равных знач-ний отклика-изолинии. Многофакторные ф-ции, имеющие экстремум, м б описана полиномом, имеющим порядок выше первого. Для 2хфакторной:
Для получ-я подобных мат моделей реализуют особые планы э-та.Кол-во опытов этого плана намного превышает кол-во опытов в плане 1ого порядка. Планы э-то для получ-я подобных моделей д обладатьоптим-ными св-ми и это обесп-ся на стадии планир-я.
Сущ-ют разл критерии оптим-сти э-та:1ортогональность2.ротатабельность3Доптимальность.
Ротатабельные планы обесп-ют 1 и ту же дисп предсказания отклика для данного р-я от центра плана. Доптимальность-св-во обесп-ть мин дисп предсказанного знач-я отклика, точность была макс-ой.
Для планов 1ого порядка все само собл-ся, а для 2ого невозможно.поэтому при планир-нии выбирают 1 из 3 критериев.Упростить расчеты-1;чаще всего - 3