Планирование экспериментов по проверке гипотез. Планирование эксперимента. Основные этапы эксперимента

4.7. Экспериментальные планы

Экспериментальный план – это тактика экспериментального исследования, воплощенная в конкретной системе операций планирования эксперимента. Основными критериями классификации планов являются:

Состав участников (индивид или группа);

Количество независимых переменных и их уровней;

Виды шкал представления независимых переменных;

Метод сбора экспериментальных данных;

Место и условия проведения эксперимента;

Особенности организации экспериментального воздействия и способа контроля.

Планы для групп испытуемых и для одного испытуемого. Все экспериментальные планы можно разделить по составу участников на планы для групп испытуемых и планы для одного испытуемого.

Эксперименты с группой испытуемых имеют следующие преимущества: возможность обобщения результатов эксперимента на популяцию; возможность использования схем межгрупповых сравнений; экономия времени; применение методов статистического анализа. К недостаткам данного типа экспериментальных планов можно отнести: влияние индивидуальных различий между людьми на результаты эксперимента; проблему репрезентативности экспериментальной выборки; проблему эквивалентности групп испытуемых.

Эксперименты с одним испытуемым – это частный случай «планов с маленьким N». Дж. Гудвин указывает на следующие причины использования таких планов: потребности в индивидуальной валидности, так как в экспериментах с большим N возникает проблема, когда обобщенные данные не характеризуют ни одного испытуемого. Эксперимент с одним испытуемым проводится также в уникальных случаях, когда в силу ряда причин невозможно привлечь много участников. В этих случаях целью эксперимента является анализ уникальных явлений и индивидуальных характеристик.

Эксперимент с маленьким N, по мнению Д. Мартина, имеет следующие преимущества: отсутствие сложных статистических подсчетов, легкость в интерпретации результатов, возможность изучения уникальных случаев, привлечение одного-двух участников, широкие возможности манипуляции независимыми переменными. Ему свойственны и некоторые недостатки, в частности сложность процедур контроля, затруднение при обобщении результатов; относительная неэкономичность по времени.

Рассмотрим планы для одного испытуемого.

Планирование временных серий. Основным показателем влияния независимой переменной на зависимую при реализации такого плана является изменение характера ответов испытуемого во времени. Простейшая стратегия: схема А – В. Испытуемый первоначально выполняет деятельность в условиях А, а затем в условиях В. Для контроля «эффекта плацебо» применяется схема: А – В – А. («Эффект плацебо» – это реакции испытуемых на «пустые» воздействия, соответствующие реакциям на реальные воздействия.) В данном случае испытуемый не должен заранее знать, какое из условий является «пустым», а какое реальным. Однако эти схемы не учитывают взаимодействия воздействий, поэтому при планировании временных серий, как правило, применяют схемы регулярного чередования (А – В – А – В), позиционного уравнивания (А – В – В – А) или случайного чередования. Применение более «длинных» временных серий увеличивает возможность обнаружения эффекта, но приводит к ряду негативных последствий – утомлению испытуемого, снижению контроля за другими дополнительными переменными и т. п.

План альтернативных воздействий является развитием плана временных серий. Его специфика заключается в том, что воздействия А и В рандомизированно распределяются во времени и предъявляются испытуемому раздельно. Затем сравниваются эффекты от каждого из воздействий.

Реверсивный план применяется для изучения двух альтернативных форм поведения. Первоначально регистрируется базовый уровень проявления обеих форм поведения. Затем предъявляется комплексное воздействие, состоящее из специфического компонента для первой формы поведения и дополнительного для второй. Через определенное время сочетание воздействий видоизменяют. Эффект двух комплексных воздействий оценивается.

План возрастания критериев часто используется в психологии обучения. Суть его состоит в том, что регистрируется изменение поведения испытуемого в ответ на прирост воздействия. При этом следующее воздействие предъявляется лишь после выхода испытуемого на заданный уровень критерия.

При проведении экспериментов с одним испытуемым следует учитывать, что основные артефакты практически неустранимы. Кроме того, в этом случае, как ни в каком другом, проявляется влияние установок экспериментатора и отношений, которые складываются между ним и испытуемым.

Р. Готтсданкер предлагает различать качественные и количественные экспериментальные планы . В качественных планах независимая переменная представлена в номинативной шкале, т. е. в эксперименте используются два или более качественно разных условия.

В количественных экспериментальных планах уровни независимой переменной представлены в интервальных, ранговых или пропорциональных шкалах, т. е. в эксперименте используются уровни выраженности того или иного условия.

Возможна ситуация, когда в факторном эксперименте одна переменная будет представлена в количественном, а другая – в качественном виде. В таком случае план будет комбинированным.

Внутригрупповые и межгрупповые экспериментальные планы. Т.В. Корнилова определяет два типа экспериментальных планов по критерию количества групп и условий проведения эксперимента: внутригрупповые и межгрупповые. К внутригрупповым относятся планы, в которых влияние вариантов независимой переменной и измерение экспериментального эффекта происходят в одной группе. В межгрупповых планах влияние вариантов независимой переменной осуществляется в разных экспериментальных группах.

Преимуществами внутригруппового плана являются: меньшее количество участников, устранение факторов индивидуальных отличий, уменьшение общего времени проведения эксперимента, возможность доказательства статистической значимости экспериментального эффекта. К недостаткам относятся неконстантность условий и проявление «эффекта последовательности».

Преимуществами межгруппового плана являются: отсутствие «эффекта последовательности», возможность получения большего количества данных, сокращение времени участия в эксперименте для каждого испытуемого, уменьшение эффекта выбывания участников эксперимента. Главным недостатком межгруппового плана является неэквивалентность групп.

Планы с одной независимой переменной и факторные планы. По критерию количества экспериментальных воздействий Д. Мартин предлагает различать планы с одной независимой переменной, факторные планы и планы с серией экспериментов. В планах с одной независимой переменной экспериментатор манипулирует одной независимой переменной, которая может иметь неограниченное количество вариантов проявления. В факторных планах (подробно о них см. с. 120) экспериментатор манипулирует двумя и более независимыми переменными, исследует все возможные варианты взаимодействия их разных уровней.

Планы с серией экспериментов проводятся для постепенного исключения конкурирующих гипотез. В конце серии экспериментатор приходит к верификации одной гипотезы.

Доэкспериментальные, квазиэкспериментальные планы и планы истинных экспериментов. Д. Кэмпбелл предложил разделить все экспериментальные планы для групп испытуемых на следующие группы: доэкспериментальные, квазиэкспериментальные и планы истинных экспериментов. В основе этого деления лежит близость реального эксперимента к идеальному. Чем меньше артефактов провоцирует тот или иной план и чем строже контроль дополнительных переменных, тем ближе эксперимент к идеальному. Доэкспериментальные планы менее всего учитывают требования, предъявляемые к идеальному эксперименту. В.Н. Дружинин указывает, что они могут служить лишь иллюстрацией, в практике научных исследований их следует по возможности избегать. Квазиэкспериментальные планы являются попыткой учета реалий жизни при проведении эмпирических исследований, они специально создаются с отступлением от схем истинных экспериментов. Исследователь должен осознавать источники артефактов – внешних дополнительных переменных, которые он не может контролировать. Квазиэкспериментальный план применяется тогда, когда применение лучшего плана невозможно.

Систематизированные признаки доэкспериментальных, квазиэкспериментальных планов и планов истинных экспериментов приводятся в нижеследующей таблице.

При описании экспериментальных планов будем пользоваться символизацией, предложенной Д. Кэмпбеллом: R – рандомизация; X – экспериментальное воздействие; O – тестирование.

К доэксперименталъным планам относятся: 1) исследование единичного случая; 2) план с предварительным и итоговым тестированием одной группы; 3) сравнение статистических групп.

При исследовании единичного случая однократно тестируется одна группа после экспериментального воздействия. Схематично этот план можно записать в виде:

Контроль внешних переменных и независимой переменной полностью отсутствует. В таком эксперименте нет никакого материала для сравнения. Результаты могут быть сопоставлены лишь с обыденными представлениями о реальности, научной информации они не несут.

План с предварительным и итоговым тестированием одной группы часто применяется в социологических, социально-психологических и педагогических исследованиях. Его можно записать в виде:

В этом плане отсутствует контрольная группа, поэтому нельзя утверждать, что изменения зависимой переменной (разница между O1 и O2), регистрируемые в ходе тестирования, вызваны именно изменением независимой переменной. Между начальным и итоговым тестированием могут произойти и другие «фоновые» события, воздействующие на испытуемых вместе с независимой переменной. Этот план не позволяет контролировать также эффект естественного развития и эффект тестирования.

Сравнение статистических групп будет точнее назвать планом для двух неэквивалентных групп с тестированием после воздействия. Он может быть записан в таком виде:

Этот план позволяет учитывать эффект тестирования, благодаря введению контрольной группы контролировать ряд внешних переменных. Однако с его помощью невозможно учесть эффект естественного развития, так как нет материала для сравнения состояния испытуемых на данный момент с их начальным состоянием (предварительное тестирование не проводилось). Для сравнения результатов контрольной и экспериментальной групп используют t-критерий Стьюдента. Однако следует учитывать, что различия в результатах тестирования могут быть обусловлены не экспериментальным воздействием, а различием в составе групп.

Квазиэкспериментальные планы являются своеобразным компромиссом между реальностью и строгими рамками истинных экспериментов. Существуют следующие типы квазиэкспериментальных планов в психологическом исследовании: 1) планы экспериментов для неэквивалентных групп; 2) планы с предварительным и итоговым тестированием различных рандомизированных групп; 3) планы дискретных временных серий.

План эксперимента для неэквивалентных групп направлен на установление причинно-следственной зависимости между переменными, однако в нем отсутствует процедура уравнивания групп (рандомизация). Этот план может быть представлен следующей схемой:

К проведению эксперимента в данном случае привлекаются две реальные группы. Обе группы тестируются. Затем одна группа подвергается экспериментальному воздействию, а другая – нет. Затем обе группы повторно тестируются. Результаты первого и второго тестирования обеих групп сопоставляют, для сравнения используют t-критерий Стьюдента и дисперсионный анализ. Различие O2 и O4 свидетельствует о естественном развитии и фоновом воздействии. Для выявления действия независимой переменной необходимо сравнивать 6(O1 O2) и 6(O3 O4), т. е. величины сдвигов показателей. Значимость различия приростов показателей будет свидетельствовать о влиянии независимой переменной на зависимую. Этот план аналогичен плану истинного эксперимента для двух групп с тестированием до и после воздействия (см. с. 118). Главным источником артефактов является различие в составе групп.

План с предварительным и итоговым тестированием различных рандомизированных групп отличается от плана истинного эксперимента тем, что предварительное тестирование проходит одна группа, а итоговое – эквивалентная группа, которая подверглась воздействию:

Главный недостаток этого квазиэкспериментального плана – невозможность контролировать эффект «фона» – влияние событий, происходящих наряду с экспериментальным воздействием в период между первым и вторым тестированием.

Планы дискретных временных серий подразделяются на несколько видов в зависимости от количества групп (одной или нескольких), а также в зависимости от количества экспериментальных воздействий (одиночного или серии воздействий).

План дискретных временных серий для одной группы испытуемых состоит в том, что первоначально определяется исходный уровень зависимой переменной на группе испытуемых с помощью серии последовательных замеров. Затем применяют экспериментальное воздействие и проводят серию аналогичных замеров. Сравнивают уровни зависимой переменной до и после воздействия. Схема этого плана:

Главный недостаток плана дискретных временных серий в том, что он не дает возможности отделить результат влияния независимой переменной от влияния фоновых событий, которые происходят в течение исследования.

Модификацией этого плана является квазиэксперимент по схеме временных серий, в котором воздействие перед замером чередуется с отсутствием воздействия перед замером. Его схема такова:

ХO1 – O2ХO3 – O4 ХO5

Чередование может быть регулярным или случайным. Этот вариант подходит лишь в том случае, когда эффект воздействия обратим. При обработке данных, полученных в эксперименте, серии разбивают на две последовательности и сравнивают результаты замеров, где было воздействие, с результатами замеров, где оно отсутствовало. Для сравнения данных используется t-критерий Стьюдента с числом степеней свободы n – 2, где n – число ситуаций одного типа.

Планы временных серий часто реализуются на практике. Однако при их применении нередко наблюдается так называемый «эффект Хотторна». Впервые его обнаружили американские ученые в 1939 г., когда проводили исследование на заводе Хотторна в Чикаго. Предполагалось, что изменение системы организации труда позволит повысить его производительность. Однако в ходе эксперимента любые изменения в организации труда приводили к повышению его производительности. В результате оказалось, что само по себе участие в эксперименте повысило мотивацию к труду. Испытуемые поняли, что ими лично интересуются, и стали работать продуктивнее. Чтобы контролировать этот эффект, должна использоваться контрольная группа.

Схема плана временных серий для двух неэквивалентных групп, из которых одна не получает воздействия, выглядит так:

O1O2O3O4O5O6O7O8O9O10

O1O2O3O4O5O6O7O8O9O10

Такой план позволяет контролировать эффект «фона». Обычно он используется исследователями при изучении реальных групп в образовательных учреждениях, клиниках, на производстве.

Еще один специфический план, который нередко используется в психологии, называют экспериментом ex-post-facto. Он часто применяется в социологии, педагогике, а также в нейропсихологии и клинической психологии. Стратегия применения этого плана состоит в следующем. Экспериментатор сам не воздействует на испытуемых. В качестве воздействия выступает некоторое реальное событие из их жизни. Экспериментальная группа состоит из «испытуемых», подвергшихся воздействию, а контрольная группа – из людей, не испытавших его. При этом группы по возможности уравниваются на момент своего состояния до воздействия. Затем проводится тестирование зависимой переменной у представителей экспериментальной и контрольной групп. Данные, полученные в результате тестирования, сопоставляются и делается вывод о влиянии воздействия на дальнейшее поведение испытуемых. Тем самым план ex-post-facto имитирует схему эксперимента для двух групп с их уравниванием и тестированием после воздействия. Его схема такова:

Если удается достичь эквивалентности групп, то этот план становится планом истинного эксперимента. Он реализуется во многих современных исследованиях. Например, при изучении посттравматического стресса, когда люди, перенесшие воздействия природной или техногенной катастрофы, или участники боевых действий тестируются на наличие посттравматического синдрома, их результаты сопоставляются с результатами контрольной группы, что позволяет выявить механизмы возникновения подобных реакций. В нейропсихологии травмы головного мозга, поражения определенных структур, рассматриваемые как «экспериментальное воздействие», предоставляют уникальную возможность для выявления локализации психических функций.

Планы истинных экспериментов для одной независимой переменной отличаются от других следующим:

1) использованием стратегий создания эквивалентных групп (рандомизация);

2) наличием как минимум одной экспериментальной и одной контрольной групп;

3) итоговым тестированием и сравнением результатов групп, получавших и не получавших воздействие.

Рассмотрим подробнее некоторые экспериментальные планы для одной независимой переменной.

План для двух рандомизированных групп с тестированием после воздействия. Его схема выглядит так:

Этот план применяют в том случае, если нет возможности или необходимости проводить предварительное тестирование. При равенстве экспериментальной и контрольной групп данный план является наилучшим, поскольку позволяет контролировать большинство источников артефактов. Отсутствие предварительного тестирования исключает как эффект взаимодействия процедуры тестирования и экспериментального задания, так и сам эффект тестирования. План позволяет контролировать влияние состава групп, стихийного выбывания, влияние фона и естественного развития, взаимодействие состава группы с другими факторами.

В рассмотренном примере использовался один уровень воздействия независимой переменной. Если же она имеет несколько уровней, то количество экспериментальных групп увеличивается до числа уровней независимой переменной.

План для двух рандомизированных групп с предварительным и итоговым тестированием. Схема плана выглядит следующим образом:

R O1 Х O2

Этот план применяется в том случае, если существуют сомнения в результатах рандомизации. Главный источник артефактов – взаимодействие тестирования и экспериментального воздействия. В реальности также приходится сталкиваться с эффектом неодновременности тестирования. Поэтому наилучшим считается проведение тестирования членов экспериментальной и контрольной групп в случайном порядке. Предъявление-непредъявление экспериментального воздействия также лучше проводить в случайном порядке. Д. Кэмпбелл отмечает необходимость контроля «внутригрупповых событий». Данный экспериментальный план хорошо контролирует эффект фона и эффект естественного развития.

При обработке данных обычно используются параметрические критерии t и F (для данных в интервальной шкале). Вычисляют три значения t: 1) между O1 и O2; 2) между O3 и O4; 3) между O2 и O4. Гипотезу о значимости влияния независимой переменной на зависимую можно принять в том случае, если выполняются два условия: 1) различия между O1 и O2 значимы, а между O3 и O4 незначимы и 2) различия между O2 и O4 значимы. Иногда удобнее сравнивать не абсолютные значения, а величины прироста показателей б(1 2) и б (3 4). Эти значения также сравниваются по t-критерию Стьюдента. В случае значимости различий принимается экспериментальная гипотеза о влиянии независимой переменной на зависимую.

План Соломона представляет собой объединение двух предыдущих планов. Для его реализации необходимы две экспериментальные (Э) и две контрольные (К) группы. Его схема выглядит так:

С помощью этого плана можно контролировать эффект взаимодействия предварительного тестирования и эффект экспериментального воздействия. Эффект экспериментального воздействия выявляется при сравнении показателей: O1 и O2; O2 и O4; O5 и O6; O5 и O3. Сравнение O6, O1 и O3 позволяет выявить влияние фактора естественного развития и фоновых воздействий на зависимую переменную.

Теперь рассмотрим план для одной независимой переменной и нескольких групп.

План для трех рандомизированных групп и трех уровней независимой переменной применяется в тех случаях, когда необходимо выявление количественных зависимостей между независимой и зависимой переменными. Его схема выглядит так:

При реализации этого плана каждой группе предъявляется лишь один уровень независимой переменной. При необходимости можно увеличить количество экспериментальных групп в соответствии с количеством уровней независимой переменной. Для обработки данных, полученных с помощью такого экспериментального плана, могут применяться все вышеперечисленные статистические методы.

Факторные экспериментальные планы применяются для проверки сложных гипотез о взаимосвязях между переменными. В факторном эксперименте проверяются, как правило, два типа гипотез: 1) гипотезы о раздельном влиянии каждой из независимых переменных; 2) гипотезы о взаимодействии переменных. Факторный план заключается в том, чтобы все уровни независимых переменных сочетались друг с другом. Число экспериментальных групп при этом равно числу сочетаний.

Факторный план для двух независимых переменных и двух уровней (2 х 2). Это наиболее простой из факторных планов. Его схема выглядит так.

Данный план выявляет эффект воздействия двух независимых переменных на одну зависимую. Экспериментатор сочетает возможные переменные и уровни. Иногда используются четыре независимые рандомизированные экспериментальные группы. Для обработки результатов применяется дисперсионный анализ по Фишеру.

Существуют более сложные версии факторного плана: 3 х 2 и 3 х 3 и т. д. Дополнение каждого уровня независимой переменной увеличивает число экспериментальных групп.

«Латинский квадрат». Является упрощением полного плана для трех независимых переменных, имеющих два и более уровней. Принцип латинского квадрата состоит в том, что два уровня разных переменных встречаются в экспериментальном плане только один раз. Тем самым значительно сокращаются количество групп и экспериментальная выборка в целом.

Например, для трех независимых переменных (L, M, N) с тремя уровнями у каждой (1, 2, 3 и N(A, В, С)) план по методу «латинского квадрата» будет выглядеть так.

В этом случае уровень третьей независимой переменной (А, В, С) встречается в каждой строке и в каждой колонке по одному разу. Комбинируя результаты по строкам, столбцам и уровням, можно выявить влияние каждой из независимых переменных на зависимую, а также степень попарного взаимодействия переменных. Применение латинских букв А, В, С для обозначения уровней третьей переменной традиционно, поэтому метод и получил название «латинский квадрат».

«Греко-латинский квадрат». Этот план применяется в случае, если необходимо исследовать влияние четырех независимых переменных. Он строится на основе латинского квадрата для трех переменных, при этом к каждой латинской группе плана присоединяется греческая буква, обозначающая уровни четвертой переменной. Схема для плана с четырьмя независимыми переменными, каждая из которых имеет три уровня, будет выглядеть так:

Для обработки данных, полученных в плане «греко-латинский квадрат», применяется метод дисперсионного анализа по Фишеру.

Главная проблема, которую позволяют решить факторные планы, – определение взаимодействия двух и более переменных. Эту задачу невозможно решить, применяя несколько обычных экспериментов с одной независимой переменной. В факторном плане вместо попыток «очистить» экспериментальную ситуацию от дополнительных переменных (с угрозой для внешней валидности) экспериментатор приближает ее к реальности, вводя некоторые дополнительные переменные в разряд независимых. При этом анализ связей между изучаемыми признаками позволяет выявить скрытые структурные факторы, от которых зависят параметры измеряемой переменной.

1. История возникновения планирования эксперимента

Планирование эксперимента – продукт нашего времени, однако истоки его теряются в глубине веков.

Истоки планирования эксперимента уходят в глубокую древность и связаны с числовой мистикой, пророчествами и суевериями.

Это собственно не планирование физического эксперимента, а планирование числового эксперимента, т.е. расположение чисел так, чтобы выполнялись некоторые строгие условия, например, на равенство сумм по строкам, столбцам и диагоналям квадратной таблицы, клеточки которой заполнены числами натурального ряда.

Такие условия выполняются в магических квадратах, которым, по-видимому, принадлежит первенство в планировании эксперимента.

Согласно одной легенде примерно в 2200 г. до н.э. китайский император Ю выполнял мистические вычисления с помощью магического квадрата, который был изображен на панцире божественной черепахи.

Квадрат императора Ю

Клетки этого квадрата заполнены числами от 1 до 9, и суммы чисел по строкам, столбцам и главным диагоналям равны 15.

В 1514 г. немецкий художник Альбрехт Дюрер изобразил магический квадрат в правом углу своей знаменитой гравюры-аллегории «Меланхолия». Два числа в нижнем горизонтальном ряду A5 и 14) составляют год создания гравюры. В этом состояло своеобразное «приложение» магического квадрата.

Квадрат Дюрера

В течение нескольких веков построение магических квадратов занимало умы индийских, арабских, немецких, французских математиков.

В настоящее время магические квадраты используются при планировании эксперимента в условиях линейного дрейфа, при планировании экономических расчетов и составлении рационов питания, в теории кодирования и т.д.

Построение магических квадратов является задачей комбинаторного анализа, основы которого в его современном понимании заложены Г. Лейбницем. Он не только рассмотрел и решил основные комбинаторные задачи, но и указал на большое практическое применение комбинаторного анализа: к кодированию и декодированию, к играм и статистике, к логике изобретений и логике геометрии, к военному искусству, грамматике, медицине, юриспруденции, технологии и к комбинации наблюдений. Последняя область применения наиболее близка к планированию эксперимента.

Одной из комбинаторных задач, имеющей прямое отношение к планированию эксперимента, занимался известный петербургский математик Л. Эйлер. В 1779 г. он предложил задачу о 36 офицерах как некоторый математический курьез.

Он поставил вопрос, можно ли выбрать 36 офицеров 6 рангов из 6 полков по одному офицеру каждого ранга от каждого полка и расположить их в каре так, чтобы в каждом ряду и в каждой шеренге было бы по одному офицеру каждого ранга и по одному от каждого полка. Задача эквивалентна построению парных ортогональных 6x6 квадратов. Оказалось, что эту задачу решить невозможно. Эйлер высказал предположение, что не существует пары ортогональных квадратов порядка п=1 (mod 4).

Задачей Эйлера, в частности, и латинскими квадратами вообще занимались впоследствии многие математики, однако почти никто из них не задумывался над практическим применением латинских квадратов.

В настоящее время латинские квадраты являются одним из наиболее популярных способов ограничения на рандомизацию при наличии источников неоднородностей дискретного типа в планировании эксперимента. Группировка элементов латинского квадрата, благодаря своим свойствам (каждый элемент появляется один и только один раз в каждой строке и в каждом столбце квадрата), позволяет защитить главные эффекты от влияния источника неоднородностей. Широко используются латинские квадраты и как средство сокращения перебора в комбинаторных задачах.

Возникновение современных статистических методов планирования эксперимента связано с именем Р. Фишера.

С 1918 г. он начал свою известную серию работ на Рочемстедской агробиологической станции в Англии. В 1935 г. появилась его монография «Design of Experiments», давшая название всему направлению.

Среди методов планирования первым был дисперсионный анализ (кстати, Фишеру принадлежит и термин «дисперсия»). Фишер создал основы этого метода, описав полные классификации дисперсионного анализа (однофакторный и многофакторный эксперименты) и неполные классификации дисперсионного анализа без ограничения и с ограничением на рандомизацию. При этом он широко использовал латинские квадраты и блок-схемы. Вместе с Ф. Йетсом он описал их статистические свойства. В 1942 г. А. Кишен рассмотрел планирование по латинским кубам, которое явилось дальнейшим развитием теории латинских квадратов.

Затем Р. Фишер независимо опубликовал сведения об ортогональных гипер-греко-латинских кубах и гипер-кубах. Вскоре после этого 1946–1947 гг.) Р. Рао рассмотрел их комбинаторные свойства. Дальнейшему развитию теории латинских квадратов посвящены работы X. Манна A947–1950 гг.).

Исследования Р. Фишера, проводившиеся в связи с работами по агробиологии, знаменуют начало первого этапа развития методов планирования эксперимента. Фишер разработал метод факторного планирования. Йегс предложил для этого метода простую вычислительную схему. Факторное планирование получило широкое распространение. Особенностью полного факторного эксперимента является необходимость ставить сразу большое число опытов.

В 1945 г. Д. Финни ввел дробные реплики от факторного эксперимента. Это позволило резко сократить число опытов и открыло дорогу техническим приложениям планирования. Другая возможность сокращения необходимого числа опытов была показана в 1946 г. Р. Плакеттом и Д. Берманом, которые ввели насыщенные факторные планы.

В 1951 г. работой американских ученых Дж. Бокса и К. Уилсона начался новый этап развития планирования эксперимента.

Эта работа подытожила предыдущие. В ней ясно сформулирована и доведена до практических рекомендаций идея последовательного экспериментального определения оптимальных условий проведения процессов с использованием оценки коэффициентов степенных разложений методом наименьших квадратов, движения по градиенту и отыскания интерполяционного полинома (степенного ряда) в области экстремума функции отклика («почти стационарной» области).

В 1954–1955 гг. Дж. Бокс, а затем Дж. Бокс и П. Юл показали, что планирование эксперимента можно использовать при исследовании физико-химических механизмов процессов, если априори высказаны одна или несколько возможных гипотез. Здесь планирование эксперимента пересекалось с исследованиями по химической кинетике. Интересно отметить, что кинетику можно рассматривать как метод описания процесса с помощью дифференциальных уравнений, традиции которого восходят к И. Ньютону. Описание процесса дифференциальными уравнениями, называемое детерминистическим, нередко противопоставляется статистическим моделям.

Бокс и Дж. Хантер сформулировали принцип ротатабельности для описания «почти стационарной» области, развивающейся в настоящее время в важную ветвь теории планирования эксперимента. В той же работе показана возможность планирования с разбиением на ортогональные блоки, указанная ранее независимо де Бауном.

Дальнейшим развитием этой идеи было планирование, ортогональное к неконтролируемому временному дрейфу, которое следует рассматривать как важное открытие в экспериментальной технике – значительное увеличение возможностей экспериментатора.

2. Математическое планирование эксперимента в научных исследованиях

2.1 Основные понятия и определения

Под экспериментом будем понимать совокупность операций совершаемых над объектом исследования с целью получения информации о его свойствах. Эксперимент, в котором исследователь по своему усмотрению может изменять условия его проведения, называется активным экспериментом. Если исследователь не может самостоятельно изменять условия его проведения, а лишь регистрирует их, то это пассивный эксперимент.

Важнейшей задачей методов обработки полученной в ходе эксперимента информации является задача построения математической модели изучаемого явления, процесса, объекта. Ее можно использовать и при анализе процессов и при проектировании объектов. Можно получить хорошо аппроксимирующую математическую модель, если целенаправленно применяется активный эксперимент. Другой задачей обработки полученной в ходе эксперимента информации является задача оптимизации, т.е. нахождения такой комбинации влияющих независимых переменных, при которой выбранный показатель оптимальности принимает экстремальное значение.

Опыт – это отдельная экспериментальная часть.

План эксперимента – совокупность данных определяющих число, условия и порядок проведения опытов.

Планирование эксперимента – выбор плана эксперимента, удовлетворяющего заданным требованиям, совокупность действий направленных на разработку стратегии экспериментирования (от получения априорной информации до получения работоспособной математической модели или определения оптимальных условий). Это целенаправленное управление экспериментом, реализуемое в условиях неполного знания механизма изучаемого явления.

В процессе измерений, последующей обработки данных, а также формализации результатов в виде математической модели, возникают погрешности и теряется часть информации, содержащейся в исходных данных. Применение методов планирования эксперимента позволяет определить погрешность математической модели и судить о ее адекватности. Если точность модели оказывается недостаточной, то применение методов планирования эксперимента позволяет модернизировать математическую модель с проведением дополнительных опытов без потери предыдущей информации и с минимальными затратами.

Цель планирования эксперимента – нахождение таких условий и правил проведения опытов при которых удается получить надежную и достоверную информацию об объекте с наименьшей затратой труда, а также представить эту информацию в компактной и удобной форме с количественной оценкой точности.

Пусть интересующее нас свойство (Y) объекта зависит от нескольких (n ) независимых переменных (Х 1 , Х 2 , …, Х n ) и мы хотим выяснить характер этой зависимости – Y=F(Х 1 , Х 2 , …, Х n) , о которой мы имеем лишь общее представление. Величина Y – называется «отклик», а сама зависимость Y=F(Х 1 , Х 2 , …, Х n) – «функция отклика».

Отклик должен быть определен количественно. Однако могут встречаться и качественные признаки Y . В этом случае возможно применение рангового подхода. Пример рангового подхода – оценка на экзамене, когда одним числом оценивается сложный комплекс полученных сведений о знаниях студента.

Независимые переменные Х 1 , Х 2 , …, Х n – иначе факторы, также должны иметь количественную оценку. Если используются качественные факторы, то каждому их уровню должно быть присвоено какое-либо число. Важно выбирать в качестве факторов лишь независимые переменные, т.е. только те которые можно изменять, не затрагивая другие факторы. Факторы должны быть однозначными. Для построения эффективной математической модели целесообразно провести предварительный анализ значимости факторов (степени влияния на функцию), их ранжирование и исключить малозначащие факторы.

Диапазоны изменения факторов задают область определения Y . Если принять, что каждому фактору соответствует координатная ось, то полученное пространство называется факторным пространством. При n=2 область определения Y представляется собой прямоугольник, при n=3 – куб, при n >3 – гиперкуб.

При выборе диапазонов изменения факторов нужно учитывать их совместимость, т.е. контролировать, чтобы в этих диапазонах любые сочетания факторов были бы реализуемы в опытах и не приводили бы к абсурду. Для каждого из факторов указывают граничные значения

, i =1,… n .

Регрессионный анализ функции отклика предназначен для получения ее математической модели в виде уравнения регрессии

где В 1 , …, В m – некоторые коэффициенты; е – погрешность.

Среди основных методов планирования, применяемых на разных этапах исследования, используют:

· планирование отсеивающего эксперимента, основное значение которого выделение из всей совокупности факторов группы существенных факторов, подлежащих дальнейшему детальному изучению;

· планирование эксперимента для дисперсионного анализа, т.е. составление планов для объектов с качественными факторами;

· планирование регрессионного эксперимента, позволяющего получать регрессионные модели (полиномиальные и иные);

· планирование экстремального эксперимента, в котором главная задача – экспериментальная оптимизация объекта исследования;

· планирование при изучении динамических процессов и т.д.

Инициатором применения планирования эксперимента является Рональд А. Фишер, другой автор известных первых работ – Френк Йетс. Далее идеи планирования эксперимента формировались в трудах Дж. Бокса, Дж. Кифера. В нашей стране – в трудах Г.К. Круга, Е.В. Маркова и др.

В настоящее время методы планирования эксперимента заложены в специализированных пакетах, широко представленных на рынке программных продуктов, например: StatGrapfics, Statistica, SPSS, SYSTAT и др.

2.2 Представление результатов экспериментов

При использовании методов планирования эксперимента необходимо найти ответы на 4 вопроса:

· Какие сочетания факторов и сколько таких сочетаний необходимо взять для определения функции отклика?

· Как найти коэффициенты В 0 , В 1 , …, B m ?

· Как оценить точность представления функции отклика?

· Как использовать полученное представление для поиска оптимальных значений Y ?

Геометрическое представление функции отклика в факторном пространстве Х 1 , Х 2 , …, Х n называется поверхностью отклика (рис. 1).

Рис. 1. Поверхность отклика

Если исследуется влияние на Y лишь одного фактора Х 1 , то нахождение функции отклика – достаточно простая задача. Задавшись несколькими значениями этого фактора, в результате опытов получаем соответствующие значения Y и график Y =F(X) (рис. 2).

Рис. 2. Построение функции отклика одной переменной по опытным данным

По его виду можно подобрать математическое выражение функции отклика. Если мы не уверены, что опыты хорошо воспроизводятся, то обычно опыты повторяют несколько раз и получают зависимость с учетом разброса опытных данных.

Если факторов два, то необходимо провести опыты при разных соотношениях этих факторов. Полученную функцию отклика в 3 х -мерном пространстве (рис. 1) можно анализировать, проводя ряд сечений с фиксированными значениями одного из факторов (рис. 3). Вычлененные графики сечений можно аппроксимировать совокупностью математических выражений.

Рис. 3. Сечения поверхности отклика при фиксированных откликах (а) и переменных (б, в)

При трех и более факторах задача становится практически неразрешимой. Если и будут найдены решения, то использовать совокупность выражений достаточно трудно, а часто и не реально.

2.3 Применение математического планирования эксперимента в научных исследованиях

В современной математической теории оптимального планирования эксперимента существует 2 основных раздела:

1. планирование эксперимента для изучения механизмов сложных процессов и свойств многокомпонентных систем.

2. планирование эксперимента для оптимизации технологических процессов и свойств многокомпонентных систем.

Планирование эксперимента – это выбор числа опытов и условий их проведения необходимых и достаточных для решения поставленной задачи с требуемой точностью.

Эксперимент, который ставится для решений задач оптимизации, называется экстремальным. Примерами задач оптимизации являются выбор оптимального состава многокомпонентных смесей, повышение производительности действующей установки, повышение качества продукции и снижение затрат на её получение. Прежде чем планировать эксперимент необходимо сформулировать цель исследования. От точной формулировки цели зависит успех исследования. Необходимо также удостовериться, что объект исследования соответствует предъявляемым ему требованиям. В технологическом исследовании целью исследования при оптимизации процесса чаще всего является повышение выхода продукта, улучшение качества, снижение себестоимости.

Эксперимент может проводиться непосредственно на объекте или на его модели. Модель отличается от объекта не только масштабом, а иногда природой. Если модель достаточно точно описывает объект, то эксперимент на объекте может быть перенесён на модель. Для описания понятия «объект исследования» можно использовать представление о кибернетической системе, которая носит название чёрный ящик.

Стрелки справа изображают численные характеристики целей исследования и называются выходными параметрами ( y ) или параметрами оптимизации .

Для проведения эксперимента необходимо воздействовать на поведение чёрного ящика. Все способы воздействия обозначаются через «x» и называются входными параметрами или факторами . Каждый фактор может принимать в опыте одно из нескольких значений, и такие значения называются уровнями . Фиксированный набор уровней и факторов определяет одно из возможных состояний чёрного ящика, одновременно они являются условиями проведения одного из возможных опытов. Результаты эксперимента используются для получения математической модели объекта исследования. Использование для объекта всех возможных опытов приводит к абсурдно большим экспериментам. В связи с этим эксперименты необходимо планировать.

Задачей планирования является выбор необходимых для эксперимента опытов, методов математической обработки их результатов и принятия решений. Частный случай этой задачи – планирование экстремального эксперимента. То есть эксперимента поставленного с целью поиска оптимальных условий функционирования объекта. Таким образом, планирование экстремального эксперимента – это выбор количества и условий проведения опытов, минимально необходимых для отыскания оптимальных условий. При планировании эксперимента объект исследования должен обладать обязательными свойствами:

1.управляемым

2.результаты эксперимента должны быть воспроизводимыми.

Эксперимент называется воспроизводимым , если при фиксированных условиях опыта получается один и тот же выход в пределах заданной относительно небольшой ошибки эксперимента (2%-5%). Эксперимент проводят при выборе некоторых уровней для всех факторов, затем он повторяется через неравные промежутки времени. И значения параметров оптимизации сравниваются. Разброс этих параметров характеризует воспроизводимость результатов. Если он не превышает заранее заданной величины, то объект удовлетворяет требованию воспроизводимости результатов.

При планировании эксперимента активное вмешательство предполагает процесс и возможность выбора в каждом опыте тех факторов, которые представляют интерес. Экспериментальное исследование влияния входных параметров (факторов) на выходные может производиться методом пассивного или активного эксперимента. Если эксперимент сводится к получению результатов наблюдения за поведение системы при случайных изменениях входных параметров, то он называется пассивным . Если же при проведении эксперимента входные параметры изменяются по заранее заданному плану, то такой эксперимент называется активным. Объект, на котором возможен активный эксперимент, называется управляемым. На практике не существует абсолютно управляемых объектов. На реальный объект обычно действуют как управляемый, так и неуправляемый факторы. Неуправляемые факторы действуют на воспроизводимость эксперимента. Если все факторы неуправляемы, возникает задача установления связи между параметром оптимизации и факторами по результатам наблюдений или по результатам пассивного эксперимента. Возможна также плохая воспроизводимость изменения факторов во времени.

3. Параметры оптимизации

3.1 Виды параметров оптимизации

Параметр оптимизации – это признак, по которому мы хотим оптимизировать процесс. Он должен быть количественным, задаваться числом. Множество значений, которые может принимать параметр оптимизации, называется областью его определения. Области определения могут быть непрерывными и дискретными, ограниченными и неограниченными. Например, выход реакции – это параметр оптимизации с непрерывной ограниченной областью определения. Он может изменяться в интервале от 0 до 100%. Число бракованных изделий, число кровяных телец в пробе крови – вот примеры параметров с дискретной областью определения, ограниченной снизу.

В зависимости от объекта и цели исследования параметры оптимизации могут быть весьма разнообразными (рис. 1).

Прокомментируем некоторые элементы схемы. Экономические параметры оптимизации, такие, как прибыль, себестоимость и рентабельность, обычно используются при исследовании действующих промышленных объектов, тогда как затраты на эксперимент имеет смысл оценивать в любых исследованиях, в том числе и лабораторных. Если цена опытов одинакова, затраты на эксперимент» пропорциональны числу опытов, которые необходимо поставить для решения данной задачи. Это в значительной мере определяет выбор плана эксперимента.

Среди технико-экономических параметров наибольшее распространение имеет производительность. Такие параметры, как долговечность, надежность и стабильность, связаны с длительными наблюдениями. Имеется некоторый опыт их использования при изучении дорогостоящих ответственных объектов, например радиоэлектронной аппаратуры.

Почти во всех исследованиях приходится учитывать количество и качество получаемого продукта. Как меру количества продукта используют выход, например, процент выхода готовой продукции.

Показатели качества чрезвычайно разнообразны. В нашей схеме они сгруппированы по видам свойств. Характеристики количества и качества продукта образуют группу технико-технологических параметров.

В группе «прочие» сгруппированы различные параметры, которые реже встречаются, но не являются менее важными. Сюда попали статистические параметры, используемые для улучшения характеристик случайных величин или случайных функций.

3.2 Требования к параметру оптимизации

Параметр оптимизации – это признак, по которому мы хотим оптимизировать процесс. Он должен быть количественным, задаваться числом. Мы должны уметь его измерять при любой возможной комбинации выбранных уровней факторов. Множество значений, которые может принимать параметр оптимизации, будем называть областью его определения. Области определения могут быть непрерывными и дискретными, ограниченными и неограниченными. Например, выход реакции – это параметр оптимизации с непрерывной ограниченной областью определения. Он может изменяться в интервале от 0 до 100%. Число бракованных изделий, число зерен на шлифе сплава, число кровяных телец в пробе крови – вот примеры параметров с дискретной областью определения, ограниченной снизу.

Уметь измерять параметр оптимизации – это значит располагать подходящим прибором. В ряде случаев такого прибора может не существовать или он слишком дорог. Если нет способа количественного измерения результата, то приходится воспользоваться приемом, называемым ранжированием (ранговым подходом). При этом параметрам оптимизации присваиваются оценки – ранги по заранее выбранной шкале: двухбалльной, пятибалльной и т.д. Ранговый параметр имеет дискретную ограниченную область определения. В простейшем случае область содержит два значения (да, нет; хорошо, плохо). Это может соответствовать, например, годной продукции и браку.

Ранг – это количественная оценка параметра оптимизации, но она носит условный (субъективный) характер. Мы ставим в соответствие качественному признаку некоторое число – ранг. Для каждого физически измеряемого параметра оптимизации можно построить ранговый аналог. Потребность в построении такого аналога возникает, если имеющиеся в распоряжении исследователя численные характеристики неточны или неизвестен способ построения удовлетворительных численных оценок. При прочих равных условиях всегда нужно отдавать предпочтение физическому измерению, так как ранговый подход менее чувствителен и с его помощью трудно изучать тонкие эффекты.

Пример: Технолог разработал новый вид продукта. Вам необходимо оптимизировать этот процесс.

Цель процесса – получение вкусного продукта, но такая формулировка цели еще не дает возможности приступить к оптимизации: необходимо выбрать количественный критерий, характеризующий степень достижения цели. Можно принять следующее решение: очень вкусный продукт получает отметку 5, просто вкусный продукт – отметку 4 и т.д.

Можно ли после такого решения переходить к оптимизации процесса? Нам важно количественно оценить результат оптимизации. Решает ли отметка эту задачу? Конечно, потому что, как мы договорились, отметка 5 соответствует очень вкусному продукту и т.д. Другое дело, что этот подход, называемый ранговым, часто оказывается грубым, нечувствительным. Но возможности такой количественной оценки результатов не должна вызывать сомнений.

Следующее требование: параметр оптимизации должен выражаться одним числом. Например: регистрация показания прибора.

Еще одно требование, связанное с количественной природой параметра оптимизации, – однозначность в статистическом смысле. Заданному набору значений факторов должно соответствовать одно с точностью до ошибки эксперимента значение параметра оптимизации. (Однако обратное неверно: одному и тому же значению параметра могут соответствовать разные наборы значений факторов.)

Для успешного достижения цели исследования необходимо, чтобы параметр оптимизации действительно оценивал эффективность функционирования системы в заранее выбранном смысле. Это требование является главным, определяющим корректность постановки задачи.

Представление об эффективности не остается постоянным в ходе исследования. Оно меняется по мере накопления информации и в зависимости от достигнутых результатов. Это приводит к последовательному подходу при выборе параметра оптимизации. Так, например, на первых стадиях исследования технологических процессов в качестве параметра оптимизации часто используется выход продукта. Однако в дальнейшем, когда возможность повышения выхода исчерпана, нас начинают интересовать такие параметры, как себестоимость, чистота продукта и т.д.

Говоря об оценке эффективности функционирования системы, важно помнить, что речь идет о системе в целом. Часто система состоит из ряда подсистем, каждая из которых может оцениваться своим локальным параметром оптимизации.

Следующее требование к параметру оптимизации – требование универсальности или полноты. Под универсальностью параметра оптимизации понимается его способность всесторонне характеризовать объект. В частности, технологические параметры оптимизации недостаточно универсальны: они не учитывают экономику. Универсальностью обладают, например, обобщенные параметры оптимизации, которые строятся как функции от нескольких частных параметров.

Желательно, чтобы параметр оптимизации имел физический смысл, был простым и легко вычисляемым.

Требование физического смысла связано с последующей интерпретацией результатов эксперимента.

Таким образом, параметр оптимизации должен быть:

– эффективным с точки зрения достижения цели;

– универсальным;

– количественным и выражаться одним числом;

– статистически эффективным;

– имеющим физический смысл, простым и легко вычисляемым.

В тех случаях, когда возникают трудности с количественной оценкой параметров оптимизации, приходится обращаться к ранговому подходу. В ходе исследования могут меняться априорные представления об объекте исследования, что приводит к последовательному подходу при выборе параметра оптимизации.

Из многих параметров, характеризующих объект исследования, только один, часто обобщенный, может служить параметром оптимизации. Остальные рассматриваются как ограничения.

4. Факторы оптимизации

4.1 Определение фактора

Фактором называется измеряемая переменная величина, принимающая в некоторый момент времени определенное значение. Факторы соответствуют способам воздействия на объект исследования.

Так же, как и параметр оптимизации, каждый фактор имеет область определения. Фактор считают заданным, если вместе с его названием указана область его определения.

Под областью определения понимается совокупность всех значений, которые в принципе может принимать данный фактор.

Совокупность значений фактора, которая используется в эксперименте, является подмножеством из множества значений, образующих область определения. Область определения может быть непрерывной и дискретной. Однако в основном, в задачах планирования эксперимента, используются дискретные области определения. Так, для факторов с непрерывной областью определения, таких, как температура, время, количество вещества и т.п., всегда выбираются дискретные множества уровней.

В практических задачах области определения факторов, как правило, ограничены. Ограничения могут носить принципиальный либо технический характер.

Факторы классифицируют в зависимости от того, является ли фактор переменной величиной, которую можно оценивать количественно: измерять, взвешивать, титровать и т.п., или же он – некоторая переменная, характеризующаяся качественными свойствами.

Факторы разделяются на количественные и качественные.

Качественные факторы – это разные вещества, разные технологические способы, аппараты, исполнители и т.д.

Хотя качественным факторам не соответствует числовая шкала в том смысле, как это понимается для количественных факторов, однако можно построить условную порядковую шкалу, которая ставит в соответствие уровням качественного фактора числа натурального ряда, т.е. производит кодирование. Порядок уровней может быть произволен, но после кодирования он фиксируется.

Качественным факторам не соответствует числовая шкала, и порядок уровней факторов не играет роли.

Время реакции, температура, концентрация реагирующих веществ, скорость подачи веществ, величина рН – это примеры наиболее часто встречающихся количественных факторов. Различные реагенты, адсорбенты, вулканизующие агенты, кислоты, металлы являются примером уровней качественных факторов.

4.2 Требования, предъявляемые к факторам при планировании эксперимента

При планировании эксперимента факторы должны быть управляемыми. Это значит, что экспериментатор, выбрав нужное значение фактора, может его поддерживать постоянным в течение всего опыта, т.е. может управлять фактором. Планировать эксперимент можно только в том случае, если уровни факторов подчиняются воле экспериментатора.

Пример: Вы изучаете процесс синтеза аммиака. Колонна синтеза установлена на открытой площадке. Является ли температура воздуха фактором, который можно включить в планирование эксперимента?

Температура воздуха – фактор неуправляемый. Мы еще не научились делать погоду по заказу. А в планировании могут участвовать только те факторы, которыми можно управлять, – устанавливать и поддерживать на выбранном уровне в течение опыта или менять по заданной программе. Температурой окружающей среды в данном случае управлять невозможно. Ее можно только контролировать.

Чтобы точно определить фактор, нужно указать последовательность действий (операций), с помощью которых устанавливаются его конкретные значения (уровни). Такое определение фактора будем называть операциональным. Так, если фактором является давление в некотором аппарате, то совершенно необходимо указать, в какой точке и с помощью какого прибора оно измеряется и как оно устанавливается. Введение операционального определения обеспечивает однозначное понимание фактора.

С операциональным определением связаны выбор размерности фактора и точность его фиксирования.

Точность замера факторов должна быть возможно более высокой. Степень точности определяется диапазоном изменения факторов. При изучении процесса, который длится десятки часов, нет необходимости учитывать доли минуты, а в быстрых процессах необходимо учитывать, быть может, доли секунды.

Факторы должны быть непосредственными воздействиями на объект. Факторы должны быть однозначны. Трудно управлять фактором, который, является функцией других факторов. Но в планировании могут участвовать сложные факторы, такие, как соотношения между компонентами, их логарифмы и т.п.

При планировании эксперимента обычно одновременно изменяется несколько факторов. Поэтому очень важно сформулировать требования, которые предъявляются к совокупности факторов. Прежде всего выдвигается требование совместимости. Совместимость факторов означает, что все их комбинации осуществимы и безопасны. Это очень важное требование.

При планировании эксперимента важна независимость факторов, т.е. возможность установления фактора на любом уровне вне зависимости от уровней других факторов. Если это условие невыполнимо, то невозможно планировать эксперимент.

Таким образом, установили, что факторы – это переменные величины, соответствующие способам воздействия внешней среды на объект.

Они определяют как сам объект, так и его состояние. Требования к факторам: управляемость и однозначность.

Управлять фактором – это значит установить нужное значение и поддерживать его постоянным в течение опыта или менять по заданной программе. В этом состоит особенность «активного» эксперимента. Планировать эксперимент можно только в том случае, если уровни факторов подчиняются воле экспериментатора.

Факторы должны непосредственно воздействовать на объект исследования.

Требования к совокупности факторов: совместимость и отсутствие линейной корреляции. Выбранное множество факторов должно быть достаточно полным. Если какой-либо существенный фактор пропущен, это приведет к неправильному определению оптимальных условий или к большой ошибке опыта. Факторы могут быть количественными и качественными.

5. Ошибки опыта

Изучение всех влияющих на исследуемый объект факторов одновременно провести невозможно, поэтому в эксперименте рассматривается их ограниченное число. Остальные активные факторы стабилизируются, т.е. устанавливаются на каких-то одинаковых для всех опытов уровнях.

Некоторые факторы не могут быть обеспечены системами стабилизации (например, погодные условия, самочувствие оператора и т.д.), другие же стабилизируются с какой-то погрешностью (например, содержание какого-либо компонента в среде зависит от ошибки при взятии навески и приготовления раствора). Учитывая также, что измерение параметра у осуществляется прибором, обладающим какой-то погрешностью, зависящей от класса точности прибора, можно прийти к выводу, что результаты повторностей одного и того же опыта у к будут приближенными и должны отличаться один от другого и от истинного значения выхода процесса. Неконтролируемое, случайное изменение и множества других влияющих на процесс факторов вызывает случайные отклонения измеряемой величины у к от ее истинного значения – ошибку опыта.

Каждый эксперимент содержит элемент неопределенности вследствие ограниченности экспериментального материала. Постановка повторных (или параллельных) опытов не дает полностью совпадающих результатов, потому что всегда существует ошибка опыта (ошибка воспроизводимости). Эту ошибку и нужно оценить по параллельным опытам. Для этого опыт воспроизводится по возможности в одинаковых условиях несколько раз и затем берется среднее арифметическое всех результатов. Среднее арифметическое у равно сумме всех n отдельных результатов, деленной на количество параллельных опытов n:

Отклонение результата любого опыта от среднего арифметического можно представить как разность y 2 – , где y 2 – результат отдельного опыта. Наличие отклонения свидетельствует об изменчивости, вариации значений повторных опытов. Для измерения этой изменчивости чаще всего используют дисперсию.

Дисперсией называется среднее значение квадрата отклонений величины от ее среднего значения. Дисперсия обозначается s 2 и выражается формулой:

где (n-1) – число степеней свободы, равное количеству опытов минус единица. Одна степень свободы использована для вычисления среднего.

Корень квадратный из дисперсии, взятый с положительным знаком, называется средним квадратическим отклонением, стандартом или квадратичной ошибкой:

Ошибка опыта является суммарной величиной, результатом многих ошибок: ошибок измерений факторов, ошибок измерений параметра оптимизации и др. Каждую из этих ошибок можно, в свою очередь, разделить на составляющие.

Все ошибки принято разделять на два класса: систематические и случайные (рисунок 1).

Систематические ошибки порождаются причинами, действующими регулярно, в определенном направлении. Чаще всего эти ошибки можно изучить и определить количественно. Систематическая ошибка – это ошибка, которая остаётся постоянно или закономерно изменяется при повторных измерениях одной и той же величины. Эти ошибки появляются вследствие неисправности приборов, неточности метода измерения, какого либо упущения экспериментатора, либо использования для вычисления неточных данных. Обнаружить систематические ошибки, а также устранить их во многих случаях нелегко. Требуется тщательный разбор методов анализа, строгая проверка всех измерительных приборов и безусловное выполнение выработанных практикой правил экспериментальных работ. Если систематические ошибки вызваны известными причинами, то их можно определить. Подобные погрешности можно устранить введением поправок.

Систематические ошибки находят, калибруя измерительные приборы и сопоставляя опытные данные с изменяющимися внешними условиями (например, при градуировке термопары по реперным точкам, при сравнении с эталонным прибором). Если систематические ошибки вызываются внешними условиями (переменной температуры, сырья и т.д.), следует компенсировать их влияние.

Случайными ошибками называются те, которые появляются нерегулярно, причины, возникновения которых неизвестны и которые невозможно учесть заранее. Случайные ошибки вызываются и объективными причинами и субъективными. Например, несовершенством приборов, их освещением, расположением, изменением температуры в процессе измерений, загрязнением реактивов, изменением электрического тока в цепи. Когда случайная ошибка больше величины погрешности прибора, необходимо многократно повторить одно и тоже измерение. Это позволяет сделать случайную ошибку сравнимой с погрешностью вносимой прибором. Если же она меньше погрешности прибора, то уменьшать её нет смысла. Такие ошибки имеют значение, которое отличается в отдельных измерениях. Т.е. их значения могут быть неодинаковыми для измерений сделанных даже в одинаковых условиях. Поскольку причины, приводящие к случайным ошибкам неодинаковы в каждом эксперименте, и не могут быть учтены, поэтому исключить случайные ошибки нельзя, можно лишь оценить их значения. При многократном определении какого-либо показателя могут встречаться результаты, которые значительно отличаются от других результатов той же серии. Они могут быть следствием грубой ошибки, которая вызвана невнимательностью экспериментатора.

Систематические и случайные ошибки состоят из множества элементарных ошибок. Для того чтобы исключать инструментальные ошибки, следует проверять приборы перед опытом, иногда в течение опыта и обязательно после опыта. Ошибки при проведении самого опыта возникают вследствие неравномерного нагрева реакционной среды, разного способа перемешивания и т.п.

При повторении опытов такие ошибки могут вызвать большой разброс экспериментальных результатов.

Очень важно исключить из экспериментальных данных грубые ошибки, так называемый брак при повторных опытах. Грубые ошибки легко обнаружить. Для выявления ошибок необходимо произвести измерения в других условиях или повторить измерения через некоторое время. Для предотвращения грубых ошибок нужно соблюдать аккуратность в записях, тщательность в работе и записи результатов эксперимента. Грубая ошибка должна быть исключена из экспериментальных данных. Для отброса ошибочных данных существуют определённые правила.

Например, используют критерий Стьюдента t(Р; f): Опыт считается бракованным, если экспериментальное значение критерия t по модулю больше табличного значения t(Р; f).

Если в распоряжении исследователя имеется экспериментальная оценка дисперсии S 2 (y k) с небольшим конечным числом степеней свободы, то доверительные ошибки рассчитываются с помощью критерий Стьюдента t(Р; f):

ε() = t (Р; f)* S(y k)/ = t (Р; f)* S()

ε(y k) = t(Р; f)* S(y k)

6. Результат прямого измерения – случайная величина, подчиняющаяся нормальному закону распределения

Результаты, которые получаются при экспериментальном исследовании какого-либо технологического процесса, зависят от целого ряда факторов. Поэтому результат исследования является случайной величиной, распределённой по нормальному закону распределения. Оно названо нормальным, т. к. именно это распределение для случайной величины является обычным и называется гаусовским или лапласским. Под распределением случайной величины понимают совокупность всех возможных значений случайной величины и соответствующих им вероятностей.

Законом распределения случайной величины называется всякое соотношение, устанавливающее связь между возможными значениями случайной величины и соответствующим им вероятностям.

При экспериментальном исследовании какого-либо технологического процесса измеряемый результат последнего является случайной величиной, на которую оказывает влияние огромное число факторов (изменение погодных условий, самочувствие оператора, неоднородность сырья, влияние износа измерительной и стабилизирующей аппаратуры и т.д. и т.п.). Именно поэтому результат исследования является случайной величиной, распределенной по нормальному закону. Однако если исследователь какой-либо активный фактор не заметил или отнес его к неактивным, а неконтролируемое изменение этого фактора может вызвать несоразмерно большое изменение эффективности процесса и параметра, характеризующего эту эффективность, то распределение вероятности последнего может нормальному закону не подчиниться.

Точно так же приведет к нарушению нормальности закона распределения наличие в массиве экспериментальных данных грубых ошибок. Именно поэтому в первую очередь проводят анализ на наличие в экспериментальных данных грубых ошибок с принятой доверительной вероятностью.

Случайная величина будет распределена по нормальному закону, если она представляет собой сумму очень большого числа взаимно зависимых случайных величин, влияния каждой из которых ничтожно мало. Если измерения искомой величины y проведены много раз, то результат можно наглядно представить, построив диаграмму, которая показывала бы, как часто получались те или иные значения. Такая диаграмма называется гистограммой. Что бы построить гистограмму нужно разбить весь диапазон измеренных значений на равные интервалы. И посчитать сколько раз каждая величина попадает в каждый интервал.

Если измерения продолжать до тех пор, пока число измеренных значений n не станет очень большим, то ширину интервала можно сделать очень малой. Гистограмма перейдёт в непрерывную прямую, которая называется кривой распределения .

В основе теории случайных ошибок лежат два предположения:

1.при большом числе измерений случайные погрешности одинаково велики, но с разными знаками встречаются одинаково часто;

2.большие (по абсолютной величине) погрешности встречаются реже, чем малые. Т. е. вероятность появления погрешности уменьшается с ростом её величины.

Согласно закону больших чисел при бесконечно большом числе измерений n, истинное значение измеряемой величины y равно среднеарифметическому значению всех результатов измерений ỹ

Для всех m-повторностей можно записать:

Разделив это уравнение на число повторностей m, получим после подстановки:

За экспериментальную оценку истинного значения (математического ожидания) критерия оптимальности у принимается среднеарифметическая оценка результатов всех т повторностей:

Если число m велико (m→∞), то будет справедливо равенство:

Таким образом, при бесконечно большом числе измерений истинное значение измеряемой величины y равно среднеарифметическому значению ỹ всех результатов произведённых измерений: y═ỹ, при m→∞.

При ограниченном числе измерений (m≠∞) среднеарифметическое значение y будет отличаться от истинного значения, т.е. равенство y═ỹ будет неточным, а приближённым: y≈ỹ и величину этого расхождения необходимо оценить.

Если в распоряжении исследователя имеется только единичный результат измерения y k , то оценка истинного значения измеряемой величины будет менее точной. чем среднеарифметическая оценка при любом числе повторностей: |y─ỹ|<|y-yk|.

Появление того или иного значения yk в процессе измерения является случайным событием. Функция плотности нормального распределения случайной величины характеризуется двумя параметрами:

· истинным значением y;

· среднеквадратичным отклонением σ.

Рисунок – 1а – кривая плотности нормального распределения; 1б –кривая плотности вероятности нормально распределенной случайной величины при различных дисперсиях

Плотность нормального распределения (рис. 1а) симметрична относительно y и достигает максимального значения при yk= y, стремится к 0 при увеличении.

Квадрат среднеквадратичного отклонения называется дисперсией случайной величины и является количественной характеристикой разброса результатов вокруг истинного значения y. Мера рассеяния результатов отдельных измерений yk от среднего значения ỹ должна выражаться в тех же единицах, то и значения измеряемой величины. В связи с этим в качестве показателя разброса гораздо чаще используют величину σ:

Значения этой величины определяют форму кривой распределения py. Площади под тремя кривыми одинаковы, но при малых значения σ кривые идут более круто и имеют большее значение py. С увеличением σ значение py уменьшается и кривая распределения растягивается вдоль оси y. Т.о. кривая 1 характеризует плотность распределения случайной величины, воспроизводимость которой в повторных измерениях лучше, чем воспроизводимость случайных величин имеющих плотность распределения 2, 4. На практике не возможно произвести слишком много замеров. Поэтому нельзя построить нормальное распределение, чтобы точно определить истинное значение y. В этом случае хорошим приближением к истинному значению можно считать ỹ, а достаточно точной оценкой ошибки выборочную дисперсию ρ²n, вытекающую из закона распределения, но относящуюся к конечному числу измерения. Такое название величины ρ²n объясняется тем, что из всего множества возможных значений yk, т.е. из генеральной совокупности выбирают лишь конечное число значений равное m, называемых выборкой, которая характеризуется выборочным средним значением и выборочной дисперсией.

7. Экспериментальные оценки истинных значений измеряемой случайной величины и её среднеквадратичного отклонения

Если в распоряжении исследователя находится конечное число независимых результатов повторности одного и того же опыта, то он может получить лишь экспериментальные оценки истинного значения и дисперсии результата опыта.

Оценки должны обладать следующими свойствами:

1.Несмещённости, проявляющейся в том, что теоретическое среднее совпадает с истинным значением измеряемого параметра.

2.Состоятельности, когда оценки при неограниченном увеличении числа измерений могут иметь сколь угодно малый доверительный интервал при доверительной вероятности.

3.Эффективности, проявляющейся в том, что из всех несмешанных оценок данная оценка будет иметь наименьшее рассеяние (дисперсию).

Экспериментальная оценка среднеквадратичного отклонения обозначается S с указанием в скобках символа анализируемой величины, т.е.

S (yk) – среднеквадратичного отклонение единичного результата.

S (y) – среднеквадратичное отклонение среднего результата.

Квадрат экспериментальной оценки среднеквадратичного отклонения S² является экспериментальной оценкой дисперсии:

Для обработки результатов наблюдения можно использовать следующую схему:

Определение среднего значения полученных результатов:

Определение отклонения от среднего значения для каждого результата:

Эти отклонения характеризуют абсолютную ошибку определения. Случайные ошибки имеют разные знаки, когда значение результата опыта превышает среднее значение, ошибка опыта считается положительной, когда значение результата опыта меньше среднего значения, ошибка считается отрицательной.

Чем точнее произведены измерения, тем ближе значение отдельных результатов и среднее значение.

Если по m результатам рассчитывают оценку истинного значения , а затем, используя те же результаты, рассчитывают оценки абсолютных отклонений:

то оценку дисперсии единичного результата находят по зависимости:

Разность между числом т независимых результатов у к и числом уравнений, в которых эти результаты уже были использованы для расчета неизвестных оценок, называют числом степеней свободы f :

Для оценки дисперсии эталонного процесса f=m.

Поскольку средняя оценка является более точной, чем единичная у к, дисперсия средних будет меньше дисперсииединичных результатов в m раз, если рассчитано по всем m единичным результатам у к :

Если в распоряжении исследователя имеется экспериментальная оценка дисперсии S 2 (y к) с небольшим конечным числом степеней свободы, то доверительные ошибки рассчитывают с помощью критерия Стьюдента t(P; f):

,

где Р – доверительная вероятность (Р=1-q, q– уровень значимости).

Проверка надёжности полученных результатов по критерию Стьюдента для проведенного числа опытов m при избранной доверительной вероятности (надёжности) Р=0,95; 0,99. Это значит, что 95% или 99% абсолютных отклонений результатов лежит в указанных пределах. Критерий t(P; f) с доверительной вероятностью Р показывает во сколько раз модуль разности между истинным значением определённой величины y и средним значением ỹ больше стандартного отклонения среднего результата.

8. Определение грубых ошибок среди результатов повторностей опыта

При статистическом анализе экспериментальных данных для процессов, негативный результат которых не создает ситуаций, опасных для жизни людей или утраты больших материальных ценностей, доверительная вероятность обычно принимают равной Р=0,95

Среди результатов y k повторностей опыта могут быть результаты, значительно отличающиеся от других. Это может быть связано либо с какой-то грубой ошибкой, либо с неизбежным случайным влиянием неучтенных факторов на результат данной повторности опыта.

Признаком наличия «выделяющегося» результата среди других является большая величина отклонения │▲y k │= y k – yˉ.

Если ▲y k >y пред, то такие результаты относятся к грубым ошибкам. Предельное абсолютное отклонение определяют в зависимости от сложившейся ситуации различными методами. Если, например, проводиться статистический анализ экспериментальных данных опыта с эталонным процессом (известно истинное значение результата опыта и ▲y k =y k -y) и если исследователь имеет в своем распоряжении оценку дисперсии S 2 (y k) с таким большим числом степеней свободы, то может принять f→∞ и S 2 (y k)=σ 2 , то для определения грубых ошибок можно применить правило «2-х сигм»: все результаты, абсолютные отклонения которых по модулю превышают величину двух среднеквадратичных отклонений с надежностью 0,95 считаются грубыми ошибками и исключаются из массива экспериментальных данных (вероятность исключения достоверных результатов равна уровню значимости q=0,05).

Если доверительная вероятность отличается от 0,95 то пользуются правилом «одной сигмы» (Р=0,68) или правилом «трех сигм» (Р=0,997), или по заданной вероятности Р=2Ф(t) – 1 находят Ф(t) по справочным данным и параметр t, по которому и рассчитывают абсолютное отклонение:

Если в распоряжении исследователя имеется лишь приближенная оценка дисперсии с небольшим (конечным) числом степеней свободы, то применение правила «сигм» может привести либо к необоснованному исключению достоверных результатов либо к необоснованному оставлению ошибочных результатов.

В этой ситуации для определения грубых ошибок можно применить критерий максимального отклонения r max (P, m), взятый из соответствующих таблиц. Для этого r max сравнивают с величиной r, равной

(22)

Если r > r max , то данный результат должен исключаться из дальнейшего анализа, оценка y ˉ должна быть пересчитана, изменяются абсолютные отклонения ▲y k и соответственно оценка дисперсии S 2 (y k) и S 2 (yˉ). Анализ на грубые ошибки повторяют при новых значениях оценок yˉ и S 2 (y k), прекращают его при r <= r max .

При пользовании формулой (22) следует применять оценку дисперсии, полученную по результатам повторностей опыта, среди которых находится сомнительный результат.

Для определения грубых ошибок существуют и другие методы, среди которых наиболее быстрым является метод «по размаху» , основанный на оценке максимальных различий полученных результатов. Анализ по этому методу проводят в такой последовательности:

1)располагают результаты y k в упорядоченный ряд, в котором максимальному результату присваивается номер первый (y1), а максимальному – наибольший (y m).

2)Если результатом, вызывающим сомнение, будет y m , рассчитывают отношение

(23)

если сомнительным результатом будет y 1 – отношение

3)при заданном уровни значимости q и известном числе повторностей m по приложению 6 находят табличное значение критерия α Т.

4)если α > α Т, то подозреваемый результат является ошибочным и его следует исключить.

После исключения грубой ошибки находят по таблице новую величину α Т и решают судьбу следующего «подозреваемого» результата, сравнивая α Т и рассчитанный для него α.

Если есть основание предполагать, что 2 наибольших (2 наименьших) результата являются «промахами», то их можно выявить в один прием, используя соответствующий столбец таблицы приложения 6 для определения α Т и рассчитывая α по формуле:

(25)

Средневзвешенные оценки дисперсии. Анализ однородности исходных оценок дисперсии

Если в распоряжении экспериментатора имеются результаты многократных измерений величин критерия оптимальности в опытах при различных условиях ведения процесса, то появляется возможность расчета средневзвешенной оценки дисперсии единичного результата, единой для всех опытов эксперимента.

В каждом из N опытов (номер опыта и = 1+ N ) оценка дисперсии единичного результата равна

где т и – число повторностей и-го опыта.

Средневзвешенная оценка дисперсии единичного результата рассчитывается по всем оценкам дисперсии единичного результата опытов:

а) при различных т и

где - число степеней свободы средневзвешенной оценки дисперсии; т и – 1 = f u – «вес» соответствующей и-ой оценки дисперсии, равный числу степеней свободы f u ;

б) прит и = т = const

где N(m-1)=f– число степеней свободы средневзвешенной оценки дисперсии.

Прежде чем пользоваться соотношениями (28) и (29) для расчета средневзвешенных уточненных оценок дисперсии (чем больше число степеней свободы, тем более точной будет оценка дисперсии), надо доказать однородность исходных оценок дисперсии.

Определение «однородные» в статистике означает «являющиеся оценкой одного и того же параметра» (в данном случае – дисперсии σ 2).

Если измеряемая случайная величина у ик распределена по нормальному закону во всем исследуемом диапазоне, то независимо от значений и дисперсия σ не будет изменять своей величины и оценки этой дисперсии должны быть однородными. Однородность этих оценок проявляется в том, что они могут отличаться друг от друга лишь незначительно, в пределах, зависящих от принятой вероятности и объема экспериментальных данных.

Если т и = т и f = const, то однородность оценок дисперсий можно проанализировать при помощи критерия Кохрена G kp . Вычисляют отношение максимальной дисперсии S 2 ( y uk ) max к сумме всех дисперсий

и сравнивают это отношение с величиной критерия Кохрена G kp ( P ; f ; N ). Если G < Gkp , то оценки однородны.

Таблица значений критерия Кохрена в зависимости от числа степеней свободы числителя f u , числа сравниваемых дисперсий N и принятого уровня значимости q = 1 – Р дана в приложении.

Если число повторностей в опытах различно ( f lt ≠ const), однородность оценок дисперсии можно проанализировать с помощью критерия Фишера F Т. Для этого из N оценок дисперсии выбирают 2: максимальную S 2 (y uk) max и минимальную S 2 (y uk) min . Если вычисленное значение F их отношения меньше Ft ,

то все N оценок дисперсии будут однородны.

Значения критерия Фишера F T даны в приложении в зависимости от принятого уровня значимости q и числа степеней свободы f 1 иf 2 оценок S 2 (y uk) max и S 2 (y uk) min соответственно.

Если оценки дисперсии непосредственно измеряемого параметра у оказались неоднородными, т.е. оценками различных дисперсий, то средневзвешенная оценка не может быть рассчитана. И кроме того, величины у к уже нельзя считать подчиняющимися нормальному закону, при котором дисперсия может быть лишь одной и неизменной при любом у.

Причиной нарушения нормального закона распределения может быть наличие оставшихся грубых ошибок (анализ на грубые ошибки либо не проводился, либо проведен недостаточно тщательно).

Другой причиной может быть наличие активного фактора, ошибочно отнесенного исследователем к неактивным и не снабженного системой стабилизации. Поскольку условия изменились, этот фактор стал значимо влиять на процесс.

9. Планирование и обработка результатов однофакторных экспериментов

9.1 Формализация экспериментальных данных методом наименьших квадратов

Влияние какого-либо фактора на выход процесса может быть выражено зависимостью у = f(C). Если конкретному значению С и соответствует единственное значение у и, то такая зависимость называется функциональной. Эту зависимость получают путем строгих логических доказательств, не нуждающихся в опытной проверке. Например, площадь квадрата ω может быть представлена функциональной зависимостью от размера стороны квадрата а: ω = а 2 .

Если у и остается неизменным в то время как С и изменяется, то у не зависит от С. Например, угол при вершине квадрата равный π/2, не зависит от размера стороны а и.

Если для оценки величин у и и С и используются данные наблюдений, величины случайные, то функциональная зависимость между ними существовать не может.

Измерив отдельно сторону а и площадь ω квадрата, можно убедиться, что полученные результаты не могут быть представлены с абсолютной точностью зависимостью ω = а 2 .

К формализации экспериментальных данных, т.е. построению по ним описывающей процесс зависимости, исследователь прибегает, когда не может составить эвристическую (детерминированную) математическую модель из-за недостаточного понимания механизма процесса или его чрезмерной сложности.

Полученная в результате формализации экспериментальных данных эмпирическая математическая модель имеет меньшую ценность, чем отражающая механизм процесса эвристическая математическая модель, которая может предсказать поведение объекта за пределами изученного диапазона изменения переменных.

Приступая к эксперименту с целью получения эмпирической математической модели, исследователь должен определить необходимый объем опытных данных с учетом количества принятых к исследованию факторов, воспроизводимости процесса, предполагаемой структуры модели и обеспечения возможности проверки адекватности уравнения.

Если по результатам эксперимента, состоящего из двух опытов, получено линейное однофакторное уравнение у = b 0 + b 1 С , то построенная по этому уравнению прямая обязательно пройдет через эти экспериментальные точки. Следовательно, для того чтобы проверить, насколько хорошо эта зависимость описывает данный процесс, надо поставить опыт хотя бы еще в одной точке. Этот дополнительный опыт дает возможность осуществить корректную процедуру проверки пригодности уравнения. Однако проверку обычно проводят не по одной дополнительной точке, которая не участвовала в определении коэффициентов уравнения, а по всем экспериментальным точкам, число которых (N) должно превышать число коэффициентов уравнения (N ")

Так как N > N ", решение такой системы требует специального подхода.

9.2 Симметричный и равномерный план однофакторного эксперимента

Задача в значительной степени упростится, если при планировании эксперимента, можно будет обеспечить условие:

При натуральной размерности факторов выполнить условие ΣC u =0 невозможно, т. к. в этом случае величина фактора должна иметь как положительные значения, так и отрицательные.

Если же точку отсчета величины фактора перенести в середину диапазона изменения фактора (центр эксперимента)

то появляется возможность удовлетворить условию в виде , где С " u =С u – С 0.

Для равномерного плана С u – С (u -1) = λ = const,

где λ – интервал варьирования фактора.

Условие может быть выполнено, если для обозначения величины фактора использовать безразмерные выражения:

отсюда легко увидеть, что условие эквивалентно условию и такие планы называют симметричными.

При составлении плана диапазон фактора ориентировочно ограничивают величинами С min и С max , назначенными после изучения литературы по теме исследования. От опыта к опыту предусматривают такое изменение величины фактора, которое позволило бы достоверно уловить имеющимися в распоряжении исследователя приборами изменение выхода процесса .

С учетом величины λ и диапазона (С max – C min) определяют число опытов, округляя его до нечетного N:

.

Затем определяют величины факторов в каждом из N опытов и уточняют исследуемый диапазон фактора С N – С 1:

=,

где х u – безразмерное выражение фактора, аналогичное полученному по соотношению

Для расчета коэффициентов уравнения используем формулу:

множители а ju и знаменатель l j берем из приложения.

Число опытов эксперимента может быть четным или нечетным, и, как правило, должно быть больше числа коэффициентов N" уравнения.

Чем больше разность (N – N"), тем с большей точностью можно получить оценки коэффициентов данного уравнения и тем в большей степени эти оценки будут освобождены от влияния случайных неуточненных факторов.

1 Планы для одной независимой переменной

План «истинного» экспериментального исследования отличается от других следующими важнейшими признаками:

1) применением одной из стратегий создания эквивалентных групп, чаще всего - рандомизации;

2) наличием экспериментальной и, как минимум, одной контрольной группы;

3) завершением эксперимента тестированием и сравнением поведения группы, получившей экспериментальное воздействие (X1), с группой, не получившей воздействия Х0.

Классическим вариантом плана является план для 2 независимых групп. В психологии планирование эксперимента начинает применяться с первых десятилетий XXв.

Существуют три основные версии этого плана. При их описании будем пользоваться символизацией, предложенной Кэмпбеллом.

Таблица 5.1

Здесь R- рандомизация, Х- воздействие, О1 - тестирование первой группы, О2 - тестирование второй группы.

1) План для двух рандомизированных групп с тестированием после воздействия. Его автор - известный биолог и статистик Р. А. Фишер . Структура плана показана в табл. 5.1.

Равенство экспериментальной и контрольной групп является совершенно необходимым условием применения этого плана. Чаще всего для достижения эквивалентности групп применяют процедуру рандомизации (см. гл. 4). Этот план рекомендуют использовать в том случае, когда нет возможности или необходимости проводить предварительное тестирование испытуемых. Если рандомизация проведена качественно, то этот план является наилучшим, позволяет контролировать большинство источников артефактов; кроме того, для него применимы различные варианты дисперсионного анализа.

После проведения рандомизации или иной процедуры уравнивания групп осуществляется экспериментальное воздействие. В простейшем варианте используется лишь две градации независимой переменной: есть воздействие, нет воздействия.

Если необходимо использовать не 1 уровень воздействия, то применяются планы с несколькими экспериментальными группами (по числу уровней воздействия) и одной контрольной.

Если же нужно контролировать влияние одной из дополнительных переменных, то применяют план с 2 контрольными группами и 1-й экспериментальной. Измерение поведения дает материал для сравнения 2 групп. Обработка данных сводится к применению традиционных для математической статистики оценок. Рассмотрим случай, когда измерение проводится интервальной шкалой. Для оценки различия в средних показателях групп используют t-критерий Стьюдента. Оценивание различий в вариации измеряемого параметра между экспериментальной и контрольной группами проводится с помощью критерия F. Соответствующие процедуры подробно рассмотрены в учебниках математической статистики для психологов.

Применение плана для 2 рандомизированных групп с тестированием после воздействия позволяет контролировать основные источники внутренней невалидности (как их определяет Кэмпбелл). Поскольку предварительное тестирование отсутствует, исключен эффект взаимодействия процедуры тестирования и содержания экспериментального воздействия и сам эффект тестирования. План позволяет контролировать влияние состава групп, стихийного выбывания, влияние фона и естественного развития, взаимодействие состава группы с другими факторами, позволяет также исключить эффект регрессии за счет рандомизации и сравнения данных экспериментальной и контрольной групп. Однако при проведении большинства педагогических и социально-психологических экспериментов необходимо жестко контролировать исходный уровень зависимой переменной, будь то интеллект, тревожность, знания или статус личности в группе. Рандомизация - лучшая процедура из возможных, но она не дает абсолютной гарантии правильности выбора. Когда существуют сомнения в результатах рандомизации, применяют план с предварительным тестированием.

Таблица 5.2

2) План для двух рандомизированных групп с предварительным и итоговым тестированием. Рассмотрим структуру этого плана (табл. 5.2).

План с предварительным тестированием пользуется популярностью у психологов. Биологи больше доверяют процедуре рандомизации. Психолог прекрасно знает, что каждый человек своеобразен и отличен от других, и подсознательно стремится уловить эти различия с помощью тестов, не доверяя механической процедуре рандомизации. Однако гипотеза большинства психологических исследований, особенно в области психологии развития («формирующий эксперимент»), содержит прогноз определенного изменения свойства индивида под влиянием внешнего фактора. Поэтому план «тест-воздействие-ретест» с применением рандомизации и контрольной группой очень распространен.

При отсутствии процедуры уравнивания групп этот план преобразуется в квазиэкспериментальный (он будет рассмотрен в разделе 5.2).

Главный источник артефактов, нарушающий внешнюю валидность процедуры, - взаимодействие тестирования с экспериментальным воздействием. Например, тестирование уровня знаний по определенному предмету перед проведением эксперимента по заучиванию материала может привести к актуализации исходных знаний и к общему повышению продуктивности запоминания. Достигается это за счет актуализации мнемонических способностей и создания установки на запоминание.

Однако с помощью этого плана можно контролировать другие внешние перемен-ные. Контролируется фактор «истории» («фона»), так как в промежутке между первым и вторым тестированием обе группы подвергаются одинаковым («фоновым») воздействиям. Вместе с тем Кэмпбелл отмечает необходимость контроля «внутригрупповых событий», а также эффекта неодновременности тестирования в обеих группах. В реальности невозможно добиться, чтобы тест и ретест проводились в них одновременно. План превращается в квазиэкспериментальный, например:

Обычно контроль неодновременности тестирования осуществляют два экспериментатора, проводящие тестирование двух групп одновременно. Оптимальной считается процедура рандомизации порядка тестирования: тестирование членов экспериментальной и контрольной групп производится в случайном порядке. То же самое делается и с предъявлением - не предъявлением экспериментального воздействия. Разумеется, такая процедура требует наличия значительного числа испытуемых в экспериментальной и контрольной выборках (не менее 30-35 человек в каждой).

Естественное развитие и эффект тестирования контролируются за счет того, что они одинаково проявляются в экспериментальной и контрольной группах, а эффекты состава групп и регрессии [Кэмпбелл, 1980] контролируются при помощи процедуры рандомизации.

Результаты применения плана «тест-воздействие-ретест» представлены в таблице.

При обработке данных обычно используются параметрические критерии t и F (для данных в интервальной шкале). Вычисляются три значения t: сравнение 1) О1 и О2 ; 2) О3 и О4; 3) О2 и О4. Гипотезу о значимом влиянии независимой переменной на зависимую можно принять в том случае, если выполняются два условия: а) различия между О1 и О2 значимы, а между О3 и О4 - незначимы и б) различия между О2 и О4 значимы. Гораздо удобнее сравнивать не абсолютные значения, а величины прироста показателей от первого тестирования ко второму (δ(i)). Вычисляются δ(i12) и δ(i34) и сравниваются по t-критерию Стьюдента. В случае значимости различий принимается экспериментальная гипотеза о влиянии независимой переменной на зависимую (табл. 5.3).

Рекомендуется также применять ковариационный анализ по Фишеру. При этом показатели предварительного тестирования берутся в качестве дополнительной переменной, а испытуемые разбиваются на подгруппы в зависимости от показателей предварительного тестирования. Тем самым получается следующая таблица для обработки данных по методу MANOVA (табл. 5.4).

Применение плана «тест-воздействие-ретест» позволяет контролировать влияние «побочных» переменных, нарушающих внутреннюю валидность эксперимента.

Внешняя валидность связана с возможностью переноса данных на реальную ситуацию. Главным же моментом, отличающим экспериментальную ситуацию от реальной, является введение предварительного тестирования. Как мы уже отметили, план «тест-воздействие-ретест» не позволяет контролировать эффект взаимодействия тестирования и экспериментального воздействия: предварительно тестируемый испытуемый «сенсибилизируется» - становится более чувствительным к воздействию, так как мы измеряем в эксперименте именно ту зависимую переменную, на которую собираемся воздействовать с помощью варьирования независимой переменной.

Таблица 5.5

Для контроля внешней валидности используется план Р. Л. Соломона, который был предложен им в 1949 г.

3) План Соломона используется при проведении эксперимента на четырех группах:

1. Эксперимент1: R О1 Х О2

2. Контроль 1: R О3 О4

3. Эксперимент 2: R X О5

4. Контроль 2: R О6

План включает исследование двух экспериментальных и двух контрольных групп и по сути является мультигрупповым (типа 2 х 2), но для удобства изложения он рассматривается в этом разделе.

План Соломона представляет собой объединение двух ранее рассмотренных планов: первого, когда не производится предварительное тестирование, и второго - «тест-воздействие-ретест». С помощью «первой части» плана можно контролировать эффект взаимодействия первого тестирования и экспериментального воздействия. Соломон с помощью своего плана выявляет эффект экспериментального воздействия четырьмя разными способами: при сравнении 1) О2 - О1 ; 2) О2 - О4 ; 3) О5 - О6 и 4) О5 - О3 .

Если провести сравнение О6 с О1 и О3, то можно выявить совместное влияние эффектов естественного развития и «истории» (фоновых воздействий) на зависимую переменную.

Кэмпбелл, критикуя предложенные Соломоном схемы обработки данных, предлагает не обращать внимания на предварительное тестирование и свести данные к схеме 2 х 2, пригодной для применения дисперсионного анализа (табл. 5.5).

Сравнение средних по столбцам позволяет выявлять эффект экспериментального воздействия - влияние независимой переменной на зависимую. Средние по строкам показывают эффект предварительного тестирования. Сравнение средних по ячейкам характеризует взаимодействие эффекта тестирования и экспериментального воздействия, что свидетельствует о мере нарушения внешней валидности.

В том случае, когда эффектами предварительного тестирования и взаимодействия можно пренебречь, переходят к сопоставлению О4 и О2 методом ковариационного анализа. В качестве дополнительной переменной берутся данные предварительного тестирования по схеме, приведенной для плана «тест-воздействие-ретест».

Наконец, в некоторых случаях необходимо проверить сохранение во времени эф-фекта воздействия независимой переменной на зависимую: например, выяснить, приводит ли новый метод обучения к долгосрочному запоминанию материала Для этих целей применяют следующий план:

1 Эксперимент 1 R О1 Х О2

2 Контроль 1 R О3 О4

3 Эксперимент 2 R О5 Х О6

4 Контроль 2 R О7 О8

2. Планы для одной независимой переменной и нескольких групп

Иногда сравнения двух групп недостаточно для подтверждения или опровержения экспериментальной гипотезы. Такая проблема возникает в двух случаях: а) при необходимости контроля внешних переменных; б) при необходимости выявления количественных зависимостей между двумя переменными.

Для контроля внешних переменных используются различные варианты факторного экспериментального плана. Что касается выявления количественной зависимости между двумя переменными, то необходимость ее установления возникает при проверке «точной» экспериментальной гипотезы. В эксперименте с участием двух групп в лучшем случае можно установить факт причинной связи между независимой и зависимой переменными. Но между двумя точками можно провести бесконечное множество кривых. Для того чтобы убедиться в наличии линейной зависимости между двумя переменными, следует иметь хотя бы три точки, соответствующие трем уровням независимой переменной. Следовательно, экспериментатор должен выделить несколько рандомизированных групп и поставить их в различные экспериментальные условия. Простейшим вариантом является план для трех групп и трех уровней независимой переменной:

Эксперимент 1: R Х1 О1

Эксперимент 2: R Х2 О2

Контроль: R О3

Контрольная группа в данном случае - это третья экспериментальная группа, для которой уровень переменной Х = 0.

При реализации этого плана каждой группе предъявляется лишь один уровень независимой переменной. Возможно и увеличение числа экспериментальных групп соответственно числу уровней независимой переменной. Для обработки данных, полученных с помощью такого плана, применяются те же статистические методы, что были перечислены выше.

Простые «системные экспериментальные планы», как ни удивительно, очень редко используются в современных экспериментальных исследованиях. Может быть, исследователи «стесняются» выдвигать простые гипотезы, помня о «сложности и многомерности» психической реальности? Тяготение к использованию планов с многими независимыми переменными, более того - к проведению многомерных экспериментов, не обязательно способствует лучшему объяснению причин человеческого поведения. Как известно, «умный поражает глубиной идеи, а дурак - размахом строительства». Лучше предпочесть простое объяснение любому сложному, хотя регрессионные уравнения, где все всему равняется, и запутанные корреляционные графы могут произвести впечатление на некоторые диссертационные советы.

3 Факторные планы

Факторные эксперименты применяются тогда, когда необходимо проверить сложные гипотезы о взаимосвязях между переменными. Общий вид подобной гипотезы: «Если А1, А2,..., Аn, то В». Такие гипотезы называются комплексными, комбинированными и др. При этом между независимыми переменными могут быть различные отношения: конъюнкции, дизъюнкции, линейной независимости, аддитивные или мультипликативные и др. Факторные эксперименты являются частным случаем многомерного исследования, в ходе проведения которого пытаются установить отношения между несколькими независимыми и несколькими зависимыми переменными. В факторном эксперименте проверяются одновременно, как правило, два типа гипотез:

1) гипотезы о раздельном влиянии каждой из независимых переменных;

2) гипотезы о взаимодействии переменных, а именно - как присутствие одной из независимых переменных влияет на эффект воздействия на другой.

Факторный эксперимент строится по факторному плану. Факторное планирование эксперимента заключается в том, чтобы все уровни независимых переменных сочетались друг с другом. Число экспериментальных групп равно числу сочетаний уровней всех независимых переменных.

Сегодня факторные планы наиболее распространены в психологии, поскольку простые зависимости между двумя переменными в ней практически не встречаются.

Существует множество вариантов факторных планов, но на практике применяются далеко не все. Чаще всего используются факторные планы для двух независимых переменных и двух уровней типа 2х2. Для составления плана применяется принцип балансировки. План 2х2 используется для выявления эффекта воздействия двух независимых переменных на одну зависимую. Экспериментатор манипулирует возможными сочетаниями переменных и уровней. Данные приведены в простейшей таблице (табл. 5.6).

Реже используются четыре независимые рандомизированные группы. Для обработки результатов применяется дисперсионный анализ по Фишеру.

Так же редко используются другие версии факторного плана, а именно: 3х2 или 3х3. План 3х2 применяется в тех случаях, когда нужно установить вид зависимости одной зависимой переменной от одной независимой, а одна из независимых переменных представлена дихотомическим параметром. Пример такого плана - эксперимент по выявлению воздействия внешнего наблюдения на успех решения интеллектуальных задач. Первая независимая переменная варьируется просто: есть наблюдатель, нет наблюдателя. Вторая независимая переменная - уровни трудности задачи. В этом случае мы получаем план 3х2 (табл. 5.7).

Вариант плана 3х3 применяется в том случае, если обе независимые переменные имеют несколько уровней и есть возможность выявить виды связи зависимой переменной от независимых. Этот план позволяет выявлять влияние подкрепления на успешность выполнения задании разной трудности (табл. 5.8).

В общем случае план для двух независимых переменных выглядит как N х М. Применимость таких планов ограничивается только необходимостью набора большого числа рандомизированных групп. Объем экспериментальной работы чрезмерно возрастает с добавлением каждого уровня любой независимой переменной.

Планы, используемые для исследования влияния более двух независимых переменных, применяются редко. Для трех переменных они имеют общий вид L х М х N.

Чаще всего применяются планы 2х2х2: «три независимые переменные - два уровня». Очевидно, добавление каждой новой переменной увеличивает число групп. Общее их число 2, где п - число переменных в случае двух уровней интенсивности и К - в случае К-уровневой интенсивности (считаем, что число уровней одинаково для всех независимых переменных). Примером этого плана может быть развитие предыдущего. В случае, когда нас интересует успешность выполнения экспериментальной серии заданий, зависящая не только от общей стимуляции, которая производится в форме наказания - удара током, но и от соотношения поощрения и нака-зания, мы применяем план 3х3х3.

Упрощением полного плана с тремя независимыми переменными вида L х М х N является планирование по методу «латинского квадрата». «Латинский квадрат» применяют тогда, когда нужно исследовать одновременное влияние трех переменных, имеющих два уровня или более. Принцип «латинского квадрата» состоит в том, что два уровня разных переменных встречаются в экспериментальном плане только один раз. Тем самым процедура значительно упрощается, не говоря о том, что экспериментатор избавляется от необходимости работать с огромными выборками.

Предположим, что у нас есть три независимые переменные, с тремя уровнями каждая:

План по методу «латинского квадрата» представлен в табл. 5.9.

Такой же прием используется для контроля внешних переменных (контрбалан-сировка). Нетрудно заметить, что уровни третьей переменной N (А, В, С,) встречаются в каждой строке и в каждой колонке по одному разу. Комбинируя результаты по строкам, столбцам и уровням, можно выявить влияние каждой из независимых переменных на зависимую, а также степень попарного взаимодействия переменных.

«Латинский квадрат» позволяет значительно сократить число групп. В частности, план 2х2х2 превращается в простую таблицу (табл. 5.10).

Применение латинских букв в клеточках для обозначения уровней 3-й переменной (А - есть, В - нет) традиционно, поэтому метод назван «латинский квадрат».

Более сложный план по методу «греко-латинского квадрата» применяется очень редко. С его помощью можно исследовать влияние на зависимую переменную четырех независимых. Суть его в следующем: к каждой латинской группе плана с тремя переменными присоединяется греческая буква, обозначающая уровни четвертой переменной.

Рассмотрим пример. У нас четыре переменные, каждая из которых имеет три уровня интенсивности. План по методу «греко-латинского квадрата» примет такой вид (табл. 5.11).

Для обработки данных применяется метод дисперсионного анализа по Фишеру. Методы «латинского» и «греко-латинского» квадрата пришли в психологию из агробиологии, но большого распространения не получили. Исключением являются некоторые эксперименты в психофизике и психологии восприятия.

Главная проблема, которую удается решить в факторном эксперименте и невозможно решить, применяя несколько обычных экспериментов с одной независимой переменной, - определение взаимодействия двух переменных.

Рассмотрим возможные результаты простейшего факторного эксперимента 2х2 с позиций взаимодействий переменных. Для этого нам надо представить результаты опытов на графике, где по оси абсцисс отложены значения первой независимой переменной, а по оси ординат - значения зависимой переменной. Каждая из двух прямых, соединяющих значения зависимой переменной при разных значениях первой независимой переменной (А), характеризует один из уровней второй независимой переменной (В). Применим для простоты результаты не экспериментального, а корреляционного исследования. Условимся, что мы исследовали зависимость статуса ребенка в группе от состояния его здоровья и уровня интеллекта. Рассмотрим варианты возможных отношений между переменными.

Первый вариант: прямые параллельны - взаимодействия переменных нет (рис. 5.1).

Больные дети имеют более низкий статус, чем здоровые, независимо от уровня интеллекта. Интеллектуалы имеют всегда более высокий статус (независимо от здоровья).

Второй вариант: физическое здоровье при наличии высокого уровня интеллекта увеличивает шанс получить более высокий статус в группе(рис 5.2).

В этом случае получен эффект расходящегося взаимодействия двух независимых переменных. Вторая переменная усиливает влияние первой на зависимую переменную.

Третий вариант: сходящееся взаимодействие - физическое здоровье уменьшает шанс интеллектуала приобрести более высокий статус в группе. Переменная «здоровье» уменьшает влияние переменной «интеллект» на зависимую переменную. Есть и другие случаи этого варианта взаимодействия:

переменные взаимодействуют так, что увеличение значения первой приводит к уменьшению влияния второй с изменением знака зависимости (рис. 5.3).

У больных детей, обладающих высоким уровнем интеллекта, меньше шанс получить высокий статус, чем у больных детей с низким интеллектом, а у здоровых - связь интеллекта и статуса позитивная.

Теоретически возможно представить, что больные дети будут иметь больший шанс получить высокий статус при высоком уровне интеллекта, чем их здоровые низкоинтеллектуальные сверстники.

Последний, четвертый, возможный вариант наблюдаемых в исследованиях отношений между независимыми переменными: случай, когда между ними существует пересекающееся взаимодействие, представленное на последнем графике (рис. 5.4).

Итак, возможны следующие взаимодействия переменных: нулевое; расходящееся (с различными знаками зависимости); пересекающееся.

Оценка величины взаимодействия проводится с помощью дисперсионного анализа, а t-критерий Стьюдента используется для оценки значимости различий групповых X.

Во всех рассмотренных вариантах планирования эксперимента применяется способ балансировки: различные группы испытуемых ставятся в разные экспериментальные условия. Процедура уравнивания состава групп позволяет производить сравнение результатов.

Однако во многих случаях требуется планировать эксперимент так, чтобы все его участники получили все варианты воздействия независимых переменных. Тогда на помощь приходит техника контрбалансировки.

Планы, в которых воплощается стратегия «все испытуемые - все воздействия», Мак-Колл называет ротационными экспериментами, а Кэмпбелл - «сбалансированными планами». Чтобы не было путаницы между понятиями «балансировка» и «контрбалансировка», будем использовать термин «ротационный план».

Ротационные планы строятся по методу «латинского квадрата», но, в отличие от рассмотренного выше примера, по строкам обозначены группы испытуемых, а не уровни переменной, по столбцам - уровни воздействия первой независимой переменной (или переменных), в клеточках таблицы - уровни воздействия второй независимой переменной.

Пример экспериментального плана для 3 групп (А, B, С) и 2 независимых переменных (X,Y) с 3 уровнями интенсивности (1-й, 2-й, 3-й) приводим ниже. Нетрудно заметить, что этот план можно переписать и так, чтобы в клеточках стояли уровни переменной Y (табл. 5.12).

Кэмпбелл включает этот план в число квазиэкспериментальных на основании того, что неизвестно, контролируется ли с его помощью внешняя валидность. Действительно, вряд ли в реальной жизни испытуемый может получить серию таких воздействий, как в эксперименте.

Что касается взаимодействия состава групп с другими внешними переменными, источниками артефактов, то рандомизация групп, согласно утверждению Кэмпбелла, должна минимизировать влияние этого фактора.

Суммы по столбцам в ротационном плане свидетельствуют о различиях в уровне эффекта при разных значениях одной независимой переменной (X или Y), а суммы по строкам должны характеризовать различия между группами. Если группы рандомизированы удачно, то межгрупповых различий быть не должно. Если же состав группы является дополнительной переменной, возникает возможность ее проконтролировать. Схема контрбалансировки не позволяет избежать эффекта тренировки, хотя данные многочисленных экспериментов с применением «латинского квадрата» не позволяют делать такой вывод.

Подводя итог рассмотрению различных вариантов экспериментальных планов, предлагаем их классификацию. Экспериментальные планы различаются по таким основаниям:

1. Число независимых переменных: одна или больше. В зависимости от их числа применяется либо простой, либо факторный план.

2. Число уровней независимых переменных: при 2 уровнях речь идет об установлении качественной связи, при 3 и более - количественной связи.

3. Кто получает воздействие. Если применяется схема «каждой группе - своя комбинация», то речь идет о межгрупповом плане. Если же применяется схема «все группы - все воздействия», то речь идет о ротационном плане. Готтсданкер называет его кросс-индивидуальным сравнением.

Схема планирования эксперимента может быть гомогенной или гетерогенной (в зависимости от того, равно или не равно число независимых переменных числу уровней их изменения).

4 Планы экспериментов для одного испытуемого

Эксперименты на выборках с контролем переменных - ситуация, которую широкого стали использовать в психологии с 1910-1920-х гг. Особое распространение экспериментальные исследования на уравненных группах получили после создания выдающимся биологом и математиком Р. А. Фишером теории планирования экспериментов и обработки их результатов (дисперсионный и ковариационный анализы). Но психологи применяли эксперимент задолго до появления теории планирования исследования выборок. Первые экспериментальные исследования проводились с участием одного испытуемого - им являлся сам экспериментатор либо его ассистент. Начиная с Г. Фехнера (1860), в психологию пришла техника экспериментирования для проверки теоретических количественных гипотез.

Классическим экспериментальным исследованием одного испытуемого стала работа Г. Эббингауза, которая была проведена в 1913 г. Эббингауз исследовал явление забывания с помощью заучивания бессмысленных слогов (изобретенных им же). Он заучивал серию слогов, а затем пытался их воспроизвести через определенное время. В итоге была получена классическая кривая забывания: зависимость объема сохраненного материала от времени, прошедшего с момента заучивания (рис. 5.5).

В эмпирической научной психологии взаимодействуют и борются три исследовательские парадигмы. Представители одной из них, традиционно идущей от естественнонаучного эксперимента, считают единственно достоверным знанием только то, которое добывается в экспериментах на эквивалентных и репрезентативных выборках. Основной аргумент сторонников этой позиции - необходимость контроля внешних переменных и нивелирования индивидуальных различий для нахождения общих закономерностей.

Представители методологии «экспериментального анализа поведения» критикуют сторонников статистического анализа и планирования экспериментов на выборках. По их мнению, нужно проводить исследования с участием одного испытуемого и с применением определенных стратегий, которые позволят в ходе эксперимента редуцировать источники артефактов. Сторонниками этой методологии являются такие известные исследователи, как Б. Ф. Скиннер, Г. А. Мюррейидр.

Наконец, классическое идиографическое исследование противопоставляется как экспериментам с участием одного испытуемого, так и планам, изучающим поведение в репрезентативных выборках. Идиографическое исследование предусматривает изучение индивидуальных случаев: биографий или особенностей поведения отдельных людей. Примером являются замечательные работы Лурии «Потерянный и возвращенный мир» и «Маленькая книжка о большой памяти».

Во многих случаях исследования, проводимые с участием одного испытуемого, являются единственно возможным вариантом. Методология исследования одного испытуемого разрабатывалась в 1970-1980-е гг. многими авторами: А. Кезданом, Т. Кратохвиллом, Б. Ф. Скиннером, Ф.-Дж. МакГиганом и др.

В ходе эксперимента выявляются два источника артефактов: а) ошибки в стратегии планирования и в проведении исследования; б) индивидуальные различия.

Если создать «правильную» стратегию проведения эксперимента с одним испытуемым, то вся проблема сведется лишь к учету индивидуальных различий. Эксперимент с одним испытуемым возможен тогда, когда: а) индивидуальными различиями можно пренебречь в отношении переменных, изучаемых в эксперименте, все испытуемые признаются эквивалентными, поэтому возможен перенос данных на каждого члена популяции; б) испытуемый уникален, и проблема прямого переноса данных неактуальна.

Стратегия экспериментирования с одним испытуемым разработана Скиннером для исследования процесса обучения. Данные в ходе исследования представляются в форме «кривых обучения» в системе координат «время» - «общее число ответов» (кумулятивная кривая). Кривая обучения первоначально анализируется визуально; рассматриваются ее изменения во времени. Если функция, описывающая кривую, изменяется при изменении воздействия А на В, то это может свидетельствовать о наличии причинной зависимости поведения от внешних воздействий (А или В).

Исследование по схеме «один испытуемый» (single-subject research) называется также планированием временных серий. Основным показателем влияния независимой переменной на зависимую при реализации такого плана является изменение характера ответов испытуемого от воздействия на него изменения условий эксперимента во времени. Существует ряд основных схем применения этой парадигмы. Простейшая стратегия - схема А-В. Испытуемый первоначально выполняет деятельность в условиях А, а затем - в условиях В (см. рис. 5.8).

При использовании этого плана возникает закономерный вопрос: а сохранила бы кривая ответов прежний вид, если бы не было воздействия? Проще говоря, эта схема не контролирует эффект плацебо. Кроме того, неясно, что привело к эффекту: может быть, воздействие оказала не переменная В, а какая-либо иная переменная, не учтенная в эксперименте.

Поэтому чаще применяется другая схема: А-В-А. Первоначально регистрируется поведение испытуемого в условиях А, затем условия изменяются (В), а на третьем этапе происходит возвращение прежних условий (А). Изучается изменение функциональной связи между независимой и зависимой переменными. Если при изменении условий на третьем этапе восстанавливается прежний вид функциональной зависимости между зависимой и зависимой переменными, то независимая переменная считается причиной, которая может модифицировать поведение исп ытуемого (рис. 5.9).

Однако и первый, и второй варианты планирования временных серий не позволяют учесть фактор кумуляции воздействий. Возможно, к эффекту приводит сочетание - последовательность условий (А и В). Неочевидно и то, что после возврата к ситуации В кривая примет тот же вид, каким он был при первом предъявлении условий В.

Примером плана, который дважды воспроизводит один и тот же экспериментальный эффект, является схема А-В-А-В. Если при 2-м переходе от условий А к условиям В будет воспроизведено изменение функциональной зависимости ответов испытуемого от времени, то это станет доказательством экспериментальной гипотезы: независимая переменная (А, В) влияет на поведение испытуемого.

Рассмотрим простейший случай. В качестве зависимой переменной выберем общий объем знаний студента. В качестве независимой - занятия физкультурой по утрам (например, гимнастикой ушу). Предположим, что комплекс ушу благоприятно влияет на общее психическое состояние студента и способствует лучшему запоминанию (рис. 5.10).

Очевидно, что занятие гимнастикой благоприятно отразилось на обучаемости.

Существуют различные варианты планирования по методу временных серий. Различают схемы регулярного чередования серий (АВ-АВ), серии стохастических последовательностей и схемы позиционного уравнивания (пример: АВВА). Модификациями схемы А-В-А-В являются схема А-В-А-В-А или более длительная: А- В- А- В- А- В- А.

Применение более «длинных» временных планов увеличивает гарантию обнаружения эффекта, но приводит к утомлению испытуемого и другим кумулятивным эффектам.

Кроме того, план А-В-А-В и его различные модификации не снимают три важнейшие проблемы:

1. Что было бы с испытуемым, если бы никакого воздействия не было (эффект плацебо)?

2. Не является ли последовательность воздействий А-В сама по себе еще одним воздействием (побочной переменной)?

3. Какая причина привела к эффекту: если на месте В не было бы воздействия, повторился бы эффект?

Для контроля эффекта плацебо в серию А-В-А-В включают условия, «имитирующие» либо воздействие А, либо воздействие В. Рассмотрим решение последней проблемы. Но сначала проанализируем такой случай: допустим, студент постоянно занимается ушу. Но периодически на стадионе или в спортивном зале появляется симпатичная девушка (просто зритель) - воздействие В. План А- В- А- В выявил повышение эффективности учебных занятий студента в периоды появления переменной В. Что является причиной: присутствие зрителя как такового или конкретной симпатичной девушки? Для проверки гипотезы о наличии конкретной причины эксперимент строится по следующей схеме: А-В-А-С-А. Например, в четвертый временной период на стадион приходит другая девушка или скучающий пенсионер. Если эффективность занятий значительно снизится (не та мотивация), то это будет свидетельствовать о конкретной причине ухудшения обучаемости. Возможен и вариант проверки воздействия условия А (занятия ушу без зрителей). Для этого надо применить план А-В-С-В. Пусть студент какое-то время в отсутствие девушки прекратит занятия. Если же повторное появление ее на стадионе приведет к тому же эффекту, что и в первый раз, то причина повышения успеваемости - в ней, а не только в занятиях ушу (рис. 5.11).

Прошу не принимать пример всерьез. В действительности происходит как раз все наоборот: увлечение девушками резко снижает успеваемость студентов.

Существует множество приемов проведения исследований с участием одного испытуемого. Примером развития плана А-В является «план альтернативных воздействий». Воздействия А и В рандомизированно распределяются во времени, например по дням недели, если речь идет о разных способах избавления от курения. Затем определяются все моменты, когда было воздействие А; строится кривая, соединяющая соответствующие последовательные точки. Выделяются все моменты времени, когда было «альтернативное» воздействие В, и в порядке следования во времени также соединяются; строится вторая кривая. Затем сравниваются обе кривые и выявляется, какое воздействие более эффективно. Эффективность определяется по величине роста или падения кривой (рис. 5.12).

Синонимами термина «план альтернативных воздействий» являются: «план сравнения серий», «план синхронизированных воздействий», «план множественных расписаний» и т.д.

Другой вариант - реверсивный план. Он применяется для исследования двух альтернативных форм поведения. Первоначально регистрируется базовый уровень проявления обеих форм поведения. Первое поведение может актуализироваться с помощью специфического воздействия, а второе, несовместимое с ним, провоцируется одновременно другим типом воздействия. Эффект двух воздействий оценивается. Через определенное время сочетание воздействий реверсируется так, что первая форма поведения получает воздействие, которое инициировало вторую форму поведения, а вторая - воздействие, релевантное первой форме поведения. Такой план используется, например, при исследовании поведения маленьких детей (рис.5.13).

В психологии обучения применяют метод смены критериев, или «план возрастания критериев». Суть его состоит в том, что регистрируется изменение поведения испытуемого в ответ на прирост (фазы) воздействия. Увеличение регистрируемого параметра поведения фиксируется, и следующее воздействие осуществляется лишь после выхода испытуемого на заданный уровень критерия. После стабилизации уровня исполнения испытуемому предъявляют следующую градацию воздействия. Кривая успешного эксперимента (подтверждающего гипотезу) напоминает сбитую каблуками лестницу, где начало ступени совпадает с началом уровня воздействия, а конец ее - с выходом испытуемого на очередной критерий.

Способом, позволяющим нивелировать «эффект последовательности», является инверсия последовательности воздействий - план А-В-В-А. Эффекты последовательности связаны с влиянием предшествующего воздействия на последующее (иное название - эффекты порядка, или эффекты переноса). Перенос может быть положительным или отрицательным, симметричным или асимметричным. Последовательность А-В-В-А называется позиционно уравненной схемой. Как отмечает Готтсданкер, воздействие переменных А и В обусловлено эффектами раннего или позднего переноса. Воздействие А связано с поздним переносом, а В - с ранним. Кроме того, если присутствует кумулятивный эффект, то два идущих подряд воздействия В могут влиять на субъекта как единое суммарное воздействие. Эксперимент может быть удачным лишь в том случае, если эти эффекты незначительны. Рассмотренные выше варианты планов с регулярным чередованием или со случайными последовательностями чаще всего очень длинны, поэтому их трудно реализовать.

Если подвести краткий итог, можно сказать, что схемы предъявления воздействия применяются в зависимости от возможностей, которые есть у экспериментатора.

Случайная последовательность воздействий получается путем рандомизации заданий. Ее применяют в экспериментах, требующих большого числа проб. Случайное чередование воздействий гарантирует от проявления эффектов последовательности.

При малом числе проб рекомендуется схема регулярного чередования типа А- В-А-В. Следует обратить внимание на периодичность фоновых воздействий, которые могут совпадать с действием независимой переменной. Например, если давать один тест на интеллект утром, а второй - всегда вечером, то под влиянием утомления эффективность выполнения второго теста будет понижаться.

Позиционно уравненная последовательность может быть пригодна лишь тогда, когда число воздействий (заданий) мало и влияние раннего и позднего переноса несущественно.

Но ни одна из схем не исключает проявления дифференцированного асимметричного переноса, когда влияние предшествующего воздействия А на эффект от воздействия В больше, чем влияние предшествующего воздействия В на эффект от воздействия А (или же наоборот).

Разнообразные варианты планов для одного испытуемого обобщили Д. Барлоу и М. Херсен в монографии «Экспериментальные планы для единичных случаев» (Single case experimental designs, 1984)(табл. 5.13).

Таблица 5.13

Основные артефакты в исследовании на одном испытуемом практически неустранимы. Трудно представить, как можно устранить эффекты, связанные с необратимостью событий. Если эффекты порядка или взаимодействия переменных в какой-то мере поддаются контролю, то уже упомянутый эффект асимметричности (дифференцированного переноса) неустраним.

Не меньше проблем возникает и при установлении изначального уровня интенсивности регистрируемого поведения (уровня зависимой переменной). Исходный уровень агрессивности, который мы зарегистрировали у ребенка в лабораторном эксперименте, может быть нетипичным для него, поскольку вызван недавними предшествующими событиями, например ссорой в семье, подавлением его активности сверстниками или воспитателями в детском саду.

Главная же проблема - возможности переноса результатов исследования одного испытуемого на каждого из представителей популяции. Речь идет об учете значимых для исследования индивидуальных различий. Теоретически возможен следующий ход: представление индивидуальных данных в «безразмерном» виде; при этом индивидуальные значения параметра нормируются на величину, равную разбросу значений в популяции.

Рассмотрим пример. В начале 1960-х гг. в лаборатории Б. Н. Теплова возникла проблема: почему все графики, описывающие изменения времени реакции в зависимости от интенсивности раздражителя, у испытуемых различны В. Д. Небылицын [Небылицын В. Д., 1966] предложил предъявлять испытуемым сигнал, который изменяется не в единицах физической интенсивности, а в единицах предварительно измеренного индивидуального абсолютного порога («один порог», «два порога» и т.д.). Результаты эксперимента блестяще подтвердили гипотезу Небылицына: кривые зависимости времени реакции от уровня воздействия, измеренного в единицах индивидуального абсолютного порога, оказались идентичными у всех испытуемых.

Аналогичная схема применяется и при интерпретации данных. В Институте психологии РАН А. В. Дрынков проводил исследования процесса формирования простых искусственных понятий. Кривые научения показывали зависимость успешности от времени. Они оказались различными у всех испытуемых: описывались степенными функциями. Дрынков предположил, что нормировка индивидуальных показателей на величину начального уровня обученности (по оси Y) и на индивидуальное время достижения критерия (по оси X) позволяет получить функциональную зависимость успешности от времени, одинаковую для всех испытуемых. Это подтвердилось: показатели изменения индивидуальных результатов испытуемых, представленные в «безразмерном» виде, подчинялись степенному квадратному закону.

Следовательно, выявление общей закономерности путем нивелирования индивидуальных различий решается каждый раз на основе содержательной гипотезы о влиянии дополнительной переменной на интериндивидуальную вариацию результатов эксперимента.

Остановимся еще раз на одной особенности экспериментов с участием одного испытуемого. Результаты этих экспериментов очень зависят от предубеждений экспериментатора и отношении, которые складываются между ним и испытуемым. При проведении длительной серии последовательных воздействии экспериментатор может неосознанно или осознанно действовать так, чтобы у испытуемого актуализировалось поведение, подтверждающее экспериментальную гипотезу. Вот почему в подобного рода исследованиях рекомендуют применять «слепые опыты» и «двойной слепой опыт». При первом варианте экспериментатор знает, а испытуемый не знает, когда последний получает плацебо, а когда - воздействие. «Двойной слепой опыт» состоит в том, что эксперимент проводит исследователь, незнакомый с гипотезой и не знающий, когда испытуемый получает плацебо или воздействие.

Эксперименты с участием одного испытуемого играют важную роль в психофизиологии, психофизике, психологии научения, когнитивной психологии. Методология таких экспериментов проникла в психологию программированного обучения и социального управления, в клиническую психологию, особенно - в поведенческую терапию, главным пропагандистом которой выступает Айзенк[Айзенк Г. Ю., 1999].

Планирование эксперимента (англ. experimental design techniques) -- комплекс мероприятий, направленных на эффективную постановку опытов. Основная цель планирования эксперимента -- достижение максимальной точности измерений при минимальном количестве проведенных опытов и сохранении статистической достоверности результатов.Планирование эксперимента применяется при поиске оптимальных условий, построении интерполяционных формул, выборе значимых факторов, оценке и уточнении констант теоретических моделей и др.

Планирование эксперимента возникло в 50-х годах XX века из потребности устранить или хотя бы уменьшить систематические ошибки в сельскохозяйственных исследованиях путем рандомизации условий проведения эксперимента. Процедура планирования оказалась направленной не только на уменьшение дисперсии оцениваемых параметров, но также и на рандомизацию относительно сопутствующих, спонтанно изменяющихся и неконтролируемых переменных. В результате удалось избавиться от смещения в оценках. Исследования Р. Фишера знаменуют начало первого этапа развития методов планирования эксперимента. Фишер разработал метод факторного планирования. Йетс предложил для этого метода простую вычислительную схему. Факторное планирование получило широкое распространение. Особенностью факторного эксперимента является необходимость ставить сразу большое число опытов. Развитие теории планирование эксперимента в СССР отражено в работах В. В. Налимова, Ю. П. Адлера, Ю. В. Грановского, Е. В. Марковой, В. Б. Тихомирова.

Методы планирования эксперимента позволяют минимизировать число необходимых испытаний, установить рациональный порядок и условия проведения исследований в зависимости от их вида и требуемой точности результатов. Если же по каким-либо причинам число испытаний уже ограничено, то методы дают оценку точности, с которой в этом случае будут получены результаты. Методы учитывают случайный характер рассеяния свойств испытываемых объектов и характеристик используемого оборудования. Они базируются на методах теории вероятности и математической статистики.

Планирование эксперимента включает ряд этапов.

• 1. Установление цели эксперимента (определение характеристик, свойств и т. п.) и его вида (определительные, контрольные, сравнительные, исследовательские).
• 2. Уточнение условий проведения эксперимента (имеющееся или доступное оборудование, сроки работ, финансовые ресурсы, численность и кадровый состав работников и т. п.). Выбор вида испытаний (нормальные, ускоренные, сокращенные в условиях лаборатории, на стенде, полигонные, натурные или эксплуатационные).
• 3. Выявление и выбор входных и выходных параметров на основе сбора и анализа предварительной (априорной) информации. Входные параметры (факторы) могут быть детерминированными, то есть регистрируемыми и управляемыми (зависимыми от наблюдателя), и случайными, то есть регистрируемыми, но неуправляемыми. Наряду с ними на состояние исследуемого объекта могут оказывать влияние нерегистрируемые и неуправляемые параметры, которые вносят систематическую или случайную погрешность в результаты измерений. Это -- ошибки измерительного оборудования, изменение свойств исследуемого объекта в период эксперимента, например, из-за старения материала или его износа, воздействие персонала и т. д.
• 4. Установление потребной точности результатов измерений (выходных параметров), области возможного изменения входных параметров, уточнение видов воздействий. Выбирается вид образцов или исследуемых объектов, учитывая степень их соответствия реальному изделию по состоянию, устройству, форме, размерам и другим характеристикам.

На назначение степени точности влияют условия изготовления и эксплуатации объекта, при создании которого будут использоваться эти экспериментальные данные. Условия изготовления, то есть возможности производства, ограничивают наивысшую реально достижимую точность. Условия эксплуатации, то есть условия обеспечения нормальной работы объекта, определяют минимальные требования к точности.

Точность экспериментальных данных также существенно зависит от объёма (числа) испытаний -- чем испытаний больше, тем (при тех же условиях) выше достоверность результатов. Для ряда случаев (при небольшом числе факторов и известном законе их распределения) можно заранее рассчитать минимально необходимое число испытаний, проведение которых позволит получить результаты с требуемой точностью.

5. Составление плана и проведение эксперимента -- количество и порядок испытаний, способ сбора, хранения и документирования данных.

Порядок проведения испытаний важен, если входные параметры (факторы) при исследовании одного и того же объекта в течение одного опыта принимают разные значения. Например, при испытании на усталость при ступенчатом изменении уровня нагрузки предел выносливости зависит от последовательности нагружения, так как по-разному идет накопление повреждений, и, следовательно, будет разная величина предела выносливости.

В ряде случаев, когда систематически действующие параметры сложно учесть и проконтролировать, их преобразуют в случайные, специально предусматривая случайный порядок проведения испытаний (рандомизация эксперимента). Это позволяет применять к анализу результатов методы математической теории статистики.

Порядок испытаний также важен в процессе поисковых исследований: в зависимости от выбранной последовательности действий при экспериментальном поиске оптимального соотношения параметров объекта или какого-то процесса может потребоваться больше или меньше опытов. Эти экспериментальные задачи подобны математическим задачам численного поиска оптимальных решений. Наиболее хорошо разработаны методы одномерного поиска (однофакторные однокритериальные задачи), такие как метод Фибоначчи, метод золотого сечения.

6. Статистическая обработка результатов эксперимента, построение математической модели поведения исследуемых характеристик.

Необходимость обработки вызвана тем, что выборочный анализ отдельных данных, вне связи с остальными результатами, или же некорректная их обработка могут не только снизить ценность практических рекомендаций, но и привести к ошибочным выводам. Обработка результатов включает:

• · определение доверительного интервала среднего значения и дисперсии (или среднего квадратичного отклонения) величин выходных параметров (экспериментальных данных) для заданной статистической надежности;
• · проверка на отсутствие ошибочных значений (выбросов), с целью исключения сомнительных результатов из дальнейшего анализа. Проводится на соответствие одному из специальных критериев, выбор которого зависит от закона распределения случайной величины и вида выброса;
• · проверка соответствия опытных данных ранее априорно введенному закону распределения. В зависимости от этого подтверждаются выбранный план эксперимента и методы обработки результатов, уточняется выбор математической модели.

Построение математической модели выполняется в случаях, когда должны быть получены количественные характеристики взаимосвязанных входных и выходных исследуемых параметров. Это -- задачи аппроксимации, то есть выбора математической зависимости, наилучшим образом соответствующей экспериментальным данным. Для этих целей применяют регрессионные модели, которые основаны на разложении искомой функции в ряд с удержанием одного (линейная зависимость, линия регрессии) или нескольких (нелинейные зависимости) членов разложения (ряды Фурье, Тейлора). Одним из методов подбора линии регрессии является широко распространенный метод наименьших квадратов. Для оценки степени взаимосвязанности факторов или выходных параметров проводят корреляционный анализ результатов испытаний. В качестве меры взаимосвязанности используют коэффициент корреляции: для независимых или нелинейно зависимых случайных величин он равен или близок к нулю, а его близость к единице свидетельствует о полной взаимосвязанности величин и наличии между ними линейной зависимости.

При обработке или использовании экспериментальных данных, представленных в табличном виде, возникает потребность получения промежуточных значений. Для этого применяют методы линейной и нелинейной (полиноминальной) интерполяции (определение промежуточных значений) и экстраполяции (определение значений, лежащих вне интервала изменения данных).

7. Объяснение полученных результатов и формулирование рекомендаций по их использованию, уточнению методики проведения эксперимента.

Снижение трудоемкости и сокращение сроков испытаний достигается применением автоматизированных экспериментальных комплексов. Такой комплекс включает испытательные стенды с автоматизированной установкой режимов (позволяет имитировать реальные режимы работы), автоматически обрабатывает результаты, ведет статистический анализ и документирует исследования. Но велика и ответственность инженера в этих исследованиях: четкое поставленные цели испытаний и правильно принятое решение позволяют точно найти слабое место изделия, сократить затраты на доводку и итерационность процесса проектирования.

Прежде чем перейти к описанию конкретных используемых в психологии планов, перечислим принципы, на которые опирается построение экспериментальных схем.

• 1. Эксперимент возможен только в том случае, если имеется более чем одно условие НП. Вывод о результате действия НП основывается на сравнении показателей ЗП в отличающихся друг от друга условиях («контрольном» и «экспериментальном», «активном» и «пассивном» или в нескольких отличающихся по заданному критерию условиях).
• 2. Фиксация и измерение переменных осуществляются в классификации шкал, предложенной Стивенсом: наименований, порядка, интервалов и отношений. Вид переменной (учебные классы, градации яркости светового пятна и т.д.) не задает, однако, способа ее измерения (на качественных или количественных уровнях). Обычно «количественным» экспериментом называют такой, где именно НП измерена количественно.
• 3. Эксперимент возможен только в случае функционального контроля уровней НП. Это может быть изменение характеристик физических стимулов, управление условиями (и ситуациями) или контроль путем подбора состава групп. В эксперименте обычно используются стратегии уравнивания групп, и испытуемые эквивалентных групп попадают в разные экспериментальные условия. Обеспечение неравенства групп как способа задания НП (пол, возраст, личностные свойства и т.п.) принимает форму квазиэксперимента, или эксперимента с ограничениями форм контроля. Если изменения НП не зависят от исследователя, а берутся «готовыми» (например, как результаты психодиагностики), то у исследователя не может быть уверенности в том, что именно выбранная НП определила показатели ЗП.
• 4. Факторные (мультивариативные) эксперименты, включающие управление более чем одной НП, строятся как комбинации, повторы (репликации) и другие видоизменения исходных планов с одной НП. Статистические приемы обработки данных могут при этом как предполагать, так и исключать взаимодействия между отдельными переменными.
• 5. Вводимое экспериментальное воздействие выступает в планах, или схемах, в качестве НП даже в том случае, когда испытуемые не воспринимают разницы условий. Часто только после эксперимента делается вывод, можно ли осуществленную манипуляцию условиями рассматривать как «воздействие» или функциональный контроль НП не имеет результатом действие этой переменной.

Планирование эксперимента – это область математической статистики, ставящая своей целью выбор количества и условий постановки экспериментов, необходимых и достаточных для решения задачи с требуемой точностью, разработку методов и приемов математической обработки результатов эксперимента и принятия на основе этого определенных решений.

Что дает планирование экспериментатору? Принципиально иное отношение к ошибке. Рандомизация. Последовательный эксперимент. Оптимальное использование пространства независимых переменных. Редукция информации. Этическая функция планирования эксперимента. Планирование эксперимента и логика вопросов.

Какова стратегия эксперимента? 1. Признание факта существования задачи и ее формулировка. 2. Выбор факторов и уровней. 3. Выбор переменной отклика. 4. Выбор плана эксперимента. 5. Проведение эксперимента. 6. Анализ данных. 7. Выводы и рекомендации.

Аналогия между вычислительным и лабораторным экспериментами. Лабораторный эксперимент Образец Вычислительный эксперимент Модель Прибор Измерение Программа для компьютера Тестирование программы Расчет Анализ данных Калибровка

ПЕРВИЧНАЯ СТАТИСТИЧЕСКАЯ ОБРАБОТКА ОПЫТНЫХ ДАННЫХ Средняя арифметическая Ma= y/m=(y 1+y 2+. . . +yi+. . . +ym)/m Средняя геометрическая Mg=(yi)1/m=(y 1 y 2. . . yi. . . ym)1/m Средняя квадратическая Ms=(yi 2/m)1/2=((y 12+y 22+. . . +yi 2+. . . +ym 2)/m)1/2 Средняя гармоническая Mgr=m(yi– 1)– 1 Мода Медиана Md=y(m+1)/2 Md=(ym/2+1)/2

Дисперсия воспроизводимости Sj 2= (yij-yсрj)2/(m-1)= =((y 1 j-yсрj)2+(y 2 j-yсрj)2+. . . +(ymj-yсрj)2)/(m-1) Среднее квадратическое отклонение Sj=(Sj 2)1/2=((Yij-Yсрj)2/(m-1))1/2 Коэффициент вариации V=Sj/Yсрj · 100% Размах R=Ymaxj – Yminj Доверительный интервал для среднего B = yсрj t Sj/((m)1/2)

Количество повторных измерений m=(V 2) (t 2)/(T 2) Коэффициент вариации (V, %), Показатель точности (относительная ошибка T, обычно 5%), Показатель достоверности (t – критерий Стьюдента). m=(V 2) (t 2) (1 1/(2 m 1)1/2)2/(T 2) Нижний и верхний пределы для дисперсии =m– 1; =95%; =5%

Исключение грубых промахов По критерию Романовского |ym+1 –yср| t" Sy По критерию Q Q=|ym-ym-1|/|ym-y 1| Проверка однородности дисперсий F=S 21/S 22 – критерий Фишера; G – критерий Кохрена B/C – критерий Бартлетта (по χ2)

Проверка различия средних значений большая выборка малая выборка Сравнение нескольких средних с использованием критерия Дункана Производится ранжирование средних. Вычисляется значение дисперсии воспроизводимости с числом степеней свободы =n (m– 1).

Вычисляется нормированная ошибка среднего S=(Sa 2/m)0. 5 Выписываются значения (n– 1) значимых рангов из таблицы Дункана при числе степеней свободы, уровне значимости и p=2, 3, …, n. Наименьшие значимые ранги (НЗР), вычисляются как произведение рангов на нормированную ошибку среднего S. Проверяются разности между средними, начиная с крайних; эта разность сравнивается с НЗР при p=n, затем находится разность максимального среднего и первого, которое превосходит минимальное, и сравнивается с НЗР при p=n– 1 и т. д.

ВЫБОР ПАРАМЕТРОВ ОПТИМИЗАЦИИ И ФАКТОРОВ Требования к отклику: 1. Отклик (параметр оптимизации) должен быть эффективным с точки зрения достижения цели. 2. Отклик должен быть универсальным, т. е. всесторонне отражать свойства процесса. 3. Отклик должен быть количественным и выражаться одним числом. 4. Отклик должен быть статистически эффективным, т. е. иметь небольшую дисперсию. 5. Желательно, чтобы параметр оптимизации имел физический смысл, был простым и легко вычисляемым.

Требования к факторам: 1. Факторы должны быть управляемыми, т. е. такими, чтобы внутри области определения фактору можно было бы придать любое значение. 2. Факторы должны быть совместимы. Это означает, что любая комбинация уровней внутри областей определения может быть реализована. Факторы несовместимы, если некоторые комбинации уровней приводят к остановке процесса (например, в результате взрыва и т. п.). 3. Точность установления уровней факторов должна быть выше точности фиксирования значений параметра оптимизации.

ВЫДЕЛЕНИЕ СУЩЕСТВЕННЫХ ПЕРЕМЕННЫХ НА ОСНОВЕ АПРИОРНОЙ ИНФОРМАЦИИ Коэффициент ранговой корреляции Спирмэна =cov(x, y)/((S 2 x S 2 y)0. 5)=1– 6 ((xi–yi)2)/(n 3 -n) Коэффициент корреляции рангов Кендалла

Квадрат Юдена 1 2 3 4 5 6 7 1 A B C D E F G 2 B C D E F G A 3 D E F G A B C 1 2 1 3 1 2 3 1 2 2 2 1 2 3 A B C D E F G Σ 5 6 9 3 7 8 4

ЭКСПЕРИМЕНТАЛЬНО-СТАТИСТИЧЕСКИЕ МЕТОДЫ ВЫДЕЛЕНИЕ СУЩЕСТВЕННЫХ ПЕРЕМЕННЫХ Полный факторный эксперимент Переход от натурального масштаба переменной к условному ПФЭ 22 х1 х2 (1), a, b, ab -1 +1 -1 yр=b 0+b 1 x 1+b 2 x 2+b 12 x 1 x 2

+1 -1 -1 +1 Z= +1 +1 4 0 0 0 +1 +1 -1 -1 -1 +1 0 4 0 0 Z’= Z’Z= +1 -1 -1 -1 +1 +1 0 0 4 0 +1 +1 +1 -1 -1 +1 0 0 0 4 b 0=(y 1+y 2+y 3+y 4)/4; b 2=(–y 1–y 2+y 3+y 4)/4; b 1=(–y 1+y 2–y 3+y 4)/4; b 12=(y 1–y 2–y 3+y 4)/4.

Организация эксперимента и проведение расчетов реализуются в следующей последовательности. 1. Выбор уровней варьирования факторов. 2. Построение плана эксперимента и матрицы планирования. 3. Проведение экспериментальных измерений. 4. Вычисление коэффициентов линейной модели. 5. Проверка значимости коэффициентов модели. 6. Проверка содержательности модели. 7. Проверка адекватности модели. 8. Проверка предсказательной способности в центре плана. 9. Анализ остатков. 10. Интерпретация (анализ) модели. 11. Принятие решений на основе полученной информации

Почему используется полный факторный эксперимент S 2 bi= S 2 восп / N +1 +1 4 0 0 -1 +1 0 4 0 -1 -1 +1 +1 0 0 4 +1 +1 4 0 0 -1 +1 0 0 0 2 0 0 0 +1 +1 0 0 2

ПФЭ 23 х1 -1 +1 План х2 -1 -1 +1 +1 х3 -1 -1 +1 +1 Обозначение (1) a b ab c ac bc abc

yр=b 0+b 1 x 1+b 2 x 2+b 3 x 3+b 12 x 1 x 2+b 13 x 1 x 3+b 23 x 2 x 3+b 123 x 1 x 2 x 3 +1 -1 -1 -1 +1 +1 +1 -1 -1 +1 -1 -1 +1 -1 Z 1 = +1 -1 +1 +1 +1 -1 Z 2 = +1 +1 +1 -1 -1 +1 +1 +1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 +1

b 0=(y 1+y 2+y 3+y 4+y 5+y 6+y 7+y 8)/8; b 1=(-y 1+y 2 -y 3+y 4 -y 5+y 6 -y 7+y 8)/8; yuср = yu/N; b 2=(-y 1 -y 2+y 3+y 4 -y 5 -y 6+y 7+y 8)/8; b 3=(-y 1 -y 2 -y 3 -y 4+y 5+y 6+y 7+y 8)/8; S 2 R 0= (yu-yuср)2/(N-1); b 12=(y 1 -y 2 -y 3+y 4+y 5 -y 6 -y 7+y 8)/8; b 13=(y 1 -y 2+y 3 -y 4 -y 5+y 6 -y 7+y 8)/8; S 2 R = (yu-yuрасч)2 / (N-p); b 23=(y 1+y 2 -y 3 -y 4 -y 5 -y 6+y 7+y 8)/8; b 123=(-y 1+y 2+y 3 -y 4+y 5 -y 6 -y 7+y 8)/8; Содержательность модели: F=S 2 R 0/S 2 R Адекватность модели: F=S 2 R/S 2 восп. Предсказательная способность модели: t=|b 0 -y 0 ср|/(S 2 восп/m)0. 5

Дробные реплики ДФЭ 2 3 -1 + + D=0 + + - + + + - D=256 + - - + + + Генерирующее соотношение x 1 x 2=x 3 Определяющий контраст I=x 1 x 2 x 3 Система смешивания b 1 1+ 23; b 2 2+ 13; b 3 3+ 12; b 0 0+ 123

ДФЭ 24– 1 Генерирующие соотношения x 4=x 1 x 2 и x 4=x 1 x 2 x 3 Планы 1) d, a, b, abd, cd, ac, bc, abcd; 2) (1), ad, bd, ab, cd, ac, bc, abcd Определяющие контрасты I=x 1 x 2 x 4 и I=x 1 x 2 x 3 x 4. Системы смешивания 1) b 1 1+ 24; b 2 2+ 14; b 3 3+ 1234; b 4 4+ 12 ; b 13 13+ 234; b 23 23+ 134; b 34 34+ 123; b 0 0+ 124. 2) b 1 1+ 234; b 2 2+ 134; b 3 3+ 124; b 4 4+ 123; b 12 12+ 34; b 13 13+ 24; b 14 14+ 23; b 0 0+ 1234

ДФЭ 27– 4 y=b 0+b 1 x 1+b 2 x 2+b 3 x 3+b 4 x 4+b 5 x 5+b 6 x 6+b 7 x 7 ГС: х4=х1·х2, х5=х1·х3, х6=х2·х3 и х7=х1·х2·х3 Обобщающий ОК включает контрасты, образованные из этих четырех ГС, а также произведений контрастов по два, по три и по четыре. I=х1·х2·х4=х1·х3·х5=х2·х3·х6=х1·х2·х3·х7=х2·х3·х4·х5= =х1·х3·х4·х6=х3·х4·х7=х1·х2·х5·х6=х2·х5·х7=х1·х6·х7= =х4·х5·х6=х1·х4·х5·х7=х2·х4·х6·х7=х3·х5·х6·х7= =х1·х2·х3·х4·х5·х6·х7. Пренебрегая эффектами взаимодействия, начиная с тройных, получим: b 0→β 0 (ниже тройных нет) b 1→β 1+β 24+β 35+β 67 b 2→β 2+β 14+β 36+β 57 b 3→β 3+β 15+β 26+β 47 b 4→β 4+β 12+β 37+β 56 b 5→β 5+β 13+β 27+β 46 b 6→β 6+β 23+β 17+β 45 b 7→β 7+β 34+β 25+β 16

Выбор факторов на основе отсеивающего эксперимента Планы Плакетта-Бермана n N Комбинации знаков 3 4 + - + 7 8 + + + - 11 12 + + - 15 16 + + - 19 20 + + - - - + + - - + - + - - + + - n – количество факторов; N – число экспериментов.

Планы случайного баланса № x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 Ранг 1 2 3 4 5 6 7 8 + + + + + + + + + - 8 3 6 7 4 5 2 1

Анализ диаграмм рассеяния x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 Md- 5. 0 4. 5 4. 0 3. 5 5. 5 6. 0 3. 0 4. 5 Md+ 4. 0 4. 1 3. 0 5. 5 2. 5 3. 5 4. 5 3. 0 B -1. 0 -0. 5 -1. 5 2. 0 3. 0 -2. 5 1. 5 -1. 5 n 2 - - - 3 - - |p| 2. 0 1. 5 6. 0 - - - 7. 5 - - 3 4

ДИСПЕРСИОННЫЙ АНАЛИЗ Однофакторный дисперсионный анализ Модель yij= + j+ ij, yij обозначает i-е наблюдение на j-м уровне фактора (i=1, 2, . . . , m; j=1, 2, …, n). Расчет y-yср=y-50. 1 yij i ↓ 2 6 5 12 9 10 14 11 0 5 6 3 j→ -5 -4 -5 -11 -7 4 -8 -11 -5 -7 -9

Вычисление сумм значений отклика по столбцам. T. 1=6+5+12+9+10=42; T. 2=14+11+0+5+6=36; T. 3=-5 -4 -5 -1 -7=-32; T. 4=-8 -11 -5 -7 -9=-40. T. . =42+36– 32– 40=6. Вычисление средних значений отклика для каждого уровня фактора. y 1 ср=42/5=8. 4; y 2 ср=36/5=7. 2; y 3 ср=-32/5=-6. 4; y 4 ср=-40/5=-8. 0. Вычисление сумм квадратов значений отклика yij по строкам и столбцам. SS 1=62+52+122+92+102=386; SS 2=142+112+02+52+62=378; SS 3=(-5)2+(-4)2+(-5)2+(-11)2+(-7)2 =236; SS 4=(-8)2+(-11)2+(-5)2+(-7)2+(-9)2 =340; SS=386+378+236+340=1340. SSобщ=1340 -62/(5× 4)=1338. 2.

Вычисление сумм квадратов, характеризующих влияние фактора и ошибки. SSисп=422/5+362/5+(-32)2/5+(-40)2/5 -62/20=1135. 0; SSош = 1338. 2– 1135. 0 = 203. 2. Вычисление средних квадратов (дисперсий). νобщ=5× 4– 1=19; νисп=4– 1=3; νош=4×(5 – 1) = 16. MSисп =1135/3=378. 3; MSош=203. 2/16=12. 7. Результаты однофакторного дисперсионного анализа Источник изменчивости Сумма квадратов SS Число степеней свободы ν Средний квадрат MS Критерий Фишера F Фактор 1135. 0 3 378. 3 29. 8 Ошибка 203. 2 16 12. 7 Итого 1138. 2 19

Двухфакторный дисперсионный анализ Модель yij= + j+βj+ ij Расчет yij – 13 мм Автомобиль Марка шины A B C D T. j I 4 1 -1 0 4 II 1 1 -1 -2 -1 III 0 0 -3 -2 -5 IV 0 -5 -4 -4 -13 Т i. 5 -3 -9 -8 -15=T. . 17 27 27 24 95=

Вычисление сумм квадратов SSобщ = 95 -(-15)2/16 = 80. 9; SSмар = ((5)2+(-3)2+(-9)2+ +(-8)2)/4 -(-15)2/16 = 30. 6; SSавт=((4)2+(-1)2+(-5)2+ +(-13)2)/4 -(-15)2/16 = 38. 6; SSост=80. 9 -30. 6 -38. 6=11. 7. Вычисление числа степеней свободы νобщ=n 1·n 2– 1; νмар=n 1 – 1; νавт=n 2 – 1; νост= νобщ–νмар–νавт. νобщ=4· 4– 1=15; νмар=4– 1=3; νавт=4– 1=3; νост=15– 3– 3=9.

Вычисление средних квадратов. МSмар=SSмар/νмар; МSавт=SSавт/νавт; MSост=SSост/νост. МSмар=30. 6/3=10. 2; МSавт=38. 6/3=12. 9; MSост=11. 7/9=1. 3. F=MSисп/MSост. Fмар=10. 2/1. 3=7. 85; Fавт=12. 9/1. 3=9. 92. Результаты двухфакторного дисперсионного анализа Источник изменчивости Сумма Число степеней квадратов SS свободы ν Средний квадрат MS Критерий Фишера F Марки шин 30. 6 3 10. 2 7. 85 Автомобили 38. 6 3 12. 9 9. 92 Остаток 11. 7 9 1. 3 ИТОГО 80. 9 15

Многофакторный дисперсионный анализ Модель yijk= + j+βj+ k + ijk A B C D Уровни х1: a 1; a 2; a 3; a 4; B D A C Уровни х2: b 1; b 2; b 3; b 4; C A D B D C B A Уровни х3: A; B; C; D; Этапы вычислений: 1. Подсчет итогов (сумм) и средних значений по строкам Ai, столбцам Bj и латинским буквам Ck. 2. Вычисление суммы квадратов результатов всех наблюдений: SS 1 = (Yijk)2. 3. Сумма квадратов итогов по строкам, деленная на число элементов в каждой строке: SS 2 = Ai 2 / n. 4. Сумма квадратов итогов по столбцам, деленная на число элементов в каждом столбце: SS 3 = Bj 2 / n. 5. Сумма квадратов итогов по латинским буквам, деленная на число элементов, соответствующих каждой букве: SS 4 = Ck 2 / n.

6. Корректирующий член, равный квадрату общего итога, деленному на общее число ячеек квадрата (на число опытов): SS 5 = Yijk / (n 2). 7. Сумма квадратов для строки: SSa=SS 2–SS 5. 8. Сумма квадратов для столбца: SSb=SS 3 -SS 5. 9. Сумма квадратов для латинской буквы: SSc=SS 4 -SS 5. 10. Общая сумма квадратов: SSобщ=SS 1 -SS 5. 11. Остаточная сумма квадратов: SSост=SSобщ-(SSa+SSb+SSc). Дисперсионный анализ латинского квадрата Источник изменч-ти Сумма квадратов SS Число степеней свободы Средний квадрат MS Критерий Фишера F Строки SSa=SS 2 -SS 5 a=n– 1 MSa=SSa/ a MSa / MSост Столбцы SSb=SS 3 -SS 5 b=n– 1 MSb=SSb/ b MSb / MSост Лат. буквы SSc=SS 4 -SS 5 c=n– 1 MSc=SSc/ c MSс / MSост Остаток SSост=SSобщ – ост=(n-1) (n-2) MSост=SSост/ ост – (SSa+SSb+SSc) Итого SSобщ=SS 1–SS 5 общ=n 2– 1

Греко-латинский квадрат Исследовано влияние рецептурных факторов на относительное удли-нение при разрыве композиций на основе поливинилхлорида (ПВХ). x 1 – партия полимера. Уровни фактора x 1: a 1, a 2, a 3, a 4. x 2 – содержание пластификатора. Уровни фактора x 2, масс. ч. : b 1 – 20, b 2 – 30, b 3 – 40, b 4 – 50. x 3 – тип стабилизатора. Уровни фактора x 3: A –соевое масло, B – стеарат кальция, C – стеарат бария и D – стеарат кадмия. x 4 – тип динамометра. Уровни фактора x 4: , β, и. A B C Dβ C D Aβ B Bβ A D C D Cβ B A

План и результаты эксперимента при изучении свойств ПВХ x 2 x 1 a 2 a 3 a 4 Aiср Ai 2 b 1 A (8. 2) B (10. 2) C (8. 3) Dβ (5. 9) 32. 6 8. 2 1063 b 2 C (15. 1) D (25. 8) Aβ (22. 3) B (21. 2) 84. 4 21. 1 7123 b 3 Bβ (48. 9) A (25. 7) D (49. 6) C (35. 2) 160. 4 39. 9 25408 b 4 D (74. 1) Cβ (69. 5) B (80. 9) A (57. 1) 281. 6 70. 4 79299 Bj 146. 3 131. 2 161. 1 120. 4 G= =558. 0 Bjср 36. 6 32. 8 40. 3 29. 9 Bj 2 21404 17213 25953 14256

A B C D C k 113. 3 161. 2 128. 1 155. 4 Ckср 28. 3 Ck 2 12837 25985 16410 24149 40. 3 β 32. 0 38. 9 Dl 129. 3 146. 6 150. 1 132. 0 Dlср 32. 3 D l 2 16718 21492 22530 17424 36. 7 37. 8 33. 0

Вычисление суммы квадратов результатов всех наблюдений. . . SS 1=8. 22+10. 22+8. 32+. . . +80. 92+57. 12 =28992. 54. Сумма квадратов итогов по строкам, деленная на число элементов в каждой строке. SS 2=(1063+7123+25408+79299) / 4 =28223. 25. Сумма квадратов итогов по столбцам, деленная на число элементов в каждом столбце. . SS 3=(21404+17213+25953+14256)/4=19706. 50. Сумма квадратов итогов по латинским буквам, деленная на число элементов, соответствующих каждой букве. SS 4=(12837+25985+16410+24149) / 4 =19845. 25. Сумма квадратов итогов по греческим буквам, деленная на число элементов, соответствующих каждой букве. SS 5=(16718+21492+22530+17424) / 4 =19541. 00.

Корректирующий член, равный квадрату общего итога, деленному на общее число ячеек квадрата (на число опытов). SS 6 = 558. 02/ 16 = 19460. 25. Сумма квадратов для строки. SSa=SS 2 -SS 6; SSa=28223. 25 -19460. 25=8763. 00. Сумма квадратов для столбца. SSb=SS 3 -SS 6; SSb=19706. 50 -19460. 25=246. 25. Сумма квадратов для латинской буквы. SSc=SS 4 -SS 6; SSc=19845. 25 -19460. 25=385. 00. Сумма квадратов для греческой буквы. SSd=SS 5 -SS 6; SSd=19541. 00 -19460. 25=80. 75. Общая сумма квадратов. SSобщ=SS 1 -SS 6; SSобщ=28992. 54 -19460. 25=9532. 27. Остаточная сумма квадратов. SSост=SSобщ-(SSa+SSb+SSc+SSd); SSост=9532. 27 -(8763. 00+246. 25+385. 00+80. 75)=57. 27.

Дисперсионный анализ греко-латинского квадрата 4 4. Источник изменчивости Сумма квадратов SS Число степеней свободы ν Средний квадрат MS Критерий Фишера F Строки, x 2 8763. 00 3 2921. 0 152. 9 Столбцы, x 1 246. 25 3 82. 1 4. 3 Лат. буквы, x 3 385. 00 3 128. 3 6. 7 Греч. буквы, x 4 80. 75 3 26. 9 1. 4 Ошибка 57. 27 3 19. 1 F(3; 3; 0. 05)=9. 28 и F(3; 3; 0. 1)=5. 39 Итого 9532. 27 15

ПЛАНИРОВАНИЕ ЭКСПЕРИМЕНТА В УСЛОВИЯХ ВРЕМЕННОГО ДРЕЙФА Влияние этого временнóго дрейфа на параметры математического описания процесса можно практически устранить, разбивая серию опытов на отдельные блоки так, чтобы эффект от временнóго дрейфа оказался смешанным с произведениями факторов, для которых коэффициенты регрессии достаточно малы. Допустим, необходимо устранить влияние временнóго дрейфа на параметры уравнения регрессии, получаемого в результате полного трехфакторного эксперимента. С этой целью разобьем эксперимент на два блока и введем новую независимую переменную хд, характеризующую дрейф. Положим хд=х1 х2 х3. В один из блоков отберем опыты, для которых хд=+1, а в другой блок – для которых хд=– 1. Формально это планирование можно рассматривать как эксперимент типа 24– 1 с генерирующим соотношением хд=х1 х2 х3.

Планирование в условиях временного дрейфа Блок х1 х2 х3 хд=х1 х2 х3 Отклик 1 – 1 +1 – 1 – 1 +1 +1 +1 +1 +1 – 1 – 1 2 y 1+βд y 2+βд y 3+βд y 4+βд y 5–βд y 6–βд y 7–βд y 8–βд

Если уравнение регрессии ищется в виде y=b 0+b 1 x 1+b 2 x 2+b 3 x 3+b 12 x 1 x 2+b 23 x 2 x 3+b 123 x 1 x 2 x 3, то коэффициенты регрессии будут являться следующими оценками: b 0→β 0; b 1→β 1; b 2→β 2; b 3→β 3; b 12→β 12; b 13→β 13; b 23→β 23; b 123→β 123+βд; Рассчитаем, например, коэффициенты b 1 и b 123: b 1=(–(y 1+βд)+(y 2+βд)–(y 3+βд)+(y 4+βд)–(y 5–βд)+(y 6– βд)–(y 7–βд)+(y 8–βд))/8= =(–y 1+y 2–y 3+y 4–y 5+y 6–y 7+y 8)/8; b 123=((y 1+βд)+(y 2+βд)+(y 3+βд)+(y 4+βд)–(y 5–βд)–(y 6– βд)–(y 7–βд)–(y 8–βд))/8= =(y 1+y 2+y 3+y 4–y 5–y 6–y 7–y 8)/8+βд. Следовательно, все коэффициенты регрессии, кроме b 123, не содержат погрешностей, обусловленных временным дрейфом.

Анализ временнóго дрейфа может быть осуществлен также с помощью магических квадратов. Пусть нужно поставить N независимых опытов. Числа от 1 до N – это некоторые параметры времени, такие как часы или дни. Высказывается предположение, что при постановке N опытов имеет место временнóй дрейф экспериментальных данных. Характер дрейфа линейный. Рассмотрим план, представляющий собой совмещение магического квадрата с полным факторным экспериментом 24.

Рассмотрим результаты определения зависимости твердости резин от температуры вулканизации (= 180 о. С и = 140 о. С), продолжительности процесса (= 17 мин и = 5 мин), дозировки ускорителя (= 1. 2 масс. ч. и = 0. 4 масс. ч.) и наполнителя (= 30 масс. ч. и = 10 масс. ч.). Реализован полный факторный эксперимент 24 Допустим, что ежедневно ставим один опыт, тогда все опыты будут поставлены за 16 дней. В течение этого времени имеет место линейный дрейф. Для защиты от этого дрейфа наложим ПФЭ 24 на 4 4 магический симметричный квадрат, элементами которого являются номера шестнадцати опытов. Такой план приемлем, если взаимодействия х1 х4 и х2 х3 незначимы.

Факторный эксперимент 24, совмещенный с 4 4 магическим квадратом x 1(+1) x 2(+1) x 4(+1) x 3(+1) x 1(– 1) x 2(+1) x 2(– 1) 16 72. 0 2 70. 0 3 73. 8 13 59. 8 x 4(– 1) 5 69. 8 11 57. 8 10 62. 7 8 54. 7 x 4(+1) x 3(– 1) 9 67. 5 7 59. 3 6 64. 4 12 52. 2 x 4(– 1) 4 62. 4 14 48. 3 15 52. 2 1 50. 2

« x 1=[-1; 1; -1; 1; -1; 1]; « x 2=[-1; -1; 1; 1; -1; 1; 1]; « x 3=[-1; -1; 1; 1; 1; 1]; « x 4=[-1; -1; 1; 1; 1]; « y=; « X=; « b=(inv(X"*X))*(X"*y) b=61. 0687 2. 3187 4. 5312 4. 0062 3. 8063 « Y=X*b; « max(abs(y-Y)) ans = 3. 7938 « [(y-Y). /y*100] ans = 7. 5573 « (64. 7 -61. 1)/15*2 ans=0. 4800 В последней формуле сопоставлены значения отклика до дрейфа и после него. Если бы не было дрейфа, значение отклика в нулевой точке было бы 64. 7 единиц, а в результате дрейфа (пребывание в агрессивной среде) понизилось на 3. 6 единиц.

КОРРЕЛЯЦИОННЫЙ АНАЛИЗ Зависимость между двумя переменными величинами называется статистической, если каждому значению одной из них соответствует множество значений другой, но число этих значений не является постоянным, а сами значения не отражают определенной закономерности. Рассмотрим двумерные наблюдения, т. е. такие наблюдения, которые дают значения двух случайных величин х и у. Используем такую статистическую характеристику – ковариацию или второй смешанный центральный момент (иначе – корреляционный момент) величин х и у: Коэффициент корреляции

Справедливы следующие соотношения: y=a+bx; x=a +׳ b ׳ y Таким образом, мы получаем два уравнения регрессии, которые отвечают двум различным математическим формулировкам задачи: в первом случае минимальное значение имеет сумма квадратов отклонений, взятых параллельно оси ординат, во втором случае – сумма квадратов отклонений, взятых параллельно оси абсцисс.

При подсчете коэффициентов регрессии можно воспользоваться следующими соотношениями: β= +φ При rxy = 1, tgφ = 0, следовательно, в этом частном случае обе линии регрессии совпадают. Каждая из переменных становится линейной функцией другой переменной. При rxy = 0 мы получаем две взаимно перпендикулярные прямые, параллельные координатным осям и проходящие через точку с координатами В этом случае очевидно, что между переменными не может существовать линейной статистической связи.

y 1 – условное напряжение при удлинении 100%, МПа; y 2 – условное напряжение при удлинении 200%, МПа; y 3 – условное напряжение при удлинении 300%, МПа; y 4 – условная прочность при растяжении, МПа; y 5 – относительное удлинение при разрыве, %; y 6 – сопротивление разлиру, к. Н/м; y 7 – твердость по Шору А.

Представление о корреляциях с помощью модели косинуса Соотношение между вулканизационными характеристиками ν=877; r=0. 968; r=0. 935; r=0. 984; tgφ=– 0. 0281. tgφ=– 0. 0535 tgφ=– 0. 0155.

ОПТИМИЗАЦИЯ ОДНОМЕРНЫЙ ПОИСК Метод последовательной дихотомии предусматривает размещение на каждом этапе экспериментирования сразу двух новых точек, расположенных симметрично относительно середины интервала неопределенности на расстоянии друг от друга. Здесь – по возможности малая величина, ограниченная снизу разрешающей способностью доп в измерении величины x. Значение доп – это та минимальная разница между соседними наблюдениями x, которая может быть обнаружена инструментально с помощью тех измерительных средств, которые имеются в распоряжении экспериментатора.

Метод поиска Фибоначчи базируется на использовании чисел Фибоначчи Fk, определяемых рекуррентным соотношением вида: Fk=Fk-1+Fk-2, k>1, F 0=F 1=1. N 1 2 3 4 5 6 7 8 9 FN 1 2 3 5 8 13 21 34 55 Метод золотого сечения является частной разновидностью метода Фибоначчи и отличается от него лишь тем, что в методе золотого сечения нет необходимости в обязательном предварительном определении общего числа опытов N. Координаты x(1) (первой точки в этом методе) находятся по формуле: x(1) = xmin + q L,

МНОГОМЕРНЫЙ ПОИСК Многомерность делает унимодальность менее вероятной Нельзя найти меру эффективности поиска, которая не зависела бы некоторым образом от удачи экспериментатора. Восприятие размера в многомерных пространствах. Существует большое число разнообразных методов многомерного поиска. В дальнейшем будут рассмотрены лишь некоторые из них, получившие наибольшее распространение для целей экспериментальной оптимизации. Эти методы можно разделить на две большие группы: на градиентные и неградиентные методы поиска экстремума.

Метод покоординатного поиска, (метод Гаусса-Зайделя) Метод Гаусса-Зайделя весьма прост при практической реализации, достаточно помехоустойчив. Однако ясно, что траектория поиска вряд ли будет наикратчайшей. Кроме того метод Гаусса. Зайделя имеет тенденцию к ложной остановке процедуры, если в ходе движения поисковая точка окажется на узком «гребне» .

ПЛАНИРОВАНИЕ ЭКСТРЕМАЛЬНЫХ ЭКСПЕРИМЕНТОВ В ПРОМЫШЛЕННЫХ УСЛОВИЯХ 1. Промышленный эксперимент должен одновременно с нормальным функционированием объекта и производством товарной продукции обеспечить получение полезной информации для нахождения оптимальных условий управления объектом. 2. Чтобы извлечь такую информацию, можно реализовать целенаправленное «покачивание» объекта около так называемого «рабочего режима» , планируя пробные шаги варьирования по управляемым факторам и выделяя влияние изучаемых переменных на отклик в условиях шума с помощью регрессионного анализа. 3. В производственных условиях, по сравнению с лабораторными, имеет место большое количество неконтролируемых и неуправляемых факторов, влияющих на ход процесса. 4. Медленные (относительно частоты постановки опытов) случайные флуктуации одних неконтролируемых и неуправляемых факторов промышленного объекта вызывают нерегулярный временной дрейф поверхности целевого отклика по отношению к управляемым факторам, то есть нерегулярное изменение с течением времени всей поверхности, а значит, и координат точки ее экстремума в их пространстве. 5. В промышленных условиях для реализации адаптационной оптимизации нет специального штата высококвалифицированных исследователей, а есть у производственной установки обслуживающий персонал довольно низкой квалификации. Здесь нет и той насыщенности исследования измерительными, регистрирующими приборами и вычислительными устройствами, которая присуща лабораторному эксперименту. Поэтому планы и вычислительные алгоритмы обработки наблюдений промышленного эксперимента должны быть достаточно просты. 6. Адаптационная оптимизация производственных установок предполагает постоянное исследование и подстройку объекта, то есть неограниченное временем проведение промышленного эксперимента, а значит, и неограниченное число его опытов.

ЛИНЕЙНОЕ ПРОГРАММИРОВАНИЕ Во многих ситуациях, которые могут встретиться в промышленности, в экономической деятельности требуется максимизировать или минимизировать некоторую количественную величину при определенных ограничениях. Например, бизнесмен хочет максимизировать свою прибыль, однако при этом он ограничен общим числом имеющихся у него машин, наличием людей, капиталом, который он может инвестировать, и рядом других экономических факторов. Пример. Имеется три вещества сложного состава В 1, В 2 и В 3 разной цены. Каждое из них содержит определенное количество необходимых ингредиентов И 1, И 2, И 3 и И 4 Известно, что в течение суток требуется И 1 – не менее 250, И 2 – не менее 60, И 3 – не менее 100 и И 4 – не менее 220. Требуется минимизировать затраты на приобретение этих веществ. Очевидно, что количество приобретаемых веществ не может быть отрицательным.

Содержание необходимых ингредиентов в веществах и цены этих веществ В 1 В 2 В 3 И 1 4 6 15 И 2 2 2 0 И 3 5 3 4 И 4 7 3 12 Цена 44 35 100

В состав MATLAB входит Tool. Box Optimization, предназначенный для решения такого рода задач. Используется функция linprog. Первым аргументом linprog всегда является вектор f (вектор коэффициентов), далее задается матрица A и вектор b. Решение. x 1, x 2 и x 3 – искомые количества веществ. Целевая функция: f. Tо x=44·x 1+35·x 2+100·x 3. При наличии ограничений в виде равенств дополнительными аргументами могут быть Aeq и beq, наконец, двусторонние ограничения являются шестым и седьмым аргументами linprog. Поскольку линейные ограничения содержат «меньше или равно» , а количество ингредиентов в продуктах не должно быть менее заданных величин, то следует изменить знаки обеих частей системы. Для решения задачи составляется файл-прграмма. При вызове linprog вместо неиспользуемых аргументов (нет ограничений в виде равенств и верхней границы для неизвестных) задаются пустые массивы, обозначаемые .

Решение. Матрица А и векторы b и lb: =linprog(f, A, b, , lb, ); p=1. 8118 e+003; р – общая стоимость продуктов. Интерпретация. Представляет интерес умножить A на х, определить рекомендуемое содержание ингредиентов и сравнить его с минимально допустимым. A*x= [-250; -60: -142. 14; -220]; Сравнивая эти числа с вектором b, можно констатировать завышенное содержание третьего ингредиента. Это объясняется тем, что не было введено ограничение на максимальное содержание.

КОНТРОЛЬНЫЕ НАБЛЮДЕНИЯ Одно из наиболее важных применений статистическая теория находит в методах статистического контроля, среди которых хорошо известным примером может служить контроль качества. Контроль качества находит наиболее широкое применение в промышленности. Методика контроля качества находит два основных применения. Первое применение она находит в управлении технологическими процессами, при котором какой-либо реальный процесс, например такой, как работа машины, измеряется с целью оценки хода работы в настоящее время и, как подразумевается, для получения отправных данных для работы в ближайшем будущем. Второе применение она находит в приемочном контроле, который оценивает ход работы в прошлом путем измерения качества произведенных товаров. Поэтому это второе применение имеет дело с конечной совокупностью вещей, которые уже были произведены, тогда как управление технологическим процессом нацелено на проверку самого хода фактического производства. Это позволяет руководству выявить недостатки в процессе почти одновременно с их появлением и тем самым предотвратить выпуск изделий, имеющих дефекты.

Метод контроля основывается на свойствах нормальной кривой. Около 99. 7% всех наблюдаемых значений, взятых из нормально распределенной совокупности, располагаются в пределах интервала трех стандартных отклонений в любую сторону от среднего значения, и поэтому только около трех из каждой тысячи показаний наблюдений располагается вне этих пределов. Исходя из этого, может быть составлена контрольная карта, которая показывает возможные значения на вертикальной оси и ряды последовательных целых чисел, представляющих последовательные наблюдения, расположенные вдоль горизонтальной оси. Горизонтальная линия проведена на высоте, соответствующей среднему значению; гори зонтальные линии проведены также на высо тах, представляющих контрольные пределы. Верхний контрольный предел установлен на высоте, соответствующей значению средней плюс три стандартных отклонения (С. о.); ни жний контрольный предел установлен на вы соте, соответствующей значению средней минус три стандартных отклонения, так что около 99. 7% всех показаний должны расположиться в этих пределах.

Контрольные карты можно использовать: 1. Как сигнал о том, что в процессе произошло некоторое изменение, так и в качестве оценки величины изменения, для которого требуется коррекция. 2. Исключительно как сигнал о том, что в процессе произошло некоторое изменение, чтобы оператор осознал, что процесс требует его внимания. 3. Для получения оценок числа случаев в прошлом, когда в процессе возникали изменения, и установления на их основе причин, вызывающих эти изменения. 4. Как меру качества продукции для классификации по периодам. В производстве чаще всего используются: 1) контрольные карты Шухарта (карты R и s – средних значений, размаха и стандартного отклонения); 2) карты скользящих геометрических средних (скользящего экспоненциально взвешенного среднего) и скользящих размахов; 3) карты накопленных сумм; 4) многомерные контрольные карты.

Контрольные карты и R для вулканизационных характеристик t 10, t 50 и t 90 Карта накопленных сумм

ОПИСАНИЕ ПОЧТИ СТАЦИОНАРНОЙ ОБЛАСТИ При изучении почти стационарной области возникает ряд новых сложных проблем. Если мы хотим описать эту часть поверхности отклика полиномом (многочленом) второго порядка, то переменные нужно варьировать уже на трех уровнях. Возникает сложная задача построения таких планов. Здесь, прежде всего, нужно выбрать какой-то достаточно разумный критерий оптимальности. Во всяком случае, с самого начала было ясно, что планы полного факторного эксперимента типа 3 n (n – количество факторов) здесь неприемлемы, так как они потребуют слишком большого числа опытов. Если три фактора – 33=27, четыре фактора – 34=81. В работе Бокса и Уилсона (1951) была выдвинута идея построения композиционных планов, ядром которых служат линейные ортогональные планы. Предполагается что, попав в почти стационарную область, исследователь сначала ставит опыты, используя линейные планы. Затем, убедившись в том, что гипотеза линейности здесь не проходит, он достраивает линейный план до плана второго порядка; отсюда и само название - композиционный план.

Рассмотрим такую ситуацию: имеется два фактора, и на первом этапе мы строим полный факторный эксперимент (ПФЭ) 22. На рисунке точки этого плана изображены зачерненными кружками. Далее ставится эксперимент в центре квадрата для проверки гипотезы адекватности. Затем реализуются «звездные» точки. Выбор плана – это всегда компромиссное решение, принимаемое в результате диалога. Раньше это был диалог со справочником-каталогом планов, сейчас – это диалог с компьютером.

Ортогональность плана. План называется ортогональным, если ковариационная матрица плана содержит все нулевые элементы, кроме элементов главной диагонали (диагональная матрица). Для ортогональных планов все оценки коэффициентов независимы: эллипсоид рассеяния ориентирован так, что направление его главных осей совпадает с направлением координатных осей в пространстве коэффициентов. Ротатабельность плана. Ротатабельные планы имеют ковариационную матрицу, инвариантную к вращению координат, позволяют получить одинаковую дисперсию предсказанных значений функции отклика во всех равноудаленных от центра эксперимента точках. Выполнение этого условия делает любое направление от центра эксперимента равнозначным в смысле точности оценки поверхности. Если информационные контуры плана представить как поверхности с равными значениями дисперсии оценки поверхности отклика, то для ротатабельного плана эти поверхности будут представлять собой сферы.

ПРИМЕНЕНИЕ СОВРЕМЕННЫХ ПРОГРАММНЫХ ПРОДУКТОВ ДЛЯ АНАЛИЗА ПОЧТИ СТАЦИОНАРНОЙ ОБЛАСТИ Экспериментальная сетка, сформированная ломаными линиями без аппроксимации уравнением Поверхность отклика, отвечающая наибольшему значению коэффициента детерминации

ПРИМЕНЕНИЕ СОВРЕМЕННЫХ ПРОГРАММНЫХ ПРОДУКТОВ ДЛЯ АНАЛИЗА ПОЧТИ СТАЦИОНАРНОЙ ОБЛАСТИ Поверхность отклика, отвечающая модели 310 по каталогу программы TC 3 D Поверхность отклика, отвечающая модели 301 по каталогу программы TC 3 D

ПОСТРОЕНИЕ ДИАГРАММ СОСТАВ-СВОЙСТВО Частным случаем решения задачи описания почти стационарной области является построение регрессионных моделей для систем, являющихся смесями двух и более различных компонентов. Переменные xi таких систем являются пропорциями (относительным содержанием) нескольких (например, трех) компонентов смеси и удовлетворяют условию xi = x 1 + x 2 + x 3 = 1 Геометрическое место точек, удовлетворяющих условию нормированности сумм переменных, представляет собой двумерный симплекс (треугольник). Каждой точке симплекса соответствует смесь определенного состава, и любой комбинации относительных содержаний трех компонентов соответствует определенная точка симплекса. В рассматриваемой нами ситуации вершины симплекса соответствуют 100%-му содержанию каждого компонента; стороны треугольника, лежащие напротив этих вершин, соответствуют нулевому содержанию данного компонента; относительное содержание каждого компонента откладывается вдоль соответствующей стороны треугольника состава. Состав может быть выражен в мольных, массовых и объемных долях или в процентах.

Опустив из каждой вершины треугольника высоту, разделив каждую из них на десять равных по величине отрезков и проведя через полученные деления прямые, параллельные сторонам треугольника, получим треугольную сетку.

Для решения задачи построения диаграммы «свойство-состав» на симплексе целесообразно рассматривать модель y=y(x 1, x 2, x 3) (y – отклик) в форме приведенного полинома. Такие приведенные полиномы для трехкомпонентных смесей показаны ниже. Модель второго порядка для трех переменных: y = 1 x 1 + 2 x 2 + 3 x 3 + 12 x 1 x 2 + 13 x 1 x 3 + 23 x 2 x 3 Неполная кубическая модель: y = 1 x 1 + 2 x 2 + 3 x 3 + 12 x 1 x 2 + 13 x 1 x 3 + 23 x 2 x 3 + 123 x 1 x 2 x 3 Модель третьего порядка: y = 1 x 1 + 2 x 2 + 3 x 3 + 12 x 1 x 2 + 13 x 1 x 3 + 23 x 2 x 3 + + 12(x 1 – x 2) + 13(x 1 – x 3) + 23(x 2 – x 3) + 123 x 1 x 2 x 3 Модель четвертого порядка: y = 1 x 1 + 2 x 2 + 3 x 3 + 12 x 1 x 2 + 13 x 1 x 3 + 23 x 2 x 3 + + 12(x 1 – x 2) + 13(x 1 – x 3) + 23(x 2 – x 3) + + 12 x 1 x 2(x 1 – x 2)2+ 13 x 1 x 3(x 1 – x 3)2+ 23 x 2 x 3(x 2 – x 3)2+ 1123 x 12 x 2 x 3+ 1223 x 1 x 22 x 3+ 1233 x 1 x 2 x 32 Полиномы такого вида получаются из обычных полиномов соответствующей степени введением соотношения xi = x 1 + x 2 + x 3 = 1

Так, например, полином второй степени, в общем случае имеющий вид y=b 0+b 1 x 1+b 2 x 2+b 3 x 3+b 12 x 1 x 2+b 13 x 1 x 3+b 23 x 2 x 3+b 11 x 12+b 22 x 22+b 33 x 32, в приведенной форме с учетом условия xi = x 1 + x 2 + x 3 = 1 приобретет форму y = 1 x 1 + 2 x 2 + 3 x 3 + 12 x 1 x 2 + 13 x 1 x 3 + 23 x 2 x 3 При переходе к приведенной форме постоянный член b 0 исключается из уравнения умножением обеих сторон xi = x 1 + x 2 + x 3 = 1 на b 0. b 0 x 1 + b 0 x 2 + b 0 x 3 = b 0 и подстановкой полученных результатов в уравнение y=(b 0+b 1)x 1+(b 0+b 2)x 2+(b 0+b 3)x 3+b 12 x 1 x 2+b 13 x 1 x 3+b 23 x 2 x 3+b 11 x 12+b 22 x 22+b 33 x 32 Исключения квадратичных членов можно достичь подстановкой в уравнение вместо величин x 12, x 22 и x 32 значений x 12=x 1–x 1 x 2–x 1 x 3, x 22=x 2–x 1 x 2–x 2 x 3, x 32=x 3–x 1 x 3–x 2 x 3, образованных путем умножения соотношения xi = x 1 + x 2 + x 3 = 1 соответственно на x 1, x 2 и x 3 y=(b 0+b 11)x 1+(b 0+b 22)x 2+(b 0+b 33)x 3+(b 12–b 11–b 22)x 1 x 2+ + (b 13–b 11–b 33)x 1 x 3 +(b 23–b 22–b 33)x 2 x 3 Введя обозначения 1=b 0+b 11; 2=b 0+b 22; 3=b 0+b 33; 12=b 12–b 11–b 22; 13= b 13–b 11–b 33; 23=b 23–b 22–b 33, получим приведенную форму y = 1 x 1 + 2 x 2 + 3 x 3 + 12 x 1 x 2 + 13 x 1 x 3 + 23 x 2 x 3

Для оценки коэффициентов приведенных полиномов были предложены симплекс-решетчатые планы. В таблице представлено расположение точек (матрица планирования) и обозначение откликов для случая модели второго порядка. Отклик Координаты точек Отклик Координаты точек x 1 x 2 x 3 y 1 1 0 0 y 12 1/2 0 y 2 0 1 0 y 13 1/2 0 1/2 y 3 0 0 1 y 23 0 1/2

Для построения модели второго порядка реализуются точки в вершинах треугольника и в серединах его сторон. Схема расположения экспериментальных точек в симлексных решетках {3, 2} {3, 3}* {3, 3} {3, 4} {4, 2} {q, n}-решетки, q – число компонентов смеси, n – степень полинома Формулы для вычисления параметров модели второго порядка 1=y 1; 2=y 2; 3=y 3; 12=4 y 12– 2 y 1– 2 y 2; 13=4 y 13– 2 y 1– 2 y 3; 23=4 y 23– 2 y 2– 2 y 3.

Пример. Результаты исследования прочности пористых резин на основе комбинации каучуков СКМС-30 РП и БС-45 К, содержа-щих три типа порообразователей х1 – N, N’-динитрозопентаметилен-тетрамин (ЧХЗ-18), х2 – азодикарбонамид (ЧХЗ-21), х3 – бикарбонат натрия. Координаты точек и результаты эксперимента Координаты точек x 1 x 2 x 3 1 0 0 0 1 0 0 σ, МПа Координаты точек σ, МПа x 1 x 2 x 3 5. 6 5. 9 ½ 1/2 0 4. 4 4. 7 0 3. 2 1/2 0 1/2 5. 1 5. 4 1 6. 0 6. 3 0 1/2 3. 8 4. 0

Вычисление коэффициентов приведенного полинома. σ = 1 x 1 + 2 x 2 + 3 x 3 + 12 x 1 x 2 + 13 x 1 x 3 + 23 x 2 x 3 , хi . 1= σ1; 2= σ2; 3= σ3; 12=4σ12– 2σ1– 2σ2; 13=4σ13– 2σ1– 2σ3; 23=4σ23– 2σ2– 2σ3. β 1=(5. 6+5. 9)/2=5. 75; β 2=(3. 0+3. 2)/2=3. 10; β 3=(6. 0+6. 3)/2=6. 15; β 12=4(4. 4+4. 7)/2 -2(5. 6+5. 9)/2 -2(3. 0+3. 2)/2=0. 50; β 13=4(5. 1+5. 4)/2 -2(5. 6+5. 9)/2 -2(6. 0+6. 3)/2=-2. 80; β 23=4(3. 8+4. 0)/2 -2(3. 0+3. 2)/2 -2(6. 0+6. 3)/2=-2. 90. Уравнение регрессии имеет вид: σ = 5. 75 x 1 + 3. 10 x 2 + 6. 15 x 3 + 0. 50 x 1 x 2 - 2. 80 x 1 x 3 - 2. 90 x 2 x 3. Проверка однородности дисперсий. Критерий Кохрена: G=S 2 max/ Σ S 2 j. Средние значения: 5. 75; 3. 10; 6. 15; 4. 55; 5. 25; 3. 90. Дисперсии: 0. 045; 0. 020; 0. 045; 0. 020. Условие однородности дисперсий: G

Расчет дисперсии воспроизводимости. N=6; S 2 E =(0. 045+0. 020+0. 045+0. 020)/6=0. 037. Значения отклика в проверочной точке 4. 1; 4. 3. σ0 ср=4. 20 МПа Проверка адекватности модели. =a 12+a 22+a 32+a 122+a 132+a 232; ai=xi(2 xi-1); aij=4 xixj. t= σ·(r/(S 2 E (1+))1/2, = p(r-1), y=|σрасч-σср| – модуль разности отклика, рассчитанного по уравнению, и среднего отклика, определенного экспериментально в проверочной точке по r повторным наблюдениям. a 1=a 2=a 3=1/3·(2· 1/3 -1)=-1/9; a 12=a 13=a 23=4· 1/3=4/9; =3(-1/9)2+3(4/9)2=0. 630. Значения прочности в центре плана: σ0 расч=5. 75/3+3. 10/3+6. 15/3+ 0. 50/9 -2. 80/9 -2. 90/9=4. 42 МПа. t=|4. 42 -4. 20|·(2/(0. 037(1+0. 630))1/2 =1. 27; =6(2 -1)=6; =5 %; t(6; 0. 05)=2. 45.

Условие адекватности: tрасч

Пример. Влияние состава полимерной матрицы на тепловой эффект вулканизации. Все рецептуры содержали 15 масс. % каучука СКМС 30 РП и 30 масс. % смеси полимеров: каучук СКД (х1), полистирол (х2) и каучук СКМС-30 РП (х3) в различных соотношениях. Все системы содержали порообразователи. Для построения диаграмм использована программа в системе MATLAB. Но в нее были внесены определенные коррективы, которые позволили реализовать процедуру в следующей последовательности. С использованием программы Table Curve 3 D формируется модель, включающая два фактора х1 и х2. Затем составляется столбец значений параметров полученной модели b. этот столбец вводится в командное окно MATLAB. Затем открывается программа-модуль для построения диаграмм. В эту программу заранее внесены возможные уравнения. Такой подход позволяет рассчитать несколько конкурирующих моделей и оценить их статистические характеристики. В рассматриваемом случае получены следующие модели: 310 z=a+bx+cy+dx^2+ey^2+fxy+gx^3+hy^3+ixy^2+jx^2 y; 1301 z=(a+cx+ey+gx^2+iy^2+kxy)/(1+bx+dy+fx^2+hy^2+jxy); 301 z=a+bx+cy+dx^2+ey^2+fxy; 65 z=a+bx+cx^2+dx^3+ex^4+fx^5+gy+hy^2+iy^3+jy^4+ky^5; 50 z=a+bx+cx^2+dx^3+ex^4+fy+gy^2+hy^3+iy^4+jy^5.

На рисунке слева сплошными линиями показаны изолинии, полученные с использованием модели третьего порядка (310), а пунктиром – модели второго порядка. Справа даны изолинии (сплошные) применительно к моделям 65 и 50. они практически совпадают. Пунктиром показаны изолинии для модели 1301 по каталогу TC 3 D.