Xreferat.com » Рефераты по экономико-математическому моделированию » Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

квадратичной регрессионной модели по результатам полного факторного эксперимента" width="488" height="60" border="0" />


После определения построчных дисперсий производят проверку воспроизводимости экспериментальных данных. Проверка выполняется в том случае, если имеет место дублирование опытов, что является обязательным правилом при проведении планированного эксперимента. На этой стадии проверяется гипотеза о постоянстве дисперсии шума с использованием критерия Кохрена. Проверка данной гипотезы позволяет судить об однородности или неоднородности ряда дисперсий. Если ряд дисперсий однороден, различные значения функции отклика (y) определяются с одинаковой точностью. Если ряд дисперсий неоднороден, различные значения функции отклика (y) определяются с разной точностью.

Процедура проверки статистических гипотез в общем случае формально предусматривает сравнение некоторого критерия, рассчитанного по экспериментальным данным, с его табличным значением при выбранном заранее уровне значимости a. Уровень значимости a определяет наибольшую вероятность отвергнуть правильную гипотезу, т. е. наибольшую вероятность предположения о том, что экспериментальный результат ошибочен. Например, если уровень значимости выбирают равным 0,05 (что, очень часто делается в технических задачах), то это означает, что допускается 5%-ная вероятность неверного решения и доверительная 95%-ная вероятность верного.

Если найденное по экспериментальным данным значение критерия попадает в область, соответствующую уровню значимости, то проверяемая гипотеза неверна и ее следует отвергнуть, совершив ошибку с вероятностью a. Если же экспериментальное значение критерия попадает в область, соответствующую вероятности (1-a), то проверяемую гипотезу принимают, совершив ошибку, связанную уже с альтернативной гипотезой.

Расчетное значение критерия Кохрена рассчитывается по формуле:


Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента, (4)


где Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента- наибольшая в ряду дисперсия, которую сравнивают со значением G - критерия, взятым из табл. А1 (приложение А) в зависимости от уровня значимости a, числа степеней свободы fu и числа опытов N: G(a; fu; N). В рассматриваемом случае fu = 2; N = 8.

Из табл. 4 находим максимальную построчную дисперсию Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента иПостроение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента Тогда G pacч = 27,93/78,4 = 0,356.

Приняв значение уровня значимости a = 0,05, для числа степеней свободы fu = 2 и числа опытов N = 8 получим следующее табличное значение G-критерия: Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента.

Если G pacч < Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента, ряд дисперсий однороден. Если G pacч > Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента, ряд дисперсий неоднороден.

В рассматриваемом примере G pacч > Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента, т.е. ряд дисперсий неоднороден. Обычно такая ситуация возникает, если среди анализируемых экспериментальных данных имеются грубые ошибки или промахи, связанные с ошибками, допущенными при проведении эксперимента. В таком случае эксперимент следует повторить, тщательно проанализировав его с методологической точки зрения и уделив особое внимание методике сбора и обработки экспериментальных данных. Если при тщательном анализе экспериментальных данных грубых ошибок и промахов не выявлено, неоднородность ряда дисперсий означает, что значения функции отклика (y) действительно определены с разной точностью, однако в каждом отдельном опыте уровень шумов (ошибок) не выходит за границы допустимых значений. Именно такой вывод справедлив для результатов измерений и расчетов, представленных в табл. 4. Во всех дублях значения функции отклика Построение неполной квадратичной регрессионной модели по результатам полного факторного экспериментаочень плотно группируются относительно средних значений Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента.


Расчет коэффициентов регрессии


Модель изучаемого процесса представим в виде обобщенного уравнения:


y = b0 + S(biXi) + S(bijXiXj) + b123X1X2X3. (5)


Применительно к трехфакторному эксперименту уравнение (5) можно записать в виде:


y = b0 + b1X1 + b2X2 + b3X3 + b12X1Х2 + b13X1Х3 + b23X2Х3 + b123X1X2X3, (6)


где X1, X2, X3 – кодированные значения уровней факторов (табл. 3). Кодированные значения уровней факторов в уравнении (6) могут принимать значения +1 и -1.

Коэффициенты уравнения регрессии (6) рассчитываются по зависимости:


Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента (7)


где u - номер опыта; Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента- кодированные значения уровней варьируемых факторов /независимых переменных X1(Al), X2(Mn), X3(С) / (табл. 3); Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента - средние арифметические значения функции отклика (интенсивности изнашивания) (табл. 4).

Распишем уравнение (7) для всех коэффициентов, входящих в регрессионную модель (6):

Построение неполной квадратичной регрессионной модели по результатам полного факторного экспериментаПостроение неполной квадратичной регрессионной модели по результатам полного факторного экспериментаПостроение неполной квадратичной регрессионной модели по результатам полного факторного экспериментаПостроение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента (8)

Построение неполной квадратичной регрессионной модели по результатам полного факторного экспериментаПостроение неполной квадратичной регрессионной модели по результатам полного факторного экспериментаПостроение неполной квадратичной регрессионной модели по результатам полного факторного экспериментаПостроение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента


Для расчета коэффициентов регрессии составим расширенную матрицу планирования (табл. 5).


Таблица 5

Расширенная матрица плана 23

Номер

опыта

Х0 Х1 Х2 Х3 Х4 = Х1 Х2 Х5 = Х1 Х3 Х6= Х2 Х3 Х7 = Х1 Х2 Х3

Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента, г/см2

1 +1 -1 -1 -1 +1 +1 +1 -1 97,3
2 +1 +1 -1 -1 -1 -1 +1 +1 127,6
3 +1 -1 +1 -1 -1 +1 -1 +1 153,7
4 +1 +1 +1 -1 +1 -1 -1 -1 71,9
5 +1 -1 -1 +1 +1 -1 -1 +1 113,7
6 +1 +1 -1 +1 -1 +1 -1 -1 91,8
7 +1 -1 +1 +1 -1 -1 +1 -1 127,1
8 +1 +1 +1 +1 +1 +1 +1 +1 112,2

Рассчитаем коэффициенты в уравнении регрессии (6) по зависимостям (8) с учетом знаков Хi в столбцах табл. 5:


Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента


Таким образом, получены следующие значения коэффициентов уравнения регрессии:

b0 = 111,9; b12 = b4 = -13,14;

b1 = -11,03; b13 = b5 = 1,83;

b2 = 34,5; b23 = b6 = 4,13;

b3 = -0,7125; b123 = b7 = 14,89.

Если ввести обозначения b12 = b4; b13 = b5; b23 = b6; b123 = b7 и учесть обозначения, принятые в табл. 5, регрессионное уравнение (6) запишется в виде:


y = b0 + b1X1 + b2X2 + b3X3 + b4X4 + b5X5 + b6X6 + b7X7. (9)


Проверка статистической значимости коэффициентов регрессии


Коэффициенты регрессии, рассчитанные по уравнению (7), строго говоря, определены не точно, а с некоторой погрешностью. Мерой этой погрешности является дисперсия оценок коэффициентов. Неизбежное наличие погрешности в определении коэффициентов регрессии обусловлено колебаниями значений функции отклика при дублировании экспериментов в каждом опыте. С учетом этого уравнение (7) можно записать в следующем виде: Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента Очевидно, что при достаточно малых значениях коэффициентов bi абсолютная погрешность их определения 2ЧDbi, обусловленная погрешностью определения значений функции отклика, может оказаться недопустимо большой. В этом случае значение коэффициента следует признать статистически незначимым, а сам коэффициент исключить из регрессионной модели. Статистическая незначимость коэффициента означает отсутствие его влияния на исследуемый процесс.

Поскольку дублирование экспериментов равномерное, дисперсию оценок коэффициентов уравнения регрессии можно рассчитать по зависимости:


Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента, (10)


где nu – количество дублей в каждом опыте (nu = 3); N – количество опытов (N = 8); Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента- средняя дисперсия эксперимента.

Если ряд дисперсий однороден, средняя дисперсия эксперимента рассчитывается по уравнению:


Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента, (11)


где Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента- значения построчных дисперсий (табл. 4).

Если ряд дисперсий неоднороден (значения функции отклика в разных опытах определены с различной точностью), но в результатах измерений значений функции отклика отсутствуют грубые ошибки и промахи, в качестве средней дисперсии эксперимента принимается максимальная построчная дисперсия. В соответствии с данными табл. 4 максимальная построчная дисперсия получена в первом опыте: Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента. Ее значение и принимаем как среднюю дисперсию эксперимента:Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента. Тогда дисперсия оценок коэффициентов регрессии равна Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

Среднеквадратичная ошибка Построение неполной квадратичной регрессионной модели по результатам полного факторного экспериментаоценки коэффициентов регрессии определяется как:


Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента. (12)


Для рассматриваемого случая Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

Рассчитаем доверительный интервал коэффициентов регрессии Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента:


Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента, (13)


где Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента- критерий Стьюдента, зависящий от уровня значимости a и числа степеней свободы f2 при определении дисперсии эксперимента:


Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента


Для полного факторного эксперимента 23 f2 = (3-1)Ч8 = 16.

Выбрав уровень значимости a = 0,05, при числе степеней свободы f2 = 16 из табл. Б1 (приложение Б) найдем табличное значение критерия Стьюдента (t-критерия) t0,05;16 = 2,12. По выражению (13) рассчитаем доверительный интервал коэффициентов регрессии: Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

Коэффициенты уравнения регрессии, абсолютная величина которых равна доверительному интервалу или больше его, следует признать статистически значимыми. Т.е. для статистически значимых коэффициентов должно выполняться условие:


Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента или Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента. (14)


Условие (14) означает, что абсолютные значения статистически значимых коэффициентов регрессии bi должны не менее чем в Построение неполной квадратичной регрессионной модели по результатам полного факторного экспериментараз превышать абсолютную ошибку их определения Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента.

Статистически значимыми коэффициентами, точность оценки которых можно считать удовлетворительной, являются коэффициенты b0, b1, b2, b12 = b4, b13 = b5, b23 = b6 и b123 = b7.

Статистически незначимые коэффициенты (b3) из модели следует исключить, поскольку их значения не могут считаться достоверными.

Подставляя значения статистически значимых коэффициентов в выражение (9), получим следующее уравнение регрессии:


Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента. (15)


Проверка адекватности модели


Процедура проверки адекватности модели сводится к выполнению ряда последовательных вычислений:

1. Расчет теоретических значений функции отклика в каждом опыте по уравнению (15).

2. Сопоставление расчетных и экспериментальных значений функции отклика и нахождение дисперсии неадекватности.

3. Расчет критерия Фишера и окончательный вывод на основе сопоставления его расчетного и табличного значений об адекватности или неадекватности модели.

С помощью полученного уравнения (15) определим расчетные значения функции отклика (удельной потери массы y). Все значения Хi в данное уравнение входят в кодовом масштабе. Например, в 4-м опыте х1 = +1, х2 = +1, х3 = -1, х4 = +1, х7 = -1 (табл. 3, 5). Тогда расчетное значение удельной потери массы в этом опыте будет равно:


у(4) = 111,9-11,03+34,5-13,14-1,83-4,13-14,89= 101,38 г/см2.


Подсчитанные таким образом значения удельной потери массы приведены в табл. 6. Данные табл. 4 будем использовать для определения дисперсии неадекватности. При равномерном дублировании экспериментов дисперсия неадекватности Построение неполной квадратичной регрессионной модели по результатам полного факторного экспериментаопределяется по зависимости:


Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента; Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента, (16)


где Построение неполной квадратичной регрессионной модели по результатам полного факторного экспериментаи Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента- значения функции отклика в u-м эксперименте, соответственно рассчитанные по уравнению регрессии и определенные экспериментально; f1 – число степеней свободы; Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента- число оставленных коэффициентов уравнения регрессии, включая b0 (Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента); N - число опытов плана (N = 8). Тогда f1 = 8 - 7 = 1.

Таким образом, если из регрессионной модели исключен, хотя бы один статистически незначимый коэффициент (а это неизбежно, если варьируемые факторы действительно являются независимыми переменными), массив разностей Построение неполной квадратичной регрессионной модели по результатам полного факторного экспериментабудет содержать информацию об ошибках в предсказании значений функции отклика.


Таблица 6

Сопоставление экспериментальных и расчетных данных

Номер эксперимента, u

Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

1 97,3 66,36 30,94 957,3
2 127,6 96,7 30,9 954,8
3 153,7 183,16 -29,46 867,9
4 71,9 101,38 -29,48 869,1
5 113,7 84,22 29,48 869,1
6 91,8 62,32 29,48 869,1
7 127,1 157,98 -30,88 953,6
8 112,2 143,08 -30,88 953,6

В рассматриваемом случае построенная модель (15) включает шесть коэффициентов: Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента. Тогда в соответствии с выражением (16) Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента.

Гипотеза об адекватности модели (15) проверяется по критерию Фишера. Его расчетное значение находим по уравнению:


Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента. (17)

Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента.


Из выражения (17) следует, что расчетное значение критерия Фишера представляет собой отно­шение дисперсии неадекватности к дисперсии опыта. По сути дела он позволяет ответить на вопрос: во сколько раз модель предсказывает значения функции отклика хуже по сравнению с опытом? Тогда табличное значение критерия Фишера должно регламентировать допустимое отклонение расчетных значений функции отклика относительно опытных данных.

Табличное значение критерия Фишера определяется в зависимости от уровня значимости a и числа степеней свободы f1 и f2, определенных ранее: F(a; f1; f2). При уровне значимости a = 0,05 табличное значение F - критерия (табл. В1, приложение В) равно Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента.


7. Анализ модели


Все соображения о направлении и силе влияния изученных факторов на износостойкость чугунных тормозных колодок можно высказать только для выбранных интервалов их изменения.

Из анализа полученного уравнения регрессии (15), можно сделать вывод о том, что наиболее существенно увеличивает износостойкость фактор X3(С), а значит, для изготовления тормозных колодок следует использовать чугун с максимальным содержанием углерода: 3,8 мас. %.

Установлено, что наименьшие удельные потери массы (0,071 г/cм2) получены на образце № 7 (Al - 2,5 %, Mn - 12 %, С - 3,8 %) (табл. 6).


ПРИЛОЖЕНИЕ А

Таблица А1


Критические значения G-критерия (критерия Кохрена) при уровне значимости a = 0,05

Число опытов, N

Число степеней свободы, Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента


1 2 3 4 5 6 7 8 9 10 16 36 144
2 0,999 0,975 0,939 0,906 0,858 0,853 0,833 0,816 0,801 0,788 0,734 0,66 0,581
3 0,967 0,871 0,798 0,746 0,707 0,677 0,653 0,633 0,617 0,603 0,547 0,475 0,403
4 0,907 0,768 0,684 0,629 0,59 0,56 0,537 0,518 0,502 0,488 0,437 0,372 0,309
5 0,841 0,684 0,598 0,544 0,506 0,478 0,456 0,439 0,424 0,412 0,365 0,307 0,251
6 0,781 0,616 0,532 0,48 0,445 0,418 0,398 0,382 0,368 0,357 0,314 0,261 0,212
7 0,727 0,561 0,48 0,431 0,391 0,373 0,356 0,338 0,325 0,315 0,276 0,228 0,183
8 0,68 0,516 0,438 0,391 0,36 0,336 0,319 0,304 0,293 0,283 0,246 0,202 0,162
9 0,64 0,478 0,403 0,358 0,329 0,307 0,29 0,277 0,266 0,257 0,223 0,182 0,145
10 0,602 0,445 0,373 0,331 0,303 0,282 0,267 0,254 0,244 0,235 0,203 0,166 0,131
12 0,541 0,392 0,326 0,288 0,262 0,244 0,23 0,219 0,21 0,202 0,174 0,14 0,11
15 0,471 0,335 0,276 0,242 0,22 0,203 0,191 0,182 0,174 0,167 0,143 0,114 0,089
20 0,389 0,271 0,221 0,192 0,174 0,16 0,15 0,142 0,136 0,13 0,111 0,088 0,068
24 0,343 0,235 0,191 0,166 0,149 0,137 0,129 0,121 0,116 0,111 0,094 0,074 0,057
30 0,293 0,198 0,159 0,138 0,124 0,114 0,106 0,1 0,096 0,092 0,077 0,06 0,046
40 0,237 0,158 0,126 0,108 0,097 0,089 0,083 0,078 0,075 0,071 0,06 0,046 0,035
60 0,174 0,113 0,09 0,077 0,068 0,062 0,058 0,055 0,052 0,05 0,041 0,032 0,023
120 0,1 0,063 0,05 0,042 0,037 0,034 0,031 0,029 0,028 0,027 0,022 0,017 0,012

ПРИЛОЖЕНИЕ Б


Таблица Б1

Критические значения t-критерия (критерия Стьюдента)

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.
Подробнее

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты:

Число степеней свободы, Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

Уровень значимости, a

Число степеней свободы, Построение неполной квадратичной регрессионной модели по результатам полного факторного эксперимента

Уровень значимости, a

0,1 0,05 0,01
0,1 0,05 0,01
1 6,31 12,7 63,66 16 1,75 2,12 2,92
2 2,92 4,3 9,93 17 1,74 2,11 2,9
3 2,35 3,18 5,84 18 1,73 2,1 2,88
4 2,13 2,78 4,6 19 1,73 2,09 2,86
5 2,02 2,57 4,03 20 1,73 2,08 2,85
6 1,94 2,45 3,71 21 1,72 2,08 2,83
7 1,9 2,37 3,5 22 1,72 2,07 2,82