Metodi Prikladnoy Matematiki

ÓÄÊ 622.24.002.
2
ÁÁÊ 33.36
À 19
Àâåòèñîâ À.Ã., Áóëàòîâ À.È., Øàìàíîâ Ñ.À.

À 19 Ìåòîäû ïðèêëàäíîé ìàòåìàòèêè â èíæåíåðíîì äåëå
ïðè ñòðîèòåëüñòâå íåôòÿíûõ è ãàçîâûõ ñêâàæèí. – Ì.:
ÎÎÎ «Íåäðà-Áèçíåñöåíòð», 2003. – 239 ñ.: èë.
ISBN 5-8365-0145-9
Èçëîæåíû îñíîâíûå ñòàòèñòè÷åñêèå ìåòîäû, ïðèìåíÿåìûå â ëàáîðà-
òîðíûõ è ïðîìûñëîâûõ èññëåäîâàíèÿõ ïðè îáðàáîòêå è àíàëèçå ÷èñëîâûõ
ðåçóëüòàòîâ íàáëþäåíèé, äàí íåîáõîäèìûé ìèíèìóì ñâåäåíèé èç îáùåé
òåîðèè íàáëþäåíèé è òåîðèè âåðîÿòíîñòåé. Ðàññìîòðåíû âîïðîñû, âîçíè-
êàþùèå ïðè îöåíêå ïàðàìåòðîâ ðàñïðåäåëåíèé èññëåäóåìûõ ïîêàçàòåëåé,
ñðàâíåíèè è àíàëèçå ñåðèé íàáëþäåíèé. Ïðèâåäåíû ìåòîäû äèñïåðñèîí-
íîãî, êîððåëÿöèîííîãî è ðåãðåññèîííîãî àíàëèçà, à òàêæå ïëàíèðîâàíèÿ
ýêñïåðèìåíòîâ è ðàñïîçíàâàíèÿ îáðàçîâ. Ïðåäëîæåíû êîíêðåòíûå ïðèìå-
ðû, ðàçúÿñíÿþùèå òåîðåòè÷åñêèé ìàòåðèàë è ïîçâîëÿþùèå îöåíèòü è
èñïîëüçîâàòü ðàññìàòðèâàåìûé ìåòîä àíàëèçà.
Äëÿ ñïåöèàëèñòîâ íåôòÿíîé è ãàçîâîé ïðîìûøëåííîñòè. Ìîæåò áûòü
ïîëåçíà àñïèðàíòàì è ñòóäåíòàì ñîîòâåòñòâóþùèõ ñïåöèàëèçàöèé.
Avetisov A.G., Bulatov A.I., Shamanov S.A.

Methods of Applied Mathematics in Engineering for
Construction Oil and Gas Wells.
The consideration is given to the basic statistical methods used in
laboratory and field examinations while processing and analyzing numerical
results of observation; the minimum of information needed from the general
theory of observation and the law of probability is present. Also discussed are
the problems of estimating distribution of parameters examined, comparison
and analysis of observation series. The methods of dispersion, correlation, and
regressive analysis are given together with the methods of planning
experiments and image recognition. Also present are the examples that can
explain the theory and estimate the analysis method and its application.
Advisable for specialists engaged in oil and gas industry; also
recommended for post-graduate students and students of corresponding
specialization.
ISBN 5-8365-0145-9  À.Ã. Àâåòèñîâ, À.È. Áóëàòîâ,

Ñ.À. Øàìàíîâ, 2003
 Îôîðìëåíèå.
ÎÎÎ «Íåäðà-Áèçíåñöåíòð», 2003
ОГЛАВЛЕНИЕ
Введение ...................................................................................................................................... 5
Глава 1. Наблюдение, группировка данных и параметры законов рас-

пределения ................................................................................................................................. 6
Глава 2. Элементы теории вероятностей..................................................................... 20
Глава 3. Проверка статистических гипотез................................................................ 35
Глава 4. Дисперсионный корреляционный и регрессионный виды анали-

за..................................................................................................................................................... 52
Глава 5. Основные сведения по теории планирования экспериментов........ 73
Глава 6. Методы теории распознавания образов.................................................... 143
Приложения ............................................................................................................................... 211
Список литературы................................................................................................................. 237
239
ÂÂÅÄÅÍÈÅ
Ïðè ïðîâåäåíèè ýêñïåðèìåíòàëüíûõ èññëåäîâàíèé â ëàáî-

ðàòîðíûõ óñëîâèÿõ öåíòðàëüíîå ìåñòî çàíèìàþò çàäà÷è àíàëèçà
ðåçóëüòàòîâ íàáëþäåíèé:
óñòàíîâëåíèå âèäîâ ðàñïðåäåëåíèÿ èññëåäóåìûõ ïîêàçàòå-
ëåé è ïîëó÷åíèå ÷èñëåííûõ çíà÷åíèé èõ ïàðàìåòðîâ;
ïðîâåðêà ñòàòèñòè÷åñêèõ ãèïîòåç è ñðàâíåíèå ïî ñåðèÿì íà-
áëþäåíèé;
ïîèñê îïòèìàëüíûõ óñëîâèé ðàáîòû îáúåêòà èññëåäîâàíèÿ;
ïðîãíîçèðîâàíèå è ðàñïðåäåëåíèå ñîñòîÿíèÿ îáúåêòà èññëå-
äîâàíèÿ.
Ðåøåíèå ýòèõ çàäà÷ â óñëîâèÿõ ïîäâåðæåííîñòè îáúåêòà èñ-
ñëåäîâàíèÿ ñëó÷àéíûì âîçìóùàþùèì âîçäåéñòâèÿì è ðàçëè÷-
íûì ïðîèçâîäñòâåííûì ïîãðåøíîñòÿì íåâîçìîæíî áåç ïðèâëå÷å-
íèÿ ñòàòèñòè÷åñêèõ ìåòîäîâ. Ýòè ìåòîäû â ðóêàõ èññëåäîâàòåëÿ,
çíàþùåãî ïðåäïîñûëêè èõ ïðèìåíåíèÿ, ñëóæàò õîðîøèì èíñò-
ðóìåíòîì ïðè ðåøåíèè âîçíèêàþùèõ ïåðåä íèì çàäà÷.
Îñíîâíàÿ çàäà÷à àâòîðîâ ïðåäëàãàåìîé êíèãè ñîñòîèò â îêà-
çàíèè ïîìîùè øèðîêîìó êðóãó èíæåíåðîâ è íàó÷íûõ ðàáîòíè-
êîâ íåôòÿíîé è ãàçîâîé ïðîìûøëåííîñòè ïðè îñâîåíèè ñîâðå-
ìåííûõ ñòàòèñòè÷åñêèõ ìåòîäîâ â öåëÿõ ïîâûøåíèÿ ýôôåêòèâ-
íîñòè îðãàíèçàöèè ëàáîðàòîðíûõ è ïðîìûñëîâûõ ýêñïåðèìåí-
òîâ, îáåñïå÷åíèÿ íàäåæíîñòè ïîëó÷àåìûõ ðåçóëüòàòîâ èññëåäîâà-
íèé, ñîçäàíèÿ íàäåæíîé èíôîðìàöèîííîé áàçû ïðè ðàçðàáîòêå
ìàòåìàòè÷åñêèõ ìîäåëåé òåõíîëîãè÷åñêèõ ïðîöåññîâ áóðåíèÿ
ñêâàæèí.
5
Ãëàâà 1
ÍÀÁËÞÄÅÍÈÅ, ÃÐÓÏÏÈÐÎÂÊÀ
ÄÀÍÍÛÕ È ÏÀÐÀÌÅÒÐÛ ÇÀÊÎÍÎÂ
ÐÀÑÏÐÅÄÅËÅÍÈß
Èñòî÷íèêîì îïûòíîé îñíîâû èíæåíåðíîé è íàó÷íîé äåÿòåëü-

íîñòè ñëóæèò íàáëþäåíèå, êîòîðîå â øèðîêîì ñìûñëå ýòîãî ñëî-
âà ìîæíî ðàçäåëèòü íà äâà îñíîâíûõ òèïà. Ïåðâûé òèï − ýòî
ñâåäåíèÿ î ïîâåäåíèè êàêîé-ëèáî ñîâîêóïíîñòè áîëüøîãî ÷èñëà
îäíîðîäíûõ îáúåêòîâ, à âòîðîé − èíôîðìàöèÿ î ñâîéñòâå îò-
äåëüíîãî îáúåêòà â òå÷åíèå ïðîäîëæèòåëüíîãî ïðîìåæóòêà âðå-
ìåíè. Â ñòàòèñòèêå äëÿ îïèñàíèÿ ëþáîãî ìíîæåñòâà îáúåêòîâ
èñïîëüçóåòñÿ ïîíÿòèå ñîâîêóïíîñòè. Ïðè ýòîì ãåíåðàëüíîé ñîâî-
êóïíîñòüþ íàçûâàþò ìíîæåñòâî îáúåêòîâ, èç êîòîðûõ ïðîâîäèò-
ñÿ îòáîð â ïðîöåññå êîíêðåòèçàöèè íàáëþäåíèé. Îòîáðàííûå äëÿ
íàáëþäåíèé îáúåêòû ïðåäñòàâëÿþò ñîáîé âûáîðî÷íóþ ñîâî-
êóïíîñòü, èëè âûáîðêó, à ÷èñëî ýòèõ îáúåêòîâ íàçûâàþò åå
îáúåìîì.
Åñëè íàáëþäåíèÿ ïðîâîäÿò â îäèíàêîâûõ óñëîâèÿõ íà ìíîãèõ
îáúåêòàõ (÷òî â íåôòåïðîìûñëîâîé ïðàêòèêå âåñüìà òðóäíî îñó-
ùåñòâèòü), òî âîçìîæåí íåêîòîðûé çàêîíîìåðíûé èñõîä. Ðåçóëü-
òàò êàæäîãî îòäåëüíîãî íàáëþäåíèÿ íàçûâàþò âàðèàíòîì, à
ïîñëåäîâàòåëüíîñòü âàðèàíòîâ, çàïèñàííóþ êàêèì-ëèáî óñòàíîâ-
ëåííûì îáðàçîì (â ïîðÿäêå âîçðàñòàíèÿ çíà÷åíèé, ïî ìåðå ïîëó-
÷åíèÿ èíôîðìàöèè, â ïîðÿäêå îïðåäåëåííûõ êà÷åñòâåííûõ îöå-
íîê è äð.), − âàðèàöèîííûì ðÿäîì. ×èñëî îäèíàêîâûõ ðåçóëüòà-
òîâ ïðè íàáëþäåíèÿõ íàçûâàþò ÷àñòîòîé, à ñîîòíîøåíèå ýòîãî
÷èñëà êî âñåìó îáúåìó âûáîðêè − îòíîñèòåëüíûìè ÷àñòîòàìè,
èëè ÷àñòîñòüþ. Åñëè ïðè áîëüøîì ÷èñëå íàáëþäåíèé ÷àñòîñòü
ñòðåìèòñÿ ê íåêîòîðîìó ïîñòîÿííîìó çíà÷åíèþ, òî ýòî ñâîéñòâî
íàçûâàþò ñòàòèñòè÷åñêîé óñòîé÷èâîñòüþ, à ÷èñëî, ê êîòîðîìó
ñòðåìèòñÿ ÷àñòîñòü, ÿâëÿåòñÿ àáñòðàêòíûì âûðàæåíèåì óñòîé÷è-
âîñòè è íîñèò íàçâàíèå âåðîÿòíîñòè äàííîãî èñõîäà íàáëþäàå-
ìîé âåëè÷èíû. Õàðàêòåðèñòèêè îáúåêòîâ íàáëþäåíèÿ, ïðèíè-
ìàþùèå ðàçëè÷íûå çíà÷åíèÿ ñ îïðåäåëåííûìè âåðîÿòíîñòÿìè,
íàçûâàþò ñëó÷àéíûìè. Èçó÷åíèå ïîâåäåíèÿ ñëó÷àéíûõ âåëè÷èí
ÿâëÿåòñÿ ïðåäìåòîì ñòàòèñòè÷åñêîãî àíàëèçà.
6
Ïåðâûé è íàèáîëåå îòâåòñòâåííûé ýòàï ëþáîãî ñòàòèñòè÷å-
ñêîãî èññëåäîâàíèÿ − îðãàíèçàöèÿ è ñáîð ðåçóëüòàòîâ íàáëþäå-
íèé. Ïðè ýòîì íåîáõîäèìî îïðåäåëèòü îáúåêò èññëåäîâàíèÿ, äàâ
åìó èñ÷åðïûâàþùóþ õàðàêòåðèñòèêó. Òàê, åñëè îáúåêòîì àíàëèçà
ÿâëÿåòñÿ ðàñõîä ìàòåðèàëîâ íà ïðèãîòîâëåíèå áóðîâîãî ðàñòâîðà,
òî íåîáõîäèìî îïðåäåëèòü òèï è ðåöåïòóðó ïîñëåäíåãî, ðåçóëü-
òèðóþùèå ïîêàçàòåëè ñâîéñòâ, ìåòîäû èõ èçìåðåíèÿ, îáîðóäîâà-
íèå äëÿ ïðèãîòîâëåíèÿ, ðåæèìû åãî ðàáîòû è ò.ï. Áåçóñëîâíî,
äîñòè÷ü àáñîëþòíîé êîíêðåòèçàöèè íåâîçìîæíî, è ýòî ïðèâîäèò
ê óâåëè÷åíèþ íåîäíîðîäíîñòè ðåçóëüòàòîâ íàáëþäåíèé.
Ïîñëå óñòàíîâëåíèÿ îáúåêòà íàáëþäåíèÿ íåîáõîäèìî óêàçàòü
ìåòîä ñîñòàâëåíèÿ âûáîðêè. Ïðè ýòîì îáû÷íî âîçìîæíû äâå ñè-
òóàöèè: èëè îáúåêò ïîñëå íàáëþäåíèÿ ìîæåò áûòü âîçâðàùåí â
îáùóþ ñîâîêóïíîñòü, èëè ïîäîáíûé âîçâðàò íåâîçìîæåí. Ïî
ýòîìó ïðèçíàêó âûáîðêè äåëÿò íà ïîâòîðíûå è áåñïîâòîðíûå.
Ïîñëåäíèå íàèáîëåå ïðèìåíèìû â èíæåíåðíîé ïðàêòèêå áóðå-
íèÿ. Ñáîð íàáëþäåíèé äëÿ ñîñòàâëåíèÿ âûáîðêè äîëæåí îáåñïå-
÷èâàòü ñëó÷àéíîñòü (ðàâíîâîçìîæíîñòü) è ïðåäñòàâèòåëüíîñòü
(ðåïðåçåíòàòèâíîñòü). Ïåðâîå òðåáîâàíèå çàêëþ÷àåòñÿ â îïðåäå-
ëåíèè ìåòîäà îòáîðà îáúåêòîâ íàáëþäåíèÿ, âòîðîå − â óñòàíîâ-
ëåíèè èõ ÷èñëà.
Ïðè îðãàíèçàöèè îòáîðà îáúåêòîâ íàáëþäåíèÿ îáû÷íî èñ-
ïîëüçóþò äâà îñíîâíûõ ìåòîäà − ïðîñòîé ñëó÷àéíûé è ñòðàòè-
ôèöèðîâàííûé (ãðóïïîâîé) ñëó÷àéíûé îòáîð. Ïðè ïåðâîì ìåòîäå
ïîäðàçóìåâàåòñÿ, ÷òî êàæäûé ýëåìåíò ñîâîêóïíîñòè èìååò ðàâ-
íóþ âîçìîæíîñòü ïîïàñòü â âûáîðêó. Ïðîñòåéøèì ñïîñîáîì â
ýòîì ñëó÷àå ÿâëÿåòñÿ ñëó÷àéíîå èçâëå÷åíèå (ðîçûãðûø) êàðòî-
÷åê ñ íîìåðîì îáúåêòà èç îáùåé ñîâîêóïíîñòè îáúåêòîâ. Ïðè
áîëüøîì îáúåìå ãåíåðàëüíîé ñîâîêóïíîñòè ýòî âåñüìà òðóäîåì-
êî, ïîýòîìó íåîáõîäèìî èñïîëüçîâàòü òàáëèöû ñëó÷àéíûõ ÷èñåë
(ïðèë. 1). Â ýòîì ñëó÷àå ïîäõîä ñîñòîèò â òîì, ÷òî ïðè èçâåñò-
íîì ÷èñëå îáúåêòîâ â ãåíåðàëüíîé ñîâîêóïíîñòè N è îáúåìå âû-
áîðêè n âñåì ýëåìåíòàì ïåðâîé ïðèïèñûâàþò ïîðÿäêîâûå íîìå-
ðà, à çàòåì ïðîèçâîëüíî â òàáëèöå ñëó÷àéíûõ ÷èñåë, íà÷èíàÿ ñ
ëþáîãî ìåñòà, ïîñëåäîâàòåëüíî îòáèðàþò n íîìåðîâ â äèàïàçîíå
îò 1 äî N. Òàê, åñëè íåîáõîäèìî îòîáðàòü 5 èç 25 îäíîâðåìåííî
áóðÿùèõñÿ ñêâàæèí â öåëÿõ îïðåäåëåíèÿ ïðîõîäêè íà äîëîòî
âûáðàííîãî òèïà â çàäàííîì ïëàñòå, òî, èñïîëüçóÿ ñëó÷àéíûé
ðÿä ÷èñåë, íàïðèìåð ÷åòâåðòûé ñòîëáåö ïðèë. 1: 32; 02; 23; 15;
23; 67; 09; 05; 02; 96; 30; … , ïîëó÷àåì íîìåðà ñêâàæèí 2; 23; 15; 9;
5, ðåçóëüòàòû íàáëþäåíèé â êîòîðûõ äîëæíû âîéòè â âûáîðî÷-
íóþ ñîâîêóïíîñòü.
Ïðè âòîðîì ìåòîäå îòáîðà îáúåêòû ïðåäâàðèòåëüíî ãðóïïè-
ðóþò, à çàòåì ïî êàæäîé ãðóïïå ïðîâîäÿò ïðîñòîé ñëó÷àéíûé
7
îòáîð. Îáúåêòû îáúåäèíÿþò â ãðóïïû íà îñíîâàíèè êàêèõ-ëèáî
ñîîáðàæåíèé (ñòåïåíü èçíîøåííîñòè îáîðóäîâàíèÿ, ãëóáèíà
ñêâàæèíû è äð.), êîòîðûå, ïî ìíåíèþ íàáëþäàòåëÿ, ìîãóò ïî-
ñëóæèòü ïðè÷èíîé íåïðåäñòàâèòåëüíîñòè âûáîðêè. Åñëè ïðè
ýòîì â k ãðóïïàõ ïîëó÷àåòñÿ ïî N1, N2, … , Nk ïðåäñòàâèòåëåé, òî
ýôôåêòèâíûì îêàçûâàåòñÿ èñïîëüçîâàíèå ïðîïîðöèîíàëüíîé
ñòðàòèôèöèðîâàííîé âûáîðêè, äëÿ êîòîðîé
n1 n2 nk
= = ... = .
N1 N2 Nk
Îïðåäåëåíèå ÷èñëà îáúåêòîâ íàáëþäåíèÿ, ò.å. îáúåìà âûáîð-

êè, îòíîñèòñÿ ê îäíîìó èç íàèáîëåå ñëîæíûõ âîïðîñîâ, ïðåäâà-
ðÿþùèõ ñòàòèñòè÷åñêîå èññëåäîâàíèå. Äëÿ ïîëó÷åíèÿ äîñòàòî÷-
íîé ñòåïåíè óâåðåííîñòè â ñòàòèñòè÷åñêèõ âûâîäàõ íåîáõîäèìî
ïîëüçîâàòüñÿ òàáëèöåé èëè íîìîãðàììîé äîñòàòî÷íî áîëüøèõ
÷èñåë [6], êîòîðûå ïîçâîëÿþò ïðè âûáðàííîì çíà÷åíèè âåðîÿò-
íîñòè äîñòîâåðíîñòè ðåçóëüòàòîâ íàáëþäåíèÿ è äîïóñòèìîé
îøèáêå (ïðèíÿòî âûáèðàòü ñîîòâåòñòâåííî ðàâíûìè 0,9… 0,95 è
0,1… 0,05) îïðåäåëèòü îáúåì âûáîðêè. Îäíàêî ïðè ýòîì èíæåíåð
ñòàëêèâàåòñÿ ñ ïðîáëåìîé ïðîâåäåíèÿ áîëüøîãî ÷èñëà èçìåðå-
íèé è ñîîòâåòñòâåííî ñ ýêîíîìè÷åñêèìè è òåõíè÷åñêèìè òðóäíî-
ñòÿìè.
Â ñâÿçè ñ ýòèì â èíæåíåðíîé ïðàêòèêå ïðèõîäèòñÿ èñïîëüçî-
âàòü âûáîðêè íåáîëüøîãî îáúåìà ñ ïîñëåäóþùåé îöåíêîé ðå-
çóëüòàòîâ ïî ìåòîäàì, êîòîðûå èçëîæåíû äàëåå. Ïðè âûáîðå îáú-
åìà âûáîðîê íåîáõîäèìî ïîìíèòü, ÷òî îøèáêà âûâîäîâ óìåíü-
øàåòñÿ â n ðàç.
Â âðåìÿ ñáîðà èíôîðìàöèè â ïðîöåññå íàáëþäåíèÿ äëÿ êàæ-
äîãî èç îáúåêòîâ íåîáõîäèìî ðåãèñòðèðîâàòü îáùèå ïðèçíàêè
X (X1 , X 2 , ..., X p ) è âûõîäíûå ïåðåìåííûå Y (Y1 , Y2 , ..., Ym ) , êî-
òîðûå èíäèâèäóàëèçèðóþò îáúåêò íàáëþäåíèÿ. Ïåðâûå â äàëü-
íåéøåì áóäåì íàçûâàòü âåêòîðîì ïðèçíàêîâ ñîñòîÿíèÿ îáúåêòîâ.
Â åãî ñîñòàâ ìîãóò âõîäèòü êàê êîëè÷åñòâåííûå, òàê è êà÷åñòâåí-
íûå õàðàêòåðèñòèêè. Â êà÷åñòâå âûõîäíûõ ïåðåìåííûõ ñëóæàò
ñâåäåíèÿ, ñîñòàâëÿþùèå öåëü ïðîâîäèìûõ íàáëþäåíèé, è îíè
îáðàçóþò âåêòîð âûõîäíûõ ïåðåìåííûõ.
Ïîëó÷åííóþ â ðåçóëüòàòå íàáëþäåíèé èíôîðìàöèþ íà ïåðâîé
ñòàäèè îáðàáîòêè îáû÷íî ïðåäñòàâëÿþò â âèäå äèàãðàìì è ãðà-
ôèêîâ, ÷òî ïîçâîëÿåò îòìåòèòü îñîáåííîñòè âûáîðî÷íîé ñòàòè-
ñòèêè. Òàêîå óïîðÿäî÷èâàíèå ðåçóëüòàòîâ íàáëþäåíèé íàçûâà-
þò ãðóïïèðîâêîé, èëè ñâîäêîé äàííûõ. Ïðè ýòîì äëÿ âûõîäíîé
ïåðåìåííîé íåîáõîäèìî îïðåäåëèòü ÷èñëî èíòåðâàëîâ ðàçáè-
åíèÿ k:
8
k = A(1 + 3, 32 lg N ) ïðè N > 30, (1)
ãäå A − çíàê îêðóãëåíèÿ äî áîëüøîãî öåëîãî ÷èñëà; N − ÷èñëî
îáúåêòîâ íàáëþäåíèÿ.
Îáû÷íî çíà÷åíèå k äîëæíî áûòü íå ìåíåå 7… 8, íî èíîãäà áå-
ðåòñÿ áîëåå 14… 15.
Âåëè÷èíó èíòåðâàëà ðàçáèåíèÿ îïðåäåëÿþò êàê
c = Ymax − Ymin / k. (2)
Ïîñëå îïðåäåëåíèÿ âåëè÷èí k è c ñîñòàâëÿþò òàáëèöó íàáëþ-
äåíèé (òàáë. 1).
Òàáëèöû íàáëþäåíèé ïîçâîëÿþò ëåãêî ãðàôè÷åñêè ïðåäñòà-
âèòü ýêñïåðèìåíòàëüíûé ìàòåðèàë (ðèñ. 1, 2) â âèäå ïîëèãîíîâ è
ãèñòîãðàìì ÷àñòîò, à òàêæå ïîëèãîíîâ è ãèñòîãðàìì îòíîñèòåëü-
íûõ ÷àñòîò (÷àñòîñòåé).
Ïîëèãîí, èëè ÷àñòîòíûé ìíîãîóãîëüíèê, ñòðîÿò ñ ïîìîùüþ
ëîìàíûõ ëèíèé, ñîåäèíÿþùèõ ÷àñòîòû è ÷àñòîñòè, ïðèïèñàííûå
ñðåäíèì äëÿ èíòåðâàëà çíà÷åíèÿì âûõîäíîé ïåðåìåííîé.
Ãèñòîãðàììà ïðåäñòàâëÿåò ñîáîé ñòóïåí÷àòóþ ôèãóðó, ñî-
ñòîÿùóþ èç ïðÿìîóãîëüíèêîâ ñ îñíîâàíèÿìè èíòåðâàëîâ èçìå-
íåíèÿ âûõîäíîé ïåðåìåííîé è âûñîòîé, ðàâíîé ñîîòâåòñòâóþ-
ùèì ÷àñòîòàì èëè ÷àñòîñòÿì.
Íà îñíîâàíèè òàáëèö íàáëþäåíèé ìîæíî ïîñòðîèòü ïîëèãî-
íû è ãèñòîãðàììû íàêîïëåííûõ ÷àñòîò èëè ÷àñòîñòåé, êîòîðûå
òàêæå íåñóò ïîëåçíóþ èíôîðìàöèþ î ðåçóëüòàòàõ íàáëþäåíèé
(ðèñ. 3, 4).
Íà îñíîâàíèè ãðàôè÷åñêîãî ïðåäñòàâëåíèÿ ðåçóëüòàòîâ íà-
áëþäåíèé ìîæíî ïîëó÷èòü ïåðâè÷íóþ èíôîðìàöèþ â âèäå îïè-
Òàáëèöà 1
Ñðåäíåå çíà÷å-
Èíòåðâàë èçìåíåíèÿ íèå âûõîäíîé Íàêîïëåííàÿ
ïåðåìåííîé íà Ñâîäêà ×àñòîòà
âûõîäíîé ïåðåìåííîé ÷àñòîòà
èíòåðâàëå
Ymin… (Ymin + ñ) Y1 || n1 n1
(Ymin + ñ)… (Ymin + 2ñ) Y2 ||||| n2 n1 + n2
(Ymin + 2ñ)… (Ymin + 3ñ) Y3 ||||||| n3 n1 + n2 + n3
. . . . .
. . . . .
. . . . .
[Ymin + (k – 1)c]… Ymax Yk | nk n1 + n2 +… + nk
k
Èòîãî ∑ ni
i =1
9
Ðèñ. 1. Ãèñòîãðàììà ÷àñòîò
(÷àñòîñòåé)
ñàòåëüíûõ è ÷èñëåííûõ õàðàêòåðèñòèê, îòðàæàþùèõ õàðàêòåð

êðèâûõ ðàñïðåäåëåíèÿ ÷àñòîò.
Ïî ãðàôè÷åñêîìó âèäó êðèâûå ðàñïðåäåëåíèÿ ìîæíî ðàçäå-
ëèòü íà íîðìàëüíûå (êîëîêîëîîáðàçíûå, èëè óíèìîäàëüíûå),
áèìîäàëüíûå (äâóõâåðøèííûå), ìóëüòèìîäàëüíûå (ìíîãîâåð-
øèííûå), J-îáðàçíûå, J-îáðàòíûå, U-îáðàçíûå è äð. (ðèñ. 5).
Êðèâûå ðàñïðåäåëåíèÿ íîðìàëüíîãî òèïà ìîãóò áûòü ñèììåò-
ðè÷íûìè, ñ ïîëîæèòåëüíîé èëè îòðèöàòåëüíîé àñèììåòðèåé
(ðèñ. 6).
Ðèñ. 2. Ïîëèãîí ÷àñòîò (÷àñ-

òîñòåé)
10
Ðèñ. 3. Ãèñòîãðàììà íàêî-
ïëåííûõ ÷àñòîò (÷àñòîñòåé)
Êðîìå òîãî, â çàâèñèìîñòè îò ôîðìû âåðøèíû, êðèâûå íîð-

ìàëüíîãî òèïà ìîãóò áûòü íîðìàëüíî-, òóïî- è îñòðîâåðøèííûìè
(ðèñ. 7).
Ðèñ. 4. Ïîëèãîí íàêîïëåí-

íûõ ÷àñòîò (÷àñòîñòåé)
11
Ðèñ. 5. Âèäû êðèâûõ ðàñïðåäåëåíèÿ:
à – íîðìàëüíîå; á – áèìîäàëüíîå; â – ìóëüòèìîäàëüíîå; ã – J-îáðàçíîå; ä – J-îá-
ðàòíîå; å – U-îáðàçíîå
Ðèñ. 6. Âèäû êðèâûõ íîðìàëüíîãî
ðàñïðåäåëåíèÿ:
à – ñèììåòðè÷íûå; á, â – ñ ïîëîæè-
òåëüíîé è îòðèöàòåëüíîé ñèììåòðèåé
Êîëè÷åñòâåííûìè õàðàêòåðèñòèêàìè, äàþùèìè èíôîðìàöèþ

î ïðèðîäå ðàñïðåäåëåíèé, ñëóæàò òàê íàçûâàåìûå ïàðàìåòðû
ðàñïðåäåëåíèÿ. Ïðè óíèìîäàëüíûõ ðàñïðåäåëåíèÿõ â êà÷åñòâå
õàðàêòåðèñòèêè öåíòðà èñïîëüçóþòñÿ òðè íàèáîëåå ÷àñòî ïðèìå-
íÿåìûõ ïàðàìåòðà:
ìîäà Yl − çíà÷åíèå âûõîäíîé ïåðåìåííîé Y, ñîîòâåòñòâóþùåå
âåðøèíå ðàñïðåäåëåíèÿ;
ìåäèàíà Yi − çíà÷åíèå âûõîäíîé ïåðåìåííîé Y, êîòîðîå äåëèò
÷èñëî îáúåêòîâ íàáëþäåíèÿ íà äâå ðàâíûå ÷àñòè, ò.å. äëÿ çíà÷å-
íèÿ Yi èìååì 50 % íàáëþäåíèé ìåíüøå íåãî è 50 % áîëüøå íåãî;
ñðåäíåå àðèôìåòè÷åñêîå Y − çíà÷åíèå âûõîäíîé ïåðåìåííîé
Y, îïðåäåëÿåìîå ïî ôîðìóëå
1 N
Y = ∑ Y1 . (3)
N i =1
13
Ðèñ. 7. Íîðìàëüíî- (à), òóïî- (á) è
îñòðîâåðøèííîå (â) ðàñïðåäåëåíèÿ
Îòìåòèì, ÷òî äëÿ óíèìîäàëüíîãî è ñèììåòðè÷íîãî ðàñïðåäå-

ëåíèÿ
Yl = Yi = Y ,
à ïðè íåáîëüøîé àñèììåòðèè
Y − Yl ≈ 3(Y − Yl ).
Â êà÷åñòâå äðóãèõ ïðèìåíÿåìûõ ïàðàìåòðîâ ðàñïðåäåëåíèÿ
ìîæíî óêàçàòü êâàðòèëè (YQ1 , YQ2 , YQ3 ) − òðè çíà÷åíèÿ âûõîä-
íîé ïåðåìåííîé, äåëÿùèå âûáîðî÷íóþ ñîâîêóïíîñòü íà ÷åòûðå
÷àñòè, êàæäàÿ èç êîòîðûõ ñîäåðæèò ÷åòâåðòóþ ÷àñòü îáúåêòîâ
íàáëþäåíèÿ; YQ1 , YQ3 − ñîîòâåòñòâåííî íèæíÿÿ è âåðõíÿÿ êâàð-
òèëè (ðèñ. 8).
Ïî àíàëîãèè ïðè ðàçáèåíèè ñîâîêóïíîñòè íà 10 è 100 ðàâíûõ
÷àñòåé èñïîëüçóþò ñîîòâåòñòâåííî ïîíÿòèÿ äåêàòèëåé è ïåðñåí-
òèëåé.
14
Ðèñ. 8. Êâàðòèëè íà êðèâîé ÷àñòîñòåé (à) è íà êðèâîé íàêîïëåííûõ ÷àñòîñ-
òåé (á)
Âàæíîé õàðàêòåðèñòèêîé óíèìîäàëüíûõ ðàñïðåäåëåíèé ÿâëÿ-

åòñÿ ðàçáðîñ, èëè ðàññåÿíèå, â êà÷åñòâå ìåðû êîòîðûõ èñïîëüçó-
þò ïîíÿòèÿ ðàçìàõà R, ñòàíäàðòíîãî (èëè ñðåäíåãî êâàäðàòè÷å-
ñêîãî) îòêëîíåíèÿ S, âûáîðî÷íîé äèñïåðñèè S2, êîýôôèöèåíòà
âàðèàöèè δ (%):
R = Y max − Y min ; (4)
1 N
S= ∑ (Yi − Y )2 ; (5)
N −1 i =1
1 N
S2 = ∑ (Yi − Y )2 ; (6)
N −1 i =1
S
δ= 100. (7)
Y
Â êà÷åñòâå ïàðàìåòðîâ, õàðàêòåðèçóþùèõ àñèììåòðèþ (èëè
êîñîñòü) ðàñïðåäåëåíèÿ, èñïîëüçóþò ìåðó êîñîñòè
N
α ê = ∑ (Yi − Y )3 / [(N − 1)S 3 ], (8)
i =1
à äëÿ îöåíêè îñòðîâåðøèííîñòè (èëè êðóòîñòè) ðàñïðåäåëåíèÿ −

ìåðó êðóòîñòè, èëè ýêñöåññ,
N
e = ∑ (Yi − Y )4 /[(N − 1) S 4 ] − 3. (9)
i =1
15
Ðèñ. 9. Ãèñòîãðàììà è ïî-
ëèãîí ÷àñòîò ïî ïðîõîäêå
íà äîëîòî
Äëÿ ñèììåòðè÷íîãî ðàñïðåäåëåíèÿ αê = 0, äëÿ ïîëîæèòåëüíîé

àñèììåòðèè αê > 0, äëÿ îòðèöàòåëüíîé – αê < 0.
Ïðè îñòðîâåðøèííîì ðàñïðåäåëåíèè èìååì e > 0, äëÿ íîð-
ìàëüíîãî ðàñïðåäåëåíèÿ e = 0, äëÿ ïëîñêîâåðøèííîé êðèâîé
ðàñïðåäåëåíèÿ e < 0.
Àñèììåòðèþ óíèìîäàëüíîãî ðàñïðåäåëåíèÿ ìîæíî îöåíèòü è
ïî ìåòîäó Ïèðñîíà, êîòîðûé ïðåäëîæèë äâà êîýôôèöèåíòà àñèì-
ìåòðèè:
π1 = (Y − Yl ) / S ; (10)
π = 3(Y − Yl ) / S .
2 (11)
Ýòè êîýôôèöèåíòû ðàâíû íóëþ äëÿ ñèììåòðè÷íîãî ðàñïðå-
äåëåíèÿ, ïîëîæèòåëüíû èëè îòðèöàòåëüíû â çàâèñèìîñòè îò òî-
ãî, ïîëîæèòåëüíà èëè îòðèöàòåëüíà àñèììåòðèÿ.
Ðèñ. 10. Ãèñòîãðàììà è

ïîëèãîí íàêîïëåííûõ ÷àñ-
òîò ïî ïðîõîäêå íà äîëîòî
16
Ïðîèëëþñòðèðóåì èñïîëüçîâàíèå èçëîæåííûõ ïðèåìîâ ãðóï-
ïèðîâêè äàííûõ è ïåðâè÷íîé ñòàòèñòè÷åñêîé îöåíêè íà ïðèìåðå
ðåçóëüòàòîâ íàáëþäåíèé çà îòðàáîòêîé äîëîò îïðåäåëåííîãî òèïà
ïðè áóðåíèè â îäíèõ è òåõ æå èíòåðâàëàõ ãëóáèí è òèïàõ ïîðîä
(ðèñ. 9, 10). Â ðåçóëüòàòå íàáëþäåíèé ôèêñèðîâàëè ïðîõîäêè íà
äîëîòî (òàáë. 2).
×èñëî èíòåðâàëîâ ðàçáèåíèÿ âûõîäíîé ïåðåìåííîé äëÿ ãðóï-
ïèðîâêè äàííûõ
K = A (1 + 3, 32 lg 251) = 9.
Òàáëèöà 2
Ïðîõîäêà íà äîëîòî, ì
9,30 9,47 12,80 16,15 15,85 11,94
10,40 9,35 12,60 17,10 17,62 14,25
11,70 10,68 14,10 17,75 18,70 14,20
10,82 11,70 13,85 18,65 13,00 14,40
12,40 11,95 10,25 19,80 12,60 15,30
11,95 12,85 11,40 13,95 13,75 10,70
13,85 14,10 11,80 10,72 14,94 12,45
13,10 13,85 11,80 10,72 14,94 12,45
14,80 15,40 12,14 11,45 15,20 12,15
15,50 15,50 13,75 12,15 10,72 14,18
15,90 11,90 13,85 11,95 11,46 14,10
15,75 12,10 14,30 14,15 12,84 15,00
17,20 13,05 15,30 14,15 12,70 15,50
16,95 13,25 16,75 14,50 13,10 16,20
18,90 14,90 15,85 14,20 13,20 16,70
19,60 15,45 17,65 16,45 14,90 11,44
13,00 16,40 17,85 15,75 15,20 11,70
12,80 16,30 19,20 16,95 15,55 11,85
13,90 16,92 20,25 15,70 16,15 12,90
14,20 17,20 14,20 19,15 19,00 13,95
15,35 18,40 13,60 11,70 10,84 13,80
10,40 20,30 11,25 11,75 11,60 15,20
9,72 12,65 10,75 12,10 12,00 15,45
11,55 12,00 12,35 12,90 12,80 15,90
11,45 13,95 12,60 14,20 13,05 16,60
12,44 13,90 13,80 13,25 14,25 10,85
11,85 14,80 13,05 15,50 15,00 12,10
14,20 9,80 14,30 14,80 14,80 12,70
13,80 9,65 14,35 16,70 15,85 13,25
14,75 10,80 15,60 15,80 16,35 13,80
15,45 11,50 16,20 17,40 18,95 14,60
16,25 13,00 17,80 17,60 11,65 14,55
15,75 12,95 16,90 19,25 10,80 16,40
17,45 13,10 11,75 10,60 12,25 11,90
16,85 14,10 10,65 11,50 11,90 12,75
19,15 15,50 12,60 12,12 13,80 13,20
20,55 15,35 11,82 11,85 14,25 13,80
12,45 16,40 13,20 14,15 15,40 14,65
11,95 15,70 13,10 13,05 15,40 14,30
13,85 18,00 14,45 14,48 15,80 15,75
14,10 17,55 14,30 14,95 16,20 16,15
15,45 19,20 15,80 16,75 12,20
17
Äëÿ ïðèâåäåííîé âûáîðêè
Ymin = 9,30 ì; Ymax = 20,55 ì; c = 1,25 ì.
Ñâîäêà íàáëþäåíèé ïðèìåò âèä òàáë. 3.
Äëÿ ìåäèàíû, ìîäû è ñðåäíåãî àðèôìåòè÷åñêîãî ñîîòâåòñò-
âåííî èìååì
Y = 14,10 ì; Y = 13, 68 ì; Y = 14,15 ì.

Êâàðòèëè èìåþò ñëåäóþùèå çíà÷åíèÿ:
YQ1 = 12,15 ì; YQ2 = 14,10 ì; YQ3 = 15,75 ì.
Ðàçìàõ íàáëþäåíèé â âûáîðêå ïî ôîðìóëå (4)
R = 20,55 – 9,30 = 11,25 ì.
Ñòàíäàðòíîå îòêëîíåíèå è âûáîðî÷íàÿ äèñïåðñèÿ, âû÷èñëåí-
íûå ïî ôîðìóëàì (5) è (6), ñîîòâåòñòâåííî ðàâíû
S = 2,40 ì; S2 = 5,76 ì2.
Êîýôôèöèåíò âàðèàöèè ðåçóëüòàòîâ íàáëþäåíèé ïî ôîðìó-
ëå (7)
δ = 2, 40 / 14,15 = 0,169.
Îöåíêà ïàðàìåòðîâ, õàðàêòåðèçóþùèõ àñèììåòðèþ è ýêñöåññ,
â ñîîòâåòñòâèè ñ ôîðìóëàìè (8) è (9) äàåò ñëåäóþùèå ðåçóëüòàòû:
251
α ê = ∑ (Yi − Y )3 /[(N − 1)S 3 ] = 0, 381;
i =1
251
e = ∑ (Yi − Y )4 /[(N − 1)S 4 ] − 3 = −0, 37,
i =1
÷òî óêàçûâàåò íà ïîëîæèòåëüíóþ àñèììåòðèþ (âåðøèíà ñìåùåíà

ê îñè îðäèíàò) è ïëîñêîâåðøèííîñòü ðàñïðåäåëåíèÿ ÷àñòîò.
Òàáëèöà 3
Èíòåðâàë èçìåíåíèÿ Ñðåäíåå çíà÷åíèå ×àñòîòà Íàêîïëåííàÿ ÷àñ-
âûõîäíîé ïåðåìåííîé íà èíòåðâàëå òîòà
9,30… 10,55 9,82 9 9
10,55… 11,80 11,23 31 40
11,80… 13,05 12,36 48 88
13,05… 14,30 13,76 52 140
14,30… 15,55 14,96 43 183
15,55… 16,80 16,11 33 216
16,80… 18,05 17,39 19 235
18,05… 19,30 18,96 11 246
19,30… 20,55 20,10 5 251
9
Èòîãî ∑ ni = 251
i =1
18
Òîò æå ðåçóëüòàò îöåíêè àñèììåòðèè äàþò êîýôôèöèåíòû
àñèììåòðèè Ïèðñîíà, îïðåäåëåííûå ïî ôîðìóëàì (10) è (11):
π1 = (14,15 − 13, 68) / 2, 40 = 0,196;
π2 = 3(14,15 − 14,10) / 2, 40 = 0, 063.

Òàêèì îáðàçîì, â ðåçóëüòàòå ïåðâè÷íîãî ñòàòèñòè÷åñêîãî àíà-
ëèçà ðåçóëüòàòîâ íàáëþäåíèé óñòàíîâëåíû çàêîíû ðàñïðåäåëå-
íèÿ ÷àñòîò è íàéäåíû îöåíêè ïàðàìåòðîâ ðàñïðåäåëåíèÿ, ÷òî ïî-
çâîëÿåò îõàðàêòåðèçîâàòü ñîáðàííûé ñòàòèñòè÷åñêèé ìàòåðèàë.
19
Ãëàâà 2
ÝËÅÌÅÍÒÛ ÒÅÎÐÈÈ ÂÅÐÎßÒÍÎÑÒÅÉ
Òåîðåòè÷åñêèé àïïàðàò ìàòåìàòè÷åñêîé ñòàòèñòèêè âî ìíîãîì

îñíîâûâàåòñÿ íà òåîðèè âåðîÿòíîñòåé, êîòîðàÿ èçó÷àåò âåðîÿòíî-
ñòíûå çàêîíîìåðíîñòè ìàññîâûõ îäíîðîäíûõ ñëó÷àéíûõ ñîáûòèé.
Ëþáûå íàáëþäàåìûå ñîáûòèÿ ìîæíî ïîäðàçäåëèòü íà òðè òèïà:
äîñòîâåðíûå, ñëó÷àéíûå è íåâîçìîæíûå.
Ñîáûòèå íàçûâàþò äîñòîâåðíûì, åñëè îíî îáÿçàòåëüíî äîëæ-
íî ïðîèçîéòè ïðè çàäàííîé ñîâîêóïíîñòè óñëîâèé.
Íåâîçìîæíûì ñ÷èòàþò òàêîå ñîáûòèå, êîòîðîå ïðè çàäàííîé
ñîâîêóïíîñòè óñëîâèé çàâåäîìî íå ïðîèçîéäåò.
Ñîáûòèå íàçûâàþò ñëó÷àéíûì, åñëè ïðè çàäàííîé ñîâîêóïíî-
ñòè óñëîâèé îíî ëèáî ïðîèçîéäåò, ëèáî íå ïðîèçîéäåò.
Ñîáûòèÿ ÿâëÿþòñÿ íåñîâìåñòèìûìè, åñëè ïîÿâëåíèå îäíîãî
èç íèõ èñêëþ÷àåò ïîÿâëåíèå äðóãèõ ïðè îäíîì è òîì æå íàáëþ-
äåíèè çà îáúåêòîì.
Ñîáûòèå ñ÷èòàþò åäèíñòâåííî âîçìîæíûì, åñëè ïîÿâëåíèå â
ðåçóëüòàòå íàáëþäåíèÿ òîëüêî îäíîãî èç íèõ ÿâëÿåòñÿ äîñòîâåð-
íûì. Òàê, ïðè ðàçáóðèâàíèè êîíêðåòíîãî ïëàñòà ïîÿâëåíèå ñî-
áûòèé «áóðåíèå» è «ïðîðàáîòêà» íåñîâìåñòèìî, è êàæäîå èç íèõ
ÿâëÿåòñÿ åäèíñòâåííî âîçìîæíûì.
Åñëè íåò îñíîâàíèé ñ÷èòàòü, ÷òî ïîÿâëåíèå êàêîãî-ëèáî èç
ñîáûòèé ÿâëÿåòñÿ áîëåå âîçìîæíûì, ÷åì äðóãèå, òî ñîáûòèÿ íà-
çûâàþò ðàâíîâîçìîæíûìè.
Èñïîëüçóÿ ââåäåííûå ïîíÿòèÿ, ìîæíî ñôîðìóëèðîâàòü êëàñ-
ñè÷åñêîå îïðåäåëåíèå âåðîÿòíîñòè.
Âåðîÿòíîñòüþ ñîáûòèÿ À íàçûâàþò îòíîøåíèå ÷èñëà áëàãî-
ïðèÿòñòâóþùèõ ýòîìó ñîáûòèþ èñõîäîâ ê îáùåìó ÷èñëó âñåõ
åäèíñòâåííî âîçìîæíûõ è ðàâíîâîçìîæíûõ ýëåìåíòàðíûõ èñõî-
äîâ, ò.å.
P (A ) = n / N , (12)
ãäå n − ÷èñëî ýëåìåíòàðíûõ èñõîäîâ, áëàãîïðèÿòñòâóþùèõ ñîáû-
òèþ À; N − ÷èñëî âñåõ âîçìîæíûõ ýëåìåíòàðíûõ èñõîäîâ.
Â êà÷åñòâå ïîÿñíÿþùåãî ïðèìåðà ðàññìîòðèì âåðîÿòíîñòü
âûïàäåíèÿ ÷åòíîãî ÷èñëà íà èãðàëüíîé êîñòè êóáè÷åñêîé ôîðìû
ñ ÷èñëàìè 1, 2, … , 6 íà ãðàíÿõ. ×èñëî áëàãîïðèÿòñòâóþùèõ èñõî-
20
äîâ n = 3 (ãðàíè 2, 4, 6), à îáùåå ÷èñëî èñõîäîâ N = 6. Ñëåäîâà-
òåëüíî, âåðîÿòíîñòü âûïàäåíèÿ ÷åòíîãî ÷èñëà P = 0,5.
Ñîãëàñíî ïðèâåäåííûì îïðåäåëåíèÿì, âåðîÿòíîñòü äîñòîâåð-
íîãî ñîáûòèÿ ðàâíà åäèíèöå, à âåðîÿòíîñòü íåâîçìîæíîãî ñîáû-
òèÿ − íóëþ. Âåðîÿòíîñòü æå ñëó÷àéíîãî ñîáûòèÿ P(A) äîëæíà
óäîâëåòâîðÿòü óñëîâèþ
0 < P (A ) < 1.
Êëàññè÷åñêîå îïðåäåëåíèå âåðîÿòíîñòè îêàçûâàåòñÿ âåñüìà
îãðàíè÷åííûì äëÿ ïðàêòè÷åñêîãî ïðèìåíåíèÿ, òàê êàê îíî ïðåä-
ïîëàãàåò êîíå÷íîñòü ÷èñëà èñõîäîâ è ðàâíîâîçìîæíîñòü ýëåìåí-
òàðíûõ ñîáûòèé (êîñòü èëè ìîíåòà ïðè áðîñàíèè ñ÷èòàþòñÿ
ñèììåòðè÷íûìè). Âòîðîé íåäîñòàòîê ÿâëÿåòñÿ âåñüìà ñóùåñò-
âåííûì, è íà ïðàêòèêå ïðèõîäèòñÿ îáû÷íî ïîëüçîâàòüñÿ ñòàòè-
ñòè÷åñêèì èëè ýêñïåðèìåíòàëüíûì îïðåäåëåíèåì âåðîÿòíîñòè,
ïîä êîòîðîé ïîíèìàþò îòíîøåíèå ÷èñëà èñõîäîâ n, â êîòîðûõ
íàáëþäàëîñü ñîáûòèå A, ê îáùåìó ÷èñëó èñõîäîâ N â íàáëþäå-
íèÿõ ñ îäèíàêîâûìè óñëîâèÿìè:
P ( A) = n / N . (12à)
Íåñìîòðÿ íà âíåøíåå ñõîäñòâî, ôîðìóëû (12) è (12à) äëÿ
âû÷èñëåíèÿ âåðîÿòíîñòåé ïî êëàññè÷åñêîìó è ñòàòèñòè÷åñêîìó
îïðåäåëåíèþ ðàçëè÷íû ïî ñóùåñòâó. Ïåðâàÿ ïðèìåíÿåòñÿ äëÿ
ðàñ÷åòà ïðè èçâåñòíûõ óñëîâèÿõ ïðîâåäåíèÿ èñïûòàíèé è íå
òðåáóåò ýêñïåðèìåíòà, à âòîðàÿ − ïðè íàëè÷èè ýêñïåðèìåíòàëü-
íûõ äàííûõ.
Íà îñíîâàíèè òåîðåòè÷åñêîãî àïïàðàòà òåîðèè âåðîÿòíîñòåé
äîêàçûâàåòñÿ ðÿä ïîëîæåíèé î âåðîÿòíîñòÿõ ðàçëè÷íîãî ðîäà
ýëåìåíòàðíûõ ñîáûòèé, êîòîðûå ìîæíî ñôîðìóëèðîâàòü ñëå-
äóþùèì îáðàçîì.
Âåðîÿòíîñòü ïîÿâëåíèÿ ñóììû íåñêîëüêèõ íåñîâìåñòèìûõ ñî-
áûòèé ðàâíà ñóììå âåðîÿòíîñòåé ýòèõ ñîáûòèé, ò.å.
P ( A1 + A2 + ... + Ak ) = P ( A1 ) + P ( A2 ) + ... + P ( Ak ), (13)
ãäå ïîä ñóììîé ñîáûòèé A1 + A2 ïîíèìàåòñÿ ñîáûòèå, ñîñòîÿùåå
â ïîÿâëåíèè ñîáûòèÿ A1 èëè A2 èëè äâóõ ñîáûòèé îäíîâðåìåííî.
Åñëè èìååòñÿ ñîâîêóïíîñòü åäèíñòâåííî âîçìîæíûõ ñîáûòèé,
òî îíà îáðàçóåò ïîëíóþ ãðóïïó ñîáûòèé è äëÿ íåå
k
∑ P (A i ) = P ( A1 ) + P ( A2 ) + ... + P (A k ) = 1, (14)
i =1
ãäå k − ÷èñëî ñîáûòèé ïîëíîé ãðóïïû.

21
Äâà åäèíñòâåííî âîçìîæíûõ ñîáûòèÿ îáðàçóþò ïîëíóþ ãðóï-
ïó, è èõ íàçûâàþò ïðîòèâîïîëîæíûìè. Åñëè îäíî èç íèõ îáîçíà-
÷èòü A (ïðèõâàò êîëîííû), òî äðóãîå (îòñóòñòâèå ïðèõâàòà êî-
ëîííû) îáîçíà÷àþò A (íå A).
Â ýòîì ñëó÷àå
P ( A) + P ( A) = 1. (15)
Ìàëàÿ âåðîÿòíîñòü ñëó÷àéíîãî ñîáûòèÿ óêàçûâàåò íà òî, ÷òî â

åäèíè÷íîì íàáëþäåíèè ýòî ñîáûòèå ïðàêòè÷åñêè íå íàñòóïèò.
Äîñòàòî÷íî ìàëóþ âåðîÿòíîñòü, ïðè êîòîðîé ñîáûòèå ñ÷èòàåòñÿ
ïðàêòè÷åñêè íåâîçìîæíûì, íàçûâàþò óðîâíåì çíà÷èìîñòè, è íà
ïðàêòèêå åãî ïðèíèìàþò ðàâíûì 0,01 è 0,05 (1%-íûé è 5%-íûé
óðîâíè çíà÷èìîñòè). Ïðè çíà÷åíèè âåðîÿòíîñòè, áëèçêîì ê åäè-
íèöå, ìîæíî ñ÷èòàòü, ÷òî â åäèíè÷íîì íàáëþäåíèè ýòî ñîáûòèå
íàñòóïèò.
Ïðîèçâåäåíèå ñîáûòèé − ýòî èõ ñîâìåñòíîå ïîÿâëåíèå.
Åñëè ñîáûòèÿ ÿâëÿþòñÿ íåçàâèñèìûìè, ò.å. âåðîÿòíîñòü ïîÿâ-
ëåíèÿ îäíîãî èç íèõ íå çàâèñèò îò ïîÿâëåíèÿ èëè íåïîÿâëåíèÿ
äðóãîãî, òî âûïîëíÿåòñÿ ðàâåíñòâî
P ( A1 A2 A3 ... Ak ) = P ( A1 )P ( A2 )P ( A3 )...P ( Ak ). (16)
Åñëè ñîáûòèÿ ÿâëÿþòñÿ çàâèñèìûìè, òî ââîäÿò ïîíÿòèå óñëîâ-

íîé âåðîÿòíîñòè, ò.å. P (A/B) èëè P (B/A). Ýòà çàïèñü óêàçûâàåò
íà òî, ÷òî âåðîÿòíîñòü ñîáûòèÿ B âû÷èñëåíà â ïðåäïîëîæåíèè î
íàëè÷èè ïðåäâàðÿþùåãî ñîáûòèÿ A.
Âåðîÿòíîñòü ñîâìåñòíîãî ïîÿâëåíèÿ çàâèñèìûõ ñîáûòèé îï-
ðåäåëÿþò ïî ôîðìóëå
P ( A1 A2 ... Ak ) =
= P ( A1 )P ( A2 / A1 )P[ A3 /( A1 A2 )]... P[ Ak /( A1 A2 ... Ak −1 )]. (17)
Âåðîÿòíîñòü ïîÿâëåíèÿ ñóììû äâóõ ñîâìåñòíûõ ñîáûòèé, ò.å.

åñëè ïîÿâëåíèå îäíîãî èç íèõ íå èñêëþ÷àåò ïîÿâëåíèå äðóãîãî â
îäíîì íàáëþäåíèè,
P ( A + B) = P ( A) + P (B) − P ( AB). (18)
Äëÿ âû÷èñëåíèÿ âåðîÿòíîñòè ñîáûòèÿ B, êîòîðîå ìîæåò ïðî-

èçîéòè òîëüêî ïðè óñëîâèè ïîÿâëåíèÿ îäíîãî èç íåñîâìåñòèìûõ
ñîáûòèé A1, A2, … , Ak, îáðàçóþùèõ ïîëíóþ ãðóïïó ñîáûòèé, ïðè-
ìåíèìà ôîðìóëà
22
P (B) = P ( A1 )P (B / A1 ) + P ( A2 )P (B / A2 ) + ...
+ P ( Ak )P (B / Ak ), (19)
êîòîðóþ íàçûâàþò ôîðìóëîé ïîëíîé âåðîÿòíîñòè.

Áîëüøîé ïðàêòè÷åñêèé èíòåðåñ ïðåäñòàâëÿåò ñëó÷àé, êîãäà
íåèçâåñòíî, êàêîå èç ñîáûòèé A1 , A2 , ..., Ak íàñòóïèò. Â ýòîì
ñëó÷àå èõ íàçûâàþò ãèïîòåçàìè. Ïîñòàâèì âîïðîñ î èçìåíåíèè
âåðîÿòíîñòè ãèïîòåç A1 , A2 , ..., Ak , åñëè â íàáëþäåíèè íàñòóïèëî
ñîáûòèå B.
Äëÿ òàêîãî ñëó÷àÿ
P ( A1 B) = P (B)P ( A1 / B) = P ( A1 )P (B / A1 ),
òîãäà
P (A1B ) = P (A1)P (B / A1)

.
P (B )
Èñïîëüçóÿ ôîðìóëó ïîëíîé âåðîÿòíîñòè äëÿ ñîáûòèÿ B, ïî-

ëó÷àåì
P ( A1)P (B / A1)
P (A1 / B) = ,
P ( A1)P (B / A1) + P ( A2 )P (B / A2 ) + ... + P ( Ak )P (B / Ak )
à äëÿ âû÷èñëåíèÿ óñëîâíîé âåðîÿòíîñòè ëþáîé èç ãèïîòåç ïî

àíàëîãèè èìååì
P ( A1)P (B / A i )
P (A / B) = k
, (20)
∑ P (A 1)P (B / A1)
i =1
ãäå P(Ai) – àïðèîðíàÿ (äîîïûòíàÿ) âåðîÿòíîñòü ñîáûòèÿ Ai;

P (B / Ai ) − óñëîâíàÿ âåðîÿòíîñòü ñîáûòèÿ B ïðè íàëè÷èè ïðåä-
âàðÿþùåãî ñîáûòèÿ Ai.
Ýòî ôîðìóëà Áàéåñà, ïîçâîëÿþùàÿ ïåðåîöåíèòü âåðîÿòíîñòü
ãèïîòåç ïîñëå ïîëó÷åíèÿ ðåçóëüòàòà íàáëþäåíèÿ.
Ñëó÷àéíûå ñîáûòèÿ â îáùåì ñëó÷àå ìîãóò áûòü êà÷åñòâåííû-
ìè (ïðèõâàò, ãàçîïðîÿâëåíèå, îñûïü è äð.) è êîëè÷åñòâåííûìè
(ïðîõîäêà íà äîëîòî, ìåõàíè÷åñêàÿ ñêîðîñòü, óñèëèå íà êðþêå
è ò.ï.). Âî âòîðîì ñëó÷àå ãîâîðÿò î âîçìîæíûõ çíà÷åíèÿõ ýòîé
êîëè÷åñòâåííîé õàðàêòåðèñòèêè è ââîäÿò ïîíÿòèå ñëó÷àéíîé âå-
ëè÷èíû, êîòîðàÿ ïðèíèìàåò â ðåçóëüòàòå åäèíè÷íîãî íàáëþäåíèÿ
îäíî è òîëüêî îäíî âîçìîæíîå çíà÷åíèå, íåèçâåñòíîå çàðàíåå è
çàâèñÿùåå îò ñëó÷àéíûõ, íå ó÷òåííûõ ïðè÷èí.
23
Ñëó÷àéíûå âåëè÷èíû ìîãóò áûòü ïî õàðàêòåðó èõ èçìåíåíèÿ
äèñêðåòíûìè (÷èñëî äîëáëåíèé, ÷èñëî ïðèõâà÷åííûõ òðóá è ò.ï.)
è íåïðåðûâíûìè (äàâëåíèå íà íàñîñå, ñêîðîñòü âîñõîäÿùåãî ïî-
òîêà è äð.). Äëÿ îáåèõ ðàçíîâèäíîñòåé ñëó÷àéíîé âåëè÷èíû àï-
ïàðàò òåîðèè âåðîÿòíîñòåé ïîçâîëÿåò âûðàáîòàòü ïðàâèëà, îáëåã-
÷àþùèå ñòàòèñòè÷åñêîå îïèñàíèå èõ ïîâåäåíèÿ.
Çàäàíèå ñëó÷àéíîé âåëè÷èíû òðåáóåò ïåðå÷èñëåíèÿ âñåõ åå
âîçìîæíûõ çíà÷åíèé ñ óêàçàíèåì èõ âåðîÿòíîñòè. Ñîîòâåòñòâèå
ìåæäó âîçìîæíûì çíà÷åíèÿìè ñëó÷àéíîé âåëè÷èíû è èõ âåðî-
ÿòíîñòÿìè íàçûâàþò çàêîíîì ðàñïðåäåëåíèÿ ñëó÷àéíîé âåëè÷èíû.
Îí ìîæåò áûòü ïðåäñòàâëåí â òàáëè÷íîì âèäå:
X ................... X1 X2 X3 … Xn
P.................... P1 P2 P3 … Pn
àíàëèòè÷åñêè − P (X ) è ãðàôè÷åñêè.
Åñëè ïðèíÿòü âî âíèìàíèå, ÷òî âñå âîçìîæíûå çíà÷åíèÿ ñëó-
÷àéíîé âåëè÷èíû îáðàçóþò ïîëíóþ ãðóïïó ñîáûòèé, òî èìååì
P1 + P2 + P3 + ... + Pn = 1.
Â êà÷åñòâå çàêîíîâ ðàñïðåäåëåíèÿ ñëó÷àéíîé âåëè÷èíû èñ-
ïîëüçóþò èíòåãðàëüíóþ è äèôôåðåíöèàëüíóþ ôóíêöèè îïðåäåëå-
íèÿ. Ïåðâóþ íàçûâàþò òàêæå ïðîñòî ôóíêöèåé ðàñïðåäåëåíèÿ, à
âòîðóþ − ïëîòíîñòüþ âåðîÿòíîñòè.
Èíòåãðàëüíàÿ ôóíêöèÿ ðàñïðåäåëåíèÿ ïðèìåíèìà êàê äëÿ íå-
ïðåðûâíûõ, òàê è äëÿ äèñêðåòíûõ ñëó÷àéíûõ âåëè÷èí. Îíà ïî-
çâîëÿåò îïðåäåëÿòü âåðîÿòíîñòü òîãî, ÷òî âåëè÷èíà x áóäåò
ìåíüøå åãî çàäàííîãî çíà÷åíèÿ, ò.å.
P (X ) = P ( x < X ).
Ôóíêöèÿ ðàñïðåäåëåíèÿ îáëàäàåò ñëåäóþùèìè ñâîéñòâàìè:
1) 0 ≤ P(X) ≤ 1;
2) P(X2) ≥ P(X1) ïðè X2 > X1;
3) P(a ≤ X ≤ b) = P(b) − P(a);
4) P(X) = 0 ïðè X ≤ a;
5) P(X) = 1 ïðè X ≥ b, a < X < b;
6) lim P (X ) = 0; lim P (X ) = 1, − ∞ < X < +∞.
X →−∞ X →+∞
Ãðàôè÷åñêè èíòåãðàëüíàÿ ôóíêöèÿ ðàñïðåäåëåíèÿ äëÿ íåïðå-
ðûâíîé (a < X < b) è äèñêðåòíîé ñëó÷àéíûõ âåëè÷èí ïðåäñòàâ-
ëåíà íà ðèñ. 11.
Ïëîòíîñòüþ âåðîÿòíîñòè, èëè äèôôåðåíöèàëüíîé ôóíêöèåé
ðàñïðåäåëåíèÿ, íàçûâàþò ïåðâóþ ïðîèçâîäíóþ îò èíòåãðàëüíîé
ôóíêöèè ðàñïðåäåëåíèÿ
24
Ðèñ. 11. Èíòåãðàëüíàÿ ôóíêöèÿ ðàñïðåäåëåíèÿ íåïðåðûâíîé (à) è äèñêðåòíîé
(á) ñëó÷àéíûõ âåëè÷èí
p(X ) = P ′(X ).
Îíà íåïðèìåíèìà äëÿ îïèñàíèÿ ðàñïðåäåëåíèÿ âåðîÿòíîñòåé
äèñêðåòíîé ñëó÷àéíîé âåëè÷èíû è îáëàäàåò ñëåäóþùèìè ñâîé-
ñòâàìè:
b
1) P (a < X < b) = ∫ P (X )dX ;
a
2) p (X) ≥ 0;
+∞
3) ∫ p(X )dX = 1.
−∞
Èç ââåäåííûõ ïîíÿòèé ñëåäóåò, ÷òî äëÿ íåïðåðûâíîé ñëó÷àé-
íîé âåëè÷èíû íå èìååò ñìûñëà ãîâîðèòü î âåðîÿòíîñòè òîãî, ÷òî
ïîñëåäíÿÿ ïðèìåò îäíî êîíêðåòíîå çíà÷åíèå, íî èìååò ñìûñë
ðàññìàòðèâàòü âåðîÿòíîñòü åå ïîïàäàíèÿ â îïðåäåëåííîé (ñêîëü
óãîäíî ìàëûé) èíòåðâàë. Ýòà âåëè÷èíà íàçûâàåòñÿ ìàòåìàòè÷å-
ñêèì îæèäàíèåì íåïðåðûâíîé ñëó÷àéíîé âåëè÷èíû íà èíòåðâàëå
îò a äî b è îïðåäåëÿåòñÿ ïî ôîðìóëå
b
M (X ) = ∫ Xp(X )dX . (21)
a
Äëÿ äèñêðåòíîé ñëó÷àéíîé âåëè÷èíû, ïðèíèìàþùåé çíà÷åíèÿ

X1, X2, … , Xk, ìàòåìàòè÷åñêèì îæèäàíèåì íàçûâàþò ñóììó ïðîèç-
âåäåíèé âñåõ åå âîçìîæíûõ çíà÷åíèé íà èõ âåðîÿòíîñòè:
k
M (X ) = ∑ X i P (X i ) = X1 P (X1 ) + X 2 P (X 2 ) + ... + X k P (X k ).
i =1
Îáðàòèì âíèìàíèå íà òîò ôàêò, ÷òî ìàòåìàòè÷åñêîå îæèäàíèå

ñëó÷àéíîé âåëè÷èíû ÿâëÿåòñÿ íåñëó÷àéíîé âåëè÷èíîé.
25
Ïðèíÿâ âî âíèìàíèå, ÷òî ïðè ñòàòèñòè÷åñêîì îïðåäåëåíèè
âåðîÿòíîñòè
n n n
P (X1 ) ≈ 1 ; P (X 2 ) ≈ 2 ; ... ; P (X k ) ≈ k ,
N N N
ãäå n1, n2, … , nk − ÷èñëî ñëó÷àåâ ïðè N íàáëþäàåìûõ, â êîòîðûõ
ñëó÷àéíàÿ âåëè÷èíà ïðèíèìàëà çíà÷åíèÿ X1, X2, … , Xk, ïîëó÷èì
n1 n2 nk
M (X ) ≅ X1 + X2 + ... + X k , (22)
N N N
ò.å. ìàòåìàòè÷åñêîå îæèäàíèå ïðèáëèæåííî ðàâíî ñðåäíåìó
àðèôìåòè÷åñêîìó íàáëþäàåìûõ çíà÷åíèé ñëó÷àéíîé âåëè÷èíû
(çíàê ïðèáëèæåííîãî ðàâåíñòâà óêàçûâàåò íà òî, ÷òî ëèøü ïðè
î÷åíü áîëüøîì ÷èñëå íàáëþäåíèé ÷àñòîñòü áóäåò ñòðåìèòüñÿ ê
âåðîÿòíîñòè).
Ìàòåìàòè÷åñêîå îæèäàíèå îáëàäàåò ñëåäóþùèì ñâîéñòâàìè:
1) M(c) = c, ãäå c − ïîñòîÿííàÿ âåëè÷èíà;
2) M(cX) = cM(X);
3) M(X1 + X2 + … + Xk) = M(X1) + Ì(X2) + … + M(Xk), ãäå X1,
X2, … , Xk − íåçàâèñèìûå ñëó÷àéíûå âåëè÷èíû;
4) M(X1X2 … Xk) = M(X1)Ì(X2)Ì(X3) … M(Xk).
Ìàòåìàòè÷åñêîå îæèäàíèå ìîæåò îêàçàòüñÿ îäèíàêîâûì äëÿ
ðàçíûõ ñîâîêóïíîñòåé ñëó÷àéíûõ âåëè÷èí. Íàïðèìåð, äëÿ ñëó-
÷àéíûõ âåëè÷èí
X1 .................. 1 3 4 5 X2 .................. 2 3 4
P(X1)............ 0,3 0,2 0,4 0,1 è P(X2) ........... 1/3 1/3 1/3
èìååì
M (X 1 ) = 1 ⋅ 0, 3 + 3 ⋅ 0, 2 + 4 ⋅ 0, 4 + 5 ⋅ 0,1 = 3, 0;
1 1 1
M (X2 ) = 2 ⋅ + 3⋅ +4⋅ = 3, 0.
3 3 3
Ýòî óêàçûâàåò íà òî, ÷òî ïî çíà÷åíèþ ìàòåìàòè÷åñêîãî îæè-

äàíèÿ íåëüçÿ ñóäèòü íè î òîì, êàêèå âîçìîæíûå çíà÷åíèÿ ñëó-
÷àéíàÿ âåëè÷èíà ìîæåò ïðèíèìàòü, íè î òîì, êàê îíà ðàññåÿíà
âîêðóã ìàòåìàòè÷åñêîãî îæèäàíèÿ. Äëÿ õàðàêòåðèñòèêè ýòèõ
ñâîéñòâ ñëó÷àéíîé âåëè÷èíû èñïîëüçóþò äèñïåðñèþ, êîòîðîé
íàçûâàþò ìàòåìàòè÷åñêîå îæèäàíèå êâàäðàòà îòêëîíåíèÿ ñëó-
÷àéíîé âåëè÷èíû îò åå ìàòåìàòè÷åñêîãî îæèäàíèÿ, ò.å.
D( X ) = M [ X − M (X )]2 .
Îòìåòèì, ÷òî
M [ X − M (X )] = 0,
26
òàê êàê
M [ X − M (X )] = M (X ) − M [M (X )] = M (X ) − M (X ) = 0.
Ñîãëàñíî îïðåäåëåíèþ, ïðè èçâåñòíîì çàêîíå ðàñïðåäåëåíèÿ
ñëó÷àéíîé âåëè÷èíû äèñïåðñèþ ìîæíî âû÷èñëÿòü ïî ôîðìóëå
D( X ) = M [X − M ( X )]2 = [ X1 − M ( X )]2 P ( X1 ) +
+ [ X 2 − M (X )]2 P ( X 2 ) + ... + [ X k − M ( X k )]2 P ( X k )

äëÿ äèñêðåòíîé ñëó÷àéíîé âåëè÷èíû èëè
b
D(X ) = ∫ [ X − M (X )]2 p(X )dX
a
äëÿ íåïðåðûâíîé âåëè÷èíû a < X < b.

Èñõîäÿ èç ýòîãî, ìîæíî âûâåñòè áîëåå óäîáíóþ ôîðìóëó äëÿ
âû÷èñëåíèÿ äèñïåðñèè:
D( X ) = M [ X − M (X )]2 = M (X 2 ) − 2M ( X )M ( X ) + [M ( X )]2 =
= M ( X 2 ) − M 2 ( X ),
ò.å.
D( X ) = M ( X )2 − [M ( X )]2 . (23)
Äèñïåðñèÿ ñëó÷àéíîé âåëè÷èíû îáëàäàåò ñëåäóþùèìè ñâîé-
ñòâàìè:
1) D(c) = 0, ãäå c − ïîñòîÿííàÿ âåëè÷èíà;
2) D(cX) = c2D(X);
3) D(X1 + X2 + … + Xk) = D(X1) + D(X2) + … + D(Xk), ãäå X1,
X2, … , Xk − íåçàâèñèìûå ñëó÷àéíûå âåëè÷èíû;
4) D(X − Y) = D(X) + D(Y), åñëè X è Y íåçàâèñèìû, òàê êàê
D(X − Y) = D(X) + D(−1Y) = D(X) + (−1)2D(Y) = D(X) + D(Y).
Äëÿ îöåíêè ðàññåÿíèÿ ñëó÷àéíîé âåëè÷èíû îòíîñèòåëüíî åå
ñðåäíåãî çíà÷åíèÿ, êðîìå äèñïåðñèè, èñïîëüçóþò ñðåäíåå êâàä-
ðàòè÷åñêîå îòêëîíåíèå
σ= D( X ). (24)
Ïðèíÿâ âî âíèìàíèå ñâîéñòâî 3 äèñïåðñèè, äëÿ ñóììû êî-
íå÷íîãî ÷èñëà íåçàâèñèìûõ ñëó÷àéíûõ âåëè÷èí ïîëó÷èì
σ = (X1 + X 2 + ... + X k ) = σ2 (X1 ) + σ2 (X 2 ) + ... + σ2 (X k ). (25)
27
Äëÿ áîëüøîãî ÷èñëà ïðàêòè÷åñêèõ çàäà÷ øèðîêîå ïðèìåíåíèå
íàõîäèò òåîðåòè÷åñêèé çàêîí ðàñïðåäåëåíèÿ íåïðåðûâíîé ñëó-
÷àéíîé âåëè÷èíû
 2
P (X ) = 1
exp  − (X − 2a)  , (26)
σ 2π  2σ 
ïîëó÷èâøèé íàçâàíèå íîðìàëüíîãî çàêîíà ðàñïðåäåëåíèÿ. Äëÿ

ýòîãî çàêîíà çíàíèå äâóõ ïàðàìåòðîâ a è σ ïîëíîñòüþ åãî îïðå-
äåëÿåò.
Ìàòåìàòè÷åñêîå îæèäàíèå íåïðåðûâíîé ñëó÷àéíîé âåëè÷èíû
ñ íîðìàëüíîé ïëîòíîñòüþ âåðîÿòíîñòåé
+∞
1
+∞
 ( X − a) 2 
M (X ) = ∫ XP (X ) dX = ∫ X exp −
2σ
2  dX = a, (27)
−∞ σ 2π −∞  
à äèñïåðñèÿ
1
+∞
 ( X − a )2 
D(X ) = ∫ − −  dX = σ .
2 2
( X a ) exp 2
(28)
σ 2π −∞  2σ 
Òàêèì îáðàçîì, çàäàíèå ìàòåìàòè÷åñêîãî îæèäàíèÿ è äèñïåð-
ñèè ïîëíîñòüþ îïðåäåëÿåò íîðìàëüíûé çàêîí ðàñïðåäåëåíèÿ
ñëó÷àéíîé âåëè÷èíû.
Ãðàôèê äèôôåðåíöèàëüíîé ôóíêöèè ðàñïðåäåëåíèÿ íîðìàëü-
íîãî ðàñïðåäåëåíèÿ íîñèò íàçâàíèå êðèâîé Ãàóññà, èëè íîðìàëü-
íîé êðèâîé (ðèñ. 12).
Ñîãëàñíî ðèñ. 12 ìîæíî ñêàçàòü, ÷òî ñ ðîñòîì σ îðäèíàòà
íîðìàëüíîé êðèâîé óáûâàåò, ò.å. îíà ñòàíîâèòñÿ áîëåå ïîëîãîé.
Óâåëè÷åíèå ïàðàìåòðà a ïðèâîäèò ê ñäâèãó íîðìàëüíîé êðèâîé
âïðàâî, òàê êàê ðàñòåò ìàòåìàòè÷åñêîå îæèäàíèå ñëó÷àéíîé âå-
ëè÷èíû.
Äëÿ íîðìàëüíîãî çàêîíà ðàñïðåäåëåíèÿ âåðîÿòíîñòü ïîïàäà-
íèÿ ñëó÷àéíîé âåëè÷èíû
1
∞
 ( X − a )2 
P (α < X < β) = ∫ − 2σ2  dX .
exp (29)
σ 2π α  
Åñëè ñäåëàòü çàìåíó ïåðåìåííîé
Z = (X − a) / σ,
òî ëåãêî ïîëó÷èòü âûðàæåíèå
β − a α −a
P (α < X < β) = Φ   − Φ ,
 σ   σ 
28
Ðèñ. 12. Íîðìàëüíûå ðàñ-
ïðåäåëåíèÿ 1–3 ñ îäèíàêî-
âûì ìàòåìàòè÷åñêèì îæè-
äàíèåì à è äèñïåðñèÿìè
D1 < D2 < D3
ãäå
1
x
 Z2 
ΦX = ∫  − 2  dZ
exp (30)
2π 0  
íîñèò íàçâàíèå ôóíêöèè Ëàïëàñà, èëè èíòåãðàëà âåðîÿòíîñòè.

Ýòà âåëè÷èíà òàáóëèðîâàíà (ïðèë. 2), è ýòî ïîçâîëÿåò îïðåäå-
ëèòü âåðîÿòíîñòü ïîïàäàíèÿ ñëó÷àéíîé âåëè÷èíû â çàäàííûé
èíòåðâàë.
Èñïîëüçóÿ ôóíêöèþ (30), ëåãêî ïîêàçàòü, ÷òî âåðîÿòíîñòü ïî-
ïàäàíèÿ íåïðåðûâíîé ñëó÷àéíîé âåëè÷èíû â èíòåðâàë îò a − 2σ
äî a + 2σ ðàâíà 0,95, à äëÿ èíòåðâàëà îò a − 3σ äî a + 3σ − 0,99.
Ïîñëåäíåå ñîîòíîøåíèå íîñèò íàçâàíèå ïðàâèëà òðåõ ñèãì, ñî-
ãëàñíî êîòîðîìó âåðîÿòíîñòü òîãî, ÷òî àáñîëþòíîå çíà÷åíèå îò-
êëîíåíèÿ íîðìàëüíîé ñëó÷àéíîé âåëè÷èíû ïðåâûñèò óòðîåííîå
ñðåäíåå êâàäðàòè÷åñêîå îòêëîíåíèå, î÷åíü ìàëà.
Øèðîêîå ðàñïðîñòðàíåíèå íîðìàëüíîãî çàêîíà ðàñïðåäåëåíèÿ
äëÿ îïèñàíèÿ ñëó÷àéíûõ âåëè÷èí íà ïðàêòèêå ñâÿçàíî ñî ñëåäñò-
âèåì òåîðåìû ðóññêîãî ìàòåìàòèêà À.Ì. Ëÿïóíîâà (öåíòðàëüíàÿ
ïðåäåëüíàÿ òåîðåìà òåîðèè âåðîÿòíîñòåé), êîòîðîå ãëàñèò, ÷òî
åñëè ñëó÷àéíàÿ âåëè÷èíà X ïðåäñòàâëÿåò ñîáîé ñóììó î÷åíü
áîëüøîãî ÷èñëà âçàèìíî íåçàâèñèìûõ ñëó÷àéíûõ âåëè÷èí, âëèÿ-
íèå êàæäîé èç êîòîðûõ íà âñþ ñóììó íè÷òîæíî ìàëî, òî X èìå-
åò ðàñïðåäåëåíèå, áëèçêîå ê íîðìàëüíîìó.
Â ñòàòèñòèêå øèðîêî ðàñïðîñòðàíåíû è äðóãèå çàêîíû ðàñ-
ïðåäåëåíèÿ âåðîÿòíîñòåé. Ê äâóõïàðàìåòðè÷åñêèì çàêîíàì îòíî-
ñèòñÿ ðàñïðåäåëåíèå Âåéáóëëà, ïëîòíîñòü âåðîÿòíîñòè êîòîðîãî
p(X ) = λmX m −1 exp (−λX m ), (31)
ãäå λ è m − ïàðàìåòðû çàêîíà.

29
Ìàòåìàòè÷åñêîå îæèäàíèå è äèñïåðñèÿ ÷åðåç ïàðàìåòðû ðàñ-
ïðåäåëåíèÿ âû÷èñëÿþò ïî ñëåäóþùèì ôîðìóëàì:
1
1   1 m
M (X ) = Γ  + 1   ; (32)
m  λ 
2
 2  1   1  m
D(X ) = Γ  + 1 − Γ 2  + 1    , (33)
 m  m   λ 
ãäå Γ(a) − çíà÷åíèå ãàììà-ôóíêöèè îò àðãóìåíòà a.
Îïðåäåëèòü ïàðàìåòðû çàêîíà Âåéáóëëà íà îñíîâàíèè âûáî-
ðî÷íîé ñîâîêóïíîñòè ñëîæíåå, ÷åì äëÿ íîðìàëüíîãî çàêîíà. Äëÿ
ýòîãî íåîáõîäèìî, íàéäÿ âûáîðî÷íûå ñðåäíþþ X è äèñïåðñèþ
σ2(X), âû÷èñëèòü âñïîìîãàòåëüíûé ïàðàìåòð.
V = σ2 (X ) / X , (34)
à çàòåì ïî íîìîãðàììå (ïðèë. 3) îïðåäåëèòü çíà÷åíèå m. Çíàÿ m,
ìîæíî âû÷èñëèòü âòîðîé ïàðàìåòð ïî ôîðìóëå
Γ m (1 / m + 1) Γ m (1 / m)
λ= = . (35)
Xm mm X m
Â êà÷åñòâå ïðèìåðà îïðåäåëåíèÿ ïàðàìåòðà çàêîíà Âåéáóëëà

ðàññìîòðèì âûáîðî÷íóþ ñîâîêóïíîñòü âðåìåíè â ìåñÿöàõ îò ìî-
ìåíòà ââîäà â ýêñïëóàòàöèþ 32 ñêâàæèí äî ïîÿâëåíèÿ ïîäîø-
âåííûõ âîä äëÿ Àêòàøñêîé ïëîùàäè Í-Åëîõîâñêîãî ìåñòîðîæ-
äåíèÿ îáúåäèíåíèÿ «Òàòíåôòü»: 16; 18; 3; 27; 6; 29; 53; 29; 39; 7;
20; 19; 20; 28; 7; 6; 15; 25; 7; 14; 3; 28; 11; 1; 22; 4; 0; 3; 3; 3; 6; 6.
Ñîãëàñíî äàííûì, èìååì X = 14,75 è σ2(X) = 19,6, ÷òî ñîîò-
âåòñòâóåò V = 1,33. Ïî íîìîãðàììå (ñì. ïðèë. 3) íàõîäèì m =
= 0,76. Òîãäà äëÿ âòîðîãî ïàðàìåòðà
Γ0,76 (1 / 0, 76 + 1)
λ= = 0,119.
0, 760,76 ⋅ 14, 750,76
Òàêèì îáðàçîì, ïîëó÷åí ñëåäóþùèé çàêîí ïëîòíîñòè ðàñïðå-

äåëåíèÿ âåðîÿòíîñòè:
p(X ) = 0, 09 X −0,24 exp (−0,119 X 0,76 ).
Äëÿ ñðàâíåíèÿ ðåçóëüòàòîâ àïïðîêñèìàöèè ôàêòè÷åñêèõ äàí-

íûõ íèæå ïðèâåäåíà ñâîäêà âû÷èñëåíèé (òàáë. 4)
30
Òàáëèöà 4
Ãðàíèöû ×àñòîñòü
Íîìåð èíòåðâàëà
èíòåðâàëîâ ýìïèðè÷åñêàÿ ðàñ÷åòíàÿ
1 0… 10 15 17,2
2 11… 20 8 7,8
3 21… 30 7 4,5
4 31… 40 1 2,8
5 41… 50 0 1,8
6 51… 60 1 1,8
Äðóãîé äâóõïàðàìåòðè÷åñêèé çàêîí, øèðîêî èñïîëüçóåìûé íà

ïðàêòèêå, íîñèò íàçâàíèå ëîãàðèôìåòè÷åñêè íîðìàëüíîãî è ïî-
çâîëÿåò îïèñàòü äàííûå, ëîãàðèôìû êîòîðûõ ðàñïðåäåëåíû ïî
íîðìàëüíîìó çàêîíó. Îí îáû÷íî ïðèìåíèì, êîãäà íàáëþäàåìîå
çíà÷åíèå ñëó÷àéíîé âåëè÷èíû ñîñòàâëÿåò ñëó÷àéíóþ äîëþ ðàíåå
íàáëþäàâøåãîñÿ çíà÷åíèÿ (íàïðèìåð, äëÿ îïèñàíèÿ ðàñïðåäåëå-
íèÿ ðàçìåðîâ êóñêîâ ïîðîäû èëè ÷àñòèö øëàìà ïðè äðîáëåíèè
ðàçíûìè ñïîñîáàìè).
Ïëîòíîñòü ðàñïðåäåëåíèÿ âåðîÿòíîñòè äëÿ ýòîãî çàêîíà èìååò
âèä

(ln X − X )  ,
1 1 2
p(X ) = exp − 2
X σ(X ) 2π  2σ ( X )
ãäå X > 0; −∞ < X < + ∞; σ > 0.

Ïðè ýòîì ïàðàìåòðû σ è X îïðåäåëÿþò ïî ôîðìóëàì
1 N
X = ∑ ln (X1 );
N i =1
2
1 N 1 N 
σ2 (X ) = ∑ (ln X 1 )2 −  i∑ ln X 1  .
N i =1 N =1 
Â ïðåäñòàâëåííîì âèäå ýòîò çàêîí èìååò ïðàâîñòîðîííåå îã-
ðàíè÷åíèå (X > 0) è àñèììåòðèþ, êîòîðàÿ óâåëè÷èâàåòñÿ ñ ðîñ-
òîì σ.
Ðàññìîòðèì ïðèìåð îïðåäåëåíèÿ ïàðàìåòðîâ ëîãàðèôìè÷åñêè
íîðìàëüíîãî çàêîíà ðàñïðåäåëåíèÿ.
Â ðåçóëüòàòå ñèòîâîãî àíàëèçà øëàìà íà âûêèäå ïåñêîîòäåëè-
òåëÿ áûëè ïîëó÷åíû äàííûå, ïðåäñòàâëåíû â òàáë. 5.
Ïðèíèìàÿ âî âíèìàíèå, ÷òî
n1 n2 nk
X = X1 ln + X 2 ln + ... + X k ln
N N N
è ñ÷èòàÿ X1, X2, … , Xk ðàâíûìè ñåðåäèíàì èíòåðâàëîâ èçìåíåíèÿ

31
Òàáëèöà 5
Äîëÿ ÷àñòèö
Äèàìåòð ÷àñòèö, ìì
â ïðîáå ïî ðàñ÷åòó
0,00… 0,400 0,008 0,010
0,40… 0,449 0,066 0,061
0,45… 0,499 0,156 0,148
0,50… 0,549 0,198 0,203
0,55… 0,599 0,174 0,196
0,60… 0,649 0,152 0,150
0,65… 0,699 0,102 0,100
0,70… 0,749 0,064 0,060
0,75… 0,799 0,042 0,034
0,80… 0,849 0,014 0,013
0,85… 0,899 0,010 0,010
0,90… 1,00 0,014 0,010
äèàìåòðîâ ÷àñòèö, â äàííîì ñëó÷àå äëÿ ëîãàðèôìîâ ñëó÷àéíîé

âåëè÷èíû ïîëó÷àåì
X = 0, 008 ln (0, 20) + 0, 066 ln (0, 425) + ... + 0, 014 ln (0, 95);
X = −1, 06; σ2 ( X ) ≈ 0, 082; σ( X ) ≈ 0, 0285.

Ñëåäîâàòåëüíî, çàêîí ìîæíî ïðåäñòàâèòü â âèäå
1
p(X ) = exp[−6,10(ln X + 1, 06)2 ],
0,7 X
ðåçóëüòàòû âû÷èñëåíèé ïî êîòîðîìó ïðèâåäåíû â òðåòüåì ñòîëá-

öå òàáë. 5.
Äëÿ îïèñàíèÿ âåðîÿòíîñòè âîçíèêíîâåíèÿ ñîáûòèé, ïðîèñõî-
äÿùèõ ñ îäèíàêîâîé èíòåíñèâíîñòüþ çà ðàâíûå ïðîìåæóòêè
âðåìåíè, èëè â ðàâíûõ îáëàñòÿõ ïðîñòðàíñòâà, èëè â îäèíàêîâûõ
îáðàçöàõ ïðè óñëîâèè íåçàâèñèìîñòè ýòèõ ñîáûòèé, èñïîëüçóþò
ðàñïðåäåëåíèå Ïóàññîíà
λ X e −λ
p(X ) = , (36)
X!
ãäå X = 0, 1, 2, … , n; λ > 0 − èíòåíñèâíîñòü ïîÿâëåíèÿ ñîáûòèÿ.

Ýòîò çàêîí ÿâëÿåòñÿ îäíîïàðàìåòðè÷åñêèì, è äëÿ íåãî
X = σ2 ( X ) = λ.
Ïàðàìåòð λ íà îñíîâàíèè âûáîðî÷íîé ñîâîêóïíîñòè îïðåäå-
ëÿþò ïî ôîðìóëå
λ = k /N , (37)
ãäå k − ÷èñëî ñîáûòèé; N − ÷èñëî îáúåêòîâ èëè èíòåðâàëîâ âðå-
ìåíè.
32
Ðàññìîòðèì èñïîëüçîâàíèå ðàñïðåäåëåíèÿ Ïóàññîíà äëÿ âû-
÷èñëåíèé ïëîòíîñòè ðàñïðåäåëåíèÿ âåðîÿòíîñòè ÷èñëà óñòàíàâ-
ëèâàåìûõ âàíí ïðè ëèêâèäàöèè 52 ïðèõâàòîâ êîëîíí òðóá îò
äåéñòâèÿ ïåðåïàäà äàâëåíèÿ. Îáùåå ÷èñëî âàíí ñîñòàâëÿåò 62,
ïðè ýòîì îíè íå óñòàíàâëèâàëèñü â 18 ñëó÷àÿõ; ïî îäíîé âàííå
óñòàíàâëèâàëîñü 18 ðàç, ïî äâå − 8, ïî òðè − 5, ïî ÷åòûðå − 2 è
ïî ïÿòü – 1 ðàç (òàáë. 6).
Èíòåíñèâíîñòü ñîáûòèé
λ = 62/52 ≈ 1,2,
è çàêîí ïðèíèìàåò âèä
1,2X e −1,2
p(X ) = .
X!
Ñëåäóåò îòìåòèòü, ÷òî ðàñïðåäåëåíèå Ïóàññîíà âåñüìà øèðîêî

èñïîëüçóåòñÿ â òåîðèè ìàññîâîãî îáñëóæèâàíèÿ, ïðè êîíòðîëå
êà÷åñòâà ïðîäóêöèè, â òåîðèè íàäåæíîñòè è äð.
Îäíèì èç ðàñïðîñòðàíåííûõ ñòàòèñòè÷åñêèõ çàêîíîâ ïëîòíî-
ñòè ðàñïðåäåëåíèÿ âåðîÿòíîñòè ÿâëÿåòñÿ ýêñïîíåíöèàëüíûé, êî-
òîðûé èñïîëüçóþò â êà÷åñòâå ìîäåëè âðåìåíè áåçîòêàçíîé ðàáî-
òû â òåîðèè íàäåæíîñòè. Îí ÿâëÿåòñÿ îäíîïàðàìåòðè÷åñêèì è
çàïèñûâàåòñÿ â âèäå
p( X ) = λe −λX , (38)
ãäå X ≥ 0, λ > 0.
Äëÿ ýêñïîíåíöèàëüíîãî ðàñïðåäåëåíèÿ
X = σ2 (X ) = 1 / λ, (39)
ãäå ïàðàìåòð λ îïðåäåëÿþò íà îñíîâàíèè âûáîðî÷íîé ñîâîêóïíî-
ñòè ïî ôîðìóëå
N
λ = N /∑Xi. (40)
i =1
Òàáëèöà 6
×èñëî ñêâàæèí
×èñëî âàíí
ôàêòè÷åñêîå âû÷èñëåííîå
0 18 15,7
1 18 18,8
2 8 11,3
3 5 4,5
4 2 1,4
5 1 0,3
33
Ðàññìîòðèì ïðèìåíåíèå ýêñïîíåíöèàëüíîãî ðàñïðåäåëåíèÿ êî
âðåìåíè âûõîäà èç ñòðîÿ êðåïè ñêâàæèíû âñëåäñòâèå ïðèòîêà
÷óæäûõ âîä ïåðâè÷íîãî öåìåíòèðîâàíèÿ. Ñðîêè ñëóæáû 22
ñêâàæèí Ñàìîòëîðñêîãî ìåñòîðîæäåíèÿ: 13; 4; 33; 15; 3; 5; 8; 25;
8; 1; 2; 0; 13; 2; 7; 3; 2; 30; 20; 15; 4; 21 ìåñ.
Â ðåçóëüòàòå âû÷èñëåíèé ïîëó÷àåì
λ = 22 / 13 + 4 + 33 + ... + 21) = 0, 093;
X = 10, 6 ≈ 11; σ2 (X ) = 11, 4 ≈ 11.

Ïðèíèìàÿ âî âíèìàíèå óñëîâèå X ≈ σ2 (X ), ìîæíî ñ÷èòàòü
çàêîí ïëîòíîñòè ðàñïðåäåëåíèÿ âåðîÿòíîñòè âûõîäà ñêâàæèí èç
ñòðîÿ ýêñïîíåíöèàëüíûì.
Â çàêëþ÷åíèå ðàññìîòðèì ÷èñëîâûå õàðàêòåðèñòèêè ñèñòåìû
äâóõ ñëó÷àéíûõ âåëè÷èí, êîòîðûå èìåþò âàæíîå çíà÷åíèå äëÿ
ïðèêëàäíîé ñòàòèñòèêè. Äëÿ îïèñàíèÿ ñèñòåìû äâóõ ñëó÷àéíûõ
âåëè÷èí, êðîìå ìàòåìàòè÷åñêèõ îæèäàíèé è äèñïåðñèé êàæäîé
èç ñîñòàâëÿþùèõ, èñïîëüçóþò ïîíÿòèå êîððåëÿöèîííîãî ìîìåíòà,
èëè êîâàðèàöèè:
cov(XY ) = M {[ X − M (X )][Y − Y (Y )]} . (41)
Äëÿ íåçàâèñèìûõ ñëó÷àéíûõ âåëè÷èí

cov(XY ) = 0, (42)
òàê êàê èç èõ íåçàâèñèìîñòè ñëåäóåò íåçàâèñèìîñòü èõ îòêëîíå-

íèé, ìàòåìàòè÷åñêîå îæèäàíèå êîòîðûõ ðàâíî íóëþ.
Îáðàòèì âíèìàíèå íà òîò ôàêò, ÷òî çíà÷åíèå êîâàðèàöèè ÿâ-
ëÿåòñÿ íåîãðàíè÷åííûì è çàòðóäíÿåò åå èñïîëüçîâàíèå ïðè ñðàâ-
íåíèè ðàçëè÷íûõ ñèñòåì ñëó÷àéíûõ âåëè÷èí. Äëÿ óñòðàíåíèÿ
ýòîãî íåäîñòàòêà ââåäåíà äðóãàÿ êîëè÷åñòâåííàÿ õàðàêòåðèñòè-
êà − êîýôôèöèåíò êîððåëÿöèè:
cov( XY )
r (XY ) = , (43)
σ( X )σ(Y )
êîòîðûé èçìåíÿåòñÿ â ïðåäåëàõ îò −1 äî +1.

Åñëè êîýôôèöèåíò êîððåëÿöèè ñèñòåìû ñëó÷àéíûõ âåëè÷èí
X è Y ðàâåí íóëþ, òî èõ íàçûâàþò íåêîððåëèðîâàííûìè. Ñëåäóåò
îòìåòèòü, ÷òî ïîñëåäíåå íå óêàçûâàåò íà íåçàâèñèìîñòü ýòèõ âå-
ëè÷èí. Ïðè îòëè÷èè êîýôôèöèåíòà êîððåëÿöèè îò íóëÿ âåëè÷è-
íû X è Y íàçûâàþò êîððåëèðîâàííûìè, è ýòî óêàçûâàåò íà èõ
çàâèñèìîñòü.
34
Ãëàâà 3
ÏÐÎÂÅÐÊÀ ÑÒÀÒÈÑÒÈ×ÅÑÊÈÕ
ÃÈÏÎÒÅÇ
Ïðè ïðîâåäåíèè ñòàòèñòè÷åñêîãî àíàëèçà ïðèõîäèòñÿ ñòàëêè-

âàòüñÿ ñ ïðîáëåìîé îöåíèâàíèÿ ðàçíîãî ðîäà õàðàêòåðèñòèê ñëó-
÷àéíûõ âåëè÷èí è ðàçëè÷íûõ ñîâîêóïíîñòåé ïîñëåäíèõ. Íà îñ-
íîâàíèè ðåçóëüòàòîâ íàáëþäåíèé èíæåíåð äîëæåí äåëàòü âûâî-
äû î çàêîíàõ ðàñïðåäåëåíèÿ è èõ ïàðàìåòðàõ, ñðàâíèâàòü ñðåä-
íèå è äèñïåðñèè ðàçíûõ âûáîðîê è ò.ï. Ïðè ýòîì âûäâèãàþòñÿ
ðàçëè÷íîãî ðîäà ñòàòèñòè÷åñêèå ãèïîòåçû, ïðåäñòàâëÿþùèå ñî-
áîé íåêîòîðîå ïðåäïîëîæåíèå è åãî îòðèöàíèå.
Âûäâèíóòóþ ãèïîòåçó H0 íàçûâàþò îñíîâíîé (íóëåâîé), à åå
àëüòåðíàòèâó H1 – êîíêóðèðóþùåé (àëüòåðíàòèâíîé). Ïðè ýòîì
ðàçëè÷àþò ãèïîòåçû ïðîñòûå, ñîäåðæàùèå òîëüêî îäíî ïðåäëî-
æåíèå (íàïðèìåð, H0 – ñëó÷àéíàÿ âåëè÷èíà X = 5), è ñëîæíûå,
êîòîðûå ñîñòîÿò èç êîíå÷íîãî èëè áåñêîíå÷íîãî ÷èñëà ïðîñòûõ
(íàïðèìåð, ïðåäïîëîæåíèå H0 : X < 10 ñîñòîèò èç áåñ÷èñëåííîãî
ìíîæåñòâà ïðîñòûõ ãèïîòåç H0 : X = ai, ãäå ai – ëþáîå ÷èñëî,
ìåíüøåå 10).
Ãèïîòåçû áûâàþò ïðàâèëüíûìè è îøèáî÷íûìè, ïîýòîìó â ðå-
çóëüòàòå ñòàòèñòè÷åñêîãî àíàëèçà ìîãóò áûòü ïðèíÿòû îøèáî÷-
íûå ðåøåíèÿ, êîòîðûå áóäóò ñîñòîÿòü â îòðèöàíèè ïðàâèëüíîé
ãèïîòåçû (îøèáêè ïåðâîãî ðîäà) èëè ïðèíÿòèè îøèáî÷íîé ãèïî-
òåçû (îøèáêè âòîðîãî ðîäà). Ïðè ýòîì ñëåäóåò èìåòü â âèäó, ÷òî
ïîñëåäñòâèÿ ýòèõ îøèáîê ìîãóò áûòü ñóùåñòâåííî ðàçíûìè. Òàê,
åñëè ãèïîòåçà óòâåðæäàåò: ïðèõâàò êîëîííû òðóá, òî îøèáêà ïåð-
âîãî ðîäà ìîæåò ïðèâåñòè ê ñëîæíîé àâàðèè èç-çà õàëàòíîñòè, à
îøèáêà âòîðîãî ðîäà – ê ìàòåðèàëüíûì ïîòåðÿì âñëåäñòâèå èç-
ëèøíåé îñòîðîæíîñòè.
Äëÿ ïðîâåðêè ðàçëè÷íîãî ðîäà ñòàòèñòè÷åñêèõ ãèïîòåç èñ-
ïîëüçóþò ñòàòèñòè÷åñêèå êðèòåðèè K, êîòîðûìè íàçûâàþò ñëó-
÷àéíóþ âåëè÷èíó, ïðåäíàçíà÷åííóþ äëÿ ïðîâåðêè íóëåâîé ãèïî-
òåçû. Ïðè ýòîì íàáëþäàåìûì çíà÷åíèåì êðèòåðèÿ íàçûâàþò åãî
çíà÷åíèå, âû÷èñëåííîå ïî âûáîðêàì. Ïîñëå âûáîðà ñòàòèñòè÷å-
ñêîãî êðèòåðèÿ âñå ìíîæåñòâî åãî çíà÷åíèé ðàçáèâàþò íà äâà
íåïåðåñåêàþùèõñÿ ïîäìíîæåñòâà, îäíî èç êîòîðûõ ñîäåðæèò
çíà÷åíèÿ êðèòåðèÿ, ïîäòâåðæäàþùèå íóëåâóþ ãèïîòåçó (îáëàñòü
35
ïðèíÿòèÿ ãèïîòåçû), à äðóãîå – îòâåðãàþùèå îñíîâíóþ ãèïîòåçó
(êðèòè÷åñêàÿ îáëàñòü). Ðóêîâîäñòâóÿñü èçëîæåííûì, ìîæíî
ñôîðìóëèðîâàòü îñíîâíîé ïðèíöèï ïðîâåðêè ñòàòèñòè÷åñêèõ ãè-
ïîòåç ñëåäóþùèì îáðàçîì: åñëè íàáëþäàåìîå çíà÷åíèå êðèòåðèÿ
ïðèíàäëåæèò êðèòè÷åñêîé îáëàñòè, òî ãèïîòåçó îòâåðãàþò, à åñëè
îáëàñòè ïðèíÿòèÿ ãèïîòåçû – åå ïðèíèìàþò.
Ñòàòèñòè÷åñêèé êðèòåðèé ïðåäñòàâëÿåò ñîáîé ñëó÷àéíóþ âå-
ëè÷èíó, ïîýòîìó åãî âîçìîæíûå çíà÷åíèÿ ïðèíàäëåæàò íåêîòî-
ðîìó èíòåðâàëó è îáëàñòü ïðèíÿòèÿ ãèïîòåçû è êðèòè÷åñêàÿ îá-
ëàñòü ÿâëÿþòñÿ èíòåðâàëàìè. Êðèòè÷åñêèìè òî÷êàìè íàçûâàþò
çíà÷åíèÿ êðèòåðèÿ, îòäåëÿþùèå îáëàñòü ïðèíÿòèÿ ãèïîòåçû îò
êðèòè÷åñêîé, êîòîðàÿ ìîæåò áûòü îäíî- è äâóñòîðîííåé
(K êð1 < K < K êð2 ) . Â ñâîþ î÷åðåäü, îäíîñòîðîííÿÿ êðèòè÷åñêàÿ
îáëàñòü ìîæåò áûòü ïðàâîñòîðîííåé (K > K êð ) è ëåâîñòîðîííåé
(K < K êð ) . Äëÿ òîãî ÷òîáû íàéòè êðèòè÷åñêóþ òî÷êó äëÿ ïðàâî-
èëè ëåâîñòîðîííåé îáëàñòè, íåîáõîäèìî çàäàâàòüñÿ äîñòàòî÷íî
ìàëîé âåðîÿòíîñòüþ (óðîâåíü çíà÷èìîñòè α) è ñîãëàñíî ïðàâè-
ëàì îïðåäåëåíèÿ êðèòåðèÿ èç ñîîòâåòñòâóþùåé òàáëèöû (Kòàá)
íàõîäÿò çíà÷åíèå êðèòåðèÿ èç óñëîâèÿ
P (K > K êð ) = α èëè P (K < K êð ) = α. (44)
Äëÿ äâóñòîðîííåé îáëàñòè óñëîâèå íàõîæäåíèÿ êðèòè÷åñêèõ

òî÷åê âûãëÿäèò ñëåäóþùèì îáðàçîì:
P (K < K1 ) + P (K > K 2 ) = α, (45)
èç êîòîðîãî ñëåäóåò áåñ÷èñëåííîå ìíîæåñòâî âàðèàíòîâ âûáîðà

êðèòè÷åñêèõ òî÷åê. Ïðè èñïîëüçîâàíèè äîïîëíèòåëüíîãî óñëîâèÿ
(íà ÷òî â íåêîòîðûõ ñëó÷àÿõ èìåþòñÿ îñíîâàíèÿ) î ñèììåòðèè
îáëàñòè ïðèíÿòèÿ ãèïîòåçû îòíîñèòåëüíî íóëÿ èìååì
P (K < − K êð ) = P (K > K êð ),
òîãäà
P (K > K êð ) = α / 2. (46)
Â áîëüøèíñòâå ïðàêòè÷åñêèõ çàäà÷ ãèïîòåçû ïðîâåðÿþò íà

îñíîâàíèè îäíîñòîðîííèõ êðèòåðèåâ, ÷òî äèêòóåòñÿ ñìûñëîì çà-
äà÷.
Â èíæåíåðíîé ïðàêòèêå ïðèõîäèòñÿ ðàññìàòðèâàòü ñëó÷àéíûå
ñîáûòèÿ, õàðàêòåðèçóþùèåñÿ êàê êîëè÷åñòâåííî, òàê è êà÷åñò-
âåííî. Äëÿ ïåðâûõ (ñëó÷àéíûå âåëè÷èíû) âî ìíîãèõ ñëó÷àÿõ
ìîæíî èñïîëüçîâàòü íîðìàëüíûé çàêîí ðàñïðåäåëåíèÿ âåðîÿòíî-
ñòåé, êîòîðûé îïèñûâàåòñÿ ñ ïîìîùüþ äâóõ ïàðàìåòðîâ a è σ.
36
Ñòàòèñòè÷åñêèå ãèïîòåçû ïðè èñïîëüçîâàíèè ïðåäïîëîæåíèÿ î
íîðìàëüíîñòè çàêîíà ðàñïðåäåëåíèÿ èëè áëèçîñòè ê ïîñëåäíåìó
ïðîâåðÿþò ñ ïîìîùüþ êðèòåðèåâ, ïîëó÷èâøèõ íàçâàíèå ïàðà-
ìåòðè÷åñêèõ. Äëÿ ñëó÷àéíûõ õàðàêòåðèñòèê (êîëè÷åñòâåííûõ è
êà÷åñòâåííûõ, íå ïîä÷èíÿþùèõñÿ íîðìàëüíîìó çàêîíó ðàñïðåäå-
ëåíèÿ, èñïîëüçóþò íåïàðàìåòðè÷åñêèå êðèòåðèè ñðàâíåíèÿ, êîòî-
ðûå íå òðåáóþò ïðåäïîëîæåíèé î õàðàêòåðå ðàñïðåäåëåíèÿ ðå-
çóëüòàòîâ íàáëþäåíèé â ãåíåðàëüíîé ñîâîêóïíîñòè.
Ñëåäóåò îòìåòèòü, ÷òî ïàðàìåòðè÷åñêèå êðèòåðèè ïðè ìåíü-
øåé îáëàñòè ïðèìåíèìîñòè îáëàäàþò òåîðåòè÷åñêîé îáîñíîâàí-
íîñòüþ, à íåïàðàìåòðè÷åñêèå êðèòåðèè îáëàäàþò áîëüøåé óíè-
âåðñàëüíîñòüþ è ïðîñòîòîé âû÷èñëåíèé.
Äëÿ ðàñïðåäåëåíèé, áëèçêèõ ê íîðìàëüíûì, ñòàòèñòè÷åñêèå
ãèïîòåçû îòíîñèòåëüíî ñðåäíåãî çíà÷åíèÿ ñëó÷àéíîé âåëè÷èíû
ïðîâåðÿþò íà îñíîâàíèè êðèòåðèÿ Ñòüþäåíòà (t-êðèòåðèÿ):
t = X / σX , (47)
ãäå X – ñðåäíåå çíà÷åíèå ñëó÷àéíîé âåëè÷èíû â âûáîðêå; σ –
ñðåäíÿÿ êâàäðàòè÷åñêàÿ îøèáêà ñëó÷àéíîé âåëè÷èíû X.
Åñëè çàäàòüñÿ óðîâíåì çíà÷èìîñòè α èëè âåðîÿòíîñòüþ ñîîò-
âåòñòâèÿ ïîëó÷åííîé âûáîðî÷íîé ñðåäíåé X çíà÷åíèþ ìàòåìà-
òè÷åñêîãî îæèäàíèÿ M(X) äëÿ ãåíåðàëüíîé ñîâîêóïíîñòè, òî íó-
ëåâóþ ãèïîòåçó H0 : X = M(X) ïðîâåðÿþò ïî ïðàâèëó
X − M (X ) N
t= < tòàá , (48)
σX
ãäå tòàá – òàáëè÷íîå çíà÷åíèå êðèòåðèÿ Ñòüþäåíòà, îïðåäåëåííîå

äëÿ çíà÷åíèÿ óðîâíÿ çíà÷èìîñòè α/2 è âåðîÿòíîñòè P = 1 – α/2
è ÷èñëå ñòåïåíåé ñâîáîäû f = N – 1 ïðè îáúåìå âûáîðêè N
(ïðèë. 4).
Ýòî ïðàâèëî èñïîëüçóþò ïîòîìó, ÷òî ðàñïðåäåëåíèå âåëè÷è-
íû X – M(X) ñ÷èòàåòñÿ ñèììåòðè÷íûì îòíîñèòåëüíî íóëÿ è
ïðèìåíÿåòñÿ äâóñòîðîííèé êðèòåðèé. Ââåäåíèå ïîíÿòèÿ ñòåïåíè
ñâîáîäû ñâÿçàíî ñ îãðàíè÷åííîñòüþ âûáîðêè, à åå çíà÷åíèå
f = N – 1 óêàçûâàåò íà òîò ôàêò, ÷òî âûáîðêà áûëà èñïîëüçîâàíà
äëÿ îïðåäåëåíèÿ âåëè÷èíû X .
Ïðèâåäåííîå óñëîâèå ïîçâîëÿåò îöåíèòü äîâåðèòåëüíûå ãðà-
íèöû ïîëó÷åííîãî çíà÷åíèÿ âûáîðî÷íîé ñðåäíåé èç óñëîâèÿ
σX σX
M (X ) − tòàá = ≤ X ≤ M (X ) + tòàá , (49)
N N
êîòîðîå äàåò èíòåðâàë çíà÷åíèé âûáîðî÷íîé ñðåäíåé. Åñëè ñëó-

37
÷àéíàÿ âåëè÷èíà íàõîäèòñÿ â óêàçàííûõ ãðàíèöàõ, òî îíà íå îò-
ëè÷èìà îò ñðåäíåé. Â ïðîòèâíîì ñëó÷àå ìîæíî óòâåðæäàòü îòëè-
÷èå ñëó÷àéíîé âåëè÷èíû îò âûáîðî÷íîãî ñðåäíåãî çíà÷åíèÿ.
Óñëîâèå (49) ÷àñòî èñïîëüçóþò äëÿ îòáîðà àíîìàëüíûõ òî÷åê
â ïîâòîðíûõ îïûòàõ ñîãëàñíî ïðàâèëó òðåõ ñèãì
X − X > 3σ X
äëÿ âûáîðîê áîëüøîãî îáúåìà, à äëÿ âûáîðîê ìàëîãî îáúåìà
X − X > tòàá σ X ,
ãäå tòàá – òàáëè÷íîå çíà÷åíèå t, îïðåäåëÿåìîå ïðè çàäàííîì

óðîâíå çíà÷èìîñòè α è ÷èñëå ñòåïåíåé f = N – 1.
Â êà÷åñòâå ïðèìåðà èñïîëüçîâàíèÿ ïðèâåäåííûõ âûøå ïðàâèë
ðàñcìîòðèì ðåçóëüòàòû íàáëþäåíèé çà ïðîõîäêîé (ì) íà äîëîòî
íîâîãî òèïà â 10 ñêâàæèíàõ ñ îäèíàêîâûìè óñëîâèÿìè áóðåíèÿ:
10,0; 12,0; 16,0; 14,0; 13,0; 9,0; 12,0; 11,0; 10,0; 9,0.
Ñðåäíåå çíà÷åíèå äëÿ äàííîé âûáîðêè
1
X = (10 + 12 + 16 + 14 + 13 + 9 + 12 + 11 + 10 + 9) = 11, 6 ì,
10
à ñðåäíåå êâàäðàòè÷åñêîå îòêëîíåíèå

2 2 2
(10 − 11,6) + (12 − 11,6) + ... + (9 − 11,6)
σX = = 2,27.
10 − 1
Íåîáõîäèìî ïðîâåðèòü ãèïîòåçó H 0 : X = 13 ì, êîòîðàÿ ïî-

çâîëèëà áû óòâåðæäàòü òîæäåñòâåííîñòü ïðîõîäêè äàííîé ïàð-
òèè äîëîò ñ ãåíåðàëüíûì ñðåäíèì çíà÷åíèåì X∗ = 13 ì äëÿ óñëî-
âèé ýêñïåðèìåíòà.
Ñîãëàñíî ïðàâèëó ïðîâåðêè èìååì
∗
X −X N 11,6 − 13 10
t= = = 1,95.
σX 2,27
Åñëè çàäàòüñÿ óðîâíåì çíà÷èìîñòè α = 0,05, ÷òî ñîîòâåòñòâóåò

âåðîÿòíîñòè P = 0,975 ïðè äâóñòîðîííåé îáëàñòè ïðèíÿòèÿ ãèïî-
òåçû, òî äëÿ f = N – 1 = 9 òàáëè÷íîå çíà÷åíèå
tòàá = 2,26 > t = 1,95.
Ñëåäîâàòåëüíî, ãèïîòåçà H0 ïîäòâåðæäàåòñÿ, è îòëè÷èÿ ñðåä-
íåé ïðîõîäêè îò ãåíåðàëüíîé ñðåäíåé ïðàêòè÷åñêè íåò.
38
Äîâåðèòåëüíûé èíòåðâàë ïîëó÷åííîé âûáîðî÷íîé ñðåäíåé
ìîæíî çàïèñàòü ñëåäóþùèì îáðàçîì:
2,27 2,27
13 − 2, 26 ≤ X ≤ 13 + 2,26 .
10 10
èëè
11,4 ≤ X ≤ 14,6.
Ñðåäè ïðèâåäåííûõ âûáîðî÷íûõ çíà÷åíèé âåëè÷èíà 16,0
ïðåäñòàâëÿåòñÿ íåñêîëüêî çàâûøåííîé ïî îòíîøåíèþ ê ñðåäíåìó
çíà÷åíèþ. Ïðîâåðêà íà àíîìàëüíîñòü äàåò ñëåäóþùèé ðåçóëüòàò:
16 – 11,6 = 4,4 < 2,26⋅2,27 = 5,1,
ò.å. óêàçàííîå çíà÷åíèå íå ÿâëÿåòñÿ àíîìàëüíûì.
Â ðÿäå ïðàêòè÷åñêèõ ñëó÷àåâ íåîáõîäèìî óñòàíîâèòü ðàçëè-
÷èå ñðåäíèõ çíà÷åíèé äëÿ äâóõ âûáîðîê. Â ýòîì ñëó÷àå
(H 0 : X1 = X 2 ) ïðàâèëî ïðîâåðêè çàïèñûâàþò â âèäå
X1 − X 2 N1N 2
t= < tòàá , (50)
σ∆ N1 + N 2
2 2
N1  N1  N2  N2 
∑ X12i −  ∑ X1i / N1  + ∑ X 22i −  ∑ X2i / N 2 
   
σ∆ ≈ i =1  i =1  i =1  i =1  , (51)
N1 + N 2 − 2
ãäå tòàá – òàáëè÷íîå çíà÷åíèå êðèòåðèÿ Ñòüþäåíòà ïðè f = N1 +

+ N2 – 2 è âûáðàííîì óðîâíå çíà÷èìîñòè α/2 èëè âåðîÿòíîñòè
P = 1 – α/2 â ñâÿçè ñ äâóñòîðîííèì õàðàêòåðîì êðèòè÷åñêîé
îáëàñòè.
Äðóãàÿ ðàçíîâèäíîñòü ïðîâåðêè ñòàòèñòè÷åñêèõ ãèïîòåç äëÿ
ðàñïðåäåëåíèé, áëèçêèõ ê íîðìàëüíîìó, ñâÿçàíà ñî ñðàâíåíèåì
äèñïåðñèé. Ïðè íàëè÷èè äâóõ âûáîðîê îáû÷íî âûäâèãàþò ãèïî-
òåçó H 0 : S12 = S22 , êîòîðóþ ïðîâåðÿþò ñ ïîìîùüþ êðèòåðèÿ Ôè-
øåðà:
F = S12 / S22 < Fòàá ; (52)

ïðè ýòîì â ÷èñëèòåëå F-êðèòåðèÿ íàõîäèòñÿ áîëüøàÿ èç äèñïåð-
ñèé, à Fòàá îïðåäåëÿþò èç òàáëèö äëÿ ñòåïåíåé ñâîáîä f1 = N1 – 1
è f2 = N2 – 1 ïðè îáúåìå âûáîðîê N1 è N2 äëÿ âûáðàííîãî óðîâíÿ
çíà÷èìîñòè α èëè âåðîÿòíîñòè P = 1 – α (ïðèë. 5).
Ïðè íàëè÷èè íåñêîëüêèõ âûáîðîê ÷àñòî âûäâèãàåòñÿ ãèïîòåçà
39
2
H 0 : Smax = S12 = ... = Si2 ,
ò.å. íàèáîëüøàÿ èç âûáîðî÷íûõ äèñïåðñèé íåîòëè÷èìà îò äèñ-
ïåðñèé îñòàëüíûõ âûáîðîê. Äëÿ ýòèõ öåëåé èñïîëüçóþò êðèòå-
ðèé Êîõðåíà, êîòîðûé âõîäèò â ïðàâèëî ïðîâåðêè ñëåäóþùåãî
âèäà:
n
G = Smax
2
/ ∑ Si2 < Gòàá , (53)
i =1
ãäå Si2 – äèñïåðñèÿ i-é âûáîðêè ïðè îáùåì ÷èñëå âûáîðêè n + 1;

Gòàá – òàáëè÷íîå çíà÷åíèå êðèòåðèÿ Êîõðåíà äëÿ âûáðàííîãî
óðîâíÿ çíà÷èìîñòè α ÷èñëà ñòåïåíåé ñâîáîäû f = N – 1 (N –
÷èñëî äàííûõ â âûáîðêàõ) è ÷èñëà âûáîðîê n + 1 (ïðèë. 6).
Äëÿ ïðîâåðêè ãèïîòåçû î ñîîòâåòñòâèè ÷àñòîò âûáîðî÷íîãî çà-
êîíà ðàñïðåäåëåíèÿ íîðìàëüíîìó ïðèìåíÿþò êðèòåðèé Ïèðñîíà:
k
χ2 = ∑ (ni − ni∗ )2 / ni∗ , (54)
1
ãäå ni – ÷àñòîòû âûáîðî÷íîãî ðàñïðåäåëåíèÿ äëÿ i-ãî èíòåðâàëà

ñëó÷àéíîé âåëè÷èíû; ni∗ – òåîðåòè÷åñêîå çíà÷åíèå ÷àñòîòû äëÿ
íîðìàëüíîãî çàêîíà ðàñïðåäåëåíèÿ; k – ÷èñëî èíòåðâàëîâ ðàç-
áèåíèÿ.
Ïîëó÷åííîå çíà÷åíèå χ2-êðèòåðèÿ ñðàâíèâàþò ñ òàáëè÷íûì
(äëÿ ãèïîòåçû H0 âûáîðî÷íîå ðàñïðåäåëåíèå ñîîòâåòñòâóåò íîð-
ìàëüíîìó: χ 2 < χ 2òàá ), íàéäåííûì ïðè ÷èñëå ñòåïåíåé ñâîáîäû
f = k – r – 1 (r – ÷èñëî ïàðàìåòðîâ òåîðåòè÷åñêîãî çàêîíà ðàñ-
ïðåäåëåíèÿ, ðàâíîå äâóì äëÿ íîðìàëüíîãî çàêîíà) è âåðîÿòíîñòè
P = 1 – α èëè óðîâíå çíà÷èìîñòè α (ïðèë. 7).
Îáðàòèì âíèìàíèå íà òîò ôàêò, ÷òî êðèòåðèé Ïèðñîíà èñ-
ïîëüçóþò íå òîëüêî äëÿ ïðîâåðêè ñòàòèñòè÷åñêèõ ãèïîòåç â
ïðåäïîëîæåíèè î íîðìàëüíîñòè çàêîíà ðàñïðåäåëåíèÿ. Ïî ñâîåé
ñóòè îí çàíèìàåò ïåðåõîäíîå ïîëîæåíèå ìåæäó ïàðàìåòðè÷åñêè-
ìè è íåïàðàìåòðè÷åñêèìè êðèòåðèÿìè.
Â ñëó÷àå îòñóòñòâèÿ ñâåäåíèé î õàðàêòåðå çàêîíà ðàñïðåäåëå-
íèÿ, à òàêæå ïðè èñïîëüçîâàíèè êà÷åñòâåííûõ õàðàêòåðèñòèê
ïðè îöåíêå ðåçóëüòàòîâ íàáëþäåíèé çà ïîñëåäíèå äåñÿòèëåòèÿ
øèðîêîå ïðèìåíåíèå íàøëè ðàçëè÷íûå íåïàðàìåòðè÷åñêèå êðè-
òåðèè ñðàâíåíèÿ.
Îäíèì èç íàèáîëåå ïðîñòûõ íåïàðàìåòðè÷åñêèõ êðèòåðèåâ,
ïðåäíàçíà÷åííûõ äëÿ ñðàâíåíèÿ ñðåäíèõ, ÿâëÿåòñÿ êðèòåðèé ÷èñ-
ëà âûñòóïàþùèõ òî÷åê, èëè êðèòåðèé Ðîçåíáàóìà. Îí îñíîâàí
íà ïîäñ÷åòå ÷èñëà çíà÷åíèé ñëó÷àéíîé âåëè÷èíû, ïðåâûøàþùèõ
íàèáîëüøåå çíà÷åíèå â îäíîé âûáîðêå (à) è ìåíüøèõ ìèíèìàëü-
40
íîãî çíà÷åíèÿ â äðóãîé âûáîðêå (b), ò.å. Q = a + b. Âû÷èñëåííîå
çíà÷åíèå ñðàâíèâàþò ñ êðèòè÷åñêèì Qêð, êîòîðîå ìîæåò áûòü
ïðèíÿòî ðàâíûì 4; 7; 10 ñîîòâåòñòâåííî äëÿ óðîâíÿ çíà÷èìîñòè
0,10; 0,05; 0,01 (ïðèë. 8). Òàê, äëÿ äâóõ âûáîðîê
2; 3; 6; 8; 12; 11; 14; 7; 15;
5; 7; 12; 14; 8; 11; 16; 15,
êîòîðûå ïîñëå ðàíæèðîâàíèÿ ìîæíî ïðåäñòàâèòü â âèäå
2; 3; 6; 7; 8; 11; 12; 14; 15;
5; 7; 8; 11; 12; 14; 15; 16,
èìååì a = 1, b = 2 è Q = 3, ÷òî ïîçâîëÿåò óòâåðæäàòü íåðàçëè-
÷èìîñòü ñðåäíèõ ñ âûñîêèì óðîâíåì çíà÷èìîñòè (K < Kêð ïðè
α = 0,01).
Ïðèìåð 1. Íåîáõîäèìî îïðåäåëèòü, ñóùåñòâóþò ëè ðàçëè÷èÿ
âî âðåìåíè íà÷àëà ñõâàòûâàíèÿ (ìèí) X1 è X2 äëÿ öåìåíòíûõ
ðàñòâîðîâ ñ âîäîöåìåíòíûì îòíîøåíèåì Â/Ö = 0,5, ïðèãîòîâ-
ëåííûõ ñîîòâåòñòâåííî èç öåìåíòîâ Êàðàäàãñêîãî è Íîâîðîññèé-
ñêîãî çàâîäîâ. Ðåçóëüòàòû èçìåðåíèé ïðåäñòàâëåíû íèæå:
X1 ................................ 410 400 380 420 390 410 410
X2 ................................ 450 410 440 450 440 420 410
X1 ................................ 430 410 390 430 400 440 400 420
X2 ................................ 450 440 440 430 450 440 460 –
Ñîñòàâèì äâà ðàíæèðîâàííûõ ðÿäà, îäèí èç êîòîðûõ ñäâèíóò
îòíîñèòåëüíî äðóãîãî äëÿ óïðîùåíèÿ ðàñ÷åòà:
410; 410; 420; 430; 440; 440; 440; 440; 440 450; 450; 450; 450; 460
380; 390; 390; 400; 400; 400; 410; 410; 410; 410; 420; 420; 430; 430; 440
Â äàííîì ïðèìåðå k = 6, S = 5 è Q = 5 + 6 = 11.
Ñîãëàñíî ïðèë. 8, äëÿ ÷èñëà âåëè÷èí â âûáîðêàõ (n1 = 15 è
n2 = 14) òàáëè÷íîå çíà÷åíèå Qòàá = 9 ñ óðîâíåì çíà÷èìîñòè 0,01.
Òàê êàê Q > Qòàá, òî ìîæíî ñ âåðîÿòíîñòüþ 0,99 óòâåðæäàòü î
ñóùåñòâîâàíèè ðàçíîñòè ìåæäó ñðåäíèìè çíà÷åíèÿìè äëÿ âðå-
ìåíè íà÷àëà ñõâàòûâàíèÿ öåìåíòíûõ ðàñòâîðîâ ñ Â/Ö = 0,5 äëÿ
êàðàäàãñêîãî è íîâîðîññèéñêîãî öåìåíòîâ (ïåðâûé ñõâàòûâàåòñÿ
ðàíüøå).
Äëÿ ñðàâíåíèÿ ñðåäíèõ çíà÷åíèé â äâóõ âûáîðêàõ ïðè îäíî-
âðåìåííîì (ïàðàëëåëüíîì) ïðîâåäåíèè íàáëþäåíèé (ñîïðÿæåí-
íûå ïàðû íàáëþäåíèé) èñïîëüçóþò êðèòåðèé çíàêîâ D. Åãî âû-
÷èñëåíèå ñîñòîèò â ïîäñ÷åòå ÷èñëà n+ è n– íàáëþäåíèé, â êîòî-
ðûõ ñîîòâåòñòâåííî X1 > X2 (çíàê «+») è X1 < X2 (çíàê «–»), è â
âû÷èñëåíèè çíà÷åíèé
D = n+ – n–; N = n+ + n–
(ïàðû, â êîòîðûõ X1 = X2, îòáðàñûâàþòñÿ).
41
Ãèïîòåçó î ðàçëè÷èìîñòè ñðåäíèõ â ñîïðÿæåííûõ íàáëþäåíè-
ÿõ ïðîâåðÿþò ñîãëàñíî óñëîâèþ
D / N > K êð ,
ãäå Kêð = 1,6; 2; 2,6 ñîîòâåòñòâåííî äëÿ óðîâíåé çíà÷èìîñòè α =
= 0,10; 0,05; 0,01.
Òàê, åñëè â ïðîöåññå ïàðàëëåëüíûõ èçìåðåíèé íà äâóõ ïðèáî-
ðàõ èìååì ñëåäóþùèå ñîïðÿæåííûå ïàðû:
X1 .................. 18 21 19 20 20 18
X2 .................. 15 23 20 19 18 18
Çíàê ............ + – – + + 0
òî D = 1, N = 5. Ïðîâåðêà ãèïîòåçû äàåò ðåçóëüòàò
D / N = 1 / 5 = 0, 44 < 1, 6,
÷òî ïîäòâåðæäàåò íåðàçëè÷èìîñòü âûáîðîê è ðàâåíñòâî ñðåäíèõ
â óêàçàííûõ ñîïðÿæåííûõ âûáîðêàõ. Â ïîäîáíûõ ñëó÷àÿõ âîç-
ìîæåí âîïðîñ î äîïîëíèòåëüíîì ÷èñëå ýêñïåðèìåíòîâ, êîòîðûå
ïîçâîëèëè áû îáíàðóæèòü ðàçëè÷èå. ×èñëî äîïîëíèòåëüíûõ
îïûòîâ ìîæíî îïðåäåëèòü ïî ôîðìóëå
N ′ = ( 2N / D ) − N .
2
(55)
Ïðèìåð 2. Ïðè ðàçðàáîòêå ðåöåïòóðû ãëèíèñòîãî ðàñòâîðà ñ

ïîíèæåííîé âîäîîòäà÷åé â âûñîêîòåìïåðàòóðíûõ óñëîâèÿõ ïðî-
âîäèëè ïàðàëëåëüíîå èñïûòàíèå äâóõ ðåöåïòóð, îäíà èç êîòîðûõ
(1) ñîäåðæàëà 2 % ÊÌÖ è 1 % Na2CO3, à äðóãàÿ (2) – 2 % ÊÌÖ,
1 % Na2CO3 è 0,1 % áèõðîìàòà êàëèÿ. Â ðåçóëüòàòå íàáëþäåíèé
áûëè ïîëó÷åíû ñëåäóþùèå ïàðû çíà÷åíèé X (âîäîîòäà÷à ÷åðåç
30 ñ):
X1 .......................... 9 9 11 9 8 11 10 8 10
X2 .......................... 10 11 10 12 11 12 12 10 9
Çíàê..................... – – + – – – – – +
Â ñîîòâåòñòâèè ñ ýòèìè äàííûìè, èìååì n1 = 2; n2 = 7 äëÿ
ïåðâîãî ðàñòâîðà. Òîãäà D = 2 – 7 = –5 è N = 2 + 7 = 9. Äëÿ
óðîâíÿ çíà÷èìîñòè 0,05
D < k N (5 < 6).
Òàêèì îáðàçîì, ïî çíà÷åíèþ âîäîîòäà÷è ðàññìàòðèâàåìûå

ðàñòâîðû íå ðàçëè÷èìû. Îäíàêî, åñëè óðîâåíü çíà÷èìîñòè âçÿòü
ðàâíûì 0,1, òî óæå èìååì ñîîòíîøåíèå
D > k N (5 > 4, 8).
Òàêîå ïîëîæåíèå îáóñëîâèëî ïîñòàíîâêó äîïîëíèòåëüíûõ

42
ýêñïåðèìåíòîâ, ÷èñëî êîòîðûõ ñ áîëüøåé íàäåæíîñòüþ (óðîâåíü
çíà÷èìîñòè 0,05) óòâåðæäàëî áû î ðàçëè÷èè âûáîðîê. ×èñëî äî-
ïîëíèòåëüíûõ ýêñïåðèìåíòîâ
N ′ = ( 2 ⋅ 9 / 5 ) − 9 = 4.
2
Ðåçóëüòàòû äîïîëíèòåëüíûõ ýêñïåðèìåíòîâ ïðåäñòàâëåíû

íèæå:
X1 .......................... 10 9 11 8
X2 .......................... 11 12 12 10
Çíàê..................... – – – –
Â ñîîòâåòñòâèè ñ íîâûìè äàííûìè èìååì: n1 = 2, n2 = 11,
D = 2 – 11 = –9, N = 13 è, ñëåäîâàòåëüíî,
D > k N (9 > 7, 2),
ò.å. ñ óðîâíåì çíà÷èìîñòè 0,05 ìîæíî óòâåðæäàòü, ÷òî ââåäåíèå
áèõðîìàòà êàëèÿ óâåëè÷èëî âîäîîòäà÷ó îáðàáîòàííîãî ÊÌÖ
ãëèíèñòîãî ðàñòâîðà.
Îáà ïðèâåäåííûõ âûøå êðèòåðèÿ (Q è D) âåñüìà ïðîñòî âû-
÷èñëèòü, íî îíè ÿâëÿþòñÿ î÷åíü ñëàáûìè, ò.å. âî ìíîãèõ ñëó÷àÿõ
íå ïîçâîëÿþò äàòü îäíîçíà÷íûõ âûâîäîâ (â ýòîì ñëó÷àå ãîâîðÿò
î ìàëîé ìîùíîñòè êðèòåðèÿ). Áîëåå ìîùíûìè ÿâëÿþòñÿ êðèòå-
ðèè, îñíîâàííûå íà ïîäñ÷åòå ðàíãîâ (êðèòåðèé Âèëêîêñîíà) èëè
èíâåðñèé (êðèòåðèé Ìàííà – Óèòíè).
Êðèòåðèé Âèëêîêñîíà T îïðåäåëÿþò ïî ðàíæèðîâàííûì ðÿ-
äàì äâóõ âûáîðîê ñëåäóþùèì îáðàçîì.
Ïðè íàëè÷èè íàáëþäåíèé X1i è X2i èõ ïðåäñòàâëÿþò â òàá-
ëè÷íîì âèäå (òàáë. 7).
Íà îñíîâàíèè òàáëè÷íûõ äàííûõ âû÷èñëÿþò êðèòåðèè Âèë-
êîêñîíà:
N1
T1 = ∑ r1i ; (56)
i =1
Òàáëèöà 7
X1 X10 X12 – X12 – X13 X14 – – –
X2 – – X20 – – X22 X23 X24 – –
Ðàíã 1 2 – 4 – 6 7 – – –
– – 3 – 5 – – 8 9 10
Ïðîäîëæåíèå òàáë. 7
X1 X15 X16 – – X17 X18 – X19 –
X2 X25 X26 – X27 X28 – X29
Ðàíã 11 12 – – 15 16 – 19 –
– – 13 14 – – 17 18 20
43
N2
T2 = ∑ r2i , (57)
i =1
ãäå r1i è r2i – ñîîòâåòñòâåííî ðàíãè äëÿ íàáëþäåíèé

X10 , X11 , ..., X1N1 è X 20 , X 21 , ..., X 2 N 2 .
Ïðè íàëè÷èè çíà÷åíèé êðèòåðèÿ Âèëêîêñîíà äëÿ äâóõ âûáî-
ðîê ðàçëè÷èå ñðåäíèõ óñòàíîâëåíî, åñëè ìåíüøèé èç íèõ
Tmin > Tòàá
(ïðèë. 9) äëÿ âûáîðîê ñ ÷èñëîì íàáëþäåíèé ìåíüøå 10 â ëþáîé
èç íèõ.
Åñëè ÷èñëî íàáëþäåíèé áîëüøå 10, òî èñïîëüçóþò êðèòåðèé
N ( N + 1) − 2T
W = , (58)
N 1 N 2 ( N − 1)
ãäå N – ÷èñëî íàáëþäåíèé â âûáîðêå ñ ìåíüøèì T; N = N1 +

+ N2 – îáúåì îáåèõ âûáîðîê; T – ìåíüøåå çíà÷åíèå êðèòåðèÿ T
äëÿ ñðàâíèâàåìûõ âûáîðîê.
Âû÷èñëåííîå çíà÷åíèå W ñðàâíèâàþò ñ Wêð (îíî ðàâíî 1,13 è
1,49 ïðè α = 0,05 è 0,01). Åñëè W > Wêð, òî ðàçëè÷èå â ñðåäíèõ
óñòàíîâëåíî; â ïðîòèâíîì ñëó÷àå ñðåäíèå çíà÷åíèÿ äëÿ
ðàññìàòðèâàåìûõ âûáîðîê íåðàçëè÷èìû.
Ïðèìåð 3. Íåîáõîäèìî óñòàíîâèòü, èìåþòñÿ ëè ðàçëè÷èÿ â
ðåçóëüòàòå íàáëþäåíèé. Íèæå ïðèâåäåíû äàííûå íàáëþäåíèé çà
èçìåíåíèåì ïðåäåëà ïðî÷íîñòè ïðè èçãèáå, êÏà, ÷åðåç 2 ñóò
òâåðäåíèÿ îáðàçöîâ èç äâóõ öåìåíòîâ X1 è X2, ñîäåðæàùèõ ðàç-
íûå çàìåäëèòåëè ñðîêîâ ñõâàòûâàíèÿ (â ñêîáàõ – ðåçóëüòàòû
äîïîëíèòåëüíûõ èçìåðåíèé):
X1.............. 21 25 28 24 28 22 28 25 (23) (25) (25) (23)
X2.............. 27 30 30 27 26 23 27 28 (27) (25) (28) –
Ðàññìîòðèì ðåçóëüòàòû ïåðâûõ 8 èçìåðåíèé (äâà íàáîðà ïî
÷åòûðå áàëêè). Ðàñïîëîæèì äàííûå ïî èõ âîçðàñòàíèþ (òàáë. 7à).
Òàáëèöà 7à
X1 21 22 – 24 25 25 – –
X2 – – 23 – – – 26 27
Ðàíã 1 2 – 4 5 6 – –
– – 3 – – – 7 8
Ïðîäîëæåíèå òàáë. 7à
X1 – – 28 – 28 28 – –
X2 27 27 – 28 – – 30 30
Ðàíã – – 11 – 13 14 – –
9 10 – 12 – – 15 16
44
Îïðåäåëèì çíà÷åíèÿ êðèòåðèåâ:
T1 = 1 + 2 + 4 + 5 + 6 + 11 + 13 + 14 = 56;
T2 = 3 + 7 + 8 + 9 + 10 + 12 + 15 + 16 = 80.
Äëÿ ïðîâåðêè ðåêîìåíäóåòñÿ ôîðìóëà
1
T1 + T2 = n (n + 1),
2
ãäå n = n1 + n2 = 8 + 8 = 16.
Â ðàññìàòðèâàåìîì ñëó÷àå
56 + 80 = 16(16 + 1)/2; 136 = 136,
ñëåäîâàòåëüíî, ðàíæèðîâàíèå ïðîâåäåíî ïðàâèëüíî.
Òàêèì îáðàçîì, ìåíüøåå çíà÷åíèå T = 56, à òàáëè÷íîå çíà÷å-
íèå äëÿ óðîâíÿ çíà÷èìîñòè 0,05 (ñì. ïðèë. 9) Tòàá = 49. Òàê êàê
T > Tòàá, òî ðàçëè÷èå â âûáîðêàõ íå óñòàíîâëåíî.
×òîáû óáåäèòüñÿ â ïîëó÷åííîì ðåçóëüòàòå, áûëè ïðîâåäåíû
÷åòûðå äîïîëíèòåëüíûõ èçìåðåíèÿ äëÿ ïåðâîãî è òðè – äëÿ âòî-
ðîãî ðàñòâîðà, ïîñêîëüêó îäíà èç áàëîê îêàçàëàñü ñ òðåùèíîé,
(äàííûå èçìåðåíèé óêàçàíû â ñêîáêàõ).
Â ýòîì ñëó÷àå ðåçóëüòàòû ðàíæèðîâàíèÿ ïðèìóò âèä òàáë. 7á.
Â ñîîòâåòñòâèè ñ ýòèìè äàííûìè ïîëó÷àåì
T1 = 1 + 2 + 3 + 5 + 6 + 7 + 8 + 10 + 11 + 17 + 19 + 21 = 110;
T2 = 4 + 9 + 12 + 13 + 14 + 15 + 16 + 18 + 20 + 22 + 23 = 166;
n1 = 11; n2 = 12; n = n1 + n2 = 23.
Ñîãëàñíî óñëîâèþ äëÿ ïðîâåðêè, T1 + T2 = 276, à n(n + 1)/2 =
= 23(23 + 1)/2 = 276, ò.å. ðàíæèðîâàíèå ïðîâåäåíî âåðíî.
Âû÷èñëÿåì çíà÷åíèå W, çíàÿ, ÷òî n = 11 è T = 110 :
11(23 + 1) − 2 ⋅ 110
W = = 0, 816.
11 ⋅ 12(23 + 1)
Òàê êàê W = 0,816 < 1,13, òî ñ óðîâíåì çíà÷èìîñòè 0,05 ìîæ-

íî óòâåðæäàòü, ÷òî çàìåäëèòåëè ñõâàòûâàíèÿ íå îêàçûâàþò ðàç-
íîãî âëèÿíèÿ íà ïðî÷íîñòü ïðè èçãèáå öåìåíòíîãî êàìíÿ äâóõ-
ñóòî÷íîãî âîçðàñòà.
Òàáëèöà 7á
X1 21 22 23 – 23 24 25 25 – 25 25 – – – – – 28 – 28 – 28
X2 – – – 23 – – – – 25 – – 26 27 27 27 27 – 28 – 28 –
Ðàíã 1 2 3 – 5 6 7 8 – 10 11 – – – – – 17 – 19 – 21
– – – 4 – – – – 9 – – 12 13 14 15 16 – 18 – 20 –
45
Íàèáîëåå ìîùíûì íåïàðàìåòðè÷åñêèì êðèòåðèåì ñðàâíåíèÿ
ÿâëÿåòñÿ êðèòåðèé Ìàííà – Óèòíè U. Äëÿ åãî âû÷èñëåíèÿ èñ-
ïîëüçóþò ïîíÿòèå èíâåðñèè, êîòîðîå ìîæíî ïðîèëëþñòðèðîâàòü
íà ñëåäóþùèõ ðÿäàõ íàáëþäåíèé:
X1 X1 X1 X1 X2 X2 X2 X2 – èíâåðñèé íåò (U = 0);
X1 X1 X1 X1 X2 X1 X2 X2 X2 – îäíà èíâåðñèÿ (U = 1);
X1 X1 X2 X2 X1 X2 X2 X2 – äâå èíâåðñèè (U = 2).
Ïîä èíâåðñèåé ïîíèìàåòñÿ íàðóøåíèå â ïîðÿäêå ðàíæèðîâàí-
íîãî ðÿäà äâóõ ñðàâíèâàåìûõ íàáëþäåíèé. Ýòî ïîíÿòèå ìîæíî
ïðèìåíÿòü êàê äëÿ êîëè÷åñòâåííûõ, òàê è äëÿ êà÷åñòâåííûõ õà-
ðàêòåðèñòèê, ðåãèñòðèðóåìûõ â íàáëþäåíèÿõ.
Âû÷èñëåíèå çíà÷åíèé êðèòåðèÿ U äëÿ äâóõ âûáîðîê ïðîèë-
ëþñòðèðóåì íà ñëåäóþùèõ ðàíæèðîâàííûõ ðÿäàõ íàáëþäåíèé
(ñì. ïðèìåð íà ñ. 41):
X1 ............. 2 3 6 7 8 11 12 14 15
X2 ............. 5 7 8 11 12 14 15 16
Ñîñòàâèì òàáëèöó ðàíæèðîâàííûõ ðÿäîâ è ïîäñ÷èòàåì èíâåð-
ñèè (òàáë. 8).
Äëÿ 1-ãî ðÿäà
U1 = 0 + 0 + 1 + 1 + 2 + 3 + 4 + 5 + 6 = 22,
äëÿ 2-ãî ðÿäà
U2 = 2 + 4 + 5 + 6 + 7 + 8 + 9 + 9 = 50.
Ïðîâåðêà ñòàòèñòè÷åñêîé ãèïîòåçû î ðàçëè÷èè ñðåäíèõ äëÿ
äâóõ âûáîðîê (H 0 , X1 > X 2 ) ñîñòîèò â ñðàâíåíèè ìåíüøåãî èç
çíà÷åíèé U-êðèòåðèÿ ñ òàáëè÷íûì ñîãëàñíî óñëîâèþ
Umin > Uòàá,
ãäå Uòàá – òàáëè÷íîå çíà÷åíèå êðèòåðèÿ Ìàííà – Óèòíè äëÿ
÷èñëà ñòåïåíåé ñâîáîä f1 = N1 è f2 = N2 ïðè âûáðàííîì óðîâíå
çíà÷èìîñòè α (ïðèë. 10).
Â ðàññìàòðèâàåìîì ïðèìåðå Uòàá = 18 ïðè N1 = 9 è N2 = 8 äëÿ
α = 0,05, ò.å.
Umin = 22 > Uòàá = 18,
÷òî óêàçûâàåò íà íåðàçëè÷èìîñòü ñðåäíèõ â ðàññìàòðèâàåìûõ
âûáîðêàõ.
Òàáëèöà 8
Èíâåðñèè 0 0 1 1 2 3 4 5 6
1-ãî ðÿäà
X1 2 3 – 6 7 – 8 – 11 – 12 – 14 – 15 – –
X2 – – 5 – – 7 – 8 – 11 – 12 – 14 – 15 16
Èíâåðñèè 2 4 5 6 7 8 9 9
2-ãî ðÿäà
46
Ïðèìåð 4. Íåîáõîäèìî îïðåäåëèòü ïî ðåçóëüòàòàì èçìåðåíèé
íà áóðîâîé, ñóùåñòâóþò ëè ðàçëè÷èÿ â óñëîâíûõ âÿçêîñòÿõ X1 è
X2, ñ (ïî ïðèáîðó ÑÏÂ-5) ïðè 1%-íîé ìèíåðàëèçàöèè è òåìïå-
ðàòóðå 100 °Ñ äëÿ äâóõ ãëèíèñòûõ ðàñòâîðîâ, îáðàáîòàííûõ ñî-
îòâåòñòâåííî ïîíèçèòåëÿìè âÿçêîñòè ÏÔËÕ (0,5 %) è íèòðî-
ëèãíèíîì (0,05 %). Íèæå ïðèâåäåíû çíà÷åíèÿ X1 è X2:
X1 ............. 25 20 21 23 28 23 27 28 27 25 28 25 25 28 24 26
X2 ............. 24 21 23 22 23 26 21 25 23 22 26 25 25 24 25 25
Ïîñòðîèì ðàíæèðîâàííûé ðÿä è îïðåäåëèì ÷èñëî èíâåðñèé
äëÿ îáîèõ ðÿäîâ (òàáë. 9).
Ñîãëàñíî äàííûì òàáë. 9
U1 = 1 + 5 + 6 + 8 + 8 + 11 + 12 + 13 + 15 + 16 +
+ 16 + 16 + 16 + 16 + 16 = 175;
U2 = 1 + 2 + 2 + 2 + 2 + 3 + 4 + 4 + 6 + 6 +
+ 6 + 7 + 8 + 9 + 9 + 10 = 81.
Òàêèì îáðàçîì, ïîëó÷èì ìåíüøåå çíà÷åíèå êðèòåðèÿ Ìàííà –
Óèòíè U = 81.
Â ðàáîòå [5] ïðèâîäèòñÿ äðóãàÿ ïðîöåäóðà äëÿ ïîäñ÷åòà çíà-
÷åíèÿ U , êîòîðàÿ òàêæå òðåáóåò ðàíæèðîâàíèÿ äâóõ ðÿäîâ
íàáëþäåíèé è ïîñëåäóþùåãî âû÷èñëåíèÿ êðèòåðèÿ Âèëêîêñîíà
T1 è T2 äëÿ îáåèõ âûáîðîê. Ñîãëàñíî çíà÷åíèÿì êðèòåðèÿ
Âèëêîêñîíà, îïðåäåëÿþò çíà÷åíèå U ïî îäíîé èç ôîðìóë
n1 (n1 + 1) n2 (n2 + 1)
U = T1 − ; U = n1n2 + − T2 ,
2 2
ãäå T1 < T2; n1, n2 – ÷èñëî íàáëþäåíèé äëÿ âûáîðêè ñîîòâåòñò-
âåííî ñ ìåíüøèì è áîëüøèì çíà÷åíèÿ êðèòåðèÿ Âèëêîêñîíà.
Òàáëèöà 9
Èíâåðñèè 1 5 6 8 8
1-ãî ðÿäà
X1 35 36 38 38 39 39
X2 36 36 36 37 38 38 38 39 39 40
Èíâåðñèè 1 2 2 2 2 3 4 4 6
2-ãî ðÿäà
Èíâåðñèè 11 12 13 15 16 16 16 16 16 16
1-ãî ðÿäà
X1 40 40 40 41 42 42 43 43 43 43
X2 40 40 40 40 41 41
Èíâåðñèè 6 7 8 9 9 10
2-ãî ðÿäà
47
Â ðàññìîòðåííîì âûøå ïðèìåðå (ñì. ñ. 47) èìååì ðàíæèðî-
âàííûé ðÿä, ïðèâåäåííûé â òàáë. 10.
Ïîäñ÷èòàåì çíà÷åíèÿ êðèòåðèÿ Âèëêîêñîíà:
T1 = 1 + 3 + 8 + 10 + 13 + 14 + 18 + 20 + 22 + 25 +
+ 27 + 28 + 29 + 30 + 31 + 32 = 311,
T2 = 2 + 4 + 5 + 6 + 7 + 9 + 11 + 12 + 15 + 16 +
+ 17 + 19 + 21 + 23 + 24 + 26 = 217.
Âû÷èñëèì çíà÷åíèå êðèòåðèÿ Ìàííà – Óèòíè:
16 (16 + 1)
U = 217 − = 217 − 136 = 81;
2
16 (16 + 1)
U = 16 ⋅ 16 + − 311 = 256 + 136 − 311 = 81.
2
Ñîãëàñíî ïðèë. 10, èìååì äëÿ ÷èñëà èçìåðåíèé n1 = 16 è n2 =

= 16 è óðîâíÿ çíà÷èìîñòè α = 0,05
*
U òàá = 83 > U = 81.
Íà îñíîâàíèè ïðèâåäåííîãî àíàëèçà ìîæíî óòâåðæäàòü, ÷òî
ñðåäíåå çíà÷åíèå óñëîâíîé âÿçêîñòè äëÿ ðàñòâîðà, îáðàáîòàííîãî
íèòðîëèãíèíîì, ïðè òåìïåðàòóðå 100 °Ñ è 1%-íîé ìèíåðàëèçà-
öèè ìåíüøå ñðåäíåãî çíà÷åíèÿ óñëîâíîé âÿçêîñòè äëÿ ðàñòâîðà,
îáðàáîòàííîãî ÏÔËÕ è ðàáîòàþùåãî â èäåíòè÷íûõ óñëîâèÿõ, ñ
5%-íûì óðîâíåì îøèáêè.
Ñëåäóåò îòìåòèòü, ÷òî äëÿ ðàññìîòðåííîãî ïðèìåðà ïðèìåíå-
íèå êðèòåðèÿ Ñòüþäåíòà íå ïðèâîäèò ê óäîâëåòâîðèòåëüíîìó
îòâåòó î ðàçëè÷èè â ñðåäíèõ.
Òàáëèöà 10
X1 35 36 38 39 39
X2 36 36 37 37 38 38 38 39 40 40
1 3 8 10 13 14
Ðàíãè 4 9 15 16 17
X1 40 40 40 41 42 42 43 43 43 43
X2 40 40 40 41 41
18 20 22 25 27 28 29 30 31 32
Ðàíãè 21 23
48
Òàáëèöà 11
Ðàíã 1 – – 4 5 6 – 10 11 – –
X1 5 – – 9 11 12 18 19
X2 – 7 8 – 14 15 17 – – 20 21
Ðàíã – 2 3 – 7 8 9 – – 12 13
Â êà÷åñòâå íåïàðàìåòðè÷åñêîãî êðèòåðèÿ äëÿ ïðîâåðêè ðàçëè-

÷èÿ äèñïåðñèé èñïîëüçóþò êðèòåðèé Ñèäæåëà – Òüþêè, êîòîðûé
âû÷èñëÿþò ïî ôîðìóëå
R1 − N1(N1 + N 2 + 1) / 2 − 1 / 2
Z= ïðè N1 < N2, (59)
N1(N1 + N 2 + 1) N 2 / 12
ãäå N1 è N2 – îáúåì âûáîðîê; R1 – ñóììà ðàíãîâ äëÿ âûáîðêè

îáúåìîì N1.
Îáû÷íî ïðîâåðÿþò ãèïîòåçó H0: äèñïåðñèè äâóõ âûáîðîê íå-
ðàçëè÷èìû íà îñíîâàíèè óñëîâèÿ
Z < Zêð,
ãäå Zêð – êðèòè÷åñêîå çíà÷åíèå êðèòåðèÿ, ðàâíîå 1,282; 1,960;
2,576 äëÿ α = 0,10; 0,05; 0,01.
Âû÷èñëåíèå ðàíãîâ ïðîèëëþñòðèðóåì íà ïðèìåðå äâóõ âûáî-
ðîê (òàáë. 11).
R1 = 1 + 4 + 5 + 6 + 10 + 11 = 37;
R2 = 2 + 3 + 7 + 8 + 9 + 12 + 13 = 50.
Ïî ôîðìóëå äëÿ êðèòåðèÿ Ñèäæåëà – Òüþêè
37 − 6(6 + 7 + 1) / 2 − 1 / 2
Z= = 0,65 < 1,282.
6(6 + 7 + 1)7 / 12
ò.å. äèñïåðñèè ðàññìàòðèâàåìûõ âûáîðîê íåðàçëè÷èìû.

Â òàáë. 12 ïðèâåäåíû ðåçóëüòàòû ñðàâíåíèÿ ñâîéñòâ ðàçëè÷-
íûõ ñòàòèñòè÷åñêèõ êðèòåðèåâ, êîòîðûå óêàçûâàþò íà îáëàñòü èõ
ïðèìåíèìîñòè è ìîùíîñòü.
Òàáëèöà 12
Ðàçëè÷àåò Òðåáóåò Äîñòàòî÷íàÿ
Êðèòåðèé òî÷íîñòü
ñðåäíåå äèñïåðñèþ íîðìàëüíîñòè çàêîíà
Ñòüþäåíòà Äà Íåò Äà Äà
Ôèøåðà Íåò Äà
Êîõðåíà
Ðîçåíáàóìà
Çíàêîâ Íåò Íåò Íåò
Âèëêîêñîíà Äà
Ìàííà – Óèòíè
Ïèðñîíà Äà Äà
Ñèäæåëà – Òüþêè Íåò Äà Íåò
49
Â èíæåíåðíîé ïðàêòèêå ÷àñòî ïðèõîäèòñÿ èìåòü äåëî ñ âåñü-
ìà îãðàíè÷åííûìè âûáîðêàìè, ïî êîòîðûì ïðèõîäèòñÿ äåëàòü
çàêëþ÷åíèå î ñïðàâåäëèâîñòè ãèïîòåç íîðìàëüíîãî èëè ýêñïî-
íåíöèàëüíîãî ðàñïðåäåëåíèÿ. Â ïîäîáíûõ ñëó÷àÿõ äîñòàòî÷íî
ýôôåêòèâíûìè ÿâëÿþòñÿ êðèòåðèè, êîòîðûå îñíîâûâàþòñÿ íà
ïîðÿäêîâûõ ñòàòèñòèêàõ.
Äëÿ ïðîâåðêè ãèïîòåçû ïðèíàäëåæíîñòè îãðàíè÷åííîé ñîâî-
êóïíîñòè äàííûõ íîðìàëüíîìó çàêîíó ðàñïðåäåëåíèÿ ïîñòóïàþò
ñëåäóþùèì îáðàçîì:
1) îáðàçóþò óïîðÿäî÷åííóþ âûáîðêó
X1 ≤ X 2 ≤ X 3 ≤ ... ≤ X n ;
2) âû÷èñëÿþò ñóììó êâàäðàòîâ îòêëîíåíèé
2
n
 n 
S 2 (X ) = ∑ X i2 −  ∑ X i  / n, (60)
i =1  i =1 
ãäå n – ÷èñëî äàííûõ;
3) îïðåäåëÿþò âñïîìîãàòåëüíóþ âåëè÷èíó
R
b = ∑ an − i +1 (X n − i +1 − X i ), (61)
i =1
ãäå R = n/2 è (n – 1)/2 ñîîòâåòñòâåííî äëÿ ÷åòíîãî è íå÷åòíîãî

÷èñëà äàííûõ; an – i + 1 – òàáóëèðîâàííûé êîýôôèöèåíò (ïðèë. 11);
4) íàõîäÿò çíà÷åíèå êðèòåðèÿ Øàïèðî – Óèëêà
W = b2 / S 2 ( X ), (62)
êîòîðîå ñðàâíèâàþò ñ òàáëè÷íûì çíà÷åíèåì ïðè âûáðàííîì
óðîâíå çíà÷èìîñòè Wòàá, è åñëè W > Wòàá, òî ãèïîòåçó ïðèíèìà-
þò, à â ïðîòèâíîì ñëó÷àå – îòâåðãàþò.
Â êà÷åñòâå ïðèìåðà ðàññìîòðèì ðåçóëüòàòû òðåõ èçìåðåíèé
âîäîîòäà÷è áóðîâîãî ðàñòâîðà, ñì3, çà 30 ìèí – 4; 3; 6, äëÿ êîòî-
ðûõ ïðîâåðèì èõ ïðèíàäëåæíîñòü ê íåêîòîðîé ãåíåðàëüíîé ñî-
âîêóïíîñòè ñ íîðìàëüíûì çàêîíîì ðàñïðåäåëåíèÿ.
Óïîðÿäî÷åííàÿ âûáîðêà èìååò âèä: 3; 4; 6. Âûáîðî÷íàÿ äèñ-
ïåðñèÿ S2(X) = 2,7.
Âñïîìîãàòåëüíàÿ âåëè÷èíà
b = a3 −1+1 (X 3 −1+1 − X1 ) = 0, 7071(6 − 3) = 2,1,
ãäå a3 = 0,7071 (ïðèë. 11).
Çíà÷åíèå êðèòåðèÿ ñðàâíåíèÿ
W = 2,12 / 2, 7 = 1, 63.
50
Ñîãëàñíî òàáëè÷íûì äàííûì (ïðèë. 12), ïðè óðîâíå çíà÷èìî-
ñòè α = 0,05 èìååì Wòàá = 0,767.
Òàê êàê W > Wòàá, òî ìîæíî ñ÷èòàòü ãèïîòåçó î íîðìàëüíîñòè
çàêîíà ðàñïðåäåëåíèÿ ïðèíÿòîé.
Ïðè ïðîâåðêå ãèïîòåçû î ïðèíàäëåæíîñòè îãðàíè÷åííîé âû-
áîðî÷íîé ñîâîêóïíîñòè ýêñïîíåíöèàëüíîìó çàêîíó ðàñïðåäåëå-
íèÿ èñïîëüçóþò êðèòåðèé W0, åñëè íà÷àëî îòñ÷åòà µ = 0, ò.å.
P (X ) = λe −λ ( X −µ) .
Ïðè ýòîì êðèòåðèé ñðàâíåíèÿ ðàññ÷èòûâàþò ïî ôîðìóëå
2
n
 n 
W0 = ∑ (X i − X )2 /  ∑ X i  . (63)
i =1  i =1 
Â ñëó÷àå åñëè íà÷àëî îòñ÷åòà íå ðàâíî íóëþ, êðèòåðèé ñðàâ-
íåíèÿ íàõîäÿò ïî ôîðìóëå
2
n
n 
W = ∑ (X − X i )2 /  ∑ (X i − X ) , (64)
i =1  i =1 
ãäå X1 – íàèìåíüøåå çíà÷åíèå ñëó÷àéíîé âåëè÷èíû.
Â îáîèõ ñëó÷àÿõ âû÷èñëåííîå çíà÷åíèå êðèòåðèÿ ñðàâíåíèÿ
ñîïîñòàâëÿþò ñ òàáëè÷íûì ïðè âûáðàííîì óðîâíå çíà÷èìîñòè
(ïðèë. 13).
Â êà÷åñòâå ïðèìåðà ðàññìîòðèì ïðîâåðêó ãèïîòåçû îá ýêñïî-
íåíöèàëüíîì çàêîíå ðàñïðåäåëåíèÿ âðåìåíè ïîÿâëåíèÿ íà óñòüå
ñêâàæèíû áóðîâîãî ðàñòâîðà ïëîòíîñòüþ âûøå èëè íèæå íîìè-
íàëüíîãî çíà÷åíèÿ â ñîîòâåòñòâèè ñ ãåîëîãî-òåõíè÷åñêèì íàðÿ-
äîì. Ðåãèñòðàöèÿ â òå÷åíèå 45 ìèí ïîêàçàëà, ÷òî íàáëþäàëèñü
ñëåäóþùèå ìîìåíòû ïåðåõîäîâ, ÷: 0,06; 0,10; 0,13; 0,15; 0,16; 0,20;
25,0; 0,28; 0,40; 0,55.
Ïðîâåðèì ïðåäïîëîæåíèå, ÷òî çàêîí ðàñïðåäåëåíèÿ ýêñïîíåí-
öèàëüíûé ñ µ = 0, ò.å. îò ìîìåíòà ïåðâîãî èçìåðåíèÿ äî íóëåâîãî
èçìåíåíèé ïëîòíîñòè íå íàáëþäàëîñü.
Â ýòîì ñëó÷àå
2
+ (0,10 − 0, 228)2 + ... + (0, 40 − 0, 228)2
W0 = (0, 06 − 0, 228) = 0,039.
(0, 06 + 0,10 + 0,13 + ... + 0, 40)2
Òàáëè÷íîå çíà÷åíèå (ñì. ïðèë. 13) ïðè óðîâíå çíà÷èìîñòè
0,05 ðàâíî 0,025. Ñëåäîâàòåëüíî,
W0 > W0 òàá,
ò.å. ãèïîòåçó ìîæíî ïðèíÿòü.
Ïîìèìî ðàññìîòðåííûõ â ýòîé ãëàâå êðèòåðèåâ ïðîâåðêè ñòà-
òèñòè÷åñêèõ ãèïîòåç, èñïîëüçóþò åùå ðÿä äðóãèõ êðèòåðèåâ
(Áàðëåòòà, Âàí-äåð-Âàðäåíà, Êîëìîãîðîâà – Ñìèðíîâà è äð.).
51
Ãëàâà 4
ÄÈÑÏÅÐÑÈÎÍÍÛÉ, ÊÎÐÐÅËßÖÈÎÍÍÛÉ
È ÐÅÃÐÅÑÑÈÎÍÍÛÉ ÂÈÄÛ ÀÍÀËÈÇÀ
Îöåíêà âëèÿíèÿ êàæäîé èç êîìïîíåíò ïðèçíàêîâ ñîñòîÿíèÿ

X ( X1 , X 2 , ..., X k ) íà âûõîäíóþ ïåðåìåíåííóþ Y, êîòîðóþ â îá-
ùåì ñëó÷àå ìîæåò áûòü âåêòîðíîé (îäíîâðåìåííî êîíòðîëèðó-
þòñÿ íåñêîëüêî âûõîäíûõ ïåðåìåííûõ), íàèáîëåå ÷àñòî âñòðå÷à-
åòñÿ â èíæåíåðíîé ïðàêòèêå áóðåíèÿ. Íà ïåðâîé ñòàäèè ïîäîá-
íîãî èññëåäîâàíèÿ âîïðîñ ñòàâèòñÿ îáû÷íî êà÷åñòâåííî, ò.å. íå-
îáõîäèìî îöåíèòü êà÷åñòâåííîå âëèÿíèå êàæäîãî èç ôàêòîðîâ
(êîìïîíåíòû âåêòîðà ïðèçíàêîâ) Xi è èõ êîìáèíàöèé XiXj,
XiXjXr, … , XiXjXr … Xm íà âûõîäíóþ ïåðåìåííóþ.
Äëÿ ýòèõ öåëåé èñïîëüçóþò ïðîöåäóðû ñòàòèñòè÷åñêîãî àíà-
ëèçà, íàçûâàåìûå äèñïåðñèîííûì àíàëèçîì. Îñíîâíîå ñîäåðæàíèå
ýòîé ïðîöåäóðû ñîñòîèò â îöåíêå âêëàäà ðàçëè÷íûõ ôàêòîðîâ è
èõ êîìáèíàöèé â äèñïåðñèþ âûõîäíîé ïåðåìåííîé (ôàêòîðíàÿ
äèñïåðñèÿ) è â èõ ñðàâíåíèè ñ îñòàòî÷íîé äèñïåðñèåé, õàðàêòå-
ðèçóþùåé ðàçáðîñ âåëè÷èíû âûõîäíîé ïåðåìåííîé, íå çàâèñÿ-
ùèé îò èçìåíåíèÿ çíà÷åíèé ôàêòîðîâ â íàáëþäåíèÿõ. Òàêèì
îáðàçîì, îñíîâíóþ çàäà÷ó äèñïåðñèîííîãî àíàëèçà ìîæíî ñôîð-
ìóëèðîâàòü ñëåäóþùèì îáðàçîì: îöåíèòü âëèÿíèå êàæäîãî èç
ôàêòîðîâ è èõ êîìáèíàöèé íà âûõîäíóþ ïåðåìåííóþ, ò.å. âûäå-
ëèòü èç âñåãî ìíîãîîáðàçèÿ âîçäåéñòâóþùèõ íà ïðîöåññ ôàêòî-
ðîâ ëèøü òå, âëèÿíèå êîòîðûõ íàèáîëåå ñóùåñòâåííî.
Ðàññìîòðèì âû÷èñëèòåëüíóþ ñóòü äèñïåðñèîííîãî àíàëèçà íà
ïðèìåðå íàáëþäåíèé ñ òðåìÿ âàðüèðóåìûìè ôàêòîðàìè X1, X2 è
X3 ñ ìíîãîêðàòíûì ïîâòîðåíèåì îïûòîâ äëÿ êàæäîé èç êîìáè-
íàöèé ôàêòîðîâ â öåëÿõ ïîëó÷åíèÿ óñòîé÷èâûõ ñðåäíèõ. Åñëè â
ïðîöåññå ýêñïåðèìåíòèðîâàíèÿ ôàêòîð X1 èçìåíÿëñÿ íà a óðîâ-
íÿõ, ôàêòîð X2 – b óðîâíÿõ, à ôàêòîð X3 – íà c óðîâíÿõ, òî ïðè
n-êðàòíîì ïîâòîðåíèè îïûòîâ äëÿ îäíèõ è òåõ æå óñëîâèé ýêñ-
ïåðèìåíòà ìîæíî ñîñòàâèòü òàáëèöó íàáëþäåíèé (òàáë. 13).
Ñìûñë ÷åòûðåõçíà÷íûõ èíäåêñîâ ñëåäóþùèé: ïåðâûé èíäåêñ
ïåðåìåííîé Y ñîîòâåòñòâóåò óðîâíþ ôàêòîðà X1, âòîðîé – X2,
òðåòèé – X3, ÷åòâåðòûé èíäåêñ – ýòî íîìåð ïîâòîðíîãî îïûòà
ïðè ôèêñèðîâàííûõ ôàêòîðàõ; èíäåêñû ïðè Xij îçíà÷àþò íîìåðà
ôàêòîðà è óðîâíÿ.
52
Òàáëèöà 13
X1
X11 X12 … X1a
X3
X2 X2 … X2
X21 X22 … X2b X21 X22 … X2b … X21 X22 … X2b
Y1111 Y1211 Y1b11 Y2111 Y2211 Y2b11 … Ya111 Ya211 Yab11
Y1112 Y1212 Y1b12 Y2112 Y2212 Y2b12 … Ya112 Ya212 . Yab12
X31 . . . . . . . . … . . . .
. . . . . . . . … . . . .
. . . . . . . . … . . . .
Y111n Y121n Y1b1n Y211n Y221n Y2b1n … Ya11n Ya21n Yab1n

X32 . . . . . . . . … . . . .
. . . . . . . . … . . . .
. . . . . . . . … . . . .
Y112n Y122n Y1b2n Y212n Y222n Y2b2n … Ya12n Ya22n Yab2n
. . . . . . . . . … . . . .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
Y11c1 Y12c1 . Y1bc1 Y21c1 Y22c1 . Y2bc1 … Ya1c1 Ya2c1 . Yabc1

Y11c2 Y12c2 . Y1bc2 Y21c2 Y22c2 . Y2bc2 … Ya1c2 Ya2c2 . Yabc2
. . . . . . . . … . . . .
X3c . . . . . . . . … . . . .
. . . . . . . . … . . . .
Y11cn Y12cn Y1bcn Y21cn Y22cn Y2bcn … Ya1cn Ya2cn Yabcn
Äëÿ ñóììû êâàäðàòîâ îòêëîíåíèé âûõîäíîé ïåðåìåííîé S2(Y)

îò îáùåãî ñðåäíåãî ïîñëåäíåå äëÿ âñåõ îïûòîâ îñíîâíîå ñîîòíî-
øåíèå äèñïåðñèîííîãî àíàëèçà èìååò âèä
S 2 (Y ) = S X21 (Y ) + S X2 2 (Y ) + S X2 3 (Y ) + S X21X2 (Y ) + S X21X3 (Y ) +
+ S X2 2 X3 (Y ) + S X21X2 X3 (Y ) + S 02 (Y ), (65)
ãäå S X21 (Y ), S X2 2 (Y ), S X2 3 (Y ) – ñóììû êâàäðàòîâ îòêëîíåíèé Y îò
ñðåäíèõ çíà÷åíèé, îáóñëîâëåííûå ñîîòâåòñòâåííî èçìåíåíèåì
ôàêòîðîâ X1, X2, X3; S X21X2 (Y ), S X21X3 (Y ), S X2 2 X3 (Y ) – ñóììû êâàä-
ðàòîâ îòêëîíåíèé Y îò ñðåäíèõ çíà÷åíèé, îáóñëîâëåííûå ñîîò-
âåòñòâåííî èçìåíåíèåì êîìáèíàöèé (âçàèìîäåéñòâèé) ôàêòîðîâ
X1 è X2, X1 è X3, X2 è X3; S X21X2 X3 (Y ) – ñóììà êâàäðàòîâ îòêëîíå-
íèé Y îò ñðåäíèõ çíà÷åíèé, îáóñëîâëåííàÿ ñîâìåñòèìûì èçìå-
íåíèåì ôàêòîðîâ X1, X2, X3; S02 (Y ) – îñòàòî÷íàÿ ñóììà êâàäðàòîâ
îòêëîíåíèé Y îò ñðåäíèõ çíà÷åíèé, îáóñëîâëåííàÿ âîçäåéñòâèåì
íåó÷òåííûõ â îïûòàõ ôàêòîðîâ (íåîäíîðîäíîñòü) íà âûõîäíóþ
ïåðåìåííóþ.
53
Èñïîëüçóÿ îáîçíà÷åíèÿ, â êîòîðûõ ïîä òî÷êîé âçàìåí èíäåêñà
áóäåì ïîíèìàòü óñðåäíåíèå ïî ýòîìó èíäåêñó, äëÿ ñîîòâåòñò-
âóþùèõ ñóìì êâàäðàòîâ îòêëîíåíèé îñíîâíîãî ñîîòíîøåíèÿ
äèñïåðñèîííîãî àíàëèçà ìîæíî çàïèñàòü:
a
S X21 (Y ) = bcn∑ (Yi... − Y.... )2 ; (66)
i =1
b
S X2 2 (Y ) = acn ∑ (Y. j .. − Y.... )2 ; (67)
j =1
c
S X2 3 (Y ) = abn ∑ (Y..k. − Y.... )2 ; (68)
k =1
a, b
S X21X2 (Y ) = cn ∑ (Yij .. − Yi... − Y. j .. + Y.... )2 ; (69)
i , j =1
a, c
S X21X3 (Y ) = bn ∑ (Yi. k. − Yi... − Y..k. + Y.... )2 ; (70)
i , k =1
b, c
S X2 2 X3 (Y ) = an ∑ (Y. jk. − Y. j .. − Y..k. + Y.... )2 ; (71)
j , k =1
a , b, c
S X21X2 X3 (Y ) = n ∑ (Yijk. − Yij .. − Yi.k. − Y. jk. + Yi... + Y. j .. + Y.. k. − Y.... )2 ; (72)
i , j , k =1
a , b, c , n
S02 (Y ) = ∑ (Yijkm − Yijk. )2 ; (73)
i , j , k , m =1
a , b, c , n
S 2 (Y ) = ∑ (Yijkm − Y.... )2 , (74)
i , j , k , m =1
ãäå i = 1, 2, … , a; j = 1, 2, … , b; k = 1, 2, … , c; m = 1, 2, … , n – ñîîò-
âåòñòâåííî òåêóùåå çíà÷åíèå ÷èñëà óðîâíåé ôàêòîðîâ X1, X2, X3
è ÷èñëî ïîâòîðíûõ èçìåðåíèé â êàæäîé èç êëåòîê òàáëèöû íà-
áëþäåíèé (ñì. òàáë. 13).
Óñðåäíåííûå çíà÷åíèÿ âûõîäíîé ïåðåìåííîé Y â ïðèâåäåí-
íûõ âûøå ôîðìóëàõ îïðåäåëÿþò ñëåäóþùèì îáðàçîì:
1 n
Yijk. = ∑ Yijkm ; (75)
n m =1
1 c n
Yij .. = ∑ ∑ Yijkm ; (76)
cn k =1 m =1
54
1 b n
Yi. k. = ∑ ∑ Yijkm ; (77)
bn j =1 m =1
1 a n
Y. jk. = ∑ ∑ Yijkm ; (78)
an i =1 m =1
1 b c n
Yi... = ∑ ∑ ∑ Yijkm ; (79)
bcn j =1 k =1 m =1
1 a c n
Y. j .. = ∑ ∑ ∑ Yijkm ; (80)
acn i =1 k =1 m =1
1 a b n
Y..k. = ∑ ∑ ∑ Yijkm ; (81)
abn i =1 j =1 m =1
1 a b c n
Y.... = ∑ ∑ ∑ ∑ Yijkm . (82)
abcn i =1 j =1 k =1 m =1
Çíàÿ âåëè÷èíû ñóìì êâàäðàòîâ îòêëîíåíèé âûõîäíîé ïåðå-

ìåííîé, ëåãêî íàéòè âûáîðî÷íûå äèñïåðñèè â çàâèñèìîñòè îò
âîçäåéñòâèÿ ôàêòîðîâ è èõ êîìáèíàöèé ïî ôîðìóëàì
1
DX1 (Y ) = S X2 1 (Y ); (83)
a −1
1
DX2 (Y ) = S X2 2 (Y ); (84)
b −1
1
DX3 (Y ) = S X2 3 (Y ); (85)
c −1
1
DX1X2 (Y ) = S X21X2 (Y ); (86)
(a − 1)(b − 1)
1
DX1X3 (Y ) = S X2 1X3 (Y ); (87)
(a − 1)(c − 1)
1
DX2 X3 (Y ) = S X2 2 X3 (Y ); (88)
(b − 1)(c − 1)
55
1
DX1X2 X3 (Y ) = S X21X2 X3 (Y ); (89)
(a − 1)(b − 1)(c − 1)
1
D0 (Y ) = S02 (Y ); (90)
abc (n − 1)
1 1
D(Y ) = S 2 (Y ) = S 2 (Y ). (91)
N −1 abc (n − 1)
Ïðè íàëè÷èè çíà÷åíèé âûáîðî÷íûõ äèñïåðñèé âîçäåéñòâèå

ôàêòîðîâ è èõ êîìáèíàöèé íà èçìåíåíèå âûõîäíîé ïåðåìåííîé
ïî F-êðèòåðèþ (Ôèøåðà) îöåíèâàþò ñîãëàñíî îòíîøåíèÿì
DX1 (Y ) DX2 (Y ) DX3 (Y ) DX1X2 (Y ) DX1X3 (Y ) DX2 X3 (Y ) DX1X2 X3 (Y )
; ; ; ; ; ; , (92)
D0 (Y ) D0 (Y ) D0 (Y ) D0 (Y ) D0 (Y ) D0 (Y ) D0 (Y )
êîòîðûå ñðàâíèâàþò ñ òàáëè÷íûìè çíà÷åíèÿìè F-êðèòåðèÿ ñ ñî-

îòâåòñòâóþùèìè ÷èñëàìè ñòåïåíåé ñâîáîäû (a – 1) è abc(n – 1);
(b – 1) è abc(n – 1); (c – 1) è abc(n – 1); (a – 1) (b – 1) è abc×
×(n – 1); (a – 1) (ñ – 1) è abc(n – 1); (b – 1) (ñ – 1) è abc(n –
– 1); (a – 1) (b – 1) (c – 1) è abc(n – 1) äëÿ âûáðàííîãî óðîâíÿ
çíà÷èìîñòè α èëè âåðîÿòíîñòè P = 1 – α. Ôàêòîð, äâîéíûå èëè
òðîéíûå êîìáèíàöèè ôàêòîðîâ ñ÷èòàþòñÿ çíà÷èìûìè, åñëè ñîîò-
âåòñòâåííûå âû÷èñëåííûå çíà÷åíèÿ F-êðèòåðèÿ îêàçûâàþòñÿ
áîëüøå òàáëè÷íîãî.
Ïðèìåíåíèå îïèñàííîé ñõåìû äèñïåðñèîííîãî àíàëèçà ìîæíî
èëëþñòðèðîâàòü íà ðåçóëüòàòàõ íàáëþäåíèé çà èçìåíåíèåì
ñâîéñòâ ïîðòëàíäöåìåíòíîãî ðàñòâîðà-êàìíÿ ïðè åãî ñìåøåíèè ñ
ðàçëè÷íûìè îáúåìàìè íåôòè. Îïûòàìè ïðåäóñìîòðåíî ïðîâåäå-
íèå ïîëíîãî ôàêòîðíîãî ýêñïåðèìåíòà ñ òðåõêðàòíûì ïîâòîðåíè-
åì èçìåðåíèé ïðè êàæäîì ñî÷åòàíèè ôàêòîðîâ â öåëÿõ ïîëó÷å-
íèÿ óñòîé÷èâûõ ñðåäíèõ çíà÷åíèé ïîêàçàòåëåé ñâîéñòâ äëÿ äâóõ
óðîâíåé òåìïåðàòóðû, °Ñ; X1(X11 = 22; X12 = 75); âîäîöåìåíòíîãî
îòíîøåíèÿ X2(X21 = 0,4; X22 = 0,5; X2 = 0,6) è ñîäåðæàíèÿ íåôòè,
%: X3(X31 = 5; X32 = 10; X33 = 25). Â îïûòàõ êîíòðîëèðîâàëè ñëå-
äóþùèå ïîêàçàòåëè ñâîéñòâ ðàñòâîðà-êàìíÿ: âîäîîòäà÷à Y1, ñì3,
çà 30 ìèí (íà ïðèáîðå ÂÌ-6); ñòàòè÷åñêîå íàïðÿæåíèå ñäâèãà Y2
÷åðåç 1 ìèí, ìãñ/ñì2 (íà ïðèáîðå ÑÍÑ-2); ñîîòâåòñòâåííî âðåìÿ
íà÷àëà è êîíöà ñõâàòûâàíèÿ Y3 è Y4, ìèí (íà ïðèáîðå Âèêà);
ïðåäåë ïðî÷íîñòè ïðè èçãèáå ÷åðåç 2 ñóò Y5, ÌÏà, ñîãëàñíî
ÃÎÑÒ 1581–63 (íà ïðèáîðó Ìèõàýëèñà). Ýêñïåðèìåíòàëüíûå
äàííûå è ðåçóëüòàòû äèñïåðñèîííîãî àíàëèçà âëèÿíèÿ îòäåëü-
íûõ ôàêòîðîâ íà èññëåäóåìûå ïàðàìåòðû ïðèâåäåíû ñîîòâåòñò-
âåííî â òàáë. 14, 15.
56
Òàáëèöà 14
X1 X2 X3 Y1 Y2 Y3 Y4 Y5
5 78 80 70 15,9 28,4 37,8 480 280 345 660 665 555 2,8 2,7 3,4
0,4 10 62 73 52 14,7 23,5 37,5 615 350 360 850 840 600 2,7 2,3 3,0
25 31 24 22 10,5 6,2 26,0 1500 1140 900 3000 1800 1740 0,5 0,3 2,0
5 80 85 75 14,1 26,5 31,0 610 495 370 1240 865 850 2,6 2,5 2,9
22 0,5 10 65 75 58 11,0 24,1 26,7 735 810 490 1350 1290 900 1,8 1,7 2,4
25 34 26 25 4,7 8,2 14,9 1530 1140 900 3010 2100 1770 1,0 0,5 1,1
5 88 94 83 12,7 21,5 9,9 800 850 570 1300 1340 930 1,2 1,2 2,6
0,6 10 71 76 62 8,2 17,4 8,1 890 965 590 1425 1530 1085 1,1 1,0 2,4
25 39 28 31 3,8 5,9 3,9 1200 1140 930 1340 2400 1810 0,2 0,3 0,4
5 156 105 142 8,3 14,6 17,5 150 115 110 200 180 185 3,9 3,9 4,0
0,4 10 120 93 115 7,5 12,0 16,0 195 175 125 255 260 200 3,6 3,0 4,1
25 59 38 39 4,7 3,0 13,0 210 190 150 460 480 380 2,9 2,5 3,0
5 168 115 163 7,6 13,5 15,1 160 160 130 220 220 200 3,4 3,3 3,8
75 0,5 10 131 101 121 5,8 11,9 13,2 190 175 135 255 280 230 2,8 2,7 3,4
25 62 33 42 2,8 4,5 9,9 210 195 150 450 490 420 2,2 1,7 2,3
5 222 124 202 6,8 11,0 5,1 230 170 135 330 240 235 2,8 2,8 2,9
0,6 10 231 115 217 4,9 9,5 4,9 240 175 155 360 265 275 2,7 2,6 2,7
25 69 36 72 2,7 3,0 2,9 295 220 175 285 540 430 2,0 1,0 2,2
Òàáëèöà 15
Ôàê- Ðàñ÷åòíîå çíà÷åíèå Òàáëè÷-
òîðû íîå
è èõ f1 çíà÷åíèå
âçàè- Y1 Y2 Y3 Y4 Y5 ïðè
ìîäåé- α = 0,05
ñòâèå
X1X2X3 (a – 1)(b – 1)× 36 0,9 0,04 1,3 1,60 0,35 2,64
×(c – 1) = 4
X1X2 (a – 1)(b – 1) = 2 36 3,6 1,40 1,6 1,30 0,35 3,24
X1X3 (a – 1)(c – 1) = 2 36 7,5 1,40 20,0 13,30 1,40 3,24
X2X3 (b – 1)(c – 1) = 4 36 0,9 0,10 1,3 0,45 0,67 2,64
X1 (a – 1) = 1 36 17,7 22,30 236,0 164,2 83,80 4,14
X2 (b – 1) = 2 36 7,2 8,50 7,0 2,10 20,80 3,24
X3 (c – 1) = 2 36 58,0 10,30 53,0 31,50 47,30 3,24
Ï ð è ì å ÷ à í è å. Äëÿ âñåõ ôàêòîðîâ X è èõ ñî÷åòàíèé f2 = N – abc = 36.
Äèñïåðñèîííûé àíàëèç (ñì. òàáë. 15) ïîçâîëÿåò âûÿñíèòü ñòå-

ïåíü âëèÿíèÿ îòäåëüíûõ ôàêòîðîâ è èõ âçàèìîäåéñòâèé (êîìáè-
íàöèé) íà âûõîäíûå ïåðåìåííûå.
Íà èçìåíåíèå âîäîîòäà÷è ðàñòâîðà ïî ñòåïåíè âîçäåéñòâèÿ
âëèÿþò X3, X1, X1X3, X2, X1X2. Âëèÿíèå êîìáèíàöèé ôàêòîðîâ
X2X3 è X1X2X3 íà âîäîîòäà÷ó íå óñòàíîâëåíî.
Íà èçìåíåíèå ñòàòè÷åñêîãî íàïðÿæåíèÿ ñäâèãà âëèÿþò X1, X3,
X2 (ðàñïîëîæåíû ïî ñòåïåíè âîçäåéñòâèÿ). Âëèÿíèå ïàðíûõ è
òðîéíîé êîìáèíàöèé ôàêòîðîâ íå óñòàíîâëåíî.
Íà ïðîäîëæèòåëüíîñòü íà÷àëà ñõâàòûâàíèÿ (ïî ñòåïåíè
âîçäåéñòâèÿ) âëèÿþò X1, X3 è X1X3, à âëèÿíèå X1, X1X2, X2X3
è X1X2 X3 íå óñòàíîâëåíî.
Íàêîíåö, íà ïðî÷íîñòü êàìíÿ äâóõñóòî÷íîãî ñðîêà òâåðäåíèÿ
(ïî ñòåïåíè âîçäåéñòâèÿ) âëèÿþò X1, X2 è X2, à âëèÿíèå ïàðíîãî
è òðîéíîãî âçàèìîäåéñòâèÿ ôàêòîðîâ íå óñòàíîâëåíî.
Ïðè èçó÷åíèè ìàòåðèàëîâ, ïðîöåññîâ è äðóãèõ îáúåêòîâ â áó-
ðåíèè èíæåíåð ñòàëêèâàåòñÿ ñ ñóùåñòâåííîé íåîäíîðîäíîñòüþ,
äëÿ ó÷åòà êîòîðîé åìó ïðèõîäèòñÿ ïðîâîäèòü ñïåöèàëüíûå ïðî-
âåðî÷íûå èçìåðåíèÿ, ïîçâîëÿþùèå îòñåÿòü âëèÿíèå íåîäíîðîä-
íîñòåé. Ðåçóëüòàòû íàáëþäåíèé â ýòîì ñëó÷àå ïðåäñòàâëÿþò ñî-
áîé ïàðû äàííûõ – êîâàðèàíò. Äëÿ ñòàòèñòè÷åñêîãî àíàëèçà ïî-
äîáíûõ íàáëþäåíèé èñïîëüçóåòñÿ ðàçíîâèäíîñòü äèñïåðñèîííîãî
àíàëèçà – êîâàðèàöèîííûé àíàëèç.
Ðàññìîòðèì âàðèàíò àíàëèçà äâóõôàêòîðíîãî (X1, X2) ýêñïå-
ðèìåíòà, â êîòîðîì èçìåðÿþò âûõîäíûå ïåðåìåííûå Y è Z, ïðè-
÷åì Z îïðåäåëÿþò äëÿ êîíòðîëÿ, à Y ÿâëÿåòñÿ èçó÷àåìîé âåëè÷è-
íîé. Ôàêòîð X1 âàðüèðóåòñÿ íà a óðîâíÿõ, à ôàêòîð X2 – íà b
óðîâíÿõ. Â îïûòàõ ïðîâîäèòñÿ òîëüêî îäíîêðàòíîå èçìåðåíèå
âåëè÷èí Y è Z.
58
Äëÿ ñóììû êâàäðàòîâ îòêëîíåíèé èìååì ñëåäóþùèå ñîîòíî-
øåíèÿ:
a a a b
S 2 (Y ) = b∑ (Yi. − Y.. )2 + a ∑ (Y. j − Y.. )2 + ∑ ∑ (Yij − Yi. − Y. j + Y.. )2 =
i =1 j =1 i =1 j =1
= S X21 (Y ) + S X2 2 (Y ) + S02 (Y ); (93)

b b a b
S 2 (Z ) = b∑ (Z i. − Z.. )2 + a ∑ (Z. j − Z.. )2 + ∑ ∑ (Z ij − Z i. − Z. j + Z.. )2 =
i =1 j =1 i =1 j =1
= S X21 (Z ) + S X2 2 (Z ) + S02 (Z ), (94)
ãäå i = 1, 2, … , a; j = 1, 2, … , b;
1 a b
Y.. = ∑ ∑ Yij ; (95)
ab i =1 j =1
1 a b
Z.. = ∑ ∑ Z ij ; (96)
ab i =1 j =1
1 a
Yi. = ∑ Yij ; (97)
b j =1
1 a
Y. j = ∑ Yij ; (98)
a i =1
1 b
Z i. = ∑ Z ij ; (99)
b j =1
1 a
Z. j = ∑ Z ij . (100)
a i =1
Äëÿ îöåíêè âçàèìíîé ñâÿçè ìåæäó âûõîäíûìè ïåðåìåííûìè
Y è Z èñïîëüçóþò ïîíÿòèå ïàðíîãî ïðîèçâåäåíèÿ, êîòîðîå îòðà-
æàåò êîâàðèàöèþ ìåæäó ïîñëåäíèìè:
a, b a
K (YZ ) = b ∑ (Yij − Y.. )(Z ij − Z .. ) = b∑ (Yi . − Y.. )(Z i . − Z.. ) +
i , j =1 i =1
b a, b
+ a ∑ (Y. j − Y.. )(Z. j − Z.. ) + b ∑ (Yij − Yi. − Y. j + Y.. ) × (101)
j =1 i , j =1
×(Z ij − Z i. − Z. j + Z.. ) = K X1 (YZ ) + K X2 (YZ ) + K0 (YZ ).
59
Äàëåå ïî ñõåìå êîâàðèàöèîííîãî àíàëèçà äëÿ îöåíêè âëèÿíèÿ
ôàêòîðîâ X1, X2 íà âûõîäíóþ ïåðåìåííóþ Y, à òàêæå âçàèìíóþ
ëèíåéíóþ ñâÿçü ìåæäó Y è Z, îòðàæàþùóþ âëèÿíèå íåîäíîðîä-
íîñòè, âû÷èñëÿþò ñëåäóþùèå äèñïåðñèîííûå îòíîøåíèÿ:
2
S X (Y )
FX1 (Y ) = (b − 1) 1
2
; (102)
S0 (Y )
2
S X (Y )
FX2 (Y ) = (a − 1) 2
2
; (103)
S0 (Y )
2
K 0 (YZ )
F (YZ ) = (N − a − b) 2 2 2
, (104)
S0 (Y )S0 ( Z ) − K 0 (YZ )
ãäå N = ab – îáùåå ÷èñëî ïàðíûõ íàáëþäåíèé.

Âû÷èñëåííûå äèñïåðñèîííûå îòíîøåíèÿ ñðàâíèâàþò ñ òàá-
ëè÷íûìè çíà÷åíèÿìè F-êðèòåðèÿ (Ôèøåðà) ñ âûáðàííûì óðîâ-
íåì çíà÷èìîñòè äëÿ ÷èñåë ñòåïåíåé ñâîáîäû (a – 1) è (a – 1)×
× (b – 1), (b – 1) è (a – 1)(b – 1), 1 è (N – a – b) ñîîòâåòñò-
âåííî. Ïðè ïðåâûøåíèè ðàññ÷èòàííûõ äèñïåðñèîííûõ îòíîøå-
íèé íàä ñîîòâåòñòâóþùèìè òàáëè÷íûìè çíà÷åíèÿìè F-êðèòåðèÿ
ìîæíî óòâåðæäàòü, ÷òî ôàêòîðû X1, X2 è íåîäíîðîäíîñòü âëèÿþò
íà èçìåðÿåìóþ âåëè÷èíó.
Ðàññìîòðèì èñïîëüçîâàíèå êîâàðèàöèîííîãî àíàëèçà ïðè
èçó÷åíèè âëèÿíèÿ äîáàâîê ÊÑÑÁ X1, %, íà ïðåäåë ïðî÷íîñòè X2,
ÌÏà, îáðàçöîâ öåìåíòíîãî êàìíÿ 2-, 7- è 14-ñóòî÷íîãî õðàíåíèÿ.
Äëÿ êîíòðîëÿ èçìåðÿëè ïðåäåë ïðî÷íîñòü öåìåíòíîãî êàìíÿ áåç
äîáàâîê ðåàãåíòà (òàáë. 16, 17).
Ñîîòâåòñòâóþùèå çíà÷åíèÿ F-êðèòåðèÿ äëÿ óðîâíÿ çíà÷èìî-
ñòè α = 0,05 ðàâíû 6,9, 6,1 è 6,6, äëÿ ÷èñåë ñòåïåíåé ñâîáîäû 2 è
4, 2 è 4, 1 è 3.
Ðåçóëüòàòû àíàëèçà ìîæíî ïðåäñòàâèòü â âèäå
FX1 (Y ) = (b − 1)S X2 1 (Y ) / S02 (Y ) = (3 − 1)7970 / 18, 9 = 843 > 6, 9;
FX2 (Y ) = (a − 1)S X2 2 (Y ) / S02 (Y ) = (3 − 1)11, 9 / 18, 9 = 12, 60 > 6, 9;
F (YZ ) = (N − a − b)K 02 (YZ ) /[S02 (Y )S02 (Z ) − K 02 (YZ )] =
= (9 − 3 − 3)16, 42 /(18, 9 ⋅ 141 − 16, 42 ) = 0, 3 < 6, 6.
Ñëåäîâàòåëüíî, âëèÿíèå íåîäíîðîäíîñòè íà èçìåíåíèå ïðî÷-
íîñòè öåìåíòíûõ îáðàçöîâ íåñóùåñòâåííî, è èì ìîæíî ïðåíåá-
ðå÷ü; íà âûõîäíóþ ïåðåìåííóþ íàèáîëåå ñèëüíî âëèÿåò âðåìÿ è
äîñòàòî÷íî çíà÷èìî – äîáàâêà ÊÑÑÁ.
60
Òàáëèöà 16
X2
ÊÑÑÁ
X21 = 2 X22 = 7 X23 = 14
X1 X11 = 0,1 Y11 = 12,7 Y21 = 56,8 Y31 = 73,1

Z11 = 21,5 Z21 = 50,4 Z21 = 56,1
X12 = 0,3 Y12 =11,6 Y22 = 53,8 Y32 = 67,7

Z12 = 25,1 Z22 = 52,7 Z32 = 61,5
X13 = 0,5 Y13 = 4,0 Y23 = 49,9 Y33 = 66,9

Z13 = 21,5 Z22 = 53,4 Z33 = 62,7
Îäíàêî ñëåäóåò îòìåòèòü, ÷òî ïðè ðàñ÷åòå F-êðèòåðèÿ ïðèõî-

äèòñÿ âûïîëíÿòü çíà÷èòåëüíîå ÷èñëî ïðîìåæóòî÷íûõ âû÷èñëå-
íèé, à ýòî, åñòåñòâåííî, ñâÿçàíî ñ íàêîïëåíèåì îøèáêè, îïðåäå-
ëÿåìîé òîé èëè èíîé îïåðàöèåé. Î÷åâèäíî, ÷òî ïîãðåøíîñòü
èñõîäíûõ äàííûõ â ýòîì ñëó÷àå (ïðè íàëè÷èè òàêîãî áîëü-
øîãî ÷èñëà âû÷èñëåíèé) ìîæåò ïðèâåñòè ê áîëüøåé îøèáêå ïðè
ðàñ÷åòå F-êðèòåðèÿ è, ñëåäîâàòåëüíî, ê íåâåðíîé îöåíêå ñóùåñò-
âåííîñòè âëèÿíèÿ èññëåäóåìûõ ôàêòîðîâ íà âûõîäíîé ïîêà-
çàòåëü.
Îòíîñèòåëüíàÿ ïîãðåøíîñòü εF ðàñ÷åòíîãî F-êðèòåðèÿ çàâèñèò
òîëüêî îò ïîãðåøíîñòè èñõîäíûõ äàííûõ εY:
ε F = ∆F / F = 8 ε Y . (105)
Òàêèì îáðàçîì, çàäàâàÿñü æåëàåìîé ïîãðåøíîñòüþ ðàñ÷åòíîãî

F-êðèòåðèÿ, íåîáõîäèìî ïðåäúÿâëÿòü òðåáîâàíèÿ ê ïîãðåøíîñòè
èñõîäíûõ äàííûõ. Ïðè àíàëèçå âëèÿíèÿ ôàêòîðîâ íà âûõîäíóþ
ïåðåìåííóþ, êîãäà íåâîçìîæíî óâåëè÷èòü òî÷íîñòü èñõîäíûõ
äàííûõ, íåîáõîäèìî ó÷èòûâàòü òî÷íîñòü âû÷èñëåíèÿ F-êðè-
òåðèÿ.
Òàáëèöà 17
Èñòî÷íèê Ñóììà êâàäðàòîâ
èçìåí÷èâî- ×èñëî ñòåïåíåé Êîâàðèàöèè
ñòè Ñ äîáàâêîé Áåç äîáàâêè
X1 a–1=2 S X2 1 (Y ) = 7970 S X2 1 (Z ) = 3150 K X1 (YZ ) = 5000
X2 b–1=2 S X2 2 (Y ) = 119 S X2 2 (Z ) = 27, 6 K X2 (YZ ) = −258
Îøèáêà (a – 1)(b – 1) = 4 S02 (Y ) = 18, 9 S02 (Z ) = 141 K0 (YZ ) = 16, 4
Ñóììà N – 1 = 11 S 2(Y ) = 8107, 9 S 2(Z ) = 3318, 6 K(YZ ) = 4989, 6
61
Îöåíêó ïîãðåøíîñòè F-êðèòåðèÿ ðàññìîòðèì íà ïðåäûäóùåì
ïðèìåðå. Îïðåäåëèì ïîãðåøíîñòü ðàñ÷åòíîãî F-êðèòåðèÿ äëÿ
ïðîâåðêè ãèïîòåçû î âëèÿíèè âðåìåíè õðàíåíèÿ íà ïðî÷íîñòü
îáðàçöîâ öåìåíòíîãî êàìíÿ ïî ðåçóëüòàòàì ýêñïåðèìåíòîâ, îòíî-
ñèòåëüíàÿ ïîãðåøíîñòü êîòîðûõ ðàâíà εY = 5 %.
Èñïîëüçîâàâ ñîîòíîøåíèå
∆F X 2 (Y ) = 8 F X 2 (Y )ε Y = 8 ⋅ 12,6 ⋅ 0, 05 ≈ 5,0,
ïîëó÷èì ñëåäóþùóþ äîâåðèòåëüíóþ îáëàñòü:

F X 2 (Y ) = 12, 6 ± 5,0.
Ðàññìîòðåííûå ñõåìû äèñïåðñèîííîãî è êîâàðèàöèîííîãî âè-

äîâ àíàëèçà áàçèðóþòñÿ íà äîïóùåíèÿõ î íîðìàëüíîñòè çàêîíà
ðàñïðåäåëåíèÿ è îäíîðîäíîñòè äèñïåðñèé. Êîãäà èññëåäîâàòåëü
íå óâåðåí â âûïîëíåíèè äîïóùåíèé, ëåæàùèõ â îñíîâå ôîð-
ìàëüíîãî äèñïåðñèîííîãî àíàëèçà, ïîëåçíûì ìîæåò îêàçàòüñÿ
íåïàðàìåòðè÷åñêèé äèñïåðñèîííûé àíàëèç, îäíîé èç ðàçíîâèäíî-
ñòåé êîòîðîãî ÿâëÿåòñÿ îäíîôàêòîðíûé ðàíãîâûé äèñïåðñèîííûé
àíàëèç Êðàñêëà – Óýëëèñà. Êðèòåðèåì ñðàâíåíèÿ äèñïåðñèé â
ýòîì ìåòîäå ñëóæèò ñòàòèñòèêà
m 2
12 R
H= ∑ i
N ( N + 1) i =1 n i
− 3(N + 1), (106)
ãäå N – îáùåå ÷èñëî íàáëþäåíèé ïî âñåì âûáîðêàì; m – ÷èñëî

âûáîðîê; Ri, ni – ñóììà ðàíãîâ è ÷èñëî íàáëþäåíèé â i-é âû-
áîðêå.
Ðàíã â ýòîì ìåòîäå – íîìåð, ïðèïèñàííûé êàæäîìó íàáëþäå-
íèþ â âûáîðêå ïîñëå åå óïîðÿäî÷åíèÿ â âîçðàñòàþùåé ïîñëåäî-
âàòåëüíîñòè äëÿ âñåõ âûáîðîê (ðàíãè èçìåíÿþò îò 1 äî N). Âû-
÷èñëåííîå çíà÷åíèå H-êðèòåðèÿ ñðàâíèâàþò ñî çíà÷åíèåì χ2-
êðèòåðèÿ (Ïèðñîíà) ñ f = m –1.
Â êà÷åñòâå ïðèìåðà èñïîëüçîâàíèÿ ìåòîäà Êðàñêëà – Óýëëèñà
ðàññìîòðèì ðåçóëüòàòû íàáëþäåíèé çà èñêðèâëåíèåì ñòâîëà âåð-
òèêàëüíîé ñêâàæèíû ïðè áóðåíèè èíòåðâàëîâ ãëóáèí îò 2400 äî
2850 ì òðåìÿ ðàçíûìè êîìïîíîâêàìè (À, Â, Ñ) íèçà áóðèëüíîé
êîëîííû äëÿ âûáîðîê ïî ïÿòè ñêâàæèíàì (òàáë. 18).
Ïîÿñíèì ïðèñâîåíèå ðàíãà äëÿ óãëîâ èñêðèâëåíèÿ 2,0 è 2,5°.
Ïåðâîå çíà÷åíèå ïðè ðàñïîëîæåíèè íàáëþäåíèé ïî âîçðàñòàíèþ
îêàçàëîñü ÷åòâåðòûì, è åìó äàí ðàíã 4, à çíà÷åíèé 2,5° îêàçàëîñü
äâà, ò.å. îíè çàíèìàþò 5-å è 6-å ìåñòà, è èì ïðèïèñûâàåì îäèíà-
êîâûé ðàíã, ðàâíûé 0,5(5 + 6) = 5,5.
Ñëåäóþùåå çíà÷åíèå 3,0° ïîëó÷àåò ðàíã 7.
62
Òàáëèöà 18
Êîìïîíîâêà À Êîìïîíîâêà Â Êîìïîíîâêà Ñ
Ñðåäíèé Ñðåäíèé Ñðåäíèé
óãîë èñ- Ðàíã óãîë èñ- Ðàíã óãîë èñ- Ðàíã
êðèâëåíèÿ, êðèâëåíèÿ, êðèâëåíèÿ,
ãðàäóñû ãðàäóñû ãðàäóñû
3,5 8,5 4,0 10,5 1,0 2
2,0 4 4,5 12 3,5 8,5
5,0 13 2,5 5,5 2,5 5,5
1,5 3 0,5 1 6,0 15
3,0 7 5,5 14 4,0 10,5
∑ R1 = 35,5 ∑ R2 = 43 ∑ R3 = 41,5
Çíà÷åíèå êðèòåðèÿ ñðàâíåíèÿ

12  35, 52 2 2 
H=  + 43 + 41, 5  − 3(5 + 1) = 0,32,
15(15 + 1)  5 5 5 
à χ2 = 5,99 ïðè f = m – 1 = 3 – 1 = 2 è α = 0,5.

Ñëåäîâàòåëüíî, H = 0,32 < 5,99 è ìîæíî ñäåëàòü âûâîä î íå-
ðàçëè÷èìîñòè ñðåäíèõ óãëîâ èñêðèâëåíèÿ ðàññìàòðèâàåìûõ êîì-
ïîíîâîê â äàííîé ñåðèè íàáëþäåíèé.
Ðåçóëüòàòû äèñïåðñèîííîãî àíàëèçà ïîçâîëÿþò óñòàíîâèòü
ñòåïåíü âëèÿíèÿ êàæäîãî èç ôàêòîðîâ è èõ êîìáèíàöèé íà âû-
õîäíóþ ïåðåìåííóþ, íî îíè, íåñìîòðÿ íà áîëüøóþ ïðàêòè÷åñêóþ
öåííîñòü, íå ïîçâîëÿþò ïðîãíîçèðîâàòü çíà÷åíèå âûõîäíîé ïå-
ðåìåííîé ïðè èçâåñòíûõ çíà÷åíèÿõ êîìïîíåíò âåêòîðà ïðèçíà-
êîâ ñîñòîÿíèÿ èëè ôàêòîðîâ X ( X1 , X 2 , ..., X n ) . Äëÿ ïîñòðîåíèÿ
ìàòåìàòè÷åñêèõ ìîäåëåé, óñòàíàâëèâàþùèõ ñâÿçü Y = f X , èñ-
ïîëüçóþò ìåòîäû êîððåëÿöèîííîãî èëè ðåãðåññèîííîãî àíàëèçà.
Â êà÷åñòâå ìåðû ýìïèðè÷åñêîé ñâÿçè ìåæäó ïàðíûì íàáëþ-
äåíèÿìè âåëè÷èí Y è X, êàê áûëî ïîêàçàíî ðàíåå, èñïîëüçóþò
êîýôôèöèåíò êîððåëÿöèè
1 N
r (Y , X ) = ∑ (Yi − Y )(X i − X ), (107)
( N − 1)σ( X )σ(Y ) i =1
ãäå N – ÷èñëî ïàð íàáëþäåíèé; σ(X), σ(Y) – ñðåäíèå êâàäðàòè÷å-

ñêèå îòêëîíåíèÿ âåëè÷èí X, Y; X , Y – ñðåäíèå çíà÷åíèÿ âåëè-
÷èí X, Y â N íàáëþäåíèÿõ.
Êîýôôèöèåíò êîððåëÿöèè èçìåíÿåòñÿ îò +1 äî –1. Ïðè rYX =
= 1 ìîæíî êîíñòàòèðîâàòü ñòðîãóþ ïðÿìî ïðîïîðöèîíàëüíóþ
ñâÿçü ìåæäó Y è X, à ïðè rYX = –1 – ñòðîãóþ îáðàòíóþ ñâÿçü
ìåæäó ýòèìè ñëó÷àéíûìè âåëè÷èíàìè. Äëÿ íåçàâèñèìûõ ñëó-
63
÷àéíûõ âåëè÷èí rYX = 0, îäíàêî îáðàòíîå óòâåðæäåíèå íåñïðà-
âåäëèâî, òàê êàê çíà÷åíèå êîýôôèöèåíòà êîððåëÿöèè ìîæåò áûòü
ðàâíûì íóëþ äëÿ âåëè÷èí, ñâÿçàííûõ íåëèíåéíîé ôóíêöèîíàëü-
íîé ñâÿçüþ.
Äîñòîâåðíîñòü êîýôôèöèåíòà êîððåëÿöèè îöåíèâàþò êðèòå-
ðèåì íàäåæíîñòè
θ = rYX / σ r , (108)
ãäå
σR = 1 − rYX
2
/ N. (109)
Ïðè θ > 2,6 ñ âåðîÿòíîñòüþ 0,95 ìîæíî óòâåðæäàòü î çíà÷è-

ìîñòè íàéäåííîãî êîýôôèöèåíòà êîððåëÿöèè. Íà îñíîâàíèè âå-
ëè÷èí rYX, σ(X) è σ(Y) ëåãêî îïðåäåëèòü ëèíåéíóþ ìàòåìàòè÷å-
ñêóþ ìîäåëü äëÿ âåëè÷èí Y è X, ò.å.
Y = a0 + a1 X ; (110)
a1 = rYX (σ X / σY ); (111)
a0 = Y − a1 X . (112)
Ïîëó÷åííóþ ïîäîáíûì îáðàçîì ëèíåéíóþ ñâÿçü ìåæäó X è Y
íàçûâàþò óðàâíåíèåì ðåãðåññèè.
Ïîñëå íàõîæäåíèÿ ëèíåéíîé ìàòåìàòè÷åñêîé ìîäåëè ýìïèðè-
÷åñêîé ñâÿçè ñëåäóåò îöåíèòü âîçìîæíîñòü óëó÷øåíèÿ îïèñàíèÿ
ïåðåõîäîì ê íåëèíåéíîé ìîäåëè. Äëÿ ýòîãî íåîáõîäèìî âû÷èñ-
ëèòü êîððåëÿöèîííîå îòíîøåíèå
1 1 N
η(Y ) = ∑ (Yp i − Y )2 , (113)
σ(Y ) N − 1 i =1
ãäå Ypi – çíà÷åíèå âûõîäíîé ïåðåìåííîé â i-ì íàáëþäåíèè, ðàñ-

ñ÷èòàííîå ïî íàéäåííîé ëèíåéíîé ìîäåëè, à òàêæå îïðåäåëèòü
åãî êðèòåðèé íàäåæíîñòè
η(Y )
θη = 2
. (114)
[1 − η (Y )] / N
Íà îñíîâàíèè ýòèõ âåëè÷èí è rYX îöåíèâàþò ñòåïåíü íåëè-

íåéíîñòè
n = η2 (Y ) − rYX
2
, (115)
êâàäðàò êîòîðîé ñðàâíèâàþò ñ îòíîøåíèåì 12/N. Åñëè
64
n2 < 12/N, òî ïåðåõîä ê íåëèíåéíîé ìîäåëè íå óëó÷øèò îïèñà-
íèÿ, à â ïðîòèâíîì ñëó÷àå ìîæåò ïðèâåñòè ê ëó÷øèì ðåçóëü-
òàòàì.
Â ìíîãîìåðíîì ñëó÷àå, ò.å. ïðè X ( X1 , X 2 , ..., X n ) , äëÿ ïî-
ñòðîåíèÿ óðàâíåíèÿ ðåãðåññèè ëèíåéíîãî òèïà âû÷èñëÿþò êîýô-
ôèöèåíòû êîððåëÿöèè ìåæäó Y è X1, X2, … , Xk, à òàêæå êîýôôè-
öèåíòû âçàèìíîé êîððåëÿöèè ôàêòîðîâ ïî ôîðìóëàì
N
rYX j = [1 /(N − 1)σ(Y )σ(X j )]∑ (Yi − Y )(X ij − X j ); (116)
i =1
N
rX j X p = [1 /(N − 1)σ(X j )σ(X p )]∑ (X ij − X j )(X ip − X p ), (117)
i =1
ãäå X ij è Xip – çíà÷åíèÿ j-ãî è p-ãî ôàêòîðîâ â i-ì íàáëþäåíèè;

X p è X j – ñðåäíèå çíà÷åíèÿ j-ãî è p-ãî ôàêòîðîâ â âûáîðêå.
Êîýôôèöèåíòû êîððåëÿöèè îöåíèâàþò íà îñíîâàíèè êðèòå-
ðèÿ
θr = rYXi / σ r è θr = rX j X p /(1 − σ r ), (118)
ãäå ñîîòâåòñòâåííî
σr = (rYX
2
) / N è σr = (1 − rX2 )/ N. (119)
j jXp
Âû÷èñëåííûå çíà÷åíèÿ íîðìèðîâàííûõ êîýôôèöèåíòîâ êîð-

ðåëÿöèè ñâîäÿò â êîððåëÿöèîííóþ ìàòðèöó (òàáë. 19).
Â ìàòðèöå çíà÷èìûå êîýôôèöèåíòû êîððåëÿöèè îáû÷íî îò-
ìå÷àþò çâåçäî÷êîé.
Ïðè íàëè÷èè êîððåëÿöèîííîé ìàòðèöû âû÷èñëåíèå êîýôôè-
öèåíòîâ â óðàâíåíèè ëèíåéíîé ðåãðåññèè âèäà
Y = a0 + a1 X1 + a2 X 2 + ... + ak X k
Òàáëèöà 19
Ñðåäíåå
Ôàêòîð Y X1 X2 … Xk Ñðåäíåå êâàäðàòè÷å-
çíà÷åíèå ñêîå
îòêëîíåíèå
Y 1 rYX1 rYX2 … rYX k Y σ(Y)
X1 rYX1 1 rX1X2 … rX1X k X1 σ(X1)
X2 rYX2 rX1X2 1 … rX2 X k X2 σ(X2)
# # # # # # # #
Xk rYX k rX1X k rX2 X k … 1 Xk σ(Xk)
65
ñâîäèòñÿ ê ðåøåíèþ ñèñòåìû ëèíåéíûõ óðàâíåíèé
 σ(Y )rYX1 = a1σ(X1 ) + a2 rX1X2 σ(X 2 ) + ... + ak rX1Xk σ(X k );


σ(Y )rYX2 = a1rX1X2 σ(X1 ) + a2 σ(X 2 ) + ... + ak rX2 Xk σ(X k ); (120)

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
 σ(Y )r
 YX k = a1 rX1X k σ( X1 ) + a2 rX 2 X k σ( X 2 ) + ... + ak σ( X k )
îòíîñèòåëüíî a1, a2, … , ak, à çàòåì âû÷èñëÿþò âåëè÷èíó

k
a0 = Y − ∑ a j X j , (121)
j =1
ãäå k – ÷èñëî ïåðåìåííûõ.

Â êà÷åñòâå ñòàòèñòè÷åñêîé îöåíêè ðåãðåññèîííîé ñâÿçè âû-
õîäíîé ïåðåìåííîé íå ñ îäíèì, à ñ íåñêîëüêèìè ôàêòîðàìè, èñ-
ïîëüçóþò êîýôôèöèåíò ìíîæåñòâåííîé êîððåëÿöèè. Îí ïîêàçû-
âàåò, êàê äàííûé âûõîäíîé ïîêàçàòåëü Y ñâÿçàí ñî âñåìè ôàêòî-
ðàìè X1, X2, … , Xk. Â ñëó÷àå êîãäà îïðåäåëÿåòñÿ âçàèìîñâÿçü Y ñ
äâóìÿ ôàêòîðàìè X1 è X2, êîýôôèöèåíò ìíîæåñòâåííîé êîððå-
ëÿöèè ðàññ÷èòûâàþò ïî ôîðìóëå
2 2
rYX − 2rYX1 rYX2 rX1X2 + rYX
RY / X1X2 = 1 2 . (122)
1 − rX21X2
Âñåãäà áåðåòñÿ åãî ïîëîæèòåëüíîå çíà÷åíèå. Êîãäà ôàêòîðîâ

áîëüøå òðåõ, êîýôôèöèåíò ìíîæåñòâåííîé êîððåëÿöèè îïðåäå-
ëÿþò ñ èñïîëüçîâàíèåì ñèñòåì íîðìàëüíûõ óðàâíåíèé è âû÷èñ-
ëåíèÿ îïðåäåëèòåëåé
k
R 2 = ∑ α i rYXi , 0 ≤ R ≤ 1, (123)
i =1
ãäå αi – íåèçâåñòíûå ïîñòîÿííûå â óðàâíåíèè ðåãðåññèè, çàäàí-

íîì â ñòàíäàðòèçîâàííîé ôîðìå:
Z = α1t1 + a2 t2 + ... + ak tk ; (124)
Xi − Xi −Y
ti = ; Z =Y , i = 1, 2, ..., k.
σ Xi σY
Ïðàêòè÷åñêèé èíòåðåñ ïðåäñòàâëÿåò êâàäðàò êîýôôèöèåíòà

ìíîæåñòâåííîé êîððåëÿöèè R2 (ìåðà èäåíòè÷íîñòè Q , èëè êî-
ýôôèöèåíò äåòåðìèíàöèè), êîòîðûé õàðàêòåðèçóåò äîëþ äèñïåð-
66
ñèè âåëè÷èíû Y îòíîñèòåëüíî Y , îáóñëîâëåííóþ âëèÿíèåì ôàê-
òîðîâ X1, X2, … , Xk. Ìåðó èäåíòè÷íîñòè îïðåäåëÿþò ïî ôîðìóëå
Q = ∑ (Yi p − Y )2 /  ∑ (Yi p − Y )2 + ∑ (Yi p − Yi )2  .

N N N
(125)
i =1  i =1 i =1 
Àáñîëþòíîå çíà÷åíèå ìåðû èäåíòè÷íîñòè Q èëè R2 ìîæíî
âûðàçèòü â ïðîöåíòàõ. Íàïðèìåð, êîýôôèöèåíò ìíîæåñòâåííîé
êîððåëÿöèè Y ñ ôàêòîðàìè X1, X2, X3 îêàçàëñÿ ðàâíûì
0,80(RY /X1 , X2 , X3 = 0,64 = 0,8). Òàê êàê R2 = 0,64, òî ýòîò ôàêò
ìîæíî âûðàçèòü ñëåäóþùèì îáðàçîì: 64 % èçìåíåíèÿ çíà÷åíèé
ïîêàçàòåëÿ Y îáóñëîâëåíû èçìåíåíèåì ôàêòîðîâ X1, X2 è X3.
Íà îñíîâàíèè ìåðû èäåíòè÷íîñòè äëÿ ìíîãîìåðíîãî óðàâíå-
íèÿ ðåãðåññèè ìîæíî íàéòè êîýôôèöèåíò ìíîæåñòâåííîé êîððå-
ëÿöèè
R = Q. (126)
Äàëüíåéøèå îöåíêè äëÿ ïåðåõîäà ê íåëèíåéíûì ìîäåëÿì
àíàëîãè÷íû îöåíêàì äëÿ îäíîìåðíîãî ñëó÷àÿ.
Â êà÷åñòâå ïðèìåðà ïîñòðîåíèÿ óðàâíåíèÿ ðåãðåññèè ðàññìîò-
ðèì ðåçóëüòàòû ýêñïåðèìåíòîâ ïî èçó÷åíèþ èçìåíåíèÿ ïðåäåëà
ïðî÷íîñòè öåìåíòíîãî êàìíÿ äâóõñóòî÷íîé ïðî÷íîñòè Y, Ïà,
ïðè èñïûòàíèè íà èçãèá â çàâèñèìîñòè îò ñîäåðæàíèÿ ïåñêà
X1, %, â òàìïîíàæíîì ðàñòâîðå è òåìïåðàòóðû òâåðäåíèÿ X3, °Ñ
(òàáë. 20).
Êîððåëÿöèîííàÿ ìàòðèöà íà îñíîâàíèè äàííûõ òàáë. 20 èìååò
âèä òàáë. 21, â êîòîðîé çâåçäî÷êàìè îòìå÷åíû çíà÷èìûå êîððå-
ëÿöèè.
Îáðàòèì âíèìàíèå íà òîò ôàêò, ÷òî â òàáë. 21 èñïîëüçîâàí
ïðèìåð ó÷åòà ïàðíîãî ïðîèçâåäåíèÿ XjXp â âèäå íîâîãî ôèêòèâ-
íîãî ôàêòîðà (X4 = X1X2 è X5 = X1X3), êîòîðûé âåñüìà ÷àñòî îêà-
çûâàåòñÿ ïîëåçíûì.
Òàáëèöà 20
X1 X2 X3 Y
40 40 63,6
60 35 50,6
40 50 39,3
60 37,6
40 40 57,1
60 45 54,7
40 50 45 37,3
60 42,7
67
Òàáëèöà 21
Ñðåäíåå
Ñðåäíåå êâàäðà-
Ôàêòîð Y X1 X2 X3 X4 = X1X2 X5 = X1X3 çíà÷å- òè÷åñêîå
íèå îòêëî-
íåíèå
Y 1 –0,16 –0,92∗ 0,01 –0,56∗ –0,10 47,9 9,4
X1 –0,16 1 0 0 –0,87∗ 0,84∗ 50,0 10,0
X2 –0,92∗ 0 1 0 0,48 0 45,0 5,0
X3 +0,01 0 0 1 0 0,53∗ 40,0 5,0
X4 = X1X2 –0,56∗ –0,87∗ 0,48∗ 0 1 0,73 ∗
2250,0 517,2
∗
X5 = X1X3 –0,10 0,84 0 0,53∗ 0,73∗ 1 2000,0 474,3
Óðàâíåíèå ðåãðåññèè íà îñíîâàíèè ïðèâåäåííîé êîððåëÿöè-

îííîé ìàòðèöû èìååò âèä
Y = 3,28 – 4,1X1 – 2,2X2 + 0,048X1X2 + 0,044X1X3,
äëÿ êîòîðîãî Q = 0,99 è R = 0,991, à η = 0,992 è åå áëèçîñòü ê
R (n ≈ 0) óêàçûâàåò íà îòñóòñòâèå íåîáõîäèìîñòè óëó÷øåíèÿ ìî-
äåëè.
Â èíæåíåðíûõ çàäà÷àõ î÷åíü ÷àñòî ýìïèðè÷åñêèå óðàâíåíèÿ
ñâÿçè ïðåäñòàâëÿþò â âèäå ïðîèçâåäåíèé ôóíêöèé, ò.å.
Y = af 1 ( X 1 ) f 2 ( X 2 ) ... f k ( X k ). (127)
Äëÿ ïîèñêà ìàòåìàòè÷åñêèõ ìîäåëåé ïîäîáíîãî âèäà âåñüìà
óäîáíûì, õîòÿ íå î÷åíü ñòðîãèì, ÿâëÿåòñÿ ìåòîä Áðàíäîíà, ñóòü
ïðèìåíåíèÿ êîòîðîãî ñîñòîèò â ñëåäóþùåì.
Íà ïåðâîì ýòàïå ñòðîÿò ãðàôèêè èçìåíåíèÿ âûõîäíîé ïåðå-
ìåííîé â çàâèñèìîñòè îò êàæäîãî èç ðåãèñòðèðóåìûõ ôàêòîðîâ è
âûáèðàþò âèçóàëüíî òîò ôàêòîð, âëèÿíèå êîòîðîãî íà âûõîäíóþ
ïåðåìåííóþ ÿâëÿåòñÿ íàèáîëüøèì.
Äëÿ îòîáðàííîãî ôàêòîðà íàõîäÿò óðàâíåíèå ðåãðåññèè âèäà
Y = f1(X1), (128)
çàäàâàÿñü âèäîì ôóíêöèè Y1i è èñïîëüçóÿ ìåòîä íàèìåíüøèõ
êâàäðàòîâ.
Ïîñëå ïîñòðîåíèÿ ýòîé ìîäåëè ñîñòàâëÿþò íîâóþ âûáîðêó
äàííûõ Y1i, âûïîëíÿÿ äåëåíèå èñõîäíîãî ìàññèâà äàííûõ äëÿ
âûõîäíîé ïåðåìåííîé íà f1(X1), ò.å.
Y1i = Yi/f1(X1). (129)
Ýòà âûáîðêà óæå íå çàâèñèò îò X1, ïîýòîìó èùóò çàâèñèìîñòü
âèäà
Y1 = af2(X2)f3(X3) … fk(Xk). (130)
68
Äëÿ íîâîé âûáîðêè, èñïîëüçóÿ ïðåäûäóùèå äåéñòâèÿ, íàõîäÿò
óðàâíåíèå ñâÿçè
Y1 = f(X2). (131)
Ïîñòóïàÿ òàêèì îáðàçîì ïîñëåäîâàòåëüíî k ðàç, â ðåçóëüòàòå
ïîñëåäíåãî äåëåíèÿ ïîëó÷àåì âûáîðêó
Yki = Yk–1, i/fk(Xk), (132)
ïî êîòîðîé îïðåäåëÿþò ïîñòîÿííóþ
1 N
a= ∑ Yki , (133)
N i =1
ãäå N – ÷èñëî íàáëþäåíèé.

Â êà÷åñòâå ïðèìåðà îáðàáîòêè ðåçóëüòàòîâ íàáëþäåíèé ïî
ìåòîäó Áðàíäîíà ðàññìîòðèì ïîñòðîåíèå ìàòåìàòè÷åñêîé ìîäåëè
èçìåíåíèÿ ïðî÷íîñòè ïðè ñæàòèè ÷åðåç 2 ñóò òâåðäåíèÿ äëÿ òàì-
ïîíàæíîé ñìåñè, ñîñòîÿùåé èç öåìåíòà, ïåñêà, øëàêà è òðåïåëà
(îáëåã÷àþùàÿ äîáàâêà), â çàâèñèìîñòè îò òåìïåðàòóðû òâåðäåíèÿ
îáðàçöîâ.
Â êà÷åñòâå ôàêòîðîâ â ýêñïåðèìåíòå áûëè ïðèíÿòû: òåìïåðà-
òóðà X1, °Ñ, íà ïÿòè óðîâíÿõ èçìåíåíèÿ (25, 50, 75, 100, 125);
îòíîøåíèå ìàññû øëàêà ê ìàññå öåìåíòà X2 (0,0; 0,2; 0,6; 1,0; 1,4);
Òàáëèöà 22
¹ ï/ï X1 X2 X3 X4 Y
1 0,0 0,0 0,3 18
2 0,6 0,2 0,8 22
3 25 0,2 0,1 0,6 17
4 1,4 0,4 1,2 20
5 1,0 0,3 1,0 16
6 0,0 0,1 1,0 37
7 0,6 0,4 0,3 72
8 50 0,2 0,3 0,8 37
9 1,4 0,0 0,6 57
10 1,0 0,2 1,2 44
11 0,0 0,2 0,6 76
12 0,6 0,1 1,2 48
13 75 0,2 0,4 1,0 66
14 1,4 0,3 0,3 82
15 1,0 0,0 0,8 49
16 0,0 0,3 1,2 40
17 0,6 0,0 1,0 76
18 100 0,2 0,2 0,3 105
19 1,4 0,1 0,8 103
20 1,0 0,4 0,6 91
21 0,0 0,4 0,8 60
22 0,6 0,3 0,6 182
23 125 0,2 0,0 1,2 31
24 1,4 0,2 1,0 41
25 1,0 0,1 0,3 165
69
Ðèñ. 13. ×àñòíûå çàâèñèìîñòè âûõîäíîé ïåðåìåííîé îò ôàêòîðîâ, èçìåíÿþùèõ-
ñÿ â õîäå ýêñïåðèìåíòà:
à, á – ñîîòâåòñòâåííî ïåðâûé è âòîðîé ýòàïû îáðàáîòêè äàííûõ
70
îòíîøåíèå ìàññû ïåñêà ê ìàññå öåìåíòà X3 (0,0; 0,1; 0,2; 0,3; 0,4);
îòíîøåíèå ìàññû òðåïåëà ê ìàññå öåìåíòà X4 (0,3; 0,6; 0,8; 1,0;
1,2).
Ïëàí ýêñïåðèìåíòà è ðåçóëüòàòû èçìåðåíèé ïðåäåëà ïðî÷íî-
ñòè ïðè ñæàòèè Y, ÌÏà, ÿâëÿþùèåñÿ óñðåäíåíèåì ðåçóëüòàòîâ
èçìåðåíèé äëÿ òðåõ îáðàçöîâ, ïðèâåäåíû â òàáë. 22.
Íà ïåðâîì ýòàïå ðåøåíèÿ çàäà÷è ïîñòðîåíèÿ óðàâíåíèÿ ìíî-
æåñòâåííîé ðåãðåññèè ïî ìåòîäó Áðàíäîíà ñòðîèì ÷àñòíûå çàâè-
ñèìîñòè âûõîäíîé ïåðåìåííîé îò êàæäîãî èç ôàêòîðîâ è âûáè-
ðàåì ôàêòîð, âëèÿíèå êîòîðîãî íà âûõîäíîé ïîêàçàòåëü íàè-
áîëüøåå (ðèñ. 13, à).
Äëÿ ýòîãî îïðåäåëÿåì ñðåäíåå çíà÷åíèå âûõîäíîé âåëè÷èíû
äëÿ êàæäîãî çíà÷åíèÿ âûõîäíîãî ïàðàìåòðà (òàáë. 23).
Ïî ãðàôèêó (ñì. ðèñ. 13) âèäíî, ÷òî íàèáîëüøåå âëèÿíèå íà
âûõîäíîé ïîêàçàòåëü îêàçûâàåò ïåðâûé ôàêòîð (òåìïåðàòóðà
òâåðäåíèÿ). Íàõîäèì ÷èñëåííîå çíà÷åíèå êîýôôèöèåíòîâ ðåãðåñ-
ñèè ìåòîäîì íàèìåíüøèõ êâàäðàòîâ, ñ÷èòàÿ çàâèñèìîñòü Y =
= f(X1) ëèíåéíîé. Â ðåçóëüòàòå ðàñ÷åòîâ ïîëó÷àåì
Y1 = 0,815X1.
Ïîäñòàâëÿåì â íàéäåííîå óðàâíåíèå îïûòíûå çíà÷åíèÿ X1 è

îïðåäåëÿåì ðàñ÷åòíûå çíà÷åíèÿ Y1ð. Çàòåì äëÿ êàæäîãî îïûòà
íàõîäèì îòíîøåíèå Y/Y1ð è ïîëó÷àåì çíà÷åíèå Y2, íå çàâèñÿùåå
îò X1 (òàáë. 24).
Äàëåå ñòðîèì ÷àñòíûå çàâèñèìîñòè Y2 îò X2, X3 è X4 (òàáë.
25), êîòîðûå ïðèâåäåíû íà ðèñ. 13, á.
Äåëàåì âûâîä î òîì, ÷òî íàèáîëüøåå âëèÿíèå íà Y2 îêàçûâàåò
÷åòâåðòûé ôàêòîð (ìàññà òðåïåëà â òàìïîíàæíîì ðàñòâîðå). Íà-
õîäèì êîýôôèöèåíòû â óðàâíåíèè ðåãðåññèè, ïðèíèìàÿ çàâèñè-
ìîñòü Y2(X4) â âèäå Y2 = a/(X4 + b).
Â ðåçóëüòàòå âû÷èñëåíèé ïîëó÷àåì
Y2 = 1,28/(X4 + 0,55).
Òàáëèöà 23
X1 Y X2 Y X3 Y X4 Y
25 18,5 0 46,2 0 46,2 0,3 88,4
50 49,4 0,2 80,0 0,1 74,0 0,6 84,6
75 64,2 0,6 51,2 0,2 57,6 0,8 54,2
100 83,0 1,0 60,5 0,3 71,4 1,0 47,2
125 95,8 1,4 73,0 0,4 61,7 1,2 36,5
71
Òàáëèöà 24
X1 Y1p Y2 X1 Y1p Y2 X1 Y1p Y2
25 20,38 0,883 50 40,76 0,908 75 61,14 1,243
1,079 1,766 0,785
0,834 0,908 1,079
0,957 1,398 1,341
0,785 1,079 0,801
100 81,5 0,491 125 101,9 0,5879
0,932 1,786
1,288 0,304
1,263 0,402
1116
Òàáëèöà 25
X2 Y2 X3 Y2 X4 Y2
0 0,823 0 0,864 0,3 1,379

0,2 0,883 0,1 1,082 0,6 1,275
0,6 1,270 0,2 1,018 0,8 0,925
1,0 1,080 0,3 1,062 1,0 0,821
1,4 1,072 0,4 1,101 1,2 0,723
Çàòåì ïîâòîðÿåì âñå äåéñòâèÿ è îïðåäåëÿåì ÷àñòíûå çàâèñè-

ìîñòè Y îò X2 è X3. Ïðè ïîñòðîåíèè ãðàôèêîâ áûëî óñòàíîâëåíî,
÷òî èçìåíåíèå ôàêòîðà X3 íå îêàçûâàåò âëèÿíèÿ íà Y0.
Îêîí÷àòåëüíî ïîëó÷åíî ñëåäóþùåå óðàâíåíèå ìíîæåñòâåííîé
ðåãðåññèè:
Y=
{ }
0,65 X1 0,5 exp[−5,8( X 2 − 0,6) 2 ] + 0,8
X 4 + 0,55
c ìåðîé èäåíòè÷íîñòè Q = 0,79 è êîýôôèöèåíòîì ìíîæåñòâåí-

íîé êîððåëÿöèè R = 0,89.
72
Ãëàâà 5
ÎÑÍÎÂÍÛÅ ÑÂÅÄÅÍÈß ÏÎ ÒÅÎÐÈÈ
ÏËÀÍÈÐÎÂÀÍÈß ÝÊÑÏÅÐÈÌÅÍÒÎÂ
Îñíîâîé ñòàòèñòè÷åñêèõ ìåòîäîâ àíàëèçà ñëóæàò íàáëþäåíèÿ.

Â ïîñëåäíèå äåñÿòèëåòèÿ èõ îðãàíèçàöèè â íàóêå óäåëÿåòñÿ îã-
ðîìíîå âíèìàíèå. Ñòàòèñòè÷åñêèå ìåòîäû ïëàíèðîâàíèÿ ýêñïå-
ðèìåíòîâ è îáðàáîòêè ðåçóëüòàòîâ íàáëþäåíèé øèðîêî èñïîëü-
çóþò â òåõíîëîãè÷åñêèõ è íàó÷íûõ èññëåäîâàíèÿõ, îíè ïîçâîëÿ-
þò ïîâûñèòü ýôôåêòèâíîñòü òðóäà íàó÷íî-èíæåíåðíûõ ðàáîòíè-
êîâ, ñîêðàòèòü ñðîêè è çàòðàòû íà èññëåäîâàíèÿ, îáåñïå÷èòü íå-
îáõîäèìóþ äîñòîâåðíîñòü âûâîäîâ ïî ðåçóëüòàòàì íàáëþäåíèé.
Ñîâðåìåííûé ïîäõîä òðåáóåò ñîîòâåòñòâóþùåãî ïëàíèðîâàíèÿ
ýêñïåðèìåíòîâ â çàâèñèìîñòè îò öåëåé è âîçìîæíîñòåé èññëåäî-
âàíèÿ. Îñîáåííî øèðîêèå âîçìîæíîñòè äëÿ âíåäðåíèÿ ìåòîäîâ
ïëàíèðîâàíèÿ ýêñïåðèìåíòîâ îòêðûâàþòñÿ â ñâÿçè ñ ïîÿâëåíèåì
âûñîêîýôôåêòèâíûõ ÝÂÌ è àâòîìàòèçèðîâàííûõ ñèñòåì óïðàâ-
ëåíèÿ.
Ïëàíèðîâàíèå ýêñïåðèìåíòîâ ñòàâèò ñâîåé öåëüþ âûáîð ÷èñ-
ëà è óñëîâèé ïðîâåäåíèÿ îïûòîâ, êîòîðûå ñ íåîáõîäèìîé òî÷íî-
ñòüþ ïîçâîëèëè áû ðåøèòü ïîñòàâëåííóþ ýêñïåðèìåíòàòîðîì
çàäà÷ó. Ïðè ýòîì åñòåñòâåííûì òðåáîâàíèåì ÿâëÿåòñÿ âîçìîæíîå
ñîêðàùåíèå îáùåãî ÷èñëà îïûòîâ.
Ìåòîäû òîðèè ïëàíèðîâàíèÿ ýêñïåðèìåíòîâ ìîæíî èñïîëüçî-
âàòü ïðè ðåøåíèè ñàìûõ ðàçíîîáðàçíûõ çàäà÷, íî óêðóïíåííî èõ
ìîæíî ðàçäåëèòü íà äâà îñíîâíûõ âèäà:
èññëåäîâàíèÿ, ñâÿçàííûå ñ èçó÷åíèåì ìåõàíèçìà ÿâëåíèé;
ýêñïåðèìåíòàëüíûé ïîèñê îïòèìàëüíûõ â êàêîì-òî óñòàíîâ-
ëåííîì ñìûñëå óñëîâèé, èëè çàäà÷è îïòèìèçàöèè.
Ïðè ðåøåíèè óêàçàííûõ çàäà÷ â áóðåíèè èíæåíåð íà íà÷àëü-
íîé ñòàäèè ýêñïåðèìåòèðîâàíèÿ îáû÷íî îêàçûâàåòñÿ â ñèòóàöèè,
êîãäà ÷èñëî âîçäåéñòâóþùèõ íà èçó÷àåìûå ïðîöåññû ôàêòîðîâ
çíà÷èòåëüíî, è íåîáõîäèìî âûäåëèòü ñóùåñòâåííûå äëÿ êîíêðåò-
íîé çàäà÷è ïåðåìåííûå. Ìåòîäû ïëàíèðîâàíèÿ ýêñïåðèìåíòîâ â
ýòîì ñëó÷àå ìîãóò ïðåäëîæèòü ðàçëè÷íûå ïëàíû îòñåèâàþùèõ
ýêñïåðèìåíòîâ, êîòîðûå ïðåäíàçíà÷åíû äëÿ îöåíêè âëèÿíèÿ îò-
äåëüíûõ ôàêòîðîâ è èõ ñî÷åòàíèé íà èçó÷àåìûé ïðîöåññ. Îáû÷-
íî îòñåèâàþùèå ýêñïåðèìåíòû ïðåäøåñòâóþò ðåøåíèþ îáåèõ
73
îáùèõ çàäà÷, òàê êàê áåç ïðåäâàðèòåëüíîãî îòñåâà ìàëîçíà÷àùèõ
ôàêòîðîâ ðåøåíèå ïîñëåäíèõ âåñüìà ñëîæíî, à çà÷àñòóþ ïðîñòî
íåðåàëèçóåìî èç-çà ñëèøêîì áîëüøîãî ÷èñëà âîçìîæíûõ óñëî-
âèé âûïîëíåíèÿ ýêñïåðèìåíòîâ.
Ïðè ïðîâåäåíèè ëþáîãî ýêñïåðèìåíòà èññëåäîâàòåëþ íåîáõî-
äèìî îïðåäåëèòü ëîêàëüíóþ îáëàñòü èçìåíåíèÿ óïðàâëÿåìûõ â
îïûòå ôàêòîðîâ, ò.å. îáëàñòü ýêñïåðèìåíòèðîâàíèÿ. Ïðè ýòîì
ñëåäóåò èìåòü â âèäó, ÷òî ôàêòîðû èçìåíÿþòñÿ îáû÷íî äèñêðåò-
íûì îáðàçîì ïî óðîâíÿì, ïîýòîìó âûáîð îáëàñòè ýêñïåðèìåíòè-
ðîâàíèÿ âêëþ÷àåò äâà ýòàïà:
âûáîð îñíîâíîãî óðîâíÿ;
âûáîð èíòåðâàëà âàðüèðîâàíèÿ è ÷èñëà óðîâíåé êàæäîãî èç
ôàêòîðîâ.
Ïåðâûé çàâèñèò îò çàäà÷ ýêñïåðèìåíòèðîâàíèÿ. Ïðè èçó÷åíèè
ìåõàíèçìà ÿâëåíèé â îòñåèâàþùèõ ýêñïåðèìåíòàõ çà îñíîâíîé,
èëè íóëåâîé, óðîâåíü ôàêòîðîâ ïðèíèìàþò öåíòð â ôàêòîðíîì
ïðîñòðàíñòâå äîïóñòèìîé îáëàñòè ïðîòåêàíèÿ ïðîöåññîâ. Òàê,
åñëè èññëåäóþò âëèÿíèå íà ïîêàçàòåëè ñâîéñòâ ñìåñè òåìïåðàòó-
ðû X1, ìàññû ïîíèçèòåëÿ âîäîîòäà÷è X2 è ðåãóëÿòîðà ñðîêà ñõâà-
òûâàíèÿ X3, êîòîðûå ñîîòâåòñòâåííî äëÿ ðàññìàòðèâàåìîãî òèïà
âÿæóùåãî òàìïîíàæíîé ñìåñè ìîãóò ñîîòâåòñòâåííî èçìåíÿòüñÿ
â ïðåäåëàõ 20… 100 °Ñ, 0,5… 1,5 % è 0,2… 0,8 % îò ìàññû âÿæóùåãî,
òî çà íóëåâûå óðîâíè áóäóò ïðèíÿòû X10 = 60 °Ñ; X20 = 1,0 % è
X3 = 0,5 %, ò.å. öåíòð ýêñïåðèìåíòèðîâàíèÿ â òðåõìåðíîì ïðî-
ñòðàíñòâå èçìåíåíèÿ ôàêòîðîâ èìååò êîîðäèíàòû (60 °Ñ, 1 %,
0,5 %).
Ïîä èíòåðâàëîì âàðüèðîâàíèÿ J ôàêòîðà ïîíèìàåòñÿ íåêîòî-
ðîå ÷èñëî (ñâîå äëÿ êàæäîãî ôàêòîðà), ïðèáàâëåíèå (èëè âû÷è-
òàíèå) êîòîðîãî ê íóëåâîìó èëè ëþáîìó äðóãîìó óðîâíþ åãî
äàåò ñîñåäíèé óðîâåíü.
Çíà÷åíèå èíòåðâàëà âàðüèðîâàíèÿ âûáèðàþò èñõîäÿ íà ñëå-
äóþùèõ îãðàíè÷åíèé: îí äîëæåí áûòü áîëüøå îøèáêè ôèêñèðî-
âàíèÿ ôàêòîðà, òàê êàê èíà÷å óðîâíè íå áóäóò ðàçëè÷èìû, íî íå
íàñòîëüêî âåëèê, ÷òîáû çà ÷èñëî øàãîâ, ìåíüøåå ïðèíÿòîãî,
íèæíèé èëè âåðõíèé óðîâåíü èçìåíåíèÿ ôàêòîðà íå îêàçàëñÿ çà
ïðåäåëàìè îáëàñòè ýêñïåðèìåíòèðîâàíèÿ.
Äëÿ ïðèâåäåííîãî âûøå ïðèìåðà ïî èçó÷åíèþ ñâîéñòâ òàìïî-
íàæíîãî ðàñòâîðà, åñëè èçìåðåíèå òåìïåðàòóðû âîçìîæíî ñ òî÷-
íîñòüþ ±5 °Ñ è ýêñïåðèìåíòàòîð ïðåäïîëàãàåò ðàññìîòðåòü ÷åòû-
ðå-ïÿòü óðîâíåé èçìåíåíèÿ òåìïåðàòóðû, èíòåðâàë âàðüèðîâàíèÿ
ñëåäóþùèé (â °Ñ):
10 ≤ J1 ≤ 16;
çäåñü ïðåäåë ñïðàâà îïðåäåëåí èç óñëîâèÿ (100−20)/5 = 16 °Ñ.
74
Ïðè ïîñòðîåíèè ïëàíîâ ïðîâåäåíèÿ ýêñïåðèìåíòîâ èç ñîîá-
ðàæåíèé óäîáñòâ ïîñëåäóþùèõ äåéñòâèé ìîæíî èñïîëüçîâàòü äâà
ñïîñîáà êîäèðîâàíèÿ óðîâíåé ôàêòîðîâ. Â ïåðâîì ñëó÷àå îñíîâ-
íîé óðîâåíü ôàêòîðà îáîçíà÷àåòñÿ íóëåì, à ñîñåäíèå − öèôðàìè
−1 è +1. Âî âòîðîì ñëó÷àå óðîâíè êîäèðóþòñÿ ïîðÿäêîâûì îáðà-
çîì, íà÷èíàÿ ñ åäèíèöû, ò.å. â ïåðâîì ñëó÷àå äëÿ ôàêòîðà X1 â
ðàññìàòðèâàåìîì ïðèìåðå ïðè ïÿòè óðîâíÿõ èçìåíåíèÿ èìååì
êîäû Kij, ðàâíûå −2; −1; 0; +1; +2, à âî âòîðîì −1; 2; 3; 4; 5.
Äëÿ ïåðâîãî ñïîñîáà êîäèðîâàíèÿ
Xij = Xi0 + Kij Ji. (134)
Ñîãëàñíî ýòîé ôîðìóëå, ïðè X10 = 60 °Ñ è J1 = 15 °Ñ äëÿ êî-
äèðîâàííûõ è íàòóðàëüíûõ çíà÷åíèé èìååì ñëåäóþùèå óðîâíè:
K1, −2 = −2, X1, −2 = 60 + (−2)15 = 30 °Ñ;
K1, −1 = −1, X1, −1 = 60 + (−1)15 = 45 °Ñ;
K1, 0 = 0, X1, 0 = 60 + 0⋅15 = 60 °Ñ;
K1, 1 = +1, X1, 1 = 60 + 1⋅15 = 75 °Ñ;
K1, 2 = +2, X1, 2 = 60 + 2⋅15 = 90 °Ñ.
Äëÿ âòîðîãî ñïîñîáà êîäèðîâàíèÿ, ïðèíèìàÿ âî âíèìàíèå, ÷òî
X10 = X13 è K10 = K13 = 3, òàê êàê íóëåâîé óðîâåíü èìååò êîä 3,
ñîãëàñíî ôîðìóëå
Xij = Xi0 + (Kij − Ki0)Ji, (135)
ïîëó÷àåì
K11 = 1, X11 = 60 + (1−3)15 = 30 °Ñ;
K12 = 2, X12 = 60 + (2−3)15 = 45 °Ñ;
K13 = 3, X13 = 60 + (3−3)15 = 60 °Ñ;
K14 = 4, X14 = 60 + (4−3)15 = 75 °Ñ;
K15 = 5, X15 = 60 + (5−3)15 = 90 °Ñ.
Îòìåòèì, ÷òî â îáùåì ñëó÷àå äëÿ ïðîìåæóòî÷íûõ çíà÷åíèé
èçìåíåíèÿ ôàêòîðîâ ìîæíî èñïîëüçîâàòü äðîáíûå êîäû, ò.å. òà-
êèå, êàê −1,5; −0,5; 2,5 èëè 1,5; 3,5 è äð. Ïðè ýòîì íàòóðàëüíûå
çíà÷åíèÿ äëÿ ïîäîáíûõ êîäîâ áóäóò âû÷èñëåíû ïî îäíîé èç
ôîðìóë, ïðèâåäåííûõ âûøå.
Ïðåæäå ÷åì ïðèñòóïèòü ê ðàññìîòðåíèþ ïëàíîâ ïðîâåäåíèÿ
ýêñïåðèìåíòîâ, ââåäåì ïîíÿòèåì ìàòðèöû ïëàíèðîâàíèÿ ýêñïå-
ðèìåíòîâ, ðåçóëüòàòîâ íàáëþäåíèé, êîòîðóþ â îáùåì ñëó÷àå
ìîæíî ïðåäñòàâèòü â âèäå òàáë. 26.
Â ãðàôó Yi â ìàòðèöå ïëàíèðîâàíèÿ ýêñïåðèìåíòîâ ïðè íàëè-
÷èè ïîâòîðíûõ èçìåðåíèé âíîñÿò âñå ïîëó÷åííûå ðåçóëüòàòû
íàáëþäåíèé.
75
Òàáëèöà 26
Çíà÷åíèå ôàêòîðà â êîäèðîâàí- Çíà÷åíèå èçìåðÿåìîãî ïîêàçàòå-
Íîìåð íîì âèäå ëÿ
îïûòà
X1 X2 X3 … Xn Y1 Y2 Y3 … Yn
1 1 2 3 …. 1 Y11 Y21 Y31 … Ym1
2 3 4 2 …. 2 Y12 Y22 Y32 … Ym2
3 5 1 5 …. 4 Y13 Y23 Y33 … Ym3
. . . . …. . . . . … .
. . . . …. . . . . … .
. . . . …. . . . . … .
k 3 4 2 …. 3 Y1k Y2k Y3k … Ymk
Â èññëåäîâàíèÿõ, íàïðàâëåííûõ íà èçó÷åíèå ìåõàíèçìà ÿâëå-

íèé, îäíà èç îñíîâíûõ òðóäíîñòåé − ó÷åò áîëüøîãî ÷èñëà ôàêòî-
ðîâ, âëèÿþùèõ íà îáúåêò íàáëþäåíèÿ â ðåàëüíûõ ïðîöåññàõ. Ïðè
èçó÷åíèè ñëîæíûõ ïðîöåññîâ îáû÷íî òðóäíî çàðàíåå îïðåäåëèòü,
êàêèå èç ôàêòîðîâ íàèáîëåå ñóùåñòâåííûå. Çàäà÷à ñîñòîèò â òîì,
÷òîáû, èñïîëüçóÿ íàäåæíûå êîëè÷åñòâåííûå ìåòîäû, âûäåëèòü
ñóùåñòâåííûå ôàêòîðû, íà áàçå êîòîðûõ ìîæíî ïîñòðîèòü äîñòà-
òî÷íî àäåêâàòíóþ ïðîöåññó ìàòåìàòè÷åñêóþ ìîäåëü. Äëÿ ýòèõ
öåëåé áûëè ðàçðàáîòàíû ñïåöèàëüíûå ïðèåìû ïëàíèðîâàíèÿ
ýêñïåðèìåíòîâ, êîòîðûå ïðè íàëè÷èè ðÿäà ïðåäïîñûëîê ïîçâî-
ëÿþò ñ ïîìîùüþ íåáîëüøîãî ÷èñëà ñïåöèàëüíî îðãàíèçîâàííûõ
ýêñïåðèìåíòîâ âûÿâèòü íàèáîëåå ñóùåñòâåííûå ôàêòîðû.
Ïðåæäå ÷åì ïðèñòóïèòü ê ðàññìîòðåíèþ ìåòîäîâ ïëàíèðîâà-
íèÿ ýêñïåðèìåíòîâ äëÿ îòñåèâàíèÿ íåñóùåñòâåííûõ ôàêòîðîâ,
ðàññìîòðèì íåêîòîðûå íåîáõîäèìûå ïîëîæåíèÿ.
Åñòåñòâåííîå ñòðåìëåíèå ýêñïåðèìåíòàòîðà íàèáîëåå ïîëíî
îõâàòèòü âîçìîæíûå êîìáèíàöèè ôàêòîðîâ ïðè èçó÷åíèè òåõ
èëè èíûõ ïðîöåññîâ ïðèâåëî ê êëàññè÷åñêîé ñõåìå ïðîâåäåíèÿ
îïûòîâ, êîòîðàÿ çàêëþ÷àåòñÿ â âàðüèðîâàíèè êàæäîãî èç ôàêòî-
ðîâ ïðè çàêðåïëåííûõ çíà÷åíèÿõ âñåõ îñòàëüíûõ. Â ýòîì ñëó÷àå
ãîâîðÿò, ÷òî îñóùåñòâëåí ïîëíûé ôàêòîðíûé ýêñïåðèìåíò (ÏÔÝ).
Ïðè ýòîì, åñëè ôàêòîðû X1, X2, … , Xk èìåþò ñîîòâåòñòâåííî n1,
n2, … , nk óðîâíåé âàðüèðîâàíèÿ, íåîáõîäèìî ïðîâåñòè n1, n2, … , nk
îïûòîâ, ÷òî â îñíîâíîé ìàññå ñëó÷àåâ îêàçûâàåòñÿ íåðåàëèçóå-
ìûì, òàê êàê ïðè ïÿòè ôàêòîðàõ è ÷èñëå óðîâíåé, ðàâíîì ñîîò-
âåòñòâåííî 4, 5, 4, 3, 5, èìååì N = 4⋅5⋅4⋅3⋅5 = 1200 îïûòîâ áåç
ó÷åòà íåîáõîäèìûõ ïîâòîðåíèé â öåëÿõ ó÷åòà âîñïðîèçâîäèìîñòè.
Íà ïåðâîé ñòàäèè èññëåäîâàíèé, ðóêîâîäñòâóÿñü ñîîáðàæå-
íèÿìè î ëèíåéíîñòè âîçäåéñòâèÿ ôàêòîðîâ íà èçó÷àåìóþ âåëè-
÷èíó, ôàêòîðû ÷àñòî âàðüèðóþò íà äâóõ óðîâíÿõ − âåðõíåì (+) è
íèæíåì (−). Â ýòîì ñëó÷àå êëàññè÷åñêèå ïëàíû íàçûâàþò ïîë-
íûìè ôàêòîðíûìè ïëàíàìè òèïà 2n, ãäå n − ÷èñëî ôàêòîðîâ.
Òàáë. 27, 28 èëëþñòðèðóþò ïîëíûå ôàêòîðíûå ïëàíû òèïà 22 è
76
Òàáëèöà 27
Íîìåð îïûòà X0 X1 X2 Y
1 + + + Y1
2 + + − Y2
3 + − + Y3
4 + − + Y4
23, äëÿ êîòîðûõ îáùåå ÷èñëî ýêñïåðèìåíòîâ ñîîòâåòñòâåííî N =

= 4 è N = 8.
Îòìåòèì, ÷òî ïîëíûå ôàêòîðíûå ïëàíû îáëàäàþò ñëåäóþùè-
ìè âàæíûìè ñâîéñòâàìè:
1) ñèììåòðè÷íîñòü îòíîñèòåëüíî öåíòðà èëè îñíîâíîãî óðîâ-
íÿ, ò.å.
N
∑ X ij = 0; (136)
j =1
2) óñëîâèå íîðìèðîâàíèÿ ïðè êîòîðîì ñóììà êâàäðàòîâ ýëå-

ìåíòîâ êàæäîãî ñòîëáöà ðàâíà ÷èñëó îïûòîâ, ò.å.
N
∑ (X ij )2 = N ; (137)
j =1
3) îðòîãîíàëüíîñòü äëÿ ëþáîé ïàðû ôàêòîðîâ, ò.å.

N
∑ X ij X kj = 0; (138)
j =1
4) ðîòîòàáåëüíîñòü, õàðàêòåðèçóþùàÿñÿ îäèíàêîâîé òî÷íî-

ñòüþ ïðåäñêàçàíèÿ çíà÷åíèÿ âûõîäíîé ïåðåìåííîé Y íà ðàâíîì
ðàññòîÿíèè îò öåíòðà ýêñïåðèìåíòà íåçàâèñèìî îò íàïðàâëåíèÿ.
Äëÿ ìàòðèöû 22 (ñì. òàáë. 27):
4
1) ∑ X1 j = +1 + 1 − 1 − 1 = 0;
j =1
4
2) ∑ (X1 j )2 = +1 + 1 + 1 + 1 = 4;
j =1
Òàáëèöà 28
Íîìåð îïûòà X0 X1 X2 X3 Y
1 + + + + Y1
2 + + − + Y2
3 + − + + Y3
4 + − – + Y4
5 + − + − Y5
6 + − − − Y6
7 + + + − Y7
8 + + − − Y8
77
4
3) ∑ (X1 j X 2 j ) = (+1) + (+1) + (+1)(−1) + (−1)(−1) + (−1)(+1) = 0.
j =1
Ïðèâåäåííûå ðàññóæäåíèÿ íå ðàñïðîñòðàíÿþòñÿ íà èñêóññò-

âåííî ââåäåííûé (ôèêòèâíûé) ôàêòîð X0, êîòîðûé íåîáõîäèì
äëÿ ïîñëåäóþùåé îáðàáîòêè ðåçóëüòàòîâ ýêñïåðèìåíòà â öåëÿõ
ïîñòðîåíèÿ ìàòåìàòè÷åñêîé ìîäåëè.
Ââèäó òîãî, ÷òî ïðåäïîëàãàëñÿ ëèíåéíûé âèä ìîäåëè ïðè âû-
áîðå óðîâíåé âàðüèðîâàíèÿ, ïîèñê ìîäåëè îãðàíè÷èì âèäîì
k
Y = a0 + ∑ a1X i . (139)
i =1
Îäíèì èç îñíîâíûõ ìåòîäîâ îáðàáîòêè ðåçóëüòàòîâ íàáëþäå-

íèé, êîòîðûé áîëåå 150 ëåò íàçàä áûë ïðåäëîæåí è ðàçâèò Ãàóñ-
ñîì è Ëåæàíäðîì, ÿâëÿåòñÿ ìåòîä íàèìåíüøèõ êâàäðàòîâ
(ÌÍÊ). Ñóòü åãî ñîñòîèò â òîì, ÷òî ïðè èçâåñòíîì âèäå ìîäåëè
òðåáóåòñÿ îïðåäåëèòü êîýôôèöèåíòû ìîäåëè, êîòîðûå îáåñïå÷è-
ëè áû ìèíèìóì ñóììû êâàäðàòîâ îòêëîíåíèé îò äåéñòâèòåëüíûõ
çíà÷åíèé. Â ðàññìàòðèâàåìîì ñëó÷àå íåîáõîäèìî îïðåäåëèòü òà-
êèå a0 è ai, êîòîðûå óäîâëåòâîðèëè áû óñëîâèþ
N
∑ (Y jý − Y jð )2 → min,
j =1
èëè
N k
∑ (Y jý − a0 − ∑ ai X ij )2 → min,
j =1 i =1
ãäå Yjý è Yjð − ñîîòâåòñòâåííî ýêñïåðèìåíòàëüíûå è ðàñ÷åòíûå

çíà÷åíèÿ âûõîäíîé ïåðåìåííîé.
Îïðåäåëÿÿ ïåðâóþ ïðîèçâîäíóþ (÷àñòíóþ) îò ïîñëåäíåãî âû-
ðàæåíèÿ ïî a0, a1, … , ak, ïîëó÷àåì ñëåäóþùóþ ñèñòåìó íîðìàëü-
íûõ óðàâíåíèé äëÿ ëèíåéíîé ìîäåëè:
 N N N N
 Na 0 + a 1 ∑ X1 j + a2 ∑ X 2 j + ... + a k ∑ X kj = ∑ Y jý ;
j =1 j =1 j =1 j =1

 N N N N N
a0 ∑ j =1
X1 j + a1 ∑ X12j + a2 ∑ X1 j X 22 j + ... + ak ∑ X1 j X kj = ∑ X1 jY jý ;
j =1 j =1 j =1 j =1

a N N N N N
 0∑
X 2 j + a1 ∑ X1 j X 2 j + a2 ∑ X 22 j + ... + ak ∑ X 2 j X kj = ∑ X 2 jY jý ; (140)
j =1 j =1 j =1 j =1 j =1

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
 N N N N
a0 ∑ X kj + a1 ∑ X1 j X kj + a2 ∑ X 2 j X kj + ... + ak ∑ X kj2 = ∑ X kjY jý ,
 j =1 j =1 j =1 j =1
78
êîòîðàÿ âñåãäà ñîäåðæèò k + 1 óðàâíåíèé, ÷òî ïîçâîëÿåò îïðåäå-
ëèòü âñå íåèçâåñòíûå a0, a1, a2, … , ak ïðè íàëè÷èè k + 1 ýêñïåðè-
ìåíòà.
Ïðèâåäåííûå âûøå ñâîéñòâà ïëàíîâ 2k ñóùåñòâåííî óïðîùà-
þò íàõîæäåíèå îöåíîê íåèçâåñòíûõ êîýôôèöèåíòîâ â ìàòåìàòè-
÷åñêîé ìîäåëè, òàê êàê ïðè
N N N
∑ X ij = 0; ∑ (X ij )2 = N ; ∑ X ij X rj = 0
j =1 j =1 j =1
ñèñòåìà äëÿ i > 0 óïðîùàåòñÿ è ïîçâîëÿåò âåñüìà ïðîñòî îïðåäå-

ëèòü a0, a1, a2, … , ak:
 N
 1 N
 Na 0 = ∑ X 0 jY jý ;  a0 = ∑ X0 jY jý ;
j =1 N j =1
 
 N
 1 N
 Na 1 = ∑ X1 jY jý ;  a1 = ∑ X1 jY jý ;
j =1 N j =1
 
 N
 1 N
 Na2 = ∑ X 2 jY jý ; èëè a2 = ∑ X 2 jY jý ;
 j =1
 N j =1 (141)
. . . . . . . . . . . . . . . . . . . . . . . . . .
 N

 Na = X Y a = 1 N X Y ,
 k ∑ kj jý
 k N ∑ kj jý
j =1 j =1
 
 
ãäå k − ÷èñëî ïåðåìåííûõ â ìîäåëè.
Ïîìèìî îïðåäåëåíèÿ êîýôôèöèåíòîâ ìàòåìàòè÷åñêîé ìîäåëè
îáðàáîòêà ðåçóëüòàòîâ íàáëþäåíèé ïîäðàçóìåâàåò îöåíêó çíà÷è-
ìîñòè êîýôôèöèåíòîâ ìîäåëè è ïðîâåðêó àäåêâàòíîñòè ìîäåëè â
öåëîì.
Äëÿ ýòèõ öåëåé èñïîëüçóåòñÿ ïîíÿòèå îá îøèáêå âîñïðîèçâî-
äèìîñòè ýêñïåðèìåíòîâ, êîòîðóþ óñòàíàâëèâàþò â ñïåöèàëüíûõ
îïûòàõ, îáû÷íî m-êðàòíî ïðîâîäèìûõ (3- èëè 4-êðàòíûå ïîâòî-
ðåíèÿ) â íóëåâîé òî÷êå ïëàíà. Ýòè ýêñïåðèìåíòû ïîçâîëÿþò âû-
÷èñëèòü äèñïåðñèþ âîïðîèçâîäèìîñòè.
1 m
Dâîñ = ∑ (Y0q − Y0 )2 , (142)
m −1 q =1
ãäå Y0q è Y0 − ñîîòâåòñòâåííî q-e è ñðåäíåå ïî m èçìåðåíèÿì

çíà÷åíèÿ âûõîäíîé ïåðåìåííîé â íóëåâîé òî÷êå.
Ïðè íàëè÷èè ïîâòîðíûõ íàáëþäåíèé âî âñåõ îïûòàõ ìàòðèöû
ïëàíèðîâàíèÿ ýêñïåðèìåíòîâ äîïîëíèòåëüíûõ íàáëþäåíèé â íó-
79
ëåâîé òî÷êå ìîæíî íå ïðîâîäèòü. Ïðè ýòîì äèñïåðñèþ âîñïðîèç-
âîäèìîñòè
1 N mj
Dâîñ = ∑ ∑ (Y jq − Y j )2 , (143)
N (m − 1) j =1 q =1
ãäå mj − ÷èñëî ïîâòîðíûõ íàáëþäåíèé â êàæäîì j-ì ýêñïåðè-

ìåíòå.
Ïðè íåîäèíàêîâîì ÷èñëå ïîâòîðíûõ íàáëþäåíèé â ðàçëè÷íûõ
ñðîêàõ ïëàíà ïðîâåäåíèÿ ýêñïåðèìåíòà äèñïåðñèþ âîïðîèçâîäè-
ìîñòè íàõîäÿò ïî ôîðìóëå
1 N mj
Dâîñ = N ∑ ∑ (Y jq − Y j )2 . (144)
∑ (m j − 1) j =1 q =1
j =1
Ôîðìóëû (142)−(144) ìîæíî èñïîëüçîâàòü â ïðåäïîëîæåíèè

îá îäíîðîäíîñòè äèñïåðñèè âîñïðîèçâîäèìîñòè â ðàçíûõ òî÷êàõ
ôàêòîðíîãî ïðîñòðàíñòâà (â ïëàíå ýêñïåðèìåíòà ýòî ñòðîêè ìàò-
ðèöû ïëàíèðîâàíèÿ), ïðîâåðèòü êîòîðóþ ìîæíî ñ ïîìîùüþ êðè-
òåðèÿ Êîõðåíà èëè Áàðòëåòòà (ñì. ãë. 3). Â ñëó÷àå íàðóøåíèÿ
óêàçàííîãî ïðåäïîëîæåíèÿ ñóùåñòâóþò îïðåäåëåííûå ïîäõîäû
äëÿ îñóùåñòâëåíèÿ àíàëèçà ïîëó÷åííûõ íàáëþäåíèé, íî ýòî äîñ-
òàòî÷íî ñëîæíûå è ñïåöèôè÷åñêèå çàäà÷è, è äëÿ èõ ðåøåíèÿ íå-
îáõîäèìî îáðàùàòüñÿ ê ñïåöèàëüíîé ëèòåðàòóðå èëè, ÷òî ëó÷øå,
ê ñïåöèàëèñòó ïî ñòàòèñòè÷åñêîìó àíàëèçó ðåçóëüòàòîâ íàáëþäå-
íèé.
Ïðè íàëè÷èè äèñïåðñèè âîñïðîèçâîäèìîñòè îïðåäåëÿþò äèñ-
ïåðñèþ êîýôôèöèåíòîâ ìàòåìàòè÷åñêîé ìîäåëè
1
σa = σâîñ , (145)
N
ïî êîòîðîé îöåíèâàþò çíà÷èìîñòü êîýôôèöèåíòîâ ñ ïîìîùüþ

êðèòåðèÿ Ñòüþäåíòà:
a1 / σa ≥ t òàá ; (146)
ïðè ýòîì òàáëè÷íîå çíà÷åíèå tòàá óñòàíàâëèâàþò äëÿ âûáðàííîãî

óðîâíÿ çíà÷èìîñòè (îáû÷íî P = 0,95) è ÷èñëà ñòåïåíåé ñâîáîäû
N
f = m – 1, f = N(m – 1) èëè f = ∑ (m j − 1) â çàâèñèìîñòè îò ñïî-
j =1
ñîáà îïðåäåëåíèÿ äèñïåðñèè âîñïðîèçâîäèìîñòè. Åñëè ïðèâåäåí-

íîå íåðàâåíñòâî íàðóøàåòñÿ, òî êîýôôèöèåíò íåçíà÷èì.
80
Ïîãðåøíîñòü âû÷èñëåíèÿ êîýôôèöèåíòîâ ìàòåìàòè÷åñêîé
ìîäåëè èëè äîâåðèòåëüíûé èíòåðâàë ïîñëåäíèõ
∆ai = ± t σa ; (147)
ai − t σa ≤ a% i ≤ ai + t σa , (148)
ãäå a% i − îöåíêà êîýôôèöèåíòà.

Àäåêâàòíîñòü ïîñòðîåííîé ìîäåëè ïðîâåðÿþò ïî êðèòåðèþ
Ôèøåðà ñîãëàñíî ñîîòíîøåíèþ
Dîñò
≤ Fòàá , (149)
Dâîñ
ãäå
N
∑ (Y jp − Y jý )
j =1
Dîñò = , (150)
(N − k − 1)
ÿâëÿåòñÿ äèñïåðñèåé àäåêâàòíîñòè, à òàáëè÷íîå çíà÷åíèå F-

êðèòåðèÿ îïðåäåëÿþò äëÿ âûáðàííîãî óðîâíÿ çíà÷èìîñòè (îáû÷-
íî P = 0,95) è ÷èñåë ñòåïåíåé ñâîáîäû f1 = N − k − 1 è f2 =
N
= m − 1, f2 = N(m − 1) èëè f2 = ∑ (m j − 1) â çàâèñèìîñòè îò ñïîñî-
j =1
áà îïðåäåëåíèÿ äèñïåðñèè âîñïðîèçâîäèìîñòè. Åñëè ïðèâåäåííîå

íåðàâåíñòâî íàðóøàåòñÿ, òî ìîäåëü ñ÷èòàþò íåàäåêâàòíîé è íå-
îáõîäèì ïåðåõîä ê áîëåå ñëîæíîé ìîäåëè.
Ïðèìåð 5. Â öåëÿõ îïðåäåëåíèÿ íåîáõîäèìîé äîëè çàìåäëè-
òåëÿ ñðîêà ñõâàòûâàíèÿ X1, % îò âÿæóùåãî, òàìïîíàæíîãî ðàñ-
òâîðà â ïîðòëàíäöåìåíòíîé ñìåñè ïðè òåìïåðàòóðå X2 â äèàïàçî-
íå 100… 120 °Ñ áûë ñïëàíèðîâàí ýêñïåðèìåíò 22 äëÿ ïîñòðîåíèÿ
ëèíåéíîé ìàòåìàòè÷åñêîé ìîäåëè ñ âðåìåíåì ñõâàòûâàíèÿ Y,
ìèí (òàáë. 29, 30).
Äëÿ ëèíåéíîé ìîäåëè âèäà
Y = a0 + a1 X1 + a2 X 2
Òàáëèöà 29
Óðîâåíü ôàêòîðîâ Èíòåðâàë
Ôàêòîð âàðüèðîâàíèÿ
−1 0 +1
X1 0,10 0,20 0,30 0,10
X2 100 110 120 10
81
Òàáëèöà 30
Íîìåð ýòàïà X0 X1 X2 Y3 Yp
1 +1 −1 −1 60 67,0
2 +1 +1 −1 100 93,0
3 +1 −1 +1 30 23,0
4 +1 +1 +1 42 49,0
5 0 0 0 60 58,0
6 0 0 0 53 58,0
7 0 0 0 57 58,0
èìååì ñëåäóþùèå çíà÷åíèÿ êîýôôèöèåíòîâ ïî ðåçóëüòàòàì ïåð-

âûõ ÷åòûðåõ ýêñïåðèìåíòîâ:
1 1
a0 = (Y 1 + Y 2 + Y 3 + Y 4 ) = (60 + 100 + 30 + 42) = 58, 0;
4 4
1
a1 = [(−1)60 + (+1)100 + (−1)30 + (+1)42] = 13, 0;
4
1
a2 = [(−1)60 + (+1)100 + (+1)30 + (+1)42] = −22, 0.
4
Ñëåäîâàòåëüíî, ïîëó÷åíî óðàâíåíèå ðåãðåññèè â íîðìèðîâàí-

íûõ ïåðåìåííûõ X1 è X2
Y = 58 + 13, 0X 1 − 22, 0X 2 .
Äëÿ îöåíêè çíà÷èìîñòè êîýôôèöèåíòîâ è àäåêâàòíîñòè ìîäå-
ëè áûëè ïðîâåäåíû òðè ýêñïåðèìåíòà â íóëåâîé òî÷êå. Â ìàòðè-
öå ïëàíèðîâàíèÿ (ñì. òàáë. 30) ïðèâåäåíû ðåçóëüòàòû âñåõ ýêñ-
ïåðèìåíòîâ è ðàñ÷åòíûå çíà÷åíèÿ âðåìåíè íà÷àëà ñõâàòûâàíèÿ
Yp ñîãëàñíî ìàòåìàòè÷åñêîé ìîäåëè. Òàê, äëÿ ïåðâîãî îïûòà
Yp = 58 + 13, 0(−1) − 22, 0(−1) = 67, 0.
Äèñïåðñèþ âîñïðîèçâîäèìîñòè ìîæíî âû÷èñëèòü ïî ðåçóëü-
òàòàì ïîñëåäíèõ òðåõ ýêñïåðèìåíòîâ:
1  60 + 53 + 57 
2
 60 + 53 + 57 
2
Dâîñ =  60 −  +  55 −  +
3 − 1  3   3 

 60 + 53 + 57 
2

+  55 −   = 12, 4;
 3  
D âîñ = 8, 33; σâîñ ≈ 3, 5.

Äèñïåðñèÿ êîýôôèöèåíòîâ
82
1 1
σa = σâîñ = 3, 5 = 1, 75.
N 4
Äëÿ îöåíêè êîýôôèöèåíòîâ ïðèíèìàåì P = 0,95, ÷åìó ñîîò-
âåòñòâóåò çíà÷åíèå t = 4,3 ïðè ÷èñëå ñòåïåíåé ñâîáîäû
f = m − 1 = 3 − 1 = 2.
Òîãäà
a0 / σa = 58, 0 / 1, 75 > 4, 30; a1 / σa = 13, 0 / 1, 75 > 4, 30;
a2 / σa = 22, 0 / 1, 75 > 4, 30.
Cëåäîâàòåëüíî, âñå êîýôôèöèåíòû çíà÷èìû, è óðàâíåíèå ðåã-
ðåññèè èìååò âèä
Y = 58, 0 + 13, 0 X1 − 22, 0 X 2 ,
èëè â íàòóðàëüíûõ ïåðåìåííûõ X% 1 è X% 2
X% 1 − 0, 2 X% − 110
Y = 58, 0 + 13, 0 − 22, 0 ;
0, 1 10
Y = 280 + 125 X% 1 − 2, 25 X% 2 .
Ïðè îöåíêå àäåêâàòíîñòè ìîäåëè èñïîëüçóþò äàííûå âñåõ
îïûòîâ:
1
Dîñò = (60 − 67, 0)2 + (100 − 93, 0)2 + (30 − 23, 0)2 +
5− 3−1
 60 + 53 + 57 
2

+(42 − 49, 0)2 +  − 58   ≈ 197, 7;
 3  
D îñò ≈ 148, 7.
Êðèòåðèé Ôèøåðà
F = D îñò / D âîñ = 148, 7 / 8, 33 < 18, 5,
ãäå Fòàá = 18,5 ïðè f 1 = N − k − 1 = 5 − 3 − 1 = 1; f 2 = m − 1 = 3 − 1 =
= 2 è P = 0,95 (ñì. ïðèë. 5).
Ñëåäîâàòåëüíî, ïîñòðîåííàÿ ìîäåëü àäåêâàòíà ýêñïåðèìåí-
òàëüíûì äàííûì è ìîæåò áûòü èñïîëüçîâàíà ïðè ïðîãíîçèðîâà-
íèè âðåìåíè íà÷àëà ñõâàòûâàíèÿ â îáëàñòè ýñïåðèìåíòèðî-
âàíèÿ.
Îáðàòèì âíèìàíèå íà òî, ÷òî â ïîëíîì ôàêòîðíîì ýêñïåðè-
ìåíòå 2k ÷èñëî îïûòîâ ïðåâûøàåò ÷èñëî ýêñïåðèìåíòîâ â ëèíåé-
íîé ìàòåìàòè÷åñêîé ìîäåëè. Òàê, äëÿ ïëàíà 22 ïðîâîäÿò ÷åòûðå
83
îïûòà, à îïðåäåëÿþò òðè êîýôôèöèåíòà. Â ïëàíå 23 ïîäëåæàò
îïðåäåëåíèþ ÷åòûðå êîýôôèöèåíòà (a0, a1, a2, a3), à ïðîâîäÿò
âîñåìü ýêñïåðèìåíòîâ, ïðè÷åì ñ ðîñòîì ÷èñëà ôàêòîðîâ èìååòñÿ
âñå áîëüøèé èçáûòîê îïûòîâ. Îòìå÷åííîå îáñòîÿòåëüñòâî ïîçâî-
ëÿåò èñïîëüçîâàòü ïëàíû òèïà 2k äëÿ ïîñòðîåíèÿ ëèíåéíûõ ìîäå-
ëåé ñ áîëüøèì ÷èñëîì ôàêòîðîâ ïðè äîïóùåíèè ðàçóìíûõ ïðåäïî-
ëîæåíèé î õàðàêòåðå âçàèìîäåéñòâèÿ ôàêòîðîâ; ïðè ýòîì íåîáõî-
äèìî ñîõðàíèòü ïîëåçíûå ñâîéñòâà ðàññìîòðåííûõ âûøå ïëàíîâ.
Äëÿ ïîëíûõ ôàêòîðíûõ ïëàíîâ òèïà 2k íàáëþäàåòñÿ ñëåäóþ-
ùàÿ çàêîíîìåðíîñòü: ïðè ëþáîì ÷èñëå ôàêòîðîâ ÷èñëî ýêñïåðè-
ìåíòîâ ïîçâîëÿåò îïðåäåëèòü ñòîëüêî êîýôôèöèåíòîâ, ñêîëüêî
ìîæíî ñîñòàâèòü ýôôåêòîâ âçàèìîäåéñòâèÿ. Äëÿ ïëàíà 22 ìàòå-
ìàòè÷åñêàÿ ìîäåëü ñ ó÷åòîì ýôôåêòîâ âçàèìîäåéñòâèÿ ôàêòîðîâ
èìååò âèä
Y = a0 + a1X 1 + a2X 2 + a12X 1X 2 ,
à ïðè íàëè÷èè òðåõ ôàêòîðîâ (ïëàí 23)
Y = a0 + a1 X1 + a2 X 2 + a3 X 3 + a12 X1 X 2 + a13 X1 X 3 +
+ a23 X 2 X 3 + a123 X1 X 2 X 3 .
Ïëàíû ýêñïåðèìåíòîâ 2k ñîõðàíÿþò ñâîè ñâîéñòâà (îðòîãî-

íàëüíîñòü, ñèììåòðè÷íîñòü, ðîòîòàáåëüíîñòü è íîðìèðîâàííîñòü)
è äëÿ ýôôåêòîâ âçàèìîäåéñòâèÿ ôàêòîðîâ, ÷òî ëåãêî ïðîâåðèòü
ñîãëàñíî òàáë. 31, 32.
Òàáëèöà 31
Íîìåð îïûòà X0 X1 X2 X1X2 Y
1 +1 +1 +1 +1 Y1
2 +1 +1 −1 −1 Y2
3 +1 −1 +1 −1 Y3
4 +1 −1 −1 +1 Y4
4
∑ X ij 0 0 0
j =1
4
∑ X ij2 4 4 4
j =1
4
∑ X 1 j (X 1X 2 ) j = (+1)(+1) + (+1)(−1) + (−1)(−1) + (−1)(+1) = 0;
j =1
4
∑ X 2 j (X 1X 2 ) j = (+1)(+1) + (−1)(−1) + (+1)(−1) + (−1)(+1) = 0.
j =1
84
Òàáëèöà 32
Íîìåð X0 X1 X2 X3 X1X2 X1X3 X2X3 X1X2 X3 Y
îïûòà
1 +1 +1 +1 –1 +1 –1 –1 −1 Y1
2 +1 +1 −1 –1 −1 −1 +1 +1 Y2
3 +1 −1 +1 –1 −1 +1 –1 +1 Y3
4 +1 −1 −1 –1 +1 +1 +1 –1 Y4
5 +1 −1 +1 +1 –1 −1 +1 –1 Y5
6 +1 −1 −1 +1 +1 –1 −1 +1 Y6
7 +1 +1 +1 +1 +1 +1 +1 +1 Y7
8 +1 +1 –1 +1 –1 +1 –1 –1 Y8
8
∑ X ij 0 0 0 0 0 0 0 0
j =1
8
∑ X ij2 8 8 8 8 8 8 8 8
j =1
Òàêèì îáðàçîì, èñïîëüçóÿ ÏÔÝ òèïà 2k, ìîæíî ïîñòðîèòü

ìîäåëè ñ ó÷åòîì ýôôåêòîâ âçàèìîäåéñòâèÿ ôàêòîðîâ ñîãëàñíî
èçëîæåííîé âûøå îáðàáîòêè ýêñïåðèìåíòàëüíûõ äàííûõ.
Îòìåòèì, ÷òî ðàññìîòðåííûå ïëàíû íå ìîãóò áûòü èñïîëüçî-
âàíû äëÿ ïîñòðîåíèÿ êâàäðàòè÷íûõ ìîäåëåé, òàê êàê ïðè ââåäå-
íèè â ìàòåìàòè÷åñêóþ ìîäåëü ÷ëåíîâ âèäà a11X 12 , a22X 22 , … â
ïëàíå ýêñïåðèìåíòà äëÿ êâàäðàòè÷íûõ ÷ëåíîâ ïîëó÷àåì ñòîëáöû
âèäà +1, +1, … , +1, ñîâïàäàþùèå ñî ñòîëáöàìè ôàêòîðà X0. Ýòî
óêàçûâàåò íà âîçìîæíîñòü ðàçäåëåíèÿ ýôôåêòîâ ñðåäíåãî (a0) è
ýôôåêòîâ êâàäðàòîâ, ò.å. îöåíêà α0 êîýôôèöèåíòà a0 ñìåøàíà ñ
îöåíêàìè αii êîýôôèöèåíòîâ aii:
k
α0 → a0 + ∑ a ii ,
i =1
â òî âðåìÿ êàê îöåíêè ëèíåéíûõ ÷ëåíîâ è ýôôåêòîâ âçàèìîäåé-

ñòâèÿ íå ñìåøàíû:
α1 → a1 ; α 2 → a2 ; ...; α12 → a12 ; ...; α123 → a123 .
Äàëåå áóäóò ðàññìîòðåíû ïëàíû, êîòîðûå ïîçâîëÿþò, áàçèðó-
ÿñü íà ÏÔÝ òèïà 2k, ïîñòðîèòü êâàäðàòè÷íûå ìîäåëè è èñïîëü-
çóþòñÿ ïðè îïðåäåëåíèè îïòèìàëüíûõ òî÷åê (ïëàíû ýêñïåðèìåí-
òàëüíîãî ïîèñêà îïòèìàëüíûõ óñëîâèé).
Ðàññìîòðåííàÿ îñîáåííîñòü ÏÔÝ òèïà 2k (èçáûòî÷íîñòü ýêñ-
ïåðèìåíòîâ äëÿ ëèíåéíûõ ìàòåìàòè÷åñêèõ ìîäåëåé) äàåò âîç-
ìîæíîñòü ñîêðàùåíèÿ îïûòîâ ïðè îöåíêå âëèÿíèÿ áîëüøåãî
÷èñëà ôàêòîðîâ â ðàìêàõ ëèíåéíîé ìàòåìàòè÷åñêîé ìîäåëè. Ïðè
ýòîì àïðèîðíî ïðåäïîëàãàåòñÿ íåçíà÷èìîñòü ýôôåêòîâ âçàèìî-
äåéñòâèÿ ôàêòîðîâ.
85
Ïóñòü â ÏÔÝ òèïà 22 ìîæíî ïðåíåáðå÷ü ýôôåêòîì âçàèìî-
äåéñòâèÿ ôàêòîðîâ X1 è X2. Òîãäà ýòîò ïëàí äàñò âîçìîæíîñòü
îöåíèòü ýôôåêò îò òðåòüåãî ôàêòîðà X3 â ëèíåéíîé ìàòåìàòè÷å-
ñêîé ìîäåëè, åñëè ïîñëåäíèé áóäåò â îïûòàõ èçìåíÿòüñÿ ïî òåì
æå ïðàâèëàì, ÷òî è äëÿ ñòîëáöà X1X2 â ìàòðèöå ïëàíèðîâàíèÿ
ýêñïåðèìåíòîâ (ñì. òàáë. 31). Ïðè ýòîì â êîäèðîâàííûõ ïåðå-
ìåííûõ áóäåò âûïîëíÿòüñÿ óñëîâèå X3 = X1X2. Âìåñòî îïûòîâ,
íåîáõîäèìûõ ïðè èñïîëüçîâàíèè ïëàíà 23, ìîæíî ïðîâåñòè ÷å-
òûðå ýêñïåðèìåíòà. Îäíàêî ïîäîáíîå ñîêðàùåíèå ÷èñëà îïûòîâ
âîçìîæíî ëèøü â îòñóòñòâèå ýôôåêòîâ âçàèìîäåéñòâèÿ ôàêòî-
ðîâ, òàê êàê â ïðîòèâíîì ñëó÷àå ïîñòóïàòü ïîäîáíûì îáðàçîì
íåâîçìîæíî.
Óêàçàííîå ñâÿçàíî ñ òåì, ÷òî ñòîëáöû ôàêòîðîâ X1, X2 è X3
èçìåíÿþòñÿ òàêèì æå îáðàçîì, êàê è ñòîëáöû ýôôåêòîâ âçàèìî-
äåéñòâèÿ X2X3, X1X3 è X1X2 ñîîòâåòñòâåííî. Ïîñëåäíåå óòâåðæäå-
íèå î÷åâèäíî èç óñëîâèé X3 = X1X2, X1 = X3X2 è X2 = X1X3, êîòî-
ðûå ìîæíî ëåãêî ïîëó÷èòü ïðè ó÷åòå óñëîâèÿ X 12 = X 22 = X 32 = 1
äëÿ êîäèðîâàííûõ ïåðåìåííûõ (íàïðèìåð, ïðè X3 = X1X2 èìååì
X1X2X3 = X1X3X1X2 èëè X1 = X2X3). Ñîîòíîøåíèå âèäà X3 = X1X2
íàçûâàþò ãåíåðèðóþùèìè, èëè ãåíåðàòîðàìè, à çàïèñü X1X2X3 = 1
(ìîæíî ëåãêî ïîëó÷èòü èç óñëîâèÿ X3 = X1X2 óìíîæåíèåì îáåèõ
÷àñòåé ýòîãî ðàâåíñòâà íà X3) íàçûâàþò îïðåäåëÿþùèì êîíòðà-
ñòîì. Ïðè èñïîëüçîâàíèè óñëîâèÿ X3 = X1X2 è ïëàíà 22 ïðèõî-
äèòñÿ êîíñòàòèðîâàòü, ÷òî èìååì ñëåäóþùèå îöåíêè êîýôôèöè-
åíòîâ ëèíåéíîé ìîäåëè:
α0 → a0 ; α1 → a1 + a23 ; α 2 → a2 + a13 ; α 3 → a3 + a23 .
Ìîæíî âîñïîëüçîâàòüñÿ ãåíåðàòîðîì X3 = –X1X2 (çíàêè â

ñòîëáöå ýôôåêòà âçàèìîäåéñòâèÿ ñëåäóåò çàìåíèòü íà ïðîòèâî-
ïîëîæíûå è èñïîëüçîâàòü ïëàí 22 (ñì. òàáë. 31); ïðè ýòîì îïðå-
äåëÿþùèì êîíòðàñòîì áóäåò X1X2X3 = −1. Òîãäà ïîëó÷èì ñëå-
äóþùåå ñìåøåíèå â îöåíêàõ êîýôôèöèåíòîâ:
α0 → a0 ; α1 → a1 − a23 ; α 2 → a2 − a13 ; α 3 → a3 − a23 .
Åñëè äâà òàêèõ ïëàíà ñëîæèòü, òî ïîëó÷èì âîñåìü îïûòîâ,

ñîîòâåòñòâóþùèõ ïëàíó 23, ò.å. ýòè ïëàíû ñîñòàâëÿþò 1/2 ïëàíà
23 èëè åãî ïîëóðåïëèêó, ò.å. (1/2)23 = 23−1.
Ïîñëåäíåå âûðàæåíèå ìîæíî ïðî÷èòàòü êàê ïëàí äëÿ îöåíêè
êîýôôèöèåíòîâ ëèíåéíîé ìîäåëè äëÿ òðåõ ôàêòîðîâ ïðè ÷èñëå
îïûòîâ 23−1 = 4. Â îáùåì ñëó÷àå, åñëè êàêîé-ëèáî ïëàí ìîæíî
ïðåäñòàâèòü êàê 2m-þ ÷àñòü ïëàíà áîëåå âûñîêîãî ïîðÿäêà, òî èõ
íàçûâàþò äðîáíûìè ðåïëèêàìè, èëè äðîáíûìè ôàêòîðíûìè ýêñ-
86
ïåðèìåíòàìè (ÄÝÔ). Íàïðèìåð, èìååì ñëåäóþùåå ÷èñëî îïûòîâ
â ïëàíàõ:
N = 23−1 = 4 − ïîëóðåïëèêà îò 23;
N = 25−2 = 8 − ÷åòâåðòü ðåïëèêè îò 25;
N = 26−3 = 8 − 1/8 ðåïëèêè îò 26;
N = 27−4 = 8 − 1/16 ðåïëèêè îò 27;
N = 26−2 = 16 − ÷åòâåðòü ðåïëèêè îò 26;
N = 27−3 = 16 − 1/8 ðåïëèêè îò 27;
N = 28−4 = 16 − 1/16 ðåïëèêè îò 28;
N = 29−5 = 16 − 1/32 ðåïëèêè îò 29;
N = 210−6 = 16 − 1/64 ðåïëèêè îò 210;
N = 211−7 = 16 − 1/128 ðåïëèêè îò 211;
N = 212−8 = 16 − 1/256 ðåïëèêè îò 212;
N = 213−9 = 16 − 1/512 ðåïëèêè îò 213;
N = 214−10 = 16 − 1/1024 ðåïëèêè îò 214;
N = 215−11 = 16 − 1/2048 ðåïëèêè îò 215.
Ïðèâåäåííûå äàííûå ïîêàçûâàþò, ÷òî ïðè èñïîëüçîâàíèè
ïðåäïîëîæåíèÿ î íåçíà÷èìîñòè ýôôåêòîâ âçàèìîäåéñòâèÿ ôàê-
òîðîâ ìîæíî äàòü îöåíêó êîýôôèöèåíòàì ëèíåéíîé ìàòåìàòè÷å-
ñêîé ìîäåëè ïðè 3 ôàêòîðàõ èç 4 îïûòîâ, îò 4 äî 7 ôàêòîðîâ èç
8 îïûòîâ (ïëàíû 24−1, 25−2, 26−3, 27−4) è îò 8 äî 15 ôàêòîðîâ èç 16
îïûòîâ (ïëàíû 25−1, 26−2, … , 215−11), ñîêðàùàÿ ïðè ýòîì ÷èñëî îïû-
òîâ ñîîòâåòñòâåííî â 2, 2… 16 èëè 2… 2048 ðàç ïî ñðàâíåíèþ ñ
ïîëíûì ôàêòîðíûì ïëàíîì òèïà 2k.
×òîáû îöåíèòü âîçìîæíîñòè äðîáíûõ ðåïëèê, ðàññìîòðè ïëàí
âèäà 24−1 ñ ãåíåðàòîðîì X4 = X1X2X3, ò.å. â ïëàíå 23 (ñì. òàáë. 32)
ñòîëáåö ýôôåêòà âçàèìîäåéñòâèÿ X1X2X3 èñïîëüçóåì äëÿ îöåíêè
ôàêòîðà X4, ñ÷èòàÿ ýôôåêòû âçàèìîäåéñòâèÿ ñ ýòèì ôàêòî-
ðîì íåçíà÷èòåëüíûìè. Ñîãëàñíî îïðåäåëÿþùåìó êîíòðàñòó
X1X2X3X4 = 1, èìååì ñëåäóþùóþ ñõåìó ñìåøåíèÿ îöåíîê êîýô-
ôèöèåíòîâ â ìàòåìàòè÷åñêîé ìîäåëè:
1) α0 → a0 ;
2) α1 → a1 + a234 ïðè X1 = X2X3X4;
3) α 2 → a2 + a134 ïðè X2 = X1X3X4;
4) α 3 → a3 + a124 ïðè X3 = X1X2X4;
5) α 4 → a4 + a123 ïðè X4 = X1X2X3;
6) α12 → a12 + a34 ïðè X1X2 = X1X2X3;
7) α13 → a13 + a24 ïðè X1X3 = X3X4;
8) α 23 → a23 + a14 ïðè X2X3 = X1X4.
Òàêèì îáðàçîì, åñëè ýôôåêòàìè òðîéíûõ âçàèìîäåéñòâèé è
ïàðíûìè ýôôåêòàìè ñ X4 ìîæíî ïðåíåáðå÷ü, òî íà îñíîâàíèè
âîñüìè îïûòîâ ìîæíî îöåíèòü ìîäåëü âèäà
87
Y = a0 + a1 X1 + a2 X 2 + a3 X 3 + a4 X 4 + a12 X1 X 2 + a13 X1 X13 + a23 X 2 X 3 ,
â êîòîðîé ó÷òåíû ÷åòûðå ôàêòîðà è òðè ýôôåêòà âçàèìîäåéñò-
âèÿ. Î÷åâèäíî, ÷òî âîçìîæåí âûáîð ðàçëè÷íûõ ãåíåðàòîðîâ
(X4 = −X1X2X3; X4 = X1X2; X4 = X2X3 è äð.), êàæäûé èç êîòîðûõ
ïîäðàçóìåâàåò íåçíà÷èìîñòü ñîîòâåòñòâóþùèõ ýôôåêòîâ âçàèìî-
äåéñòâèÿ ôàêòîðîâ è ìîæåò áûòü âûáðàí íà îñíîâàíèè àïðèîð-
íîé èíôîðìàöèè, èíòóèöèè è îïûòà èññëåäîâàòåëÿ.
Â ïðåäåëüíîì ñëó÷àå, êîãäà âñå ýôôåêòû âçàèìîäåéñòâèÿ ñ÷è-
òàþòñÿ íåçíà÷èìûìè, ïî ïëàíó 23 ìîæíî äàòü îöåíêó êîýôôèöè-
åíòó ëèíåéíîé ìàòåìàòè÷åñêîé ìîäåëè, ñîäåðæàùåé ñåìü ôàêòî-
ðîâ (23 = 27−4). Ïîäîáíûå ïëàíû íàçûâàþò íàñûùåííûìè, è èõ
øèðîêî ïðèìåíÿþò íà ýòàïå îòñåèâàíèÿ ôàêòîðîâ.
Åñëè èñïîëüçóåòñÿ ïëàí 27−4, èìååì ãåíåðàòîðû (ñì. òàáë. 32)
X1X2 = X4; X1X3 = X5; X2X3 = X6 è X1X2X3 = X7. Ïîñëåäíåå ñî-
îòâåòñòâóåò îïðåäåëÿþùèì êîíòðàñòàì X1X2X4 = 1; X1X3X5 = 1;
X2X3X6 = 1 è X1X2X3X7 = 1 èëè X1X2X4 = X1X3X5 = X2X3X6 =
= X1X2X3X7 = 1. Ïîëó÷åííîå ñîîòíîøåíèå íàçûâàþò îáîáùàþùèì
êîíòðàñòîì, è îí íàèáîëåå ïîëíî õàðàêòåðèçóåò ñõåìó ñìåøåíèÿ
ïðè îöåíêå êîýôôèöèåíòîâ â ìàòåìàòè÷åñêîé ìîäåëè.
Â ðàññìàòðèâàåìîì ïðèìåðå íà îñíîâàíèè ðàâåíñòâà (óìíî-
æèì îáîáùàþùèé êîíòðàñò íà X1 è ó÷òåì óñëîâèå
X 12 = X 22 = X 32 = X 42 = ... = X 72 = 1)
X 1 = X 2X 4 = X 3X 5 = X 1X 2X 3X 6 = X 2X 3X 7
èìååì ñõåìó ñìåøåíèÿ ïðè îöåíêå êîýôôèöèåíòà ïðè ïåðâîì
ôàêòîðå â ìîäåëè
α1 → a1 + a24 + a35 + a1236 + a237 .
Ñîîòâåòñòâåííî äëÿ äðóãèõ ôàêòîðîâ ïîëó÷èì

α0 → a0 ;
α 2 → a2 + a14 + a1235 + a36 + a137 ;
α 3 → a3 + a1234 + a15 + a26 + a127 ;
α 4 → a4 + a12 + a1354 + a2364 + a12374 ;
α 5 → a5 + a1245 + a13 + a2365 + a12375 ;
α6 → a6 + a1246 + a1356 + a23 + a12376 ;
α7 → a7 + a1247 + a1357 + a2367 + a123 .
Ïðè ýòîì âìåñòî íåîáõîäèìûõ 27 = 128 îïûòîâ ìîæíî ïðî-
âåñòè âîñåìü, ò.å. â 16 ðàç ìåíüøå.
88
Èñïîëüçîâàâ èçëîæåííûå âûøå ïîëîæåíèÿ, ïåðåéäåì ê ðàñ-
ñìîòðåíèþ ïëàíîâ ïðîâåäåíèÿ ýêñïåðèìåíòîâ è îáðàáîòêå ðå-
çóëüòàòîâ íàáëþäåíèé â öåëÿõ îòñåèâàíèÿ íåñóùåñòâåííûõ ôàê-
òîðîâ.
Îäíèì èç ýôôåêòèâíûõ ìåòîäîâ ïëàíèðîâàíèÿ ýêñïåðèìåíòîâ
äëÿ âûäåëåíèÿ ñóùåñòâåííûõ ôàêòîðîâ ïðè óñëîâèè çíà÷èìîñòè
ýôôåêòîâ âçàèìîäåéñòâèÿ ôàêòîðîâ ÿâëÿþòñÿ íàñûùåííûå äðîá-
íûå ôàêòîðíûå ïëàíû òèïà 2k-m, êîòîðûå ïîçâîëÿþò äàòü îöåíêó
ëèíåéíîé ìàòåìàòè÷åñêîé ìîäåëè äëÿ k ôàêòîðîâ â k + 1 ýêñïå-
ðèìåíòå. Ñ ýòèì ïîìîùüþ ìîæíî èññëåäîâàòü âëèÿíèå 3, 7, 15,
31, … ôàêòîðîâ, äëÿ êîòîðûõ îöåíêè êîýôôèöèåíòîâ ìîäåëè
îïðåäåëÿþò ïî ôîðìóëå
1 N
ai = ∑ X ijY j , (151)
N j =1
à èõ çíà÷èìîñòü ïðîâåðÿþò ñ ïîìîùüþ t-êðèòåðèÿ èç óñëîâèÿ

ai ≥ t òàá σa ,
ãäå tòàá − òàáëè÷íîå çíà÷åíèå êðèòåðèÿ Ñòüþäåíòà äëÿ çàäàííîãî
óðîâíÿ çíà÷èìîñòè è ñîîòâåòñòâóþùåãî ÷èñëà ñòåïåíåé ñâîáîäû
ïðè îïðåäåëåíèè äèñïåðñèè âîñïðîèçâîäèìîñòè (ïîäðîáíîå èç-
ëîæåíèå ðàñ÷åòíîé ñõåìû ïðèâåäåíî ðàíåå). Ïðè íàðóøåíèè ïî-
ñëåäíåãî íåðàâåíñòâà âëèÿíèå ñîîòâåòñòâóþùåãî ôàêòîðà ñ÷èòà-
þò íåçíà÷èìûì, è ïðè äàëüíåéøèõ èññëåäîâàíèÿõ èì ìîæíî
ïðåíåáðå÷ü.
Ïðèìåð 6. Â öåëÿõ îöåíêè âëèÿíèÿ íà ñðåäíþþ ìåõàíè÷å-
ñêóþ ñêîðîñòü çà îäíî äîëáëåíèå Y, ì/÷, ïðè áóðåíèè â ìàéêîï-
ñêèõ îòëîæåíèÿõ Êóáàíè áûëè ðàññìîòðåíû ýôôåêòû îò èçìåíå-
íèÿ ñåìè ôàêòîðîâ: íàãðóçêà íà äîëîòî X1, êÍ; ÷àñòîòà âðàùåíèÿ
ðîòîðà X2, ìèí−1; ïîäà÷à áóðîâûõ íàñîñîâ X3, ë/ñ; óñëîâíàÿ âÿç-
êîñòü X4, ñ; âîäîîòäà÷à X5, ñì3, çà 30 ìèí; äèàìåòð íàñàäêîâ
ãèäðîìîíèòîðíîãî äîëîòà X6, ìì; ïëîòíîñòü áóðîâîãî ðàñòâîðà
X7, ã/ñì3. Ïëàí ýêñïåðèìåíòà ïðåäñòàâëÿë ñîáîé 1/16 ðåïëèêè îò
ïëàíà 27 ñ òðåõêðàòíûì ïîâòîðåíèåì ýêñïåðèìåíòà â íóëåâîé
òî÷êå. Ìàòðèöà ïðîâåäåíèÿ ýêñïåðèìåíòîâ, ðåçóëüòàòû íàáëþäå-
íèé è îáðàáîòêè ïðèâåäåíû â òàáë. 33.
Ñîãëàñíî ñõåìå ðàñ÷åòà êîýôôèöèåíòîâ ìîäåëè ìîæåì çàïè-
ñàòü:
1
1) a0 = (60 + 50 + 32 + 35 + 30 + 36 + 25 + 28) = 37, 00;
8
1
2) a1 = (60 + 50 − 32 − 35 + 30 + 36 − 25 − 28) = 7, 00;
8
89
Òàáëèöà 33
Ôàêòîð Âûõîäíàÿ
Ïîêàçàòåëü ïåðåìåííàÿ Y
X1 X2 X3 X4 X5 X6 X7
Îñíîâíîé óðî- 14 90 30 35 8 12 1,23 −
âåíü
Èíòåðâàë âàðüè- 4 30 6 10 4 2 0,03 −
ðîâàíèÿ
Íèæíèé óðîâåíü 10 60 24 25 4 10 1,20 −
Âåðõíèé óðîâåíü 18 120 36 45 12 14 1,26 −
Íîìåð ýêñïåðè-
ìåíòà:
1 +1 −1 +1 −1 +1 −1 −1 60
2 +1 +1 +1 +1 +1 +1 +1 50
3 −1 −1 +1 +1 −1 −1 +1 32
4 −1 +1 +1 −1 −1 +1 −1 35
5 +1 −1 −1 −1 −1 +1 +1 30
6 +1 +1 −1 +1 −1 −1 −1 36
7 −1 −1 −1 +1 +1 +1 −1 25
8 −1 +1 −1 −1 +1 −1 +1 28
9 0 0 0 0 0 0 0 34, 36, 35
1
3) a2 = (−60 + 50 − 32 + 35 − 30 + 36 − 25 + 28) = 0, 25;
8
1
4) a3 = (60 + 50 + 32 + 35 − 30 − 36 − 25 − 28) = 7, 25;
8
1
5) a4 = (−60 + 50 + 32 − 35 − 30 + 36 + 25 − 28) = −1, 25;
8
1
6) a5 = (60 + 50 − 32 − 35 − 30 − 36 + 25 + 28) = 3, 25;
8
1
7) a6 = (−60 + 50 − 32 + 35 + 30 − 36 + 25 − 28) = −2, 00;
8
1
8) a7 = (−60 + 50 + 32 − 35 + 30 − 36 − 25 + 28) = −2, 00.
8
Îòìåòèì, ÷òî äëÿ ñëó÷àåâ 2−4 ñ ðîñòîì X âûõîäíàÿ ïåðåìåí-
íàÿ óâåëè÷èâàåòñÿ, à äëÿ ñëó÷àåâ 5−8 – óìåíüøàåòñÿ.
Äèñïåðñèÿ âîñïðîèçâîäèìîñòè
1  34 + 36 + 35 
2
 34 + 36 + 35 
2
Dâîñ =  34 −  +  36 −  +
3 − 1  3   3 
 34 + 36 + 35 
2

+  35 −   = 1, 00.
 3  
90
Äèñïåðñèÿ êîýôôèöèåíòîâ
1
σi = σâîñ = 0, 36.
8
Ïðè P = 0,95 è f = 3 – 1 = 2 èìååì tòàá = 4,3. Ñëåäîâàòåëüíî,
a0
= 37,00
> 4,3;
a1
= 7, 00 > 4,3; a2
= 0,25 < 4,3;
σa0 0,36 σa 0, 36 σa 0,36
a3 7,25 a4 1,25 a5 3,75

= > 4,3; = < 4,3; = > 4,3;
σa3 0,36 σa 0,36 σa 0,36
a6 2,00 a7 2,00
= > 4,3; = > 4,3.
σa6 0,36 σa 0,36
Òàêèì îáðàçîì, â ðåçóëüòàòå ýêñïåðèìåíòîâ óñòàíîâëåíà íå-

çíà÷èìîñòü â èññëåäóåìîì ïðîöåññå äëÿ áóðåíèÿ â óêàçàííûõ
îòëîæåíèÿõ ôàêòîðîâ X2 è X4, ò.å. ÷àñòîòû âðàùåíèÿ ðîòîðà è
óñëîâíîé âÿçêîñòè áóðîâîãî ðàñòâîðà. Îáðàòèì âíèìàíèå íà òî,
÷òî åñëè âûáðàòü âåðîÿòíîñòü P = 0,99, ÷åìó ñîîòâåòñòâóåò tòàá =
= 9,9 ïðè f = 2, òî çíà÷èìûìè îêàçàëèñü áû ôàêòîðû X1, X3 è X5,
ò.å. íàãðóçêà íà äîëîòî, ïîäà÷à áóðîâûõ íàñîñîâ è âîäîîòäà÷à
áóðîâîãî ðàñòâîðà.
Ïðèìåíåíèå íàñûùåííûõ ïëàíîâ òèïà 2k–m îêàçûâàåòñÿ íåðà-
öèîíàëüíûì ïðè áîëüøîì ÷èñëå ôàêòîðîâ, òàê êàê, êîãäà èõ ñòà-
íîâèòñÿ áîëåå âîñüìè, ïðèõîäèòñÿ ïðîâîäèòü 16 ýêñïåðèìåíòîâ, à
ïðè ðàññìîòðåíèè 16 ôàêòîðîâ è áîëåå óæå íåîáõîäèìî îñóùåñò-
âèòü 32 ýêñïåðèìåíòà. Äëÿ óñòðàíåíèÿ óêàçàííîãî íåäîñòàòêà
Ïëýêåòòîì è Áåðìàíîì áûëè ïðåäëîæåíû îðòîãîíàëüíûå íàñû-
ùåííûå ïëàíû ýêñïåðèìåíòîâ äëÿ íåêîòîðûõ ïðîìåæóòî÷íûõ
÷èñåë ôàêòîðîâ, êîòîðûå äëÿ 7, 15, 31, … ôàêòîðîâ ñîâïàäàþò ñ
íàñûùåííûìè ïëàíàìè òèïà 2k–m.
Â òàáë. 34 ïðèâåäåíû íåîáõîäèìûå ñâåäåíèÿ äëÿ ïîñòðîåíèÿ
ïëàíîâ ýêñïåðèìåíòîâ ïðè îïðåäåëåíèè ýôôåêòîâ âëèÿíèÿ îò
7-ãî äî 71-ãî ôàêòîðà, êîòîðûå âàðüèðóþòñÿ íà óðîâíÿõ +1 è −1.
Îñíîâíîå ïðàâèëî êîíñòðóèðîâàíèÿ ïëàíîâ ñîñòîèò â ïîëó÷åíèè
âñåõ ñòðîê ìàòðèöû ïëàíèðîâàíèÿ ïóòåì ñäâèãà âñåõ ýëåìåíòîâ
ïðèâåäåííûõ ïåðâûõ ñòðîê ïëàíîâ íà îäíó ïîçèöèþ âëåâî èëè
âïðàâî è ïåðåíîñå ïåðâîãî èëè ïîñëåäíåãî ýëåìåíòà ñòðîêè ñîîò-
âåòñòâåííî íà ïîñëåäíþþ èëè ïåðâóþ ïîçèöèþ. Ýòîò ïðîöåññ
ïîâòîðÿåòñÿ äî çàïîëíåíèÿ âñåõ N − 1 ñòðîê, à ïîñëåäíÿÿ ñòðîêà
ñîñòîèò èç âñåõ ýëåìåíòîâ íà 1-ì óðîâíå. Ìàòðèöà èìååò ðàçìåð-
íîñòü N(N – 1), ãäå ïåðâûé ñîìíîæèòåëü − ÷èñëî ñòðîê, à âòî-
91
Òàáëèöà 34
Ïëàíû Ïëýêåòòà – Áåðìàíà
N = 8 + + + – + – –
N = 12 + + – + + + – – – + –
N = 16 + + + + – + – + + – – + – – –
N = 20 + + – – + + + + – + – + – – – – + + –
N = 24 + + + + + – + – + + – – + + – – + – + – – – –
N = 28 Ïåðâûå äåâÿòü ñòðîê
À Â Ñ
+ – + + + + – – – – + – – – + – – + + + – + – + + – +
+ + – + + + – – – – – + + – – + – – – + + + + – + + –
– + + + + + – – – + – – – + – – + – + – + – + + – + +
– – – + – + + + + – – + – + – – – + + – + + + – + – +
– – – + + – + + + + – – – – + + – – + + – – + + + + –
– – – – + + + + + – + – + – – – + – – + + + – + – + +
+ + + – – – + – + – – + – – + – + – + – + + – + + + –
+ + + – – – + + – + – – + – – – – + + + – + + – – + +
+ + + – – – – + + – + – – + – + – – – + + – + + + – +
N = 32 – – – – + – + – + + + – + + – – – + + + + + – – + + –+ – – +
N = 36 – + – + + + – – – + + + + + – + + + – – + – – – – + –+ – + + – – + –
N = 40 Óäâîåíèå ïëàíà N = 20
N = 44 + + – – + – + – – + + + – + + + + + – – – + –+ +
+ – – – – – + – – – + + – + – + + –
N = 48 + + + + + – + + + + – – + – + – + + + – – + –– +
+ – + + – – – + – + – + + – – – – + – – ––
N = 52
+ + – + – + – + – + – + – + – + – + – + – + – + – + – + – +– + – + – + – + – + – + – + – + – + – +–
À Â Ñ D E
+ – + – – – – – – – – + + – – – – + + + + + + + + – – + + –– + + – – + + – – + + + + + + + + – – – –
– + + – + – + – + – + + – – + – + + – + – + – + – – + + – –+ + – – + + – – + + – + – + – + – – + – +
+ – – – + – – – – – – + + + + – – – – + + – – + + + + – – ++ + + + + – – + + – – – – + + + + + + – –
– – + + + – + – + – + + – + – – + – + + – – + + – + – – + +– + – + – – + + – – + – + + – + – + – – +
+ – – – – – + – – – – + + + + + + – – – – + + – – + + + + –– – – + + + + – – + + – – – – + + + + + +
– – + – + + + – + – + + – + – + – – + – + + – – + + – + – –+ – + + – + – – + + – – + – + + – + – + –
+ – – – – – – – + – – – – + + + + + + – – – – + + – – + + ++ + + – – + + + + – – + + – – – – + + + +
– – + – + – + + + – + – + + – + – + – – + – + + – – + + – +– + – – + + – + – – + + – – + – + + – + –
+ – – – – – – – – – + – – – – + + + + + + + + – – + + – – ++ – – + + – – + + + + + + + + – – – – + +
– – + – + – + – + + + – + – + + – + – + – + – – + + – – + +– – + + – – + + – + – + – + – – + – + + –
N = 60 + + – + + + – + – + – – + –– + + + –+ + + + + – + ++ + + – – – – – + + – – – – + – ––
+ + – + + – + – +– – – + –
N = 68 + + – – + – + – – + + – – – + + + + – + – + + + + + +– – + – – – + – + + + – + + – – ––
– – + – + –– – – + + + – – + + – + – + + –
N = 72 + + + + + + + – + + + – + – – + + – + + + – – – + + –+ – + + – + – – – + + + – + – – +–
+ – – + + +– – – + – – + + – + – – – + – – – – – –
93
ðîé − ÷èñëî ñòîëáöîâ. Ïðèíèìàÿ âî âíèìàíèå ñòîëáåö äëÿ X0,
ñîñòîÿùèé èç âñåõ ýëåìåíòîâ +1, ïîëó÷àåì íàñûùåííûé îðòîãî-
íàëüíûé ïëàí äëÿ äâóõ óðîâíåé âàðüèðîâàíèÿ ôàêòîðîâ. Èñêëþ-
÷åíèå ïðè êîíñòðóèðîâàíèè ìàòðèöû ïëàíèðîâàíèÿ ñîñòàâëÿþò
ïëàíû äëÿ N = 28 è N = 52. Â ïåðâîì ñëó÷àå ìàòðèöà ïîëó÷àåòñÿ
ïóòåì ñäâèãà áëîêîâ À, Â è Ñ ïî ñõåìå
ABC BCA
CAB èëè CAB
BCA ABC
ñ äîáàâëåíèåì ïîñëåäíåé ñòðîêè èç ýëåìåíòîâ −1. Âî âòîðîì
ñëó÷àå − äëÿ N = 52 − ïåðâûå ñòðîêè è ñòîëáåö çàäàíû, è îíè
èäåíòè÷íû, à âñå îñòàëüíûå ýëåìåíòû ïîëó÷àþò ïî ñõåìå
ABCDE ABCDE
EABCD BCDEA
DEABC CDEAB
CDEAB èëè DEABC
BCDEA EABCD
è äîáàâëåíèåì ïîñëåäíåé ñòðîêè èç −1.
Çíà÷èìîñòü ôàêòîðîâ, áëàãîäàðÿ îðòîãîíàëüíîñòè ïëàíîâ,
ïðîâåðÿþò àíàëîãè÷íî ïðåäûäóùåé ñõåìå ðàñ÷åòîâ, ò.å.
1 N ai
ai = ∑ X ijY j ; ≥ t òàá .
N j =1 σa
Îäíàêî ïðè îïðåäåëåíèè äèñïåðñèè âîñïðîèçâîäèìîñòè ìîæ-

íî ðàöèîíàëüíî èñïîëüçîâàòü èçáûòî÷íîñòü îïûòîâ ïî îòíîøå-
íèþ ê ÷èñëó ôàêòîðîâ. Òàê, åñëè ôàêòîðîâ k è ïðèõîäèòñÿ
èñïîëüçîâàòü ïëàí ñ N > k, òî îñòàâøååñÿ ÷èñëî ñòîëáöîâ l =
= N − k − 1 ìîæíî ïðèíÿòü çà ôèêòèâíûå ôàêòîðû X2, Xl+1, … ,
XN–1. Òîãäà äèñïåðñèÿ âîñïðîèçâîäèìîñòè
N N −1
Dâîñ = ∑ a 2p , (152)
N − l −1 p =l
à äèñïåðñèÿ îöåíîê êîýôôèöèåíòîâ

1
σai = σâîñ . (153)
N
Òàáëè÷íîå çíà÷åíèå t-êðèòåðèÿ âûáèðàþò äëÿ óðîâíÿ çíà÷è-

ìîñòè α è ÷èñëà ñòåïåíåé ñâîáîäû f = N − l − 1.
Ïðèìåð 7. Äëÿ îöåíêè ñóùåñòâåííîñòè âëèÿíèÿ íà âîäîîòäà-
÷ó â òå÷åíèå 30 ìèí áóðîâîãî ðàñòâîðà Y, ñì3 êîìïîíåíòíîãî ñî-
94
ñòàâà, ñîäåðæàùåãî â ïðîöåíòàõ îò îáùåãî îáúåìà ãëèíó X1, óòÿ-
æåëèòåëü X2, èçâåñòü X3, õëîðèñòûé êàëüöèé X4, îêçèë X5, êàð-
áîêñèìåòèëöåëëþëîçó X6, íåôòü X7 è ãðàôèò X8, â õîëîäíûõ óñ-
ëîâèÿõ áûë èñïîëüçîâàí ïëàí Ïëåêåòòà − Áåðìàíà äëÿ N = 12
(ñì. òàáë. 34). Ïðè ýòîì ôàêòîðû X9, X10 è X11 áûëè ïðèíÿòû
ôèêòèâíûìè. Ìàòðèöà ïëàíèðîâàíèÿ ýêñïåðèìåíòîâ, ïîñòðîåí-
íàÿ ñîãëàñíî èçëîæåííûì âûøå ïðàâèëàì (ñäâèã âëåâî), è ðå-
çóëüòàòû íàáëþäåíèé ïðèâåäåíû â òàáë. 35.
Èìååì ñëåäóþùèå îöåíêè êîýôôèöèåíòîâ:
1 1
a0 = (2 + 5 + 8 + 6 + 3 + 5 + 4 + 4 + 10 + 2 + 4 + 13) = 66 = 5, 5;
12 12
1
a1 = (2 + 5 − 8 + 6 + 3 + 5 − 4 − 4 − 10 + 2 − 4 − 13) =
12
1
= (23 − 43) = −1, 67;
12
Òàáëèöà 35
Ïîêàçà- Ôàêòîð Âûõîä-

òåëü íàÿ ïåðå-
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 ìåííàÿ
Îñíîâíîé 6 5 3 2 6 0,50 8 3 − − − −
óðîâåíü
Èíòåðâàë 2 1 1 1 2 0,25 2 1 − − − −
âàðüèðî-
âàíèÿ
Íèæíèé 4 4 2 1 4 0,25 6 2 − − − −
óðîâåíü
Âåðõíèé 8 6 4 3 8 0,75 10 4 − − − −
óðîâåíü
Íîìåð
ýêñïåðè-
ìåíòà:
1 +1 +1 −1 +1 +1 +1 −1 −1 −1 +1 −1 2
2 +1 −1 +1 +1 +1 −1 −1 −1 +1 −1 +1 5
3 −1 +1 +1 +1 −1 −1 −1 +1 −1 +1 +1 8
4 +1 +1 +1 −1 −1 −1 +1 −1 +1 +1 −1 6
5 +1 +1 −1 −1 −1 +1 −1 +1 +1 −1 _+1 3
6 +1 −1 −1 −1 +1 −1 +1 +1 −1 +1 +1 5
7 −1 −1 −1 +1 −1 +1 +1 −1 +1 +1 +1 4
8 −1 −1 +1 −1 +1 +1 –1 +1 +1 +1 −1 4
9 −1 +1 −1 +1 +1 −1 +1 +1 +1 −1 −1 10
10 +1 −1 +1 +1 −1 +1 +1 +1 −1 −1 −1 2
11 −1 +1 +1 −1 +1 +1 +1 −1 −1 −1 +1 4
12 −1 −1 −1 −1 −1 −1 −1 −1 −1 −1 −1 13
95
1
a2 = (2 − 5 + 8 + 6 + 3 − 5 − 4 − 4 + 10 − 2 + 4 − 13) =
12
1
= (33 − 33) = 0, 00;
12
1
a3 = (−2 + 5 + 8 + 6 − 3 − 5 − 4 + 4 − 10 + 2 + 4 − 13) =
12
1
= (29 − 37) = −0, 67;
12
1
a4 = (2 + 5 + 8 − 6 − 3 + 5 + 4 − 4 + 10 + 2 − 4 − 13) =
12
1
= (31 − 35) = −0, 33;
12
1
a5 = (2 + 5 − 8 − 6 − 3 + 5 − 4 + 4 + 10 − 2 + 4 − 13) =
12
1
= (30 − 36) = −0, 50;
12
1
a6 = (2 − 5 − 8 − 6 + 3 − 5 + 4 + 4 − 10 + 2 + 4 − 13) =
12
1
= (19 − 47) = −2, 33;
12
1
a7 = (−2 − 5 − 8 + 6 − 3 + 5 + 4 − 4 + 10 + 2 + 4 − 13) =
12
1
= (31 − 35) = −0, 33;
12
1
a8 = (−2 − 5 + 8 − 6 + 3 + 5 − 4 + 4 + 10 + 2 − 4 − 13) =
12
1
= (32 − 34) = −0,17;
12
1
a9 = (−2 + 5 − 8 + 6 + 3 − 5 + 4 + 4 + 10 − 2 − 4 − 13) =
12
1
= (32 − 34) = −0,17;
12
1
a10 = (2 − 5 + 8 + 6 − 3 + 5 + 4 + 4 − 10 − 2 − 4 − 13) =
12
96
1
= (29 − 37) = −0, 67;
12
1
a11 = (−2 + 5 + 8 − 6 + 3 + 5 + 4 + 4 − 10 − 2 + 4 − 13) =
12
1
= (29 − 37) = −0, 67.
12
Äèñïåðñèÿ âîñïðîèçâîäèìîñòè ñîãëàñíî ðàñ÷åòíîé ñõåìå ñ
ôèêòèâíûìè ôàêòîðàìè (ôàêòîðû X1, X2 X3 − ôèêòèâíûå; l = 8)
12
Dâîñ = (−0,17)2 + (−0, 67)2 + (−0, 67)2  = 3, 71;
12 − 8 − 1 
σâîñ ≅ 1,93.
Äèñïåðñèÿ îöåíêè êîýôôèöèåíòîâ
1
σa = 1, 93 ≈ 0, 56.
12
Äëÿ âåðîÿòíîñòè P = 0,90 è ÷èñëà ñòåïåíåé ñâîáîäû f = 12 −

− 8 − 1 = 3 èìååì tòàá = 2,35. Òîãäà ïðè îöåíêå âëèÿíèÿ ôàêòîðîâ
ïîëó÷àåì
a1 1, 67 a2 a3
= > 2,35; = 0, 00 < 2,35; = 0, 67 < 2,35;
σa 0, 56 σa 0, 56 σa 0, 56
a4 a5 a6
= 0, 33 < 2,35; = 0, 50 < 2,35; = 2, 33
> 2,35;
σa 0, 56 σa 0, 56 σa 0, 56
a7 a8
= 0, 33 < 2,35; = 0,17
< 2,35.
σa 0, 56 σa 0, 56
Òàêèì îáðàçîì, â äàííîì áóðîâîì ðàñòâîðå çíà÷èìî âîçäåéñò-

âóþò íà âîäîîòäà÷ó ñîäåðæàíèå ãëèíû è êàðáîêñèìåòèëöåëëþëî-
çû (ôàêòîðû X1 è X6), à âëèÿíèå âñåõ îñòàëüíûõ êîìïîíåíò íå-
ñóùåñòâåííî. Îòìåòèì, ÷òî ðåçóëüòàò, õîòÿ è íåñêîëüêî òðèâèà-
ëåí, íàãëÿäíî äåìîíñòðèðóåò ýôôåêòèâíîñòü ìåòîäà îòñåèâàíèÿ
íåñóùåñòâåííûõ ôàêòîðîâ ñ ïîìîùüþ ïëàíîâ Ïëåêåòòà − Áåð-
ìàíà.
Îäíà èç îñîáåííîñòåé ýêñïåðèìåíòà â áóðåíèè − íàëè÷èå
áîëüøîãî ÷èñëà êà÷åñòâåííûõ ôàêòîðîâ, êîòîðûå ñóùåñòâåííî
îãðàíè÷èâàþò èñïîëüçîâàíèå ïðèâåäåííûõ âûøå ìåòîäîâ ïëàíè-
ðîâàíèÿ ýêñïåðèìåíòîâ êàê íà ýòàïàõ îòñåèâàíèÿ ôàêòîðîâ, òàê è
ïðè ïîèñêå îïòèìàëüíûõ óñëîâèé è èçó÷åíèè ìåõàíèçìà ÿâëå-
97
íèé. Ê òàêîãî ðîäà êà÷åñòâåííûì ôàêòîðàì îòíîñÿò òèïû ïîðîä
â ðàçðåçå, õèìè÷åñêèõ ðåàãåíòîâ, ïëàñòîâûõ ôëþèäîâ, âèäû îáî-
ðóäîâàíèÿ è ò.ï. Ýòè ôàêòîðû ìîãóò íå òîëüêî âûñòóïàòü îñíîâ-
íûìè èñòî÷íèêàìè ýôôåêòîâ, íî è ñîçäàâàòü íåîäíîðîäíîñòü â
ýêñïåðèìåíòå, çàøóìëÿÿ ýôôåêòû âîçäåéñòâèÿ îñíîâíûõ ôàêòî-
ðîâ. Äëÿ ïîñòðîåíèÿ ïëàíîâ ïðîâåäåíèÿ ýêñïåðèìåíòîâ ïðè íà-
ëè÷èè êà÷åñòâåííûõ ôàêòîðîâ, êîòîðûå íå ñâÿçàíû ñ ÷èñëîâîé
øêàëîé óðîâíåé, øèðîêî èñïîëüçóþò êîìáèíàòîðíûå ìåòîäû,
áàçèðóþùèåñÿ íà ëàòèíñêèõ, ãðåêî-ëàòèíñêèõ è òîìó ïîäîáíûõ
êâàäðàòàõ, êóáàõ è ïàðàëëåëåïèïåäàõ.
Ëàòèíñêèì êâàäðàòîì íàçûâàþò êâàäðàòíóþ òàáëèöó èç k
ýëåìåíòîâ, â êîòîðîé êàæäûé èç íèõ â ëþáîé ñòðîêå è ñòîëáöå
âñòðå÷àåòñÿ âñåãî îäèí ðàç. Ïðè ðàçìåðíîñòè òàáëèöû 3×3 èìååì
ëàòèíñêèé êâàäðàò
ABC 123
C A B èëè 2 3 1
BCA 3 1 2,
à äëÿ òàáëèöû 4×4
ABCD 1234
B C D A èëè 2 3 4 1
CDAB 3412
DABC 4 1 2 3.
Ïðèâåäåííûå ëàòèíñêèå êâàäðàòû íàçûâàþò ñòàíäàðòíûìè,
òàê êàê ñòðîêè è ñòîëáöû ïîñòðîåíû â àëôàâèòíîì ïîðÿäêå èëè
â ïîðÿäêå íàòóðàëüíîãî ðÿäà (â ïðèâåäåííûõ ïðèìåðàõ äëÿ
êâàäðàòà 4×4). Ñòàíäàðòíûé êâàäðàò òàêæå íàçûâàþò êàíîíè÷å-
ñêîé ôîðìîé ëàòèíñêîãî êâàäðàòà, à åñëè áóêâû èëè öèôðû ðàñ-
ïîëàãàþòñÿ íà ãëàâíîé äèàãîíàëè, òî êâàäðàò ÿâëÿåòñÿ äèàãî-
íàëüíûì.
Ïðîñòåéøèì ñïîñîáîì ïîñòðîåíèÿ ëàòèíñêîãî êâàäðàòà ÿâëÿ-
åòñÿ öèêëè÷åñêàÿ ïåðåñòàíîâêà ýëåìåíòîâ è â îáùåì ñëó÷àå äëÿ
k×k ëàòèíñêîãî êâàäðàòà âîçìîæíà k − 1 îäíîøàãîâàÿ öèêëè÷å-
ñêàÿ ïåðåñòàíîâêà. ×èñëî âîçìîæíûõ ëàòèíñêèõ êâàäðàòîâ ïðè
k > 3 âåëèêî è ìîæåò áûòü ïîäñ÷èòàíî ïî ôîðìóëå
N = J nTn ,
ãäå Jn − ÷èñëî êàíîíè÷åñêèõ ôîðì; Tn − ÷èñëî êâàäðàòîâ â îäíîé
è òîé æå êàíîíè÷åñêîé ôîðìå
Äëÿ ïîäñ÷åòà êàíîíè÷åñêèõ ôîðì ìîæíî èñïîëüçîâàòü ñëå-
äóþùèå ñîîòíîøåíèÿ:
k ............................................ 2 3 4 5 6 7
Jn ........................................... 1 1 1 56 9408 16 942 080
98
Òàáëèöà 36
X1
Ôàêòîð
X11 X12 X13
X21 X31 X32 X33
X2 X22 X32 X33 X31
X23 X33 X31 X32
×èñëî êâàäðàòîâ â îäíîé ôîðìå îïðåäåëÿþò ïî ôîðìóëå

Tn = k!(k − 1).
Òàêèì îáðàçîì, äëÿ òàáëèöû 3×3 èìååì
N = 1 ⋅ 3!(3 − 1)! = 12,
à äëÿ òàáëèöû 4×4
N = 4 ⋅ 4!(4 − 1)! = 576
ëàòèíñêèõ êâàäðàòîâ.
Ïðè ïëàíèðîâàíèè ýêñïåðèìåíòîâ ïðèìåíåíèå ëàòèíñêèõ
êâàäðàòîâ èëëþñòðèðóåòñÿ ñõåìîé â âèäå òàáë. 36.
Ñîãëàñíî ýòîé ñõåìå, âî âñåõ ýêñïåðèìåíòàõ äëÿ ëþáîãî óðîâ-
íÿ êàæäîãî èç ôàêòîðîâ èìåþòñÿ êîìáèíàöèè îñòàëüíûõ ôàêòî-
ðîâ íà âñåõ òðåõ óðîâíÿõ, ÷òî õîðîøî âèäíî â ìàòðèöå ïëàíèðî-
âàíèÿ (òàáë. 37), ïîëó÷åííîé ïî ïðèâåäåííîé âûøå ñõåìå.
Îáðàòèì âíèìàíèå íà òî, ÷òî çàïëàíèðîâàíî äåâÿòü ýêñïåðè-
ìåíòîâ, à ïðè íàëè÷èè òðåõ ôàêòîðîâ íà òðåõ óðîâíÿõ â êëàññè-
÷åñêîì ñëó÷àå ïîòðåáîâàëîñü áû 27 îïûòîâ. Ïðè íàëè÷èè ÷åòû-
ðåõ ôàêòîðîâ íà ÷åòûðåõ óðîâíÿõ â ñëó÷àå ïîëíîãî ôàêòîðíîãî
ýêñïåðèìåíòà íåîáõîäèìî 64, à ïðè èñïîëüçîâàíèè ëàòèíñêîãî
êâàäðàòà âñåãî 16 ýêñïåðèìåíòîâ, ò.å. èñïîëüçîâàíèå ëàòèíñêîãî
êâàäðàòà ïîçâîëÿåò ïðèìåíèòü 1/n-þ ðåïëèêó ïîëíîãî ôàêòîðíî-
ãî ýêñïåðèìåíòà.
Åùå áîëüøå ñîêðàùåíèå ÷èñëà îïûòîâ äàåò ïðèìåíåíèå ãðå-
êî-ëàòèíñêèõ è ãèïåðãðåêî-ëàòèíñêèõ êâàäðàòîâ. Ìåòîäèêà ïî-
Òàáëèöà 37
Íîìåð îïûòà X1 X2 X3 Y
1 1 1 1 Y1
2 1 2 2 Y2
3 1 3 3 Y3
4 2 1 2 Y4
5 2 2 3 Y5
6 2 3 1 Y6
7 3 1 3 Y7
8 3 2 1 Y8
9 3 3 2 Y9
99
ñòðîåíèÿ ýòèõ êâàäðàòîâ ñîñòîèò â íàëîæåíèè îðòîãîíàëüíûõ ëà-
òèíñêèõ êâàäðàòîâ, êîòîðûìè ÿâëÿþòñÿ òàêèå êâàäðàòû, â êîòîðûõ
êîìáèíàöèè áóêâ èëè öèôð âñòðå÷àþòñÿ îäèí è òîëüêî îäèí ðàç.
Ãðåêî-ëàòèíñêèå êâàäðàòû íàçûâàþò òàê ïîòîìó, ÷òî îäíè èõ
áóêâû ëàòèíñêèå, à äðóãèå − ãðå÷åñêèå. Ðàññìîòðèì ýòî íà ïðè-
ìåðå êâàäðàòà 3×3:
A B C α β γ Aα Bβ Cγ
B C A γ α β Bγ Cα Aβ
C A B β γ α Cβ Aγ Bα
Ïåðâûå äâà êâàäðàòà îðòîãîíàëüíû, à òðåòèé ÿâëÿåòñÿ ãðåêî-
ëàòèíñêèì.
Òåîðåòè÷åñêè ïîêàçàíî, ÷òî äëÿ òàáëèöû 3×3 ñóùåñòâóåò äâà
îðòîãîíàëüíûõ êâàäðàòà, äëÿ 4×4 − 3, äëÿ 5×5 − 4, à äëÿ òàáëèöû
6×6 − íè îäíîãî îðòîãîíàëüíîãî êâàäðàòà (ïîñëåäíåå áûëî ïîêà-
çàíî åùå Ýéëåðîì).
Ïðè íàëîæåíèè òðåõ îðòîãîíàëüíûõ êâàäðàòîâ è áîëåå, ÷òî
âîçìîæíî ïðè ÷èñëå óðîâíåé 4 è áîëåå, îáðàçóþòñÿ ãèïåðãðåêî-
ëàòèíñêèå êâàäðàòû. Íàïðèìåð, òàáëèöà 4×4 âèäà
Aα1 Bβ2 Cγ3 Dδ4

Bγ4 Aσ3 Dα2 Cβ1
Cδ2 Dγ1 Aβ4 Bα3
Dβ3 Cα4 Bδ1 Aγ2
ÿâëÿåòñÿ ãèïåðãðåêî-ëàòèíñêèì êâàäðàòîì, ó êîòîðîãî A, B, C, D;
α, β, γ, δ; 1, 2, 3, 4 ÿâëÿþòñÿ óðîâíÿìè, èëè ãðàäàöèÿìè.
Èñïîëüçóÿ ãðåêî-ëàòèíñêèå è ãèïåðãðåêî-ëàòèíñêèå êâàäðàòû,
ó êîòîðûõ ñòðîêè è ñòîëáöû ñîîòâåòñòâóþò óðîâíÿì ôàêòîðîâ
(X1 è X2), ìîæíî ñîêðàòèòü ÷èñëî ýêñïåðèìåíòîâ ïî ñðàâíåíèþ ñ
ïîëíîôàêòîðíûìè ïëàíàìè â 1/n2 è 1/n3 ðàç ñîîòâåòñòâåííî, ÷òî
õîðîøî èëëþñòðèðóþò ìàòðèöû ïëàíèðîâàíèÿ, ïðèâåäåííûå â
òàáë. 38 è 39, â êîòîðûõ ëàòèíñêèå è ãðå÷åñêèå áóêâû è öèôðû
ñîîòâåòñòâóþò óðîâíÿì ôàêòîðîâ X3, X4 è X5.
Òàáëèöà 38
Íîìåð X1 X2 X3 X4 Y
îïûòà
1 1 1 1 1 Y1
2 1 2 2 3 Y2
3 1 3 3 2 Y3
4 2 1 2 2 Y4
5 2 2 3 1 Y5
6 2 3 1 3 Y6
7 3 1 3 3 Y7
8 3 2 1 2 Y8
9 3 3 2 1 Y9
100
Òàáëèöà 39
Íîìåð X1 X2 X3 X4 X5
îïûòà Y
1 1 1 1 1 1 Y1
2 1 2 2 3 4 Y2
3 1 3 3 4 2 Y3
4 1 4 4 2 3 Y4
5 2 1 2 2 2 Y5
6 2 2 1 4 3 Y6
7 2 3 4 3 1 Y7
8 2 4 3 1 4 Y8
9 3 1 3 3 3 Y9
10 3 2 4 1 2 Y10
11 3 3 1 2 4 Y11
12 3 4 2 4 1 Y12
13 4 1 4 4 4 Y13
14 4 2 3 2 1 Y14
15 4 3 2 1 3 Y15
16 4 4 1 3 2 Y16
Â äàííûõ ïðèìåðàõ ïðè ïðîâåäåííûõ ÏÔÝ ïîòðåáîâàëîñü áû

81 è 1024 ýêñïåðèìåíòîâ ñîîòâåòñòâåííî, à ïðèìåíåíèå ãðåêî-
ëàòèíñêîãî è ãèïåðãðåêî-ëàòèíñêîãî êâàäðàòîâ ïîçâîëèëî ñîêðà-
òèòü ÷èñëî îïûòîâ â 9 ðàç è 64 ðàçà ñîîòâåòñòâåííî.
Ïðèâåäåííûå ñõåìû ïëàíèðîâàíèÿ ýêñïåðèìåíòîâ ïîçâîëÿþò
îöåíèòü ëèíåéíûå ýôôåêòû â ïðåäïîëîæåíèè íåçíà÷èìîñòè ýô-
ôåêòîâ âçàèìîäåéñòâèÿ ôàêòîðîâ. Ýòè ñõåìû èñïîëüçóþò ïðè
îòñåèâàíèè ôàêòîðîâ, è èíñòðóìåíòîì ìàòåìàòè÷åñêîé îáðàáîòêè
ðåçóëüòàòîâ íàáëþäåíèÿ ÿâëÿåòñÿ äèñïåðñèîííûé àíàëèç (ñì. ãë.
4). Åñëè â ýêñïåðèìåíòàõ îñóùåñòâëÿþò èçìåðåíèÿ äëÿ êàæäîé
ñòðîêè ìàòðèöû ïëàíèðîâàíèÿ ýêñïåðèìåíòîâ, òî èìååòñÿ âîç-
ìîæíîñòü äàòü êîëè÷åñòâåííóþ îöåíêó ýôôåêòàì âçàèìîäåéñò-
âèÿ, íå ðàçäåëÿÿ âêëàäû îò êàæäîãî èç âçàèìîäåéñòâèé.
Ïðîèëëþñòðèðóåì ðàñ÷åòíóþ ñõåìó äèñïåðñèîííîãî àíàëèçà
ïðè íàëè÷èè ïîâòîðíûõ íàáëþäåíèé â ñòðîêàõ ìàòðèöû ïëàíè-
ðîâàíèÿ.
Ïðèìåð 8. Ïðè âñêðûòèè è îïðåäåëåíèè ïðîäóêòèâíîãî ãîðè-
çîíòà áûëî íåîáõîäèìî îöåíèòü âëèÿíèå íà äåïðåññèþ ïðè âû-
çîâå ïðèòîêà Y, ÌÏà, òèïà áóðîâîãî ðàñòâîðà X1 (ãèïñîèçâåñòêî-
âûé, êàëèåâûé è õëîðêàëüöèåâûé), ïîíèçèòåëÿ âîäîîòäà÷è X2
(ÊÑÑÁ, ÓÙÐ è ÊÌÖ), ïîíèçèòåëÿ âÿçêîñòè X3 (îêçèë, íèòðî-
ëèãíèí è ÑÑÁ), à òàêæå ñïîñîáà ïåðôîðàöèè X4 (ïóëåâàÿ,
ïåñêîñòðóéíàÿ, êóìóëÿòèâíàÿ).
Â öåëÿõ îöåíêè óêàçàííûõ ôàêòîðîâ áûë îñóùåñòâëåí ýêñïå-
ðèìåíò íà áàçå ãðåêî-ëàòèíñêîãî êâàäðàòà 3×3 ñ 4-êðàòíûìè ïî-
âòîðíûìè íàáëþäåíèÿìè â ýêñïåðèìåíòàõ.
Ìàòðèöà ïëàíèðîâàíèÿ ýêñïåðèìåíòà è ðåçóëüòàòû íàáëþäå-
íèé ïðèâåäåíû â òàáë. 40.
101
Òàáëèöà 40
Íîìåð X1 X2 X3 X4 Y
îïûòà
1 1 1 1 22, 21, 22, 23
2 1 2 2 3 24, 25, 26, 24
3 3 3 2 30, 30, 32, 31
4 1 2 2 26, 28, 27, 26
5 2 2 3 1 29, 30, 29, 29
6 3 1 3 34, 35, 35, 33
7 1 3 3 23, 22, 23, 24
8 3 2 1 2 17, 16, 17, 17
9 3 2 1 29, 30, 28, 29
Ñîãëàñíî ïðèíöèïàì ðàñ÷åòà äèñïåðñèé (ñì. ãë. 4), ââîäèì

ñëåäóþùóþ èíäåêñàöèþ äëÿ âûõîäíîé ïåðåìåííîé − Yijkln, ãäå i, j,
k, l − ñîîòâåòñòâåííî óðîâíè ôàêòîðîâ X1, X2, X3, X4, à èíäåêñ n −
ñîîòâåòñòâóåò ïîâòîðíûì íàáëþäåíèÿì (n = 4).
Òîãäà èìååì
1
Y..... = (22 + 21 + 22 + 23 + 24 + 25 + 26 + 24 + ... + 29 +
9⋅4
+ 30 + 28 + 29) = 26, 3;
1
Y1.... = (22 + 21 + 22 + 23 + 24 + 25 + 26 + 24 +
3⋅4
+ 30 + 30 + 32 + 31) = 25, 8;
1
Y2.... = (26 + 28 + 27 + 26 + 29 + 30 + 29 + 29 +
3⋅4
+ 34 + 35 + 35 + 33) = 30,1;
1
Y3..... = (23 + 22 + 23 + 24 + 17 + 16 + 17 + 17 +
3⋅4
+ 29 + 30 + 28 + 29) = 22, 9;
1
Y.1... = (22 + 21 + 22 + 23 + 26 + 28 + 27 +
3⋅4
+ 26 + 23 + 22 + 23 + 24) = 23, 9;
1
Y.2... = (24 + 25 + 26 + 24 + 29 + 30 + 29 +
3⋅4
+ 29 + 17 + 16 + 17 + 17) = 23, 6;
102
1
Y.3... = (30 + 30 + 32 + 31 + 34 + 35 + 35 + 33 +
3⋅4
+ 29 + 30 + 28 + 29) = 31, 3;
1
Y..1.. = (22 + 21 + 22 + 23 + 34 + 35 + 35 +
3⋅4
+ 33 + 17 + 16 + 17 + 17) = 24, 3;
1
Y..2.. = (24 + 25 + 26 + 24 + 26 + 28 + 27 +
3⋅4
+ 26 + 29 + 30 + 28 + 29) = 26, 8;
1
Y..3.. = (30 + 30 + 32 + 31 + 29 + 30 + 29 +
3⋅4
+ 29 + 23 + 22 + 23 + 24) = 27, 6;
1
Y...1. = (22 + 21 + 22 + 23 + 29 + 30 +
3⋅4
+ 29 + 29 + 29 + 30 + 28 + 29) = 26, 7;
1
Y...2. = (30 + 30 + 32 + 31 + 26 + 28 +
3⋅4
+ 27 + 26 + 17 + 16 + 17 + 17) = 24, 7;
1
Y...3. = (24 + 25 + 26 + 24 + 34 + 35 +
3⋅4
+ 35 + 33 + 23 + 22 + 23 + 24) = 27, 3;
1
Y 1111. = (22 + 21 + 22 + 23) = 22, 0;
4
1
Y 1223. = (24 + 25 + 26 + 24) = 24, 7;
4
1
Y 1332. = (30 + 30 + 32 + 31) = 30, 7;
4
1
Y 2122. = (26 + 28 + 27 + 26) = 26, 7;
4
103
1
Y 2231. = (29 + 30 + 29 + 29) = 29, 3;
4
1
Y 2313. = (34 + 35 + 35 + 33) = 34;
4
1
Y 3133. = (23 + 22 + 23 + 24) = 23, 0;
4
1
Y 3212. = (17 + 16 + 17 + 17) = 16, 7;
4
1
Y 3321. = (29 + 30 + 28 + 29) = 29, 0;
4
S 2 (Y ) = (22 − 26, 28)2 + (21 − 26, 28)2 + (22 − 26, 28)2 + (22 − 26, 28)2 +
+ (24 − 26, 3)2 + ... + (29 − 26, 3)2 = 907, 22;
S X2 1 (Y ) = 3 ⋅ 4 (25, 83 − 26, 28)2 + (30, 08 − 26, 28)2 +
+ (22, 92 − 26, 28)2  = 308, 8;
S X2 2 (Y ) = 3 ⋅ 4 (23, 92 − 26, 28)2 + (23, 58 − 26, 28)2 +
+ (31, 33 − 26, 28)2  = 460, 3;
S X2 3 (Y ) = 3 ⋅ 4 (24, 33 − 26, 28)2 + (26, 83 − 26, 28)2 +
+ (27, 67 − 26, 28)2  = 72, 4;
S X2 4 (Y ) = 3 ⋅ 4 (26, 75 − 26, 28)2 + (24, 75 − 26, 28)2 +
+ (27, 33 − 26, 28)2  = 44, 0;
S 02 (Y ) = (22 − 22, 0)2 + (22 − 22, 0)2 + (23 − 22, 0)2 + (23 − 22, 0)2 +
+ (24 − 24, 75)2 + (24 − 24, 75)2 + ... + (28 − 29, 0)2 +
+ (29 − 29, 0)2 = 18, 5;

2
S âç (Y ) = S 2 (Y ) − S X21 (Y ) − S X2 2 (Y ) − S X2 3 (Y ) − S X2 4 (Y ) − S02 (Y ) =
= 907, 22 − 308, 8 − 460, 3 − 72, 4 − 44, 0 − 18, 5 = 3, 2;

104
1 1
DX1 (Y ) = S X2 1 (Y ) = 308, 8 = 154, 4;
3 −1 2
1 1
DX2 (Y ) = S X2 2 (Y ) = 460, 3 = 230,1;
3−1 2
1 1
DX3 (Y ) = S X2 3 (Y ) = 72, 4 = 36, 2;
3−1 2
1 1
DX4 (Y ) = S X2 4 (Y ) = 44, 0 = 22, 0;
3−1 2
1 1
D0 (Y ) = S02 (Y ) = 18, 5 = 0, 68;
3 ⋅ 3(4 − 1) 27
1 1
Dâç (Y ) = Sâç (Y ) = 3, 2 = 1, 6.
(3 − 1)(3 − 2) 2
Оцениваем влияние факторов X1, X2, X3 и X4 по крите-

рию Фишера при уровне значимости P = 0,95 и числах степеней
свободы f1 = 3 − 1 = 2 и f2 = 9(4 − 1) = 27, при которых Fтаб =
= 3,35.
Для оценки эффекта взаимодействий имеем f1 = (3 − 1) ×
× (3 − 2) = 2 и f2 = 9(4 − 1) = 27, для которых P = 0,95 Fтаб =
= 3,35. Тогда получаем
DX1 (Y ) DX2 (Y )
= 154, 4 3,35; = 230,1
3,35;
D0 (Y ) 0, 68 D0 (Y ) 0, 68
DX3 (Y ) 36, 2 DX4 (Y ) 22, 2 Dâç (Y )

= 3,35; = 3,35; = 1, 60 < 3,35.
D0 (Y ) 0, 68 D0 (Y ) 0, 68 D0 (Y ) 0, 68
Таким образом, наиболее существенное влияние на депрессию

при вызове притока оказывает тип понизителя водоотдачи (по
степени отрицательного влияния они располагаются в таком по-
рядке: УЩР, КССБ и КМЦ), тип бурового раствора (хлоркаль-
циевый, гипсоизвестковый и калиевый), далее − тип понизителя
вязкости (ССБ, нитролигнин и окзил); наименьшее влияние ока-
зывает способ перфорации (пулевая, кумулятивная и песко-
струйная).
Предположение о незначимости эффектов взаимодействий
подтвердилось, что доказывает последнее неравенство.
Изучая механизма явлений, при достаточно большом числе
существенных факторов, методы отбора которых были рассмот-
105
рены выше, исследователь находится в двойственном положении:
с одной стороны, желательно выявление влияния всех сущест-
венных факторов, а с другой, − время, стоимость и технические
возможности установок ограничивают эксперимент. Так, при
воздействии пяти факторов для установления достаточно надеж-
ных эмпирических формул бывает необходимо иметь 5…9 точек
по каждому из факторов, что обусловливает необходимость про-
ведения 55… 95 опытов, т.е. 3125−59 049 экспериментов без учета
повторений в целях исключения случайных ошибок.
Традиционные пути сокращения объема наблюдений следую-
щие:
исследуется влияние только части факторов;
сокращается число уровней факторов (так, если взять три
уровня для каждого фактора, то в упомянутом случае имеем 35 =
= 243 опыта);
изучается влияние каждого из факторов при некоторых за-
крепленных уровнях других факторов.
Существенные недостатки подобного подхода – ограничен-
ность выводов, малая надежность эмпирических формул во всей
области факторного пространства и трудность оценки степени
влияния комбинаций факторов, что резко снижает применимость
моделей и выводов на практике.
Для получения максимально возможной информации о про-
цессе при проведении одного и того же числа опытов весьма эф-
фективно использование методов планирования, базирующихся
на греко-латинских и гипергреко-латинский квадратах, кубах и
параллелипипедах в сочетании с обработкой наблюдений по ме-
тоду Брандона (см. гл. 4). При использовании такого подхода
можно исследовать достаточно большое число факторов (до 10)
при числе уровней варьирования 5…9, и при этом свойства этих
планов (ортогональность, варьирование каждого фактора в соче-
тании со всеми уровнями других факторов) позволяют получать
достаточно надежные в практическом приложении математиче-
ские модели, давать оценку неучтенным воздействиям на основа-
нии дисперсионного анализа.
Из рассмотрения плана эксперимента, приведенного в табл.
38, следует, что при построении частных зависимостей для любо-
го из факторов имеем эксперименты при сочетании со всеми
уровнями других факторов. Пример для фактора X4 из этого
плана показан в табл. 41.
Таким образом, частную зависимость Y = f(X4) можно по-
строить при всех вариациях остальных факторов и среднем
уровне каждого из них для каждого из уровней фактора X4. Ана-
логичная картина будет и при построении частных зависимостей
106
Таблица 41
X4 X1 X2 X3 Y Y(X4) X1 X2 X3
1 1 1 1 Y1 Y1 + Y 5 + Y 9 1 + 2 + 3 1+ 2+ 3 1+ 3 + 2
1 2 2 3 Y2 =2 =2 =2
1 3 3 2 Y3 3 3 3 3
2 1 3 3 Y4
Y3 + Y4 + Y8 1 + 2 + 3 3 +1+ 2 3+ 2+1
2 2 1 2 Y5 =2 =2 =2
2 3 2 1 Y6 3 3 3 3
3 1 2 2 Y7
3 2 3 1 Y8 Y2 + Y6 + Y7 1 + 2 + 3 2+ 3+1 2+1+ 3
=2 =2 =2
3 3 1 3 Y9 3 3 3 3
Y от всех остальных факторов. Это позволяет методом Брандона

получить эмпирическую зависимость вида
Y = Af1 (X1 ) f 2 (X 2 ) ... f k (X k ).
При использовании подобных планов экспериментов из сооб-

ражений последующей обработки желательно число уровней вы-
бирать нечетным и одинаковым, так как для рекомендуемых
планов при неодинаковом числе уровней факторов не удается
для любого фактора обеспечить получение частных зависимостей
при средних значениях всех остальных факторов (оно оказывает-
ся близким к среднему).
Развитие идеи применения латинских квадратов отражено в
работах М.И. Протодьяконова (старшего), которым предложены
различные способы построения комбинационных квадратов и
прямоугольников на базе ортогональных латинских квадратов
(рис. 14).
Проведение экспериментов согласно уровням, соответствую-
щим зачерненным клеткам комбинационного квадрата, обеспечи-
вает выполнение приведенных выше требований, что хорошо по-
казывает матрица планирования экспериментов (табл. 42).
В этой матрице опыт 23 соответствует клетке a в ком-
бинационной квадрате (см. рис. 14) и имеет условия проведения
X1 = 5, X2 = 3, X3 = X4 = 4.
Таким образом, спланировано 25 опытов вместо 54 = 625 опы-
тов, и при этом каждый фактор варьируется со всеми другими
факторами на всех возможных условиях, что хорошо видно из
блоков, выделяемых в табл. 42.
Пример обработки экспериментальных данных, полученных
согласно плану эксперимента на базе комбинационного квадрата,
приведен в гл. 4 при рассмотрении метода Брандона (в табл. 22
факторы представлены в натуральном выражении).
107
Рис. 14. Комбинаторный квадрат для планирования эксперимента при факто-
рах на пяти уровнях
В прил. 14−20 даны матрицы планирования экспериментов на

базе комбинационных квадратов для разного числа факторов и
уровней варьирования последних.
Одно из наиболее сложных и актуальных проблем инженер-
ного эксперимента является поиск оптимальных условий реали-
зации различных процессов, рецептур используемых смесей, ре-
жимов работы оборудования и т.п. Подобные задачи часто ре-
шают на базе лабораторного и промышленного эксперимента,
эффективность которых во многом зависит от методики прове-
дения опытов и обработки результатов наблюдений.
Методы планирования экспериментов для решения таких за-
дач обычно включают два этапа:
выход в область оптимальных условий;
описание области оптимума или «почти стационарной» облас-
108
Таблица 42
Номер
X1 X2 X3 X4 Y
опыта
1 1 3 1 Y1
2 2 4 2 Y2
3 1 3 5 3 Y3
4 4 2 5 Y4
5 5 1 4 Y5
6 1 5 4 Y6
7 2 1 5 Y7
8 2 3 2 1 Y8
9 4 4 3 Y9
10 5 3 2 Y10
11 1 4 5 Y11
12 2 5 1 Y12
13 3 3 1 2 Y13
14 4 3 4 Y14
15 5 2 3 Y15
16 1 1 3 Y16
17 2 2 4 Y17
18 4 3 3 5 Y18
19 4 5 2 Y19
20 5 4 1 Y20
21 1 2 2 Y21
22 2 3 3 Y22
23 5 3 4 4 Y23
24 4 1 1 Y24
25 5 5 5 Y25
ти в целях отыскания экстремальной точки, т.е. точки максимума

или минимума интересующей исследователя переменной.
Планирование эксперимента для решения этих задач выдвига-
ет следующие основные требования:
задача должна содержать четко сформулированную цель,
имеющую численное выражение, называемое критерием оптими-
зации, или целевой функцией;
критерий оптимизации должен быть единственным, а при на-
личии нескольких целей необходимо выбрать наиболее сущест-
венную, используя остальные в качестве ограничений на реше-
ние;
все факторы должны иметь численное выражение и быть уч-
тенными при планировании экспериментов, так как, если какой-
либо фактор, существенный для исследуемого процесса не будет
учтен, то он может внести такие искажения, что потеряется
смысл проведенных исследований.
Отметим, что выбор критерия оптимизации и отбор сущест-
венных факторов являются самыми трудными вопросами в зада-
чах экспериментально-статистической оптимизации.
109
В качестве критериев оптимизации могут использоваться по-
казатели: технологические (проходка, механическая скорость,
потери давления, масса выносимого шлама и др.), технико-
экономические (коммерческая и рейсовая скорости, коэффици-
ент использования мощности, стоимость 1 м проходки и т.д.),
экономические (стоимость скважины, цементирования, проведе-
ния геофизических работ и т.п.). Кроме того, часто полезным и
удобным являются некоторые формализованные критерии, такие,
как абсолютное значение отклонения от заданного параметра,
сумма квадратов отклонения от заданного значения показателя
и др.
Рассмотрим некоторые наиболее эффективные методы плани-
рования экспериментов в целях выхода в область оптимума и
описания «почти стационарной» области.
Одним из наиболее популярных методов выхода в «почти
стационарную» область является движение по градиенту, или
метод крутого восхождения Бокса − Уилсона.
Предположим, имеется некоторая выходная переменная Y, за-
висящая от факторов X1 и X2, изолинии которой изображены на
рис. 15, и необходимо найти условия, при которых эта перемен-
ная Y = f(X1, X2) достигает максимума. В нашем примере на изо-
линиях указаны значения Y в процентах.
Если известно из эксперимента значение Y в некоторой точке
А, то, двигаясь вдоль оси X1 по мере экспериментирования, в
точке В обнаружим падение Y, что обусловит движение вдоль X2
до точки С и так далее по пути ABCDEO, до прихода в точку O,
в которой будет достигнуто наибольшее значение выходной пе-
ременной.
Основная идея метода Бокса − Уилсона состоит в экспери-
ментальном определении направления наибольшего роста выход-
ной переменной, которые соответствует направлению градиента
функции Y = f(X1, X2), т.е.
∂Y r ∂Y ur
gradY = t + j,
∂X 1 ∂X 2
где ∂Y / ∂X1 , ∂Y / ∂X 2 − частные производные функции по аргу-

r ur
ментам X1, X2; t , j − единичные векторы в направлении осей
X 1, X 2.
В общем случае
ur ∂Y r ∂Y ∂Y r
gradY = ∇ f (X1 , X 2 , ..., X k ) = i+ j + ... + k,
∂X1 ∂X 2 ∂X k
110
Рис. 15. Изолинии функции Y = f(X1, X2) при достижении оптимума ( макси-
мума)
где X1, X2, … , Xk − число факторов; ∂Y / ∂X m − частная производ-

r ur ur
ная по X m (m = 1, 2, ..., k ); i , j , ..., k − единичные векторы в
направлении осей X1, X2, … , Xk.
В рассматриваемом примере (см. рис. 15) направление движе-
ния по градиенту, которое всегда перпендикулярно к изолиниям,
даст путь АВО, что гораздо эффективнее приводит к точке мак-
симума. Обратим внимание на тот факт, что при наличии линей-
ной модели в окрестностях точки А, т.е.
Y = a0 + a1X 1 + a2X 2 ,
значения и знаки частных производных совпадают со значения-
ми и знаками коэффициентов модели, так как
∂Y ∂Y
= a1 ; = a2 ,
∂X 1 ∂X 2
что существенно упрощает выбор направления.

Так, если теперь изменять независимые переменные X1 и X2
пропорционально коэффициентам a1 и a2, то движение будет
осуществляться по самому крутому склону куполообразной по-
111
верхности Y = f(X1, X2). Именно такую процедуру движения на-
зывают крутым восхождением.
Согласно методу Бокса − Уилсона, в окрестности начальной
точки необходимо осуществить эксперимент по плану 2k, а затем,
определив адекватную наблюдениям линейную модель, двигаться
по градиенту до момента нарушения адекватности модели кон-
трольным экспериментам. В области потери адекватности модели
следует вновь осуществить эксперимент по плану 2k в целях по-
иска новой адекватности модели и дальнейшего движения по
новому градиенту. В примере на рис. 15 новая серия понадоби-
лась бы в точке В для определения направления ВО (в окрестно-
стях точки А показаны координаты и область эксперимента на
двух уровнях +1 и −1 для нормированных факторов X1 è X 2 и
нулевой точки А).
В целях иллюстрации техники планирования экспериментов
методом Бокса − Уилсона рассмотрим пример поиска оптималь-
ной рецептуры тампонажного раствора.
Пример 9. Необходимо подобрать рецептуру тампонаж-
ного раствора для холодных условий (забойная температура
25… 30 °С), состоящую из понизителя водоотдачи X1 (КМЦ) и
ускорителя срока схватывания X2 (CaCl2) и обеспечивающую
минимальное отклонение от времени начала схватывания t0 =
= 120 мин.
В качестве критерия оптимизации принимаем абсолютное
значение отклонения фактического времени начала схватывания
от нормативного, т.е.
Y = t − 120 .
В качестве начальной точки при экспериментировании выби-
раем X1 = 1,5 % и X2 =0,4 % от содержания вяжущего с уровнем
варьирования J1 = 0,5 % и J2 = 0,1 %. Тогда нижние и верхние
уровни для X1 равны 1,0 и 2,0 %, а для X2 − 0,3 и 0,5 %. План
эксперимента и результаты наблюдений в первой серии опытов
приведены в табл. 43 (первые четыре опыта).
Коэффициенты модели
1
a0 = (128 + 112 + 88 + 76) = 101;
4
1
a1 = (−128 − 112 + 88 + 76) = −19;
4
1
a2 = (−128 + 112 − 88 + 76) = −7;
4
112
Таблица 43
Номер X0 X1 X2 X1 X2 t Y = t − t0 Yp
опыта
1 +1 −1 −1 +1 248 128 127
2 +1 −1 +1 −1 232 112 113
3 +1 +1 −1 −1 208 88 89
4 +1 +1 +1 +1 195 76 75
5 0 0 0 222 102 101
6 0 0 0 218 98 101
7 0 0 0 200 100 101
8 +2,5 +1 − − 56
9 +4,0 +1,5 100 20 14,5
1
a12 = (128 − 112 − 88 + 76) = 1.
4
Дисперсия воспроизводимости
2 2

1 102 + 98 + 100   102 + 98 + 100 
D âîñ =   102 −  +  98 −  +
3 − 1  3   3 
102 + 98 + 100  
2

+  100 −   = 4; σâîñ = 2.
 3  
Тогда
σa = 1 ⋅ 2 / 4 = 1, 0,
и, следовательно, при P = 0,95 и f = 3 −1 = 2 для tтаб = 4,3 полу-
чаем
a1 / σa = 19 / 1 > 4, 3; a2 / σa = 7 / 1 > 4, 3; a12 / σa = 1 / 1 < 4, 3,
т.е. модель можно представить в виде

Y = 101 − 19 X1 − 7 X 2 ,
или в натуральных переменных
Y = 186 − 38 X% 1 − 70 X% 2 .
Расчетное значения выходной переменной Yp, согласно моде-
ли, приведены в табл. 43. Соответственно остаточная дисперсия
1
[(128 − 127)
2
D îñò = + (112 − 113)2 + (88 − 89)2 + (76 − 75)2 +
5− 3−1
+(102 − 101)2 + (98 − 101)2 + (100 − 101)2  = 15.
113
Для P = 0,95 и f1 = 3 − 1 = 2 и f2 = 7 − 3 − 1 = 3 имеем
Fтаб = 9,6, и при оценке адекватности модели получаем
Dîñò / Dâîñ = 15 / 4 < 9, 6.
т.е. модель адекватна экспериментам и можно осуществлять
движение по градиенту. Для этого необходимо определять зна-
чение X1 и X2 для первого шага. Принимая во внимание,
что коэффициенты модели являются значениями ∂Y / ∂X1 и
∂Y / ∂X 2 , условия нового эксперимента вычисляют по формуле
X1n +1 = X10 ± ba1 J1 ;
X 2n +1 = X 20 ± ba2 J 2 ,
где X in +1 − значение i-го фактора в (n + 1)-м опыте; b − шаг; Ji −
интервал варьирования i-го фактора; Xi0 − значение i-го фактора
в нулевой точке; положительный знак применяют при поиске
максимума Y, а отрицательный − при поиски минимума.
Одним из наиболее сложных и неформализованных вопросов
является выбор шага b, который может быть в общем случае ра-
вен от 0 до ∞. При его выборе необходимо учитывать техниче-
скую реализуемость, физическую осмысленность и целесообраз-
ность. В рассматриваемом случае ясно, что шаг не может быть
таким, чтобы содержание реагентов стало больше 5…8 % и
0,8…1,5 % для факторов X1 и X2 соответственно. Во всех иных
случаях каждый исследователь, исходя из личного опыта и ре-
зультатов других исследований, должен выбирать разумные зна-
чения шагов, которые, естественно, должны выводить исследова-
ние из области реализованной серии опытов.
В первом случае для первого шага принимаем b = 0,1 и тогда
получаем
X18 = 1, 5 − 0,1(−19)0, 5 = 2, 45 ≈ 2, 5;
X 28 = 0, 4 − 0,1(−7)0,1 = 0, 47 ≈ 0, 50,
что в уровнях соответствует
X18 = (2, 5 − 1, 5) / 0, 5 = +2, 0;
X 28 = (0, 50 − 0, 4) / 0,1 = +1, 0.

Прогнозное значение критерия оптимизации для восьмого
опыта («мысленный» эксперимент)
114
Y = 101 − 19 ⋅ 2 − 7 ⋅ 1, 0 = 56.
Сделаем еще один такой же шаг, так как пока еще далеки от
цели, т.е.
X19 = 1, 5 − 2 ⋅ 0,1(−19)0, 5 = 3, 4 ≈ 3, 5;
X 29 = 0, 4 − 2 ⋅ 0,1(−7)0,1 = 0, 54 ≈ 0, 55,
или в кодированном виде
X19 = (3, 5 − 1, 5) / 0, 5 = +4, 0;
X 29 = (0, 55 − 0, 4) / 0,1 = +1, 5.

В мысленном эксперименте
Y = 101 − 19 ⋅ 4 − 7 ⋅ 1, 5 = 14, 5,
т.е. значение находится вблизи оптимума, для которого в иде-
альном случае Y = 0. В целях проверки правомерности использо-
вания модели в новой области необходим контрольный экспери-
мент при условиях X1 = +4 и X2 = +1,5. Результаты прогнозов и
наблюдений при движении по градиенту приведены в табл. 43.
Сравнение полученных экспериментальных значений с про-
гнозными можно осуществить по критерию Стьюдента согласно
условию
Yp − Yý N / σâîñ ≤ tòàá ,
где N − число экспериментов в первой серии ( N = 4), а осталь-
ные величины известны.
В случае выполнения указанного условия моделью пользо-
ваться можно, в противном же случае необходимо принять ре-
шение о дальнейшем пути исследования.
При этом могут быть приняты два решения:
область оптимума достигнута, и необходимо перейти к описа-
нию «почти стационарной» области;
необходимо выбрать новое направление движения.
Для решения обеих задач требуется проведение новой серии
экспериментов по плану типа 2k.
Для рассматриваемого примера имеем
14, 5 − 20 4 / 2 > 4, 3,
т.е. модель неадекватна и необходимо осуществить новую серию
опытов. Примем за новую нулевую точку условия X1 = 3,5 и
115
X2 = 0,55 %, а шаг варьирования уменьшим, приняв Y1 = 0,25 % и
Y2 = 0,05 %. Тогда нижний и верхний уровни для X1 будут 3,25 и
3,75 %, а для X2 − 0,5 и 0,6 %.
План эксперимента и результаты наблюдений в новой облас-
ти эксперимента даны в табл. 44.
Коэффициенты модели
a0 = 25; a1 = −5; a2 = 4; a12 = +2.
Дисперсии воспроизводимости и коэффициентов модели
D âîñ = 2, 33;
σâîñ = 1, 53; σa = 0, 76.

Тогда оценки коэффициентов
a0 / σa = 25 / 0, 76 > 4, 3; a1 / σa = 5 / 0, 76 > 4, 3;
a2 / σa = 4 / 0, 76 > 4, 3; a12 / σa = 2 / 0, 76 < 4, 3.
Таким образом, модель имеет вид

Y = 25 − 5X1 + 4X2,
или в натуральных значениях
Y = 51 − 20 X% 1 + 80 X% 2 .
Остаточная дисперсия согласно данным табл. 44
1
D îñò = (28 − 26)2 + (32 − 34)2 + ... + (26 − 25)2 = 7, 00.
5− 3−1
Следовательно, модель адекватна, так как

D îñò / D âîñ = 7, 00 / 2, 33 < 9, 6.
Принимая во внимание, что экспериментирование осуществ-
ляется вблизи оптимума, необходимо дать оценку квадратичным
членам согласно условию
a0 − Y0 ≤ σa ,
где Y0 − среднее значение выходной переменной в нулевой

точке.
При выполнении этого условия квадратичными членами мож-
но пренебречь, а в противном случае считается, что достигнута
116
Таблица 44
Номер X0 X1 X2 X1X2 t Y = t − 120 Yp
опыта
1 +1 −1 −1 +1 148 28 26
2 +1 −1 +1 −1 172 32 34
3 +1 +1 −1 −1 134 14 16
4 +1 +1 +1 +1 142 26 24
5 0 0 143 23 25
6 0 0 145 25 25
7 0 0 146 26 25
8 +2 −1 11
9 +3 −1,5 130 10 4,0
«почти стационарная» область. При этом, если a0 − Y0 больше

σa , то эксперименты осуществлены вблизи максимума, а если
меньше − вблизи минимума.
В рассматриваемом примере для второй серии имеем
23 + 25 + 26
a0 − Y0 = 25 − = 0, 33 < 0, 76,
3
т.е. квадратичными членами можно пренебречь.

Примем шаг b = 0,3, тогда
X18 = 3, 5 − 0, 3(−5)0, 25 = 3, 875 ≈ 4;
X 28 = 0, 55 − 0, 3(+4)0, 05 = 0, 49 ≈ 0, 5,
т.е. в кодированных значениях
X18 = +2, 0; X 28 = −1, 0,

для которых
Y 8p = 25 − 5 ⋅ 2 + 4(−1) = 11.
Сделаем еще полшага, т.е. проведем мысленный эксперимент

при условии
X19 = +3, 0; X 29 = −1, 5,

для которого получаем
Y 9p = 25 − 5 ⋅ 3, 0 + 4(−1, 5) = 4, 0.
Для этих условий осуществим контрольный эксперимент, ко-

торый дает значение Y9 = 10. Проверка показывает, что модель
117
неадекватна, так как 10 − 4, 0 4 / 1, 53 > 4, 3, и необходимо при-
нять новое решение.
В данном примере можно считать, что область оптимума дос-
тигнута, так как рецептура с необходимой для практики точно-
стью подобрана и имеет такой состав:
X1 = 3, 5 + (+3)0, 25 = 4, 25;
X 2 = 0, 55 + (−1, 5)0, 05 = 0, 475 ≈ 0, 5,
т.е. необходим ввод 4,25 % CaCl2 и 0,5 % КМЦ в тампонажную
смесь.
Рассмотренный метод планирования экспериментов при всей
эффективности требует выполнения следующих условий. Для
лабораторных исследований необходимы:
высокая точность измерений, большая варьируемость факто-
ров;
при корректировке направления поиска значительное число
экспериментов, особенно при большом числе факторов;
строгое соответствие линейной модели результатам наблюде-
ний.
Для экспериментов в промышленных условиях разработаны
менее чувствительные к ошибкам, но и менее эффективные ме-
тоды, которые позволяют вывести исследователя в оптимальную
область путем адаптивного поиска, т.е. поиска с учетом каждого
проведенного эксперимента.
В промышленных условиях проведение эксперимента услож-
няется вследствие воздействия большого числа неучтенных пе-
ременных, сложности варьирования факторов, меньшей точности
измерений и т.п. Для достижения эффективных результатов при
поиске оптимальных условий Боксом было предложено последо-
вательное цикличное экспериментирование с последующим оп-
ределением направления поиска, позволяющее, благодаря много-
кратному повторению в близких к рабочим режимам наблюдени-
ях, получать устойчивые значения критерия оптимизации. Это
экспериментирование получило название эволюционного планиро-
вания экспериментов (ЭвОП).
Основная идея этого метода показана на примере поиска оп-
тимальных условий при воздействии двух факторов (рис. 16).
После первой серии опытов в условиях ( X10, X20), (X11, X21),
(X11, X22), (X12, X21) и (X12, X22) с многократным повторением
получены устойчивые значения Y, равные соответственно 11, 10,
12, 11 и 14, указывающие на следующую серию, давшую резуль-
таты 14, 11, 15, 13 и 18, из которых эксперименты со значениями
11 и 14 являются результатами предыдущей серии. Вторая серия
118
Рис. 16. Схема последовательного экспериментирования в целях выхода в об-
ласть оптимума методом ЭвОП
была поставлена вокруг центральной точки, соответствующей

наибольшему значению Y в первой серии. В предпоследней се-
рии были значения 24, 18, 22, 23 и 20, а в последней – 24, 17, 20,
22 и 23, указывающие на достижение «почти стационарной» об-
ласти.
Проведение опытов по методу эволюционного планирования
включает такую последовательность действий:
1) определение критерия оптимизации и факторов, которые
должны иметь численное выражение;
2) установление уровней варьирования факторов и нулевой
точки, построение матрицы планирования типа 2k или 2k–m и до-
полнение ее опытом в нулевой точке;
3) постановка по установленной матрице опытов при осуще-
ствлении как минимум двукратного дублирования наблюдений;
4) определение среднего результата в каждом опыте по ре-
зультатам повторных наблюдений, т.е.
1 n
Yi n = ∑ Yi r , (154)
n r =1
где n – число повторных наблюдений Yi при i-м эксперименте;

119
5) определение эффектов каждого из факторов и их взаимо-
действий, а также эффекта среднего, где под эффектом А пони-
мается величина, на которую изменится Y при изменении факто-
ра в области экспериментирования, т.е. если Y = a0 + a1 X1 , то
A1 = a1 X 1max − a1 X1min = a1 (+1) − a1 (−1) = 2a1 ;
N N
2 ∑ X ijY jn ∑ Yin − NY0n
Aj = i =1 ; A0 = i =1 , (155)
N N +1
где N – число точек в матрице планирования;

6) нахождение разности между средним значением Yi за пре-
дыдущие повторные наблюдения и значением Yi в последнем на-
блюдении, т.е.
1 n −1
ri = Yi n −1 − Yi n = ∑ Yi r − Yi n ; (156)
n − 1 r =1
7) определение размаха в данной серии наблюдений

R = rmax − rmin , (157)
на основании которого определить ошибку опытов
σY = pR, (158)
где значение p определяется из табл. 45;
8) определение средней ошибки по всем сериям при наличии
более двух повторных наблюдений
1 n −1
σY = ∑ σYr ; (159)
n − 1 r =1
Таблица 45
Число по- Значение p при числе опытов в матрице планирования ( N + c)
вторных
наблюде- 2 3 4 5 6 7 8 9 10
ний
2 0,63 0,42 0,34 0,30 0,28 0,26 0,25 0,24 0,23
3 0,72 0,48 0,40 0,35 0,32 0,30 0,29 0,27 0,26
4 0,77 0,51 0,42 0,37 0,34 0,32 0,30 0,29 0,28
5 0,79 0,53 0,43 0,38 0,35 0,33 0,31 0,30 0,29
6 0,81 0,54 0,44 0,39 0,36 0,34 0,32 0,31 0,30
7 0,82 0,55 0,45 0,40 0,37 0,34 0,33 0,31 0,30
8 0,83 0,55 0,45 0,40 0,37 0,35 0,33 0,31 0,30
9 0,84 0,56 0,46 0,40 0,37 0,35 0,33 0,32 0,31
10 0,84 0,56 0,46 0,41 0,37 0,35 0,33 0,32 0,31
120
9) вычисление доверительного интервала для всех эффектов
σY
∆ Aj = m / 2 −1
tòàá ; ∆ A0 = 0, 9∆ A j ,
2 N
где m – число факторов; tтаб – значение критерия Стьюдента при

выбранном уровне значимости α и числе степеней свободы f =
= N(n – 1);
10) определение разбросов эффектов, т.е.
Aj − ∆ Aj ≤ Aj ≤ Aj + ∆ Aj ;
A0 − ∆ A0 ≤ A0 ≤ A0 + ∆ A0 ;
11) проверка значимости эффекта согласно условию
Aj > ∆ Aj ,
при выполнении которого эффект считается значимым, а в про-

тивном случае – незначимым;
12) определение для значимых эффектов шага в новой серии
экспериментов
∆ X j = bA j , (160)
где b – коэффициент, который необходимо выбирать с учетом

технических и физических возможностей (в упрощенном вариан-
те можно поступать так, как в примере на рис. 16);
13) отбрасывание незначимых факторов на следующем этапе
или осуществление дополнительного повтора наблюдений в об-
ласти экспериментирования;
14) осуществление новой серии опытов после определения
новой области экспериментов;
15) продолжение процедуры до прихода в «почти стационар-
ную» область.
Приведенный алгоритм планирования экспериментов и обра-
ботки наблюдений весьма эффективен в промысловых условиях.
Рассмотрим его применение на следующем примере.
Пример 10. Целью проведение эксперимента является опти-
мизация параметров режима бурения, т.е. выбор осевой нагрузки
на долото P, кН, и частоты вращения n, мин–1, для максимизации
механической скорости бурения vмех, м/ ч. Осевая нагрузка и час-
тота вращения варьируется на двух уровнях, используется пол-
ный факторный эксперимент с дополнительной центральной
точкой.
121
Таблица 46
Номер экспе- vin vin
римента P n
0 12 60 2,5; 2,7 2,6
1 10 30 1,8; 2,2 2,0
2 14 90 4,3; 4,1 4,0
3 10 90 2,8 2,8 2,8
4 14 30 2,4; 2,2 2,3
Определяем уровни варьирования факторов следующим обра-

зом (табл. 46):
P0 = 12; n0 = 60;
P1 = 10; n1 = 30;
P2 = 14; n2 = 90.
Находим эффекты каждого фактора, их взаимодействия и
эффект среднего:
AP = 2 [(−1)2, 0 + 1 ⋅ 4, 0 − 1 ⋅ 2, 8 + 1 ⋅ 2, 3)] / 4 = 0, 75;
An = 2 [(−1)2, 0 + 1 ⋅ 4, 0 + 1 ⋅ 2, 8 − 1 ⋅ 2, 3)] / 4 = 1, 25;
APn = 2 [(−1)(−1)2, 0 + 1 ⋅ 1 ⋅ 4, 0 + (−1)1 ⋅ 2, 8 + 1(−1)2, 3)] / 4 = 0, 45;
A0 = 2, 0 + 4, 0 + 2, 8 + 2, 3 − 4 ⋅ 2, 6 /(4 + 1) = 0,14.
Определяем размах R и Dv:
r1 = 2, 2 − 1, 8 = 0, 4; r2 = 4,1 − 4, 3 = −0, 2; r3 = 2, 8 − 2, 8 = 0;
r4 = 2, 2 − 2, 4 = −0, 2; R = 0, 4 − (−0, 2) = 0, 6; Dv = 0, 3 ⋅ 0, 6 = 0,18.
Вычисляем доверительные интервалы для всех эффектов при

t = 2, 78 для α = 0, 05 и f = N (n − 1) = 4(2 − 1) = 4 ;
⋅ 2, 78
∆ Ai = 0,18
2 / 2 −1
= 0,25 (i = 1, 2, 3, 4);
2 4
∆ A0 = 0, 9 ⋅ 0, 25 = 0, 23.
Разброс эффектов:
0, 75 − 0, 25 ≤ 0, 75 ≤ 0, 75 + 0, 25; 0,5 ≤ AP ≤ 1, 0;
1, 25 − 0, 25 ≤ 1, 25 ≤ 1, 25 + 0, 25; 1,0 ≤ An ≤ 1, 5;
122
Таблица 47
Номер экспе- vin vin
римента P n
0 14 90 4,3; 4,1 4,0
1 12 60 2,5; 2,7 2,6
2 16 120 7,4; 7,2 7,2
3 12 120 4,9; 4,5 4,7
4 16 60 2,8; 3,2 3,0
0, 45 − 0, 25 ≤ 0, 45 ≤ 0, 45 + 0, 25; 0,2 ≤ APn ≤ 0, 7;

0,14 − 0, 23 ≤ 0,14 ≤ 0,14 + 0, 23; − 0,09 ≤ A0 ≤ 0, 37.
Так как A0 < ∆A0, то эффект изменения среднего незначим, а
эффекты P и n значимы. Необходимо перейти ко второй фазе,
взяв в качестве нулевой точку с максимальной механической
скоростью, спланируем эксперимент по упрощенному варианту
(табл. 47).
Для второй фазы эксперимента
AP = 2 [(−1)2, 6 + 1 ⋅ 7, 2 − 1 ⋅ 4, 7 + 1 ⋅ 3, 0)] / 4 = 1, 45;
An = 2 [(−1)2, 6 + 1 ⋅ 7, 2 + 1 ⋅ 4, 7 − 1 ⋅ 3, 0)] / 4 = 3,15;
APn = 2 [(−1)(−1)2, 6 + 1 ⋅ 1 ⋅ 7, 2 + (−1)1 ⋅ 4, 7 + (−1)3, 0)] / 4 = 1, 05;
A0 = 2, 6 + 7, 2 + 4, 7 + 3, 0 − 4 ⋅ 4, 0 /(4 + 1) = 0, 3;
r1 = 2, 7 − 2, 5 = +0, 2; r2 = 7, 2 − 7, 4 = −0, 2;
r3 = 4, 5 − 4, 9 = −0, 4; r4 = 3, 2 − 2, 8 = 0, 4;
R = 0, 4 − (−0, 4) = 0, 8; D = 0, 3 ⋅ 0, 8 = 0, 24;
∆ Ai = 0, 33; ∆ A0 = 0, 3.
Вновь получаем Ai > ∆Ai, а эффект изменения среднего и в
этой фазе оказался незначительным, т.е. следует провести еще
одну фазу эксперимента. Но так как продолжение эксперимента
ограничено техническими возможностями, то найденные пара-
метры режима следует считать условным экстремумом.
Другим адаптационным методом пошагового эксперименталь-
ного поиска оптимальных условий является симплекс-метод. В
многомерном случае под симплексом понимается гипермного-
гранник с n + 1 равноудаленной вершиной. В двухмерном случае
это правильный треугольник, в трехмерном – тетраэдр. Идея
123
симплекс-планирования экспериментов хорошо иллюстрируется
для двухмерного случая (рис. 17).
Если в начале экспериментирования осуществить три опыта в
координатах (X11, X12), (X12, X22) и (X13, X23), в которых соответ-
ствующие значения критерия оптимизации равны 10, 12 и 13, то
следующий опыт разумно осуществить на максимальном удале-
нии от «худшей» точки (Y = 10).
Новый симплекс образуется двумя вершинами исходного
симплекса и условиями эксперимента в точке, образованной зер-
кальным отражением «худшей» вершины относительно противо-
положной стороны (на рис. 17 штриховой линией показан поря-
док переноса вершины).
Отличительная черта такого подхода – отсутствие вычисле-
ния коэффициентов модели или эффектов. Для определения ус-
ловий нового опыта достаточно узнать условия предыдущих
опытов и значения критерия оптимизации, т.е. исключаются до-
Рис. 17. Схема последовательного поиска оптимальных условий с помощью

симплекс-метода
124
полнительные вычисления. Достижение «почти стационарной»
области хорошо видно на рис. 17 (вокруг точки с Y = 40 после-
довательное экспериментирование привело к циклическому по-
вторению симплексов, т.е. эксперименты привели в область оп-
тимума). Недостатками метода являются неоднородность диспер-
сии относительно центра симплексов и большой риск в выборе
направления при наличии случайных ошибок во время наблю-
дений.
С помощью этого метода эксперименты планируют и реали-
зуют в такой последовательности:
1) выбирают критерий оптимизации и факторы, которые
должны иметь численное выражение;
2) устанавливают основной уровень X 0j и интервал варьиро-
вания Jj для каждого j-го фактора;
3) определяют условия проведения опытов для исходного
симплекса согласно формулам
X ij = X 0j + rij J j при i ≤ j;
X ij = X 0j − Rij J j при i = j + 1; (161)
X ij = X 0j при i > j + 1,
где X ij – значение j-го фактора в i-м опыте (отметим, что при

наличии k факторов исходной симплекс содержит k + 1 опыт), и
вычисляют значения rij и Rij по формулам
rij = 1 /[2 j( j + 1)] при i ≤ j; (162)
Rij = j /[2( j + 1)] при i = j + 1;
4) проводят эксперименты для исходного симплекса и опре-

деляют «худший» опыт, который необходимо отбросить;
5) находят условия k + 2 опыта согласно формуле
k
X íîâ
j = 2∑ X ij / k − X îòá
j (i ≠ A), (163)
i =1
где X íîâ îòá

j , Xj – значение j-го фактора соответственно в новом и
отброшенном эксперименте; X ij – значение j-го фактора в от-
брошенном эксперименте; А – номер отброшенного опыта;
6) осуществляют новый эксперимент, вновь отбрасывают
опыт с «худшим» значением критерия оптимизации и определя-
ют условия нового опыта;
125
7) последовательное экспериментирование продолжают вплоть
до достижения области оптимума, которое характеризуется или
одинаковыми результатами во всех вершинах симплекса (это
бывает весьма редко), или циклическим возвратом к реализован-
ным ранее симплексам;
8) в «почти стационарной» области необходимо провести не-
сколько (обычно три-четыре) экспериментов в центре последнего
симплекса, координаты которого определяют по формуле
1 k +1
X0 j = ∑ X ij , (164)
k +1 i =1
где X ij – значение j-го фактора в (k + 1)-й вершине проверяемо-

го симплекса;
9) оценивают полученный для центра симплекса результат со-
гласно условию
Y − Y0 > σâîñ ,
1 k +1
где Y = ∑ Yi – среднее значение критерия оптимизации в
k +1 i =1
результатах наблюдений в (k + 1)-й вершине симплекса; Y0 –

среднее значение по результатам m наблюдений в центре сим-
1 m
плекса; σâîñ = ∑ (Y0 r − Y0 )2 – дисперсия воспроизводимости
m − 1 r =1
по результатам m экспериментов в центре последнего симплекса.
Выполнение последнего условия указывает на достижение
«почти стационарной» области.
Пример 10. Для цементирования скважин с забойной темпе-
ратурой 100 °С необходимо подобрать рецептуру седиментаци-
онно-устойчивого тампонажного раствора, состоящего из ново-
российского портландцемента, ССБ ( X1), гипана (X2) и бихрома-
та калия (X3) и обеспечивающего время начала загустевания t0 =
150 мин.
Целевой функцией считаем величину отклонения фактическо-
го времени загустевания от нормативного, т.е. Y = t − 150 .
За нулевое значение доли химических добавок в процентах
от сухого вяжущего примем X10 = 0, 3; X 20 = 0, 4; X 30 = 0, 4 при
следующих интервалах варьирования, %: J1 = 0,10; J 2 = 0,10;
J 3 = 0,15.
Определяем условия проведения опытов для исходного сим-
плекса, принимая во внимание, что он представляет собой тетра-
126
эдр (k + 1 = 3 + 1 = 4). Для этого вычисляем вспомогательные
величины rij и Rij:
r11 = 1 /[2 ⋅ 1(1 + 1)] = 0, 5; R21 = 1 /[2(1 + 1)] = 0, 5;
r12 = 1 /[2 ⋅ 2(2 + 1)] = 0, 289; r22 = r12 = 0, 289;
R32 = 2 /[2(2 + 1)] = 0, 578;
r13 = 1 /[2 ⋅ 3(3 + 1)] = 0, 204; r23 = r33 = r13 = 0, 204;
R43 = 3 /[2(3 + 1)] = 0, 612.

Тогда условия проведения опытов в исходном симплексе сле-
дующие:
X11 = 0, 3 + 0, 5 ⋅ 0,10 = 0, 35; X12 = 0, 4 + 0, 289 ⋅ 0,10 ≈ 0, 43;
X13 = 0, 4 + 0, 204 ⋅ 0,15 = 0, 43; X 21 = 0, 3 + 0, 5 ⋅ 0,10 = 0, 25;
X 22 = 0, 4 + 0, 289 ⋅ 0,10 ≈ 0, 43; X 23 = 0, 4 + 0, 204 ⋅ 0,15 = 0, 43;
X 31 = 0, 3; X 32 = 0, 4 + 0, 578 ⋅ 0,10 ≈ 0, 34;
X 33 = 0, 4 + 0, 204 ⋅ 0,15 ≈ 0, 43; X 41 = 0, 3; X 42 = 0, 4;

X 43 = 0, 4 − 0, 612 ⋅ 0,15 = 0, 31.
Таким образом, матрицу планирования экспериментов можно
представить в виде табл. 48.
Таблица 48
Номер
X1 X2 X3 t Y = t − 150
опыта
1 0,35 0,43 0,43 95 55
2 0,25 0,43 0,43 60 90
3 0,30 0,34 0,43 70 80
4 0,30 0,40 0,31 80 70
5 (2) 0,38 0,35 0,35 90 60
6 (3) 0,39 0,45 0,38 105 45
7 (4) 0,45 0,42 0,46 120 40
8 (5) 0,41 0,52 0,50 135 15
9 (6) 0,48 0,50 0,46 140 10
10 (7) 0,50 0,51 0,57 155 5
11 (8) 0,48 0,60 0,56 150 5
12 0,47 0,53 0,52 160, 150, 159 10, 0, 5
П р и м е ч а н и я: 1. Опыты 1–4 – исходный симплекс. 2. В скобках указан
номер отброшенного опыта.
127
По результатам эксперимента отброшен опыт 2 ввиду самого
большого отклонения от нормативного времени.
Определяем условия опыта 5, имея в виду, что А = 2 (отбро-
шен опыт 2):
X15 = 2(0, 35 + 0, 30 + 0, 30) / 3 − 0, 25 = 0, 38;
X 25 = 2(0, 43 + 0, 34 + 0, 40) / 3 − 0, 43 = 0, 35;
X 35 = 2(0, 43 + 0, 43 + 0, 31) / 3 − 0, 43 = 0, 35.

Из оставшихся опытов 1, 3, 4, 5 необходимо отбросить опыт
3. Условия проведения опыта 6:
X16 = 2(0, 35 + 0, 30 + 0, 38) / 3 − 0, 30 = 0, 39;
X 26 = 2(0, 43 + 0, 40 + 0, 35) / 3 − 0, 34 = 0, 45;
X 36 = 2(0, 43 + 0, 31 + 0, 35) / 3 − 0, 43 = 0, 30.

Отбрасываем опыт 4 (симплекс 1, 4, 5, 6) и условия нового
опыта будут такими:
X17 = 2(0, 35 + 0, 38 + 0, 39) / 3 − 0, 30 = 0, 45;
X 27 = 2(0, 43 + 0, 35 + 0, 45) / 3 − 0, 40 = 0, 42;
X 37 = 2(0, 43 + 0, 35 + 0, 38) / 3 − 0, 31 = 0, 46.

Необходимо из опытов 1, 5, 6, 7 отбросить опыт 5, и тогда
получаем следующие условия нового опыта:
X18 = 2(0, 35 + 0, 39 + 0, 45) / 3 − 0, 38 = 0, 41;
X 28 = 2(0, 43 + 0, 45 + 0, 42) / 3 − 0, 35 = 0, 52;
X 38 = 2(0, 43 + 0, 38 + 0, 46) / 3 − 0, 35 = 0, 50.

Из симплекса 1, 6, 7, 8 отбрасываем опыт 1 и получаем усло-
вия опыта 9:
X19 = 2(0, 39 + 0, 45 + 0, 41) / 3 − 0, 35 = 0, 48;
X 29 = 2(0, 45 + 0, 42 + 0, 52) / 3 − 0, 43 = 0, 50;
X 39 = 2(0, 38 + 0, 46 + 0, 49) / 3 − 0, 43 = 0, 46.

128
Из последнего симплекса 6, 7, 8, 9 отбрасываем опыт 6. Тогда
для опыта 10
X110 = 2(0, 45 + 0, 41 + 0, 48) / 3 − 0, 39 = 0, 50;
X 210 = 2(0, 42 + 0, 52 + 0, 50) / 3 − 0, 45 = 0, 51;
X 310 = 2(0, 46 + 0, 49 + 0, 46) / 3 − 0, 38 = 0, 57.

Практически область оптимума достигнута, но, отбрасывая
опыт 7 (симплекс 7, 8, 9, 10), проводим опыт 11 при условиях
X111 = 2(0, 41 + 0, 48 + 0, 50) / 3 − 0, 45 = 0, 48;
X 211 = 2(0, 52 + 0, 50 + 0, 51) / 3 − 0, 42 = 0, 60;
X 311 = 2(0, 49 + 0, 46 + 0, 56) / 3 − 0, 46 = 0, 56.

Проверяем, достигнута ли область оптимума. Для этого ста-
вим опыт 12 в центре последнего симплекса 8, 9, 10, 11 и повто-
ряем его трижды при условиях
1
X01 = (0, 41 + 0, 48 + 0, 50 + 0, 48) = 0, 47;
31
1
X02 = (0, 52 + 0, 50 + 0, 51 + 0, 61) = 0, 53;
3+1
1
X03 = (0, 49 + 0, 46 + 0, 56 + 0, 55) = 0, 52.
3+1
В результате поставленных в центре последнего симплекса

опытов получаем
1  10 + 0 + 5 
2
 10 + 0 + 5 
2
 10 + 0 + 5  
2
Dâîñ =  10 −   + 0 −   + 5 −   = 25;
3 − 1  3   3   3  

σâîñ = 5.
Среднее значение для вершин рассматриваемого симплекса
1
Y = (15 + 10 + 5 + 5) ≈ 9,
3+1
среднее значение в центральной точке

129
1
Y0 = (10 + 0 + 5) = 5.
3
Следовательно, получаем
Y − Y0 = 4 < σâîñ ,
т.е. область оптимума достигнута.

Искомая рецептура химической обработки, %: ССБ – 0,47,
гипан – 0,53, бихромат калия – 0,52, а время начала загустева-
ния, мин,
t = (160 + 150 + 155) / 3 = 155,
что лишь на 5 мин отличается от нормативного.
Все рассмотренные ранее методы поиска оптимальных усло-
вий базировались на «активных» экспериментах, т.е. опытах, за-
ранее спланированных по определенной методике. На практике
часто бывает необходимо дать прогноз условий последующих
опытов для поиска оптимальных условий на основании опытных
данных «пассивного» эксперимента, т.е. результатов наблюдений
за процессом в опытах, которые осуществлялись без предвари-
тельного составления плана экспериментов. В подобной ситуа-
ции обычно пользуются результатами корреляционного анализа
наблюдений (см. гл. 4), для применения которого обычно бывает
необходимо иметь достаточно большое число экспериментальных
точек (число опытов должно быть больше, чем число коэффици-
ентов в рассмотренной модели). При наличии возможности по-
лучения такого числа наблюдений можно построить модель, и
дальнейший прогноз для достижения области оптимума можно
осуществить согласно правилу
X Nj +1 = X Nj + ba j ,
где aj – коэффициент линейной модели для j-го фактора; b –

коэффициент пропорциональности, выбираемый из условий фи-
зической реализуемости и технических возможностей.
Поиск с непрерывным уточнением регрессионной модели дос-
таточно универсален, но требует большого объема вычислений на
ЭВМ.
В промысловых условиях инженер-буровик часто не имеет
достаточной информации для использования корреляционного
анализа и возможности оперативного использования вычисли-
тельных устройств. В подобной ситуации весьма полезным явля-
ется способ обработки результатов пассивного эксперимента, ко-
130
торый дает направление максимума отношения прироста крите-
рия оптимизации к его стандартному отклонению, не требует
большого числа данных и может быть легко реализован вручную.
При этом определяется, безусловно, лишь приближенное направ-
ление градиента.
Метод основывается на определении величины
n
R j = ∑ (X ij − X j )Yi , (165)
i =1
где X ij – значение j-го фактора в i-м эксперименте, X j – сред-

нее значение j-го фактора в n экспериментах; Yi – значение кри-
терия оптимизации в i-м опыте.
При наличии Rj можно вычислить условия нового экспери-
мента по формуле
X Nj +1 = X j ± kì R j , (166)
где X Nj +1 – значение j-го фактора в N + 1 эксперименте; X j –

среднее значение j-го фактора в N экспериментах; kм – коэффи-
циент масштабности, выбираемый одинаковым для всех факто-
ров и учитывающий физическую реализуемость экспериментов;
знаки «+» и «–» используют при поиске максимума и минимума
соответственно.
Отметим, что при малом числе опытов или больших искаже-
ниях вследствие плохой воспроизводимости метод может дать
неверные результата. Однако с накоплением информации (даже
«плохой») точность его существенно повышается.
Пример 11. По итогам проводки четырех предыдущих сква-
жин в майкопских отложениях Кубани необходимо определить
целесообразное изменение регистрируемых при бурении факто-
ров в целях увеличения проходки на долото (табл. 49).
По формуле (165) вычисляем
R1 = (14 − 14) ⋅ 30 + (10 − 14) ⋅ 22 + (18 − 14) ⋅ 32 + (14 − 14) ⋅ 36 = 40;
R2 = (26 − 28, 5) ⋅ 30 + (28 − 28, 5) ⋅ 22 +

+ (32 − 28, 5) ⋅ 32 + (28 − 28, 5) ⋅ 36 = 8, 0;
R3 = (25 − 27, 5) ⋅ 30 + (30 − 27, 5) ⋅ 22 +
+ (35 − 28, 5) ⋅ 32 + (28 − 27, 5) ⋅ 36 = −50;
R4 =(3 − 3, 75)⋅30 + (4 − 3, 75)⋅22 + (3 − 3, 75)⋅32 + (5 − 3, 75)⋅36 = 4, 0;
131
Таблица 49
Пода- Услов- Статическое Плот-
ча ная вяз- Водо- напряжение ность
Нагру- буро- кость сдвига, Па бурово- Проход-
отдача
Номер зка на вых бурово- X4, см ,
3
го рас-
ка на
опыта долото насо- го рас- через через твора
долото
X1, кН за Y, см
сов твора 30 мин 1 мин 10 мин X7,
X2, X3, с X5 X6 г/ см3
л/ с
1 14 26 25 3 40 70 1,75 30
2 10 28 30 4 30 50 1,78 22
3 18 32 35 3 35 60 1,72 32
4 14 28 20 5 30 75 1,74 36
Сумма 56 114 110 15 135 255 6,99
Сред- 14 28,5 27,5 3,75 33,75 63,75 1,75 –
нее
5 16 29 25 4 34 72 1,72 41
Сумма 72 143 135 19 169 327 8,71
Сред- 14,4 28,6 27,0 3,8 33,8 65,4 1,745 –
нее
6 17 30 21,0 4,0 34 78 1,73 42
R5 = (40 − 33, 75)30 + (30 − 33, 75)22 +
+ (35 − 33, 75)32 + (30 − 33, 75)36 = 10;
R6 = (70 − 63, 75)30 + (50 − 63, 75)22 +
+(60 − 63, 75)32 + (75 − 63, 75)36 = 170;
R7 = (1, 75 − 1, 75)30 + (1, 78 − 1, 75)22 +
+ (1, 72 − 1, 75)32 + (1, 74 − 1, 75)36 = −0, 66.

Принимая во внимание, что необходимо найти максимум, при
kм = 0,05 получаем
X15 = 14 + (+40)0, 05 = 16;
X 25 = 28, 5 + (+80)0, 05 = 28, 9 ≈ 29;
X 35 = 27, 5 + (−50)0, 05 = 25;
X 45 = 3, 75 + (+4, 0)0, 05 = 3, 9 ≈ 4, 0;
X 55 = 33, 75 + (+10)0, 05 = 34, 25 ≈ 34;

132
X 65 = 63, 75 + (+170)0, 05 = 72, 25 ≈ 72;
X 75 = 1, 75 + (−0, 66)0, 05 = 1, 717 ≈ 1, 72.

В табл. 49 приведены прогнозные условия при бурении и ре-
зультаты осуществления программы. Очевидно, что прогнозиро-
вание можно продолжить и для последующих скважин, но при
этом следует указывать на обязательное привлечение ограниче-
ний к параметрам бурового раствора и режимным характеристи-
кам из соображений безаварийности бурения.
Если воспользоваться результатами эксперимента 5, то
R1 = (14 − 14, 4)30 + (10 − 14, 4)22 + (18 − 14, 4)32 + (14 − 14, 4)36 +
+ (16 − 14, 4)41 = 57, 6;
R2 = (26 − 28, 6)30 + (28 − 28, 6)22 + (32 − 28, 0)32 + (28 − 28, 6)36 +
+ (29 − 28, 6)41 = 12, 4;
R3 = (25 − 27, 0)30 + (30 − 27, 0)22 + (35 − 27, 0)32 + (20 − 27, 0)36 +
+(24 − 27, 0)41 = −113, 0;
R4 = (3 − 3, 8)30 + (4 − 3, 8)22 + (3 − 3, 8)32 +

+ (5 − 3, 8)36 + (4 − 3, 8)41 = 6, 2;
R5 = (40 − 33, 8)30 + (30 − 33, 8)22 + (35 − 33, 8)32 +

+ (30 − 33, 8)36 + (34 − 33, 8)41 = 12, 2;
R6 = (70 − 65, 4)30 + (50 − 65, 4)22 + (60 − 65, 4)32 +
+ (75 − 65, 4)36 + (72 − 65, 4)41 = 242, 6;
R7 = (1, 75 − 1, 74)30 + (1, 78 − 1, 74)22 +
+(1, 72 − 1, 74)32 + (1, 74 − 1, 74)36 + (1, 72 − 1, 74)41 = −0, 28.

Прогноз для следующей буровой при kм = 0,05:
X16 = 14, 4 + (+57, 6)0, 05 = 17, 28 ≈ 17;
X 26 = 28, 6 + (+12, 4)0, 05 = 29, 22 ≈ 29;
X 36 = 26, 8 + (−113, 0)0, 05 = 21,15 ≈ 21;

133
X 46 = 3, 8 + (+6, 2)0, 05 = 4,11 ≈ 4, 0;
X 56 = 33, 8 + (12, 2)0, 05 = 34, 41 ≈ 34;
X 66 = 65, 4 + (242, 6)0, 05 = 77, 53 ≈ 78;
X 76 = 1, 74 + (−0, 28)0, 09 = 1, 726 ≈ 1, 73.
Таким образом, получены новые параметры бурового раствора

и режимных характеристик. Обратим внимание на тот факт, что
найдено устойчивое значение условий бурения, что подтвержде-
но результатами проходки (см. табл. 49, опыт 6).
По сравнению со средним результатом первых четырех на-
блюдений Y = 30 м в последующих двух реализациях достигнуто
около 40 % увеличения средней проходки на долото.
Этим примером закончим рассмотрение методов планирова-
ния экспериментов и обработки результатов наблюдений в целях
поиска оптимальных условий или выхода в «почти стационар-
ную» область. Для создания моделей, описывающих область оп-
тимума, следует использовать специальные планы эксперимен-
тов, позволяющие дать оценку квадратичным членам и членам
более высокой степени. Для построения моделей в виде полино-
мов второго порядка необходимо экспериментирование на трех
уровнях изменения факторов, т.е. планы типа 3k. Однако такие
планы требуют большого числа экспериментов (32 = 9; 33 = 27;
34 = 81 и т.д.). Резкое увеличение числа опытов с ростом числа
факторов вызвало необходимость разработки специальных пла-
нов, к которым относятся ортогональные центрально-композици-
онные и рототабельные центрально-композиционные планы.
Основная часть построения этих планов состоит в том, что
планы типа 2k дополняются экспериментами в центральных и
«звездных» точках. «Звездными» называют точки, условия экс-
периментов для которых соответствуют координатам ( α, 0, … , 0,
…, 0), или (0, α, 0, …, 0) и (0, 0, …, 0, α), где α – значения j-го
фактора. Величина «звездного» плеча и число опытов в нулевой
точке зависят от числа факторов и способа планирования. Так,
для ортогональных и для рототабельных центрально-композици-
онных планов имеем параметры, указанные в табл. 50.
Несмотря на значительно большее число экспериментов, в на-
стоящее время нашли применение в основном рототабельные
планы, так как ортогональные не обеспечивают одинаковой по-
грешности предсказания с помощью модели на равном расстоя-
нии от центра, т.е. не обладают D-оптимальностью.
134
Таблица 50
Число фак- Число «Звездное» Число то- Общее

торов Ядро плана звездных плечо чек в цен- число опы-
точек тре плеча тов
Для ортогональных планов
2 22 4 1,000 9
3 23 6 1,215 15
4 24 8 1,414 25
5 25–1 10 1,547 1 27
6 26–1 12 1,722 45
7 27–1 14 1,885 79
8 28–2 16 2,001 81
Для рототабельных планов
2 22 4 1,414 5 13
3 23 6 1,682 6 20
4 24 8 2,000 7 31
5 25 10 2,378 10 52
25–1 2,000 6 32
6 26 12 2,828 15 91
26–1 2,378 9 53
7 27 14 3,333 21 163
27–1 2,828 14 92
В качестве иллюстрации построения рототабельного плеча

рассмотрим план для двух факторов. Матрица планирования
экспериментов дана в табл. 51.
Алгоритм обработки результатов наблюдений в целях получе-
ния квадратичной модели следующий:
1) вычисление вспомогательных коэффициентов
kN 1 N
λ= ; A= ; c= , (167)
(k + 2)( N − n0 ) 2λ [(k + 2)λ − k)] N
∑ X ij2
i =1
Таблица 51
Номер 2 2
X1 X2 X1X2 X1 X2 Y
опыта
1 +1 –1 –1 +1 +1 Y1
2 +1 +1 +1 +1 +1 Y2
3 –1 –1 +1 +1 +1 Y3
4 –1 +1 –1 +1 +1 Y4
5 +α = 1,414 0 0 α = +2
2
0 Y5
6 –α = 1,414 0 0 α = +2
2
0 Y6
7 0 +α = 1,414 0 0 α = +2
2
Y7
–α = 1,414 α = +2
2
8 0 0 0 Y8
9 0 0 0 0 0 Y9
10 0 0 0 0 0 Y10
11 0 0 0 0 0 Y11
12 0 0 0 0 0 Y12
13 0 0 0 0 0 Y13
135
где k – число факторов; N – общее число опытов; n0 – число
опытов в нулевой точке;
2) определение величин
N N
S0 = ∑ Yi ; S j = ∑ X ijYi ;
i =1 i =1
N N
Sli = ∑ X ij X liYi ; S jj = ∑ X ij2 Yi ; (168)
i =1 i =1
3) вычисление коэффициентов модели

A  2 k 
a0 =  2λ (k + 2)S0 − 2λc ∑ S jj  ; (169)
N  j = 1 
A  2 k 
a jj = c [(k + 2)λ − k ] S jj + c (1 − λ)∑ S jj − 2λcS0  ;
2
(170)
N  j =1 
2
c
alj = Sli ; (171)
Nλ
c
aj = Sj; (172)
N
оценка значимости коэффициентов согласно условию

a
> tòàá при f = N – m,
σa
где
Dâîñ
Da0 = 2 Aλ 2 (k + 2) ; (173)
Ò
c
Dai = Dâîñ ; (174)
N
2
c
Dali = Dâîñ ; (175)
λN
A
Daii = [(k + 1)λ − (k − 1)]c
2
Dâîñ ; (176)
N
n0
1
Dâîñ = ∑ (Yi0 − Y 0 ); (177)
n0 − 1 i =1
m – число коэффициентов модели;

136
проверка адекватности модели согласно условию
Dîñò (k + 2)(k + 1)
F = < Fòàá при f1 = N − − (n0 − 1), f 2 = n0 − 1,
Dâîñ 2
где
1 N 
Dîñò =
f1  ∑
i =1
(Yi − Yip )2 − (n0 − 1)Dâîñ  ;

(178)
Yip – расчетное значение Yi.

После получения по приведенному алгоритму адекватной на-
блюдениям квадратичной модели необходимо, исследуя ее на
экстремум, определить оптимальную точку. Для этого следует
решить систему уравнений
 ∂Y / ∂X1 = 0;
 ∂Y / ∂X = 0;
 2

 . . . . . . . ....
 ∂Y / ∂X k = 0.
Вычисленные значения Xl1, X

l 2 , ..., X
l k при подстановке во
вторые производные и определители, составленные из вторых
производных, должны удовлетворять условию чередования зна-
ков
∂ 2Y ∂ 2Y
2
∂Y ∂X12 ∂X1 ∂X2
< 0; > 0; ...;
∂X12 l
X =X
2
∂Y ∂ 2Y
1
∂X1 ∂X 2 ∂X 22 l
X1 = X 1
l
X2 = X 2
∂ 2Y ∂ 2Y ∂ 2Y
...
∂X12 ∂X1 ∂X 2 ∂X1 ∂X k
2
∂Y ∂ 2Y ∂ 2Y
...
∂X1 ∂X 2 ∂X 22 ∂X 2 ∂X k >
< 0.
......................
∂ 2Y ∂ 2Y ∂ 2Y
... l
X1 = X 1
∂X1 ∂X k ∂X 2 ∂X k ∂X k2 l
X2 = X 2
......
l
Xk = X k
137
Отметим, что в последнем неравенстве при поиске точки мак-
симума в случае четного k ставят знак «>», а в случае нечетно-
го – знак «<»; для минимума необходимо, чтобы все значения
вычисленных определителей были положительными.
Используя результаты примера при иллюстрации метода
Бокса – Уилсона, спланируем эксперимент и дадим описание об-
ласти оптимума при подборе рецептуры тампонажного раствора.
Пример 12. Путем крутого восхождения по методу Бокса –
Уилсона было установлено, что для времени начала схватывания,
минимально отличающегося от t = 120 мин для холодных усло-
вий (забойная температура 25…30 °С), была получена рецептура
тампонажного раствора, содержащего 4,25 % CaCl2 и 0,5 % КМЦ.
Построим модель для описания области оптимума, приняв за
начальную точку экспериментирования X1 = 4,25 % для CaCl2 и
X2 = 0,5 % для КМЦ, а соответствующие интервалы варьирова-
ния J1 = 0,25 % и J2 = 0,1 %. При таких исходных данных имеем
в качестве нижнего уровня ( –1) для X1 значения 4,0 % и для
X2 – 0,4 %, а верхние уровни будут соответственно равны 4,5 и
0,6 %.
В табл. 52 приведена матрица рототабельного центрально-
композиционного плана и указаны результаты экспериментов и
вычислений.
Вычисляем согласно алгоритму вспомогательные величины:
λ = 2 ⋅ 13 /[(2 + 2)(13 − 5)] = 0, 81;
A = 1 / {2 ⋅ 0, 81[(2 + 2)0, 81 − 2]} ≈ 0, 5;
c = 13 /(1 + 1 + 1 + 1 + 2 + 2 + 0 + 0 + 0 + 0 + 0 + 0 + 0) ≈ 1, 63.
Таблица 52
Номер 2 2
опыта
X1 X2 X1X2 X1 X2 t Y = t − 120 Yp
1 –1 –1 +1 +1 +1 145 25 22,4
2 –1 +1 –1 +1 +1 150 30 31,4
3 +1 –1 –1 +1 +1 125 5 6,6
4 +1 +1 +1 +1 +1 135 15 15,6
5 –1,414 0 0 2,00 0 150 30 31,5
6 +1,414 0 0 2,00 0 110 10 9,1
7 0 –1,414 0 0 2,00 130 10 11,3
8 0 +1,414 0 0 2,00 145 25 24,1
9 0 0 0 0 0 135 10 7,9
10 0 0 0 0 0 125 5 7,9
11 0 0 0 0 0 125 5 7,9
12 0 0 0 0 0 130 10 7,9
13 0 0 0 0 0 130 10 7,9
138
S0 = (25 + 30 + 5 + 15 + 30 + 10 + 10 +
+25 + 10 + 5 + 5 + 10 + 10) = 190;
S1 = (−1)25 + (−1)30 + (+1)5 + (+1)15 + (−1, 414)30 + (1, 414)0 = −63, 28;
S2 = (−1)25 + (+1)30 + (−1)5 + (+1)15 + 0 ⋅ 30 +
+ 0 ⋅ 10 + 1(−1, 414)10 + (+1, 414)25 = 36, 21;
S12 = (+1)25 + (−1)30 + (−1)5 + (+1)15 = 15;
S11 = (+1)25 + (+1)30 + (+1)5 + (+1)15 + (2, 0)30 + (2, 0)10 = 155;
S22 = (+1)25 + (+1)30 + (+1)5 + (+1)15 +

+0 ⋅ 30 + 0 ⋅ 10 + (+2, 0)10 + (2, 0)25 = 145.
Определяем коэффициенты модели
Y = a0 + a1 X1 + a2 X 2 + a12 X1 X 2 + a11 X12 + a22 X 22 ,

согласно значениям вспомогательных величин:
0, 5
a0 = [2 ⋅ 0, 812 (2 + 2)190 − 2 ⋅ 0, 81 ⋅ 1, 63(155 + 145)] ≈ 8, 0;
13
1, 63
a0 = (−63, 26) ≈ −7, 93;
13
1, 63
a2 = (+36, 21) ≈ 4, 54;
13
a12 = 1, 632 ⋅ 5 /(13 ⋅ 0, 81) = 1, 26;
a11 =
0, 5
13
{1, 63 [(2 + 2)0, 81 − 2]155 + 1, 63 (1 − 0, 81) ×
2 2
×(155 + 145) − 2 ⋅ 0, 81 ⋅ 1, 63 ⋅ 190} = 6,17 ≈ 6, 2.
a22 =
0, 5
13
{1, 63 [(2 + 2)0, 81 − 2]145 + 1, 63 (1 − 0, 81) ×
2 2
×(155 + 145) − 2 ⋅ 0, 81 ⋅ 1, 63 ⋅ 1, 90} = 4, 9.

Оцениваем коэффициенты модели, определив предварительно
дисперсии коэффициентов и воспроизводимости
139
Y 0 = (10 + 5 + 5 + 10 + 10) / 5 = 8, 0;
1
Dâîñ = [(10 − 8)2 + (5 − 8)2 + (5 − 8)2 + (10 − 8)2 + (10 − 8)2 ] = 7, 5;
5−1
σâîñ ≈ 2, 74;
Da = 2 ⋅ 0, 5 ⋅ 0, 812 (2 + 2)7, 5 / 13 = 1, 5.
0
σa = 1, 23;
0
Da = Da = 1, 63 ⋅ 7, 5 / 13 = 0, 94;
1 2
σa = σa = 0, 97;
1 2
Da = 1, 632 ⋅ 7, 5 /(0, 81 ⋅ 13) = 1, 89;

12
σa = 1, 38;
12
0, 5
Da = Da = [(2 + 1)0, 81 − (2 − 1)1, 632 ⋅ 7, 5 = 1,10;
11 22 13
σa = σa ≈ 1, 05.
11 22
При вероятности P = 0,95 и числе степеней свободы f = N – m =
= 13 – 6 = 7, где m = 6 – число коэффициентов модели, получа-
ем tтаб = 2,365. Следовательно,
a0 8 a1 7, 9
= > 2,365; = > 2,365;
σa0 1, 21 σa1 0, 93
a2 4, 5 a12
= > 2,365; = 1, 25 < 2,365;
σa2 0, 93 σa12 1, 87
a11 6, 0 a22 4, 7
= > 2,365; = > 2,365.
σa11 1, 04 σa22 1, 04
Таким образом, получена квадратичная модель в кодирован-

ных переменных
Y = 7, 9 − 7, 9 X1 + 4, 5 X 2 + 6, 2X12 + 4, 9 X 22 ,
или в натуральных переменных
2
− 4, 25
X − 0, 5
X  X − 4, 25 
Y = 7, 9 − 7, 9 1
+ 4, 5 2
+ 6, 2  1  +
0, 25 0, 1  0, 25 
140
2
 X − 0, 5  2 2
+ 4, 9  2  = 2034, 0 − 874, 8 X1 − 445 X 2 + 99, 2X1 + 490 X 2 .
 0, 1 
Для проверки модели на адекватность наблюдения вычисляем
значения критерия оптимизации (см. табл. 52) и подсчитываем
остаточную дисперсию:
f1 = 13 − (2 + 2)(2 + 1) / 2 − (5 − 1) = 3;
1
Dîñò = [(25 − 22, 4)2 + (30 − 31, 4)2 + (5 − 6, 6) + (15 − 15, 6)2 +
3
+ (30 − 31, 5)2 + (10 − 9,1)2 + (10 − 11, 3)2 + (25 − 24,1)2 + (10 − 7, 9)2 +
+ (5 − 7, 9)2 + (5 − 7, 9)2 + (10 − 7, 9)2 + (10 − 7, 9)2 + 4 ⋅ 7, 5] ≈ 5, 5.

Для вероятности P = 0,95 f1 = 3 и f2 = 5 – 1 = 4 имеем Fтаб =
= 6,59 и, следовательно, получаем
Dîñò / Dâîñ = 5, 5 / 7, 5 < 6, 59,
т.е. модель адекватна.
Полученная модель позволяет определить оптимальную точку
в кодированных переменных:
∂Y / ∂X1 = −7, 9 + 12, 4 X1 = 0;
∂Y / ∂X 2 = 4, 5 + 9, 8 X 2 = 0;
X1 = +0,64; X2 = –0,46,
или в натуральных значениях
X1 = 4, 25 + 0, 64 ⋅ 0, 25 = 4, 41 ≈ 4, 40 %;
X 2 = 0, 5 + (−0, 46)0,10 = 0, 454 ≈ 0, 45 %.

Проверка показывает, что
2
∂ Y
2
= +12 > 0;
∂X1
2 2
∂ Y ∂ Y 12, 4 0
2
∂X1 ∂X1 ∂X 2
2 2
= = 12, 4 ⋅ 9, 8 − 0 ⋅ 0 = 121, 5 > 0,
∂ Y ∂ Y
∂X1 ∂X 2 ∂X 2
2
0 9,8
141
т.е. имеем максимум целевой функции
Y = 7, 9 − 7, 9(+0, 64) + 4, 5(−0, 46) + 6, 2(+0, 64)2 + 4, 9(−0, 46)2 ≈ 5, 0.

Если при крутом восхождении была установлена точка с
X1 = 4,25 % и X2 = 0,5 %; для которой опыт дал значение Y = 10
(t = 130 мин), то изучение области оптимума позволило уточ-
нить оптимальную точку, для которой X1 = 4,40 %, X2 = 0,45 % и
Y ≈ 5. В результате поставленного в этой точке опыта получено
значение t = 114 мин, т.е.
Y = 114 − 120 = 6.
Таким образом, изучение области оптимума позволило уточ-
нить оптимальные условия и убедиться в наличии минимума
критерия оптимизации.
142
Глава 6
МЕТОДЫ ТЕОРИИ РАСПОЗНАВАНИЯ
ОБРАЗОВ
При бурении нефтяных и газовых скважин, как и при осуще-

ствлении любого сложного технологического процесса, перед
технологом-буровиком возникает задача оценки ситуаций в це-
лях предсказания возможного характера течения процесса и при-
нятия решения о выборе управляющих воздействий для эффек-
тивного ведения работ. Приходится сталкиваться с объектами и
процессами, характеризующимися большим числом количествен-
ных и качественных признаков. При решении этой задачи инже-
неру очень важно создать формализованное описание рассматри-
ваемых объектов, процессов или ситуаций, зависящих от боль-
шого числа определяющих поведение объектов факторов, многие
из которых носят вероятностный характер; при этом ситуации
оцениваются в условиях неопределенности и носят характер рас-
познавания образов.
Математический аппарат принятия решений об образе рас-
сматриваемых объектов за последние десятилетия получил бур-
ное развитие в кибернетике, он проникает в самые разные отрас-
ли знаний – медицину, лингвистику, геологию, экономику, связь,
электронику и др. Особенно интенсивно стала развиваться тео-
рия распознавания образов в связи с широким внедрением ЭВМ
в инженерную практику, так как создана возможность быстрой
переработки больших объемов информации.
Основными задачами теории распознавания образцов можно
считать следующие:
дискриминация (идентификация), или опознание, объекта, т.е.
отнесение конкретного объекта или ситуации к той или иной,
заранее оговоренной категории;
классификация (кластеризация) совокупности объектов, т.е.
разделение множества объектов на группы, характеризующиеся
общими (родственными) свойствами.
Под образом будет понимать некоторое обобщение множества
различных представлений об объекте, из которых выделяются
наиболее устойчивые его характеристики. Каждый индивидуаль-
ный объект обладает набором признаков, в качестве которых мо-
143
гут служить показатели свойств рабочих агентов (буровой рас-
твор, тампонажная смесь и др.), режимные характеристики рабо-
ты оборудования (подача бурового насоса, момент на роторе,
давление в элементах циркуляционной системы и т.п.), сведения
о внешних воздействиях (пластовые давления и температура,
свойства пород и флюидов, углы напластования и т.д.), номенк-
латура используемых материалов и оборудования. При этом оби-
лие привлекаемых к рассмотрению факторов связано не с их
доступностью, а с одной стороны, с недостаточной точностью
измерений и, с другой, – со сложностью априорного выделения
наиболее информативных признаков. В подобной ситуации весь-
ма эффективным является привлечение к рассмотрению косвен-
ных признаков, согласованность которых при распознавании
убеждает в правильности прогнозов.
В общем случае любой объект характеризуется вектором со-
стояния или признаков X (X1 , X 2 , ..., X n ), в зависимости от кон-
кретных значений компонент которого можно утверждать о при-
надлежности объекта к тому или иному образу. В качестве об-
раза или класса ситуаций можно использовать самые разные
представления (устойчивый или неустойчивый разрез; успешный
или неуспешный результат работ; нормальное состояние скважи-
ны, осыпи и обвалы, прихваты колонн труб, поглощения или
проявления; углы искривления ствола скважины в тех или иных
пределах и многое другое), которые позволяют инженеру оце-
нить технологический процесс и выбрать соответствующее
управляющее воздействие.
Решение задачи о дискриминации объекта подразумевает соз-
дание определенных правил, которые в зависимости от значений
компонент вектора признаков X (X1 , X 2 , ..., X n ) позволяют при-
нять решение о принадлежности объекта к какому-либо образу.
Системы подобных правил, представляющих собой совокупность
некоторых разрешающих функций gi(X) и условий принятия ре-
шений при их известных значениях, можно строить на основе
предварительно собранных выборок с представлениями разных
образов – обучение с учителем или с помощью автоматических
процедур кластеризации, в которых разбиение на образы осуще-
ствляется на основе некоторых адаптационных процедур и вы-
бранных критериев близости объектов. В инженерной деятельно-
сти более распространен первый вариант, так как обычно в зави-
симости от целей разбиение множества объектов на образы явля-
ется возможным. При этом удается сформировать представи-
тельные выборки объектов для каждого из образов.
В основе математических методов теории распознавания обра-
зов используются следующие основные идеи: распознавание об-
144
разов по мере сходства или близости между объектами разных
классов или вероятностное по фазовому интервалу.
Применение конкретного метода обусловливается постанов-
кой задачи и признаками, характеризующими объект. Так, при
первом подходе необходимо количественное задание вектора
признаков. Два других подхода могут оперировать как количест-
венными, так и качественными факторами. Кроме того, увеличе-
ние числа классов весьма усложняет использование первого и
третьего подходов, в то время как вероятностное распознавание
является наиболее универсальным и обобщающим. Следует от-
метить, что все алгоритмы распознавания образов, как правило,
сложны и обычно реализуются с помощью ЭВМ. Далее будут
рассмотрены несколько достаточно простых алгоритмов и даны
основные сведения о более сложных процедурах. При этом в ря-
де случаев иллюстрация будет менее доступной, чем для преды-
дущих статистических алгоритмов.
Использование меры сходства или близости подразумевает,
что вектор признаков любого объекта задает некоторую точку в
многомерном пространстве. При наличии заданных объектов,
принадлежащих к оговоренным классам, можно определить не-
которую числовую характеристику, указывающую на степень
близости рассматриваемого объекта к представителям разных
классов. Наименьшее значение выбранной меры близости укажет
на принадлежность рассматриваемого объекта к соответствую-
щему классу (рис. 18).
Рис. 18. Схема распознавания объекта по евклидову расстоянию

145
Согласно рис. 18, имеем две области А и В, центры которых
соответственно обозначены О1 и О2. Новый объект (треугольник)
находится на расстоянии lA и lB от классов A и B соответственно.
Следовательно, можно предположить, что он относится к классу
B, так как lA > lB. Обратим внимание на то, что в обучающихся
выборках, т.е. предварительно отобранных объектах из класса A,
и B, имеются перекрывающиеся области, т.е. в области A есть
точки из класса B, и наоборот.
Основная идея распознавания образов при таком геометриче-
ском подходе состоит в том, чтобы найти в пространстве компо-
нент вектора состояния X (X1 , X 2 , ..., X n ) такие области, в кото-
рых были бы сконцентрированы объекты одного класса. Эту
идею можно легко проиллюстрировать для векторов состоя-
ния, содержащих одну или две компоненты, т.е. X(X1) или
X(X1, X2).
В первом случае объекты различимых классов группируются
на разных участках числовой оси X1. Во втором случае, если на
плоскости с координатными осями X1 – X2 изображать объекты
разных классов, то возможно выделение областей, соответствую-
щих каждому классу, а если классы неразличимы, то эти области
будут перекрываться.
Такой метод распознавания объектов наиболее прост и досту-
пен, но он приводит к успеху только при достаточно большой
«удаленности» классов друг от друга и становится практически
неприменимым, если классы пересекаются, т.е. при существова-
нии областей, общих для разных классов. Кроме того, при распо-
знавании образов геометрическими способами без специальных
преобразований, которые будут изложены ниже, для многомер-
ных векторов состояния (число компонент более двух) невоз-
можно найти удобные координаты для наиболее четкого разде-
ления объектов по классам.
Проиллюстрируем изложенные соображения с использовани-
ем данных, представленных далее в табл. 55. В примере, который
будет рассмотрен ниже, вектор состояния X (X1 , X 2 , X 3 , X 4 , X 5 )
характеризует четыре разных типа промывочной жидкости, ис-
пользуемой для бурения в соленасыщенных отложениях. На рис.
19, а–г в координатах X1 − X 2 , X 3 − X 2 , X1 − X 4 , X1 − X 3 приве-
дены образцы промывочных жидкостей типов 1–4, представ-
ляющих собой соответственно глинистые растворы с добавками
1 % КМЦ; 1 % КМЦ + 1 % Na2Ca3; 1 % КМЦ + 1 % Na2CО3 +
+ 1 % NaOH; 1 % КМЦ + 1 % Na2CО3 + 1 % NaOH + 0,5 %
СНГР. Можно утверждать, что образ промывочной жидкости
типа 1 наиболее компактен и удален от всех остальных типов.
Области расположения промывочных жидкостей типов 2–4
146
Рис. 19. Образцы промысловых жидкостей разных типов
близки друг к другу, и провести четкие границы для каждого из

них затруднительно.
При использовании такого метода распознавания образов
первую очередь возникает вопрос: какие компоненты необходи-
мы для построения диаграмм рассеивания образов? Особенно
сложной становится эта проблема для многомерных векторов
состояния, так как возможно очень большое число попарных
комбинаций компонент. Кроме того, может оказаться, что ни од-
на из этих комбинаций не дает возможности провести классифи-
кацию объектов. В такой ситуации приходится применять специ-
147
альные методы, предназначенные облегчить процедуру распозна-
вания.
В качестве меры близости или сходства используются раз-
личные числовые характеристики:
а) евклидово расстояние
n
g i (X ) = ∑ (X j − X ij )2 = X − X i , (179)
j =1
где n – число признаков или факторов; Xj – значение j-го факто-

ра для опознаваемого объекта; X ij – среднее значение j-го фак-
тора для объекта i-го класса; i – число классов;
б) угловое расстояние между векторами
n
∑ X j − X ij
j =1 X ò ⋅ Xi
g i (X ) = 1 − = 1− , (180)
n n X ⋅ Xi
∑ X 2j ∑ X ij2
j =1 j =1
где (⋅)т – транспортированный вектор; X i – вектор средних зна-

чений факторов для i-го класса; ⋅ – норма вектора;
в) мера Тапимото
n
∑ X j X ij
j =1 Xò ⋅ Xi
g i (X ) = = , (181)
n n n
X ò ⋅ X + X iò X i − X ò ⋅ X i
∑ X 2j + ∑ X ij2 − ∑ Xi X 2 j
j =1 j =1 j =1
г) расстояние Махалонобиса
g i (X ) = (X − X i )ò C −1 (X − X i ), (182)
где C −1 – обратная ковариационная матрица совокупности

объектов данного класса (сведения о матрицах приведены на
с. 205–212).
Ковариационная матрица представляет собой следующее вы-
ражение:
148
 
 k k 
 ∑ (N i − 1) cov(X1i ⋅ X1i ); ∑ (N i − 1) × 
 i =1 i =1 
 k 
 × cov(X1i ⋅ X 2i ); ...; ∑ (N i − 1) cov(X1i ⋅ X ni ) 
 i =1 
 k k 
1
 ∑ (N i − 1) cov(X 2i ⋅ X1i ); ∑ (N i − 1) × 
C =  i =1 i =1 ,
− k × cov(X ⋅ X ); ...; ∑ (N − 1) cov(X ⋅ X )

k k
∑ N1
i =1  2i 2i i 2i ni 
i =1
 
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 
 k k 
 ∑ (N i − 1) cov(X ni ⋅ X1i ); ∑ (N i − 1) × 
 i =1 i =1 
 k 
 cov(X ni ⋅ X 2i ); ...; ∑ (N i − 1) cov(X ni ⋅ X ni ) 
 i =1 
где k – число классов (i = 1, 2, … , k); Ni – число объектов в i-м
классе;
1 Ni
cov(X ri ⋅ X mi ) = ∑ (Xri − Xr )(Xmi − Xm ); (183)
N i − 1 i =1
Xr, Xm – r-й и m-й факторы вектора признаков; X r , X m – сред-
нее значение r-го и m-го фактора вектора признаков.
Отметим, что для совпадающих индексов r и m получаем дис-
персию фактора, т.е. на диагонали матрицы стоят взвешенные
дисперсии факторов.
Помимо указанных, используют и многие другие меры близо-
сти, но приведенные выше наиболее распространены.
Каждая из приведенных мер сходства имеет определенные
преимущества и недостатки, и конкретизация меры должна осу-
ществляться в зависимости от постановки задачи и числовых
характеристик объектов обучающих выборок.
При использовании меры близости очень часто из эвристиче-
ских соображений для каждого из признаков вводят некоторые
весовые коэффициенты, которые учитывают характер разброса
данных для каждого из факторов и их технологическую важ-
ность. В этом случае для каждого из факторов в векторе состоя-
ния вводят множители aij и bj, которые должны отвечать требо-
ваниям
n n
∑ aij2 = 1; ∑ b j = 1.
j =1 j =1
149
Коэффициенты aij2 , обычно учитывающие разброс данных,
вычисляют по формуле
(X ij )2
aij2 = n
, (184)
σ2ij ∑ (X ij / σij )2
j =1
где a – весовой коэффициент j-го фактора для i-го класса;

2
ij
σij – среднее квадратическое отклонение j-го фактора для i-го
класса.
При σij = 0 соответствующий весовой коэффициент берут
равным 1, а остальные определяют по формуле (184) для мень-
шего числа факторов, т.е. имеем уже не n факторов, а на соответ-
ствующее число меньше.
Коэффициенты bj учитывают технологическую важность
фактора, и в случае равнозначности последних или невозможно-
сти дифференциации их считают равными.
Наиболее простое общее правило опознавания, или дискри-
минации, объекта при наличии k классов (i = 1, 2, … , k) состоит в
определении такого gi(X), для которого
gi(X) < gk(X)
для любых i ≠ k. При этом объект будет отнесен к i-му классу.
Такое опознавание называют сопоставлением с кластером или
эталоном.
По другому правилу находят индивидуальный объект, к кото-
рому наиболее близок опознаваемый объект по выбранной мере
сходства. При этом считают, что рассматриваемый объект одного
и того же класса с наиболее близким. Этот принцип называют
правилом ближнего соседа (ПБС-правило).
Обобщение такого подхода состоит в определении q ближай-
ших соседей и дискриминации объекта к классу c наибольшим
числом представителей (qБС-правило).
При использовании любого из правил наличие условий ра-
венства меры близости для двух классов и более указывает на
неопределенность ситуации и от дискриминации необходимо от-
казаться (неопределенный случай). В более сложных алгоритмах
вводят понятия радиусов класса Rimin и Rimax . При выполнении
условия g i (X ) < Rimin объект относят к i-му классу, а при
Rimin < g i (X ) < Rimax с некоторым риском (область Rimax может
пересекаться с областями других классов) – к i-му классу.
Пример 13. Рассмотрим задачу об идентификации класса по-
роды по результатам (механический каротаж). При бурении од-
ними и теми же типами долот в классах пород 1 и 2 были за-
150
фиксированы следующие значения четырех признаков: проходка
на долото, м, X11 = 25, σ11 = 5 и X 21 = 30, σ21 = 5; средняя меха-
ническая скорость, м/ ч, X12 = 3, 5, σ12 = 0,8, X 22 = 4, 0, и σ22 =
= 0,9; крутящий момент на роторе, кН⋅м, X13 = 1, 5, σ13 = 0,12 и
X 23 = 0,15, σ23 = 0,15; нагрузка на долото, кН, X14 = 20, σ14 = 3 и
X 24 = 16, σ24 = 2. Необходимо определить, к какому классу (типу
пород) следует отнести результат очередного долбления с значе-
ниями факторов X01 = 28 м, X02 = 3,8 м/ ч, X03 = 1,4 м и X04 =
= 17 кН.
В качестве меры близости выбираем евклидово расстояние, и
разрешающую функцию представляем в виде
n
g i (X ) = ∑ aij2 b2j (X0 j − Xij )2 ,
j =1
где коэффициенты aij и bj определяем по указанным выше пра-

вилам.
Находим значения коэффициента aij:
(X11 / σ11)2
2
a11 = =
(X11 / σ11) + (X12 / σ12 )2 + (X13 / σ13 )2 + (X14 / σ14 )2
2
(25 / 5)2
= = 0,10;
(25 / 5) + (3, 5 / 0, 8)2 + (1, 5 / 0,12)2 + (20 / 3)2
2
(3, 5 / 0, 8)2
2
a12 = = 0,08;
(25 / 5) + (3, 5 / 0, 8)2 + (1, 5 / 0,12)2 + (20 / 3)2
2
2
a13 = 0,64; a14
2
= 0,18;
(X 21 / σ21)2
2
a21 = =
(X 21 / σ21) + (X 22 / σ22 )2 + (X 23 / σ23 )2 + (X 24 / σ24 )2
2
(30 / 5, 5)2
= = 0,15;
(30 / 5, 5) + (4, 0 / 0, 9)2 + (1, 35 / 0,15)2 + (16 / 2)2
2
2
a22 = 0,10; a23
2
= 0,42; a24
2
= 0,33.
4
Отметим, что при этом выполняется условие ∑ a12j = 1, т.е.
j =1
4
0,10 + 0,08 + 0,64 + 0,18 = 1,0; ∑ a22 j = 1.
j =1
151
Из технологических соображений зададимся, что b1 = 0,4 b2 =
= b3 = b4 = 0,2, т.е. значимость проходки на долото вдвое больше
остальных признаков.
При таком задании весов согласно виду разрешающей функ-
ции имеем
g1 = 0,102 ⋅ 0,10(28 − 25)2 + 0, 22 ⋅ 0, 08(3, 8 − 3, 5)2 + 0, 22 ⋅ 0, 64(1, 4 −
0,5
−1, 5)2 + 0, 2 ⋅ 0,18(17 − 20)2  = 0, 46;
g 2 = 0, 42 ⋅ 0,15(28 − 30)2 + 0, 22 ⋅ 0,10(3, 8 − 4, 0)2 + 0, 22 ⋅ 0, 48(1, 4 −

0,5
−1, 35)2 + 0, 2 ⋅ 0, 33(17 − 16)2  = 0, 33.
Таким образом, можно считать, что очередное долбление осу-
ществлялось в породах класса 2, так как g2 < g1 (0,33 < 0,46).
Обратим внимание на тот факт, что для принятой меры бли-
зости очень неблагоприятны существенные различия в значениях
факторов. Для устранения этого недостатка рекомендуется ис-
пользовать разрешающую функцию вида
g1 (X ) = ∑ aij bj (1 − X0 j / Xij )2 ,
которая лишена подобного недостатка, но ее можно применять
при условиях X0j > 0 и X ij > 0 .
В нашем случае вычисления по разрешающей функции такого
вида дают результаты g1 = 0,0510 и g2 = 0,0172, т.е. выводы ос-
таются прежними.
Другим подходом, более универсальным и имеющим большие
дополнительные преимущества, является переход от вектора ис-
ходных факторов к их линейным комбинациям, обладающим
свойством ортогональности, или нескоррелированности. Его на-
зывают дискретным разложением Карунева – Лоева, или мето-
дом главных компонент.
Под главными компонентами понимают переменные вида
n
lm,
U k = ∑ d km X
m =1
l m – нормирован-
где k = 1, 2, … , n – число главных компонент; X
ные значения факторов вектора состояния, вычисляемые по
формуле
l m = (X − X ) / σ ,
X m m m
m m и σ – среднее и дисперсия m-го фактора.

где X m
152
Для вычисления коэффициентов dkm необходимо решить ха-
рактеристическое уравнение
(C − λ k J )Dk = 0, (185)
где C – ковариационная матрица, вычисленная для вектора при-
знаков по совокупности объектов для всех классов; λk – корни
характеристического уравнения; J – единичная матрица; Dk –
матрица коэффициентов dmk, т.е.
d11 d12 ... d1n
d21 d22 ... d2n
Dk = . (186)
...........
d n1 d n 2 ... d nn
Отметим, что ковариационная матрица для главных компо-
нент удовлетворяет условию
λ1 0 0 ... 0
0 λ2 0 ... 0
M (U ⋅ U ò ) = 0 0 λ 3 ... 0 . (187)
# # # # #
0 0 0 ... λn
При этом дисперсия каждой из главных компонент
n
σ2k = λ k / ∑ λ k . (188)
k=1
При выборе нумерации k, дисперсии, согласно условию

λ1 > λ 2 > λ 3 ... > λ k , будут убывать, т.е. наибольшую дисперсию
будет иметь первая главная компонента и наименьшую – по-
следняя.
Если обучающие выборки состоит из объектов, приведенных в
табл. 53, то в результате использования преобразования Каруне-
ва – Лоева получаем следующие главные компоненты и корни
характеристических уравнений:
l 1 + 0, 233 X
U1 = 0, 598 X l 2 − 0, 624 X
l 3 − 0, 447 X
l 4 ; λ = 1, 781;
1
l 1 + 0, 839 X
U 2 = 0, 048 X l 2 + 0, 087 X
l 3 − 0, 535 X
l 4 ; λ = 0, 985;
2
l 1 − 0, 510 X
U 3 = 0, 459 X l 2 − 0, 238 X
l 3 + 0, 687 X
l 4 ; λ = 0, 759;
3
l 1 − 0, 518 X
U 4 = −0, 653 X l 2 − 0, 737 X
l 3 + 0, 073 X
l 4 ; λ = 0, 475.
4
153
Таблица 53
Класс 1 Класс 2
Меха- Крутя-
Проход- Механиче- Крутя- Нагрузка ниче- щий Нагруз-
ка на ская ско- щий на доло- Проход- ская момент ка на
ка доло-
долото рость X12, момент то X14, ско- долото
X11, м м/ ч X13, кН⋅м кН то X21, м рость X23,
X24, кН
кН⋅м
X22, м/ ч
23,5 4,5 1,52 16,4 36,0 3,2 1,17 14,2
30,3 2,3 1,35 17,2 36,7 2,6 1,51 17,1
25,8 4,4 1,46 23,3 29,3 5,0 1,37 18,4
24,4 3,5 1,49 21,7 25,0 3,9 1,43 18,1
19,0 2,8 1,57 19,6 21,4 5,1 1,34 16,3
30,5 3,9 1,63 23,7 35,9 4,1 1,12 15,4
20,4 3,4 1,65 19,1 28,4 4,9 1,51 12,9
31,1 4,4 1,31 23,2 30,9 4,5 1,31 18,2
17,2 2,5 1,39 20,5 23,3 2,9 1,53 15,8
27,8 3,3 1,63 15,3 33,1 3,8 1,21 13,6
Согласно табл. 54, в которой объекты обучающих выборок

представлены в главных компонентах, имеем следующие значе-
ния средних и дисперсий для эталонов обоих классов:
U 11 = −0, 911; σ11 = 0, 827; U 21 = 0, 911; σ21 = 1,106;
U 12 = −0, 068; σ12 = 1, 059; U 22 = 0, 068; σ22 = 0, 978;
U 13 = 0, 258; σ13 = 0, 815; U 23 = −0, 258; σ23 = 0, 894;
U 14 = 0, 015; σ14 = 0, 788; U 24 = −0, 015; σ24 = 0, 613.

Воспользуемся в качестве меры близости евклидовым рас-
стоянием
n
g1 (U ) = ∑ aij b j (U 0 j ) − U ij )2 .
j =1
Вычисляем коэффициенты:
(−0, 911 / 0, 827)2
a =
2
11 = 0,92;
(0, 911 / 0, 827) + (0, 068 / 1, 059)2 + (0, 258 / 0, 815)2 + (0, 015 / 0, 788)2
2
2
a12 = 0,0036; a13
2
= 0,0761; a14
2
= 0,0003;
(0, 911 / 1,106)2

2
a21 = =
(0, 911 / 1,106) + (0, 068 / 0, 978)2 + (−0, 258 / 0, 894)2 + (−0, 015 / 0, 613)2
2
= 0,886 ;
a = 0,0054; a = 0,107; a24
2
22
2
23
2
= 0,0008.
154
Таблица 54
Класс 1 Класс 2
U11 U12 U13 U14 U21 U22 U23 U24
–0,380 –0,442 –1,253 –0,175 2,305 1,092 0,592 0,275
0,317 1,523 1,028 0,290 0,428 1,392 1,093 –1,268
–0,880 –1,507 0,556 0,026 0,693 –1,297 –0,424 –0,160
–1,169 –0,361 0,588 0,169 –0,254 –0,180 –0,275 0,236
–1,956 0,668 –0,003 0,481 0,309 –1,128 –1,518 0,819
–1,272 –0,951 1,049 –1,229 2,575 –0,010 0,385 0,389
–1,905 0,225 –0,477 –0,186 0,765 –0,214 –1,828 –0,838
0,298 –1,531 1,192 0,142 0,998 –0,798 0,050 0,034
–1,616 0,693 0,502 1,628 –0,790 1,216 –0,467 0,079
–0,550 1,004 –0,605 –1,000 2,084 0,607 –0,185 0,289
Для коэффициентов bj сохраняем прежние условия, т.е. b1 =

= 0,4; b2 = b3 = b4 = 0,2.
Тогда для идентифицируемого объекта с X01 = 28 м, X02 =
= 3,8 м/ ч, X03 = 1,4 кН⋅м и X04 = 17 кН получаем следующие
значения вектора признаков в главных компонентах:
U 01 = 0, 598 ⋅ 0, 087 + 0, 233 ⋅ 0, 058 − 0, 624(−0,163) −
− 0, 447(−0, 310) = 0, 305 ;
U 02 = 0, 048 ⋅ 0, 087 − 0, 839 ⋅ 0, 058 + 0, 087(−0,163) −
− 0, 535(−0, 310) = 0,107;
U 03 = 0, 459 ⋅ 0, 087 − 0, 510 ⋅ 0, 058 − 0, 238(−0,163) +
+ 0, 687(−0, 310) = −0,164;
U 04 = −0, 653 ⋅ 0, 087 − 0,158 ⋅ 0, 058 − 0, 737(−0,163) +
+ 0, 073(−0, 310) = 0, 032 .
Разрешающие функции
g1 (U 0 ) = [0, 42 ⋅ 0, 92(0, 305 + 0, 911)2 + 0, 22 ⋅ 0, 0036(0,107 + 0, 068)2 +
+ 0, 22 ⋅ 0, 0761(−0,164 − 0, 258)2 +
+ 0, 22 ⋅ 0, 0003(0, 032 − 0, 015)2 ]0,5 ≈ 0, 47.
g 2 (U 0 ) = [0, 4 ⋅ 0, 886(0, 305 + 0, 911)2 + 0, 22 ⋅ 0, 0054(0,107 + 0, 068)2 +
2
+ 0, 22 ⋅ 0,107(−0,164 + 0, 258)2 + 0, 2 ⋅ 0, 0008(0, 032 + 0, 015)2 ]0,5 ≈ 0,19.

Согласно полученным значениям, рассматриваемый объект
следует отнести к классу 2 (0,19 < 0,47).
Обратим внимание на тот факт, что при переходе к главным
компонентам оказывается практически достаточным использова-
ние только первой компоненты U1 для распознавания образов (в
155
разрешающих функциях три последних члена, намного меньших
первого). Эта компонента содержит около 44 % дисперсии, так как
λi 1, 781
4
= = 0,44,
(1, 781 + 0, 985 + 0, 759 + 0, 475)
∑ λj
j =1
а две первые компоненты – около 70 % дисперсии.

Таким образом, переход к главным компонентам оказывается
весьма эффективным и позволяет составить наиболее информа-
тивную линейную комбинацию исходных признаков.
Пример 14. При бурении четырех скважин на Кубани в ин-
тервале 4250…750 м (температура 150…160 °С), представленном
соленосной толщей с терригенными пропластками, осуществляли
химическую обработку соленасыщенных утяжеленных нефте-
эмульсионных глинистых пород растворами с добавками (в % к
объему): тип 1 – 1 % КМЦ; тип 2 – 1 % КМЦ + 1 % Na2CO3;
тип 3 – 1 % КМЦ + 1 % Na2CO3 + 1 % NaOH; тип 4 – 1 %
КМЦ + 1 % Na2CO3 + 1 % NaOH + 0,5 % СНГР.
На устье скважин после циркуляции контролировали показа-
тели свойств этих растворов: условную вязкость X1, с, (по при-
бору СПВ-5); водоотдачу X2, см3, за 30 мин; статическое напря-
жение сдвига X3 и X4, через 1 мин и 10 мин соответственно;
плотность X4, г/ см3.
На каждой скважине было проведено по 10 измерений, ре-
зультаты которых представлены в табл. 55 (значение в числителе).
По результатам измерения показателей свойств (вектор со-
стояния объектов X(X1, X2, … , X5) необходимо было выяснить,
существенны ли различия между воздействием растворов и целе-
сообразно ли их применение в указанных геологических условиях.
Прежде чем приступить к статистическому анализу получен-
ных данных методом главных компонент, приведем все компо-
ненты к безразмерному виду для всех рассматриваемых объектов
по формуле
2X i − (X max + X min )
X i∗ = .
X max − X min
Так, для компонент вектора состояний получаем
X1max = 92; X1 min = 49;
X2 max = 10; X2 min = 3,5;
X3 max = 40; X3 min = 15;
X4 max = 60; X4 min = 24;
X5 max = 1,97; X5 min = 1,91.
156
Таблица 55
№ п/ п X1 X2 X3 X4 X5
Тип 1
1 91/1,00 8,0/0,38 18/–0,76 26/–0,89 1,96/0,67
2 87/0,77 10,0/1,00 21/–0,52 32/–0,56 1,94/0,00
3 81/0,48 10,0/1,00 18/–0,76 29/–0,72 1,94/0,00
4 75/0,21 8,0/0,38 20/–0,60 30/–0,67 1,93/–0,33
5 92/1,05 6,0/–0,23 19/–0,68 29/–0,72 1,97/1,00
6 80/0,44 7,0/0,08 15/–1,00 27/–0,83 1,92/–0,67
7 78/0,39 7,0/0,08 15/–1,00 24/–1,00 1,91/–1,00
8 82/0,53 6,5/–0,08 25/–0,20 38/–0,22 1,92/–0,67
9 90/0,91 6,0/–0,23 20/–0,60 30/–0,67 1,93/–0,33
10 82/0,53 8,0/0,38 16/–0,92 25/–0,94 1,92/–0,67
Тип 2
1 62/–0,39 7,0/0,08 30/0,20 40/–0,11 1,96/0,67
2 70/–0,02 6,0/–0,23 32/0,36 49/0,39 1,95/0,33
3 64/–0,30 6,0/–0,23 40/1,00 53/0,61 1,94/0,00
4 60/–0,49 5,5/–0,38 36/0,68 48/0,33 1,96/0,67
5 65/–0,26 5,0/–0,54 35/0,60 50/0,44 1,93/–0,33
6 65/–0,26 4,5/–0,69 38/0,84 53/0,61 1,95/0,33
7 64/–0,30 5,0/–0,54 40/1,00 55/0,72 1,96/0,67
8 58/–0,58 5,0/–0,54 32/0,36 50/0,44 1,97/1,00
9 64/–0,30 4,5/–0,69 31/0,28 48/0,33 1,93/–0,33
10 67/–0,16 6,0/–0,23 35/0,60 50/0,44 1,95/0,33
Тип 3
1 55/–0,72 4,0/–0,85 28/0,04 42/0,00 1,96/0,67
2 59/–0,53 5,5/–0,38 35/0,60 49/0,39 1,94/0,00
3 61/–0,44 4,0/–0,85 27/–0,04 45/0,17 1,91/–1,00
4 55/–0,72 3,5/–1,00 34/0,52 59/0,94 1,93/–0,33
5 60/–0,49 4,5/–0,69 30/0,20 55/0,72 1,97/1,00
6 60/–0,49 4,0/–0,85 32/0,36 55/0,72 1,92/–0,67
7 52/–0,86 4,0/–0,85 30/0,20 54/0,67 1/92/–1,00
8 59/–0,53 4,5/–0,69 29/0,12 51/0,50 1,92/–0,67
9 62/–0,40 4,5/–0,69 31/0,28 56/0,78 1,93/–0,33
10 60/–0,49 4,0/–0,85 30/0,20 52/0,56 1,92/–1,00
Тип 4
1 55/–0,72 4,0/–0,85 35/0,60 58/0,89 1,95/0,33
2 49/–1/00 3,5/–1,00 30/0,20 50/0,44 1,94/0,00
3 51/–0,91 3,5/–1,00 35/0,60 56/0,78 1,96/0,67
4 50/–0,95 4,5/–0,69 31/0,28 51/0,50 1,96/0,67
5 58/–0,58 4,5/–0,69 30/0,20 48/0,33 1,97/1,00
6 50/–0,95 4,0/–0,85 30/0,20 60/1,00 1,96/0,67
7 61/–0,44 4,0/–0,85 27/–0,04 49/0,39 1,93/–0,33
8 49/–1,00 4,5/–0,69 28/0,04 51/0,50 1,94/0,00
9 52/–0,86 4,0/–0,85 30/0,20 60/1,00 1,95/0,33
10 55/–0,72 3,5/–1,00 27/–0,04 55/0,72 1,96/0,67
П р и м е ч а н и е. В числителе – результаты измерений, в знаменателе – нор-
мированные значения.
В нормированных значениях результаты наблюдений также
приведены в табл. 55 (данные в знаменателе).
По этим данным построена ковариационная матрица компо-
нент вектора наблюдений
 0, 344 0, 244 −0,217 −0,305 −0,113 
 
 0, 244 0, 272 −0,171 −0,257 −0,097 
S =  −0, 217 −0,171 0,291 0,282 0,134  .
 
 −0, 305 −0, 257 0,282 0,371 0,149 
 −0,113 −0, 097 0,134 0,149 0,308 

Будем искать значения корней λ1 , λ 2 , λ 3 , λ 4 , λ 5 и матрицу
коэффициентов линейного преобразования B методом последова-
тельных приближений. Выберем некоторый исходный вектор
X 0 = 0,1; 1,0; 0,1; 0,1; 0,1, который будем уточнять следующим
образом: X k = SX k−1 (k = 1, 2, …) до тех пор, пока отношение
k −1
X ik / X i = rik не станет одинаковым для всех компонент i с не-
которой заданной точностью (в заданном десятичном разряде).
Полученное на k-м этапе приближений значение
r1 ≈ r2 ≈ r3 ≈ r4 ≈ r5 стремится в пределе к первому корню λ1,
k k k k k
т.е. lim r k = λ1 . Соответствующий вектор состояния, будучи нор-

k →∞
мированным, дает первый столбец матрицы коэффициентов B.

В рассматриваемом случае на пятом шаге приближений (k =
= 5) величины rik с точностью до двух единиц в пятом десятич-
ном разряде совпали; при этом получено
λ1 = rik = 1,143;
 B11   0, 497 
   
 B21   0, 420 
b(1) = Bm =  B31  =  −0, 438  ,
   
 B41   −0, 551 
   
 B51   −0, 284 
где b(1) – обозначение первого столбца матрицы B; m = 1, … , 5.

По найденным значениям λ1 и b(1) определяем новую матри-
цу S1, которую вычисляем из условия
158
 B11 
 
 B21 
S1 = S − λ1b(1) b(1)′ = (S ij ) − λ1  B31  (B11 B21 B31 B41 B51 ).
 
 B41 
B 
 51 
В рассматриваемом примере матрица S1 приобретает следую-
щий вид:
 0, 06094 0,00510 0,03211 0,00805 0,04903 
 
 0,00510 0,07098 0,03878 0,00738 0,03963 
S1 =  0,03212 0,03878 0,07163 0,00567 0,00793  .
 
 0,00805 0,00738 0,00567 0,02398 0,03027 
 0,04903 0,03963 0,00793 0,03027 0,21526 

По найденной матрице S1, аналогично предыдущему этапу,
задаем X 0 ( X10 ; X 20 ; X 30 ; X 40 ; X 50 ) и согласно описанной выше
процедуре определим λ2 и b(1) . В нашем случае
λ 2 = 0, 242;
 B12   0, 263 
   
 B22   0, 231 
b(2) = Bn =  B32  =  0, 055  .
2    
 B42   −0,110 
 B   0, 929 
 52   
После преобразования матрицы S1 получаем новую матрицу
S2, а затем приступаем к вычислению λ1 и b(2) и т.д.
Для рассматриваемого примера
 0, 305   0, 733   0, 231 

λ 3 = 0,115;      
 0, 510   −0, 664   0, 265 
λ 4 = 0, 060; b(3) =  0, 745  ; b(4) =  0,120  ; b(5) =  −0, 485  .
     
λ 5 = 0, 026;  0,192   0, 081   0, 800 
 −0, 234   −0, 040   −0, 078 
     
Таким образом, в результате расчета по данной процедуре по-
лучаем λ1 = 1,143; λ 2 = 0, 242; λ 3 = 0,115; λ 4 = 0, 060; λ 5 = 0, 026;
159
 0, 497 0,263 0,305 0,733 0,231 
 0,420 0,231 0,510 −0,664 0,265 

B =  −0, 438 0, 055 0, 745 0,120 −0, 485  ;
 
 −0,551 −0,110 0,192 0,081 0,800 
 −0,284 0,929 −0,234 −0,040 −0,078 
 
при этом у остаточной матрицы S 5 = S4 − λ 5 b(5) b(5) все члены с
точностью до 10–7 оказались равными нулю.
По полученной матрице B находим функции U1, U2, … , U5, ко-
торые являются уравнениями для главных компонент, из соот-
ношения U = B ′X:
U1 = B11 X1∗ + B21 X 2∗ + B31 X 3∗ + B41 X 4∗ + B51 X 5∗ =
= 0, 497 X1∗ + 0, 420 X 2∗ − 0, 438 X 3∗ − 0, 551X 4∗ − 0, 284 X 5∗ ;
U 2 = 0, 263 X1∗ + 0, 231X 2∗ + 0, 055 X 3∗ − 0,110 X 4∗ + 0, 929 X 5∗ ;
U 3 = 0, 305 X1∗ + 0, 510 X 2∗ + 0, 745 X 3∗ + 0,192X 4∗ − 0, 485 X 5∗ ;
U 4 = 0, 733 X1∗ − 0, 664 X 2∗ + 0,120 X 3∗ + 0, 081X 4∗ + 0, 800 X 5∗ ;
U 5 = 0, 231X1∗ + 0, 265 X 2∗ − 0, 485 X 3∗ − 0, 040 X 4∗ − 0, 078 X 5∗ .
Согласно теории, вклад в общую дисперсию образов каждой

k
из пяти компонент U можно определить из отношения λ i / ∑ λ i .
i=1
В данном случае вклад первой компоненты равен 1,143/ 1,586,
т.е. 73 % общей дисперсии; для двух первых компонент вклад в
общую дисперсию (1,143 + 0,242)/ 1,586⋅100 ≈ 87 %, а для трех
первых компонент (1,143 + 0,242 + 0,115)/ 1,586⋅100 ≈ 95 % и т.д.
Таким образом, если в качестве главных компонент выбрать
U1 и U2, то они с достаточно большой точностью будут характе-
ризовать дисперсию рассматриваемых образов. Построим диа-
грамму рассеивания контролируемых образов промывочных
жидкостей в нашей задаче. Для этого по данным табл. 55 вычис-
ляем значения U1 и U2 по известным величинам X1∗ , X 2∗ , ..., X 5∗
согласно формулам
U1 = 0, 497 X1∗ +0,420X 2∗ − 0,438X 3∗ − 0, 551X 4∗ − 0, 284 X 5∗ ;
U 2 = 0, 263 X1∗ +0,231X 2∗ − 0,055X 3∗ − 0,110 X 4∗ +0,929X 5∗ .

Результаты расчетов приведены в табл. 56.
160
Таблица 56
№ Z1 Z2 Z1 Z2
п/ п
Тип 1 Тип 3
1 1,29 0,494 –0,83 –0,340
2 1,33 0,465 –1,19 –0,110
3 1,53 0,470 –0,84 –0,246
4 0,99 0,141 –1,62 –0,453
5 0,83 0,393 –1,02 –0,357
6 1,34 0,085 –1,44 –0,254
7 1,48 0,035 –1,33 –0,441
8 0,63 0,050 –0,70 –0,435
9 1,08 0,183 –1,32 –0,205
10 1,54 0,197 –1,09 –0,331
Тип 2 Тип 4
1 –0,38 0,023 –1,56 –0,407
2 –0,57 –0,040 –1,25 –0,532
3 –1,02 –0,145 –1,75 –0,436
4 –1,07 –0,130 –1,35 –0,364
5 –0,77 –0,250 –1,13 –0,203
6 –1,22 –0,205 –1,66 –0,459
7 –1,40 –0,142 –0,68 –0,400
8 –1,20 –0,177 –1,08 –0,476
9 –0,65 –0,304 –1,52 –0,478
10 –0,78 –0,069 –1,35 –0,416
Диаграмма рассеивания образцов промывочных жидкостей

(рис. 20), построенная по данным табл. 56, со всей очевидностью
показывает, что промывочная жидкость типа 1 объективно отли-
чается от жидкостей других типов. Буровой раствор, в котором
был использован антиоксидант СНГР (тип 4), существенно от-
личен от растворов типов 1–3. Различие между типами 2 и 3
незначительно.
Таким образом, на основании расчетов по методу главных
компонент можно утверждать, что различимы три образа промы-
вочных жидкостей, используемых при проводке рассматриваемых
скважин: буровые растворы типа 1, совместная обработка раство-
рами типов 2, 3 и промывочные жидкости типа 4.
Результаты обучения на указанной группе типов химических
обработок могут служить основой для научно обоснованного вы-
вода о необходимом ассортименте материалов при бурении на
указанной площади в рассмотренном интервале глубин и забой-
ных температур, т.е. налицо факт адаптации в работе инженера
по промывочным жидкостям.
Весьма близким к рассмотренным выше методам распознава-
ния образов является подход, использующий функцию расстоя-
ния между объектами, которая характеризует сферу влияния
объекта. Здесь уместно провести аналогию с потенциальным по
161
Рис. 20. Диаграмма рассеивания образов промывочных жидкостей разных ти-
пов
лем точки (гравитационным, электрическим, магнитным и др.),

которое убывает по определенному закону по мере удаления от
точки. Такой подход получил название метода потенциальных
функций, и его успешно используют во многих прикладных за-
дачах.
Функции, используемые в данном методе, должны представ-
лять собой колоколообразные кривые (рис. 21), снижающиеся
(убывающие) по мере удаления от соответствующей объекту
точки в пространстве образов. К ним, например, относят функ-
ции вида Φ = exp(−αp); Φ = (1 + αp 2 )−1 и другие, где α – посто-
янная, а p2 – квадрат расстояния от рассматриваемого объекта,
которое можно определить в виде p = (X − X1r )2 или
p = (X − X ) . Исходя из удобства вычислений, в дальнейшем
r 2
2
будем рассматривать функции
k
Φ A (X ) = ∑ exp[−α(X − X1r )2 ]; (189)
r =1
k
Φ B (X ) = ∑ exp[−α(X − X 2r )2 ].
r =1
162
Рис. 21. Графическая интерпретация метода потенциальных функций при рас-
познавании образов для одномерного случая
Обобщение для многомерных объектов будет несложным, ес-

ли для вектора X (X1 , X 2 , ..., X n ) расстояние определить по
формуле
p 2 = ∑ (X j − X rj )2 ,
где i = 1, 2, … , n – число компонент вектора состояния; r = 1, 2,
… , k – число объектов.
В этом случае потенциальную функцию в любой точке можно
записать в виде
k n
Φ i (X ) = ∑ exp[−α ∑ (X j − X ij2 )2 ], (190)
r =1 j =1
где j = 1, 2, … , m – число классов объекта; r = 1, 2, … , k – число

объектов данного класса; i = 1, 2, … , n – число компонент вектора
состояния X(X1, X2, … , Xn).
Таким образом, если вычислить для конкретного объекта по-
тенциальные функции для каждого из классов j = 1, 2, … , m, то
его следует отнести к тому из классов, для которого потенциаль-
ная функция будет наибольшей (объект наиболее близок к обра-
зу этого класса). Указанную процедуру распознавания используют
при обучении с «учителем», т.е. по обучающим выборкам. При
их отсутствии указанной процедуре должен предшествовать этап
классификации объектов по категориям.
Обратим внимание на тот факт, что при создании потенци-
альной функции для каждой конкретной процедуры распознава-
ния в подборе значения постоянной α заложены элементы поис-
ка и творчества. В зависимости от α находится разрешающая
способность потенциальной функции. Так, при возрастании α
происходит быстрое затухание потенциальной функции по мере
удаления от объектов данного класса, что приводит к созданию
сильно изрезанного пиками «рельефа» над «вершиной» данного
163
образа. Уменьшение α приводит к сглаживанию пиков, но одно-
временно и к нивелированию «высот» образов разного класса,
что сильно затрудняет распознавание и приводит к большому
числу неопределенных и ошибочных решений.
Проиллюстрируем этот подход. При разбуриваниии интерва-
лов, сложенных чередующимися глинами и карбонатами, воз-
никла необходимость решить вопрос о вводе глины в буровой
раствор при бурении в карбонатных породах для повышения его
структурно-механических характеристик и о прекращении ее
ввода при переходе в глины, что обусловлено загустеванием рас-
твора вследствие повышения ее содержания. Было отмечено, что
показатели свойств выходящего из скважины раствора при буре-
нии в глинистых и карбонатных породах имеют различия, труд-
ноулавливаемые по результатам отдельных наблюдений.
В табл. 57 приведены 14 значений – результатов измерений
компонент вектора состояния растворов: плотности X1, г/ см3,
условной вязкости X2, с (по прибору СПВ-5), водоотдачи X3, см3,
за 30 мин, толщины корки X4, мм, на фильтре (по прибору для
измерения толщины корки ВНИИБТ) , статического напряжения
сдвига X5 и X6, МПа, через 1 мин и 10 мин соответственно.
Рассмотрим возможность создания процедуры распознавания
образа бурового раствора при бурении в глинистых и карбонат-
ных породах методом потенциальных функций, что позволило
бы по результатам измерений указанных показателей свойств
промывочной жидкости на выходе из скважины принимать ре-
шение о необходимости ввода глины в раствор.
В данном случае возникает проблема распознавания образов
для двух классов ( i = 2) и шести компонент вектора состояния
Таблица 57
№ Бурение в глинах Бурение в карбонатах
п/ п X1 X2 X3 X4 X5 X6 X1 X2 X3 X4 X5 X6
1 1,19 28 10 2,0 40 72 1,19 26 12 1,8 38 64
2 1,18 30 12 2,5 45 76 1,21 25 11 1,9 39 67
3 1,19 26 11 2,0 39 62 1,19 28 14 1,6 35 58
4 1,20 28 10 2,4 46 82 1,19 25 10 1,8 40 69
5 1,19 27 9 1,8 43 75 1,21 27 12 2,0 34 63
6 1,18 30 8 2,3 35 60 1,22 29 14 1,7 30 55
7 1,19 31 10 2,2 37 62 1,20 28 13 1,5 38 63
8 1,20 30 12 1,9 40 68 1,18 27 11 1,9 35 60
9 1,18 28 8 2,2 43 70 1,21 25 12 2,1 32 58
10 1,19 29 9 2,1 37 63 1,18 24 13 1,8 34 59
11 1,16 30 10 2,0 38 66 1,22 24 14 2,0 38 64
12 1,17 31 12 2,5 38 62 1,19 30 10 1,6 36 63
13 1,19 30 11 2,4 39 67 1,20 29 9 1,9 31 58
14 1,18 31 9 2,0 43 70 1,21 28 11 1,7 39 68
164
(j = 6) по результатам наблюдений над 14 объектами ( r = 14) в
каждом классе. Потенциальные функции имеют вид
14 6
Φ1 (X ) = ∑ exp[−α ∑ (X j − X1r j )2 ];
r =1 j =1
14 6
Φ 2 (X ) = ∑ exp[−α ∑ (X j − X 2r j )2 ].
r =1 j =1
Затем, задаваясь значением постоянной α, которое можно оп-

ределить методом проб и ошибок, можно приступать к распозна-
ванию, предварительно убедившись в эффективности α на обу-
чающей выборке.
Если положить α = 0,1, то для раствора с вектором состояния
X (1,19; 27; 9; 1,8; 43; 75), относящимся к 1-му классу в обучаю-
щей выборке, получаем
Φ1 = exp {−0,1[(1,19)2 + (27 − 28)2 + (9 − 10)2 + (1, 8 − 2, 0)2 +
+ (43 − 40)2 + (75 − 72)2 ]} + exp {−0,1[(1,19 − 1,18)2 +
+ (27 − 30)2 + (9 − 12)2 + (2, 5 − 2, 0)2 + (43 − 45)2 + (75 − 76)2 ]} + ... +
+ exp {−0,1[(1,19 − 1,18)2 + (27 − 31)2 + (9 − 9)2 + (1, 8 − 2, 0)2 +
+ (43 − 43)2 + (75 − 70)2 ]} = 1, 32;

Φ 2 = exp {−0,1[(1,19 − 1,19)2 + (27 − 26)2 + (9 − 12)2 + (1, 8 − 1, 9)2 +
+ (43 − 38)2 + (75 − 82)2 ]} + exp {−0,1[(1,19 − 1, 21)2 +

+ (27 − 25)2 + (9 − 11)2 + (1, 8 − 1, 9)2 + (43 − 39)2 + (75 − 67)2 ]} + ... +
+ exp {−0,1[(1,19 − 1, 21)2 + (27 − 28)2 + (9 − 11)2 + (1, 8 − 1, 7)2 +
+ (43 − 39)2 + (75 − 68)2 ]} = 0, 01.

Таким образом,
Φ 1 > Φ 2.
Следовательно, объект должен быть отнесен к 1-му классу.
Аналогично можно проверить все объекты из 1-го и 2-го классов
обучающей выборки.
В результате контрольного распознавания на обучающей вы-
борке была получена 100%-ная классификация при α = 0,1. В
случаях, когда α = 0,01 и α = 0,5, были соответственно получены
четыре и шесть ошибочных результатов. Затем построенные по-
165
тенциальные функции были опробованы на контрольной группе
растворов с векторами состояния, приведенными в табл. 58.
Для указанной группы, состоящей из пяти растворов в каж-
дом классе, ошибочный результат при распознавании был полу-
чен лишь для раствора с вектором состояния X(1,17; 27; 8; 2,2;
36; 68), для которого Φ1 = 0,40 и Φ2 = 0,50, что соответствует
2-му классу, хотя раствор относится к 1-му.
Все рассмотренные выше методы распознавания образов
можно использовать в том случае, если признаки вектора со-
стояния являются количественными. Это обстоятельство весьма
ограничивает их применимость на практике, так как ситуации
при бурении скважин характеризуются очень большим числом
различных качественных факторов – геологическое строение;
номенклатура химических реагентов, глиноматериалов, тампо-
нажных цементов и т.п.; типы долот; способы бурения и многие
другие.
Для подобного рода задач широко применяют методы ве-
роятностного распознавания, основная идея которых базируется
на принятии решений о принадлежности объектов к тому или
иному классу согласно соответствующей вероятности. При этом
используют различного рода разрушающие функции, учитываю-
щие потери при неправильной идентификации объектов.
Основу вероятностного подхода при распознавании образов
составляет байесовская теория принятия статистических реше-
ний, которая использует известную формулу Байеса для вычис-
ления вероятности сложного события:
P (X/ ωi )P (ωi )
P (ωi / X ) = m
, (191)
∑ P (X/ ωi )P (ωi )
i =1
где P (ωi/X) – вероятность состояния ωi при значении факторов

на уровнях X(X1, X2, … , Xn); P(X/ωi) – условная плотность рас-
пределения факторов X для состояния ωi или правдоподобия ωi
при данном X; P(ωi) – вероятность состояния ωi.
Таблица 58
№ Бурение в глинах Бурение в карбонатах
п/ п X1 X2 X3 X4 X5 X6 X1 X2 X3 X4 X5 X6
1 1,19 28 11 1,9 40 69 1,21 28 13 2,0 40 70
2 1,20 29 12 2,1 38 75 1,20 30 12 1,8 35 62
3 1,18 31 10 2,3 39 72 1,19 27 10 1,9 39 67
4 1,17 27 8 2,2 36 68 1,20 26 11 1,8 34 60
5 1,19 31 9 2,0 40 75 1,22 28 10 1,6 38 65
166
Отметим, что знаменатель в формуле (191) играет роль нор-
мирующего множителя и не зависит от индекса i, т.е. от состоя-
ния объекта.
Предположим, объект может пребывать в двух состояниях ω1
и ω2 (наличие осыпей или их отсутствие при бурении в данном
интервале глубин), и эти состояния оцениваются в зависимости
от одного характеризующего объект фактора X (в нашем случае
это может быть глубина). Из предшествующего опыта, т.е. апри-
орно, известно, что состояние ω1 встречается в 3 раза реже, чем
состояние ω2, т.е. P(ω1) = 0,25 и P(ω1) = 0,75. Тогда при извест-
ной условной плотности распределения величины X для состоя-
ний ω1 и ω2 (рис. 22) можно вычислить значения вероятности
наступления событий ω1 и ω2 при заданном значении фактора X.
Отметим, что в данном контексте графики на рис. 22 отражают
тот факт, что при малых глубинах осыпи чрезвычайно редки, а
на больших глубинах их вероятность гораздо выше, хотя наиболь-
шая вероятность их возникновения приходится на глубину X0.
Байесовское правило принятия решений в такой упрощенной
ситуации утверждает, что при P(ω1/X) > P(ω2/X) необходимо
принимать решение о состоянии ω1, а при P(ω2/X) > P(ω1/X) –
о состоянии ω2. Случай равенства вычисленных значений веро-
ятностей P(ω1/X) и P(ω2/X) дает неопределенный ответ. Если
обобщить такую постановку на случай большого числа факторов,
т.е. объект характеризуется вектором признаков X(X1, X2, … , Xn),
и ввести понятие функции потерь λ(ωj/ωi) или λij – потери, ко-
торые будут понесены при выборе состояния ωj в состоянии по-
роды ωi, то решающее правило основывается на минимизации
условного риска R(ωj/X) – ожидаемые потери при выборе со-
стояния ωj для наблюдаемого вектора признаков X(X1, X2, … , Xn).
Рис. 22. Условная плот-

ность распределения зна-
чений X для состояний ω1
(1) и ω2 (2)
167
Значение условного риска определяют по формуле
k
R(ω j / X ) = ∑ λ(ω j / ωi )P (ωi / X ). (192)
i =1
Тогда для случая двух состояний объекта

R(ω1 / X ) = λ11 P (ω1 / X ) + λ12 P (ω2 / X );
R(ω2 / X ) = λ 21 P (ω1 / X ) + λ 22 P (ω2 / X ).

Правило выбора сводится к сравнению условных рисков, и
выбор ω1 соответствует условию
R(ω1 / X ) < R(ω2 / X )
или
(λ 21 − λ11 )P (ω1 / X ) > (λ12 − λ 22 )P (ω2 / X ),
а для вполне логичного предложения λ21 > λ11
p(X / ω1)P (ω1)
> λ12 − λ 22
p(X / ω2 )P (ω2 ) λ 21 − λ11
или
P (ω1 / X )
> λ12 − λ22 . (193)
P (ω2 / X ) λ 21 − λ11
Таким образом, полученное соотношение определяет решение

ω1. При нарушении этого неравенства необходимо принять реше-
ние ω2. В общем случае вычисление условного риска для каждо-
го из возможных состояний позволяет принять решение о воз-
можном состоянии по минимальному значению условного риска,
т.е.
ω = ωk для R(ωk/X) = min[R(ωk/X)].
В предложении о равенстве потерь при неверной классифика-
ции, т.е. λij = С при i ≠ j, и отсутствии потерь для правильной
классификации, т.е. λij = 0, имеем разрешающее правило, мини-
мизирующее уровень ошибок при классификации – принять ре-
шение ωi при
p(X/ ωi )P (ωi )
g i (X ) = >1
p(X/ ω j )P (ω j )
для всех j ≠ i.
В качестве разделяющего правила можно использовать также
функции
g i (X ) = P (ωi / X ); (194)
g i (X ) = p(X/ ωi )P (ωi ); (195)
168
g i (X ) = log p(X/ ωi ) + log P (ωi ). (196)
Прежде чем приступить к изложению общего подхода к по-
строению диагностической процедуры в целях распознавания си-
туаций, рассмотрим случай нормальной плотности распределения
1 1
p(X / ωi ) = k/2 1/ 2
exp[− (X − X i )ò C −1 (X − X i )], (197)
(2π) C 2
где C – определитель ковариационной матрицы, (X − X i )ò –

транспонированный вектор X − X i ; C и C–1 – ковариационная и
обратная ей матрицы размером k×k; X i – вектор средних значе-
ний для признаков, имеющих k компонент.
В этом случае при выполнении условия Ci = C и применении
разделяющей функции
g i (X ) = log p(X/ ωi ) + log P (ωi ) (198)
имеем
1
U ij (X ) = [X − (X i + X j )]′S −1 (X i − X j ), (199)
2
где X i , X j – средние значения вектора состояния для i-й и
j-категории (i ≠ j); S – ковариационная матрица для компонент
вектора состояния.
При известных априорных вероятностях для категории qi гра-
ницы области i устанавливают из соотношений
U ij (X ) > ln(q j / qi ),
где j = 1, 2, … , m и j ≠ i.
Согласно соотношению, определяющему дискриминантную
функцию, следует, что U ij (X ) = −U ji (X ). Последнее соотношение
соответствует условию, что правая граница для категории i явля-
ется левой границей категории j в многомерном пространстве
вектора состояния X(X1, X2, … , Xn).
Рассмотрим алгоритм расчета дискриминантных функций для
случая трех классов, характеризующихся вектором состояния
X(X1, X2, … , Xn), в которых было проведено соответственно N1, N2
и N3 наблюдений над объектами.
Средние значения векторов состояния
N1 N1 N1
1 1 1
X11 = ∑ X11q ; X12 = ∑ X12q ; … ; X13 = ∑ X1qn ;
N1 q =1 N1 q =1 N1 q =1
169
N2 N2 N2
1 1 1
X 21 = ∑ X21q ; X22 = ∑ X22q ; … ; X23 = ∑ X2qn ;
N2 q =1 N2 q =1 N2 q =1
N3 N3 N3
1 1 1
X 31 = ∑ X31q ; X32 = ∑ X32q ; … ; X33 = ∑ X3qn ,
N3 q =1 N3 q =1 N3 q =1
где первая цифра индекса X соответствует классу, вторая – ком-

поненте вектора состояния; q – номер наблюдения в классе.
Ковариационная матрица S = (Sij), где i и j – индексы компо-
нент вектора состояния (i, j = 1, 2, … , n) вычисляют по приве-
денной выше формуле.
После определения ковариационной матрицы S находят ко-
эффициенты при компонентах вектора состояния Xi1, Xi2, … , Xin:
−1
 C ij1   S11 S12 ... S1n   X i1 − X j1 
 2   
 C ij  S21 S22 ... S2n   X i 2 − X j2 
C ij =   = 
k
,
# . . . . . . . . .  . . . . . . .
 n     
C  S S
 ij   n1 n 2 ... Snn   X in − X jn 
где i, j = 1, 2, … , m – число классов; k = 1, 2, … , n – число компо-

нент вектора состояний. В нашем случае при m = 3
... S1n   X11 − X 21 

−1
 C121
  S11 S12
 2    
 C12  =  S21 S22 ... S2n   X12 − X 22 
k
C12 = = −C21
k
;
#  . . . . . . . . .  . . . . . . .
 
 C n   S S 
... Snn   X1n − X 2n 
 12   n1 n 2
−1
 C13
1
  S11 S12 ... S1n   X11 − X31 
 2    
 C13  =  S21 S22 ... S2n   X12 − X32 
k
C13 = = −C31
k
;
#  . . . . . . . . .  . . . . . . .
 n     
 C13   Sn1 Sn 2 ... Snn   X1n − X3n 
−1
 C23
1
  S11 S12 ... S1n   X 21 − X 31 
 2    
 C23  =  S21 S22 ... S2n   X 22 − X 32 
k
C23 = = −C32
k
.
#  . . . . . . . . .  . . . . . . .
 n     
 C23   Sn1 Sn 2 ... Snn   X 2n − X3n 
170
Далее определяют значения свободных членов в дискрими-
нантных функциях:
 X11 + X 21 ′  C12
1

   2 
1  X12 + X 22   C12 
0
C12 =−  =
2 #   # 
   n 
 X1n − X1n   C12 
1
= − [C12
1
(X11 + X 21 ) + C12
2
(X12 + X 22 ) + ... + C12
n
(X1n + X 2n ) = −C21
0
;
2
 X11 + X 31 ′  C13
1

   2 
1 X12 + X 32   C13  =
0
C13 = − 
2 . . . . . . .  # 
   n 
 X1n + X 3 n   C13 
1
= − [C13
1
(X11 + X 31 ) + C13
2
(X12 + X 32 ) + ... + C13
n
(X1n + X 3 n ) = −C31
0
;
2
 X 21 + X 31 ′  C231

   2 
1  X 22 + X 32   C23 
=    # =
0
C23
2 #
   n 
 X 2n − X 3 n   C23 
1
= − [C23
1
(X 21 + X 31 ) + C23
2
(X22 + X32 ) + ... + C22
n
(X 2n + X 3 n ) = −C32
0
;
2
Теперь можно построить дискриминантные функции:

U ij (X ) = X ′C + C 0 ;
 X1 ′  C12 
1
 X  C 2 
 12  0
U12 (X ) =   
2
+C = C12
0
+ C12
1
X1 + C12
2
X 2 + ... + C12
n
Xn ;
 #  #  12
   n 
 X n   C12 
U12 (X ) = −U 21 (X );
U13 (X ) = C13
0
+ C13
0
X1 + C13
2
X 2 + ... + C13
n
Xn ;
171
U13 (X ) = −U 31 (X );
U 23 (X ) = C23
0
+ C23
1
X1 + C23
2
X 2 + ... + C23
n
Xn ;
U 23 (X ) = −U 32 (X ).
После построения дискриминантных функций, подставляя в
них компоненты вектора состояния X1, X2, … , Xn объекта, легко
определить его принадлежность к той или иной категории.
Так, если априорные вероятности для каждой категории рав-
ны, т.е. ln (qi/qj) = 0, то область определения для классов будет
следующей:
первому классу R1 соответствует U12(X) > 0; U13(X) > 0;
второму классу R2 – U23(X) > 0; U21(X) > 0;
третьему классу R3 – U31(X) > 0; U32(X) > 0.
Принимая во внимание, что
U12(X) =– U21(X); U13(X) =– U31(X); U23(X) =– U32(X),
достаточно вычислить три дискриминантные функции из шести,
чтобы определить принадлежность объекта к любому из трех
классов:
R1, если U12(X) > 0; U13(X) > 0;
R2, если U12(X) < 0; U23(X) > 0;
R3, если U13(X) < 0; U23(X) < 0.
При наличии большего числа классов обобщение достаточно
очевидно и приводит к увеличению числа дискриминантных
функций и разрешающих условий для классов. В случае m клас-
сов разрешающие правила имеют вид
R1 – U12(X) ≥ 0; U13(X) ≥ 0; … ; U1m(X) ≥ 0;
R2 – U21(X) ≥ 0; U23(X) ≥ 0; … ; U2m(X) ≥ 0;
R3 – U31(X) ≥ 0; U32(X) ≥ 0; … ; U3m(X) ≥ 0;
..................................
Rm – Um1(X) ≥ 0; Um2(X) ≥ 0; … ; Um m – 1(X) ≥ 0.
При креплении скважин в северных районах страны широко
используют цементы Вольского, Стерлитамакского и реже – Но-
вороссийского заводов. По результатам измерений свойства це-
ментного раствора-камня: растекаемость X1, см, (по конусу Аз-
НИИ), время начала схватывания, X2, мин, предел прочности на
изгиб X3, кПа, для двух суточных образцов и предел прочности
на сжатие X4, кПа, для двух суточных образцов – во ВНИИКР-
нефти были построены дискриминантные функции для цементов
172
Таблица 59
Вольский (1) Стерлитамакский (2) Новороссийский (3)
X1 X2 X3 X4 X1 X2 X3 X4 X1 X2 X3 X4
19,0 610 23 50 23,0 470 21 60 26,0 450 27 63
18,5 580 24 57 21,0 500 25 59 25,0 490 30 67
21,0 600 20 60 23,0 490 27 62 26,0 440 32 71
20,0 650 27 59 23,0 520 24 64 25,5 410 31 72
19,0 590 26 62 22,0 510 21 62 25,5 480 28 70
19,5 540 25 54 21,5 480 22 60 24,0 450 27 69
21,5 590 25 56 20,5 480 24 61 25,5 440 30 68
20,0 620 26 58 23,0 500 25 59 25,0 420 25 70
20,0 600 24 60 23,0 520 23 59 23,0 410 28 70
21,0 580 26 62 22,0 490 25 60 24,0 450 30 71
21,0 580 25 68 21,0 490 25 61 25,0 440 29 69
19,0 600 26 63 22,5 520 23 60 24,5 440 28 62
20,0 620 23 59 22,0 560 26 60 25,0 430 27 63
20,0 610 21 62 22,0 510 25 61 25,5 450 26 65
21,0 550 27 64 22,5 530 23 60 25,0 440 24 68
22,0 600 27 56 21,0 490 22 58 24,0 460 26 64
трех типов, которые позволяют по известным значениям компо-

нент вектора состояния X(X1, X2, X3, X4) определить принадлеж-
ность конкретной партии цемента к одному из трех типов.
Рассмотри процесс построения дискриминантных функций и
оценим их эффективность при классификации объектов.
В табл. 59 приведены результаты показателей свойств указан-
ных цементов при температуре 22 °С (холодные скважины) и
водоцементном отношении 0,5.
В соответствии с этим данными получим таблицу средних
значений компонент вектора состояния по классам X11 ; X12 ; ...,
X 34 и их средних квадратических отклонений (табл. 60).
Из табл. 60 следует, что средние значения для компонент раз-
личаются по классам. Отличаются и значения средних квадрати-
ческих отклонений, что, вообще говоря, не соответствует требо-
ваниям к данным для дискриминантного анализа в традицион-
ной постановке, так как эффективность разрешающих статисти-
ческих функций при этом не гарантируется. Однако дальнейший
Таблица 60
Компонент
Класс
X1 X2 X3 X4
1 X11 = 20,15 X12 = 595 X13 = 24,0 X14 = 59,4
σ(X11) = 1,00 σ(X12) = 28,8 σ(X13) = 2,27 σ(X14) = 4,28
2 X21 = 22,1 X22 = 503 X23 = 23,8 X24 = 60,5
σ(X21) = 0,86 σ(X22) = 22,8 σ(X23) = 1,94 σ(X24) = 1,55
3 X31 = 24,9 X32 = 444 X33 = 28,0 X34 = 67
σ(X31) = 0,89 σ(X32) = 21,6 σ(X33) = 2,22 σ(X34) = 3,31
173
анализ приводит к хорошим результатам, что обусловлено, оче-
видно, незначительным различием выборочных дисперсий для
компонент вектора состояния по классам. В настоящее время
разработаны методы, которые позволяют более обоснованно пре-
одолевать указанное препятствие, возникающее чаще всего из-за
ограниченности выборки и отличий генеральной совокупности от
нормальной.
На основании данных табл. 59 и 60 имеем ковариационную
матрицу
 38,13 102,5 15,61 9,955 
 
102,50 271,60 57,09 − 471,50 
S = .
 15, 61 57, 09 208, 50 90, 57 
 
 9, 955 − 471,50 90,57 475,20 
Обратная ковариационная матрица
 1,2312 − 0,0047 − 0,0846 − 0,0143 
 
− 0,0047 − 0,0017 − 0,0010 0,0020 
S −1 = .
 − 0,0846 − 0,0010 0, 2421 − 0,0453 
 
 − 0,0143 0,0020 − 0,0453 0,1056 
Значения разностей и полусумм средних значений компонент
векторов состояний для разных классов даны в табл. 61.
Имея данные табл. 61 и матрицу S–1, находим коэффициенты
k k
C12 , C13 и C23
k
:
1
C12 = − 2, 84 = −C21
1 1
; C13 = − 6,17 = −C31
1 1
; C23 = − 3, 33 = −C32
1
;
2
C12 = 0,163 = −C22
1 2
; C13 = − 0, 269 = −C31
2 2
; C23 = 0,106 = −C32
2
;
3
C12 = 0, 333 = −C21
3 3
; C13 = − 0, 203 = −C31
3 3
; C23 = − 0, 536 = −C32
3
;
4
C12 = 0, 054 = −C21
4 4
; C13 = − 0, 287 = −C31
4 4
; C23 = − 0, 341 = −C32
4
.
Свободные члены в дискриминантных функциях
0
C12 = − 40, 9 = −C21
0 0
; C13 = 23, 8 = −C31
0 0
; C23 = 64, 7 = −C32
0
.
Таким образом, дискриминантные функции, определяющие
принадлежность к любому из классов, имеют вид
U12 (X ) = − 2, 84 X1 + 0,163 X 2 + 0, 333 X 3 + 0, 054 X 4 − 40, 9;
U13 (X ) = − 6,17 X1 + 0, 269 X 2 − 0, 203 X 3 − 0, 287 X 4 + 23, 8;
U 23 (X ) = − 3, 66 X1 + 0,106 X 2 − 0, 536 X 3 − 0, 341X 4 + 64, 7.
174
Таблица 61
Разность Значение Разность Значение Разность Значение
X11 − X21 –1,95 X11 − X 31 –4,35 X 21 − X 31 –2,8
X12 − X 22 92,0 X12 − X 32 151 X 22 − X 32 59
X13 − X 23 0,2 X13 − X 33 –4,0 X 23 − X 33 –4,2
X14 − X 24 –1,1 X14 − X 34 –7,6 X 24 − X 34 –6,5
1 1 1
( X11 + X21) 21,12 ( X11 + X31) 22,52 ( X 21 + X 31) 23,50
2 2 2
1 1 1
( X12 + X 22 ) 549 ( X12 + X 32 ) 519,5 ( X 22 + X 32 ) 473,5
2 2 2
1 1 1
( X13 + X 23 ) 23,9 ( X13 + X 33 ) 26,0 ( X 23 + X 33 ) 25,9
2 2 2
1 1 1
( X14 + X 24 ) 59,9 ( X14 + X 34 ) 63,2 ( X 24 + X 34 ) 63,75
2 2 2
Для контроля правильности вычислений необходимо прове-

рить условия
1
C12 + C23
1
= C13
1 2
; C12 + C23
2
= C13
2 3
; C12 + C23
3
= C13
3
;
4
C12 + C23
4
= C13
4 0
; C12 + C23
0
= C13
0
.
Легко убедиться, что все эти условия выполнены, и можно
приступить к распознаванию объектов.
Процедуру распознавания всегда необходимо начинать с вы-
борки, на которой проводилось обучение (в данном случае – по-
строение дискриминантных функций), а затем оценивать разре-
шающие функции на новых (контрольных) объектах.
Для обучающей выборки в приведенном примере построенные
дискриминантные функции дают 100%-ное распознавание. Так,
для векторов X1(19; 610; 23; 50), X2(20,5; 480; 24; 61) и X3(26,0;
450; 27; 63) имеем соответственно условия
1) U12 = 14,9; U13 = 57,7; U23 = 34,7;
2) U12 = –9,6; U13 = 4,1; U23 = 11,7;
3) U12 = –29,1; U13 = –39,1; U23 = –12,1.
Следовательно, для вектора состояния первого объекта
U12 > 0 и U13 > 0,
т.е. цемент относится к классу 1; для вектора состояния второго
объекта
U12 < 0 и U23 > 0,
175
Таблица 62
Номер Вольский (1) Стерлитамакский (2) Новороссийский (3)
образца X1 X2 X3 X4 X1 X2 X3 X4 X1 X2 X3 X4
1 21,0 550 23 51 22,5 510 25 59 23,5 480 27 80
2 22,5 580 24 58 23,0 390 24 62 24,0 410 30 71
3 21,0 610 27 56 23,5 470 28 58 22,5 420 29 62
4 20,0 530 26 59 22,0 500 26 60 23,0 450 31 64
5 20,5 570 28 52 24,0 460 27 64 24,5 390 28 65
6 21,5 560 22 61 21,5 450 25 61 20,5 435 26 60
7 19,5 520 24 55 20,5 470 28 58 23,5 490 25 69
8 20,0 500 26 58 22,0 535 26 56 22,0 520 31 71
9 22,0 510 27 54 20,5 495 27 63 23,0 460 30 65
10 18,5 580 25 57 23,0 520 26 60 25,0 430 29 62
т.е. цемент относится ко второму классу 1; для вектора состоя-

ния второго объекта
U13 < 0 и U23 < 0,
т.е. цемент относится к классу 3.
Для оценки эффективности построенных разрешающих стати-
стических функций (дискриминантных) была взята контрольная
группа цементов по 10 проб каждого типа, данные для компо-
нент векторов состояния X1, X2, X3, X4 которых указаны в
табл. 62.
После распознавания получены результаты, приведенные в
табл. 63.
Таким образом, контрольное распознавание показывает доста-
точно высокую эффективность использования метода дискрими-
нантных функций для указанных целей.
В заключение отметим, что данный метод требует довольно
сложных вычислений на этапе построения стаистически разре-
шающих функций, но после их определения распознавание но-
вых объектов проводится расчетом по простым линейным соот-
ношениям. К недостаткам метода дискриминантных функций
следует отнести, кроме того, необходимость представительной
выборки, по которой можно было бы определить параметры
нормального распределения для каждой из компонент вектора
состояния по категориям.
Наиболее универсальной и удобной для задач в бурении явля-
Таблица 63
Действительность Решение (класс)
Вольский (1) 1 1 1 1 1 1 1 2 2 1
Стерлитамакский 2 3 2 2 3 2 2 2 2 2
(2)
Новороссийский 3 3 3 3 3 3 3 2 3 3
(3)
176
ется байесовская процедура принятия решений, основывающаяся
для большого числа классов (состояний) на разделяющей функ-
ции вида
g i (X ) = p(X / ωi )P (ωi ), (200)
для которой решение принимается по достижении этой функци-

ей для какого-либо состояния определенного порога. Отметим,
что для двух классов (состояний) удобнее оказывается разде-
ляющая функция
p(X / ωi )P (ω1)
g12 (X ) = , (201)
p(X / ω2 )P (ω2 )
или
p(X / ωi )
g12 (X ) = lg + lg P (ω1) , (202)
p(X / ω2 ) P (ω2 )
что обусловлено удобством вычислений и представления резуль-

татов.
При вычислении условных плотностей распределения при-
знаков X для состояния ωi имеется сложность, обусловленная
возможными связями (зависимостью) компонент вектора при-
знаков. Для независимых факторов можно использовать мульти-
пликативное представление
n
p(X / ωi ) = ∏ p(X / ωi ), (203)
i =1
и в этом случае вычисление условных плотностей вероятности

распределения последних упрощается. Для их определения необ-
ходимо на основании прецедентов (обучающая выборка) найти
число случаев обнаружения состояния ωi при закрепленном зна-
чении фактора, т.е.
p(X jk / ωi ) = n jk / ni = Pjki , (204)
где njk – число объектов в состоянии ωi при значении j-го факто-
ра на k-м уровне; ni – общее число объектов в состоянии ωi.
Задача построения классификатора при этом сводится к опре-
делению матрицы условных плотностей распределения значений
компонент вектора признаков X для каждого из возможностей
состояний (классов) объекта (табл. 64).
Последний столбец в табл. 64 представляет собой априорные
вероятности состояний ωi которые вычисляют по формуле
177
Таблица 64
Фактор
Состояние X1 X2
X11 X12 … X1k X21 X22 … X2p
1 1
P11 1
P12 … 1
P1k 1
P21 1
P22 … P21p
2 2
P11 2
P12 … P1k2 2
P21 2
P22 … P22p
3 3
P11 3
P12 … P1k3 3
P21 3
P22 … P23p
.............................................................
m m
P11 m
P12 … P1mk m
P21 m
P22 … P2mp
Продолжение табл. 64
Фактор
Состояние X3 … Xn Pi
X31 X32 … X3r … Xn1 Xn2 … Xnl
1 1 1
1 P31 P32 … P3r … Pn11 Pn12 … 1
Pnl P1
2 2
2 P31 P32 … P3r2 … Pn21 Pn22 … Pnl2 P2
3 3
3 P31 P32 … P3r3 … Pn31 Pn32 … Pnl3 P3
.................................................................
..
m m
m P31 P32 … P3mr … Pnm1 Pnm2 … Pnlm Pm
P (ωi ) = ni / N = Pi ,
где N – общее число объектов в обучающей выборке.
Процедура распознавания сводится к определению значения
разделяющей функции при заданном векторе признаков X(X1, X2,
… , Xn) по формуле
n
g i (X ) = ∏ p(X / ωi )P (ωi ), (205)
i =1
в которую подставляют значения условных плотностей распреде-

ления для каждого признака при известном уровне (градации)
последнего для соответствующего состояния ωi . Сравнивания
значения разделяющей функции для каждого из состояний ωi ,
принимают решение о принадлежности к определенному классу
(состоянию) t при условии g i (X ) = max { g i (X )} или, согласно
условию для нормированной разделяющей функции,
n
Gt (X ) = g t (X ) / ∑ g i (X ) ≥ 0, 5,
i =1
178
т.е. вероятность принадлежности объекта к классу t выше, чем
суммарная вероятность принадлежности его ко всем остальным,
вместе взятым.
В случае двух возможных состояний и независимости компо-
нент вектора признаков разделяющую функцию можно предста-
вить в виде
p( X / ω1 ) P (ω1 )
g i (X ) = 10 lg + 10 lg =
p ( X / ω2 ) P (ω2 )
1 1 1
p1k p2 p pnl P (ω1 )
= 10 lg 2
+ 10 lg 2
+ ... + 10 lg 2
+ 10 lg =
p1k p2 p pnl P (ω2 )
= DK (X1k ) + DK (X 2 p ) + ... + DK (X nl ) + DK0 , (206)
где DK (X jk ) = 10 lg( p1jk / p 2jk ) – диагностический коэффициент

P (ω1 )
для j-го фактора на k-м уровне (градации); DK0 = 10 lg –
P (ω2 )
диагностический коэффициент, обусловленный различной апри-
орной вероятностью состояний 1 и 2.
Решения принимают на основании условий
n
ωi = ω1 , если ∑ DK (X jk ) ≥ A;
j =1
n
ωi = ω2 , если ∑ DK (X jk ) ≤ B;
i =1
n
ωi – неопределено, если B < ∑ DK (X jk ) < A.
j =1
В приведенных соотношениях A и B – пороги распознавания,

определение которых связано с учетом ошибок первого и второго
рода при классификации:
1 − α îø 1 − α îø
A = 10 log ; B = 10 log , (207)
β îø βîø
где αош и βош – ошибки первого и второго рода, под которыми

понимают допустимые вероятности отнесения объекта, принад-
лежащего к первому или второму классу, соответственно ко вто-
рому или первому классу.
В табл. 65 приведены пороговые суммы A (в числителе) и B
(в знаменателе), при разных значениях βош и αош.
179
Таблица 65
Значения A и B при αош, равном
βош
0,20 0,10 0,05 0,02 0,01 0,005 0,002 0,001
+6 + 6, 5 +7 +7 +7 +7 +7 +7
0,20
−6 − 9, 5 − 12 − 16 − 19 − 22 − 26 − 29
−9 + 9, 5 + 10 + 10 + 10 + 10 + 10 + 10
0,10
− 6, 5 − 9, 5 − 12, 5 − 16, 5 − 19, 5 − 22, 5 − 26, 5 − 29, 5
+ 12 + 12, 5 + 13 + 13 + 13 + 13 + 13 + 13
0,05
−7 − 10 − 13 − 17 − 20 − 23 − 27 − 30
+ 16 + 16, 5 + 17 + 17 + 17 + 17 + 17 + 17
0,02
−7 − 10 − 13 − 17 − 20 − 23 − 27 − 30
+ 19 + 19, 5 + 20 + 20 + 20 + 20 + 20 + 20
0,01
−7 − 10 − 13 − 17 − 20 − 23 − 27 − 30
+ 22 + 22, 5 + 23 + 23 + 23 + 23 + 23 + 23
0,005
−7 − 10 − 13 − 17 − 20 − 23 − 27 − 30
+ 26 + 26, 5 + 27 + 27 + 27 + 27 + 27 + 27
0,002
−7 − 10, 0 − 13 − 17 − 20 − 23 − 27 − 30
+ 29 + 29, 5 + 30 + 30 + 30 + 30 + 30 + 30
0,001
−7 − 10 − 13 − 17 − 20 − 23 − 27 − 30
Графическая интерпретация приведенного выше правила при-

нятия решений для упрощенного случая, когда состояние объек-
та зависит от одного определяющего фактора и равных априор-
ных вероятностей для двух классов, представлена на рис. 23.
Для каждого из факторов вектора признаков X при наличии
двух классов (состояний) можно установить меру информатив-
ности, которая характеризует вклад любой компоненты при рас-
познавании. Информативность любой k-й градации для j-го фак-
тора определяют по формуле
J (X jk ) = 0, 5DK (X jk )[ p( X jk / ω1 ) − p(X jk / ω2 )], (208)
а фактора Xj в целом – согласно выражению

l
J (X j ) = ∑ J (X jk ), (209)
k =1
где l – число градаций j-го фактора.

Условные плотности распределения вычисляют аналогично
случаю с большим числом классов. При этом для количествен-
ных факторов можно использовать различные процедуры сгла-
живания (при рассмотрении конкретных примеров они будут
180
Рис. 23. Графическая интерпретация правила применения решений для двух
классов:
1, 2 – условные плотности распределения соответственно p(X/ω1) и p(X/ω2);
I, II – области применения решений ω1 и ω2 соответственно; III – область неопре-
деленных ответов
проиллюстрированы), которые применяют для разрешения про-

блемы нулей, состоящей в том, что в некоторых клетках матрицы
эмпирических условных плотностей распределения X может не
оказаться данных. Однако такое решение указанной проблемы
оказывается некорректным для качественных факторов. Более
обоснованной, по мнению авторов, является точка зрения, со-
гласно которой в каждую незаполненную ячейку следует зано-
сить 1/ ni, что соответствует вероятности случайного разделения
конечной выборки размером ni.
В окончательном виде результат построения диагностической
процедуры при наличии двух состояний сводят в диагностиче-
скую таблицу, примеры представления которых будут проиллю-
стрированы ниже при решении содержательных задач.
Все приведенные выше рассуждения являются справедли-
выми при условии независимости факторов, входящих в вектор
признаков X. Последнее предположение необходимо проверить,
используя коэффициент ранговой корреляции Спирмена
N
6 ∑ ∆ 2i
p =1− i =1
, (210)
N (N 2 − 1)
181
где ∆i – разность рангов двух сравнительных факторов для i-го
объекта; N – число объектов в обучающей выборке.
При этом коэффициент p оказывается значимым, если выпол-
няется условие
1 − 0,19 (tα2
tα 
p > ρα = − 3) , (211)
N − 1  N −1 
где pα – допустимое значение коэффициента ранговой корреля-

ции при уровне значимости α; tα – табличное значение критерия
Стьюдента при уровне значимости α и числе степеней свободы
N – 1.
Использование коэффициента ранговой корреляции обуслов-
лено в данном случае тем, что вектор признаков X содержит и
количественные, и качественные факторы. Если последние отсут-
ствуют, то можно использовать коэффициент корреляции.
Наличие сильно связанных факторов, по общепринятому
мнению, приводит к ухудшению процедуры распознавания, что
однако не доказано теоретически. Окончательное решение можно
вывести лишь при экспериментальной проверке классификаторов
на контрольных примерах. Использование вектора признаков X с
сильно связанной структурой компонент, безусловно, отрицает
возможность мультипликативного представления условных плот-
ностей распределения для факторов, но эту трудность можно
обойти, если использовать главные компоненты для всех количе-
ственных факторов, которые представляют собой независимые
линейные комбинации
U = DX , (212)
где D – матрица коэффициентов линейного преобразования
вектора признаков X в вектор главных компонент U.
Использование в качестве вектора признаков главных компо-
нент позволяет применять весь приведенный выше аппарат. При
этом следует отметить, что обратный переход от значений глав-
ных компонент к самим факторам весьма прост.
Так, если имеется матрица коэффициентов
 d11 d12 d13 ... d1n 

d d22 d23 ... d2n 
 21
D =  d31 d32 d33 ... d3 n  ,
 
 . . . . . 
d d n 2 d n 3 ... d nn 
 n1
182
то
U1 = d11 X1 + d12 X 2 + ... + d1n X n ;
U 2 = d21 X1 + d22 X 2 + ... + d2n X n ;
. . . . . . . . . . . .
U n = d n1 X1 + d n 2 X 2 + ... + d nn X n ,
а для обратного перехода
X1 = d11U1 + d21U 2 + ... + d n1U n ;
X 2 = d12U1 + d22U 2 + ... + d n 2U n ;
. . . . . . . . . . . . . . .
X n = d1nU1 + d2nU 2 + ... + d nnU n .
Для построения диагностической процедуры при наличии
сильно связанной матрицы коэффициентов корреляции необхо-
димо на начальном этапе перейти к главным компонентам для
количественных признаков и строить процедуру на U и качест-
венных признаках. При наличии построенных диагностических
таблиц, прежде чем приступить к распознаванию, нужно в соот-
ветствии с матрицей коэффициентов определить значения глав-
ных компонент, а затем осуществлять распознавание ситуаций.
Следует отметить, что реализация такого подхода желательна на
ЭВМ.
Таким образом, основные этапы построения диагностических
таблиц следующие:
1. Отбор информативных факторов, являющихся компонента-
ми вектора признаков X, который реализуется на основании ана-
лиза мнения специалистов, лабораторной и промысловой ин-
формации.
2. Сбор промысловой информации об объектах, имеющих то
или иное из рассматриваемых состояний, распознавание которых
является целью построения диагностических таблиц. Представи-
тельность выборок по каждому из состояний изучаемого объекта
должна обеспечивать устойчивость рассчитываемых впоследст-
вии условных плотностей распределения компонент вектора при-
знаков X по каждому из состояний.
3. Дискретизация фактора на градации, которую для количе-
ственных факторов можно осуществлять по формуле
k = enteir (1 + 3, 32 lg nimin ), (213)

(где enteir Z – целая часть Z; nimin – число данных в выборке с
состоянием ωi, имеющей наименьший объем), а также с учетом
возможностей измерительной техники или из соображений удоб-
ства; при этом их число должно быть равно 7–8. Для качествен-
183
ных факторов этот процесс является естественным (породы –
глина, песчаник, алевролит и т.д.; реагенты – УЩР, КССБ, КМЦ
и др.).
4. Разбиение данных на две группы – обучающую и кон-
трольную. Отметим, что вопросы выделения обучающей выборки
широко обсуждаются в специальной литературе, и единого мне-
ния пока нет.
5. Построение матриц условных плотностей распределения
факторов вектора признаков X согласно изложенным выше
принципам и определение значений априорных вероятностей
состоянии ωi. Это, по сути, итог всей работы по созданию диаг-
ностической таблицы.
6. Проверка построенной диагностической таблицы. Для этого
выбирают пороги распознавания, определяющие его надежность
в дальнейшем. Так, для случая двух классов выбор порогов сво-
дится к заданию ошибок первого и второго рода. Затем осущест-
вляют распознавание объектов из контрольной выборки и опре-
деляют эффективность классификатора по доле (в %) правильно
и ошибочно классифицированных и неопределенных объектов.
При этом для ограниченных по размеру выборок возможен
принцип поштучного контроля, состоящий в последовательном
исключении каждого объекта из выборки при построении диаг-
ностической таблицы и его дальнейшем распознавании. Такой
подход реализуем при малых выборках; при больших в нем нет
необходимости, так как имеется возможность выделения кон-
трольной группы.
В заключение отметим, что в условиях оперативного приме-
нения и при больших затратах на получение информации диаг-
ностическую процедуру можно использовать с последовательным
подключением факторов в соответствии с их информативностью,
и по достижении выбранного порога распознавания ее можно
завершить при известных значениях части факторов, входящих в
вектор признаков.
После цементирования промежуточных колонн в скважинах
Березанского месторождения отмечалось большое число газопро-
явлений в затрубном пространстве. Обычно перед цементирова-
нием скважины и во время него проводили регистрацию сле-
дующих параметров глинистого и тампонажного растворов, со-
стояния ствола скважины, процесса подготовки и цементирова-
ния (компонент вектора состояния):
X1 – статическое напряжение сдвига через 1 мин для глини-
стого раствора СНС1, Па;
X2 – статическое напряжение сдвига через 10 мин для глини-
стого раствора СНС10, Па;
184
X3 – плотность глинистого раствора, г/ см3;
X4 – число центраторов, устанавливаемых на колонне в ин-
тервале необсаженной части ствола;
X5 – разность плотностей цементного и глинистого раствора,
г/ см3;
X6 – промежуток времени от начала подъема бурильной ко-
лонны до конца спуска обсадной колонны, ч;
X7 – давление на цементировочной головке в конце продавли-
вания тампонажного раствора, кПа;
X8 – время цементирования, ч;
X9 – время промывки скважины перед цементированием, ч;
X10 – средняя кривизна скважины на 100 м, градусы;
X11 – высота подъема цемента, %, по отношению к глубине
скважины;
X12 – средняя скорость восходящего потока в затрубном про-
странстве, м/ с;
X13 – время начала схватывания цементного раствора, ч;
X14 – время конца схватывания цементного раствора, ч;
X15 – выход цементируемой колонны из-под башмака преды-
дущей, м;
X16 – глубина скважины, м.
Указанные параметры регистрировали на 17 скважинах с га-
зопроявлениями после цементирования и на 45 скважинах без
газопроявлений. На основании полученной информации необхо-
димо было составить диагностическую таблицу, позволяющую
прогнозировать возможный результат цементирования в отноше-
нии газопроявлений.
Рассмотрим процедуру построения диагностической таблицы
на примере первой компоненты X1. В ходе решения задачи были
определены диагностические коэффициенты для всех 16 компо-
нент вектора состояния и оценена их информативность, что по-
зволило создать диагностическую таблицу для распознавания
возможного образа скважины после цементирования. Данные для
компоненты X1 в обеих совокупностях обследованных скважин
приведены в табл. 66.
Разбиваем компоненту X1 на восемь интервалов (градаций),
принимая во внимание, что X1max = 75 и X1min = 2:
X11 = 2...11; X15 = 39...47;
X12 = 12...20; X16 = 48...56;
X13 = 21...29; X17 = 57...65;
X14 = 30...38; X18 = 66...75.

185
Таблица 66
Скважины с газопро-
явлениями Скважины без газопроявлений
№ X № X № X21 № X21 № X21 № X21 № X21
скв. 11
скв. 11
скв. скв. скв. скв. скв.
2 35 21 30 3 9 29 5 47 10 60 10 85 9
6 24 24 16 4 23 31 25 49 10 61 6 96 2
7 27 32 30 5 47 33 70 50 6 62 3 99 6
10 75 37 27 8 21 34 50 51 9 63 21
12 42 48 5 9 25 35 32 53 18 64 6
14 42 52 18 16 43 36 24 54 2 66 19
15 28 71 70 18 50 38 10 55 8 67 9
11 36 20 34 41 30 57 8 69 15
17 40 23 15 42 24 58 6 74 12
19 70 26 25 44 12 59 6 78 12
28 15 45 25
Дальнейший порядок расчетов и их результаты представлены

в табл. 67. Расчеты начинаются с определения частоты каждой
градации первой компоненты в категории 1 (с газопроявления-
ми) и категории 2 (без газопроявлений).
Зная частоты для каждой из градаций компоненты X1, опре-
деляем частости в каждой из градаций по категориям:
1
P (X11 ) = 1 / 17 = 0, 059; P (X 21
1
) = 20 / 45 = 0, 444;
2
P (X11 ) = 2 / 17 = 0,118; P (X 21
2
) = 8 / 45 = 0,177;
. . . . . . . . . . . . . . . . . . . . . . .
8
P (X11 ) = 3 / 17 = 0,177; P (X 21
8
) = 1 / 45 = 0, 022.
Таблица 67
Диапазон Частота Частость Сглаженная

частость DK (X1r ) J (X1r )
№ Интер- 1 2 1 2 1 2
п/ п вал
–1 – 0 0 0 0 0,006 0,044 – –
0 – 0 0 0 0 0,024 0,100 – –
1 2… 11 1 20 0,059 0,444 0,070 0,233 –5,22 0,42
2 12… 20 2 8 0,118 0,177 0,129 0,206 –2,03 0,08
3 21… 29 4 9 0,236 0,200 0,188 0,177 0,27 0,00
4 30… 38 4 3 0,236 0,066 0,188 0,097 2,88 0,13
5 39… 47 3 2 0,177 0,044 0,141 0,070 3,72 0,15
6 48… 56 0 2 0,000 0,044 0,076 0,035 3,38 0,07
7 57… 65 0 0 0,000 0,000 0,052 0,017 4,85 0,08
8 66… 75 3 1 0,177 0,022 0,070 0,013 7,22 0,20
9 – 0 0 0,000 0,000 0,035 0,004 – –
10 – 0 0 0,000 0,000 0,018 0,002 – –
17 45 1,000 1,000 1,000 1,000 J(X1) =
= 1,13
186
Для определения сглаженных частостей условно расширяем
число диапазонов вправо и влево на 2 от границ изменения ком-
поненты, что вызвано процедурой сглаживания. Сглаженные час-
тости находим следующим образом:
1 −1
1
P (X11 )= [P (X11 ) + 2P (X11
0
) + 4 P (X11
1
) + 2P (X11
2
) + P (X11
3
)] =
10
1
= (0 + 2 ⋅ 0 + 4 ⋅ 0, 059 + 2 ⋅ 0,118 + 0, 236) = 0, 070;
10
1 −1
1
P (X 21 )= [P (X 21 ) + 2P (X 21
0
) + 4 P (X 21
1
) + 2P (X 21
2
) + P (X11
3
)] =
10
1
= (0 + 2 ⋅ 0 + 4 ⋅ 0, 444 + 2 ⋅ 0,177 + 0, 200) = 0, 233;
10
1
2
P (X11 )= 0
[P (X11 ) + 2P (X11
1
) + 4 P (X11
2
) + 2P (X11
3
) + P (X11
4
)] =
10
1
= (0 + 2 ⋅ 0, 059 + 4 ⋅ 0,118 + 2 ⋅ 0, 236) = 0, 206;
10
...........................................
1
8
P (X11 )= 6
[P (X11 ) + 2P (X11
7
) + 4 P (X11
8
) + 2P (X11
9
) + P (X11
10
)] =
10
1
= (0, 000 + 2 ⋅ 0, 000 + 4 ⋅ 0,177 + 2 ⋅ 0, 000 + 0, 000) = 0, 070;
10
1
8
P (X 21 )= 6
[P (X 21 ) + 2P (X 21
7
) + 4 P (X 21
8
) + 2P (X 21
9
) + P (X 21
10
)] =
10
1
= (0, 044 + 2 ⋅ 0, 000 + 4 ⋅ 0, 022 + 2 ⋅ 0, 000 + 0, 000) = 0, 013.
10
При вычислении сглаженных частостей для контроля опреде-

ляем условные частости и во введенных дополнительных интер-
валах:
−1 1 −3 −2 −1
P (X11 )= [P (X11 ) + 2P (X11 ) + 4 P (X11 ) + 2P (X11
0
) + P (X11
1
)] =
10
1
= (0 + 2 ⋅ 0 + 4 ⋅ 0 + 2 ⋅ 0 + 0, 059) = 0, 006;
10
187
−1 1 −3 −2 −1
P (X 21 )= [P (X 21 ) + 2P (X 21 ) + 4 P (X 21 ) + 2P (X 21
0
) + P (X 21
1
)] =
10
1
= (0 + 2 ⋅ 0 + 4 ⋅ 0 + 2 ⋅ 0 + 0, 444) = 0, 044;
10
................................
1
10
P (X11 )= 8
[P (X11 ) + 2P (X11
9
) + 4 P (X11
10
) + 2P (X11
11
) + P (X11
12
)] =
10
1
= (0,177 + 2 ⋅ 0 + 4 ⋅ 0 + 2 ⋅ 0 + 0) = 0, 018;
10
1
10
P (X 21 )= 8
[P (X 21 ) + 2P (X 21
9
) + 4 P (X 21
10
) + 2P (X 21
11
) + P (X 21
12
)] =
10
1
= (0, 022 + 2 ⋅ 0 + 4 ⋅ 0 + 2 ⋅ 0 + 0) = 0, 002.
10
При наличии сглаженных частостей по интервалам легко ус-

тановить диагностические коэффициенты по градациям:
1
P ( X11 ) 0, 0 7 0
DK (X11 ) = 10 lg 1
= 10 lg = − 5, 22;
P ( X 21 ) 0, 23 3
2
P ( X11 ) 0, 1 2 9
DK (X12 ) = 10 lg 2
= 10 lg = − 2, 03;
P ( X 21 ) 0, 20 6
..............................
8
P ( X11 ) 0, 0 7 0
DK (X18 ) = 10 lg 8
= 10 lg = 7, 22.
P ( X 21 ) 0, 0 1 3
Информативность диагностических коэффициентов по интер-

валам
1
J (X11 ) = DK (X11 )[P (X11
1
) − P (X 21
1
)] =
2
1
= (− 5, 22)(0, 070 − 0, 233) = 0, 42;
2
1
J (X12 ) = DK (X12 )[P (X11
2
) − P (X 21
2
)] =
2
1
= (− 2, 03)(0,129 − 0, 206) = 0, 08;
2
188
1
J (X18 ) = DK (X18 )[P (X11
8
) − P (X 21
8
)] =
2
1
= 7, 22(0, 070 − 0, 013) = 0, 20.
2
При этом информативность компоненты в целом

8
J (X1 ) = ∑ J (X1k ) = 0, 42 + 0, 08 + ... + 0, 20 = 1,13.
k =1
Аналогичным образом были рассчитаны диагностические

коэффициенты и информативность по каждой из компонент,
и результаты сведены в диагностическую таблицу (табл. 68)
в соответствии с их информативностью по компонентам (на-
помним, что компоненты вектора состояния перечислены на
с. 186–187).
После построения диагностической таблицы необходимо при-
нять значения ошибок первого и второго рода. Учитывая неже-
лательность ошибок первого рода (скважину с газопроявлениями
отнести к категории без газопроявлений), принимаем αош = 0,02
(две ошибки на 100 скважин), а βош = 0,05, так как в этом случае
требования могут быть снижены.
Тогда для порогов A и B соответственно
1 − α îø 1 − 0, 0 2
10 lg = 10 lg ≈ 13;
β îø 0, 0 5
α îø 0, 0 2
10 lg = 10 lg ≈ − 17.
1 − β îø 1 − 0, 05
Таким образом, основное соотношение диагностической про-

цедуры имеет вид
n
− 17 < ∑ DK (X ij ) < 13,
i =1
где i = 1, 2, … , n – номер компонент по возрастанию информа-

тивности.
Рассмотрим процедуру классификации на примере скв. 10,
для которой имеем следующий вектор состояния: X(75; 105; 1,29;
5; 0,60; 72; 180; 0,75; 4,0; 4,5; 41; 2,0; 2,57; 3,33; 1665; 2671).
В соответствии с этим градации для компонент и диагности-
ческие коэффициенты (см. табл. 68):
189
Таблица 68
Компонента век- Сглаженная частость
тора состояния Интервал DK(Xj) J(Xj)∗
1 2
X4 0… 2 0,1941 0,0466 6,13 0,45
3… 4 0,2176 0,0777 4,42 0,31
5… 6 0,2411 0,1466 2,14 0,10
7… 8 0,1294 0,1622 –0,97 0,02
9… 10 0,0647 0,1955 –4,76 0,31
11… 12 0,0294 0,1422 –6,78 0,38
13… 14 0,0117 0,1022 –9,30 0,42
15… 16 0,0058 0,0688 –10,58 0,33
X5, г/ см3 0,07… 0,15 0,0588 0,1488 –3,99 0,18
0,16… 0,23 0,0823 0,2200 –4,23 0,29
0,24… 0,31 0,0411 0,1466 –5,46 0,29
0,32… 0,39 0,0352 0,0844 –3,75 0,09
0,40… 0,47 0,0764 0,0555 1,37 0,01
0,48… 0,55 0,1705 0,0844 3,02 0,13
0,56… 0,63 0,2352 0,0977 3,78 0,26
0,64… 0,68 0,1705 0,0555 4,82 0,28
X8, ч 0,45… 0,62 0,1647 0,0377 6,38 0,40
0,63… 0,79 0,2294 0,0866 4,19 0,30
0,80… 0.96 0,1764 0,1177 1,74 0,05
0,97… 1,13 0,1235 0,1933 –1,93 0,07
1,14… 1,30 0,1000 0,2088 –3,17 0,17
1,31… 1,47 0,0529 0,1622 –4,81 0,26
1,48… 1,64 0,0411 0,0888 –3,31 0,08
1,65… 1,77 0,0117 0,0555 –6,67 0,15
X1, мгс/ см2 2… 11 0,0705 0,2333 –5,22 0,42
12… 20 0,1294 0,2066 –2,03 0,08
21… 29 0,1882 0,1777 0,27 0,00
30… 38 0,1882 0,0977 2,88 0,13
39… 47 0,1411 0,0600 3,72 0,15
48… 56 0,0764 0,0355 3,38 0,07
57… 65 0,0529 0,0177 4,85 0,08
66… 75 0,0705 0,0133 7,22 0,20
X2, мгс/ см2 8… 37 0,1058 0,2577 –3,83 0,29
38… 66 0,2117 0,2266 –0,29 0,00
67… 95 0,2294 0,1888 0,84 0,02
96… 124 0,2235 0,0866 4,07 0,28
125… 153 0,1058 0,0400 4,18 0,14
154… 182 0,0588 0,0111 7,17 0,17
183… 211 0,0117 0,0066 2,44 0,01
212… 238 0,0058 0,0088 –1,77 0,00
X11, % 27… 36 0,1470 0,0644 3,55 0,15
37… 45 0,1529 0,0644 3,72 0,16
46… 54 0,1000 0,0866 0,62 0,00
55… 63 0,0470 0,1066 –3,52 0,10
64… 72 0,0529 0,1044 –2,92 0,08
73… 81 0,0764 0,1177 –1,86 0,04
82… 90 0,1352 0,1311 0,14 0,00
91… 100 0,1176 0,1666 –1,50 0,04
X7, кПа 70… 86 0,1294 0,0711 2,57 0,08
87… 102 0,1705 0,1555 0,40 0,00
103… 118 0,1117 0,1777 –1,99 0,06
119… 134 0,1235 0,2288 –2,65 0,14
135… 150 0,0941 0,1511 –2,04 0,06
151… 166 0,1352 0,0888 1,81 0,04
167… 182 0,0941 0,0444 3,23 0,08
183… 201 0,0470 0,0288 2,10 0,02
190
1 2
X6, ч 3,57… 46,8 0,2176 0,1155 2,72 0,14
46,8… 56,1 0,2294 0,1644 1,43 0,05
56,1… 65,4 0,1470 0,2000 –1,32 0,03
65,4… 74,7 0,0882 0,1622 –2,62 0,10
74,7… 84,0 0,0588 0,1311 –3,45 0,12
84,0… 93,3 0,0529 0,0688 –1,13 0,01
93,3… 102,6 0,0411 0,0444 –0,33 0,00
102,6… 112,0 0,0176 0,0333 –2,73 0,21
X15, м 1015… 1223 0,0647 0,0533 0,83 0,00
1224… 1431 0,1117 0,0844 1,21 0,02
1432… 1639 0,1588 0,1488 0,28 0,00
1640… 1847 0,2588 0,1733 1,72 0,07
1848… 2055 0,1705 0,1711 –0,01 0,00
2056… 2263 0,1352 0,1711 –1,01 0,02
2264… 2471 0,0411 0,0933 –3,52 0,09
2472… 2682 0,0176 0,0600 –5,26 0,11
X9, ч 1,00… 3,38 0,1941 0,2311 –0,75 0,01
3,39… 5,76 0,1647 0,2266 –1,37 0,04
5,77… 8,14 0,1352 0,1777 –1,17 0,02
8,15… 10,52 0,1294 0,0911 1,51 0,03
10,53… 12,90 0,0823 0,0511 2,05 0,03
12,91… 15,28 0,0823 0,0288 4,50 0,12
15,29… 17,66 0,0470 0,0222 3,23 0,04
17,67… 20,00 0,0235 0,0155 1,78 0,07
X10, градусы 0,75… 2,03 0,1470 0,2266 –1,86 0,07
2,04..3,31 0,2411 0,2333 0,14 0,00
3,32… 4,59 0,2058 0,1622 1,02 0,02
4,60… 5,87 0,1588 0,0977 2,09 0,06
5,88… 7,15 0,0764 0,0644 0,73 0,01
7,16… 8,43 0,0352 0,0377 –0,29 0,00
8,44… 9,71 0,0176 0,0222 –0,99 0,00
9,72… 11,01 0,0235 0,0066 5,42 0,05
X12, м/ с 0,50… 0,78 0,0529 0,0444 0,75 0,00
0,79… 1,06 0,0588 0,1000 –2,28 0,05
1,07… 1,34 0,1117 0,1577 –1,48 0,03
1,35… 1,62 0,1882 0,2111 –0,49 0,01
1,63… 1,90 0,2176 0,2155 0,04 0,00
1,91… 2,18 0,1823 0,1466 0,94 0,02
2,19… 2,46 0,0882 0,0711 0,93 0,01
2,47… 2,75 0,0470 0,0266 2,44 0,02
X14, ч 1,92… 2,06 0,1529 0,2155 –1,48 0,05
2,07… 3,20 0,2764 0,2622 0,23 0,00
3,21… 4,34 0,2529 0,1888 1,26 0,04
4,35… 5,38 0,1470 0,1022 1,56 0,03
5,49… 6,62 0,0588 0,0466 0,99 0,01
6,63… 7,76 0,0294 0,0244 0,80 0,00
7,77… 8,89 0,0117 0,0133 –0,54 0,00
8,90… 10,01 0,0058 0,0111 –2,73 0,01
X3, г/ см3 1,23… 1,29 0,3411 0,3866 –0,28 0,00
1,30… 1,35 0,2294 0,2133 0,15 0,00
1,36… 1,41 0,1235 0,1066 0,81 0,01
1,42… 1,48 0,0411 0,0066 8,91 0,07
X13, ч 0,67… 1,46 0,1705 0,2177 –1,05 0,02
1,47… 2,25 0,3058 0,2777 0,41 0,01
2,26… 3,04 0,2411 0,1977 0,85 0,02
191
1 2
3,05… 3,82 0,1176 0,0955 0,89 0,01
3,83… 4,61 0,0352 0,0333 0,25 0,00
4,62… 5,40 0,0117 0,0133 –0,54 0,00
5,41… 6,19 0,0235 0,0155 1,78 0,01
6,20… 7,01 0,0117 0,0133 –0,54 0,00
X16, м 2135… 2312 0,0411 0,0422 –0,11 0,00
2313… 2489 0,1176 0,1355 –0,61 0,01
2490… 2666 0,2176 0,2733 –0,98 0,03
2667… 2843 0,3176 0,2977 0,28 0,00
2844… 3020 0,1647 0,1622 0,07 0,00
3021… 3197 0,0823 0,0733 0,50 0,00
3198… 3376 0,0235 0,0111 3,23 0,02
∗
J(X4) = 2,32; J(X5) = 1,53; J(X8) = 1,48; J(X1) = 1,13; J(X2) = 0,91; J(X11) =
= 0,57; J(X7) = 0,48; J(X6) = 0,47; J(X15) = 0,32; J(X9) = 0,31; J(X10) = 0,21;
J(X12) = 0,14; J(X14) = 0,14; J(X3) = 0,08; J(X13) = 0,07; J(X16) = 0,06.
75 → X18 → DK (X18 ) = 7, 22; 4, 0 → X 92 → DK (X 92 ) = − 1, 37;

105 → X 24 → DK (X 22 ) = 4, 07; 4, 5 → X10
3
→ DK (X10
3
) = 1, 02;
1, 29 → X 31 → DK ( X 31 ) = − 0, 28; 41 → X11
2
→ DK (X11
2
) = 3, 72;
5 → X 43 → DK ( X 43 ) = 2,14; 2, 0 → X12
6
→ DK ( X12
6
) = 0, 94;
0, 60 → X 57 → DK (X 57 ) = 3, 78; 2, 57 → X13
6
→ DK ( X13
6
) = 0, 85;
72 → X 64 → DK (X 64 ) = − 2, 62; 3, 33 → X14
3
→ DK ( X14
3
) = 1, 26;
180 → X 77 → DK ( X 77 ) = 3, 23; 1665 → X15
4
→ DK ( X15
4
) = 1, 72;
0, 75 → X 82 → DK ( X 82 ) = 4,19; 2671 → X16
4
→ DK (X16
4
) = 0, 28.
Зная диагностические коэффициенты для каждой из компо-
нент вектора состояния, приступаем к последовательной проце-
дуре диагностирования в соответствии с информативностью:
DK (X 43 ) = 2,14 < 13;

DK (X 43 ) + DK (X 57 ) = 2,14 + 3, 78 = 5, 92 < 13;
DK (X 43 ) + DK (X 57 ) + DK (X 82 ) = 2,14 + 3, 78 + 4,13 = 10, 05 < 13;
DK (X 43 ) + DK (X 57 ) + DK (X 82 ) + DK (X18 ) =
= 2,14 + 3, 78 + 4,13 + 7, 22 = 17, 27 > 13.
Таким образом, уже на четвертом шаге процедуры приходим к
выводу, что скв. 10 относится к категории газопроявляющих.
Интересно, что если вычислить сумму всех диагностических ко-
192
эффициентов (29,54), то на четвертом шаге получим результат
(17,27), почти вдвое меньший этой суммы.
Для скв. 55 с вектором состояния X (X11 = 8; X 21 = 21;
X 3 = 1, 26; X 46 = 12; X 57 = 0, 62; X 65 = 80; X 74 = 130; X 85 = 1, 25;
1
X 96 = 15; X101
= 2; X11
8
= 100; X12 5
= 1, 8; X13
3
= 2, 33; X142
= 3;
X15 = 1700; X16 = 2660) процедура диагностирования принима-
4 6
ет такой вид:
DK (X 46 ) = − 6, 78 > − 17;
DK (X 46 ) + DK (X 57 ) = − 6, 78 + 3, 78 = 3, 00 > − 17;
DK (X 46 ) + DK (X 57 ) + DK (X 85 ) = − 6, 78 + 3, 78 − 3,17 = − 6,17 > − 17;
DK (X 46 ) + DK (X 57 ) + DK (X 85 ) + DK (X11 ) =
= − 6, 78 + 3, 78 − 3,17 − 5, 22 = − 11, 39 > − 17;
DK (X 46 ) + DK (X 57 ) + ... + DK (X 21 ) =
= − 6, 78 + 3, 78 − 3,17 − 5, 22 − 3, 83 = − 15, 22 > − 17;
DK (X 46 ) + DK (X 57 ) + ... + DK ( X 21 ) + DK ( X11
8
)=
= − 6, 78 + 3, 78 − 3,17 − 5, 22 − 3, 82 − 1, 5 = − 16, 72 > − 17;
DK (X 46 ) + DK (X 57 ) + ... + DK ( X 21 ) + DK ( X11
8
) + DK (X14 ) =
= − 6, 78 + 3, 78 − 3,17 − 3, 83 − 1, 5 − 2, 65 = − 19, 37 > − 17.
Только на седьмом шаге диагностирования приходим к выво-
ду, что скв. 55 относится к категории объектов без газопроявле-
ний. Дальнейшее суммирование дает результат –24,23, т.е.
крайне незначительно уточняет ситуацию.
Из анализа результатов диагностирования всех скважин, ис-
пользованных на этапе обучения (табл. 69), следует, что постро-
енная диагностическая таблица достаточно эффективна.
Распознавание ситуаций, приводящих к потере устойчивости
стенок скважины, было осуществлено для объединений «Касп-
морнефть», «Туркменнефть», «Дагнефть» и др. На основании
результатов бурения скважин за период 1974–1976 гг. для всех
объединений были определены две группы объектов – скважины
Таблица 69
Категория Число сква- Ответ, %
скважины жин правильный ошибочный неопределенный
С газопрояв- 17 82,5 – 17,5
лениями
Без газопро- 45 82,3 6,6 11,1
явлений
193
с осложнениями, в которых наблюдались осыпи, обвалы, суже-
ния ствола скважины, и без осложнений. Так, для площади Ба-
хар объединения «Каспморнефть» с 17 данными по первой и с
30 по второй группе скважин была составлена диагностическая
таблица (табл. 70), эффективность которой была оценена мето-
дом поштучного контроля. Результаты свидетельствуют о высо-
кой эффективности созданной диагностической процедуры. Уро-
вень ошибок первого и второго рода при контроле был принят
равным αош = βош = 0,2.
В качестве примера применения процедуры рассмотрим
скв. 36, в которой для интервалов глубин 3000…3200 м (X1) на-
блюдались осыпи. При этом разрез был представлен глинами и
песчаниками (X2), пластовое давление было равным 400 кПа
(X3), перепад давления на пласт – 68 кПа (X4), плотность буро-
вого раствора – 1,52 г/ см3 (X5), условная вязкость бурового рас-
твора – 100 с (X6), его статическое напряжение сдвига СНС1 и
СНС10 – соответственно 78 мгс/ см2 (X7) и 162 мгс/ см2 (X8), во-
доотдача за 30 мин, 3 см3 (X9). В растворе отсутствовал СМАД
(X10), длина УБТ составляла 104 м ( X11), зазор между стенкой
скважины и УБТ равнялся 25 мм ( X12), средний угол искривления
Таблица 70
Перечень, интер- Перечень,

Фактор вал, значение DK(Xj) Фактор интервал, DK(Xj)
значение
X16(J = 2,36) УЩР + нитро- –3,9 3 3,6
лигнин 4 8,1
ПФЛХ + окзил 1,9 5 5,2
УЩР + окзил 1,9 X13 градусы 0… 1,8 1,9
УЩР + ПФЛХ 3,3 (J = 0,6) 1,81… 3,6 1,3
Нитролигнин 8,3 3,61… 5,4 0,9
X17(J = 1,68) УЩР –2,5 5,41… 7,2 0,1
КССБ + УЩР –2,5 7,21… 9,0 –1
КССБ + КМЦ + 3,3 9,01… 10,8 –3
+ УЩР 10,81… 12,6 –2,5
УЩР + КМЦ 4,3 12,61… 14,1 –4,5
КССБ 7,1 14,41… 16,2 –7,9
X4, кгс/см2 20… 58,5 0,9 16,21… 18,0 –10,9
(J = 1,03) 56,6… 97 –1,3 X19, (J = 0,58) Есть 2,1
97,1… 135,5 –2,3 Нет –2,5
135,6… 174 –5,2 X6, с (J = 0,58) 40… 46 –3,7
174,1… 212,5 –2,5 47… 52 –1,1
212,6… 251 –0,3 53… 58 –1,1
251,1… 289,6 3,4 59… 64 0,3
289,6… 328 3,7 65… 70 –0,5
328,1… 366,5 4,9 71… 76 1,3
366,6… 405 6 77… 82 3,8
X10, кгс/см2 0 –1,4 83… 88 9,5
(J = 0,76) 1 –2 89… 94 5,5
2 –1,4 95… 100 –1,6
194
Перечень, интер- Перечень,
Фактор DK(Xj) Фактор интервал, DK(Xj)
вал, значение
значение
X12, мм (J = 18… 23,8 –2,1 X7, мгс/ см2 6… 13 –1,1
= 0,51) 23,9… 29,6 –2,3 (J = 0,23) 14… 20 2,3
29,7… 35,4 –1,0 21… 27 2,1
35,5… 41,2 0,7 28...34 1,2
41,3… 47,0 6,2 35… 41 –1,0
X1, м (J = 984… 1434 2,8 42… 48 –1,6
= 0,32) 1435… 1884 1,9 49… 55 –1,3
1885… 2334 –1,6 56… 62 0,7
2335… 2784 –2,5 63… 70 0,7
2785… 3234 –2,7 71… 78 –0,7
3235… 3684 1,1 X15, % (J = 1 –0,2
3685… 4134 1,6 = 0,08) 2 –0,5
X18, % (J = 0… 0,08 1,7 3 –0,4
= 0,48) 0,09… 0,16 1,7 4 –0,3
0,17… 0,24 1,7 5 1
0,25… 0,32 1,7 6 1,2
0,33… 0,40 –0,5 7 1
0,41… 0,48 –0,5 8 –1,3
0,49… 0,56 –6,4 9 –1,2
0,57… 0,64 –3,7 10 –0,5
0,65… 0,72 –2,9 X2, (J = 0,32) Песчаник 1,6
0,73… 0,80 –1,7 Глина –1,5
X5, г/ см (J =
3
1,4… 1,46 –0,5 Глина + –2,5
= 0,46) 1,47… 1,52 –1,6 песчаник
1,53… 1,58 –1,5 X9, см3 (J = 0,22) 2… 2,6 –0,1
1,59… 1,64 –2,1 2,7… 3,2 –0,5
1,65… 1,71 –1,1 3,3… 3,8 0,3
1,72… 1,78 –0,4 3,9… 4,4 0,1
1,79… 1,85 0,8 4,5… 5,0 2,8
1,86… 1,92 1,9 5,1… 5,6 3,8
1,93… 1,99 4,1 5,7… 6,2 4,8
2,0… 2,07 9,3 6,3… 6,8 0,8
X3, кгс/ см2 118… 177,5 5,1 6,9… 7,4 –5,1
(J = 0,38) 177,6… 237 –1,1 7,5… 8,0 –10,1
237,1… 296,5 –2,1 X11, м (J = 0,14) 6… 16 0,4
296,6… 356 –2,2 17… 26 0,2
356,1… 415,5 0 27… 36 0,7
415,6… 475 2,0 37… 46 1,4
475,1… 534,5 1,6 47… 56 –0,2
534,6… 594 0 57… 66 –0,5
594,1… 653,5 –2,3 67… 76 –3,0
653,6… 713,0 –1,4 77… 86 –3,0
4235… 4584 1,3 87… 96 –0,4
4585… 5034 –1,4 97… 104 –3,4
5035… 5484 –1,3 X14, °C (J = 0,12) 24… 32 2
X8, мгс/ см2 18… 36 –1,6 33… 40 0,2
(J = 0,28) 37… 54 –0,3 41… 48 –0,7
55… 72 0,4 49… 56 –1,4
73… 90 1,0 57… 64 –0,1
91… 108 1,1 65… 72 0,9
109… 126 1,7 73… 80 1,1
127… 144 2,3 81… 88 0,1
145… 162 –1,5 89… 96 –1,6
163… 181 –4,5 97… 101 –1,3
182… 200 –4,9
195
Таблица 71
Ответ, %
Категория сква- Число сква-
жины жин правильный ошибочный неопределен-
ный
Осложненная 17 74 13 13
Неосложненная 30 88 6 6
57 82 9 9
ствола составлял 10° (X13), пластовая температура – 60 °С (X14),

содержание нефти в буровом растворе было равным 8 % ( X15). В
качестве понизителя вязкости использовали композицию из
УЩР и нитролигнина ( X16), понизителем водоотдачи был УЩР
(X17), содержание сульфонола в растворе равнялось 0,6 %, а гра-
фит в растворе отсутствовал ( X19).
Согласно табл. 70, в которой факторы расположены в порядке
убывания уровня информативности, при указанных значениях
19
компонент вектора признаков имеем ∑ DK (X j ) = − 2, 7 − 2, 5 −
j =1
− 1, 3 − ... − 2, 5 = − 36, 5, что указывает на потерю устойчивости

стенок скважины с высоким уровнем вероятности.
Результаты диагностирования приведены в табл. 71.
В качестве приема, объединяющего принципы вероятностного
распознавания и меры близости, используют метод фазового ин-
тервала, который основывается на понятии фазового простран-
ства для переменных вектора состояния X(X1, X2, … , Xn), пред-
ставленных в двоичном коде. Так, если имеем объект А с векто-
ром состояния X A (X1r , X 2p , ..., X nm ), где X1r , X 2p , ..., X nm – со-
ответственно r-я, p-я, …, m-я градация (уровень) для первого,
второго, …, n-го факторов, то объект можно представить в виде
кодированной записи (табл. 72).
В качестве меры близости объектов А и B при этом можно
использовать фазовый интервал
g ( AB) = [( X11A − X11B )2 + ( X12A − X12B )2 + ... + ( X1rA − X 2r B )2 +

+ ... + X 21A − X 21B )2 +(X 22A − X 22B )2 + ... + (X 2pA − X 2pB )2 + ... +
Таблица 72
X1 X2 … Xn
X11 X12 … X1r … X 21 X 22 … X2p … … X n1 X n2 … X nm …
0 0 000 1 000 0 0 000 1 000 … 0 0 000 1 000
196
+ ( X nA
1
− X nB
1
)2 + ( X nA
2
− X nB
2
)2 + ... + ( X nA
m
− X nB
m 2
) + ...]0,5 ,
где X nA
m
− X nB
m
= 1 при X nA
m
≠ X nB
m m
; X nA − X nB
m
= 0 при X nA
m
= X nB
m
.
При наличии i классов, для которых заданы обучающие вы-
борки, можно определить средний радиус каждого класса по
формуле
n
Ri = λ ∑ p(X0 j / ωi )[1 − p(X0 i / ωi )], (214)
j =1
где λ – коэффициент, определяемый законом распределения то-

чек в фазовом пространстве (при неизвестном законе принимают
равным 0,5); p(X 0 j / ωi ) – условная плотность распределения
i-го фактора объекта X0(X1, X2, … , Xn) для i-го класса.
Расстояние для любого нового (идентифицируемого) объекта
от центра i-й области
n
g i (X ) = ∑ [1 − p(X0 j / ωi )2 ]2 . (215)
j =1
При этом идентификацию осуществляют на основании сле-

дующих условий: объект относят к i-му классу, если соответст-
вующее значение разрешающей функции является минимальным
и меньшим соответствующего радиуса области. При невыполне-
нии последнего условия или при равенстве разрешающих функ-
ций ответ не определен. В этом случае можно увеличивать λ, т.е.
расширять области, повышая риск неправильной дискриминации.
Обратим внимание на то, что для построения классификатора
необходима генерация аналогичной вероятностному распознава-
нию матрицы условной плотности распределения признаков (см.
табл. 64), но при этом принципы распознавания этих методов
различны. Выгодной особенностью метода фазового интервала
является отсутствие требования по независимости признаков, так
как не используется мультипликативная функция для условной
плотности распределения всей совокупности признаков.
В качестве иллюстрации использования метода фазового ин-
тервала воспользуемся данными по распознаванию газопроявле-
ний в скв. 10 (с газопроявлением) Березанского месторождения
для рассмотренного ранее примера (см. с. 186). Использовав таб-
лицу сглаженных частостей распределения признаков по града-
циям (см. табл. 68), получим следующие значения для радиусов
областей классов скважин с газопроявлениями (1) и без газопро-
явлений (2) при λ = 0,5:
197
R1 = 0, 5 0, 07(1 − 0, 07) + 0, 22(1 − 0, 22) + ... + 0, 32(1 − 0, 32) = 0, 79;
R2 = 0, 5 0, 01(1 − 0, 01) + 0, 09(1 − 0, 09) + ... + 0, 30(1 − 0, 30) = 0, 73;

так как
X 0 (75; 105; 1,29; 5; 0,60; 72; 180; 0,75; 4,0; 4,5; 41;
2, 0; 2, 57; 3,33; 1665; 2671).

При этом соответствующие значения разрешающих функций
следующие:
g1 (X 0 ) = (1 − 0, 07)2 + (1 − 0, 22)2 + ... + (1 − 0, 32)2 = 3, 2;
g 2 (X 0 ) = (1 − 0, 01)2 + (1 − 10, 09)2 + ... + (1 − 0, 30)2 = 3, 46.
Поскольку g1 (X 0 ) < g 2 (X 0 ), но при этом g1 (X 0 ) > R1 , то объ-

ект может быть с определенным риском отнесен к классу 1, т.е. к
категории газопроявляющих. Следовательно, классификатор на
основе фазового интервала дает несколько худший результат,
чем вероятностное распознавание.
Рассмотренные выше алгоритмы распознавания образцов не
исчерпывает всех исходов. Последнее десятилетие этот раздел
кибернетики бурно развивается, и ежегодно появляется большое
число новых алгоритмов, обладающих теми или иными преиму-
ществами и имеющими соответствующие области применения.
Распознавание образов с помощью «учителя» позволяет ре-
шить первую из указанных в начале этой главы задач, т.е. осуще-
ствить идентификацию объектов. Вторая задача – кластериза-
ция – является менее формализованной, так как весьма сложна
проблема выбора свойств, которыми должны обладать искомые
классы объектов. Наиболее распространенной формой постанов-
ки задач кластеризации, или автоматической классификации,
является группировка объектов по мере сходства, которая не все-
гда отвечает содержательному смыслу задачи с позиций исследо-
вателя, т.е. объекты оказываются близкими по выбранной мере в
многомерном пространстве, но не группируются по интересую-
щим исследователя свойствам. В автоматической классификации
или распознавании «без учителя» на основе какой-либо близости
(евклидово или махаланобисово расстояние, мера Тапимото, фа-
зовый интервал и др.) различают две подзадачи – осуществить
группировку объектов в заданное число М классов или создать
кластеры, не задаваясь заранее числом последних.
198
В простейшем случае алгоритм кластеризации с помощью
любой меры близости можно свести к следующим шагам:
выбор (обычно произвольный) центра кластера, в качестве
которого может быть принят любой объект из заданной выборки;
установление порогового значения разрешающей функции,
которое служит основной характеристикой для объединения объ-
ектов в классы;
вычисление меры близости между выбранным центром кла-
стера и любым другим объектом, который объединяется в группу
с последним при значении меры близости меньше пороговой ве-
личины или, в противном случае, назначается в качестве нового
центра;
продолжение процедуры до тех пор, пока все объекты не бу-
дут объединены в какое-то число классов, а при задании числа
классов результат достигается за счет варьирования порога раз-
решающей функции.
Такой подход существенно зависит от выбора первого центра
и порогового значения разрешающей функции. Практически
приходится варьировать исходный центр и пороговое значение
меры близости.
В другом алгоритме (максимального расстояния) схема дейст-
вий следующая:
выбор произвольного центра первого кластера;
вычисление меры близости от центра кластера до каждого из
объектов выборки;
определение наиболее удаленного от центра кластера объекта
и назначение в качестве центра нового кластера;
вычисление расстояния всех объектов от каждого из двух
центров кластеризации;
выделение минимальных значений мер близости (от первого
и второго центров) для каждой пары;
выбор максимального значения мер близости из всех мини-
мальных;
выделение нового центра кластера при условии превышения
максимального значения меры близости некоторой части ее меж-
ду двумя первыми центрами кластеров;
продолжение процедуры до тех пор, пока максимальное из
минимальных значений разрешающих функций не окажется
меньше установленного значения, а при заданном числе классов
заканчивание разбиения при получении заданного числа ком-
пактных классов.
Такой подход также зависит от начального центра классифи-
кации и доли меры близости между наиболее удаленными объек-
тами, т.е. первыми двумя центрами кластеризации.
199
Оба указанных алгоритма являются, в сущности, эвристиче-
скими, но они весьма полезны на первой стадии анализа данных,
так как просты в вычислительном плане. Использование обоих
подходов для одной и той же выборки обычно дает хороший
сравнительный материал. Такого вида алгоритмы особенно удоб-
ны для диалогового режима общения с ЭВМ, когда окончатель-
ное решение об объединении объектов принимается исследовате-
лем с привлечением других аргументов.
Более формализованным является алгоритм K внутригруппо-
вых средних, последовательность действий которого состоит в
следующем:
произвольный выбор K исходных центров кластеризации;
распределение объектов выборки по K центрам кластеризации
на основании условия наименьшего значения меры близости от
какого-либо центра;
определение для созданных групп новых центров кластеров,
которые минимизируют сумму квадратов мер близости для объ-
ектов класса;
повторение процедуры с новыми центрами классов до тех пор,
пока сумма квадратов расстояний не стабилизируется.
Подобный подход реализован в широко известном алгоритме
итеративного самоорганизующегося метода анализа данных,
(ИСОМАД), в котором дополнительно используется ряд вспомо-
гательных эвристических процедур.
Один из наиболее распространенных алгоритмов автоматиче-
ской кластеризации – метод иерархической классификации. Эта
процедура направлена на создание дерева классификации, у ко-
торого начальную вершину представляют все объекты выборки, а
конечными являются отдельные объекты, т.е. строится некото-
рый древовидный граф – дендрограмма. При этом можно ис-
пользовать любые меры близости, значение которых обусловли-
вают места ветвлений на графе.
Последовательность действий при реализации алгоритма
иерархической классификации такова:
каждый из объектов выборки относят к конечной вершине
дендрограммы, для которой значение меры близости будет равно
нулю (уровень вершины);
вычисляют значение меры близости для всех пар объектов и
назначают новую вершину, для которой мера близости будет
наименьшей, и она является уровнем вершины;
находят расстояния между полученной вершиной и остав-
шимися объектами выборки и по минимальному значению меры
близости назначают новую вершину с соответствующим уров-
нем;
200
процедуру продолжают до тех пор, пока все объекты не объе-
динятся в одну вершину, уровень которой (мера близости) ха-
рактеризует компактность всей выборки в целом.
Наименее обоснованным является этап вычисления расстоя-
ния от объекта до вершины, объединяющей несколько объектов в
класс, так как результирующая дендрограмма очень зависит от
способа вычисления центра кластера. Для этого используют раз-
личные процедуры (усреднения объектов, взвешенного усредне-
ния, отбрасывания присоединяемых объектов и др.), обоснован-
ность которых слабо аргументируется и обычно носит эвристиче-
ский характер. На этом шаге весьма полезно использование не-
скольких дублирующих процедур, сходимость которых к одному
и тому же дереву классификации служит аргументом в пользу
полученного решения.
Для иллюстрации алгоритмов кластеризации рассмотрим
пример построения дендрограммы по результатам обработки
промысловых наблюдений по диаграммам СКЦ за процессом
продавливания тампонажного раствора для 25 скважин объеди-
нения «Запсиббурнефть» и 30 скважин объединения «Красно-
дарнефтегаз» (рис. 24).
В качестве признаков вектора состояния использовали отно-
сительные суммарные подачи насосов цементировочных агрега-
тов (для 10 интервалов диаграммы). Для этого весь интервал
времени разбивали на 10 равных участков и определяли относи-
тельную подачу насосов (доля максимальной подачи насосов в
каждом конкретном случае) для соответствующих участков на
оси времени. Таким образом, вектор признаков содержал 10 фак-
торов, и ставилась задача выделения однородных по этим факто-
рам групп скважин. Отметим, что при этом имелась информация
о качестве результатов цементирования по высоте подъема там-
понажного раствора и предполагалось проверить соответствие
группировок указанному показателю качества.
При построении дендрограммы была использована мера
близости – угловое расстояние между векторами состояния X(X1,
X 2, … , X n )
n n n
g i (X ) = 1 − ∑ X j X ij / ∑ X 2j ∑ X ij2 , (216)
j =1 j =1 j =1
где n = 10 – число факторов; Xj – значение j-го фактора для

объекта при вычислении меры близости от i-й вершины дендро-
граммы; X ij – среднее значение j-го фактора для объектов, вхо-
дящих в i-ю вершину.
201
Рис. 24. Дендрограмма групп скважин объединений «Краснодарнефтегаз» ( 1–36) и «Запсиббурнефть» ( 37–55) для класси-
фикации по режиму продавливания тампонажного раствора при цементировании ( кружком отмечены скважины с качествен-
ными результатами; номера 1–7 в сечении соответствуют классам)
В результате расчетов была построена дендрограмма (см. рис.
24), по левому обрезу которой указана шкала меры близости,
позволяющая оценить уровень вершины дендрограммы. Для
сравнения показана матрица значений мер близости для сечения,
характеризуемого семью классами (табл. 73).
Приведенный на рис. 23 результат показывает, что группи-
ровка объектов не является однородной по качеству цементиро-
вания, так как в группах имеются представители с качественным
и некачественным исходом по достижении проектной высоты
подъема. Естественно, возник вопрос: каковы общие свойства
полученных классов? Детальный анализ диаграмм СКЦ показал,
что для двух классов (уровень меры близости вершины 0,105)
объединяющей является форма графиков q(t). Первая группа
объектов (слева на дендрограмме, см. рис. 34) имеет монотонно
убывающий характер изменения суммарной подачи насосов во
времени, а вторая – равномерную подачу насосов во времени
или ее резкое падение в середине процесса. Проведенный анализ
показал, что не выявлены связи между характером изменения
подачи во времени и качеством цементирования по высоте подъ-
ема тампонажного раствора.
Приведенные выше алгоритмы автоматической классифика-
ции дают самую общую характеристику широкого арсенала ме-
тодов кластеризации и ставят своей целью лишь ознакомить ин-
женера с указанным подходом. Более детальные сведения по ме-
тодам распознавания образов «без учителя» имеются в обширной
специальной литературе и их изложение потребует привлечения
специального математического аппарата (стохастическая аппрок-
симация, градиентный поиск и др.).
В заключение этой главы приведем основные сведения о мат-
рицах, что должно облегчить понимание некоторых предыдущих
алгоритмов распознавания образов.
Матрица – это совокупность чисел, расположенных в виде
прямоугольной таблицы, содержащей m строк и n столбцов:
Таблица 73
Номер 1 2 3 4 5 6 7
опыта
1 0,0 0,060 0,068 0,080 0,102 0,105 0,108
2 0,060 0,0 0,062 0,072 0,101 0,107 0,107
3 0,068 0,062 0,0 0,073 0,105 0,103 0,107
4 0,080 0,072 0,073 0,0 0,104 0,104 0,105
5 0,102 0,101 0,105 0,104 0,0 0,072 0,093
6 0,105 0,107 0,103 0,104 0,072 0,0 0,097
7 0,108 0,107 0,107 0,105 0,093 0,097 0,0
203
 a11 a12 ... a1n 
 
a21 a22 ... a2n 
A= = (aij ),
 a31 a32 ... a3 n 
 
 am1 am 2 ... amn 
где i = 1, 2, … , m; j = 1, 2, … , n.
Две матрицы считаются равными, если равны их соответст-
вующие элементы.
Матрицу называют вектор-строкой или вектор-столбцом, если
она состоит соответственно только из одной строки или столбца.
Например, a = (a11, a12, … , a1n) – вектор-строка;
 b11 
 
b21 
b= – вектор-столбец.
 M 
 
 bm1 
При равенстве числа строк и столбцов матрица является
квадратной. В этом случае число строк определяет ее порядок.
Квадратную матрицу называют диагональной, если у нее от-
личны от нуля лишь элементы на диагонали, соединяющей левый
верхний угол матрицы с правым нижним (главная диагональ):
 c11 0 0 ... 0 
 
 0 c22 0 ... 0 
C = 0 0 c33 ... 0  .
 
 . . . . . 
 0 0 0 ... cnn 

Особым случаем диагональной матрицы является единичная
матрица, у которой элементы на главной диагонали равны еди-
нице:
 100 ... 0
 
 010 ... 0
E =  001 ... 0 .
 
 . . .
 000 ... 1 

Матрица, все элементы которой равны нулю, называется нуле-
вой и обозначается 0.
204
С любой квадратной матрицей n-го порядка A связано поня-
тие определителя и детерминанта n-го порядка, представляющего
собой число. Так, определитель второго порядка вычисляют по
формуле
d d 
D =  11 12  = d11d22 − d21d12 ,
 d21 d22 
а определитель третьего порядка
 d11 d12 d13 
 
D =  d21 d22 d23  = d11d22 d33 + d12 d23 d31 + d13 d21d32 −
d d d 
 31 32 33 
−d 11d 32d 23 − d 13d 22d 31 − d 12d 21d 33 .
Квадратную матрицу A называют вырожденной (или особен-
ной), если ее определитель равен нулю ( A = 0), и невырожден-
ной (или неособенной), если A ≠ 0.
Транспонированную матрицу можно получить перестановкой
строк со столбцами. Так, для матрицы A имеем транспонирован-
ную матрицу
 a11 a21 ... am1 
 
 a12 a22 ... am 2 
′
A = = (a ji ).
..........
 a a ... a 
 1n 2n mn 
Например, для матрицы

 2,5 −1,3 4,1 0,5 
 
A =  3,1 5,2 6,9 − 0,7 
 −0,45 1,5 2,1 3,1 

после транспонирования получим
 2, 5 3,1 −0, 45 
 
 −1,3 5,2 1,5 
A′ =  4,1 6,9 2,1  .
 
 0,5 −0,7 3,3 
Для матриц определены три основные операции: сложение
матриц, умножение матриц на число и умножение матриц.
205
Суммой двух прямоугольных матриц A = (aij) и B = (bij),
имеющих одинаковое число строк и столбцов, называется матри-
ца C = (Сij), элементы которой равны суммам соответствующих
элементов матриц, т.е.
 a11 + b11 a12 + b12 ... a1n + b1n 

 
a21 + b21 a22 + b22 ... a2n + b2 n 
Ñ = A+B = =
........ ................. 
 a + b 
am 2 + bm 2 ... amn + bmn 
 m1 m1
 c11 c12 ... c1n 

 
c21 c22 ... c2n 
= .
..........
 
 cm1 cm 2 ... cmn 
Произведением матрицы A = (aij) на число α является матри-
ца, элементы которой получены из элементов матрицы A, умно-
женных на число α, т.е.
 αa11 αa12 ... αa1n 

 
αA =  . . . . . . . . . . . . .  .
 αa αa ... αa 
 m1 m2 mn 
Можно показать, что эти операции обладают следующим

свойствами:
A + B = B + A;
A + (B +C ) = (A + B ) + C ;
A + (−1)A = 0;
(α+β)A = αA +β A ;
α(A +B ) = αA +αB ;
α(βA ) = (αβ)A .
Операция умножения для матриц A и B возможна лишь при
условии равенства числа столбцов матрицы A числу строк мат-
рицы B. При выполнение этого условия элементы матрицы C =
= AB вычисляют следующим образом.
206
Элемент i-й строки j-го столбца матрицы C равен сумме
произведений элементов i-й строки матрицы A на
соответствующие элементы j-го столбца матрицы B. Таким
образом,
 a11 a12 ... a1n   b11 b12 ... b1k 
  
a21 a22 ... a2n   b21 b22 ... b2k 
Ñ = A+B = =
 . . . . . . . . . . .  . . . . . . . . . . .
   
 am1 am 2 ... amn   bp1 bp 2 ... bpk 
 c11 c12 ... c1k 

 
c21 c22 ... a2 k 
=
n
; cij = ∑ air brj ,
.......... r =1
 
 cm1 cm 2 ... c mk 
где i = 1, 2, … , m; j = 1, 2, … , k.
Например, если
1 0 5
 
 2 3 1 5 1 2 3
A=  è B = ,
 1 0 1 2 2 3 0
 
2 1 0 
то
1 0 5
 
 2 3 1 5 1 2 3   17 14 19 
C = AB =   ⋅ = ,
1 0 1 2  2 3 0  7 5 5 
 
2 1 0 
где
c 11 = 2 ⋅ 1 + 3 ⋅ 1 + 1 ⋅ 2 + 5 ⋅ 2 = 17; c 12 = 2 ⋅ 0 + 3 ⋅ 2 + 1 ⋅ 3 + 5 ⋅ 1 = 14;
c13 = 2 ⋅ 5 + 3 ⋅ 3 + 1 ⋅ 0 + 5 ⋅ 0 = 19; c 21 = 1 ⋅ 1 + 0 ⋅ 1 + 1 ⋅ 2 + 2 ⋅ 2 = 7;
c 22 = 1 ⋅ 0 + 0 ⋅ 2 + 1 ⋅ 3 + 2 ⋅ 1 = 5; c 23 = 1 ⋅ 5 + 0 ⋅ 3 + 1 ⋅ 0 + 2 ⋅ 0 = 5.
Если матрица умножается на вектор-столбец, имеем, напри-

мер,
207
 2
 1 3 1,5 0,5     a11   4, 5 
  0    
 0 4 2 0   1  =  a21  =  2  ,
 0,5 1 0 1     a   3 
     31   
 2
где a11 = 1 ⋅ 2 + 3 ⋅ 0 + 1, 5 ⋅ 1 + 0, 5 ⋅ 2 = 4, 5; a21 = 0 ⋅ 2 + 4 ⋅ 0 + 2 ⋅ 1 +
+ 0 ⋅ 2 = 2; a31 = 0, 5 ⋅ 2 + 1 ⋅ 0 + 0 ⋅ 1 + 1 ⋅ 2 = 3.
При умножении матрицы-строки на матрицу-столбец
1
 
 2
(2 5 1 2 0, 5) ⋅  1  = a11 = 20,
 
 3
 2
 
где a11 = 2 ⋅ 1 + 5 ⋅ 2 + 1 ⋅ 1 + 2 ⋅ 3 + 0, 5 ⋅ 2 = 20.
В случае же умножение матрицы-столбца на матрицу-строку
получим матрицу. Например,
1  a11 a12 a13 a14 a15 

   
 2  a21 a22 a23 a24 a25 
 1  ⋅ (2 5 1 2 0, 5) =  a31 a32 a33 a34 a35  ,
   
 3  a41 a42 a43 a44 a45 
 2 a a52 a53 a54 a55 
   51
где a11 = 1 ⋅ 2 = 2; a12 = 1 ⋅ 5 = 5; …; a15 = 1 ⋅ 0, 5 = 0, 5;
a21 = 2 ⋅ 2 = 4; a22 = 2 ⋅ 5 = 10; …; a25 = 2 ⋅ 0, 5 = 1;
a31 = 1 ⋅ 2 = 2; a32 = 1 ⋅ 5 = 5; …; a35 = 1 ⋅ 0, 5 = 0, 5;
a41 = 3 ⋅ 2 = 6; a42 = 3 ⋅ 5 = 15; …; a45 = 3 ⋅ 0, 5 = 1, 5;
a51 = 2 ⋅ 2 = 4; a52 = 2 ⋅ 5 = 10; …; a55 = 2 ⋅ 0, 5 = 1.
Произведение матриц обладает следующими свойствами:
(AB)C = A(BC );
A(B+C ) = AB+AC ;
(A+B)C = AC +BC .
Перестановочный закон для умножения, вообще говоря, не
имеет места, т.е. AB ≠ BA.
208
Любая невырожденная матрица A = (aij) имеет единственную
обратную матрицу A-1, т.е. матрицу, обладающую свойством
AA −1 = A −1 A =E .
Обратную матрицу можно получить следующим образом:
 A11 A21 ... An1 

 
1  A12 A22 ... An 2 
A −1 = ,
A ...... .... 
 
 A1n A2n ... Ann 
где Aij – алгебраическое дополнение элемента аij матрицы A, т.е.

Aij = (−1)i + j µ ij , где µij – минор элемента аij определителя A ,
получающийся из A вычеркиванием i-й строки и j-го столбца,
на пересечении которых находится данный элемент аij .
Например, найдем обратную матрицу для
1 3 
A=  .
 4 5
С учетом того, что
A11 = (−1)1+1 5 = 5; A21 = (−1)2+1 3 = −3;
A12 = (−1)1+ 2 4 = −4; A22 = (−1)2+ 2 1 = 1;
A = 1 ⋅ 5 − 3 ⋅ 4 = −7,
получим
 5 3
 5 −3   − 7 + 7 
A =
−1
−1 = .
7  −4 1   + 4 − 1 

 7 7
Очевидно, что этот метод ввиду трудоемкости не пригоден

для матриц высокого порядка. Вычисление элементов обратной
матрицы можно свести к решению системы линейных алгебраи-
ческих уравнений, если воспользоваться основным свойством
обратной матрицы
AA −1 = E .
Действительно, если обозначить элементы обратной матрицы
209
A −1 через Xij, получим систему из n2 уравнений (n – порядок
матрицы) вида
n 1 ïðè i = j;
∑ aik X kj = 
k =1 0 ïðè i ≠ j.
Так как A ≠ 0, то система имеет единственное решение.
Решение приведенного выше примера будет выглядеть сле-
дующим образом
AA −1 = E ;
 1 3   X11 X 21   1 0 
 ⋅ = ,
 4 5   X 21 X 22   0 1 
или
 1X11 + 3 X 21 = 1;
 1X + 3 X 22 = 1;
 21

 4 X11 + 5 X 21 = 0;
4 X 21 + 5 X 22 = 0.
Нетрудно убедиться, что получим тот же результат:

a11 = X11 = −5 / 7; a12 = X12 = −3 / 7;
a21 = X 21 = −4 / 7; a22 = X 22 = −1 / 7.
Нормой вектора X ′(X1 , X 2 , ..., X n ) называется скаляр, про-
порциональный длине вектора. Следовательно, норму вектора
можно представить в виде
X = X12 + X 22 + ... + X n2 .
Нормирование вектора сводится к умножению компонент

вектора на 1 / X .
Например, вектор X ′(2, 3, 1, 5, 3, 1) после нормирования
имеет вид X ′(2 / 7, 3/7, 1/7, 5/7, 3/7, 1/7), так как
X = 4 + 9 + 1 + 25 + 9 + 1 = 49 = 7.
Более подробные сведения по теории матриц можно получить

в многочисленных специальных изданиях. Авторы предлагают
воспользоваться списком рекомендуемой литературы.
210
СПИСОК ЛИТЕРАТУРЫ
1. Адлер Н.П., Маркова Е.В., Грановский Ю.В. Планирование эксперимента при

поиске оптимальных условий. – М.: Наука, 1976.
2. Айвазян С.А. Статистическое исследование зависимостей. – М.: Металлур-
гия, 1968.
3. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функ-
ций. – М., 1970.
4. Андерсон Т. Введение в многомерный статистический анализ. – М.: Физ-
матгиз, 1963.
5. Боревич З.И. Определители и матрицы. – М.: Наука, 1970.
6. Венцель Е.С. Теория вероятностей. – М.: Наука, 1964.
7. Гмурман В.Е. Введение в теорию вероятностей и математическую статисти-
ку. – М.: Высшая школа, 1966.
8. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. – М.: Статистика,
1973.
9. Дуда Р., Харт П. Распознавание образов и анализ сцен. – М.: Мир, 1976.
10. Кендалл М. Дж., Стьюарт А. Многомерный статистический анализ и вре-
менные ряды. – М.: Наука, 1967.
11. Кендалл М. Дж., Стьюарт А. Статистические выводы и связи. – М.: Нау-
ка, 1975.
12. Кендалл М. Дж., Стьюарт А. Теория распределения. Т. 1. – М.: Наука,
1966.
13. Корн Г., Корн Т. Справочник по математике для научных работников и
инженеров. – М.: Наука. 1968.
14. Кульбак С. Теория информации и статистика. – М., 1967.
15. Маркова Е.В., Лисенков А.Н. Планирование эксперимента в условиях неод-
нородностей. – М.: Наука, 1973.
16. Методическое руководство по применению методов распознавания обра-
зов при промывке и креплении скважин/ А.Х. Мирзаджанзаде, А.И. Булатов,
А.Г. Аветисов и др. – Краснодар, 1974.
17. Методические указания по применению статистических методов в буре-
нии нефтяных и газовых скважин/ А.Х. Мирзаджанзаде, А.Г. Аветисов, А.И. Бу-
латов и др. – Краснодар, 1983.
18. Митропольский А. Техника статистических вычислений. – М.: Наука,
1971.
19. Налимов В.В., Чернова Н.А. Статистические методы планирования экстре-
мальных экспериментов. – М.: Наука, 1965.
20. Протодьяконов М.М., Тедер Р.И. Методика рационального планирования
экспериментов. – М.: Наука, 1970.
21. Пустыльник Е.И. Статистические методы анализа и обработки наблюде-
ний. – М.: Наука, 1968.
22. Смирнов Н.В., Дунин-Барковский Н.В. Курс теории вероятностей и матема-
тической статистики. – М.: Наука, 1969.
23. Турбович И.Т. и др. Опознавание образов. – М.: Наука, 1971.
24. Ту Дж., Гонсалес Р. Принципы распознавания образов. – М.: Мир, 1978.
25. Феллер А. Введение в теорию вероятностей и ее применения. – М.: Мир,
1967.
26. Фишер Р. Статистические методы для исследователей. – М.: Гос. стат.
изд-во, 1958.
27. Фу К.С. Структурные методы в распознавании образов. – М.: Мир, 1977.
28. Фукунага К. Введение в статистическую теорию распознавания образов. –
М.: Наука, 1979.
237
29. Хан Г., Шапиро С. Статистические модели в инженерных задачах. – М.:
Мир, 1969.
30. Хартман К., Лецкий Э., Шефер В. Планирование эксперимента в исследо-
вании технологических процессов. – М.: Мир, 1977.
31. Химмельблау Д. Анализ процессов статистическими методами. – М.: Мир,
1973.
32. Хьютсон А. Дисперсионный анализ. – М.: Статистика, 1971.
33. Шенк Х. Теория инженерного эксперимента. – М.: Мир, 1972.
34. Шор Я.Б. Статистические методы анализа и контроля качества и надежно-
сти. – М.: Советское радио, 1962.
35. Щупов Л.П. Прикладные математические методы в обогащении полезных
ископаемых. – М.: Недра, 1972.
238
ПРИЛОЖЕНИЯ
Приложение 1
Фрагмент таблицы случайных чисел
56 66 25 32 38 64 70 26 27 67 77 40 04 34 63 98 99 89 31 16 12 90 50 28 96
88 40 52 02 29 82 69 34 50 21 74 00 91 27 52 98 72 03 45 65 30 89 71 45 91
87 63 88 23 62 51 07 69 59 02 89 49 14 98 53 41 92 36 07 76 85 37 84 37 47
32 25 21 15 08 82 34 57 57 35 22 03 33 48 84 37 37 29 38 37 89 76 25 09 69
44 61 88 23 13 01 59 47 64 04 99 59 96 20 30 87 31 33 69 45 58 48 00 83 48
94 44 08 67 79 41 61 41 15 60 11 88 83 24 82 24 07 78 61 89 42 58 88 22 16
13 24 40 09 00 65 46 38 61 12 90 62 41 11 59 85 18 42 61 29 88 76 04 21 80
78 27 84 05 99 85 75 67 80 05 57 05 71 70 21 31 99 99 06 96 53 99 25 13 63
42 39 30 02 34 99 46 68 45 15 19 74 15 50 17 44 80 13 86 38 40 45 82 13 44
04 52 43 96 38 13 83 80 72 34 20 84 56 19 49 59 14 85 42 99 71 16 34 33 79
82 85 77 30 16 69 32 46 46 30 84 20 68 72 98 94 62 63 59 44 00 89 06 15 87
38 48 84 88 24 55 46 48 60 06 90 08 83 83 98 40 90 88 25 56 85 74 55 80 85
91 19 05 68 22 58 04 63 21 16 23 38 25 43 32 98 94 65 35 35 16 91 07 12 43
54 81 87 21 31 40 46 17 62 63 99 71 14 12 64 51 68 50 60 78 22 69 51 98 37
65 43 75 12 91 20 36 25 57 92 33 65 95 48 75 00 06 65 25 90 16 29 34 14 43
49 98 71 31 80 59 57 32 43 07 85 06 64 75 27 29 17 06 11 30 68 70 97 87 21
03 98 68 89 39 71 87 32 14 99 42 10 25 37 30 08 27 75 43 97 54 20 69 93 50
56 04 21 34 92 89 81 52 15 12 84 11 12 66 87 47 21 06 86 08 35 39 52 28 09
48 09 36 95 36 20 82 53 32 89 92 68 50 88 17 37 92 02 23 43 63 24 69 80 91
23 97 10 96 57 74 07 95 26 44 93 08 43 30 41 86 45 74 33 78 84 33 38 76 73
43 97 55 45 98 35 69 45 96 80 46 26 39 96 33 60 20 73 30 79 17 19 03 47 28
40 05 08 50 79 89 58 19 86 48 27 98 99 24 08 94 19 15 81 29 82 14 35 88 03
66 97 10 69 02 25 36 43 71 76 00 67 56 12 69 07 89 55 63 31 50 72 20 33 36
15 62 38 72 92 03 76 09 30 75 77 80 04 24 54 67 60 10 79 26 21 60 03 48 14
77 81 15 14 67 55 24 22 20 55 36 93 67 69 37 72 22 43 46 32 56 15 75 25 12
18 87 05 09 96 45 14 72 41 46 12 67 46 72 02 59 06 17 49 12 73 28 23 52 48
08 58 53 63 66 13 07 04 48 71 39 07 46 96 40 20 86 79 11 81 74 11 15 23 17
16 07 79 57 61 42 19 68 15 12 60 21 59 12 07 04 99 88 22 39 75 16 69 13 84
Плотность нормального распределения
Z ,00 ,01 ,02 ,03 ,04 ,05 ,06 ,07 ,08 ,09
0,0 0,3989 3989 3989 3988 3986 3984 3982 3980 3977 3973
0,1 0,3970 3965 3961 3956 3951 3945 3939 3932 3925 3918
0,2 0,3910 3902 3894 3885 3876 3867 3857 3847 3836 3825
0,3 0,3814 3802 3790 3778 3765 3752 3739 3725 3712 3697
0,4 0,3683 3868 3653 3637 3621 3605 3589 3572 3555 3538
0,5 0,3521 3503 3485 3467 3448 3429 3410 3391 3372 3352
0,6 0,3332 3312 3292 3271 3251 3230 3209 3187 3166 3144
0,7 0,3123 3101 3079 3156 3034 3011 2989 2966 2943 2920
0,8 0,2897 2874 2850 2827 2803 2780 2756 2732 2709 2685
0,9 0,2661 2637 2613 2589 2565 2541 2516 2492 2468 2444
1,0 0,2420 2396 2371 2347 2323 2299 2275 2251 2227 2203
1,1 0,2179 2155 2131 2107 2083 2059 2036 2012 1989 1965
1,2 0,1942 1919 1895 1872 1849 1826 1804 1781 1758 1736
1,3 0,1714 1691 1669 1647 1626 1604 1582 1561 1539 1518
1,4 0,1497 1476 1456 1435 1415 1394 1374 1354 1334 1315
1,5 0,1295 1276 1257 1238 1219 1200 1182 1163 1145 1127
1,6 0,1109 1092 1074 1057 1040 1023 1006 0989 0973 0957
1,7 0,0940 925 909 893 878 863 848 833 818 804
1,8 0,0790 775 761 748 734 721 707 694 681 669
1,9 0,0656 644 632 620 608 596 584 573 562 551
2,0 0,0540 529 519 508 498 488 478 468 459 449
2,1 0,0440 431 422 413 404 396 387 379 371 363
2,2 0,0355 347 339 332 325 317 310 303 297 290
2,3 0,0283 277 270 264 258 252 246 241 235 229
2,4 0,0224 219 213 208 203 198 194 189 184 180
2,5 0,0175 171 167 163 158 154 151 147 143 139
2,6 0,0136 132 129 126 122 119 116 113 110 107
2,7 0,0104 101 99 96 93 91 88 86 84 81
2,8 0,0079 77 75 73 71 69 67 65 63 61
2,9 0,0060 58 56 55 53 51 50 48 47 46
3,0 0,0044 43 42 40 39 38 37 36 35 34
3,1 0,0033 32 31 30 29 28 27 26 25 25
3,2 0,0024 23 22 22 21 20 20 19 18 18
3,3 0,0017 17 16 16 15 15 14 14 13 13
3,4 0,0012 12 12 11 11 10 10 10 9 9
3,5 0,0009
4,0 0,0001
212
Номограмма для определения параметра m в распределении Вейбулла
Рис. П1. Номограмма для определения параметра m в распре-

делении Вейбулла
213
Критерий Стьюдента ( t-критерий)
Значение t при α, %
n–1 n–1
50 25 10 5 2,5 1 0,5 0,1
1 1,00 2,41 6,31 12,7 25,5 63,7 127 637 1
2 1,816 1,60 2,92 4,30 6,21 9,92 14,1 31,6 2
3 1,795 1,42 2,35 3,18 4,18 5,84 7,45 12,9 3
4 1,741 1,34 2,13 2,78 3,50 4,60 5,60 8,61 4
5 1,727 1,30 2,01 2,57 3,16 4,09 4,77 6,86 5
6 1,718 1,27 1,94 2,45 2,97 3,71 4,32 5,96 6
7 1,711 1,25 1,89 2,36 2,84 3,50 4,03 5,40 7
8 1,706 1,24 1,86 2,31 2,75 3,36 3,83 5,04 8
9 1,703 1,23 1,83 2,26 2,68 3,25 3,69 4,78 9
10 1,700 1,22 1,81 2,23 2,63 3,17 3,58 4,59 10
11 1,697 1,21 1,80 2,20 2,59 3,11 3,50 4,44 11
12 1,695 1,21 1,78 2,18 2,56 3,05 3,43 4,32 12
13 1,694 1,20 1,77 2,16 2,53 3,01 3,37 4,22 13
14 1,692 1,20 1,76 2,14 2,51 2,98 3,33 4,14 14
15 1,691 1,20 1,75 2,13 2,49 2,95 3,29 4,07 15
16 1,690 1,19 1,75 2,12 2,47 2,92 3,25 4,01 16
17 1,689 1,19 1,74 2,11 2,46 2,90 3,22 3,96 17
18 1,688 1,19 1,73 2,10 2,44 2,88 3,20 3,92 18
19 1,688 1,19 1,73 2,09 2,43 2,86 3,17 3,88 19
20 1,687 1,18 1,72 2,09 2,42 2,85 3,15 3,85 20
21 1,686 1,18 1,72 2,41 2,41 2,83 3,14 3,82 21
22 1,686 1,18 1,72 2,07 2,41 2,82 3,12 3,79 22
23 1,695 1,18 1,71 2,07 2,40 2,81 3,10 3,77 23
24 1,685 1,18 1,71 2,06 2,39 2,80 3,09 3,74 24
25 1,684 1,18 1,71 2,06 2,38 2,79 3,08 3,72 25
26 1,684 1,18 1,71 2,06 2,38 2,78 3,07 3,71 26
27 1,684 1,18 1,70 2,05 2,37 2,77 3,06 3,69 27
28 1,683 1,17 1,70 2,05 2,37 2,76 3,05 3,67 28
29 1,683 1,17 1,70 2,05 2,36 2,76 3,04 3,66 29
30 1,683 1,17 1,70 2,04 2,36 2,75 3,03 3,65 30
40 1,681 1,17 1,68 2,02 2,33 2,70 2,97 3,55 40
60 1,679 1,16 1,67 2,00 2,30 2,66 2,91 3,36 60
120 1,677 1,16 1,66 1,98 2,27 2,62 2,86 3,37 120
∞ 1,674 1,15 1,64 1,96 2,24 2,58 2,81 3,29 ∞
Критерий Фишера ( F-критерий)
Значение F при f1, равном
f2
1 2 3 4 5 6 8 12 24 ∞
α = 0,01
1 4052 4999 5403 5625 5764 5859 5981 6106 6234 6366
2 98,5 99,0 99,2 99,3 99,3 99,4 99,3 99,4 99,5 99,5
3 34,1 30,8 29,5 28,7 28,2 27,9 27,5 27,1 26,6 26,1
4 21,2 18,0 16,7 16,0 15,5 15,2 14,8 14,4 13,9 13,5
5 16,3 13,3 12,1 11,4 11,0 10,7 10,3 9,9 9,5 9,0
6 13,7 10,9 9,8 9,2 8,8 8,5 8,1 7,7 7,3 6,9
7 12,3 9,6 8,5 7,9 7,5 7,2 6,8 6,5 6,1 5,7
8 11,3 8,7 7,6 7,0 6,6 6,4 6,0 5,7 5,3 4,9
9 10,6 8,0 7,0 6,4 6,1 5,8 5,5 5,1 4,7 4,3
10 10,0 7,6 6,6 6,0 5,6 5,4 5,1 4,7 4,3 3,9
214
Продолжение прил. 5
f2
1 2 3 4 5 6 8 12 24 ∞
11 9,7 7,2 6,2 5,7 5,3 5,1 4,7 4,4 4,0 3,6
12 9,3 6,9 6,0 5,4 5,1 4,8 4,5 4,2 3,8 3,4
13 9,1 6,7 5,7 5,2 4,9 4,6 4,3 4,0 3,6 3,2
14 8,9 6,5 5,6 5,0 4,7 4,5 4,1 3,8 3,4 3,0
15 8,7 6,4 5,4 4,9 4,6 4,3 4,0 3,7 3,3 2,9
16 8,5 6,2 5,3 4,8 4,4 4,2 3,9 3,6 3,2 2,8
17 8,4 6,1 5,2 4,7 4,3 4,1 3,8 3,5 3,1 2,7
18 8,3 6,0 5,1 4,6 4,3 4,0 3,7 3,4 3,0 2,6
19 8,2 5,9 5,0 4,5 4,2 3,9 3,6 3,3 2,9 2,4
20 8,1 5,9 4,9 4,4 4,1 3,9 3,6 3,2 2,9 2,4
22 7,9 5,7 4,8 4,3 4,0 3,8 3,5 3,1 2,8 2,3
24 7,8 5,6 4,7 4,2 3,9 3,7 3,3 3,0 2,7 2,2
26 7,7 5,5 4,6 4,1 3,8 3,6 3,3 3,0 2,6 2,1
28 7,6 5,5 4,6 4,1 3,8 3,5 3,2 2,9 2,5 2,1
30 7,6 5,4 4,5 4,0 3,7 3,5 3,2 2,8 2,5 2,0
40 7,3 5,2 4,3 3,8 3,5 3,3 3,0 2,7 2,3 1,8
60 7,1 5,0 4,1 3,7 3,3 3,1 2,8 2,5 2,1 1,6
120 6,9 4,8 4,0 3,5 3,2 3,0 2,7 2,3 2,0 1,4
∞ 6,6 4,0 3,8 3,3 3,0 2,8 2,5 2,2 1,8 1,0
α = 0,05
1 164,4 199,5 215,7 224,6 230,2 234,0 244,9 249,0 254,3
2 18,5 19,2 19,2 19,3 19,3 19,3 19,4 19,5 19,5
3 10,1 9,6 9,3 9,1 9,0 8,9 8,7 8,6 8,5
4 7,7 6,9 6,6 6,4 6,3 6,2 5,9 5,8 5,6
5 6,6 5,8 5,4 5,2 5,1 5,0 4,7 4,5 4,4
6 6,0 5,1 4,8 4,5 4,4 4,3 4,0 3,8 3,7
7 5,6 4,7 4,4 4,1 4,0 3,9 3,6 3,4 3,2
8 5,3 4,5 4,1 3,8 3,7 3,6 3,3 3,0 2,9
9 5,1 4,3 3,9 3,6 3,5 3,4 3,1 2,9 2,7
10 5,0 4,1 3,7 3,5 3,3 3,2 2,9 2,7 2,5
11 4,8 4,0 3,6 3,4 3,2 3,1 2,8 2,6 2,4
12 4,8 3,9 3,5 3,3 3,1 3,0 2,7 2,5 2,3
13 4,7 3,8 3,4 3,2 3,0 2,9 2,6 2,4 2,2
14 4,6 3,7 3,3 3,1 3,0 2,9 2,5 2,3 2,1
15 4,5 3,7 3,3 3,1 2,9 2,8 2,5 2,3 2,1
16 4,5 3,6 3,2 3,0 2,9 2,7 2,4 2,2 2,0
17 4,5 3,6 3,2 3,0 2,8 2,7 2,4 2,2 2,0
18 4,4 3,6 3,2 2,9 2,8 2,7 2,3 2,1 1,9
19 4,4 3,5 3,1 2,9 2,7 2,6 2,3 2,1 1,8
20 4,4 3,5 3,1 2,9 2,7 2,6 2,3 2,1 1,8
22 4,3 3,4 3,1 2,8 2,7 2,6 2,2 2,0 1,8
24 4,3 3,4 3,0 2,8 2,6 2,5 2,2 2,0 1,7
26 4,2 3,4 3,0 2,7 2,6 2,4 2,1 1,9 1,7
28 4,2 3,3 2,9 2,7 2,6 2,4 2,1 1,9 1,6
30 4,2 3,3 2,9 2,7 2,5 2,4 2,1 1,9 1,6
40 4,1 3,2 2,9 2,6 2,5 2,3 2,0 1,8 1,5
60 4,0 3,2 2,8 2,5 2,4 2,3 1,9 1,7 1,4
120 3,9 3,1 2,1 2,5 2,3 2,2 1,8 1,6 1,3
∞ 3,8 3,0 2,6 2,4 2,2 2,1 1,8 1,5 1,0
α = 0,20
1 9,5 12,0 13,1 13,7 14,0 14,3 14,9 15,2 15,6
2 3,6 4,0 4,2 4,2 4,3 4,3 4,4 4,4 4,5
215
f2
1 2 3 4 5 6 12 24 ∞
3 2,7 2,9 2,9 3,0 3,0 3,0 3,0 3,0 3,0
4 2,4 2,5 2,5 2,5 2,5 2,5 2,5 2,4 2,4
5 2,2 2,3 2,3 2,2 2,2 2,2 2,2 2,2 2,1
6 2,1 2,1 2,1 2,1 2,1 2,1 2,0 2,0 2,0
7 2,0 2,0 2,0 2,0 2,0 2,0 1,9 1,9 1,8
8 2,0 2,0 2,0 1,9 1,9 1,9 1,8 1,8 1,7
9 1,9 1,9 1,9 1,9 1,9 1,8 1,8 1,7 1,7
10 1,9 1,9 1,9 1,8 1,8 1,8 1,7 1,7 1,6
11 1,9 1,9 1,8 1,8 1,8 1,8 1,7 1,6 1,6
12 1,8 1,8 1,8 1,8 1,7 1,7 1,7 1,6 1,5
13 1,8 1,8 1,8 1,8 1,7 1,7 1,6 1,6 1,5
14 1,8 1,8 1,8 1,7 1,7 1,7 1,6 1,6 1,5
15 1,8 1,8 1,8 1,7 1,7 1,7 1,6 1,6 1,5
16 1,8 1,8 1,7 1,7 1,7 1,6 1,6 1,5 1,4
17 1,8 1,8 1,7 1,7 1,7 1,6 1,6 1,5 1,4
18 1,8 1,8 1,7 1,7 1,6 1,6 1,5 1,5 1,4
19 1,8 1,8 1,7 1,7 1,6 1,6 1,5 1,5 1,4
20 1,8 1,8 1,7 1,7 1,6 1,6 1,5 1,5 1,4
22 1,8 1,7 1,7 1,6 1,6 1,6 1,5 1,4 1,4
24 1,7 1,7 1,7 1,6 1,6 1,6 1,5 1,4 1,3
26 1,7 1,7 1,7 1,6 1,6 1,6 1,5 1,4 1,3
28 1,7 1,7 1,7 1,6 1,6 1,6 1,5 1,4 1,3
30 1,7 1,7 1,6 1,6 1,6 1,5 1,5 1,4 1,3
40 1,7 1,7 1,6 1,6 1,5 1,5 1,4 1,4 1,2
60 1,7 1,7 1,6 1,6 1,5 1,5 1,4 1,3 1,2
120 1,7 1,6 1,6 1,5 1,5 1,5 1,4 1,3 1,1
∞ 1,6 1,6 1,6 1,5 1,5 1,4 1,3 1,2 1,1
216
Квантили распределения Кохрена при α = 0,05
Значение критерия Кохрена при f1, равном
f2
1 2 3 4 5 6 7 8 9 10 16 36 144 ∞
2 9985 9750 9392 9057 8772 8534 8332 8159 8010 7880 7341 6602 5813 5000
3 9669 8709 7977 7457 7071 6771 6530 6333 6167 6025 5466 4748 4031 3333
4 9065 7679 6841 6287 5895 5598 5365 5175 5017 4884 4366 3720 3093 2500
5 8412 6838 5981 5441 5065 4783 4564 4387 4241 4118 3645 3066 2513 2000
6 7808 6161 5321 4803 4447 4184 3980 3817 3682 3568 3135 2612 2119 1667
7 7271 5612 4800 4307 3974 3726 3535 3384 3259 3154 2756 2278 1833 1429
8 6798 5157 4377 3010 3595 3362 3185 3043 2926 2829 2462 2022 1616 1250
9 6385 4775 4027 3584 3286 3067 2901 2768 2659 2568 2226 1820 1446 1111
10 6020 4450 3733 3311 3029 2823 2666 2541 2439 2353 2032 1655 1308 1000
12 5410 3924 3264 2880 2624 2439 2299 2187 2098 2020 1737 1403 1100 0833
15 4709 3346 2758 2419 2195 2034 1911 1815 1736 1671 1429 1144 0889 0667
20 3994 2705 2205 1921 1735 1602 1501 1422 1357 1303 1108 0879 0675 0500
24 3434 2354 1907 1656 1493 1374 1286 1216 1160 1113 0942 0743 0567 0417
30 2929 1980 1593 1377 1237 1137 1061 1002 0958 0921 0771 0604 0457 0333
40 2370 1576 1259 1082 0968 0887 0827 0780 0745 0713 0595 0462 0347 0250
60 1737 1131 0895 0765 0682 0623 0583 0552 0520 0497 0411 0316 0234 0167
120 0998 0632 0495 0419 0371 0337 0312 0292 0279 0266 0218 0165 0120 0083
0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000
П р и м е ч а н и е. Приведены лишь десятичные знаки, следующие после запятой, перед которой следует ставить нуль целых
(все квантили меньше единицы).
Критерий Пирсона ( χ2-критерий)
Значение χ2-критерия при вероятности, равной
k
0,99 0,98 0,95 0,90 0,80 0,20 0,10 0,05 0,02 0,01 0,001
1 0,03157 0,03628 0,00393 0,0158 0,0642 1,642 2,706 3,841 5,412 6,635 10,827
2 0,0201 0,0404 0,103 0,211 0,446 3,219 4,605 5,991 7,824 9,210 13,815
3 0,115 0,185 0,352 0,584 1,005 4,642 6,251 7,815 9,837 11,341 16,268
4 0,297 0,429 0,711 1,064 1,649 5,989 7,779 9,488 11,668 13,277 18,465
5 0,554 0,752 1,145 1,610 2,343 7,289 9,236 11,070 13,388 15,086 20,517
6 0,872 1,134 1,635 2,204 3,070 8,558 10,645 12,592 15,033 16,812 22,457
7 1,239 1,564 2,167 2,833 3,822 9,803 12,017 14,067 16,622 18,475 24,322
8 1,646 2,032 2,733 3,490 4,594 11,030 13,362 15,507 18,168 20,090 26,125
9 2,088 2,532 3,325 4,168 5,380 12,242 14,684 16,919 19,679 21,666 27,877
10 2,558 3,059 3,940 4,865 6,179 13,442 15,987 18,307 21,161 23,209 29,588
11 3,053 3,609 4,575 5,578 6,989 14,631 17,275 19,675 22,618 24,725 31,264
12 3,571 4,178 5,226 6,304 7,807 15,812 18,549 21,026 24,054 26,217 32,909
13 4,107 4,765 5,892 7,042 8,634 16,985 19,812 22,362 25,472 27,688 34,528
14 4,660 5,368 6,571 7,790 9,467 18,151 21,064 23,685 26,873 29,141 36,123
15 5,229 5,985 7,261 8,547 10,307 19,311 22,307 24,996 28,259 30,578 37,697
16 5,812 6,614 7,962 9,312 11,152 20,465 23,542 26,296 29,633 32,000 39,252
17 6,408 7,255 8,672 10,085 12,002 21,615 24,769 27,587 30,995 33,409 40,790
18 7,015 7,906 9,390 10,865 12,857 22,760 25,989 28,860 32,346 34,805 42,312
19 7,633 8,567 10,117 11,651 13,716 23,900 27,204 30,144 33,687 36,191 43,820
20 8,260 9,237 10,851 12,433 14,578 25,033 28,412 31,410 35,020 37,566 45,315
21 8,897 9,915 11,591 13,240 15,445 26,171 29,615 32,671 36,343 38,932 46,797
22 9,542 10,600 12,338 14,041 16,314 27,301 30,813 33,924 37,659 40,289 48,268
23 10,196 11,293 13,091 14,848 17,187 28,429 32,007 35,172 38,968 41,638 49,728
24 10,856 11,992 13,848 15,659 18,062 29,553 33,196 36,415 40,270 42,980 51,179
25 11,524 12,697 14,611 16,473 18,940 30,675 34,382 37,652 41,566 44,314 52,620
26 12,198 13,409 15,379 17,292 19,820 31,795 35,563 38,885 42,856 45,642 54,052
27 12,879 14,125 16,151 18,114 20,703 32,912 36,741 40,113 44,140 46,963 55,476
28 13,565 14,847 16,928 18,939 21,588 34,027 37,916 41,337 45,419 48,278 56,893
29 14,256 15,574 17,708 19,768 22,475 35,139 39,087 42,557 46,693 49,588 58,302
30 14,953 16,306 18,493 20,599 23,364 36,259 40,256 43,773 47,962 50,892 59,703
218
Критерий Розенбаума ( критерий Q)∗
Значение Q при n1, равном
n2
11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
α = 0,05
11 6
12 6 6
13 6 6 6
14 7 7 6 6
15 7 7 6 6 6
16 7 7 7 7 6 6
17 7 7 7 7 7 7 7
18 7 7 7 7 7 7 7 7
19 7 7 7 7 7 7 7 7 7
20 7 7 7 7 7 7 7 7 7 7
21 7 7 7 7 7 7 7 7 7 7 7
22 8 7 7 7 7 7 7 7 7 7 7 7
23 8 8 7 7 7 7 7 7 7 7 7 7 7
24 8 8 8 8 8 8 8 8 8 8 7 7 7 7
25 8 8 8 8 8 8 8 8 8 7 7 7 7 7 7
26 8 8 8 8 8 8 8 8 8 8 7 7 7 7 7 7
α = 0,01
11 9
12 9 9
13 9 9 9
14 9 9 9 9
15 9 9 9 9 9
16 9 9 9 9 9 9
17 10 9 9 9 9 9 9
18 10 10 9 9 9 9 9 9
19 10 10 10 9 9 9 9 9 9
20 10 10 10 10 9 9 9 9 9 9
21 11 10 10 10 9 9 9 9 9 9 9
22 11 11 10 10 10 9 9 9 9 9 9 9
23 11 11 10 10 10 10 9 9 9 9 9 9 9
24 12 11 11 10 10 10 10 9 9 9 9 9 9 9
25 12 11 11 10 10 10 10 10 9 9 9 9 9 9 9
26 12 12 11 11 10 10 10 10 10 9 9 9 9 9 9 9
Приведены минимальные значения Q, при которых различия между двумя
∗
группами наблюдений можно считать значимыми с α = 0,05 и α = 0,01.
Критические значения T ( критерия Вилконсона) для α = 0,05 ( в числителе)
и α = 0,01 ( в знаменателе)
Значение T при большем n1, равном
n2
5 6 7 8 9 10
4 11/– 12/10 13/10 14/11 15/11 15/12
5 17/15 18/16 20/17 21/17 22/18 23/19
6 – 26/23 27/24 29/25 31/26 32/27
7 – – 36/32 38/34 40/35 42/37
8 – – – 49/43 51/45 53/47
9 – – – – 63/56 65/68
10 – – – – – 78/71
219
Критерий Манна – Уитни ( критерий U)∗
Значение U при n1, равном
n2
2 3 4 5 6 7 8 9 10 11 12
α = 0,05
2 –
3 – 0
4 – 0 1
5 0 1 2 4
6 0 2 3 5 7
7 0 2 4 6 8 11
8 1 3 5 8 10 13 15
9 1 4 6 9 12 15 18 21
10 1 4 7 11 14 17 20 24 27
11 1 5 8 12 16 19 23 27 31 34
12 2 5 9 13 17 21 26 30 34 38 42
α = 0,01
2 –
3 – –
4 – – –
5 – – 0 1
6 – – 1 2 3
7 – 0 1 3 4 6
8 – 0 2 4 6 7 9
9 – 1 3 5 7 9 11 14
10 – 1 3 6 8 11 13 16 19
11 – 1 4 7 9 12 15 18 22 25
12 – 2 5 8 11 14 17 21 24 28 31
α = 0,05
13 2 6 10 15 19 24 28 33 37 42 47
14 3 7 11 16 21 26 31 36 41 46 51
15 3 7 12 18 23 28 33 39 44 50 55
16 3 8 14 19 25 30 36 42 48 54 60
17 3 9 15 20 26 33 39 45 51 57 64
18 4 9 16 22 28 35 41 48 55 61 68
19 4 10 17 23 30 37 44 51 58 65 72
20 4 11 18 25 32 39 47 54 62 69 77
21 19 26 34 41 49 57 65 73 81
22 20 28 36 44 52 60 69 77 85
23 21 29 37 46 55 63 72 81 90
24 22 31 39 48 57 66 75 85 94
α = 0,01
13 0 2 5 9 12 16 20 23 27 31 35
14 0 2 6 10 13 17 22 26 30 34 38
15 0 3 7 11 15 19 24 28 33 37 42
16 0 3 7 12 16 21 26 31 36 41 46
17 0 4 8 13 18 23 28 33 38 44 49
18 0 4 9 14 19 24 30 36 41 47 53
19 1 4 9 15 20 26 32 38 44 50 56
20 1 5 10 16 22 28 34 40 47 53 60
21 10 16 22 29 35 42 49 56 63
22 10 17 23 30 37 45 52 59 66
23 11 18 25 32 39 47 55 62 70
24 12 19 26 34 42 49 57 66 74
220
n2
13 14 15 16 17 18 19 20 21 22 23 24
α = 0,05
13 51
14 56 61
15 61 66 72
16 65 71 77 83
17 70 77 83 89 96
18 75 82 88 95 102 109
19 80 87 94 101 109 116 123
20 84 92 100 107 115 123 130 138
21 89 97 105 113 121 130 138 146 154
22 94 102 111 119 128 136 145 154 162 171
23 99 107 116 125 134 143 152 161 170 180 189
24 103 113 122 131 141 150 160 169 179 188 198 207
α = 0,01
13 39
14 43 47
15 47 51 56
16 51 56 61 66
17 55 60 66 71 77
18 59 65 70 76 82 88
19 63 69 75 82 88 94 101
20 67 73 80 87 93 100 107 114
21 70 77 84 91 98 105 113 120 127
22 74 81 89 96 104 111 119 127 134 142
23 78 86 94 102 109 117 125 133 141 150 158
24 82 90 98 107 115 123 132 140 149 154 166 174
n2
4 5 6 7 8 9 10 11 12
α = 0,05
25 23 32 41 50 60 69 79 89 98
26 24 33 43 53 62 72 82 93 103
27 25 35 45 55 65 75 86 96 107
28 26 36 47 57 63 79 89 100 111
29 27 38 48 59 70 82 93 104 116
30 28 39 50 62 73 85 96 108 120
31 29 41 52 64 76 88 100 112 124
32 30 42 54 66 78 91 103 116 129
33 31 43 56 68 81 94 107 120 133
34 32 45 58 71 84 97 110 124 137
35 33 46 59 73 86 100 114 128 142
36 35 48 61 75 89 103 117 132 146
α = 0,01
25 12 20 27 35 44 52 60 69 77
26 13 21 29 37 46 54 63 72 81
27 14 22 30 39 48 57 66 75 85
28 14 23 32 41 50 59 69 78 88
29 15 24 33 42 52 62 72 82 92
221
n2
4 5 6 7 8 9 10 11 12
30 15 25 34 44 54 64 75 85 95
31 16 26 36 46 56 67 77 88 99
32 17 27 37 47 58 69 80 91 103
33 17 28 38 49 60 72 83 95 106
34 18 29 40 51 62 74 86 98 110
35 19 30 41 53 64 77 89 101 114
36 19 31 42 54 67 79 92 104 117
n2
13 14 15 16 17 18 19 20 21 22 23 24
α = 0,05
25 108 118 128 137 147 157 167 177 187 197 207 217
26 113 123 133 143 154 164 174 185 195 206 216 226
27 118 128 139 150 160 171 182 193 203 214 225 236
28 122 133 144 156 167 178 189 200 212 223 234 245
29 127 139 150 162 173 185 196 208 220 232 243 255
30 132 144 156 168 180 192 204 216 228 240 252 265
31 137 149 161 174 186 199 211 224 236 249 261 274
32 141 154 167 180 193 206 219 232 245 258 271 284
33 146 159 173 186 199 213 226 239 253 266 280 293
34 151 164 178 192 206 219 233 247 261 275 289 303
35 156 170 184 198 212 226 241 255 269 284 298 312
36 160 175 189 204 219 233 248 263 278 292 307 322
α = 0,01
25 86 95 103 112 121 130 138 147 156 165 174 183
26 90 99 108 117 126 136 145 154 163 173 182 191
27 94 103 113 122 132 142 151 161 171 180 190 200
28 98 108 118 128 138 148 158 168 178 188 198 208
29 102 112 123 133 143 154 164 175 185 196 206 217
30 106 117 127 138 149 160 171 182 192 203 214 225
31 110 121 132 143 155 166 177 188 200 211 223 234
32 114 126 137 149 160 172 184 196 207 219 231 242
33 118 130 142 154 166 178 190 202 214 227 239 251
34 122 134 147 159 172 184 197 209 222 234 247 260
35 126 139 152 164 177 190 203 216 229 242 255 268
36 130 143 156 170 183 196 210 223 236 250 263 277
n2
25 26 27 28 29 30 31 32 33 34 35 36
α = 0,05
25 227
26 237 247
27 247 258 268
28 257 268 279 291
29 267 278 290 302 314
30 277 289 301 313 326 338
222
n2
25 26 27 28 29 30 31 32 33 34 35 36
31 287 299 312 325 337 350 363
32 297 310 323 336 349 362 375 389
33 307 320 334 347 361 374 388 402 415
34 317 331 345 359 373 387 401 415 429 443
35 327 341 356 370 385 399 413 428 442 457 471
36 337 352 367 381 396 411 426 441 456 471 486 501
α = 0,01
25 192
26 201 210
27 209 219 229
28 218 229 239 249
29 227 238 249 259 270
30 236 247 258 270 281 292
31 245 257 268 280 291 303 314
32 254 266 278 290 302 314 326 338
33 263 276 288 300 313 325 337 350 362
34 272 285 298 311 323 336 349 362 375 387
35 281 294 308 321 334 347 360 374 387 400 413
36 290 304 318 331 345 358 372 386 399 413 427 440
n2
4 5 6 7 8 9 10 11 12
α = 0,05
37 36 49 63 77 92 106 121 135 150
38 37 51 65 79 94 109 124 139 155
39 38 52 67 82 97 112 128 143 159
40 39 53 69 84 100 115 131 147 163
41 40 55 70 86 102 118 135 151 168
42 41 56 72 88 105 121 138 155 172
43 42 58 74 91 107 124 142 159 176
44 43 59 76 93 110 128 145 163 181
45 44 61 78 95 113 131 149 167 185
46 45 62 80 97 115 134 152 171 189
47 46 64 81 100 118 137 156 175 194
48 47 65 83 102 121 140 159 178 198
α = 0,01
37 20 32 44 56 69 81 95 108 121
38 21 33 45 58 71 84 97 111 125
39 21 34 46 59 73 86 100 114 128
40 22 35 48 61 75 89 103 117 132
41 23 36 49 63 77 91 106 121 136
42 23 37 50 65 79 94 109 124 139
43 24 38 52 66 81 96 112 127 143
44 25 39 53 68 83 99 115 130 146
45 25 40 54 70 85 101 117 134 150
46 26 41 56 71 87 104 120 137 154
47 27 42 57 73 90 106 123 140 157
48 27 43 58 75 92 109 126 143 161
223
n2
13 14 15 16 17 18 19 20 21 22 23 24
α = 0,05
37 165 180 195 210 225 240 255 271 286 301 316 332
38 170 185 201 216 232 247 263 278 294 310 325 341
39 175 190 206 222 238 254 270 286 302 318 335 351
40 179 196 212 228 245 261 278 294 311 327 344 360
41 184 201 218 234 251 268 285 302 319 336 353 370
42 189 206 223 240 258 275 292 310 327 345 362 380
43 194 211 229 247 264 282 300 318 335 353 371 389
44 199 216 235 253 271 289 307 325 344 362 380 399
45 203 222 240 259 277 296 315 333 352 371 390 408
46 208 227 246 265 284 303 322 341 360 380 399 418
47 213 232 251 271 290 310 329 349 369 388 408 428
48 218 237 257 277 297 317 337 357 377 397 417 437
α = 0,01
37 134 148 161 175 189 202 216 230 244 258 271 285
38 138 152 166 180 194 208 223 237 251 265 280 294
39 142 157 171 185 200 214 229 244 258 273 288 303
40 146 161 176 191 206 221 236 251 266 281 296 311
41 151 166 181 196 211 227 242 258 273 289 304 320
42 155 170 186 201 217 233 249 265 280 296 312 328
43 159 175 190 207 223 239 255 271 288 304 321 337
44 163 179 195 212 228 245 262 278 295 312 329 346
45 167 183 200 217 234 251 268 285 303 320 337 354
46 171 188 205 222 240 257 275 292 310 328 345 363
47 175 192 210 228 245 263 281 299 317 335 353 372
48 179 197 215 233 251 269 288 306 325 343 362 380
n2
25 26 27 28 29 30 31 32 33 34 35 36
α = 0,05
37 347 362 378 393 408 424 439 454 470 485 501 516
38 357 373 388 404 420 436 452 467 483 499 515 531
39 367 383 399 416 432 448 464 481 497 513 530 546
40 377 394 410 427 444 460 477 494 511 527 544 561
41 387 404 421 438 456 473 490 507 524 541 559 576
42 397 415 432 450 467 485 503 520 538 556 573 591
43 407 425 443 461 479 497 515 533 552 570 588 606
44 417 436 454 473 491 510 528 547 565 584 602 621
45 427 446 465 484 503 522 541 560 579 598 617 636
46 437 457 476 495 515 534 554 573 593 612 631 651
47 447 467 487 507 527 547 566 586 606 626 646 666
48 458 478 498 518 539 559 579 600 620 640 661 681
α = 0,01
37 299 313 327 341 355 370 384 398 412 426 440 454
38 308 323 337 352 366 381 395 410 424 439 453 468
39 317 332 347 362 377 392 407 422 437 452 467 482
40 326 342 357 372 388 403 418 434 449 465 480 495
41 336 351 367 383 398 414 430 446 462 477 493 509
224
n2
25 26 27 28 29 30 31 32 33 34 35 36
42 345 361 377 393 409 425 442 458 474 490 507 523
43 354 370 387 403 420 437 453 470 487 503 520 537
44 363 380 397 414 431 448 465 482 499 516 533 550
45 372 389 407 424 441 459 476 494 511 529 547 564
46 381 399 416 434 452 470 488 506 524 542 560 578
47 390 408 426 445 463 481 500 518 536 555 573 592
48 399 418 436 455 474 492 511 530 549 568 587 606
n2
37 38 39 40 41 42 43 44 45 46 47 48
α = 0,05
37 531
38 547 563
39 562 579 595
40 578 594 611 628
41 593 610 628 645 662
42 609 626 644 662 679 697
43 624 642 660 679 697 715 733
44 640 658 677 695 714 733 751 770
45 655 674 693 712 731 750 769 789 808
46 670 690 709 729 749 768 788 807 827 846
47 686 706 726 746 766 786 806 826 846 866 886
48 701 722 742 763 783 804 824 845 865 886 906 927
α = 0,01
37 468
38 482 497
39 497 512 527
40 511 526 542 557
41 525 541 557 573 589
42 539 556 572 588 605 621
43 553 570 587 604 621 637 654
44 568 585 602 619 636 654 671 688
45 582 599 617 635 652 670 688 706 723
46 596 614 632 650 668 687 705 723 741 759
47 610 629 647 666 684 703 722 740 759 777 796
48 625 643 662 681 700 719 738 757 776 795 814 834
n2
4 5 6 7 8 9 10 11 12
α = 0,05
49 48 66 85 104 123 143 163 182 202
50 49 68 87 106 126 146 166 186 207
51 50 69 89 109 129 149 170 190 211
52 51 71 91 111 131 152 173 194 215
53 52 72 92 113 134 155 177 198 220
54 53 74 94 115 137 158 180 202 224
225
n2
4 5 6 7 8 9 10 11 12
55 54 75 96 118 139 161 184 206 228
56 55 76 98 120 142 164 187 210 233
57 57 78 100 122 145 167 191 214 237
58 58 79 102 124 147 171 194 218 241
59 59 81 103 127 150 174 198 222 246
60 60 82 105 129 153 177 201 225 250
α = 0,01
49 28 44 60 77 94 111 129 147 165
50 29 45 61 78 96 114 132 150 168
51 29 46 63 80 98 116 135 153 172
52 30 47 64 82 100 119 137 157 176
53 31 48 65 83 102 121 140 160 179
54 31 49 67 85 104 114 143 163 183
55 32 50 68 87 106 126 146 166 187
56 33 51 69 89 108 129 149 177 190
57 33 52 71 90 110 131 152 173 194
58 34 53 72 92 113 133 155 176 198
59 34 54 73 94 115 136 158 179 201
60 35 55 75 96 117 138 160 183 205
n2
13 14 15 16 17 18 19 20 21 22 23 24
α = 0,05
49 222 243 263 283 303 324 344 365 385 406 426 447
50 227 248 268 289 310 331 352 372 393 414 435 457
51 232 253 274 295 316 338 359 380 402 423 445 466
52 237 258 280 301 323 345 366 388 410 432 454 476
53 241 263 285 377 329 352 374 396 418 441 463 485
54 246 269 291 313 336 359 381 404 427 449 472 495
55 251 274 297 319 342 365 389 412 435 458 481 505
56 256 279 302 326 349 372 396 420 443 467 491 514
57 261 284 308 332 355 379 403 427 451 476 500 524
58 265 289 314 338 362 386 411 435 460 484 509 534
59 270 295 319 344 369 393 418 443 468 493 518 543
60 275 300 325 350 375 400 426 451 576 502 527 553
α = 0,01
49 183 201 220 238 257 276 294 313 332 351 370 389
50 187 206 225 244 263 282 301 320 339 359 378 398
51 191 210 229 249 268 288 307 327 347 366 386 406
52 195 215 234 254 274 294 314 334 354 374 395 415
53 199 219 239 259 280 300 320 341 361 382 403 423
54 203 224 244 265 285 306 327 348 369 390 411 432
55 207 228 249 270 291 312 333 355 376 398 419 441
56 211 233 254 275 297 318 340 362 384 405 427 449
57 215 237 259 281 302 324 347 369 391 413 436 458
58 220 242 264 286 308 331 353 376 398 421 444 467
59 224 246 268 291 314 337 360 383 406 429 452 475
60 228 250 273 296 320 343 366 390 413 437 460 484
226
n2
25 26 27 28 29 30 31 32 33 34 35 36
α = 0,05
49 468 488 509 530 550 571 592 613 634 654 675 695
50 478 499 520 541 562 583 605 626 647 669 690 711
51 488 509 531 553 574 596 618 639 661 683 704 726
52 498 520 542 564 586 608 630 652 675 697 719 741
53 508 530 553 575 598 620 643 666 688 711 734 756
54 518 541 564 587 610 633 656 679 702 725 748 771
55 528 551 575 598 622 645 669 692 716 739 763 786
56 538 562 586 610 634 657 681 705 729 753 777 801
57 548 572 597 621 645 670 694 719 743 768 792 816
58 558 583 608 633 657 682 707 732 757 782 807 832
59 568 594 619 644 669 694 720 745 770 796 821 847
60 578 604 630 655 681 707 733 758 784 810 836 862
α = 0,01
49 408 427 446 465 484 504 523 542 561 581 600 619
50 417 437 456 476 495 515 535 554 574 594 613 633
51 426 446 466 486 506 526 546 566 587 607 627 647
52 435 456 476 496 517 537 558 578 599 620 640 661
53 444 465 486 507 528 549 570 591 612 633 654 675
54 453 475 496 517 538 560 581 603 624 646 667 689
55 462 484 506 527 549 571 593 615 637 659 680 702
56 471 494 516 538 560 582 605 627 649 671 694 716
57 481 503 526 548 571 593 616 639 662 684 707 730
58 490 513 536 559 582 605 628 651 674 697 721 744
59 499 522 545 569 592 616 640 663 687 710 734 758
60 508 532 555 579 603 627 651 675 699 723 747 772
n2
37 38 39 40 41 42 43 44 45 46 47 48
α = 0,05
49 717 738 759 780 800 821 842 863 891 905 926 947
50 732 754 775 796 816 839 861 882 903 925 946 968
51 748 770 791 813 835 857 879 901 922 944 966 988
52 763 786 808 830 852 875 897 919 942 954 986 1009
53 779 802 824 847 870 893 915 938 961 991 1008 1029
54 794 818 841 864 887 910 934 957 987 1003 1026 1050
55 810 834 857 881 904 928 952 975 999 1023 1046 1070
56 825 850 874 898 922 948 970 994 1010 1042 1067 1091
57 841 865 890 915 939 961 988 1013 1017 1062 1087 1111
58 856 881 906 931 956 981 1007 1032 1057 1082 1107 1132
59 872 897 923 948 974 999 1025 1050 1076 1101 1127 1152
60 688 913 919 965 999 1017 1043 1069 1095 1121 1147 1173
α = 0,01
49 639 658 678 697 716 736 755 775 791 814 833 853
50 653 673 693 713 732 752 772 792 812 832 852 872
51 667 688 708 728 748 769 789 809 836 850 870 891
52 682 702 721 744 751 785 800 827 847 868 889 910
53 696 717 738 759 780 802 823 844 865 896 908 929
227
n2
37 38 39 40 41 42 43 44 45 46 47 48
α = 0,01
54 710 732 753 775 790 818 840 861 883 907 926 948
55 724 746 768 790 812 834 857 879 901 920 945 957
56 739 761 781 806 828 851 873 896 919 935 950 980
57 753 776 799 822 841 867 890 913 936 949 990 1001
58 767 790 814 837 861 884 907 931 954 979 1001 1021
59 781 808 829 853 877 900 924 948 972 990 1020 1041
60 796 820 841 868 893 917 941 950 890 1014 1038 1061
n2
49 50 51 52 53 54 55 56 57 58 59 60
α = 0,05
49 968
50 989 1010
51 1010 1032 1054
52 1031 1063 1076 1098
53 1052 1075 1098 1120 1143
54 1073 1098 1119 1143 1168 1189
55 1094 1118 1141 1165 1189 1260 1238
56 1115 1139 1163 1187 1212 1236 1260 1284
57 1138 1161 1185 1210 1233 1259 1284 1309 1333
58 1157 1182 1207 1232 1257 1283 1308 1333 1358 1383
59 1178 1204 1229 1253 1280 1306 1331 1357 1383 1402 1434
60 1199 1225 1251 1277 1303 1329 1355 1381 1407 1433 1480 1500
α = 0,01
49 872
50 892 912
51 911 932 952
52 931 951 972 993
53 950 971 993 1014 1035
54 970 991 1031 1035 1057 1078
55 989 1011 1034 1056 1078 1100 1122
56 1009 1001 1061 1077 1079 1122 1145 1167
57 1028 1051 107 1098 1121 1141 1167 1190 1213
58 1048 1971 1093 1118 1142 1165 1189 1213 1236 1200
59 1068 1091 1115 1139 1163 1187 1211 1215 1232 1283 1307
60 1087 1111 1136 1160 1185 1200 1234 1258 1282 1307 1331 1356
∗
Приведены максимальные числа инверсий U, при которых различия между
группами наблюдений можно считать значимыми с α = 0,05 и 0,01.
228
Коэффициенты an-i+1, используемые при проверке на нормальность с помощью критерия W, для n = 3(1)50
Значение an-i+1 при n, равном
i
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
1 0,7071 0,6872 0,6646 0,6431 0,6233 0,6052 0,5888 0,5739 0,5601 0,5475 0,5359 0,5251 0,5150 0,5056 0,4968 0,4886
2 0,1677 0,2413 0,2806 0,3031 0,3164 0,3244 0,3291 0,3315 0,3325 0,3325 0,3318 0,3306 0,3290 0,3290 0,3253
3 0,0875 0,1401 0,1743 0,1976 0,2141 0,2260 0,2347 0,2412 0,2460 0,2495 0,2521 0,2540 0,2553
4 0,0561 0,0947 0,1224 0,1429 0,1586 0,1707 0,1802 0,1878 0,1939 0,1988 0,2027
5 0,0399 0,0695 0,0922 0,1099 0,1240 0,1353 0,1447 0,1524 0,1587
6 0,0303 0,0539 0,0727 0,0880 0,1005 0,1109 0,1197
7 0,0240 0,0433 0,0593 0,0725 0,0837
8 0,0196 0,0359 0,0496
9 0,0163
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
i
19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
1 0,4808 0,4734 0,4643 0,4590 0,4542 0,4493 0,4450 0,4407 0,4366 0,4328 0,4291 0,4254 0,4220 0,4188 0,4156 0,4127
2 0,3232 0,3211 0,3185 0,3156 0,3126 0,3098 0,3069 0,3043 0,3018 0,2992 0,2968 0,2944 0,2921 0,2898 0,2876 0,2854
3 0,2561 0,2565 0,2578 0,2571 0,2563 0,2554 0,2543 0,2533 0,2522 0,2510 0,2499 0,2487 0,2475 0,2463 0,2451 0,2439
4 0,2059 0,2085 0,2119 0,2131 0,2139 0,2145 0,2148 0,2151 0,2152 0,2151 0,2150 0,2148 0,2145 0,2141 0,2137 0,2132
5 0,1641 0,1686 0,1736 0,1764 0,1787 0,1807 0,1822 0,1836 0,1848 0,1857 0,1864 0,1870 0,1874 0,1878 0,1880 0,1882
6 0,1271 0,1334 0,1399 0,1443 0,1480 0,1512 0,1539 0,1563 0,1584 0,1601 0,1616 0,1630 0,1641 0,1651 0,1660 0,1667
7 0,0932 0,1013 0,1092 0,1150 0,1201 0,1245 0,1283 0,1316 0,1346 0,1372 0,1395 0,1415 0,1433 0,1449 0,1463 0,1475
8 0,0612 0,0711 0,0804 0,0878 0,0941 0,0997 0,1046 0,1089 0,1128 0,1162 0,1192 0,1219 0,1243 0,1265 0,1284 0,1301
9 0,0303 0,0422 0,0530 0,0618 0,0696 0,0764 0,0823 0,0876 0,0923 0,0965 0,1002 0,1036 0,1066 0,1093 0,1118 0,1140
10 0,0140 0,0263 0,0368 0,0459 0,0539 0,0610 0,0672 0,0728 0,0778 0,0822 0,0862 0,0899 0,0931 0,0961 0,0988
11 0,0122 0,228 0,0321 0,0403 0,0476 0,0540 0,0598 0,0650 0,0697 0,0739 0,0777 0,0812 0,0844
12 0,0107 0,0200 0,0284 0,0358 0,0424 0,0483 0,0537 0,0585 0,0629 0,0669 0,0706
13 0,0094 0,0178 0,0253 0,0320 0,0381 0,0435 0,0485 0,0530 0,0572
14 0,0084 0,0159 0,0227 0,0289 0,0344 0,0395 0,0441
15 0,0076 0,0144 0,0206 0,0262 0,0314
16 0,0068 0,0131 0,0187
17 0,0062
18
19
20
21
22
23
24
25
i
35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
1 0,4096 0,4068 0,4040 0,4015 0,3989 0,3964 0,3940 0,3917 0,3894 0,3872 0,3850 0,3830 0,3008 0,3789 0,3770 0,3751
2 0,2834 0,2813 0,2794 0,2774 0,2755 0,2737 0,2719 0,2701 0,2684 0,2667 0,2651 0,2635 0,2620 0,2604 0,2589 0,2574
3 0,2427 0,2415 0,2403 0,2391 0,2380 0,2368 0,2357 0,2345 0,2334 0,2323 0,2313 0,2302 0,2291 0,2281 0,2271 0,2260
4 0,2127 0,2121 0,2116 0,2110 0,2104 0,2098 0,2091 0,2085 0,2078 0,2072 0,2065 0,2058 0,2052 0,2045 0,2038 0,2032
5 0,1883 0,1883 0,1883 0,1881 0,1880 0,1878 0,1876 0,1874 0,1871 0,1868 0,1865 0,1862 0,1859 0,1855 0,1851 0,1847
6 0,1673 0,1678 0,1683 0,1686 0,1689 0,1691 0,1693 0,1694 0,1695 0,1695 0,1695 0,1695 0,1695 0,1693 0,1692 0,1691
7 0,1497 0,1496 0,1505 0,1513 0,1520 0,1526 0,1531 0,1535 0,1539 0,1542 0,1545 0,1548 0,1550 0,1551 0,1553 0,1554
8 0,1317 0,1331 0,1344 0,1356 0,1366 0,1376 0,1384 0,1392 0,1398 0,1405 0,1410 0,1415 0,1420 0,1423 0,1427 0,1430
9 0,1160 0,1179 0,1196 0,1211 0,1225 0,1237 0,1249 0,1259 0,1269 0,1278 0,1286 0,1293 0,1300 0,1306 0,1312 0,1317
10 0,1013 0,1036 0,1056 0,1075 0,1092 0,1108 0,1123 0,1136 0,1149 0,1160 0,1170 0,1180 0,1189 0,1197 0,1205 0,1212
11 0,0873 0,0900 0,0924 0,0947 0,0967 0,0986 0,1004 0,1020 0,1035 0,1049 0,1062 0,1073 0,1085 0,1095 0,1105 0,1113
12 0,0739 0,0770 0,0798 0,0824 0,0848 0,0870 0,0891 0,0909 0,0927 0,0943 0,0959 0,0972 0,0986 0,0998 0,1010 0,1020
13 0,0610 0,0645 0,0677 0,0607 0,0733 0,0759 0,0782 0,0804 0,0824 0,0842 0,0860 0,0876 0,0892 0,0906 0,0919 0,0932
14 0,0484 0,0523 0,0559 0,0592 0,0622 0,0651 0,0677 0,0701 0,0724 0,0745 0,0765 0,0783 0,0801 0,0817 0,0832 0,0846
15 0,0361 0,0404 0,0444 0,0481 0,0515 0,0546 0,0575 0,0602 0,0628 0,0651 0,0673 0,0694 0,0713 0,0731 0,0748 0,0764
16 0,0239 0,0287 0,0331 0,0372 0,0409 0,0444 0,0476 0,0506 0,0534 0,0560 0,0584 0,0607 0,0628 0,0648 0,0667 0,685
17 0,0119 0,0172 0,0220 0,0264 0,0305 0,0343 0,0379 0,0411 0,0442 0,0471 0,0497 0,0522 0,0546 0,0568 0,0588 0,0608
18 0,0057 0,0110 0,0158 0,0203 0,0244 0,0283 0,0318 0,0352 0,0383 0,0412 0,0439 0,0465 0,0489 0,0511 0,0532
19 0,0053 0,0101 0,0146 0,0188 0,0221 0,0263 0,0296 0,0328 0,0357 0,0385 0,0411 0,0436 0,0459
20 0,0049 0,0094 0,0136 0,0175 0,0211 0,0245 0,0277 0,0307 0,0335 0,0361 0,0386
21 0,0045 0,0087 0,0126 0,0163 0,0197 0,0229 0,0259 0,0288 0,0314
22 0,0042 0,0081 0,0118 0,0153 0,0185 0,0215 0,0244
23 0,0039 0,0076 0,0111 0,0143 0,0174
24 0,0037 0,0071 0,0104
25 0,0035
231
Процентили критерия W, используемого для проверки на нормальность,
для n = 3(1)50
Значение W при α, равном
n
1 2 5 10 50
3 0,753 0,756 0,767 0,789 0,959
4 0,687 0,707 0,748 0,792 0,935
5 0,686 0,715 0,762 0,806 0,927
6 0,713 0,743 0,788 0,826 0,927
7 0,730 0,760 0,803 0,838 0,928
8 0,749 0,778 0,818 0,851 0,932
9 0,764 0,791 0,829 0,859 0,935
10 0,781 0,806 0,842 0,869 0,938
11 0,792 0,817 0,850 0,876 0,940
12 0,805 0,828 0,859 0,883 0,943
13 0,814 0,837 0,866 0,889 0,945
14 0,825 0,846 0,874 0,895 0,947
15 0,835 0,855 0,881 0,901 0,950
16 0,844 0,863 0,887 0,906 0,952
17 0,851 0,869 0,892 0,910 0,954
18 0,858 0,874 0,897 0,914 0,956
19 0,863 0,879 0,901 0,917 0,957
20 0,868 0,884 0,905 0,920 0,959
21 0,873 0,888 0,908 0,923 0,960
22 0,878 0,892 0,911 0,926 0,961
23 0,881 0,895 0,914 0,928 0,962
24 0,884 0,898 0,916 0,930 0,963
25 0,888 0,901 0,918 0,931 0,964
26 0,891 0,904 0,920 0,933 0,965
27 0,894 0,906 0,923 0,935 0,965
28 0,896 0,908 0,924 0,936 0,966
29 0,898 0,910 0,926 0,937 0,966
30 0,900 0,912 0,927 0,939 0,967
31 0,902 0,914 0,929 0,940 0,967
32 0,904 0,915 0,930 0,941 0,968
33 0,906 0,917 0,931 0,942 0,968
34 0,908 0,919 0,933 0,943 0,969
35 0,910 0,920 0,934 0,944 0,969
36 0,912 0,922 0,935 0,945 0,970
37 0,914 0,924 0,936 0,946 0,970
38 0,916 0,925 0,938 0,947 0,971
39 0,917 0,927 0,939 0,948 0,971
40 0,919 0,928 0,940 0,949 0,972
41 0,920 0,929 0,941 0,950 0,972
42 0,922 0,930 0,942 0,951 0,972
43 0,923 0,932 0,943 0,951 0,973
44 0,924 0,933 0,944 0,952 0,973
45 0,926 0,934 0,945 0,953 0,973
46 0,927 0,935 0,945 0,953 0,974
47 0,928 0,936 0,946 0,954 0,974
48 0,929 0,937 0,947 0,954 0,974
49 0,929 0,937 0,947 0,955 0,974
50 0,930 0,938 0,947 0,955 0,974
Процентили критерия W0
n 95%-ный интервал 90%-ный интервал
7 0,025/0,260 0,033/0,225
8 0,025/0,230 0,032/0,200
9 0,025/0,205 0,031/0,177
10 0,025/0,184 0,030/0,159
11 0,025/0,166 0,030/0,145
12 0,025/0,153 0,029/0,134
13 0,025/0,140 0,028/0,124
14 0,024/0,128 0,027/0,115
15 0,024/0,119 0,026/0,106
16 0,023/0,113 0,025/0,098
17 0,023/0,107 0,024/0,093
18 0,022/0,101 0,024/0,087
19 0,022/0,096 0,023/0,083
20 0,021/0,090 0,023/0,077
21 0,020/0,085 0,022/0,074
22 0,020/0,080 0,022/0,069
23 0,019/0,075 0,021/0,065
24 0,019/0,069 0,021/0,062
25 0,018/0,065 0,020/0,058
26 0,018/0,062 0,020/0,056
27 0,017/0,058 0,020/0,054
28 0,017/0,056 0,019/0,052
29 0,016/0,054 0,019/0,050
30 0,016/0,053 0,019/0,048
31 0,016/0,051 0,018/0,047
32 0,015/0,050 0,018/0,045
33 0,015/0,048 0,018/0,044
34 0,014/0,045 0,017/0,041
35 0,014/0,045 0,017/0,041
П р и м е ч а н и е. В числителе и знаменателе – соответственно верхняя и
нижняя границы интервалов.
Приложение 14 Приложение 15
План эксперимента для факторов План эксперимента на 5 уровнях
с неодинаковым числом уровней для 5 факторов
варьирования для каждого из них № п/ п X1 X2 X3 X4 X5
№ п/ п X1 X2 X3 X4 1 4 2 4 1
1 3 3 1 2 2 1 1 2
2 2 8 2 3 1 1 4 2 3
3 3 1 9 3 4 5 3 5 4
4 2 4 4 5 3 5 3 5
5 1 6 6 6 5 4 2 1
6 1 5 7 7 3 2 5 2
7 1 3 1 8 2 2 5 3 3
8 2 5 3 9 1 1 4 4
9 3 2 4 10 4 3 1 5
10 3 2 9 5 11 1 5 3 1
11 1 4 6 12 4 4 5 2
12 2 9 7 13 3 3 3 4 3
14 2 2 2 4
15 5 1 1 5
233
Продолжение прил. 14 Продолжение прил. 15
№ п/ п X1 X2 X3 X4 № п/ п X1 X2 X3 X4 X5
13 1 9 1 16 2 3 4 1
14 1 2 2 17 5 5 3 2
15 2 3 7 3 18 4 4 1 2 3
16 2 3 5 19 3 4 1 4
17 3 8 6 20 1 2 5 5
18 3 1 7 21 3 1 2 1
19 2 1 1 22 1 3 1 2
20 3 6 2 23 5 5 2 4 3
21 1 4 1 3 24 4 4 3 4
22 1 8 4 25 2 4 5 5
23 2 5 5
24 3 7 7
25 3 5 1
26 3 4 2
27 2 5 6 4
28 1 1 5
29 2 2 6
30 1 7 7
Приложение 16 Приложение 17
План эксперимента на 5 уровнях План эксперимента на 5 уровнях
для 4 факторов для 3 факторов
№ п/ п X1 X2 X3 X4 № п/ п X1 X2 X3
1 5 1 4 1 3 1
2 2 2 3 2 5 2
3 1 3 1 1 3 4 3 1
4 4 4 5 4 1 4
5 3 5 2 5 2 5
6 3 1 3 6 4 1
7 5 2 1 7 1 2
8 2 3 5 2 8 5 3 2
9 1 4 2 9 2 4
10 4 5 4 10 3 5
11 4 1 1 11 5 1
12 3 2 5 12 2 2
13 5 3 2 3 13 1 3 3
14 2 4 4 14 3 4
15 1 5 3 15 4 5
16 1 1 5 16 2 1
17 4 2 2 17 4 2
18 3 3 4 4 18 3 3 4
19 5 4 3 19 5 4
20 2 5 1 20 1 5
21 2 1 2 21 1 1
22 1 2 4 22 3 2
23 4 3 3 5 23 2 3 5
24 3 4 1 24 4 4
25 5 5 5 25 5 5
План эксперимента на 9 уровнях для 4 факторов
№ п/ п X1 X2 X3 X4 № п/ п X1 X2 X3 X4
1 7 3 1 42 9 5 4 6
2 8 1 2 43 2 3 7
3 6 2 3 44 7 2 8
4 9 5 4 45 4 1 9
5 1 1 4 5 46 4 5 1
6 5 6 6 47 9 7 2
7 3 9 7 48 1 8 3
8 4 7 8 49 3 3 4
9 2 8 9 50 6 6 1 5
10 3 6 1 51 2 2 6
11 4 4 2 52 7 6 7
12 5 3 3 53 8 4 8
13 7 9 4 54 5 9 9
14 2 2 7 5 55 1 7 1
15 6 8 6 56 5 2 2
16 8 5 7 57 9 9 3
17 9 1 8 58 2 1 4
18 1 2 9 59 7 7 8 5
19 2 4 1 60 4 3 6
20 7 5 2 61 6 4 7
21 4 6 3 62 3 5 8
22 6 7 4 63 8 6 9
23 3 3 2 5 64 9 7 1
24 8 9 6 65 1 9 2
25 1 1 7 66 2 5 3
26 5 8 8 67 4 2 4
27 9 3 9 68 8 3 5
28 5 1 1 69 3 8 1 6
29 2 6 2 70 5 8 7
30 3 4 3 71 6 6 8
31 8 8 4 72 7 4 9
32 4 4 9 5 73 8 2 1
33 7 7 6 74 6 3 2
34 9 2 7 75 7 1 3
35 1 3 8 76 5 4 4
36 6 5 9 77 9 6 5
37 6 9 1 78 1 9 5 6
38 3 8 2 79 4 8 7
39 8 5 7 3 80 2 9 8
40 1 6 4 81 3 7 9
41 5 5 5
№ п/ п X1 X2 X3 X4 № п/ п X1 X2 X3 X4
1 5 1 5 1 8 1 2 6 1
2 7 1 4 2 9 3 2 5 2
3 4 1 3 3 10 6 2 4 3
4 1 1 2 4 11 2 2 3 4
5 3 1 1 5 12 5 2 2 5
6 6 1 7 6 13 7 2 1 6
7 2 1 6 7 14 4 2 7 7
235
№ п/ п X1 X2 X3 X4 № п/ п X1 X2 X3 X4
15 7 3 3 1 33 7 5 7 5
16 4 3 2 2 34 4 5 6 6
17 1 3 1 3 35 1 5 5 7
18 3 3 7 4 36 4 6 1 1
19 6 3 6 5 37 1 6 7 2
20 2 3 5 6 38 3 6 6 3
21 5 3 4 7 39 6 6 5 4
22 2 4 7 1 40 2 6 4 5
23 5 4 6 2 41 5 6 3 6
24 7 4 5 3 42 7 6 2 7
25 4 4 4 4 43 6 7 2 1
26 1 4 3 5 44 2 7 1 2
27 3 4 2 6 45 5 7 7 3
28 6 4 1 7 46 7 7 6 4
29 3 5 4 1 47 4 7 5 5
30 6 5 3 2 48 1 7 4 6
31 2 5 2 3 49 3 7 3 7
32 5 5 1 4
№ п/ п X1 X2 X3 X4 X5 X6
1 4 2 1 1 5
2 2 1 2 3 3
3 1 1 4 3 2 4
4 5 3 4 5 1
5 3 5 5 4 2
6 5 4 1 1 2
7 3 2 2 5 3
8 2 2 5 3 4 4
9 1 1 4 3 5
10 4 3 5 2 1
11 1 5 1 5 2
12 4 4 2 4 3
13 3 3 3 3 2 5
14 2 2 4 1 1
15 5 1 5 3 4
16 2 3 1 5 5
17 5 5 2 2 3
18 4 4 1 3 3 2
19 3 4 4 1 4
20 1 2 5 4 1
21 3 1 1 3 1
22 1 3 2 1 3
23 5 5 2 3 4 5
24 4 5 4 5 4
25 2 4 5 2 2
236

Metodi Prikladnoy Matematiki

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Metodi Prikladnoy Matematiki

Загружено:

Авторское право:

Доступные форматы

ÓÄÊ 622.24.002.

Àâåòèñîâ À.Ã., Áóëàòîâ À.È., Øàìàíîâ Ñ.À.

Avetisov A.G., Bulatov A.I., Shamanov S.A.

ISBN 5-8365-0145-9  À.Ã. Àâåòèñîâ, À.È. Áóëàòîâ,

Глава 1. Наблюдение, группировка данных и параметры законов рас-

Глава 2. Элементы теории вероятностей..................................................................... 20

Глава 3. Проверка статистических гипотез................................................................ 35

Глава 4. Дисперсионный корреляционный и регрессионный виды анали-

Глава 5. Основные сведения по теории планирования экспериментов........ 73

Глава 6. Методы теории распознавания образов.................................................... 143

Приложения ............................................................................................................................... 211

Список литературы................................................................................................................. 237

Ïðè ïðîâåäåíèè ýêñïåðèìåíòàëüíûõ èññëåäîâàíèé â ëàáî-

Èñòî÷íèêîì îïûòíîé îñíîâû èíæåíåðíîé è íàó÷íîé äåÿòåëü-

Îïðåäåëåíèå ÷èñëà îáúåêòîâ íàáëþäåíèÿ, ò.å. îáúåìà âûáîð-

ñàòåëüíûõ è ÷èñëåííûõ õàðàêòåðèñòèê, îòðàæàþùèõ õàðàêòåð

Ðèñ. 2. Ïîëèãîí ÷àñòîò (÷àñ-

Êðîìå òîãî, â çàâèñèìîñòè îò ôîðìû âåðøèíû, êðèâûå íîð-

Ðèñ. 4. Ïîëèãîí íàêîïëåí-

Êîëè÷åñòâåííûìè õàðàêòåðèñòèêàìè, äàþùèìè èíôîðìàöèþ

Îòìåòèì, ÷òî äëÿ óíèìîäàëüíîãî è ñèììåòðè÷íîãî ðàñïðåäå-

Âàæíîé õàðàêòåðèñòèêîé óíèìîäàëüíûõ ðàñïðåäåëåíèé ÿâëÿ-

R = Y max − Y min ; (4)

à äëÿ îöåíêè îñòðîâåðøèííîñòè (èëè êðóòîñòè) ðàñïðåäåëåíèÿ −

Äëÿ ñèììåòðè÷íîãî ðàñïðåäåëåíèÿ αê = 0, äëÿ ïîëîæèòåëüíîé

Ðèñ. 10. Ãèñòîãðàììà è

Y = 14,10 ì; Y = 13, 68 ì; Y = 14,15 ì.

÷òî óêàçûâàåò íà ïîëîæèòåëüíóþ àñèììåòðèþ (âåðøèíà ñìåùåíà

π2 = 3(14,15 − 14,10) / 2, 40 = 0, 063.

Òåîðåòè÷åñêèé àïïàðàò ìàòåìàòè÷åñêîé ñòàòèñòèêè âî ìíîãîì

ãäå k − ÷èñëî ñîáûòèé ïîëíîé ãðóïïû.

Ìàëàÿ âåðîÿòíîñòü ñëó÷àéíîãî ñîáûòèÿ óêàçûâàåò íà òî, ÷òî â

P ( A1 A2 A3 ... Ak ) = P ( A1 )P ( A2 )P ( A3 )...P ( Ak ). (16)

Åñëè ñîáûòèÿ ÿâëÿþòñÿ çàâèñèìûìè, òî ââîäÿò ïîíÿòèå óñëîâ-

= P ( A1 )P ( A2 / A1 )P[ A3 /( A1 A2 )]... P[ Ak /( A1 A2 ... Ak −1 )]. (17)

Âåðîÿòíîñòü ïîÿâëåíèÿ ñóììû äâóõ ñîâìåñòíûõ ñîáûòèé, ò.å.

P ( A + B) = P ( A) + P (B) − P ( AB). (18)

Äëÿ âû÷èñëåíèÿ âåðîÿòíîñòè ñîáûòèÿ B, êîòîðîå ìîæåò ïðî-

êîòîðóþ íàçûâàþò ôîðìóëîé ïîëíîé âåðîÿòíîñòè.

P (A1B ) = P (A1)P (B / A1)

Èñïîëüçóÿ ôîðìóëó ïîëíîé âåðîÿòíîñòè äëÿ ñîáûòèÿ B, ïî-

à äëÿ âû÷èñëåíèÿ óñëîâíîé âåðîÿòíîñòè ëþáîé èç ãèïîòåç ïî

ãäå P(Ai) – àïðèîðíàÿ (äîîïûòíàÿ) âåðîÿòíîñòü ñîáûòèÿ Ai;

Äëÿ äèñêðåòíîé ñëó÷àéíîé âåëè÷èíû, ïðèíèìàþùåé çíà÷åíèÿ

Îáðàòèì âíèìàíèå íà òîò ôàêò, ÷òî ìàòåìàòè÷åñêîå îæèäàíèå

Ýòî óêàçûâàåò íà òî, ÷òî ïî çíà÷åíèþ ìàòåìàòè÷åñêîãî îæè-

+ [ X 2 − M (X )]2 P ( X 2 ) + ... + [ X k − M ( X k )]2 P ( X k )

äëÿ íåïðåðûâíîé âåëè÷èíû a < X < b.

σ = (X1 + X 2 + ... + X k ) = σ2 (X1 ) + σ2 (X 2 ) + ... + σ2 (X k ). (25)

ïîëó÷èâøèé íàçâàíèå íîðìàëüíîãî çàêîíà ðàñïðåäåëåíèÿ. Äëÿ

íîñèò íàçâàíèå ôóíêöèè Ëàïëàñà, èëè èíòåãðàëà âåðîÿòíîñòè.

p(X ) = λmX m −1 exp (−λX m ), (31)

ãäå λ è m − ïàðàìåòðû çàêîíà.

Â êà÷åñòâå ïðèìåðà îïðåäåëåíèÿ ïàðàìåòðà çàêîíà Âåéáóëëà

Òàêèì îáðàçîì, ïîëó÷åí ñëåäóþùèé çàêîí ïëîòíîñòè ðàñïðå-

p(X ) = 0, 09 X −0,24 exp (−0,119 X 0,76 ).

Äëÿ ñðàâíåíèÿ ðåçóëüòàòîâ àïïðîêñèìàöèè ôàêòè÷åñêèõ äàí-

Äðóãîé äâóõïàðàìåòðè÷åñêèé çàêîí, øèðîêî èñïîëüçóåìûé íà

ãäå X > 0; −∞ < X < + ∞; σ > 0.

è ñ÷èòàÿ X1, X2, … , Xk ðàâíûìè ñåðåäèíàì èíòåðâàëîâ èçìåíåíèÿ

äèàìåòðîâ ÷àñòèö, â äàííîì ñëó÷àå äëÿ ëîãàðèôìîâ ñëó÷àéíîé

X = −1, 06; σ2 ( X ) ≈ 0, 082; σ( X ) ≈ 0, 0285.

ðåçóëüòàòû âû÷èñëåíèé ïî êîòîðîìó ïðèâåäåíû â òðåòüåì ñòîëá-