Главная страница Случайная страница Разделы сайта АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника |
РАЗДЕЛ 4 2 страница
(4.3.16)
затем средние значения по графам (по фактору B) и по строчкам (по фактору А):
(4.3.17)
(4.3.18)
и среднее значение наблюдений : или
(4.3.19)
Результаты этих расчетов приведены в табл. 4.3.3. В соответствии с этой таблицей ведутся вычисления средних значений . Далее вычисления ведутся с помощью табл. 4.3.4. Таблица 4.3.3 Средние значения при двухфакторном анализе
После этого с помощью критерия F проверяют гипотезу об отсутствии взаимодействия между исследуемыми факторами. Для этого вычисляют дисперсионное отношение
(4.3.20)
и сопоставляют с табличным значением Р 1-a(таблица «Значения (верхние значения) и (нижние значения) для различных степеней свободы f 1 и f 2»), найденным для уровня значимости a и числа степеней свободы и (принимая в таблице f 1 = f 3 и f 2 = f 4). Если справедливо неравенство F > F 1-a, то гипотеза о независимости факторов А и B отвергается и дальше нельзя использовать обычные методы дисперсионного анализа. Если же F £ F 1-a, то гипотеза об отсутствии взаимодействия подтверждается.
Таблица 4.3.4 Вычисление дисперсии
Затем проверяют значимость влияния обоих факторов на исследуемую величину X. Для этого предварительно объединяют оценки дисперсий и в общую оценку
(4.3.21)
Далее вычисляют дисперсионные отношения
(4.3.22)
которые сопоставляют с табличными значениями . Факторы оказывают значимое влияние, если
(4.3.23)
. (4.3.24)
Значение находят по таблице «Значения (верхние значения) и (нижние значения) для различных степеней свободы f 1 и f 2» для числа степеней свободы и , а – для числа степеней свободы и . Если влияние обоих факторов значимо, то мы имеем дело с km нормально распределенными генеральными совокупностями с общей дисперсией s2 и разными значениями ai j, оценками которых служат выборочная дисперсия и выборочные средние для каждой комбинации факторов .Доверительные интервалы указанных параметров определяют по формулам:
(4.3.25)
(4.3.26)
где . При одновременном несоблюдении неравенств (4.3.23) и (4.3.24) подтверждается нулевая гипотеза, т.е. факторы А и B не оказывают значимого влияния на величину X. Тогда остается только одна генеральная совокупность результатов испытаний, распределенная по нормальному закону с параметрами s2 и а. Оценкой генерального среднего а служит общее выборочное среднее по строкам и столбцам X, а оценкой дисперсии – полная (общая) выборочная дисперсия . В этом случае доверительные интервалы для а и s2 вычисляют по формулам:
(4.3.27)
(4.3.28)
для степени свободы (т.е. ). При решении практических задач возможны следующие ситуации. – Выполняются неравенства . Тогда эффект по столбцам отсутствует (влияние фактора А незначительно). Пусть имеется т нормально распределенных совокупностей со средними ai и одинаковой дисперсией s2. Оценками средних аi являются выборочные средние по строкам , а оценкой дисперсии s2 – объединенная выборочная дисперсия
(4.3.29)
Границы доверительных интервалов генеральных характеристик для этого случая находят по формулам:
(4.3.30)
, (4.3.31)
где . – Выполняются неравенства .Тогда эффект по строкам отсутствует (фактор B влияет незначительно). Имеется k нормально распределенных генеральных совокупностей с общей дисперсией s2 и разными средними аj. Оценками средних аj служат выборочные средние по столбцам а оценкой дисперсии s2 – объединенная выборочная дисперсия
(4.3.32) Доверительные интервалы находят по формулам:
(4.3.33)
(4.3.34)
для степеней свободы (т.е. ). В некоторых случаях при каждой комбинации факторов проводят только один опыт (т.е. п = 1). Тогда все приведенные выражения упрощаются, а . Такой эксперимент используют тогда, когда влияние дестабилизирующих причин в партии опытов несущественно и остаточной дисперсией можно пренебречь. Трехфакторный дисперсионный анализ аналогичен по структуре двухфакторному. Схема анализа для трех факторов А, B, C приведена в табл. 4.3.5, которая составлена аналогично табл. 4.3.4. Проверку нулевых гипотез о незначимости влияния взаимодействия отдельных пар факторов и их общего взаимодействия производят с помощью дисперсионных отношений F 4, F 5, F 6, и F 7, в числителе которых дисперсия для соответствующего взаимодействия (, , , ), а в знаменателе – остаточная дисперсия . Вычисленные дисперсионные отношения сравнивают с табличными значениями, найденными для чисел степеней свободы, указанных в табл. 4.3.5. При принятии нулевых гипотез о взаимодействии факторов дисперсии , , , объединяют в общую оценку
(4.3.35)
Затем с помощью отношений дисперсий , , к проверяют нулевые гипотезы относительно незначимости влияния каждого фактора. При принятии нулевых гипотез для всех или отдельных факторов возможно дальнейшее объединение дисперсий так, как и при двухфакторном анализе. Доверительные интервалы для дисперсии и средних значений определяют по формулам, аналогичным приведенным выше.
Таблица 4.3.5 Схема трехфакторного дисперсионного анализа
4.4. Регрессионный анализ
Регрессионный анализ служит для нахождения по результатам эксперимента связи выходной характеристики устройства (процесса) с факторами, которые влияют на эту характеристику. В качестве модели регрессии используются прямая линия или различные математические кривые: участки параболы, гиперболы, экспоненты и т.п. Экспериментальные данные могут быть аппроксимированы с требуемой точностью функциями различного вида, поэтому выбор вида функции не может быть формализован. Его осуществляет экспериментатор, руководствуясь следующими соображениями: регрессионная модель должна быть простой, удобной для дальнейшего использования и адекватной. Под адекватностью модели понимают ее способность предсказывать с требуемой точностью значения у в некоторой области значений х. Вид модели выбирают таким образом, чтобы при обязательном соблюдении адекватности она была наиболее простой и удобной. На практике во многих случаях приближенно («на глаз») графически проводят линию, описывающую зависимость среднего значения у от х, и, исходя из ее вида, выбирают регрессионную модель. Очень часто зависимость y от x можно принять линейной (линейная модель):
(4.4.1)
Для упрощения способов нахождения коэффициентов регрессии важно принять следующие допущения: 1. результаты наблюдений у 1, у 2,..., уi,..., уп (где п – число наблюдений над величиной y) представляют собой независимые, нормально распределенные случайные величины; 2. дисперсии D (yi)равны друг другу, или пропорциональны 3. переменные х 1, x 2,..., xk являются независимыми и измеряются с пренебрежимо малой погрешностью по сравнению с величиной s[ yi ]. Методы вычисления коэффициентов регрессии базируются обычно на аппарате матричного исчисления; при этом в наиболее громоздких случаях используются стандартные программы на ЭВМ. Результаты эксперимента записываются в виде матрицы наблюдавшихся значений:
(4.4.2)
По этим данным можно найти точечные оценки коэффициентов регрессии. Для этого, используя метод наименьших квадратов, составляют n несовместных уравнений:
(4.4.3)
Из этой системы уравнений можно определить (k + 1) коэффициентов регрессии. Решение делают в матричной форме. Всю систему уравнений записывают в матричной форме в виде ХA = Y, где:
(4.4.4)
Матрицу при этом определяют из уравнения
(4.4.5)
где – транспонированная матрица A; – обратная матрица произведения С = ХТ × Х, равная = (ХТ × Х)-1. В соответствии с этим уравнением для получения матрицы A (а значит, и всех оценок коэффициентов регрессии) необходимо произвести ряд преобразований, которые хотя и являются стандартными в матричном исчислении, но в общем виде не наглядны, поэтому ход таких вычислений представлен ниже на конкретном числовом примере.
Пример 4.4.1. Результаты эксперимента представлены в таблице.
Число факторов k = 2. Количество опытов п = 9. Необходимо провести регрессионный анализ, определив значения коэффициентов регрессии. Решение. Пусть полином для функции у (модель) линейный:
Составим матрицу X и транспонированную матрицу:
Найдем произведение , складывая почленно произведения элементов строк и столбцов X:
Для вычисления обратной матрицы (ХТХ)–1 найдем сначала определитель матрицы ХТХ:
D = 9 (11 × 12 – 6 × 6) – 5 (5 × 12 – 4 × 6) + 4 (5 × 6 – 4 × 11) = 628.
Матрицу (ХТХ)–1 составим из определителя D и дополнений матрицы ХТХ:
Далее запишем матрицу Y и найдем произведение ХТY:
Далее
Таким образом: a 0= 10, 65; a 1= 5, 2; a 2= 6, 8, и уравнение регрессии получает следующий конкретный вид:
y = 10, 65 + 5, 2 х 1 + 6, 8 х 2.
Далее необходимо проихвести проверку адекватности полученного уравнения опытным данным. Это необходимо, так как вид зависимости был заранее неизвестен и выбирался наиболее простой. Адекватность проверяют обычно по критерию Фишера F:
. (4.4.6)
Оценку дисперсий и производят по формулам
, (4.4.7)
где – измеренное значение величины y, – расчетное значение величины y, вычисленное по полученному уравнению регрессии при подстановке в него опытных значений xj; k – количество коэффициентов в уравнении регрессии; п – количество опытов; п – k = f – число степеней свободы,
(4.4.8)
Критерий F (таблица П. 4. «Значения (верхние значения) и (нижние значения) для различных степеней свободы f 1 и f 2») позволяет сравнить общий разброс относительно линии регрессии с разбросом в точке. Задавая уровень значимости q (обычно q выбирают равным 0, 05), по таблице Фишера для (п – k) степеней свободы находят значение критерия F. Если оно больше вычисленного выше, то полученная в виде уравнения регрессии модель адекватна результатам эксперимента, если же нет – то требуется выбрать другой, более сложный вид уравнения. Однако здесь необходимо соблюдать условие, чтобы число опытов было не меньше числа оцениваемых коэффициентов.
|