- •Лекция 1. Общие сведения по теории вероятностей.
- •Условные и безусловные вероятности.
- •1.5. Формула полной вероятности и формула Байеса
- •Понятие случайного события.
- •1) Вероятность достоверного события равна 1;
- •2) Вероятность невозможного события равна 0;
- •Вероятность случайного события заключена
- •1.2. Алгебра событий.
- •1.3. Зависимые и независимые события.
- •1.4. Основные формулы теории вероятностей.
- •1.5. Формула полной вероятности и формула Байеса
- •1.6. Частная теорема о повторении опытов.
- •2.1. Случайные величины и их законы распределения.
- •2.2. Функция распределения.
- •2 .3. Вероятность попадания случайной величины
- •2.4. Плотность распределения
- •2.5. Числовые характеристики случайной величины
- •2.6 Понятие о моментах случайной величины.
- •2.7. Основные свойства математического ожидания
- •Свойства математического ожидания:
- •Свойства дисперсии случайной величины:
- •Лекция 3. Основные законы распределения
- •3.1. Гипергеометрическое распределение
- •3.5. Закон равной вероятности
- •3.7. Закон распределения модуля разности
- •3.8. Композиция законов распределения
- •3.1.Гипергеометрическое распределение.
- •3.5. Закон равной вероятности.
- •3.7. Закон распределения модуля разности.
- •Статистики
- •4.1. Основные задачи математической статистики
- •4.2. Основные понятия и определения. Выборочного метода
- •4.3. Выборочные характеристики. Состоятельные,
- •Свойства выборочных средних и дисперсий.
- •Доверительный интервал. Доверительная вероятность.
- •Задача определения закона распределения случайной величины.
- •2. Задача проверки правдоподобия гипотез.
- •3.Задача нахождения неизвестных параметров распределения.
- •4.2. Основные понятия и определения. Выборочного метода.
- •Генеральная совокупность и выборка из нее.
- •4.3. Выборочные характеристики. Состоятельные, несмещенные и эффективные оценки характеристики.
- •4.5. Доверительный интервал. Доверительная вероятность.
- •5.1. Определение характеристик эмпирического
- •5.2. Сопоставление и проверка сходимости
- •Координаты характерных точек кривой
- •5.3. Сопоставление эмпирического распределения
- •5.4. Статистическая проверка гипотез.
- •5.5. Проверка гипотезы о законе распределения случайной
- •Критерий
- •Критерий 2
- •5.6. Проверка гипотезы равенства двух выборочных средних
- •5.7. Проверка гипотезы равенства двух выборочных
- •5.8. Проверка гипотезы равенства ряда дисперсий .
- •Критерий Бартлета.
- •Критерий Кохрана.
- •5.9. Проверка гипотезы равенства ряда средних.
- •5.10. Метод исключения грубых ошибок измерения
- •5.11. Выбор числа наблюдений
- •6.1.Закон больших чисел и центральная
- •6.2. Неравенство Чебышева.
- •Неравенство Чебышева.
- •6.3. Закон больших чисел (теорема Чебышева).
- •6.4 Теорема Бернулли.
- •7.2. Коэффициент корреляции и корреляционное отношение.
- •7.3. Корреляционный анализ
- •7.4 Выбор уравнения регрессии
- •7.5. Понятие о множественной корреляции
- •Лекция 8. Основы планирования
- •8.6.1. Метод крутого восхождения.
- •8.1. Основные определения.
- •«Черный ящик »
- •8.3. Полный факторный эксперимент.
- •8.3.1 Выбор интервалов варьирования факторов
- •8.3.2 Полный факторный эксперимент типа 2
- •Построение матрицы 2
- •8.3.3. Свойства полного факторного эксперимента типа 2 к
- •8.3.4. Полный факторный эксперимент
- •8.3.5 Анализ модели.
- •8.3.5.1. Проверка значимости коэффициентов модели.
- •Расчет дисперсии опытов и оценка их однородности
- •Расчет дисперсий параметра оптимизации и коэффициентов регрессии
- •Проверка значимости коэффициентов регрессии
- •8.3.5.2. Проверка адекватности модели
- •8.4. Дробный факторный эксперимент.
- •8.4.1.Минимизация числа опытов.
- •Дробная реплика
- •8.4.3. Выбор полуреплик. Генерирующие соотношения и определяющие контрасты
- •8.4.4.Выбор 1/4-реплик. Обобщающий
- •8.6. Оптимизация функции отклика.
- •8.6.1. Метод крутого восхождения.
- •6.6.2. Методика расчета крутого восхождения
- •6.7. Принятие решений после построения модели процесса
- •8.5 Рандомизация опытов.
- •8.6 Оптимизация функции отклика
- •8.6.1. Метод крутого восхождения. Движение по градиенту
- •8.6.2. Методика расчета крутого восхождения
- •8.7.Принятие решений после построения
- •9.1. Статистический анализ точности обработки.
- •9.3. Статистический анализ посредством малых выборок.
- •9.4. Статистический анализ с помощью точечных
- •9.4.1. Карта средних значений (карта « »)
- •9.4.2. Карта медиан (карта )
- •9.4.3. Карты « »
- •9.4.4. Метод средних арифметических значений и
- •9.4.4. Контрольные карты по неизмеримым
- •Карта «р»
- •Карта «с».
8.6. Оптимизация функции отклика.
8.6.1. Метод крутого восхождения.
Движение по градиенту
После вывода уравнения регрессии с помощью постановки полного или дробного факторного эксперимента у экспериментатора может возникнуть следующий вопрос: можно ли оптимизировать полученную функцию отклика, т.е. добиться такого сочетания факторов, при котором полученная функция принимала бы оптимальные значения?
Для поиска оптимальных условий в планировании экстремальных экспериментов широко применяется метод крутого восхождения по поверхности отклика в направлении градиента линейного приближения, который определяется реализацией плана полного или дробного факторного эксперимента.
Пример 8.6. Представим, что человек с закрытыми глазами хочет пройти кратчайшим путем к вершине горы. Он будет делать шаги в разные стороны, чтобы определить направление движения. Достигнув вершины, человек должен оценить ее крутизну, сделав поочередно по шагу во все четыре стороны.
Градиент функции отклика есть вектор:
(8.15)
или
,
где grad - обозначение градиента; - частная производная функции по i-фактору; i, j, … k - единичные векторы в направлении осей факторного пространства.
Следовательно, составляющие градиента являются частными производными функции отклика. В случае, если модель линейна по параметрам, частные производные равны коэффициентам регрессии при факторах. Для движения по градиенту необходимо изменять факторы пропорционально соответствующим коэффициентам регрессии и в ту сторону, в которую указывает знак коэффициентов.
Рассмотрим простейший случай для одного фактора. Пусть регрессионная модель имеет вид:
Градиент этой функции в точке x в соответствии с формулой можно записать так:
В начале координат (в точке x=0) , т.е. вектор-градиент функции имеет длину, равную абсолютному значению коэффициента b1 . На рис.6.6 представлена графическая иллюстрация вектора-градиента для этого случая.
y
В
O A
I
-1 0 +1
Рис..6. Расчет координат точек
в направлении градиента
Значение коэффициента регрессии равно тангенсу угла между линией регрессии и осью данного фактора. Если его умножить на интервал варьирования, который является прилежащим катетом в прямоугольном треугольнике ОАВ , то получится значение; равное размеру противолежащего катета , который и дает координаты точки, лежащей на градиенте.
Приведем краткий вывод основных соотношений для движения в направлении градиента функции отклика. Пусть функция отклика имеет вид полинома
y=b0+b1х1+b2х2+…+bKxK.
Вектор-градиент этой функции в начале координат, т.е. при х1=0, х2=0…xK =0, запишем так:
Уравнение прямой линии, проходящей в факторном пространстве через начало координат параллельно вектору-градиенту в той же точке, имеет вид
xi=λbi при i=1,2,…,к.. (6.16)
Кодированные переменные xi(i=1,2,…,к) связаны с натуральными переменными x1,x2,…,xK формулой (6.1).Тогда из равенства (6.16) получим
при i=1,2,..k. (6.17)
Уравнение прямой (6.17) лежит в основе метода крутого восхождения. Точки с координатам x1,x2,…xK удовлетворяющие этому уравнению, находятся на линии крутого .восхождения. Меняя значения параметра k, можно найти координаты нескольких точек, лежащих на данной линии. В соответствии с методом крутого восхождения отыскивается такая точка на линии, выраженной уравнением (6.17), которой отвечает максимальное значение величины .