Полный факторный эксперимент типа 2к



Скачать 143.5 Kb.
Дата21.05.2016
Размер143.5 Kb.
Полный факторный эксперимент типа 2к

Первый этап планирования эксперимента для получения линейной модели основан на варьировании факторов на двух уровнях. В этом случае, если число факторов известно, можно сразу найти число опытов, необходимое для реализации всех возможных сочетаний уровней факторов.

Простая формула, которая для этого используется, N = 2к, где N – число опытов, к – число факторов, 2 – число уровней. В общем случае эксперимент, в котором реализуются все возможные сочетания уровней факторов, называется полным факторным экспериментом.

Если выбранная модель включает только линейные члены полинома и их произведения, то для оценки всех параметров модели используется план эксперимента с варьированием всех факторов на двух уровнях. Такие планы принято называть планами типа 2n, где 2n=N – число всех возможных опытов, n – количество варьируемых факторов.

Полный факторный эксперимент может быть предложен исследователю как один из способов построения математической модели (идентификации) недетерминированного объекта. Этот способ оказывается наиболее предпочтительным в тех случаях, когда отсутствует априорная информация для обоснования структуры модели с позиций физико-химических представлений процессов, происходящих в объекте, отсутствует количественная оценка степени влияния изучаемых факторов на выходную переменную объекта, его выходной показатель.

Нетрудно написать все сочетания уровней в эксперименте с двумя факторами. Напомним, что в планировании эксперимента используются кодированные значения факторов: +1 и –1 (часто для простоты записи единицы опускают). Условия эксперимента можно записать в виде таблицы, где строки соответствуют различным опытам, а столбцы – значениям факторов. Будем называть такие таблицы матрицами (репликами) планирования эксперимента.

Матрица планирования 22 для двух факторов показана в табл.


Номер опыта

Матрица планирования

Выход

у


x1

x2

1

–1

–1

y1

2

+1

–1

y2

3

–1

+1

y3

4

+1

+ 1

y4

Каждый столбец в матрице планирования называют вектор-столбцом, а каждую строку – вектор-строкой.

Таким образом, мы имеем два вектора-столбца независимых переменных и один вектор-столбец параметра оптимизаций. То, что записано в этой таблице в алгебраической форме, можно изобразить геометрически. Найдем в области определения факторов точку, соответствующую основному уровню, и проведем через нее новые оси координат, параллельные осям натуральных значений факторов. Далее, выберем масштабы по новым осям так, чтобы интервал варьирования для каждого фактора равнялся единице. Тогда условия проведения опытов будут соответствовать вершинам квадрата, центром которого является основной уровень, а каждая сторона параллельна одной из осей координат и равна двум интервалам (рис.). Номера вершин квадрата соответствуют номерам опытов в матрице планирования. Площадь, ограниченная квадратом, называется областью эксперимента. Иногда удобнее считать областью эксперимента площадь, ограниченную окружностью, описывающей квадрат. В задачах интерполяции область эксперимента есть область предсказываемых значений у.

На рис.9.2 показан в факторном пространстве симметричный двухуровневый план для двухфакторной функции отклика y=f(x1x2) при нейтральном (рис.9.2,а) и нормированном (рис.9.2,б) представлении уровней факторов. Здесь, – искомые натуральные уровни факторов, – нижние, – верхние уровни, , – интервалы варьирования.





Запись матрицы планирования, особенно для многих факторов, громоздка. Для ее сокращения удобно ввести условные буквенные обозначения строк.

Это делается следующим образом. Порядковый номер фактора ставится в соответствие строчной букве латинского алфавита: х1 – а, х2 – b, ... и т.д. Если теперь для строки матрицы планирования выписать латинские буквы только для факторов, находящихся на верхних уровнях, то условия опыта будут заданы однозначно. Опыт со всеми факторами на нижних уровнях условимся обозначать (1). Матрица планирования вместе с принятыми буквенными обозначениями приведена в табл. 2.



Номер опыта

Матрица планирования

Буквенные обозначения строк

Выход

у


x1

x2

1

–1

–1

(1)

y1

2

+1

–1

a

y2

3

–1

+1

b

y3

4

+1

+ 1

ab

y4

Теперь вместо полной записи матрицы планирования можно пользоваться только буквенными обозначениями, Ниже приведена буквенная запись еще одного плана: с, b, a, abc, (1), bc, aс, ab. Матрица планирования приведена в табл. 3.

Номер опыта

х1

х2

х3

Буквенные обозначения строк

у

1

–1

–1

+1

c

у1

2

–1

+1

–1

b

у2

3

+1

–1

–1

a

у3

4

+1

+1

+1

abc

у4

5

–1

–1

–1

(1)

у5

6

–1

+1

+1

bc

у6

7

+1

–1

+1

ac

у7

8

+1

+1

–1

ab

у8

Таким образом вы построили полный факторный эксперимент 23. Он имеет восемь опытов и включает все возможные комбинации уровней трех факторов.

Если для двух факторов все возможные комбинации уровней легко найти прямым перебором (или просто запомнить), то с ростом числа факторов возникает необходимость в некотором приеме построения матриц. Из многих возможных обычно используется три приема, основанных на переходе от матриц меньшей размерности к матрицам большей размерности. Рассмотрим первый. При добавлении нового фактора каждая комбинация уровней исходного плана встречается дважды: в сочетании с нижним и верхним уровнями нового фактора. Отсюда естественно появляется прием: записать исходный план для одного уровня нового фактора, а затем повторить его для другого уровня. Вот как это выглядит при переходе от эксперимента. Этот прием распространяется на построение матриц любой размерности.

Рассмотрим второй прием. Для этого введем правило перемножения столбцов матрицы. При построчном перемножении двух столбцов матрицы произведение единиц с одноименными знаками дает +1, а с разноименными –1. Воспользовавшись этим правилом, получим для случая, который мы рассматриваем, вектор-столбец произведения х1х2 в исходном плане. Далее повторим еще раз исходный план, а у столбца произведений знаки поменяем на обратные Этот прием тоже можно перенести на построение матриц любой размерности, однако он сложнее, чем первый.

Третий прием основан на правиле чередования знаков. В первом столбце знаки меняются поочередно, во втором столбце они чередуются через два, в третьем – через 4, в четвертом – через 8 и т.д. по степеням двойки.

По аналогии с полным факторным экспериментом 22 можно дать геометрическую интерпретацию полного факторного эксперимента 23. Геометрической интерпретацией полного факторного эксперимента 23 служит куб, координаты вершин которого задают условия опытов.

Если поместить центр куба в точку основного уровня факторов, а масштабы по осям выбрать так, чтобы интервал варьирования равнялся единице, то получится куб, изображенный на рис. Куб задает область эксперимента, а центр куба является ее центром.

Фигура, задающая область эксперимента в многомерном пространстве, является некоторым аналогом куба. Будем называть эту фигуру гиперкубом.

Свойства полного факторного эксперимента типа 2k

Мы научились строить матрицы планирования полных факторных экспериментов с факторами на двух уровнях. Теперь выясним, какими общими свойствами эти матрицы обладают независимо от числа факторов. Говоря о свойствах матриц, мы имеем в виду те из них, которые определяют качество модели. Ведь эксперимент и планируется для того, чтобы получить модель, обладающую некоторыми оптимальными свойствами. Это значит, что оценки коэффициентов модели должны быть наилучшими и что точность предсказания параметра оптимизации не должна зависеть от направления в факторном пространстве, ибо заранее неясно, куда предстоит двигаться в поисках оптимума.

Два свойства следуют непосредственно из построения матрицы. Первое из них – симметричность относительно центра эксперимента – формулируется следующим, образом: алгебраическая сумма элементов вектор-столбца каждого фактора равна нулю, или , где j – номер фактора, i – номер опыта, N – число опытов.

Второе свойство – так называемое условие нормировки – формулируется следующим образом: сумма квадратов элементов каждого столбца равна числу опытов, или . Это следствие того, что значения факторов в матрице задаются +1 и –1.

Мы рассмотрели свойства отдельных столбцов матрицы планирования. Теперь остановимся на свойстве совокупности столбцов.

Сумма почленных произведений любых двух вектор-столбцов матрицы равна нулю, или ., j¹n.

Это важное свойство называется ортогональностью матрицы планирования.

Последнее, четвертое свойство называется ротатабельностью, т.е. точки в матрице планирования подбираются так, что точность предсказания значений параметра оптимизации одинакова на равных расстояниях от центра эксперимента и не зависит от направления.

Даны две матрицы планирования:

x1 x2 x1 x2

– – – +

+ – + –


– + – +

+ + + –


Давайте проверим, как выполняются все три свойства для каждой из матриц. Первое свойство выполняется для всех столбцов обеих матриц. Действительно, для первого столбца матрицы а) имеем

(– 1) + (+1) + (- 1) + (+ 1) = 0.

Аналогичный результат получается для всех других столбцов.

Второе свойство– также выполняется для обеих матриц.

С третьим свойством, однако, дело обстоит иначе. Если для матрицы а) формула ортогональности выполняется, то в случае б) это не так. Действительно (–1) (+ 1) + (+ 1) (– 1) + (– 1) (+ 1) + (+1)(–1) = –4≠0.

Полный факторный эксперимент и математическая модель

Давайте еще раз вернемся к матрице 23. Для движения к точке оптимума нам нужна линейная модель у = b0 + b1x1+ b2х2. Наша цель – найти по результатам эксперимента значения неизвестных коэффициентов модели. До сих пор, говоря о линейной модели, мы не останавливались на важном вопросе о статистической оценке ее коэффициентов. Теперь необходимо сделать ряд замечаний по этому поводу. Можно утверждать, что эксперимент проводится для проверки гипотезы о том, что линейная модель η = β0 + β1x1+ β2х2 адекватна. Греческие буквы использованы для обозначения «истинных» генеральных значений соответствующих неизвестных. Эксперимент, содержащий конечное число опытов, позволяет только получить выборочные оценки для коэффициентов уравнения у = b0 + b1x1 + … + bkхk. Их точность и надежность зависят от свойств выборки и нуждаются в статистической проверке.

После проведения опытов во всех точках факторного пространства необходимо найти коэффициенты уравнения регрессии. Для этого воспользуемся методом наименьших квадратов.

;

, поскольку ,

то после дифференцирования получим



Для линейной регрессии при k=2:



;

продифференцировав по коэффициентам, получим:



Запишем уравнения в полной форме:





Отсюда, принимая в расчет свойства матрицы планирования, получим следующие формулы для вычисления коэффициентов


или в общем виде

Вы видите, что благодаря кодированию факторов расчет коэффициентов превратился в простую арифметическую процедуру.

Для подсчета коэффициента b1 используется вектор-столбец х1 а для b2 – столбец х2. Остается неясным, как найти b0. Если наше уравнение у = b0 + b1x1+ b2х2 справедливо, то оно верно и для средних арифметических значений переменных: = b0 + b11+ b22. Но в силу свойства симметрии 1 = 2 = 0. Следовательно, = b0. Мы показали, что b0 есть среднее арифметическое значение параметра оптимизации. Чтобы его получить, необходимо сложить все у и разделить на число опытов. Чтобы привести эту процедуру в соответствие с формулой для вычисления коэффициентов, в матрицу планирования удобно ввести вектор-столбец фиктивной переменной x0, которая принимает во всех опытах значение +1. Это было уже учтено в записи формулы, где j принимало значения от 0 до к.

Теперь у нас есть все необходимое, чтобы найти неизвестные коэффициенты линейной модели

у = b0 + b1x1+ b2х2

Коэффициенты при независимых переменных указывают на силу влияния факторов. Чем больше численная величина коэффициента, тем большее влияние оказывает фактор. Если коэффициент имеет знак плюс, то с увеличением значения фактора параметр оптимизации увеличивается, а если минус, то уменьшается. Величина коэффициента соответствует вкладу данного фактора в величину параметра оптимизации при переходе фактора с нулевого уровня на верхний или нижний.

Иногда удобно оценивать вклад фактора при переходе от нижнего к верхнему уровню. Вклад, определенный таким образом, называется эффектом фактора (иногда его называют основным или главным эффектом). Он численно равен удвоенному коэффициенту. Для качественных факторов, варьируемых на двух уровнях, основной уровень не имеет физического смысла. Поэтому понятие «эффект фактора» является здесь естественным.

Планируя эксперимент, на первом этапе мы стремимся получить линейную модель. Однако у нас нет гарантии, что в выбранных интервалах варьирования процесс описывается линейной моделью. Существуют способы проверки пригодности линейной модели. А если модель нелинейна, как количественно оценить нелинейность, пользуясь полным факторным экспериментом?

Один из часто встречающихся видов нелинейности связан с тем, что эффект одного фактора зависит от уровня, на котором находится другой фактор. В этом случае говорят, что имеет место эффект взаимодействия двух факторов. Полный факторный эксперимент позволяет количественно оценивать эффекты взаимодействия. Для этого надо, пользуясь правилом перемножения столбцов, получить столбец произведения двух факторов. При вычислении коэффициента, соответствующего эффекту взаимодействия, с новым вектор-столбцом можно обращаться так же, как с вектор-столбцом любого фактора. Для полного факторного эксперимента 22 матрица планирования с учетом эффекта взаимодействия представлена в табл. Очень важно, что при добавлении столбцов эффектов взаимодействий все рассмотренные свойства матриц планирования сохраняются.

Матрица планирования эксперимента 22

с учетом взаимодействия факторов

 


Номер опыта

х0

х1

х2

х1х2

у

1

+1

–1

–1

+1

у1

2

+1

+1

–1

–1

у2

3

+1

–1

+1

–1

у3

4

+1

+1

+1

+1

у4

Теперь модель выглядит следующим образом:

у= b0 х0 + b1 x1 + b2 x2 + b12х1х2.

Коэффициент b12 вычисляется обычным путем.

Столбцы x1 и х2 задают планирование – по ним непосредственно определяются условия опытов, а столбцы х0 и х1х2 служат только для расчета.

Обращаем ваше внимание на то, что при оптимизации мы стремимся сделать эффекты взаимодействия возможно меньшими.

В задачах интерполяции, напротив, их выявление часто важно и интересно.

Покажем на примере еще один способ расчета коэффициентов, известный под названием метода Йетса. Все операции по расчету приведены в табл.



1

2

3

у1

у1 + у2

у1 + у2 + у3 + у4

у2

у3 + у4

у2 – у1 + у4 – у3

у3

у2 – у1

у3 + у4 – у1 – у2

у4

у4 – у3

у4 – у3 –у2 + у1

Слева в этой таблице выписан вектор-столбец значений параметра оптимизации. Первая операция (2-й столбец) состоит в попарном сложении и вычитании этих значений, причем верхнее число вычитается из нижнего. Вторая операция (3-й столбец) состоит в том же действии, но уже с числами второго столбца.

Если теперь числа, оказавшиеся в третьем столбце, разделить на число опытов, то получим значения коэффициентов. Операции сложения и вычитания повторяются столько раз, сколько имеется факторов.
Каталог: 2009
2009 -> Лидер как социальный тип: понятие и личностные особенности в западной исследовательской традиции
2009 -> «утверждено»
2009 -> Социальные последствия учебной иммиграции в россию
2009 -> Психологическая профессиональная адаптация личности
2009 -> На правах рукописи
2009 -> Программа дисциплины «Рефлексия личности»
2009 -> А. В. Селиванова Одна из проблем экологического образования формирование ценного отношения к природе. Экологические блоки, которые включаются в специальные дисциплины, оказывают большее коррекционное влияние на разв
2009 -> Психология индивидуальности
2009 -> Эмоционального выгорания у врачей стоматологов 19. 00. 04 "Медицинская психология"
2009 -> Современная гуманитарная академия, Москва


Поделитесь с Вашими друзьями:


База данных защищена авторским правом ©dogmon.org 2019
обратиться к администрации

    Главная страница