Upload
duonglien
View
223
Download
0
Embed Size (px)
Citation preview
1
DAUGAVPILS UNIVERSITATEDabaszinatnu un matematikas fakultate
Matematikas katedra
Studiju kurss
Eksperimentu planosana un analıze
3.lekcijaDocetajs: Dr. P. Daugulis
2008./2009.studiju gads
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
2
Saturs
1. Viena faktora eksperimenti 61.1. Ievads . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.1. Pamatjedzieni . . . . . . . . . . . . . . . . . . . 61.1.2. Statistiskie modeli . . . . . . . . . . . . . . . . 9
1.2. Fikseto efektu modela dispersiju analıze . . . . . . . . 111.2.1. Hipotezes . . . . . . . . . . . . . . . . . . . . . 111.2.2. Dispersijas sadalısana . . . . . . . . . . . . . . 121.2.3. Hipotezu parbaude . . . . . . . . . . . . . . . . 161.2.4. Modela parametru novertesana . . . . . . . . . 18
1.3. Modela pareizıbas parbaude . . . . . . . . . . . . . . . 191.3.1. Normalitates pienemums . . . . . . . . . . . . . 201.3.2. Atlikumu atkarıba no laika . . . . . . . . . . . 211.3.3. Atlikumu atkarıba no rezultatiem . . . . . . . . 21
1.4. Rezultatu praktiska interpretacija . . . . . . . . . . . . 231.4.1. Regresijas modelis . . . . . . . . . . . . . . . . 231.4.2. Dazadu lımenu videjo vertıbu salıdzinasana ar
kontrastu metodi . . . . . . . . . . . . . . . . . 23
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
3
1.5. Eksperimentu skaita noteiksana . . . . . . . . . . . . . 261.5.1. Ticamıbas intervala metode . . . . . . . . . . . 26
1.6. Regresijas pieeja dispersiju analızei . . . . . . . . . . . 271.6.1. Modela parametru novertesana ar mazako kvad-
ratu metodi . . . . . . . . . . . . . . . . . . . . 271.6.2. Dispersijas sadalıjuma interpretacija . . . . . . 29
1.7. Viena faktora eksperimenti ar nejausiem faktora lımeniem 301.7.1. Statistiskais modelis . . . . . . . . . . . . . . . 301.7.2. Dispersiju analıze . . . . . . . . . . . . . . . . . 31
2. Randomizeto bloku dizaini 332.1. Blokosana ar vienu blakusparametru - randomizeto pilno
bloku dizains . . . . . . . . . . . . . . . . . . . . . . . 332.1.1. Ievads . . . . . . . . . . . . . . . . . . . . . . . 332.1.2. Statistiskais modelis un hipotezes . . . . . . . . 352.1.3. Dispersiju analıze . . . . . . . . . . . . . . . . . 372.1.4. Modela piemerotıbas parbaude . . . . . . . . . 402.1.5. Modela aditivitate . . . . . . . . . . . . . . . . 412.1.6. Iztrukstoso merıjumu aizvietosana . . . . . . . 41
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
4
2.1.7. Modela parametru novertesana ar mazako kvad-ratu metodi . . . . . . . . . . . . . . . . . . . . 42
2.2. Blokosana ar diviem blakusparametriem - latınu kvadratudizains . . . . . . . . . . . . . . . . . . . . . . . . . . . 432.2.1. Ievads . . . . . . . . . . . . . . . . . . . . . . . 432.2.2. Statistiskais modelis . . . . . . . . . . . . . . . 462.2.3. Dispersiju analıze . . . . . . . . . . . . . . . . . 47
2.3. Grieku-latınu kvadratu dizains . . . . . . . . . . . . . 502.3.1. Ievads . . . . . . . . . . . . . . . . . . . . . . . 502.3.2. Statistiskais modelis . . . . . . . . . . . . . . . 52
2.4. Balansetie nepilno bloku dizaini . . . . . . . . . . . . . 542.4.1. Ievads . . . . . . . . . . . . . . . . . . . . . . . 542.4.2. BIBD diskreti-matematiskie aspekti . . . . . . 552.4.3. Statistiskais modelis . . . . . . . . . . . . . . . 592.4.4. Dispersiju analıze . . . . . . . . . . . . . . . . . 61
3. 3.majasdarbs 63
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
5
Lekcijas merkis:• apgut viena faktora eksperimentu statistisko analızi, ieskaitot
dispersiju analızi,
• apgut blokosanas pamatus.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
6
1. Viena faktora eksperimenti
1.1. Ievads
1.1.1. Pamatjedzieni
Viena faktora eksperiments:• ir viens faktors,
• faktoram ir m lımeni.
Ir iespejami divu gadıjumi:• faktora lımeni ir fikseti - fikseto efektu eksperiments,
• faktora lımeni tiek izveleti nejausa veida - nejauso efektu eksper-iments.
Pagaidam apskatısim tikai fikseto efektu eksperimentus. Visparıgagadıjuma uzskatam, ka efektu lımeni ir doti kvalitatıvi - neizmantosimto skaitliskos lielumus.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
7
Katram faktora lımenim atbilst savs gadıjuma lielums, kuru re-prezente eksperimenta rezultats - izlase.
1.1. piemers. Ir janosaka betona stiprıba atkarıba no cementa ıpat-svara. Tiek izveleti 10 ıpatsvara lielumi, katram gadıjumam tiek nemtivairaki paraugi, tiek merıtas visu paraugu stiprıbas. Faktors - cementaıpatsvars.
Viena faktora eksperimenta gadıjuma ir jasalıdzina m izlases, kasatbilst, iespejams, dazadam normala sadalıjuma funkcijam ar daza-diem parametriem (videjo vertıbu un dispersiju).
Dotas m izlases
X1 = {x11, ..., x1n}X2 = {x21, ..., x2n}...Xm = {xk1, ..., xmn}
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
8
Apskatısim tikai vienkarsako gadıjumu, kad izlases ir vienads skaitselementu - n. Visparıgo gadıjumu apskatıt patstavıgi.
1.1. piezıme. Ieverosim, ka vienas un divu izlasu analıze ir vienafaktora eksperimenta specialgadıjumi.
Lietderıgi ir izmantot kastes-usu diagrammas.
1.2. piezıme. SPSS → Graphs → Interactive.SPSS → Analyze → Descriptive Statistics → Explore
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
9
1.1.2. Statistiskie modeli
Videjo vertıbu modelis:
xji = µj + εji,
kur• xji ir eksperimenta rezultata gadıjuma lielums, kas atbilst j-ta-
jai parametra vertıbai,
• µj ir faktora j-tajam lımenim atbilstosas generalkopas apaksko-pas videja vertıba,
• εji ir kludas gadıjuma lielums, E(εji) = εj = 0, parasti uzskataarı, ka εji ∼ N(0, σ2).
Faktora efektu modelis:
xji = µ + τj + εji,
kur• xji ir eksperimenta rezultata gadıjuma lielums, kas atbilst j-ta-
jai parametra vertıbai,
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
10
• µ ir visas generalkopas videja vertıba,
• τj ir faktora j-tajam lımenim atbilstosas videjas vertıbas unkopeja videjas vertıbas µ starpıba, faktora efekts, apmierinavienadıbu
m∑
j=1
τj = 0,
• εji ir kludas gadıjuma lielums, E(εji) = εji = 0, parasti uzskataarı, ka εji ∼ N(0, σ2).
Ta ka µ, τj ir konstantie gadıjuma lielumi, tad pienemam, ka
xji ∼ N(µ + τj , σ2).
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
11
1.2. Fikseto efektu modela dispersiju analıze
Viena faktora eksperimentu analızes svarıgaka metode - dispersijuanalıze (analysis of variance, ANOVA).
1.2.1. Hipotezes
Definesim sadus novertejumus:• j-ta lımena izlases videja vertıba
xj =∑n
i=1 xji
n,
• visas izlases videja vertıba
x =
∑i,j xji
nm.
Ieverosim, kaE(xji) = µj = µ + τj .
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
12
Videjo vertıbu modela hipotezes:• H0: µ1 = µ2 = ... = µm,• H1: µk 6= µl vismaz vienam parim k, l.
Efektu modela hipotezes:• H0: τ1 = τ2 = ... = τm = 0,• H1: τk 6= 0 vismaz vienam k.
1.2.2. Dispersijas sadalısana
Dispersijas analızes pamata ir izlases pilnas dispersijas sadalısanadivu dalu summa un sekojosa statistiska analıze.
Definesim
DP =m∑
j=1
n∑
i=1
(xji − x)2 =∑
j,i
(xji − x)2.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
13
Ieverosim, ka
DP =m∑
j=1
n∑
i=1
(xji − x)2 =m∑
j=1
n∑
i=1
(xji − xj + xj − x)2 =
m∑
j=1
n∑
i=1
(xji − xj)2 + (xj − x)2 + 2(xji − xj)(xj − x) =
m∑
j=1
n∑
i=1
(xji − xj)2 +m∑
j=1
n∑
i=1
(xj − x)2 +m∑
j=1
n∑
i=1
2(xji − xj)(xj − x) =
m∑
j=1
n∑
i=1
(xji − xj)2 + n
m∑
j=1
(xj − x)2 + 2m∑
j=1
(xj − x)( n∑
i=1
(xji − xj)
︸ ︷︷ ︸=0
)
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
14
Redzam, ka
DP︸︷︷︸pilna dispersija
=m∑
j=1
n∑
i=1
(xji − xj)2
︸ ︷︷ ︸intragrupu dispersija
+ n
m∑
j=1
(xj − x)2
︸ ︷︷ ︸starpgrupu dispersija
.
Apzımejumi: DP = DI + DS.
1.3. piezıme. Var pieradıt sadas formulas:
DP =m∑
j=1
n∑
i=1
x2ji −
1mn
( m∑
j=1
n∑
i=1
xji
)2
,
DS =1n
m∑
j=1
( m∑
j=1
x2ji
)− 1
mn
( m∑
j=1
n∑
i=1
xji
)2
.
Brıvıbas pakapju skaits:
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
15
• DP - nm− 1,
• DI - nm−m,
• DS - m− 1.
Definesim• MI = DI
nm−m ,
• MS = DSm−1 .
1.1. teorema. Ja xji ∼ N(µ + τj , σ2), tad
E(MI) = σ2,
E(MS) = σ2 +1
m− 1
m∑
j=1
τ2j .
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
16
1.2.3. Hipotezu parbaude
Dotas m normala sadalıjuma generalkopas izlases ar vienadam dis-persijam
X1 = {X11, X12, ..., X1n} ∼ N(µ1, σ),...
Xm = {Xm1, Xm2, ..., Xmn} ∼ N(µ2, σ).
Statistiskais modelis:
Xji = µj + εji = µ + τj + εji, kur εji ∼ N(0, σ2).
Uzdevums ir salıdzinat τj .
Parametri: τj .Novertejosas statistikas: µ = X, µj = Xj , DP , DI, DS, MI,
MS.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
17
Testa statistika:
F =MS
MI∼ F (m− 1, nm−m).
1.solisFormulet hipotezes:
• H0: τ1 = ... = τm = 0.
• H1: τi 6= 0 vismaz vienam i.
2.solisNoteikt testa statistikas vertıbu:
F0 =MS
MI→ f0.
3.solisNoteikt kritisko vertıbu fα,m−1,nm−m.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
18
4.solisNoraidıt H0, ja f0 > fα,m−1,nm−m.
1.4. piezıme. SPSS izmantosana. Dati ir jaievada divas kolonnas:pirmaja kolonna ir faktora lımenis, otraja kolonna taja pasa rinda iratbilstosais merıjums.
SPSS → Analyze → Compare Means → One-Way ANOVA →faktoru kolonnu nosutıt uz Factor box, rezultatu kolonnu nosutıt uzDependent list, atkekset Descriptives Statistics box izvelne → Con-tinue → OK.
Tiek aprekinata F = f0 vertıba un tai atbilstosa P -vertıba (mini-mala α vertıba, ar kuru var pienemt hipotezi).
1.2.4. Modela parametru novertesana
Faktora j-ta lımena grupas videjas vertıbas parametra
µj = µ + τj ,
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
19
µj = xj =∑n
i=1 xji
nticamıbas intervals:
xj − tα/2,nm−m
√MI
n≤ µj ≤ xj − tα/2,nm−m
√MI
n.
1.3. Modela pareizıbas parbaude
Definesim atlikumu:
eji = xji − xj .
Lai noteiktu, vai modelis ir labs, ir japeta atlikumi.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
20
1.3.1. Normalitates pienemums
Lai noteiktu, vai atlikumu sadalıjums ir aptuveni normals, varizmantot normala sadalıjuma parbaudi (P − P , Q−Q plots).
Ipasa verıba ir jaievers iznemumiem (outliers) - merıjumiem, kasloti ieverojami atskiras no normala sadalıjuma (ja tos izmet, tadsadalıjums klust ieverojami tuvaks normalajam). Var but nepieciesamsveikt divas analızes - ar un bez iznemumiem.
Lai noteiktu iznemumus var izmantot normetos atlikumus
dji =eji√MI
∼ N(0, 1).
Ja |dji| > 3, tad to var uzskatıt par iznemumu.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
21
1.3.2. Atlikumu atkarıba no laika
Ir velams atlikt punktus (i, ei) vai (t, et), kur ei ir i-ta eksper-imenta atlikums, et ir eksperimenta atlikums, kas ir veikts laika t.
Uzmanıba ir japievers tad, ja• vairaki pec kartas ejosi atlikumi nemaina zımes,
• atlikumi samazinas laika gaita vai ir citas tendences, kas iratkarıgas no laika.
1.3.3. Atlikumu atkarıba no rezultatiem
Ir velams atlikt punktus (xj , eji). Jaseko, lai nebutu redzamasnekadas likumsakarıbas
Iespejama problema - nekonstanta dispersija σ2 (atkarıga no fak-tora lımena). Ta var palielinaties, ja palielinas meramie lielumi xji.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
22
Lai noteiktu, vai dispersijas ir dazadas, izmanto Bartleta testu. Jadispersija ir mainıga, tad var but nepieciesams pielietot dispersijustabilizejosus parveidojumus.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
23
1.4. Rezultatu praktiska interpretacija
1.4.1. Regresijas modelis
Ja faktora lımenis ir definets kvalitatıvi, tad var meginat izteikt µka funkciju no lımena:
x = µa = x(a).
1.2. piemers. x(a) = β0 + β1a + β2a2.
1.4.2. Dazadu lımenu videjo vertıbu salıdzinasana ar kon-trastu metodi
Ja hipoteze par µj vienadıbu ir noraidıta, tad var but nepieciesamssalıdzinat lımenu videjas vertıbas.
µj var salıdzinat grafiski.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
24
Par kontrastu sauc linearu kombinaciju
Γ =m∑
j=1
cjµj , kurm∑
j=1
cj = 0.
Kontrastu var domat ka vektoru ~c = (c1, ..., cm).
Biezi ir japeta hipoteze
H0 :m∑
j=1
cjµj = 0.
Sadas hipotezes par parbaudıt ar testiem, kas ir t-testa vai F -testavariacijas:
• ∑mj=1 cjµj√
nMI∑m
j=1 c2j
∼ tnm−m,
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
25
• ja DC =
(Pmj=1 cjµj
)2
nPm
j=1 c2j
, tad
DC
MI∼ F (1, nm−m).
Var but nepieciesams atrast ieverojamos kontrastus (significantcontrasts).
Var petıt ortogonalos kontrastus - kontrastu sistemu, kas atbilstsavstarpeji ortogonaliem vektoriem.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
26
1.5. Eksperimentu skaita noteiksana
1.5.1. Ticamıbas intervala metode
Nepieciesamo eksperimentu (merıjumu) skaita katrai faktora lımenaveretıbai var noteikt, fiksejot velamo videjas vertıbas ticamıbas in-tervala lielumu un atrisinot to attiecıba uz merıjumu skaitu n.
Ja ticamıbas intervals ir 2l, tad
l = tα/2,mn−m
√2MI
n.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
27
1.6. Regresijas pieeja dispersiju analızei
1.6.1. Modela parametru novertesana ar mazako kvadratumetodi
Tika izmantots statistiskais modelis
xji = µ + τj + εji.
Ir doti eksperimentali noteiktie lielumi xji. Ka atrast tadus µ unτj , lai εji kopuma butu pec iespejas mazaki?
Definesim
L =m∑
j=1
n∑
i=1
ε2ji =m∑
j=1
n∑
i=1
(xji − µ− τj)2.
Meklesim tadas µ, τj vertıbas, kas minimize L.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
28
Ir jaatrisina vienadojumu sistema{∂L∂µ = 0,∂L∂τj
= 0, ∀ j.
Atvasinot L, iegusim sistemu{ −2
∑mj=1
∑ni=1(xji − µ− τj) = 0,
−2∑n
i=1(xji − µ− τj) = 0,
kuru ertak ir petıt forma
(nm)µ + nτ1 + ... + nτm = x,nµ + nτ1 = x1,nµ + nτ2 = x2,...nµ + nτm = xm.
Redzam, ka vienadojumi nav lineari neatkarıgi. Var pievienot vel
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
29
vismaz vienu vienadojumu, parastim∑
j=1
τj = 0.
Atrisinot so mazako kvadratu normalo sistemu iegusim modelaparametru novertejumus µ, τj - to pasu rezultatu, ko ieguvam agrak:
µ = x, τj = xj − x.
1.6.2. Dispersijas sadalıjuma interpretacija
DS ir vienada ar dispersiju, ko iegust salıdzinot faktora dazadulımenu grupu videjas vertıbas ar visas merıjumu kopas videjo, tapecto sauc par izskaidroto dispersiju. Atlikums DI ir neizskaidrota dis-persija.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
30
1.7. Viena faktora eksperimenti ar nejausiem fak-tora lımeniem
Var but situacija, kura faktora iespejamo vertıbu kopa ir liela.Ja eksperimenta faktora lımeni tiek izveleti nejausa veida, tad tiekizmantots nejauso faktoru lımenu eksperiments.
1.7.1. Statistiskais modelis
Linearais statistiskais modelis:
xji = µ + τj + εji, kur• τj ∼ N(0, σ2
τ ),• εji ∼ N(0, σ2),• τj , εji ir neatkarıgi.
No neatkarıbas seko, ka D(xji) = σ2τ + σ2.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
31
1.7.2. Dispersiju analıze
Tapat ka fiksetu lımenu gadıjuma, var definet DP , DS, DI, MP ,MS, MI. Ir speka dispersiju sadalıjums
DP = DS + DI.
Hipotezes:• H0 : σ2
τ = 0,
• H1 : σ2τ 6= 0.
1.2. teorema.1. E(MS) = σ2 + nσ2
τ .
2. E(MI) = σ2.
Testa statistika:
F =MS
MI∼ F (m− 1, nm−m).
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
32
1.solisFormulet hipotezes:
• H0 : σ2τ = 0.
• H1 : σ2τ 6= 0.
2.solisNoteikt testa statistikas vertıbu:
F0 =MS
MI→ f0.
3.solisNoteikt kritisko vertıbu fα,m−1,nm−m.
4.solisNoraidıt H0, ja f0 > fα,m−1,nm−m.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
33
2. Randomizeto bloku dizaini
2.1. Blokosana ar vienu blakusparametru - ran-domizeto pilno bloku dizains
2.1.1. Ievads
Blakusparametri var but• nezinami un nekontrolejami - pret tiem cınas ar randomizacijas
palızıbu,
• zinami (izmerami) un nekontrolejami - pret cınas ar kovariancesanalızes palızıbu (netiks apskatıta)
• zinami un kontrolejami - pret tiem cınas ar blokosanas palızıbu.
Blokosana - vairaku eksperimentalo vienıbu apvienosana ta, laikatra eksperimentalaja vienıba butu vienadas kontrolejamo blakus-parametru vertıbas.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
34
2.1. piemers. Vienkarsakais blokosanas piemers - saparotais t-tests.
Ir jateste 6 veidu urbji, ir vairaki metala gabali. Metala gabali varbut ar dazadam ıpasıbam - ar dazadam blakusparametru vertıbam.Lai kontroletu so blakusparametru iespaidu, ir velams visus urbjustestet uz katra parauga.
Eksperimenta dizainu, kura visas faktoru vertıbas tiek testetaskopa ar visam kontrolejamo parametru vertıbam, sauc par randomi-zeto pilno bloku dizainu (randomized complete block design, RCBD).Katrai eksperimentalajai vienıbai dazadiem faktoru lımeniem atbil-stosie apakseksperimenti tiek veikti nejausa veida.
Blokosanu var uzskatıt par nejausinasanas ierobezojumu.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
35
2.1.2. Statistiskais modelis un hipotezes
Ir dotas m faktora vertıbas un b bloki. Tadejadi ir ieguti sadimerıjumu rezultati:
x11, ..., xm1 − 1.bloks,x12, ..., xm2 − 2.bloks,...,x1b, ..., xmb − b.bloks.
Videjo vertıbu modelis:
xji = µji + εji,
kur• xji ir eksperimenta rezultata gadıjuma lielums, kas atbilst j-ta-
jai parametra vertıbai i-taja bloka,
• µji ir faktora j-tajam lımenim i-taja bloka atbilstosas general-kopas apakskopas videja vertıba,
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
36
• εji ir kludas gadıjuma lielums, E(εji) = εj = 0, parasti uzskataarı, ka εji ∼ N(0, σ2).
Faktora efektu modelis:
xji = µ + τj + βi + εji,
kur• xji ir eksperimenta rezultata gadıjuma lielums, kas atbilst j-ta-
jai parametra vertıbai i-taja bloka,• µ ir visas generalkopas videja vertıba,• τj - j-ta faktora efekts, apmierina vienadıbu
m∑
j=1
τj = 0,
• βi - i-ta bloka efekts, apmierina vienadıbub∑
i=1
βi = 0,
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
37
• εji ir kludas gadıjuma lielums, E(εji) = εj = 0, parasti uzskataarı, ka εji ∼ N(0, σ2).
Videjo vertıbu modela hipotezes:• H0: µ1 = µ2 = ... = µm,
• H1: µk 6= µl vismaz vienam parim k, l.
Efektu modela hipotezes:• H0: τ1 = τ2 = ... = τm,
• H1: τk 6= 0 vismaz vienam k.
2.1.3. Dispersiju analıze
Definesim sadas videjas vertıbas:
• x =Pm
j=1Pn
i=1 xji
mb - visas merıjumu kopas videja vertıba;
• xj∗ =Pn
i=1 xji
mb - j-ta lımena videja vertıba;
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
38
• x∗i =Pm
j=1 xji
mb - i-ta bloka videja vertıba;
Definesim sadas dispersijas:• DP =
∑mj=1
∑ni=1(xji − x)2- pilna dispersija;
• DS =∑m
j=1
∑ni=1(xj∗ − x)2 = b
∑mj=1(xj∗ − x)2- starpgrupu
(starplımenu) dispersija;
• DB =∑m
j=1
∑ni=1(x∗i − x)2 = m
∑ni=1(x∗i − x)2- starpbloku
dispersija;
•
DI =m∑
j=1
n∑
i=1
(xji − xj∗ − x∗i + x)2 =
m∑
j=1
n∑
i=1
(xji − (xj∗ − x)− (x∗i − x)− x
)2
- intragrupu dispersija;
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
39
Var pieradıt, ka
DP = DS + DB + DI.
Definesim• MS = DS
m−1 ,
• MB = DBb−1 ,
• MI = DS(m−1)(b−1) .
2.1. teorema. Ja xji ∼ N(µ + τj , σ2), tad
E(MI) = σ2,
E(MS) = σ2 +b
m− 1
m∑
j=1
τ2j ,
E(MB) = σ2 +m
b− 1
b∑
i=1
β2i .
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
40
Var pieradıt, ka MSMI ∼ F (m− 1, (m− 1)(b− 1)).
Hipoteze H0 tiek noraidıta, ja f0 > fα,m−1,(m−1)(b−1).
2.1.4. Modela piemerotıbas parbaude
Definesim• lımena atlikumu:
eji = xji − xj∗,
• bloka atlikumu:eji = xji − x∗i,
Lai noteiktu, vai modelis ir labs, ir japeta atlikumi.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
41
2.1.5. Modela aditivitate
Var redzet, ka dotais modelis ir aditıvs - nav mijiedarbıbas starpfaktora un bloka parametriem.
Ja ir mijiedarbıba starp faktoru un bloku, tad sads modelis neder,ir jaizmanto citi modeli, kas satur nelinearus loceklus.
2.2. piemers. Bloka parametrs un faktora parametrs ir kımiskiesastavi. Ja i-ta bloka viela reage ar j-ta lımena vielu, tad modelıjabut loceklim cβiτj .
2.1.6. Iztrukstoso merıjumu aizvietosana
Var gadıties, ka dazi merıjumi netiek veikti.
2.3. piemers. Ja 6 urbji jateste uz viena metala parauga, tad tas varsabrukt.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
42
Iztrukstosas vertıbas var atrast, ar mazako kvadratu metodi min-imizejot DI.
2.1.7. Modela parametru novertesana ar mazako kvadratumetodi
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
43
2.2. Blokosana ar diviem blakusparametriem - la-tınu kvadratu dizains
2.2.1. Ievads
Ja ir divi blakusparametri, tad blokosanu var un vajadzetu veiktdivos dazados veidos.
Ir iespejami divi naivi risinajumi:• veikt divas neatkarıgas blokosanas, katru ar vienu blakuspara-
metru, ja ir p divu blakusparametru lımeni un p faktora lımeni,tad eksperimentu skaits butu 2p2, veicot blokosanu pec vienablakusparametra, otrais blakusparametrs tiktu ignorets;
• veikt blokosanu pec abiem parametriem, bloku skaits butu p2,merıjumu skaits butu p3.
Netrivials risinajums - apvienot divas bloku sistemas viena - veidotblokus, kas satur tadus blakusparametru parus, kuros katrs no tiemir sastopams tikai vienu reizi.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
44
Citiem vardien sakot, veiksim eksperimentu saskana ar sadu kar-tıbu:
• izvelesimies p pirma blakusparametra lımenus,
• izvelesimies p otra blakusparametra lımenus,
• izvelesimies p faktora lımenus, parasti apzıme arı ar lielajiemlatınu burtiem (A,B,...),
• izveidosim tabulu, kura rindas tiek indeksetas ar pirma blakus-parametra p lımeniem un kolonnas tiek indeksetas ar p otrablakusparametra lımeniem,
• aizpildısim tabulu ar faktora lımenu simboliem ta, lai katra rindaun katra kolonna katrs simbols butu vienu reizi.
Sadu eksperimenta dizainu sauc par latınu kvadrata dizainu. Sadadizaina blokiem atbilst tabulas rindas un kolonnas.
2.4. piemers. P = 5:
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
45
1 2 3 4 51 A B C D E2 B C D E A3 C D E A B4 D E A B C5 E A B C D
Tas ir cikliska latınu kvadrata piemers.
2.5. piemers. Ir doti p lauki un p kulturas. Blakusfaktori - lauks unkulturas tips. Lauki tiek apstradati ar p veidu herbicıdiem. Faktors -herbicıda tips. Lai nebutu japarbauda p3 kombinacijas, konstruejamlatınu kvadratu un parbaudam tikai p2 kombinacijas.
Ir doti p sagataves un p darbinieki (blakusfaktori). No katrassagataves var izgatavot ne vairak ka p detalas, ir p veidu detalu pro-jekti. Lai nebutu japarbauda p3 kombinacijas, konstruejam latınukvadratu un parbaudam tikai p2 kombinacijas.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
46
2.2.2. Statistiskais modelis
Faktora efektu modelis:
xjik = µ + τj + βi + αk + εj ,
kur• xjik ir eksperimenta rezultata gadıjuma lielums, kas atbilst j-
tajai faktora vertıbai i-taja kolonna un k-taja rinda,
• µ ir visas generalkopas videja vertıba,
• τj - j-ta faktora efekts, apmierina vienadıbup∑
j=1
τj = 0,
• βi - i-tas kolonnas efekts, apmierina vienadıbup∑
i=1
βi = 0,
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
47
• αk - k-tas rindas efekts, apmierina vienadıbup∑
k=1
αk = 0,
• εjil ir kludas gadıjuma lielums, E(εjik) = εjik = 0, parastiuzskata arı, ka εjik ∼ N(0, σ2).
Modelis ir pilnıgi aditıvs - netiek nemtas vera mijiedarbıbas starpparametriem.
Efektu modela hipotezes:• H0: τ1 = τ2 = ... = τm,
• H1: τk 6= 0 vismaz vienam k.
2.2.3. Dispersiju analıze
Definesim sadas videjas vertıbas:
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
48
• x =P
j,i,k xjik
p3 - visas merıjumu kopas videja vertıba;
• xj∗∗ =P
i,k xjik
p2 - visas j-ta lımena videja vertıba;
• x∗i∗ =P
j,k xjik
p2 - visas i-tas kolonnas videja vertıba;
• x∗∗k =P
j,i xjik
p2 - visas k-tas rindas videja vertıba;
Definesim sadas dispersijas:• DP =
∑j,i,k(xjik − x)2- pilna dispersija;
• DS =∑
j,i,k(xj∗∗− x)2 = p2∑
j(xj∗∗ − x)2- starpgrupu (starp-lımenu) dispersija;
• DC =∑
j,i,k(x∗i∗ − x)2 = p2∑
i(x∗i∗ − x)2- starpkolonnu dis-persija;
• DR =∑
j,i,k(x∗∗k−x)2 = p2∑
k(x∗∗k−x)2- starprindu disper-sija;
Var pieradıt, ka
DP = DS + DS + DC + DR + DI.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
49
Definesim• MS = DS
p−1 ,
• MC = DBp−1 ,
• MR = DRp−1 ,
• MI = DI(p−2)(p−1) .
Var pieradıt, ka MSMI ∼ F (p− 1, (p− 2)(p− 1)).
Hipoteze H0 tiek noraidıta, ja f0 > fα,p−1,(p−2)(p−1).
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
50
2.3. Grieku-latınu kvadratu dizains
2.3.1. Ievads
Ja ir 3 blakusparametri, tad var but nepieciesams veikt blokosanu3 veidos.
Turpinot latınu kvadratu ideju, var definet grieku-latınu kvadratus:• izvelesimies p pirma blakusparametra lımenus,
• izvelesimies p otra blakusparametra lımenus,
• izvelesimies p tresa blakusparametra lımenus, parasti apzıme arıar mazajiem grieku burtiem,
• izvelesimies p faktora lımenus, parasti apzıme arı ar lielajiemlatınu burtiem (A,B,...),
• izveidosim tabulu, kura rindas tiek indeksetas ar pirma blakus-parametra p lımeniem un kolonnas tiek indeksetas ar p otrablakusparametra lımeniem,
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
51
• aizpildısim tabulu ar tresa blakusparametra simboliem (griekuburtiem) ta, lai katra rinda un katra kolonna katrs simbols butuvienu reizi,
• aizpildısim tabulu ar faktora lımenu simboliem ta, lai katra rindaun katra kolonna katrs simbols butu vienu reizi un katra griekuun latınu burtu paris ir tiesi vienu reizi.
2.6. piemers.1 2 3 4 5
1 Aα Bγ Cε Dβ Eδ2 Bβ Cδ Dα Eγ Aε3 Cγ Dε Eβ Aδ Bα4 Dδ Eα Aγ Bε Cβ5 Eε Aβ Bδ Cα Dγ
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
52
2.3.2. Statistiskais modelis
Faktora efektu modelis:
xjikl = µ + τj + βi + αk + Ψl + εj ,
kur• xjik ir eksperimenta rezultata gadıjuma lielums, kas atbilst j-
tajai faktora vertıbai i-taja kolonna un k-taja rinda,
• µ ir visas generalkopas videja vertıba,
• τj - j-ta faktora efekts, apmierina vienadıbup∑
j=1
τj = 0,
• βi - i-tas kolonnas efekts, apmierina vienadıbup∑
i=1
βi = 0,
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
53
• αk - k-tas rindas efekts, apmierina vienadıbup∑
k=1
αk = 0,
• Ψl - l-ta grieku parametra efekts, apmierina vienadıbup∑
l=1
Ψl = 0,
• εjil ir kludas gadıjuma lielums, E(εjik) = εjik = 0, parastiuzskata arı, ka εjik ∼ N(0, σ2).
Modelis ir pilnıgi aditıvs - netiek nemtas vera mijiedarbıbas starpparametriem.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
54
2.4. Balansetie nepilno bloku dizaini
2.4.1. Ievads
Var gadıties, ka randomizeta pilna bloku dizaina realizacija naviespeja, jo nav iespejams katra bloka veikt visus nepieciesamos eksper-imentus ar visiem faktora lımeniem.
2.7. piemers. Ir jateste 4 urbji uz metala gabaliniem. Uz katrametala gabalina ir iespejams veikt tikai 3 urbumus.
Ir velams izstradat tadus blokosanas veidus, lai katra bloka bututikai dala no faktora lımeniem - randomizetos nepilno bloku dizainus.
Par balanseto nepilno bloku dizainu (balanced incomplete blockdesign, BIBD) sauc dizainu, kura katrs faktoru lımenu paris vienabloka ir sastopams vienadu skaitu reizu. Tas ir nepieciesams, tad,ja visu faktoru lımenu salıdzinasanas ir vienadi svarıgas. Preteja
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
55
gadıjuma statistiskie modeli bus mazak dabiski, statistiska analızebus grutaka, kludas nebus vienadas.
2.4.2. BIBD diskreti-matematiskie aspekti
Naivais risinajums - ja ir m faktoru lımeni un bloka var but k(k < m) faktoru vertıbas, tad izveidosim Ck
m blokus, katra bloka busviena no iespejamajam m faktoru kopas apakskopam ar k elementiem.Katrs faktoru paris kopa bus tiesi Ck−2
m−2 blokos.
2.8. piemers. 4 urbji lımeni un 3 urbumi viena metala gabala.
Eksiste arı netriviali risinajumi, kad bloku skaits ir mazaks nekaCk
m.
BIBD sauc par (v, b, r, k, λ)-dizainu, ja• faktora lımenu skaits ir v;
• bloku skaits ir b;
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
56
• katrs faktora lımenis ir tiesi r blokos;
• katra bloka ir tiesi k faktora lımeni;
• katrs faktora lımenu paris kopa ir tiesi λ blokos.
”Nepilns” nozıme, ka v > k. ”Balansets” nozıme, ka λ ir definets.
Par (v, b, r, k, λ)-dizaina incidences matricu A sauc binaru v × bmatricu, kura
• rindas tiek indeksetas ar faktora lımeniem;
• kolonnas tiek indeksetas ar blokiem;
• rutina (i, j) ir 1 ⇐⇒ i-tais lımenis ir j-taja bloka.
2.9. piemers. Incidences matricas piemers.
BIBD parametri nav neatkarıgi, tos saista vismaz sadas sakarıbas:
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
57
• bk = vr (jauzzıme divdalıgs grafs, kuram dalas ir lımeni unbloki, skautne nozıme lımena ieklausanu bloka, jaskaita skautnespie katras dalas);
• λ(v − 1) = r(k − 1) (jauzzıme divdalıgs grafs, kuram dalas irlımenu pari un bloki, skautne nozıme para ieklausanu bloka,jaskaita skautnes pie abam dalam, jaizmanto iepriekseja ıpasıba);
• AAT = (r − λ)Ev + λJv (Ev - vienıbas matrica, Jv - vieniniekumatrica);
• Fisera nevienadıba: b ≥ v (pierada izmantojot incidences matri-cas).
BIBD dizainu sauc par simetrisku, ja b = v ( =⇒ r = k). Apzımeka (v, k, λ). Tadejadi simetriskajam dizainam ir mazakais iespejamaisbloku skaits ar dotu faktora lımenu skaitu.
Simetriskie (v, k, λ)-dizaini apmierina papildus nosacıjumus (Bruck-Ryser-Chowla teorema):
• ja v ir para skaitlis, tad k − λ ir vesela skaitla kvadrats;
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
58
• ja v ir nepara skaitlis, tad vienadojumam
x2 = (k − λ)y2 + (−1)v−12 λz2
eksiste netrivials atrisinajums veselos skaitlos.
Klasiskas BIBD dizainu serijas:• afınas plaknes - (n2, n, 1),
• projektıvas plaknes - (n2 + n + 1, n + 1, 1),
• Steinera trijnieku sistemas - (v, 3, 1), ja v ∈ {1, 3}(mod 6), v ≥3,
• Adamara dizaini - (4n + 3, 2n + 1, n),
• unitalie dizaini - (n3 + 1, n + 1, 1).
2.10. piemers. Mazaka projektıva plakne, n = 2, Fano plakne:
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
59
0 1 1 0 1 0 01 0 1 0 0 0 11 1 0 1 0 0 00 0 1 1 0 1 01 0 0 0 1 1 00 0 0 1 1 0 10 1 0 0 0 1 1
2.4.3. Statistiskais modelis
BIBD modelis:xji = µ + τj + βi + εji,
kur• xji ir eksperimenta rezultata gadıjuma lielums, kas atbilst j-ta-
jai faktora vertıbai i-taja bloka,
• µ ir visas generalkopas videja vertıba,
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
60
• τj - j-ta faktora efekts, apmierina vienadıbum∑
j=1
τj = 0,
• βi - i-ta bloka efekts, apmierina vienadıbub∑
i=1
βi = 0,
• εji ir kludas gadıjuma lielums, E(εji) = εj = 0, parasti uzskataarı, ka εji ∼ N(0, σ2).
BIBD modela hipotezes:• H0: τ1 = τ2 = ... = τm,
• H1: τk 6= 0 vismaz vienam k.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
61
2.4.4. Dispersiju analıze
BIBD gadıjuma dispersiju analıze ir grutaka.
Ir speka formula
DP = DS + DB + DI,
kur•
DB =1k
b∑
i=1
( ∑
i-tais bloks
x∗i)2
− 1bk
( ∑
i,j
xji
)2
,
brıvıbas pakapju skaits - b− 1,
• DS = kλm
∑mj=1 Q2
j , kur
Qj = (∑
i
xji)− 1k
b∑
i=1
nji(∑
j
xji),
nji ir 1/0, ja j-tais lımenis ir/nav i-taja bloka, brıvıbas pakapjuskaits m− 1.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
62
DP brıvıbas pakapju skaits ir bk − 1.
Var pieradıt, ka MSMI ∼ F (m− 1, bk −m− b + 1).
Hipoteze H0 tiek noraidıta, ja f0 > fα,m−1,bk−m−b+1.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans
63
3. 3.majasdarbs
3.1 Cementa stiprıba tiek testeta 4 dazadam maisıjuma sagatavosanastehnologijam. Tiek ieguti sadi merıjumi:
1.tehnologija− 4519, 4493, 4495, 4512
2.tehnologija− 4453, 4448, 4460, 44413.tehnologija− 4552, 4545, 4557, 45474.tehnologija− 4398, 4405, 4411, 4402.
(a) Parbaudiet hipotezi, ka tehnologijas ietekme stiprıbu, arα = 0.05
(b) veiciet normala sadalıjuma parbaudi atlikumiem, noskaidro-jiet, vai ir iznemumi.
Saturs Sakums Beigas J I Atpakal Aizvert Pilns ekrans