Вы находитесь на странице: 1из 207

OPTIMIZAREA PROCESELOR TEHNOLOGICE.

Volumul 1. Aplicatii generale.




Dr. Ing. Leoveanu Ioan Sorin.



Ed. LuxLibris
2006





i





Prefa.


Lucrarea are ca scop cunoaterea metodelor statistice utilizate la obinerea relaiilor
matematice care aproximeaz ct mai corect procese tehnologice complexe i utilizarea
acestora la optimizarea proceselor tehnologice.
Pentru a realiza scopul propus s-au analizat probleme legate de prelucrarea datelor
experimentale i programarea experienelor, obinerea relaiilor statistice de calcul i
modul de stabilire a nivelului de ncredere n acestea.
Pentru analiza proceselor complexe, neliniare, care sunt funcie de mai multe variabile
parametru, pe lng metodele regresiilor clasice i analiza dispersional i de corelaie s-
a abordat i metoda experienelor factoriale pentru programe de gradul I i II.
Odat obinute relaiile matematice ca i domeniul de definiie al variabilelor parametru
pentru care acestea au gradul de ncredere dorit problema optimizrii tehnologiei devine
o problem pur de optimizare matematic. Avnd n vedere particularitile relaiilor de
aproximare obinute prin metode satatisticii matematice n cazul tehnologiilor de sudur,
s-a optat pe divizarea acestora n probleme de optimizare patratic pentru relaiile
obinute n urma experimentelor factoriale i ntr-un capitol separat s-au analizat metode
moderne de optimizare care se preteaz cu uurin utilizrii metodelor numerice cu i
fr calculul gradienilor acestor relaii.
n scolul unei ct mai uoare nelegeri a modelului matematic, acesta a fost nsoit de un
numr foarte mare de exemple n cea mai mare parte axate pe experiena autorului n
domeniul proiectrii tehnologiilor de sudur prin topire.
Problema optimizrii proceselor tehnologice procup n ultimul timp un numr tot mai
mare de specialiti angrenai n activitatea de oinere a unei calti sporite a produselor
executate la un pre ct mai competitiv i care s rspund unor condiii de producie din
ce n ce mai restrictive din punct de vedere al proteciei mediului. Din aceast cauz s-au
introdus pe lng exemplele ce ilustreaz fiecare subcapitol sau metod n parte i unele
faciliti de programare care constau n funcii des utilizate, scrise n C/C++ i testate i
modificate de autor, care rspund unor cerine de optimizare cu grad mare de
generalitate.
Prin modul de abordare a problematicii complexe impus de asigurarea competitivitii
produselor tehnologice, lucrarea se adreseaz att specialitilor ct i studenilor care
urmresc cunoaterea i aplicarea acestor metode.




Autorul.






ii
Cuprins.


Capitolul 1. Prelucrarea datelor experimentale i programarea
experienelor.
1
1.1 Introducere 1
1.2.1. Condensarea datelor statistice. 3
1.3. Mrimi centrale (centripete) ale populaiilor. 10
1.3.1.Media aritmetic 10
1.3.2. Media geometric 10
1.3.3. Media armonic 11
1.3.4. Intervalul mediu 11
1.3.5. Medianul 12
1.3.6. Modulul 13
1.4. Mrimi centrifuge ale populaiilor. 13
1.4.1. Intervalul 14
1.4.2. Variana populaie 14
1.4.3. Variana eantionului 14
1.4.4. Deviaia standard la populaie 15
1.4.5. Deviaia standard la eantion 15
1.4.6. Coeficientul de variaie pentru populaie 15
1.4.7. Coeficientul de variaie pentru eantion 15
1.4.7. Deviaia medie fa de o valoare dat 15
1.4.8. Eroarea standard a mediei 15
1.4.9 Observaii privind importana mediei aritmetice i a dispersiei n procesul
de msurare.

17
1.5. Intervale de confiden i de toleran ale unor mrimi statistice. 19
1.5.1. Introducere. 19
1.5.2 Calculu intervalului de confiden al mediei. 19
1.5.2.1. Intervalul bilimitat al eantionului IC
1
20
1.5.2.2. Intervalul monolimitat IC
2
20
1.5.2.3. Intervalul de ncredere bilimitat, IC
3
, privind diferena mediilor a dou
eantioane.
20
1.5.2.4. Intervalul de confiden monolimitat, IC
4
, a diferenei mediilor a dou
populaii.
22
1.5.2.5. Intervalul de toleran IT 22
1.5.2.6. Cazul populaiei avnd distribuie normal. 22
1.5.2.7 Cazul n care populaia se abate de la normalitate 24
1.5.3. Calculul intervalelor de confiden IC pentru variana populaiei V
Po
i
pentru abaterea standard .
26
1.5.3.1. Intervalul de confiden bilimitat , IC
6
,al varianei s
2
. 26
1.5.3.2. Intervalul de confiden monolimitat , IC
7
,al varianei s
2
27
1.5.3.3 Calculul intervalului bilimitat, IC
8
, al raportului dintre dou abateri
standard.
27
1.5.3.4. Calculul intervalului monolimitat,IC
9
, al raportului dintre dou abateri
standard.
28
1.6. Ipoteze statistice 29
1.6.1. Introducere. 29
1.6.2. Ipoteze destinate testrii mrimilor centrale ale populaiilor i
eantioanelor
29
1.6.2.1. Ipoteza I
1
: 29
1.6.2.2. Ipoteza I
2
30
1.6.3. Testarea ipotezelor asupra mrimilor centrifuge ale populaiilor. 31




iii
1.6.3.1.Ipoteza I
3
31
1.6.3.1. Ipoteza I
4
32
1.6.4 Testarea ipotezelor asupra mediilor i varianelor a dou populaii. 33
1.6.4.1 Ipoteza I
5
33
1.6.4.2 Ipoteza I
52
34
1.6.4.3 Ipoteza I
53
35
1.6.5. Ipoteza I
6
36
1.6.6. Ipoteza I
7
37
1.6.7. Ipoteza I
8
38
1.6.8 Testarea ipotezelor ce se refer la mediile i varianele ce aparin mai
multor populaii.

39
1.6.8.1. Ipoteza I
9
: 39
1.6.8.2. Ipoteza I
10
: 41
1.6.8.3. Ipoteza I
11
: 43
1.7. Alegerea parametrilor i variabilelor de stare ale obiectului cercetrii.
Programarea experienelor.
44
1.7.1. Consideraii generale. 44
1.7.2. Modul de determinare al variabilelor de stare. 44
1.7.3. Alegerea parametrilor procesului. 44
1.7.4. Experimentul preliminar. 44
1.7.5. Analiza dispersional. 45
1.7.5.1. Analiza dispersional a fenomenelor ce depind de un singur
parametru.
45
1.7.5.2. Analiza dimensional multifactorial sau multiparametru. 48
1.7.6. Analiza de corelaie. 55
1.7.6.1. Covariana a dou variabile aleatoare. 55
1.7.6.1.Corelaia multipl. 55
1.7.6.2.Corelaia parial. 56
1.7.6.3.Verificarea semnificaiei coeficienilor de corelaie. 57

Capitolul 2. Tipuri de relaii utilizate n analiza proceselor tehnologice.
61
2.1 Introducere.
2.2.1. Corelaii liniare. 61
2.2.2 Regresia liniar. 62
2.2.3. Verificarea coeficienilor legii de regresie. 63
2.2.4. Exemplul privind regresia liniar. 65
2.2.4.1. Organizarea experienelor. 65
2.2.4.2. Concluzii privind exemplul analizat. 69
2.2.5 Tipuri de regresii derivate din regresia liniar 69
2.2.5.1. Regresia exponenial. 70
2.2.5.2. Regresia geometric. 72
2.3.Regresii i corelaii statistice neliniare. 74
2.3.1 Introducere. 74
2.3.2. Determinarea coeficienilor legii. 75
2.3.3. Determinarea coeficientului de corelaie. (Intensitatea corelaiei). 76
2.3.4. Determinarea gradului optim al polinomului. 77
2.4 Regrasii funcie de mai muli parametrii. 78
2.4.1. Introducere 78
2.4.2. Regresia liniar de mai muli parametrii 78
2.4.3. Regresia neliniar funcie de mai muli parametrii 80
2.4.4. Etapele analizei de regresie. 81
2.4.4.1. Calculul coeficientului regresiei. 82
2.4.4.2. Calculul matricii C 82




iv
2.4.4.3. Determinarea dispersiilor legii 82
2.4.4.4. Testarea coeficienilor legii 82

Capitolul 3. Modelarea matematic prin utilizarea experienelor
factoriale.


99
3.1. Necesitatea utilizrii acestei metode 99
3.2. Programe de ordinul I 100
3.2.1.Alegerea nivelurilor i intervalelor de variaie ale parametrilor 102
3.2.2. Proprietile matricei programrii 104
3.2.3. Realizarea programului EFC 2
n
105
3.2.4. Algoritm de calcul pentru EFC 2
n
105
3.2.5. Calculul coeficienilor interaciunilor dintre parametrii n cazul unui
program EFC
108
3.3. Planuri de experimentare fracionate. 109
3.4. Adoptarea deciziilor pe baza programelor i subprogramelor de ordinul
nti.
112
3.5. Programe de ordinul doi 113
3.5.1. Transformri asupra programelor EFC 2
n
BW 115
3.5.2. Transformarea ntr-un program rotabil de ordinul doi (PR2) 121
3.5.3. Adoptarea deciziilor pe baza programelor de ordinul doi. 128

Capitolul 4. Metode clasice destinate optimizrii proceselor tehnologice.

130
4.1. Programe ptratice destinate optimizrii proceselor tehnologice. 130
4.1.1. Introducere 130
4.1.2. Scopul programrii ptratice. 131
4.1.3. Minimizarea unei funcii ptratice pozitiv definite avnd restricii
inegaliti
133
4.2 Algoritmi de tip Newton-Raphson. 138
4.3 Metoda gradientului. 140

Capitolul 5. Metode numerice destinate determinrii a optimului
proceselor tehnologice.

148
5.1. Optimizarea pentru funcii de o variabil. 149
5.1.1. Funcii C destinate definirii domeniului i cutrii minimului. 152
5.2. Interpolarea cu funcii parabolice i utilizarea acesteia la metoda Brent
pentru funcii de o singur variabil.
155
5.2.1. Implementarea metodei, funcia Brent. 156
5.3. Determinarea minimului pentru funcii de o singur variabil
utiliznd prima derivat.
159
5.3.1. Implementarea funciei derivBrent. 160
5.4. Metoda simplexurilor pentru cazul funciilor de mai multe variabile. 162
5.4.1. Implementarea funciei Simplexuri. 165
5.5. Minimizarea utiliznd metode bazate pe direcii de cutare. 168
5.5.1. Metoda Powell pentru funcii de mai multe variabile. 169
5.5.2. Implementarea funciei C linMin. 172
5.6. Metoda gradienilor conjugai pentru funcii de mai multe variabile. 174
5.6.1. Funcia linMinDeriv_1 utiliznd derivatele de ordinul nti. 177
5.7. Metode bazate pe calculul derivatelor pentru variabile multidimensionale. 179
5.8 Programarea liniar. Metoda Simplx. 183
5.8.1. Terminologia specific metodei. 184
5.8.2. Importana metodei. 184




v
5.8.3. Consideraii de baz. 185
5.8.4. Metoda Simplex sub form redus. 186
5.8.5. Aducerea problemei generale la forma redus. 187
5.8.6. Aducerea problemei generale la forma canonic. 190
5.8.6. Observaii asupra implementrii metodei. 192
5.8.7. Funcii C destinate rezolvrii problemelor de programare liniar cu
metoda simplex.
193

Bibliografie 199





vi


Capitolul 1.
1

Capitolul 1.

Utilizarea statisticii matamatice n analiza datelor ncercrilor tehnologice.

1.1 Introducere.

Statistica, este utilizat n cadrul proceselor tehnologice, cu scopul de a
determina datele relevante pentru problema dorit, de a le prelucra, interpreta i
prezenta sub o form concis spre utilizare.
Pentru a putea realiza aceste deziderate, sunt utilizate urmtoarele concepte:

Universul statistic (Uv) - reprezint totalitatea elementelor care au cel puin o
caracteristic comun. Astfel, orice univers statistic poate fi ncorporat ntr-un univers
mai mare sau poate fi divizat n universuri mai mici.

Populaia statistic (P
o
) - reprezint un ansamblu de valori msurate, estimate
sau calculate ce se refer la o anumit caracteristic a elementelor din univers. Astfel,
caracteristicile comune ale elementelor din univers, pot fi apreciate cantitativ, rezultnd
valori numerice, sau calitativ, rezultnd atribute gradate, pentru fiecare membru al
populaie.

Eantionul statistic (Es) - reprezint un element extras dintr-o populaie, astfel
nct oricare alt membru al populaie s aib aceeai probabilitate de a fi extras. La
extragerea eantionului, este deosebit de important nlturarea oricrei preferine.
Astfel pentru cazurile complexe, programul de eantionare este de regul stabilit de maui
muli specialiti , sau, n cazurile unor analize mai puin complexe, poate fi generat printr-
un proces de selecie aleator al elementelor populaiei (proces bazat pe un algoritm de
randomizare).

1.2.Datele statistice. Reprezint datele primare obinute n urma msurtorilor sau
populaieiilor asupra caracteristicilor elementelor (indivizilor) cuprinse n populaie.
Aceste date sunt diferite de la un individ la altul, fapt ce conduce la fluctuaa datelor
msurate. Dar n majoritatea cazurilor nu se lucreaz cu datele obinute pe o ntreg
populaie, ci cu eantioane extrase din aceast populaie. Utilizarea eantioanelor dintr-o
anumit populaie are avantajul c nu necesit un numr exagerat de msurtori sau
observaii, ceea ce conduce la micorarea costului i a timpului de msurare dar
conduce la inconveniente legate de precizia analizei statistice efectuate. Astfel cu ct
numrul de elemente aflate ntr-un eantion este mai ridicat i rezultatele analizei se vor
apropia de cele obinute prin analizarea ntregii populaii de elemente i invers. n
inginerie, n general, dar ndeosebi n domeniul tehnologiilor de sudare, sunt ns cazuri
n care nu se pot efectua msurtori asupra ntregii populaii, fiind indispensabil
utilizarea eantioanelor. Pentru a se stabili dac datele obinute pe eantion sunt
normale, asupra acestora se utilizeaz diverse teste. Unul dintre cele mai utilizate fiind
testul Chauvenet. Test care poate fi exprimat astfel:

Dac dintr-o populaie P
o
este extras un eantion E
s
format din n indivizi, care au
caracteristicile x
i
; i = 1,2, .. , n ; atunci, calculnd abaterea de la media aritmetic cu
relaia:

Capitolul 1.
2
h
h
x
x
=
~
(1.1)
Rezult domeniul de valabilitate al mrimilor msurate, [ ] x x x x x
i
~
,
~
+ .
Valorile msurate care se ncadreaz n domeniul acceptat vor fi considerate normale, n
timp ce valorile ce nu se ncadreaz n domeniu vor fi eliminate. Dar n urma eliminrii de
date testul trebuie refcut.

n relaia (1.1), valoarea parametrului h se determin astfel:
n
x
x
x x S
S
n
h
n
i
i
n
i
i

=
=
=
=

=
1
1
2
; ) (
2
: (1.2)
unde:
S - abaterea patratic medie
x - media aritmetic,

Mrimea h
x
fiind citit din tabelul Chauvenet, depinznd doar de numrul de msurtori.

Tabelul 1. Valorile uzuale ale mrimii h
x
n funcie de numrul de msurtori.

n h
x
n hx n h
x
n h
x
n h
x
n h
x

5 1,16 7 1,27 9 1,35 11 1,44 16 1,52 20 1,58
6 1,22 8 1,32 10 1,39 14 1,49 18 1,56 24 1,63


Exemplul 1. n urma unor msurtori asupra unui eantion s-au obinut urmtoarele
date primare X = [ 12, 12, 6, 8, 5, 10, 11, 8, 7, 9, 9, 12, 10, 12 ] se cere s se testeze
normalitatea lor:

Se calculeaz:

357 , 9
14
131
= =

n
x
x
i
;

= 214 , 71 ) (
2
x x S
i
;
31352 , 0
214 , 71 2
14
2
=

=
S
n
h

Din tabelul 1.1 rezult pentru
n = 14
h
x
= 1,49
752 , 4
31352 , 0
49 , 1
~
= =
h
h
x
x


Capitolul 1.
3
iar domeniul de normalitate al datelor va fii:

109628 , 14
~
; 752486 , 4
~
max min
+ = = x x x x x x
im im


Concluzie. Deoarece toate datele msurate se ncadreaz n domeniul de
normalitate, rezult c toate acestea sunt semnificative i nu va fi eliminat nici o
msurtoare. n caz contrar ar trebuii s fie eliminate datele caare nu se ncadreaz
ntre limitele admise i refcut testul asupra celor rmase.

1.2.1. Condensarea datelor statistice.

Pregtirea datelor n vederea condensrii. Formele sub care se gsesc datele n
timpul prelucrrii statistice sunt diferite. Modul cel mai simplu sub care acestea se
gsesc fiind tabelul msurtorii primare. n acest tabel, datele se introduc n ordinea
efecturii experimentelor. Acest fapt se datoreaz evitrii pe ct posibil a apariiei erorilor
sistematice de msur, ceea ce impune ca experienele s fie executate conform unui
program aleator. Asupra acestor tabele primare se efectueaz ulterior operaii de
ordonare i sortare cu scopul de a uura interpretarea, citirea i prelucrarea ct mai
rapid. Deci scopul operaiilor de ordonare i sortare l constitue mrirea gradului de
prelucrare a informaiei. Scopul primar este acela de a determina elementul ce mparte
datele ordonate n dou a The a grupe numeric egale i de asemenea s se determine
valorile cele mai frecvente ale msurtorilor.
n cazul unui numr par de msurtori se introduce, n centru tabelului de date, o
msurtoare fictiv E
sf
avnd valoarea egal cu media msurtorilor vecine. Astfel
numrul de msurtori devine impar i poate fi determinat valoarea din mijlocul irului
de date.

Exemplul 2. S se determine valoarea din mijlocul urmtorului set de msurtori:
a) pentru n = 11 msurtori

Tabelul 1.2a) Cazul numrului impar de experimente. Ordonarea valorilor msurtorilor i
determinarea mrimii care mparte irul n dou pri egale.

Valoarea ordonat 2 2 2 3 3 3 3 5 5 6 6
Indicele din tabel 1 2 3 4 5 6 7
(1)
8
(2)
9
(3)
10
(4)
11
(5)
b) pentru n = 10 msurtori
Tabelul 1.2b) Cazul numrului par de msurtori. Prelucrarea irului de msurtori.
Valoarea ordonat 2 2 2 3 3 3 3 5 5 6
Indicele din tabel 1 2 3 4 5 6 7 8 9 10
*Noua Valoare 2 2 2 3 3 3
Esf=(3+3) / 2
3
* Noul indice 1 2 3 4 5 6 7
(1)
8
(2)
9
(3)
10
(4)
11
(5)

Condensarea datelor statistice are ca scop realizarea unei imagini a populaie
asupra creia s-au efectuat msurtorile. Astfel se obine o imagine de ansamblu
a populaiei, dar se pierde informaia de amnunt. Condensarea datelor statistice
se face prin gruparea acestora n intervale de valori. Algoritmul recomandat n
acest scop este urmtorul:

Capitolul 1.
4


Determinarea intervalului msurtorii:

S S V
E E I min max = (1.3)

Intervalul I
v
se mparte ntr-un numr m de subintervale, limitate de graniele a
j
,,
a
j+1
. Modul de dividere n subintervale poate fi fcut n fuuncie de numrul de
msurtori urmrind una dintre variantelele:

n cazul unui numr mediu de msurtori.
o mrimea subintervalului I
j
se stabilete de ctre operator

I
j
= a
j+1
- a
j
. (1.4)

o mrimea subintervalului I
j
se stabilete conform
urmtoarei proceduri:

) log( 322 , 3 1
min max
n
E E
I
S S
j
+

= (1.5)

unde:

n este numrul de date.

Determinarea numrului de subintervale ale experimentului, se face cu
relaia:

j V
I I m = (1.6)

Determinarea frecvenei clasei f
j
, frecven ce reprezint numrul de
msurtori ce intr n intervalul I
j
.

Determinarea frecvenei relative, notate cu p
j
cu relaia:

n
f
p
j
j
= (1.7)

este evident faptul c suma frecvenelor relative este unitar.


= = 1
n
f
p
j
j
(1.8)

Referitor la acest mod de condensare a datelor, se desprind urmtoarele observaii:

Un numr mare de intervale (sau clase de date ) produce perturbaii ale mrimilor
statistice din cauza fluctuaiei msurtorilor.
Mrimea intervalelor trebuie s fie egal pentru a uura procesul de calcul.

Capitolul 1.
5
Un numr prea mic de intervale conduce la pierderi de informaie, deoarece
include prea multe msurtori.
Prin convenie se admite c valoarea msurtorii E
s
aflat la mijlocul intervalului I
j

este reprezentativ pentru ntregul interval.
Deci :

o
2
1 +
+
=
j j i
j
a a
E (1.9)

Limitele intervalelor trebuiesc definite clar pentru a nu crea confuzii n faza de
introducere a msurtorilor, deci la stabilirea frecvenelor clasei i a celor relative,
n aplicaiile inginereti, un numr de 8 16 intervale se consider de cele mai
multe ori suficiente, ele satisfcnd cerinele de acuratee a calculului statistic.

Exemplul 3. n tabelul 1.3 se reprezint rezultatele primare ale unor
msurtori privind rezilina unor epruvere sudate. Epruvetele au fost
prelevate din acelai tip de mbinare sudat, avnd acelai material de baz,
dar au fost obinute n urma mai multor variante tehnologice de sudare i a
mai multor tipuri de materiale de adaos pentru fiecare variant de sudare n
parte. Epruvetele au fost prelevate din zona influenat termic a primului
strat.

Tabelul 1.3) Datele primare privind reziliena ZIT-ului stratului de rdcin.
25 35 68 72 31 42 53 67 62 45 64 32
43 42 27 30 43 29 53 68 70 42 53 24
29 43 45 68 27 28 56 42 48 43 44 47
52 49 51 62 60 40 49 50 52 63 68 42
28 29 54 63 70 53 32 29 53 54 42 63
29 70 46 38 53 37 52 38 27 40 63 39
48 27 49 38 52 53 64 38 44 39 50 50
61 77 72 28 43 49 52 38 54 72 62 42
53 29 32 27 62 43 44 53 56 58 43 29
32 43 52 28 33 52 45 62 53 42 48 47
28 35 29 60 28 45 62 42 45 62 44 28
50 29 27 32 62 49 52 51 55 42 29 49

Se ordoneaz tabelul i se determin valorile extreme:

maxEs = 77; minEs = 24

Se calculeaz mrimea intervalului de variaie al valorilor msurtorilor,

I
v
= 77 - 24 = 53

Se calculeaz mrimea subintervalului:

I
j
= 77 / (1+3,322*log(144))=6,487

Se determin numrul de subintervale


Capitolul 1.
6
m = I
v
/ I
j
= 53 / 6,487 = 8,17001

Se rotunjete la un primul numr ntrg superior, deci m = 9.

Se determin limitele celor m subintervale sau a celor m clase tiind c

I
j
=5,89.


1
[ 24...29,89 ]

2
[ 29,89 ... 35,78 ]

3
[35,78 ... 41,67 ]

4
[41,67 ... 47,56 ]

5
[ 47,56 ... 53,45 ]

6
[ 53,45 ... 59,34 ]

7
[ 59,34 ... 65,23 ]

8
[ 65,23 ... 71,12 ]

9
[ 71,12 ... 77,01 ]

Deoarece valorile au dou zecimale, nici o msurtoare nu se va putea gsi pe
grania dintre dou intervale pentru a putea genera confuzie.
Se numr valorile msurate care vor intra n fiecare clas deci se stabilesc
frecvenele i se formeaz tabelul frecvenelor absolute i relative ale msurtorilor:

Tabelul 1.4) Domeniul intervalelor de grupare a datelor i frecvenele absolute i
relative.

Nr. I Intervalele de grupare a claselor








1 24...29,89 24 0,16666
2 29,89 ... 35,78 10 0,068444
3 35,78 ... 41,67 11 0,076388
4 41,67 ... 47,56 30 0,2083333
5 47,56 ... 53,45 33 0,2291667
6 53,45 ... 59,34 7 0,0486111
7 59,34 ... 65,23 17 0,11805555
8 65,23 ... 71,12 8 0,05555555
9 71,12 ... 77,01 4 0,027777
144 1

Datele statistice astfel prelucrate pot fi reprezentate i grafic su foma unor
histograme, poligoane de frecven, histograme cumulate, etc.



Histograma: Const n reprezentarea frecvenelor f
j
prin dreptunghiuri, avnd pe
axa orizontal, limea egal cu mrimea intervalului corespunztor, iar pe axa
vertical, lungimea egal cu frecvena absolut.


Capitolul 1.
7


















O alt reprezentare grafic, des ntlnit n procesul de analiz a datelor statistice o
reprezint poligonul frecvenelor relative.
Acesta fiind format din segmente de dreapt ce unesc punctele de abscise x
j
ce
reprezint mijloacele subintervalelor I
j
i ordonatele egale cu frecvena relativ p
j
.
O reprezentare de acest tip a datelor din tabelul 3 este prezentat n figura 1.2.
Frcvenele f
j
ca i frecvenele relative p
j
se pot cumula conducnd la diagrame ce au
aspectul din figura 1.3 i 1.4, ca i la la tabelul 1.5.

Tabelul 1.5) Tabelul frecvenelor cumulate i al frecvenelor relative cumulate
pentru Exemplul 3. I


Figura 1.1 Histograma aplicaiei din exemplul 3.
Nr.
Crt.
Intervalul f
j
c
p
j
c

0 23,99 0 0,0000
1 29,89 24 0,1666
2 35,78 34 0,2361
3 41,67 45 0,31248
4 47,56 75 0,52081
5 53,45 108 0,749
6 59,34 115 0,79858
7 65,23 132 0,91663
8 71,12 140 0,97218
9 77,01 144 0,999

Capitolul 1.
8

Pe baza datelor astfel prelucrate pot fi desenate diagrama histogramei frecvenelor
cumulate ca i poligonul frcvenelor relative cumulate.



Observaii privind experimentul 3: Deoarece datele din tabelul 1.3 au reprezentat
ncercri mult prea diverse, cu regimuri tehnologice de sudare care nu confer o
bun rezilien zonei influenate termic. Se constat o distribuie care nu
corespunde unei legi de repartiie normale (repartiia Gauss), cel mai des ntlnite n
cadrul msurtorilor tehnice. Astfel, n scopul obinerii unei tehnologii acceptabile
vor trebuii analizate doar variantele tehnologice care conduc la rezilienele dorite (
KV > 28 J / cm
2
).

Figura 1.2 Poligonul frecvenelor pentru datele din tabelul 1.4.

Figura 1.4 Histograma frecvenelor
cumulate pentru datele din tabelul
1.5.

Figura 1.3 Poligonul frecvenelor relative
cumulate pentru datele din tabelul 1.5.

Capitolul 1.
9
Dac se limiteaz procedeele tehnologice utilizate i ndeosebi variantele
tehnologice destinate obinerii mbinrii sudate, se vor obine datele din Tabelul
1.6.

Tabelul 1.6) Repartiia msurtorilor n cazul sudrii cu electrozi avnd coninut
sczut de hidrogen difuzibil i asigurarea unui timp de meninere ntre 500
o
C i
800
o
C ntre 16s i 19s.

35 50 49 50 48 46 47 56 49 58
49 47 39 37 42 49 48 46 47 44
42 34 54 45 52 44 39 54 34 45
45 46 44 42 47 36 49 38 46 53
51 40 36 49 48 43 46 45 42 34
43 44 46 45 45 45 56 52 57 43
48 45 44 47 40 51 55 43 46 48

Prelucrarea datelor msurtorilor prin mprirea domeniului n m = 5 subintervale,
avnd limea de 5 uniti va conduce la urmtorul tabel al subintervalelor:
Tabelul 1.7). Domeniul claselor, frecvenelor, frecvenelor relative, frecvenelor cumulate
i al frecvenelor relative cumulate pentru datele primare cuprinse n tabelul 1.6.
Nr.
Crt
Subintervalul
( clasa )
Frecvena Frecvena
relativ
Domeniul Frecvena
cumulat
Frecvena
relativ
cumulat
1 33,938,9 8 0,11428 33,9 0 0
2 38,943,9 12 0,17143 38,9 8 0,11428
3 43,948,9 30 0,42857 43,9 20 0,2857
4 48,953,9 13 0,18571 48,9 50 0,71428
5 53,958,9 7 0,1 53,9 63 0,9
70 1 58,9 70 1
Histograma datelor din tabel este prezentat n figura 1.5,
n cazul n care se mrete numrul datelor statistice, concomitent cu micorarea
limii subintervalelor, histograma tinde spre o curb continu, cunoscut sub
numele de clopotul lui Gauss dau curba distribuiilor normale.



Figura 1.5 Histograma i poligonul frecvenelor relative n cazul datelor
din tabelul 1.7

Capitolul 1.
10

1.3. Mrimi centrale (centripete) ale populaiilor.

n urma condensrii datelor statistice ale unei populaii, se observ faptul c
majoritatea msurtorilor se grupeaz n subintervalele din mijlocul domeniului, ceea ce
ilustreaz tendina central sau centripet a populaie. Exist ns i relativ puine date
care se ndeprteaz de mijlocul histogramelor, ilustrnd tendina centrifug a populaiei
de msurtori. Aceaste tendine trebuie s fie cuantificate pentru a putea fi utilizat n
calculele ulterioare. n acest scop se definesc urmtoarele mrimi statistice:

1.3.1.Media aritmetic este notat cu x, fiind calculat cu relaia:

=
n
i
x
n
x
1
1
(1.10)

n cazul general sau dac se dispune de histograma populaie


=
= =
m
j
j j
m
j j
x p x f
n
x
1 1
1
(1.11)

unde x
j
sunt valorile mijloacelor intervalelor.

Media aritmetic are dou nsuiri importante:

- suma abaterilor msurtorilor fa de mrdia aritmetic este nul

= 0 ) (
i
x x (1.12)

- suma abaterilor ptratelor msurtorilor fa de aceasta este minim,


x const x const x x
i i
; ) . ( ) ( (1.13)

Avantajele utilizrii aceste mrimi constau i n simplitate i uurin de calcu ca i n
faptul c este influenat de toate datele msurtorilor.

Dezavantajele sunt ns urmtoarele:
- este puternic influenat de valorile extreme
- se calculeaz cu o anumit greutate n cazul eantioanelor mari.
Sunt ns i cazuri relativ rare n care se utilizeaz alte tipuri de medii, cum ar fi media
geometric i cae armonic.


1.3.2. Media geometric x
G
se calculeaz cu relaia

n
n
i
i G
x x

=
=
1
(1.14)


Capitolul 1.
11
fiind utilizat de regul n estimarea unor creteri procentuale medii.

Exemplul 4. Pe parcursul a trei ani consecutivi, prin introducerea unor noi
tehnologii de sudare ca i prin optimizarea acestora i asigurarea unei mai bune
asigurri prin contracte, beneficiile unui atelier de sudur au avut urmtoarea
cretere fa de anul precedent:

Anul 1993 1994 1995
Creterea fa de anul precedent 115% 140% 220%

Analiznd faptul c datele din fiecare an se refer la datele din anul precedent, se
observ c problema poate fi redus la determinarea unei rate constante de cretere
a beneficiului, sub forma (rat constant)
3
= X
1
X
2
X
3
ceea ce justific aplicarea
mediei geometrice la determinarea beneficiului mediu.

4344 , 152 220 140 115
3
= =
G
x

1.3.3. Media armonic x
A
se calculeaz cu relaia

=
n
i
A
x
n
x
1
) 1 (
(1.15)

fiind utilizat de regul n determinarea vitezei medii de sudare n cazul mbinrii sudate
realizate din mai multe treceri, executate cu parametrii diferii de sudare.

Exemplul 5. La sudarea unei mbinri sudate, executat din patru straturi, vitezele
de sudare pentru acestea sunt:

Stratul 1 2 3 4
Viteza de sudare
[ cm / min ]
45 40 35 30

n scopul uurrii calculului timpului de baz pentru operaia de sudare a unui
centimetru de cordon este necesar determinarea vitezei medii de sudare a ntregii
mbinri.
( )
min] / [ 6545 , 36
30 1 35 1 40 1 45 1
4
cm x V
A
=
+ + +
= =


1.3.4. Intervalul mediu MM se calculeaz cu formula:

( ) ( ) 2 max min 2
max min
Es Es x x M M + + = (1.16)
unde:
x
min
respectiv minEs este cea mai mic valoare din eantion
x
max
respectiv maxEs este cea mai mare valoare din eantion

Avantajele utilizrii intervalului mediu constau n faptul c acesta poate nlocuii n cazul
unui calcul rapid media aritmetic iar dezavantajul const n faptul c lund n

Capitolul 1.
12
considerare doar cele dou extreme, eroarea fa de media aritmetic poate fi
substanial.


1.3.5. Medianul ME reprezint punctul aflat pe linia de baz care mparte
distribuia mulimii n pri egale. Pentru exemplificare se utilizeaz figura 1.6:

n conformitate cu figura 1.6 rezult pentru distribuia din cazul a)

=
= + + + + + + + + =
9
1
77 9 1 8 1 7 2 6 3 5 3 4 2 3 1 2 1 1 0
i
i
x

cum sunt n = 14 msurtori rezult:

5 , 5
14
77
= = =

n
x
x
i
Po


ceea ce corespunde cu poziia msurtorii n / 2 = 7.
Pentru distribuia din cazul b) dei sunt tot n = 14 msurtori, totui se obine poziia
msurtorii n / 2 =7 la coordonata ME = 5,5 n timp ce noua valoare a mediei aritmetice
va fii:

2857 , 8
14
21 1 20 2 8 1 7 1 6 2 5 3 4 2 3 1 2 1
=
+ + + + + + + +
= =

n
x
x
i
Po


Unele lucrri definesc medianul ca fiind msurtoarea care ocup poziia din mijloc n
urma operaiei de ordonare a datelor statistice. Dac vom nota medianul astfel definit cu
ME atunci n cazul unui numr impar de msurtori,


) 1 ( 5 , 0
2
1
'
+ +
= =
n n
x x E M (1.17a)

iar n cazul unui numr par de msurtori, deoarece elementul x
0,5(n+1)
nu exist, prin
convenie medianul se calculeaz cu relaia:


Capitolul 1.
13


2 '
1
2 2
|
|

\
|
+ =
|

\
|
+
n n
x x E M . (1.17b)

Deci ME este media aritmetic a datelor ce limiteaz mijlocul irului de msurtori.

Avantajele medianului constau n faptul c acesta nefiind influenat de valorile extreme
conduce n cazul unor distribuii particulare la estimri mult mai precise asupra populaie
dect media aritmetic. De asemenea este uor de determinat dac datele sunt
ordonate n prealbil.
Dezavantajele medianului constau n primul rnd la faptul c acesta nu se preteaz la
calcule algebrice ca i n faptul c n cazul eantioanelor sau populaiilor cu numr mare
de msurtori, operaia de ordonare a acestora este greoaie, n cazul n care nu se
utilizeaz un soft specializat de lucru cu baza de date.

1.3.6. Modulul MD reprezint data statistic care este cel mai des ntlnit n
msurtorile asupra populaie sau eantionului. Este de remarcat faptul c modulul
apare rareori n zona central fiind de asemenea dese cazurile cnd se ntlnesc mai
multe module n cadrul datelor msurate.








Figura 1.6 Modul de distribuie a 14 msurtori n scopul ilustrrii poziiei mediei aritmetice
i a medianului.

Capitolul 1.
14
1.4. Mrimi centrifuge ale populaiilor.

Sunt mrimile ce exprim tendina de mprtiere a msurtorilor. Astfel cele mai
frecvent ntlnite mrimi sunt:

- Intervalul ( R )
- Variana ( V )
- Deviaia standard la populaie ( )
- Deviaia standard la msurtorile din eantion ( s )
- Coeficientul de variaie ( c
V
)
- Deviaia medie de la valoarea dat ( D
M
)
- Eroarea standard a mediei ( s
x
)

1.4.1. Intervalul reprezint diferena dintre valoarea maxim i cae minim a
msurtorilor

R = x
max
- x
min


1.4.2. Variana populaie reprezint abaterea ptratic raportat la numrul de indivizi din
populaie. Astfel, n cazul n care populaia conine N indivizi i asupra fiecrui individ n
parte s-a efectuat msurtoarea, atunci, n urma calculrii mediei aritmetice a populaiei,
poate fi determinat variana populaiei cu relaia:


( )

(
(

\
|
= =
N N N
i i i P
x
N
x
N
x x
N
V
1 1
2
1
2 2
1 1 1
0
(1.18)


n cazul datelor care nu au suferit condensarea i

(
(

|
|

\
|
=

= =
m
j
m
j
j j i j P
x f
N
x f
N
V
1
2
1
2
1 1
0
(1.19)


n cazul datelor ce au suferit operaia de condensare.

1.4.3. Variana eantionului reprezint abaterea ptratic medie a datelor din eantion,
raportat la numrul de indivizi din eantion (n). Deoarece eantionul conine mult mai
puini indivizi dect populaia, prin convenie se aplic relaia:

(
(

\
|

=

= = =
2
1 1
2
1
2
1
1
1
) (
1
1
n
i
i
n
i
i
n
i
i Es
x
n
x
n
x x
n
V (1.20)


n cazul datelor primare i


Capitolul 1.
15
(
(

|
|

\
|

=

= =
m
j
m
j
j j j j Es
x f
n
x f
n
V
1
2
1
2
1
1
1
(1.21)

n cazul datelor condensate.

1.4.4. Deviaia standard la populaie se calculeaz cu relaia:

0
P
V = (1.22)

1.4.5. Deviaia standard la eantion se calculeaz cu relaia:


Es
V s = (1.23)

1.4.6. Coeficientul de variaie pentru populaie se calculeaz cu relaia:

x
cv
P

=
0
(1.24)
1.4.7. Coeficientul de variaie pentru eantion se calculeaz cu relaia:

x
s
cv
Es
= (1.25)

1.4.7. Deviaia medie fa de o valoare dat ( c ) se calculeaz cu relaia:

=
=
N
i
i M
c x
N
D
Po
1
1
(1.26)

n cazul populaiei i

=
=
n
i
i M
c x
n
D
Es
1
1
(1.28)

n cazul eantionului.

1.4.8. Eroarea standard a mediei se calculeaz cu relaia:

n
s
s
x
= . (1.29)

Dac presupunem c dintr-o populaie avnd media x
Po
i deviaia standard i o
eantionare a acestei populaii a condus la media x
Es
i deviaia s. n general datele
statistice ale populaiei sunt diferite de cele obinute n urma msurtorilor efectuate pe
eantioanele desprinse din populaie. n figura 1.7 sunt prezentate diferenele ntre
distribuia unei populaii P
o
i distribuia statistic a unui eantion desprins din ea Es. O

Capitolul 1.
16
important problem a statisticii const n estimarea caracteristicilor statistice ale
populaie pe baza caracteristicilor statistice ale eantionului.
Astfel s presupunem c am efectuat o eantionare ntr-o populaie i am obinut
urmtoarele valori:x
Es
=19.5 i s
x
= 0,105 tiind c media aritmetic a populaiei va fi: x
Po
=
19,3 ca n figura 1.8.
Se pune urmtoarea ntrebarea.
Cte medii din 100 de eantioane ar conduce la valori x
Es
mai mari dect x
Po
.
Se observ din figura 1.8 c toate aceste eantioane se vor gsi n zona haurat. Aria
acesteia se calculeaz conform urmtorului algoritm:

Se determin deviaia D
M
ntre media aritmetic a populaie i cea a eantionului

905 , 1 105 , 0 / 2 , 0
0
= =
x Es P
s x x x

Se utilizeaz tabelul ariilor aflate sub curba normal (Anexa1.tabelul 1.1) din care
pentru x= 1,905 rezult x = 0,4744. Valoarea ariei cutate rezult n conformitate
cu figura 1.9 rezultnd aria x= 0,5 - x = 0,0254.
Se determin astfel probabilitatea ca din 100 de eantioane numai 2,54 ar putea
s depasc media populaie.
Aceast afirmaie, n conformitate cu figura 1.9, are un nivel de confiden calculat
cu relaia:


9744 , 0 0254 , 0 1 1
' ' '
= = = x




Figura 1.7 Distribuia populaie i a
eantionului.

Figura 1.8 Determinarea intervalului de
confiden IC a mediei populaie cu ajutorul
eantioanelor.

Capitolul 1.
17
Un mod analog de abordare a
problemei, dar pornind de la cazul b) din
figura 1.8 va conduce la acelai nivel de
confiden. n acest mod s-au stabilit
intervalele de confiden monolimitate,
unul cresctor (conform figurii 1.8a) i
unul descresctor (conform figurii 1.8b ).
n cazul bilimitat intervalul de confiden
IC va fi cuprins ntre 19,3 i 19,7 i va
avea confidena:

' "'
, = = 1 2 0 9488 x








Exemplul 6. S se calculeze intervalul de confiden bilimitat IC pentru un nivel
de ncredere = 0,90.

Se pornete de la determinarea ariei ocupate din curba distribuiei normale, x
conform relaiei:

1 2 0 9 1 0 9 2 0 05
0 5 0 45
= = =
= =
x x
x x
"' "'
" "'
, ; ( , ) / ,
, ,


Pentru x = 0,45 din Anexa 1, Tabelul 1.1 rezult prin interpolare ntre valorile
0,4495 ce corespund la x = 1,64 i 0,4505 ce corespunde pentru x = 1,65 valoarea
x=(1,65+1,64)/ 2 = 1,645. Considernd eroarea standard a mediei s
x
= 0,102
rezult deviaia x = x s
x
= 0,168. Rezult intervalul de confiden IC, dac se
consider media aritmetic cunoscut x
Es
= 19,3.

min x
Po
= 19,5 - 0,168 = 19,132 fiind limita inferioar I
max x
Po
= 19,3 +0,168 = 19,468 ca limit superioar S.


1.4.9 Observaii privind importana mediei aritmetice i a dispersiei n procesul de
msurare.

n cazul general, procesul de msurare const asocierea de numere obiectelor care se
msoar. Aceast cuantificare se bazeaz pe reguli, numite reguli de msurare i
funcioneaz ca o comunicare ntre oameni. Este obligatoriu ca aceste reguli de
msurare s fie prezentate odat cu datele obinute n urma procesului de msurare,
pentru a se evita confuziile de interpretare care pot genera conflicte .

Figura 1.9 Modul de determinare a
suprafeei haurate din figura 1.7.

Capitolul 1.
18
Se poate observa astfel diferena ntre operaiile matematice care sunt utilizate n
prelucrarea i sintetizarea datelor i operaia de msurare i interpretarea rezultatelor
msurtorilor.
Astfel sistemul matematic poate fi privit sub urmtoarele aspecte:

- ca un set de reguli destinate manipulrii unor simboluri
- ca un mod de a manipula numere, fr ca acestea s se refere n mod expres la
date reale;
- ca un sistem viabil, dac operaiile pe care le utilizeaz sunt consistente, chiar i
fr condiia ca ele s aibe relaii cu lumea real.

n orice operaie de msurare, interpretarea rezultatelor se bazeaz pe cunoaterea
punctului de referin i a unitii de msur. Un mod relevant de a ilustra aceste
diferene rezult din exemplul 7.

Exemplul 7. n figura 1.10 sunt prezentate distribuiile punctajelor realizate de un lot de
studeni n examinrile scrise (Sc) i orale (Or). Astfel, n cazul n care un student obine
60 de puncte la oral i 30 de puncte la scris conform liniei ntrerupte din figur, o persoan
grbit ar trage concluziile:

- studentul este de dou ori mai bun la oral dect la scris
- studentul se gsete la aceeai distan fa de media repartiie att la oral ct i la scris.

Observnd ns forma repartiiilor se constat c la probele orale studentul se gsete ntr-
un cmp mult mai populat
dect la scris, cu toate c
notele sale la oral i la scris
se gsesc la distane egale de
mediile testelor.
Va trebuii deci, pentru a
stabili modul de examinare
cel mai favorabil studentului,
s stabilim o scar comun de
msur pentru cele dou
distribuii. Se mai impune i
un punct de referin comun
acestora. De regul punctul
de referin comun este
considerat ca fiind media
aritmetic a distribuiei, iar,
ca unitate comun de msur
poate fi stabilit deviaia
standard a fiecrei distribuii.
Astfel, dac pentru proba
oral s
x
= 15 iar la cea scris
s
x
= 5 vor rezulta puctajele la
oral i scris n unitatea de
msur comun, prin
raportare lor la media aritmetic a repartiiei pentru studentul analizat.


Figura 1.10 Distribuia punctajelor obinute
de studeni n probele orale (a) i scrise (b).

Capitolul 1.
19

x
or
= ( 60 - 50 ) / 15 = 0,67
x
sc
= ( 30 - 20 ) / 5 = 2

Se observ acum, n mrimi comune, faptul c n realitate studentul obine rezultate
de trei ori mai bune la scris fa de oral, fapt prezentat n figura 1.10 c).



1.5. Intervale de confiden i de toleran ale unor mrimi statistice.

1.5.1. Introducere. Intervalele de confiden, IC, numit i intrvale de ncredere, au fost
prezentate odat cu calculul erorii standard a mediei s
x
. Acest interval, pentru o mrime
statistic reprezint domeniul n care mrimea respectiv se va gsi, cu o ncredere, sau
un nivel de confiden, ales n prealbil i notat n general cu litera . n domeniul
ingineresc se utilizeaz pentru nivele de confiden cuprindse ntre 0,8 i 0,95 pentru
industria constructoare de maini i ntre 0,95 i 0,995 pentru industria aerospaial i
nuclear. Intervalele de ncredere pot fi monolimitate, cnd se precizeaz fie limita
inferioar fie cea superioar a acestuia, sau bilimitate, atunci cnd sunt precizate ambele
limite ale intervalului. n cazul bilimitat expresia cea mai utilizat este: mrimea statistic
se va gsi cu crederea , ntre limita inferioar I i cea superioar S . Fiecrei limite i
se atribuie nivelul de confiden :

(1 + ) / 2 .

n cazul monolimitat se afirm c mrimea statistic este mai mare dect limita
inferioar I, respectiv mai mic dect limita superioar S .
n acest caz fiecrei limite i se atribuie nivelul de confiden egal cu . Una dintre
cerinele cu caracter general ce se refer la o mbinare sudat o constitue asigurarea
rezilienei de 28 J/cm
2
la o temperatur inferioar cu 10
o
C fa de temperatura minim
din exploatare.
Realizarea acestui deziderat impune efectuarea unor ncercri de rezilien asupra
mbinrilor sudate cu diverse tehnologii de sudare i adoptarea acelei tehnologi care
asigur mbinrilor caracteristicile cerute, cu un nivel de ncredere specific produsului ce
va fi realizat.
n cazul oelurilor pentru structuri sudate, caracteristicile mecanice sunt garantate de
productor n funcie de clasa de calitate a acestuia, pentru diferite temperaturi. Oelurile
obinuite au astfel reziliena garantat peste temperatura de -20
o
C n cazul clasei 4 de
calitate, dar proprietile de rezisten ncep s se altereze la temperaturi ce depesc
200
o
C, aceasta scznd cu gradul de dezoxidare a oelului, n timp ce petru oelurile
criogenice, cu 9% Ni, temperatura la care apare fenomenul de fragilizare este de -196
o
C.
La oelurile aliate cu Cr i Mo, destinate utilizrii la cald, temperatura la care acestea
posed caracteristici mecanice bune este n jur de 560
o
C.


1.5.2 Calculu intervalului de confiden al mediei.
Se consider dou eantioane ale unei populaii avnd mediile x
1
i x
2
, cunoscndu-se
faptul c media aritmetic a populaiei este x
Po
. n practic apar urmtoarele cazuri de
analizat:

Capitolul 1.
20

1.5.2.1. Intervalul bilimitat al eantionului IC
1
.

Se calculeaz urmtoarele mrimi statistice:


( )
n
s
s
n
x x
s
n
x
x
x
n
i
i
n
i
i
=

= =

= =
;
1
;
2
1 1
(1.30)

Se alege nivelul de confiden ( ncredere ) dorit.
Din tabelul distribuiei Student ( Anexa 1, Tabelul 1.2 ) se alege valoarea
lui t, care depinde de

( 1+ ) / 2 i n - 1: t
[(1+ ) / 2; n-1]
(1.31)

Se calculeaz limitele intervalului cu relaia:

x
s t x
S
I
=
)
`

(1.32)

1.5.2.2. Intervalul monolimitat IC
2
. Se calculeaz identic cu intervalul bilimitat, cu
excepia punctului c) n care valoarea lui t, se stabilete n conformitate cu i nu cu
(1+ )/2, i se noteaz cu t,( t( ; n - 1 ) ).
Monolimitele inferioare i superioare fiind notate cu indicele se calculeaz conform
relaiei:


x
x
s t x S
s t x I
+ =
=
' '
' '
(1.33)

Observaii: Nici I i nici S nu determin un interval de confiden, singurele
informaii pe care le putem utiliza sunt c media eantionului va fi strict mai mare dect
I sau strict mai mic dect S cu ncrederea . Nu se poate ns afirma faptul c media
aritmetic a eantionului analizat se gsete ntre I i S ( cu ncrederea ) pentru acest
fapt trebuind calculat intervalul IC
1
.

1.5.2.3. Intervalul de ncredere bilimitat, IC
3
, privind diferena mediilor a dou
eantioane.

Problema, n acest caz const n determinarea intervalului de confiden n care se
gsete diferena mediilor a dou eantioane x
d
= x
Es1
- x
Es2
.

Procedura de calcul este urmtoarea:
Se determin mrimile statistice ale celor dou eantioane:


Capitolul 1.
21

( )
( ) ( )
2 2 2 2 2 2
1
2
1 1
1
1 1 1 1
1
1
2 2
2
2
1
1
1
1
1
; 1 ;
; ) 1 /( ;
n s s n x x s n x x
n s s n x x s n x x
x i
n
i
i
x
n
i
i
n
i
i
=
|
|

\
|
= =
=
|
|

\
|
= =


=
= =
(1.34)

Se calculeaz eroarea standard a diferenei mediilor:

( ) ( )
2
1 1
2 1
2
2 2
2
1 1
2 1
2 1
2 1
+
+

+
=

n n
s n s n
n n
n n
s
x x
(1.35)
Se alege din tabelul 1.2 ( Anexa 1) valoarea constantei t conform relaiei:

( ) [ ] 2 ; 2 / 1
2 1
+ + n n
t

Se calculeaz limitele intervalului de confiden IC
3
.

( ) [ ]
2 1 2 1
2 ; 2 / 1 2 1 x x n n
s t x x
S
I
+ +
=
)
`

(1.36)

Exemplul 8. Dou tipuri de electrozi pentru sudarea cu electrod nvelit au fost pe
mbinri de diferite oeluri. S-a msurat rezistena la rupere ale custurilor, realizate
cu aceleai regimuri de sudare, rezultnd urmtoarele valori n daN/mm
2
:

Electrodul 1 42 44 42 45 46 44 43
Electrodul 2 38 40 44 39 36

Se calculeaz mrimile statistice ale populaie:

n
1
= 7 ; x
1
= 43,71 ; s
1
= 1,496
n
2
= 5 ; x
2
= 39,4 ; s
2
= 2,96647

Se calculeaz eroarea standard a diferenei mediilor:

6785 , 0
10
8 , 8 4 238 , 2 6
5 7
12
2 1
=
+

=
+x x
s

Se alege nivelul de ncredere = 0,9
Se calculeaz (1+ ) / 2 = 1,9/2 = 0,95 i n
1
+ n
2
- 2 = 7+ 5 - 2 = 10
Se citete din tabelul 1.2 (Anexa 1) valoarea lui t
[ 0,95 ; 10 ]
= 1,812 .
Se calculeaz limitele intervalului de ncredere
54 , 5
07 , 3
678533 , 0 812 , 1 4 , 39 7143 , 43 = =
)
`

S
I


Concluzie. Diferena mediilor este cuprins n intervalul 3,07 i 5,54 ambele fiind
valori pozitive. n aceste condiii electrodul care este preferat este cel care a condus
la media aritmetic cea mai ridicat.

Capitolul 1.
22

1.5.2.4. Intervalul de confiden monolimitat, IC
4
, a diferenei mediilor a dou
populaii.

Se calculeaz ca i n cazul intervalului bilimitat, cu deosebirea c, n acest caz, t
va depinde doar de i nu de ( 1+ ) / 2. Se va citi astfel din tabelul distribuiei Student
valoarea:
[ ]
t
n n
'
;
1 2
2 +
iar limitele inferioare sau superioare ale diferenei vor fi calculate cu relaiile:


2 1 2 1
] 2 ; [ 2 1
'
'
'
x x n n
s t x x
S
I
+ +
=
)
`

(1.37)

Exemplul 9. Pentru datele din exemplul precedent s se calculeze I i S a
diferenei mediilor, pentru o ncredere = 0,9.

Se ctete din tabelul 1.2 ( Anexa 1) valoarea t
[0,9 ; 10 ]
= 1,372
Se calculeaz monolimitele intervalului de ncredere:

245 , 5
383 , 3
678533 , 0 372 , 1 4 , 39 7143 , 43
'
'
= =
)
`

S
I


Observaie: Monolimita I este mai mare dect I iar monolimita S este mai mic
dect S, deoarece pentru aceeai ncredere , t > t .


1.5.2.5. Intervalul de toleran IT, este utilizat n inginerie pentru determinarea
numrului de produse care se gsesc n limitele de calitate dorite. Se disting astfel dou
cazuri:


1.5.2.6. Cazul populaiei avnd distribuie normal.

Pentru a putea determina intervalul de toleran, trebuiesc cunoscute media aritmetic i
abaterea standard. Limitele intervalului de toleran pot fi astfel determinate cu ajutorul
relaiilor:

=
)
`

z x
S
I
T
T
(1.38)

unde z depinde de procentul p al msurtorilor ce se gsesc ntre limitele I
T
i S
T
.
Legtura dintre z i p se stabilete urmnd etapele:

a) Se utilizeaz distribuia normal cumulat, din Tabelul 1.3 (Anexa 1),
reprezentat schematic n figura 1.11 a) ;
b) Zona corespunztoare probabilitii dorite p este prezentat n figura 1.11 b)
fiind limitat ntre valorile -z i z ;

Capitolul 1.
23
c) Se calculeaz ariile cuprinse ntre punctele 1,2,3 notat cu alfa1(
1 11 1
) i 1,2,3
notat cu alfa ( )
d) Se scade din aria aria
1 11 1
i se determin aria ocupat de zona cu
probabilitatea p dorit.
e) Corelaia dintre p i z se determin conform datelor din tabelul 1.7 n tabelul 1.8
fiind redate valorile cele mai des ntlnite pentru probabilitatea p.


Tabelul 1.7 Procentul msurtorilor p% aflat ntre limitele I
T
i S
T
ale intervalului
de toleran IT, n funcie de z.
z p % z p % z p % p %
4 99,994 3 99,730 2 95,450 1 68,268
3,9 99,990 2,9 99,626 1,9 94,256 0,9 63,188
3,8 99,986 2,8 99,488 1,8 92,814 0,8 57,628
3,7 99,978 2,7 99,306 1,7 91,086 0,7 51,608
3,6 99,968 2,6 99,068 1,6 89,040 0,6 45,150
3,5 99,954 2,5 98,758 1,5 86,638 0,5 38,292
3,4 99,936 2,4 98,360 1,4 83,848 0,4 31,084
3,3 99,904 2,3 97,856 1,3 80,640 0,3 23,582
3,2 99,862 2,2 97,220 1,2 76,986 0,2 15,852
3,1 99,806 2,1 96,428 1,1 72,866 0,1 7,966

Tabelul 1.8 Valori uzuale pentru p %
z p % z p %
2,6 99 1,440 85
2,250 97,5 1,285 80
1,960 95 1,150 75
1,645 90 1,050 70

Exemplul 10. S presupunem c msurtorile efectuate pe o populaie au condus la
urmtoarele valori x
Po
= 39,768 i = 9,699 . S se calculeze intervalul de toleran
IT n care se afl un procent de 90 % din populaie ( p = 90 % ).

Figura 1.11 a). Distribuia normal cumulat a populaiei b),c). Modul de determinare a
procentului din populaie (p %) aflat n intervalul de toleran IT. ( = - z +z )


Capitolul 1.
24
n tabelul 1.7 pentru p = 90 %, se citete valoarea z = 1,645. Rezult astfel limitele
intervalului de toleran IT:

723 , 55
813 , 23
699 , 9 645 , 1 768 , 39 = =
)
`

T
T
S
I

Observaie: ntre I
T
= 23,813 i S
T
= 55,723 se gsesc 90 % dintre msurtorile
fcute pe I ndivizii populaie analizate n cazul n care populaia are o repartiie
normal.

Verificarea normalitii repartiiei. S presupunem c populaia are 250 de
indivizi, dintre care doar 222 de indivizi se ncadreaz ntre limitele intervalului de
toleran IT. Se verific probabilitatea:

% 8 , 88 100
250
222
= = p

Concluzie: Populaia se abate de la normalitate deoarece p calculat este mai mic
dect p estimat.

1.5.2.7 Cazul n care populaia se abate de la normalitate i a crei medie i
abatere standard nu se cunosc.
n acest caz se recurge efectuarea unei eantionri a populaiei i se calculeaz media
x
Es
i abaterea standard s a eantionului. Intervalul de toleran se calculeaz cu relaia:

s k x
S
I
Es
T
T
=
)
`

(1.39)

Valorile factorului k n funcie de probabilitatea p sunt date n tabelul 1.9 a) n
conformitate cu [1.1] sau n tabelul 1.9 b) n conformitate cu [1.2]. Valorile lui k pentru
monolimitele intervalului sunt date n tabelul 1.10.

Tabelul 1.9 Valorile lui k pentru determinarea intervalului de toleran IT propuse.
Valorile lui k pentru p % [ Chacravarti ]
n 90 95 99,9
25 2,494 2,972 4,985
50 2,162 2,576 4,323
75 2,042 2,433 4,084
100 1,977 2,355 3,954
150 1,905 2,270 3,811
200 1,865 2,222 3,731
500 1,777 2,117 3,555
1000 1,736 2,068 3,472

1,645 1,960 3,291

Tabelul 1.10 Valorile lui k pentru determinarea intervalului de toleran IT propuse.
Valorile lui k pentru p % [ Oste ]
n 75 90 95 99
5 3,002 4,275 5,079 6,634
6 2,604 3,712 4,414 5,775
7 2,361 3,369 4,007 5,248

Capitolul 1.
25
8 2,197 3,136 3,732 4,891
9 2,078 2,967 3,532 4,631
10 1,987 2,836 3,379 4,433
17 1,679 2,400 2,858 3,754
37 1,450 2,037 2,470 3,246
145 1,280 1,829 2,179 2,864

1,150 1,645 1,960 2,576

Tabelul 1.11 Valorile lui k pentru calculul monolimitelor intervalului de toleran.
Valoarea lui k pentru p %
n 75 90 95 99
5 2,150 3,412 4,212 5,751
6 1,895 3,008 3,711 5,065
7 1,733 2,756 3,400 4,644
8 1,618 2,582 3,188 4,356
9 1,532 2,454 3,032 4,144
10 1,465 2,355 2,911 3,981
17 1,220 2,002 2,486 3,414
37 1,014 1,717 2,149 2,972
145 0,834 1,481 1,874 2,617

0,674 1,282 1,645 2,326

Exemplul 10b. S se calculeze intervalele de toleran bilimitate i monolimitate
pentru urmtorul eantion format din 25 de msurtori pentru p = 75% , 90%, 95%
i 99%.
n x
i
n x
i
n x
i
n x
i
n x
i

1 16 6 25 11 29 16 44 21 51
2 19 7 25 12 30 17 44 22 52
3 20 8 27 13 34 18 47 23 59
4 22 9 28 14 37 19 48 24 62
5 24 10 28 15 38 20 51 25 65

Se determin media aritmetic i abaterea standard pentru eantion, rezultnd
valorile:

36 , 14 ; 37 = = s x
Es


Se calculeaz pentru n = 25 de msurtori valoarea factorului k prin interpolare
liniar ntre valorile ce corespund lui n = 17 i n = 37 rezultnd

p % k p % k p % k p % k
75 1,587 90 2,225 95 2,703 99 3,551

Se calculeaz valorile intervalului de toleran IT.

p % ( impus ) 75 90 95 99
k s 22,789 32,382 38,815 50,992
I
T
= x
Es
- k s 14,211 4,618 1,815 -13,992
S
T
= x
Es
+ k s 59,789 69,368 75,815 87,992
p % ( obinut ) 89,2 100 100 100

Observaie: n urma efecturii msurtorilor asupra ntregii populaii formate din
250 de indivizi, se constat c pentru p = 75% ntre limitele 14,211 i 59,789 se

Capitolul 1.
26
gsesc 233 de indivizi ceea ce conduce la o proporie de 89,2%, mult mai mare
dect valoarea de pornire a calculelor.
Calculul monolimitelor. Se efectueaz conform aceleiai proceduri, cu excepia
faptului c valorile lui k vor fi citite din tabelul 1.11. Astfel prin interpolare se obin
urmtoarele valori:

p % k p % k p % k p % k
75 1,138 90 1,888 95 2,351 99 3,237

Se obin astfel monolimitele intervalului, valorile acestora fiind date mai jos:
p % ( impus ) 75 90 95 99
k s 16,345 27,112 33,760 46,483
I
T
= x
Es
- k s 20,658 9,888 3,240 -9,483
p % (real pentru
I
T
)
96,4 100 100 100
S
T
= x
Es
+ k s 53,342 64,112 70,760 83,483
p % (real pentru
S
T
)
93,2 99,6 100 100

Concluzie: Ca i IT i IT conduce la valori ale probabilitii p mai mari dect cele
impuse. Fa de IT , monolimitele I
T
i S
T
sunt mai mici.

1.5.3. Calculul intervalelor de confiden IC pentru variana populaiei V
Po
i pentru
abaterea standard .

1.5.3.1. Intervalul de confiden bilimitat , IC
6
,al varianei s
2
. n acest scop se efectueaz
eantionarea populaiei i se calculeaz s
2
. Se alege nivelul de confiden i cu ajutorul
relaiilor de mai jos se determin valorile limitelor intervalului de confiden.

( )
( ) [ ]
( )
( ) [ ] (
(
(
(
(



=
)
`



2
1 ; 2 / 1
2
2
1 ; 2 / 1
2
1
1
n
n
s n
s n
S
I

(1.39)

unde:

2 22 2
se citete din tabelul distribuiei statistice cu acelai nume (Tabelul 1.3,Anexa 1).
Limitele abaterii standard s se obin prin extragerea rdcinii patrate din I respectiv S.

Exemplul 11. Ne propunem s calculm limitele superioare I i inferioare S ale
abaterii standard s din exemplul 10, pentru o ncredere de = 0,9.
Din tabelul 1.3 (Anexa 1) se aleg valorile pentru
2 22 2
.


( ) [ ] [ ]
( ) [ ] [ ]
8 , 13
4 , 36
2
24 ; 05 , 0
2
1 ; 2 / 1
2
24 ; 95 , 0
2
1 ; 2 / 1
= =
= =

+

n
n

Rezult:

Capitolul 1.
27

94 , 18
8 , 13
36 , 14 24
'
66 , 11
4 , 36
36 , 14 24
'
2
2
=

=
=

=
S
I


1.5.3.2. Intervalul de confiden monolimitat , IC
7
,al varianei s
2
se calculeaz n
mod identic cu cel bilimitat cu deosebirea c n expresia
2 22 2
se nlocuiesc valorile (1 +
)/2 cu i (1 - )/2 cu 1 - . Se obin deci monolimitele:


( )
[ ]
( )
[ ] 1 ; 1
2
"
2
1 ;
2
"
1
;
1


=

=
n n
s n
S
s n
I


(1.40)

Exemplul 12. Pentru exemplul precedent s se calculeze monolimitele abaterii s
tandard pentru o ncredere = 0,9.
Din tabelul 1.3 ( Anexa 1) se obin:


[ ] [ ]
7 , 15 ; 2 , 33
2
24 ; 1 , 0
2
24 ; 9 , 0
= =

Rezult astfel:

7 , 17
7 , 15
36 , 14 24
; 2 , 12
2 , 33
36 , 14 24
2
"
2
"
=

= =

= S I

Observaie: Monolimitele obinute sunt mai strnse dect limitele intervalului
bilimitat.


1.5.3.3 Calculul intervalului bilimitat, IC
8
, al raportului dintre dou abateri
standard.

Se calculeaz utiliznd distribuia Fischer sau prescurtat F.( Tabelul acestei distribuii se
gsete n Anexa 1, Tabelul 1.4) Relaiile de calcul sunt:

( ) [ ] ( ) [ ] 1 ; 1 ; 2 / 1
1
2
1 ; 1 ; 2 / 1
2
1
2
2 1 2 1
;
+

|
|

\
|
=
|
|

\
|
=
n n n n
F
s
s
S F
s
s
I

(1.41)

Limitele intervalului se determin prin extragerea rdcinii patrate din I respectiv S.

Exemplul 13. S se calculeze intervalul de confiden, IC
8
al raportului abaterilor
standard s
1
i s
2
, pentru o ncredere de 0,8, pentru dou eantioane avnd
urmtoarele caracteristici:

Eantionul n x
Es
s
1 8 46,7 14,3
2 7 38,5 8,4


Capitolul 1.
28
Din tabelul 1.4 (Anexa 1) se determin valoarea lui F pentru:

( ) [ ] [ ] ( ) [ ] [ ]
010 , 3 ; 354 , 0
6 ; 7 ; 9 , 0 1 7 ; 1 8 ; 2 / 8 , 0 1 6 ; 7 ; 1 , 0 1 7 ; 1 8 ; 2 / 8 , 0 1
= = = =
+
F F F F

Se calculeaz limitele intervalului de varian al raportului

02 , 1 010 , 3
3 , 14
4 , 8
; 35 , 0 354 , 0
3 , 14
4 , 8
2
'
2
'
|

\
|
= |

\
|
= S I

1.5.3.4. Calculul intervalului monolimitat,IC
9
, al raportului dintre dou abateri
standard.
Limita inferioar respectiv superioar se calculeaz cu relaia:

( ) [ ] ( ) [ ] 1 ; 1 ; 1
2
1
2
1 ; 1 ; 1
2
1
2
2 1 2 1
" ; "
+

|
|

\
|
=
|
|

\
|
=
n n n n
F
s
s
S F
s
s
I



Exemplul 14. S se calculeze monolimitele raportului abaterilor standard s
1
i s
2
de
la exemplul precedent.
Se calculeaz n acest scop valorile:


[ ] [ ] [ ] [ ]
75 , 2 ; 515 , 0
6 ; 7 ; 8 , 0 1 7 ; 1 8 ; 8 , 0 6 ; 7 ; 2 , 0 1 7 ; 1 8 ; 8 , 0 1
= = = =

F F F F

i monolimitele aferente

98 , 0 75 , 2
3 , 14
4 , 8
" ; 42 , 0 515 , 0
3 , 14
4 , 8
"
2 2
= |

\
|
= = |

\
|
= S I




1.6. Ipoteze statistice

1.6.1. Introducere. Ipotezele statistice reprezint afirmaii privind populaiile, eantioanele
precum i asupra parametrilor acestora.
Ipotezele statistice trebuiesc, n anumite cazuri, s fie validate. Validarea acestor ipoteze
se face n majoritatea cazurilor prin efectuarea de experiene. Sunt ns i cazuri cnd
metoda experimental nu conduce la concluzii suficient de clare, validarea sau
invalidarea ipotezei ce se verific se face utiliznd metodele furnizate de statistica
matematic.
Validarea ipotezelor statistice poate conduce la dou tipuri de erori:

- eroare de tip , cnd se refuz o ipotez care este n realitate valabil;
- eroare de tip cnd se accept o ipotez care este ns n realitate fals.


Capitolul 1.
29
Notaiile respecti sunt chiar probabilitile celor dou genuri de erori. Alegerea
acestor probabiliti trebuie fcut cu deosebit atenie i numai n urma analizei
consecinelor erorilor care pot apare n cazul unei alegeri incorecte.

Exemplul 15. Se cumpr un lot de electrozi destinai unor mbinri sudate ce
trebuie s ndeplineasc satisfacerea unor condiii severe de funcionare. n cazul n
care analizele prealabile de lot, conduc la respingerea acestuia, (eroare de tip ),
consecinele nu sunt prea grave deoarece se poate comanda un nou lot. Deci
valoarea care se atribuie erorii poate fi relativ mare ( = 0,45 ). Dac ns se
lotul este necorespunztor i este admis, poate fi compromis ntreaga producie. n
consecin valoarea erorii de tip trebuie s fie foarte mic ( = 0,005 ).
n majoritatea analizelor statistice din domeniul tehnic, se utilizeaz erori de tip
i ipotezele analizate se noteaz cu H, n timp ce pentru alternativa ipotezei se
utilizeaz notaia A.

1.6.2. Ipoteze destinate testrii mrimilor centrale ale populaiilor i eantioanelor.

1.6.2.1. Ipoteza I
1
: O eantionare asupra unei populaii normale, avnd media x
Po

conduce sau nu la aceeai medie.
Ipoteza se scrie sub forma H: x
Po
= x
Es
fa de A: x
Es
< > x
Po
. (1.42)

Rezolvarea ipotezei se face n urmtoarele etape:

Se calculeaz media x
Es
i abaterea standard s din cele n msurtori ale
eantionului i se alege valoarea .
Se calculeaz t
o
cu relaia:


s
x x n
s
x x
t
Po Es
x
Po Es
) (
0

=

= (1.43)

Din tabelul 1.1 (Anexa 1) se aleg valorile lui t n funcie de i n ;
( ) [ ]
t
n 1 2 1 / ;

Dac t
o
nu este cuprins n intervalul -t i +t , atunci ipoteza H se respinge cu riscul
. n caz contrar ipoteza se accept, deci:

{ } t t t + ,
0
i ipoteza H se accept (1.44)
{ } t t t + ,
0
i ipoteza H se respinge cu riscul . (1.46)

Exemplul 16. Dintr-o populaie avnd media x
Po
= 39,768 i abaterea standard s =
9,699 se extrag 18 eantioane, fiecare eantion fiind format din 10 msurtori,
avnd caracteristicile ca n tabelul 1.12. Ne propunem s analizm eantioanele care
conduc la aceeai medie cu a populaie, utiliznd probabilitatea = 0,2 i = 0,1.
Se aleg din tabelul distribuiei student valorile limit pentru cele dou probabiliti:


( ) [ ] ( ) [ ] [ ]
( ) [ ] ( ) [ ] [ ]
833 , 1 " " "
383 , 1 ' ' '
9 ; 95 , 0 1 10 ; 2 / 1 , 0 1 1 ; 2 / 1
9 ; 9 , 0 1 10 ; 2 / 2 , 0 1 1 ; 2 / 1
= = =
= = =


t t t
t t t
n
n



Se calculeaz pentru fiecare eantion valorile t
o
i se complecteaz tabelul 1.12

Capitolul 1.
30
Concluzii: Cu ct valoarea probailitii a este mai mare, cu att intervalul de
acceptare va fi mai redus. Astfel pentru cazul analizat, la = 0,2 ies din intervalul
de acceptare al ipotezei eantioanele cu numerele de ordine 1, 7, 12, 13 i 16 n
timp ce pentru = 0,1 ies din domeniul de acceptare doar eantioanele 7, 13 i 16.



Tabelul 1.12. Valorile centralizate privind datele iniiale i finale pentru Ex.l 15.
nr. X
es
s t
o
nr. X
Es
s t
o

1 31,5 15,6 -1,676 10 39,2 16,4 -0,11
2 39,8 18,4 0,055 11 39,5 15 -0,00565
3 41,7 12,6 0,485 12 32,6 14,7 -1,542
4 45 13,9 1,190 13 49,1 13,5 2,186
5 45,2 14 1,227 14 35,7 12,4 -1,037
6 36,7 18,1 -0,536 15 42,1 17,5 0,421
7 49,3 14 2,153 16 34,6 8 -2,043
8 36,5 16 -0,646 17 45,2 13,5 1,272
9 45,2 14,3 1,201 18 44,2 11,9 1,178

1.6.2.2. Ipoteza I
2
: O eantionare dintr-o populaie are media diferit fa de
media x
Po
a populaie. Ipoteza se scrie sub forma:

H: x
Es
x
Po
fa de A: x
Es
> x
Po
(1.47)
respectiv H: x
Es
x
Po
fa de A: x
Es
< x
Po
(1.49)

Rezolvarea se face asemntor cu ipoteza I
1
cu excepia stabilirii valorii ce se va
citi din tabel t care are forma:
( ) [ ]
t
n 1 1 ;
iar :
ipoteza H : x
Es
x
Po
se respinge cu riscul dac t
o
> t. (1.50)
respectiv, H : x
Es
x
Po
se respinge cu riscul dac t
o
< t. (1.51)


Exemplul 17. Pentru datele din exemplul anterior ne propunem s determinm
eantioanele care conduc la medii mai mici respectiv mai mari dect cea a populaie
utiliznd aceleai valori pentru .

Cazul = 0,2
Stabilirea limitei admise pentru t = t

t
[ 0,8 ; 9 ]
= 0,833

- Ipoteza H: x
Es
x
Po
se respinge pentru urmtoarele eantioane: 4, 5, 7, 9, 13, 17
i 18 a cror medii sunt mai mici dect media populaie, pentru = 0,2.

- Ipoteza H: x
Es
x
Po
se respinge pentru urmtoarele eantioane: 1, 2, 3, 6, 8, 11,
10, 12, 14, 15 i 16 care dau medii mai mari dect media populaie, pentru = 0,2.

Cazul = 0,1
Stabilirea limitei admise pentru t = t

Capitolul 1.
31

t
[ 0,9 ; 9 ]
= 1,383

- Ipoteza H: x
Es
< = x
Po
se respinge pentru urmtoarele eantioane: 7 i 13.
- Ipoteza H: x
Es
x
Po
se respinge pentru eantioanele: 1, 2, 3, 4, 5, 6, 8, 9, 10, 11,
12, 14, 15, 16, 17, 18.


1.6.3. Testarea ipotezelor asupra mrimilor centrifuge ale populaiilor.

1.6.3.1. Ipoteza I
3
: un eantion dintr-o populaie are sau nu abaterea standard
s egal cu abaterea standard a populaie .

Enunul ipotezei este urmtorul:

H: s
2
= s
2
fa de A: s
2
= s
2
. (1.52)

La rezolvarea ipotezei se parcurg urmtoarele etape:

Se determin mrimile statistice ale eantionului, x
Es
, s i se impune .
Se calculeaz
2 22 2
cu relaia:

( )
0
2
2
0


=
x x
i
(1.53)

Din tabelul 1.2 ( Anexa 1 ) se aleg valorile
2 22 2
care limiteaz intervalul de
acceptare, n funcie de i n:

(

1 ;
2
1
2
1 ;
2
;
n S n I

(1.54)

Ipoteza H se accept dac
2 22 2

se plaseaz ntre cele dou limite:

2
1 ;
2
1
2
0
2
1 ;
2
(


< <
n S n I

(1.55)


Exemplul 18. Pentru exemplul 16 ne propunem s determinm eantioanele care au
aceeai abatere standard cu a populaie = 9,699 a populaie.

n vederea stabilirii acestor eantioane se determin n primul rnd valorile
2


pentru cele 18 eantioane. Se obin astfel datele de mai jos.

Nr.
2 22 2

Nr.
2 22 2

Nr.
2 22 2


1 22,39 7 23,55 13 24,74
2 31,24 8 18,81 14 20,70
3 15,73 9 12,18 15 19,88
4 17,77 10 5,89 16 16,77

Capitolul 1.
32
5 30,14 11 16,77 17 14,15
6 18,03 12 13,03 18 28,17

Se calculeaz limitele:

= 0,2
2 22 2
I[ 0,1 ; 9 ]
= 4,17 ;
2 22 2
S[ 0,9 ; 9 ]
= 14,7
= 0,1
2
I[0,05 ; 9 ]
= 3,33 ;
2
S[0,95 ; 9 ]
= 16,6
= 0.05
2
I[0,025 ; 9 ]
= 2,7 ;
2
S[0,975 ; 9 ]
= 19,0

Observaii: pentru = 0,2 eantioanele 9, 10, 12 i 17 pot conduce la
abateri standard egale cu abaterea standard a populaie.
Pentru = 0,1mai poate fi acceptate i eantionul 3.
Pentru = 0,05 limitele fiind mai largi, vor intra i eantioanele 4, 6, 8, 11
i 16.

1.6.3.1. Ipoteza I
4
: un eantion dintr-o populaie are abaterea standard diferit
fa de cea a populaie. Acest lucru se poate exprima astfel:

H : s
2

2 22 2

fa de A : s
2
>
2
o
(1.56)
H : s
2

2 22 2

fa de A : s
2
<
2 22 2
o
(1.57)

Modul de rezolvare a problemei este asemntor cu cel al ipotezei I
3
cu
deosebirea c valorile
2
I
pentru se calculeaz cu ajutorul relaiei :


2
I[ (1- ) ; n-1 ]
pentru ipoteza H : s
2

2 22 2

.

n calculul monolimitei superioare se utilizeaz:


2
S[ a ; n-1 ]
pentru ipoteza H : s
2

2
o
.

Ipoteza H : s
2

2 22 2

se refuz dac
2
o
>
2
I
. (1.58)
Ipoteza H : s
2

2
o
se refuz dac
2
o
<
2
S
(1.59)

Exemplul 18 Pentru exemplul precedent, s verificm eantioanele care dau abateri
standard mai mari, respectiv mai mici dect cea a populaie.

Se calculeaz limitele de acceptabilitate cu ajutorul relaiilor de mai sus:

= 0,2
2 22 2
I[ 0,8 ; 9 ]
= 12,2 ;
2 22 2
S[ 0,2 ; 9 ]
= 5,38
= 0,1
2
I[0,9 ; 9 ]
= 14,7 ;
2
S[0,1 ; 9 ]
= 4,17
= 0.05
2
I[0,95 ; 9 ]
= 16,9 ;
2
S[0,05 ; 9 ]
= 3,33

Observaii: Folosind datele deja calculate pentru
2 22 2

rezult urmtoarele:

Ipoteza H : s
2

2 22 2

conduce la eliminarea urmtoarelor eantioane :
cazul = 0,2 exclude eantioanele { 1, 2, 3, 4, 5, 6, 7, 8, 11, 12, 13, 14, 15, 16, 17, 18 }
cazul = 0,1 exclude eantioanele { 1, 2, 3, 4, 5, 6, 7, 8, 11, 13, 14, 15, 16, 18 }
cazul = 0,05 exclude eantioanele { 1, 2, 4, 5, 6, 7, 8, 13, 14, 15, 18 }

Capitolul 1.
33


1.6.4 Testarea ipotezelor asupra mediilor i varianelor a dou populaii.
1.6.4.1 Ipoteza I
5
: dou eantionri din dou populaii au aceeai medie.

H : x
Es1
= x
Es2
fa de A : x
Es1
x
Es2
(1.60)

Rezolvarea ipotezei conduce la urmtoarele cazuri:

a) varianele eantioanelor sunt egale I
51
;
b) varianele eantioanelor sunt diferite I
52
;
c) populaiile sunt mperecheate I
53
.

Cazul a) poate fi exprimat sub forma:

I
51
= H : x
Es1
= x
Es2
fa de A : x
Es1
x
Es2
:
2 22 2
1 11 1
= = = =
2 22 2
2 22 2
. (1.61)

Se calculeaz:


2 1
2 1
x x
Es Es
o
s
x x
t

= (1.62)

unde:

|
|

\
|
+ =

2 1
2 2
1 1
2 1
n n
s s
x x
(1.64)
( ) ( )
2
1 1
2 1
2
2 2
2
1 1 2
+
+
=
n n
s n s n
s (1.64)

iar s
2
1
i s
2
2
sunt varianele, apropiate nimeric ale eantioaneloer din fiecare
populaie. Se alege i din tabelul 1.1 ( Anexa 1 ) se aleg valorile pentru:


( ) [ ] 2 ; 2 / 1
2 1
+ n n
t

. (1.65)

Ipoteza se respinge n cazul n care t
o
se gsete n afara intervalului

[ -t ; + t ] . (1.66)


Exemplul 19. n vederea omologrii unor tehnologii de sudare s-au efectuat
verificri tehnologice de rezilien la temperatura de -36
o
C pentru mai multe
variante tehnologice de sudare. Astfel, la sudarea cu varianta tehnologic 1i 4 s-au
obinut datele din tabelul urmtor:
Se verific dac cele dou variante conduc la aceeai medie a rezilienei. Se
calculeaz mediile i deviaiile i se obine: x
1
= 28,17 i s
2
= 5,36 pentru varianta
A iar pentru varianta B, x
2
= 31,29 i s
2
= 5,24. Deoarece cele dou deviaii sunt
apropiate ca valoare, putem s determinm:


Capitolul 1.
34
Varianta tehnologic
1 4
29 34
27 29
24 33
30 32
30 28
29 30
- 33

3 , 5
2
24 , 5 36 , 5
2
=
+
= s

deviaia considerat comun

( ) 28 , 1 64 , 1 ; 64 , 1 7 1 6 1 3 , 5
2 1 2 1
2
= = = + =
+ x x x x
s s

Se calculeaz t
o
i se obine

44 , 2
28 , 1
29 , 31 17 , 28
0

= t

Se alege a = 0,05 pentru verificarea ipotezei. Rezult astfel :

( ) [ ] [ ]
201 , 2
11 ; 975 , 0 2 ; 2 / 1
2 1
= =
+
t t
n n a


Se observ c t
0
[ -2,201 ; 2,201 ] i deci ipoteza conform creia variantele
tehnologice 1 i 4 conduc la aceleai valori ale rezilienei se respinge cu riscul de
5%.

1.6.4.2 Ipoteza I
52
:

Se consider c varianele celor dou populaii sunt diferite, ipoteza se scrie astfel:

2 1 52
:
Po Po
x x H I = fa de A : x
Po1
x
Po2
;
2
1

2
2
(1.67)

Pentru verificarea ipotezei se calculeaz :


2
2
2
1
2
1
2 1
0
n
s
n
s
x x
t
+

= (1.68)

Se alege a i din distribuia Student rezult:


( ) [ ] ( ) [ ] 1 ; 2 / 1 2 1 ; 2 / 1 1
2 1
;

= =
n n
t t t t

(1.69)

Utiliznd t
1
i t
2
se calculeaz un t ponderat :


Capitolul 1.
35
2
2
2
1
2
1
2
2
2
2
1
1
2
1
n
s
n
s
t
n
s
t
n
s
t
+
+
= (1.70)

Ipoteza se respinge cnd t
o
se gsete n afara intervalului de acceptare, determinat de -
t i t.

Exemplul 20: S verificm dac mediile msurtorilor celor dou populaii din
exemplul precedent sunt diferite.

75 , 0
7
24 , 5
; 9 , 0
6
36 , 5
2
2
2
1
2
1
= = =
n
s
n
s


La aceste valori se calculeaz t
1

[ 0,975 ; 5 ]
= 2,571 i t
2

[ 0.975 ; 6 ]
= 2,447
Valoarea ponderat a lui t este:

434 , 2
7 / 24 , 5 6 / 36 , 5
29 , 31 17 , 28
; 515 , 2
75 , 0 9 , 0
447 , 2 75 , 0 571 , 2 9 , 0
0
=
+

= =
+
+
= t t

Deoarece t
o
[ -2,515 ; 2,515 ] rezult c ipoteza este adevrat, mediile
experimentelor fiind diferite.

1.6.4.3 Ipoteza I
53
: Se enun astfel:

I
53
H: x
1
= x
2
ceea ce indic x
D
= x
1
- x
2
= 0 (1.71)
fa de A: x
1
x
2
identic cu x
D
=x
1
- x
2
0 (1.72)

Pentru calculul ipotezei se parcurg urmtoarele etape:

Se calculeaz:

( )
( )
( ) 1
;
1 1
;
1
2
1 1
2 1 0

= = = =


=
n n
D D
s x x
n
D
n
D
s
D
t
n
i
i
D
n n
i
D
i i
(1.73)

Se impune i se calculeaz (1- / 2) i (n-1).
Din tabelul 1.1 ( Anexa 1) se alege t
[ (1- / 2 ) ; n - 1 ]
.
Ipoteza I
53
H: x
1
= x
2
indic x
D
= x
1
- x
2
= 0 este acceptat dac:
t
o
[ - t ; t ] (1.74)

1.6.4. Ipoteza I
6
se exprim sub forma:

dou eantionri din dou populaii nu au aceeai medie.

I
6
H : x
Po1
x
Po2
fa de A : x
Po1
> x
Po2
sau (1.75)
I
6
H : x
Po1
x
Po2
fa de A : x
Po1
< x
Po2
(1.76)

Capitolul 1.
36

Ipoteza este identic d. p. d. v. al structurrii cu ipoteza I
5
, singura deosebire constnd n
faptul c n locul valorii 1- / 2 se utilizeaz 1 - .

Exemplul 21. n scopul stabilirii unei tehnologii de sudare, s-a urmrit
determinarea unghiul de ndoire pentru 6 epruvete sudate cu o variant de sudare i
8 epruvete sudate cu o a doua variant de sudare mai economic. Se cere s se
indice dac ntre variantele de sudare utilizate exist o diferen din punct de vedere
al unghiului de ndoire al epruvetelor. Datele obinute n urma msurtorilor sunt
urmtoarele:

Unghiul de ndoire
Varianta 1 Varianta 2
98 140
120 130
115 122
132 153
104 118
106 120
126 138
- 129
801 1050 x
i

114,428 131,25 x
153,9524 141,35715 s
2

12,4078 11,8894 s
2,447 2,365 t
i

-2,671 t
0

1,8023 t

Valorile pentru t
o
i t au fost calculate cu relaiile:


8023 , 1
671 , 2
8
35712 , 141
7
9524 , 153
25 , 131 42857 , 114
2
2
2
1
2
1
2
2
2
2
1
1
2
1
2
2
2
1
2
1
2 1
=
+
+
=
=
+

=
+

=
n
s
n
s
t
n
s
t
n
s
t
n
s
n
s
x x
t
o


Cum t
o
< t i deci ipoteza H : x
1
x
2
nu poate fi respins, fiind astfel de preferat
varianta tehnologic 2 care confer proprieti mai ridicate sudurilor, prin prisma
probei de ndoire a epruvetelor sudate.
Modul de abordare a variantelor ipotezei I
6
poate fi prezentat sugestiv n tabel.

Tabelul 1.13. Relaii necesare abordrii ipotezei I
6
.
Ipoteza H : cazul analizat t
o
t
x
1
x
2


1
2
2
2
=
2 1
2 1
x x
s
x x


ne = n
1
+ n
2
- 2
t
[ ( 1 - ) ; ne ]


Capitolul 1.
37
x
1
x
2


1
2
2
2

2
2
2
1
2
1
2 1
n
s
n
s
x x
+


ne = n
1
- 1
nd = n
2
- 1
t
1
= t
[ (1 - ) ; ne ]

t
2
= t
[ (1 - ) ; nd ]

x
D
0 Date
mperechiate
D
s
D

t
[ ( 1- ) ; n - 1]

x
1
x
2

2
2
2
1
=
2 1
2 1
x x
s
x x


ne = n
1
+ n
2
- 2
t
[ ( 1 - ) ; ne ]

x
2
x
2

2
2
2
1

2
2
2
1
2
1
2 1
n
s
n
s
x x
+


ne = n
1
- 1
nd = n
2
- 1
t
1
= t
[ (1 - ) ; ne ]

t
2
= t
[ (1 - ) ; nd ]

x
D
0 Date
mperechiate
D
s
D

t
[ ( 1- ) ; n - 1]


1.6.6. Ipoteza I
7
: se refer la egalitatea varianelor ce aparin la dou populaii:

H :
1
2
=
2
2
fa de A :
1
2

2
2
. (1.77)

Verificarea ipotezei se face n modul urmtor:

Se calculeaz F
o
cu relaia:


2
2
2
1
0
s
s
F = : (1.78)

Se calculeaz domeniul de acceptare pentru F
o
n acest scop fiind necesar
impunerea probabilitii .


(


= =
1 ; 1 ;
2
1 1 ; 1 ;
2
2 1 2 1
;
n n
S
n n
I
F F F F

(1.79)

Ipoteza se accept n cazul n care:

{ }
S I
F F F ;
0
. (1.80)

Exemplul 22. n exemplul 21, valorile dispersiilor celor dou eantioane sunt
apropiate, s verificm dac acestea sunt suficient de apropiate pentru ca problema
s poat fi rezolvat cu ipoteza I
51
. Se testeaz deci ipoteza H : s
1
2
= s
2
2
fa de A :
s
1
2
s
2
2
.

n acest scop se calculeaz:

F
o
= 12,40775 / 11,88 = 1,0436

Limitele intervalului pentru = 0,05 vor fi:


Capitolul 1.
38
[ ] [ ]
21 , 4 ; 259 , 0
7 ; 6 ; 95 , 0 7 ; 6 ; 05 , 0
= = = = F F F F
S I


deoarece { } 31 , 4 ; 259 , 0
0
F ipoteza este acceptat cu un risc de greal = 5%.


1.6.7. Ipoteza I
8
: se refer la verificarea inegalitii dispersiilor conform ipotezelor:

H :
1
2

2
2
fa de A :
1
2
>
2
2
(1.81)
H :
1
2

2
2
fa de A :
1
2
<
2
2
(1.82)

Verificarea ipotezei se face n modul urmtor:

Se calculeaz F
o
cu relaia:


2
2
2
1
0
s
s
F = : (1.83)

Se calculeaz domeniul de acceptare pentru F
o
n acest scop fiind necesar
impunerea probabilitii .


[ ] [ ] 1 ; 1 ; 1 ; 1 ; 1
2 1 2 1
;

= =
n n S n n I
F F F F

(1.84)

Ipoteza H :
1
2

2
2
se respinge cu riscul dac F
o
F
I
(1.85)
Ipoteza H :
1
2

2
2
se respinge cu riscul dac F
o
F
S
(1.86)


Exemplul 23. S se determine situaia a dou dispersii ce au fost determinate prin
eantionare din dou populaii, dac : x
1
= 15 ; x
2
= 18 ; s
1
2
= 6,8 ; s
2
2
= 9,7 i n
1

= n
2
= 5.

Se calculeaz F
o
= s
12
/ s
2
2
= 6,8 / 9,7= 0,701 i se impune = 0,1
Se calculeaz F
I
= F
[ 0,9 ; 4 ; 4 ]
= 4,11 i F
S
= F
[ 0,1 ; 4 ; 4 ]
= 0,243.
Deoarece F
o
< F
I
se accept ipoteza
1
2
<
2
2
cu riscul 100 = 10 %.


1.6.8 Testarea ipotezelor ce se refer la mediile i varianele ce aparin mai multor
populaii.

1.6.8.1. Ipoteza I
9
: n multe situaii eantioanele se ncadreaz n categorii diferite,
ceea ce conduce la obinerea de distribuii multinominale i nu de distribuii
binominale. Pentru fiecare dintre categoriile n care se mpart eantioanele exist
o valoare admis, numit valoare ateptat (Vadm). Ipoteza I
9
are ca scop
verificarea ncadrrii datelor eantioanelor pe care s-au efectuat msurtorile
experimentale (Esi) n limitele celor impuse ( Vadm ).
Ipoteza se noteaz astfel:

H : p
i
= p
io
pentru i = 1, 2, , k ; (1.87)


Capitolul 1.
39
Unde:
k reprezint numrul de clase msurate.
Testarea valabilitii ipotezei se face astfel:

Se calculeaz
o
2
cu relaia:


( )

=
k
i i
i i
Vadm
Vadm Esi
1
2
2
0
(1.88)

Se stabilete riscul i se calculeaz: 1- i k - 1 (1.89)

Se citete din tabelul distribuiei
2
valoarea ( ) [ ]

2
1 1 ; k
Ipoteza H : p
i
= p
io
este acceptat dac:


o
2
<
2
. (1.90)

Observaie: n cazul n care valorile admise lipsesc, atunci acestea pot fi nlocuite cu
media aritmetic a valorilor msurate.

Exemplul 24. n scopul verificrii unui lot de cabine sudate, sunt necesare
verificarea unor cote de montaj (Clasa A); verificri de cote de gabarit (Clasa B) ;
unele verificri ale aparatelor electrice (Clasa C); verificrile unor parametrii ai
sistemului de comand hidraulic (Clasa D) ca i verificarea nivelului de zgomot i
dotri suplimentare (Clasa E).

Din cauza numrului mare de cabine din lot, verificarea se face pe un eantion
format din 4 cabine alese la ntmplare. Valorile admise pentru cabine au fost
cuantificate sub form de punctaje ce reprezint abaterea de la valoarea nominal
impus n caietul de sarcini al produsului, pentru a putea stabili modul n care, la
depirea limitelor maxime i minime admise, lotul s poat fi considerat
necorespunztor. Utilizarea punctajelor face de asemenea posibil i stabilirea
preului de achiziie al lotului, ca i orientarea spre pieele de desfacere.

Cabina Punctaj realizat Total
puncte
Media
mas
mas
mas
V
V V
i
2
2
) (
=

A B C D E
1 80 79 82 56 65 362 72,4 7,1436
2 74 89 79 60 72 374 74,8 5,9326
3 92 80 80 54 70 376 75,2 10,702
4 86 90 81 60 64 381 76,2 9,459
Total 332 338 322 230 271 1493 24,2372
Media 83 84,5 80,5 57,5 67,75 373,25
Necesar
cl. I - a 100 100 100 100 100 500 100
cl. II - a 80 80 80 67 90 397 79,4
cl. III - a 80 80 80 67 67 374 74,8

Se verific dac lotul aparine calsei de calitate I - a:

Capitolul 1.
40
Se calculeaz:

( ) ( ) ( ) ( ) ( )
56 , 37
100
100 75 , 67 100 5 , 57 100 5 , 80 100 5 , 84 100 83
2 2 2 2 2
2
0
=
+ + + +
=
Se impune = 0,1 i pentru ne = k - 1 rezult din tabel valorilor distribuiei
2


2
nec
=
2
[ 0,9 ; 4 ]
= 7,78

Deoarece ipoteza H : p
i
= p
io
nu este adevrat, (
2
nec
<
2

) lotul de cabine nu
corespunde clasei de calitate I - a pentru care s-a efectuat testul.

Se verific dac lotul aparine calsei de calitate a II - a:
Se calculeaz:


( ) ( ) ( )
( ) ( )
3164 , 7
90
90 5 , 67
67
67 5 , 57
80
80 5 , 80 80 5 , 84 80 83
2 2
2 2 2
2
0
=

+
+ +
=


Deoarece ipoteza H : p
i
= p
io
este adevrat, (
2
nec
>
2

) lotul de cabine
corespunde clasei de calitate a II - a pentru care s-a efectuat testul.

S verificm acum dac exist diferene ntre produsele din lotul primit :
Se calculeaz punctajul mediu al eantionului:

x
Es
= 373,25

se calculeaz
2


( ) ( ) ( ) ( )
5218 , 0
25 , 373
25 , 373 381 25 , 373 376 25 , 373 274 25 , 373 362
2 2 2 2
2
9
=
+ + +
=
se impune = 0,05 i pentru ne = n - 1 rezult
2
nec
=
2
[ 0,95 ; 3 ]
= 7,81
Deoarece ipoteza H : p
i
= p
io
este adevrat, (
2
nec
>
2

) se admite cu riscul de 5
% ipoteza cu privire la inexistena diferenelor majore ntre cabinele din lot.


1.6.8.2. Ipoteza I
10
: se refer la testarea egalitii mediilor unui numr mare de
populaii.
Expresia ipotezei este:

H : x
1
= x
2
= x
3
=.....= x
k
fa de A : x
1
x
2
x
3
. x
k

(1.91)

Ipoteza se verific pe baza distribuiei Fischer, prin calcularea


Capitolul 1.
41

( ) ( )
( )


= =
= =


=
k
i
ne
j
i ij
k
i
i
k
i
i i
o
x x
ne
k
ne x x
F
1 1
2
1 1
2
1
1
(1.92)

unde:

ne
i
- reprezint numrul de eantioane din fiecare populaie
k - numrul populaiilor ce se testeaz
x
i
- mediile eantioanelor din fiecare populaie
x
ij
- datele msurtorilor din eantioane
x - media eantioanelor

stabilirea erorii i calcularea mrimilor:
k 1
(ne
i
- 1); pentru i = 1,, k (1.93)

Citirea din tabelul distribuiei Fischer a valorii:


( )
(
(

|
|

\
|


=
=
k
i
i
ne k
F F
1
) 1 ( ; ) 1 ( ; 1
(1.94)

Analizarea corectitudinii ipotezei se face prin compararea valorilor F
o
i F, astfel dac

F
o
< F (1.95)

atunci ipoteza se admite cu ncrederea 1 - , n caz contrar, aceasta se refuz cu riscul
. Deci dac F
o
este mai mic dect F atunci mediile populaiilor pot fi considerate egale.


Exemplul 25. Datele de mai jos reprezint rezultatul msurtorilor efectuate pe
cte un eantion din cinci populaii. Se propune testarea ipotezei conform creia
cele cinci populaii au medii egale cu x = 21.

Eantioanele populaiilor
1 2 3 4 5
22 19,8 20 24 19
Valorile 24 23,2 19 20 22
msurtorilor 23 - 21 21 23
x
ij
22 - - 20 22
- - - 22 -
Total 91 43 60 107 86
Media x
i
22,75 21,5 20 21,4 21,5

n scopul verificrii ipotezei se calculeaz:
k - 1 = 5 - 1 = 4 ;

=
= + + + + =
k
i
i
ne
1
13 3 4 2 1 3 ) 1 (

Capitolul 1.
42
( ) ( ) ( ) ( )
( ) ( ) ( ) 3 , 14 21 5 , 21 4 21 4 , 21 5 21 20 3
21 5 , 21 2 21 75 , 22 4
2 2 2
2 2
1
2
= + +
+ + =

=
k
i
i
x x ne

( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) 73 , 30 5 , 21 22
5 , 21 23 5 , 21 22 5 , 21 19 4 , 21 22
4 , 21 20 4 , 21 21 4 , 21 20 4 , 21 24
20 21 20 19 20 20 5 , 21 2 , 23
5 , 21 8 , 19 75 , 22 22 75 , 22 23
75 , 22 24 75 , 22 22
2
2 2 2 2
2 2 2 2
2 2 2 2
2 2 2
2 2
2
1 1
=
+ + + +
+ + + +
+ + + +
+ + +
+ + =

= =
k
i
ne
j
i ij
i
x x


Se calculeaz F
o
:

5123 , 1
75 , 30
13
4
3 , 14
0
= = F
Se alege = 5% i din tabelul distribuiei Fischer pentru:

F = F
[ 0,95 ; 4 ; 13 ]
= 3,18

Concluzie: Deoarece F
o
este mai mic dect F ipoteza c cele k = 5 populaii, din
care s-au extras eantioanele analizate, au aceeai medie i aceasta este egal cu 21.
Ipoteza este valabil pentru un risc = 5 %.

1.6.8.2. Ipoteza I
11
: se refer la testarea egalitii abaterilor standard pebtru un
numr mare de populaii. Expresia acestei ipoteze este:

H :
1
2
=
2
2
= =
k
2
fa de A :
1
2

2
2

k
2
(1.96)

Algoritmul de calcul pentru aceast ipotez este:

Se calculeaz mrimile:

( ) ( ) ( ) ( ) ( )

= =
=
= =
=
|
|

\
|
=

= =
k
i
i i
k
i
i
k
i
i
ne
j
k
i
i ij
s ne B s ne B
ne
W
s x x W
i
1
2
1
2
1
1
2
1 1
2
log 1 ; log ) 1 ( ;
) 1 (
;
( )
( )
( )
C
ne
ne k
C B B
k
i
i
k
i i
2
0 2
0
1
1
1
2
0
~
;
1
1
1
1
1 3
1
1 ; 3026 , 2

=
|
|
|
|
|

\
|


+ = =

=
=
(1.97;1.98)

Se adopt riscul a i se calculeaz 1- i k - 1 (1.99)
Se alege din tabelul valorilor distribuiei:


2
(
[ ]
2
1 ; 1 k
) (1.100)

Capitolul 1.
43

Ipoteza I
11
se admite dac


~

0
2
<
2
(1.101)

n caz contrar, ipoteza se respinge cu riscul .
Observaie: n scopul uurrii calculelor este recomandabil ntocmirea urmtorului tabel
suplimentar:
Eant. x
ij
Gradele de
libertate
Inversul
gradelor de
libertate
s
i
2
log(s
i
2
) x < la s
i
2
>
1 (x
1j
- x
1
)
2
n
1
- 1 1 / (n
1
- 1 ) s
1
2
log(s
1
2
) (n
1
- 1) log(s
1
2
)
2 (x
2j
- x
1
)
2
n
2
- 1 1 / (n
2
- 1 ) s
2
2
log(s
2
2
) (n
2
- 1) log(s
2
2
)

k (x
kj
- x
1
)
2
n
k
- 1 1 / (n
k
- 1 ) s
k
2
log(s
k
2
) (n
k
- 1) log(s
k
2
)
Sume W (n
i
- 1) 1 / (n
i
- 1) - - (n
i
- 1) log(s
i
2
)

Exemplul 26. Pentru populaiile analizate n exemplul precedent, se pune problema
verificrii ipotezei egalitii varianelor.
n acest scop se calculeaz mrimile: (x
ij
- x
i
)
2
i s
2
i
pentru fiecare eantion n parte.









Se calculeaz:
( ) ( )
11 , 8 195 , 1 / 36 , 2
~
; 195 , 1 ) 13 / 1 41667 , 2 ( ) 4 3 /( 1 1
693 , 9 647244 , 0 857 , 4 3026 , 2 3026 , 2
857 , 4 ) 36 , 2 log( 13 ) log( 1 ; 36 , 2
13
73 , 30
) 1 (
2
0
1
2
0
2
1
1
2
= = + =
= =
=
|
|

\
|
= =

=
=

C
B B
s ne B
ne
W
s
k
i
i
k
i
i

Se stabilete riscul = 1% i se citete din repartiia
2
valoarea:


[ ]
28 , 13
2
4 ; 99 , 0
2
= =
nec

Comparnd cu valoarea se observ c
2
0
~
<
2
nec
i n consecin trebuie acceptat
ipoteza c varianele celor cinci populaii sunt egale.

Concluzie: Att mediile geometrice [Exemplul 25] ct i varianele [Exemplul 26]
celor cinci populaii analizate sunt egale, n limita unui risc 5% pentru medii i 1%
pentru variane.
Nr.
Crt
(x
ij
- x
i
)
2
s
2
i
ne
i
ne
i
- 1 1 / (ne
i
- 1) log(s
2
i
) (ne
i
- 1) log(s
2
i
)
1 2,75 0,9167 4 3 0,3333 -0,0378 -0,0126
2 5,78 2 2 1 1 0,301 0,301
3 2 1,5 3 2 0,5 0,176 0,088
4 11,2 2,8 5 4 0,25 0,4472 0,1118
5 9 3 4 3 0,3333 0,4771 0,15904
W = 30,73 13 2,41667 B
1
=0,647244
Capitolul 1.

44
1.7. Alegerea parametrilor i variabilelor de stare ale obiectului cercetrii.
Programarea experienelor.

1.7.1. Consideraii generale. Fenomenelor ce se studiaz cu metodele de analiz
operaional, reprezint un sistem influenat de o serie de variabile ce pot fi mprite n
variabile de intrare i variabile de ieire. n cazul proceselor de sudare, n cele mai multe
cazuri, variabilele de intrare sunt parametrii tehnologici principali, iar variabilele de ieire
sunt proprietie cordoanelor sudate sau unele proprieti ale structurii sudate.

1.7.2. Modul de determinare al variabilelor de stare. n cazul tehnologiilor i
echipamentelor de sudare, variabilele de stare pot fi clasificate n urmtoarele categorii:
- Variabile tehnologice, exprim dependena existent ntre diverii parametrii de
sudare. Exemplu: ( Is = f(procedeu , de), Ua = f(procedeu, Is), kVs = f( procedeu, de), Is
= f(procedeu, tip cordon, de, b, d, de
2
, b, dde, bde )
- Variabile economice, exprim de cele mai multe ori dependena ntre preul de
cost, consumul energetic sau norma de timp i parametrii principali de sudare.
- Variabile structurale, exprim dependena ntre proprietile cordoanelor obinute
i parametrii tehnologici de sudare, avnd scopul de a asigura realizarea cerinelor de
calitate impuse att structurii sudate n cazul general ct i cordoanelor de sudare din
care este alctuit.

Exemplul 28. HM = f(t
8/5
, P
cm
, C ); B = f( procedeu, tip cordon, d
e
, V
s
, b, kV
s
,
U
a
,V
s
, kVsde, kVs
2
, Vs
2
, de
2
); p = f( procedeu, tip cordon,de, b, Vs, kVs,Ua ) sau
k
b
= ( procedeu, ordine de sudare, E
l
,
min
, numr treceri, As, Iz ) etc.
Alegerea variabilelor de stare se face n funcie de urmtoarele condiii:
a) variabila de stare trebuie s aib o valoare cuantificabil, deci s poat fi
exprimat prin numere.
b) variabila de stare trebuie s poat fi determinat prin msurtori directe.
c) datele msurtorilor trebuie s fie eficiente din punct de vedere statistic, deci s
prezinte o dispersie ct mai mic n timpul experimentrii.

1.7.3. Alegerea parametrilor procesului. Se face n funcie de urmtoarele consideraii:

a) parametrii trebuie s poat fi reglabili n limitele dorite de cercettor
b) precizia de msurare trebuie s fie cunoscut i suficient de ridicat,
c) diversele combinaii ale valorilor parametrilor nu trebuie s conduc la valori n
afara domeniului de ateptare pentru variabilele de stare.
d) ntre parametrii i variabilele de stare trebuie s existe o legtur biunivoc cu
scopul de a permite construirea modelului matematic care reprezint o etap
important a cercetrii.

1.7.4. Experimentul preliminar. Reprezint o etap important n organizarea i
selectarea cunotinelor ce se refer la fenomenul ce se va modela. Acest lucru se poate
obine de regul prin urmtoarele moduri.

a) Utiliznd literatura de specialitate,
b) ncercri preliminare, cu caracter de validare a unor ipoteze,
c) ncercri preliminare conform unui plan de experimentri redus. Aceste tipuri de
experiene se numesc experimente de selecionare i au de regul un numr
Capitolul 1.

45
mai mic de experiene dect numrul de parametrii a cror influen se analizeaz
ceea ce face ca planurile conform crora se realizeaz aceste s se numeasc
suprasaturate.

1.7.5. Analiza dispersional. Informaia furnizat de un experiment preliminar trebuie s
poat permite calculul complet al caracteristicilor statistice. Dar aceste caracteristici sunt
insuficiente pentru construirea modelului. Analiza dispersional are ca scop principal
determinarea influenelor pe care diferii parametrii le au asupra valorilor medii ale
variabilelor de stare ale procesului ce se analizeaz ca i exprimarea cantitativ a
modificrilor ce survin. Pentru realizarea acestui deziderat trebuiesc ns separai
parametrii procesului care au caracter aleator de cei cu caracter sistematic.
Descompunerea efectelor parametrilor aleatori de cele ale parametrilor sistematici se
face prin descompunerea dispersiei totale a msurtorii n dispersiile componente i
analizarea lor.

1.7.5.1. Analiza dispersional a fenomenelor ce depind de un singur parametru.

Se consider c asupra variabilei de stare (y) influena hotrtoare o are un
singur parametru A. S analizm dac acest parametru are o influen sistematic sau
aleatoare asupra variabilei de stare. n acest scop cercetrile vor fi organizate pe m
nivele de variaie ale parametrului, pentru fiecare nivel fiind efectuate n msurtori,
conform urmtorului tabel.

Tabelul 1. 14 Programarea experienelor pe baza analizei dispersionale pentru un singur parametru.
Nr. de
determinri
Nivelul parametrilor
1 2 m
1 y
11
y
21
y
m1

2 y
12
y
22
y
m2


n y
1n
y
2n
y
nm

Suma Y
1
Y
2
Y
m

Media y
1
y
2
y
m

Dispersia s
1
2
s
2
2
s
m
2


Datele din tabel sunt utilizate pentru determinarea dispersiilor s
o
2
reprezentnd dispersia
reproductibilitii i s
2
reprezentnd dispersia factorului analizat. Expresia dispersiei s
2

este urmtoarea:

s
2
= ns
A
2
+ s
o
2
(1.102)

unde:

s
A
2
este dispersia provocat de parametrul analizat.
Cele dou dispersii s
2
i s
o
2
se compar cu ajutorul criteriului Fischer, verificndu-
se semnificaia raportului:

F
c
= s
2
/ s
0
2
. (1.103)

Capitolul 1.

46
Se stabilete nivelul riscului (de regul = 0,05 ), se calculeaz gradele de
libertate = m - 1 i

= mn - 1. Din tabelul repartiiei Fischer se citete valoarea F


T

conform:

[ ]
0
; ; 05 , 0
F F
T
= . (1.104)

Astfel dac F
c
> F
T
se consider c parametrul analizat are o influen
semnificativ asupre variabilei de stare deci poate fi considerat ca fiind parametru
tehnologic. Atunci i numai atunci determinarea unei legi de repartiie n funcie de acest
parametru este ndreptit.

Valoarea dispersiei ce corespunde parametrului este:

s
A
2
= (s
2
- s
0
2
) / n . (1.105)

Dac ns F
c
F
T
rezult c s
A
2
0 i se consider c parametrul A este aleator, avnd
o influen neesenial asupra fenomenului analizat.
Calculul dispersiilor se efectueaz conform algoritmului:

se calculeaz suma patratelor valorilor din tabel:

= =
=
m
i
n
j
ij
y S
1 1
2
1
(1.106)

Se calculeaz suma abaterilor mediilor aritmetice pe coloane:

=
=
= = =
=
n
j
i ij i
m
i
i
m i Y
n
y
n
y
y n S
1
1
2
,.., 1 ;
1 1
(1.107)

Se calculeaz suma valorilor obinute prin nlocuirea valorilor din tabel cu media
lor aritmetic

T
m
i
n
j
ij T
T T
Y
n m
y
n m
y
Y
n m
y n m S

= =

= =
1 1
1
1 1
2 2
3
(1.108)

Cu ajutorul acestor sume de ptrate se determin dispersiile s
o
2
i s
2
fiind recomandat
utilizarea unui calcul tabelar.





Capitolul 1.

47
Tabelul 1.15 . Calculul dispersiilor s
o
2
i s
2

Divergena datelor
experimentale
Suma
ptratelor
Nr. grade de
libertate
Dispersia
dorit
Expresia dispersiei
pe componente
ntre coloane S
2
- S
3
= m - 1 s
2
= ( S
2
- S
3
) / s
2
= n s
A
2
- s
o
2

ntre rnduri S
1
- S
2

o
= m(n - 1) s
o
2
= (S
1
- S
2
) /
o
s
o
2(*)

Total S
1
- S
3

0
2
1 = m n s S S
0
2
1 3 0
= ( )

s s s
0
2 2
0 0
2
0
= + + ( ) ( )
(*) reprezint media aritmetic a dispersiilor s
i
2
( i = 1, , m conform tabelului 1.14).

Algoritmul de calcul al dispersiilor i cel de luare a deciziei se bazeaz pe ipoteza
dispersiilor omogene, ipotez care va trebuii n prealabil verificat cu ajutorul criteriului
Cochran sau a ipotezei I
11
folosind n acest sens datele din tabelul 1.14. Este de preferat
utilizarea ipotezei I
11
deoarece aceasta permite i efectuarea unui numr de msurtori
diferite pentru fiecare palier al parametrului ceea ce nlocuiete utilizarea criteriului
Bartlett pentru verificarea omogenitii dispersiilor pe coloane. n cazul cnd numrul de
msurtori pentru fiecare palier este diferit problema analizei dispersionale se rezolv
astfel:

Se utilizeaz tabelul 1.16

Tabelul 1.16. Gruparea datelor msurtorilor pe nivele ale parametrului n cazul numrului diferit de
msurtori ntre nivele.
Nr. de
determinri
Nivelul parametrilor
1 2 m
1 y
11
y
21
y
m1

2 y
12
y
22
y
m2


ne y
1n
y
2n
y
nm

ne
i
ne
1
ne
2
ne
m

Suma Y
1
Y
2
Y
m

Media
y
1
y
2


y
m

Dispersia s
1
2
s
2
2
s
m
2



Mrimile S
1
, S
2
i S
3
se calculeaz n acest caz cu relaiile:


1
1 1
2
1
=
=

= =
m
y S
m
i
ne
j
ij
i

(1.109)

=
=
=
=
m
i
i
i
m
i i
m ne
Y
ne
S
1
0
2
1
2
1

(1.110)
Capitolul 1.

48

=
=
=
=
=
m
i
i
m
i
i
m
i
i
ne
ne
Y
S
1
0
1
1
2
3
1
(1.111)

Att mrimile S
1
, S
2
i S
3
ct i gradele de libertate astfel determinate vor trebuii
introduse n tabelul de calcul al dispersiilor i vor trebuii astfel determinate s
o
2
i
s
2
. Prin aplicarea criteriului Fischer se determin dac parametrul este
semnificativ i poate fi exprimat o lege de regresie ntre variabila de stare i
acesta. n caz afirmativ, se determin dispersia parametrului cu relaia:


( ) ( )
(
(

\
|

=

= =
=
m
i
i
m
i
i
m
i
i
A
ne ne
ne m s s
s
1
2
2
1
1
2
0
2
2
1
(1.112)

n caz contrar, s
A
2
se consider nul iar ntre parametru i variabila de stare nu
exist dect o legtur aleatoare, nicidecum una funcional.


Verificarea omogenitii mediei.

Dac n urma analizei dispersionale se ajunge la concluzia c parametrul este
semnificativ, deci (F
c
> F
T
) atunci va trebuii efectuat obligatoriu i verificarea asupra
egalitii mediilor, n conformitate cu criteriul Duncan sau cu ipoteza I
10
urmat n cazul
cnd aceasta este invalidat de ipoteza I
2
pentru grupe de paliere. Scopul acestei
verificri const n determinarea valorilor mediei y
i
care difer semnificativ, deci
reprezint ntradevr un nivel al parametrului. n cazul n care ipoteza I
10
este adevrat,
rezult c toate msurtorile au aceeai medie deci se ncadreaz n acelai nivel de
variaie al parametrului. Acest lucru poate conduce la adugarea de msurtori cu
valoari ale parametrului mai mari sau mai mici dect cele iniiale i refacerea analizei.
Pot fi acum nlocuite coloanele ce reprezint datele iniiale cu o singur coloan
reprezentativ.
Scopul acestei analize const n determinarea nivelului de variaie Dx al parametrului,
nivel extrem de important n stabilirea planului experimental complet ca i n cazul
experienelor factoriale.

1.7.5.2. Analiza dimensional multifactorial sau multiparametru.

Trebuie executat n cazul n care se testeaz influena mai multor parametrii
asupra variabilei de stare ca i influena interaciunii dintre acei parametrii.
Scopul analizei const n determinarea parametrilor, al puterii acestora ca i al
interaciilor dintre parametrii care au un grad maxim de semnificaie deci pe baza lor
poate fi obinut legea de regresie multiparametru cea mai apropiat de realitate. Pentru
Capitolul 1.

49
a prezenta modul de efectuare al analizei dimensionale multifactoriale se consider un
experiment n care intervin trei parametrii A, B, C pe un numr diferit de nivele A : i =
1,,m ; B : i =1,,n ; C : i =1,,k . Pentru fiecare determinare de nivel, i ,analiza se
efectueaz o singur msurtoare. Rezultatele msurtorilor pot fi grupate n tabele de
tipul tabelului 1.17.

Tabelul 1.17. Modul de organizare al experienelor pentru analizarea unui program compus din trei
parametrii.
C
A B C
1
C
2
C
k

A
1
B
1
y
111
y
112
y
11k


B
n
y
1n1
y
1n2
y
1nk


A
m
B
1
y
m11
y
m12
y
m1k


B
n
y
mn1
y
mn2
y
mnk


Dispersia s
A
2
caracterizeaz efectul produs prin cele m valori ale parametrului A, ceilali
doi parametrii fiind constani. Identic i pentru s
B
2
i s
C
2
. Aceste dispersii formnd
mpreun cu dispersiile interaciunilor dintre parametrii dispersia total a msurtorii.
Dispersiile s
AB
2
, s
BC
2
i s
AC
2
caracterizeaz efectele a trei interaciuni de ordinul nti.
Astfel s
AB
2
indic msura n care modificarea msurtorii (y) produs de modificarea
parametruli A este influenat de valoarea pe care o are parametrul B i invers. Celelalte
interaciuni de ordinul nti se interpreteaz analog.
Ca i n cazul dispersiei ce depinde de un singur parametru, dispersia
reproductibilitii s
o
2
caracterizeaz eroarea experimentului. n cazul analizei
multifactoriale pot intervenii i dispersiile de ordinul doi, trei etc. Astfel dispersia de
ordinul doi reflect n ce msur efectele interaciunilor de ordinul nti AB , BC, i CD
depind de valorile parametrilor C, A, respectiv B. Notaia pentru dispersia de ordinul doi
n acest caz este s
ABC
2
. Deoarece de regul aceste interaciuni fie lipsesc, fie sunt foarte
sczute, ele nu sunt calculate separat ci sunt incluse n s
o
2
. Dac ns analiza conduce
la erori mari, deci aceste efecte nu mai pot fi neglijate, atunci sunt calculate i aceste
influene.n cazul dispersiei trifactoriale, componentele dispersiei generale sunt date n
tabelul 1.18.

Tabelul 1.18. Componentele dispersiei globale pentru analiza trifactorial.
Sursa dispersiei Gradele de libertate Dispersia Componentele dispersiei
globale
Parametrul A m -1 s
6
2
nks
A
2
+ ks
AB
2
+ ns
AC
2
+ s
o
2

Parametrul B n - 1 s
5
2
mks
B
2
+ ks
AB
2
+ ms
BC
2
+ s
o
2

Parametrul C k - 1 s
4
2
mns
C
2
+ ms
BC
2
+ ns
AC
2
+ s
o
2

Interaciunea AB ( m - 1 )( n - 1) s
3
2
ks
AB
2
+ s
o
2

Interaciunea BC ( n - 1 )( k - 1 ) s
2
2
ms
BC
2
+ s
o
2

Interaciunea AC ( m - 1 )( k - 1) s
1
2
ns
AC
2
+ s
o
2

Reproductibilitatea ( m - 1 )( k - 1 )( n - 1) s
o
2

Suma mnk - 1 ---- ----

n scopul uurrii calculelor, tabelul 1.19 va fi divizat n trei sutabele, cte unul pentru
fiecare parametru a crui influen se analizeaz. n prealabil trebuind calculate urmtorii
termeni:
Capitolul 1.

50

= = =
= = = = = =
n
u
iju ij
n
j
m
i
iju ju iju iu
y Z n j y X k u m i y W
1 1 1
; ,.., 1 ; ; ,.., 1 ; ,.., 1 ; (1.113)

Tabelul 1.19 Valorile msurtorilor parametrilor A i C
C
A C
1
C
2
C
k

A
1
W
11
W
12
W
1k
W
1

A
2
W
21
W
22
W
2k
W
2


A
m
W
m1
W
m2
W
mk
W
m

W
1
W
2
W
k
W

Tabelul 1.20 Valorile msurtorilor parametrilor B i C
C
B C
1
C
2
C
k

B
1
X
11
X
12
X
1k
X
1

B
2
X
21
X
22
X
2k
X
2


B
m
X
m1
X
m2
X
mk
X
m

X
1
X
2
X
k
X

Tabelul 1.21 Valorile msurtorilor parametrilor B i A
A
B A
1
A
2
A
k

B
1
Z
11
Z
12
Z
1k
Z
1

B
2
Z
21
Z
22
Z
2k
Z
2


B
m
Z
m1
Z
m2
Z
mk
Z
m

Z
1
Z
2
Z
k
Z

Se vor calcula astfel conform tabelului 1.19 sumele:

k n m
W
S
n m
W
n m
W
S
k n
W
k n
W
S
n
W
S
k
i
m
j
ij
k
i
i
m
i
k
j
ij
m
i
i
m
i
k
j
ij

=

|
|

\
|
=

|
|

\
|
=

= =

= =
=
= =
=
= =
2
4
1
2
1
1
2
3
1
2
1
2
1
2
2
1 1
2
1
;
'
;
(1.114)

iar:


= =
= =
m
i
i
k
i
i
W W W
1 1
' (1.115)

Pe baza acestor sume vor fi calculate urmtoarele dispersii:







Capitolul 1.

51
Tabelul 1.21. Dispersiile calculate pe bazele datelor din tabelul 1.21
Sursa dispersiei Suma ptratelor Gradele de libertate Dispersia
Parametrul A S
2
- S
4
m - 1 s
6
2

Parametrul C S
3
- S
4
k - 1 s
4
2

Interaciunea AC S
1
- S
2
- S
3
+ S
4
(m - 1)( k - 1) s
1
2

Suma S
1
- S
4
m n -1 ---

Analog vor fi determinate i celelalte dispersii dar prin utilizarea datelor din tabelele 1.20
i 1.21. Se determin n final suma ptratelor tuturor msurtorilor ca i diferena S
T
- S
4

cu relaia:

= = =
=
m
i
n
j
k
u
iju T
y S
1 1 1
2
(1116)

Pentru a se determina s
o
2
din diferena S
T
- S
4
se scad sumele de ptrate care s-au
utilizat la calculul dispersiilor s
1
2
, s
2
2
, s
3
2
, s
4
2
, s
5
2
, s
6
2
. Fa de acest mod de abordare a
problemei, pentru cazul n care pentru fiecare combinaie de parametrii se efectueaz un
numr oarecare de determinri, p, calculul dispersiilor se va efectua utiliznd
urmtoarele etape:

Se calculeaz valorile medii:

p
y
y
p
u
ijku
ijk

=
=
1
(1.117)
Se parcurg etapele prezentate n exemplul precedent pentru calculul dispersiilor:
s
1
2
, s
2
2
, s
3
2
, s
4
2
, s
5
2
, s
6
2
. Dar n acest caz n tabelul datelor generale vor fi introduse pe
poziiile i,j,k valorile medii calculate anterior. Pe baza acestuia fiind determinate celelalte
tabele de lucru.

Se calculeaz dispersia reproductibilitii cu relaia:

( ) k n m p
S S
s
T

=
1
'
5 2
0
(1.118)
unde:

p
y
y p S
y S
m
i
n
j
k
u
p
v
ijuv
m
i
n
j
k
u
iju T
m
i
n
j
k
u
p
v
ijuv

= = = =
= = =
= = = =
|
|

\
|
= =
=
1 1 1
2
1
1 1 1
2
1 1 1 1
2
5
'
;
(1.119)
Se calculeaz:


p k n m
y
S
m
i
n
j
k
u
p
v
jkuv

|
|

\
|
=

= = = =
2
1 1 1 1
6
(1.120)
Se calculeaz:
Capitolul 1.

52

S
7
= S
5
- S
6
. (1.121)
Se calculeaz suma ptratelor corespunztoare interaciunii de ordinul doi,
pentru cazul a trei parametrii S
ABC
.

) " " " " (
) ' ' ' ' ( ) (
) ' ' ( ) ( ) (
3 2 4 1
3 2 4 1 3 2 4 1
4 2 4 3 4 2 7
S S S S
S S S S S S S S
S S S S S S S S
ABC
+
+ +
=
(1.122)
Se determin dispersia interaciunii de ordinul doi s
7
2
.


2
7
2
) 1 )( 1 )( 1 (
s
k n m
S
s
ABC
ABC
=

= (1.123)

Exemplul 29. Se analizeaz duritatea maxim obinut n ZIT -ul unui cordon de sudur n funcie
de energia liniar de sudare i temperatura de prenclzire a materialului. ncercarea s-a efectuat pe
patru nivele att n ce privete energia liniar de sudare El ct i n ceea ce temperatura de
prenclzire. Procedeul de sudare a fost MAG iar datele privind duritatea au fost msurate pe trei
epruvete prelevate dintr-un lot de prob.

Tabelul 1.22. Datele msurtorilor privind duritatea n ZIT funcie de temperatura de prenclzire
(T) i energia liniar de sudare (El)
Energia Numrul de Temperatura de prenclzire (T) Sume pe
liniar de
sudare.
determinri
paralele
T
1
= 0
0
C T
2
= 40
0
C T
3
= 80
0
C T
4
=
120
0
C
rnduri
(E
l
) Duritatea maxim msurat n ZIT
1 384 368 343 316
2 387 366 345 319
E
l1
3 388 364 342 321
[18 kJ/cm] 1159 1098 1030 956 4243
Media 386,33 366 343,33 318,66
S
5i
149253,4 133956 117877,8 101549 502632,95
1 302 287 271 254
2 312 288 270 256
E
l2
3 307 289 269 252
[22 kJ/cm] 921 864 810 762 3357
Media 307 288 270 254
S
5i
94249 82944 72900 64516 314609
1 260 247 236 226
2 261 252 235 227
E
l3
3 259 242 237 225
[26 kJ/cm] 780 741 708 678 2907
Media 260 247 236 226
S
5i
67600 61009 55696 51076 235381
1 235 227 220 210
2 236 225 218 212
E
l4
3 234 226 219 214
[32 kJ/cm] 705 678 657 636 2676
Media 235 226 219 212
S
5i
55225 51076 47961 44944 199206
Total pe
coloane
3565 3381 3204 3033 13183

Capitolul 1.

53
S
1
= 4523721+2831481+2118429+1792854 = 11266485 / 3 ; S
1
= 3755495
S
2
=18003049+11269449+8450649+7160976 = 44884123 / 12 ; S
2
=3740343,583
S
3
=12709225+11431161+10265616+9199089 = 43605091 / 12 ; S
3
=3633757,583
S
4
= 3620656,021
S
5
= 1251828,953 3 = 3755486,859

Tabelul 1.23. Dispersia bifactorial pentru datele din tabelul 1.x+8.
Dispersia
parametrului
Expresia Gr.
Lib
Simb. Valoare F
Temp. de
prenclzire T
S
3
-S
4
=13101,56 3 s
3
2
=12s
T
2
+3s
TE
2
+s
0
2

4367,2 F
T
=
19,2
Energ. liniar E S
2
- S
4
=119687,6 3 s
2
2
=12s
E
2
+3s
TE
2
+s
0
2

39895 F
E
= 175
Interaciunea
param. TE
S
1
+S
4
-S
3
-S
2
=
2049,85
9 s
1
2
=3s
TE
2
+s
0
2
227,76 F
0
= 895
Eroarea
experimental
S
5
-S
1
= 8,14 32 s
0
2
0,2544
Suma S
5
-S
4
47



Se alege nivelul de semnificaie: = 0,05 (5%). Se determin = n-1= 3 i

=
(m-1)(n-1) = 9. Se citesc valorile tabelate pentru testul Fischer, Fc = F
[ 0,05 ; 3 ; 9 ]
=
3,86. Deoarece F
T
, F
E
i F
0
sunt mai mari dect Fc att parametrii T i E analizai
ct i interaciunea dintre acetia sunt semnificativi. Se calculeaz dispersia
determinat de parametrul E ( E
l
).

s
T
2
= (s
3
2
- s
1
2
)/12 = 344,9
s
E
2
= (s
2
2
- s
1
2
)/12 = 3305,67
s
TE
2
= (s
2
2
- s
0
2
)/3 = 75,833

Abaterea medie ptratic normal este:

2912 , 0
3
2544 , 0
2
= = =
p
s
s
o
y


Prin extragerea valorilor criteriului de rang, n conformitate cu criteriul Duncan,
pentru o ncredere de 95%, rezult diferena dintre ranguri n funcie de gradele de
libertate ca n tabelul:

Tabelul 1.24.Valorile rangurilor conform criteriului duncan pentru =0,05
n 2 3 4
Rangurile 2,87 3,02 3,11
cele mai mici ranguri semnificative
( c.m.m.r.s )
0,042 0,045 0,046

Astfel sintetiznd datele din msurtoare se analizeaz influena pe care
temperatura de prenclzire o are asupra duritii din ZIT.






Capitolul 1.

54
Tabelul 1.25. Verificarea semnificaiei diferenei dintre mediile msurtorilor. Influena
temperaturii.
Energia
liniar
Temperaturil
e comparate
Diferena dintre
medii
c.m.m.r.s. Semnificaia
diferenei
T
1
T
4
67,67 0,046 Semnificativ
T
1
T
3
43 0,045
E
l1
= T
1
T
2
20,33 0,042
14 kJ/cm T
2
T
4
47,34 0,045
T
2
T
3
22,67 0,042
T
3
T
4
24,67 0,042
T
1
T
4
53 0,046
T
1
T
3
37 0,045
E
l2
= T
1
T
2
19 0,042
20 kJ/cm T
2
T
4
34 0,045
T
2
T
3
18 0,042
T
3
T
4
16 0,042
T
1
T
4
33 0,046
T
1
T
3
23 0,045
E
l3
= T
1
T
2
12 0,042
26 kJ/cm T
2
T
4
21 0,045
T
2
T
3
11 0,042
T
3
T
4
10 0,042
T
1
T
4
23 0,046 Semnificativ
T
1
T
3
16 0,045
E
l4
= T
1
T
2
9 0,042
32 kJ/cm T
2
T
4
14 0,045
T
2
T
3
7 0,042
T
3
T
4
7 0,042

Tabelul 1.26. Verificarea semnificaiei diferenei dintre mediile msurtorilor. Influena
energiei liniare.
Temperatura Energiile
liniare
comparate
Diferena dintre
medii
c.m.m.r.s. Semnificaia
diferenei
C
1
C
4
151,33 0,046 Semnificativ
C
1
C
3
127,33 0,045
C
1
C
2
79,33 0,042
T
1
= 0
0
C C
2
C
4
72 0,045
C
2
C
3
48 0,042
C
3
C
4
24 0,042
C
1
C
4
140 0,046
C
1
C
3
119 0,045
C
1
C
2
78 0,042
T
1
= 40
0
C C
2
C
4
62 0,045
C
2
C
3
41 0,042
C
3
C
4
21 0,042
C
1
C
4
124,33 0,046
C
1
C
3
107,33 0,045
C
1
C
2
73,33 0,042
T
1
= 80
0
C C
2
C
4
51 0,045
C
2
C
3
34 0,042
C
3
C
4
17 0,042
C
1
C
4
106,66 0,046
Capitolul 1.

55
C
1
C
3
92,66 0,045
C
1
C
2
64,66 0,042
T
1
=120
0
C C
2
C
4
42 0,045
C
2
C
3
28 0,042
C
3
C
4
14 0,042

Concluzii: a). Temperatura de prenclzire influeneaz semnificativ duritatea
maxim din zona influenat termic a oelului analizat. Nivelele de temperatur la
care s-au efectuat ncercrile sunt semnificative.
b). Energia liniar de sudare este un parametru ce are un efect semnificativ asupra
duritii sub cordon i nivelele de variaie ale acestui parametru sunt semnificative.
c). Rezultatele analizei dispersionale au condus la obinerea unor informaii
importante referitoare la relizarea ulterioar a modelrii n scopul optimizrii
procesului de sudare folosind metoda experimentului factorial. Nivelul de baz
fiind T
2
i E
l2
. Intervalul de variaie al parametrilor ( z
i
) va fi:

T = T
i+1
- T
i
= 40
0
C. ( i = 1,2,3 )
E
l
= E
l2
- E
l1
= 4 kJ /cm

1.7.6. Analiza de corelaie. Este utilizat deseori pentru rezolvarea majoritii problemelor
premodelrii. Cu ajutorul ei se estimeaz legtura dintre variabilele de stare i parametrii
procesului ca i gradul de semnificaie al acestora. Pentru a stabili corelaia dintre dou
mrimi aleatoare x i y, se va apela la noiunile de covarian i coeficient de corelaie.

1.7.6.1. Covariana a dou variabile aleatoare.
Se calculeaz cu relaia:

1 1
) )( (
) , cov(
1
1
1

=
=
=
n
n
y x
y x
n
y y x x
y x
n
i
n
i
i i
i i
n
i
i i
(1.124)

unde n reprezint numrul de perechi de date x
i
, y
i
. Astfel n cazul unei dependene
ntre mrimile x i y valoarea covarianei va fi diferit de zero.
Indicatorul dependenei dintre cele dou variabile este coeficientul de corelaie - r
x,y
-
care se calculeaz cu relaia:

y x
n
i
i i
y x
y x
s s n
y y x x
s s
y x
r


=

=
) 1 (
) )( (
) , cov(
1
,
(1.125)

Cu ct valoarea absolut a coeficientului de corelaie este mai apropiat de unitate, cu
att este mai puternic legtura de corelaie. patratul coeficientului de corelaie se
noteaz cu R
xy
= r
xy
2
i se numete coeficient de determinare, exprimnd acea parte a
variabilei y care poate fi atribuit factorului x. Semnificaia coeficientului de corelaie
poate fi verificat utiliznd criteriile F, t sau valorile din tabelul 1.27:

1.7.6.1.Corelaia multipl. n situaia n care se dorete exprimarea dependenei
ntre o mrime de stare y i parametrii procesului ce o influeneaz (x
1
,x
2
,,x
m
) se
Capitolul 1.

56
apeleaz la calculul unui indicator numit coeficient de corelaie multipl. Acest indicator
exprim gradul de dependen liniar ntre variabila de stare i grupul de parametrii, deci
implicit legea de dependen y = f
(x)
este de forma:

m m x
x a x a x a a y f + + + + = = ...
2 2 1 1 0 ) (
. (1.126)

Coeficientul de corelaie multipl fiind n acest caz calculat cu relaia:

=
=


=
n
i
i
n
i
i
x x x y
y y
y y
r
m
1
2
1
2
... ,
) (
) ( 1
2 1
(1.128)

unde y - reprezint valoarea calculat a mrimii y n punctul i iar y valoarea medie a
msurtorilor efectuate asupra variabilei de stare y. i n acest caz valoarea
coeficientului de corelaie va fi subunitar. Dac aceasta este unitar atunci se consider
c ntre y i grupul de variabile x
1
,x
2
, .. ,x
m
exist o legtur funcional n timp ce pentru
valori apropiate de zero se poate considera c y nu depinde de aceti parametrii.
Calculul coeficientului de corelaie multipl poate fi simplificat dac se cunosc
valorile coeficienilor de corelaie simpl. n acest caz se calculeaz determinantul de
corelaie de forma:

;
1 ...
... ... ... ...
... 1
... 1
1
1 1
1
x x y x
x x y x
yx yx
m m
m
m
r r
r r
r r
P = (1.129)

11
... ,
1
2 1
P
P
r
m
x x x y
= ; (1.130)


1 ...
... ... ...
... 1
1
1
11
x x
x x
m
m
r
r
P = (1.131)

Ptratul coeficientului de corelaie multipl se numete coeficient de determinare multipl
avnd aceeai semnificaie ca n cazul corelaiei a dou variabile.

1.7.6.1.Corelaia parial. Are ca scop determinarea legturii ntre dou variabile n
ipoteza c restul variabilelor sunt constante. Este des utilizat n cazul modelrii
proceselor multivariabile complexe, n care legtura dintre parametrii este influenat de
interaciunea acestora cu restul parametrilor. Astfel dac n procesul ce se analizeaz
intervin m parametrii, calculul coeficienilor de corelaie parial se face cu relaia:

ii
i
x x x yx
P P
P
r
m i

11
1
... ,
2 1 1
(1.132)
Capitolul 1.

57

Relaie n care P
11
; P
1i
i P
ii
sunt complemenii algebrici ai determinantului P n raport cu
elementele aflate pe liniile i coloanele indicate n indici.

1.7.6.1.Verificarea semnificaiei coeficienilor de corelaie.
Coeficienii de corelaie simpl se verific cu ajutorul criteriului Student. n acest
scop se calculeaz numrul gradelor de libertate = n - 2, se alege riscul de greal i
se calculeaz valoarea:


2
1
yx
yx c
r
r t

=

(1.133)

Se citete din tabelul distribuiei Student valoarea t
T
= t
[ ; = n-2 ]
.
Dac t
c
> t
T
atunci este admis ipoteza existenei unei legturi de corelaie ntre
variabilele y i x n caz contrar ipoteza existenei unei corelaii ntre variabilele analizate
se respinge.
n scopul uurrii calculelor, ca i a unei decizii rapide, coeficientul de corelaie poate fi
verificat rapid utiliznd tabelul 1.27.
n mod similar se testeaz coeficienii de corelaie parial cu deosebirea c
numrul gradelor de libertate se calculeaz cu relaia = n - 2 - e, e fiind n acest caz
numrul de variabile independente excluse.

Tabelul 1.27. Coeficieni orientativi pentru corelaie.
Grade de Nivelul de ncredere
libertate 5% 1% 0,1%
= n -2 R
x,y

5 0,75 0,87 0,95
10 0,58 0,71 0,82
15 0,48 0,61 0,72
20 0,42 0,53 0,65
25 0,38 0,49 0,60
30 0,35 0,45 0,55
35 0,32 0,42 0,52
40 0,30 0,39 0,49
50 0,27 0,35 0,44
60 0,25 0,33 0,41
70 0,23 0,3 0,38
80 0,22 0,28 0,36
90 0,21 0,26 0,34
100 0,19 0,25 0,32
120 0,18 0,23 0,30
150 0,16 0,21 0,26
200 0,14 0,18 0,23
300 0,11 0,15 0,19
400 0,1 0,13 0,16
500 0,09 0,11 0,15
700 0,07 0,10 0,12
900 0,06 0,09 0,11
> 1000 < 0,06 < 0,09 < 0,11

Coeficientul de corelaie multipl poate fi testat cu ajutorul criteriului Fischer. n acest
scop se calculeaz:

Capitolul 1.

58
2
... ,
2
... ,
3 2 1
2 1
1
1
x x x y
x x x y
c
r
r
m
m n
F
m


= (1.134)

unde
n - reprezint numrul de msurtori
m - reprezint numrul de parametrii ai procesului.
Se alege din tabelul distribuiei Fischer valoarea F
T
= F
[ ; m ; n-m-1 ]
.
Dac F
c
> F
T
se admite cu probabilitatea 1- ipoteza conform creia exist o
corelaie funcional ntre variabila de stare y i grupul de parametrii x
1
,x
2
,,x
m
i deci
are sens cutarea unei legi de regresie pentru exprimarea acestui fenomen.
n caz contrar ipoteza se respinge i se consider c ntre variabilele analizate nu
poate fi exprimat o dependen funcional deci grupul de parametrii nu are importan
din punct de vedere tehnologic.

Exemplul 30: S se analizeze existena unei corelaii ntre datele din tabelul 1.28.
Tabelul 1.28 Date iniiale i calcule preliminare destinate efecturii analizei de corelaie.
Nr.
Crt
x
1
x
2
y x
1
2
x
2
2
x
1
x
2
y x
1
y x
2
y
2

1 7 29 52,5 49 841 637 367.5 1522,5 2756,25
2 6,7 91 32,9 44,89 8281 609,7 220,43 2993,9 1082,41
3 4,9 82 37,4 24,01 6724 401,8 183,26 3066,8 1398,76
4 4,6 99 37,9 21,16 9801 455,4 174,34 3752,1 1436,41
5 5 148 20,7 25 21904 740 103,5 3063,6 428,49
6 4,9 165 17,5 24,01 27225 808,5 85,75 2887,5 306,25
7 4,2 133 49 17,64 17689 558,6 205,8 6517 2401
37,3 747 247,9 205,71 92465 4211 1340,58 23803,4 9809,57

o Calculul mrimilor centrale i centrifuge:

104 , 13
6
) 7 / 247 57 , 9809 (
; 096 , 46
6
) 7 / 747 92465 (
; 077 , 1
6
) 7 / 3 , 37 71 , 205 (
41 , 35
7
9 , 247
; 71 , 106
7
747
; 329 , 5
7
3 , 37
2
2 2
2 1
2 1
=

=
=

= =

=
= = = = = =
y
x x
s
s s
y x x


o Calculul coeficienilor de corelaie simpl:


533 , 0 ; 73 , 0
104 , 13 096 , 46 6
41 , 35 71 , 106 7 4 , 23803
054 , 0 ; 2324 , 0
104 , 13 077 , 1 6
41 , 35 329 , 5 7 58 , 1340
598 , 0 ; 773 , 0
096 , 46 077 , 1 6
71 , 106 329 , 5 7 4211
2
2
2
2 2
2 1 1
2 1 2 1
= =


=
= =


=
= =


=
yx yx
x x yx
x x x x
r r
r r
r r


o Calculul coeficienilor de corelaie parial:

Capitolul 1.

59
8924 , 0 ) 598 , 0 1 )( 054 , 0 1 ( / ) 2324 , 0 773 , 0 73 , 0 (
765 , 0 ) 598 , 0 1 )( 533 , 0 1 ( / ) 77 , 0 73 , 0 2324 , 0 (
1 2
2 1
,
,
= =
= =
x yx
x yx
r
r


o Calculul coeficientului de corelaie multipl:


8123 , 0
901 , 0 ) 596 , 0 1 /( ) 773 , 0 73 , 0 23224 , 0 2 533 , 0 057 , 0 (
2
.
,
2 1
2 1
=
= + =
x x y
x x y
r
r


o Testarea coeficienilor de corelaie simpl:


T yx c
T yx c
T x x c
T
yx c
yx c
x x c
t t
t t
t t
t t
t
t
t
< =
< =
>
= =
=


=
=

=
=


=
23 , 2
534 , 0
57 , 2
388 , 2
533 , 0 1
2 7 73 , 0
534 , 0
054 , 0 1
2 7 2324 , 0
713 , 2
596 , 0 1
2 7 773 , 0
) (
) (
) (
) 5 ; 05 , 0 [
) (
) (
) (
2
1
2 1
2
1
2 1

o Coeficienii de corelaie simpl nu sunt toi semnificativi, cu excepia t
c(x1x2)

ceilali sunt nesemnificativi. Verificarea coeficienilor de corelaie parial folosind
criteriul t:

955 , 3
796 , 0 1
1 2 7 8924 , 0
375 , 2
5 58 , 0 1
1 2 7 765 , 0
) . (
) . (
1 2
2 1
=


=
=


=
x yx c
x yx c
t
t


o Valoarea de referin pentru = 0,05

776 , 2
) 3 ; 05 , 0 (
=
T
t
deci:


T x yx c
T x yx c
t t
t t
>
<
) , (
) , (
1 2
2 1


o Astfel, cu o ncredere de 95% se poate afirma c ntre y i variabila x
1
nu exist
corelaie parial. Testarea semnificaiei coeficienilor de corelaie multipl, cu
ajutorul criteriului Fischer.

Capitolul 1.

60
52 , 8
1
1
2
1
2 1
2 1
,
,
=



=
x x y
x x y c
R
R
m n
F
o Astfel, pentru:

m = 2 -variabile sau parametrii
q = n - m - 1 = 7 - 2 - 1= 4 -grade de libertate
o rezult:

F
T(0,05; 2; 4)
= 6,94

o cum:

F
c
> F
T


se afirm cu o probabilitate de 95% c parametrul x
1
este corelat cu procesul
analizat .

Rezultatele obinute, conduc la urmtorele variante de decizie:
a). Parametrul x
2
nu este parametru al procesului studiat.
b). Dependenta y = f
(x1,x2)
, dac ea exist, nu este o dependen liniar, ea putnd fi
neliniar. In acest ultim caz, rezultatele analizei de corelaie trebuie completate cu noi date,
obinute prin analiza dispersional sau alte metode.


Capitolul 2.
61

Capitolul 2.

Tipuri de relaii utilizate n analiza proceselor de sudare

2.1 Introducere.
Fenomenele, unele dintre ele extrem de complexe ce guverneaz procesul de
sudare, pot fi studiate teoretic i experimental.
n cazul analizei experimentale, este imperios necesar obinerea unor concluzii
care s conduc la optimizarea procesului sau al echipamentului studiat.
n acest scop, informaia este prelucrat, datele msurtorilor putnd fi grupate fie sub
form de tabele, fie sub form grafic (diagrame) fie sub form de relaii matematice.
Tabelele - reprezint ordonarea i gruparea datelor pe linii i coloane. Acestea
dau posibilitatea interpretrii directe a datelor, prin constatarea apariiei unor modificri
ale valorilor mrimilor ce interesaz n funcie de modificarea unor parametrii. Din
punctul de vedere al optimizrii procesului tehnologic sau al echipanentului studiat,
tabelele sunt incomode, deoarece nu pot fi utilizate direct n procesul de optimizare, ele
permind determinarea unor zone n care procesul s-ar putea desfura cu mai mare
eficien. Tabelele sunt ns deosebit de utile n procesul de analiz statistic a datelor.
Graficele - sunt reprezentri n dor sau trei dimensiuni, a unor variabile y n
funcie de valorile unor parametrii de proces x. Sunt utile pentru c reprezint tendinele
de variaie, zonele n care apar perturbaii ca i zonele n care pot fi ntlnite valori
extreme, etc.
Relaiile matemetice - reprezint funcii matemetice de forma y = f(x) rezultate n
urma unei analize minuioase a procesului analizat, avnd un domeniu de definiie bine
precizat. Ele ofer faciliti maxime n cadrul procesului de optimizare, asupra lor putnd
fi utilizate direct mai multe metode de optimizare. Deoarece conin i maximum de
informaie n minimum de spaiu ele sunt cel mai des utilizate n procesul de optimizare.
Toate fenomenele msurabile pot fi exprimate sub form de relaii matematice (ecuaii).

2.2. Legi statistice liniare.

2.2.1. Corelaii liniare.
Legtura matematic ntre dou mrimi diferite se numete corelaie. Cum, n
cazul determinrii legilor liniare, se urmrete gsirea unei relaii care s permit calculul
unei mrimi n funcie de cealalt mrime care este cunoscut, atunci, pentru ca o astfel
de relaie s existe, trebuie ca n primul rnd elementele celor dou mrimi s admit o
dependen funcional (bun corelare). Este posibil ca ntre cele dou mrimi s existe
o anumit corelere, dar s nu se poat deduce o dependen funcional. Cutarea unei
corelaii ntre dou mrimi se face cu ajutorul coeficientului de corelaie simpl de
sondaj, coeficient ce mai este numit i coeficientul intensitii coreleiei. Calculul acestui
coeficient se face cu relaia:


Capitolul 2.
62

= =
=


=
n
i
n
i
i i
n
i
i i
y x
y y x x
y y x x
r
1 1
2 2
1
.
) ( ) (
) ( ) (
(2.1)
unde:

n - numrul de determinri
x - media aritmetic a parametrului x
y - media aritmetic a parametrului y.

Dac 1 =
y . x
r sau 1
y . x
r atunci ntre cele dou mrimi x i y exist o puternic
dependen funcional care este liniar. Iar dac 0
y . x
r atunci se consider c ntre
cele dou mrimi dependena liniar este slab, fiind necesar verificarea semnificaiei
coeficientului corelaiei printr-o ipotez statistic. Acest lucru se face prin utilizarea
testelor F sau t, sau prin impunerea unui coeficient i a unui numr = n - 2 de grade
de libertate se poate utiliza tabelul 2.1.

Tabelul 2.1. Estimarea coeficientului de corelaie n funcie de nivelul de ncredere i nr.-
ul gradelor de libertate.
Grade de libertate
= n - 2

5% 1% 0,1%
0 1 2 3
5 0,75 0,87 0,95
10 0,58 0,71 0,82
15 0,48 0,61 0,72
20 0,42 0,53 0,65
25 0,38 0,49 0,6
30 0,35 0,45 0,55
35 0,32 0,42 0,52
40 0,30 0,39 0,49
50 0,27 0,35 0,44
60 0,25 0,33 0,41
70 0,23 0,3 0,38
80 0,22 0,28 0,36
90 0,21 0,26 0,34
100 0,19 0,25 0,32
120 0,18 0,23 0,3
150 0,16 0,21 0,26
200 0,14 0,18 0,23
300 0,11 0,15 0,19
400 0,1 0,13 0,16
500 0,09 0,11 0,15
700 0.07 0,1 0,12
900 0,06 0,09 0,11
>1000 < 0,06 < 0,09 < 0,11


2.2.2 Regresia liniar. Reprezint cantitatea cu care se modific o variabil n
momentul cnd parametrul corelat se modific cu o unitate de msur.
n cazul liniar, legea regresiei va fi scris sub forma:

Capitolul 2.
63


x a a y + =
1 0
(2.2)

unde:
a
1
este coeficientul de regresie al parametrului y n raport cu x i din punct de
vedere geometric va reprezenta chiar panta dreptei de regresie.

Obinerea coeficienilor legii de regresie se face prin minimizarea sumei abaterilor
patratice dintre mrimile y msurate i cele calculate cu expresia 2.2.
Astfel, scriind suma abaterilor patratice minime, se obine eecuaia:

=
2
1 0
) (
i i
x a a y S (2.3)
Condiia de minim a ecuaiei (2.3) const n anularea derivatelor acesteia n funcie de
necunoscutele a
0
i a
1
. Se pot scrie astfel ecuaiile:

= = 0 ) ( 2
1 0
0
i i
x a a y
a
S

(2.4a)

= = 0 ) ( 2
1 0
1
i i i
x x a a y
a
S

(2.4b)
Determinarea necunoscutelor se face prin rezolvarea sistemului:

=
)
`

(
(



) (
1
0
2
i i
i
i i
i
x y
y
a
a
x x
x n
(2.5)

Obiectele programului de calcul vor fi analizate ntr-un subcapitol ulterior.

2.2.3. Verificarea coeficienilor legii de regresie. n scopul efecturii acestor
verificri, vor trebuii calculate urmtoarele mrimi statistice:


2
) (
2
2

=

n
y y
s
i i
E
(2.6)


=
2
2
2
) (
0
x x
s
s
i
E
a
(2.7)
]
) (
1
[
2
2
2 2
1


+ =
x x
x
n
s s
i
E a
(2.8)

(
(

+ =

2
2
2 2

) (
) ( 1
1
x x
x x
n
s s
i
i
E
Y
i
(2.9)

(
(

+ + =

2
2
2 2

) (
) ( 1
1
2
x x
x x
n
s s
i
i
E
Y
i
(2.10)

n relaiile (2.9) i (2.10) i are valori de la 1 la n.


Capitolul 2.
64
Utiliznd aceste mrimi, pot fi calulate urmtoarele mrimi statistice:

a) Intervalul de confiden a coeficientului a
0
:


=
)
`

+
) ) ( ) 2 /(( ) (
2 2
] 2 ; 2 / ) 1 [( 0
x x n y y t a
S
I
i i i n
(2.11)

b) Intervalul de confiden a coeficientului a
1
:

|
|

\
|

=
)
`

+
2
2
2
) 2 ; 2 / ) 1 [( 1
) (
) (
) 2 (
) (
x x
x
n n
y y
t a
S
I
i
i i
n
(2.12)

c) Intervalul de confiden pentru y
i
calculat n punctele x
i
:

i
Y
n i
s t y
S
I
1
) 2 ; 2 / ) 1 [(
=
)
`

+
(2.13)

d) Intervalul de confiden pentru y
i
calculat n afara punctelor x
i
:

i
Y
n i
s t y
S
I
2
] 1 ; 2 / ) 1 [(
=
)
`

+
(2.14)

e) Intervalul de confiden corespunztor preciziei inverse a legii de regresie
liniare. Problema apare atunci cnd se cunoate mrimea y i se dorete
determinarea parametrului x corespunztor, astfel nct s se respecte un
anumit nivel de ncredere. Valoarea parametrului x poate fi determinat cu
relaia:


1
0 0

a
a y
x

= (2.15)

unde:
y
0
este valoarea cunoscut a parametrului y.

e1) Limitele intervalului de confiden pentru x vor fi:

n
n
D y y B
D
s t
D
y y a
x
S
I
E n 1
) (
) (
2
0
] 2 ; 2 / ) 1 [(
0 1
+
+


+ =
)
`

+
(2.16)

unde:

2 2
] 2 ; 2 / ) 1 [(
2
1 E n
s t a D =
+
(2.17)

2 2
] 2 ; 2 / ) 1 [(
2
1
1
a n
s t a B =
+
(2.18)

e2) Limitele intervalului de confiden pentru x n cazul n care y
0
este
media aritmetic a m valori, vor fi:

Capitolul 2.
65

1
0 0

a
a y
x

= (2.19)
m n
n m
D y y B
D
s t
D
y y a
x
S
I
E m n

+
+


+ =
)
`

+ +
2
0
1 2
] 3 ; 2 / ) 1 [(
0 1
) (
) (

(2.20)

2.2.4. Exemplul privind regresia liniar.

2.2.4.1 S se determine, pe cale experimental, legea de variaie a intensitii de
sudare (I
S
), n funcie de diametrul electrodului de sudare (d
e
) la sudarea electric
manual din condiia de stabilitate foarte bun a arcului electric de sudare:

2.2.4.1.1. Organizarea experienelor. n scopul unei ct mai precise determinri
a fost necesar luarea n considerare a urmtorilor factori:
- Materialul de baz
- Materialul de adaos
- Echipamentul de sudare
- Condiiile tehnologice de execuie a probelor
- Modul de alegere a mrimilor msurate
- Modul de organizare a experienelor

a) Materialul de baz. A fost adoptat un oel avnd sudabilitate bun,
necondiionat i cu un pre de cost sczut. n acest scop s-a ales oelul OL37.4k.

b) Materialul de adaos. Pentru a obine o lege ct mai general, au fost utilizate
mai multe tipuri de electrozi, fiecare dintre acestea fiind fabricat de mai multe firme
productoare. Au fost astfel utilizai electrozi din fabricaie curent, destinai sudrii att
a oelurilor obinuite ct i a oelurilor cu limit de curgere ridicat. S-au utilizat astfel
electrozi cu nveli bazic, titanic i acid. n tabelul 2.2 n coloana calitii electrozilor
utilizai au fost introduse urmtoarele simboluri: B - Bazic, A - Acid, Ti - Titanic.
Diametrele electrozilor au fost n concordan cu gama de diametre fabricate, fiind
cuprinse ntre 2,5 i 6 mm. Au fost respectate prescripiile productorilor cu privire la tipul
de polaritate indicat n cazul sudrii n curent continuu.

c) Echipamentul de sudare. Probele au fost executate utiliznd att surse de
curent continuu ct i surse de curent alternativ.

d) Condiii tehnologice de execuie a probelor. Sudarea s-a executat n laborator,
la temperatura de 20
0
C. Epruvetele nu au fost prinse n dispozitiv, ele fiind aezate pe
masa de sudare. Poziia electroduluide sudare, n raport cu cordonul depus, a fost cea
normal, unghiul de nclinare al electrodului nedepind o abatere de 20
0
fa de
normala la cordon, ca n figura 2.2. Tipul curentului cu care s-au executat cordoanele de
sudur fiind n conformitate cu prescripiile firmei productoare. Simbolurile cu care a
fost notat tipul de curent fiind cel clasic, n funcie de polul legat la electrod n cazul
sudrii n curent continuu. ( CC
-
, CC
+
, CA). Viteza de sudare s-a cutat s fie pstrat
ct mai constant, n limitele valorii de 15 cm/min.

e) Modul de alegere a mrimii msurate. Aprecierea stabilitii arcului electric de
sudare la utilizarea unei anumite intensiti de sudare, a fost fcut de operatorul sudor.

Capitolul 2.
66
n scopul prelucrrii ulterioare a datelor, aceast apreciere s-a trecut sub form calitativ
n tabelul de achiziie a datelor. Astfel s-au utilizat urmtoarele notaii:
-fs pentru stabilitate foarte slab; -s pentru stabilitate slab; - m pentru stabilitate medie;
- b pentru stabilitate bun; -fb pentru stabilitate foarte bun.

f) Modul de organizare al experienelor. n scopul nlturrii unor erori umane
experienele s-a efectuat aleatoriu, utilizndu-se n acest scop un program de
randomizare a acestora.

Tabelul 2.2. Tabelul de date generale destinat obinerii ecuaiei dorite.
Nr.
Crt.
Parametrul
d
e
[ mm ]
( x
(i)
)
Mrimea
I
s
[ A ]
( y
(i)
)
Tip curent
[CC
+
; CC
-
; CA ]
Tip electrod
Simbol (marca)
Stabilitate
[fs ;s ;m ;b ;fb]
1 3.25 120 CC+ B (E42B) m
2 3,25 110 CC+ B (E46B) fb
3 2,5 90 CC+ B (E42B) m
4 4 150 CC+ T (E48T) fb
5 6 250 CA A (E42A) b
6 4 150 CC- A (E42A) fb
7 5 190 CC+ B (Nibaz65) b
8 5 210 CA T (E48T) fb
9 . .. .. .. .

g) Modul de obinere a tabelului sintetic. n urma efecturii experienelor, datele
din tabelul general au fost sortate i ordonate n funcie de diametrul electrodului.
Sortarea s-a efectuat prin reinerea n tabelul sintetic doar a ncercrilor ce au fost cotate
cu indicatorul de stabilitate a arcului electric fb n cursul ncercrii. S-a obinut astfel
tabelul 2.3b, tabel ce va fi utilizat la determinarea legii de regresie.

Tabelul 2.3a. Datele sortate i ordonate destinate prelucrrii legii statistice.
Nr. Crt Diametrul electrodului
de [mm] x(i)
Intensitatea de sudare
Is [A] y(i)
Indicele de stabilitate a
arcului.
1 2,5 70 fb
2 2,5 60 fb
3 3,25 105 fb
4 3,25 110 fb
5 4 150 fb
6 5 205 fb
7 5 210 fb
8 6 260 fb
9 6 265 fb

Tabelul 2.3b. Date destinate prelucrrii n vederea obinerii regresiei liniare.
Nr. Crt Diametrul electrodului
de [mm]
x(i)
Intensitatea de sudare
Is [A]
y(i)
Indicele de stabilitate a
arcului.
0 1 2 3
1 2,5 65 fb
2 3,25 107,5 fb
3 4 150 fb
4 5 207,5 fb
5 6 262,5 fb

Capitolul 2.
67

Calculul mrimilor statistice:

= = = = = = 7 , 7 ) ( ; 5 , 435 ) ( ) ( ; 5 , 158
5
5 , 792
; 15 , 4
5
75 , 20
2
x x y y x x y x
i i i

= = = = 43290043 , 0 ; 2013 , 24631 ; 99997364 , 0 ; 5 , 24632 ) (


2 2
rest reg xy i
s s r y y

F
calc
= s
2
reg
/s
2
rest
= 56897,07

De regul, analiza datelor de calcul este concentrat ntr-un tabel separat, scopul acestei
analize fiind acela de a se putea verifica dac legea este liniar i cu ce nivel de
ncredere poate fi susinut aceast ipotez. n urma efecturii verificrilor statistice a
fost ntocmit tabelul 2.4.

Tabelul 2.4 Verificarea corelaiei liniare ntre populaiile P
xo
i P
yo
.
Suma Patratelor
Abaterilor (SPA)
Grd.
de
lib.
Dispersia

s
2

Testul
Fischer

F
calc

Coef. de
corelaie

R
x,y

Eroarea
standard
estimat
S
y,x

Dreapta de
regresie
SPAr=(SPrAxy)^2/
SPAx=24631,201

g
1
=1

24631,2

56898,1

0,99997

0,6579
Rest SPAy-SPAr =
1,299

g
2
=n-
2

0,433

Total SPAy=24632,5 n-1

Analiza corelaiei ntre mrimile y i x:

Utiliznd datele din tabelul 2.4 se observ faptul c datorit valorii foarte apropiate de
unitate a coeficientului de corelaie, ntre valorile celor dou populaii se poate afirma c
exist o puternic dependen liniar, deci are sens determinarea legii regresie liniar.

Calculul coeficienilor relaiei:
n urma prelucrrii datelor din tabelul 2.3b) se obine urmtorul sistem de ecuaii:


)
`

=
)
`

375 , 3724
5 , 792
8125 , 93 75 , 20
75 , 20 5
1
0
a
a


a fost obinut urmtoarea regresie liniar:

a
0
= -76,2175324675325;
a
1
= 56,5584415584416;

i deci legea cutat va avea urmtoarea form:

I
s
= -76,2175324675325 + 56,5584415584416 d
e


Programul de calcul destinat analizei corelaiei dintre populaiile alese i calculrii
coeficienilor legii de regresie liniar este expus n figura 2.1

Capitolul 2.
68


Figura 2.1 Formul corespunztor modulului destinat analizei legilor liniare.

Calculul mrimilor statistice ale regresiei:
Utiliznd relaiile (2.6)(2.8) se obin dispersiile regresiei i ale fiecrui coeficient n
parte. Limitele inferioare i superioare ale coeficienilor legii se obin utiliznd ecuaiile
(2.11)..(2.12).
Astfel aceste valori au fost grupate n tabelul 2.5 pentru coeficienii regresiei i n
tabelul 2.6 pentru abaterile legii n punctele de calcul.

Tabelul 2.5 Valorile extreme ale coeficienilor legii pentru un nivel de ncredere de 95%
Nr.
Crt
s
2
E
s
2
a0
s
2
a1
a
0min
a
0max
a
1min
a
1max

1 0,433 1,05484 0,0562 -78,63 -73,801 56,0005 57,1164

Tabelul 2.6 Limitele intensitii curentului de sudare pentru = 0,9
d
e
[mm] I
s

[A]
s
2
Is1
I
smin
[A]
I
smax

[A]
2,5 65 0,22713275 64,057169 66,29997
3,25 107,5 0,26929 106,376338 108,818746
4 150 0,311463 148,70305 151,3294
5 207,5 0,36768 205,147887 208,0016
6 262,5 0,423905 261,6011253 264,665818

Reprezentarea grafic a limitelor de variaie a intensitii de sudare n funcie de
diametrul electrodului este prezentat n figura 2.2.

Capitolul 2.
69


Figura 2.4. Rezultatul analizei statistice a regresiei funcie de o singur variabil.

Figura 2.4 Domeniul de variaie al funciei Is = f(d
e
) n limita unui = 0,9


2.2.4.2. Concluzii privind exemplul analizat.

Este evident existena unei puternice corelaii ntre datele msurate, ceea ce n limita
unei ncrederi de 90% conduce la validarea ipotezei statistice conform creia legea
determinat prin analiza de regresie liniar este adecvat.
De asemenea se observ faptul c toi coeficienii legii liniare sunt semnificativi,
iar n urma determinrii limitelor de variaie ale coeficienilor legii, se constat faptul c
pentru nivelul de ncredere ales, n scopul uurrii calculelor, pot fi trunchiai la valori cu
mai puine zecimale, deci a
0
= -76,22 i a
1
= 56,56 sau chiar a
0
= -76 i a
1
= 57 fr a
influena semnificativ valoarea intensitii curentului de sudare.
Aceste observaii ndreptesc utilizarea relaiei deduse la calculul rapid al
intensitii curentului de sudare, n funcie de diametrul electrodului, indiferent de tipul
acestuia. Va trebuii ns s se ia n considerare tipul de curent i polaritatea acestuia, n
concordan cu prescrierile productorului de electrozi.


Capitolul 2.
70


2.2.5 Tipuri de regresii derivate din regresia liniar.

Exist cazuri n care regresia liniar nu conduce la valori dorite ale coeficientului de
corelaie i nici verificarea cu ajutorul testului Fischer nu este relevant. n acest caz
pentru a se evita o analiz neliniar, mult mai greoaie se poate ncerca utilizarea unei
regresii derivate din regresia liniar. De cele mai multe ori se utilizeaz regresia
exponenial i regresia geometric.

2.2.5.1. Regresia exponenial.

Se bazeaz pe utilizarea unei ecuaii de forma:


x a
e a y

=
1
0
. (2.21)

Prin logaritmarea acestei ecuaii rezult:

( ) x a a y + =
1 0
) ln( ln (2.22)

i prin efectuarea substituiilor:

) ln( ; ) ln(
0 1
a b y y = = (2.24)

n urma minimizrii sumei patratelor abaterilor pentru logaritmii valorilor msurate (y) i
rezult valoarea coeficientului :

0
a
e b = . (2.25)

Astfel pentru datele din exemplul precedent, n cazul urmririi unei regresii exponeniale
rezult urmtoarea lege:

) 38841 , 0 (
26661403 , 28
e
d
S
e I

= (2.26)

Analiznd statistic legea obinut, prin comparaie ntre valorile calculate i cele
msurate rezult:

Tabelul 2.5. Corelaiile ntre populaiile P
xo
i P
yo
n cazul regresiei geometrice.
Suma Patratelor
Abaterilor (SPA)
Grad. de
lib.
Dispers

s
2

Testul
Fischer
F
calc

Coef. de
corelaie
R
x,y

Eroarea
standard
estimat
S
y,x

Curba de
regresie
SPAr=(SPrAxy)^2/
SPAx = 1,462

g
1
=1

1,162

68,53

0,978

0,1301
Rest SPAy-SPAr =
0,25

g
2
=n-2

0,002

Total SPAy= 1,212 n-1=4




Capitolul 2.
71

Tabelul 2.6. Eroarea de calcul n procente n cazul utilizrii regresiei geometrice.
Nr.Crt d
e

[mm]
I
s
msurat
[A]
I
s
calculat
[A]
Eroarea
[ % ]
1 2,5 65 74,642 -14,003
2 3,25 107,5 99,004 7,005
3 4 150 133,662 10,892
4 5 207,5 197,103 5,0105
5 6 262,5 290,655 -10,7256

Tabelul 2.7. Valorile extreme ale coeficienilor legii pentru un nivel de ncredere de 90%
Nr.Crt s
2
E
s
2
a0
s
2
a1
a
0max
a
0min
a
1max
a
1min

1 0,017 0,0413 0,022 45,599 17,52 0,4988 0,278009

Tabelul 2.8 Limitele intensitii curentului de sudare pentru = 0,9
d
e

[mm]
I
s

[A]
s
2
Is1
I
smax
[A]
I
smin

[A]
2,5 65 0,0889 81,36 68,47
3,25 107,5 0,00665 109,712 90,94
4 150 0,00773 147,857 120,83
5 207,5 0,0089 219,947 176,6317
6 262,5 0,00985 326,975 250,369


Figura 2.5. Domeniul de variaie al funciei Is = f(de) n limita unui =0,9 pentru o
regresie exponenial.


Capitolul 2.
72

Figura 2.6. Rezultatele analizei statistice a termenilor regresiei exponeniale.

2.2.5.2. Regresia geometric.
Se bazeaz pe utilizarea unei ecuaii de forma:

1
0

a
x a y = . (2.27)

Prin logaritmarea acestei ecuaii rezult:

( ) ) ln( ) ln( ln
1 0
x a a y + = (2.28)

i prin efectuarea substituiilor:

) ln( ; ) ln( ; ) ln(
1 0 1
x x a b y y = = = (2.29)

n urma minimizrii sumei patratelor abaterilor pentru logaritmii valorilor msurate (y) i
rezult valoarea coeficientului :

1
;
0
x b
e x e a = = . (2.30)

Prelucrnd datele exemplului precedent n scopul determinrii unei legi de regresie
geometrice se obine urmtoarea relaie:

5882 , 1
918 , 15
e S
d I = (2.31)

Analiza statistic a datelor conduce la valorile din tabelul 2.9.








Capitolul 2.
73
Tabelul 2.9 Corelaiile ntre populaiile P
xo
i P
yo
n cazul regresiei geometrice.
Suma Patratelor
Abaterilor (SPA)
Grade
de lib.
Dispersia

s
2

Testul
Fischer

F
calc

Coef. de
corelaie
R
x,y

Eroarea
standard
estimat
S
y,x

Curba de
regresie
SPAr=(SPrAxy)^
2/SPAx = 1,205

g
1
=1

1,205

483,42

0,99691

0,05
Rest SPAy-SPAr =
0,007

g
2
=n-2

0,002

Total SPAy= 1,212 n-1=4

Tabelul 2.10 Eroarea de calcul n procente n cazul utilizrii regresiei geometrice.
Nr.Crt d
e


[mm]
I
s
msurat

[A]
I
s
calculat
[A]
Eroarea
[ % ]
1 2,5 65 68,217 -4,95
2 3,25 107,5 103,48 3,74
3 4 150 140,9 4,06
4 5 207,5 205,11 1,15
5 6 262,5 270,995 -4,4

Tabelul 2.11. Valorile extreme ale coeficienilor legii pentru un nivel de ncredere de 90%
Nr.Crt s
2
E
s
2
a0
s
2
a1
a
0min
a
0max
a
1min
a
1max

1 0,025 0,0104 0,0052 20,23 12,52 1,7586 1,41823


Tabelul 2.12. Limitele intensitii curentului de sudare pentru = 0,9
d
e
[mm] I
s

[A]
s
2
Is1
I
smax
[A]
I
smin

[A]
2,5 65 0,00528 89,5 51,996
3,25 107,5 0,00665 140,34 76,3
4 150 0,00773 199,886 103,6
5 207,5 0,0089 291,786 144,78
6 262,5 0,00985 397,005 189,998


Capitolul 2.
74

Figura 2.7. Obinerea i verificarea legii de regresie geometric.


Figura 2.8. Domeniul de variaie al funciei Is = f(de) n limita unui =0,9 pentru o
regresie exponenial.

Capitolul 2.
75

Figura 2.9. Rezultatele analizei statistice a termenilor regresiei exponeniale.


2.3.Regresii i corelaii statistice neliniare.


2.3.1 Introducere. Metoda de obinere a legilor de regresie, poate fi aplicat i n
cazuri neliniare, cazuri ce sunt ntlnite n mod frecvent n practica de exprimare a
parametrilor de sudare. n acest scop se recomand ca eantioanele ce vor fi utilizate
pentru determinarea unor astfel de legi s fie ct mai uniform distribuite d.p.d.v. al
variabilei independente x
i
. Se ajunge astfel la o relaie de programare a experimentului
de forma:

x x x
i i
+ =
+1
(2.32)

unde:

masuratori nr
x x
x
.
min max

= (2.33)

Aspectul legii care se determin va fi deci:

2
2 1 0
x a x a a y + + =
3
3
2
2 1 0
x a x a x a a y + + + =
etc.
sau n cazul general:


Capitolul 2.
76
( )

=
=
m
i
i
i
x a y
0
(2.34)

Gradul maxim al polinomului m din expresia (2.34) va trebuii s nu depasc numrul
maxim de eantionri n - 1. Rezult o prim condiie ce se impune asupra gradului
polinomului de aproximare i anume:

m < = n - 1 (2.35)

2.3.2. Determinarea coeficienilor legii. Ca i n cazul legii liniare, dac se
impune ca suma ptratelor abaterilor dintre valorile msurate i cele obinute prin
aplicarea legii cutate s fie minim, se obine sistemul de condiii:

0
0
0
0
...
2
1
2
0
2
m
a
S
a
S
a
S

(2.36)

unde:

( )
2
1 0
2

= =
|
|

\
|
=
n
j
m
i
i
j i j
x a y S (2.37)

Prin derivare se obine urmtoarea expresie:

( )
( )
( )

|
|

\
|

|
|

\
|

|
|

\
|

=

1
1
2
1
2
0
2
2
...
2
1 2
...
m
j
i
i
j i j
j
i
j i j
i
i
j i j
m
x x a y
x x a y
x a y
a
S
a
S
a
S

(2.38)

Exprimnd matricial ecuaiile (2.37) la care se adaug condiiile (2.38) se obine
urmtorul sistem de ecuaii:


Capitolul 2.
77
( )
( )

(
(
(
(
(
(
(
(
(




=
=
=
= = =

=
+
= =
= =
n
j
j
m
j
n
j
j j
n
j
j
m
n
j
m
j
n
j
m
j
n
j
m
j
n
j
m
j
n
j
j
n
j
j
n
j
m
j
n
j
j
y x
y x
y
a
a
a
x x x
x x x
x x n
1
1
1
1
0
1
2
1 1
1
1
1
1
2
1
1 1
...
...
...
... ... ... ...
...
...
(2.39)

Sau n exprimare matricial:


[ ] { } { } d a C = (2.39b)

Rezolvnd sistemul de ecuaii se obin valorile coeficienilor a
0
, a
1
,..,a
m
ai legii
cutate. Se remarc faptul c matricea sistemului este o matrice simetric, ceea ce
conduce la simplificarea modului de calcul ca i la reducerea numrului de operaii
algebrice ce pot influena precizia de calcul a coeficienilor.

2.3.3. Determinarea coeficientului de corelaie. (Intensitatea corelaiei).

Coeficientul R
y.x
are scopul de a exprima existena unei dependene funcionale ntre
variabila y i parametrul x, atunci cnd pentru fiecare y din populaia P
y
corespunde un
singur x din populaia P
x
. Scopul determinrii acestui coeficient este acela de a verifica
dac ntre cele dou populaii exist o legtur funcional care s permit calculul unei
astfel de legi statistice, ca i cel de a gsi cu o precizie impus gradul polinomului de
aproximare.

Algoritmul de calcul se bazeaz pe urmtorii pai:
a)- se determin coeficienii regresiei ca i valorile legii n punctele x
i
(y
i
).
b)- se calculeaz intensitatea corelaiei cu relaia:


( )
( )
(
(
(
(
(

2
2
2
.

1
1
y y
y y
l n
n
R
j
j j
x y
(2.40)

unde:
n - reprezint numrul de msurtori
l - reprezint numrul de coeficieni ai legii de regresie

c)- se interpreteaz valorile coeficienilor de corelaie n funcie de tabelul sintetic 2.1 i
dac acestea nu corespund gradului de precizie adoptat iar gradul polinomului este mai
mic dect n-1:
c1): atunci se mrete gradul polinomului cu o unitate i se reia procesul de calcul
de la punctul a).
c2): altfel nu poate fi exprimat n domeniul de precizie dorit nici o

Capitolul 2.
78
relaie valabil i se prsete procesul de calcul al unei legi funcie de un
singur parametru.

Exemplul 2.2. S se determine coeficientul de corelaie ntre datele din tabelul
2.12 pentru o lege liniar i o lege ptratic.






Tabelul 2.12 Valorile a dou populaii Y respectiv X i legile determinate.
Nr. Lege liniar Lege neliniar
Crt X Y Y=12,9-1,7X Y=15,4-3,843X+0,357X
2
.
0 1 2 3 4
1 1 12 11,2 11,914
2 2 9 9,5 9,142
3 3 7 7,8 7,084
4 4 6 6,1 5,74
5 5 5 4,4 5,11
Se obin pentru pentru cele dou legi urmtoarele date:

Tabelul 2.13. Comparaie ntre regresia liniar i cea neliniar.
Ym (Y
j
-Y
c
)
2
(Y
j
-Y
m
)
2
n - l R
2
y.x
Observatii
7,8 1,9 30,8 5-2=3 0,958 Liniar
0,1143 5-3=2 0,993 Neliniar

Pe baza datelor obinute se poate observa c regresia neliniar de gradul doi va
conduce la un coeficient de corelaie mai bin dect cea liniar dei valoarea acestuia n
ambele cazuri se ncadreaz ntr-un nivel bun de ncredere.


2.3.4. Determinarea gradului optim al polinomului.

Relaiile de calcul al unor legi empirice sunt utilizate ndeosebi n cazul n care
forma legii de variaie a mrimii dorite n funcie de un parametru nu este cunoscut
dinainte. Obinerea unei legi polinomiale corecte fiind n acest caz important. Un
polinom de grad prea mic va genera un model matematic prea grosier pentru procesul
de optimizare pe cnd unul avnd un grad prea mare nu va putea atenua influena unor
factori aleatori ntlnii n procesul de msurare, ca i apreciere influenei altor parametrii
dect cel luat n calcul asupra mrimii a crei lege dorim s o exprimm. Se impune
astfel stabilirea unui criteriu n funcie de care s se determine gradul polinomului. Acest
criteriu va fi obinerea unei valori minime a dispersiei punctelor fa de ecuaia de
regresie s
2
y
. De regul, pentru calculatoarele moderne acest lucru se obine prin mrirea
progresiv a gradului polinomului de aproximare pn n momentul n care se obne o
dispersie mai mare dect cea anterioar dau pn cnd s-a atins dispersia dorit. De
asemenea acelai lucru poate fi obinut utiliznd o lege polinomial ca cea din ec. (2.35),
prin scrierea acesteia cu ajutorul polinoamelor Cebev:


Capitolul 2.
79

=
=
m
i
u i i
p c y
0
) (
(2.41)

Utilizarea polinoamelor Cebev la determinarea gradului optim al polinoamelor ce
exprim legea de regresie neliniar este n ultimul timp o metod din ce n ce mai puin
folosit. Acest fapt se datoreaz timpului scurt de calcul necesar pentru rezolvarea
acestei probleme cu ajutorul calculatoarelor electronice. Pe setul de date pentru care se
caut cea mai bun expresie a regresiei se ncepe cu regresia liniar i se mrete apoi
gradul poligonului pn n momentul cnd s-a ajuns la precizia dorit sau gradul
polinomului devine egal cu numrul de msurtori din set minus o msurtoare..


2.4. Regrasii funcie de mai muli parametrii.

2.4.1. Introducere.

De cele mai multe ori, la descrierea unui proces nu este suficient utilizarea unui singur
parametru. n cazul procesului de sud, limea, supranlarea, aria bombajului
rdcinii, diluia, ptrunderea cordonului de sudur, duritatea ZIT-ului, estimarea
rezilienei i a vitezei de avans a electrodului n regimul arcului pulsat, etc, necesit
utilizarea mai multor parametrii. Aceste caracteristici fiind influenate de un numr mare
de factori. Este necesar deci utilizarea unor legi mai complexe, de forma:

) ,..., , (

2 1 m
x x x f f = (2.42)

Dei forma funciei este mai diferit dect n cazul regresiilor funcie de un parametru,
totui metoda minimizrii abaterii ptratice poate fi utilizat n continuare.
Se pot defini astfel legi de regresie liniare i neliniare. De regul gradul polinomului
neliniar este limitat din cauza faptului c procesele de optimizare ulterioare devin prea
complicate dar i numrul de puncte n care se fac msurtorile este prea ridicat ceea ce
conduce la mrirea riscului de apariie a unor erori de msurare.


2.4.2. Regresia liniar de mai muli parametrii.

Exprimarea unei relaii liniare ntre mrimea care se msoar i parametrii cu care s-au
obinut valorile msurate, expresia de forma (2.42) se poate scrie astfel:


m m
x a x a x a a y y + + + + = ...
2 2 1 1 0
(2.43)

Expresia abaterii medii ptratice este n acest caz:

( )

=
i
mi m i i
x a x a a y S
2
1 1 0
... (2.44)
Expresia ecuaiilor minime ale abaterii ptratice este:


Capitolul 2.
80

( ) ( )
( ) ( )
( ) ( )

i
mi mi m i i
m
i
i mi m i i
i
mi m i i
x x a x a a y
a
S
x x a x a a y
a
S
x a x a a y
a
S
.... 2
........ ..........
.... 2
1 ... 2
1 1 0
1 1 1 0
1
1 0 0
0
(2.45)

Prin impunerea condiiei anulrii acestor derivate se obine sistemul:





(
(
(
(
(

=
(
(
(
(

(
(
(
(
(




mi i
i i
i
m mi mi i mi
i mi i i
mi i
x y
x y
y
a
a
a
x x x x
x x x x
x x n
... ...
...
... ... ... ...
...
...
1 1
0
2
1
1
2
1 1
1
(2.46)

Soluiile sistemului vor fi chiar coeficienii dorii ai legii.

O alt metod, mai uor de implementat pe calculator pornete de la o expresie a legii
liniare de forma:


m m
x b x b x b x b y y + + + + = ...
2 2 1 1 0 0
(2.47)

unde parametrii x0 ce nmulesc coeficientul a0 au ntotdeauna valoarea 1. Acest artificiu
permite trecerea datelor experimentale ntr-un table de forma tabelului 2.14.

Tabelul 2.14. Modul de trecere a parametrilor msurtorilor.
Mrimea
msurat
Parametrii Necunoscute
y x0 x1 xm B
y
1
1 x1
1
xm
1
b0
y
2
1 x1
2
xm
2
b2
y
2
1 x1
3
xm
3
b3
..
y
m
1 x1
m
xm
m
bm
y
m+1
1 x1
m+1
xm
m+1


y
n
1 x1
n
xm
n


Introducnd notaiile:

X - Matricea parametrilor x
1
,x
2
,x
3
,..,x
m

Y - Matricea valorilor experimentale, y
1
,y
2
,y
3
,,y
n


n conformitate cu tabelul 2.14 rezult expresia matricilor i vectorilor:

Capitolul 2.
81

(
(
(
(
(
(

=
n n n
m
m
m
m
x x x
x x x
x x x
x x x
X
... 1
... ... ... ...
... 1
... 1
... 1
2 1
2 1
2 1
2 1
3 3 3
2 2 2
1 1 1

(
(
(
(
(
(

=
n
n
n
m m m m
T
x x x x
x x x x
x x x x
X
...
... ... ... ... ...
...
...
1 ... 1 1 1
3 2 1
3 2 1
3 2 1
2 2 2 2
1 1 1 1
(2.48)

[ ]
n
T
y y y Y ...
2 1
= [ ]
m
T
b b b B ...
2 1
= (2.49)

Sistemul de ecuaii (2.45) va avea forma:
( ) Y X B X X
T T
= (2.50)
Iar pentru a obine soluia se nmulete la stnga cu matricea (X
T
X)
-1
, deci:

( ) Y X X X B
T T
=
1
(2.51)

Astfel n cazul n care matricea (X
T
X)
-1
poate fi calculat, coeficienii regresiei pot fi
determinai mult mai uor. De asemenea, matricea invers este foarte util la
determinarea dispersiilor coeficienilor regresiei (sb
j
; j = 0,,m). De regul aceast
matrice mai este notat cu litera C i asupra se se fac mai multe referiri n literature de
specialitate.

2.4.3. Regresia neliniar funcie de mai muli parametrii.

Exprimarea unei relaii neliniare ntre mrimea care se msoar i parametrii cu care s-
au obinut valorile msurate, expresia de forma (2.52) se poate scrie astfel:


2
3 3 4 3 34
2
3 33 2 2 3 2 23
2
2 22
1 1 2 1 12
2
1 11 0 2 02 1 01 00
... ... ...
.. ...
m mm m m m m
m m m m
x a x x a x x a x a x x a x x a x a
x x a x x a x a x a x a x a a y y
+ + + + + + + + +
+ + + + + + + + + =


Expresia abaterii medii ptratice este n acest caz:

( )

=
i
m mm m m mi m i i
x a x x a x a x a x a a y S
2
2
1 1
2
1 11 0 1 01 00
... .. ... (2.53)
Expresia ecuaiilor minime ale abaterii ptratice este (2.54):


Capitolul 2.
82
( )
( )
( ) ( )
( ) ( )
....
.. .. 2
.. .. .. 2
....
) ( .. .. .. 2
) 1 ( .. .. .. 2
2 1
2
2 1 12
2
1 11 0 1 01 00
12
2
1
2
1 1
2
1 11 0 1 01 00
11
1
2
1 1
2
1 11 0 1 01 00
01
2
1 1
2
1 11 0 1 01 00
00

i
m mm m m i
i
m mm m m m m i
i
m mm m m m m i
i
m mm m m m m i
x x x a x x a x a x a x a a y
a
S
x x a x x a x a x a x a a y
a
S
x x a x x a x a x a x a a y
a
S
x a x x a x a x a x a a y
a
S

Prin impunerea condiiei anulrii acestor derivate se obine sistemul (2.55):
...
...
...
...
... ... ... ... ... ... ...
... ...
... ...
... ... ... ... ... ... ...
... ...
... ...
... ...
2
1
2
1
11
0
02
01
00
2
3
1
4
1
2
1
3
1
2
1
2 1
2
1
2
1
2
2 1
2
1 2 2 2 1 2
2
2
1
3
1 1
2
1 1
2 1
2
1 1

i
i
i
m i
i
i
i
i
i
i
m
i i i
m
i i
i
m
i
m
i
m
i
m
i
m
i i i
m
i i
i i i
m
i i
i i i
m
i
i
i
i
i
i i i i i i i
i i i i i i i i
i i i i i i i i i
i i i i i i i
i i i i i
x y
x y
x y
x y
y
a
a
a
a
a
x x x x x x x
x x x x x x x x x
x x x x x x x x x
x x x x x x x
x x x x x n




Soluiile sistemului vor fi chiar coeficienii dorii ai legii.


2.4.4. Etapele analizei de regresie.

a) Verificarea i analiza datelor de intrare.
Se formeaz matricea coeficienilor de corelaie simpl, P.


(
(
(
(
(
(

=
1 ...
... ... ... ... ...
... 1
... 1
... 1
2 1
2 1 2 2
1 2 1 1
2 1
, , ,
, , ,
, , ,
, , ,
x x x x y x
x x x x y x
x x x x y x
x y x y x y
m m m
m
m
m
r r r
r r r
r r r
r r r
P (2.52)

Coefincienii de corelaie simpl se evalueaz cu relaiile:


( )( )
( ) ( )



= =
j
i i j
j
i i j
y x x y
x x y y
x x y y
r r
j
j
i i
2 2
, ,
(2.53)


Capitolul 2.
83

( )( )
( ) ( )



= =
k
j j i i
k
j j i i
x x x x
x x x x
x x x x
r r
k k
k k
i j j i
2 2
, ,
(2.54)

b) Se verific coeficientul de corelaie multipl:

11
... ,
1
2 1
P
P
r
m
x x x y
= (2.55)

c) Pe baza datelor din tabelul 2.14 se verific intensitatea corelaiei pentru a se
determina gradul de ncredere n legea de regresie ce va fi astfel determinat.
Astfel, dac coeficientul de corelaie multipl nu satisface datele din tabelul 2.1
atunci sunt necesare msuri destinate mbuntirii planului de msurtori aflat n
tabelul 2.14. Acest lucru se poate face fie prin mrirea numrului de msurtori,
(creterea lui n) fie prin modificarea numrului de variabile parametru,
(modificarea lui m). De regul sunt nlocuii parametrii pentru care valoarea
coeficienior de corelaie simpl este mic. Dac i n urma acestei msuri
valoarea coeficientului de corelaie multipl nu poate fi acceptat, atunci cu
siguran nu au fost selectai corect parametrii procesului i va trebuii refcut
analiza acestor parametrii. De fapt acest lucru nseamn c s-a omis din analiz
un parametru cu importan covritoare asupra fenomenului.




2.4.4.1. Calculul coeficientului regresiei.

Dac s-au determinat corect parametrii procesului i coeficientul regresiei multiple
ndeplinete condiia legat de descrierea corect a procesului, atunci prin rezolvarea
sistemului de ecuaii liniare (2.46) sau rezolvarea ecuaiei matriciale (2.51) se obine
valoarea coeficienilor cutai.

2.4.4.2. Calculul matricii C:

n conformitate cu ecuaia (2.51) matricea C poate fi definit astfel:

( )
1
= X X C
T
(2.56)

Termenii matricii C sunt utilizai la determinarea intervalelor de variaie ai coeficienilor
legii de regresie.

2.4.4.3. Determinarea dispersiilor legii.

a) Dispersia datelor:


Capitolul 2.
84
( )
m n
y y
s
i
i

2
2
0
(2.57)

b) Dispersia de concordan:

( )
m l
y y
s
i
i
con

2
2
(2.58)

c) Verificarea concordanei dintre datele experimentale i ecuaia de regresie.

( )
0
, ,
2
0
2

con
F
s
s
F
con
C
= (2.59)

unde:

1
1
0
+ =
=
=
m l
n
l n
con



2.4.4.4. Testarea coeficienilor legii.

Se utilizeaz pentru cazul n care se dorete determinarea importanei pe care parametrii
legii de regresie o au asupra procesului. Este un pas obligatoriu al algoritmului destinat
determinrii legii de regresie, deoarece interpretarea importanei acestor coeficieni doar
pe baza valorii sau a semnului lor i eliminarea lor fr nici o alt verificare conduce la
eliminarea nsi mrimii parametru din lege. De asemenea aceti coeficieni au corelaii
i dispersii diferite.
Relaiile de calcul a dispersiilor legii i coeficienilor legii sunt relaii de forma:


con
con con
s s
s


+
+
=
0
2 2
0 0 2
(2.60)

2 2
s c s
jj a
j
= (2.61)

unde c
jj
reprezint elemental matricii C.


(
(
(
(
(
(

=
mm m m m
m
m
m
c c c c
c c c c
c c c c
c c c c
C
...
... ... ... ... ...
...
...
...
2 1 0
2 22 21 02
1 12 11 01
0 02 01 00
(2.62)

se determin coeficientul de corelaie al parametrului:


Capitolul 2.
85

jj
j
b
c c
c
r
j

=
00
0
0
(2.63)

se determin coeficientul de corelaie ntre parametrii:


jj ii
ij
b
c c
c
r
ij

= (2.64)

se calculeaz intervalul fiecrui parametru:


jj
j
b
j
j
c s
b
s
b
t
j

= = (2.65)

valorile obinute ale intervalului se compar cu valorile date de distribuia Student pentru
gradul de ncredere dorit (de regul = 0,05) i numrul de grade de libertate =
0
+
conv
.
Se ciete astfel valoarea t
T
= t
(,)

Dac t
j
este mai mic sau egal cu t
T
atunci coeficientul b
j
poate fi exclus din legea de
regresie. Acest lucru nseamn c parametrul x
j
nu a fost bine ales i importana sa
asupra fenomenului fizic descries de legea de regresie este neglijabil.
Dac t
j
este mai mare dect t
T
atunci coeficientul b
j
nu poate fi exclus i se poate stabili
intervalul de ncadrare ale acestuia.

=
+ =
j
j
b T j
I
j
b T j
S
j
s t b b
s t b b
(2.66)

Observaie. La ndeprtarea unui parametru este recomandat doar n cazul n care nici
o corelaie dintre parametrii nu este sufficient de bun, deci toi 0
j i
b b
r n caz contrar
totui parametrul trebuie pstrat n lege deoarece este important pentru efectele pe care
le are mpreun cu ali parametrii.

Exemplul 2.3.

S se determine legea liniar de mai multe variabile, care s exprime datele din tabelul
2.15.

Nr. Crt. x
1
x
2
x
3
y
1 0,106 47,12 2 45,5
2 0,106 47,12 1,5 44
3 0,106 47,12 1,0 42,5
4 0,106 47,12 0,25 31
5 0,106 94,24 0,5 48,5
6 0,106 150,72 0,5 64,5
7 0,106 188,4 0,5 67,5
8 0,167 47,12 0,5 45
9 0,460 47,12 0,5 54,5
10 0,530 47,12 0,5 57,5

Capitolul 2.
86

Analiza de regresie a mrimii y:


Suma
ptratelor
abaterilor
Nr. grade
de
libertate.
Dispersia F
Coeficientu
l de
regresie
multipl
3 2 1
, x x x y
r
Eroarea
standard.
Regresia 26076,71 3 8692,23 777,94 0,988 3,342
Rest 67,04 6 11,17
Total 26143,75 9

Expresia regresiei multiple:

3 2 1
251 , 6 228 , 0 07 , 48 645 , 18 x x x y + + + =

Verificarea diferenelor.
y
y y y Eroarea (%)
47 45,5 1,5 3,2
43,8 44 0,11 0,27
40,7 42,5 1,74 4,28
36 31 5,06 14,04
48,3 48,5 0,11 0,22
61,3 64,5 3,21 5,24
69,8 67,5 2,39 3,42
40,4 45 4,45 10,92

Exemplul 2.4.

Determinarea expresiei deformaiilor suferite de mbinrile sudate cap la cap cu rost n Y
este un factor important n stabilirea tehnologiei optime de sudare. Din aceast cauz
este foarte important determinarea factorilor tehnologiei de sudare care influeneaz
semnificativ aceast deformaie. Deoarece relaiile utilizate pn n prezent nu in cont
de numrul de treceri din care este realizat mbinarea i nici de calitatea materialelor de
sudare sau de procedeul de sudare se cere determinarea pe cale statistic a unei relaii
mbuntite care s confere un grad de precizie ct mai reidicat pentru sgeata
structurilor sudate care utilizeaz acest tip de mbinri.
n scolul rezolvrii acestei probleme se stabilete o prob etalon avnd forma din figura
2.10


Capitolul 2.
87
Figura 2.10. Geometria mbinrii sudate pentru determinarea expresiei sgeii n funcie de
geometrie.

Datele ncercrii sunt sintetizate n figura 2.11.
Figura 2.11. Programul de cercetare statistic.

n urma procesului de sudare cu diferii parametrii principali de sudare s-au obinut
diferite sgei ale epruvetelor. S-a presupus c aceste sgei sunt produse de fore
longitudinale, concentrate, care acioneaz pe capetele cordoanelor de sudur. (Numite
i fore tendon). Aceste fore au fost raportate la seciunea mbinrii sudate i s-au
obinut presiunile echivalente procesului de sudare analizat (p
S
). Presiunile echivalente
sunt date n tabelul 2.4.1. S-au mai considerat i rezistena la curgere a materialului i
diametrul electrodului.


Table 2.4.1.Valorile medii ale presiunii echivalente p
S
in [N/mm
2
] obinute pentru epruvetele din figura 2.11.

Oelul

Presiunea

d
e1
de
2
d
e3
d
e4
d
e

[MAG-sha]
d
e

[MAG-spa]

[N/mm
2
]
2,5
[mm]
3,25
[mm]
4
[mm]
5
[mm]
1,2
[mm]
1,2
[mm]
OL37 p
s
2531 3774 4897 6292 8583 9660
OL44 p
s
3222 4803 6232 8008 10000 12295
OL52 p
s
3649 5442 7060 9072 12374 13927







Capitolul 2.
88
Table 2.4.2. Datele iniiale i cele intermediare obinute n scopul determinrii legii de regresie.
Nr.
Crt
d
e

[mm]
R
p0,2

[N/mm
2
]
P
S

[N/mm
2
]
d
e
2
R
p0,2
2
d
e
R
p0,2
d
e
P
S
R
p0,2
P
S
P
S
2

1 2,5 220 2531 6,25 48400 550 6327,5 556820 6405961
2 2,5 280 3222 6,25 78400 700 8055 902160 10381284
3 2,5 346 3549 6,25 119716 865 8872,5 1227954 12595401
4 3,25 220 3774 10,5625 48400 715 12265,5 830280 14243076
5 3,25 280 4803 10,5625 78400 910 15609,75 1344840 23068809
6 3,25 346 5442 10,5625 119716 1124,5 17686,5 1882932 29615364
7 4 220 4897 16 48400 880 19588 1077340 23980609
8 4 280 6292 16 78400 1120 25168 1761760 39589264
9 4 346 7060 16 119716 1384 28240 2442760 49843600
10 5 220 6232 25 48400 1100 31460 1384240 39589264
11 5 280 8008 25 78400 1400 40040 2242240 64128064
12 5 346 9072 25 119716 1730 45360 3138912 82301184
44,25 3384 64242 173,438 986064 12478,5 258672,75 18792238 395741880

Table 2.4.3. Mrimile statistice ale experimentului.
Variabile
Statistica.
d
e

[mm
2
]
R
p0,2

[N/mm
2
]
P
S

[N/mm
2
]
Mediile 3,6875 282 5411,833333
Dispersiile 0,966042771 53,75 2006,503056

Tabelul 2.4.4. Coeficienii de corelaie i valorile de testare ale acestora.
r
x1x2
0 R
x1x2
2
0 t
C(x1x2)
0 t
C
< t
T

r
y,x1
0,90043542 R
y,x1
2
0,810783945 t
C(y,x1)
6,545963491 t
T(0,15
,10)

1,088 t
C
> t
T

r
y,x2
0,403442334 R
y,x2
2
0,162765717 t
C(y,x2)
1,394305583 t
C
< t
T


Tabelul 2.4.5.Calculul i testarea coeficienilor de corelaie parial i al celui de corelaie global.
r
yx1,x2
0,984076971 R
2
yx1,x2
0,968407484 t
C(yx1,x2)
16,61 t
T(0,08;9)
2,262 t
C
> t
T

r
yx2,x1
0,927475565 R
2
yx2,x1
0,860210924 t
C(yx2,x1)
7,442 2,262 t
C
> t
T

r
y,x1x2
0,986686203 R
2
y,x1x2
0,973549662 F
C
165,6 F
T(0,05;2,9)
> 7,12 F
C
> F
T


Concluziile analizei de regresie multipl.
a) Diametrul electrodului, de este un parametru tehnologic al procesului deorece t
C
>
t
T
.
b) Procedeul de sudare este un parametru ce nu poate fi neglijat.
c) Coeficientul legii de regresie care exprim produsul dintre de i R
p0,2
nu este un
parametru al legii de regresie cutat i poate fi neglijat.
d) Parametrii de i R
p0,2
sunt parametrii ce ndeplinesc condiia de semnificaie i nu
pot fi neglijai.
e) Legea este liniar.

Deoarece coeficientul de corelaie multipl, R
2
y,de,pS
= 0,9735 i deoarece coeficientul
Fisher este superior valorii teoretice (F
C
= 156,6 > F
T(0,5;2,9)
= 7,12) atunci cu o
probabilitate mai mare dect 95% parametrii de i Rp0,2 sunt parametrii legii cutate
pentru presiunea echivalent, p
S
. Utiliznd datele din tabelul 2.4.1 s-a determinat legea
de corelaie cutat sub forma:


Capitolul 2.
89

2 , 0
06525 , 15 407 , 1868 318 , 5731
~
p e S
R d p + + =
unde:
de diametrul electrodului [mm]
R
p0,2
rezistena la curgere a materialului de baz [N/mm
2
]

Verificarea legii de regresie.
Datele necesare verificrii legii cutate sunt concentrate n tabelul 2.4.6.

Table 2.4.6. Verificarea legii de regresie p
S
= p
S(de,Rp0,2)

S
p
~

) p
~
p ( P
S ) Si
=

Eroare
[%]
( )


2
S S
p p
i
( )


2
S S
p
~
p
i

2254,0545 276,9455 10,94214 8318417,361 76698,81
3157,9695 64,0305 1,987291 1503204,229 4099,905
4152,276 -503,276 -13,7922 13315201 253286,7
3655,3598 118,6403 3,143621 14243076 14075,51
4559,2748 243,7253 5,074438 23068809 59402
5553,5813 -111,581 -2,05037 29606573,78 12450,38
5056,665 -159,665 -3,26047 23978953,8 25492,91
5960,58 271,42 4,355263 38837824 73668,82
6954,8865 105,1135 1,48886 49829876,99 11048,85
6925,072 -633,072 -10,0615 39578205,95 400780,2
7828,987 179,013 2,235427 64128064 32045,65
8823,2935 248,7065 2,741474 82283463,86 61854,92
388691670 1024905
s
2
R0
= 35335606,36
s
2
R1
= 113878,3
F
C
= 0,003223
F
T(0,05;2;9)
= 7,12

Deoarece condiia impus asupra concordanei legii cu msurtorile este ndeplinit (F
C

< F
T
) se trage concluzia c legea de regresie obinut este corect. Rezultatele analizei
coeficienilor legii de regresie astfel obinute sunt prezentate n tabelul 2.4.7.

Table 2.4.7. Rezultatele verificrii coeficienilor legii de regresie.
s
2
a01
1807774,21 t
a01
1,389630676 t
a01
> t
T

s
2
a02
1,620574023 t
a02
11,83428179 t
a02
> t
T

s
2
a00
24710366,81 t
a00
1,152961777 t
a00
> t
T

t
T(0,15;12+9)
= 1,063

Stabilirea relaiei dintre presiunea echivalent i numrul de straturi ale mbinrii
sudate.

I.- Determinarea presiunii echivalente p
S
pentru sudarea cu o singur trecere n funcie
de diametrul electrodului, d
e
i rezistena la curgere a oelului i corectarea acesteia cu
ajutorul unui factor de corecie, K
m
, care s in cont de numrul de treceri din care este
realizat aria sudurii. Se caut deci o expresie de forma:

( )
m p e S S
K R d p p =
2 , 0
,


Capitolul 2.
90
II.- Determinarea unei funcii complexe care s exprime presiunea echivalent n funcie
de numrul de treceri i diametrul electrodului. Deci o funcie de forma:
( )
e S S
d n p p , =

III. Determinarea presiunii echivalente ca o funcie de numrul de treceri, n, diametrul
electodului, d
e
, i rezistena la curgere a oelului, R
p0,2
. Deci o funcie de forma:
( )
2 , 0
, ,
p e S S
R d n p p =

Cazul I.
S-au efectuat msurtorile pentru n=120 de treceri i datele obinute pentru valorile
medii ale presiunii echivalente au fost folosite la completarea tabelului 2.4.8 necesar
determinrii expresiei coeficientului de corecie K
m
. Pe baza coloanelor 2 i 8 ale
tabelului s-au dterminat mai multe regresii care confer precizie suficient expresiei
coeficientului K
m
n funcie de numrul de treceri. Expresiile acestor regresii sunt date n
tabelul 2.4.9. Se verific legea de regresie cea mai uor de calculat i care confer i o
precizie ridicat, K
m
=n
-0,71
i se complecteaz tabelul 2.4.8.
Pe baza datelor din tabelul 2.4.8 se calculeaz mrimile statistice ale legii i se
evalueaz criteriul Fisher pentru aceast relaie. Rezultatele sunt date n tabelul 2.4.10.

Tabelul 2.4.8. Valorile medii ale presiunii echivalente n funcie de numrul de treceri i valoarea
msurat a raportului dintre cele presiunea echivalent medie a mbinrii dintr-o singur trecere i
cea din mai multe treceri.
Nr.
Crt
nr.
trecerii
n
(n-nmed)
2
Y1 = Km1
Msurt
1

Y2 = Km2
Msurt. 2
Y3 = Km3
Msurt. 3
Y4 = Km4
Msurt.
4
Ymed
(media)
Yc=n
-0,71
(Yi-Ymed)
2
s
2
i (Ymas-Yc)
2

1 2 3 4 5 6 7 8 9 10 11 12
1 1 90,25 1 1 1 1 1 1 0 0 0
2 2 72,25 0,595 0,612 0,609 0,58 0,599 0,61132013
9
0,000646 0,000646 0,000151786
3 3 56,25 0,38 0,48 0,51 0,47 0,46 0,45839926
1
0,0094 0,0094 2,56236E-06
4 4 42,25 0,35 0,36 0,41 0,36 0,37 0,37371231
2
0,0022 0,0022 1,37813E-05
5 5 30,25 0,29 0,33 0,31 0,33 0,315 0,31895638
2
0,0011 0,0011 1,5653E-05
6 6 20,25 0,27 0,29 0,3 0,26 0,28 0,2802287 0,001 0,001 5,23037E-08
7 7 12,25 0,25 0,27 0,27 0,22 0,2525 0,25117730
2
0,001675 0,001675 1,74953E-06
8 8 6,25 0,23 0,24 0,22 0,2 0,2225 0,22845786
3
0,000875 0,000875 3,54961E-05
9 9 2,25 0,21 0,22 0,2 0,2 0,2075 0,21012988
3
0,000275 0,000275 6,91628E-06
10 10 0,25 0,19 0,2 0,18 0,2 0,1925 0,19498446 0,000275 0,000275 6,17254E-06
11 11 0,25 0,17 0,19 0,17 0,19 0,18 0,18222635
7
0,0004 0,0004 4,95667E-06
12 12 2,25 0,16 0,18 0,17 0,18 0,1725 0,17130944
8
0,000275 0,000275 1,41741E-06
13 13 6,25 0,15 0,16 0,16 0,17 0,16 0,16184534
8
0,0002 0,0002 3,40531E-06
14 14 12,25 0,14 0,14 0,16 0,17 0,1525 0,15354974
3
0,000675 0,000675 1,10196E-06
15 15 20,25 0,14 0,13 0,16 0,148 0,1445 0,14620937 0,000483 0,000483 2,92195E-06
16 16 30,25 0,13 0,13 0,15 0,15 0,14 0,13966089
2
0,0004 0,0004 1,14994E-07
17 17 42,25 0,13 0,12 0,14 0,14 0,1325 0,13377694
2
0,000275 0,000275 1,63058E-06
18 18 56,25 0,12 0,12 0,13 0,13 0,125 0,12845662
9
0,0001 0,0001 1,19483E-05
19 19 72,25 0,11 0,12 0,13 0,12 0,12 0,12361892 0,0002 0,0002 1,30966E-05
20 20 90,25 0,11 0,115 0,11 0,128 0,1157
5
0,11919792
7
0,000216
75
0,000217 1,18882E-05

Capitolul 2.
91

210 5,3418 0,020670 0,00028665

Tabelul 2.4.9. Legile de regresie posibile pentru coeficientul de corecie Km pe baza coloanelor 2 i 8
din tabelul 2.4.8.
Nr.
Expresia legii de
regresie.

Coeficienii legii

Coeficientul
de corelaie
Eroarea
standard
1
c
m
n b a
k
+
=
1

a = 0,00772745
b = 0,9922673
c = 0,71284825
0,9999 0,0002239
2
( ) c
m
n b a k
1
+ =
a = 0,0073005
b = 0,99269867
c = 1,4041384
0,9999 0,0002249
3
) ln(n c
x
b
a
m
e k
+ +
=
a = 0,0052062
b = -0,005206
c = -0,71217643
0,9999 0,0002249
4
c
n
m
n b a k =
1

a = 1,0052197
b = 0,994808
c = -0,70857
0,9999 0,0002249
5
c n
m
n b a k =
a = 1,0004521
b = 0,99963052
c = -0,70857114
0,9999 0,0002252
6
b
m
n a k =
a = 1,0003978
b = -0,7101382
0,9999 0,0003113



Tabelul 2.4.10. Mrimile statistice ale legii cutate.
Parametrii
statistici
Valuare
n
med
10,5
K
m

med
0,2670875
s
2
max
0,45474886
s
2
0
0,001033538
s
2
Con
6,37003E-05
F
C
0,061633227
F
T(0,05,1,58)
> 1
s
2
Med
0,000574141

Legile de regresie care conduc la cea mai bun aproximare pentru coeficientul Km sunt
din familia puterilor i dintre acestea a fost adoptat ca fiind cea mai uor de utilizat i cu
un coefficient de corelaie foarte bun, R
2
y,x
= 0,999 legea:


3 13 , 2
71 , 0
1
n
n k
m
=

sau
3 2
m
n
1
k =

Deci expresia forei tendon echivalente cu procesul de sudur pentru cazul analizat este:


S
S
m S S S
A
n
p
k A p F
3 13 , 2
= =

Capitolul 2.
92


Concluzii:

Relaia obinut prin metode statistice permite o aproximare bun a sgeii
mbinrii sudate cap la cap cu rost n n Y.
Diferena dintre sgeta calculat cu metoda clasic i cea obinut cu metoda
statistic este foarte mare. Dac pentru cazul clasic sgeile obinute prin calcul
dau erori din ce n ce mai mari pe msur ce numrul de treceri sunt mai mari n
cazul statistic acestea se pstreaz n limita de 1,68-5%.
Cutarea unor relaii statistice pentru ipotezele II i II nu mai este necesar.

Exemplul 2.5.

S se determine pe cale experimental parametrii geometrici ai cordonului de sudur
pentru cazul sudrii MAG cu rost neprelucrat pentru sudarea cap la cap i de col a
tablelor cu grosimea cuprins ntre 3 i 6 mm. Notaiile geometrice sunt date n figura
2.12a i respectiv 2.12b.


B
h
i

b
p

a)

p
= B / p

a)


1 11 1

2 22 2

a
k
p

B
b
b)

b)
Figura 2.12.

Capitolul 2.
93
a). Caracteristicile geometrice ale mbinrii cap la cap ( b = 0..2,5 mm; = 312 mm; p = 312 mm; B =
530 mm)
b). Caracteristicile geometrice ale mbinrilor de col ( = 3 12 mm; b = 03 mm; p
k
= 36 mm )

Experienele efectuate pentru rezolvarea problemei propuse s-au efectuat pe seturi de
probe avnd dimensiunile geometrice i parametrii conform tabelului 2.5.1.


Tabelul 2.5.1. Caracteristicile geometrice ale rostului I i parametrii de sudare.

(mm)
b
(mm)
Nr.
Crt
I
S

U
A

calculat

(v)
V
S

(cm/min)
V
e

calculat
(cm/min)
3 0.01 1 168 22.7 47.20000076 362.5
3 0.25 2 159 21.8 39.09999847 355.1000061
3 0.5 3 133 21 31.10000038 349.8999939
4 0.01 4 203 23.4 47.70000076 455.6000061
4 0.25 5 178 22.5 40.09999847 452.7000122
4 0.5 6 154 21.6 32.59999847 452.2999878
4 0.75 7 129 20.7 25 454.2000122
4 1 8 129 20.7 25 454.2000122
5 0.01 9 263 25.9 62 544.7000122
5 0.25 10 240 25 54.90000153 541.5999756
5 0.5 11 218 24 47.79999924 541.0999756
5 0.75 12 195 23.2 40.59999847 543.2000122
5 1 13 173 22.2 33.5 547.9000244
5 1.25 14 150 21.3 26.39999962 555.2999878
6 0.01 15 292 27.6 67.40000153 613.4000244
6 0.25 16 272 26.6 60.70000076 612.7999878
6 0.5 17 251 25.6 54 614.9000244
6 0.75 18 231 24.7 47.29999924 619.7000122
6 1 19 210 23.7 40.59999847 627.4000244
6 1.25 20 189 22.7 33.90000153 637.9000244
6 1.5 21 169 21.8 27.20000076 651.0999756
6 1.75 22 148 20.8 20.60000038 667.2000122
6 2 23 128 19.9 13.89999962 686.2000122
Caracteristicile geometrice obinute sunt date n tabelul 2.5.2 fiind medii ale minimum 5
determinri.
Tabelul 2.5.2. Caracteristicile geometrice ale mbinrilor obinute
Nr.
Crt
B
(mm)
p
(mm)
P kMB
1 34.5 3.5 11.5 88.80000305
2 34.40000153 3.2 11.39999962 86.80000305
3 34 3.3 11.5 84.19999695
4 24.59000015 3.5 6.144999981 87.73000336
5 24.70000076 4.1 6.175000191 85.84999847
6 25 3.8 6.25 84
7 25.20000076 4.2 6.300000191 83.45999908
8 26.39999962 4.4 6.599999905 79.33000183
9 21.70000076 5.2 4.340000153 89.5
10 21.60000038 5.2 4.320000172 90.5
11 21.70000076 5.2 4.340000153 89.19999695
12 22 5.4 4.400000095 87.5
13 22.64999962 5.2 4.53000021 85.40000153

Capitolul 2.
94
14 24 5.3 4.800000191 82.59999847
15 20 6.4 3.329999924 90
16 23 6.2 3.829999924 89
17 23 6.2 3.839999914 87.69999695
18 23.39999962 6.3 3.900000095 86.30000305
19 23.70000076 6.3 3.950000048 84.40000153
20 25 6.2 4.159999847 82.19999695
21 26.26000023 6.3 4.369999886 79.5
22 28.89999962 6.2 4.815999985 76
23 35.5 6.2 5.920000076 71.80000305
24 33.5 3.3 11.19999981 88.59999847

Analiza datelor statistice a condus la urmtoarele ecuaii de regresie pentru sudarea cap
la cap cu rost neprelucrat i a celor de col.

Table 2.5.3 Expresia regresiilor liniare a parametrilor de sudare n funcie de parametrii geometrici ai
mbinrii pentru suduri cap la cap i de col.
Domeniul. Ecuaia obinut. Err.
= 3 - 6 [mm]
b = 0 - 3 [mm]
B = 20 - 35,5 [mm]
k
MB
= 90,5 ..71,8[ %]
Is = -1,168 + 1,666083 10
-3
+ 0,1813 b - 0,0174 B +
3,065 10
-3
p - 5,288 10
-2

p
+ 1,058 10
-2
K
mb
+ 6,785 10
-2
E
l

8,4%
Ua = 1,666 10
-3
- 1,828 10
-3
- 0,268 b + 2,089 10
-2
B - 1,6
10
-3
p - 3,62 10
-2

p
+ 0,133 K
mb
+ - 3,93 10
-2
E
l

12%
Vs = 0,181 + 3,23 10
-2
+ 1,661 b - 0,443 B + 9,204 10
-2
p
+ 3,346
p
+ 0,522 K
mb
+ -1,4055 E
l

8%
Ve = -0,0174 - 1,658 10
-2
+ 0,468 b + 4,005 10
-3
B - 4,95
10
-5
p - 8,114 10
-2

p
+ 0,178 K
mb
- 2,916 10
-2
E
l

6%

Expresia parametrilor geometrici ai mbinrii sudate n funcie de parametrii principali de
sudur este dat n tabelul 2.5.4

Tablul 2.5.4 Regresiile liniare ce exprim dependena caracteristicilor geometrice ale
mbinrilor cap la cap cu rost I de parametrii principali de sudare.
Domeniul de
variaie al
parametrilor.
Legile de regresie obinute. Err.
p = 3 - 6 [mm]
B=35,5-20 [mm]
p=11,5 - 3,3
El=114,8 [J/cm]
p = -16,62 - 0,019 Is + 1,025 Ua - 7,4865 10
-2
Vs + 8,535410
-3
Ve 12%
B = -0,0194- 0,4047 Is - 2,52 Ua + 1,497 Vs + 6,810
-2
Ve 14%

p
= 1,025 - 0,159 Is - 0,302 Ua + 0,513 Vs + 9,4610
-3
Ve 15%
K
mb
= -7,48610
-2
+ 0,1017 Is + 0,354 Ua - 8,5810
-2
Vs - 3,5110
-2
Ve 10%
E
l
= 8,535 10
-3
- 9,610
-3
Is - 0,663 Ua + 9,0310
-2
Vs + 1,610
-2
Ve 13%

Table 2.5.5 Regresiile ptratice pentru sudarea cap la cap cu rost I.
Domeniul de
variaie al
parametrilor.
Legile de regresie obinute. Err.
p = 3 - 6 [mm]
B = 35,5 - 20 [mm]
p=11,5 - 3,3
Kmb = 90,5 ..71,8
[%]
El = 114,8
[kJ/cm]
Is = 292 - 128 [A]
Ua = 27,6 - 20 [V]
Vs = 67,4 - 13,9
[cm / min]
Ve = 686,2 - 350
p = -2255,107 + 6,779 Is +324,1499 Ua - 67,09 Vs - 2,89 Ve +
2,834 10
-2
Is
2
- 11,448 Ua
2
- 9,873 10
-2
Vs
2
+ 2,65 10
-4
Ve
2
- 0,3465
Is Ua - 0,129 Is Vs - 8,218 10
-3
Is Ve + 4,299 Ua Vs + 0,1802 Ua Ve
+ 8,8105 10
-4
Vs Ve .
2,4%
B = 6,778 - 5,89 Is + 647,517 Ua - 66,29 Vs -3,51 Ve + 6,71 10
-2

Is
2
- 21,87 Ua
2
+ 0,496 Vs
2
+ 2,549 10
-3
Ve
2
+ 0,7002 Is Ua -
0,4884 Is Vs - 2,98 10
-2
Is Ve + 3,56 Ua Vs + 0,1597 Ua Ve + 6,773
10
-2
Vs Ve .
3,2%

p
= 324,1499 - 0,537 Is + 238,29 Ua - 29,06 Vs -1,7489 Ve +
2,8810
-2
Is
2
- 8,059 Ua
2
+ 0,2677 Vs
2
+ 1,33910
-3
Ve
2
+ 0,2519 Is Ua
3,6%

Capitolul 2.
95
[cm / min]
- 0,2174 Is Vs - 1,422610
-2
Is Ve + 1,2776 Ua Vs + 0,067 Ua Ve +
3,65710
-2
Vs Ve .

K
mb
= -67,09599 - 0,277 Is + 344,3368 Ua - 43,12576 Vs - 1,793779
Ve - 2,79110110
-2
Is
2
- 11,17793 Ua
2
- 0,4743859 Vs
2
- 7,868510
-4

Ve Ve - 3,05899410
-2
Is Ua + 0,1738948 Is Vs + 7,0310
-3
Is Ve +
3,06 Ua Vs + 0,1278993 Ua Ve - 3,9910
-2
Vs Ve
2,8%
E
ln
= - 2,897 - 6,679 Is + 92,18 Ua + 9,048 Vs + 0,663 Ve -
8,5810
-3
Is
2
- 2,695 Ua
2
+ 2,59710
-2
Vs
2
+ 1,29610
-5
Ve
2
+ 0,406 Is
Ua + 4,14510
-3
Is Vs + 9,0910
-4
Is Ve - 0,561Ua Vs - 0,039467 Ua
Ve +1,0810
-3
Vs Ve
1,6%

Table 2.5.6 Alte tipuri de regresii obinute pentru sudurile I i de col.
p = -1,7 + 0,155 V
s
- 0,021V
e
+ 1,8 b - 0,0054 U
a
V
s
- 0,038 V
s
d
e
+ 0,004 U
a
2
+ 0,0295V
e
d
e
- 0,000078
V
s
V
e

B = exp(3,01 + 0,12 U
a
- 0,057 V
s
+ 3,34 d
e
+ 0,00117V
e
- 0,03 U
a
V
s
+ 0,0028 V
s
d
e
+ 0,00117
V
s
2
- 0,96 d
e
2
+ 0,000061 V
e
V
s
- 0,0047 V
e
d
e
- 0,0000156 V
e
2
)

p
= exp( 4,81 - 0,22 U
a
-2,868 d
e
- 0,0119 V
e
- 0,00119 V
s
2
+ 0,92 d
e
2
+ 0,000013 V
e
2
- 0,033
d
e
V
s
+ 0,0103 V
e
d
e
+ 0,00417 U
a
V
s
- 0,000112 V
s
V
e
)
p

= -2 -0,55 U
a
+12,8 d
e
+1,2 b - 0,0105 V
e
+ 0,35 U
a
d
e
- + 0,35 U
a
d
e
- 7,2 d
e
2
+ 0,001135
V
s
U
a
- 0,00000175 V
s
V
e

B = exp(-(0,998 - 0,045Ua + 0,05Vs - 2de - 0,009 Ve - 0,000875 V
s
2
+ 0,47 d
e
2
+ 0,0031 V
e
d
e

+ 0,000067 V
e
V
s
+ 0,0000085 V
e
2
)).

p
= exp( 5,18 - 0,49 U
a
- 0,066 V
s
- 1,945 d
e
2
+ 0,2 U
a
d
e
+ 0,029 V
s
d
e
+ 0,0629 V
e
d
e
+
0,000137 V
s
V
e
)

Table 2.5.7. Expresia ecuaiilor de regresie pentru cazul sudrii de col.
Domeniul. Ecuaia obinut. Err.
p = 3 - 6 [mm]
B = 35,5 - 20
[mm]
p=11,5 - 3,3
Kmb = 90,5 ..71,8
[%]

Limitele
domeniului
Is = 292 - 128 [A]
Ua = 27,6 - 20 [V]
Vs = 67,4 - 13,9
[cm / min]
Ve = 686,2 - 350
[cm / min]
Is = -10882,52 - 0,593 + 29,4578 b + 48,059 B - 1,5484 p +
145,1384 p + 9,501E-02 K
mb
+ 1519,598 E
l
+ 4,92E-03
2
+ 34,46
b
2
+ 1,318 B
2
+ 2,197E-02 p
2
-4,043
p
2
- 4,285 K
mb
2
+ 10,757 E
l
2
-
2,707 b - 0,2382 B + 0,072 p + 4,157
p
+ 6,218E-05 K
mb
+
1,964 E
l
+ 2,115 b B- 0,516 b p - 11,318 b
p
- 0,2725 b K
mb
-
58,504 b E
l
- 0,357 B p - 14,29 B
p
+ 1,3428E-02 B K
mb
+ 4,5118 B
E
l
+ 0,596 p
p
- 1,105E-02 p K
mb
- 1,547 p E
l
+ 0,899
p
K
mb
-
28,6857
p
E
l
+ 6,0061 K
mb
E
l
.
2,3
%
Ua = -0,59322 + 0,2862 + 172,7605 b - 15,4317 B + 0,3933 p +
36,645
p
+ 0,105 K
mb
+ 306,2584 E
l
- 4,937E-02
2
+ 2,2406 b
2
-
0,156 B
2
+ 3,8759E-03 p
2
-0,688
p
2
+ 5,0766 K
mb
2
- 3,4693 E
l
2
-
0,1830831 b + 0,2199366 B +1,4478E-02 p + 0,5317
p
-
1,19E-04 K
mb
+ 0,541 E
l
+ 0,58 b B - 0,1244 b p - 2,5613 b
p
-
0,296 b K
mb
- 12,315 b E
l
-7,007E-02 B p - 1,78 B
p
- 9,38E-03 B K
mb

+ 0,589 B E
l
+ 0,1257 p
p
+ 7,29E-03 p K
mb
- 0,32218 p E
l
+ 0,7971

p
K
mb
- 5,644
p
E
l
+ 0,9972612 K
mb
E
l
.
2,6
%
Vs = 29,46 + 30,35 + 10464,46 b - 2136,76 B + 114,81 p - 1531,59

p
+ 0,6597 K
mb
- 15369,2 E
l
- 1,4549 d
2
- 618,46 b
2
- 18,918 B
2
-
0,2483 p
2
+ 59,78 Y
p
2
+ 158,02 K
mb
2
- 499,1818 E
l
2
+ 52,599 b +
7,175 B - 1,284 p - 52,86517
p
+ 3,837E-05 K
mb
- 9,684969
E
l
- 24,2487 b B + 1,568371 b p + 114,7863 b
p
+ 5,129113 b K
mb
+
529,5081 b E
l
+ 5,869637 B p + 182,9997 B p - 0,4509707 B K
mb
-
68,2412 B E
l
-5,930892 p
p
+ 0,30352 p K
mb
+ 16,05457 p E
l
-
37,27861
p
K
mb
+ 347,3939
p
E
l
+ 217,0542 K
mb
E
l
.
2,1
%
Ve = 48,06 + 5,691 - 4590,567 b - 132,1 B + 27,343 p - 2419,61
p
+
9,701464E-02 K
mb
- 23514,72 E
l
+ 0,0958
2
- 412,39 b
2
- 15,39 B
2
-
0,336 p
2
+ 59,77
p
2
- 354,5 K
mb
2
+ 129,53 E
l
2
+ 43,22 b + 2,363 B
- 1,2 p - 63,93 d
p
+ 6,99E-03 K
mb
- 30,459 E
l
-72,71 b B + 7,71
2,4
%

Capitolul 2.
96
b p + 190,9 b
p
+ 7,28 b K
mb
+ 898,13 b E
l
+ 5,8 B p + 217,191 B
p

- 0,3363 B K
mb
-69,4 B E
l
- 9,33 p
p
+ 0,2193 p K
mb
+ 24,19 p E
l
+
7,33
p
K
mb
+ 421,2347
p
E
l
+ 28,573 K
mb
E
l
.

Expresiile regresiilor astfel obinute s-au utilizat la determinarea parametrilor optimi ai
procesului de sudare care s asigure realizarea cu consum minim de energie i material
de baz a mbinrii sudate dorite.

Aceti parametrii se gsesc n tabelul 2.5.8 iar programul scris n visualBazic 6.0 care
asigur prelucrarea datelor msurtorilor, determinarea regresiilor multiple liniare i
patratice ca i optimizarea sistemului de ecuaii astfel obinut din condiia de asigurare a
energiei liniare minime are formurile de interfa cu utilizatorul prezentate n figurile 2.5.1,
2.5.2,2.53.

Tabelul 4. Expresia valorilor optime pentru parametrii de sudare n cazul sudrii tablelor cu grosime
de 3 mm sau bilateral pentru table de 6 mm.
Domeniul
Tip
mbinare
Legea de regresie obinut
Coef.
Corelaie
d
e
= 1..1,2
mm
= 3..6 mm
b = 0..2 mm
Cap la
cap
(I)
Is = -134 + 14,42 + 311,3 de + 8,22 b + 40,3 de
- 110 b de - 3
2
- 148,4 de
2

R = 0,92
Ua = 31,8 + 1,62 +- 3,03 b - 19,75 de -0,1358 b +
6,806 de
2

R = 0,89
V
s
= 42,3 + 7,81 - 22,44 b - 50,6 de + 1,07 b -
0,415
2
+ 18,8 d
e
2

R = 0,83
d
e
= 1..1,2 mm
= 3..6 mm
k = 2,15 mm
b = 02 mm
De col
( (( ( ) )) )
Is = 28 + 20,83 k - 44,1 b + 34,53 b de +57,2 1de
2

R = 0,93
Ua = 31,2 + 1,2 k - 4,32 b - 22,3 de + 2,81 de b +
10,23 de
2
( U
a
= 14 + 0,05 I
s
)
R = 0,71


( R = 0,76)
V
s
= 60,5 - 5,23 - 5,6 b - 46,41 de + 0,51 b - 1,84
k de + 0,4554 k
2
+ 24,55 de
2

R = 0,87


Capitolul 2.
97

Figura 2.13. Modulul destinat introducerii i gruprii datelor.


Capitolul 2.
98

Figura 2.14. Modulul utilizat alegerii tipului de regresii statistice dorit.


Figura 2.15. Caseta de dialog destinat raportului analizei



Capitolul 2.
99

Figura 2.16. Modulul destinat stabilirii expresiei parametrilor optimi. Caseta de dialog destinat
alegerii expresiei de optimizat a restriciilor ca i a valorilor extreme ale parametrilor.


Figura 2.17. Modulul de optimizare. Caseta de dialog destinat alegerii metodei.


Capitolul 2.
100


Concluziile analizei statistice utiliznd regresii multivariabile.

Modelarea procesului de sudare, utiliznd metodele analizei statistice conduce n cazul
analizat la obinerea unor relaii de dependen statistic, extrem de utile, pentru
estimarea caracteristicilor geometrice ale mbinrii sudate ca i pentru estimarea
parametrilor optimi de sudare.
Faptul c n urma procesului de optimizare rezult expresia parametrilor optimi funcie de
geometria mbinrii ct i de paramatrii geometrici ai rostului mbinrii face posibil
luarea de msuri rapide care s conduc la asigurarea calitii dorite mbinrii, pstrnd
totodat procesul n zona de maxim eficien.

Astfel:
- potate fi fcut rapid corecia parametrilor tehnologici de sudare, chiar n timpul
lucrului, dac spre exemplu distana dintre piese se modific n limitele
domeniului analizat pentru anumite zone ale mbinrii,
- se pot semnala cu uurin zonele de cordon n care parametrii nu au respectat
domeniul de mrime calculat, prin marcarea acestora,
- uureaz supravegherea i controlul parametrilor de sudare,
- se poate oprii procesul de sudare dac nu este posibil asigurarea calitii
geometrice a mbinrii.

Toate aceste opiuni, care privesc controlul activ al procesului de sudare, sunt posibile
doar pentru domeniul de valabilitate al analizei efectuate.
Astfel:
- asigurarea parametrilor optimi de sudare pentru cazul n care se dorete
sudarea unui cordon care nu este rectiliniuu, nu a fost analizat. Metoda de
abordare, ca i programul elaborat cu aceasta permit ns abordarea cu
uurin i a acestui caz,
- asigurarea parametrilor de sudare optimi pentru cazul utilizrii amestecurilor de
gaze nu a fost analizat,
- asigurarea parametrilor de sudare optimi n cazul mbinrilor sudate pentru
oeluri care nu corespund compoziiei chimice avut n vedere la determinarea
relaiilor statistice, nu este posibil fr o refacere a experienelor.



Capitolul 3.

100
3. MODELAREA MATEMATIC PRIN UTILIZAREA EXPERIENELOR
FACTORIALE

3.1. Necesitatea utilizrii acestei metode

n abordarea clasic a experimentului, n scopul determinrii legii regresiei, faza
experimental se va desfura ntr-o anumit succesiune. Astfel, toi parametrii n
funcie, de care se dorete exprimarea legii vor fi reglai la o anumit valoare, cu
excepia unuia dintre ei care va fi modificat. n urma efecturii msurtorilor operaia se
repet cu un alt parametru, care va fi reglat, pe noua valoare, .a.m.d. Se poate observa
c n programul de calcul al coeficienilor legii de regresie, vor fi utilizare doar o parte din
experienele posibile, ceea ce nu asigur obinerea cu certitudine a unei relaii valabile
n tot domeniul de variaie al parametrilor. Acest fapt poate fi exemplificat cu uurin
urmrind figura 3.1 , n care sunt indicate grafic, punctele msurate n urma desfurrii
unui proces ce depinde de dou variabile i care se poate exprima cu expresia y=y(x
1
,
x
2
).


n conformitate cu cazul general de desfurare al experimentului clasic, parametrul x
2

va fi fixat la o anumit valoare (x
2
= const) n timp ce parametrul x
1
va suferii modificri ,
pn n momentul determinrii extremului acestuia, n cazul din figur acest extrem este
un maxim ce corespunde valorii x
13
a parametrului x
1
. n continuare , parametrul x
1
va fi
meninut constant, la valoarea sa extrem, i experienele vor continua prin modificarea
parametrului x
2
. n cazul analizat, au fost obinute 7 puncte figurate cu fiind obinute

Fig. 3.1 Dependena mrimii optimizrii y de parametrii x
1
x
2

Curba C
1
- x
2
fixat pe nivelul de baz
Curba C
2
- x
1
fixat pe nivelul extrem x
13


Capitolul 3.

101
dou curbe, cte una pentru fiecare parametru.. Valoarea extrem a funciei ce se
supune optimizrii rezultnd n punctul :

X
o
= (X
13
, X
24
).
Observaii:

n cadrul programului experimental au fost neglijate experiene care ar fi putut
acoperi ntregul domeniu de variaie al parametrilor x
1
, x
2
. Un studiu complet , n cazul
de fa, ar fi condus la gruparea valorilor funciei cutate, pe o suprafa definit de 64
de puncte, ca n figura 3.1., unde cu Z au fost reprezentate datele obinute n urma
msurtorilor.
Dac se renun la metoda de abordare prezentat (clasic) n favoarea unei
programri a experienelor, ca n figura 3.1 , descrierea variabilei ce se exprim prin
legea de regresie, va beneficia de urmtoarele avantaje:
a) simplificarea considerabil a calculelor, n sensul c nu mai este necesar
determinarea valorii extreme pariale, pentru fiecare parametru n parte.
b) creterea preciziei de determinarea a coeficienilor ecuaiei de regresie.
c) obinerea unei regresii care s exprime ct mai corect suprafaa de rspuns
d) obinerea soluiei optimei a problemei, prin eliminarea influenei nivelului de
pornire n procesul de obinere a legii de regresie.

3.2. Programe de ordinul I

Au ca scop obinerea legilor de regresie multivariabile de ordinul nti de forma:

2 2 1 1 0 0
x a x a x a y + + =

(3.1)

n astfel de programe, nu sunt luai n considerare dect parametrii procesului , la
puterea I, influena interaciunii dintre acetia fiind neglijat. Dac se noteaz valorile
maxime i minime ale parametrilor n funcie de care se dorete exprimarea legii de
regresie cu valorile simbolice +1 i -1, pentru un proces ce se analizeaz n funcie de
doi parametrii, experimentul poate fi programat ca n tabelul 3.1.

Tab. 3.1 Matricea programrii experienelor
Nr. experienelor

X
0

Parametrii procesului
Mrimea
msurat
Obs
X
1
X
2
y
1 +1 +1 +1 y
1

2 +1 -1 +1 y
2

3 +1 +1 -1 y
3

4 +1 -1 -1 y
4


n prima coloan sunt trecute numerele experienelor ce se vor efectua.
n cea de-a doua coloan , fiind introdus variabila X
o
care este o variabil fictiv, a crei
valoare este ntotdeauna unitar. Aceast variabil este utilizat la determinarea
termenului liber a
o
al regresiei.
Coloanele ce corespund parametrilor x
1
i x
2
permit programarea experienelor de aa
manier nct s fie acoperit ntreg domeniul n care variaz acetia.
Coloana corespunztoare mrimii msurate y, reprezint chiar vectorul rezultatelor
msurtorilor y, din cadrul experimentului clasic.

Capitolul 3.

102
n cazul experimentului factoria, se apeleaz la o serie de noiuni, cum ar fi nivelul
parametrilor, nivelul zero, intervalul de variaie, noiuni ce vor trebui definite.

Nivelul parametrilor: definete valoarea parametrului la care se va efectua
experimentul. Astfel pentru valoarea +1 din matricea programrii se va considera c n
cadrul experienei parametrul va intra la valoarea maxim a sa, n timp ce pentru -1,
acesta va fi reglat la valoarea minim.

Nivelul zero: definete valoarea medie a parametrului (X
max
- X
min
)/2 = X
med
, n cadrul
matricii programrii. n mod curent, nivelul zero al parametrului X
i
se noteaz cu z
o
i
.

Niveluri intermediare: determin o valoare a parametrului X, cuprins ntre nivelul zero
i nivelul maxim, respectiv minim, se pot defini nivelele
3
2
3
1
3
2
3
1
2
1
2
1
; ; ; ; ;

i i i i i i
z z z z z z etc.

Intervalul de variaie (z
i
). Reprezint acea valoare z
i
care adugat sau sczut din
valoarea nivelului zero, permite obinerea nivelului maxim, respectiv minim.

Valorile extreme ale parametrilor considerai (z
M
i
respectiv z
m
i
) mai sunt numite i
limite de existen ale parametrilor, iar intervalul (z
M
, z
m
) interval de definiie al
parametrilor, ca n figura 3.3

Se mai definete, M ca fiind domeniul de realizare al experimentului extremal; fiind
cuprins ntre limitele (z
s
i
, z
i
i
), ca n fig.3.4
Se observ c domeniul L este mic, n timp ce domeniul experimentului M poate fi
ca orice subdomeniu al domeniului L.
Domeniul M este limitat de parametrii procesului, conform limitelor z
s
i
, z
i
i
. Nivelele
inferioare i superioare ale parametrilor se simbolizeaz cu (-1) respectiv (+1), ceea ce
conduce la transformarea factorilor naturali z
i
n factori codificai x
i
, conform relaiei:

x
i
= (z
i
- z
i
o
) z
i
(3.2)


Fig. 3.3 Domeniul de realizare al experimentului

Fig. 3.4 Prezentarea domeniului de definiie al factorilor
(1) i al domeniului de realizare al experimentului (M)
O - centrul domeniului de definiie
O

- centrul domeniului experimentului



Capitolul 3.

103
Codificarea parametrilor exprim n esen trecerea de la un sistem de coordonate
Oz
i
la un alt sistem Ox
i
, conform figurii:


n cazul n care programul experimentat conine un numr de msurtori egal cu
numrul total de combinaii de nivele ale factorilor, atunci experimentul se numete
experiment factorial complet (EFC). Dac fiecare factor n parte prezint doar dou
nivele de modificare (+1 i -1) atunci experimentul este de tipul 2
n
. Astfel pentru cazul
existenei a dou variabile , (n = 2) experimentul va conine un numr de N = 2
2
= 4
msurtori. Dac se dorete realizarea unui experiment n care factorii s intervin la trei
nivele , (inferior, mediu i superior) atunci N = 3
n
, ceea ce pentru un experiment avnd
doi parametrii, conduce n conformitate cu figura 3.4 la N = 9 msurtori.
Programele EFC 3
n
sunt mult mai puin utilizate dect programele EFC 2
n

deoarece, n cazul unui mare
numr de parametrii conduc la un
mare numr de experiene.

3.2.1 Alegerea nivelurilor i
intervalelor de variaie ale
parametrilor

Una dintre principalele
caracteristici ale programelor
experimentale, o constituie
stabilirea domeniului de variaie al
parametrilor. n acest scop sunt
utilizate att unele rezultate
preliminare ct i consideraiile teoretice, practic, toate cunotinele accesibile ce privesc
fenomenul ce se analizeaz. n continuare din domeniul L astfel delimitat se va separa
subdomeniul M, n care , se fac experimentrile. Alegerea corect a nivelului zero ca i a
intervalelor de variaie ale parametrilor au o importan hotrtoare asupra eficienei
modelrii fenomenului ca i asupra obinerii optimului dorit. De regul nivelul zero al
parametrilor se adopt la valorile la care s-au obinut rezultatele cele mai bune sau la
care procesul are stabilitatea maxim. Un caz fericit l constituie obinerea nivelului zero
chiar pe valorile optime ale procesului analizat. Dar acest lucru este extrem de dificil de
realizat n lipsa unui nalt nivel al informaiilor apriorice despre proces tehnologic ce se
-->
a) sistemul Oz
i
al variabilelor naturale
b) sistemul Ox
i
al variabilelor codificate


Fig. 3.6. Experiment cu 2 parametrii spre 3 nivele

Capitolul 3.

104
analizeaz. Acesta este motivul pentru care, n programarea experienelor, se consider
ca nivel zero al parametrilor tehnologicii, nivelul pentru care au fost obinute valorile cele
mai avantajoase ale mrimii ce va fi exprimat. Din aceast cauz, se poate obine, n
urma procesului de optimizare, un optim local, existnd pericolul ca optimul general s
nu se gseasc n subdomeniul M al domeniului general al parametrilor L.
Aceasta este i cauza pentru care analogia i intuiia joac un rol deosebit de important
n analiza matematic a unor procese tehnologice nc necercetate. Alegerea intervalul
de variaie al parametrilor ce se utilizeaz la obinerea legii regresieie cutate se face
prin respectarea inegalitilor:

2
i
< z
i
(3.3a)
2
m
i
M
i
i
z z
z

= (3.3b)
unde:

i
- reprezint abaterea medie ptratic a parametrului z
i

z
i
- intervalul de variaie al acestuia
z
M
i
- z
m
i
- domeniul de variaie al parametrului

ndeplinirea condiiilor (3.3a) i (3.3b) este obligatorie, deoarece valorile parametrilor n
funcie de care se dorete exprimarea legii trebuie s influeneze semnificativ procesul
de modelare, deci s se situeze peste limitele dispersiei msurtorilor acestora. De cele
mai multe ori, mrimea acestui interval se alege pe baza unor informaii apriorice sau se
stabilete intuitiv, valabilitatea lui rmnnd s fie verificat n urma determinrii legii de
regresie cutate. Trebuie precizat faptul c o alegere corect a intervalului de variaie al
parametrilor conduce la obinerea unui model viabil al procesului.

Metod de construire a matricii programrii

Matricea programrii este un tabel care conine toate combinaiile parametrilor
tehnologici, sau o parte a acestora, n form codificat. Tabelul 3.1 reprezint n esen
o astfel de matrice destinat analizei unei regresii ce depinde de doi factori, deci un
proces EFC 2. n cazul analizrii unor procese mai complicate, un mod de abordare al
experienelor poate fi fcut n conformitate cu tabelul 3.2

Tabelul 3.2 Modul de stabilire a experienelor.

Nr.

Tip program
Parametrii codificai
exp x
0
x
1
x
2
x
3
x
4
x
5

1 +1 +1 +1 +1 +1 +1
2 +1 -1 +1 +1 +1 +1
3 EFC 2
2
+1 +1 -1 +1 +1 +1
4 +1 -1 -1 +1 +1 +1
5 +1 +1 +1 -1 +1 +1
6 +1 -1 +1 -1 +1 +1
7 EFC 2
3
+1 +1 -1 -1 +1 +1
8 +1 -1 -1 -1 +1 +1
9 +1 +1 +1 +1 -1 +1
10 +1 -1 +1 +1 -1 +1
11 +1 +1 -1 +1 -1 +1
12 +1 -1 -1 +1 -1 +1

Capitolul 3.

105
13 +1 +1 +1 -1 -1 +1
14 +1 -1 +1 -1 -1 +1
15 EFC 2
4
+1 +1 -1 -1 -1 +1
16 +1 -1 -1 -1 -1 +1
17 +1 +1 +1 +1 +1 -1
18 +1 -1 +1 +1 +1 -1





EFC 2
5


32 +1 -1 -1 -1 -1 -1
Procedeul exemplificat n tab. 3.2 poate fi extins pentru procese ce depind de orici
parametrii.
Coloana x
o
este coloana valorilor variabilei fictive (x
o
), avnd ca scop generalizarea
calculelor.
n coloana x
1
, semnul variabilei fictive se modific alternant n conformitate cu o relaie
de forma (-1)
1+i
unde i este numrul experienei. n cazul coloanei x
2
semnul se modific
n conformitate cu legea 2
2
.

3.2.2 Proprietile matricei programrii

Matricile bazate pe tabelul 6.2 prezint o serie de avantaje ce le confer o larg
utilizare. Astfel , n cazul regresiei, necesitatea de a asigura o precizie de calcul ct mai
uniform , indiferent de punctul din spaiul factorial n care se face experiena, trebuie s
asigure condiiile legate de ortogonalitate i respectiv rotabilitate.
Astfel prin realizarea matricii programrii, sunt ndeplinite condiiile:

=
=
N
n
in
X
1
0
(3.4)

=
=
N
n
in
N X
1
2

(3.5)
(i = 1,2 n)
n - numrul factorilor
N - numrul experienelor N = 2
N


Ecuaiile (3.4) i (3.5) reprezint proprietatea de normare.
Condiia de ortogonalitate se verific cu relaia:

=
=
N
n
jn in
X X
1
0
(3.6)

Se observ c programele EFC 2
n


sunt ortogonale.
Dac exprimm dispersia valorilor calculate cu legea de regresie,

n
n
n
a a a y
x x
n
s s s s + + + =

2
1
2 2 2
0 0

(3.7)

Capitolul 3.

106
i cum EFC 2
n
conduce la experiene cu proprieti de normalitate i ortogonalitate
2
0
2
1
s s
N
i
b
= i deci:
|

\
|
+ =

=
n
i
i b y
X
i
1
2 2 2
1 s s

(3.8)

cum punctele sunt simetrice, ecuaia (3.8) rezult c dispersia regresiei depinde doar de
distana din centrul experimentului la punctul extrem al ncercrii deci matricea
programrii confer i proprietatea de rotabilitate. n concluzie, se consider urmtoarele
proprieti ale programelor EFC 2
n
:
dispersiile coeficienilor ecuaiei de regresie s
2
ai
sunt egale ntre ele i conduc la
valori minime
coeficienii ecuaiei de regresie a
i
se determin independent unii de alii
calculul coeficienilor se simplific mult
dispersia variabilei de stare
2
y

seste independent de rotirea sistemului de


coordonate n centrul programului.


3.2.3. Realizarea programului EFC 2
n


n urma completrii matricii programrii se va trece la experiment. n acest scop,
toate variabilele codificate fiind nlocuite cu variabilele naturale, fiind realizat deci
matricea de lucru . La aceast matrice vor mai fi adugate coloane care s conin
valorile limit ale variabilelor, timpul de desfurarea al experienelor, ca i unele
rezultate provizorii, n scopul eliminrii unor erori accidentale sau sistematice ce pot
aprea pe parcursul experimentului.
Cum perturbaiile influeneaz asupra rezultatului msurtorilor i deci asupra
regresieie ce se obine, unii cercettori recomand ca programul s fie executat de un
numr de ori m, obinndu-se astfel m valori paralele ale variabilei de stare.
Pentru a evita de asemenea apariia unor erori sistematice, programarea
experienelor se va face utilizndu-se metoda de randomizare a acestora, prin
executarea ntmpltoare a experienelor n cadrul programului.

3.2.4. Algoritm de calcul pentru EFC 2
n
.

Construirea matricii programrii.

Dac se presupune un nivel de reproductibilitate redus al msurtorilor, atunci n
matricea programrii paralele, n tab. 3.4.
Tab. 3.4 Matricea programrii pentru m date paralele
Nr. x
0
Parametrii Variabila y s
n
2

exp x
1
x
2
y
n1
y
n2
y
nm

1 +1 +1 +1 y
11
y
12
y
1m
s
1
2

2 +1 -1 +1 y
21
y
22
y
2m
s
2
2

3 +1 +1 -1 y
31
y
32
y
3m
s
3
2

4 +1 -1 -1 y
41
y
42
y
4m
s
4
2



Capitolul 3.

107
calculul coeficienilor regresieie. Coeficienii ecuaiei regresiei se obin prin utilizarea
metodei celor mai mici ptrate, astfel nct s se obin sistemul de ecuaii:


= = = =
=
n
j
N
i
i jii
n
j
N
i
jii i j
y x x x a
0 1 0 1

(3.10)
n care:

= =
= =
m
k
nk
N
n
n in j
y
mN
y x
N
a
1 1
1 1

(3.11)

unde n reprezint numrul de parametrii independeni , iar m numrul de determinri
paralele.
Deci:

= =
=
N
n
m
k
nk in j
y x
Nm
a
1 1
1
(3.12)

Dac se noteaz cu X matricea parametrilor codificai i cu Y vectorul coloan al
rezultatelor experienelor ( y ) atunci:

1 1 1
1 1 1
1 1 1
1 1 1

= X ;
4
3
2
1
y
y
y
y
Y = ;
1 1 1 1
1 1 1 1
1 1 1 1

=
T
X ;
4 0 0
0 4 0
0 0 4
= X X
T
;

=

=

=
=
=
4
1
2
4
1
1
4
1
0
4
3
2
1
1 1 1 1
1 1 1 1
1 1 1 1
n
n n
n
n n
n
n n
T
y x
y x
y x
y
y
y
y
Y X

sistemul devine:
( ) Y X B X X
T T
= (3.13)
deci:

=
(
(
(

(
(
(

=
=
=
4
1
2
4
1
1
4
1
0
2
1
0
4 0 0
0 4 0
0 0 4
n
n n
n
n n
n
n n
y x
y x
y x
a
a
a
(3.14)
coeficienii vor fi:
( ) ( ) Y X X X B
T T
1
= (3.15)


Capitolul 3.

108

(
(
(
(
(
(

=
=
=
=
=
=
4
1
2
4
1
1
4
1
0
4
1
2
4
1
1
4
1
0
2
1
0
4
1
4
1
4
1
4
1
0 0
0
4
1
0
0 0
4
1
n
n n
n
n n
n
n n
n
n n
n
n n
n
n n
y x
y x
y x
y x
y x
y x
a
a
a
(3.16)
Scrierea ecuaiei:
2 2 1 1 0
x a x a a y + + =

(3.17)


Analiza statistic a ecuaiei regresiei.

n scopul validrii ecuaiei, se vor efectua urmtoarele verificri:
a) Estimarea dispersiei reproductibilitii
b) Verificarea semnificaiei coeficienilor
c) Verificarea concordanei experimentului.

a) Estimarea dispersiei reproductibilitii
Eroarea experimental s
2
o
se calculeaz pe baza determinrilor paralele. n acest
scop se determin dispersiile msurtorilor paralele.
( ) N n y y
m
m
k
n nk n
, , 2 , 1
1
1
1
2 2
=

=

=
s (3.18)
Se verific omogenitatea dispersiilor cu ajutorul criteriului Cochran:

=
=
n
n
n
n
c
1
2
2
max
s
s
G (3.19)
Dac:

c

0,05(1,2)
(
1
= m -1 ;
2
= N) (3.20)

atunci dispersiile sunt omogene, altfel se admite c acestea nu sunt omogene fiind
necesar fie mrimea preciziei metodei de msurare a variabilelor y, sau prin mrirea
numrului de determinri paralele m sau prin modificarea variabilei y, sub forma u = ln y
sau u = y
1/2
sau u = e
y
.
Dac dispersiile sunt omogene, se calculeaz o dispersie medie, cu relaia:

( )

= = =

= =
N
n
m
k
n nk
N
n
n
y y
m N N
1 1
2
1
2 2
0
) 1 (
1 1
s s (3.21)

Numrul gradelor de libertate va fi:
o
= N(m-1)

b) Verificarea semnificaiei coeficienilor ecuaiei de regresie.

Metoda const n determinarea dispersiei acestor coeficieni:


Capitolul 3.

109
'
2
0 2
N
i
a
s
s = N

= Nm (3.22)

Verificarea acestor coeficieni poate fi fcut cu testul student.

l i
a
t
i
i
a
i
a
, , 2 , 1
2
= =
s
(3.23)
Valoarea t
ai
se compar cu valoarea tabelat, pentru
o
= N(m-1)

t
T0,05(o)
:

Dac t
ai
> t
T0,5(o)
se consider coeficientul semnificativ, parametrul considerat fiind
pstrat n legea de regresie.

c) Verificarea gradului de concordan al ecuaiei regresiei.

Verificarea se face cu ajutorul criteriului Fischer,

2
0
2
s
s
F
con
= (3.24)
unde:
( )

=
2 2
n n con
y y
e N
m
s (3.25)

Din tabelul testului Fischer, pentru
con
= N - e i
o
= N(m -1) i = 0,05 se citete F
T
.
Dac F F
T
atunci se consider c ecuaia de regresie liniar este adecvat.
Dac testul nu este satisfcut, atunci fie se ncearc o regresie de grad mai mare,
fie se micoreaz intervalele de variaie ale parametrilor i se reface experimentul .
Dac unul dintre parametrii a fost neglijat n faza de premodelare, atunci acesta va
fi reintrodus naintea repetrii experienelor.

3.2.4. Calculul coeficienilor interaciunilor dintre parametrii n cazul unui program
EFC

Programele EFC permit calculul, printr-o metod mai simpl a coeficienilor
interaciunilor dintre parametrii, putnd fi astfel stabilite concordana modelului liniar cu
datele experimentale. Dac aceti coeficieni sunt semnificativi , atunci modelul liniar nu
este n concordan cu datele experimentale. Pentru a putea verifica i aceti coeficieni,
matricea programrii se suplimenteaz cu coloanele respective, ca n tabelul 3.5.

Tabelul 3.5. Matricea programrii.
Nr.
exp

x
0

Parametrii
Variabila
msurat
x
1
x
2
x
3
x
1
x
2
x
1
x
3
x
2
x
3
y
1 +1 +1 +1 +1 +1 +1 +1 y
1

2 +1 -1 +1 +1 -1 -1 +1 y
2

3 +1 +1 -1 +1 -1 +1 -1 y
3

4 +1 -1 -1 +1 +1 -1 -1 y
4


Capitolul 3.

110
5 +1 +1 +1 -1 +1 -1 -1 y
5

6 +1 -1 +1 -1 -1 +1 -1 y
6

7 +1 +1 -1 -1 -1 -1 +1 y
7

8 +1 -1 -1 -1 +1 +1 +1 y
8


Coeficienii a
ij
ai interaciunilor pot fi calculai cu relaia:

) (
1
1
j i y x x
N
a
N
n
n jn in ij
=

=
(3.26)

deoarece matricea programrii este ortogonal.
Ecuaia regresiei, n acest caz devine:

= =
+ + =
n
j i
j i
j i ij
N
i
i i
x x a x a a y
1 , 1
0

(3.27)
ceea ce pentru EFC 2
2
, conduce la :


2 1 12 2 2 1 1 0
x x a x a x a a y + + + =

(3.28)

n cazul n care ecuaia (3.27) va fi utilizat ntr-un proces de optimizare,
coeficienii a
ij
trebuie s fie nesemnificativi.

3.3. Planuri de experimentare fracionate.

Programele EFC sunt deosebit de utile n cazul n care se urmrete obinerea unui
model matematic pentru cazul n care numrul de parametri va fi mai mare dect trei (n
> 3). Cu toate acestea, creterea numrului parametrilor conduce la mrirea numrului
experienelor. Astfel, pentru EFC 2
3
sunt necesare 8 msurtor, pentru EFC 2
4
, 16
msurtori, pentru EFC 2
8
256 msurtori, etc.
Micorarea numrului de experiene , conduce la generarea unor experiene factoriale
fracionate (EFF) sau replici fracionare, care reprezint un procent (1/2, 1/4 , , 1/2
p
)
din experimentul factorial complet.
Un program incomplet, (un subprogram) derivat dint-un EFC 2
3
, redus la 1/2 poate
fi prezentat n tabelul 3.5.

Tabelul 3.5
Nr.
exp

x
0

Parametrii
Variabila
msurat
x
1
x
2
x
3
= x
1
x
2
x
1
x
3
x
2
x
3
x
1
x
2
x
3
y
1 +1 +1 +1 +1 +1 +1 +1 y
1

2 +1 -1 +1 -1 +1 -1 +1 y
2

3 +1 +1 -1 -1 -1 +1 +1 y
3

4 +1 -1 -1 +1 -1 -1 +1 y
4


n matricea programrii, parametrul X
3
va fi nlocuit cu parametrii X
1
X
2
, ceea ce
conduce la reducerea programului EFC 2
3
ntr-un program EFC 2
2
, deci o reducere de
la o la 4 experiene. Se obin astfel estimri interferente ale coeficienilor regresiei, i
interaciunile binare:


Capitolul 3.

111
a

1

1
+
23
; a

2

2
+
13
; a

3

3
+
12
; a

o

o
+
123

unde:

a

i
-reprezint estimrile coeficienilor pe baza datelor experimentale.

i
-reprezint coeficienii ecuaiei teoretice de regresie obinut de baza tuturor
valorilor parametrilor x
i
.

Se observ din tab 3.5 existena unei coincidene ntre coloanele X
1
i X
2
X
3
, X
2
i X
1
X
3
,
X
o
i X
1
X
2
X
3
.
Dac se consider X
3
= - X
1
X
2
atunci va rezulta un alt subprogram factorial, dar n care:
a

1

1
-
23
; a

2

2
-
13
; a

3

3
+
12
; a

o

o
-
123
pe baza tabelului 3.6

Tabelul 3.6
Nr.
exp

x
0

Parametrii
Variabila
msurat
x
1
x
2
x
3
= - x
1
x
2
x
1
x
3
x
2
x
3
x
1
x
2
x
3
y
1 +1 +1 +1 -1 -1 -1 -1 y
1

2 +1 -1 +1 +1 -1 +1 -1 y
2

3 +1 +1 -1 +1 +1 -1 -1 y
3

4 +1 -1 -1 -1 +1 +1 +1 y
4


Se observ c:
a
1
= (a

1
+ a

1
)/2
1

a
2
= (a

2
+ a

2
)/2
2

a
1
= (a

3
+ a

3
)/2
3


Determinarea replicilor , care exprim cazul n care p efecte liniare sunt identice
cu efectele de interaciune, conduce la formarea unui program experimental de ordinul
2
n-p
.
Principalele caracteristici ale replicilor fracionarea sunt prezentate n tabelul 3.7.

Tabelul 3.7
Nr.
param.
Replica fracionar
Notaia
convenional
Numrul de
experiene ale
replicii
Nr.
determinrilor
n cazul EFC
3 1 / 2 din 2
3
2
3-1
4 8
4 1 / 2 din 2
4
2
4-1
8 16
5 1 / 4 din 2
5
2
5-2
8 32
6 1 / 8 din 2
6
2
6-2
8 64
7 1 / 16 din 2
7
2
6-3
8 128
5 1 / 2 din 2
5
2
5-1
16 32
6 1 / 4 din 2
6
2
6-2
16 64
7 1 / 8 din 2
7
2
7-3
16 128
8 1 / 16 din 2
8
2
8-4
16 256
9 1 / 32 din 2
9
2
9-5
16 512
10 1 / 64 din 2
10
2
10-6
16 1024

Printr-o alctuire judicioas a replicilor se pot obine rezultate comparabile cu EFC.
Construirea replicilor fracionare are la baz relaii algebrice ce permit evidenierea
efectelor interferenelor. Acest lucru se bazeaz pe determinarea interaciunilor
nesemnificative, (supranumite relaii generatoare), care permit nlocuirea n matricea

Capitolul 3.

112
programrii, a coloanei printr-o variabil independent. Astfel replica fracionar 2
3-1
se
obine prin relaia generatoare X
3
= X
1
X
2
sau X
3
= - X
1
X
2
.
Prin nmulirea cu X
3
se obine:

X
3
2
= X
1
X
2
X
3
i X
3
2
= - X
1
X
2
X
3


cum X
3
2
= 1;
1 = X
1
X
2
X
3
i 1 = - X
1
X
2
X
3
(3.29)

n cazul analizat, estimrile interferenei coeficienilor conduc la ecuaiile:

X
1
= X
1
X
1
X
2
X
3
= X
2
X
3

X
2
= X
2
X
1
X
2
X
3
= X
1
X
3

X
3
= X
3
X
1
X
2
X
3
= X
1
X
2


ceea ce conduce la estimrile:

a
1

1
+
23

a
2

2
+
13

a
3

3
+
12


n cazul celelalte semireplici, se obin urmtoarele estimri interferente:

X
1
= - X
1
X
1
X
2
X
3
= - X
2
X
3
; a
1

1
-
23

X
2
= - X
2
X
1
X
2
X
3
= - X
1
X
3
; a
2

2
-
13

X
3
= - X
3
X
1
X
2
X
3
= - X
1
X
2
; a
3

3
-
12


Exemplu 3.1:

S se studieze un proces tehnologic, a crei performan y depinde de cinci
parametrii tehnologici z
1
; z
2
; z
3
; z
4
; z
5
.
Pentru determinarea modelului matematic se utilizeaz un subprogram EFC 2
5-2
,
iar rezultatele experimentale fiind n conformitate cu Tab. 3.6 .
Relaiile generatoare au urmtoarea form:

X
4
= X
1
X
2
X
3
; X
5
= - X
1
X
2

Contrastele determinate au forma:

1 = X
1
X
2
X
3
X
4
(X
4
2
= X
1
X
2
X
3
X
4
)
1 = - X
1
X
2
X
5
(X
5
2
= X
1
X
2
X
5
)

Pe baza acestor relaii se determin sistemul de estimri interferente:

1 = X
1
X
2
X
3
X
4
= - X
1
X
2
X
5
= - X
3
X
4
X
5

deci:
X
1
= X
2
X
3
X
4
= - X
2
X
5
= - X
1
X
3
X
4
X
5

X
2
= X
1
X
3
X
4
= - X
1
X
5
= - X
2
X
3
X
4
X
5

X
3
= X
1
X
2
X
4
= - X
1
X
2
X
3
X
5
= - X
4
X
5

X
4
= X
1
X
2
X
3
= - X
1
X
2
X
4
X
5
= - X
3
X
5


Capitolul 3.

113
X
5
= X
1
X
2
X
3
X
4
X
5
= - X
1
X
2
= - X
3
X
4


Dac se consider c legea de regresie este liniar, atunci

a
12
= a
13
= a
14
= a
15
= a
23
= a
24
= a
25
= a
34
= a
35
= a
45
= a
11
= a
22
= a
33
= a
44
= a
55
= 0

i ceilali coeficieni pot fi exprimai cu relaiile:

a
1

1
+
234
-
25
-
1345
; a
1

1

a
2

2
+
134
-
15
-
1345
; a
2

2

a
3

3
+
124
-
45
-
1235
; a
3

3

a
4

4
+
123
-
25
-
1245
; a
4

4

a
5

5
+
12345
-
12
-
34
; a
5

5

n final, pe baza rezultatelor calculelor efectuate i sintetizate n tabelul 6.8 se determin
urmtoarele concluzii:

a) Ecuaia regresiei de ordinul nti descrie adecvat procesul.
b) Aceast ecuaie poate fi utilizat n scopul optimizrii procesului.

Tab. 3.8
Parametrii z
1
z
2
z
3
z
4
z
5
Coeficienii regresiei
Nivel zero 2,0 100 1,5 0,2 2,0 b
0
=27,21 ; b
1
=4,83
Interval de variaie 1,0 10 0,5 0,1 1,0
b
2
=2,86 ; b
3
=0,81 ;
b
4
=0,38 ; b
5
=11,08
Nr.
exp

x
0

Parametrii


y
x
1
x
2
x
3
x
4
x
5

1 +1 -1 -1 -1 -1 -1 14,5
2 +1 +1 +1 -1 -1 -1 18,6
3 +1 -1 -1 +1 +1 -1 13,6
4 +1 +1 -1 +1 -1 +1 51,0
5 +1 -1 +1 +1 -1 +1 23,2
6 +1 +1 -1 -1 +1 +1 41,0
7 +1 -1 +1 -1 +1 +1 38,0
8 +1 +1 +1 +1 +1 -1 17,6

Date statistice:

o
2
= 2,8 ;
o
= 2 ;
ai
2
= 0,35 ; t
T
= t
0,05(2)
= 4,3 ; 537 , 2 35 , 0 3 , 4 = = b iar b
3
i b
4
sunt
nesemnificativi i se elimin din model.

2
con
= 40,06 ;
con
= 8 - 4 = 4 ; 25 , 19 31 , 14
80 , 2
06 , 40
) 2 ; 4 ( 05 , 0
= < = =
T
F F

Concluzii:

3.4. Adoptarea deciziilor pe baza programelor i subprogramelor de ordinul nti.
Abordarea obinerii legii de regresie a unei variabile, n funcie de parametri
procesului tehnologic care concord la aceast lege, prin metoda experienelor factoriale
complet sau fracionate ,are ca scop obinerea unei funcii ce rspuns, extrem de utile n
scopul optimizrii desfurrii procesului.

Capitolul 3.

114
Acesta este scopul n care se elaboreaz programul sau subprogramul de
experimentare, se calculeaz coeficienii legii i se fac verificrile statistice necesare. n
urma verificrilor statistice, pot intervenii urmtoarele situaii.

1 Modelul liniar este adecvat
Deci efectele de interaciune ntre parametrii analizai sunt nesemnificativi.
0
ii
i criteriul Fischer este satisfcut (F < F
T
). n acest caz sunt posibile
urmtoarele variante:
1.1 Toi coeficienii liniari , a
i
a
n
sunt semnificativi
1.1.1 Dac acetia au acelai ordin de mrime, atunci se poate trece la
una dintre metodele de optimizare clasice
1.1.2 Dac acetia nu au acelai ordin de mrime, se procedeaz la
micorarea intervalelor de variaie ale parametrilor respectivi sau prin
mrirea intervalelor de variaie ale celorlali parametrii.
1.2 Unii coeficieni sunt semnificativi i alii sunt nesemnificativi.
1.2.1 Dac coeficienii semnificativi au acelai ordin de mrime , se
elimin coeficienii i parametrii afereni celor nesemnificativi
1.2.2 Dac condiia 1.2.1 nu este ndeplinit, se mrete intervalul de
variaie al parametrilor nesemnificativi i se repet experimentul.
Dac i n acest caz unii coeficieni rmn nesemnificativi, trebuie
mrit numrul de determinri paralele sau s se efectueze un
experiment complet
1.3 Toi coeficienii legii sunt nesemnificativi din cauza unor intervale de variaie
prea mici. Experimentul va trebuie repetat folosind intervale de variaie mai
mari. O alt cauz poate proveni din erori de msurare prea mari, ceea ce
se nltur prin mrimea preciziei msurtorilor sau mrimea numrului de
msurtori paralele.

2 Modelul liniar neadecvat

Cazul apare n momentul n care cel puin un efect de interaciune este nesemnificativ.
De asemenea F
c
> F
T
i deci testul Fischer nu este ndeplinit.
n cazul n care se dorete continuarea cutrii unui model liniar, trebuie modificat
centrul experimentului ntr-un punct ce corespunde celei mai bune valori ntlnite n
procesul de experimentare. Procednd astfel, curbura suprafeei de rspuns y = y(x
1
, x
2

, , x
n
) se atenueaz i modelul liniar are ans de reuit. Dac i n acest caz modul
liniar nu d rezultate, se consider c punctul zero, este plasat n zona optimului i se
ncearc exprimarea unei legi multivariabile polinomiale de ordinul doi pentru descrierea
fenomenului i optimizarea acestuia.
Tot n acest scop se urmrete o analiz riguroas a coeficienilor repartiiei.

3.5 Programe de ordinul doi

n cazul n care, modelul liniar nu d rezultatele preconizate, nefiind n conformitate
cu analiza statistic efectuat, se caut modelarea procesului cu o lege de ordin
superior. De regl ordinul acesteia este redus la ordinul doi. Expresia aceste legi este:


Capitolul 3.

115

=

= =
+ + =
n
i
i ii
n
j i
i
j i ij
n
i
i i
x b x x b x b y
1
2
0 0
(3.29)
Metodele utilizate la alctuirea programelor, respectiv subprogramelor de rodinul
nti nu mai pot fi aplicate deoarece proprietatea de simetrie pentru variabila codificat
x
i
2
nu se mai pstreaz.

= N x
i
2
i nu se anuleaz i astfel vor fi necesare mai
multe determinri. Pentru obinerea modelului matematic sub form de polinom de
ordinul doi se utilizeaz de regul programe centrale compuse.
Particularitile matricii programrii experienelor, necesit reconsiderarea
conceptelor legate de nivelul parametrilor al centrului programului ca i la unele criterii de
optimalitate ale programelor considerate.
Astfel deoarece gradul regresiei este mai mare, n spaiul cu un numr de
dimensiuni cutate va reprezenta o hipersuprafa ( y=y(x
1
, x
2
, , x
n
) ) i un hiperplan
ca n cazul funciilor de gradul nti care au fost analizate anterior. Acest fapt implic
existena unei curburi, deci posibilitatea utilizrii unor intervale de variaie a parametrilor
( Z
i
) mai mari, ca i utilizarea unui numr mai mare de nivele ale variabilelor.
Cum suprafaa este o funcie de ordinul doi, este firesc s se utilizeze un numr de
nivele care s necesite cel puin 3 puncte de analiz, deci programul EFC 3
n
. Acest
deziderat conduce ns la mrirea numrului de determinri . Pentru un numr de 4
parametrii, vor trebui fcute N = 81 experiene i un numr total de
con
= 66 grade de
libertate iar pentru n=5 parametrii, N = 243 i
con
= 222 etc.
n mod practic, s-a dovedit c un numr att de mare de experiene , care s
valideze ipoteza de concordan ntre msurtori i ipoteza de concordan ntre
msurtori i legea calculat nu este necesar.
Astfel s-a artat c prin adugarea unor puncte suplimentare unui program EFC 2
n

se pot obine acelai rezultate cu un program EFC 3
n
. Primii cercettori care au
observat i au demonstrat acest fapt au fost Box i Wilson , care au artat c numrul
total de determinri pentru exprimarea unei legi ptratice va trebui calculat conform
relaiei:
N = N
c
+ N

+ N
0

unde:
N
c
- nr. de determinri din EFC 2
n
sau dintr-un subprogram EFC 2
n-p

N

- numrul de puncte stea (2n)


N
0
- numrul de determinri n centru.

Astfel programele Box - Wilson sunt mult mai economice dect programele EFC 2
n

i au avantajul c pot deriva din programe EFC 2
n
fracionare. Centrul programului
rmne tot centrul programului EFC 2
n
care nu a ndeplinit condiia de concordan .
Deci pot fi utilizate msurtori existente (deja fcute pentru legea liniar) crora li se vor
aduga unele puncte numite puncte stea, ca n figura 3

Capitolul 3.

116


Punctele 1, 2, 3, 4 alctuiesc modelul
EFC 2
2
n timp ce punctele 5, 6, 7, 8
distanele cu valoarea (deci la Z = )
formeaz punctele stea de coordonate (0,
) i (, 0).
n punctul (0,0) , centrul experimentului
se vor realiza un numr N
0
de determinri
paralele. Pentru N
0
= 1 rezult, o
programare a experienelor ca n tabelul de
mai jos.




Tabelul 3.9
Nr.
exp
x
0
x
1
x
2
x
1
x
2
x
1
2
x
2
2
y
1 +1 +1 +1 +1 +1 +1 y
1

2 +1 +1 -1 -1 +1 +1 y
2

3 +1 -1 +1 -1 +1 +1 y
3

4 +1 -1 -1 +1 +1 +1 y
4

5 +1 + 0 0
2
0 y
5

6 +1 - 0 0
2
0 y
6

7 +1 0 + 0 0
2
y
7

8 +1 0 - 0 0
2
y
8

9 +1 0 0 0 0 0 y
9


Program central compus
N
c

= 4; N

; N
0
=1 (3.30)

Ca i n cazul programelor de ordinul nti, trebuie stabilite naintea nceperii
experimentului, nivelele factorilor n form natural z
s
i
i z
i
i


, coordonatele naturale ale
centrului experimentului z
i
0
i de asemenea intervalele de variaie ale parametrilor z
i
:

z
i
o
= (z
s
i
+ z
i
i
)/ 2; (3.31)
z
i
= (z
s
i
- z
i
i
)/ (3.32)

Valorile codificate ale parametrilor x
i
se stabilesc la valorile 1 cu relaia : z
o
i
z
i
,
trecerea de la valorile naturale ale parametrilor la cele codificate fiind fcut conform
tabelului urmtor.
Tabelul 3.10.
x
i
Valori naturale ale parametrilor
z
1
z
2
z
3
z
n

+ z
1
s
z
2
s
z
3
s
z
n
s

+1 z
1
0
+ z
1
z
2
0
+ z
2
z
3
0
+ z
3
z
n
0
+ z
n

0 z
1
0
z
2
0
z
3
0
z
n
0

-1 z
1
0
- z
1
z
2
0
- z
2
z
3
0
- z
3
z
n
0
- z
n

- z
1
i
z
2
i
z
3
i
z
n
i


Fig. 3.7 Distribuia punctelor msurtorilor n
spaiul parametrilor n cazul programelor de
ordinul 2.

Capitolul 3.

117
n continuare aceste tipuri de programe experimentale se vor nota EFC 2
n
BW.

3.5.1. Transformri asupra programelor EFC 2
n
BW.

Asupra acestui tip de programe experimentale se fac de cele mai multe ori
modificri care s produc transformri ale matricii programrii. Astfel acesta este indicat
s fie transformat ntr-o matrice ortogonal sau rotabil.

Transformarea ntr-un program ortogonal

Transformarea programului ntr-un ortogonal se va face prin asigurarea respectrii
condiiilor:

=
=
0
0
2 2
2
0
jin in
in n
x x
x x
(3.33a,b)

Condiia (3.33a) poate fi respectat prin efectuarea transformrii:
2 2
1
2 2 '
1
i in
N
n
in in in
x x x
N
x x = =

=
(3.34)

conducnd la :


= = =
=
N
n
i n
N
n
in n
N
n
in n
x x x x x x
1
2
0
1
2
0
1
'
0
(3.35)

Condiia (3.33b) necesit intervenia asupra matricii programrii. Dac vom scrie
coloanele corespunznd variabilelor x
2
i
imediat dup coloana x
o
, iar apoi cele ale
interaciunilor x
i
x
j
se va obine pentru programul ortogonal. urmtoarea form a matricii
informaionale:


Capitolul 3.

118
( )
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(

=
c
c
c
c c
c c
c c
T
N
N
N
e
e
e
f N N e
N f N e
N N f e
e e e N
X X




0
0
0
0
(3.36)


iar:
e = N
c
+ 2
2
;f = N
c
+ 2
4
(3.37;
3.38)

Matricea covariaional se obine prin inversarea matricii informaionale, C = (X
T
X)
-1
.
Observnd faptul c o parte a termenilor formeaz o matrice diagonal, ar fi inversat
doar matricea.

(
(
(
(
(
(
(
(

f N N N e
N f N N e
N N f N e
N N N f e
e e e e N
c c c
c c c
c c c
c c c

i rezult
(
(
(
(
(
(
(
(

F G G G E
G F G G E
G G F G E
G G G F E
E E E E G


(3.39)
unde:

( ) [ ]
( ) ( ) [ ]
( )
( ) [ ]
2 4
2 1
2 1
4 1
1 4
1 2
1 2
2
1 2
e n NN n Nf H
NN e H G
e n NN n Nf H F
e H E
N n f H D
c
c
c
c
+ =
=
+ =
=
+ =




Capitolul 3.

119
n scopul ortogonalizrii coloanelor aferente mrimilor x
2
i
va trebui s fie ndeplinit
condiia : e
2
- NN
c
= 0; cum N
c
= 2
n
; N = N
0
+ 2u + N
0
rezult:
4
+ 2
n

2
- 2
n-1
(n +
N
0
/2) = 0
sau pentru o replic de gradul p = 1 al experimentului ; N
c
= 2
n-1

4
+ 2
n-1

2
- 2
n-2
(n +
N
0
/2) = 0
Rezolvnd n funcie de
1
ecuaiile biptrate se obin valorile poziiei punctelor
stea. n acest mod se ajunge la obinerea unui program ortogonal de ordinul 2.
Valorile pentru
2
n funcie de N
0
i n sunt prezentate n tabelul urmtor:
Tabelul 3.12














Programul P.02 (n = 2)
Tabelul 3.13. Organizarea experienelor pentru P02 (n=2)
Nr. exp x
0
Parametrii Variabila msurat
x
1
x
2
x
1
x
2
x
1

x
2

y
1 +1 +1 +1 +1 1 / 3 1 / 3 y
1

2 +1 +1 -1 -1 1 / 3 1 / 3 y
2

3 +1 -1 +1 -1 1 / 3 1 / 3 y
3

4 +1 -1 -1 +1 1 / 3 1 / 3 y
4

5 +1 +1 0 0 1 / 3 -2 / 3 y
5

6 +1 -1 0 0 1 / 3 -2 / 3 y
6

7 +1 0 +1 0 -2 / 3 1 / 3 y
7

8 +1 0 -1 0 -2 / 3 1 / 3 y
8

9 +1 0 0 0 -2 / 3 -2 / 3 y
9

Pentru cazul n care se utilizeaz un program ortogonal P.0.2 , dar pentru 3
variabile , matricea programrii experienelor, poate fi fcute conform tabelului.

Tab 3.14. Program P02 (n=3)
Nr. x
0
Parametrii x
1
x
2
x
1
x
3
x
2
x
3
y
exp x
1
x
2
x
3
x
1

x
2

x
3


1 +1 +1 +1 +1 0,27 0,27 0,27 +1 +1 +1 y
1

2 +1 -1 +1 +1 0,27 0,27 0,27 -1 -1 +1 y
2

3 +1 +1 -1 +1 0,27 0,27 0,27 -1 +1 -1 y
3

4 +1 -1 -1 +1 0,27 0,27 0,27 +1 -1 -1 y
4

5 +1 +1 +1 -1 0,27 0,27 0,27 +1 -1 -1 y
5

6 +1 -1 +1 -1 0,27 0,27 0,27 -1 +1 -1 y
6

7 +1 +1 -1 -1 0,27 0,27 0,27 -1 -1 +1 y
7

8 +1 -1 -1 -1 0,27 0,27 0,27 +1 +1 +1 y
8

9 +1 1,215 0 0 0,745 -0,73 -0,73 0 0 0 y
9

10 +1 -1,215 0 0 0,745 -0,73 -0,73 0 0 0 y
10

11 +1 0 1,215 0 -0,73 0,745 -0,73 0 0 0 y
11

12 +1 0 -1,215 0 -0,73 0,745 -0,73 0 0 0 y
12

N
0
n
2 3 4 5 (semireplic)
1 1,00 1,476 2,00 2,39
2 1,160 1,650 2,146 2,58
3 1,317 1,831 2,390 2,77
4 1,475 2,00 2,580 2,95
5 1,606 2,164 2,77 3,14
6 1,742 2,325 2,95 3,31
7 1,873 2,481 3,14 3,49
8 2,00 2,633 3,31 3,66
9 2,123 2,782 3,49 3,83
10 2,243 2,928 3,66 4,00

Capitolul 3.

120
13 +1 0 0 1,215 -0,73 -0,73 0,745 0 0 0 y
13

14 +1 0 0 -1,215 -0,73 -0,73 0,745 0 0 0 y
14

15 +1 0 0 0 -0,73 -0,73 -0,73 0 0 0 y
15


Coeficienii legii de regresie pentru un program P.0.2 se calculeaz cu urmtoarele
relaii:

=
=
N
n
n o
y
N
a
1
'
1
;

=
=
=
N
n
in
N
n
in in
i
x
y x
a
1
2
1

( )

=
=
=
N
n
in in
N
n
in jn in
ij
y x
y x x
a
1
2
1
;
( )

=
=
=
N
n
N
n
in
ii
in
in
x
y x
a
1
2
'
1
'
(3.40a,b,c,d)

Pentru determinarea dispersiilor coeficienilor se folosesc expresii:

N
a
2
0 '
'
0
s
s = ;

=
=
N
n
in
a
x
i
1
2
2
0 2
s
s ;

( )

=
=
N
n
jn in
a
x x
ij
1
2
2
0 2
s
s ;
( )

=
=
N
n
in
a
x
ii
1
2
'
2
0 2
s
s (3.41a,b,c,d)

Dispersia coeficientului a
o
va avea calculat cu relaia:

( ) ( )
2 2 2 2
1
2 2
11
'
0
0 nn
a n a
a
a
x x s s s s + + + = (3.42)

unde: s
o
2
reprezint eroarea datelor experimentale, cunoscut n urma efecturii
programului EFC 2
n
. Ecuaia dispersiei va fi:

( ) ( )
2 2 2
1
2
1 11 1 ) 1 ( 2 1 12 1 1
'
0 n n nn n n n n n n
x x a x x a x x a x x a x a x a a y + + + + + + + + + =

(3.43)
sau:
2 2
1 11 1 ) 1 ( 2 1 12 1 1 0 n nn n n n n n n
x a x a x x a x x a x a x a a y + + + + + + + + + =

(3.44)
unde:

' 2 2
2 2
1 11
'
0 0
in in i
n nn
x x x
x a x a a a
=
=
(3.45a,b)

Sintetizarea calculelor se poate face conform tabelului urmtor:





Capitolul 3.

121
Tabelul 3.15.
Nr.
bloc
Relaii de calcul Notaii funcii
1

= = > =
+ + =
n
i
i ii
n
i j
j i ij
n
i
i i
x b x x b x b y
1
2
1 0


n - nr. parametrilor procesului
N - nr. determinri
2
B = (X
T
X)
-1
X
T
Y ;

=
=
N
n
n o
y
N
a
1
'
1
;

=
=
=
N
n
in
N
n
in in
i
x
y x
a
1
2
1
;
( )

=
=
=
N
n
in in
N
n
in jn in
ij
y x
y x x
a
1
2
1
;
( )

=
=
=
N
n
N
n
in
ii
in
in
x
y x
a
1
2
'
1
'
; i = 1,n; i,j = 1,2,, n ; i j


2 2 '
i in in
x x x =


3a Dispersiile se consider omogene conform EFC
4
( )
1
1
1
0 0
1
2
0 0
0
2
0
0
=

=

=
N
y y
N
N
k
k

s

N
0
- numrul determinrilor
paralele n centrul programului

0
- nr. gradelor de libertate
5
N
a
2
0 '
'
0
s
s = ;

=
=
N
n
in
a
x
i
1
2
2
0 2
s
s ;
( )

=
=
N
n
jn in
a
x x
ij
1
2
2
0 2
s
s ;
( )

=
=
N
n
in
a
x
ii
1
2
'
2
0 2
s
s ;
i i
a i a
a t s = ;
ij ij
a ij a
a t s = ;
ii ii
a ii a
a t s =

0
2
- eroarea experimental

a0

,
ai
2
,
aij
2
,
aii
2
dispersiile
coeficienilor regresiei
t
ai
, t
aij
, t
aii
- valorile calculate ale
criteriului student
t
T
- valoarea criteriului student
5a Verificarea semnificaiei coeficienilor t
ai
, t
aij
, t
aii
> t
T
; t
T
= t
0,05(0)



6
( )

=
N
k
n n con
y y
N
1
2 2
1
1
s
l = 0,5(n +1)(n + 2);
con
= N - l ; F =
con
2
/
0
2

l - numrul termenilor din ecuaie

con
2
- dispersia de concordan
F - valoarea calculat .
6a F F
T
; F
T
= F
0,05(con+0)
F
T
- valoarea criteriului Fischer.

Exemplul 3.2:

S se analizeze un proces ce depinde de 3 parametrii, prin utilizarea unui model
matematic bazat pe P.0.2.
Abordarea cu modelul P.O.2. se datoreaz rezultatelor necorespunztoare obinute prin
aplicarea modelului liniar. Acest lucru a permis alegerea noului centru al experimentului
n punctul cu eficacitate maxim. Programul este sintetizat n tabel.

Tabelul 3.16
Denumire
Parametrii procesului

Coeficieni semnificativi
z
1
z
2
z
3


Nivel zero z
i


0,032

1,0

15
a
0

= 97,47 ; a
1
= 1,10
a
2
= -0,92 ; a
3
= 0,64
a
12
= 0,87 ; a
32
= -1,21
Intervalul de variaie
z
i

0,005 0,5 5



Capitolul 3.

122
Tabelul 3.17
Nr.
exp

x
0

Program Variabila

x
1
x
2
x
3
y
n

n
y


1 +1 -1 -1 -1 96,18 94,19
2 +1 +1 -1 -1 97,88 97,65
3 +1 -1 +1 -1 92,96 93,61
4 +1 +1 +1 -1 98,34 97,55
5 +1 -1 -1 +1 97,36 98,47
6 +1 +1 -1 +1 98,18 98,93
7 +1 -1 +1 +1 95,24 94,89
8 +1 +1 +1 +1
9 +1 -1,215 0 0 99,32 99,69
10 +1 +1,215 0 0 94,53 97,68
11 +1 0 -1,215 0 94,53 95,45
12 +1 0 +1,215 0 97,34 97,57
13 +1 0 0 -1,215 99,24 99,13
14 +1 0 0 +1,215 99,08 98,55
15 +1 0 0 0

Matricele (X
T
Y) i (X
T
X) vor fi:

( )
(
(
(
(
(
(
(
(
(
(
(
(
(
(

=
74 , 1
09 , 5
56 , 1
70 , 1
10 , 2
94 , 6
05 , 7
12 , 10
01 , 12
13 , 1462
Y X
T
; ( )
(
(
(
(
(
(
(
(
(
(
(
(

229 , 0
229 , 0 0
229 , 0
125 , 0
125 , 0
125 , 0
09 , 0
0 09 , 0
066 , 0
1
X X
T

Soluiile vor fi:
a
o

= 97,47 ; a
1
= 1,1 ; a
2
= - 0,92 ; a
3
= 0,64 ; a
12
= 0,87 ; a
13
= - 0,27 ; a
23
= 0,22 ; a
11
= -
0,4
a
22
= - 1,21 ; a
33
= - 0,44.
Semnificaia coeficienilor se verific cu relaia:
t
ai
; t
aij
; t
aii
t
T
;
o
= 3 ;
o
2
= 0,485 ; t
T
= t
T0,05(3)
= 3,18
t
ao
= 573,35
t
a1
= 5,41 ; t
a2
= 4,4 ; t
a3
= 3,06
t
a12
= 4,06 ; t
a13
= 1,09 ; t
a23
= 0,99
t
a11
= 1,2 ; t
a22
= 3,66 ; t
a33
= 1,33

Coeficienii semnificativi vor fi: a
0

, a
1
, a
2
, a
12
i a
22
i cum t
a3
t
T
va fi inclus i
termenul a
3
.
Se obine astfel urmtoarea ecuaie:

( )
2
2
2
2 2 1 3 2 1
21 , 1 87 , 0 64 , 0 92 , 0 1 , 1 47 , 97 x x x x x x x y + + + =



Capitolul 3.

123
sau:
2
2 3 2 1
21 , 1 64 , 0 92 , 0 1 , 1 35 , 97 x x x x y + + =

i 73 , 0
2
2
= x
Verificarea concordanei:

( ) 79 , 1
1
2 2
=

=
n n con
y y
l N

s
unde: N = 15 , l = 6
F =
2
con
/
o
2
= 1,79 / 0,485 = 3,69.
Pentru:

o
= N - l = 9 i = 3, = 0,05
rezult din tabela Fischer . F
T
= 8,81.

Cum F < F
T
se consider modelul drept adecvat i regresia obinut ca fiind capabil s
ndeplineasc condiiile cerute de un proces de optimizare.

3.5.2. Transformarea ntr-un program rotabil de ordinul doi (PR2)

Programele ortogonale de ordinul doi au un mare inconvenient. Acesta const n faptul
c dispersia variabilei exprimat
2
y

s se modific cu rotaia axelor parametrilor. Pentru a


corecta acest inconvenient, Box i Hunter au propus dezvoltarea i transformarea EFC
2
n
n programe rotabile. n acest scop matricea informaional i pstreaz foram de la
P.O.2, iar elementele care au suma indicilor numr par se scriu sub forma:
n) , 1,2, j ; j (i 3 3
n) , 1,2, (i
4
1
2 2
1
4
2
1

= = =
= =

= =
=

N x x x
N x
N
n
jn in
N
n
in
N
n
in
(3.46a,b)

2
i
n
sunt coeficieni arbitrari, ce depind de n.
n - numrul parametrilor
N - numrul determinrilor
Dac se noteaz suma ptratelor termenilor de ordinul doi sub forma:
n , 1,2, i ;
1
= =

=
N
n
in i
x S

(3.47)
atunci:

=
=
= = =
= =
N
n
jn in in i
N
n
in i
N x x x S
N x S
1
2
2 2 4
4
1
2
2
2
3 3

(3.48a,b)
nmulind cu n:

=
= = =
N N
n
n
n
in
N n x nS
1 1
2
2
1
2
2
; ( ) nN
n
=
2
2
; i

=
4
4 in
x nS ; (3.49)
cum

=
=
n
i
i
x
1
2 2
rezult:

Capitolul 3.

124

( ) ( )
( )


+ = =
+ = =
2 2 4
2
2 4
2 2 2 4
2
2
2
2
) 1 (
2
j i i i
j i n i i
x x n n x x
x x C x x

(3.50a,b)

Deci:

= =
=
N
n
jn in
N
n
n
x x n n nS
1
2 2
1
4
4
) 1 ( (3.51)

Dar:

= =
4 4
2 2
3 N S x x
jn in

( ) [ ] ( )
( ) [ ] 2 3
2 1 3 3
3 ) 1 (
1
4
4
4 4
1
4
4
1
4
4
+ |

\
|
=
+ = + =
=


=
=
=
n n S
S n n n n n S
S n n nS
N
n
n
N
n
n
N
n
n


(3.52a,b,c,d)
Deci:
2
2
1
2
1
4
2
2
4
+

\
|
=

=
=
n
Nn
N
n
n
N
n
n

(3.53)
sau pentru o sfer pe care sunt dispuse N puncte:

2 2
4 2
4 2
2
2
4
+
=
+
=
n
n
n
n
N
N

( * )

Cnd relaia (*) este ndeplinit, matricea informaional devine degenerat i sistemul
de ecuaii nu va admite soluii reale.
Pentru a depi aceste inconveniente se consider un numr de s sfere i N
w
puncte
dispuse pe fiecare sfer. Se ajunge astfel la condiiile:



= =
= =
=
=
s
s
1
2
1
2
1
4
1
4
w
w w
N
n
n
w
w w
N
n
n
N
N


(3.54a,b)

Astfel pentru
2
= 1 , se obine


Capitolul 3.

125
2
2
1
2
1
4
4
+

|
|

\
|
=

=
=
n
Nn
N
N
w
w w
w
w w
s
s

(3.55)

Dac se consider dispunerea celor N puncte, (reprezint msurtorile n spaiul
parametrilor) pe 2 sfere, avnd repartizate N
o
, respectiv N
1
puncte, i se impun razele
sferelor
o
= 0 i

= , se obine:

( ) ( ) ( ) 2 2
) (
2 2
1
1 0
1
4 2
1
1
2
4
+
>
+
+
=
+
=
+
=
n
n
n N
N N n
n N
Nn
N n
N Nn

(3.56)

Plasarea unor puncte pe sfera de raz
o
= 0, deci n centrul programului, permite
construirea unui program PR2 cu o matrice informaional (X
T
X) nedegenerat. Un astfel
de program are matricea de program a experienelor ca n tabelul:

Tabelul 3.18
Nr.
exp
x
o
x
1
x
2
x
1
x
2
x
1
2
x
2
2
y
1 +1 +1 +1 +1 +1 +1 y
1

2 +1 +1 -1 -1 +1 +1 y
2

3 +1 -1 +1 -1 +1 +1 y
3

4 +1 -1 -1 +1 +1 +1 y
4

5 +1 + 0 0
2
0 y
5

6 +1 - 0 0
2
0 y
6

7 +1 0 + 0 0
2
y
7

8 +1 0 - 0 0
2
y
8

9 +1 0 0 0 0 0 y
9


Din condiia :

=
2
2
N x
in
; i = 1,n (3.57)

Se obine pentru:

n n
N
jn in
N
in
x x x 2 3 2 2 3
4
1
2 2
1
4
= + = =

(3.58)

i deci:
= 2
n / 4
unde n - nr. parametrilor

Sau pentru subprogram fracionar 2
n-p
, = 2
(n- p) /4
.
Dac se noteaz :


Capitolul 3.

126
( ) [ ]
( ) [ ]
( ) ( ) [ ]
( )
c
c
c
c
c
c
NN e H G
e n NN n Nf H F
e H E
N n f H D
e n NN n Nf H
N f
N e
=
+ =
=
+ =
+ =
+ =
+ =

2 1
2 1
4 1
1 4
2 4
4
2
1 2
2
1 2
1 2
2
2


(3.59a,bc,d,e,f,g)
atunci:

s
2
ao

= D s
2
o

; s
2
ai
= e
-1
s
0
2
; s
2
aij
= N
c
-1
s
2
o

; s
2
aii
= F s
2
o
(3.60a,b,c,d)
cov(a
o
a
ii
) = E s
2
o
(3.61)
cov(a
ii
a
ij
) = G s
o
2
(3.62)

i dispersia legii de regresie:

( )
2
0
4 2 2 2 2 2
cov 2
0

ii a a a y
a a
ii i
+ + + = s s s s

(3.63)

Deoarece
2
y

snu depinde de cov(a


ii
a
ij
) trebuie ca aceste covariane s se anuleze deci:
G s
o
2
= 0 ; G = 0, acest lucru conduce la condiia ca e - NN
c
s fie zero, ceea ce
permite stabilirea numrului necesar de experiene n centrul experimentului (N
o
).

N
o
= (e
2
/ N
o
) - N
c
- N

(3.64)

Pentru construirea programelor uniform rotabile, va trebuie ca
n
s ndeplineasc
condiia:

( )
( ) 2
1
7 14 9 3
2
4
+
+ + + =
n n
n n n (3.65)

Acest lucrul permite i estimarea numrului de puncte N, necesare experimentului:

N = e
2

n
/ N
c
(3.66)
Datele necesare asigurrii unor probleme uniform rotabile sunt prezentate n tabelul:

Tabelul 3.19 Parametrii programrii uniform rotabile
n 2 3 4 5 6 7 8

n
0,7844 0,8385 0,8704 0,8918 0,9070 0,9184 0,9274
N
0
4,5504 5,5511 7,3344 10,2836 14,7 20,7908 28,4776

Numrul N
o
poate fi calculat cu relaia:


Capitolul 3.

127
N
o
= int (e
n
/N
c
- N
c
- N

) (3.67)

Tabelul 3.20. Relaiile de calcul pentru programul PR2
Bloc Relaii de calcul Notaii / funcii
1

+ + + =
2
0 i ii j i ij i i
x a x x a x a a y




2 B = (X
T
X)
-1
(X
T
Y)
( )


+ + =
=
=
+ =
= =
=
=

= = =
n
n
i
N
n
n in n in ii
N
n
n jn in
c
ij
N
n
n in i
n
i
N
n
n in
N
n
n
y E y x G y x G F a
y x x
N
a
y x e a
y x E y D a
1 1
2 2
1
1
1
1 1
2
1
0
1


3 unde:
( ) [ ]
( ) [ ]
( ) ( ) [ ]
( )
c
c
c
c
c
c
NN e H G
e n NN n Nf H F
e H E
N n f H D
e n NN n Nf H
N f
N e
=
+ =
=
+ =
+ =
+ =
+ =

2 1
2 1
4 1
1 4
2 4
4
2
1 2
2
1 2
1 2
2
2



4
( )

=
0
1
2
0 0
0
2
0
1
1
N
k
k
y y
N
s

2
ao

= D
2
o

;
2
ai
= e
-1

0
2
;

2
aij
= N
c
-1

2
o

;
2
aii
= F
2
o


5
i i
a i a
a t s = ;
ij ij
a ij a
a t s = ;
ii ii
a ii a
a t s =

5a Condiia de semnificaie a parametrilor t
T
:
t
ai
> t
T
= t
0,05(N0-1)
; t
aij
> t
T
= t
0,05(N0-1)



6
( )
( )( )
( ) ( )
0 1
2
0 0
2 2
1
2
1
; 2 1 2
1

\
|
=
= + + =

= =

=
=
r
N
n
k n n con
r
N
n
n n
r
r
r
y y y y
l N n n l
y y
l N
s

s
s

F =
2
con
/
0
2
; F
c
= F
0,05(r - o, o)



Exemplul 3.3.

S se analizeze un proces tehnologic depinznd de doi parametrii, prin metoda PR2.
Datele referitoare la programarea experienelor fiind prezentate n Tab. ..


Capitolul 3.

128
Denumirea Parametrii Coeficienii procesului
z
1
z
2

Nivel zero z
1
0
= 9,2 z
2
0
= 4,89 a
0
=85,14 ; a
1
=3,43
Nivel (+1) 10,00 6,89 a
2
=-1,32
Nivel (-1) 8,4 2,89 a
12
=3,00 ; a
11
= 2,6
Nivel superior z
1
s
=10,33 z
2
s
=7,71 a
22
= -1,19
Nivel inferior z
1
i
= 8,07 z
2
i
= 2,07

Se efectueaz matricea programrii pentru N
o
= 5 conform tabelului:
Nr.
exp
x
0
Program experimental
y
n


n
y



( )
2
n n
y y


x
1
x
2
x
1
2
x
2
2
x
1
x
2

1 +1 -1 -1 +1 +1 +1 87,1 87,24 0,0196
2 +1 -1 +1 +1 +1 -1 79,0 78,6 0,1600
3 +1 +1 -1 +1 +1 -1 88,9 88,1 0,6400
4 +1 +1 +1 +1 +1 +1 92,8 91,46 1,7956
5 +1 -1,41 0 2,0 0 0 85,8 85,28 0,1024
6 +1 1,41 0 2,0 0 0 94,0 94,96 0,9216
7 +1 0 -1,41 0 2,0 0 84,0 84,44 0,0036
8 +1 0 1,41 0 2,0 0 80,0 80,72 0,5184
9 +1 0 83,7 85,14 2,0736
10 +1 0 86,0 85,14 0,7390
11 +1 0 85,8 85,14 0,4356
12 +1 0 83,9 85,14 1,5376
13 +1 0 86,3 85,14 1,3456

calculul sumelor:




= =
= =
= =
8 , 676 707
545 , 10 0 , 12
44 , 27 6 , 1117
2
2
2
1
2 1 2
1
n n n n
n n n n n
n n n
y x y x
y x x y x
y x y
;

= + 8 , 1383
2
2
2
1 n n n n
y x y x

Se calculeaz:

( ) [ ]
( ) [ ]
0187 , 0
125 , 0
1 , 0
13 , 4 3863 , 0 1 2
13 , 4 047 , 86 24 , 0 2 1 2
04811002 , 4 41 , 1 2 4 2
3102 , 4 41 , 1 2 4 2
1 1 4
2 4
2 4
2 2
1
=
=
=
= + =
= + =
= + = + =
= + = + =

G
G F
E
H N n f D
e n NN n Nf H
N f
N e
c
c
c
c




Capitolul 3.

129
( )
28 , 1 6 , 1117 1 , 0 8 , 1383 0187 , 0 8 , 676 125 , 0
49 , 2 6 , 1117 1 , 0 8 , 1383 0187 , 0 707 125 , 0
32 , 1 545 , 10 125 , 0
3 00 , 12 25 , 0
43 , 3 44 , 27 25 , 6
14 , 85 8 , 1383 1 , 0 6 , 1117 2 , 0
22
11
12
2
1
0
= + =
= =
= =
= =
= =
=
a
a
a
a
a
a


Ecuaia:

2
2 2 1
2
1 2 1
28 , 1 3 49 , 2 32 , 1 43 , 3 14 , 85 x x x x x x y + + + =



Analiza statistic:

( ) 533 , 1
4
134 , 6
1
1
0
1
2
0
0
2
0
= =

=

N
ok
y y
N
s ;
0
= 4

Dispersia coeficienilor:

383 , 0 533 , 1 25 , 0
22 , 0 533 , 1 1437 , 0
192 , 0 533 , 1 125 , 0
192 , 0 533 , 1 125 , 0
31 , 0 5333 , 1 2 , 0
2
2 2
2
2
2
12
22 11
2
1
0
= =
= = =
=
=
= =
a
a a
a
a
a
s
s s
s
s
s


Se calculeaz valoarea tolerat:

0 , 3 44 , 0 32 , 1
8 , 7 44 , 0 43 , 3
8 , 154 55 , 0 14 , 85
78 , 2
2
1
0
) 4
0
( 05 , 0
5
= =
= =
= =
=
=
a
a
a
t
t
t
t

;
8 , 4 62 , 0 3
7 , 2 47 , 0 28 , 1
3 , 5 47 , 0 49 , 2
12
22
11
= =
= =
= =
a
a
a
t
t
t


Se verific valorile criteriului Student:
- se observ c a
22
este la limita semnificaiei t
a22
= 2,7 < t
T
= 2,78, dar diferena fiind
mic , termenul nu se elimin.
Se verific concordana modelului:


Capitolul 3.

130
( )
( )
9 , 0
533 , 1
386 , 1
; 386 , 1 16 , 4
3 4 7 ; 16 , 4 13 , 6 28 , 10
4 1 5 13 , 6
7 6 13 29 , 10
2
0
2
2
0 0
0 0
2
0 0
2
0
= = = = = =
= = = = = =
= = = = =
= = = = =

s
s
F
s
s
s s s
l N y y s
l N y y s
con
c
con
con
con
r con r con
N
i
i
r i i r



Se alege valoarea tolerat pentru criteriul Fisher:

F
T (0,05, con , 0)
= F
T (0,05, 3 , 4)
= 6,59 ; cum F
c
= 0,9 < F
T
= 6,57

rezult c ecuaia de regresie concord cu datele experimentale.

3.5.3. Adoptarea deciziilor pe baza programelor de ordinul doi.

Ca i n cazul modelului liniar, n urma obinerii coeficienilor legii de regresie,
deciziile utilizrii regresiei ntr-un program de optimizare depinde de concordana dintre
aceasta i model.
Avantajul modelului neliniar const n faptul c poate aproxima suprafee avnd
curbur, ceea ce faciliteaz obinerea optimului cu o mai marea precizie.
Atenia cercettorului se concentreaz n cazul acestor modele, n special pe
ndeplinirea criteriului de concordan. La analiza semnificaiei coeficienilor regresiei se
accept i coeficieni aflai la nivelul pragului de semnificaie sau chiar n unele cazuri,
puin sub nivelul de semnificaie impus iniial.
Se disting astfel dou variante:

A) Modelul neliniar este viabil F < F
T
i ecuaia de regresie concord cu datele
msurate. Aceast condiie semnific faptul c scopul acestei faze a cercetrii a fost
ndeplinit i se poate continua procesul de calcul al parametrilor, care optimizeaz
procesul. Deci se pot utiliza metodele neliniare de cutare a optimului. Deoarece
ecuaia de regresie este una neliniar, vor fi utilizate metode neliniare de optimizare.
Printre acestea cele mai utilizate sunt metoda Newton-Rapson, metoda cutrii
ntmpltoare , metoda pantei celei mai abrupte, ca i metode bazate pe procesul de
liniarizare a restriciilor ca i a funciei obiectiv sau metode geometrice de optimizare.
B) Modelul neliniar nu respect condiia de concordan cu datele experimentale ( F
F
T
)

Nerespectarea acestei condiii poate conduce la urmtoarele decizii din partea
cercettorului

B1) Mrirea gradului ecuaiei de regresie, deci obinerea unei ecuaii a regresiei de
gradul trei.
n literatura de specialitate, acest lucru este indicat cu rezerve de ctre cercettori,
deoarece chiar i pentru ecuaiile de ordinul doi exist dificulti n interpretarea
modelului matematic. De regul se ncearc utilizarea unor metode de msurarea mai
precise i mrire a preciziei calculelor, naintea lurii unei astfel de decizii.


Capitolul 3.

131
B2) Introducerea n program a unor noi parametrii ai procesului dintre cei eliminai n
faza de experiment preliminar ceea ce conduce la mrirea numrului de determinri.
Coordonatele optimului vor constitui punctul de plecare n faza de trecere de la
instalaiile de laborator, la cea de proiectare a instalaiilor industriale sau a staiilor pilot.













Capitolul 4.


132
Capitolul 4.

4.1. Programe ptratice destinate optimizrii proceselor tehnologice.

4.1.1 Introducere. S caonsiderm o funcie de gradul doi, de variabile x
1
,x
2
,,x
m
avnd
forma:


= =
+ + =
m
i
m
j
i i j i ij x
c x c x x c P
1 1
0 ) (
(4.1)

unde:
x = (x
1
,,x
n
)
T
, (4,2)
c
ij
= c
ji
. (4.3)

Trebuie specificat c n cazul n care c
ij
<> c
ji
prin efectuarea transformrii:

d
ij
= (c
ij
+ c
ji
)/2 (4.4)

se ajunge la urmtoarea egalitate:


ji ij
m
i
m
i
m
j
j i ij
m
j
j i ij
d d x x c x x d = =

= = = =
;
1 1 1 1
(4.5)

Dac se grupeaz termenii de ordinul doi sub ntr-un vector de forma:

= =
=
m
i
m
j
j i ij X
x x c K
1 1
) (
(4.6)

i se noteaz cu n
+
respectiv n
-
numrul termenilor ptratici care au coeficien pozitivi,
respectiv negativi, rezult:

n
+
+ n
-
n (4.7)

Se definete funcia P
(x)
ca fiind o form ptratic pozitiv definit dac n
+
= n i n
-
= 0.
n acest caz determinantul |C| al matricei C = c
ij
este strict pozitiv i K
(X)
> 0 pentru toi
vectorii X 0, iar K
(0)
= 0. P
(x)
se numete semipozitiv definit n cazul n care n
+
< n i n
-

= 0.n cazul acesta determinantul |C| = 0, iar K
(X)
se anuleaz pentru mai multe valori ale
vextorului X 0.
n mod analog P
(x)
este negativ definit dac n
-
= n i n
+
= 0 (sau seminegativ definit
dac respectiv n
+
= 0 i n
-
< n ).
Dac att n
+
ct i n
-
sunt pozitive (n
+
> 0 i n
-
> 0) atunci forma ptratic este
nedefinit.
Orice funcie ptratic pozitiv definit (semidefinit) este strict convex (convex)
n timp ce n cazul n care este negativ definit (semidefinit) aceasta va fi strict concav
(concav). Expresiile ptratice nedefinite nu sunt nici convexe nici concave. Astfel pentru
o funcie de dou variabile x
1
respectiv x
2
, orice form ptratic pozitiv definit va fi un
paraboloid eliptic ca n figura X.1 a). n timp ce orice form ptratic pozitiv semidefinit

Capitolul 4.


133
(convex) va fi un cilindru parabolic avnd curbura ca n figura 4.1 b. n cazul ecuaiei
ptratice pozitiv definite, problema de optimizat admite o soluie unic, care este minimul
absolut n cazul n care punctul X
o
aparine domeniului de definiie al parametrilor x
1
, x
2

(D) sau X
i
, ce poate fi un vrf sau un punct de pe frontiera domeniului de definiie n caz
contrar. n cazul n care funcia este pozitiv semidefinit, generatoarea d a cilindrului
parabolic poate fi paralel cu planul P
(x)
= 0 ceea ce conduce la o infinitate de soluii,
situate pe dreapta obinut prin proiectarea generatoarei d pe domeniul de definiie al
variabilelor n cazul cnd generatoarea cilindrului parabolic nu este paralel cu planul P
(x)

atunci soluia problemei va fi unic.
Consideraiile fcute asupra problemei avnd doi parametrii sunt valabile i n
cazul general al funciilor ptratice de mai multe variabile.

4.1.2. Scopul programrii ptratice. Scopul utilizrii programrii ptratice const n
determinarea unui vector X
S
de componente x
1
S
,x
2
S
,,x
m
S
, care minimizeaz o form
ptratic convex sau maximizeaz o relaie ptratic concav iar variabilele trebuie s
satisfac un sistem de inegaliti liniare i (eventual) unele restricii privind semnul
variabilelor. Deci o problem de tipul:



= = =
+ =
m
i
m
j
m
i
i i j i ij x
x c x x c P
1 1 1
) (
min (4.8)
cu restriciile:


{ }
{ } m j x
k i b x a
j
k
i
m
j
i j ij
... 1 ; 0
... 1 ;
1 1

= =



Figure 4.1b Interpretarea geometric a minim-
izrii unei relaii ptratice pozitiv semidefinite.
Figure 4.1a). Interpretarea geometric a unei funcii
ptratice pozitiv definite. Soluia problemei este punctul
X
S


Capitolul 4.


134
Condiiile Kuhn-Tucker conduc la formarea unui sistem de m + n ecuaii cu m + n
necunoscute a crui soluie o reprezint vectorii X
o
i U
o
:


( ) ( )
( ) ( ) B X A A C A U
B X A A C A A C X X
i T o
i T T i o
=
=


1
1
1
1 1
(4.9a,b)

unde:


{ } n i c c
c C X
i
i
, ... , 1 ;
1
=
=


(4.10a,b)

Dac se noteaz cu A
S
matricea coeficienilor restriciilor a
ij
dar care conine
numai 1<= i <= n coeficieni, i cu B
S
vectorul termenilor liberi ce aparin acestor
restricii, atunci soluia X
S
a problemei reduse :


S i b x a
x c
x x c
m
j
i j ij
m
i
i i
m
i
m
j
j i ij
=
|
|
|
|
|

\
|
+

=
=
= =
;
2
min
1
1
1 1
(4.11)

va fi obinut cu relaia:


( ) ( )
( ) ( )
S S
T
S S
S
S S
T
S S S
S
B X A A C A U
B X A A C A A C X X
=
=


'
1
1
'
1
1 1 '

(4.12a,b)

Soluiile X
S
sunt posibile dac rangul matricii A
S
este egal cu numrul de ecuaii aflate n
vectorul S. Dac se noteaz cu V
(XS)
mulimea restriciilor care nu sunt cuprinse n S i
deci nu sunt verificate de X
S
:

> =

=
m
j
i
S
j ij
X
n i b x a i V
S
1
) (
1 , | (4.13)

atunci se poate scrie condiia de apartenen a restriciilor la V(XS) sub forma:

) ( ) )( ( ) (
' 1 1 1
~ ~
'
~ ~ ~
S S
T
S S
T
S
S S S S
S
S
B X A A C A A C A B X A B X A =

(4.14)

n care

{ } S n S \ , ... , 1
~
= (4.15)

Capitolul 4.


135

indicii pentru care condiia este pozitiv vor fi inclui n vectorul V
(XS)
. n aceast expresie
nu intervine explicit X
S
ci numai X. Matricea AC
-1
A
T
poate fi exprimat sub forma:

( )
|
|

\
|


=
|
|

\
|
=



T
S S
T
S
S
T
S
S
T
S S T
S
T
S
S
S
T
A C S A C A
A C A A C A
A A C
A
A
A C A
~
1
~
1
~
~
1 1
~
1
~
1
(4.16)

ceea ce poziioneaz produsul matricilor
S
A~ C
-1
A
S
T
n matricea AC
-1
A
T
la intersecia
liniilor din S
~
cu coloanele din S.

4.1.3. Minimizarea unei funcii ptratice pozitiv definite avnd restricii inegaliti.

n acest caz problema are forma:

S i b x a
x c
x x c
m
j
i j ij
m
i
i i
m
i
m
j
j i ij

|
|
|
|
|

\
|
+

=
=
= =
;
2
min
1
1
1 1
(4.17a,b)

Pentru rezolvarea acestui program se utilizeaz algoritmul Theil-Van de Panne. n
conformitate cu figura x.1a) se constat existena a dou cazuri poaibile.

Cazul 1. Minimul liber al funciei de optimizat P
(x)
, respectiv proiecia vrfului
paraboloidului pe planul variabilelor x
1
,x
2
, , x
m
se situeaz n interiorul domeniului D
mrrginit de restriciile liniare ale problemei. n acest caz X
o
este chiar soluia optim iar
minimul nu este un minim local ci unul general. Condiia poate fi scris analitic sub
forma:

c C X
o ~ 1
=

(4.18)

satisface toate condiiile limit impuse problemei.

Cazul 2. Dac X
o
nu se gsete n interiorul domeniului soluiilor admisibile, D,
atunci soluia optim a problemei X
S
va fi un punct de pe frontiera domeniului D. Deci va
trebuii s satisfac cel puin una dintre condiii de egalitate.
Algoritmul const n determinarea mulimii restriciilor:

=

=
i
m
j
o
j ij
b x a n i i S
1
: 1 ,
~
(4.19)

care sunt satisfcute pentru optim cu semnul egal, urmat de rezolvarea problemei cu
restricii egalitate:


Capitolul 4.


136
S i b x a
P
m
j
i j ij
x
~
;
min
1
) (
=

=
(4.20)

Strategia de rezolvare a problemei const n determinarea condiiilor implicate n
problema de optim. n acest scop se determin toate mulimile de indici S {1,2,,n} i
pentru fiecare mulime de indici S se determin soluia X
S
a problemei. Se exclud acele
soluii X
S
care nu se ncadreaz n domeniul admisibil al variabilelor. Dintre vectorii X
S

rmai se alege acela care conduce la valoarea minim a funciei scop P
(x)
, acesta fiind
chiar soluia X
S
cutat, iar mulimea de restricii cutat va fi cea care corespunde
acestei soluii, deci S = S.
Pe baza modului de lucru descris se desprind cu uurin etapele algoritmului de
optimizare.

Pasul 1. Se calculeaz minimul liber X
o
= -C
-1
~
c .
Dac V
X
o
( )
este nul, soluia optim va fi X
S
= X
o
.
Dac V
X
o
( )
0 atunci S
1
conine cel puin un indice al unei restricii
Pasul 2. Pentru fiecare S
1
= { i
1
} ,i
1
V
X
o
( )
se calculeaz X
S
1
i V
X
S
( )
1
.
Dac exist S
1
astfel ca V
X
S
( )
1
= 0 atunci se verific dac X
S
2
este soluie.
X
S
este soluie optim dac i numai dac { } i V
X
S i
( )
pentru orice i S
Dac nici un X
S
1
nu este soluie optim atunci se noteaz cu S
1
familia de
mulimi:
S
1
= { S
1
{1,2,,n} : V
X
S
( )
1
0}
i se trece la pasul urmtor.
Pasul 3. Se verific dac
~
S se gsete printre mulimile formate din doi indici. Se
analiza acum doar mulimile S
2
= S
1
{i}, n care S
1
V
X
S
( )
1
.
Pentru toi S
2
din aceast categorie se verific dac X
S
2
i V
X
S
( )
2
.
Pentru toi X
S
2
determinai astfel se verific dac ndeplinesc condiia de
impus asupra soluie (V
X
S
( )
2
= 0)
Dac nici unul dintre aceti vectori nu este soluie atunci se genereaz
noua familie de mulimi ale indicilor restriciilor S
2
:
S
2
= { S
2
{1,2,,n } :
) (
2
S
X
V 0 }
verificarea mulimilor alctuite din trei indici .a.m.d.

Exemplul 4.1. S se rezolve programul:


2 1
2
3
2
2
2
1
) (
2
2
2
min x x
x x x
P
x
+
+ +
=

cu restriciile:


7
3
3 2 1
3 2 1
= + +
= +
x x x
x x x


Capitolul 4.


137

Funcia P
(x)
este pozitiv definit iar restriciile sunt egaliti.
a) Se determin minimul liber X
L
rezolvnd sistemul:

=
= +
=
=
0 2
0 1
0 2
; 3 1 ; 0
3
2
1
) (
x
x
x
j
x
P
j
x



Soluia, proiecia pe planul variabilelor va fi deci:

x
1
o
= 2 ; x
2
o
= -1 ; x
3
o
= 0

Se verific restriciilr impuse problemei de minim:

+

7 0 1 2
3 0 1 2


Deci restriciile nu sunt verificate i se va alctuii vectorul AX
o
-B :


)
`

=
|
|

\
|
=
7
3
;
0
1
2
;
1 1 1
1 1 1
B X A
o


)
`

=
)
`

)
`

=
)
`


|
|

\
|
=
6
2
7
3
1
1
7
3
0
1
2
1 1 1
1 1 1
B X A
o


Matricea C format din coeficienii c
ij
este urmtoarea:


|
|
|
|

\
|
=
|
|
|

\
|
=

2
1
0 0
0 1 0
0 0 1
;
2 0 0
0 1 0
0 0 1
1
C C

Se calculeaz C
-1
A
T



|
|
|

\
|

=
|
|
|

\
|

|
|
|

\
|
=

5 , 0 5 , 0
1 1
1 1
1 1
1 1
1 1
2 1 0 0
0 1 0
0 0 1
1 T
A C

Se calculeaz AC
-1


.


Capitolul 4.


138
( )
|
|

\
|

=
|
|
|
|

\
|
=
|
|
|

\
|

|
|

\
|
=


5 3
3 5
8
1
;
2
5
2
3
2
3
2
5
2 1 2 1
1 1
1 1
1 1 1
1 1 1
1
1 1 T T
A C A A C A

Se obine astfel:

=
|
|

\
|

|
|

\
|

|
|
|
|

\
|

|
|
|

\
|
=
2
1
4
6
2
5 3
3 5
2
1
2
1
1 1
1 1
8
1
0
1
2
S
X

Rezult astfel minimul cutat:


2
11
1 4 2 ) 4 2 1 16 (
2
1
min
) (
= + + + =
x
P

Exemplul4.2. S se minimizeze funcia patratic:

( )
3 2 1 3 2 3 1 2 1
2
3
2
2
2
1 ) (
4 3 4 2 4 2 5
2
1
min x x x x x x x x x x x x P
x
+ + + + + =

cu restriciile:

+
+ +
+


6 2
4 2
2 3 2
1
0
3 2 1
3 2 1
3 2 1
2
1
x x x
x x x
x x x
x
x


Restriciile fiind de tipul inegalitate se va folosi metoda Theil-Van der Panne

Pasul 1. Se determin matricile de lucru:

( ) 5 3 2 ;
3
5
8
;
1 0 1
0 1 2
1 2 6
;
2 2 1
2 5 2
1 2 1
;
4
3
1
~
) (
1
=
|
|
|

\
|

=
|
|
|

\
|
=
|
|
|

\
|

=
|
|
|

\
|
=

o
X
o
V X
C C c


Capitolul 4.


139
|
|
|
|
|
|

\
|

=
|
|
|
|
|
|

\
|


=
|
|
|

\
|

=

9
7
2
6
8
;
21 11 8 4 11
11 11 6 1 6
8 6 6 1 5
4 1 1 1 2
11 6 5 2 6
;
2 3 1 0 1
4 1 1 1 2
11 6 5 2 6
1 1
B AX A AC A C
o T T


Pasul 2. Se calculeaz X
{2}
,X
{3}
,X
{5}

{ } { } { }
|
|
|

\
|

=
|
|
|

\
|

=
|
|
|

\
|

=
7 / 23
7 / 23
7 / 23
;
3 / 10
3 / 14
3 / 19
;
3
1
4
5 3 2
X X X

Se calculeaz n continuare:

{ } { }
{ }
{ }
{ }
{ }
{ } 2 ; 2 ; 5 , 2 ; } 1 {
) ( ) ( ) ( ) (
3 , 1 5 3 2
= = = =
x X X X
V V V V

Se constat c soluiile obinute n aceast faz nu sunt admisibile

Pasul 3. Se calculeaz:

{ } { } { } { }
|
|
|

\
|

=
|
|
|

\
|
=
|
|
|

\
|

=
|
|
|

\
|

=
31 / 116
31 / 94
31 / 114
;
3
1
5
;
5 / 11
1
5 / 8
;
1
1
0
5 , 3 5 , 2 3 , 2 2 , 1
X X X X
i deci:

{ }
{ }
{ }
{ }
{ }
{ }
{ }
{ }. 2 ; 4 , 3 ; 1 ; 3
) ( ) ( ) ( ) (
5 , 3 5 , 2 3 , 2 2 , 1
= = = =
x x x x
V V V V

Deoarece nici unul dintre punctele obinute nu aparine domeniului variabilelor sau
frontierei acestuia se trece la urmtorul pas, prin verificarea unui ansamblu de trei
variabile.

Pasul 4. Deoarece:


{ }
0
) (
3 2 1
=
x
V

rezult c soluia admisibil va fii:


{ }
|
|
|

\
|
=
1
1
0
3 , 2 , 1
X

Cum aceasta verific toate condiiile impuse, aceasta este i soluie optim.
Minimul problemei va fi deci:

Capitolul 4.


140

minP
(x)
= 17/ 2

4.2 Algoritmi de tip Newton-Raphson.

Este un algoritm de optimizare puternic orientat spre calculul numeric deci spre
utilizarea calculatoarelor electronice. Acest algoritm ia n considerare i termenii de
ordinul doi ai dezvoltrii n serie Taylor ai funciei obiectiv:

) ( ) (
2
1
) (
) (
2
) ( ) ( ) ( k x
T
k k x x x
x x P x x x x P P P
k k k
+ + = (4.21)

Derivnd funcia obiectiv pe direcia x-x(k) i anulnd aceast derivat rezult:

) (
1
) (
) (
1
) (
1
k k
k k
x x
x x
k k k
P H
P H
x x

+
(4.22)

unde H(x
k
) este matricea hessian a funciei P
(x)
n punctul x
k
:


k
K
x x
m m m
m
m
x
x P x x P x x P
x x P x P x x P
x x P x x P x P
H
=
|
|
|
|
|

\
|
=
2 2
1
2
1
2
2
2 2
2
2
1 2
2
1
2
2 1
2 2
1
2
) (
...
... ... ... ...
...
...



(4.23)

iar
k
reprezint pasul deplasrii din punctul k n punctul k+1. De regul n cazul
algoritmului Newton-Rapson se alege:


k
=
) (
1
) (
k k
x x
P H

(4.24)

astfel nct s se anuleaze efectul numitorului.

Convergena metodei este asigurat dac matricea Hessian este pozitiv definit. Dac
funcia P
(x)
este patratic, atunci soluia problemei rezult n urma unei singure iteraii.
Algoritmul de rezolvare, se bazeaz, n cazul general, pe introducerea unor valori iniiale
pentru vectorul soluiei, urmnd apoi s se determine direcia de deplasare spre soluia
optim, noul vector care apropie de optim problema, noua direcie de deplasare spre
optim, .a.m.d. Fiind un proces iterativ, algoritmul trebuie oprit n momentul n care
diferena dintre dou valori succesive ale funciei ce se optimizeaz devine
nesemnificativ.

Exemplul 4.3 . S se optimizeze funcia:

P
(x)
= 246,8 - 0,0031x
1
2
+ 1008,1x
2
2
+ 0,885x
3
2
- 0,0034x
4
2
- 0,0021x
5
2
+ 2,36x
1
x
2
+
0,086x
1
x
3
+ 0,065x
1
x
4
+0,012x
1
x
5
+16,9x
2
x
3
-0,58x
2
x
4
+ 2,02x
2
x
5
+ 0,503x
3
x
4
+ 0,087x
3
x
5
+
0,016x
4
x
5
- 1,68x
1
- 772,3x
2
- 21,78x
3
- 8,57x
4
- 1,14x
5
.

Capitolul 4.


141

Pornind de la urmtoarele date iniiale:

x
1
= 52 ; x
2
= 62 ; x
3
= 53 ; x
4
= 61 ; x
5
= 42

Funcia fiind ptratic se poate calcula expresia matricii hessiene n mod analitic:

+ + + + + =
+ + + + + =
+ + + + + =
+ + + + + =
+ + + + + =
4 34 3 35 2 25 1 15 5 5 5
5
5 45 3 34 2 24 1 14 4 44 4
4
5 35 4 34 2 23 1 13 3 33 3
3
5 25 4 24 3 23 1 21 2 22 2
2
5 15 4 14 3 13 2 12 1 11 1
1
2
2
2
2
2
x a x a x a x a x a a
x
P
x a x a x a x a x a a
x
P
x a x a x a x a x a a
x
P
x a x a x a x a x a a
x
P
x a x a x a x a x a a
x
P



iar matricea H va avea forma:


|
|
|
|
|
|

\
|
=
55 45 35 25 15
45 44 34 24 14
35 34 33 23 13
25 24 23 22 12
15 14 13 12 11
2
2
2
2
2
a a a a a
a a a a a
a a a a a
a a a a a
a a a a a
H

Rezult astfel n urma primei iteraii valorile:

|
|
|
|
|
|

\
|

|
|
|
|
|
|

\
|

=
0014 , 0 01 , 0 18 , 0 4 , 1 024 , 0
01 , 0 02 , 0 6 , 0 64 , 2 077 , 0
18 , 0 6 , 0 3 , 1 25 022 , 0
4 , 1 64 , 2 25 1966 1 , 3
024 , 0 077 , 0 022 , 0 092 , 3 0078 , 0
;
43 , 95
96 , 139
23 , 1640
63 , 122480
48 , 194
H P

i soluiile problemei:

x
1
= 70,42 ; x
2
= 0,157 ; x
3
= 4,11 ; x
4
= -13,16 ; x
5
= 93

A doua iteraie conduce la urmroarele valori ale gradientului:


Capitolul 4.


142

|
|
|
|
|
|

\
|

9
8
8
7
10
10 07 , 3
10 13 , 1
10 13 , 1
10 1 , 2
10 2 , 5
P

Aceleai soluii se obin i n cazul n care sunt folosite alte valori iniiale deoarece
matricea H este constant. Aceast proprietate confer algoritmului i viteza deosebit
deoarece sunt necesare un numr minim de iteraii pentru determinarea optimului. n
cazul funciilor patratice fiind suficient o singur iteraie.

4.3 Metoda gradientului.

Este metoda de la care au fost dezvoltate o mare parte dintre algoritmii destinai
optimizrii problemelor neliniare convexe (inclusiv algoritmul Newton-Raphson).
Metoda se bazeaz pe faptul c direcia celei mai rapide creteri sau descreteri
pentru o funcie este dat de direcia gradientului. Astfel dac se dorete determinarea
direciei pe care o funcie f prezint cea mai mare cretere (descretere), fa de
valoarea acesteia ntr-un punct X
o
, acest lucru nseamn maximizarea derivatei dup
direcia R n punctul X
o
:


1 ...
max
2 2
2
2
1
1
) (
= + + +

=
n
j
m
j j
X
r r r
r
x
f
o

(4.25)

ultima condiie indicnd faptul c vectorul R are lungime unitar, deci este versor.
Prin introducerea multiplicatorului lagrange se obine lagrangeanul:


= =
|
|

\
|
+ =
m
j
m
j
j j
j
X
R
r r
x
f
o
1 1
) (
) , (
1

(4.26)

Se alctuiete sistemul de m + 1 ecuaii:

[ ]

=
=

= =

m
j
j
j
j
X
j
r
m j r
x
f
r
o
1
2
) (
1
, ... , 1 ; 0 2

(4.27)

rezultnd expresiile direciilor versorului R i a multiplicatorului :


Capitolul 4.


143

=
=
|
|

\
|
=
|
|

\
|
=
m
j j
X
j
X
j
m
j j
X
x
f
x
f
r
x
f
o
o
o
1
2
) (
) (
1
2
) (
;
2
1

(4.26)

Semnul + corespunde creterii maxime n timp ce semnul - descreterii maxime a
funciei f
(x)
.
Deci prin deplasarea pe direcia gradientului conduce la cea mai mare cretere a funciei
atunci cnd aceasta se efectueaz n sensul versorului gradientului, n timp ce prin
deplasare n sens opu se obine cea mai mare descretere a funciei. Pe aceast
constatare se bazeaz toate metodele de optimizare de tip gradient. Astfel, dac X
o
este
o soluie iniial a unui program convex i se verific dac acesta este optim prin calculul
gradientului funciei obiectiv.
Dac:

0
) (
=
o
X
f (4.27)

atunci X
o
este chiar soluia optim cutat.
n caz contrar,
) (
o
X
f se va determina un nou punct X
1
care s fie soluie admisibil a
problemei i pentru care
) ( ) (
1 o
X X
f f < . Dac
) (
1
X
f = 0, atunci punctul X
1
este soluie a
problemei. n caz contrar, se va determina un nou punct X
2
n aa fel nct
) (
2
X
f <
) (
1
X
f
urmat de verificarea anulrii gradientului n acest punct. Dac nici acest punct nu este
soluie, se va determina un nou punct X
3
.a.m.d. Punctele admisibile X
1
,X
2
,X
3
, sunt
cutate n aa mod nct s asigure o variaie maxim funciei al crui extrem este
cutat.

Algoritmul Zoutendijk. Se consider problema:


) ,..., (
1
max
m
x x
f (4.28)

cu restriciile:


m j x
n i n b x a
n i b x a
j
m
j
i j ij
m
j
i j ij

+ =

=
=
1 ; 0
1 ;
1 ;
1
1
1
1
(4.29)

n care funcia f este concav, iar X
o
o soluie iniial care verific restriciile impuse.
Dac f
X
o
( )
= 0, atunci X
o
este chiar soluia optim a problemei.
Dac
) (
o
X
f 0 atunci se va cuta urmtorul punct cu o relaie de forma:


Capitolul 4.


144
X
1
= X
o
+ R (4.30)

unde, R este un versor iar un scalar. Soluia iniial va verifica o parte a condiiilor de
tip mai mic sau egal cu semnul egal. Se noteaz:


{ }

= =
= =

=
m
j
i j ij
j
n i b x a i I
m j x j J
1
1
0
0
0
0
1 ; |
1 ; 0 |
(4.31)

Pentru ca noul punct s poat fi admis, acesta va trebuii ca pentru orice jJ
0
i iI
0
s
verifice condiiile:



+
+
0
0
0
0
;
; 0
I i b r a x a
J j r x
i j ij j ij
j j

sau



0
0
; 0
; 0
I i r a
J j r
j ij
j
(4.32a,b)

iar pentru condiia de pozitivitate a variabilelor:

+ = n i n r a
j ij
1 ; 0
1
(4.33)

n timp ce pentru i I
0
s ndeplineasc condiiile:


= =

m
j
m
j
j ij i j ij
I i n i x a b r a
1 1
0
0
; 1 ; (4.34)

Dac se efectueaz urmtoarele notaii:

<
<
=
0
0
0
, 0 :
0 ; ; ) ( min
J j r j
r J j
r
x
j
j
j
j
j

< >
>

=
=
=
=
m
j
j ij
m
j
j ij
m
j
j ij
m
j
j ij i
i
I i n i r a exista nu
r a I i n i
r a
x a b
1
0 1
1
0 1
1
1
0
; 1 ; 0 :
0 ; ; 1 ; min
(4.35a,b)
i:

= min(,). (4.36)

Astfel, dac 0 < < atunci condiiile vor fi ndeplinite.

Capitolul 4.


145
Trebuiesc verificate acum condiiile Zoutendijk pentru versorul R:

0
1
2
1
1
1
0
; 0
1
1 ; 0
; 0
J j r
r
n i n r a
I i r a
j
m
j
j
m
j
j ij
m
j
j ij

+ =

=
=
=
(4.37)

Astfel un vector R care satisface condiiile de mai sus i un 0<< conduc la
determinarea noului punct X
1
pentru care funcia are creterea sau descreterea
maxim.
n urma determinrii direciei R, n cazul n care se dorete obinerea acelei valori a lui
astfel nct f
(Xo + R)
s fie maxim. Acest lucru conduce la determinarea maximului
funcie de o singur variabil , fie acest maxim
1
, astfel nct noul punct va fi X
o
= X
1
+

1
R.

Dac X
1
=X
o
+
1
R i
) (
1
X
f = 0 punctul X
1
este soluia optim.
Dac
) (
1
X
f atunci se va determina un nou punct X
2
= X
1
+
2
R, care s
ndeplineasc condiiile impuse. Se poate demonstra c procesul de calcul este
convergent, ceea ce asigur obinerea soluiei dintr-un numr finit de iteraii.

Exemplul 4.4. S se rezolve problema:


0 ; 0
1 ; 2 ; 3
; ] 4 4 max[
2 1
2 1 2 1
2 1
2
2
2
1

+
+ +
x x
x x x x
x x x x


Problema const n maximizarea unei funcii neliniare concave (ecuaie ptratic negativ
definit) i restricii liniare. Se pornete de la soluia banal X
o
= { 0 , 0 }
T
i se aplic
algoritmul Zoutendijk.

Se determin gradientul funciei obiectiv:

f(x
1
,x
2
) = -x
1
2
-x
2
2
+4x
1
+4x
2


este:

f(x
1
,x
2
) =(-2x
1
+ 4 , -2x
2
+ 4)
T


Deoarece
) (
o
X
f 0 rezult faptul c f(X
o
) nu este soluie a problemei. Va trebui deci s
efectum o deplasare n sensul gradientului pentru a obine creterea maxim a funciei
obiectiv. Deci:

Capitolul 4.


146

{ } { } 0 : ; 2 , 1 0 :
2
1
0
0
0
=

= = = = =

= j
i j ij j
b x a i I x j J

Direcia R de deplasare va fi soluie a programului convex:


[ ]
0 ; 0 ; 1
4 4 max
2 1
2
2
2
1
2 1
+
+
r r r r
r r


Se observ c soluia va fi:


|
|
|
|

\
|
=
|
|

\
|
=
2
2
2
2
2
1
r
r
R

Va trebuii deci cutat un nou punct sub forma:


|
|

\
|
+
|
|

\
|
= + =
2 2
2 2
0
0
0 1
R X X

Pentru ca X
1
s fie soluie admisibil trebuie ca {0, 2
1/2
}.
Calculul valorii multiplicatorului se poate face prin exprimarea n funcie de a
gradientului i egalarea cu zero a funciei f(X
o
+ R).

2 2 ' ; 0 2 4 2 = = + =

f


Deoarece nu se ncadreaz n domeniul admisibil pentru multiplicator se va alege
=2
1/2
.
Se obine astfel valoarea noului punct X
1
:

|
|

\
|
=
|
|

\
|
+
|
|

\
|
=
1
1
2 2
2 2
2
0
0
1
X

Se verific dac X
1
este soluie i se repet procedura:


{ } { } 3 ; ; 0 0 :
0
0
2
2
1
1
1
1
) (
1
=
)
`

= = = = =
|
|

\
|
>
|
|

\
|
=
i j ij j
X
b x a i I x j J
f


Se determin noua direcie a vectorului R din programul convex:

Capitolul 4.


147


[ ]
0 ; 0 ; 1
2 2 max
2 1
2
2
2
1
2 1
+
+
r r r r
r r


Rezult r
1
= 1 i r
2
= 0. Se trece la noul punct X
2
.


|
|

\
|
+
|
|

\
|
= + =
0
1
1
1
1 2
R X X

Pentru ca X
2
s fie soluie a problemei se calculeaz domeniul admis pentru . Se
observ c acesta este { 0, 1}
T
. Se calculeaz valoarea maxim pentru :

1 ' ; 0 4 ) 1 ( 2 = = + + =

f


Se adopt pentru l valoarea
1
= 1 i rezult X
2
sub forma:


|
|

\
|
=
|
|

\
|
+
|
|

\
|
=
1
2
0
1
1
1
1
2
X

Se verific valoarea gradientului n punctul X
2
.

{ } { }. 3 , 2 , 1 ; 0 0 : ; 0
2
0
2
2
2
) (
2
= = = = >
|
|

\
|
= I x j J f
j
X


Se determin R din condiiile:


0 ; 0 ; 1 ; 0
] 2 max[
2 1
2
2
2
1 2 1
2
+ +

r r r r r r
r


Soluia este r
2
= 0 i r
1
= -1.
Se determin valoarea noului vector X
3
.

|
|

\
|
+
|
|

\
|
= + =
0
1
1
2
2 3
R X X

Se determin domeniul de variaie pentru l. Se observ c {0, 2}. Se verific ns
funcia pentru a se vedea dac mai este posibil o cretere a valorii acesteia:

2
) (
2
) 1 , 2 (
2
) 1 , 2 (
) (
2 3
7

= = = =

X X
f f f f

Cum nu mai este posibil nici o cretere, maximul cutat va fi f
(2,1)
= 7 i x
1
=2, x
2
=1.




Capitolul 4.


148



Capitolul 5.

148
Capitolul 5

Metode numerice pentru determinare a optimului proceselor de
sudare.

Introducere.

In urma procesului de analiza statistic s-a obinut de regul o funcie f care depinde de
unul sau mai muli parametrii independeni. Optimizarea procesului analizat const acum
n posibilitatea de a determina optimul functiei sau a sistemului de funcii ce descrie
procesul. Din punct de vedere matematic, problema se exprim ct se poate de simplu.

Fiind dat o funcie f sau un sistem de funcii f
i
care depind de una sau mai multe
variabile independente, se cere determinarea valorilor acestor variabile astfel nct
pentru domeniul de definiie stabilit funcia f sau funciile sistemului s ating
valoarea maxim sau minim.

Un extrem, fie el maxim sau minim, poate fi global, (valoarea cea mai mare sau mai mica
pe care funcia o ia pe intervalul analizat) sau local, (valoarea extrema pentru un
subinterval al intervalului analizat). Din punctul de vedere al aplicaiei la problemele de
optimizare a tehnologiei de sudare, abordarea acestei probleme se face utiliznd tehnici
de calcul numerice. Acest lucru se datorez complexitii fenomenului analizat. Din
aceast cauz ne vom restrnge asupra metodelor de optimizare bazate pe analiza
numeric.


Figura 5.1. Extremele unei funcii pe un interval. A,C,E maxime locale, B,F minime locale.
Maxim general G minim general D. n punctul E, derivata de ordinul 2 se anuleaz ceea ce
genereaz dificulti agoritmilor uzuali. Punctele X,Y i Z sunt utilizate ca puncte ajuttoare
pentru determinarea minimului local F.



Capitolul 5.

149
Deoarece n practic sunt utilizate mai multe tipuri de algoritmi, alegerea algoritmului
dorit se poate face pe baza urmatoarelor consideraii:

Trebuie fcut alegerea ntre metodee care necesit doar un proce simplu de
calcul a funciei i metode care necesit i calculul derivatelor acesteia. Algoritmii
bazai i pe determinarea derivatelor sunt de regul mai puternici dar de multe ori
nu este necesar o cantitate att de mare de calcule i timpul de calcul nu se
justific. Sunt cazuri care favorizeaz algoritmii bazai pe calculul derivatelor i
cazuri care nu favorizeaz acest tip de algoritmi. Dar, dac se cunoate funcia i
se pot calcula derivatele acesteia, atunci, de regul se adopt metode de tip
gradient.
Pentru funcii ce depind de un singur parametru i care se optimizeaz fr s se
calculeze derivatele acestora, sunt date metodele 5.1 i 5.2. Dac derivata de
ordinul 1 a funciei are o discontinuitate n domeniul ce se optimizeaz atunci se
prefer metoda 5.1 altfel de preferat este metoda 5.2.
Trebuie avut n vedere c n cazul metodelor ce necesit calculul derivatelor
spaiul de memorie alocat este N
2
fa de cele care nu necesit calculul derivatelor,
caz n care acesta este doar N. (N fiind numrul de variabile independente).
Dac este posibil se recomand utilizarea algoritmului simplexurilor, ca fiind o
metod de optimizare foarte puin pretenioas i uor de implementat.
Dac se dorete un calcul foarte precis pentru funcii cu mai multe variabile
independente, atuci algoritmii de tip gradient sunt cei mai utilizai. Aceati algoritmi
pot fi grupai n dou famili:
Metodele bazate pe gradieni conjugai, dintre care cel mai evoluat
este Polak-Ribier. Aceti algoritmi necesit doar un numr mic de
stocri, necest calculul derivatelor ca i o minimizare pentru una
dintre variabilele independente.
Metodele de tip Fletcher-Powell care necesit un spaiu de stocare
mai mare, calculul derivatelor i minimizarea pentru o variabil
independent.

5.1. Optimizarea pentru funcii de o variabil.

Se bazeaz pe introducerea a trei valori ale variabilei independente, a,b i c astfel nci
a<b<c sau (c<b<a) astfel nct f(b) s fie mai mic dect f(a) i f(c). n acest caz se
cunoate faptul c funcia are un extrem n intervalul (a,c). n continuare se alege o nou
valoare x, n intervalul (a,c) astfel nct dac f(b) < f(x) atunci minimul se gsete n
intervalul (a,x) altfel va fi n intervalul (x,c).
Dac f(b) < f(x) atunci noile puncte cu care se caut minimul sunt (a,b,x), iar dac f(b) >
f(x) se caut minimul cu punctele (b,x,c). n figura 5.2 este prezentat metoda. Procesul
decurge iterativ pn cnd distana dintre cele trei puncte devine mai mic dect o
distan admisibil. Determinarea acestei mrimi se face prin dezvoltarea n serie Taylor
a funciei f(x) n jurul punctului b i impunerea diferenei |f(x) f(b)| < . Se utilizeaz
doar termenul cu derivata a 2-a, pentru c n punctul de extrem prima derivat se
anuleaz i se consider c n imediata apropiere a punctului b valoarea acesteia este
foarte mic atunci cnd acesta este n apropierea optimului.

( ) ( )
( )
2
) (
2
b x
b f
b f x f

+ (5.1)

Capitolul 5.

150
Deci:

) (
) ( 2
2
b f b
b f
b b x

< (5.2)

Impunerea acestei condiii asupra poziiei variabilei pentru care se caut minimul funciei
conduce la limitarea numrului de iteraii la minimul necesar i de asemenea la utilizarea
unei valori rezonabile pentru .
Atunci cnd sunt cunoscute punctele (a,b,c) rmne de stabilit modul de alegere a
poziiei punctului x.
Pentru aceasta se urmrete obinerea unei ponderi w, de forma:


a c
a b
w

= n acest mod
a c
b c
w

= 1 (5.3)

se consider noul punct x n apropierea lui b, punct ce va avea ponderea z,


a c
b x
z

= (5.4)

i pentru a asigura poziia punctului x indiferent de poziia acestuia fa de b, ( x < b sau
x > b) se consider ponderea acestuia:

z = 1 2w (5.5)

n acest mod, se obine o proporie egal a segmentelor |b-a| i |x-c|.
Dac x aparine segmentului mai mare, fie acesta |bc| atunci proporia n care x va
mpri acest segment va fi egal cu cea n care b mparte segmentul |ab| i deci se
poate determina cea de-a doua condiie pentru noua pondere z:


w
z
w

=
1
(5.6)

Se ajunge la valoarea optim pentru w, prin nlocuirea ec x-5 n ec. x-6.

0 1 3
2
= + w w (5.7)

Cu soluia:

... 38197 . 0 w
Deci atunci cnd se introduce punctul ce divide intervalul n care se caut soluia, b,
poziia sa fa de punctul a are ponderea 0,38197 iar fa de punctul c va avea ponderea
1-0,38197.

Algoritmul propus va testa deci valoarea fuciei f la 0.38197 din distana dintre
puncte b i a (punctul x
1
) i valoarea funciei f la 0,61803 din distana dintre
punctele b i c (punctul x
2
). Dac valoarea funciei n aceste punce este mai mic
dect valoarea acesteia n a respectiv b, ( f(a) < f(x
1
) i f(b) < f(x
2
) ) atunci

Capitolul 5.

151
domeniul de cutare a minimului funciei ca i a poziiei acestuia se reduce la
(x1,b, x2). Pentru noul interval se repet procedura pn cnd se ajunge la
ndeplinirea condiei dat de ecuaia (5.2).

Mai rmne de determinat i poziia iniial a punctelor (a,b,c) astfel nct acestea s
mrgineasc minimul funciei. Aceast determinare poate fi fcut manual sau utiliznd o
funcie special creat.

Figura 5.2. Modul de cutare a minimului funciei cu metoda seciunii de aur. n faza iniial
minimul este ncadrat de punctele (1,3,2). Urmeaz evaluarea funciei n punctul 4 ceea ce
conduce la nlocuirea punctului 2 cu punctul 4, deoarece f(4) < f(2) i determinarea noilor puncte
de ncadrare (1,3,4). Apoi se verific funcia n punctul 5 ceea ce conduce la nlocuirea punctului 1
cu punctul 5, deoarece f(5) < f(1) i se ajunge la ncadrarea minimului ntre punctele (5,3,4). Se
verific apoi funcia n punctul 6 i deoarece f(6) < f(4) noua sucesiune de puncte de ncadrare va
fi (5,3,6). Se continu pn cnd se determin minimul.

n acest scop a fost creat funcia abcDetermin care are urmtorul cod n C..


5.1.1. Funcii C destinate definirii domeniului i cutrii minimului.

#include <math.h>
#include util.h
// Definiii de variabile i funcii
#define GOLD 1.618034
//Rata de cretere a intervalelor succesive
#define GLIMIT 100.0

Capitolul 5.

152
//Creterea maxim n cazul interpolrii
#define TINY 1.0e-20
#define SHFT(a,b,c,d) (a)=(b);(b)=(c);(c)=(d);

void abcDetermin(float *ax, float *bx, float *cx, float *fa, float *fb, float
*fc, float functieMin(float))
{

/*
DATE de INTRARE.
ax, bx ca fiind marginile intervalului de definiie a funciei
functieMin(float x) funcia ce se dorete optimizat
DATE CALCULATE
ax,bx,cx marginile care cuprind valoarea minimului. Utilizate n funcia
de optimizare.
fx,fy,fz valoarea funciei n aceste puncte.
*/

float ulim,u,r,q,fu,dum;
*fa=functieMin(*ax);
*fb=functieMin(*bx);

//Stabilete mrimilor a i b astfel nct procesul s decurg de la a //spre b.

if (*fb > *fa) {
SHFT(dum,*ax,*bx,dum)
SHFT(dum,*fb,*fa,dum)
}

// Se determin c

*cx=(*bx)+GOLD*(*bx-*ax);
*fc=functieMin(*cx);

//Se ncepe ciclul de cutare a marginilor (a,b,c)

while (*fb > *fc) {

//Calculeaz u prin interpolare parabolic a poziiilor a, b, c.
//TINY este utilizat pentru a evita mprirea la zero.

r=(*bx-*ax)*(*fb-*fc);
q=(*bx-*cx)*(*fb-*fa);
u=(*bx)-((*bx-*cx)*q-(*bx-*ax)*r)/
(2.0*SIGN(FMAX(fabs(q-r),TINY),q-r));
ulim=(*bx)+GLIMIT*(*cx-*bx);

// Se testeaz toate posibilitile.
// 1. Utilizarea unei legi parabolice pentru u ntre c i a.

if ((*bx-u)*(u-*cx) > 0.0) {
fu=functieMin(u);

// 1.1. S-a gsit minimul ntre b i c ?

if (fu < *fc) {
*ax=(*bx);
*bx=u;
*fa=(*fb);
*fb=fu;

Capitolul 5.

153
return;
} else if (fu > *fb) {

// 1.2. S-a gsit minimul ntre a i u

*cx=u;
*fc=fu;
return;
}

// 2. Se utilizeaz ponderea GOLD la determinarea lui u

u=(*cx)+GOLD*(*cx-*bx);
fu=functieMin(u);

// 1.3. Lege parabolic dincolo de c.

} else if ((*cx-u)*(u-ulim) > 0.0) {
fu=functieMin(u);
if (fu < *fc) {
SHFT(*bx,*cx,u,*cx+GOLD*(*cx-*bx))
SHFT(*fb,*fc,fu,functieMin(u))
}

// 1.4. Lege parabolic pn la valoarea maxim a lui u

} else if ((u-ulim)*(ulim-*cx) >= 0.0) {
u=ulim;
fu=functieMin(u);
} else {

// Recalculeaz u i f(u) cu ponderea GOLD

u=(*cx)+GOLD*(*cx-*bx);
fu= functieMin(u);

// Elimin punctele vechi i continu.

SHFT(*ax,*bx,*cx,u)
SHFT(*fa,*fb,*fc,fu)

}
}

Calculul minimului funciei se poate face cu urmtoarea funcie C.

#include <math.h>
#define R 0.61803399
#define C (1.0-R)
#define SHFT2(a,b,c) (a)=(b);(b)=(c);
#define SHFT3(a,b,c,d) (a)=(b);(b)=(c);(c)=(d);

float minGolden(float ax,float bx,float cx, float functieMin(float), float tol, float *xmin)
{
/*
INTRARE:
ax,bx,cx datele intervalului (a,b,c)
functieMin Expresia functiei a crui minim este cutat
CALCUL:

Capitolul 5.

154
f2 valoarea minimului funciei
*xmin valoarea variabilei independente pentru care s-a determinat
minimul.
*/
float f1,f2,x0,x1,x2,x3;

// Se memoreaz 4 valori pentru fiecare pas, x0,x1,x2,x3

x0=ax;x3=cx;

// 1-> Se analizeaz segmentul minim i se determin noile limite
// la stnga x1 i la dreapta x2

if (fabs(cx-bx) > fabs(bx-ax)) {
x1=bx;
x2=bx+C*(cx-bx);
} else {
x2=bx;
x1=bx-C*(bx-ax);
}

// 2 -> Se determin valoarea funciei n capetele intervalului
// Nu este necesar determinarea valorii funciei n x0 i x3

f1=functieMin(x1);
f2=functieMin(x2);

// 3.0 Se testeaz mrimea intervalului de cutare

while (fabs(x3-x0) > tol*(fabs(x1)+fabs(x2))) {
if (f2 < f1) {

// 3.1 Prima posibilitate de reducere a intervalului de cutare.

SHFT3(x0,x1,x2,R*x1+C*x3)
SHFT2(f1,f2,functieMin(x2))

} else {

// 3.2 Cea de-a doua posibilitate

SHFT3(x3,x2,x1,R*x2+C*x0)
SHFT2(f2,f1,functieMin(x1))
}
} // Sfrit WHILE

// 4. Alegerea celei mai bune soluii

if (f1 < f2) {
*xmin=x1;
return f1;
} else {
*xmin=x2;
return f2;
}
}




Capitolul 5.

155
5.2. Interpolarea cu funcii parabolice i utilizarea acesteia la metoda Brent
pentru funcii de o singur variabil.

n cazul utilizrii metodei seciunii de aur a fost utilizat interpolarea parabolic pentru a
se putea analiza ct mai elegant ansamblul de posibiliti destinate determinrii
segmentului n care se gsete minimul cutat. Dac se ine cont c n apropierea
minimului funcia poate fi interpolat printr-un polinom de ordinul doi, polinom care n
acest caz este o parabol. Descrierea acestei parabole se face utiliznd trei puncte de
pe curb. Alegerea acestor puncte nu este ns ntmpltoare, acestea trebuie
obligatoriu s careze minimul cutat. Deoarece n acest caz se pune problema
determinrii abscisei mai curnd dect a ordonatei, problema de interpolare este atipic.
Din aceast cauz se numete interpolare parabolic invers.
Abscisa x care corespunde valorii minime a unei parabole ce trece prin trei punce (a,b,c)
i care are valoarea n aceste puncte f(a), f(b) i respectiv f(c) este:


( ) ( ) ( ) [ ] ( ) ( ) ( ) [ ]
( ) ( ) ( ) [ ] ( ) ( ) ( ) [ ] a f b f c b c f b f a b
a f b f c b c f b f a b
b x


=
2 2
2
1
(5.8)

Aceast relaie nu are sens doar n cazul n care punctele sunt coliniare, caz n care
numitorul se anuleaz i punctul n care parabola are valoare minim devine infinit. Din
pcate doar utilizarea acestei relaii la determinarea minimului i a poziiei acestuia nu
conduce la rezultatele ateptate. Din aceast cauz se caut o combinare ntre metoda
seciunii de aur, n care nu se analizeaz dect poziia absciselor punctelor care
ncadreaz minimul, pentru a se micora domeniul de ncadrare i atunci cnd s-a atins
un domeniu suficient de mic se utilizeaz interpolarea ptratic invers (relaia 5.8)
pentru a se deremina valoarea abscisei minimului (x).
Din pcate acest mod de abordare nu s-a dovedit eficient deoarece este necesar
calcularea i meninerea n memorie a valorilor funciei de interpolare ptratice pentru
mai muli pai de aproximare succesivi. De asemenea este dificil determinarea
momentului n care s-a atins optimul i se poate ajunge la influena unor erori de rotunjire
foarte apropiate de valoarea real a minimului cutat. Un alt inconvenient major const n
stabilirea momentului de trecere de la metoda seciunii de aur la metoda interpolrii
parabolice.
Evitarea acestor neajunsuri a fost fcut de Brent [1] prin memorarea pentru fiecare pas
al procesului iterativ a 6 valori ale punctelor funciei, a,b,u,v,w i x.
n aceast metod, a i b sunt limitele domeniului n care se determin minimul,
x este abscisa celei mai mici valori determinate pentru funcia f n intervalul (a,b)
w este abscisa urmtoarei valori minime, mai mare dect valoarea funciei n x
v este valoarea anterioar a lui w,
u este abscisa curent a funciei f.
Mai este utilizat i mijlocul segmentului ab notat cu x
m
cu toate c funcia nu este
evaluat n acest punct.
Interpolarea parabolic se face pentru punctele, x,v i w i pentru ca pasul s fie
acceptat trebuie ca:
a) punctele s fie n intervalul (a,b)
b) s existe o deplasare de la cea mai mic valoare gsit pn n acest moment
(la abscisa x) i aceast deplasare s fie mai mic dect jumtatea pasului
precedent.

Capitolul 5.

156
Condiia b) asigur convergena algoritmului i evit intrarea ntr-un ciclu infinit.
n cel mai nefavorabil caz, atunci cnd pasul de interpolare parabolic este acceptabil
dar nu satisface cerina b) se utilizeaz pentru pasul curent metoda seciunii de aur
urmnd ca la urmtorul pas s se ncerce utilizarea interpolrii parabolice din nou.
Se asigur astfel o bun convergen i se evit ieirea forat din algoritm dac un pas
al acestuia nu satisface condiia b).
Se impune o distan minim, tol, astfel nct s nu se fac calculul funciei pentru dou
puncte care sunt mai apropiate dect aceast distan, deoarece aa cum se vede din
ecuaie, valorile funciei n cele dou puncte vor diferi foarte puin i eroarea de calcul
poate influena rezultatul semnificativ.

5.2.1. Implementarea metodei, funcia Brent.
Cu aceste observaii, funcia brent, are forma:

// Declaraii n antet
# include <math.h>
# include util.h
# define ITMAX 100
# define CGOLD 0.38109660
#define EPS 1.0e-10

// ITMAX nr.-ul maxim de iteraii admis pentru determinarea optimului.

#define SHFT(a,b,c,d) (a)=(b); (b)=(c); (c) =(d)

float brent(float ax, float bx, float cx, float functieMin(float, float tol,
float *xmin)
{
int iter;
float a,b,d,etemp,fu,fv,fw,fx,p,q,r,tol1,tol2,u,v,w,x,xm;
float e=0.0;

// noile distane de mutare a absciselor. Se impune ca a < b.

a=(ax < cx ? ax : cx);
b=(ax > cx ? ax : cx);
x=w=v=bx;
fw=fv=fx=functieMin(x);

// Ciclul principal

for (iter=1;iter<=ITMAX;iter++) {
xm=0.5*(a+b);
tol2=2.0*(tol1=tol*fabs(x)+ZEPS);

// Testarea terminrii

if (fabs(x-xm) <= (tol2-0.5*(b-a))) {
*xmin=x;
return fx;
}

// Construirea interpolrii prin trei puncte

if (fabs(e) > tol1) {
r=(x-w)*(fx-fv);

Capitolul 5.

157
q=(x-v)*(fx-fw);
p=(x-v)*q-(x-w)*r;
q=2.0*(q-r);
if (q > 0.0) p = -p;
q=fabs(q);
etemp=e;
e=d;
if (fabs(p) >= fabs(0.5*q*etemp) || p <= q*(a-x) || p >= q*(b-x))
d=CGOLD*(e=(x >= xm ? a-x : b-x));

// Condiiile de mai sus determin acceptarea pasului patratic.
// Se va utiliza sectiunea de aur (SA) pentru un domeniu mai mare
// dect dou segmente.

else {
// Pasul parabolic
d=p/q;
u=x+d;
if (u-a < tol2 || b-u < tol2)
d=SIGN(tol1,xm-x);
}
} else {
d=CGOLD*(e=(x >= xm ? a-x : b-x));
}
u=(fabs(d) >= tol1 ? x+d : x+SIGN(tol1,d));

// Se evalueaz cte o funcie pe iteraie

fu=functieMin(u);

// Se analizeaz funciile din iteraie

if (fu <= fx) {
if (u >= x) a=x;
else b=x;
SHFT(v,w,x,u)
SHFT(fv,fw,fx,fu)
} else {
if (u < x) a=u; else b=u;

// Se formeaz variabilele noi
if (fu <= fw || w == x) {
v=w;
w=u;
fv=fw;
fw=fu;
} else if (fu <= fv || v == x || v == w) {
v=u;
fv=fu;
}
}
}
nrerror("S-a depasit numarul de iteratii <ITER> in brent");
*xmin=x; // Nu se ajunge aici se iese din nrerror.
return fx;
}

Capitolul 5.

158

Figura 5.3. Determinarea minimului utiliznd metoda interpolrii parabolice inverse.



5.3. Determinarea minimului pentru funcii de o singur variabil utiliznd
prima derivat.

Se caut dezvoltarea algoritmilor deja prezentai i care se bazeaz pe utilizarea a trei
valori ale variabilei independente pentru a mrgini zona n care se gsete minimul prin
determinarea primei derivate a funciei.
Se poate utiliza o metod de determinare a rdcinilor primei derivate, cum ar fi metoda
secantei sau Newton-Rapshon. Dei din punct de vedere clasic aceste metode pot fi
folosite cu succes, nu se vor dezvolta programe numerice pentru aceast metod din
cauza dificultilor pe care le implic analiza derivatei de ordinul doi pentru a vedea dac
avem un maxim sau un minim sau a necesitii analizei detaliate a domeniului n care se
caut extremul.
Deoarece metodele care se bazeaz pe utilizarea a trei abscise pentru a delimita zona
extremului sunt precise i uor de implementat n programarea numeric ne vom axa pe
dezvoltarea acestora. Din aceast cauz informaiile legate de valoarea derivatei funciei
vor fi utilizate doar pentru a mri viteza de determinare a noilor triplete de abscise ce
delimiteaz optimul cutat. n acest mod se asigur utilizarea i dezvoltarea metodelor
de calcul deja verificate. S-au dezvoltat astfel metode de calcul bazate pe determinarea
unui polinom de ordinul doi care s ndeplineasc i condiiile impuse asupra derivatelor
de ordinul nti n punctele de capt ale intervalului de mrginire. Analiznd minimul
acestui poligon se determin urmtorul punct candidat n calculul valorii minime cutate
i se reduce intervalul de calcul. Se repet procedura pn cnd diferena dintre minimul

Capitolul 5.

159
funciei i al poligonului de interpolare devine neglijabil. Metoda a fost dezvoltat de
Davidon .a [3.1].
Dac analizm cu atenie aceast metod se poate observa c nu totdeauna
aproximaia polinomial este cea mai indicat. De multe ori polinomul de interpolare
trece prin punctele impuse, dar n afara acestor puncte se distaneaz mult de funcia pe
care dorim s o aproximm. O soluie ar fi utilizarea polinoamelor cu grad mai mic, care
n acest caz ar putea deveni drepte i nu s-ar ajunge la nici o mbuntire a metodelor
deja prezentate.
Din aceste cauze se vor utiliza derivatele de ordinul nti doar pentru a determina cu
ajutorul semnului acesteia n ce segment se gsete minimul (a,b) sau (b,c). Pentru
acest lucru este important determinarea semnului derivatei funciei n punctul b.
Valoarea derivatei n punctul b ca i n cellalt capt al segmentului pot fi utilizate pentru
a se determina poziia n care derivata se anuleaz. Aceast abscis se determin prin
interpolare liniar i se ajunge la 1.618.. deci exact ca n metoda seciunii de aur.
Mai departe se impun aceleai condiii ca i n metoda Brent.

n continuare se introduce funcia derivBrent n limbajul C.

Informaii privind declaraiile librriilor i a definiiilor funciilor.

5.3.1. Implementarea funciei derivBrent.

#include <math.h>
#include "util_s.h"
#define ITMAX 100
#define ZEPS 1.0e-10
#define MOV3(a,b,c, d,e,f) (a)=(d);(b)=(e);(c)=(f);

Codul surs al funciei derivBrent.

float derivBrent(float ax, float bx, float cx, float functieMin(float),float
derivFunc(float), float tol, float *xmin)
{

/*
INTRRI:
functieMin(float) -Funcia al crui minim este cutat
derivFunc(float) -Derivata I-a a funciei functieMin

ax,bx,cx -Abscisele domeniului n care se caut minimul
(ax<bx<cx)
tol -Abaterea admis
DATE CALCULATE:
fx -Valoarea minim
*xmin -Abscisa la care se gsete valoarea minim
*/

// Date de calcul:
// Indicatoare privind stadiul de calcul i calea prin algoritm

int iter,ok1,ok2;

// Declaraii de variabile float

float a,b,d,d1,d2,du,dv,dw,dx,e=0.0;

Capitolul 5.

160
float fu,fv,fw,fx,olde,tol1,tol2,u,u1,u2,v,w,x,xm;

// Se determin noile distane de mutare a tripletului de abscise n
// funcie de vechiul triplet.
// a < b

a=(ax < cx ? ax : cx);
b=(ax > cx ? ax : cx);
x=w=v=bx;
fw=fv=fx= functieMin(x);
dw=dv=dx= derivFunc(x);

for (iter=1;iter<=ITMAX;iter++) {
xm=0.5*(a+b);
tol1=tol*fabs(x)+ZEPS;
tol2=2.0*tol1;
if (fabs(x-xm) <= (tol2-0.5*(b-a))) {
*xmin=x;
return fx;
}

if (fabs(e) > tol1) {
d1=2.0*(b-a);
d2=d1;
if (dw != dx) d1=(w-x)*dx/(dx-dw);
if (dv != dx) d2=(v-x)*dx/(dx-dv);

u1=x+d1;
u2=x+d2;
ok1 = (a-u1)*(u1-b) > 0.0 && dx*d1 <= 0.0;
ok2 = (a-u2)*(u2-b) > 0.0 && dx*d2 <= 0.0;
olde=e;
e=d;
if (ok1 || ok2) {
if (ok1 && ok2)
d=(fabs(d1) < fabs(d2) ? d1 : d2);
else if (ok1)
d=d1;
else
d=d2;
if (fabs(d) <= fabs(0.5*olde)) {
u=x+d;
if (u-a < tol2 || b-u < tol2)
d=SIGN(tol1,xm-x);
} else {
d=0.5*(e=(dx >= 0.0 ? a-x : b-x));

// Alege segmentul pe baza semnului derivatei.
}
} else {
d=0.5*(e=(dx >= 0.0 ? a-x : b-x));
}
} else {
d=0.5*(e=(dx >= 0.0 ? a-x : b-x));
}
if (fabs(d) >= tol1) {
u=x+d;
fu=functieMin(u);
} else {
u=x+SIGN(tol1,d);

Capitolul 5.

161
fu=functieMin(u);

if (fu > fx) {
*xmin=x;
return fx;
}
}
du=(*df)(u);
if (fu <= fx) {
if (u >= x) a=x; else b=x;
MOV3(v,fv,dv, w,fw,dw)
MOV3(w,fw,dw, x,fx,dx)
MOV3(x,fx,dx, u,fu,du)
} else {
if (u < x) a=u; else b=u;
if (fu <= fw || w == x) {
MOV3(v,fv,dv, w,fw,dw)
MOV3(w,fw,dw, u,fu,du)
} else if (fu < fv || v == x || v == w) {
MOV3(v,fv,dv, u,fu,du)
}
}
}
nrerror("S-a depasit nr. Max de iteratii <ITER> in derivBrent");
return 0.0; // Nu se ajunge niciodata aici se iese din nrerror.
}


5.4. Metoda simplexurilor pentru cazul funciilor de mai multe variabile.


Metoda a fost publicat de Nelder i Mead [4.1] i nu necesit dect evaluarea funciei ce
va fi optimizate fr s fie necesare i determinrile derivatelor acesteia. Metoda se
folosete doar pentru optimizarea funciilor care depind de mai muli parametri i nu este
foarte eficient prin prisma valorii optime determinate ca i a poziiei acesteia. Marele
avantaj al acestei metode const ns n simplitatea sa i n faptul c poate fi utilizat
mpreun cu metode mult mai precise pentru a determina valoarea i poziia optimului
cutat. Se asigur astfel delimitarea zonei sau zonelor n care se gsesc extremele
funciei ca i a mrimilor necesare pentru ca n aceste zone s se poat aplica metode
de tip gradient pentru stabilrea soluiilor dorite ca i valorile parametrilor independeni
dac este nevoie.
De asemenea metoda permite o vizualizare geometric fr mari probleme ceea ce face
o face uor de neles i mai ales uor de aplicat la probleme de complexitate mare.
Un simplex este o figur geometric care ntr-un spaiu cu N dimensiuni const ntr-un
numr de N+1 puncte unite prin segmente de dreapt n aa manier nct s se
genereze fee poligonale. Astfel n 2D simplexul este un triunghi, n 3D un tetraedru, etc.,
nu este necesar ca aceste figuri s fie i regulate. n cazurile cele mai simple de
implementare aceste simplexuri sunt regulate, deci triunghi echilateral, tetraedru regulat,
etc. Singura restricie care se pune acestor simplexuri este aceea de a nu fi degenerate,
deci de a nu avea puncte suprapuse. n plan triunghiul s nu degenereze n dreapt, etc.
Algoritmul va porni dintr-o soluie iniial introdus de programator, ceea ce d.p.d.v.
geometric reprezint un vector N-dimensional care const din valorile de pornire pentru
variabilele independente. Caz ntlnit frecvent la majoritatea metodelor de optimizare.

Capitolul 5.

162
Avnd cunoscut acest prim punct algoritmul va cuta singur minimul indiferent de
complexitatea pe care o poate avea o funcie n spaiul cu N dimensiuni. Atunci cnd a
fost ntlnit un punct de minim (chiar i local) acesta se oprete i soluia este salvat.
Metoda poate fi iniiat i prin utilizarea mai multor puncte, N+1 puncte, deci primul
simplex. Dac se pornete de la un singur punct, P
0
, atunci celelalte puncte ale
simplexului se pot determina utiliznd relaia:

i i i
e P P + =
0
i = 1,,N (5.9)
unde
i
este o constant ce nmulete versorul direciei e
i
. Astfel
i
reprezint scrile
pentru fiecare direcie care sunt utilizate la realizarea simplexului. Exist programe care
utilizeaz de regul o singur scar.
n urma definirii simplexului algoritmul const ntr-o serie de pai, majoritatea dintre
acetia constau n mutarea punctelor simplexului din zonele n care valoarile funciei sunt
mari ctre zonele n care valorile funciei sunt mai mici. Aceti pai sunt pai de reflecie
sau simplu reflecii i au caracteristica de a respecta condiia ca noul simplex s-i
pstreze volumul constant n zonele n care nu sunt extreme. Mai mult, unii algoritmi
permit chiar o mrire a volumului simplexului, (
i
+
i
) ceea ce conduce la reducerea
numrului total de simplexuri i parcurgerea mai rapid a zonelor lipsite de interes.
La ntlnirea zonelor n care suprafaa definit de funcia ce se optimizeaz sufer o
modificare a pantei, atunci i coeficienii de scar se modific, (
i

i
) genernd
simplexuri din ce n ce mai mici, deci o reea din ce n ce mai fin. Se asigur astfel
apropierea de minim. n aceste zone simplexurile se contract, n scopul de a asigura
mrirea preciziei. n figura 5.4 se prezint posibilitile pe care funcia special proiectat
le ndeplinete.
Criteriile care conduc la decizia de terminare a procesului de optimizare trebuie s fie
introduse cu mare atenie. Acest lucru este specific majoritii metodelor destinate
optimizrii funciilor de mai multe variabile sau a rezolvrii sistemelor de ecuaii neliniare.
Dificultile sunt generate de lipsa unui domeniu bine stabilit n care putem cuta minimul
ca i de faptul c avem mai multe variabile independente ceea ce face greoaie procedura
utilizat n cazul unei singure variabile. Avnd n vedere aceste observaii se poate
adopta opiunea de terminare a procesului de optimizare prin analizarea vectorului
deplasrii pe care o are simplexul nou creat fa de cel precedent. n cazul n care
aceast deplasare este mai mic dect o mrime aleas, notat n program cu tol. De
asemenea se poate impune ca diferena dintre valoarea minim a funciei din simplexul
nou i cea din simplexul anterior s fie mai mic dect o valoare impus, notat n
program cu tol_1. Dei ambele criterii au fost introduse n program, acestea pot fi
depite la generarea unui simplex atipic. n acest caz, se restarteaz procesul de
minimizare din punctul n care aceasta a selectat un minim prim reiniializarea tuturor
variabilelor, astfel se reiniiaz N din cele N+1 versori i se impune P
0
n punctul pe care
rularea anterioar l-a gsit ca fiind minim.



Capitolul 5.

163
n continuare se prezint funcia simplexuri destinat detrminrii minimului utiliznd
aceast metod.
Nr. Crt Geometria simplexului pentru cazul 3D
Simplexul de baz

a) Reflecie.

b) Reflecie cu
expansiune
.
c) Contracie pe o
singur direcie.

d) Contracie pe cele
trei direcii.

Figura 5.4. Aspectul simplexurilor dezvoltate cu ajutorul functiei simplexuri.

Capitolul 5.

164
// Declaraii din programul principal
5.4.1. Implementarea funciei Simplexuri.

#include <math.h>
#include "util.h"
// Cel mai mic numr pentru estimarea poziiei simplexului.
#define TINY 1.0e-10
//Numrul maxim de evaluri ale funciei.
#define NMAX 5000

#define GET_PSUM \
for (j=1;j<=ndim;j++) {\
for (sum=0.0,i=1;i<=mpts;i++) sum += p[i][j];\
psum[j]=sum;}
#define SWAP(a,b) {swap=(a);(a)=(b);(b)=swap;}

// Codul funciilor

void simplexuri(float **p, float y[], int ndim, float ftol,float
functieMin(float []), int *nfunk)
{
/*
Minimizarea funciei de mai multe variabile functieMin(x) cu x=1..ndim
Utilizand metoda Nelder&Mead
DATE DE INTRARE
functieMin(x) - expresia funciei ce se optimizeaz.
p[1..ndim+1] -simplexul de pornire (soluia iniial.
y[1..ndim+1] - valoarea funciei in punctele simplexului.
ftol - eroarea de estimare a minimului.
DATE CALCULATE
y[1..ndim+1] - valoarea minimului in punctele ultimului simplex.
P[1..ndim+1] - coordonatele ultimului simplex.
Nfunk - numarul de simplexuri create.
*/
// Variabile intregi

int ndim, i,ihi,ilo,inhi,j,mpts=ndim+1;

// Variabile float
float amotry(float **p, float y[], float psum[];
float functieMin(float []), int ihi, float fac);
float rtol,sum,swap,ysave,ytry,*psum;

psum=vector(1,ndim);
*nfunk=0;
GET_PSUM
for (;;) {
ilo=1;
// Se determin valoarea funciei n vrfurile simplexului i se
// ordoneaz cresctor

ihi = y[1]>y[2] ? (inhi=2,1) : (inhi=1,2);
for (i=1;i<=mpts;i++) {
if (y[i] <= y[ilo]) ilo=i;
if (y[i] > y[ihi]) {
inhi=ihi;

Capitolul 5.

165
ihi=i;
} else if (y[i] > y[inhi] && i != ihi) inhi=i;
} // end if
rtol=2.0*fabs(y[ihi]-y[ilo])/(fabs(y[ihi])+fabs(y[ilo])+TINY);

// Calculeaz raportul dintre valorile maxime i minime ale funciei n
// vrfurile simplexului i revino n program dac simplexul nu este
// degenerat.

if (rtol < ftol) { // Dac da pune pe poziia 1 virful.
SWAP(y[1],y[ilo])
for (i=1;i<=ndim;i++) SWAP(p[1][i],p[ilo][i])
break;
} // end if
if (*nfunk >= NMAX) nrerror("NMAX exceeded");
*nfunk += 2;

// Incepe o noua iteratie. Inmulete cu -1 faa opus vrfului pentru
// care y[] este maxim pentru a face reflexia fa de acest punct.

ytry=amotry(p,y,psum,ndim,funk,ihi,-1.0);
if (ytry <= y[ilo])

// Se obine un rezultat mai mic dect minimul din simplexul anterior
// i se ncearc extinderea simplexului cu scara 2.

ytry=amotry(p,y,psum,ndim,funk,ihi,2.0);
else if (ytry >= y[inhi]) {

// Punctul obinut prin reflexie nu este aa de bun ca ca cel cu
// valoarea imediat inferioar celui de-al doilea maxim.
// Se ncearc o contracie dup direcia acestei variabile.

ysave=y[ihi];
ytry=amotry(p,y,psum,ndim,funk,ihi,0.5);
if (ytry >= ysave) {

// Nu poate fi eliminat punctul cu valoare maxim.
// Se ncearc contracia pentru cel cu valoarea minim.

for (i=1;i<=mpts;i++) {

if (i != ilo) {
for (j=1;j<=ndim;j++)
p[i][j]=psum[j]=0.5*(p[i][j]+p[ilo][j
]);
y[i]=(*funk)(psum);
} // end if
}// end for i

// Pstreaz rezultatele evalurii funciei.

*nfunk += ndim;
// Recalculeaz psum.

GET_PSUM
}
} else --(*nfunk);//Corecie a nr. De iteraii.
} // Inapoi la testarea unei noi iteraii. End for


Capitolul 5.

166
free_vector(psum,1,ndim);

} // end functie.


#include "nrutil.h"
float amotry(float **p, float y[], float psum[], int ndim,
float functieMin(float []), int ihi, float fac)
{
/*
Inmulete cu factorul de scar <fac> faa simplexului opus valorii maxime.
Incearc noul rezultat i nlocuiete punctul cu valoarea maxim dac noul
punct este mai bun.
*/

int j;
float fac1,fac2,ytry,*ptry;

ptry=vector(1,ndim);
fac1=(1.0-fac)/ndim;
fac2=fac1-fac;
for (j=1;j<=ndim;j++) ptry[j]=psum[j]*fac1-p[ihi][j]*fac2;

// Evalueaz funcia n cel de-al treilea punct.

ytry=functieMin(ptry);
// Dac soluia este mai bun nlocuiete vrful cu valoare maxim.

if (ytry < y[ihi]) {
y[ihi]=ytry;
for (j=1;j<=ndim;j++) {
psum[j] += ptry[j]-p[ihi][j];
p[ihi][j]=ptry[j];
} // end for
}// end if
free_vector(ptry,1,ndim);
return ytry;
}


5.5. Minimizarea utiliznd metode bazate pe direcii de cutare.

n cubcapitolele 5.1, 5.2 i 5.3 s-a dezvoltat proceduri de optimizare pentru funcii de o
singur variabil. n cazul funciilor de mai multe variabile problema apare mult mai
complicat, dar dac se consider c se pornete procesul de cutare a minimului
pornind de la un punct iniial, P
0
, i se continu cutarea minimului pe direcia unei axe,
(caz n care doar o singur variabil poate lua valori), atunci, problema poate fi redus la
optimizarea unei funcii de o singur variabil. Acesta este considerentul pe care se
bazeaz toate metodele de optimizare de tipul direciilor conjugate, Powell, etc.
Toate aceste metode de optimizare au n comun o procedur de tipul:

Fiind dat un punct P, o direcie n i o funcie f, s se determine o nrime scalar, , care s
minimizeze funcia f(P + n). Se nlocuiete P cu P + n i n cu n. Sfrit.

Aceast procedur este implementat n funcia C, linMin i este comun metodelor de
acest tip. Tot o procedur comun acestor algoritmi este i cea de determinare a direciei

Capitolul 5.

167
care conduce cel mai rapid la determinarea minimului. Aceasta este implementat pentru
cazul de fa n funcia C denumit linFind i deoarece este utilizat i de programe care
folosesc gradienii funciei de optimizat conine i utilizarea mrimilor acestora. Prin
neapelarea funciilor care calculeaz gradienii se poate adapta cu uurin metodelor
mai generale care nu necesit calculul gradienilor. Acelai lucru este valabil i pentru
linMin.
Modul de lucru al algoritmilor bazai pe eceste metode const n principiu n:

Fiind considerat un set de direcii e
1
,e
2
, ,e
N
corespunznd fiecrei variabile
independente. Utiliznd linMin se face o deplasare spre minim dup prima direcie
i determin punctul P
1
, din P
1
se face o deplasare spre minimul de pe direcia P
2

i se continu procesul de cutare pentru urmtoarele direciii i aa mai departe.
Procesul continu iterativ din punct n punc. Oprirea procesului de cutare a
minimului are loc atunci cnd valoarea funciei n punctul curent nu mai scade.

Observaii.
Deoarece nu are loc o evaluare n prealabil a direciei dup care scderea funciei
este maxim procesul poate n unele cazuri s dureze mult mai mult dect ar fi necesar.
Obinerea unei soluii ct mai precis se face prin micorarea pasului discretizrii. De
asemenea este necesar evitarea unui numr mare de iteraii prin introducerea unor
direcii de cutare alese ct mai judicios ca i prin testarea direciei pe care valoarea
funcie scade ct mai rapid.
S-au introdus astfel mai multe variante ale algoritmului.
Acestea se bazeaz pe alegerea unor direcii care s evite zonele cu scderi sau creteri
brute ale funciei sau pe cutarea unor direcii cu proprietatea c minimizarea funciei pe
o direcie s nu fie afectat de celelalte direcii, astfel nct deolasarea spre minimul
funciei s se fac din ct mai puini pai.

5.5.1. Metoda Powell pentru funcii de mai multe variabile.

Direciile onjugate.

Dac se dezvolt n serie Taylor funcia f(x1,..,xN) n jurul unui punct P i se grupeaz
termenii care conin prima i a doua derivat se pot determina direciile cutate.

( ) ( ) [ ] [ ] [ ] [ ] [ ] [ ] X A X X B C x x
x x
f
x
x
f
P f x f
j i
j i
i
N
i i
+ = +

+ =

=
5 , 0 .... 5 , 0
2
1
(5.10)
Termenii ecuaiei pot fi scrii su forma:


[ ]
[ ]
[ ]
P
j i
P
x x
f
A
x
f
B
P f C

=
=
2
) (
(5.11)

S considerm c s-a cutat minimul pe un set de direcii U i se urmrete acum
deplasarea la alt set de direcii V astfel nct s nu se influeneze pe ct posibil valoarea

Capitolul 5.

168
obinut la cutarea anterioar. Aceast condiie este ndeplinit dac gradientul tinde
spre zero, deci direciile sunt perpendiculare.

[ ] ( ) [ ] [ ] [ ] V A U f U = = 0 (5.12)

Atunci cnd [U][A][V] 0 direciile [U] i [V] se numesc conjugate.
Succesul metodelor de optimizare bazate pe metoda cutrii optimului pe un set de
direcii independente este asigurat dac aceste direcii sunt conjugate. Din aceast
cauz primul pas n algoritmul de optimizare const n determinarea acestor direcii i
apoi se realizeaz dezvoltarea n serii Taylor n jurul punctului curent i fie se caut cea
mai mic valoare a funciei pe direciile conjugate sau se rezolv sistemul:

[ ] [ ] [ ] b x A f = (5.13)

Obinerea setului de direcii conjugate nu este att de simpl cum pare. Procedura care
este implementat reiniializeaz un set de direcii [U] dup ce au fost efectuate N iteraii
pentru a se evita problemele legate de algoritmul Powell de generare a direciilor
conjugate.

Funcia C destinat optimizrii unei probleme mutidimensionale este dat n continuare.

// Librrii i declaraii necesare n programul principal

#include <math.h>
#include "nrutil.h"
#define TINY 1.0e-25 //Cel mai mic numr
#define ITMAX 200

// Funcia Powell

void powell(float p[], float **xi, int n, float ftol, int *iter, float
*fret,float functieMin(float []))
{
/*
SCOP
Minimizarea unei funcii de n variabile.
DATE DE INTRARE
P[1..n] - soliia iniial
Xi[1..n][1..n] -matricea setului iniial de direcii
Ftol - abaterea admis asupra valorii funciei pentru a se evita
ca aceasta s scad mai mult dect o valoare admisibil.
DATE REZULTATE
P[1..n] - soluia obinut
Xi[][] - direcia curent
Fret - valoarea funcie n punctul curent
Diter - numrul de iteraii.
*/

// Declararea funciilor accesate
void linmin(float p[], float xi[], int n, float *fret,float functieMin(float
[]));

int i,ibig,j;
float del,fp,fptt,t,*pt,*ptt,*xit;
pt=vector(1,n);

Capitolul 5.

169
ptt=vector(1,n);
xit=vector(1,n);
*fret= functieMin(p);

// Salvarea punctului iniial
for (j=1;j<=n;j++) pt[j]=p[j];
for (*iter=1;;++(*iter)) {
fp=(*fret);
ibig=0;

// Cea mai mare scdere direcional

del=0.0;
// Pentru fiecare iteraie
// 1. F ciclu pe toate direciile din set
// 1.1 Memoreaz direciile n xit[]
// 1.2 Calculeaz valoarea funciei pentru toate direciile setului
// 1.3. Caut minimul pentru fiecare direcie cu linMin
// 1.4 Memoreaz valorile care conduc la descreterea maxim.

for (i=1;i<=n;i++) {
for (j=1;j<=n;j++) xit[j]=xi[j][i];
fptt=(*fret);
linmin(p,xit,n,fret,functieMin);
if (fptt-(*fret) > del) {
del=fptt-(*fret);
ibig=i;
}
}

// Condiia de terminare.

if (2.0*(fp-(*fret)) <= ftol*(fabs(fp)+fabs(*fret))+TINY) {
free_vector(xit,1,n);
free_vector(ptt,1,n);
free_vector(pt,1,n);
return;
}

// Calculeaz punctul nou i distana fa de cel anterior
// Memoreaz valorile

if (*iter == ITMAX) nrerror("S-a depit numrul maxim de iteraii.");
for (j=1;j<=n;j++) {
ptt[j]=2.0*p[j]-pt[j];
xit[j]=p[j]-pt[j];
pt[j]=p[j];
}

// Calculeaz valoarea funciei n noul punct

fptt=funcieMin(ptt);

// Mutare pe minimul de pe noile direcii i salvarea acestora.

if (fptt < fp) {
t=2.0*(fp-2.0*(*fret)+fptt)*SQR(fp-(*fret)-del)-del*SQR(fp-fptt);
if (t < 0.0) {
linmin(p,xit,n,fret,functieMin);
for (j=1;j<=n;j++) {

Capitolul 5.

170
xi[j][ibig]=xi[j][n];
xi[j][n]=xit[j];
}
}
}
} // Urmtoarea iteraie
} // End funcie

5.5.2. Implementarea funciei C linMin.

Metoda adoptat pentru linMin se bazeaz pe cele descrise n 5.1-5.3 dar trebuie fcute
cteva mici modificri pentru a se ine cont de punctul curent de cutare i abscisele
(a,b,c) se refer n acest caz la vecinti ale abscisei punctului curent. Se construiete
astfel o funcie ce depinde doar de variabila direciei dorite, f1D, iar pentru aceast
funcie se utilizeaz procedurile abcDetermin cu derivBrent sau minGolden pentru a
determina minimul acesteia. Se utilizeaz astfel funciile deja descrise n subcapitolele
anterioare pentru a determina minimul cutat.

// Declaraii librrii i variabile globale

#include util.h

// Abaterea admisibil a valorilor transmise ctre subrutina de cutare a
//minimului
#define TOL 2.0e-4

int ncom;
float *pcom,*xicom,nrFunctie(float []);

void linMin(float p[], float xi[], int n, float *fret, float functieMin(float
[]))
{
/*
SCOP
Clculul valorii minimului funciei functieMin() i un punct P se caut
minimul acesteia pe direcia x1 a unui set de direcii xi[1..n] i
actualizeaz noile valori ale coordonatele punctului P.

DATE DE INTRARE
P - poziia puncului de cutare a minimului
functieMin(xi[]) - expresia funciei ce se optimizeaz
xi[] - coordonatele punctului P
FUNCTII APELATE
Brent
F1D
abcDetermin
DATE REZULTATE
P - noua poziie a punctului curent
xi[] - noile coordonate ale punctului
fret - valoarea funciei n noul punct P

*/
// Declararea funciilor apelate
float derivBrent(float ax, float bx, float cx,float functieMin(float), float
tol, float *xmin);
float f1D(float x);
void abcDetermin(float *ax, float *bx, float *cx, float *fa, float *fb,
float *fc, float functieMin(float));

Capitolul 5.

171

// Declararea variabilelor locale
int j;
float xx,xmin,fx,fb,fa,bx,ax;

// Definirea variabilelor globale
ncom=n;
pcom=vector(1,n);
xicom=vector(1,n);
nrfunc=functieMin;

for (j=1;j<=n;j++) {
pcom[j]=p[j];
xicom[j]=xi[j];
}

// Limitele initiale ale domeniului pentru abcDetermin

ax=0.0;
xx=1.0;
abcDetermin(&ax,&xx,&bx,&fa,&fx,&fb,f1dim);
*fret=derivBrent(ax,xx,bx,f1dim,TOL,&xmin);

// Construirea vectorilor actualizai cu valorile rezultate

for (j=1;j<=n;j++) {
xi[j] *= xmin;
p[j] += xi[j];
}
// Eliberarea memoriei

free_vector(xicom,1,n);
free_vector(pcom,1,n);
}


// Definirea funciei f1D Declaraii n header

#include "util.h"

// Variabile deja definit n linMin.

extern int ncom;
extern float *pcom,*xicom,(*nrfunc)(float []);
// Funcie apelat de linMin
float f1D(float x)
{
int j;
float f,*xt;
xt=vector(1,ncom);
for (j=1;j<=ncom;j++) xt[j]=pcom[j]+x*xicom[j];
f=(*nrfunc)(xt);
free_vector(xt,1,ncom);
return f;
}





Capitolul 5.

172
5.6. Metoda gradienilor conjugai pentru funcii de mai multe variabile.

S presupunem c avem toate datele necesare pentru a determina ntr-un punc P att
valoarea funciei ct i valoarea derivatelor de ordinul nti a acesteia.
Dac se consider dezvoltarea n serie Taylor n jurul unui punct, P, a funciei a crui
optim dorim s-l determinm, i se plec de la premisa c distana spre acesta se obine
cu un minim efort prin urmrirea acelor direcii pentru care gradienii funciei sunt maximi.
Se pot astfel stabili direciile cele mai avantajoase i prin acesasta se poate micora
substanial efortul de calcul. Exist ns cazuri cnd cu toat eficiena algoritmului, efortul
de calcul al gradienilor este att de mare nct metodele descrise anterior sunt mult mai
rapide i uor de utilizat.
Dac se pleac de la ecuaia 5.10 pus sub form matricial cu relaiile 5.11 se ob se
oine:

[ ] ( ) [ ] [ ] [ ] [ ] [ ] [ ] X A X X B C X f +
2
1
(5.14)

ecuaie care este ptratic. Se observ c numrul de parametrii necesari rezolvrii
ecuaiei (5.14) este dat de mrimea matricilor [B] i [A], fiind 0,5N(N+1), deci de ordinul
N
2
. Modificarea unuia dintre acetia conduce la modificarea poziiei punctului generat n
procesul de optimizare. n metoda direcuulor conjugate, sunt necesare N
2
determinri
ale valorii funcie f pe aceste direcii pentru a se putea gsi noua poziie spre minim.
Dac utilizm i gradienii vom mai aduga N determinri i pentru valoarea acestora.
Dar dac folosim aceste informaii putem s determinm mult mai rapid direciile pe care
funcia se ndreapt spre minim i ne putem atepta s micorm substanial efortul de
calcul. n acest scop se poate porni, cai n metodele care nu utilizeaz gradieni, de la o
soluie arbitrar P
0
i un vector arbitrar g
0
i se consider h
0
=g
0
.
Se determin noile direcii conjugate de forma:


,... 2 , 1 , 0
1 1
1
=
+ =
=
+ +
+
i
h g h
h A g g
i i i i
i i i i

(5.15)

Se pun condiiile ca vectorii g
i+1
i h
i+1
s satisfac condiia de ortogonalitate i s fie
conjugai:


i j
h g
h A h
g g
j i
j i
j i
<
=
=
=
0
0
0
(5.16)

Mrimile scalare
i
i
i
se pot determina cu relaiile:


Capitolul 5.

173

i i
i i
i
i i
i i
i i
i i
i
g g
g g
h A h
h g
h A h
g g

=
+ + 1 1

(5.17)

S presupunem c nu se cunoate matricea A i nu putem determina direciile g i h cu
ajutorul ecuaiei (5.17) sau noua poziie a optimului cu ajutorul multiplicatorilor Lagrange
ca n subcapitolul (4.3). De fapt se dorete reducerea efortului de calcul necesar
determinrii Hessianului n cazul unor expresii complicate ale derivatelor de ordinul doi.
Evitarea acestor calcule se poate face prin considerarea n punctul P
i
a vectorului
direciei g
i
de forma


i
P
i
x f g ) ( = (5.18)

Se determin noul punct P
i+1
cu ajutorul funciei linMin i se cunoate g
i+1



1
) (
1
+
=
+
i
P
i
x f g
(5.19)

Se determin n continuare


( )
i i
i i i
i
g g
g g g


=
+ + 1 1
(5.20)

Programul de calcul se bazeaz pe descrierea fcut de Fletcher-Reeves-Polak-Ribiere
i este implementat n funcia principal frpr_gcm care apeleaz funcia linmin pentru a
determina minimul pe direciile variabile, funcia functieMin pentru a calcula valoarea
funciei ce se minimizeaz i funcia functieDeriv_1 pentru calculul derivatelor de ordinul
nti al acesteia.

// Declaraii n seciunea variabilelor generale

#include <math.h>
#include "util.h"
#define ITMAX 200
#define EPS 1.0e-10

#define FREEALL free_vector(xi,1,n);free_vector(h,1,n);free_vector(g,1,n);

void frprmn(float p[], int n, float ftol, int *iter, float *fret,float
functieMin(float []), void functieDeriv_1(float [], float []))
{
/*
SCOP
Calculeaza minimul functiei functieMin utiliznd metoda gradientilor
gradientilor conjugati.
DATE DE INTRARE
P[1..n] - punctul iniial
Ftol - criteriul de convergenta
DATE OBTINUTE
P[1..n] - punctul minimului

Capitolul 5.

174
Fret - valoarea minima a funciei
*/

void linmin(float p[], float xi[], int n, float *fret,float
functieMin(float []));

int j,its;
float gg,gam,fp,dgg;
float *g,*h,*xi;
g=vector(1,n);
h=vector(1,n);
xi=vector(1,n);

// INIIALIZRI FUNCII

fp=functieMin(p);
functieDeriv_1(p,xi);
for (j=1;j<=n;j++) {
g[j] = -xi[j];
xi[j]=h[j]=g[j];
}
// Ciclul iterativ

for (its=1;its<=ITMAX;its++) {
*iter=its;
// Caut noul punct
linmin(p,xi,n,fret,func);
if (2.0*fabs(*fret-fp) <= ftol*(fabs(*fret)+fabs(fp)+EPS)) {
FREEALL
return;
}
fp= *fret;
functieDeriv_1(p,xi);
dgg=gg=0.0;
for (j=1;j<=n;j++) {
gg += g[j]*g[j];
// dgg += xi[j]*xi[j]; Criteriul Fletcher-Reeves.
dgg += (xi[j]+g[j])*xi[j]; //Criteriul Polak-Ribiere.
}
if (gg == 0.0) {//Solutie neateptat Gradient zero.
FREEALL
return;
}
gam=dgg/gg;
for (j=1;j<=n;j++) {
g[j] = -xi[j];
xi[j]=h[j]=g[j]+gam*h[j];
}
}
nrerror("Numarul maxim de iteratii depasit");
}



5.6.1. Funcia linMinDeriv_1 utiliznd derivatele de ordinul nti.

n cazul n care derivatele funciei pot fi calculate fr a ntmpina dificulti sau n cazul
n care se utilizeaz gradienii este posibil modificarea funciei linMin cu linMinDeriv_1
care utilizeaz f1D i df1dim.

Capitolul 5.

175


#include "util.h"
#define TOL 2.0e-4 //Abaterea comun cu dbrent.
int ncom; //Nr. De variabile comune cu f1D.
float *pcom,*xicom,(*nrfunc)(float []);
void (*nrdfun)(float [], float []);

void linMinDeriv_1(float p[], float xi[], int n, float *fret, float
functieMin(float []),void functieDeriv_1(float [], float []))
{
/*
SCOP
Calculeaza valoarea minim i poziia acesteia pentru direciile
considerate utiliznd i derivatele funciei.
DATE DE INTRARE
P[1..n] - punctul soluiei curente
Xi[1..n] - direcia curent aplicat n punctul P
DATE RETURNATE
P[1..n] - punctul soluiei ce minimizeaz funcia
Xi[1..n] - direcia nou
Fret - valoarea funciei n noul punct
FUNCTII APELATE
abcDetermin
derivBrent
*/

float derivBrent(float ax, float bx, float cx,
float (*f)(float), float (*df)(float), float tol, float *xmin);
float f1D(float x);
float df1dim(float x);
void abcDetermin(float *ax, float *bx, float *cx, float *fa, float *fb,
float *fc, float functieMin(float));
int j;
float xx,xmin,fx,fb,fa,bx,ax;
ncom=n;
pcom=vector(1,n);
xicom=vector(1,n);
nrfunc=func;
nrdfun=dfunc;
for (j=1;j<=n;j++) {
pcom[j]=p[j];
xicom[j]=xi[j];
}
//Punctele iniiale de cutare
ax=0.0;
xx=1.0;
abcDetermin(&ax,&xx,&bx,&fa,&fx,&fb,f1dim);
*fret=derivBrent(ax,xx,bx,f1dim,df1dim,TOL,&xmin);

// Construirea vectorilor rezultatelor.

for (j=1;j<=n;j++) {
xi[j] *= xmin;
p[j] += xi[j];
}
free_vector(xicom,1,n);
free_vector(pcom,1,n);
}


Capitolul 5.

176

#include "util.h"
extern int ncom; // Definite n dlinmin.
extern float *pcom,*xicom,(*nrfunc)(float []);
extern void (*nrdfun)(float [], float []);

float df1dim(float x)
{
int j;
float df1=0.0;
float *xt,*df;
xt=vector(1,ncom);
df=vector(1,ncom);
for (j=1;j<=ncom;j++) xt[j]=pcom[j]+x*xicom[j];
(*nrdfun)(xt,df);
for (j=1;j<=ncom;j++) df1 += df[j]*xicom[j];
free_vector(df,1,ncom);
free_vector(xt,1,ncom);
return df1;
}



5.7. Metode bazate pe calculul derivatelor pentru variabile multidimensionale.

Metodele se bazeaz pe cutarea minimului prin iteraii sucesive pe cele N dimensiuni
prin utilizarea primelor derivate ale funciei obiectiv. Dar spre deosebire de metoda
gradienilor conjugai aceste metode memoreaz i actualizeaz o cantitate mai mare de
date. Din punctul de vedere al eficienei calculului ca i al managementului resurselor,
multe softuri complexe moderne utilizeaz metoda gradienilor.
Exist implementate dou variante ale acestor clase de metode, Davidon-Fletcher-
Powell (DFP) i Broyden-Fletchel-Goldforb-Shanno (BFGS) variante care difer n modul
de estimare a erorii de calcul a mrimii abaterii admise pentru determinarea soluiei.
S considerm o dezvoltare a funciei n jurul unui punct curent x a funciei:

) ( ) (
2
1
) ( ) ( ) ( ) (
i i i i i
x x A x x x f x x x f x f + =
sau:

) ( ) ( ) (
) ( ) (
x f x x A x f
x x
x f x f
i i
i
i
= + =



Dac impunem pentru determinarea noii iteraii condiia: 0 ) ( = x f se obine sistemul de
ecuaii:

) (
1
i i
x f A x x =



Deci cu ct mai precis este determinarea matricii A
-1
cu att mai precis va fi valoarea
obinut pentru noua poziie a punctului curent n procesul de minimizare. Dar n
metodele de acest tip, valoarea A
-1
se determin cu ajutorul unui proces iterativ care s-a
dovedit c este mai eficient dect calculul exact al Hessianului (H = A
-1
). Metodele ce se

Capitolul 5.

177
bazeaz pe acest mod de abordare a problemelor de optimizare se numesc cvasi-
Newtoniene deoarece nu se folosete valoarea exact a gradienior ci o valuare
aproximativ, obinut printr-un calcul iterativ:


1
lim


= A H
i i


Aceast mod de abordare pare la prima vedere paradoxal, dar dac inem seama c se
caut un minim, deci ne gsim pe direcii pentru care gradienii trebuie s ndeplineasc
condiiile:


0 ) ( ) ( ) ( ) (
0
< =
<
i i i i
x x A x x x x x f
p f



care impun ca matricea A s fie ntotdeauna pozitiv definit. Dac s-ar utiliza valoarea
exact a Hessianului s-ar putea ntlni cazul cnd funcia s prezinte o cretere a valorii
i s-ar depi punctul de minim cutat.
Ideea de baz const n pornirea cu o matrice A de test, de regul matricea unitar i
calculul matricii H astfel nct aceasta s rmn n permanen pozitiv definit i
simetric. Aceast abordare ne asigur c ntotdeauna ne deplasm spre minim ctre
valori descresctoare ale funciei pe care o minimizm. n apropierea minimului se atinge
abia valoarea real a Hessianului i se gsete punctul cutat.
Aceast strategie este utilizat de metoda Broyden-Fletcher-Goldfarb-Shanon
[5.7]
(BFGS)
funciile C utilizate pentru a descrie metoda fiind bfgs i funcia linSrch destinat cutrii
valorii minime a funciei dup o direcie dat.

#include <math.h>
#include "nrutil.h"

#define ITMAX 200 // Nr.-ul mare de iteraii
#define EPS 3.0e-8 // Precizia estimrii.
#define TOLX (4*EPS) // Abaterea maxim admis
#define STPMX 100.0 // Nr.-ul de ncercri ptr. cutarea min.

#define FREEALL free_vector(xi,1,n);free_vector(pnew,1,n); \
free_matrix(hessin,1,n,1,n);free_vector(hdg,1,n);free_vector(g,1,n); \
free_vector(dg,1,n);

void bfgs(float p[], int n, float gtol, int *iter, float *fret,
float(*func)(float []), void (*dfunc)(float [], float []))
{
/*
SCOP
Determinarea minimului prin metoda Fletchel-Powell n varianta Broyden-
Fletchel-Goldfarb-Shanno.
INTRARE:
P[1..n] - punctul de pornire n cutarea minimului.
Func - funcia ce se minimizeaz
dFunc - gradienii funciei
gTol - abaterile de la zero pentru gradienii funciei.
REZULTATE:
P[1..n] - punctul de minim
fRet - valoarea minim a funciei
FUNCTII APELATE:
lnSrc - se utilizeaz pentru a cuta minimul pe o direcie.

Capitolul 5.

178
*/

void lnSrch(int n, float xold[], float fold, float g[], float p[], float
x[],float *f, float stpmax, int *check, float (*func)(float []));

int check,i,its,j;
float den,fac,fad,fae,fp,stpmax,sum=0.0,sumdg,sumxi,temp,test;
float *dg,*g,*hdg,**hessin,*pnew,*xi;
dg=vector(1,n);
g=vector(1,n);
hdg=vector(1,n);
hessin=matrix(1,n,1,n);
pnew=vector(1,n);
xi=vector(1,n);

// Calculeaz valoarea funciei i a derivatelor i iniiaz matricea
// Hessian la matrice unitar.

fp=(*func)(p);
(*dfunc)(p,g);
for (i=1;i<=n;i++) {
for (j=1;j<=n;j++) hessin[i][j]=0.0;
hessin[i][i]=1.0;
xi[i] = -g[i];
sum += p[i]*p[i];
}
stpmax=STPMX*FMAX(sqrt(sum),(float)n);

// Ciclul peste numrul de iteraii

for (its=1;its<=ITMAX;its++) {
*iter=its;

// Se evalueaz cu lnSrch direcia de cutare a minimului i valoarea
// ntoars se memoreaz n fp

lnSrch(n,p,fp,g,xi,pnew,fret,stpmax,&check,func);

fp = *fret;
for (i=1;i<=n;i++) {
xi[i]=pnew[i]-p[i];
p[i]=pnew[i];
}
test=0.0;
for (i=1;i<=n;i++) {
temp=fabs(xi[i])/FMAX(fabs(p[i]),1.0);
if (temp > test) test=temp;
}
if (test < TOLX) {
FREEALL
return;
}
// Salveaz valorile gradienilor i recalculeaz noile valori.

for (i=1;i<=n;i++) dg[i]=g[i];
(*dfunc)(p,g);
// Verific dac gradienii sunt zero

test=0.0;
den=FMAX(*fret,1.0);

Capitolul 5.

179
for (i=1;i<=n;i++) {
temp=fabs(g[i])*FMAX(fabs(p[i]),1.0)/den;
if (temp > test) test=temp;
}
if (test < gtol) {
FREEALL
return;
}
for (i=1;i<=n;i++) dg[i]=g[i]-dg[i];
for (i=1;i<=n;i++) {
hdg[i]=0.0;
for (j=1;j<=n;j++) hdg[i] += hessin[i][j]*dg[j];
}
fac=fae=sumdg=sumxi=0.0;
for (i=1;i<=n;i++) {
fac += dg[i]*xi[i];
fae += dg[i]*hdg[i];
sumdg += SQR(dg[i]);
sumxi += SQR(xi[i]);
}
if (fac > sqrt(EPS*sumdg*sumxi)) {
fac=1.0/fac;
fad=1.0/fae;
for (i=1;i<=n;i++) dg[i]=fac*xi[i]-fad*hdg[i];
for (i=1;i<=n;i++) {
for (j=i;j<=n;j++) {
hessin[i][j] += fac*xi[i]*xi[j]
-fad*hdg[i]*hdg[j]+fae*dg[i]*dg[j];
hessin[j][i]=hessin[i][j];
}
}
}
for (i=1;i<=n;i++) {
xi[i]=0.0;
for (j=1;j<=n;j++) xi[i] -= hessin[i][j]*g[j];
}
}
nrerror("Prea multe iteratii in bfgs");
FREEALL
}

5.8 Programarea liniar. Metoda Simplx.

n cazul general optimizarea utiliznd programarea liniar se poate exprima astfel

S se determine maximul funciei z ce depinde de N variabile independente,

) ... max(
0 2 02 1 01 N N
x a x a x a z + + + = (5.8.1)

cu restriciile banale:

0 ; ... ; 0 ; 0
2 1

N
x x x (5.8.2)

i restricii nebanale de tipul, I, II i III. Fie m
1
restricii de tipul I, m
2
restricii de
tipul II respectiv m
3
numrul de restricii de tipul III. Numrul de restricii va fi:


Capitolul 5.

180
M = m
1
+ m
2
+ m
3
.

Restriciile de tipul I sunt de forma:


N iN i i i
x a x a x a b + + + ...
2 2 1 1
(5.8.3)
unde:

1
,..., 1
0
m i
b
i
=



Restriciile de tipul II sunt de forma:


N jN j j j
x a x a x a b + + + ...
2 2 1 1
(5.8.4)
unde:

2
,..., 1
0
m j
b
j
=



Restriciile de tipul III sunt de forma:


N kN k k k
x a x a x a b + + + = ...
2 2 1 1
(5.8.5)
unde:

3
,..., 1
0
m k
b
k
=



Coeficienii restriciilor i ai funciei de optimizat pot avea orice valoare.


5.8.1. Terminologia specific metodei.

Un set de valori x
1
x
N
care satisface condiiile I, II i III este numit vector candidat iar
funcia ce se optimizeaz se numete de oboicei funcie scop sau funcie obiectiv.
Un vector candidat care maximizeaz funcia obiectiv se numete vector candidat
optimal. n ciuda faptului c se asigur optimul funciei, un astfel de vector nu este
optimul cutat atunci cnd:
a) restriciile conduc la un sistem incompatibil i nu avem un vector candidat viabil,
b) nu putem fi siguri ca am gsit un maxim deoarece exist variabile care pot lua
valori orict de mari fr s influeneze restriciile impuse i se obine o valoare
nemrginit a funciei obiectiv.

5.8.2. Importana metodei.

Metoda prezint avantaje deosebita n cazul aplicrii n practic deoarece:
- Toate mrimile pe care le putem introduce sub form de parametrii au valori
pozitive, de exemplu timpul de meninere peste 800
o
C, ntre 500
o
C i 800
o
C,
reziliena, temperatura de prenclzire, temperatura ntre treceri, preul de cost,
diametrul electrodului, densitatea curentului, etc, deci ec 5.8.2 este ndeplinit.

Capitolul 5.

181
- Se pot introduce un numr nelimitat de restricii liniare sau care pot fi liniarizate
astfel nct s se ating probleme diverse legate att de restriciile tehnologice
ct i de aspecte economice i se complecteaz astfel restriciile date de
ecuaiile 5.8.3-5.8.5.
- Faptul c funcia obiectiv este liniar nu este un inconvenient foarte mare
deoarece aceasta poate fi uor liniarizat pe subintervale i printr-o aplicare
repetat a algoritmului pe acestea se poate gsi optimul cutat.

Exemplul 8.1

S se rezolve problema de optimizare:


4 3 2 1
5 , 0 3 x x x x z Maxim + + = (5.8.6)

Cu restriciile nebanale:


) ( 9
) ( 5 , 0 2
0 7 2
) ( 740 2
4 3 2 1
4 3 2
4 2
3 1
III tip x x x x
II tip x x x
x x
I tip x x
= + + +
+

+
(5.8.7)

Se observ c N = 4 i m
1
= 2, m
2
= m
3
= 1 deci M = 2 + 1 + 1 = 4.



5.8.3. Consideraii de baz.

S considerm c avem posibilitatea s definim un numr mare de vectori candidai, ce
putem s facem n prima faz a procesului? Se verific dac aceste posibile soluii
ndeplinesc restriciile de tipul egalitilor i a inegalitilor. De fapt n acest moment
obinem domeniul de admisibilitate a soluiei. Spre exemplu, pentru cazul a dou
variabile se poate obine situaia din figura 5.8.1. n acest caz, fiind doar dou variabile,
domeniul n care se caut optimul este un plan i definirea acestuia devine mult mai
intuitiv deoarece toate restriciile nebanale ale problemei nu fac dect s limiteze
domeniul de admisibilitate la zone ale planului aflate peste sub sau pe dreapta descris
de restricie. Deci se mparte semiplanul aflat n primul cadran n zone admisibile i
inadmisibile. Avem astfel definit domeniul de admisibilitate al soluiei. n interiorul acestui
domeniu se gsete soluia problemei, dar cum o putem determina ?
Dac vom reprezenta funcia obiectiv, aceasta n cazul de fa va fi tot o dreapt.
Optimul valorii acesteia fiind ntr-unul dintre vrfurile domeniului. Ar fi eficient s se
determine punctele de intersecie ale dreptelor ce definesc domeniul de admisibilitate i
s se verifice valoarea funciei obiectiv n acestea pentru a se obine maximul cutat. Dar
dac pentru un numr restrns de parametrii aceast metod ar fi eficient, n cazul
general este eficient utilizarea unui punct din interiorul domeniului, trasarea funciei
obiectiv prin acest punct i verificarea interseciilor dintre aceasta i frontierele
domeniului. De fapt, n algoritmul implementat, se verific valoarea gradientului n acest
punct i urmeaz deplasarea pe direcia acestuia pn cnd se ntlnete o frontier a
acestuia. Dac s-a depit limita domeniului atunci se revine pn la intersecia cu unul

Capitolul 5.

182
din vrfurile acestuia sau se caut cel mai apropiat vrf. Acest punct are toate
coordonatele definite astfel nct s satisfac sistemul de restricii i asigur i maximul
unciei obiectiv.
Punctele care formeaz soluiile candidate i satisfac i restriciile n cazul n care
acestea sunt nlocuite cu egaliti sunt denumite vectorii candidai de baz. Dac N > M
atunci un vector candidat din baz are N M componente egale cu zero n conformitate
cu restricia 5.8.2. Altfel spus, cel puin M componente ale vectorilor candidai ai bazei
pot fi diferite de zero.
Se poate astfel exprima teorema fundamental a optimizrii liniare sub forma:

Dac exist un vectori candidai, atunci soluia optim se va gsi ntr-un vector
candidat al bazei.

Prima abordare a acestei metode a fost dat de Danzing n 1946
[5.8.2]
sub forma modului
de organizare a algoritmului de calcul. Astfel,
- se genereaz i se verific o mulime de combinaii ale variabilelor astfel nct
funcia obiectiv s ia valori cresctoare.
- Vectorul candidat optim se determin dup un numr de iteraii egal cu
maximul dintre N i M.

5.8.4. Metoda Simplex sub form canonic.

O problem de programare liniar se consider adus la forma normal dac toate
restriciile de form inegalitate sunt transformate n restricii de tip egalitate.
Rezolvarea problemei necesit ns aducerea acesteia sub o form mult mai restrictiv
prin impunerea unor condiii noi asupra ecuaiilor devenite acum egaliti. Astfel fiecare
ecuaie aflat sub forma (5.8.4) trebuie s aib cel puin o variabil al crui coeficient s
fie pozitiv i aceast variabil trebuie s aparin numai acestei ecuaii. Se ajunge astfel
la micorarea numrului de ecuaii ce conin restricii pentru a fi ndeplinit aceast
condiie. n acst mod se selecteaz un set de variabile mpreun cu ecuaiile de restricie
aferente. Ecuaiile astfel selectate vor fi utilizate pentru a exprima aceste necunoscute n
funcie de celelalte necunoscute. De fapt, restriciile au o form specific, n partea
dreapt apar variabilele selectate iar n partea stng expresia acestora n funcie de
celelalte variabile, ca n ecuaiile (5.8.9). S-a obinut astfel o separare a variabilelor n
variabile din partea stng a restriciei, numita i variabile din baz, i variabile din partea
dreapt a restriciei sau variabile care nu se gsesc n baz. Numrul de variabile din
stnga sunt n cazul general M ( dac exist restricii de tip egalitate acestea vor fi m
3
).
Restul de N - M variabile sunt deci variabile din dreapta. Acest fapt impune ca numrul
de variabile din baz s fie mai mic dect numrul total de variabile, N M . Se ajunge
astfel la forma canonic aproblemei. Aceast form nu este de loc restrictiv aa cum s-
ar prea la prima vedere deoarece pe parcursul rezolvrii problemei intr n setul de
restricii noi restricii cu noi variabile i ies alte restricii cu variabilele din stnga aferente.


Capitolul 5.

183

Figura 5.8.1. Domeniul de valabilitate a soluiilor posibile n cazul existenei restriciilor de tip
inegalitate i a restriciilor de tip egalitate pentru o problem de optimizare ce depinde de doi
parametrii.

Exemplul 8.2.

Sub forma normal o problem de programare liniar poate fi scris astfel:


3 2
4 2 x x z Maximul = (5.8.8)

unde x
1
,x
2
,x
3
,x
4
sunt pozitive i condiiile din setul de baz sunt:


3 2 4
3 2 1
4 3 8
6 2
x x x
x x x
+ =
+ =
(5.8.9)

Astfel n setul de baz avem M = 2 restricii i N = 4 variabile necunoscute, dintre
care x
1
i x
4
sunt variabile din partea stng iar x
2
i x
3
sunt n partea dreapt.
Se observ c funcia obiectiv a fost scris astfel nct s depind doar de
variabilele din partea dreapt. Acest lucru se obine prin nlocuirea variabilelor din
partea stng cu expresia acestora din restriciile din baz.

Problema fiind liniar, reducerea la forma canonic se face cu relativ uurin mai ales
c nu este obligatoriu s se porneasc de la un set de variabile i restricii ct mai
apropiat de soluia optim. Valorile xariabilelor din partea dreapt se obin de regul prin

Capitolul 5.

184
nlocuirea cu zero a variabilelor din partea stng n ecuaiile restriciilor care intr n
baz (5.8.9). Astfel, pentru cazul considerat x
1
= 2 i x
4
= 8.
Modul de lucru n programarea numeric const n modificrile pe care le sufer vectorul
variabilelor din stnga (variabilele din baz) prin nlocuirea variabilelor din acesta cu
variabille aflate n partea dreapt cu scopul de a se obine n permanen o cretere a
valorii funciei obiectiv i a se pstra totui forma canonic a problemei.
Modul de operare a algoritmului este mai simplu de urmrit dac se utilizeaz o form
tabelar de lucru, form care este asemntoare cu modul de lucru al algoritmului.
Astfel, dac se pun variabilele din partea stng pe rnduri i cele din partea dreapt pe
coloane se obine tabelul 5.8.1. Se uureaz astfel verificarea intrrilor i prsirrilor
vectorului variabilelor din baz ca i ecuaiile care formeaz problema canonic.

Tabelul 5.8.1
x
2
x
3
Variabile dreapta
Funcia obiectiv z 0 2 -4
Variabile din baz x
1
2 -6 1
(stnga) x
4
8 3 -4

Primul pas n algoritmul Simplex const n verificarea rndului funciei obiectiv, rndul
notat cu z n tabelul 5.8.1.



Pasul 1.
Se caut n coloanele ce corespund variabilelor din dreapta coeficientul cu
valoarea pozitiv cea mai mare, deci max{2,-4} 2 ceea ce reprezint faptul c
influena maxim asupra creterii valorii funciei z o are variabila x
2
.
Dac toate valorile sunt negative atunci nici o variabil din partea dreapt nu mai
poate produce o cretera a funciei obiectiv i s-a obinut valoarea maxim a
funciei obiectiv.
Pasul 2.
Se caut n coloanele ce reprezint coeficienii variabilelor din dreapta n ecuaiile
restriciilor (5.8.9) pentru a vedea ct de mult poate crete variabila x
2
pentru a
aduce una din variabilele din stnga la valori negative. Se caut de fapt cea mai
mic valoare negativ a coeficienilor ce nmulesc variabila aleas la pasul 1 n
ecuaiile restriciilor, n cazul de fa, min{-6,3} -6, dar acesta este coeficientul
din restricia variabilei de baz x
1
.
Dac toi coeficienii cutai sunt pozitivi atunci se ncheie procesul de calcul i se
afiaz soluia.
Pasul 3.
Se introduce n baz variabila x
2
i se extrage din baz variabila x
1
.
Pentru a face aceasta trebuie reactualizat forma canonic a problemei.
Deci, se exprim restricia n funcie de x
2
(noua variabil ce intr n baz).


3 1 2 3 2 1
6
1
6
1
6
2
6 2 x x x x x x + = + = (5.8.10)


Capitolul 5.

185
Se actualizeaz funcia obiectiv i celelalte restricii prin nlocuirea variabilei x
2
cu
expresia ei n funcie de x
1
i x
3
,


3
1
3
3 1
3 2
3
11
3 3
2
4
6 6 3
1
2 4 2 x
x
x
x x
x x z = |

\
|
+ = = (5.8.11)

3
1
4 3 2 4
2
7
2
9 4 3 8 x
x
x x x x = + = (5.8.12)

Se reactualizeaz tabelul 5.8.1 cu noile variabile din stnga i noii coeficieni.


Tabelul 5.8.2

x
1
x
3

Variabile dreapta
Funcia obiectiv z 2/3 -1/3 -11/3
Variabile din baz x
2
1/3 -1/6 1/6
(stnga) x
4
9 -1/2 -7/2

Pasul 4.
Const n reluarea pasului 1 i cutarea unor noi creteri a funciei obiectiv.
Cum n cazul de fa, pe rndul funciei obiectiv toi coeficienii variabilelor din
dreapta sunt negativi, se poate afia soluia:


9
) ( 0
3
1
) ( 0
max
3
2
4
3
2
1
=
=
=
=
=
x
dreapta din x
x
dreapta din x
z
(5.8.13)

Dac se definete pivotul ca fiind coeficientul variabilei care intr n baz atunci se poate
defini algoritmul de rezolvarea a problemei mult mai simplu:

Se gsete elementul care intr n baz i se memoreaz poziia acestuia
Se memoreaz ntr-o variabil separat ntreaga coloan ce aparine pivotului
Se nlocuiesc rndurile sistemului cu excepia celui pe care se gsete pivotul cu
o combinaie liniar de aa manier nct coloana pivotului s devin nul.
Se mparte rndul pivotului la valoarea pivotului i se nmulete totul cu -1.
Se nlocuiete elementul pivot prin urmtoarea valoare din coloana acestuia.
Se actualizeaz coloana pivotului prin mprirea acesteia la valoarea pivotului.

Utilizarea acestui algoritm permite rezolvarea problemelor de programare liniar date sub
form canonic (redus sau normal). Singurul caz care nu poate fi rezolvat este cel
care conduce la valori zero att pentru variabilele din stnga ct i pentru cele din
dreapta, caz despre care se spune c conduce la vectori degenerai ai bazei.


Capitolul 5.

186
5.8.6. Aducerea problemei generale la forma canonic.

Procesul de rezolvare a problemelor de programare liniar se bazeaz pe transformarea
formei generale a problemei ntr-o form canonic care poate fi rezolvat mault mai uor
prin utilizarea metodelor numerice.
n principiu, acest proces se bazeaz pe urmtoarele etape:
Aducerea inecuaiilor la ecuaii prin adugarea unor variabile de ajustare, notate
mai departe cu y. Aceste variabile sunt n numr egal cu cel al restriciilor de tip I i II,
deci m
1
+ m
2
. Semnul acestora depinznd de tipul inecuaie. Ca indicaie, restriciile
trebuie puse sub forma din exemplul 8.1. innd seama de restricia de pozitivitate pe
care i aceste variabile trebuie s o ndeplineasc, rezult c n cazul n care partea din
stnga este mai mic dect partea din dreapta acestea se vor aduna iar n caz contrar se
vor scdea. Pentru exemplul 5.8.1 restriciile devin:


9 1 1 1 1
5 , 0 2 1 1 0
0 7 0 2 0
740 0 2 0 1
4 3 2 1
3 4 3 2 1
2 4 3 2 1
1 4 3 2 1
= + + +
= + +
= + + +
= + + + +
x x x x
y x x x x
y x x x x
y x x x x
(5.8.14)

Aducerea sistemului ecuaiilor restriciilor la forma necesar rezolvrii se face prin
utilizarea unui set de M variabile adiionare, z. Aceste variabile sunt introduse pentru a se
uura procesul rezolvrii ct i programarea numeric. Prin trecerea n partea dreapt a
variabilelor deja existente, rezult:


4 3 2 1 4
3 4 3 2 3
2 4 2 2
1 3 1 1
9
2 5 , 0
7 2
2 740
x x x x z
y x x x z
y x x z
y x x z
=
+ + =
+ =
=
(5.8.15)

S-a ajuns la forma cutat, cu preul introducerii unui numr mult mai mare de variabile.
Cu toate aceastea, prin artificiile efectuate, valoarea acestor variabile nu influeneaz
rezultatul problemei i mai mult toate variabilele adiionale sunt nule.

Se utilizeaz n continuare funcia obiectiv, dar se recurge la un proces mai puin
utilizat deoarece trebuiesc introduse i variabilelor notate cu y i z.
ntr-o prim faz se scrie o nou funcie obiectiv, format prin suma variabilelor auxiliare.
Aceste variabile sunt nule iar suma lor va fi nul i ea, dar ne permite s facem legtura
dintre variabilele introduse pentru a transforma inecuaiile n ecuaii i cele adiionale i
variabilele problemei reale. Aceast nou funcie obiectiv o vom numi funcie obiectiv
auxiliar i deoarece este forat prin nsumarea variabilelor adiionale se va nota cu z.
Pentru exemplul 5.8.2 aceast funcie are forma:

)
2
1
749 ( 4 2 4 2
3 2 1 4 3 2 1 4 3 2 1
'
+ + + + + = = y y y x x x x z z z z z (5.8.16)

n continuare se rezolv problema de programare liniar canonic, format din
maximizarea funciei z mpreun cu sistemul de restricii (5.8.15) n scopul obinerii unui

Capitolul 5.

187
set de variabile de baz (din stnga) care s fie format din variabilele x
i
i y
i
i toate
variabilele z
i
s fie n partea dreapt. Se obine astfel setul de ecuaii de restricie sub
form normal pentru al doilea stadiu de rezolvare a problemei i se elimin variabilele z
i

din problem ceea ce conduce la obinerea unui set de variabile din stnga viabil. Scopul
acestei prime faze de rezolvare a problemei const de fapt n obinerea setului de
variabile din baz doar funcie de variabilele x
i
i y
i
. Dac nu se poate obine un set de
variabile din baz, deci dac nu toate variabilele z
i
pot fi mutate n partea dreapt atunci
problema nu admite soluie i procesul de optimizare se ncheie. De regul se analizeaz
n acest caz restricia sau restriciile a crei sau a cror variabile artificiale (z
i
) nu au putut
fi eliminate din baz, se redefinesc aceste restricii i se ncearc din nou rezolvarea
problemei.
n ce-a de-a doua faz a optimizrii se utilizeaz setul de variabile din stnga obinut n
prima faz mpreun cu funcia obiectiv original pentru a se obine maximul dorit ca i
valorile parametrilor x
i
care conduc la acesta.
Programul destinat rezolvrii acestor probleme folosete alocarea variabilelor sub o
form ct mai eficient, astfel aceeai alocare de variabile este valabil pentru ambele
faze ale rezolvrii. Forma general a acestuia este dat n tabelul 5.8.3.

Tabelul 5.8.3. Forma canonic pentru prima faz a problemei.
x
1
x
2
x
3
x
4
y
1
y
2
y
3

z 0 1 1 3 -0,5 0 0 0
z
1
740 -1 0 -2 0 -1 0 0
z
2
0 0 -2 0 7 0 -1 0
z
3
0,5 0 -1 1 -2 0 0 1
z
4
9 -1 -1 -1 -1 0 0 0
z -749,5 2 4 2 -4 1 1 -1

Aceast aranjare a datelor este intuitiv, n zona coloanelor x
i
i a liniilor z i z
i
apar
coeficienii din problema pus sub form iniial, ceea ce este uor de programat. Suma
pe coloane a acestor coeficieni (cu semnul schimbat) apare n rndul corespunztor
funciei auxiliare de optimizare, z. Semnul variabilelor y
i
depinde de semnul inecuaieie
iar valoarea acestora este unitar.
Modul de ieire dintr-o rutin simplex poate fi:

(i) o variabil boolean care conine informaia referitoare la tipul de soluie
determinat. Soluie valid, soluie imposibil sau soluie infinit.
(ii) o variabil de tip matrice ( tablou) care conine soluia. Pentru problema
prezentat n exemplul 5.8.1. aceasta este.

Tabelul 5.8.4. Modul de salvare a datelor soluiei.
x
1
y
2
y
3
- - - -
z 17,03 -0,95 -0,05 -1,05 - - - -
x
2
3,33 -0,35 -0,15 0,35 - - - -
x
3
4,73 -0,55 0,05 -0,45 - - - -
x
4
0,95 -0,1 0,1 0,1 - - - -
y
1
730,55 0,1 -0,1 0,9 - - - -

Informaiile utile sunt cuprinse ntr-o zon mult mai redus a tabelului general, doar N +1-
m
3
coloane i M + 1 rnduri. Variabilele se afl n prima coloan i valorile acestora n

Capitolul 5.

188
cea de-a doua coloan. Dup cum se observ n vectorul soluiei apare i variabila y
1
,
valoarea acesteia corespunznd limitei peste care restricia ce corespunde acesteia nu
mai este ndeplinit. Variabilele care nu se gsesc n vectorul soluiei (nu sunt n partea
stng, sau nu se gsesc n vectorul bazei) vor lua valoarea zero. De asemenea
variabilele y
i
care au valoarea zero indic faptul c restricia care corespunde acestei
variabile n urma nlocuirii soluiei devine egalitate.
Soluia problemei din exemplul 5.8.2, cu aceste observaii, va fii:


95 , 0
73 , 4
33 , 3
0
4
3
2
1
=
=
=
=
x
x
x
x
(5.8.17)

5.8.6. Observaii asupra implementrii metodei.

S-a urmrit implementarea dat de Kuenzi, .a
[5.8.4]
. Dup ce s-au definit mrimile,
N,M,m
1
,m
2
,m
3
se dimensioneaz matricea a[M+2][N+1] care conine coeficienii funciei
obiectiv pe primul rnd urmate de coeficienii restriciilor de tipul I, II i III aa cum se
indic n tabelul 5.8.3. Aceste intrri ocup M + 1 rnduri i N + 1 coloane din a[1m +
1][1n + 1]. Pe rndul M + 2 se gsete funcia obiectiv adiional, z. Este foarte
important ca restriciile s fie scrise n funcie de tipul acestora, restricii de tipul I, urmate
de restriciile de tipul II i la final se trec restriciile de tipul egalitate III.
Se utilizeaz doi vectori pentru indeci:
iposv[j = 1..M] care conine iniial indecii variabilelor principale i la finalul
rulrii indecii variabilelor din stnga (soluia). Dac valoarea acestui indice este
mai mare dect N, atunci referirea se face la o variabil y
i
i valoarea acesteia nu
va fi cuprins n soluie.

izrov[j = 1..N] care conine indecii variabileor care se gsesc n dreapta deci
nu sunt n soluie. Dac valoarea acestora I = izrov[j] <= N atunci valoarea
variabilei x[i] va fi nul deoarece aceasta se gsete n partea dreapt. Dac N < I
= izrov[j] < N+m
1
+m
2
atunci se indexeaz variabilele y
i
i dac
i=izrov[j]>N+m
1
+m
2
atunci se face adresarea variabilelor z
i
, care sunt privite ca
variabile interne programului i n procesul de afiare a rezultatelor se anuleaz.

icase variabil ntreag de control cu scopul de a monitoriza tipul problemei i
compatibilitatea soluiei determinate. Valorile acestui control sunt:
0 dac exist o soluie valabil care s ndeplineasc att sistemul de
restricii ct i maximul funciei obiectiv.
-1 dac sistemul de restricii este ndeplinit dar funcia obiectiv este
nemrginit.
+1 dac nici o soluie nu poate ndeplini condiiile impuse de sistemul de
restricii.
n continuare sunt listate funciile C care dezvoltate pentru a rezolva probleme de
programare liniar.

5.8.7. Funcii C destinate rezolvrii problemelor de programare liniar cu metoda
simplex.

Capitolul 5.

189

#include <math.h>
#include "util.h"
#define EPS 1.0e-6 // EPS este precizia absoluta valabila pentru
precizie float.
#define FREEALL free_ivector(l3,1,m);free_ivector(l1,1,n+1);
void simplx(float **a, int m, int n, int m1, int m2, int m3, int *icase,int
izrov[], int iposv[])
{
/*
SCOP
Metoda Simplex pentru programare liniara.
INTRARI:
a, m, n, mp, np, m1, m2, m3
REZULTATE
icase
izrov
iposv
FUNCTII APELATE
simp1
simp2
simp3

*/
void simp1(float **a, int mm, int ll[], int nll, int iabf, int *kp, float
*bmax);
void simp2(float **a, int m, int n, int *ip, int kp);
void simp3(float **a, int i1, int k1, int ip, int kp);
int i,ip,is,k,kh,kp,nl1;
int *l1,*l3;
float q1,bmax;
if (m != (m1+m2+m3)) nrerror("Numarul de restrictii este gresit in
<<simplex>>");
l1=ivector(1,n+1);
l3=ivector(1,m);
nl1=n;
for (k=1;k<=n;k++) l1[k]=izrov[k]=k;

// Initializeaza lista indecsilor coloanelor admisibile pentru schimb
// si aducerea variabilelor la starea initiala.

// Se verifica pozitivitatea restrictiilor. Daca sunt in primul cadran.
for (i=1;i<=m;i++) {
if (a[i+1][1] < 0.0) nrerror("Intrarile nu sunt in primul cadran in
<<simplx>>");

// Constantele bi trebuie sa fie pozitive.
iposv[i]=n+i;
// Initializeaza variabilele din partea stinga fara variabile artificiale
//m1//
// m2 cu variabilele de completare la egalitate cu semn minus
// m3 cu variabilele arificiale
}

if (m2+m3) { //Originea nu apartine domeniului de valabilitate a //
// problemei, FAZA 1
for (i=1;i<=m2;i++) l3[i]=1; //Initializeaza lista de restrictii
pentru m2 si adauga variabilele artificiale
for (k=1;k<=(n+1);k++) { // Calculeaza functia obiectiv
auxiliara.

Capitolul 5.

190
q1=0.0;
for (i=m1+1;i<=m;i++) q1 += a[i+1][k];
a[m+2][k] = -q1;
}

for (;;) {
// Determina coficientii maximi ai functiei auxiliare fn.
simp1(a,m+1,l1,nl1,0,&kp,&bmax);
if (bmax <= EPS && a[m+2][1] < -EPS) {
*icase = -1;

// Functia obiectiv auxiliara este negativa si nu poate fi valabila, deci nu
avem solutii candidate.

FREEALL return;
} else if (bmax <= EPS && a[m+2][1] <= EPS) {

/* Functia obiectiv auxiliara este nula si nu poate fi marita.
Exista solutie de pornire candidata.
Sterge variabilele artificiale ce corespund restrictiilor egalitate prin
goto one
si mutarea la pasul doi.

*/
for (ip=m1+m2+1;ip<=m;ip++) {
if (iposv[ip] == (ip+n)) {
// S-a gasit o variabila artificiala pentru o restrictie egalitate.
simp1(a,ip,l1,nl1,1,&kp,&bmax);
if (bmax > EPS)

//Exchange with column corresponding to maximum ivot element
// Schimba cu coloana corespunzatoare la valoarea maxima din rindul pivot-ului.

goto one;
}
}

// Schimba semnul rindurilor pentru restrictiile care ramin in baza initiala.
for (i=m1+1;i<=m1+m2;i++)
if (l3[i-m1] == 1)
for (k=1;k<=n+1;k++)
a[i+1][k] = -a[i+1][k];
break;
// Go to catre two.
}

// Sa gasit un element pivot (faza unu )

simp2(a,m,n,&ip,kp);

//Maximul functiei obiectiv auxiliare nu are limita. Solutia de baza nu
//exista.

if (ip == 0) {
*icase = -1;
FREEALL return;
}

one: simp3(a,m+1,n,ip,kp);


Capitolul 5.

191
// Schimba variabilele din partea stinga si partea dreapta (faza unu),
// apoi ref lista cu date.
// Schimbarea unei variabile artificiale pentru restrictiile III.
// Verifica daca aceasta nu intra in lista l1

if (iposv[ip] >= (n+m1+m2+1)) {
for (k=1;k<=nl1;k++)
if (l1[k] == kp) break;
--nl1;
for (is=k;is<=nl1;is++) l1[is]=l1[is+1];
} else {
kh=iposv[ip]-m1-n;

// Schimba o variabila tip II pentru prima data
// Corecteaza coloana pivotului si pune semnul minus si la variabilele
// artificiale.

if (kh >= 1 && l3[kh]) {
l3[kh]=0;
++a[m+2][kp+1];
for (i=1;i<=m+2;i++)
a[i][kp+1] = -a[i][kp+1];
}
}

// Actualizeaza listele variabilelor din partea stinga si dreapta

is=izrov[kp];
izrov[kp]=iposv[ip];
iposv[ip]=is;

} // Ramii in prima parte si continua ciclul for(;;).
}

// Sfirsitul primei faze (determinarea unei solutii initiale valide
// Urmeaza faza de optimizare a acesteia.

for (;;) {

//Testeaza datele din rindul in care este functia liniara ce se optimizeaza //
z.
simp1(a,0,l1,nl1,0,&kp,&bmax);
// Verifica solutia. Daca da trimite pointer zero si sterge alocarea memoriei.

if (bmax <= EPS) {
*icase=0;
FREEALL return;
}

// Gaseste pozitia elementului pivot (FAZA DOI)
simp2(a,m,n,&ip,kp);
// Functia obiectiv este nemarginita. Atribuie lui icase valoarea 1 si sterge
alocarea
if (ip == 0) {
*icase=1;
FREEALL return;
}
// Schimba intere ele variabilele din partea stinga si dreapta (tot in faza doi)

simp3(a,m,n,ip,kp);

Capitolul 5.

192
is=izrov[kp];
izrov[kp]=iposv[ip];
iposv[ip]=is;
}
// Se incepe o noua iteratie.

}

Funcia Simple1.

// SIMPL1

void simp1(float **a, int mm, int ll[], int nll, int iabf, int *kp,float *bmax)
{
/*
Gaseste valoarea maxima a elementelor care au indexul in lista l1
indiferent daca au valoarea absoluta insemnata cu iabf.
*/
int k;
float test;
// Nici o coloana eligibila.
if (nll <= 0)
*bmax=0.0;
else {
*kp=ll[1];
*bmax=a[mm+1][*kp+1];

for (k=2;k<=nll;k++) {
if (iabf == 0)
test=a[mm+1][ll[k]+1]-(*bmax);
else
test=fabs(a[mm+1][ll[k]+1])-fabs(*bmax);
if (test > 0.0) {
*bmax=a[mm+1][ll[k]+1];
*kp=ll[k];
}
}
}
}


Funcia Simp2

// SIMP2

void simp2(float **a, int m, int n, int *ip, int kp)
{

// Gaseste un element pivot tinind cont de degenerare.

int k,i;
float qp,q0,q,q1;
*ip=0;
for (i=1;i<=m;i++)
if (a[i+1][kp+1] < -EPS) break; // Nici un pivot posibil?
if (i>m) return;
q1 = -a[i+1][1]/a[i+1][kp+1];
*ip=i;
for (i=*ip+1;i<=m;i++) {

Capitolul 5.

193
if (a[i+1][kp+1] < -EPS) {
q = -a[i+1][1]/a[i+1][kp+1];
if (q < q1) {
*ip=i;
q1=q;
} else if (q == q1) { // Am gasit o degenerare.
for (k=1;k<=n;k++) {
qp = -a[*ip+1][k+1]/a[*ip+1][kp+1];
q0 = -a[i+1][k+1]/a[i+1][kp+1];
if (q0 != qp) break;
}
if (q0 < qp) *ip=i;
}
}
}
}




Funcia Simp3


// SIMP3

void simp3(float **a, int i1, int k1, int ip, int kp)
{

// Operatia de modificare a variabilelor din partea stinga in partea //dreapta.
int kk,ii;
float piv;
piv=1.0/a[ip+1][kp+1];
for (ii=1;ii<=i1+1;ii++)
if (ii-1 != ip) {
a[ii][kp+1] *= piv;
for (kk=1;kk<=k1+1;kk++)
if (kk-1 != kp)
a[ii][kk] -= a[ip+1][kk]*a[ii][kp+1];
}
for (kk=1;kk<=k1+1;kk++)
if (kk-1 != kp) a[ip+1][kk] *= -piv;
a[ip+1][kp+1]=piv;
}



Capitolul 4.
197

Bibliografie.

1. Acton, F.S. Numerical Methods That Work, corrected edition Washington:
Mathematical Association of America,1990.
2. Bellman, R.E.,
Dreyfus, S.E.,
Programarea dinamic aplicat. Bucureti. Ed. Tehnic 1967.
3. Brent, R.P. Algorithms for Minimization without Derivatives, Englewood Cliffs,
NJ: Prentice-Hall,1973.
4. Box, G., Draper,
N.
Operare evolutiv. Metod statistic pentru mbuntirea
performanelor instalaiilor. Bucureti. Ed. Tehnic 1975.
5. Box, G., Wilson,
K. B.
Journal Royal Stat Soc. Seria B, 13, 1.
6. Box, G. The exploitation and Exploitation of Response Surfaces: Some
General Consideration and Examples. Biometrics J. 10.
7. Claringbold, P.J. Use of simplex design in the study of Joint Action of Related
Mones. Biometrics J., 11,2, 174.
8. Cochran, W. G.,
Cox, G. M.
Experimental Design. 2 nd ed. Wiley, New York, 1957.
9. Craiu, V. Verificarea ipotezelor statistice. Bucureti, Ed. D.P. 1972.
10. Dancea, I. Metode de optimizare. Algoritmi-programe. Cluj-Napoca. Ed.
Dacia, 1976.
11. Dragomirescu,
M., Malia, M.
Programarea neliniar. Bucureti, Ed. Stiinific, 1972.
12. Dani, E. Elemente de programare liniar. Bucureti, Ed. D.P. 1971.
13. Draper, N.R.,
Smith, H.
Applied regression Analysis. New York, Wiley 1966.
14. Gluck, A. Metode matematice n industria chimic. Metode de optimizare.
Bucureti, Ed. Tehnic, 1971.
15. Gorman, J. W.,
Hinman, J. E.
Simplex lattice design for Multicomponent Systems,
Technometrics, 4, 1, 436.
16. Forsythe, G.E.,
Malcolm, M.A., and
Moler, C.B.
Computer Methods for Mathematical Computations ,Englewood
Cliffs, NJ, Prentice-Hall,1977.

17. Hinnelblau, D. Nonlinear Programming Practice. Moscva, Ed. Mir 1975.
18. Johnson, N.,
Leone, F.
The Statistics Experiments Planning, Moscow, Ed. Mir, 1981.
19. Johnson, N.,
Leone, F.,
The Statistics Experiments, Moskow, Ed. Mir, 1980.
20. Kafarov, V., Fundamentals of Mass Transfer Gas-Liquid, Vapour-Liquid and
Liquid-Liquid Systems. Moscow, Ed. Mir Publichers, 1975.
21. Kempthorne, V.
V.
The Design and Analysis of Experiments, New York, John Wiley,
1973.
22. Kenworthy, o. Factorial Experiments with Mixtures Using Ratios, Industrial
Quality Control Journal, 19, 12, 24.
23. Krasnov, M. L.,
Macarenco, G. I.,
Kiselev, A. I.

Problems and Exercises in the Calculus of Variations. Moscow,
Ed. Mir Publishers, 1975.

Capitolul 4.
198
24. Lavrov, S. S. Primenenie barientriceskih coordinat dlia reenia necolorith
vicislitelnih zadaci. J. V. M-M F. 4,5,905.
25. Leoveanu I. S.,
Iovna, R.
Establishes of the Equivalent Longitudinal Forces produced by
the welded joints and use them to the determination of the
residual strains of the welded girders. Welding & Joining 2000
Conference, Tel Aviv. Pag. 170-179
26. Leoveanu I. S.,
Iovna, R.
The optimization model from the design and technology of the
welded beam structures, in condition of maximum energy
absorbed. Welding & Joining 2000 Conference, Tel Aviv,
pag.180-191.
27. Leoveanu, I. S., Aplicarea modelului statistic destinat determinrii parametrilor de
sudare n funcie de caracteristicile geometrice ale mbinrii
sudate. Revista AGIR 1997, nr. 4.oct.-dec. Pag. 18-22.
28. Leoveanu, I. S. Algoritm destinat determinrii variabilelor de control ale
procesului de sudare i ale echipamentului. Revista AGIR 1997,
nr. 4.oct.-dec. Pag. 22-26
29. Leoveanu, I. S.,
Zgur Gh.,
Establishing The Welding Parameters Process from The
Conditions of Geometrical Weld Parameters. 8
th
International
Symposium, Prague, Measurement and Control Robotics,
Proceeding, ISMCR98 Praha. Pag. 443-450.
30. Leoveanu, I. S.,
Zgur Gh.,
Algorithm for Establising The Welding Control Variables from The
Welding Process Equipment. 8
th
International Symposium,
Prague, Measurement and Control Robotics, Proceeding,
ISMCR98 Praha. Pag. 451- 455.
31. Leoveanu, I. S.,
Ven, St., Luescu M.
Optimizarea dimensiunilor mecanismelor de direcie ale punilor
motoare prin prisma mririi unghiului de virare corect. Conf.
Naional Tractorul 1988. Pag. 85-96.
32. Leoveanu, I. S.,
Zgur Gh.
Optimization method of the order of pilling up the welds regarding
the decrease of deformation and residual strains of welded
structure. Noutati in domeniul tehnologiilor si utilajelor pentru
prelucrarea la cald a metalelor, Tehnologii de sudare,
1993,Brasov, N.T.U.P.C.,nr VII . Pag 276-282.
33. Leoveanu, I. S.,
Ven, St.
Considerations sur loptimisation des parameters de
lequipements dun bulldozer et du systeme de roulage des
bulldozers a chenilles. CONAT88.Braov. Pag 21-27.
34. Leoveanu, I. S.,
Ven, St.
Optimizarea dimensiunilor lamelor de buldozer prin prisma
costului minim al unitii de pmnt dislocuit. Revista tiin i
tehnic nr. 10. din 1987
35. Malia, M.,
Zidroiu, C.
Matematica organizrii. Bucureti, Ed. Tehnic, 971.
36. Maruciac, I. Metode de rezolvare a problemelor de programare neliniar, Cluj-
Napoca, Ed. Dacia, 1973.
37. Meyers, R. H. Response Surface Methodology, Boston, Allyn & Bacon, 1971.
38. Mihail, H. Introducere n strategia experimentrii cu aplicatii n tehnologia
chimic, Bucureti, Ed. tiinific i enciclopedic, 1976.

39. Montgomery, D.
C.


Experimental planning and analyze, Leningrad, Sudostoenie,
1980.

Capitolul 4.
199
40. Miyamoto, T.,
Hayashi, A.,
Harada, A., Sasaki,
S., Akagawa, H.,
and Tsujimura, K.
A Computational Investigation of Premixed Lean Diesel
Combustion, SAE paper 1999-01-0229, 1999.
41. Nagamori, M.,
Mackely, P. J.
Metallurgical Tranzactions B, Vol. 9, 597.
42. Nether, J.,
Wasserman, W.
Applied Linear Statistical Models, Homewood, Irwin, 1974.
43. Oprea, Fl.,
Taloi, D.,
Constantin, I.,
Roman, R.
Teoria proceselor metalurgice, Bucureti, Ed. D.P. 1978.
44. Ortega, J.,
Rheinboldt, W.
Iterative Solution of Nonlinear Equations in Several Variables,
New York: Academic Press, 1970.

45. Ostrowski, A.M. Solutions of Equations and Systems of Equations, 2nd ed. ,New
York, Academic Press,1966.

46. Peters G., and
Wilkinson, J.H.
Journal of the Institute of Mathematics and its Applications, vol. 8.
1971

47. Polak, E. Computational Methods in Optimization,New York, Academic
Press,1971.
48. Peitgen, H.-O.,
and Saupe, D.
The Science of Fractal Images, New York, Springer-Verlag, 1988.
49. Ralston, A.,
Rabinowitz, P.
A First Course in Numerical Analysis, 2nd ed. New York,
McGraw-Hill,1978.

50. Radaj, D., Temperature Field, Residual Stress, Distorsion, New York,
Springer-Verlag, 1992
51. Rubert, H. PC-Programm zur Nutzung der europischen Norm EN 287,
Schweitechnische Software, 1993,pag. 39-43.
52. Slgean, T. Fenomene fizice i metalurgice la sudarea oelurilor cu arcul
electric , Bucureti, Ed. Academiei,1963
53. Slgean, T. Statistic n sudur, Ed. ODPT 3, 1973
54. Slgean, T. Optimizarea sudrii cu arcul electric, Bucureti, Ed. Tehnic
1988.
55. Salvadori, M.G.,
Baron, M.L.
Metode numerice n tehnic, Bucureti, Ed. Tehnic, 1972
56. Scharm, A.,
Hakerkamp R.,
Wesling V.,
ICE Integrated Computerized Engineering, Schweitechnische
Software, 1993, pag. 50-55
57. Stoer, J., and
Bulirsch, R
Introduction to Numerical Analysis, New York, Springer-
Verlag,1980.
58. Schuster, J. WinWeld fr Windows, Auswahlprogram fr Stabelektroden.
Schweitechnische Software, 1993, pag. 187- 192.
59. Schferdieck, B. Die Werkstoff-Datenbank FEZEN, Schweitechnische Software,
1993, pag. 10-14.
60. Stuart, R.D. Introducere n analiza Fourier, Bucureti, Ed. Tehnic, 1971

Capitolul 4.
200
61. Sima, V., Varga
A.
Practica optimizrii asistat de calculator, Bucureti, Ed. Tehnic,
1986
62. Scharm, A.,
Hakerkamp, R.,
Wesling, V.,
ICE Integrated Computerized Engineering, Schweitechnische
Software, 1993, pag. 50-55.

63. Saad, M.,
Turcke, D.
A preprocesing technique for improved mesh generation, Finit
Element Methods in the Commercial Environment. Ed. J.
Robinson 1979
64. Taloi, D. Optimizarea proceselor tehnologice, Bucureti, Ed. Academiei,
1987.
65. Tsuruta, A.
Zenri, H.,
Matsushima, F.
A new optimization methodology to the determination of welding
conditions, Doc. I.I.S., 962, 76.
66. Vallini, A. Joints Soudes. Ed. DOUNOD 1968
67. Wilde, D. Optimum seeking methods, New York, Mc. Graw Hell,1964.
68. Whitney, D.E., State of the art in Japanese CAD methodologies for mechanical
products, Charles Stark Draper Laboratory, Inc.;CSDL-P-
3126,Cambridge,MA 02139, 1991.
69. Zienkiewicz,
O.C., Pande, G.N.
Time-dependent multilaminate model of rocks. Journ, for Num.
and Anal. Meth. Vol. 1.,No.3. (1977)
70. Zienkiewicz,
O.C.
La mthode des lments finis. Paris, Mc. Graw Hill, 1979.
71. Zgur, Gh. Sudarea prin topire, Bucureti, Ed. D.P. 1983.
*** IMSL Math/Library Users Manual (IMSL Inc., 2500 CityWest
Boulevard, Houston TX 77042).