К термину «Модель регрессионного анализа первого порядка» (п. 31)
Модель первого порядка может содержать свободный член - дополнительный параметр; при этом обозначать параметры модели индексами, начиная с нуля
Иногда при обозначении модели первого порядка используется фиктивная переменная, тождественно равная единице:
x0=1.
С учетом этого обозначения модель может быть записана в виде суммы
К термину «Модель регрессионного анализа второго порядка» (п. 32)
Модель регрессионного анализа второго порядка для факторов в общем случае содержит параметров. Параметры модели чаще всего нумеруют не подряд от 1 до , а начиная с нуля и в соответствии с индексами независимых переменных, на которые умножаются параметры. Наиболее распространенная форма записи квадратичной модели следующая
К термину «Модель дисперсионного анализа» (п. 33)
Модель вида
где х1- дискретные переменные, обычно целочисленные (часто хi, либо 0, либо 1).
Наиболее простые предположения о случайных величинах те же, что и для модели регрессионного анализа.
Неизвестные параметры дисперсионной модели могут быть детерминированными или случайными величинами. В первом случае, модель называют моделью с постоянными факторами или моделью 1. Модель, в которой все параметры bi (может быть за исключением одного) являются случайными величинами, называется моделью со случайными факторами или моделью II.
В промежуточных случаях модель называется смешанной.
К термину «Адекватность математической модели» (п. 34)
Для проверки адекватности модели часто используют F-критерий Фишера.
К термину «Коэффициент регрессии» (п. 35)
Под коэффициентом регрессии обычно понимают параметры регрессионной модели, линейной по параметрам. Их чаще всего обозначают буквой b.
К термину «Блок плана» (п. 36)
Чтобы исключить воздействие на оценки эффектов факторов каких-либо источников неоднородности, план разбивают на блоки. Различают полноблочные планы, в которых в каждом блоке реализуется одна и та же совокупность опытов, и неполноблочные, когда блоки состоят из различных комбинаций опытов. Неполноблочные планы бывают сбалансированными и частично-сбалансированными (сбалансированные неполные блок-схемы и частично-сбалансированные неполные блок-схемы соответственно).
К термину «Точка плана» (п. 37)
Точке плана с номером и в факторном пространстве отвечает вектор
К термину «Центральная точка плана» (п. 38)
Набор основных уровней всех факторов образует вектор-точку в факторном пространстве, которая и называется центральной точкой плана:
К термину «Матрица плана» (п. 42)
Матрица плана имеет размеры (N´k), она может иметь совпадающие строки;
(i, j) - элемент матрицы плана равен уровню j-го фактора в i-м опыте.
К термину «Матрица спектра плана» (п. 43)
Все строки матрицы спектра плана различны, ее размеры (n´k),
где n - число точек в спектре плана.
К термину «Матрица дублирования» (п. 44)
Матрица дублирования имеет вид
Примечание. План эксперимента может быть задан либо матрицей плана, либо матрицей спектра плана в совокупности с матрицей дублирования.
К термину «Матрица базисных функций модели» (п. 45)
Матрица базисных функций модели состоит из N строк т столбцов. Элементами i-й строки такой матрицы являются значения базисных функции в i-м опыте.
Матрица базисных функций имеет вид
К термину «Усеченная матрица базисных функций модели» (п. 46)
Усеченная матрица базисных функций модели содержит набор различающихся между собой строк матрицы Х, следовательно она имеет размеры (п´т)
К термину «Матрица моментов плана» (п. 47)
Это определение справедливо при обычных предположениях регрессионного анализа (о равноточности и некоррелированности наблюдений отклика). Матрица моментов имеет размеры (m´m) и может быть выражена
или
В общем случае при неравноточных и коррелированных откликах матрица моментов может быть выражена:
,
где Dy- ковариационная матрица вектора наблюдений.
К термину «Информационная матрица плана» (п. 48)
Матрица моментов, каждый элемент которой поделен на число опытов в плане.
К термину «Полный факторный план» (п. 49)
Факторный план характеризуется наличием ряда факторов, каждый из которых варьируется на двух или более уровнях. Многие типы планов можно интерпретировать как частные случаи факторных планов.
К термину «Дробный факторный план» (п. 50)
Различают регулярные и нерегулярные дробные факторные планы (дробные реплики). Регулярность реплики означает сохранение в ее структуре некоторых важных характеристик полного плана, например, симметрии и ортогональности.
К термину «План взвешивания» (п. 53)
Название связано с операцией взвешивания предметов на одночашечных (безмены) или двухчашечных весах. Рассматривается случай, когда действие факторов можно считать аддитивным.
К термину «Симплекс-план» (п. 54)
Симплекс-план может быть изображен в факторном пространстве в виде полного набора вершин k-мерного симплекса.
К термину «Латинский квадрат» (п. 57)
Если обозначить число символов через S, то латинский квадрат - это такая структура, где S символов расположены в S2 ячейках. Символы располагаются в S строках и S столбцах так, что каждый символ встречается один и только один раз в каждой строке и в каждом столбце.
К термину «Латинский куб первого порядка»(п. 58)
Если обозначить число символов через S, то латинский куб это такая структура, где S символов расположены в S3 ячейках. Они располагаются в S квадратах из S строк и S столбцов так, что каждый символ встречается одинаковое число раз в квадрате.
К термину «Критерий оптимальности плана» (п. 59)
К числу важнейших критериев относят:
а) критерий D-оптимальности - это мера эффективности плана, сформулированная на языке свойств информационной матрицы плана.
Пусть М=ХT×X - матрица моментов плана, а
МN= ХT×X - информационная матрица плана.
Здесь N - общее число опытов в плане, Х - матрица базисных функций для заданной модели и фиксированного плана, ХT - транспонированная матрица X. Удовлетворение требования D-оптимальностп означает минимизацию определителя матрицы ( матрица, обратная информационной матрице МN) на множестве элементов хij матрицы плана, т. е.
min det
.
Здесь хij - элемент i-й строки и j-го столбца матрицы плана, i=l, 2, . . . , N, j=1, . . . , k (k - число факторов). Wх - область экспериментирования. det - обозначение операции вычисления определителя матрицы.
D - оптимальный план минимизирует на множестве допустимых планов обобщенную дисперсию оценок коэффициентов регрессии;
б) критерий А-оптимальности - это мера эффективности плана, сформулированная на языке свойств информационной матрицы плана.
Пусть М=ХT×X - матрица моментов плана, а
МN= ХT×X - информационная матрица плана.
Здесь N - общее число опытов в плане, Х - матрица базисных функций для заданной модели и фиксированного плана, ХT- транспонированная матрица X. Удовлетворение требования A-оптимальности означает минимизацию следа матрицы на множестве элементов хij матрицы плана, т. е.
min Sp,
.
где Sp - обозначение операции вычисления следа матрицы;
хij - элемент i-й строки и j-го столбца матрицы плана, (i=l, 2, . . . , N, j=1, 2, . . . , k);
Wх - область экспериментирования.
А-оптимальный план минимизирует на множестве допустимых планов среднюю дисперсию оценок коэффициентов регрессии.
В настоящее время используется свыше 20 различных критериев оптимальности планов.
К термину «Ротатабельность плана» (п. 61)
Планирование является ротатабельным, если матрица моментов плана инвариантна к ортогональному вращению координат.
К термину «Насыщенность плана» (п. 63)
Различают ненасыщенные планы, когда разность равна нулю, и перенасыщенные (сверхнасыщенные) планы, когда разность отрицательна.
К термину «Метод случайного баланса» (п. 64)
Случайный баланс использует нерегулярную дробную реплику от полного факторного плана, задающую сверхнасыщенный план для модели, включающий линейные эффекты и парные воздействия. Обработка данных основывается на методах статистического оценивания и некоторых эвристических соображениях.
К термину «Эволюционное планирование» (п. 65)
Существуют различные модификации ЭВОП: обычное ЭВОП (ЭВОП Бокса), последовательный симплексный метод, квадратичное вращаемое ЭВОП и т. п.
К термину «Дисперсионный анализ» (п. 69)
К количественным относятся такие факторы, как температура, давление, вес и т. п. примеры качественных факторов - тип прибора, вид материала, сорт зерна и т. п. Если количественный фактор принимает в эксперименте небольшое число различных значений, то его можно рассматривать как качественный. В такой ситуации применима техника дисперсионного анализа.
