Государственный комитет Российской Федерации по рыболовству

Камчатский государственный технический университет

Кафедра радиооборудования судов

ОСНОВЫ НАУЧНЫХ ИССЛЕДОВАНИЙ

ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ
ТЕХНИЧЕСКИХ УСТРОЙСТВ

Рекомендовано советом учебно-методического объединения вузов

Российской Федерации по образованию в области эксплуатации авиационной
и космической техники в качестве учебного пособия для студентов
специальности 201300 «Техническая эксплуатация
транспортного радиооборудования»

Петропавловск-Камчатский
2003
УДК 621.396.61(075)
ББК 72.4(2)
Б19

Рецензенты:
А.А. Дуров,
кандидат технических наук, доцент,
заведующий кафедрой радиооборудования судов КамчатГТУ

М.И. Водинчар,
кандидат физико-математических наук, доцент,
заведующий кафедрой высшей математики КГПУ

Бакеев Д.А., Ильина И.В., Ильин И.А.

Б19 Основы научных исследований. Экспериментальное исследование

технических устройств: Учебное пособие для студентов специальности
201300 «Техническая эксплуатация транспортного радиооборудования». –
Петропавловск-Камчатский: КамчатГТУ, 2003. – 94 с.

ISBN 5–328–00042–0

Учебное пособие составлено в соответствии с требованиями к обязательному ми-

нимуму содержания основной образовательной программы подготовки специалиста
по специальности 201300 «Техническая эксплуатация транспортного радиооборудова-
ния» государственного образовательного стандарта высшего профессионального
образования.
На примере транзисторного автогенератора гармонических колебаний последова-
тельно изложены теория организации и проведения эксперимента, основные этапы экс-
периментальных исследований, построения имитационных математических моделей,
статистической обработки результатов, а также методы математического обоснования
этих исследований.
Книга предназначена для студентов технических университетов и радиотехниче-
ских вузов по дисциплине «Основы научных исследований».

УДК 621.396.61(075)
ББК 72.4(2)

ISBN 5–328–00042–0 © КамчатГТУ, 2003

© Авторы, 2003
2
 Содержание

Введение ......................................................................................................... 5
1. Задачи экспериментального исследования
автогенератора гармонических колебаний ............................................. 6
1.1. Основные концепции планирования
экспериментальных исследований ................................................... 6
1.2. Основные этапы проведения
экспериментальных исследований ................................................... 10
1.3. Математическая модель автогенератора
на основе дифференциальных уравнений,
описывающих переходный процесс в контуре ............................... 11
1.4. Задачи экспериментального исследования
автогенератора гармонических колебаний ...................................... 18
2. Применение методов математической статистики
при экспериментальных исследованиях
автогенератора гармонических колебаний ............................................. 19
2.1. Точечные оценки основных статистических
характеристик частоты автогенератора ........................................... 19
2.2. Интервальные оценки основных статистических
характеристик частоты автогенератора .......................................... 26
2.3. Основные законы распределения случайных
величин, применяемые при статистической обработке
результатов экспериментальных исследований .............................. 37
2.4. Статистическая проверка гипотез при
экспериментальных исследованиях автогенератора
и при обработке результатов исследований .................................... 48
2.5. Имитационная математическая модель
частоты автогенератора (корреляционный анализ) ........................ 57
2.6. Исследование влияния элементов схемы
автогенератора на его частоту (дисперсионный анализ) ............... 65
3. Планирование эксперимента для обоснования
имитационной математической модели частоты
автогенератора первого и второго порядка ........................................... 76
3.1. Планирование и проведение двухфакторного
и трехфакторного эксперимента для
обоснования математической модели частоты
автогенератора первого порядка ...................................................... 76
3
 3.2. Планирование и проведение дробного
факторного эксперимента для обоснования
математической модели частоты
автогенератора первого порядка ....................................................... 83
3.3. Планирование и проведение эксперимента
для обоснования имитационной математической
модели частоты автогенератора второго порядка ........................... 88
Заключение ..................................................................................................... 93
Литература ..................................................................................................... 94

4
 Введение

Выпускники специальности «Техническая эксплуатация транспортного ра-

диооборудования» занимаются эксплуатацией судового радиооборудования,
поэтому они должны в процессе обучения пробрести навыки в организации
и проведении экспериментальных исследований при настройке и эксплуатации
судовых радиоэлектронных устройств.
Современные методы проведения экспериментальных исследований позво-
ляют ускорить исследование сложных радиоэлектронных устройств и повы-
сить эффективность исследования во много раз.
Математическая теория эксперимента позволяет оптимизировать экспери-
мент, проводить его таким образом, чтобы свести к минимуму интуитивный,
"волевой" подход к организации эксперимента, который заменяется научно
обоснованной программой проведения экспериментального исследования,
причем субъективные оценки уступают место достаточно надежным статисти-
ческим оценкам результатов эксперимента на всех последовательных этапах
экспериментального исследования.
Для радиоинженера основная цель большинства экспериментальных иссле-
дований состоит в нахождении такой совокупности входных управляемых пе-
ременных (факторов), при которых оптимизируемая целевая функция прини-
мает экстремальное значение, и это должно достигаться при минимуме
возможного числа опытов, а также затрат времени и средств.
Примером применения формализованных методов планирования и прове-
дения эксперимента может служить настройка многокаскадного усилителя
с распределенным усилением, где целевой функцией может быть величина ко-
эффициента усиления на выходе при заданной полосе пропускания.
На одном из предприятий опытному настройщику требовалось несколько
дней для настройки такого усилителя. Применение методов планирования экс-
перимента позволило сократить время настройки до нескольких десятков ми-
нут. При этом требования к квалификации настройщика существенно снизи-
лись, т. к. применение формализованных методов настройки не требует
глубоких знаний сущности физических процессов, протекающих в усилителе.
В первом разделе учебного пособия рассмотрены основные концепции
планирования экспериментов, определены понятия и модели. Рассмотрены
основные этапы статистического планирования и проведения эксперимента.
Поставлена задача экспериментального исследования широко применяемого
в радиоэлектронной аппаратуре транзисторного автогенератора гармониче-
ских колебаний.
Во втором разделе учебного пособия рассмотрены вопросы обработки ре-
зультатов экспериментальных исследований, статистических процедур по вы-
бору гипотез, оценки значимости действующих факторов, обоснования имита-
ционной математической модели.

5
 В третьем разделе учебного пособия рассмотрены вопросы планирования
эксперимента. На примере автогенератора рассмотрены проведение полного
факторного эксперимента, дробного факторного эксперимента, план для обос-
нования имитационной модели второго порядка – центральный композицион-
ный ортогональный план.
В заключении сформулированы полученные результаты.

1. Задачи экспериментального исследования

автогенератора гармонических колебаний

1.1. Основные концепции планирования

экспериментальных исследований

Эксперимент (от лат. experimentum – проба, опыт) − метод познания, при

помощи которого в контролируемых и управляемых условиях исследуются яв-
ления природы и общества [1].
Планирование эксперимента – раздел математической статистики, изу-
чающий рациональную организацию измерений, подверженных случайным
ошибкам [2].
Современная математическая статистика разрабатывает способы определе-
ния числа необходимых испытаний до начала исследования (планирование
эксперимента), в ходе исследования (последовательный анализ) и решает мно-
гие другие задачи. Современную математическую статистику определяют как
науку о принятии решений в условиях неопределенности.
Любое техническое устройство можно представить в виде «черного ящика»,
полностью игнорируя все внутренние особенности моделируемого объекта.
Такая модель называется имитационной математической моделью. Целью
моделирования в этом случае является описание поведения объекта «черного
ящика» как единого целого. Для этого «черного ящика» находят связь между
выходным параметром (функцией отклика) и входными переменными (фак-
торами), отвлекаясь при этом от сущности механизма явлений, протекающих
в исследуемом объекте. При этом предполагают, что механизм явлений можно
описать дифференциальными уравнениями, хотя практически их получить
трудно или порой невозможно из-за сложности объекта исследования. Далее
предполагают, что систему дифференциальных уравнений можно решить, хотя
практически ни решение, ни даже аналитический вид той функции, которой
оно задается, как правило, неизвестны.
С учетом принятых предположений зависимость между функцией отклика
объекта исследования, представленного в виде «черного ящика», и факторами,
действующими на его входе, в общем виде может быть описана полиномом
любого порядка:

6
 k k k
Y = θ0 + ∑θi xi + ∑θij xi x j + ∑θii xi2 + ...
i =1 i ≠1 i =1

Коэффициенты этого полинома являются коэффициентами ряда Тейлора,

т. е. значениями частных производных в точке, вокруг которой осуществляется
разложение неизвестной функции, задающей решение неизвестных нам диф-
ференциальных уравнений. Так,

∂Y ∂ 2Y ∂ 2Y
θi = , θij = , θii = 2 .
∂xi ∂xi ∂x j ∂xi

С точки зрения понимания механизма явлений, происходящих в исследуе-

мом объекте, имитационная математическая модель интереса не представляет.
Зная значения первых членов ряда Тейлора, невозможно восстановить исход-
ные дифференциальные уравнения, которыми описывается механизм процесса.
Правда, возможна физическая интерпретация полученных результатов, но она
не дает однозначных представлений о природе явлений. Зато полиномиальная
модель очень удобна для оптимизации значений функции отклика и при пла-
нировании эксперимента.
Обычно рассматривается следующая схема планирования эксперимента.
При экспериментальном исследовании производят измерение функции отклика
F ( θ , х ) , которая зависит от неизвестных параметров (вектор θ ) и от перемен-
ных х (факторы). Факторы по выбору экспериментатора могут принимать зна-
чения из некоторого допустимого множества х.
Целью эксперимента обычно является оценка всех или некоторых парамет-
ров θ или их функций либо проверка некоторых гипотез о параметрах θ .
В случае, когда отклик является случайной величиной, связь между перемен-
ными x1 , x2 , ... xk характеризуется математической моделью, которая называ-
ется уравнением регрессии. Для аппроксимации широко используются поли-
номиальные модели.
Например, производится измерение частоты колебаний автогенератора (АГ).
Известно, что на нее влияют емкость контура (переменная х1 ), индуктивность
контура (переменная х2 ), напряжение источника питания (переменная х3 ). Час-
тота АГ является функцией переменных х1 , х2 , х3 и неизвестного вектора θ:

Y = F ( θ , х ) = θ0 + θ1 x1 + θ 2 x2 + θ 3 x3 . (1.1.1)

Численные значения вектора θ определяются из эксперимента. Уравнение

(1.1.1) называют уравнением регрессии.
Исходя из цели эксперимента, формулируется критерий оптимальности
плана эксперимента. Под планом эксперимента понимается совокупность зна-
чений, задаваемых переменным х в эксперименте.
Обычно оценки параметров θ ищут по методу наименьших квадратов, а ги-
потезы о параметрах θ проверяются с помощью F-критерия Фишера ввиду оп-

7
тимальных свойств этого метода. В обоих случаях при этом оказывается есте-
ственным выбирать в качестве критерия оптимальности плана с заданным чис-
лом экспериментов некоторую функцию от дисперсии и коэффициентов кор-
реляции оценок методом наименьших квадратов.
Дисперсия (от лат. dispersion − рассеяние) в математической статистике
и теории вероятностей есть мера рассеяния (отклонение от среднего).
Корреляция в математической статистике является вероятностной или ста-
тистической зависимостью. В отличие от функциональной зависимости корре-
ляционная возникает тогда, когда зависимость одного фактора от другого ос-
ложняется наличием случайных дополнительных факторов.
Метод наименьших квадратов – один из методов теории ошибок для оценки
неизвестных величин по результатам измерений, содержащих случайные
ошибки. Он применяется также для приближенного представления заданной
функции другими (более простыми) функциями и часто оказывается полезным
при обработке наблюдений.
В качестве примера найдем параметры θ0 и θ1 при линейной аппроксима-
ции частоты АГ при воздействии одного параметра х . Тогда уравнение регрес-
сии можно записать в виде:
Y = θ0 + θ1 x .

Необходимо минимизировать разность:

n
D= ∑ [Y − ( θ
i =1
i 0 + θ1 xi )] 2 ,

где: Yi – измеренные значения частот АГ;

xi – численные значения параметра х ;
n – число измерений.
Для минимизации D приравнивают к нулю частные производные по θ0
и θ1 , тогда можно записать уравнения:
n
dD
dθ 0 i =1
∑
= 2 (Yi − θ0 + θ1 xi )( −1 ) = 0 ;
n
dD
dθ 1 i =1
∑
= 2 (Yi − θ0 + θ1 xi )( − xi ) = 0.

После упрощений получаем:

n n
nθ0 + θ1 ∑ i =1
xi = ∑Y ;
i =1
i

n n n
θ0 ∑ xi + θ1 ∑ xi2 = ∑Y x . i i
i =1 i =1 i =1

8
 Решение системы этих уравнений имеет вид:
n n

∑Y i ∑x i
θ0 = Y − θ1 x ; Y = i =1
; x= i =1
;
n n
n n n
n ∑ xiYi − ∑x ∑ Y i i
θ1 = i =1
n
i =1 i =1
.
n ∑xi =1
2
i −( ∑x ) i
2

После проведения эксперимента и оценки θ0 , θ1 значения частоты АГ мо-

гут вычисляться при использовании имитационной модели Y = θ 0 + θ1x.
Отметим, что в случае, когда F ( θ , х ) линейно зависит от θ, оптимальный
план часто можно построить до проведения эксперимента, в других случаях
уточнение плана эксперимента происходит по ходу эксперимента.
В теории планирования эксперимента применяют методы, основанные на
следующих основных концепциях:
– концепция многофакторного эксперимента;
– концепция рандомизации;
– концепция последовательного планирования.
Концепция многофакторного эксперимента может быть рассмотрена на
следующем примере, приведенном в работе [5]. Пусть в линейной задаче оцен-
ки параметров θ действует k факторов x1 , x2 , ... xk .
Уравнение регрессии можно записать в виде:

F ( θ , x ) = θ0 + θ1 x1 + θ 2 x2 + ... + θ k xk .

Необходимо найти выборочные оценки qi для коэффициентов регрессии θi ,

а именно qi → θi . Эту задачу можно решать традиционным однофакторным
методом, варьируя каждую переменную по очереди.
Предположим, что для каждой переменной сделано n повторных опытов
и эти переменные изменяются только на двух уровнях, а именно на уровнях
+1 и –1. Тогда дисперсия оценки коэффициента регрессии будет определена
уравнением:

σ 2{ F }
σ { qi } =
2
.
2n
Эта величина не зависит от общего числа независимых переменных, по-
скольку каждая из них изучается в отдельности, и значение qi определяется
всего двумя усредненными измерениями, которыми и задается значение дис-
персии коэффициента регрессии. Если же воспользоваться другой стратегией,
варьируя все переменные сразу так, чтобы каждый эффект оценивался по всей
9
совокупности опытов, то можно надеяться в благоприятном случае уменьшить
дисперсию оценки по сравнению с дисперсией единичного измерения
в ( k + 1 )n раз, так как оценки будут производиться по всем ( k + 1 )n опытам.
Концепция рандомизации применяется для такой организации эксперимен-
та, при которой некоторые плохо контролируемые факторы ставятся в положе-
ние случайных. При этом в процессе статистической обработки происходит
(хотя бы частично) самоисключение плохо контролируемых факторов, устра-
нение некоторых систематических погрешностей.
Концепция последовательного эксперимента предусматривает возможность
планировать не весь эксперимент сразу, а поэтапно: сначала планируется пер-
вый этап, полученные результаты анализируются, а на основе этого анализа
планируется следующий этап. Если уже на первом этапе получены ответы на
интересующие вопросы, то эксперимент прекращается. Если же неопределен-
ность имеет место, то опыт продолжается. Такая стратегия позволяет зачастую
ограничиваться минимальным числом измерений.
Не каждый эксперимент использует все эти идеи, но именно их совокуп-
ность явилась основой достижений современной теории планирования экспе-
римента и обработки экспериментальных результатов.

1.2. Основные этапы проведения

экспериментальных исследований

Экспериментальные исследования включают в себя следующие этапы:

– постановка эксперимента;
– планирование;
– выполнение;
– анализ и интерпретация результатов;
– представление результатов.
Постановка эксперимента заключается в определении его цели, выборе вы-
ходных и входных переменных, т. е. выборе отклика и факторов, установлении
области возможных значений факторов, совместимых с имеющимися ограни-
чениями. Постановка эксперимента опирается на априорную информацию и
является наименее формализуемым этапом экспериментальных исследований.
Планирование эксперимента есть процесс определения необходимого числа
опытов (или, что то же, числа экспериментальных точек) и установления по-
рядка проведения эксперимента (последовательности получения эксперимен-
тальных точек), обеспечивающих решение поставленной задачи с требуемой
точностью. Именно на этом этапе используются идеи многофакторного экспе-
римента, рандомизации и последовательного планирования. Если цель экспе-
римента – получение оценок некоторых статистических параметров, характе-
ризующих объект, то число опытов должно быть достаточным для того, чтобы
неопределенность оценок не превышала приемлемых значений. Но лишние
опыты, удорожающие эксперимент, проводиться не должны. Если необходимо
построить математическую модель объекта, то планирование эксперимента
10
должно предусматривать получение результатов, необходимых для ее построе-
ния. При этом желательно, чтобы число опытов было минимальным. Кроме то-
го, конкретная задача может диктовать дополнительные требования к планиро-
ванию эксперимента. Так, при решении экстремальной задачи необходимо
выбрать наилучшую стратегию достижения экстремума функции отклика. При
планировании эксперимента исследователь должен:
– обеспечить высокую надежность и четкость интерпретации результатов
экспериментального исследования;
– составить четкую и последовательную логическую схему построения
всего процесса исследования, в которой указано, что, когда и как нужно де-
лать; максимально формализовать процесс разработки модели и сопоставления
экспериментальных данных различных опытов объекта исследования с целью
широкого применения вычислительной техники.
Всем перечисленным требованиям отвечают статистические методы плани-
рования эксперимента, являющиеся одним из эмпирических способов получе-
ния математического описания исследуемых объектов. При применении ста-
тистических методов планирования эксперимента математическое описание
представляется обычно в виде полинома (1), где Y – функция отклика,
а x1 , x2 , ... xk – факторы, влияющие на объект исследования.
Непосредственное выполнение эксперимента в соответствии с планом обес-
печивает получение экспериментальных данных, которые используются для на-
хождения требуемых оценок и построения математического описания объекта.
Анализ и интерпретация результатов производятся на заключительном эта-
пе экспериментального исследования. Анализ осуществляется средствами ма-
тематической статистики. Он дает оценки интересующих экспериментатора
величин и определяет степень достоверности этих оценок. Интерпретация име-
ет своей целью выражение результатов анализа в терминах и понятиях той об-
ласти науки или техники, в интересах которой был проведен эксперимент. Без
интерпретации полученные результаты могут быть не поняты, а значит, и не
использованы в полной мере. Представление результатов является последней
заботой экспериментатора.

1.3. Математическая модель автогенератора на основе дифференциальных

уравнений, описывающих переходный процесс в контуре

Автогенераторы (АГ) гармонических колебаний на биполярных транзисто-

рах получили широкое распространение. Их применяют в качестве опорных
генераторов в возбудителях передатчиков и гетеродинах приемников, в качест-
ве частотных модуляторов в различных устройствах автоматики и контрольно-
измерительной аппаратуре.
Рассмотрим переходные процессы в колебательной системе (КС), которая
в простейшем случае представляет собой колебательный контур, содержащий
катушку, индуктивность которой L, конденсатор, емкость которого С, активное
сопротивление величиной R (рис. 1а).
11
 R

L
L T
С

а б
Рис. 1. Эквивалентные схемы контура и автогенератора

Предположим, что конденсатор заряжен до напряжения U0 от внешнего ис-

точника напряжения. В соответствии с законом Кирхгофа можно записать:
t
di 1
ri + L +
dt C 0 ∫
idt = 0.

Дифференцируя, получим уравнение второго порядка для тока в цепи:

d 2i i
ri + L 2 + = 0.
dt C
r 1
Обозначив = 2d и = w02 , получим:
L LC

d 2i di
2
+ 2d + w02i = 0. (1.1.2)
dt dt
Характеристическое уравнение для последнего дифференциального урав-
нения имеет вид:

α 2 + 2dα + w02 = 0.
Легко найти корни характеристического уравнения:

α 1 = −d + d 2 − w02 ;

α 2 = −d − d 2 − w02 .

Теперь можно найти решение дифференциального уравнения (1.1.2) в виде:

i = A1eα1t + A2eα 2t .

di( 0 )
Ток установившегося режима равен нулю, поэтому i( 0 ) = 0 , =0,
dt
U C ( 0 ) = U0 .

12
 Подставляя значение тока и его производной до коммутации (при t = 0 ),
получим:
U0
i= ( eα1t − eα 2t ).
L( α 1 − α 2 )

Пусть в рассматриваемом случае корни характеристического уравнения бу-

дут комплексными, что имеет место при d < w02 .
Введем обозначение w02 − d 2 = w12 , тогда

α 1 = − d + d 2 − w02 = − d + jw1 = w0 e jθ ,

α 2 = − d − d 2 − w02 = − d − jw1 = w0 e jθ ,

− w1
θ = arctg( ).
−d
Выражение для тока, c учетом формулы Эйлера, имеет вид:
U 0 −dt
i=− e sin w1t .
w1 L

Из полученных выражений следует, что в контуре происходит колеба-

тельный процесс. Ток и напряжение периодически меняют знак. Амплитуда
колебаний убывает по показательному закону, т. е. в цепи совершаются зату-
хающие колебания тока и напряжения.
Для поддержания незатухающих колебаний в контуре включим в него ак-
тивный элемент – биполярный транзистор (рис. 1б).
В этой схеме:

Z1 = R1 + jX 1 ; Z 2 = R2 + jX 2 ; Z 3 = R3 + jX 3 ;

где R1 , R2 , R3 – активные сопротивления, а X1, X2, X3 – реактивные сопротив-

ления комплексных величин Z1 , Z 2 , Z 3 . Очевидно, что R1 + R2 + R3 = R.
Для повышения добротности КС необходимо уменьшать активные потери R
в ее элементах, поэтому R1, R2, R3 должны быть достаточно малы. Приближен-
но можно считать Z1 = jX1; Z2 = jX2; Z3 = jX3. Реактивные элементы X1, X2, X3
образуют КС, в которой два реактивных элемента имеют одинаковый знак (по-
ложительный или отрицательный), а еще один реактивный элемент отличается
знаком от двух других.
Транзистор, включаемый в контур, является усилителем, преобразующим
энергию источника питания в энергию переменного тока, частота и фаза кото-
рого не отличаются от частоты и фазы собственных колебаний контура. По-
этому энергия этого тока восполняет потери на активном сопротивлении R
контура. Внесение в контур энергии переменного тока эквивалентно внесению
13
в него отрицательного сопротивления, компенсирующего положительное со-
противление потерь R. Колебания в контуре в этом случае будут незатухаю-
щие. Для работы транзистора в режиме усиления колебаний, которые поступа-
ют в базовую цепь и снимаются в коллекторной цепи, необходимо обеспечить
питание постоянным напряжением коллекторной и базовой цепей (источник
коллекторного питания и источник базового смещения). Питание базовой цепи
можно осуществить с помощью делителя напряжения от источника кол-
лекторного питания. На рис. 2 представлена электрическая схема автогенера-
тора, получившая название емкостной трехточечной схемы.
В этой схеме R2 и R3 – делитель напряжения источника коллекторного пи-
тания Ек . С помощью делителя формируется напряжение смещения:

R3
Есм = Ек .
R2 + R3

R1
C3
R2

C4
+

C5 C2
Вых -

L1 R3 R4 C1

Рис. 2. Электрическая схема АГ

Индуктивность L1 является индуктивностью колебательного контура; ем-

кость соединенных последовательно конденсаторов C1, C4, C5 является емко-
стью колебательного контура; Lбл – блокировочная индуктивность (развязывает
по высокой частоте автогенератор и источник питания); С4 − блокировочная
емкость (развязывает по постоянной составляющей базовую и коллекторную
цепи транзистора).
Общая емкость контура, в который включен транзистор, определяется вы-
ражением:
1 1 1 1
= + + .
C C1 C4 C5

Эквивалентное сопротивление параллельного колебательного контура бу-

дет определяться уравнением: Rое = RхарQ ,
L
где: Rхар = – характеристическое сопротивление контура;
C
Rхар
Q= – добротность контура.
R
14
 а

Z3

Z1

Uвх Z2 Uвых

Рис. 3. Эквивалентная схема АГ

Найдем условия самовозбуждения емкостной трехточечной схемы, рассмат-

ривая ее как систему с замкнутой обратной связью. Если U вх и U вых – оператор-
ные изображения сигналов на входе и выходе при разомкнутой цепи обратной
U
связи (рис. 3), то передаточная функция К ( р ) = вых . Для того чтобы найти
U вх
функцию К ( р ) , учтем, что напряжение U аб на зажимах контура возникает за
счет тока i = SU вх , проходящего через параллельно-последовательно соединен-
di
ные элементы Z1, Z2, Z3 ( S = , где S – крутизна переходной характеристики
dU вх
транзистора):

SU вх Z1( Z 2 + Z 3 )
U аб = .
Z1 + Z 2 + Z 3
Поскольку

U аб ( Z 2 + Z 3 )
U вых = ,
Z1 + Z 2 + Z 3

то
U вых SZ1Z 2
К( р ) = = .
U вх Z1 + Z 2 + Z 3

Учитывая, что конденсатор C1 включен параллельно с эквивалентным со-

противлением контура Rое , можно записать:

Rое
Z1 = .
1
pC1( +R)
pC1

15
 Для Z2, Z3 можно записать:
1
Z2 = ; Z 3 = pL ;
pC 2

подставляя в выражение для передаточной функции, получим:

U вых SRое
K( p ) = = = 1,
U вх М( р )

M ( p ) = C1 C2 L Rое p 3 + C2 Lp 2 + ( C1 + C2 )Rое p + 1 − SRое = 0.

Цепь будет неустойчивой, если определитель Гурвица [1, с. 348] отрицателен:

L C2 C1 C2 L Rое
D= =
1 − SRое Rое ( С1 + С2 )
= LC2 Rое ( С1 + С2 ) − ( 1 − SRое )С1 С2 L Rое < 0.

Из полученного выражения следует:

С2
< SRое .
С1

С2
Если обозначить = K ос , то условие самовозбуждения можно записать в виде:
С1

S Rое K ос > 1 .

Учитывая, что S = Se jϕs , R = R ⋅ e jϕr , K ос = Ke jϕk , можно условие самовоз-

буждения переписать в виде двух условий:
1) условие баланса амплитуд
SRK > 1,
2) условие баланса фаз
ϕ s + ϕr + ϕk = 2πn ; n = 1, 2 , ...
Частота колебаний АГ зависит от параметров КС, поэтому изменение час-
тоты во времени (стабильность частоты АГ) будет определяться изменением во
времени основных параметров КС.
Для рассматриваемой простейшей колебательной системы – одиночного
параллельного колебательного контура – можно отыскать эквивалентные па-
раметры Lэк , Сэк , Rэк (рис. 1а). Они определяются собственными параметрами
ненагруженного контура L, C, R и вносимыми в него комплексными сопротив-

16
лениями от усилительного элемента и цепи нагрузки. Вносимое в контур ком-
плексное сопротивление от усилительного элемента АГ состоит из выходного
сопротивления усилительного элемента, образованного выходной емкостью
Свых и внутренним сопротивлением активного элемента Ri (значения Cвых и Ri
зависят от режима работы усилительного элемента), и комплексного сопротив-
ления Z вн = Rвн + jX вн , обеспечивающего условие самовозбуждения в АГ. Если
условие самовозбуждения выполняется, то вносимое в контур сопротивление
Rвн отрицательно, а характер и знак реактивной составляющей сопротивления
Х вн зависят от конкретной схемы АГ. Будем условно трактовать Х вн как ем-
кость Свн , знак которой определяется конкретной схемой. Если емкость Свн по-
ложительна, то Сэк увеличивается; если Свн отрицательна, то Сэк уменьшается.
Цепь нагрузки характеризуется входными параметрами Свх и Rвх каскада, на ко-
торый работает АГ. Значения Свх и Rвх , так же как Свых и Rвых , зависят от режима
работы АГ. Упрощенная схема эквивалентного контура АГ показана на рис. 4.

m2

m1 Rое Rвх
С Свх
Ri Rвн
Свых Свн

Рис. 4. Упрощенная схема эквивалентного контура АГ

Усилительный элемент АГ и цепь нагрузки подключены к контуру с учетом

коэффициентов включения m1 и m2 .
Тогда имеем:

1 1 m12 m12 m22

Сэк = С + m12Cвых + m12Cвн + m22Cвх ; Lэк = L ; = + + + .
Rэк Rое Ri Rвн Rвх

Параметры эквивалентного контура АГ изменяются во времени из-за деста-

билизирующих факторов, что приводит к изменению его резонансной частоты,
следовательно, и частоты колебаний АГ.
Нестабильность частоты автогенератора во многом определяется измене-
ниями во времени вносимых в контур емкостей Свых , Свх и Свн .
Для уменьшения влияния изменения этих емкостей на результирующую
емкость эквивалентного контура Сэк нужно либо снизить коэффициенты
включения m1 , m2 , либо увеличивать емкость контура С.
При выполнении этих условий пересчитанные в контур емкости Cвых , Свх
и Свн составляют малую долю от результирующей емкости Сэк . При этом

17
можно повысить стабильность частоты АГ. Однако бесконечно уменьшать ко-
эффициенты включения m1 , m2 невозможно вследствие срыва колебаний АГ.
Поэтому ограничиваются минимально возможными значениями коэффици-
ентов включения m1 , m2 , при которых условие самовозбуждения выполняется.
Изменение температуры окружающей среды влияет на стабильность часто-
ты АГ. Повышение температуры вызывает удлинение проводов и размеров
каркаса катушек (увеличивает их индуктивности), а также расширение пластин
конденсаторов и изменение зазора между пластинами (изменяет их емкости).
Это приводит к изменению частоты АГ.
Изменение температуры окружающей среды приводит к изменению парамет-
ров усилительного элемента, в том числе его реактивных параметров. Это особен-
но касается входной и выходной емкостей транзистора, изменение которых приво-
дит к изменению емкости контура и, следовательно, к изменению его частоты.
Режимы работы усилительных элементов зависят от приложенного напря-
жения источников питания. Если по каким-либо причинам напряжение пита-
ния изменяется, то изменяются входные и выходные параметры усилительных
элементов, а следовательно, частота колебаний АГ. Поэтому напряжение пита-
ния АГ должно быть стабилизированным.
Одним из основных параметров АГ является стабильность рабочей частоты.
Зависимость усилительных свойств транзистора, его входной и выходной про-
водимостей от питающих напряжений, температуры окружающей среды, ре-
жима работы является одной из главных причин нестабильности частоты АГ.
Для рассматриваемого АГ относительная нестабильность частоты составляет
–3
10 , поэтому для частот порядка сотен килогерц значение частоты, измеряемое
частотомером, представляет собой случайную величину, числовое значение ко-
торой содержит шесть знаков. У этого числа неизменные первые три знака,
а три последних будут принимать случайные значения при измерении.
Из изложенного следует, что значение частоты на выходе автогенератора без
учета добротности колебательной системы определяется из дифференциального
1
уравнения формулой Томпсона ϖ = . Однако вследствие нестабильности
LC
различных факторов частота на выходе автогенератора – случайная величина.

1.4. Задачи экспериментального исследования

автогенератора гармонических колебаний

Для рассматриваемого АГ могут быть решены задачи, которые можно счи-

тать типичными для технических устройств:
1. Оценка определенных характеристик (параметров) изучаемого объекта,
проявляющих себя статистически, а также проверка некоторых гипотез, ка-
сающихся упомянутых характеристик; эта задача имеет непосредственное от-
ношение к измерительным процессам в промышленных условиях; для рас-
сматриваемого АГ такой задачей является измерение и оценка частоты АГ.

18
 2. Выявление воздействия, влияния на выходную величину тех или иных
факторов; результатом такого эксперимента должно быть одно из утвержде-
ний: «да» или «нет»; соответствующая экспериментальная процедура называ-
ется дисперсионным анализом; для рассматриваемого АГ такой задачей явля-
ется достоверная оценка влияния на частоту АГ факторов (индуктивности,
емкости, напряжения питания).
3. Установление функции отклика, т. е. статистически достоверной зависи-
мости, связывающей отклик с факторами, другими словами – построение ма-
тематической модели изучаемого объекта; это задача регрессионного анализа.
Для рассматриваемого АГ такой задачей является построение имитационной
математической модели АГ.
4. Определение степени взаимной статистической связи двух величин, что
является предметом корреляционного анализа. Для рассматриваемого АГ
такой задачей является установление статистической связи между факторами.
5. Нахождение оптимальных условий функционирования устройства, т. е.
определение значений факторов, при которых отклик является максимальным
(или минимальным); эта задача решается в ходе выполнения экстремального
эксперимента. Для рассматриваемого АГ такой задачей является подбор таких
значений факторов (индуктивности, емкости, напряжения питания), которые
позволят получить требуемое значение частоты АГ.

2. Применение методов математической статистики

при экспериментальных исследованиях автогенератора
гармонических колебаний

2.1. Точечные оценки основных статистических

характеристик частоты АГ

Частота АГ является случайной величиной и поэтому необходимо примене-

ние основных понятий теории вероятностей для экспериментальной оценки
статистических характеристик этой случайной величины − частоты АГ.
Теория вероятностей является математической наукой, изучающей законо-
мерности, присущие массовым явлениям. Используя собственные методы, тео-
рия вероятностей позволяет теоретическим путем определить вероятностные
характеристики одних случайных величин через вероятностные характери-
стики других. Эти методы позволяют существенно уменьшить количество экс-
периментов, проводимых для изучения конкретных случайных величин.
Но полностью устранить экспериментальную информацию при изучении слу-
чайных величин нельзя. Корни изучения случайных явлений всегда лежат
в эксперименте, в методах обработки и исследования опытных данных. Сово-
купность методов анализа экспериментальных данных, получаемых при изуче-
нии случайных явлений, составляет предмет математической статистики. Точ-
нее, математическая статистика занимается сбором, регистрацией
19
и обработкой результатов наблюдений с целью установления закономерностей,
управляющих массовыми случайными явлениями.
В зависимости от характера экспериментальной информации в математиче-
ской статистике решаются следующие задачи:
1. Определение закона распределения случайной величины.
2. Проверка статистических гипотез.
3. Определение неизвестных параметров распределения.
Основным методом математической статистики является выборочный ме-
тод. Опишем идею этого метода.
Предположим, что при изучении некоторого случайного явления мы имеем
дело с некоторыми однородными объектами; это могут быть как физические
объекты, так и их параметры. Совокупность всех таких исследуемых объектов
называется генеральной совокупностью.
Множество n объектов, отобранных случайным образом из генеральной со-
вокупности, называется выборкой объема n. Выборочный метод заключается
в том, что по данным анализа выборки объема n делается заключение обо всей
генеральной совокупности в целом.
Выборка называется репрезентативной, если каждый объект из генеральной
совокупности имеет одинаковую возможность попасть в эту выборку. Отсюда
вытекает, что в силу статической устойчивости результаты изучения такой вы-
борки будут близки к результатам исследования всей совокупности в целом.
Исследование генеральной совокупности в целом обычно трудоемко, доро-
го, требует большого времени либо вообще неосуществимо. Поэтому очень
важно уметь составлять качественную, репрезентативную выборку.
Существуют два основных способа формирования выборки − с повторени-
ем и без повторения.
Если выборка формируется так, что каждый отобранный в выборку объект
после описания возвращается в генеральную совокупность, то мы имеем дело
с повторным способом формирования выборки. При бесповторном способе
формирования выборки объект в генеральную совокупность не возвращается.
Предположим, что все объекты генеральной совокупности пронумерованы.
Если для формирования выборки мы выбираем объект в случайном порядке, то
такая выборка называется простой или случайной. Если для формирования вы-
борки выбираются объекты из генеральной совокупности с заданными интер-
валами, то выборка называется механической. Например, механической явля-
ется выборка каждого десятого элемента из генеральной совокупности.
Предположим, что мы изучаем некоторую случайную величину Х, кото-
рая наблюдается в эксперименте. Наиболее полная информация
о характере случайной величины содержится в функции распределения, по-
этому будем считать, что нас интересует возможность определить эту функ-
цию. В каждом из экспериментов случайная величина Х принимает некоторое
значение. Совокупность экспериментов, в результате которых получаем мно-
жество значений Х, представляет собой первичный статистический материал.
Этот материал называется простой статистической совокупностью или про-
стым статистическим рядом.
20
 Пример 1. Пусть в результате проведенных измерений получены значения
частот АГ. Обозначим через i − порядковый номер измерения, через f i − значе-
ние частоты АГ, полученное в i-м измерении.
Следующая таблица 2.1.1 дает простой статистический ряд для случайной
величины:
Таблица 2.1.1

i 1 2 3 4 5 6 7 8 9 10
fi 194766 194645 194730 194730 194901 194810 194701 194810 194850 194870

Простой статистический ряд подлежит обработке методами математической

статистики с целью получения более содержательной информации. Одним из
основных видов обработки является получение статистической функции рас-
пределения F*(x) случайной величины Х. Под статистической функцией рас-
пределения случайной величины Х будем понимать частоту появления события
Х < х в первичном простом статистическом ряде:
F*(x) = P(X < x). (2.1.1)
Ясно, что для определения F*(x) нужно найти число опытов, в которых X < x,
и разделить это число на общее число проведенных опытов.
Пример 2. Составим статистическую функцию распределения для случай-
ной величины f − частоты АГ из примера 1. Наименьшее значение f равно
194645 Гц, поэтому F*(x) при х ≤ 194645 будет равна нулю. Значение частоты
f1 = 194645 наблюдалось 1 раз, поэтому в точке f1 = 194645 F*(x) будет иметь
разрыв с величиной скачка 1/10. Аналогично в точке f2 = 194701 функция F*(x)
имеет разрыв с величиной скачка 1/10. В промежутке от 194701 до 194730
F*(x) будет равна 2/10, но в точке f3 = 194730 имеет скачок, равный 2/10, т. к.
f3 = 194730 появилась 2 раза из 10. На отрезке от 194730 до 194766 F*(x) равна
4/10, в точке f4 = 194766 она скачком изменяется на величину 1/10, значение
f4 = 194766 принимает 1 раз. Аналогично в точке f5 = 194840 для F*(x) имеем
скачок 2/10, в точке f6 = 194850 − 1/10, в точке f7 = 194870 скачок равен 1/10
и в точке f8 = 194901 скачок равен 1/10. График статистической функции рас-
пределения случайной величины f изображен на рис. 5.

Рис. 5. График F*(x) статистической функции распределения случайной величины f

21
 Заметим, что F*(x) для любой случайной величины является разрывной
функцией. При увеличении числа опытов статистическая функция распределе-
ния F*(x) стремится к истинной функции распределения F(x). Однако для
большого числа наблюдений простой статистический ряд становится неудоб-
ной формой записи первичного статистического материала. Действительно,
трудно сделать какие-либо выводы, наблюдая таблицу, содержащую сотни или
тысячи чисел. В этом случае простой статистический ряд подвергается первич-
ной статистической обработке, по нему строится статистический или вариаци-
онный ряд. Для этого весь диапазон изменения случайной величины Х делится
на интервалы точками:
X1 = min, x2, x3, ..., xN = max X.
Для каждого интервала вычисляется количество значений х, попадающих
в этот интервал. Это количество делится на общее число наблюдений и назы-
вается частотой, соответствующей данному разряду. Статистический ряд пред-
ставляет собой таблицу 2.1.2, где Ii – интервал (xi, xi+1), Pi* – частота.
Таблица 2.1.2

Ii x1 , x2 x2 , x3 ... ... xN-1, xN

Pi* P1* P2* PN*

Число интервалов, из которых сформирован статистический ряд, не должно

быть очень велико, в противном случае он будет так же необозрим, как и про-
стой статистический ряд.
Практика показывает, что число N наиболее целесообразно выбирать в пре-
делах от 10 до 20.
Статистический ряд можно представить в виде графика, который называет-
ся гистограммой. Гистограмма является статистическим аналогом плотности
распределения вероятности случайной величины Х. А именно: на оси ОХ от-
кладываются границы интервалов x1, x2, ..., хN. На каждом из интервалов
(xi, xi+1) строится прямоугольник с основанием xi, xi+1 и площадью Pi*. Полу-
ченная совокупность прямоугольников, а иногда лишь верхняя граница этих
прямоугольников и называется гистограммой.
Пример 3. В результате проведенного изучения частот АГ получен стати-
стический ряд (таблица 2.1.3).

Таблица 2.1.3

194760 194770 194780 194790 194800 194810 194820 194830

Ii
194770 194780 194790 194800 194810 194820 194830 194840
ni 6 13 63 98 86 86 57 16
Pi* 0,014 0,030 0,144 0,224 0,224 0,197 0,130 0,037

В этом примере Ii обозначены интервалы для частот f АГ в Гц, Pi* – частоты,

соответствующие данному интервалу.

22
 Теперь составляем гистограмму:

Рис. 6. Гистограмма частот АГ

Числовым характеристикам случайной величины Х соответствуют стати-

стические аналоги. Пусть в n опытах наблюдалась случайная величина Х, кото-
рая в i-м опыте принимала значение xi . При этом значение xi появляется
ni раз, так что имеем:

n1 + n2 +...+ n k = n.

Тогда выборочной средней m*x называется величина

k
m*x = M * [x ] = 1 ∑x n . i i (2.1.2)
n i =1

Выборочной дисперсией называется среднее арифметическое значение

квадратов отклонений xi от выборочной средней:

∑ (x − m ) n .
k
D*x = D* [x ] = 1 i
* 2
x i (2.1.3)
n i =1

Корень квадратный из выборочной дисперсии называется выборочным

средним квадратическим отклонением:

σ x* = Dx* . (2.1.4)

Исправленной выборочной дисперсией S2 называется величина:

n
S2 = D*x . (2.1.5)
n −1

23
 Величина S2 вводится потому, что при вычислении D*x всегда возникает
систематическая ошибка, приводящая к уменьшению дисперсии, особенно для
малых выборок. Так, при n = 25 D*x и S2 отличаются примерно на 4 %. Величи-
на S2 ближе к истинной дисперсии случайной величины Х.
Модой M *x называется xi значение, которому соответствует наибольшая
n
частота Px* = i .
n
Коэффициентом вариации V называется величина:
∗
σ
V = ∗x ⋅ 100 %. (2.1.6)
mx

Функции распределения случайных величин могут зависеть от некоторых чи-

словых характеристик. Например, нормальный закон распределения зависит от
двух параметров: m и σ, закон распределения Пуассона зависит от одного парамет-
ра λ, и т. д. Если значение некоторого параметра неизвестно, то при проведении
серии опытов это значение уточняется и может быть приближенно вычислено.
Оценкой параметра Θ называется функция выборочных значений
Ψ(x1, x2, ... , xn) = Ψn , которая в определенном смысле приближается к точечному
Θ значению. Оценка Ψn может отличаться от Θ в той или иной мере. Оценка назы-
вается несмещенной, если ее математическое ожидание совпадает с Θ : M[Ψn] = Θ.
Оценка называется состоятельной, если:
P(⏐Ψn −Θ⏐≤ ε) →1 при n→∞.
Оценка называется эффективной, если она имеет наименьшую дисперсию
среди всех оценок данного типа. Понятия несмещенности, состоятельности и
эффективности характеризуют качество оценки Ψn. Пусть над случайной вели-
чиной Х проведено n наблюдений с результатами x1, x2, ..., xn. Тогда для мате-
матического ожидания M[x] выборочное среднее является состоятельной и не-
смещенной оценкой:
n
1
m ∗x =
n ∑x .
i =1
i

Для дисперсии D[X] мы знаем две оценки: D*x и S2. Однако оценка D*x
не является несмещенной. Покажем это для случая, когда M[x] = 0.
Действительно:
2 n n
1 n
1 n 2 ⎛1 n
⎞ 1 1 1
D*x =
n
∑
i =1
xi2 − m∗x = ∑
n i =1
xi − ⎜⎜
⎝n
i =1
∑
xi ⎟⎟ =
⎠ n ∑ i =1
xi2 − 2
n
∑
i =1
xi2 − 2 ⋅
n2
∑x x
i< j
i j =

n −1 n 2 2
= 2
n i =1
∑
xi − 2
n
∑x x .
j>i
i j

24
 [ ]
Теперь вычислим M Dx∗ :

[ ]
M Dx∗ =
n −1
n 2 ∑
[ ]2
[ ]
M xi2 − 2 ∑ M xi x j .
n j>i

В силу независимости значений признаков xi второе слагаемое в правой

части для независимых испытаний равно нулю.
Отсюда:

[ ]
M Dx∗ =
n −1
n
D[ X ] ,

т. е. D*x действительно не является несмещенной.

n−1
Умножая D*x на , получаем несмещенную оценку S2:
n
M[S 2] = D[X].
Пример 4. Был проведен ряд измерений частоты АГ. Она составила 194892,
194894, 194903, 194905 и 194906 Гц. Найти выборочное среднее, выборочную
и исправленную дисперсии частоты, выборочное среднеквадратическое откло-
нение.
Решение.
Выборочное среднее определяется по формуле (2.1.2):
m*x = 1/5 ⋅ (194892 + 194894 + 19490 3+ 194905 +194906) = 194900.
Выборочная дисперсия находится по формуле (2.1.3):
D*x = 1/5 ⋅ [(194892 − 194900)2 + (194894 − 194900)2 +
+ (194903 − 194900)2 + (194905 − 194900)2 +
+ (194906 − 194900)2] = 1/5(64 + 36 + 9 + 25 + 36) = 34.
Отсюда по формуле (2.1.4) находим выборочное среднее квадратическое
отклонение:
∗ ∗
σ x = Dx = 34 ≈ 5 ,8310.

Исправленная дисперсия S2 находится по формуле (2.1.5):

5 ∗
S2 = ⋅ Dx = 42 ,5.
4
Наконец, находим исправленное среднее квадратическое отклонение:

S = 42 ,5 = 6 ,5.

25
 2. 2. Интервальные оценки основных статистических
характеристик частоты автогенератора

Ранее нами были получены оценки для математического ожидания, диспер-

сии и ряда других параметров случайных величин. Эти оценки представляли
собой числовые характеристики выборки, они давали числовое значение оце-
ниваемого параметра и ничего не говорили о точности и надёжности этого зна-
чения. Оценки подобного вида называются точечными. В ряде случаев очень
важно оценить степень точности и надёжности, именно: указать числовой ин-
тервал, в котором с заданной вероятностью лежит оцениваемая величина.
В математической статистике для получения информации о точности и на-
дёжности оценок пользуются доверительными интервалами и доверительными
вероятностями.
Пусть для параметра Θ получена оценка Ψn, и нас интересует допущенная
при этом ошибка. Зададимся некоторой вероятностью γ и найдём значение ε
такое, что
P(⏐Θ − Ψn ⏐ ≤ ε) = γ. (2.2.1)
При этом большие по величине ошибки, возникающие от замены Θ на Ψn,
будут встречаться с малой вероятностью, равной 1 – γ.
Соотношение (2.2.1) может быть представлено в виде:
P(Ψn − ε ≤ Θ ≤ Ψn + ε) = γ.
Интервал, в который с вероятностью γ попадает значение Θ, называется до-
верительным интервалом Iγ:
Iγ = (Ψn − ε; Ψn + ε).
Вероятность γ выполнения неравенства ⏐Θ − Ψn⏐≤ ε называется довери-
тельной вероятностью или надёжностью оценки Θ. Заметим, что величина Θ
является детерминированной, а оценка Ψn − случайной. Поэтому доверитель-
ный интервал является интервалом со случайными границами.
Величина P =1 – γ называется уровнем значимости. На практике чаще все-
го применяются уровни значимости 0,05, 0,01 и 0,001.
Нахождение доверительного интервала Iγ осложняется тем, что в формуле
(2.2.1) закон распределения ошибки ⏐Θ − Ψn⏐ зависит от закона распределения
случайной величины Х и, следовательно, от неизвестной величины Θ. На прак-
тике можно применять при n ≥ 20 следующий приём: в законе распределения
Х заменяется Θ на Ψn.
В качестве примера рассмотрим построение доверительного интервала для
математического ожидания. Предположим, что для некоторой случайной ве-
26
личины Х с неизвестной дисперсией D и математическим ожиданием M полу-
чены опытные наблюдения x1, x2, ..., xn.
На основе этих опытов получены оценки:
n
1
∗
m =
n ∑x ;
i =1
i (2.2.2)

∑ (x − m ) .
n
2 1 ∗ 2
S = i (2.2.3)
n i =1

Построим доверительный интервал Iγ для математического ожидания

M случайной величины Х. Прежде всего отметим, что поскольку m* представ-
ляет собой сумму одинаково распределённых случайных величин xi , то она
в силу центральной предельной теоремы распределена по закону, близкому
к нормальному.
На практике m* можно считать нормально распределённой уже при n = 10.
Нормальный закон распределения характеризуется двумя параметрами: m и σ.
Значение σ выбирается в соответствии с формулой σ = S .
n
В качестве m выбираем m*. Используя формулу для вероятности попадания
нормально распределенной случайной величины в заданный интервал, получаем:

⎛ε ⎞
P(⏐m − m* ⏐ ≤ ε) = 2Ф ⎜ ⎟ −1.
⎝σ ⎠
Задавая значение γ и решая уравнение

⎛ε ⎞
2Ф ⎜ ⎟ −1 = γ (2.2.4)
⎝σ ⎠
относительно ε, найдём приближённое решение задачи о нахождении довери-
тельного интервала:
Iγ ≈ (m* − ε*; m* + ε*). (2.2.5)
Здесь ε* есть решение уравнения (2.2.4).
Если дисперсия D случайной величины Х известна, то в уравнении (2.2.4)
в качестве σ следует взять величину D .
Пример 1. В результате проведенного эксперимента было проведено два-
дцать измерений частоты АГ (в МГц): 10,5; 10,8; 11,2; 10,9; 10,4; 10,6; 10,9;
11,0; 10,8; 10,3; 11,3; 10,6; 10,5; 10,7; 10,8; 10,9; 10,8; 10,9; 10,8; 10,7; 10,9; 11,0.
Требуется найти оценку математического ожидания параметра АГ и построить
доверительный интервал с доверительной вероятностью γ = 0,8.
Решение.
Вычисляем величину:
27
 20
1
m* =
20 ∑ x = 10 ,78.
i =1
i

Поскольку величина D неизвестна, то в качестве σ введем оценку:

n 2
σ= S = 0 ,0564.
n −1
Из уравнения 2Ф(tj) − 1 = γ находим по таблице для функции Лапласа
tj = 1,282.
Тогда εj = tj − σ = 0,072. Доверительный интервал имеет вид: Ij ≈ (m* − ε*;
m* + ε*) = (10,71;10,85).
Теперь покажем, как строится доверительный интервал для дисперсии.
Пусть над случайной величиной Х проведено n опытов с результатами наблю-
дений x1, x2, ..., xn. Параметры m и σ для величины Х неизвестны. Получим для
дисперсии D несмещенную оценку:

1 n ∗ 2
S =2
∑ ( xi − m ) , (2.2.6)
n − 1i = 1

где
1 n
m* = ⋅ xi .
n i =1 ∑
Входящие в сумму величины (xi − m*)2 не являются независимыми. Однако
при n ≥ 20 сумма практически распределена по нормальному закону. Оценка
S 2 для дисперсии является несмещённой M[S2] = D.
Дисперсия величины D вычисляется по формуле:

[ ] 1
D S2 = μ4 −
n
n−3
n( n − 1 )
D2 , (2.2.7)

где μ4 = M[(x − M[x])4] − так называемый четвертый центральный момент ве-

личины Х. Чтобы использовать формулу (2.2.7), нужно знать хотя бы прибли-
женное значение для μ4 и D. Вместо D можно использовать S2, однако вычис-
лить μ4 оказывается много сложнее. Можно в принципе заменить μ4 его
оценкой вида:
n
1
μ =4*
n ∑( x − m
i =1
i
∗ 4
) . (2.2.8)

Однако эта формула имеет большую погрешность. Если величина Х распре-

делена по нормальному закону, то
μ4 = 3D2, (2.2.9)

28
и формула (2.2.7) принимает вид:

[ ]
D S2 =
2
n −1
D2 . (2.2.10)

Можно заменить D на S2:

[ ]
D S2 =
2 4
n −1
S , (2.2.11)

откуда легко находится оценка для среднего квадратического отклонения

дисперсии:

2 2
σ ∗D = S .
n −1
Теперь для построения доверительного интервала с доверительной вероят-
ностью γ воспользуемся уравнением:

⎛
P ⎛⎜ S 2 − D ≤ ε ⎞⎟ ≡ 2Ф⎜
ε ⎞⎟ − 1 = γ.
⎝ ⎠ ⎜σ∗ ⎟
⎝ D⎠

Обозначив решение этого уравнения через ε ∗j , получаем доверительный ин-

тервал для дисперсии:

Ij ≈ (S 2
)
− ε ∗γ , S 2 + ε ∗γ . (2.2.12)

При получении интервальных оценок [формулы (2.2.5), (2.2.12)] мы пред-

положили наличие нормального распределения для m∗ и D = S2. Если нор-
мальный закон удовлетворяется лишь приближенно, то и оценки имеют при-
ближенный характер. Однако существуют и точные методы построения
доверительных интервалов. Но в этом случае нужно знать закон распределения
случайной величины Х, т. е. точную форму зависимости функции распределе-
ния F(X) от неизвестных параметров распределения m, σ и т. д. Наиболее хо-
рошо исследовано построение доверительных интервалов для нормально рас-
пределенной случайной величины Х.
В этом случае случайная величина

m∗ − M [ X ]
T= (2.2.13)
⎛ S ⎞
⎜ ⎟
⎝ n⎠
имеет распределение Стьюдента с n – 1 степенями свободы.

29
 Поэтому можно оценить вероятность:
⎛ ⎞
⎜ ⎟
m M [X ]
∗
P⎜ < tγ ⎟ = γ,
⎜ ⎛ S ⎞ ⎟
⎜ ⎜ ⎟ ⎟
⎝ ⎝ n⎠ ⎠
или
⎛ t S⎞
P⎜⎜ m∗ − M [ X ] < γ ⎟⎟ = γ.
⎝ n⎠
Окончательно:
⎛ t S t S⎞
P ⎜⎜ m∗ − γ < m < m∗ + γ ⎟⎟ = γ,
⎝ n n⎠
где tγ зависит от γ и n. Для функции tγ составлены подробные таблицы. Заме-
t S
тим, что этот метод полезен при малых выборках. При n < 30 числа γ и ε ∗γ
n
практически одинаковы. Таблица tγ приведена в приложении [8, c. 464].
Пример 2. В лаборатории имеется 8 генераторов. Время бесперебойной ра-
боты для них приведено в следующей таблице:
Время в месяцах 12 13 15 16 18
Кол−во 1 1 2 2 1

Требуется определить вероятность того, что среднее время бесперебойной

работы любого другого генератора будет отличаться от среднего времени не
более, чем на 2,5 месяца (δ = 2,5). С вероятностью γ = 0,95 найти доверитель-
ный интервал для среднего времени бесперебойной работы.
Решение.
Определим среднее значение времени бесперебойной работы:
12 + 13 + 3 ⋅ 15 + 2 ⋅ 16 + 18
m∗ = = 15 .
8
Вычисляем уточненное среднее квадратическое отклонение:

( −3 )2 + ( −2 )2 + 0 2 ⋅ 3 + 1 ⋅ 2 + 32 24
S= = ≈ 1,85 .
7 7

Поскольку выборка мала, воспользуемся таблицей для tγ = t(γ, n).

Имеем соотношение:
tγ ⋅ S
δ= = 2,5;
n
30
откуда
8 ⋅δ 8 ⋅ 2 ,5
tγ = = ≈ 382 .
S 1,85
При n = 8, t = 3,82 по таблице для tγ находим γ = 0,993.
Поскольку имеем P(⏐15 − m⏐ < 2,5) = 0,993, то событие {⏐15 − m⏐ < 2,5}
почти достоверно. Доверительный интервал определится из условия:
⎛ S S ⎞
P⎜ 15 − t j < m∗ < 15 + t j ⎟ = 0,95.
⎝ n n⎠
При n = 8, γ = 0,95 по таблице для tγ = t(γ, n) находим tγ = 2,37. Точность оценки:
tγ ⋅ S 2 ,37 ⋅ 1,85
δγ = = ≈ 1,55 .
n 8
Доверительный интервал имеет вид:
Iγ = (m* − δγ; m* + δγ) = (13,45; 16,55).
Пример 3. Проведем экспериментальный анализ частоты автогенератора,
которая является случайной величиной. Для экспериментальной оценки стати-
стических характеристик этой случайной величины необходимо применение
основных понятий теории вероятностей.
Для оценки основных статистических характеристик случайной величины
производят ее измерение. Например, в результате проведенных измерений по-
лучены распределения частот АГ в виде табл. 2.1.1.
Обработку этих данных для получения характеристик одномерной слу-
чайной величины производят построениями ряда распределения, диаграммы
накопленных частот, гистограммы. Помимо этого, определяют оценки мате-
матического ожидания, дисперсии и среднего квадратического отклонения.
Построение ряда распределения.
Ряд распределения получают из выборки экспериментальных данных путем
расположения X i ( i = 1, 2 , ..., N ) в порядке возрастания от X min до X max .
Пусть в результате проведенных измерений получено распределение
10 частот АГ в виде: 194766; 194645; 194730; 194730; 194901; 194810; 194701;
194810; 194850; 194870.
Тогда им соответствует ряд распределения: 194645; 194701; 194730; 194730;
194766; 194810; 194810; 194850; 194870; 194901.
Построение диаграммы накопленных частот (эмпирический аналог инте-
грального закона распределения).
Диаграмму строят в соответствии с формулой:
N
1
Fn ( X ) = ∑N ,
i =1

31
где N – число элементов в выборке, для которых значение X i < X .
Практически это делается следующим образом. На оси абсцисс откладывают-
ся интервалы, величина которых равна среднему квадратическому отклонению.
Первый интервал получают как [ f ср − S / 2; f ср + S / 2 ] , где для рассматри-
ваемого ряда распределения 194645; 194701; 194730; 194730; 194766; 194810;
N
194810; 194850; 194870; 194901 выборочная средняя fср = (1 / N) ∑ fi = 194767 Гц;
i =1
N
оценка дисперсии S 2 = ( 1 / N )∑ ( fi − f ср )2 = 1304 Гц ; оценка среднего квадра-
i =1

тического отклонения S = S 2 = 36 ,1 .
Следующие интервалы получают добавлением величины среднего квад-
ратического отклонения к границам первого интервала и далее к последующим
интервалам. На рис. 5 показаны восемь интервалов, которые построены в соот-
ветствии с изложенным выше.
Далее на оси абсцисс указывают значения наблюдений X max . Значение по
оси ординат равно нулю, левее точки X min и далее во всех других точках X max
диаграмма имеет скачок, равный 1/N. Если существует несколько совпа-
дающих значений X max , то в этом месте на диаграмме происходит скачок, рав-
ный a/N, где a – число совпадающих точек. Для величин X i > X max значение
диаграммы накопленных частот равно 1. Используя данные предыдущего при-
мера, построим диаграмму накопленных частот (рис. 7).

Рис. 7. Диаграмма накопленных частот и функция нормального распределения

Для выравнивания статистического распределения с помощью нормального

необходимо определить значения нормальной функции распределения на гра-
ницах интервалов по формуле:
32
 P = Φ * [( b − f ср ) / S ] ,

где b – граница интервала,

x
1
Φ( x ) = ⋅ ∫ e −0 ,5 t dt .
2π −∞

Значения нормальной функции распределения на границах интервалов при-

ведены в таблице 2.2.1.
Таблица 2.2.1

Границы интервалов Р
194641 0,0002
194677 0,0062
194713 0,0668
194749 0,3085
194785 0,6915
194821 0,9332
194857 0,9938
194893 0,9998
194929 1,0000

График функции нормального распределения совмещен на рис. 7 с диа-

граммой накопленных частот.
Построение гистограммы выборки (эмпирический аналог функции плотно-
сти распределения) и выравнивание статистического распределения с помо-
щью нормального распределения.
В таблице 2.2.2 приведены результаты измерения частоты автогенератора.

Таблица 2.2.2

N fi N fi N fi
1 194691 11 194830 21 194801
2 194730 12 194855 22 194845
3 194775 13 194835 23 194871
4 194771 14 194909 24 194860
5 194771 15 194850 25 194801
6 194764 16 194881 26 194825
7 194764 17 194795 27 194826
8 194766 18 194869 28 194815
9 194835 19 194797 29 194860
10 194801 20 194815 30 194821

По проведенным измерениям (табл. 2.2.2) вычислим выборочную среднюю X

и выборочное среднее квадратическое отклонение Sx:

33
 N
X ср = ( 1 / N ) ∑Xi =1
i = 194814 ,3 Гц ; ,

1 N
Sx
2
= ∑
N − 1 i =1
( X i − X )2 = 2175 ,8 Гц ; ,

2
S X = S X = 46 ,65 Гц .

Для построения гистограммы возьмем за центр распределения величину,

примерно равную выборочной средней 194814 Гц, и будем откладывать по оси
абсцисс интервалы, величина которых примерно равна оценке среднего квад-
ратического отклонения. Центр распределения совпадает с центром интервала
(рис. 7).
Заменим реальное распределение распределением в виде таблицы 2.2.3, где
выделено шесть интервалов соответственно попаданию в них N – частот рас-
пределения, и найдем P1 – отношение этих частот к общему числу измерений.

Таблица 2.2.3

Интервал N Pi
Начало Конец
194653 194699 1 0.033
194699 194745 1 0.033
194745 194791 6 0.2
194791 194837 13 0.43
194837 194883 8 0.27
194883 194929 1 0.03

Рис. 8. График функции нормального распределения

с диаграммой накопленных частот

Строим гистограмму (рис. 8), представляющую собой ступенчатую кривую,

значение которой на i-м интервале ( X i , X i +1 ) равно Pi .
34
 Для выравнивания статистического распределения с помощью нормального
необходимо определить значения функции нормального распределения на гра-
ницах интервалов.
1
y( U ) = ⋅ e −U /2
, π = 3 ,14 .
2

2π
В таблице 2.2.4 приведены значения функции нормального распределения.
Таблица 2.2.4

Частоты Y(U)
194814 194614 0,3989
194837 194791 0.3571
194883 194745 0,1295
194929 194699 0,0175

График функции нормального распределения совмещен на рис. 8 с гисто-

граммой.
Проверка гипотезы о нормальном распределении частоты АГ.
Для проверки гипотезы о нормальном распределении частоты АГ вос-
пользуемся результатами измерений (табл. 2.2.2).
Требуется проверить гипотезу о том, что генеральная совокупность всех
частот АГ распределена нормально.
Заменим полученное реальное распределение распределением в виде табл.
2.2.3, где выделено шесть интервалов, соответствующих попаданию в них час-
тот распределения.
В таблице 2.2.3 произведем замену каждого из 5 интервалов на среднюю
частоту в этом интервале.
Считаем, что выборочная средняя равна математическому ожиданию
( f ср = 194814,3 Гц) и выборочное среднее квадратическое отклонение s = σ = 46,65.
Вычислим теоретические частоты:
nit = [ N ⋅ h ⋅ y( U i ) / σ ],

где: N = 30 – объем выборки;

h = 46 − шаг (разность между двумя соседними вариантами);
U i = ( f i − f ср ) / σ – нормированная экспериментальная частота.

Таблица 2.2.5

Средняя частота интервала Число частот, попавших в интервал

194576 1
194722 1
194768 6
194814 13
194860 8
194906 1

35
 В таблицах 2.2.6, 2.2.7 помещены результаты вычислений теоретических
частот, соответствующих нормальному распределению и наблюдаемому зна-
чению критерия χ 2 Пирсона.

Таблица 2.2.6

i fi U i = ( f i − f ср ) / σ y(U) nit
1 194676 –3 0,0044 0,132
2 194722 –2 0,0540 1,62
3 194768 –1 0,2420 7,26
4 194814 0 0,3989 11,697
5 194860 1 0,2420 7,26
6 194906 2 0,0540 1,62

Таблица 2.2.7

( ni − nit )2
i ni nit ni – nit (ni – nit)2
nit
1 1 0,132 0,868 0,7534 5,7076
2 1 0,62 –0,62 0,3844 0,2373
3 6 0,26 –1,26 0,5876 0,2187
4 13 11,97 –1,303 0,6978 0,1452
5 8 7,26 0,74 0,5476 0,0754
6 1 1,62 –0,62 0,3844 0,2373

Суммируя значения из последнего столбца, получим:

χ набл
2
= 6,6215.

По таблице критических точек распределения χ 2 (хиквадрат) [8, приложе-

ние 5, с. 464], по уровню значимости a = 0,05 и числу степеней свободы
k = s − r = 6 – 3 = 3 ( s – число интервалов, r – число независимых условий,
которые заключаются в том, что, во-первых, сумма вероятностей всех частот
равна единице; во-вторых, теоретическое распределение подбирается с тем ус-
ловием, чтобы совпадали теоретические и статистические средние значения;
в-третьих, чтобы совпадали теоретические и статистические дисперсии) нахо-
дим критическую точку правосторонней критической области:
2
X кр ( 0 ,05;3 ) = 7,82.

2 2
Так как X набл < Х кр ( 0 ,05;3 ) , гипотезу о нормальном распределении генераль-
ной совокупности подтверждаем. Другими словами, измеренные и теоретиче-
ские частоты различаются незначительно.

36
 2.3. Основные законы распределения случайных величин,
применяемые при статистической обработке результатов
экспериментальных исследований

Выборочные характеристики параметров генеральной совокупности сами

являются случайными величинами, следовательно, имеют те или иные законы
распределения. В настоящей главе мы изучим наиболее часто встречающиеся
законы распределения таких характеристик.
Нормальное распределение.
Нормальный закон распределения случайных величин играет весьма важ-
ную роль в теории вероятностей и математической статистике. С одной сторо-
ны, этот закон наиболее часто встречается на практике, с другой – к этому за-
кону приближаются многие другие законы распределения в различных
предельных случаях. Например, этому закону подчиняется сумма или среднее
значение большого числа независимых или слабо зависимых случайных вели-
чин. Этот закон возникает в интегральной теореме Муавра-Лапласа и ряде дру-
гих важных задач.
Нормальный закон характеризуется плотностью вероятности:

1 ( x −m ) 2

f(х) = ⋅ e− 2σ . 2

σ 2π

График этой функции симметричен относительно точки x = m, в которой

1
f(x) достигает своего максимума, равного . При x → ±∞ кривая y = f(x)
σ ⋅ 2π
неограниченно приближается к оси Х.
Величина m представляет собой математическое ожидание случайной вели-
чины Х, распределенной по нормальному закону, а σ – среднеквадратическое
отклонение этой величины. Действительно,
∞ ∞ ( x − m )2
1
M [ x] = ∫ xf ( x )dx =
σ ⋅ 2π −∫∞
x ⋅e −
2σ 2 ⋅ dx =
−∞
x−m
= = t, dx = σ 2 dt =
σ 2
∞

∫ (m + σ )
1⋅σ 2 2
= 2t e −t dt =
σ ⋅ 2π −∞
∞ ∞
σ 2 −t 2 m 2

π −∫∞ ∫ e −t
= t e dt + dt .
π −∞

37
 В курсе математического анализа оба последних интеграла вычисляются:
∞ ∞

∫ t e dt = 0;
−t 2
∫ e−t dt = π .
2

−∞ −∞

Поэтому M[x] = m.
Аналогичным способом можно вычислить дисперсию:
∞

∫ ( x − M [X ] )
2
D[x] = f ( x )dX .
−∞

Читателю предлагается проверить, что

∞
1 ( x − m )2
∫( x − m ) dX = σ 2 ,
2 −
D[x] = e 2σ 2
σ 2π −∞

т. е. σ = D[x ] .
Нормальный закон распределения с математическим ожиданием m и сред-
ним квадратическим отклонением σ обычно обозначается N (m, σ).
Форма кривой y = f(x) зависит от параметров m и σ.
Прямая x = m является осью симметрии кривой. Это вытекает из самой
формулы для f(x). Если в ней заменить x – m на m – x, то f(x) не изменится.
Если же в нормальном законе менять величину m, то кривая y = f(x) будет
передвигаться параллельно самой себе вдоль оси x.
Величина σ характеризует форму кривой, а именно: чем меньше значение
σ, тем выше максимальное значение f(x), т. е. тем выше и уже форма кривой
около точки максимума. На рис. 9 приведено несколько кривых y = f(x) с раз-
личными значениями m и σ.

Рис. 9. Зависимость формы кривой нормального распределения от m и σ

38
 Вероятность попадания нормально распределенной случайной величины Х
в интервал (α, β) определяется формулой:
β
1 ( x −m ) 2

P(α < X < β ) = ∫ σ 2π e− 2σ dX . 2

С точки зрения вычислений правую часть этого выражения можно упро-

стить. Действительно,
x
1 ( x−m ) 2

F(х) = ∫ −
e 2σ dx . 2

−∞ σ 2π

Сделаем замену:
x−m
= t,
σ
тогда
x −m
σ
1 t2
F(х) =
2π ∫ e
−
2 dt .
−∞

Интеграл вида
x
1 t2
Ф(х) =
2π ∫e −
2 dt
−∞

называется интегралом вероятностей, или интегралом ошибок Гаусса. Он не

вычисляется в элементарных функциях, однако хорошо изучен и для него со-
ставлены подробные таблицы. В теории вероятностей Ф(х) называют иногда
нормальной функцией распределения. Ясно, что Ф(х) есть функция распреде-
ления вероятности для нормально распределенной случайной величины с
m = 0 и σ = 1.
Очевидно:

⎛ X −m⎞
F(X) = Ф ⎜ ⎟.
⎝ σ ⎠
Окончательно:

⎛β −m⎞ ⎛α − m ⎞
P(α < X < β) = Ф⎜ ⎟ − Ф⎜ ⎟.
⎝ σ ⎠ ⎝ σ ⎠

39
 β −m
Заметим, что есть расстояние от точки X = β до m, измеренное
σ
α −m
в среднеквадратических отклонениях σ. Аналогично определяется и .
σ
⎛α ⎞
Отсюда немедленно вытекает, что P(⏐X – m⏐ < α) = 2Ф ⎜ ⎟ − 1 .
⎝σ ⎠
Здесь мы использовали свойство симметричности:
Ф(–х) = 1 – Ф(х).
Для практических вычислений очень важны следующие соотношения:
P(⏐X – m⏐ < σ) ≈ 0,6826;
P(⏐X – m⏐ < 2σ) ≈ 0,9544;
P(⏐X – m⏐ < 3σ) ≈ 0,9973.
Последнее из этих соотношений известно в математической статистике под
названием «правило трех сигм», а именно: с вероятностью Р ≈ 0,9973 отклоне-
ние нормально распределенной случайной величины от математического ожи-
дания не превышает трех среднеквадратических отклонений σ.
В общем случае справедлива формула:
P(⏐X-m⏐ < kσ ) = 2Ф1(k),
где
x
1 x
2

2π ∫0
−
Ф1(x) = e 2 dx .

1
Заметим, что + Ф1(х) = Ф(х).
2
Пример 1. Математическое ожидание и дисперсия нормально распределен-
ной случайной величины Х равны 10 и 4 соответственно. Найти вероятность то-
го, что в результате эксперимента величина Х примет значение между 12 и 14.
Решение.
Вычисляем значение среднеквадратического отклонения: σ = D[x ] = 2.
Имеем α = 12; β = 14; m = 10; σ = 2.
β −m α −m
Поэтому = 2; = 1; Ф(2) = 0,9772; Ф(1) = 0,8413.
σ σ
Окончательно:
P(12 < X < 14) = Ф(2) – Ф(1) = 0,1359.

40
 Пример 2. Математическое ожидание и среднеквадратическое отклонение
нормально распределенной случайной величины Х равны соответственно 7 и 4.
Написать плотность распределения вероятности для Х.
Решение.
Из формулы для плотности нормального закона распределения сразу же имеем:
1 −
( x −7 ) 2

f(x) = e 32 .
4 2π
Распределение χ2.
Для вычисления точечных оценок дисперсии генеральной совокупности
используются выборочная или уточненная выборочная дисперсии. Обе эти
формулы содержат сумму квадратов значений признаков выборки.
Пусть случайные величины хi (I = 1, 2, ..., n) независимы и распределены по
нормальному закону N(0, 1). Найдем распределение случайной величины:
n
χ = ∑ xi2 .
2

i =1

Заметим, что χ2 ≥ 0, поэтому (χ2 < 0) = 0. Следовательно, представляет инте-

рес изучение распределения χ2 только на положительной полуоси. Обозначим:
Fn (x) = Р(χ2 < x).
По нашему предположению, случайные величины хi имеют плотность рас-
пределения:
xi2
1 −2
f(x )= e ,
i 2π
а их совместная плотность распределения определится соотношением:
1 n 1 n
f ( x1 , x2 , ..., xn ) = ( ) exp( − Σ xi2 ) .
2π 2 i =1
Поэтому можно записать:
n
1 n 1
Fn ( x ) = (
2π
) K ∫ ∫ exp( −
2
∑x
i =1
2
i )dx1 ...dxn .
χ 2 <x

Заметим, что область интегрирования представляет круг радиуса x1/2 в

n-мерном пространстве с центром в начале координат, причем переменная х
входит в Fn (x) только в качестве радиуса области интегрирования. Вычислим
приращение Fn (x), соответствующее приращению аргумента h:

41
 n
1 n 1
Fn ( x + h ) − Fn ( x ) = (
2π
) ∫ exp( −
2
∑x
i =1
2
i )dx1 ...dxn .
2
x< χ ≤ x + h

Применяя к последнему интегралу теорему о среднем значении, получим:

1 n 1
Fn( x + h ) − Fn( x ) = ( ) exp(− ( x +θ ⋅ h ) ∫ dx1...dxn , (2.3.1)
2π 2
x<χ2≤x+h

где 0 < θ < 1 – некоторая константа.

Оценим интеграл:

I( x ) =
n
∫ dx ...dx
1 n .
χ 2 = ∑ xi2 < x
i =1

Поскольку I(x) является объемом шара радиуса x1/2 в n-мерном пространст-

ве, то I(x) пропорционален xn/2:
n
I( x ) = Cx 2 .

Поэтому из формулы (2.3.1) получим:

n n
1
Fn ( x + h ) − Fn ( x ) − ( x +θh ) ( x+ h )2 − x2
= Ce 2 .
h h
Вычисляя предел при h→0, получим:
n 1
−1 − x
fn( x ) = Fn' ( x ) = Cx 2 e 2 . (2.3.2)

Используя условие нормировки для плотности распределения вероятности

Fn (∞) = 1,
получим:
∞ n x
−1 −
C ∫
0
x e dx
2 2 = 1.

x
Сделав замену переменной = z , приходим к равенству:
2
n ∞ n
−1
∫
−z 2
2 C e z dz
2 = 1.
0

42
 Учитывая, что интеграл в последнем соотношении представляет собой
Г-функцию Эйлера:
∞

∫
Г ( т ) = e −t t m−1dt ,
0

получим значение для С:

1
C= n
.
n
22 Г( )
2
Окончательно выражение для плотности распределения χ2 имеет вид:
n x
1 −1 −
fn( x ) = n
x e
2 2 .
n
22 Г( )
2
Этот закон распределения суммы квадратов n независимых нормально рас-
пределенных случайных величин называется χ2-распределением. Число n назы-
вается числом степеней свободы. Читателю предлагается убедиться, что
М[χ2] = n, D[χ2] = 2n.
Если число степеней свободы n > 30, то можно воспользоваться прибли-
женной формулой:

χ2 ≈
1
2
[ 2
( 2 n − 1 )1 2 + z , ]
где z имеет стандартное нормальное распределение N(0, 1).
χ2-распределение часто встречается в задачах проверки гипотез, а именно:
если
n
1
∗
D =
n ∑( x − m
i =1
i
∗ 2
)

есть выборочная дисперсия, построенная для нормально распределенной гене-

nD ∗
ральной совокупности с дисперсией σ2, то случайная величина 2 распреде-
σ
лена по закону χ с n – 1 степенью свободы.
2

χ2-распределение с m степенями свободы имеет следующие числовые ха-

рактеристики:
математическое ожидание M [X ] = m ;

дисперсию [ ]
D X 2 = 2m ;

43
 8
асимметрию β1 = ;
m
12
эксцесс β2 = .
m
T-распределение Стьюдента.
В задачах интервального оценивания математического ожидания нормально
распределенной генеральной совокупности при неизвестном среднем квадра-
тическом отклонении и многих других задачах необходимо знать распределе-
ние величины
z n
t= ,
v
где z распределена по закону N(0, 1), а v распределена по закону χ2 с n степеня-
ми свободы, причем эти случайные величины являются независимыми.
Закон распределения случайной величины t называется законом распреде-
ления Стьюдента с n степенями свободы.
Найдем плотность этого закона. Для этого определим совместную плот-
ность распределения случайных величин z и ν. Поскольку z имеет плотность
распределения вероятности:

x2
1 −
fz( x ) = e 2 ,
2π
а плотность распределения ν есть
n x
1 −1 −
fν ( x ) = n
x e
2 2 ,
n
22 Г( )
2
то совместная плотность распределения z и ν в силу независимости имеет вид:
z2 n ν
1 −2 1 −1 −
fν ,z ( z ,ν ) = e ν 2 e 2.
2π n
n
22 Г( )
2
Поэтому

z n x ν
Ft ,n ( x ) = P( t < x ) = P( < x ) = P( z < )=
ν n
z2 ν n
− − −1
=C ∫ e 2 2 ν 2 dzd ν,
x ν
z<
n

44
где
1
C= n
.
n
2π 22 Г( )
2
Переходя от двойного интеграла к повторному, получим:
x ν
∞ n −1 −ν n z2
−
Ft ,n ∫
( x ) = C ν 2 e 2 dν ∫ e 2 dz
.
0 −∞

Дифференцируя последнее выражение по переменной х, получим:

2
∞ n −1 −ν − x ν
2 2n ν
sn ( x ) = F ' t ,n ∫
(x)=C ν 2 e
n
dν =
0

n−1 ν x2
C ∞ − ( 1+ )

n ∫0
= ν 2 e 2 n dν .

Сделаем замену переменных:

x2
u = ν ( 1 + ),
n
тогда получим:
n+1
∞ n−1
C 2 2
sn ( x ) = n ∫ u 2 e −u du .
n x 2 2 +1 0
(1+ )
n
Заметим, что интеграл в последнем выражении выражается через
Г-функцию Эйлера и равен Г[(n + 1)/2].
Окончательно получим:
n+1
x2 −
sn ( x ) = Bn ( 1 + ) 2 ,
n
n+1
Γ( )
где Bn = 2 .
n
Γ ( ) nπ
2
График функции sn(x) симметричен относительно оси у, поэтому M[t] = 0.
При больших значениях n распределение близко к нормальному распределе-

45
нию N(0, 1). Например, при n > 30 погрешность между нормальным распреде-
лением и распределением Стьюдента составляет примерно 1 %. Однако при
малых n функция sn(x) убывает медленнее нормального распределения.
Основные числовые характеристики:
математическое ожидание M [t( n )] = 0 ;
n
дисперсия D[t( n )] = , существует только при n > 2;
n −1
асимметрия β1 = 0 ;
6
эксцесс β 2 = , существует только при n > 4.
n−4
Распределение Стьюдента часто применяется при статистической обработке
нормальных генеральных совокупностей. Прежде всего следует отметить, что
если X – нормальная генеральная совокупность с математическим ожиданием
(средним значением) α, S – исправленное выборочное среднее квадратическое
отклонение, x – выборочное среднее, n − объем выборки, то случайная вели-
n − 1( x − α )
чина t = распределена по закону Стьюдента с n − 1 степенью
S
свободы. Случайную величину t можно использовать для получения интер-
вальных оценок неизвестного среднего α генеральной совокупности, а также
для сравнения двух выборок.
F-распределение Фишера.
В задаче сравнения дисперсий различных генеральных совокупностей,
а также в ряде других задач дисперсионного анализа и статистического оцени-
вания необходимо знать закон распределения отношения независимых двух
случайных величин, распределенных по закону χ2 со степенями свободы n и m
соответственно. Этот закон получил название распределения Фишера-
Снедекора, или F-распределения.
Рассмотрим распределение случайной величины:

u
mu
F= n = ,
v nv
m

где u и v распределены по закону χ2 со степенями свободы n и m соответственно.

Совместная плотность распределения u и ν в силу независимости имеет вид:

n u +v m
1 −1 − −1
f n ,m ( u ,v ) = n+m
u2 e 2 v 2 ,
n m
2 2 Г( )Г ( )
2 2

46
поэтому функция распределения для F при х > 0 имеет вид:
mu
K ( x ) = P( F < x ) = P( < x ) = P( mu < xnv ) =
nv
n m −u v
−1 −1 −
=С ∫∫ u 2 v 2 e 2 e 2 dudv .
mu ≤ xnv

Вычислим приращение функции К(х):

m( x + h )v
∞ m −1 − v n n
−1 −
u

∫
K ( x + h ) − K ( x ) = C v 2 e 2 dv ∫ u 2 e 2 du .
0 mxv
n

Применяя к последнему интегралу теорему о среднем, получим:

∞ m v n m( x +θ h )v
−1 − m( x + θ h )v 2 −1 − mhv
K( x + h ) − K( x ) = ∫ v e (
2 2 ) e 2n dv .
0
n n

Разделив обе части последнего соотношения на h и вычисляя предел при

h→0, получим:
n ∞ v mx m + n
−1 − ( 1+ ) −1
kn ,m ( x ) = С0 x2 ∫
e 2 n v 2 dv .
0

После замены переменной

v xm
z = (1+ )
2 n
приходим к выражению
n+m n
n ∞ −1 −1
−1 z 2 x2
kn ,m ( x ) = C1 ∫
x 2 e− z
xm
n+m
dz = Cn ,m
xm
n+ m .
0
(1+ ) 2 (1+ ) 2
n n

Окончательно плотность распределения вероятности случайной величины,

F-распределенной со степенями свободы n и m, имеет вид:

kn ,m ( x ) = 0 , при x ≤ 0 ,

47
 n
−1
x2
kn ,m ( x ) = Cn ,m n+ m , при x > 0 ,
xm
(1+ ) 2
n
где
n
∞ −1
x2
Сn ,m = ( ∫ n+ m
dx )−1 .
0 xm
(1+ ) 2
n

Основные числовые характеристики:

n
математическое ожидание M [F ( m ,n )] = , существует только при n > 2;
n−2
2n2 ( m + n − 2 )
дисперсия D[F ( m ,n )] = , существует только при n > 4;
m( n − 2 )2 ( n − 4 )
( 2 m + n − 2 ) 8( n − 4 )
асимметрия β1 = .
(n −6 ) m + n − 2

F-распределение широко используется в дисперсионном анализе для срав-

нения выборочных дисперсий одной и той же генеральной совокупности. В ча-
стности, отношение двух выборочных дисперсий подчиняется
F-распределению с числами степеней свободы n1 – 1 и n2 – 1, где n1 и
n2 – объемы выборок.

2.4. Статистическая проверка гипотез при экспериментальных

исследованиях автогенератора и при обработке
результатов исследований

Как уже говорилось ранее, самой полной характеристикой случайной вели-

чины X является функция распределения. Однако в ряде задач эта функция
первоначально неизвестна и подлежит определению в результате обработки
статистического материала. В некоторых случаях можно лишь предполагать
тип закона распределения − нормальный, равномерный, Пуассона и т. д. В дру-
гих задачах тип распределения известен заранее, но параметры распределения
(например, m или σ для нормального закона) неизвестны.
Мы будем называть статистической гипотезой предположение о типе неиз-
вестного распределения или о неизвестных параметрах известного распреде-
ления. В этом плане предположение типа «распределение случайной величины
Х является нормальным» есть статистическая гипотеза. Предположение же ти-
па «завтра будет дождь» не является статистической гипотезой − здесь нет ни
распределения, ни неизвестных параметров распределения.
48
 Следуя терминологии математической статистики, выдвигаемая гипотеза
называется нулевой, противоречащая ей гипотеза – конкурирующей.
Обычно проверяется истинность нулевой гипотезы. Для этого чаще всего ис-
пользуется некоторая специальная случайная величина с известным законом рас-
пределения, называемая статистическим критерием. Множество значений оцени-
ваемого параметра делится на два подмножества. На первом из них нулевая
гипотеза принимается, оно называется областью принятия гипотезы. На втором
множестве критерий принимает такое значение, при котором нулевая гипотеза от-
вергается. Точки, разделяющие эти два множества, называются критическими точ-
ками; область, на которой нулевая гипотеза отвергается, называется критической.
Выдвигаемая гипотеза может быть правильной или неправильной. В результате
проверки выдвигаемой гипотезы также возможно сделать правильный или непра-
вильный вывод. Ошибки, которые возникают при этом, делятся на два типа.
Ошибки первого рода заключаются в том, что отвергается правильная гипотеза.
Ошибки второго рода заключаются в принятии неправильной гипотезы.
Введем еще одно важное понятие. Мощностью критерия называется веро-
ятность попадания в критическую область при условии справедливости конку-
рирующей гипотезы. Чем больше мощность критерия, тем вероятнее отверг-
нуть нулевую гипотезу, когда она неверна.
Рассмотрим задачу сравнения двух дисперсий, вычисленных по двум неза-
висимым выборкам, извлеченным из двух генеральных нормально распреде-
ленных совокупностей Х и У. Объем этих выборок n1 и n2 соответственно. По
этим выборкам вычисляются выборочные исправления дисперсии S x2 и S y2 , ко-
торые служат для проверки нулевой гипотезы.
Нулевая гипотеза Н0 : D(X) = D(У).
Обозначим большую из выборочных дисперсий Sδ2 , а меньшую через S m2 .
В качестве критерия выбираем отношение
Sδ2
F= 2, (2.4.1)
Sm
называемое дисперсионным отношением.
Распределение случайной величины F зависит только от объемов n1 – боль-
шей выборки и n2 – меньшей выборки.
Величины k1 = n1 – 1 и k2 = n2 – 1 называются степенями свободы, само рас-
пределение называется распределением Фишера–Снедекора.
В зависимости от вида конкурирующей гипотезы возможны два подхода к
решению задачи.
1. Конкурирующая гипотеза Н1 : D(X) > D(У).
При этом вычисляется наблюдаемое значение критерия:
Sδ2
Fнабл = 2,
Sm
и по таблице критических точек распределения Фишера-Снедекора, по задан-
ному уровню значимости α и по числам степеней свободы k1 и k2 находится
49
критическая точка Fкр (α, k1, k2), где k1 относится к большей исправленной дис-
персии. Если Fнабл < Fкр, то нет оснований отвергать нулевую гипотезу. Если
Fнабл > Fкр, то нулевую гипотезу отвергают.
Пример 1. По двум независимым выборкам, объемы которых равны n1 = 10
и n2 = 17, извлеченным из генеральных совокупностей Х и У, найдены исправ-
ленные выборочные дисперсии S x2 = 36 и S y2 = 12. На уровне значимости
α = 0,01 проверить нулевую гипотезу Н0 : D(X) = D(У) при конкурирующей
гипотезе Н1 : D(X) > D(У).
Решение.
36
Fнабл = = 3.
12
По таблице вычисляем Fкр (0,01; 9; 16) = 3,78. Имеем Fнабл < Fкр, поэтому нет
оснований отвергать нулевую гипотезу.
2. Конкурирующая гипотеза Н1 : D(X) ≠ D(У).
В этом случае критическую точку ищут в таблице по уровню значимости
α 2 , а все остальное без изменений.
Теперь рассмотрим задачу сравнения исправленной выборочной дисперсии
с гипотетической дисперсией генеральной совокупности Х с нормальным рас-
пределением.
Пусть гипотетическое значение дисперсии равно σ 02 . Эта величина может
быть получена теоретически или с помощью иных соображений. Пусть из ге-
неральной совокупности Х извлечена выборка объемом n, по которой вычисле-
на исправленная выборочная дисперсия σ2. По этой величине σ2 требуется при
заданном уровне значимости α проверить нулевую гипотезу
[ ]
Н1 : M S = σ 0 , иначе говоря, существенно или нет отличаются σ и σ 02 .
2 2 2

В качестве критерия проверки нулевой гипотезы выбирается случайная

величина

( n − 1 )σ 2
χ =
2
.
σ 02
В зависимости от вида конкурирующей гипотезы различаются три случая:
1. Конкурирующая гипотеза Н1 : σ2 > σ02.
Для принятия решения по уровню значимости α и числу степеней свободы
k = n – 1 с помощью таблицы критических точек распределения χ2 находится
величина χкр (α, k). Затем вычисляется наблюдаемое значение критерия:

( n − 1 )σ 2
χ 2
набл = .
σ 02
Если χ2набл < χ2кр, то нулевая гипотеза принимается.
Если χ2набл > χ2кр, то нулевая гипотеза отвергается.
50
 Пример 2. Из нормальной генеральной совокупности извлечена выборка
объема n = 21, по ней найдена исправленная выборочная дисперсия σ2 = 16,2.
Требуется при уровне значимости α = 0,01 проверить нулевую гипотезу
Н0 : σ2 = σ0215, приняв в качестве конкурирующей гипотезы Н1 : σ2 > 15.
Решение.
Вычисляем значение наблюдаемого критерия:

( n − 1 )σ 2 ( 21 − 1 )16 ,2
χ 2
набл = 2
= = 21,6 .
σ 0 15

По таблице, используя уровень значимости α = 0,01; по числу степеней сво-

боды k = n − 1 = 20 находим критическую точку: χ2кр (0,01; 20) = 37,6.
Поскольку χ2набл < χ2кр, нет необходимости отвергать нулевую гипотезу.
2. Конкурирующая гипотеза Н1 : σ 2 ≠ σ 02
Для принятия решения по уровню значимости α находим левую и правую
критические точки:
α α
χ2лев. кр (1 – ; k) и χ2прав. кр ( ; k).
2 2
Если χ2лев. кр < χ2набл < χ2прав. кр, то нулевая гипотеза сохраняется, в противном
случае она отвергается.
3. Конкурирующая гипотеза Н1 : σ2 < σ02.
Находим критическую точку χ2кр (1 – α; k).
Если χ2набл > χ2кр (1 – α; k), нет оснований отвергать нулевую гипотезу,
в противном случае она отвергается.
Теперь займемся сравнением математических ожиданий. Прежде всего,
рассмотрим алгоритм проверки нулевой гипотезы о равенстве математических
ожиданий двух генеральных совокупностей Х и У Н0 : M[X] = M[У].
Поскольку выборочное среднее является несмещенной оценкой математи-
ческого ожидания, то нулевую гипотезу можно переписать в терминах выбо-
рочных средних: Н0 : Х = У .
Предположим вначале, что дисперсии известны. В качестве критерия про-
верки нулевой гипотезы выберем случайную величину:
X −У
Z= , (2.4.3)
D[ X ] D[ У ]
+
n m
где n и m – объемы выборок из Х и У соответственно. Критерий Z является
нормальной случайной величиной с нулевым математическим ожиданием
и единичной дисперсией.
В зависимости от вида конкурирующей гипотезы Н1 возможны следующие
случаи:

51
 1. Для принятия решения по уровню значимости α при конкурирующей
гипотезе Н1 : M[X] ≠ M[У] вычисляем наблюдаемое значение критерия Z:
X −У
Zнабл = ,
D[ X ] D[ У ]
+
n m
и по таблице функции Лапласа Ф(Z) находим критическую точку из уравнения:
1−α
Ф(Zкр) = .
2
Если |Zнабл| < Zкр, то нет оснований отвергать нулевую гипотезу.
Если |Zнабл| > Zкр, то нулевую гипотезу отвергают.
2. При конкурирующей гипотезе Н1 : M[X] > M[У] находим критическую
точку по таблице функции Лапласа из уравнения:
1 − 2α
Ф(Zкр) = .
2
Если Zнабл < Zкр, то нет оснований отвергать нулевую гипотезу.
Если Zнабл > Zкр, то нулевую гипотезу отвергают.
3. При конкурирующей гипотезе Н1 : M[X] < M[У] находим критическую
точку так же, как и в предыдущем случае.
Если Zнабл > −Zкр, то нет оснований отвергать нулевую гипотезу, в против-
ном случае нулевая гипотеза отвергается.
Пример 3. Даны две генеральные совокупности Х и У, причём D[X] = 80,
D[У] = 100 .
Из этих совокупностей извлечены две выборки объемом n = 40 и m = 50,
найдены выборочные средние Х = 130 и У = 140. На уровне значимости
α = 0,01 проверить нулевую гипотезу Н0 : M[X] = M[У] при конкурирующей
гипотезе Н1 : M[X] ≠ M[У].
Решение.
Вычисляем наблюдаемое значение критерия по формуле (2.4.3):
130 − 140
Zнабл = = −5 .
80 100
+
40 50
Находим критическое (Zкр) значение из уравнения:
1 − 0 ,01
Ф(Zкр) = = 0 ,495.
2
По таблице функции Лапласа находим Zкр = 2,58.
Поскольку |Zнабл| > Zкр, то нулевую гипотезу отвергаем и считаем, что выбо-
рочные средние отличаются существенно.
52
 В некоторых задачах требуется определить значение среднего m генераль-
ной нормальной совокупности. Иногда это определение сводится к проверке
нулевой гипотезы Н0 : m = m0, где m0 – гипотетическое предполагаемое значе-
ние для m. Если дисперсия σ2 генеральной совокупности Х известна, то для
проверки нулевой гипотезы используется критерий:

U=
(X − m ) 0 n
. (2.4.4)
σ
В соответствии с центральной предельной теоремой величина U распреде-
лена приблизительно по нормальному закону с нулевым средним и единичной
дисперсией. Поэтому U выбирается в качестве критерия проверки нулевой ги-
потезы, а именно:
1. Для того чтобы при заданном уровне значимости α проверить нулевую
гипотезу Н0 : m = m0 (о равенстве средней генеральной нормальной совокупно-
сти Х с известной дисперсией σ2 гипотетическому значению m0) при конкури-
рующей гипотезе Н0 : m ≠ m0, необходимо вычислить наблюдаемое значение
критерия:

Uнабл =
(X − m ) 0 n
,
σ
где X − среднее выборочное значение признака Х, n – объем выборки.
После этого по таблице функций Лапласа находится критическая точка из
1−α
уравнения Ф(Uкр) = .
2
Если |Uнабл| < Uкр, то нет оснований отвергать нулевую гипотезу, в против-
ном случае гипотеза Н0 отвергается.
2. Если конкурирующая гипотеза имеет вид Н1 : m > m0, то критическое
значение находится из уравнения:
1 − 2α
Ф(Uкр.) = .
2
Если Uнабл < Uкр, нет оснований отвергать нулевую гипотезу, в противном
случае Н0 отвергается.
3. Если в качестве конкурирующей гипотезы выбирается Н1 : m < m0, то
Uкр находится как в предыдущем разделе. Если Uнабл > –Uкр, нет оснований от-
вергать нулевую гипотезу, в противном случае Н0 отвергается.
Если же дисперсия генеральной совокупности Х неизвестна, то в качестве кри-
терия проверки нулевой гипотезы Н0 : m = m0 выбирается случайная величина:

T=
(X − m ) 0 n
, (2.4.5)
S

53
 1 n
2
где S = ∑
n − 1 i=1
ni(X i − X )2 − исправленная выборочная дисперсия, а S − ис-
правленное среднее квадратическое отклонение. Случайная величина Т имеет
распределение Стьюдента с k = n − 1 степенями свободы.
Теперь оценка нулевой гипотезы Н0 : m = m0 в зависимости от вида конку-
рирующей гипотезы проводится следующим образом.
Вычисляется наблюдаемое значение критерия Тнабл:

Tнабл. =
(X − m ) 0 n
. (2.4.6)
S
1. При конкурирующей гипотезе Н1 : m ≠ m0 по таблице критических точек
распределения Стьюдента по заданному уровню значимости α и числу степе-
ней свободы k = n − 1 находится двустороннее критическое значение tдв.(α, k).
Если |Tнабл| < tдв, то нет оснований отвергать нулевую гипотезу. В против-
ном случае Н0 отвергается.
2. При конкурирующей гипотезе Н1 : m > m0 по заданному уровню значимо-
сти α и числу степеней свободы k= n − 1 находится правосторонняя критиче-
ская точка tпр(α, k).
Если |Tнабл| < tпр, то нет оснований отвергать нулевую гипотезу. В против-
ном случае Н0 отвергается.
3. Если в качестве конкурирующей гипотезы выбирается Н1 : m< m0, то, как
и в предыдущем пункте, вычисляется tпр(α, k).
Если |Tнабл| < tпр, то нет оснований отвергать нулевую гипотезу. В против-
ном случае Н0 отвергается.
Распределение Стьюдента используется также для проверки равенства
средних X и У двух нормальных генеральных совокупностей Х и У с неиз-
вестными дисперсиями по выборкам одного и того же объема n.
Действительно, если Xi есть выборка объема n из генеральной совокупности
Х, a Уi – аналогичная выборка из У, то составляются разности di = X i − У i .
Затем по выборке di составляется исправленное среднее квадратическое от-
клонение Sd.
Для того чтобы проверить нулевую гипотезу Н0 : M[X] = M[У] о равенстве
двух средних из нормальных совокупностей Х и У при конкурирующей гипо-
тезе Н1 : M[X] ≠ M[У], следует вычислить значение критерия:

d⋅ n
Tнабл.= , (2.4.7)
Sd
n
1
где d =
n ∑d
i =1
i − среднее значение для di.

Затем по данному уровню значимости α, числу степеней свободы k = n − 1

по таблице распределения Стьюдента находится двусторонняя критическая
54
точка tдв.кр(α, k).
Если |Tнабл| < tдв, то нет оснований отвергать нулевую гипотезу.
Если |Tнабл| > tдв, то нулевая гипотеза отвергается.
Приведем еще одно применение распределения Стьюдента. Пусть имеются
две нормально распределенные генеральные совокупности X и У. Из этих со-
вокупностей извлечены две выборки одинакового объема n. По этим выборкам
найден коэффициент корреляции rxy, причем оказалось, что rxy ≠ 0.
Требуется проверить нулевую гипотезу Н0 : rxy = 0 – о равенстве нулю ко-
эффициента корреляции rxy для генеральных совокупностей X и У при конку-
рирующей гипотезе Н0 : rxy ≠ 0.
Для этого необходимо вычислить наблюдаемое значение критерия:

rxy n − 2
Tнабл. = . (2.4.8)
1 − rxy2

По уровню значимости α и числу степеней свободы k = n – 2 по таблице

Стьюдента находится двусторонняя критическая точка tдв.кр(α, k).
Если |Tнабл| > tдв.кр, то нулевую гипотезу отвергают.
Если |Tнабл| < tдв.кр, то нет оснований отвергать нулевую гипотезу.
В заключение приведем два критерия, с помощью которых можно прове-
рить гипотезу о равенстве дисперсий различных генеральных совокупностей.
Пусть Х1, Х2, …, Хm представляют собой некоторые генеральные совокупно-
сти, распределенные по нормальному закону, и требуется на уровне значимо-
сти α проверить нулевую гипотезу о равенстве между собой дисперсий этих
генеральных совокупностей:
Н0 : D[X1] = D[X2] = … = D[Xm].
Пусть из каждой генеральной совокупности извлечены выборки равного
объема n. По этим выборкам вычислены уточненные выборочные дисперсии
S21, S22, …, S2m.
Известно, что для проверки нашей нулевой гипотезы может служить сле-
дующий критерий, называемый критерием Кочрена:

max Si2
G= n
.
∑ Si2
i =1

Ясно, что критерий Кочрена представляет собой отношение максималь-

ной уточненной выборочной дисперсии к сумме всех полученных уточнен-
ных выборочных дисперсий. Распределение критерия Кочрена зависит от
числа степеней свободы k = n − 1 и числа выборок m. Для проверки нулевой
гипотезы поступаем обычным образом, а именно вычисляем наблюдаемое
значение критерия:

55
 max Si2
Gнабл = m
.
∑
i =1
Si2

Затем с учетом числа степеней свободы k = n − 1 и числа выборок m по табли-

це критических значений распределения Кочрена находим Gкр. Если Gнабл < Gкр,
то основная гипотеза принимается, в противном случае нулевая гипотеза от-
вергается. При этом в качестве оценки для общего значения дисперсий обычно
выбирается их среднее значение:
m
1
D[X] =
m ∑S
i =1
i
2
.

Имеется обобщение критерия Кочрена, которое называется критерием

Бартлетта. Критерий Бартлетта решает ту же задачу, однако выборки из гене-
ральных совокупностей Х1, Х2, …, Хm могут иметь различные объемы ni, причем
ni ≥ 4. Для того чтобы на уровне значимости α проверить нулевую гипотезу о ра-
венстве дисперсий генеральных совокупностей Н0 : D[X1] = D[X2]= … = D[Xm],
m
введем обозначения: ki = ni − 1 и пусть k = ∑k .
i =1
i

Обозначим:
m

∑k S i i
2

s2 = i =1
,
k
m
V = 2,303(k lg s 2 − ∑ k lg s
i =1
i
2
i ),

m
1
C = 1+
3(m - 1)
( ∑ 1/k − 1/k) .
i =1
i

Критерием Бартлетта называется величина

V
B= .
C
Оказывается, что критерий Бартлетта имеет χ2-распределение. Критическое
значение критерия Бартлетта зависит от уровня значимости α и числа степеней
свободы m − 1. По таблице критических значений χ2 находим соответствующее
критическое значение χ2кр и сравниваем его с Внабл. Если Внабл < χ2кр, то нет ос-
нований отвергать нулевую гипотезу, в противном случае нулевая гипотеза от-
вергается.

56
 Заметим, что критерий Бартлетта очень критичен к закону распределения
генеральной совокупности и при малейшем отклонении его от нормального
приводит к значительным ошибкам. Поэтому использовать критерий Бартлетта
следует лишь в крайних случаях, а на практике стараться делать исследуемые
выборки равных объемов и использовать критерий Кочрена.

2.5. Имитационная математическая модель частоты автогенератора

(корреляционный анализ)

При изучении различных естественнонаучных, технических, экономических

и ряда других задач часто возникает необходимость установить взаимосвязь
между двумя или несколькими величинами. Эти взаимосвязи могут иметь раз-
личную природу, важнейшими из них являются следующие:
1. Функциональная зависимость означает, что задан детерминированный
закон, связывающий изучаемые величины. Если величин две − Х и У, то функ-
циональная зависимость означает наличие связи типа У = f (X).
2. Статистическая зависимость между случайными переменными Х и У оз-
начает, что изменение одной из них приводит к изменению закона распределе-
ния другой.
3. Корреляционная зависимость между двумя случайными величинами Х
и У означает, что изменение одной из них приводит к изменению математиче-
ского ожидания другой. В этом плане можно считать корреляционную зависи-
мость частным случаем статистической зависимости.
Примером корреляционной зависимости является, например, зависимость
между ценами на топливо и ценами на строительные материалы, либо зависи-
мость между ростом и весом человека. Рассмотрим более подробно смысл
и содержание корреляционных зависимостей. Пусть имеются случайные вели-
чины Х и У и нас интересует вопрос − зависит или нет Х от У. Пусть в резуль-
тате наблюдений мы можем одновременно определить значения Xi и Уi. Соста-
вим таблицу 2.5.1, которая называется корреляционной.
Заметим, что в этой таблице
m k k m

∑n
j =1
je = n ye , ∑n
i =1
ei = nxe , ∑n
e =1
ye = ∑n
e =1
xe = n.

Таблица 2.5.1

у
У1 У2 ... Уk Σnx
х
X1 n11 n12 ... N1k Σn1j
X2 n21 n22 ... N2k Σn2j

Xm nm1 nm2 .. nmk Σnmj

Σny Σni1 Σni2 ... Σnik Σnij

57
 Здесь nij обозначает количество реализаций, в которых наблюдалась пара
xi, yj. Предполагается, что x1, x2 , …, xm и y1, y2, …, yk упорядочены по возраста-
нию. Назовем условным средним значением случайной величины У при усло-
вии, что x = xi , величину

ni 1 y1 + ni 2 y2 + K + nik yk
У xi = .
ni 1 + ni 2 + K + nik

Аналогично, условным средним значением Х при условии y = yi называется

величина
n1 j x1 + n2 j x2 + K + nmj xm
X yj = .
n1 j + n2 j + K + nmj

По таблице 2.5.1 можно составить две новые таблицы.

Таблица 2.5.2

X1 X2 ... Xm
Уx1
Уx 2
... У xm

Таблица 2.5.3

У1 У2 ... Уm
Ху 1
Ху 2
... Хy m

Ломаная линия, построенная по таблице 2.5.2, называется эмпирической

линией регрессии У на Х. Аналогично линия для таблицы 2.5.3 называется эм-
пирической линией регресcии Х на У.
В ряде случаев вместо эмпирической линии регрессии строят плавную ли-
нию, иногда просто прямую линию, наилучшим образом приближающую дан-
ные таблиц 2.5.2 или 2.5.3. Такая линия (или прямая) называется теоретиче-
ской линией (или прямой регрессии). Корреляционная зависимость называется
прямой корреляцией, если линия регрессии возрастает. В противном случае за-
висимость называется обратной корреляцией. Проще всего искать линию рег-
рессии в виде многочлена. Коэффициенты этого многочлена определим сле-
дующим способом, который называется методом наименьших квадратов.
Будем искать линию регрессии с У на Х по таблице 2.5.2 в виде многочлена:

у = a0 x e + a1 x e−1 + a2 xl −2 + K + ae−1 x + ae . (2.5.1)

Составим следующую сумму:

m
S= ∑
i =1
( уi − a0 xie − a1 xie−i − K − ae−1 xi − a e )2 . (2.5.2)

58
 Сумма S является функцией коэффициентов многочлена (2.5.1) и при неко-
торых значениях коэффициентов a0, a1,… ae, достигает наименьшего значения.
Эти значения находятся из решения системы уравнений:
∂S
= 0;
∂ ao
∂S
= 0; (2.5.3)
∂ a1
..............
∂S
= 0.
∂ aе
Система (2.5.3) представляет собой необходимое условие экстремума функ-
ции (2.5.2) и может быть переписана в более подробном виде. Действительно, т. к.
∂S
= 2∑ ( уi − a0 xie − a1 xie−i − K − a e )(− xil −1 ),
m

∂a j i =1

то система (2.5.3) принимает вид:

m m m m
ao ∑
i =1
xi2 e + a1 ∑
i =1
xi2 e−1 + K + ae ∑
i =1
xie = ∑у х ;
i =1
e
i i

m m m m
ao ∑
i =1
xi2 e−1 + a1 ∑
i =1
xi2 e−2 + K + ae ∑
i =1
xie−1 = ∑у x
i =1
e −1
i i ; (2.5.4)
m m m m
ao ∑x
i =1
e
i + a1 ∑x
i =1
e −1
i + K + ae ∑1 = ∑ у .
i =1 i =1
i

Доказано, что эта система уравнений всегда имеет единственное решение,

поэтому теоретическая линия регрессии вида (2.5.1) единственна. Наиболее про-
стой вид система (2.5.4) принимает для случая линейной регрессии y = ax + b.
В этом случае
m
S= ∑
i =1
( уi − axi − b) .
2

Вычисляя производные:
∂S m
= 2∑ ( уi − axi − b )(− xi ) ,
∂a i =1
∂S m
= 2∑ уi − axi − b )(− 1)
∂b i =1

и приравнивая их к нулю, получаем систему уравнений:

59
 m m m
a ∑ i =1
xi2 +b ∑x = ∑у x ,
i =1
i
i =1
i i (2.5.5)
m m
a ∑x
i =1
i +b⋅m = ∑у .
i =1
i

Решая систему, получаем:

⎛ m ⎞⎛ m ⎞
m

∑
m уi xi − ⎜⎜ xi ⎟⎟⎜⎜ уi ⎟⎟
⎝ i −1 ⎠⎝ i =1 ⎠ ,
∑ ∑
a = i −1 2
(2.5.6)
m
⎛ m
⎞
m xi2 − ⎜⎜ xi ⎟⎟
i =1
∑
⎝ i =1 ⎠
∑
m m m m

∑ ∑ у −∑x ∑у x
i =1
xi2
i −1
i
i =1
i
i =1
i i
b= 2
. (2.5.7)
⎛ m ⎞
m

∑
m xi − ⎜⎜ xi ⎟⎟
i =1
2

⎝ i =1 ⎠
∑
Аналогично можно построить прямую регрессии с Х на У. Представим таб-
лицу 2.5.1 в виде простого статистического ряда, который содержит все вы-
полненные наблюдения над случайными величинами Х и У:

x1 x2 ... xn
y1 y2 ... yn

Выборочные средние обозначим X и Y соответственно. Выборочным ко-

вариационным моментом, или выборочной ковариацией, называется величина

1 n
K xy = ∑ (xi − X )( yi − У ). (2.5.8)
n i =1
Нетрудно увидеть, что Kxy = XY − XY .
Если Х и У – независимые случайные величины, то при n → ∞ величина
Kxy → 0. Таким образом, ковариационный момент может служить мерой корре-
ляционной связи между Х и У. Однако более удобной характеристикой корре-
ляционной связи является коэффициент корреляции.
Выборочным коэффициентом корреляции rxy называется величина
n
∑ (xi − X )( yi − У ) K xy
rxy= i =1 = . (2.5.9)
n n σ ∗x ⋅ σ ∗y
∑ (xi − X ) ∑ (уi − У )
2 2

i =1 i =1

60
 Эта формула может быть записана несколько иначе:

XУ − X ⋅ У
rxy = . (2.5.10)
σ ∗x ⋅ σ ∗y
Выборочный коэффициент корреляции обладает следующими свойствами:
1. –1 ≤ rxy ≤ 1.
2. Если rxy = 0, то с большой вероятностью между Х и У нет линейной кор-
реляционной связи, хотя возможна другая корреляционная зависимость (на-
пример, квадратическая, кубическая и т. д.).
3. Если rxy = ± 1, то с большой вероятностью между Х и У существует ли-
нейная зависимость.
4. Чем больше |rxy|,тем теснее связь между Х и У.
5. Если |rxy| n − 1 > 3, то связь между Х и У достаточно вероятна.
6. Если У = aX + b, то |rxy| = 1.
Заметим, что прямая регрессии У на Х может быть записана с помощью вы-
борочного коэффициента корреляции следующим образом:

σ ∗y
y − У = rxy ∗ (х − X ). (2.5.11)
σx
Аналогично записывается уравнение регрессии c Х на У:

х − X = rxy ∗x (y − У ) .
∗
σ (2.5.12)
σy
В качестве примера найдем линию регрессии для зависимости частоты АГ
от емкости контура, полученную экспериментально (таблица 2.5.4).

Таблица 2.5.4

С, пФ 100 510 1000 10000

F, кГц 586633 459894 F398486 129148

Найдем уравнение регрессии при аппроксимации линейным выражением

Y = A + B1X. Нормальное уравнение для построения аппроксимирующего по-
линома получают, используя метод наименьших квадратов. Нужно минимизи-
ровать D:
N
D= ∑( Y
j =1
j − A − B1 X j )2 .

Если взять частные производные по A, B1 и приравнять их к нулю, получим:

61
 N
dD
= 2∑ [( Y j − A − B1 X j ) ⋅ ( −1 )] = 0 ;
dA j =1
N
dD
= 2∑ [( Y j − A − B1 X j ) ⋅ ( − X j )] = 0 .
dB j =1

После перестановки членов и упрощения приходим к двум уравнениям для

оценок параметров А и B1:
N N
N ⋅ A + B1 ⋅ ∑ X j =∑ Y j ;
j =1 j =1
N N N
A ⋅ ∑ X j + B1 ⋅∑ X j =∑ X jY j .
2

j =1 j =1 j =1

Имеем два уравнения с двумя неизвестными A, B1. Обозначим:

N N
N = a11 ; a12 = ∑X
j =1
j; b1 = ∑Y ;
j =1
j

N 2 N
a21 = a12 ; a22 = ∑X
j =1
j ; b2 = ∑X Y .
j =1
j j

Тогда расширенная матрица системы запишется так:

a11 a12 b1
.
a21 a22 b2

Решим эту систему методом Крамера, для чего вычислим следующие опре-
делители:

a11 a12
Δ= = a11 ⋅ b2 − a12 ⋅ a21 ;
a21 a22
b1 a12
ΔA = = b1 ⋅ a22 − b2 ⋅ a12 ;
b2 a22
a11 b1 ΔA Δ
ΔB = = a11 ⋅ b2 − b1 ⋅ a21 ; A= ; B1 = B .
a21 b2 Δ Δ

Проведенные расчеты для выборочной средней частоты позволили найти

следующие величины:
b1 = 1574,161; а12 = 11610; а22 = 101270096; b2 = 1983175,25;
А = 504,612; B1 = –0,0383.

62
 Уравнение для частоты в зависимости от емкости колебательного контура
записывается:
Y = A + B1X = 504,612 – 0,0383Х.
Подстановка в полученное уравнение значений емкости контура позволила
получить следующие результаты, сведенные в табл. 2.5.5:

Таблица 2.5.5

С, пФ 100 510 1000 10000

Y, КГц 586,6 459,89 398,48 129,14 Получено экспериментально
Получено из уравнения
Y, КГц 500,7 485,09 466,34 121,93
линейной регрессии

Нелинейная регрессия
Сравнение частот АГ, измеренных экспериментально и полученных на ос-
новании линейной модели, показывает, что линейная модель недостаточно
точно отображает зависимость частоты от емкости колебательного контура АГ.
Поэтому найдем криволинейное уравнение регрессии. В данном случае нужно
минимизировать D:
N
D = ∑ ( Y j − A − B1 X − B2 X 2 )2 .
j =1

Взяв частные производные, после перестановки членов и упрощения при-

ходим к трем уравнениям для оценок параметров A, B1, B2:
N N N
N ⋅ A + B1 ∑ X j + B2 ∑ X j = ∑ Y j ;
j =1 j =1 j =1

N N 2 N N
A∑ X j + B1 ∑ X j + B2 ∑ X j = ∑ X jY j ;
3

j =1 j =1 j =1 j =1
N N N N
A∑ X j + B1 ∑ X j + B2 ∑ X j = ∑ X j Y j .
2 3 4 2

j =1 j =1 j =1 j =1

Имеем три уравнения с тремя неизвестными A, Bl, В2. Обозначим:

N N N
N = a11 ; a12 = ∑ X j ; a13 = ∑ X j ; b2 = ∑ Y j ;
2

j =1 j =1 j =1

a21 = a12 ; a22 = a13 ; a31 = a13 ;

N N N N
a23 = ∑ X j ; b2 = ∑ X jY j ; a33 = ∑ X j ; b3 = ∑ X j Y j .
3 4 2

j =1 j =1 j =1 j =1

63
 Тогда расширенная матрица системы запишется следующим образом:
a11 a12 a13 b1
a21 a22 a23 b2 .
a31 a32 a33 b3

Решим эту систему также методом Крамера, для чего вычислим определители:
a11 a12 a13
a ⋅a ⋅a + a ⋅a ⋅a + a ⋅a ⋅a −
Δ = a21 a22 a23 = 11 22 33 12 23 31 13 21 32
− a13 ⋅ a22 ⋅ a31 − a12 ⋅ a21 ⋅ a33 − a11 ⋅ a23 ⋅ a32 ;
a31 a32 a33
b1 a12 a13
b ⋅a ⋅a + a ⋅a ⋅b + a ⋅b ⋅a −
ΔA = b2 a22 a23 = 1 22 33 12 23 3 13 2 32
− a13 ⋅ a22 ⋅ b3 − a12 ⋅ b2 ⋅ a33 − b1 ⋅ a23 ⋅ a32 ;
b3 a32 a33
a11 b2 a13
a ⋅b ⋅ a + b ⋅ a ⋅ a + a ⋅ a ⋅b −
ΔB1 = a21 b2 a23 = 11 2 33 1 23 31 13 21 3
− a13 ⋅ b2 ⋅ a31 − b1 ⋅ a21 ⋅ a33 − a11 ⋅ a23 ⋅ b3 ;
a31 b3 a33
a11 a12 b3
a ⋅ a ⋅ b + a ⋅ b ⋅ a + b ⋅ a21 ⋅ a32 −
ΔB 2 = a21 a22 b2 = 11 22 3 12 2 31
− b1 ⋅ a22 ⋅ a31 − a12 ⋅ a21 ⋅ b3 − a11 ⋅ b2 ⋅ a32 ;
a31 a32 b3
ΔA Δ Δ
A= ; B1 = B1 ; B2 = B 2 .
Δ Δ Δ
Проведенные расчеты позволили найти величины:
Δ = 9,665 · 1021;
ΔB1 = –2,202 · 1021;
ΔA = 5,763 · 1024;
ΔB2 = 1,751· 1017;
А = 595,253; B1 = –0,228; B2 = 0,00001811.
Уравнение для частоты в зависимости от емкости колебательного контура
записывается как
Y = A + B1 X + B0 X2 = 596,253 – 0,228Х + 0,00001811Х2.
Подстановка в полученное уравнение значений емкости контура позволило
получить результаты, сведенные в таблице 2.5.6.
Сравнение частот АГ, измеренных экспериментально и полученных на ос-
новании линейной и криволинейной моделей, показывает, что криволинейная
модель более точно отображает зависимость частоты от емкости коле-
бательного контура АГ.

64
 Таблица 2.5.6

С, пФ 100 510 100 10000

Y, КГц 586,633 459,89 398,486 129,148 Эксперимент
Y, КГц 573,651 484,77 386,535 129,204 Нелинейная регрессия

Сравнение частот автогенератора, измеренных экспериментально и полу-

ченных на основании линейной и криволинейной моделей, показывает, что
криволинейная модель более точно отображает зависимость частоты автогене-
ратора от емкости контура.

2.6. Исследование влияния элементов схемы

автогенератора на его частоту (дисперсионный анализ)

Под дисперсионным анализом (analysis of variance) понимается статистиче-

ский метод, предназначенный для изучения влияния различных факторов на
результаты эксперимента. Дисперсионный анализ был первоначально предло-
жен Р. Фишером, который определил его как метод отделения дисперсии, при-
писываемой различным группам исследуемых факторов. Этот метод позволил
рассматривать с единой точки зрения многие задачи теории оценивания и про-
верки гипотез в моделях регрессии. Современные приложения дисперсионного
анализа охватывают широкий круг задач экономики, биологии и техники.
В основе каждой задачи дисперсионного анализа лежит план эксперимента,
то есть правило соотнесения проводимых измерений с определенной комбина-
цией рассматриваемых факторов. Методом дисперсионного анализа можно
оценивать эффекты от каждого фактора и каждой комбинации факторов, а
также случайные ошибки. Возникающие здесь статистические задачи связаны
с оценкой этих эффектов и проверкой статистических гипотез о них. Формули-
ровка и проверка соответствующих статистических гипотез и является содер-
жанием дисперсионного анализа.
Следует заметить, что дисперсионный анализ предназначен для обработки
планируемых экспериментов, однако его широко применяют для обработки
экспериментальных данных, полученных без предварительного планирования,
например, в задачах выборочных обследований.
Задачи дисперсионного анализа различают по характеру анализируемых
факторов: рассматривают задачи с постоянными факторами, со случайными
и смешанные, а также задачи, в которых часть факторов является количествен-
ными (регрессионными) переменными, а часть имеет неколичественный харак-
тер. Методы решения таких задач составляют так называемый ковариационный
анализ. Кроме того, задачи дисперсионного анализа различают по числу анали-
зируемых факторов (анализ однофакторный, двухфакторный и т. д.) и по виду
используемого плана эксперимента.

65
 Однофакторный дисперсионный анализ
При однофакторном дисперсионном анализе исследуется влияние на ре-
зультирующий признак одного качественного фактора. В основе однофактор-
ного анализа лежит следующая теоретико-вероятностная схема:
Yji = ai + εji;
i = 1, 2, …, I;
j = 1, 2, …, ni;
I

∑n = n ;
i =1
i

где: Yji − значения результирующего признака;

ai − математические ожидания результирующего значения при i-м значении
качественного фактора;
εji − случайные отклонения результирующего признака от среднего значе-
ния;
ni − число наблюдений при i−м значении качественного фактора;
n − общее число наблюдений.
Всюду в дальнейшем мы будем полагать, что εji являются нормально рас-
пределенными случайными величинами с нулевыми математическими ожида-
ниями и одинаковыми дисперсиями:
М[εji] = 0;
D[εji] = σ2.
В результате осуществления выборочного эксперимента получим I групп
выборочных значений результирующего признака Yji(i = 1, 2, …, I; j = 1, 2, …, ni).
По указанной выборке необходимо проверить справедливость гипотезы
H0 : a1 = a2 = … = aI = a, т. е. что качественный фактор не влияет на результи-
рующий признак.
Введем для каждой группы и для всей выборки в целом выборочные средние:
I ni ni
1 1
y=
n
∑∑
i =1 j =1
y ji ; yi =
ni
∑y
j =1
ji .

Известно, что выборочные групповые средние yi являются несмещенными

и состоятельными оценками средних ai. Если, согласно гипотезе Н0, все сред-
ние одинаковы (ai = a), то общее выборочное среднее y не должно статистиче-
ски отличаться от групповых yi . В противном случае отличие должно быть
статистически значимым и может быть установлено методами проверки стати-
стических гипотез.
Представим полную сумму квадратов отклонений результирующего при-
знака от общего среднего в форме двух сумм квадратов отклонений:

66
 I ni I ni I ni
2
S = ∑∑( y
i =1 j =1
ji − y) = 2
∑∑(( y
i =1 j =1
ji − yi ) + ( yi − y )) = 2
∑∑( y
i =1 j =1
ji − yi )2 +

I ni I ni
+ ∑ ∑( y − y )
i =1 j =1
i
2
+2 ∑∑( y − y )( y
i =1 j =1
i ji − yi ).

Читателю предлагается убедиться, что последняя сумма, соответствующая

удвоенным произведениям, при раскрытии квадратов сумм обращается в нуль.
Поэтому имеем:
I ni I ni
2
S = ∑∑( y
i =1 j =1
ji − yi ) + 2
∑∑( y − y )
i =1 j =1
i
2
= S R2 + S A2 .

Сумма S R2 определяет сумму квадратов отклонений между отдельным на-

блюдением и средним значением внутри конкретной серии и называется сум-
мой квадратов отклонений внутри серий. Иногда она называется остаточным
отклонением.
Сумма S А2 определяет сумму квадратов отклонений между средними значе-
ниями серий и общим средним. Она называется рассеиванием по факторам.
Заметим, что величина
ni
1
σ 2 ∑( y
j =1
ji − yi )2

имеет распределение χ2 с ni −1 степенью свободы. Отсюда вытекает, что сумма

таких выражений по переменной суммирования i, которая имеет вид:
I ni
SR2
σ 2
= ∑∑( y
i=1 j =1
ji − yi )2 ,

также распределена по закону χ2 с n − I степенями свободы.

Аналогично величина
I ni
S A2 1
σ 2
=
σ 2 ∑∑( y − y )
i =1 j =1
i
2

распределена по закону χ2 с I − 1 степенями свободы.

Отношение двух случайных величин, распределенных по закону χ2, распре-
делено по закону Фишера, а именно: величина

S A2
F = I −2 1
SR
n−I
67
имеет распределение Фишера с I − 1, n − I степенями свободы.
Заметим, что если нулевая гипотеза H0 верна, то y не должно значительно от-
личаться от yi , поскольку все эти статистики являются состоятельными и несме-
щенными оценками величины а. В этом случае SA2 будет малой. Если же нулевая
гипотеза H0 неверна, то SA2 будет принимать достаточно большие значения.
Для проверки гипотезы Н0 можно использовать следующий статистический
критерий:
если F ≤ Fα,кр (I − 1, n − I), то гипотеза Н0 принимается, в противном случае
− отвергается. Здесь Fα,кр (I − 1, n − I) определяется из уравнения:
Р{F > F α,кр (I − 1, n − I) ⎢ Н0} = α, где α – заданная ошибка первого рода,
т. е. вероятность отвергнуть гипотезу Н0, когда она верна.
Таким образом, если окажется выполненным условие:
F > Fα,кр (I − 1, n − I),
то принимаем решение, что исследуемый фактор существенно влияет на ре-
зультирующий признак, причем состоятельными и несмещенными оценками
теоретических средних аi являются yi , а состоятельной и несмещенной оцен-
кой для дисперсии σ2 случайной составляющей является:
I ni
1
σ =
2
n−I ∑∑( y
i =1 i =1
ji − yi )2 .

Для примера проведем дисперсионный анализ с целью выявления влияния

емкости колебательного контура АГ на его частоту. Остальные факторы слу-
жат фоном (ошибкой эксперимента). В результате проведения эксперимента
должны получить ответ на вопрос: значимым ли является рассматриваемый
фактор или нет?
Пусть, например, рассматриваются два значения емкости контура (фактор X1)
при постоянном значении индуктивности (фактор Х2).
Одно значение емкости соответствует нижнему уровню фактора, а другое –
верхнему уровню. План проведения эксперимента для трех параллельных опы-
тов приведен в таблице 2.6.1.
Таблица 2.6.1

Уровни проведения эксперимента (N = 2)

Число параллельных
X1 = +1; Х2 = +1 X1 = –1; Х2 = +1
опытов n
Частота АГ Частота АГ
1 Y11 Y21
2 Y12 Y22
3 Y13 Y23

Емкости колебательного контура АГ равны 100, 1000 пФ при постоянном

значении индуктивности. Значение емкости 100 пФ соответствует нижнему
уровню фактора, а 1000 пФ – верхнему уровню. Экспериментальные данные
приведены в таблице 2.6.2.
68
 Таблица 2.6.2

Уровни проведения эксперимента (N = 2)

Число параллель-
X1 = +1; Х2 = +1 X1 = –1; Х2 = –1
ных опытов n
Частота АГ Частота AГ
1 398490 586559
2 398472 586601
3 398484 586610
Yср 398482 586590
Si2 162 602

После проведения эксперимента проведем оценку величин эксперимен-

тального среднего и дисперсии в каждом столбце по формулам:
N
1 N
Yiсс ∑
= Yi ; Si =
i =1
2
N − 1 i =1 ∑
( Yi − Y )2 .

Далее проверяются однородности дисперсий. Так как даже одна грубая

ошибка может исказить результаты исследования, проведенного при неболь-
шом числе экспериментов, то необходим контроль воспроизводимости резуль-
татов исследования, который осуществляется с помощью критерия Кочрена.
Этот критерий применяется для оценки однородности дисперсий при оди-
наковом числе повторов каждого эксперимента.
Для этого подсчитывается параметр:
2
S max
G= N
.
∑S
i =1
i

Для рассматриваемого примера G = 602/(168 + 602) = 0,772. Найденное наблю-

даемое значение G сравнивают с его критическим значением Gкр.
Критическое значение Gкp представляет собой максимально возможное зна-
чение параметра G, при котором гипотеза о воспроизводимости эксперимента
еще может считаться справедливой. В этом случае максимальная изменчивость
функции отклика, полученная в результате проведения n параллельных опы-
тов, не отличается от ожидаемых среди N опытов. Поэтому, если G < Gкp, то
"подозрительное" максимальное значение изменчивости не является "инород-
ным", а представляет собой результат случайного рассеяния исследуемой
функции отклика, т. е. эксперимент воспроизводим. В противном случае, когда
G > Gкp, эксперимент невоспроизводим; необходимо повторить его в анализи-
руемой экспериментальной точке, добившись воспроизводимости, т. е. выпол-
нения G < Gкp.
Критическое значение отношения рассматриваемой изменчивости к сумме
всех изменчивостей находят из таблицы критических значений критерия Коч-
рена для нормального закона распределения значений функций отклика в гене-
ральной их совокупности [5, с. 189, таблица 4].

69
 Задаваясь определенным значением коэффициента риска (обычно задаются
0,1; 0,05; 0,01), Gкp определяют в столбце, соответствующем числу параллель-
ных опытов (n), и строке, соответствующей числу номеров опытов (N).
Для рассматриваемого примера при коэффициенте риска 0,05, n = 3 и N = 2
Gкр = 0,97. G = 0,772 < Gкр = 0,97, следовательно, эксперимент воспроизводим.
После проверки однородности дисперсий найдем оценку главного экспери-
ментального среднего значения функции отклика:
N
∑ Yi
i =1
Yср = .
Nn
Для рассматриваемого примера Yср = (398490 + 398472 + 398484 + 586559 +
+ 586601 + 586610)/2 · 3 = 492536.
Проведем оценку дисперсии между выборками (факторную дисперсию):

n N
SΦ
2
=
N − 1 i =1∑( Yср − Yi )2 .

Для рассматриваемого примера SФ = 3[(492536-398482)2 + (492536 –

– 86590)2 = 5,3 · 1010.
Дисперсия внутри выборки, характеризующая случайную изменчивость ис-
следуемого процесса, будет определяться по формуле:
N N
1 1
S0 ω
2
= ∑
N ( n − 1 ) i =1
( Yср − Yi )2 +
N( n − 1 )
∑( Y
j =1
ср − Y j )2 .

Для рассматриваемого примера S0ω2 = 0,25[(398482 – 398490)2 + (398482 –

– 398472)2 + (398482 – 398484)2 + (586590 – 586559)2 + (586590 – 586601)2 +
+ (586590 – 586610)2] = 412,5.
Обозначим через ti отклонения от математического общего среднего (эф-
фекты изменения частоты при изменении емкости контура), так что
a

∑t
i =1
i =0.

Можно сформулировать две гипотезы:

Н0 : ti = t2 = ... = ta = 0;
H1 : ti <0 или ti > 0, хотя бы для одного i.
Таким образом, если справедлива нулевая гипотеза Н0, то каждое наблюде-
ние складывается из математического ожидания общего среднего и случайной
ошибки, и величина емкости контура на частоту генератора не влияет. Если
справедлива альтернативная гипотеза H1, то величина емкости контура на час-
тоту генератора влияет.
Проверка гипотезы состоит в следующем. Берется случайная выборка, по

70
которой находится значение некоторой статистики, и принимается решение от-
клонить или принять нулевую гипотезу. Для сравнения дисперсий двух нор-
мально распределенных совокупностей необходимо взять случайные выборки
объема n1 и n2 из первой и второй совокупностей соответственно. При этом
статистики для проверки гипотез H0 : σ12 = σ22, H1 : σ12 <> σ22 определяются
отношением выборочных дисперсий:
2
S
F= Φ2.
S0 ω

Верхние односторонние пределы Fkp в зависимости от числа степеней сво-

боды числителя и знаменателя для F-распределения Фишера приведены в таб-
лице [3, с. 467].
Пример.
Допустим, необходимо проверить гипотезы:
H0 : σ12 = σ22;
H1 : σ12 > σ22.
Берутся две случайные выборки из n1 = 12 и n2 = 10 наблюдений, выбороч-
ные дисперсии S12 = 14,5; S22 = 10,8.
Численное значение статистики для проверки гипотезы составляет:
2
S 14 ,5
F = 12 = = 1,34 .
S2 10 ,8

Из таблицы "Верхние односторонние пределы Fкp в зависимости от чисел

степеней свободы числителя (k1) и знаменателя (k2) для F-распределения Фи-
шера при уровне значимости q = 0,05" [3, с. 467] находим Fкp(0,05; 11; 9) = 2,9.
Поскольку F < Fкp, нет оснований отклонять нулевую гипотезу. Другими сло-
вами, статистических данных недостаточно для вывода о том, что σ12 > σ22.
Для рассматриваемого примера с автогенератором из сравнения значений
2
Sф и S0ω2 видно, что факторная дисперсия намного превышает дисперсию
ошибки. Текущее значение для критерия Фишера составляет:
2 2
F = SΦ / S0ω = 1,286 ⋅ 10 8 .

Число степеней свободы для факторной дисперсии K1 = N – l = 1; для дис-

персии ошибки K2 = N(n – l) = 4.
Критическое значение критерия Фишера для коэффициента риска 0,01 оп-
ределяем по таблице [3, с. 457]:
Fкp(0,01; 1; 4)= 21,2.
Так как F >> Fкp, то существенное отличие факторной дисперсии и дис-
персии ошибки является закономерным и, следовательно, можно утверждать,
что емкость конденсатора контура АГ существенно влияет на частоту АГ.

71
 Двухфакторный дисперсионный анализ.
В случае, когда возникает необходимость учитывать влияние на результи-
рующий признак двух факторов, приходим к двухфакторному дисперсионному
анализу. Теоретико-вероятностная схема в этом случае имеет вид:
Yjik = aik + εjik;
i = 1, 2, …, I;
k = 1, 2, …, K;
j = 1, 2, …, nik;
где: Yjik − значения результирующего признака;
aik − математические ожидания результирующего значения при i-м значе-
нии качественного первого фактора и k-м значении второго фактора;
εjik − случайные отклонения результирующего признака от среднего значе-
ния, которые предполагаются независимыми случайными величинами с нуле-
выми математическими ожиданиями и одинаковыми дисперсиями:
М[εjik] = 0; D[εjik] = σ;
nik − число наблюдений при i-м значении первого качественного фактора
и k-м значении второго, nik − общее число наблюдений в i, k-й клетке.
Математические ожидания результирующего значения можно представить
в виде aik = a + αi + βk + γik, при этом
I K I K

∑αi = ∑ β k = ∑ γ ik = ∑ γ ik = 0 ,
i =1 k =1 i =1 k =1

1
где: a =
IK
∑a
i ,k
ik − генеральное среднее;

1
αi = (
K
∑a
k
ik − a ) − главные эффекты первого фактора;

1
βk = (
I
∑a
i
ik − a ) − главные эффекты второго фактора;

1 1 1
γ ik = ( aik −
I
∑a i
i ,k −
K
∑a
k
ik +
IK
∑a
i ,k
ik ) − эффекты взаимодействия.

Можно доказать, что наилучшими оценками эффектов являются оценки,

полученные методом наименьших квадратов (МНК-оценки), а именно:
) 1
a=
IK
∑y i ,k
ik ;

1
∑y
) )
αi = ( ik − a );
K k

72
 ) 1
∑y
)
βk = ( ik − a );
I i
) 1 1 1
γ ik = ( yik −
I
∑y
i
ik −
K
∑yk
ik +
IK
∑y
i ,k
ik );

nik
1
yik =
nik
∑ y jik .
j =1

Общая вариация результирующего признака представляется в виде суммы

четырех слагаемых − двух вариаций, обусловленных факторами, вариации
взаимодействия и остаточной вариации:
1 1
∑(y
i,j,k
jik − y )2 = KN ∑( K ∑ y
i k
ik − y)2 + IN ∑( I ∑ y
k i
ik − y)2 +

1 1
+N ∑( y
i,k
ik −
K
∑y
k
ik −
I
∑y
i
ik + y )2 + ∑(y
i,j,k
jik − yik )2 = S A2 + S B2 + S AB
2
+ S R2 .

Вычислив эти вариации, можно приступать к проверке гипотез:

HA : αI = 0;
HB : βk = 0;
HAB : χik = 0.
Для этого также используем критерий Фишера, а именно:
S A2 /(I − 1)
если 2 ≤ Fα [I − 1, IK(N − 1)] , то нет оснований отвергать гипотезу НА,
S R /IK(N − 1)
в противном случае эту гипотезу следует отвергнуть.
S B2 /(K − 1 )
Аналогично, если 2 ≤ Fα [K − 1, IK(N − 1)] , то нет оснований от-
S R /IK(N − 1)
вергать гипотезу НВ, в противном случае эту гипотезу следует отвергнуть.
2
S AB /[(I − 1 )( K − 1)]
Наконец, если ≤ Fα [(I − 1)(K − 1), IK(N − 1)] , то нет ос-
S R2 /IK(N − 1)
нований отвергать гипотезу НАВ, в противном случае она отвергается.
Рассмотрим следующий пример двухфакторного дисперсионного анализа.
Пусть исследуется влияние напряжения источника питания и емкости кон-
денсатора контура на частоту АГ. Пусть фактор xi − емкость конденсатора кон-
тура, верхнему уровню соответствует 1000 пФ, нижнему – 100 пФ; фактор
x2 – напряжение источника питания, рассматриваются два уровня: 4 и 10 вольт.
Данные трех параллельных измерений (n = 3) частоты АГ (в МГц) в четырех
опытах (N = 4) приведены в таблице 2.6.3.

73
 Таблица 2.6.3
N
Номер
опыта N
x1 x2 Y1 Y2 Y3 YΣ = ∑Y j =1
j
1
N
YΣ si2
1 100 4 3,51 3,52 3,5 10,53 3,51 0,0001
2 1000 4 1,25 1,26 1,3 3,81 1,27 0,0007
3 100 10 2,81 2,82 2,8 8,43 2,81 0,0001
4 1000 10 1,01 1,02 1,02 3,03 1,01 0,0001
n N
Y = ∑∑ Y ij= 25 ,8
i =1 j =1

Комбинация обработок для рассматриваемого плана может быть изображе-

на графически в виде квадрата (рис. 10).
)
Y2 представляет собой комбинацию обработок x1 на верхнем уровне и x2 –
)
на нижнем уровне; Y3 – комбинация обработок, когда x1 на нижнем и x2 – на
) )
верхнем уровнях; Y4 – оба фактора на верхнем уровне; Y1 – комбинация обра-
боток, когда оба фактора на нижнем уровне.

Y3 Y4

Y1 Y2

Рис. 10. Комбинации обработок

Определим средний эффект фактора как изменение отклика, обусловленное

изменением уровня этого фактора и усредненное по уровням других факторов.
) )
Y2 − Y
Тогда эффект x1 на нижнем уровне x2 равен , эффект x1 на верхнем уровне
n
) )
Y4 − Y3
x2 равен , и среднее арифметическое этих величин находится по формуле:
n
1 ) ) ) )
x1 = ( Y4 + Y2 − Y3 − Y1 ) .
2n
Аналогично можно записать выражения:

1 ) ) ) )
x2 = ( Y4 − Y2 + Y3 − Y1 );
2n
1 ) ) ) )
x1 x2 = ( Y4 − Y2 − Y3 + Y1 ) .
2n
Выражения x1, x2, x1x2 называют контрастами [6] и используют для оценки
суммы квадратов:
74
 1 ) ) ) ) 2
SS x1 =
( Y4 + Y2 − Y3 − Y1 ) ;
4n
1 ) ) ) )
SS x2 = ( Y4 − Y2 + Y3 − Y1 )2 ;
4n
1 ) ) )
SS x1x2 = ( Y4 − Y21 − Ŷ3 + Y1 )2 ;
4n
SSx1 = (3,03 + 3,81 – 8,43 – 10,53)2/12 = 12,2412;
SSx2 = 0,6912;
SSx1x2 = 0,1452.
Общая сумма квадратов, у которой ( 4 n − 1 ) степеней свободы, находится
по формуле:
n N
1 2
SSобщ = ∑∑Y
i =1 j =1
ij
2
−
nk
Y = 3,512 + 3,52 2 + … + 1,02 2 + 12 − 55 ,47 = 13 ,0791.

Сумма квадратов ошибки, которая обладает 4( n − 1 ) степенью свободы, на-

ходится вычитанием:
SSош = SSобщ − SS x1 − SS x 2 − SS x1 x 2 = 13,0791 − 12,2412 − 0,1452 − 0,6912 = 0,0015.

Для ответа на вопрос о влиянии на функцию отклика факторов x1, x2, x1x2
находят текущее значение критерия Фишера, которое определяется соответст-
вующим отношением средних квадратов с учетом степени свободы:
SS x1 SS x 2 SS
F1 = ; F2 = ; F12 = x1 x 2 .
SSош SSош SSош

Средний квадрат определяется как отношение суммы квадратов к степени

свободы этой суммы квадратов. В таблицу 2.6.4 сведены результаты вычислений.

Таблица 2.6.4

Сумма Степени Значение

Факторы Средний квадрат
квадратов свободы критерия
x1 12,2412 1 12,2412 65286,4
x2 0,6912 1 0,6912 3686,4
x1 x2 0,1452 1 0,1452 774,4
Ошибка 0,0015 8 0,0001875

Критические значения для критерия Фишера определяются по таблицам

«Критические точки распределения F Фишера-Снедекора», в зависимости от
чисел степеней свободы числителя (SSx) и знаменателя (SSош) при уровне зна-
чимости α = 0,01", и приведены в таблице [8, с. 467]:
Fкр (0,01; 1,8) = 5981;
Fкр (0,05; l,8) = 239.
75
 С вероятностью 0,99 можно утверждать, что только фактор x1 существенно
влияет на функцию отклика. Для факторов x2 и x1x2 соблюдается условие:
Fx2 < Fкр и Fx1x2 < Fкр, поэтому для утверждения о том, что эти факторы значи-
мы при вероятности 0,99, необходимо увеличить число параллельных опытов и
найти новое значение критерия.
Однако с вероятностью 0,95 можно утверждать, что все факторы сущест-
венно влияют на функцию отклика, т. к. в этом случае Fx > Fкр .

3. Планирование эксперимента для обоснования имитационной

математической модели частоты автогенератора
первого и второго порядка

3.1. Планирование и проведение двухфакторного и трехфакторного

эксперимента для обоснования математической модели частоты
автогенератора первого порядка

Рассмотрим задачу обоснования линейной математической модели зависи-

мости частоты автогенератора от величин емкости, индуктивности колеба-
тельного контура, напряжения источника питания.
При проведении полного факторного эксперимента учитывается влияние на
функцию отклика исследуемого объекта не только каждого рассматриваемого
в эксперименте фактора в отдельности, но и их взаимодействий. Влияние взаи-
модействий факторов – это когда уровень одного фактора определяет характер
влияния другого фактора на функцию отклика.
Математическое описание поверхности отклика объекта в окрестности точ-
ки базового режима можно получить варьированием каждого из факторов на
двух уровнях, отличающихся от базового уровня на величину интервала варь-
ирования. Интервал варьирования по каждому управляемому фактору выбира-
ется так, чтобы приращение величины отклика к базовому значению можно
было заметить при небольшом числе параллельных опытов.
Полным факторным экспериментом (ПФЭ) называется эксперимент, реа-
лизующий все возможные неповторяющиеся комбинации уровней k независи-
мых управляемых факторов, каждый из которых реализуется на двух уровнях.
Число этих комбинаций N = 2 k определяет тип ПФЭ.
На ранних стадиях исследования, когда чаще всего приходится рассматри-
вать много факторов, планы 2k особенно полезны. При использовании таких
планов число комбинаций обработок, с помощью которых могут быть исследо-
ваны в полном факторном эксперименте k факторов, оказывается минималь-
ным. Поскольку для каждого фактора берется только два уровня, то отклик
приблизительно линеен в диапазоне изменения выбранных уровней.
Первым планом типа 2k является план лишь с двумя факторами x1 , x2 с
двумя уровнями каждый, т. е. план 22.

76
 Считаем, что модель исследуемого объекта является линейной и имеет вид:
Y = θ0 + θ1 x1 + θ 2 x2 + θ12 x1 x2 .

Все возможные комбинации для двух факторов, варьируемых на двух уров-

нях, будут исчерпаны, если повторить четыре опыта.
Для удобства обработки результатов опыта проводится преобразование
значений управляемых переменных к безразмерным величинам:
x iσ = ( xi − x0 i ) / Δxi ,
где: x0 i – начальное значение i-го фактора в центре плана;
Δxi – значение интервала варьирования по i-му фактору;
xi – текущее значение i-го фактора.
Для рассматриваемого опыта значение емкости контура АГ составляет 1000 пФ
и 100 пФ. Зададимся шагом варьирования по этому фактору: Δx1 = 900 пФ.
Варьирование значений фактора относительно его базового значения прово-
дится на двух уровнях. Переходя от абсолютных значений рассматриваемого
фактора к безразмерным его значениям, получим для верхнего уровня рассмат-
риваемого фактора: x iσ = ( xi − x0 i ) / Δxi = (1000 – 900)/900 = +1;
для нижнего уровня: x iσ = ( xi − x0 i ) / Δxi = (100 – 1000)/900 = –1.
Аналогично, задаваясь шагом варьирования для напряжения источника пи-
тания Δx2 = 6 В, получим для верхнего уровня +1, для нижнего уровня –1.
Матрица планирования приведена ниже (пишется только знак).

Таблица 3.1.1

Номер опыта x0 x1 x2 x1 x2 Y
1 + – – + Y11
2 + + – – Y21
3 + – + – Y12
4 + + + + Y22

В этой таблице x0 – фиктивная переменная, соответствующая коэффициенту θ0 .

Обработка и анализ результатов полного факторного эксперимента преду-
сматривает следующий порядок его проведения.
Вначале оцениваются дисперсии среднего арифметического в каждой стро-
ке матрицы по формуле:

1 n
Si2 = ∑
n − 1 i =1
( Yin − Yi )2 .

Далее проверяются однородности дисперсий. Так как даже одна грубая

ошибка может исказить результаты исследования, проведенного при небольшом
числе экспериментов, то необходим контроль воспроизводимости результатов
исследования, который осуществляется с помощью критерия Кочрена.

77
 Если проверка показала, что эксперименты воспроизводимы, то их ре-
зультаты можно использовать для оценки коэффициентов регрессии. Если
эксперименты невоспроизводимы, то рекомендуется увеличить число парал-
лельных опытов.
Затем создается математическая модель объекта с проверкой статисти-
ческой значимости коэффициентов полинома.
Независимая оценка коэффициентов полинома проводится по формуле:
N
1
θi =
N
∑x Y .
j =1
ji j

Здесь xji принимает значения +1 или –1 в соответствии с матрицей планиро-

вания.
После вычисления коэффициентов оценивается их значимость для оп-
ределения степени влияния факторов на выходной параметр. Основой оценки
значимости является t-критерий.
Проверяется адекватность математической модели. Оцениваем дисперсию
адекватности:
N
1
2
s АД =
N −d
∑( Y
j =1
j − Y jt )2 ,

где: d – число членов аппроксимирующего полинома;

Y j – результат эксперимента;
Y jt – значение выходного параметра, предсказанное имитационной моделью
в той же точке факторного пространства.
2
Если s АД не превышает дисперсии опыта, то полученная математическая
модель адекватно представляет результаты эксперимента.
Дисперсия воспроизводимости эксперимента (среднее значение всех дис-
персий функции отклика в параллельных опытах) равна:
N
2
S j {Y } = ∑( S
j =1
j
2
) / n;

N
1
2
Sj =
( n −1)
∑( Y
j =1
j − Yср )2 .

Оценим величину дисперсии для каждой строки матрицы (табл. 2.6.3):

S12 = 0,0001; S 22 = 0,0007; S32 = 0,0001; S42 = 0,0001.

Дисперсия воспроизводимости определяется по формуле:

S 2j { Y } = 0,00025.

78
 Проверим однородность дисперсий, подсчитаем текущее значение критерия
Кочрена:
2
S max 0 ,007
G= n
= = 0 ,7 .
0 ,001
∑S
i =1
i
2

Критичное значение критерия Кочрена Gкр для номеров опытов, каждый из

которых состоит из n параллельных опытов, при заданных значениях коэффи-
циента риска 0,05; n = 3, N = 4 определяется из таблицы [9, с. 189]; для
Gкр(0,05; n = 3, N = 4) = 0,77. Поскольку G < Gкр, то делаем вывод, что экспе-
римент воспроизводим.
Подсчитаем значение каждого коэффициента предполагаемой имитаци-
онной модели в виде полинома:
n
1
θ1 =
n ∑X
i =1
1iY1i = 0 ,25( 3 ,51 + 1,27 − 2 ,81 + 1,01 ) = −1,01;
n
1
θ2 =
n ∑X
i =1
2 iY2 i = 0 ,25( −3 ,51 − 1,27 + 2 ,81 + 1,01 ) = −0 ,24;
n
1
θ0 =
n ∑X
i =1
0 iY0 i = 0 ,25( 3 ,51 + 1,27 + 2 ,81 + 1,01 ) = 2 ,15;
n
1
θ12 =
n ∑X
i =1
12 iY12 i = 0 ,25( 3 ,51 − 1,27 + 2 ,81 + 1,01 ) = 0 ,11 .

Имитационная модель в виде полинома Yi = θ0 + θ1 x1 + θ 2 x2 + θ12 x1 x2 при

подстановке коэффициентов принимает вид: Yi = 2 ,15 − 1,01x1 −
− 0 ,24 x2 + 0 ,11x1 x2 .
Оценим значимость коэффициентов полинома с помощью критерия Стью-
дента, предварительно рассчитав значение t-параметра для каждого ко-
эффициента и соответствующей ему дисперсии ошибки определения этого ко-
эффициента. Учитывая ортогональность матрицы планирования, дисперсия
ошибок каждого из коэффициентов будет одной и той же и определяется так:

S 2j { Y }
S 2j { θ }= .
nN
Для рассматриваемого примера S2{B} = 0,0000208; подсчитаем t-параметр
для каждого коэффициента полинома:

θ0 → t0 = θ0 / S 2 { B } = 2 ,15 / 0 ,00456 = 471,5;

θ1 → t1 = θ1 / S 2 { B } = 1,01 / 0 ,00456 = 221,5;

79
 θ 2 → t2 = θ 2 / S 2 { B } = 0 ,24 / 0 ,00456 = 52 ,63;
θ12 → t12 = θ12 / S 2 { B } = 0 ,11 / 0 ,00456 = 24 ,12.
Определим критичное значение t-параметра по таблице [8, с. 466] для числа
степеней свободы s = n( N − 1 ) = 2 · 4 = 8, при коэффициенте риска 0,01 tкр = l,86.
Из сравнения найденного значения tкр со значениями t-параметров можно ут-
верждать с вероятностью 0,9, что все параметры имитационной модели значимы.
Проверим адекватность математической модели. Для оценки дисперсии
адекватности найдем значение функции отклика при подстановке коэффициен-
тов имитационной модели в соответствии с матрицей планирования экс-
перимента:
Y1 = 2,15 + 1,01 + 0,24 + 0,11 = 3,51;
Y2 = 2,15 – 1,01 + 0,24 – 0,11 = 1,27;
Y3 = 2,15 + 1,01 – 0,24 – 0,11 = 2,81;
Y4 = 2,15 – 1,01 – 0,24 + 0,11 = 1,01.
Значения функции отклика, полученные с помощью имитационной модели,
полностью соответствуют усредненным значениям этой функции, полученным
в результате эксперимента, следовательно, модель адекватна.
В качестве другого примера рассмотрим ПФЭ, когда на объект исследова-
ния воздействуют три фактора.
Считаем, что модель исследуемого процесса является линейной и имеет вид:

Y = θ0 + θ1x1 + θ2 x2 + θ3 x3 + θ12x1x2 + θ13x1x3 + θ23x2 x3 + θ123x1x2 x3 .

Все возможные комбинации для трех факторов, варьируемых на двух уров-

нях, будут исчерпаны, если поставить восемь опытов. Матрица планирования
приведена ниже (пишется только знак).

Таблица 3.1.2

Номер
x0 x1 x2 x3 x1 x2 x1 x3 x2 x3 x1 x2 x3 Y
опыта
1 + – – – + + + – Y1
2 + + – – – – + + Y2
3 + – + – – + – + Y3
4 + + + – + – – – Y4
5 + – – + + – – + Y5
6 + + – + – + – – Y6
7 + – + + – – + – Y7
8 + + + + + + + + Y8

В качестве примера приведены результаты эксперимента, полученные при

изменении трех факторов (таблица 3.1.3) при проведении трех параллельных
опытов: x0 – фиктивная переменная; x1 – индуктивность колебательного конту-

80
ра АГ (+1 соответствует 95 мкГн; –1 соответствует 52 мкГн); x2 – емкость
колебательного контура АГ (+1 соответствует 1900 пФ; –1 соответствует
1200 пФ); x3 – напряжение источника питания АГ (+1 соответствует 15 В;
–1 соответствует 10 В).

Таблица 3.1.3

Номер x1 x2 Y3
x0 x1 x2 x3 x1 x2 x1 x3 x2 x3 Y1 Y2
опыта x3
1 + – – – + + + – 510090 510375 510192
2 + + – – – – + + 396721 396752 396821
3 + – + – – + – + 437322 437133 437081
4 + + + – + – – – 336818 336917 336972
5 + – – + + – – + 516902 516743 516812
6 + + – + – + – – 400690 400565 400692
7 + – + + – – + – 440652 440802 440791
8 + + + + + + + + 338942 338913 338888

Обработка и анализ результатов полного факторного эксперимента преду-

сматривает следующий порядок их проведения.
Вначале оцениваются дисперсии среднего арифметического в каждой стро-
ке матрицы по формуле:

1 n
Si2 = ∑
n − 1 i =1
( Yin − Yi )2 .

В таблице 3.1.4 приведены результаты оценок среднего арифметического и

дисперсии частоты автогенератора при проведении трех параллельных опытов.
Далее проверяются однородности дисперсий. Опыт считается воспроизво-
димым, если дисперсия Si2 целевой функции в каждой точке факторного про-
странства однородна.

Таблица 3.1.4

Номер
Y1 Y2 Y3 Yi Si2
опыта
1 510090 510375 510192 510219 20853
2 396721 396752 396821 396765 1113
3 437322 437322 437081 437179 15987
4 336818 336917 336972 336902 6090
5 516902 516743 516812 516819 6357
6 400690 400565 400692 400649 5293
7 440652 440802 440791 440748 6990
8 338942 333913 338888 338914 730
8
∑ Si 2 = 63414
i =1

81
 Дисперсия считается однородной, если отношение дисперсии целевой
функции в той точке факторного пространства, где она максимальна, к сумме
дисперсий во всех точках меньше критического:
2
S max 20853
G= N
= = 0 ,329 .
63414
∑S
i =1
i
2

Если G < Gкр , то опыты воспроизводимы. Здесь Gкр – критерий Кочрена –

выбирается по числу степеней свободы и уровню значимости. Число степеней
свободы для числителя (число параллельных опытов) Y1 = 3; число эксперимен-
тальных точек Y2 = 8. Критичное значение параметра G определяется из таблицы
[9, с.189]: для коэффициента риска 0,05; Y1 = 3, Y2 = 8 Gкp(0,05;3;8) = 0,52.
Поскольку G < Gкр , то делаем вывод, что эксперимент воспроизводим.
Если проверка показала, что эксперименты воспроизводимы, то их результаты
можно использовать для оценки коэффициентов регрессии. Если эксперименты
невоспроизводимы, то рекомендуется увеличить число параллельных опытов.
Далее создается математическая модель объекта с проверкой статисти-
ческой значимости коэффициентов полинома.
Независимая оценка коэффициентов полинома проводится по формуле:
N
1
θi =
N
∑x Y ,
j =1
ji j

где xij принимает значения +1 или –1 в соответствии с матрицей планирования.

Подсчитаем значение каждого коэффициента предполагаемой имитаци-
онной модели в виде полинома:
n
1
θ0 =
n ∑X i =1
0 iY0 i =

= (510219 + 396765 + 437179 + 336903 + 516819 +

+ 400649 + 440748 + 3389140)/8 = 422274.
Аналогично:
θ1 = (−510219 + 396765 − 437179 + 336903 − 516819 + 400649 − 440748 +
+ 3389140)/8 = –53966;
θ 2 = (−510219 − 396765 + 437179 + 336903 − 516819 − 400649 + 440748 +
+ 3389140)/8 = – 33838;
θ 3 = (−510219 − 396765 − 437179 − 336903 + 516819 + 400649 + 440748 +
+ 3389140)/8 = –2008;
θ12 = (510219 − 396765 − 437179 + 336903 + 516819 − 400649 − 440748 +
+ 3389140)/8 = 3439;

82
 θ 23 = (510219 + 396765 − 437179 − 336903 − 516819 − 400649 + 440748 +
+ 3389140)/8 = 612;
θ13 = (510219 + 396765 + 437179 + 336903 + 516S19 + 400649 + 440748 −
– 3389140)/8 = 534;
θ123 = (−510219 + 396765 + 437179 − 336903 + 516819 − 400649 − 440748 +
+ 3389140)8 = −145.
Имитационная модель имеет вид:
Y = 422274 x0 − 53966 x1 − 33838x2 − 2008x3 +
+ 3439x1x2 + 534x1x3 + 612x2x3 − 145x1x2x3.
Для проверки статистической значимости коэффициентов полинома приме-
няется критерий Стьюдента, а проверка адекватности математической модели
производится по критерию Фишера, аналогично тому, как это было сделано
при проведении двухфакторного эксперимента.

3.2. Планирование и проведение дробного факторного эксперимента

для обоснования математической модели частоты
автогенератора первого порядка

При большом числе учитываемых в эксперименте факторов полный фак-

торный эксперимент становится громоздким и занимает большое время для
своего проведения. Правда, при этом уменьшаются ошибки при определении
коэффициентов полинома, так как для оценки каждого из них используются
все опыты.
Однако число опытов можно сократить, если априори известно, что на ре-
зультат опыта не оказывают влияния те или иные взаимодействия факторов.
В этом случае используют дробный факторный эксперимент, или так называе-
мые дробные реплики от полного факторного эксперимента.
Предположим, что необходимо получить имитационную математическую
модель АГ при трех учитываемых факторах – емкость, индуктивность контура
и напряжение источника питания, которая имеет вид:

Y =θ0 +θ1x1 +θ2x2 +θ3x3 +θ12x1x2 +θ13x1x3 +θ23x2x3 +θ123x1x2x3. (3.2.1)

При использовании полного факторного эксперимента для определения ко-

эффициентов полинома первого порядка необходимо провести восемь опытов
для определения восьми коэффициентов: θ 0 ,θ 1 ,θ 2 ,θ 3 ,θ 12 ,θ 13 ,θ 23 ,θ 123 .
Однако, если взаимодействие между факторами отсутствует, можно ог-
раничиться четырьмя опытами. В этом случае можно воспользоваться мат-
рицей планирования полного факторного эксперимента для двух факторов
x1, x2 (заменив обозначение x1x2 на x3). Предполагаемая математическая мо-
дель будет иметь вид полинома первого порядка, не учитывающего взаимо-
действия факторов:
83
 Y = θ0 + θ1 x1 + θ 2 x2 + θ 3 x3 .

Такой сокращенный план содержит половину опытов от требуемого их чис-

ла 2k для полного факторного эксперимента (в рассматриваемом случае четыре
опыта вместо восьми) и называется полурепликой от полного факторного экс-
перимента, или дробным факторным экспериментом (ДФЭ).
При использовании матрицы планирования ДФЭ нужно всегда помнить,
что получается совместная оценка нескольких эффектов: факторов и их взаи-
модействий, т. е. x1 = x2x3, x2 = x1x3, x3 = x1x2.
Поэтому подсчитываемые в дальнейшем значения линейных коэффициен-
тов θ0 ,θ1 ,θ 2 ,θ 3 полинома по экспериментальным значениям функции отклика
будут всегда включать также значения коэффициентов, учитывающих эффект
влияния взаимодействия факторов на функцию отклика (в рассматриваемом
случае это коэффициенты θ12 ,θ13 ,θ 23 ,θ123 ). В результате этого подсчитанные
значения коэффициентов полинома фактически будут иметь следующий вид:
θ Д 1 = θ1 + θ 23 ;
θ Д 2 = θ 2 + θ13 ;
θ Д 3 = θ 3 + θ12 ;

где: θ1 ,θ 2 ,θ 3 – действительные значения коэффициентов полинома,

θ Д 1 ,θ Д 2 ,θ Д 3 – полученные их значения при наличии эффекта влияния взаи-
модействия факторов на функцию отклика.
Поэтому для получения математической модели (3.2.1), адекватной иссле-
дуемому АГ, необходимо быть уверенным в отсутствии эффекта влияния взаи-
модействия факторов на экспериментальное значение функции отклика. Толь-
ко при этом условии подсчитанные коэффициенты θ Д будут искомыми
значениями линейных коэффициентов θi .
Для нахождения коэффициентов θ0 ,θ1 ,θ 2 ,θ 3 составлен план проведения
эксперимента и измерены значения частоты АГ в соответствии с планом в виде
матрицы таблицы 3.2.1.

Таблица. 3.2.1

Номер
x0 x1 x2 x3 Y1 Y2 Y3 Yср S i2
опыта
1 + – – + 516902 516743 516812 516819 6357
2 + + – – 396721 396752 396821 396765 1113
3 + – + – 437322 437133 437082 437179 15987
4 + + + + 338942 338913 338888 338914 730
24187

Считаем, что модель исследуемого АГ является линейной и имеет вид:

84
 Y = θ0 + θ1 x1 + θ 2 x2 + θ 3 x3 .

Обработка и анализ результатов дробного факторного эксперимента преду-

сматривает следующий порядок их проведения.
Вначале оцениваются дисперсии среднего арифметического в каждой стро-
ке матрицы по формуле:

1 n
Si2 =
n − 1 i =1 ∑
( Yin − Yi )2 .

Затем проверяются однородности дисперсий.

Опыт считается воспроизводимым, если дисперсия Si2 целевой функции в
каждой точке факторного пространства однородна.
Дисперсия считается однородной, если отношение дисперсии целевой
функции в той точке факторного пространства, где она максимальна, к сумме
дисперсий во всех точках меньше критического:
2
S max 15987
G= N
= = 0 ,66 .
24187
∑S
i =1
i
2

Если G < Gкр , то опыты воспроизводимы. Здесь Gкр – критерий Кочрена –

выбирается по числу степеней свободы и уровню значимости.
Критичное значение критерия Кочрена Gкр для номеров опытов, каждый из
которых состоит из n параллельных опытов, при заданных значениях коэффи-
циента риска 0,05; n = 3, N = 4 определяется из таблицы [9, стр. 189]; для
Gкр ( 0,05; n = 3, N = 4 ) = 0,77. Поскольку G < Gкр , то делаем вывод, что экспе-
римент воспроизводим.
Если проверка показала, что эксперименты воспроизводимы, то их результаты
можно использовать для оценки коэффициентов регрессии. Если эксперименты
невоспроизводимы, то рекомендуется увеличить число параллельных опытов.
Затем создается математическая модель объекта с проверкой статисти-
ческой значимости коэффициентов полинома.
Независимая оценка коэффициентов полинома проводится по формуле:
N
1
θi =
N
∑x Y ,
j =1
ji j

где xi принимает значения +1 или –1 в соответствии с матрицей планирования.

Значения коэффициентов полинома вычисляются по формулам:
θ01 = (516902 + 396721 + 437322 + 333942)/4 = 422419;
θ11 = (–516902 + 396721 – 437322 + 338942)/4 = –54579;

85
 θ 21 = (–516902 – 396721 + 437322 + 338942)/4 = –34372;
θ 31 = (516902 – 396721 – 437322 + 338942)/4 = 5447.
Таким образом, имитационная модель имеет вид:
Y = 422419 – 54579 x1 – 34372 x2 + 5447 x3 .
Результаты проверки модели приведены в таблице 3.2.2.
Таблица. 3.2.2

Первая полуреплика Вторая полуреплика

Расчет Расчет
x0 x1 x2 x3 Опыт x0 x1 x2 x3 Опыт
модели модели
+ – – + 516819 516819 + – – – 510219 505923,96
+ + – – 396765 396764,65 + + – + 400649 407659,65
+ – + – 437179 437178,65 + – + + 440748 448073,65
+ + + + 338914 338914,34 + + + – 336902 328019,31

При проверке модели рассматривались все возможные значения факторов

x1, x2, x3.
Возникает следующий вопрос: правильно ли имитационная модель отобра-
жает значения частоты АГ для тех значений факторов x1, x2, x3, для которых не
проведены измерения в рассматриваемой полуреплике? Для ответа на него
проведем необходимые измерения частоты АГ в соответствии с матрицей пла-
нирования (таблица 3.2.3).
Из таблицы 3.2.3 в таблицу 3.2.4 перенесены значения частоты АГ (выделе-
ны) для тех факторов, которые не были учтены при проведении измерений
первых четырех реплик дробного факторного эксперимента.
Сравнение экспериментальных данных (вторая полуреплика) и полученных
с помощью модели, обоснованной при проведении первой полуреплики (таб-
лица 3.2.1), показывает, что между ними существует расхождение, т. е. модель
адекватна первой полуреплике эксперимента и неадекватна его второй полуре-
плике. Поэтому для второй полуреплики определены коэффициенты полинома
другой имитационной модели.
Таблица 3.2.3

№ x0 x1 x2 x3 Y1 Y2 Y3 Yср Si2
1 + – – – 510090 510375 510192 510219 20853
2 + + – + 400690 400565 400692 400649 5293
3 + – + + 440652 440802 440791 440748 6990
4 + + + – 336818 336917 336972 336902 6090
39227

В таблице 3.2.4 приведены значения коэффициентов полинома, получен-

ные с помощью экспериментов для двух полуреплик. В этой же таблице при-
ведены коэффициенты полинома, полученные путем вычислений по форму-
лам, приведенным ниже.
86
 Таблица 3.2.4

ДФЭ1 ДФЭ2 ДФЭ или ПФЭ

4 опыта 4 опыта 8 опытов
θ0 422419 422129 422274
θ1 –54579 –53354 –53966
θ2 –34372 –33304 –33838
θ3 5447 –1431 –2008
θ12 3439
θ13 534
θ23 612
θ123 –145

Отметим, что коэффициенты полинома, которые вычислены при прове-

дении восьми опытов, могут быть получены из коэффициентов для двух полу-
реплик по формулам:
θ01 + θ02
θ0 = = (422419 + 422129)/2 = 422274;
2
θ11 + θ12
θ1 = = (–54579-53354)/2 = –53966;
2
θ +θ
θ 2 = 21 22 = (–34372 – 33304)/2 = –33838;
2
θ 31 + θ 32
θ3 = − = –(5447 – 1431)/2 = –2008;
2
−θ +θ
θ 23 = 21 12 = (54579 – 53354)/2 = 612;
2
−θ +θ
θ13 = 21 22 = (34372-33304) /2= 534;
2
θ −θ
θ12 = 31 32 = (5447 + 1431)/2 = 3439;
2
θ02 + θ01
θ123 = = (422129 – 422419)/2 = –145.
2
Из этого следует, что полный факторный эксперимент для большого числа
факторов всегда имеет смысл проводить в два этапа, т. е. разбивать на полурепли-
ки, четверть реплики и т. д. В случае, если полученный с помощью полуреплики
полином не удовлетворяет предъявляемым требованиям, можно провести до-
полнительные опыты с другой полурепликой и получить столько же информации,
сколько ее можно получить с помощью полного факторного эксперимента.
В таблице 3.2.5 приведены результаты экспериментальных исследований
АГ и вычисления имитационных моделей в виде полиномов, содержащих раз-
личное число коэффициентов. Для каждого полинома найдено значение дис-
персии как сумма квадратов отклонений от экспериментального значения. Для
экспериментальных значений дисперсия находилась как сумма квадратов от-

87
клонений от среднего значения при проведении трех параллельных опытов.
Имитационная модель, содержащая 8 членов полинома, полностью адекватна
усредненным экспериментальным значениям.
Для имитационной модели содержащая 4 члена полинома дисперсия адек-
ватности определяется по формуле:
N
1 1
2
s АД =
N −d
∑
j =1
( Y j − Y jt )2 = 200165040 = 50041250.
4

Дисперсия воспроизводимости опыта равна 63414. Таким образом, дис-

персия воспроизводимости опыта много меньше дисперсии адекватности, по-
этому в рассматриваемом примере имитационная модель, составленная только
на основе одной полуреплики, не является адекватной.

Таблица 3.2.5

Результаты эксперимента и вычисления моделей

Измеренные средние значения Полином, содержащий 8 Полином, содержащий 4
частоты и дисперсия коэффициентов коэффициента
2 2
Fi Si Fi Si Fi Si2
516819 6357 516819 0 516819 0
400649 5293 400649 0 400649 49149300
440748 6990 440748 0 440748 53660204
338914 730 338914 0 338914 0
510219 20853 510219 0 510219 18447294
396764 1113 396764 0 396764 0
437178 15987 437178 0 437178 0
336902 6090 336902 0 336902 78908248
63414 0 200165040

3.3. Планирование и проведение эксперимента для обоснования

имитационной математической модели частоты
автогенератора второго порядка

Поверхность отклика аппроксимируется наиболее эффективным образом,

если уделить должное внимание плану эксперимента.
Предположим, что необходимо для экспериментальных данных подобрать
модель первого порядка с k переменными:
k
Y = θ0 + ∑θ x + ε ,
i =1
i i

где ε – погрешность.
Существует единственный класс планов, минимизирующих дисперсию ко-
эффициентов регрессии { θi } – это ортогональные планы первого порядка.
88
 План первого порядка ортогонален, если все недиагональные элементы
матрицы X T X равны нулю. Это означает, что равны нулю суммы смешанных
произведений столбцов матрицы X .
План типа 2 k не позволяет оценить ошибку эксперимента, для этого необ-
ходимо повторить некоторые из измерений. Обычно план дополняется не-
сколькими наблюдениями в центре плана (в точке xi = 0, i = 1,2 , ..., k ). Введе-
ние центральных точек в план типа 2 k не влияет на { θi } при i ≥ 1 ; оценка же
θ0 становится средним арифметическим всех наблюдений.
Вычисляемое для линейного уравнения значение θ0 при реализации фак-
торного эксперимента в «почти стационарной области» является совместной
оценкой для свободного члена и суммы квадратичных членов, так как безраз-
мерные значения, стоящие в соответствующих столбцах матрицы ПФЭ, будут
одинаковыми. Поэтому разность θ0 – Y может дать представление о поверх-
ности отклика.
Другим ортогональным планом первого порядка является симплекс. Сим-
плекс представляет собой правильную фигуру с k + 1 вершиной в k измерени-
ях. Так, при k = 2 симплексный план – равносторонний треугольник, а при
k = 3 – правильный тетраэдр.
Из теории интерполяции известно, что для нахождения раздельных оценок
коэффициентов интерполяционного полинома, рассматриваемого как предпо-
лагаемая имитационная модель объекта исследования, число уровней измене-
ния каждой из независимых переменных должно быть на единицу больше по-
рядка полинома. Другими словами, для вычисления полинома второго порядка
число уровней должно быть как минимум три. В ПФЭ 3k при k = 2 потребует-
ся проведение как минимум девяти опытов, а для трех факторов их число воз-
растет до 27. Поэтому при увеличении числа учитываемых факторов примене-
ние ПФЭ 3k нерационально, так как это планирование характеризуется резким
увеличением объема эксперимента.
Сократить число опытов можно, используя так называемые центральные
композиционные планы (ЦКП), ядром которых являются линейные ортогональ-
ные планы. Большое преимущество этих планов состоит в том, что если гипоте-
за о линейности математической модели в результате анализа эксперименталь-
ных данных не подтвердилась, то нет необходимости ставить все эксперименты
заново для получения модели более высокого порядка. Достаточно в этом слу-
чае добавить несколько специально спланированных экспериментальных точек,
чтобы получить план, соответствующий полиному второго порядка.
Построение ЦКП можно пояснить на примере с двумя независимыми пере-
менными, соответствующими двум факторам x1 , x2 .
Предположим, что для нахождения линейной модели применен ПФЭ 2 2 .
В результате анализа экспериментальных данных установлено, что имитацион-
ная математическая модель в виде полинома первого порядка не адекватна ис-
следуемому процессу. Тогда в центре плана, соответствующего начальному

89
значению всех учитываемых в эксперименте факторов, проводится опыт, усло-
вия которого в матрице планирования эксперимента отображаются нулями для
безразмерных величин всех факторов.
Для повышения достоверности полученного экспериментального значения
функции отклика Y в центре плана опыты повторяют при неизменных нулевых
значениях факторов. Подсчитанное среднее значение функции отклика Y
сравнивают с теоретическим значением θ0 , которое несложно получить из раз-
работанной линейной модели объекта исследования в результате ранее прове-
денного ПФЭ 2 2 и анализа его результатов.
По разности θ0 – Y оценивают кривизну поверхности отклика. При под-
тверждении неадекватности линейной модели ставятся дополнительные опыты
для значений факторов, превышающих их абсолютные значения по верхнему
и нижнему уровням (в безразмерных величинах). Эти значения должны быть
больше единицы по абсолютным значениям, установленным в предшествую-
щем плане ПФЭ.
Таким образом, в ПФЭ 2 2 к ранее проведенным четырем опытам добавляют-
ся еще пять опытов (включая опыт в центре плана), четыре из которых соответ-
ствуют «звездным точкам». «Звездные точки» представляют собой два уровня
варьирования каждым из двух факторов, они расположены на расстоянии боль-
шем, чем ± 1 от центра плана, и лежат на поверхности сферы радиусом α .
Общее число опытов ЦКП при k факторах составит: N = 2 k + 2 k + m0 ,
где 2 k – число «звездных точек»; m0 – число опытов в центре плана, а общее
число уровней варьирования ЦКП равно трем.
В теории планирования эксперимента для получения моделей второго по-
рядка различают несколько типов ЦКП. Наибольшее распространение получи-
ли ортогональный и рототабельный ЦКП.
Центральный композиционный ортогональный план (ЦКОП) предусматри-
вает проведение только одного опыта, условия которого соответствуют на-
чальным значениям всех учитываемых факторов (в центре плана), т. е. m0 = 1 .
Поэтому N = 2 k + 2k + 1 . Матрица ЦКОП для k = 2 приведена в таблице 3.3.1.
Как видно из матрицы планирования, ЦКОП при k = 3 содержит всего
9 опытов. Следует также обратить внимание на то, что условие ортогонально-
сти матрицы выполняется только для линейных членов соответствующего по-
линома 2-го порядка, представляющего собой имитационную модель вида:

Y = θ0 + θ1x1 + θ2 x2 + θ12x1x2 + θ11x12 + θ22x22 . (3.3.1)

Воспользовавшись методом наименьших квадратов, запишем нормальные

уравнения для определения коэффициентов θ i . Для этого необходимо миними-
зировать разность
n
D=[ ∑(Y −θ
i=1
i 0 −θ1x1i −θ2 x2i −θ12x1i x2i −θ11x12i −θ22x22i )]2 . (3.3.2.)

90
 ∂D
Для частной производной имеем:
∂θ0

∂D n
= 2 ⋅ [ ∑ (Yi − θ0 − θ1 x1i − θ 2 x2i − θ12 x1i x2i − θ11 x12i − θ 22 x22i )] ( −1 ) = 0 .
∂θ0 i =1

Тогда
n n n n n n
∑ Yi = nθ0 + θ1 ∑ x1i + θ 2 ∑ x2i + θ12 ∑ x1i x2i + θ11 ∑ x12i + θ 22 ∑ x22i . (3.3.3)
i =1 i =1 i =1 i =1 i =1 i =1

Аналогично
n n n
∑ Yi x1i = θ0 ∑ x1i + θ1 ∑ x12i + θ 2 ∑ x1i x2i +
i =1 i =1 i =1
(3.3.4)
n n n
+ θ12 ∑ x12i x2i + θ11 ∑ x13i + θ 22 ∑ x22i x1i .
i =1 i =1 i =1

Таблица 3.3.1

Номер
опыта
x0
1 +
2 +
3 +
4 +
5 + –α
6 +
7 +
8 +
9 +
x1 x2 x1 x2 x12 x22 Y
– – + + + Y1
+ – – + + Y2
– + – + + Y3
+ + + + + Y4
0 0 α2 0 Y5
α 0 0 α2 0 Y6
0 –α 0 0 α2 Y7
0 α 0 0 α2 Y8
0 0 0 0 0 Y9

Чтобы оценить коэффициенты θ i , воспользуемся таблицей 3.3.2, в которой

отражены результаты проведенных экспериментов.

Таблица 3.3.2

Номер опыта С, пФ L, мкГн x1 x2 x1 x2 Y , кГц

1 1800 54 - - + 979
2 2500 54 + - - 802
3 1800 74 - + - 700
4 2500 74 + + + 571

Для рассматриваемой ортогональной матрицы имеем:

91
 n n n n

∑x
i =1
1i =0; ∑x
i =1
2i =0; ∑ i =1
x12i =4; ∑x
i =1
2
2i =4;

поэтому из формул (3.3.3) и (3.3.4) можно найти коэффициенты:

4θ0 = ∑Y i = 979 + 802 + 700 + 571 = 3052;

4θ1 = ∑Y x i 1i = –979 + 802 – 700 + 571 = –306;

θ0 = 763;
θ1 = –76,5.
Аналогично можно найти коэффициенты:
4 θ 2 = –979 – 802 + 700 + 571 = –510;
4 θ12 = 979 – 802 – 700 + 571 = 48;
θ 2 = –127,5;
θ12 = 12.
Для проведенных четырех опытов имитационная математическая модель
имеет вид:

Y = θ0 + θ1x1 + θ2 x2 + θ12x1x2 = 763 – 76,5 x1 – 127,5 x2 + 12 x1 x2 .

Проведем еще один опыт при значениях С = 1150 пФ и L = 64 мкГн. Этот

опыт соответствует значениям x1 = 0 и x2 = 0 . Измеренное значение частоты
АГ равно 795 кГц.

Таблица 3.3.3

№ С, пФ L, мкГн x1 x2 x1 x2 x12 x22 Y , кГц

5 1150 64 0 0 0 0 0 795

Найдем разность: θ0 – Y = 763 – 795 = –32.

Величина разности по абсолютной величине достаточно большая, и можно
сделать вывод, что поверхность отклика обладает значительной кривизной, по-
этому имитационная модель должна быть моделью второго или более высоко-
го порядка.
Проведем дополнительно еще четыре опыта для обоснования модели вто-
рого порядка. План проведения этих опытов и результаты эксперимента приве-
дены в таблице 3.3.4, которая дополняет таблицы 3.3.2 и 3.3.3.

92
 Таблица 3.3.4

Номер
опыта
С, пФ L, МкГн x1 x2 x12 x22 Y
6 1626 64 1,41 0 2 0 519
7 674 64 –1,41 0 2 0 1007
8 1150 90,5 0 1,41 0 2 519
9 1150 37,5 0 –1,41 0 2 1007

Для оценки коэффициентов θ11 и θ 22 из уравнения (3.3.1) можно найти:

4θ0 + 4θ11 + 4θ 22 = ∑Y = 519 + 1007 + 519 + 1007 = 3052.

i

В соответствии с экспериментом коэффициент θ0 = 795; тогда θ11 + θ 22 = −32 .

Из уравнения
n n n

∑
i =1
Yi x12i = θ0 ∑ x12i + θ1 ∑
i =1
x13i + θ 2 ∑x
i =1
2
1i x2 i +

n n n
+ θ12 ∑
i =1
x13i x2 i + θ11 ∑
i =1
x14i + θ 22 ∑x
i =1
2 2
2 i x1i

можно найти коэффициенты θ11 = θ 22 = −16 , тогда имитационная модель име-

ет вид:

Y = θ0 + θ1x1 + θ2 x2 + θ12x1x2 + θ11x12 + θ22x22 =

= 795 – 76,5 x1 – 127,5 x2 + 12 x1 x2 – 16 x12 – 16 x22 .

Заключение

Проведенный анализ позволил получить следующие результаты.

На примере простого устройства – транзисторного автогенератора гармони-
ческих колебаний – поставлена типичная для сложных технических устройств
задача экспериментального исследования определяющего параметра (частоты
колебаний АГ) как функции элементов схемы и напряжения питания.
Рассмотрены физические процессы, протекающие в АГ; записано диффе-
ренциальное уравнение второго порядка, описывающее переходный процесс
в контуре при подключении его к источнику питания; показано, что затухаю-
щие электромагнитные колебания в контуре могут быть преобразованы в неза-
тухающие с помощью транзистора, включенного в контур.
Определены условия стационарного режима автогенератора; непосредст-
венно из дифференциального уравнения следует, что частота колебаний на вы-
ходе автогенератора определяется хорошо известной формулой Томпсона.

93
 Проведен экспериментальный анализ частоты автогенератора; построен ряд
распределения, диаграмма накопленных частот, гистограмма; показано, что
распределение частоты автогенератора подчиняется нормальному закону.
Проведен дисперсионный анализ влияния индуктивности и емкости конту-
ра на частоту автогенератора, показано, что оба фактора являются значимыми.
Проведены полные факторные эксперименты зависимости частоты автогенера-
тора от индуктивности и емкости (два фактора) и от индуктивности, емкости и на-
пряжения питания (три фактора); обоснованы линейные имитационные математиче-
ские модели; доказана воспроизводимость экспериментов; проверена статистическая
значимость коэффициентов полиномов; проверены адекватности моделей.
В два этапа проведен дробный факторный эксперимент; установлена взаимо-
связь коэффициентов полинома имитационной модели при переходе от дробно-
го факторного эксперимента к полному факторному эксперименту, что позволя-
ет реализовать концепцию последовательного планирования эксперимента.
Обоснована имитационная модель второго порядка, которая более полно
описывает зависимость частоты от параметров контура автогенератора. Пока-
зано, что имитационная модель частоты и модель частоты на основе диффе-
ренциального уравнения одинаково описывают поведение частоты как моно-
тонно убывающей функции индуктивности и емкости контура.
Сравнительный анализ двух рассмотренных моделей показывает, что ими-
тационная модель более пригодна для работы с конкретной схемой.

Литература

1. Большой энциклопедический словарь. – М.: Большая Российская эн-

циклопедия; СПб.: «Норинг», 1997. – 1599 с.
2. Большая советская энциклопедия. – М.: Сов. энциклопедия, 1978. – 514 с.
3. Баскаков С.И. Радиотехнические цепи и сигналы. – М.: Высшая школа,
1988. – 448 с.
4. Радиопередающие устройства / Под ред. В.В. Шахгильдяна. – М.: Радио
и связь, 1990. – 516 с.
5. Налимов В.В. Теория эксперимента. – М.: Наука, 1971. – 412 с.
6. Монтгомери Д.К. Планирование эксперимента и анализ данных. –
Л.: Судостроение, 1980. – 216 с.
7. Статистические методы в инженерных исследованиях (лабораторный
практикум) / Под ред. Г.К. Круга. – М.: Высшая школа, 1983. – 316 с.
8. Гмурман В.Е. Теория вероятностей и математическая статистика. –
М: Высшая школа, 1977. – 422 с.
9. Елохин В.Г. и др. Современный эксперимент: подготовка, проведение,
анализ результатов. – М.: Радио и связь, 1997. – 400 с.
10. Пискунов Н.С. Дифференциальное и интегральное исчисления. 2 т. –
М.: Интеграл-Пресс, 2001. – 575 с.
11. Вероятность и математическая статистика / Под ред. Ю.В. Прохорова –
М.: Энциклопедия, 2000. – 910 с.
94