Файл: Конспект лекций Для студентов специальности 080801. 65 - приклад.doc

Если число уровней для каждого из факторов одинаково, то об­щее число комбинаций будет L^k .

Левая часть выражения (9.1) используется для обозначения факторного плана.

Применение факторного плана вместо классической схемы, со­гласно которой каждый раз изменяется только один фактор, имеет ряд преимуществ.

• Становится более полной картина влияния каждого фактора, поскольку они изучаются в самых различных условиях (вследствие, одновременного изменения других факторов).

• Большое число комбинаций факторов, используемых в эксперименте, облегчает предсказание результатов, которые могут быть достигнуты при определенной комбинации условий.

• Если эффекты, вызываемые каждым фактором, статистически независимы, то о каждом факторе можно получить не меньше, информации, чем при изменении в экспериментах только одного фактора при фиксации остальных.

• Если (как это часто бывает) различные факторы не являются независимыми, а вызывают эффекты, которые в большей или меньшей степени коррелированны, то в этом случае только факторный эксперимент может дать информацию о характере этих взаимодействий. При наличии нескольких взаимосвязанных су­щественных факторов обойтись без постановки факторного экс­перимента невозможно. Для ряда часто встречающихся специальных задач разработано большое число стандартных факторных планов.

Рассмотрим пример 2-х факторного эксперимента, с двумя фак­торами на 2-х уровнях и с двумя наблюдениями в каждом опыте, т.е. план 2². Факторы принято обозначать буквами латинского алфавита А, В, С и т.д.

Результаты экспериментов сведем в таблицу 9.1.

В этой таблице y_ijg обозначает g-e наблюдение (g = 1,2) в ячейке i, j. Количество наблюдений (прогонов модели) g определяется же­лаемой точностью получения оценок откликов.

В общем случае в 2-х факторном эксперименте число уровней факторов А и В равно соответственно I и J. Обозначим математиче­ское ожидание Е(y_ijg)=η_ij, тогда в планировании эксперимента предполагается верной следующая модель:

где e_ijg - ошибка опыта. Предполагается, что все эти ошибки являют­ся независимыми нормально распределенными случайными величи­нами с математическим ожиданием 0 и дисперсией σ². При имитации ошибки опытов можно сделать независимыми, применяя различные последовательности случайных чисел при прогонах модели.

9.6. Дисперсионный анализAnovAв планированииэкспериментов

Для определения, является фактор значимым или нет, использу­ется дисперсионный анализ ANOVA (analysis of variance), который применим только к количественным факторам. С помощью него оп­ределяются количественные отклонения наблюдений от среднего значения. Если какой-либо фактор не оказывает влияние на отклик, то он является незначимым. С другой стороны, если фактор влияет на отклик, то его (фактора) количественное значение сравнивают с оценкой изменчивости наблюдения, то есть со стандартной ошибкой.

Это делается для исключения эффектов, которые являются не более чем случайной флуктуацией.

Неявно в ANOVA используется аддитивная математическая мо­дель, которая определяет компоненты изменения в наблюдениях. Ее называют статистической моделью. Самая простая статистическая модель:

т.е. каждое i-е наблюдение представляет собой общее среднее по всем опытам μ и случайную ошибку e_ig. В этой модели общее среднее не изменяется от опыта к опыту, в отличие от ошибки.

Статистическая модель для анализа данных экспериментов с од­ним фактором А имеет следующий вид:

где a^A_i- главный эффект фактора А на уровне i. Все наблюдения на данном уровне обработки анализируются, используя то же самое значение для a^A. Так как в этом эксперименте имеется только один фактор, число комбинаций обработки определяется числом уровней I этого фактора.

Для двух факторов общая модель факторного плана такова:

где a^B_j- главный эффект фактора В на уровне j; a^AB_ij- взаимодействие фактора А на уровне i и фактора В на уровне j. Сумма эффектов двух факторов не равна сумме их отдельных эффектов из-за взаимодейст­вия между ними. Главный эффект фактора определяет долю участия фактора в значении функции отклика во время перехода его с нижнего уровня к верхнему.

Дисперсионный анализ, основанный на статистической модели (9.2), заканчивается построением таблицы ANOVA, в которой анализируется влияние факторов А, В, взаимодействие между факторами 16 и случайные помехи наблюдения.

С помощью ANOVA проверяется гипотеза об отсутствии влия­ния фактора. Если справедлива гипотеза об отсутствии влияния фактора, то считается, что все наблюдения получены из одной генераль­ной совокупности. Для проверки гипотезы используется F-распределение Фишера. Критерий Фишера определяет отношение двух выборочных дисперсий. Если фактор существенно влияет на от­клик, то значения F-распределения принимает большие значения и F-статистика становится значимой. Таким образом, большие значения F приводят к отбрасыванию гипотезы об отсутствии влияния фактора, т.е. фактор является значимым.

9.7. Библиотечная процедураAnova

Библиотечная процедура ANOVA системы GPSS World анали­зирует эксперименты от 1 до 6 факторов, включая взаимодействия 2-го и 3-го порядка между факторами.

На рис. 9.3 [19] представлена таблица ANOVA, полученная i< GPSS World. Сначала рассмотрим среднюю часть таблицы. Полная сумма квадратов (Total) отделена от компонентов, связанных с эффек­тами факторов и их взаимодействиями (А, В, АВ). В строке Error (ошибка) приведена остаточная сумма квадратов. Средняя сумма квад­ратов (Mean Square) остаточного члена используется для оценки стан­дартной ошибки эксперимента (в данном случае это величина 2,5).

Каждая сумма квадратов делится на число степеней свободы для уровней. Из статистических соображений степени свободы - это де­литель, который должен использоваться для получения несмещенной оценки стандартной ошибки. Для наших целей, достаточно представ­лять степени свободы как соответствующий делитель, связанный с суммой квадратов в таблице ANOVA. Система GPSS World всегда вычисляет степени свободы.

Каждый фактор и взаимодействие в статистической модели представлены отдельной строкой в верхней части таблицы ANOVA. В каждой строке указана сумма квадратов и число степеней свободы, связанные с оценкой факторов и их взаимодействий. Это - основы, и ч которых получены другие числа. Частное от деления определяет средний квадрат ошибки, и в предпоследнем столбце таблицы выда­ется F-статистика для этого эффекта.

Сделаем некоторые заключения. Необходимо решить, достаточ­но ли большое значение F-критерия получено для объявления эффек­та значимым. Пороговое значение, которое используется для сравне­ния, называется «критическим значением F» и помещено справа от F-статистики в той же самой строке. Если полученное значение F пре­вышает критическое значение, то делаем заключение, что имеем дело со значимым эффектом фактора. Если нет, то считаем, что эффект фактора незначимый и игнорируем любое связанное с ним изменение в наблюдениях, считая, что оно вызвано случайными помехами. 11редставленная на рис. 9.3 таблица ANOVA показывает, что эффект фактора А значимый, а эффект фактора В и взаимодействие АВ незна­чимы.

Иногда при выполнении эксперимента невозможно обнаружить эффект даже в том случае, если он фактически существует. Одна из задач эксперимента заключается в том, чтобы сделать это маловероятным. Из таблицы ANOVA видно, что для получения лучших результатов необходимо иметь или большую F-статистику или меньшее значение F-критерия. Желательно удалить часть суммы квадратов ошибки из-за какого-либо важного эффекта, не включенного в анализ. Если это можно сделать, то F-статистика будет больше. Для это­го определяют дополнительные факторы, которые должны быть включены в эксперимент.

Для увеличения степени свободы остаточного члена можно ис­пользовать два подхода. Первый просто увеличивает число повторе­ний в эксперименте. Этот подход обычно более дорогой, но может быть весьма эффективным. Второй касается плана эксперимента и статистической модели дисперсионного анализа. Средний квадрат ошибки - фактически остаточный член, оставшийся после удаления других квадратов. Если можно найти приемлемый способ, который позволит большему количеству данных оставаться после удаления эффектов, то получим оценку стандартной ошибки с большим числом степеней свободы. Окончательное значение F-критерия будет умень­шаться при увеличении мощности анализа. При этом фактически иг­норируются некоторые из взаимодействий.

В многофакторных экспериментах для упрощения статистиче­ской модели и уменьшения количества экспериментов игнорируют взаимодействия самого высокого порядка. Например, статистическая модель с двумя факторами без учета их взаимодействия имеет сле­дующий вид:

Если действительно эффектами этих взаимодействий можно пренебречь, то это позволит использовать дополнительные степени свободы для получения лучших оценки F-статистики. Кроме того, большее число степеней свободы означает также и меньшее значение F-критерия. Однако необходимо понимать, что удаление членов из статистической модели предполагает, что не существует взаимодей­ствий более высоких порядков.

В GPSS World от учета взаимодействий высоких порядков мож­но отказаться, используя третий параметр процедуры ANOVA. Ино­гда целесообразней учитывать только одну случайность. В этом слу­чае для улучшения статистических оценок просто добавляются по­вторения наблюдений. Число повторений задается во втором пара­метре процедуры ANOVA.