Единое окно доступа к образовательным ресурсам

Основы планирования эксперимента. Методическое пособие для студентов специальностей 190800 "Метрология и метрологическое обеспечение" и 072000 "Стандартизация и сертификация (по отраслям пищевой промышленности)"

Голосов: 11

Методическое пособие для студентов специальностей 190800 "Метрология и метрологическое обеспечение" и 072000 "Стандартизация и сертификация (по отраслям пищевой промышленности)". Цель работы "Основы планирования эксперимента" - ознакомление читателей с наиболее часто применяемыми и простыми методами планирования эксперимента, выработка навыков практического применения. Более подробно рассмотрена задача оптимизации процессов.

Приведенный ниже текст получен путем автоматического извлечения из оригинального PDF-документа и предназначен для предварительного просмотра.
Изображения (картинки, формулы, графики) отсутствуют.
                   Министерство образования Российской Федерации

    ВОСТОЧНО-СИБИРСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНОЛОГИЧЕСКИЙ
                           УНИВЕРСИТЕТ
           Кафедра “Метрология, стандартизация и сертификация”




                       ОСНОВЫ ПЛАНИРОВАНИЯ
                             ЭКСПЕРИМЕНТА

                              Методическое пособие
для студентов специальностей 190800 «Метрология и метрологическое обеспечение» и
 072000 «Стандартизация и сертификация (по отраслям пищевой промышленности)»




                                                     Составитель: Хамханов К.М.




                                Улан-Удэ, 2001г.


                       СОДЕРЖАНИЕ


        Введение ………………………………………………..
     1. Основные определения ……………………………….
     2. Параметры оптимизации …..…………………………
        2.1. Требования к параметру оптимизации …………
        2.2. Задачи с несколькими выходными параметрами
     3. Обобщенный параметр оптимизации ……………….
        3.1. Простейшие способы построения обобщенного
             отклика …………………………………………….
        3.2. Шкала желательности ……………………………
        3.3. Обобщенная функция желательности …………..
     4. Факторы …………..…………………………………...
        4.1. Характеристика факторов ……………………….
        4.2. Требования к факторам ………………………….
        4.3. Выбор уровней варьирования факторов и
             нулевой точки …………………………………….
     5. Выбор моделей ………………………………………..
     6. Полный факторный эксперимент ……………………
        6.1. Полный факторный эксперимент типа 2k ………
        6.2. Свойства полного факторного эксперимента
             типа 2k …………………………………………….
        6.3. Расчет коэффициентов регрессии. ………………
     7. Дробный факторный эксперимент ………………...…
        7.1. Минимизация числа опытов ……………………..
        7.2. Дробная реплика ………………………………….
        7.3. Выбор полуреплик. Генерирующие
             соотношения и определяющие контрасты ………
     8. Ошибки измерений критериев оптимизации и
        факторов ….…………………………………………….
        8.1. Рандомизация ……………………………………..
     9. Отсеивающие эксперименты …………………………

         9.1. Априорное ранжирование факторов
              (психологический эксперимент) …………………
         9.2. Метод случайного баланса ……………………….
         9.3. Неполноблочные планы (учет качественных
              факторов и экспертные оценки) …………………
     10. Пример планирования эксперимента ………………..
         10.1. Выбор факторов …………………………………
         10.2. Проведение эксперимента ………………………
         10.3. Полный факторный эксперимент ………………
         10.4. Поиск оптимума методом крутого восхождения
         10.5. Описание области оптимума ……………………
         10.6. Построение графических зависимостей ………
     Приложения ………………………………………………..




88


                                        ВВЕДЕНИЕ

     Традиционные методы исследований связаны с экспериментами, которые требуют
больших затрат, сил и средств, т.к. являются «пассивными» - основаны на поочередном
варьировании отдельных независимых переменных в условиях, когда остальные стремятся
сохранить неизменными.
     Эксперименты, как правило, являются многофакторными и связаны с оптимизацией
качества материалов, отысканием оптимальных условий проведения технологических
процессов, разработкой наиболее рациональных конструкций оборудования и т.д. Системы,
которые служат объектом таких исследований, очень часто являются такими сложными, что
не поддаются теоретическому изучению в разумные сроки. Поэтому, несмотря на
значительный объем выполненных научно-исследовательских работ, из-за отсутствия
реальной возможности достаточно полно изучить значительное число объектов
исследования, как следствие, многие решения принимаются на основании информации,
имеющей случайный характер, и поэтому далеки от оптимальных.
     Исходя из выше изложенного возникает необходимость поиска пути, позволяющего
вести исследовательскую работу ускоренными темпами и обеспечивающим принятие
решений, близких к оптимальным. Этим путем и явились статистические методы
планирования эксперимента, предложенные английским статистиком Рональдом Фишером
(конец двадцатых годов). Он впервые показал целесообразность одновременного
варьирования всеми факторами в противовес широко распространенному однофакторному
эксперименту [1].
     В начале шестидесятых годов появилось новое направление в планировании
эксперимента, связанное с оптимизацией процессов – планирование экстремального
эксперимента. Первая работа в этой области была опубликована в 1951 г. Боксом и
Уилсоном в Англии [2]. Идея Бокса-Уилсона крайне проста. Экспериментатору предлагается
ставить последовательные небольшие серии опытов, в каждой из которых одновременно
варьируются по определенным правилам все факторы. Серии организуются таким образом,
чтобы после математической обработки предыдущей можно было выбрать условия
проведения (т.е. спланировать) следующую серию. Так последовательно, шаг за шагом,
достигается область оптимума.
     Применение планирования эксперимента делает поведение экспериментатора
целенаправленным      и   организованным,     существенно   способствует     повышению
производительности труда и надежности полученных результатов. Важным достоинством
является его универсальность, пригодность в огромном большинстве областей исследований.
     В нашей стране планирование эксперимента развивается с 1960 г. [3] под руководством
В.В.Налимова. Однако даже простая процедура планирования весьма коварна, что
обусловлено рядом причин, таких как неверное применение методов планирования, выбор не
самого оптимального пути исследования, недостаточность практического опыта,
недостаточная математическая подготовленность экспериментатора и т.д.
     Цель данной работы – ознакомление читателей с наиболее часто применяемыми и
простыми методами планирования эксперимента, выработка навыков практического
применения. Более подробно рассмотрена задача оптимизации процессов.


                            1. ОСНОВНЫЕ ОПРЕДЕЛЕНИЯ

     Планирование эксперимента, как и всякий раздел науки, имеет свою терминологию.
Для удобства понимания рассмотрим наиболее общие термины.
     Эксперимент – целенаправленное воздействие на объект исследования с целью
получения достоверной информации.
     Большинство научных исследований связано с экспериментом. Он проводится на
производстве, в лабораториях, на опытных полях и участках, в клиниках и т.д. Эксперимент
может быть физическим, психологическим или модельным. Он может непосредственно
проводиться на объекте или на его модели. Модель обычно отличается от объекта
масштабом, а иногда природой. Главное требование к модели – достаточно точное описание
объекта.
     В последнее время наряду с физическими моделями все большее распространение
получают абстрактные математические модели. К слову, планирование эксперимента
напрямую связано с разработкой и исследованием математической модели объекта
исследования.
     Планирование эксперимента – это процедура выбора числа и условий проведения
опытов, необходимых и достаточных для решения поставленной задачи с требуемой
точностью.
     Здесь существенно следующее:
     стремление к минимизации общего числа опытов;
     одновременное варьирование всеми переменными, определяющими процесс, по
специальным правилам – алгоритмам;
     использование математического аппарата, формализующего многие действия
экспериментатора;
     выбор четкой стратегии, позволяющей принимать обоснованные решения после каждой
серии экспериментов.
     Задачи, для решения которых может использоваться планирование эксперимента,
чрезвычайно разнообразны. К ним относятся: поиск оптимальных условий, построение
интерполяционных формул, выбор существенных факторов, оценка и уточнение констант
теоретических моделей, выбор наиболее приемлемых из некоторого множества гипотез о
механизме явлений, исследование диаграмм состав – свойство и т.д.
     Поиск оптимальных условий является одной из наиболее распространенных научно-
технических задач. Они возникают в тот момент, когда установлена возможность проведения
процесса и необходимо найти наилучшие (оптимальные) условия его реализации. Такие
задачи называются задачами оптимизации. Процесс их решения называется процессом
оптимизации или просто оптимизацией. Выбор оптимального состава многокомпонентных
смесей и сплавов, повышение производительности действующих установок, повышение
качества продукции, снижение затрат на ее получение – вот примеры задач оптимизации.
     Далее следует понятие – объект исследования. Для его описания удобно пользоваться
представлением о кибернетической системе, которая схематически изображена на рис.1.1.
Иногда такую схему называют «черным ящиком». Стрелки справа изображают численные
характеристики целей исследования. Мы их обозначаем буквой игрек (у) и называем
параметрами оптимизации. В литературе встречаются другие названия: критерий
оптимизации, целевая функция, выход «черного ящика» и т.д.
     Для проведения эксперимента необходимо иметь возможность воздействовать на
наведение «черного ящика». Все способы такого воздействия мы обозначаем буквой икс (х)
и называем факторами. Их называют также входами «черного ящика».




88


                        х1                                          y1
                        х2                                          y2

                        .                                   .
                        .                                   .
                        .                                   .

                         хk                                         ym
                                       Рис. 1.1.
    При решении задачи будем использовать математические модели исследования. Под
математической моделью мы понимаем уравнение, связывающее параметр оптимизации с
факторами. Это уравнение в общем виде можно записать так:
                                    у = ϕ ( х1 , х 2 ,..., х k ),
     где символ ϕ (      ), как обычно в математике, заменяет слова: «функция от». Такая
функция называется функцией отклика.
     Каждый фактор может принимать в опыте одно из нескольких значений. Эти значения
называются уровнями. Для облегчения построения «черного ящика» и эксперимента фактор
должен иметь определенное число дискретных уровней. Фиксированный набор уровней
факторов определяет одно из возможных состояний «черного ящика». Одновременно это
есть условие проведения одного из возможных опытов. Если перебрать все возможные
наборы состояний, то получается множество различных состояний «черного ящика».
Одновременно это будет число возможных различных опытов.
     Число возможных опытов определяют по выражению
                                            N = pk ,
     где N – число опытов;
         р – число уровней;
         k – число факторов.
     Реальные объекты обычно обладают огромной сложностью. Так, на первый взгляд,
простая система с пятью факторами на пяти уровнях имеет 3125 состояний, а для десяти
факторов на четырех уровнях их уже свыше миллиона. В этих случаях выполнение всех
опытов практически невозможно. Возникает вопрос: сколько и каких опытов нужно
включить в эксперимент, чтобы решить поставленную задачу? Здесь-то и применяется
планирование эксперимента.
     Выполнение исследований посредством планирования эксперимента требует
выполнение некоторых требований. Основными из них являются условия
воспроизводимости результатов эксперимента и управляемость эксперимента. Если
повторить некоторые опыты через неравные промежутки времени и сравнить результаты, в
нашем случае – значения параметра оптимизации, то разброс их значений характеризует
воспроизводимость результатов. Если он не превышает некоторой заданной величины, то
объект удовлетворяет требованию воспроизводимости результатов. Здесь мы будем
рассматривать только такие объекты, где это условие выполняется.
     Планирование эксперимента предполагает активное вмешательство в процесс и
возможность выбора в каждом опыте тех уровней факторов, которые представляют интерес.
Поэтому такой эксперимент называют активным. Объект, на котором возможен активный
эксперимент, называется управляемым.
     На практике нет абсолютно управляемых объектов, т.к. на них действуют как


управляемые, так и неуправляемые факторы. Неуправляемые факторы влияют на
воспроизводимость эксперимента и является причиной ее нарушения. В этих случаях
приходится переходить к другим методам исследования.

                             2. ПАРАМЕТРЫ ОПТИМИЗАЦИИ

     Выбор параметров оптимизации (критериев оптимизации) является одним из главных
этапов работы на стадии предварительного изучения объекта исследования, т.к. правильная
постановка задачи зависит от правильности выбора параметра оптимизации, являющегося
функцией цели.
     Под параметром оптимизации понимают характеристику цели, заданную
количественно. Параметр оптимизации является реакцией (откликом) на воздействие
факторов, которые определяют поведение выбранной системы.
     Реальные объекты или процессы, как правило, очень сложны. Они часто требуют
одновременного учета нескольких, иногда очень многих, параметров. Каждый объект может
характеризоваться всей совокупностью параметров, или любым подмножеством этой
совокупности, или одним – единственным параметром оптимизации. В последнем случае
прочие характеристики процесса уже не выступают в качестве параметра оптимизации, а
служат ограничениями. Другой путь – построение обобщенного параметра оптимизации как
некоторой функции от множества исходных.

                  2.1. ТРЕБОВАНИЯ К ПАРАМЕТРУ ОПТИМИЗАЦИИ

     Параметр оптимизации – это признак, по которому оптимизируется 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 зерен на
шлифе сплава, число кровяных телец в пробе крови – вот примеры параметров с дискретной
областью определения, ограниченной снизу.
     Количественная оценка параметра оптимизации на практике не всегда возможна. В
таких случаях пользуются приемом, называемым ранжированием. 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.
     Итак, первое требование: параметр оптимизации должен быть количественным.
     Второе требование: параметр оптимизации должен выражаться одним числом. Иногда
это получается естественно, как регистрация показания прибора. Например, скорость
движения машины определяется числом на спидометре. Часто приходится проводить
некоторые вычисления. Так бывает при расчете выхода реакции. В химии часто требуется
получать продукт с заданным отношением компонентов, например, А:В=3:2. Один из
возможных вариантов решения подобных задач состоит в том, чтобы выразить отношение
одним числом (1,5) и в качестве параметра оптимизации пользоваться значением отклонений
(или квадратов отклонений) от этого числа.
     Третье требование, связанное с количественной природой параметра оптимизации –
однозначность в статистическом смысле. Заданному набору значений факторов должно
соответствовать одно значение параметра оптимизации, при этом обратное неверно: одному
и тому же значению параметра могут соответствовать разные наборы значений факторов.
     Четвертым, наиболее важным требованием, требованием к параметрам оптимизации
является его возможность действительно эффективной оценки функционирования
системы. Представление об объекте не остается постоянным в ходе исследования. Оно

88


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 исчерпан, начинают интересоваться такими параметрами, как
себестоимость, чистота продукта и т.д.
     Оценка эффективности функционирования системы может осуществляться как для всей
системы в целом, так и оценкой эффективности ряда подсистем, составляющих данную
систему. Но при этом необходимо учитывать возможность того, что оптимальность каждой
из подсистем по своему параметру оптимизации «не исключает возможность гибели системы
в целом». Это означает, что попытка добиться оптимума с учетом некоторого локального
или промежуточного параметра оптимизации может оказаться неэффективной или даже
привести к браку.
     Пятое требование к параметру оптимизации – требование универсальности или
полноты. Под универсальностью параметра оптимизации понимают его способность
всесторонне охарактеризовать объект.            В частности, технологические параметры
недостаточно универсальны: они не учитывают экономику. Универсальностью обладают,
например, обобщенные параметры оптимизации, которые строятся как функции от
нескольких частных параметров.
     Шестое требование: желательно, чтобы параметр оптимизации имел физический
смысл, был простым и легко вычисляем.
     Требование физического смысла связано с последующей интерпретацией результатов
эксперимента. Не представляет труда объяснить, что значит максимум извлечения,
максимум содержания ценного компонента. Эти и подобные им технологические параметры
оптимизации имеют ясный физический смысл, но иногда для них может не выполняться,
например, требование статистической эффективности. Тогда рекомендуется переходить к
преобразованию параметра оптимизации. Преобразование, например типа аrcsin у , может
сделать параметр оптимизации статистически эффективными (например, дисперсии
становятся однородными), но остается неясным: что же значит достигнуть экстремума этой
величины?
     Второе требование, т.е. простота и легко вычисляемость, также весьма существенны.
Для процессов разделения термодинамические параметры оптимизации более универсальны.
Однако на практике ими пользуются мало: их расчет довольно труден.
     Из приведенных двух требований первое является более существенным, потому что
часто удается найти идеальную характеристику системы и сравнить ее с реальной
характеристикой.

             2.2. ЗАДАЧИ С НЕСКОЛЬКИМИ ВЫХОДНЫМИ ПАРАМЕТРАМИ

     Задачи с одним выходным параметром имеют очевидные преимущества. Но на
практике чаще всего приходится учитывать несколько выходных параметров. Иногда их
число довольно велико. Так, например, при производстве резиновых и пластмассовых
изделий приходится учитывать физико-механические, технологические, экономические,
художественно-эстетические и другие параметры. Математические модели можно построить
для каждого из параметров, но одновременно оптимизировать несколько функций
невозможно.
     Обычно оптимизируется одна функция, наиболее важная с точки зрения исследования,
при ограничениях, налагаемых другими функциями. Поэтому из многих выходных
параметров выбирается один в качестве параметра оптимизации, а остальные служат
ограничениями. Всегда полезно исследовать возможность уменьшения числа выходных
параметров. Для этого можно воспользоваться корреляционным анализом.


     При этом между всевозможными парами параметров необходимо вычислить
коэффициент парной корреляции, который является общепринятой в математической
статистике характеристикой связи между двумя случайными величинами. Если обозначить
один параметр через у1 , а другой – через у2 , и число опытов, в которых они будут
измеряться, - через N так, что u=1,2,…,N, где u – текущий номер опыта, то коэффициент
парной корреляции r вычисляется по формуле
                                            N

                                          ∑ (у        1u   − y1 )( y 2u − y 2 )
                          ry1 y2 =        u =1
                                                                                            .
                                      N                             N

                                     ∑ (у             − y1 )       ∑ (y          − y2 )
                                                               2                        2
                                                 1u                       2u
                                     u =1                          u =1
     Здесь
                                      N                                    N
                                            y1u                                  y 2u
                               y1 = ∑                      и       y2 = ∑
                                     u =1   N                             u =1   N

средние арифметические соответственно для у1 и у2.
     Значения коэффициента парной корреляции могут лежать в пределах от –1 до +1. Если
с ростом значения одного параметра возрастает значение другого, у коэффициента будет
знак плюс, а если уменьшается, то минус. Чем ближе найденное значение                           ry1 y2 к единице,
тем сильнее значение одного параметра зависит от того, какое значение принимает другой,
т.е. между такими параметрами существует линейная связь, и при изучении процесса можно
рассматривать только один из них. Необходимо помнить, что коэффициент парной
корреляции как мера тесноты связи имеет четкий математический смысл только при
линейной зависимости между параметрами и в случае их нормального распределения.
      Для проверки значимости коэффициента парной корреляции нужно сравнить его
значение с табличным (критическим) значением r, которое приведено в прил. 6. Для
пользования этой таблицей нужно знать число степеней свободы f = N − 2 и выбрать
определенный уровень значимости, например, равный 0,05. Такое значение уровня
значимости соответствует вероятности верного ответа при проверке гипотезы
 p = 1 − a = 1 − 0,05 = 0,95, или 95%. Это значит, что в среднем только в 5% случаев
возможна ошибка при проверке гипотезы.
      Если экспериментально найденное значение r больше или равно критическому, то
гипотеза о корреляционной линейной связи подтверждается, а если меньше, то нет
оснований считать, что имеется тесная линейная связь между параметрами.
      При высокой значимости коэффициента корреляции любой из двух анализируемых
параметров можно исключить из рассмотрения как не содержащий дополнительной
информации об объекте исследования. Исключить можно тот параметр, который труднее
измерить, или тот, физический смысл которого менее ясен.

                   3. ОБОБЩЕННЫЙ ПАРАМЕТР ОПТИМИЗАЦИИ

     Путь к единому параметру оптимизации часто лежит через обобщение. Уже
указывалось, что из многих откликов, определяющих объект, трудно выбрать один, самый
важный. Если же это возможно, то попадают в ситуацию, описанную в предыдущей главе. В
этой главе рассматриваются более сложные ситуации, где необходимо множество откликов
обобщать в единый количественный признак. С таким обобщением связан ряд трудностей.
     Каждый отклик имеет свой физический смысл и свою размерность. Чтобы объединить
различные отклики, прежде всего приходится ввести для каждого из них некоторую
безразмерную шкалу. Шкала должна быть однотипной для всех объединяемых откликов –

88


это делает их сравнимыми. Выбор шкалы – не простая задача, зависящая от априорной
информации об откликах, а также от той точности, с которой определяется обобщенный
признак.
     После построения для каждого отклика безразмерной шкалы, возникает следующая
трудность – выбор правила комбинирования исходных частных откликов в обобщенный
показатель. Единого правила не существует. Здесь можно идти различными путями, и выбор
пути неформализован. Рассмотрим несколько способов построения обобщенного показателя.

             3.1. ПРОСТЕЙШИЕ СПОСОБЫ ПОСТРОЕНИЯ ОБОБЩЕННОГО ОТКЛИКА

      Пусть исследуемый объект характеризуют n частных откликов уu (u = 1,2,..., n ) и
каждый из этих откликов измеряется в N опытах. Тогда                      уui - это значение u-го отклика в i-
ом опыте (i = 1,2,..., N ) . Каждый из откликов
                                        уu имеет свой физический смысл и, чаще всего,
разную размерность. Введем простейшее преобразование: набор данных для каждого уu
поставим в соответствие с самым простым стандартным аналогом – шкалой, на которой
имеется только два значения: 0 – брак, неудовлетворительное качество, 1 – годный продукт,
удовлетворительное качество. Стандартизовав таким образом шкалу частных откликов
приступаем ко второму этапу – их обобщению.
     В ситуации, когда каждый преобразованный частный отклик принимает только два
значения 0 и 1, желательно чтобы и обобщенный отклик принимал одно из этих двух
возможных значений, причем так, чтобы значение 1 имело место, если все частные отклики в
этом опыте приняли значение 1. А если хотя бы один из откликов обратился в 0, то и
обобщенный отклик будет нулем.
     При таких рассуждениях для построения обобщенного отклика удобно воспользоваться
формулой
                                                             n
                                            Yi = n      ∏y
                                                         u =1
                                                                 ui   ,

где   Yi - обобщенный отклик в I-ом опыте;
       n

      ∏
      u =1
             - произведение частных откликов      y1i , y 2i ,..., y ni .
     Корень введен для того, чтобы связать эту формулу с другой, более сложной, которая
будет рассмотрена далее. В данном случае ничего не изменится, если написать
                                                         n
                                               Yi = ∏ yui .
                                                        u =1
     Недостаток этого подхода его грубость и жесткость.
     Рассмотрим другой способ получения обобщенного отклика, который может
применяться в тех случаях, когда для каждого из частных откликов известен «идеал», к
которому нужно стремиться. Существует много способов введения метрики, задающей
«близость к идеалу». Здесь понятие «ввести метрику» - значит указать правило определения
расстояния между любыми парами объектов из интересующего нас множества.
      Дополним предыдущее обозначение еще одним:                            уuо - наилучшее («идеальное»)
значение u-го отклика. Тогда уui - уuо можно рассматривать как некоторую меру близости к
идеалу. Однако использовать разность при построении обобщенного отклика невозможно по
двум причинам. Она имеет размерность соответствующего отклика, а у каждого из откликов
может быть своя размерность, что препятствует их объединению. Отрицательный или


положительный знак разности также создает неудобство. Чтобы перейти к безразмерным
значениям, достаточно разность поделить на желаемое значение:
                                                  уui − уuо
                                                            .
                                                     уuо
     Если в некотором опыте все частные отклики совпадут с идеалом, то Y станет равным
нулю. Это и есть то значение, к которому нужно стремиться. Чем ближе нулю, тем лучше.
Здесь необходимо условиться о том, что считать нижней границей, если верхняя равна нулю.
     Среди недостатков такой оценки выделяется нивелировка частных откликов. Все они
входят в обобщенный отклик на равных правах. На практике же различные показатели
бывают далеко неравноправны. Устранить этот недостаток можно введением некоторого
веса аu
                                                                 2
                                              N
                                                    у − уuо 
                                         Yi = ∑ au  ui
                                                    у        ,
                                                             
                                              u =1     uо   
         N

причем   ∑a
         u =1
                u   =1   и    au > 0 .
     Чтобы проранжировать отклики по степени важности и найти соответствующие веса,
можно воспользоваться экспертными оценками.
     Мы рассмотрели простейшие способы построения обобщенного показателя. Для
перехода и более сложным способам нужно научиться фиксировать более тонкие различия
на шкале преобразования откликов. Здесь в основном приходится опираться на опыт
экспериментатора. Но, чтобы этот опыт разумно употребить в рамках формальных процедур,
его тоже нужно формализовать. Наиболее естественный путь такой формализации –
введение системы предпочтений экспериментатора на множестве значений каждого частного
отклика, получение стандартной шкалы и затем обобщение результатов.
     Пользуясь системой предпочтений можно получить более содержательную шкалу
вместо шкалы классификации с двумя классами. Пример построения такой шкалы
рассмотрен в следующем подразделе.

                                    3.2. ШКАЛА ЖЕЛАТЕЛЬНОСТИ

       Одним из наиболее удобных способов построения обобщенного отклика является
обобщенная функция желательности Харрингтона. В основе построения этой обобщенной
функции лежит идея преобразования натуральных значений частных откликов в
безразмерную шкалу желательности или предпочтительности. Шкала желательности
относится к психофизическим шкалам. Ее назначение – установление соответствия между
физическими и психологическими параметрами. Здесь под физическими параметрами
понимаются всевозможные отклики, характеризующие функционирование исследуемого
объекта. Среди них могут быть эстетические и даже статистические параметры, а под
психологическими параметрами понимаются чисто субъективные оценки экспериментатора
желательности того или иного значения отклика.
       Чтобы получить шкалу желательности, удобно пользоваться готовыми таблицами
соответствии между отношениями предпочтения в эмпирической и числовой системах (табл.
3.1.).
                                                                         Таблица 3.1
                        Стандартные отметки на шкале желательности

                             Желательность                 Отметки на шкале
                                                            желательности
                             Очень хорошо                     1,00-0,80

88



    
Яндекс цитирования Яндекс.Метрика