Разделы

Авто
Бизнес
Болезни
Дом
Защита
Здоровье
Интернет
Компьютеры
Медицина
Науки
Обучение
Общество
Питание
Политика
Производство
Промышленность
Спорт
Техника
Экономика

Оценка дифференциального эффекта уровней фактора

Дифференциальный эффект уровней позволяет оценить изменение среднего значения функции отклика системы при переходе фактора с уровня j на уровень i. При этом следует учитывать, что на это изменение оказывает воздействие и случайные причины, а не только анализируемый фактор. Как и в дисперсионном анализе, здесь возможны различные варианты решения задачи в зависимости от наличия априорной информации и повторных опытов в точках плана. Рассмотрим два типовых варианта обработки данных [3].

В первом варианте рассматривается следующая ситуация:

результаты измерений в различных точках независимы, повторные опыты отсутствуют;

предполагается нормальное распределение значений функции отклика в различных точках плана, дисперсии распределения неизвестны, но одинаковы (случайность значений обусловлена ошибками измерений).

Данный вариант соответствует сравнению двух средних значений нормально распределенных генеральных совокупностей, дисперсии которых неизвестны, но предположительно одинаковы. Сравнение предполагает выполнение следующих шагов.

1. Вычисление средних значений функции отклика для двух сравниваемых значений факторов (уровни факторов соответствуют столбцам j и i латинского квадрата)

.

2. Вычисление оценок дисперсии функции отклика для выбранных уровней факторов

.

3. Прежде сравнения средних следует проверить однородность оценок дисперсии по критерию Фишера. Дисперсии расставляются так, чтобы значение критерия было больше единицы, например при μ2(j) >μ2(i) критерий F = μ2(j) /μ2(i). Если однородность нарушена, то проводить сравнение средних неправомочно, следует устранить выявленное нарушение или отказаться отданного варианта проверки.

4. Если неоднородность дисперсий не обнаружена, то можно установить значимо или незначимо различаются средние значения функции отклика для двух значений факторов, используя критерий Стьюдента. Гипотеза Н0 соответствует утверждению yф(j) = yф(i). В качестве критерия проверки нулевой гипотезы выступает положительное значение случайной величины

T = [yф(j) – yф(i)] / [μ2(j)/n + μ2(i)/n]0,5.

Здесь μ2(j)/n и μ2(i)/n дисперсии среднего значения случайной величины, которые, как известно, в n раз меньше дисперсии этой величины. Критерий Т является случайной величиной, которая при справедливости гипотезы Н0 имеет распределение Стьюдента с 2n – 2 степенями свободы.

Критическая область зависит от вида альтернативной гипотезы Н1. Если Н1 соответствует yф(j) ≠ yф(i), то критическая область является двусторонней. Критическое значение tкр находится стандартным образом по заданной величине уровня значимости a и количеству степеней свободы. При T > tкр нулевая гипотеза отвергается, следовательно, фактор оказывает существенное влияние на функцию отклика.

Если Н1 соответствует yф(j) > yф(i) или yф(i) > yф(j), то критическая область будет правосторонней. В остальном проверка аналогична предыдущему случаю.

Во втором варианте рассматривается следующая ситуация:

в точках плана проведены повторные опыты. Количество опытов в разных точках плана может различаться. Пусть m – количество всех опытов при значении фактора Pj, q – при значении фактора Pi. Причем m > 30 и q > 30;

результаты измерений функции отклика в различных опытах независимы.

В такой ситуации выборочные средние функции отклика распределены приближенно нормально, а оценки дисперсии являются достаточно хорошими приближениями к генеральным дисперсиям.

Порядок проверки гипотезы о значимости влияния фактора на уровнях j и i следующий.

Вычисляются средние значения функции отклика yф(j) и yф(i) по всем опытам при значениях фактора Рj и Рi. Затем рассчитываются оценки дисперсии функции отклика μ2(j) и μ2(j) для двух значений фактора.

Гипотезе Н0 соответствует утверждение yф(j) = yф(i). Поэтому в качестве критерия можно взять величину

u = | yф(j) – yф(i)| / {Dф(j) /m + Dф(j) / q}0,5,

которая в случае справедливости нулевой гипотезы распределена приближенно нормально с нулевым математическим ожиданием и единичной дисперсией (величина u является центрированной и нормированной). Проверка гипотез осуществляется аналогично случаям, рассмотренным выше, только вместо распределения Стьюдента применяется распределение стандартизованной нормальной величины.


СОДЕРЖАНИЕ

Предисловие . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1. ОБЩИЕ ПОЛОЖЕНИЯ ТЕОРИИ ПЛАНИРОВАНИЯ ЭКСПЕРИМЕНТА . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1. Основные понятия . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Критерии оптимальности и типы планов . . . . . . . . . . . . . . . .   –
2. ГРАДИЕНТНЫЕ МЕТОДЫ ОПТИМИЗАЦИИ . . . . . . . . . . . . . 2.1. Понятие градиента . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2. Способы градиентной оптимизации . . . . . . . . . . . . . . . . . . . . 2.3. Особенности применения градиентной оптимизации совместно с методами планирования экспериментов . . . . . . . . . . –  
3. ПЛАНЫ ДЛЯ РЕШЕНИЯ ЗАДАЧ ОПТИМИЗАЦИИ . . . . . . . . 3.1. Постановка задачи оптимизации . . . . . . . . . . . . . . . . . . . . . . . 3.2. Полный факторный эксперимент типа 2k . . . . . . . . . . . . . . . . 3.3. Оценки коэффициентов функции отклика . . . . . . . . . . . . . . . 3.4. Дробный факторный эксперимент . . . . . . . . . . . . . . . . . . . . . . 3.5. Оценки коэффициентов функции отклика в дробном факторном эксперименте . . . . . . . . . . . . . . . . . . . . . . . . –  
4. ОБРАБОТКА РЕЗУЛЬТАТОВ ЭКСПЕРИМЕНТА . . . . . . . . . . . 4.1. Предварительная обработка . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2. Проверка однородности дисперсии воспроизводимости . . . . 4.3. Проверка адекватности модели . . . . . . . . . . . . . . . . . . . . . . . . . 4.4. Проверка значимости оценок коэффициентов модели . . . . . .
5. ПЛАНЫ ДЛЯ ОПИСАНИЯ ПОВЕРХНОСТИ ОТКЛИКА . . . 5.1. Композиционные планы . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2. Ортогональные центральные композиционные планы . . 5.3. Ротатабельные центральные композиционные планы . . 5.4. Композиционные планы типа Вn . . . . . . . . . . . . . . . . . . . 5.5. Каталоги оптимальных планов . . . . . . . . . . . . . . . . . . . . .  
6. ПЛАНЫ ДЛЯ ОЦЕНКИ ВЛИЯНИЯ ФАКТОРОВ . . . . . . . . . . . 6.1. Планы на латинских квадратах . . . . . . . . . . . . . . . . . . . . . 6.2. Оценка значимости фактора . . . . . . . . . . . . . . . . . . . . . 6.3. Оценка дифференциального эффекта уровней фактора  
ЛИТЕАТУРА . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .  

 

Литература

Анфилатов В.С., Емельянов А.А., Кукушкин А.А. Системный анализ в управлении. – М.: Финансы и статистика, 2002.

Асатурян В.И. Теория планирования эксперимента. – М.: Радио и связь, 1983.

Гмурман В.Е. Теория вероятностей и математическая статистика. – М.: Высшая школа, 1999.

Надежность и эффективность в технике: Справочник: В 10 т. – М.: Машиностроение, 1989.

Т. 6: Экспериментальная отработка и испытания/Под общ ред. Р. С. Судакова, О. И. Тескина.

Таблицы планов эксперимента для факторных и полиномиальных моделей/Под ред. В. В. Налимова. – М.: Металлургия, 1982.

Ходасевич Г.Б. Обработка экспериментальных данных на ЭВМ. Часть 1. Обработка одномерных данных.220200: Учеб. пособие/СПбГУТ. – СПб, 2002.

Ходасевич Г.Б. Обработка экспериментальных данных на ЭВМ. Часть 2. Обработка многомерных данных.220200: Учеб. пособие/СПбГУТ. – СПб, 2002.

 

Дата публикации:2014-01-23

Просмотров:479

Вернуться в оглавление:

Комментария пока нет...


Имя* (по-русски):
Почта* (e-mail):Не публикуется
Ответить (до 1000 символов):







 

2012-2018 lekcion.ru. За поставленную ссылку спасибо.