Скачать презентацию Консультации по ТС нечетная пятница 14 30 ауд Скачать презентацию Консультации по ТС нечетная пятница 14 30 ауд

к Л5 на практ.ppt

  • Количество слайдов: 35

Консультации по ТС нечетная пятница, 14: 30 ауд. А 103 Консультации по ТС нечетная пятница, 14: 30 ауд. А 103

Лекция 5. Проведение эксперимента и обработка его результатов. Лекция 5. Проведение эксперимента и обработка его результатов.

Ошибки параллельных опытов Для оценки ошибки эксперимента опыты воспроизводятся по возможности в одинаковых условиях Ошибки параллельных опытов Для оценки ошибки эксперимента опыты воспроизводятся по возможности в одинаковых условиях m раз и затем усредняются результаты всех параллельных опытов: .

Отклонения свидетельствуют об изменчивости, вариации значений повторных опытов. Для измерения этой изменчивости используют дисперсию: Отклонения свидетельствуют об изменчивости, вариации значений повторных опытов. Для измерения этой изменчивости используют дисперсию: где (m – 1) – число степеней свободы. Одна степень свободы использована для вычисления среднего.

Ошибки опытов складываются из: Ошибки опытов складываются из:

Дисперсия воспроизводимости Дисперсия эксперимента вычисляется в результате усреднения дисперсий всех опытов. где i = Дисперсия воспроизводимости Дисперсия эксперимента вычисляется в результате усреднения дисперсий всех опытов. где i = 1, 2, …, n – число экспериментов; q = 1, 2, …, m – число параллельных измерений в каждом опыте.

Если число параллельных опытов различно, при усреднении дисперсий пользуются средним взвешенным значением дисперсий: wi Если число параллельных опытов различно, при усреднении дисперсий пользуются средним взвешенным значением дисперсий: wi – число степеней свободы i-м опыте, равное mi - 1.

Проверка однородности дисперсий 1. Критерий Фишера (F-критерий) - это отношение большей дисперсии к меньшей. Проверка однородности дисперсий 1. Критерий Фишера (F-критерий) - это отношение большей дисперсии к меньшей. Полученная величина сравнивается с табличной величиной : Fтабл(α; γ 1; γ 2), где γ 1=n-1 и γ 2=N-n; N – размер выборки, n – количество групп (экспериментов).

2. Критерий Кохрена. Для этого формулируют нулевую гипотезу Н 0: s 2 y 1= 2. Критерий Кохрена. Для этого формулируют нулевую гипотезу Н 0: s 2 y 1= s 2 y 2=…= s 2 yn – дисперсии значений отклика в каждом опыте однородны.

 -Подсчитывается дисперсия значений отклика для каждого из опытов эксперимента: -Далее определяется - вычисляется -Подсчитывается дисперсия значений отклика для каждого из опытов эксперимента: -Далее определяется - вычисляется критерий:

Если полученное значение дисперсионного отношения Gрасч>Gтабл(α; γ 1; γ 2) больше приведенного в таблице, Если полученное значение дисперсионного отношения Gрасч>Gтабл(α; γ 1; γ 2) больше приведенного в таблице, это означает, что дисперсии значимо отличаются друг от друга, т. е. что они неоднородны. Здесь α – уровень значимости, γ 1 и γ 2 – степени свободы, при этом γ 1=m-1, γ 2=n.

Пример x 0 1 1 x 1 -1 1 x 2 x 1 x Пример x 0 1 1 x 1 -1 1 x 2 x 1 x 2 y 1 y 2 y 3 y 4 y 5 yср s 2 i -1 1 16, 20 15, 32 16, 99 16, 36 16, 08 16, 19 0, 36 -1 -1 26, 81 25, 45 24, 33 25, 81 24, 25 25, 33 1, 15 1 -1 35, 96 35, 13 34, 82 35, 83 36, 42 35, 63 0, 42 1 1 53, 32 54, 57 53, 46 53, 95 55, 43 54, 15 0, 76 α=0, 05 Gрасч=0, 429 дисп однородны 0, 673 Gкр(0, 05; 4; 4)=0, 639 Gрасч

Метод наименьших квадратов Для совокупности факторов удобно производить оценку параметров регрессии в матричной форме. Метод наименьших квадратов Для совокупности факторов удобно производить оценку параметров регрессии в матричной форме. Кодированные уровни факторов представляют в виде матрицы размерностью (m, n+1), где m – число опытов в эксперименте, n+1 – число факторов.

МНК Для ПФЭ 22 матрица будет иметь вид МНК Для ПФЭ 22 матрица будет иметь вид

Вектор значений откликов: Вектор оценок уравнения регрессии: Уравнение регрессии: Y=ФВ. коэффициентов Вектор значений откликов: Вектор оценок уравнения регрессии: Уравнение регрессии: Y=ФВ. коэффициентов

Умножим обе части равенства на ФT: Отсюда можно выразить вектор коэффициентов регрессии: Матрица обладает Умножим обе части равенства на ФT: Отсюда можно выразить вектор коэффициентов регрессии: Матрица обладает свойствами симметричности, ортогональности, нормировки.

Матрицу называют информационной матрицей. Для ПФЭ 22 : Матрицу называют информационной матрицей. Для ПФЭ 22 :

В общем виде , где m =2 k. В общем виде , где m =2 k.

Корреляционная матрица факторов, включенных в эксперимент равна Корреляционная матрица факторов, включенных в эксперимент равна

Пример x 0 x 1 x 2 x 1 x 2 yср x 0 Пример x 0 x 1 x 2 x 1 x 2 yср x 0 y x 1 y 1 -1 -1 1 -1 x 2 y x 1 x 2 y 16, 191 16, 191 25, 327 25, 327 35, 631 35, 631 1 1 54, 147 54, 147 bj 32, 824 6, 913 12, 065 2, 345

 Регрессионный анализ Первый постулат. Отклик объекта исследования y есть случайная величина с нормальным Регрессионный анализ Первый постулат. Отклик объекта исследования y есть случайная величина с нормальным законом распределения. Дисперсия воспроизводимости – одна из характеристик этого закона распределения.

Второй постулат. Дисперсия y не зависит от абсолютной величины y. Выполнимость этого постулата проверяется Второй постулат. Дисперсия y не зависит от абсолютной величины y. Выполнимость этого постулата проверяется с помощью критериев однородности дисперсий в разных точках факторного пространства. Нарушение этого постулата недопустимо.

Третий постулат. Значения факторов суть неслучайные величины. Это означает, что установление каждого фактора на Третий постулат. Значения факторов суть неслучайные величины. Это означает, что установление каждого фактора на заданный уровень и его поддержание существенно точнее, чем ошибка воспроизводимости.

Проверка значимости коэффициентов проводится независимо друг от друга на основании t –критерия Стьюдента: где Проверка значимости коэффициентов проводится независимо друг от друга на основании t –критерия Стьюдента: где sbj – оценка среднего квадратичного отклонения погрешности определения коэффициента.

Оценка дисперсии коэффициентов, найденных по экспериментальным данным Оценка дисперсии коэффициентов, найденных по экспериментальным данным

Оценка генеральной дисперсии воспроизводимости s 2 воспр, характеризует точность одного измерения. Вычисляется как средняя Оценка генеральной дисперсии воспроизводимости s 2 воспр, характеризует точность одного измерения. Вычисляется как средняя из всех построчных дисперсий:

При выбранном уровне статистической значимости и при числе степеней свободы γ=n(m– 1) находят табличное При выбранном уровне статистической значимости и при числе степеней свободы γ=n(m– 1) находят табличное значение коэффициента tтабл. Найденное табличное значение сравнивается с расчетным значением коэффициента. Если tтабл > tрасч, то принимается нуль- гипотеза: найденный коэффициент bj является статистически незначительным и его следует исключить из уравнения регрессии.

Замечание: Оценка среднего квадратичного отклонения погрешности определения коэффициента sbj при достаточном числе степеней свободы Замечание: Оценка среднего квадратичного отклонения погрешности определения коэффициента sbj при достаточном числе степеней свободы может быть определена и через остаточную дисперсию:

Сjj является диагональным коэффициентом корреляционной матрицы факторов и Равен , а , - значение Сjj является диагональным коэффициентом корреляционной матрицы факторов и Равен , а , - значение отклика, вычисленное по построенному уравнению регрессии и называется теоретическим значением отклика при заданном наборе факторов.

Пример x 0 1 1 1 x 1 -1 1 x 2 -1 -1 Пример x 0 1 1 1 x 1 -1 1 x 2 -1 -1 1 s 2 воспр= 0, 67 sвоспр= 0, 82 x 1 x 2 1 -1 -1 1 yср 16, 191 25, 327 35, 631 x 0 y x 1 y x 2 y x 1 x 2 y 16, 191 -16, 191 25, 327 -25, 327 35, 631 -35, 631 54, 147 54, 147 bj 32, 824 6, 913 12, 065 2, 345 tj 40, 025 8, 4295 14, 712 2, 8594 tтабл= 2, 12 y=32, 824+6, 913 x 1+12, 065 x 2+2, 345 x 1 x 2.

Проверка адекватности регрессионной модели. Для проверки адекватности достаточно оценить отклонение предсказанного уравнением регрессии значения Проверка адекватности регрессионной модели. Для проверки адекватности достаточно оценить отклонение предсказанного уравнением регрессии значения отклика от результатов эксперимента. Для этого вычисляют дисперсию адекватности или остаточную дисперсию: , – число значимых коэффициентов модели.

Если s 2 ост не превышает дисперсии опыта s 2 y, то полученная математическая Если s 2 ост не превышает дисперсии опыта s 2 y, то полученная математическая модель адекватно представляет результаты эксперимента, иначе – описание считается неадекватным объекту. F-критерий Фишера:

По уровню значимости α и числам степеней свободы γ 1=k-1 и γ 2=n-k-1 определяется По уровню значимости α и числам степеней свободы γ 1=k-1 и γ 2=n-k-1 определяется критическое значение F(α, γ 1, γ 2). Если , то уравнение регрессии считается адекватным. В случае, если , то и неравенство будет выполняться всегда.

Проверка адекватности с помощью критерия Фишера возможна, если s 2 ост>0. При n=m не Проверка адекватности с помощью критерия Фишера возможна, если s 2 ост>0. При n=m не остается степеней свободы для проверки нуль-гипотезы об адекватности. yср 16, 191 25, 327 35, 631 yt 16, 191 25, 327 35, 631 54, 147 s 2 ост=0 Модель адекватна.

Благодарю за внимание Благодарю за внимание