Выше всех умозрительных знаний и искусств стоит умение производить опыты, и эта наука есть царица наук.

Р. Бэкон

Планирование эксперимента - это процесс выбора условий, процедуры и методов проведения опытов, их числа и условий, необходимых и достаточных для решения поставленной задачи с требуемой точностью.

Требования к планированию эксперимента:

• 1) число опытов должно быть минимальным, чтобы не усложнять процедуру эксперимента и не увеличивать его стоимость, но не в ущерб точности результата;
• 2) необходимо определить совокупность факторов, влияющих на результаты эксперимента, ранжировать их, выявить главные, а несущественные переменные можно исключить;
• 3) условием корректности эксперимента следует считать одновременное варьирование всеми переменными (факторами), оказывающими взаимное влияние на исследуемый процесс;
• 4) ряд действий в эксперименте может быть заменен их моделями (прежде всего математическими), при этом адекватность моделей должна быть проверена и оценена;
• 5) необходимо разработать стратегию эксперимента и алгоритм се реализации: серии эксперимента должны анализироваться после завершения каждой из них перед переходом к последующей серии.

План проведения эксперимента должен включать следующие разделы:

• 1. Наименование темы исследования.
• 2. Цель и задачи эксперимента.
• 3. Условия проведения эксперимента: параметр оптимизации и варьируемые факторы.
• 4. Методика проведения исследования.
• 5. Обоснование количества опытов (объема эксперимента).
• 6. Средства и методика проведения измерений.
• 7. Материальное обеспечение эксперимента (перечень оборудования).
• 8. Методика обработки и анализа экспериментальных данных.
• 9. Календарный план проведения испытаний, в котором указываются сроки их выполнения, исполнители, представляемые данные эксперимента.
• 10. Смета расходов.

Цель и задачи эксперимента - исходный пункт плана. Они формулируются на основе анализа научной гипотезы, теоретических результатов собственного исследования либо исследований других авторов.

Цель определяет конечный результат эксперимента, т. е. то, что исследователь должен получить в итоге. Например, подтвердить правильные научные гипотезы; проверить на практике адекватность, работоспособность и практическую пригодность моделей, методик; определить оптимальные условия технологического процесса и т. п.

В различных условиях цели требуют разных затрат, средств и методов измерения, времени эксперимента, отражаются на методике его проведения. Эти пункты плана будут различными, например, в условия лабораторного, полевого и производственного экспериментов.

Задачи эксперимента определяют частные цели, с помощью которых может быть достигнута конечная цель либо пути ее достижения. Например, определение оптимальных показателей температуры и давления при изготовлении фулиреновых нанотрубок; установление оптимального соотношения исходных материалов; обоснование скорости протекания технологического процесса и др.

Частными задачами эксперимента при его планировании могут быть:

• - проверка теоретических положений с целью подтверждения их истинности;
• - проверка (уточнение) констант математических либо иных моделей;
• - поиск оптимальных (допустимых) условий какого-либо процесса;
• - построение интерполяционных аналитических зависимостей.

Частные задачи эксперимента могут иметь несколько уровней, т. е. древовидную форму. Рекомендуется формулировать 2-4 сложные задачи и 10-15 более простых задач.

Формулирование условий проведении эксперимента - параметра оптимизации и варьируемых факторов.

Величина, описывающая результат проведенного эксперимента, называется параметром оптимизации (откликом) системы на воздействие. Множество значений, которые принимает параметр оптимизации, называется областью его определения.

Параметр оптимизации должен быть количественным, задаваться числом и быть измеримым при любом фиксированном наборе уровней факторов. Он обязан характеризоваться однозначно, т. е. заданному набору уровней факторов должно соответствовать, с точностью ошибки эксперимента, одно значение параметра оптимизации. Параметр оптимизации должен всесторонне характеризовать объект исследования, удовлетворять требованию универсальности и полноты. Он должен иметь физический смысл, чтобы обеспечить последующую интерпретацию результатов эксперимента, быть простым и легко вычисляемым.

Параметр оптимизации (отклик) зависит от факторов, влияющих на эксперимент. Фактор (лат .factor - производящий) - причина какого-либо процесса, явления, определяющая его влияние на объект исследования, его характер или отдельные черты. Это измеряемая величина, и каждое значение, которое может принимать фактор, называется уровнем фактора.

Каждый фактор в эксперименте может принимать одно из нескольких значений. Фиксированный набор уровней нескольких факторов будет определять какие-то конкретные условия проведения эксперимента. Изменение хотя бы одного из факторов приводит к изменению и условий, и, как следствие, к изменению значения параметра оптимизации.

Варьируемые факторы в многофакторном эксперименте определяют цели и условия исследования. Например, факторами в эксперименте по поиску оптимальных условий при производстве наноматериалов могут быть: температура, время воздействия, количество окисла и т. п.

Большое количество факторов делает эксперимент очень сложным и требует довольно много времени. Поэтому весьма важным при планировании эксперимента является сокращение числа факторов и выбор наиболее существенных. При этом можно руководствоваться принципом Парето, в соответствии с которым 20 % факторов определяют 80 % свойств системы.

Значимость факторов может быть определена опытным или аналитическим путем. В первом случае - проводится ограниченный эксперимент. При этом один фактор изменяется, а остальные нет, и т. д. Ранжирование «значимых» факторов осуществляется по силе их влияния на результат эксперимента. Те факторы, изменение которых сильнее отражается на конечном результате, считаются более важными. «Несущественными» факторами можно пренебречь.

Если факторов много, этот путь неэффективен, тогда используется аналитический путь, основанный на методах факторного анализа.

Если факторы зависимы, их можно рассчитать с помощью метода топологической декомпозиции и структуры по их влиянию на конечную цель. Задача определения рангов факторов заключается в выделении наиболее связной части графа. Она решается поэтапно.

Сначала определяются «достижимые множества» для каждой вершины графа (для каждого фактора). Затем определяются «контрдостижимые множества», каждое из которых включает все вершины, имеющие путь в вершину. В завершении определяют наиболее существенные вершины графа, составляющие сильно связанный граф. Самые существенные факторы оставляют, остальные отбрасывают.

Важнейшим требованием эксперимента является управляемость факторов, а экспериментатор должен иметь возможность выбрать нужное значение фактора и поддерживать его постоянным на протяжении всего эксперимента. Фактор также должен быть операциональным, чтобы его можно было указать последовательностью операций, необходимых для задания того или иного значения.

Формализуя условия проведения эксперимента, важно также определиться с областью его проведения. Для этого необходимо оценить границы областей определения факторов. Здесь возможны ограничения нескольких типов: которые не могут быть нарушены ни при каких условиях (например, температура нс может оказаться ниже абсолютного нуля); техникоэкономические ограничения (например, стоимость оборудования или продолжительность исследуемого процесса); конкретные условия процесса.

Под моделью эксперимента обычно понимают модель черного ящика, в которой используется функция отклика, устанавливающая зависимость между параметром оптимизации и факторами: у = f(x y X 2 > ...,Jc n).

Выбрать модель - значит выбрать вид этой функции и записать ее уравнение. Тогда останется только провести эксперимент по вычислению численных коэффициентов данной модели. Главное требование к модели эксперимента - способность предсказывать дальнейшее направление опытов с требуемой точностью. Среди всех возможных адекватных моделей необходимо выбирать ту, которая представляется наиболее простой.

Наиболее часто в планировании эксперимента выбирают полиномиальные модели первой (линейный) или второй степени:

Методика проведения эксперимента - ключевая часть плана эксперимента. Она включает:

• - последовательность действий исследователя;
• - основные приемы и правила осуществления каждого этапа, использование приборов и оборудования;
• - порядок измерения, фиксации результатов и методы их обработки;
• - порядок анализа результатов эксперимента и формулирования выводов.

При разработке методики важно правильно обосновать количество опытов,

которое гарантирует требуемую точность результата, а с другой стороны - не ведет к неоправда!тому перерасходу средств и времени на избыточные испытания.

При более чем десяти испытаниях обоснование количества опытов может быть осуществлено на основе неравенства Чебышева:

где X - среднее значение случайно измеряемой величины; М{х) - математическое ожидание величины; е - требуемая точность результата; D(x) - дисперсия величины х, рассчитанная по результатам N проведенных опытов.

Неравенство можно сформулировать следующим образом: «вероятность того, что разность между математическим ожиданием и среднестатистическим значением случайной величины X не превысит требуемую точность результата - е, равна разности между единицей и отношением D(x): Ne 2 ».

В неравенстве три неизвестных: N и статистические характеристики, зависящие от N. Поэтому процесс расчета N является итеративным.

Если неравенство выполняется, то количество опытов достаточно. В противном случае количество опытов увеличивается.

Достаточное количество наблюдений (опытов) может быть определено при помощи таблицы достаточно больших чисел (табл. 8.1). Она показывает, что достаточное количество наблюдений зависит от степени уверенности в результатах эксперимента (доверительной вероятности), величины допустимой ошибки (доверительного интервала). Иными словами, степень уверенности определяется величиной вероятности, с которой делается соответствующее заключение .

Относительно выбора величины вероятности Р нет какого-либо общего решения, одинакового при всех исследованиях. Чем ближе к единице будет величина рассматриваемой вероятности, тем надежнее будет заключение. В практике научных исследований доверительная вероятность обычно принимается Р = 0,9-0,99. Требуемая точность при исследованиях устанавливается в зависимости от природы изучаемого явления. В большинстве случаев требуемая точность принимается равной е = 0,01-0,05.

Например, если величина доверительной вероятности принята равной Р = 0,95, а допустимая ошибка равна е = 0,05, то достаточное число наблюдений в ходе эксперимента будет равно 384.

Другой важной составляющей плана эксперимента является обоснование средств и методики измерений. Она предполагает выбор измерительных приборов, аппаратуры и оборудования, позволяет фиксировать данные эксперимента; преобразовывать их к удобному виду; хранить, обеспечивать выдачу по запросам и т. п.

Система измерений должна формироваться с учетом требований метрологии науки о методах и средствах измерений, выборе единиц, шкал и систем измерений; проблемах точности измерений. Методы измерений, которые могут быть применены в различных экспериментах, рассмотрены в предыдущей главе.

Эти методы измерения могут быть сведены в две группы: прямых (искомая величина измеряется непосредственно в ходе эксперимента) и косвенных измерений (искомая величина, полученная на основе результатов прямых измерений). Кроме того, по признаку единиц измерений различают абсолютные измерения, проводимые в единицах исследуемой величины, и относигельные измерения, предполагающие фиксацию отношения измеряемой величины к ее некоторому предельному значению.

Рассмотренные основы организации и проведения эксперимента носят лишь обзорный характер, а сущность, содержание, условия применения вышеизложенных рекомендаций и последовательность использования того или иного метода проведения эксперимента требуют более детального изучения. Кроме того, следует четко понимать, что каждый метод проведения эксперимента будет иметь и свои особенности в зависимости от объекта исследования.

Планирование эксперимента - один из важнейших этапов организации психологического исследования, на котором исследователь пытается сконструировать наиболее оптимальную для воплощения на практике модель (то есть план) эксперимента. Грамотно составленная схема исследования, план, позволяет добиться оптимальных значений валидности, надёжности и точности в исследовании, предусмотреть нюансы, за которыми сложно уследить при бытовом «спонтанном экспериментировании». Зачастую, чтобы скорректировать план, экспериментаторы проводят так называемое пилотажное, или пробное, исследование, которое можно рассматривать как «черновик» будущего научного эксперимента.
Экспериментальный план создаётся для того, чтобы ответить на основные вопросы о:

· количестве независимых переменных, которые используются в эксперименте (одна или несколько?);

· количестве уровней независимой переменной (изменяется ли независимая переменная или остаётся постоянной?);

· методах контроля дополнительных, или возмущающих, переменных (какие необходимо и целесообразно применить?):

o метод прямого контроля (прямое исключение известной дополнительной переменной),
o метод выравнивания (учитывать известную дополнительную переменную при невозможности её исключения),
o метод рандомизации (случайный отбор групп в случае неизвестности дополнительной переменной).
Одним из самых важных вопросов, на которые должен ответить экспериментальный план, - определить, в какой последовательности должно происходить изменение рассматриваемых стимулов (независимых переменных), воздействующих на зависимую переменную. Последовательность предъявления стимулов - очень важный вопрос, напрямую касающийся соблюдения валидности исследования: к примеру, если постоянно предъявлять человеку один и тот же стимул, он может стать менее восприимчив к нему.
Виды планов:
1. Простые (однофакторные) планы – предусматривают изучение влияния на зависимую переменную только одной независимой переменной. Преимущество таких планов состоит в их эффективности при установлении влияния независимой переменной, а также в лёгкости анализа и интерпретации результатов. Недостаток заключается в невозможности сделать вывод о функциональной зависимости между независимой и зависимой переменными.
- Опыты с воспроизводимыми условиями. В сравнении с опытами с привлечением двух независимых групп такие планы требуют меньшего количества участников. План не подразумевает наличия разных групп (например, экспериментальной и контрольной). Цель таких опытов - установить воздействие одного фактора на одну переменную.
- Опыты с привлечением двух независимых групп (экспериментальной и контрольной) – опыты, в которых экспериментальному воздействию подвергается лишь экспериментальная группа, в то время как контрольная группа продолжает делать то, что она обычно делает. Цель - проверка действия одной независимой переменной.
2. Комплексные планы составляются для экспериментов, в которых изучается либо воздействие нескольких независимых переменных (факторные планы), либо последовательное воздействие различных градаций одной независимой переменной (многоуровневые планы).
- Планы для многоуровневых экспериментов. Если в экспериментах используется одна независимая переменная, ситуация, когда изучаются только два её значения, считается скорее исключением, чем правилом. В большинстве однофакторных исследований используется три или более значений независимой переменной, - такие планы часто называют однофакторными многоуровневыми. Такие планы могут использоваться как для исследования нелинейных эффектов (то есть случаев, когда независимая переменная принимает более двух значений), так и для проверки альтернативных гипотез. Преимущество - в возможности определить вид функциональной зависимости между независимой и зависимой переменными. Недостаток заключается в больших временных затратах, а также в необходимости привлечь больше участников.
- Факторные планы подразумевают использование более чем одной независимой переменной. Таких переменных, или факторов, может быть сколько угодно, но обычно ограничиваются использованием двух, трёх, реже - четырёх. Факторные планы описываются с помощью системы нумерации, показывающей количество независимых переменных и количество значений (уровней), принимаемых каждой переменной. Например, факторный план 2х3 имеет две независимые переменные (факторы), первая из которых принимает два значения («2»), а вторая - три значения («3»).
3. Квазиэкспериментальные планы - планы для экспериментов, в которых вследствие неполного контроля за переменными нельзя сделать выводы о существовании причинно-следственной связи. Эти планы часто применяются в прикладной психологии.
- Планы ex post facto. - исследования, в которых сбор и анализ данных производится после того, как событие уже свершилось, многие относят их к квазиэкспериментальным. Суть исследования в том, что экспериментатор сам не воздействует на испытуемых: в качестве воздействия выступает некоторое реальное событие из их жизни. При планировании исследования имитируется схема строгого эксперимента с уравниванием или рандомизацией групп и тестированием после воздействия.
- Планы экспериментов с малым N также называют «планами с одним субъектом», так как индивидуально рассматривается поведение каждого испытуемого. Одной из главных причин использования экспериментов с малым N считается невозможность в некоторых случаях применить результаты, полученные из обобщений на больших группах людей, ни к одному из участников индивидуально (что, таким образом, приводит к нарушению индивидуальной валидности). Интроспективные исследования Эббингауза можно отнести к экспериментам с малым N (только исследуемым им субъектом был он сам). План с одним субъектом должен учитывать как минимум три условия:
1. Необходимо точно определить целевое поведение в терминах событий, которые легко зафиксировать.
2. Необходимо установить базовый уровень реакции.
3. Необходимо произвести воздействие на испытуемого и зафиксировать его поведение.
4. Планы корреляционных исследований - исследование, проводимое для подтверждения или опровержения гипотезы о статистической связи (корреляции) между несколькими (двумя или более) переменными. От квазиэкспериментального отличается тем, что в нём отсутствует управляемое воздействие на объект исследования. В корреляционном исследовании учёный выдвигает гипотезу о наличии статистической связи между несколькими психическими свойствами индивида или между определёнными внешними уровнями и психическими состояниями. Испытуемые должны быть в эквивалентных неизменных условиях. Виды корреляционных исследований:

· Сравнение двух групп

· Одномерное исследование

· Корреляционное исследование попарно эквивалентных групп

· Многомерное корреляционное исследование

· Структурное корреляционное исследование

· Лонгитюдное корреляционное исследование*

Планирование включает в себя два этапа.


1- Определение состава выборки.
2- Определение объёма выборки.
3- Определение способа формирования выборки.

Формальное планирование эксперимента
1. Содержательное планирование эксперимента:
- Определение ряда теоретических и экспериментальных положений, образующих теоретическую основу исследования.
- Формулировка теоретических и экспериментальных гипотез исследования.
- Выбор необходимого метода эксперимента.
- Решение вопроса выборки испытуемых: Определение состава, объёма и способа формирования выборки.
2. Формальное планирование эксперимента:
- Достижение возможности сравнения результатов.
- Достижение возможности обсуждения полученных данных.
- Обеспечение экономичного проведения исследования.
Формальное планирование включает выбор экспериментальной схемы, или плана варьирования условий независимой переменной (НП), и определение величины минимального эффекта ожидаемого результата действия НП. План сбора данных является одновременно планом, в соответствии с которым измеряется ЗП. Главной целью формального планирования считается исключение максимально возможного числа причин искажения результатов.
Задачи формального планирования исследователя.
- обеспечить валидность эксперимента
- обеспечить условие для принятия решения об экспериментальном эффекте, или эффекте действия НП.
- применение схем обработки данных, адекватных метрике использование напр., шкал и способ сбора данных.
В узком смысле к планированию эксперимента относят 2 момента, связанных с учетом последующего статистического решения.
1. как будет оцениваться экспериментальный эффект Между НП и ЗП
2. установление минимального эффекта, достаточного для вынесения суждения о полученных различиях в экспериментах и контрольных условиях или наблюдаемой связи между измерениями НП и ЗП (установление минимального эффекта включает определение вероятности ошибок первого (альфа) и второго (бетта – уровня) рода).
Есть экспериментальные эффекты, которые определяются только при помощи статистических методов, а есть такие, в которых изменение ЗП на столько заметны, что не надо никакой статистики.
Величина минимального эффекта связана с количеством опытных данных, т.е. с числом выборочных значений показателей ЗП. Психологическая величина выборки (числа испытуемых или числа опытов) м. существенно снизить величину эффекта, достаточно для принятия решения о действии НП, но это таки связано с содержанием планирования. (контроль факторов времени, репрезентация выборки и т.д.)
Формальное планирование для проверки психологической гипотезы возможно в психологических случаях исследования, где принимается традиционный подход: переменные представлены и управляемы независимо др. от др.
I Решение проблем содержат план эксперимента представленный на этапе конкретизации и гипотез и переменных,т.о. чтобы не было утеряна специфика исследуемой психологической реальности: психологическое объяснение, заданное в гипотетических конструктах и формулировке причинно-следственной зависимости, содержательно соотносится с видом установления эмпирической зависимости и условиями ее выявления, включая способы задания условий НП и выбор методик фиксации показателя ЗП. Это первый этап планирования эксперимента.
II Определение адекватной схемы сбора данных, количества необходимых проб контроля факторов, угрожающих валидности эксперимента и т.д. психолог принимает условность ряда положений.
В качестве этапов формального планирования выделяют решения о величине минимального эффекта Х-воздействий или о величине сдвига ЗП, которые измерила на разных уровнях НП, которые принимается в качестве достаточной или разумной с т.з. возможности отвергнуть нуль-гипотезу, а также об уровнях допустимых ошибок при проверке статистической гипотезы.

Содержательное планирование эксперимента
Планирование включает в себя два этапа:
1. Содержательное планирование эксперимента:
- Определение ряда теоретических и экспериментальных положений, образующих теоретическую основу исследования. Постановка задачи или определение темы. Любое исследование начинается с определения темы (она ограничивает то, что будем исследовать). Исследование проводится в трех случаях:
1-проверка гипотезы о существовании явления;
2-проверка гипотезы о существовании связи между явлениями;
3-проверка гипотезы о причинной зависимости явления А от явления В.
Первичная постановка проблемы заключается в постановке гипотезы. Психологическая гипотеза, или экспериментальная, - гипотеза о психическом явлении, инструментом проверки которой служит психологическое исследование.
- Формулировка теоретических и экспериментальных гипотез исследования. Этап уточнения гипотезы и определения переменных. Определение экспериментальной гипотезы.
- Выбор необходимого метода эксперимента.
- Выбор экспериментального инструмента и условий эксперимента (отвечает на вопрос – «как организовать исследование?»):
Позволяет управлять независимой переменной. Независимая переменная - в научном эксперименте переменная, которая намеренно манипулируется или выбирается экспериментатором с целью выяснить ее влияние на зависимую переменную.
Позволяет регистрировать зависимую переменную. Зависимая переменная - в научном эксперименте измеряемая переменная, изменения которой связывают с изменениями независимой переменной
- Решение вопроса выборки испытуемых:
- Определение состава выборки.
- Определение объёма выборки.
- Определение способа формирования выборки.
- Рандомизация (случайный отбор). Используется для создания простых случайных выборок, основывается на предположении, что каждый член популяции с равной вероятностью может попасть в выборку. Например, чтобы сделать случайную выборку из 100 студентов вуза, можно сложить бумажки с именами всех студентов вуза в шляпу, а затем достать из неё 100 бумажек - это будет случайным отбором.
- Попарный отбор - стратегия построения групп выборки, при котором группы испытуемых составляются из субъектов, эквивалентных по значимым для эксперимента побочным параметрам. Данная стратегия эффективна для экспериментов с использованием экспериментальных и контрольных групп с лучшим вариантом - привлечением близнецовых пар (моно- и дизиготных), так как позволяет создать.
- Стратометрический отбор. Стратометрический отбор - рандомизация с выделением страт (или кластеров). При данном способе формирования выборки генеральная совокупность делится на группы (страты), обладающие определёнными характеристиками (пол, возраст, политические предпочтения, образование, уровень доходов и др.), и отбираются испытуемые с соответствующими характеристиками.
- Приближённое моделирование. Приближённое моделирование - составление ограниченных выборок и обобщение выводов об этой выборке на более широкую популяцию. Например, при участии в исследовании студентов 2-го курса университета, данные этого исследования распространяются на «людей в возрасте от 17 до 21 года». Допустимость подобных обобщений крайне ограничена.
- Привлечение реальных групп
2. Формальное планирование эксперимента:
- Достижение возможности сравнения результатов.
- Достижение возможности обсуждения полученных данных.
- Обеспечение экономичного проведения исследования.
Главной целью формального планирования считается исключение максимально возможного числа причин искажения результатов.

Факторное планирование эксперимента
Факторные эксперименты применяются тогда, когда необходимо проверить сложные гипотезы о взаимосвязях между переменными. Общий вид подобной гипотезы: «Если А1, А2,..., Аn, то В». Такие гипотезы называются комплексными, комбинированными и др. При этом между независимыми переменными могут быть различные отношения: конъюнкции, дизъюнкции, линейной независимости, аддитивные или мультипликативные и др. Факторные эксперименты являются частным случаем многомерного исследования, в ходе проведения которого пытаются ус¬тановить отношения между несколькими независимыми и несколькими зависимы¬ми переменными. В факторном эксперименте проверяются одновременно, как правило, два типа гипотез:
1) гипотезы о раздельном влиянии каждой из независимых переменных;
2) гипотезы о взаимодействии переменных, а именно - как присутствие одной из независимых переменных влияет на эффект воздействия на другой.
Факторный эксперимент строится по факторному плану. Факторное планирование эксперимента заключается в том, чтобы все уровни независимых переменных сочетались друг с другом. Число экспериментальных групп равно числу сочетаний уровней всех независимых переменных.
Чаще всего используются факторные планы для двух независимых переменных и двух уровней типа 2х2. Для составления плана применяется принцип балансировки. План 2х2 используется для выявления эффекта воздействия двух независимых переменных на одну зависимую. Экспериментатор манипулирует возможными сочетаниями переменных и уровней. Данные приведены в простейшей таблице.
2-я переменная 1-я переменная
Есть Нет
Есть 1 2
Нет 3 4
Для обработки результатов применяется дисперсионный анализ по Фишеру.
Так же редко используются другие версии факторного плана, а именно: 3х2 или 3х3. План 3х2 применяется в тех случаях, когда нужно установить вид зависимости одной зависимой переменной от одной независимой, а одна из независимых переменных представлена дихотомическим параметром. Пример такого плана - эксперимент по выявлению воздействия внешнего наблюдения на успех решения интеллектуальных задач. Первая независимая переменная варьируется просто: есть наблюдатель, нет наблюдателя. Вторая независимая переменная - уровни трудности задачи. В этом случае мы получаем план 3х2.
1-я переменная 2-я переменная
Легкая Средняя Трудная
Есть наблюдатель 1 2 3
Нет наблюдателя 4 5 6
Вариант плана 3х3 применяется в том случае, если обе независимые переменные имеют несколько уровней и есть возможность выявить виды связи зависимой переменной от независимых. Этот план позволяет выявлять влияние подкрепления на успешность выполнения задании разной трудности.
Уровень сложности задачи Интенсивность стимуляции
Низкая Средняя Высокая
Низкий 1 2 3
Средний 4 5 6
Высокий 7 8 9
В общем случае план для двух независимых переменных выглядит как N х М. Применимость таких планов ограничивается только необходимостью набора большого числа рандомизированных групп. Объем экспериментальной работы чрезмерно возрастает с добавлением каждого уровня любой независимой переменной.
В случае, когда нас интересует успешность выполнения экспериментальной серии заданий, зависящая не только от общей стимуляции, которая производится в форме наказания - удара током, но и от соотношения поощрения и наказания, мы применяем план 3х3х3.
L1 L2 L3
М1 A1 В2 С3
М2 В2 С3 А1
м3 С3 А1 В2
2 признака многоуровневого эксперимента:
1. НП имеет более чем 2 уровня
2. порядок предъявления этих трех или более условий одной и той же НП контролируется спец схемой, подразумевающей уравнивание порядковой позиции каждого уровня в общей последовательности условий
Эти многоуровневые эксперименты противопоставляют бивалентному (здесь 2 уровня НП, экспериментальная и контрольная могут отличаться качеством и количеством)
Количественная оценка это оценка по шкалам порядка, отношений, интервалов.
Классификация уровней НП – это качественная оценка, может быть по одному или более признакам.
Не число НП определяет переход к количественному эксперименту, а возможность измерения хотя бы одной из НП как количественной.
Многоуровневый эксперимент часто строиться по факторным схемам, поскольку второй переменной выступает «порядок уровней» первой НП
Есть 2 наиболее поп схемы:
1. полного уравнивания по схеме лат квадрата
2. уравнивание по схеме сбалансированного лат квадрата
Обе эти схемы представляют собой варианты экспериментальных планов, в которых все уровни первой НП предъявляются каждому испытуемому, но вторая НП образуется благодаря разбиению испытуемых на группы, которым предъявляется одна из возможных последовательностей уровневой первой НП
Рассмотрим возможные результаты простейшего факторного эксперимента 2х2 с позиций взаимодействий переменных. Для этого нам надо представить результаты опытов на графике, где по оси абсцисс отложены значения первой независимой переменной, а по оси ординат - значения зависимой переменной. Каждая из двух прямых, соединяющих значения зависимой переменной при разных значениях первой независимой переменной (А), характеризует один из уровней второй независимой переменной (В). Применим для простоты результаты не экспериментального, а корреляционного исследования. Условимся, что мы исследовали зависимость статуса ребенка в группе от состояния его здоровья и уровня интеллекта. Рассмотрим варианты возможных отношений между переменными.
Первый вариант: прямые параллельны - взаимодействия переменных нет.
Больные дети имеют более низкий статус, чем здоровые, независимо от уровня интеллекта. Интеллектуалы имеют всегда более высокий статус (независимо от здоровья).
Второй вариант: физическое здоровье при наличии высокого уровня интеллекта увеличивает шанс получить более высокий статус в группе(рис 5.2).
В этом случае получен эффект расходящегося взаимодействия двух независимых переменных. Вторая переменная усиливает влияние первой на зависимую переменную.
Третий вариант: сходящееся взаимодействие - физическое здоровье уменьшает шанс интеллектуала приобрести более высокий статус в группе. Переменная «здоровье» уменьшает влияние переменной «интеллект» на зависимую переменную. Есть и другие случаи этого варианта взаимодействия:
Переменные взаимодействуют так, что увеличение значения первой приводит к уменьшению влияния второй с изменением знака зависимости (рис. 5.3).
У больных детей, обладающих высоким уровнем интеллекта, меньше шанс полу¬чить высокий статус, чем у больных детей с низким интеллектом, а у здоровых - связь интеллекта и статуса позитивная.
Теоретически возможно представить, что больные дети будут иметь больший шанс получить высокий статус при высоком уровне интеллекта, чем их здоровые низкоинтеллектуальные сверстники.
Последний, четвертый, возможный вариант наблюдаемых в исследованиях отношений между независимыми переменными: случай, когда между ними существует пересекающееся взаимодействие, представленное на последнем графике (рис. 5.4).
Оценка величины взаимодействия проводится с помощью дисперсионного ана¬лиза, а t-критерий Стьюдента используется для оценки значимости X.`различий груп¬повых
Во всех рассмотренных вариантах планирования эксперимента применяется способ балансировки: различные группы испытуемых ставятся в разные экспериментальные условия. Процедура уравнивания состава групп позволяет производить сравнение результатов.
Однако во многих случаях требуется планировать эксперимент так, чтобы все его участники получили все варианты воздействия независимых переменных. Тогда на помощь приходит техника контрбалансировки.

Психофизика. Методы измерения порогов чувствительности
Психофи́зика, раздел психологии, изучающий количественные отношения между силой раздражителя и величиной возникающего ощущения с помощью количественных методов. Основана Г.Фехнером во 2-й половине XIX в.. Она ищет ответы на следующие вопросы:
1) Какой уровень стимуляции необходим для того, чтобы вызвать ощущение или сенсорную реакцию?
2) Насколько должна измениться величина раздражителя, чтобы можно было обнаружить изменение?
4) Как меняется ощущение или сенсорная реакция с изменением величины раздражителя?
Для ответа на эти и другие вопросы используют психофизические методы. В состав этих методов входят: 3 классических метода определения порогов, введенные в психофизику Г.Фехнером; многочисленные психофизические методы шкалирования надпороговых раздражителей, используемые для получения мер величины ощущения, и методы теории обнаружения сигналов (ТОС), применяемые для получения мер "номинальной" сенсорной чувствительности, минимально искаженной мотивами и установками испытуемых. Так называемые классические методы - метод границ, метод установки и метод постоянных раздражителей - впервые были сведены вместе и представлены Фехнером в его труде "Элементы психофизики". Они использовались для определения абсолютных и разностных порогов. Абсолютный порог определяется как величина раздражителя, дающего 50% случаев обнаружения. Аналогично этому дифференциальный порог - это минимальное изменение раздражения, обнаруживаемое в 50% случаев.
Метод границ. При использовании этого метода наблюдателю в каждой отдельной пробе предъявляют либо монотонно возрастающую (восходящие пробы), либо монотонно убывающую (нисходящие пробы) дискретную последовательность раздражителей, величина которых изменяется до тех пор, пока не произойдет изменение реакции наблюдателя с "да" на "нет" (в нисходящих пробах) или с "нет" на "да" (в восходящих пробах). Уровень стимуляции, соответствующее половине интервала, на котором происходит изменение реакции, принимается за величину порога для данной пробы.
Метод установки. В противоположность методу границ, этот метод дает возможность самому наблюдателю регулировать непрерывно изменяемый раздражитель, с тем чтобы уравнять его с заданным эталоном. Каждая проба заключается в корректировке наблюдателем переменного раздражителя от точки явного неравенства до точки субъективного равенства с эталоном. Восходящие и нисходящие пробы чередуются вместе со случайно изменяемым начальным отклонением переменного раздражителя от эталона.
Метод постоянных раздражителей. Этот метод предписывает предъявление наблюдателю в каждой отдельной пробе только одного раздражителя, выбранного из фиксированного набора, включающего от 4 до 9 раздражителей. При определении абсолютного порога наблюдатель в каждой пробе дает ответ в форме "да/нет". При определении дифференциального порога наблюдатель, сравнивая тестовый раздражитель из определенного набора с предъявляемым в каждой пробе эталоном, дает ответ в форме "больше чем/меньше чем". После предварительного опробования тестовых раздражителей их набор формируется т. о., чтобы они заключали порог в вилку и чтобы все они (в идеале) давали какой-то процент реакций обнаружения или различения, но ни один из них не воспринимался в 100% случаев.
Психофизические методы шкалирования надпороговых раздражителей. Представляют собой собрание самых различных методов, общее у которых только то, что они предписывают правила, по которым испытуемые (прямо или косвенно) присваивают значения числовой шкалы физическим стимулам. Эти методы часто использовались для проверки некоторых психофизических законов. Среди них - методы бисекции, субъективно равных интервалов, фракционирования и оценки величины. При использовании метода бисекции испытуемому дается инструкция отрегулировать величину переменного раздражителя т. о., чтобы результирующее ощущение казалось ему равноудаленным от ощущений, вызываемых двумя постоянными раздражителями, задающими границы интервала, который нужно разделить пополам. Эта процедура многократно повторяется, после чего вычисляется среднее арифметическое подобранных испытуемым значений переменного раздражителя. Метод субъективно равных интервалов - разновидность метода категорий - предоставляет наблюдателю возможность относить предъявляемые раздражители к одной из "равношироких" категорий, число которых (напр., 5) задается экспериментатором и не меняется в ходе опыта. Первыми предъявляются крайние по величине раздражители и идентифицируются как таковые, чтобы служить опорными точками для последующих суждений. После классификации наблюдателем всех раздражителей их субъективные значения, определяемые как усредненные, или медианные, категории, представляются графически в виде функции от объективной величины раздражителя. Метод фракционирования требует от наблюдателя в каждой пробе создавать (путем регулировки или подстройки) новый раздражитель, составляющий заранее определенную часть (напр., половину) предъявляемого ему раздражителя. Это делается для каждого из раздражителей, входящих в стимульный набор. Метод оценки величины - широко используемая процедура, предоставляющая возможность наблюдателю оценивать величину раздражителей, приписывая им числа. Более сильные по сравнению с эталонным стимулом раздражители получают обычно большие числовые значения, а более слабые - меньшие. Для каждого раздражителя вычисляется среднее арифметическое или среднее геометрическое числовых оценок, полученных на группе испытуемых. Полученные средние субъективных оценок величины раздражителя представляются графически в виде функции от реальной величины раздражителя. Теория обнаружения сигналов Мотивация, ожидание и отношение наблюдателя вызывают смещение результатов измерения относительно истинного значения в психофизических экспериментах по определению порогов. Так, при использовании метода постоянных раздражителей, в пустых пробах ("пробах-ловушках"), когда наблюдателю не предъявляют никаких раздражителей, все равно появляются ответы "да". Такая реакция в теории обнаружения сигналов (ТОС) называется ложной тревогой. Безошибочное обнаружение раздражителя (ответ "да" при его наличии) называется попаданием. Изменения мотивации, ожиданий или отношения могут увеличивать процент попаданий, но ценой повышения доли ложных тревог. В каждом из трех основных методов ТОС - "да - нет", оценки и вынужденного выбора - задается случайная последовательность проб (напр., 200), в которых сигнал либо подается на фоне каких-то др., случайных сигналов (пробы "сигнал + шум"), либо отсутствует (пробы "чистого шума"). При использовании метода "да - нет" задача наблюдателя - давать ответ "да" в пробах с наличием сигнала и ответ "нет" в пробах с его отсутствием. В процедуре оценивания реакция наблюдателя сводится к выбору из заданного набора оценочных категорий той, которая отражает степень его уверенности в наличии сигнала в данной пробе. В эксперименте с вынужденным выбором предлагаются ситуации выбора из двух или более альтернатив (напр., при разнесении интервалов наблюдения во времени), одна и только одна из которых содержит сигнал плюс шум. Наблюдатель должен выбрать ту из них, в которой вероятнее всего содержится сигнал. Влияние мотивации, ожиданий и отношения на реакции испытуемых в психофизических экспериментах трактуется как критерий наблюдателя, оцениваемый по проценту ложных тревог. На этот критерий можно влиять, изменяя долю проб с сигналом (и соответственно информируя наблюдателя), инструктируя наблюдателя быть более расслабленным либо, наоборот, более внимательным и точным или изменяя выплаты за возможные реакции. Если процент попаданий откладывать по оси ординат, а процент ложных тревог - по оси абсцисс, полученные точки будут соответствовать различным уровням критерия наблюдателя, а построенная по ним кривая будет называться рабочей характеристикой приемника. Различные кривые порождаются сигналами разного уровня, тогда как все точки одной кривой отображают один уровень обнаружительной способности наблюдателя. Т.о., появляется возможность разграничить действие сенсорных и внесенсорных факторов. Приложения Помимо использования для поиска ответов на вопросы теоретической психофизики, различные П. м. широко применяются для решения практических задач как в области психологии, так и за ее пределами. Сведения о нормальных зрительных и слуховых порогах (и, в несколько меньшей степени, о порогах др. органов чувств) учитываются при проектировании оборудования и анализе человеческих факторов в инженерной психологии, а также используются практической медициной в качестве эталонов сравнения при постановке клинического диагноза. Методы шкалирования надпороговых раздражителей применяются в промышленности и торговле для оценки предпочтений. Методы ТОС также находят самое широкое применение: от оценки пределов "чистой" сенсорной чувствительности до принятия решений в медицине.

Психофизические законы. Бугера - Вебера, Вебера - Фехнера, Стивенса, обобщённый психофизический закон
Основной психофизический закон. Исходя из закона Вебера, Фехнер сделал допущение, что едва заметные разницы в ощущениях можно рассматривать как равные, поскольку все они - величины бесконечно малые, и принять их как единицу меры, при помощи которой можно численно выразить интенсивность ощущений как сумму (или интеграл) едва заметных (бесконечно малых) увеличений, считая от порога абсолютной чувствительности. В результате он получил два ряда переменных величин - величины раздражителей и соответствующие им величины ощущений. Ощущения растут в арифметической прогрессии, когда раздражители растут в геометрической прогрессии. Отношение этих двух переменных величин можно выразить в логарифмической формуле:
Е = KlogJ + С,
где К и С суть некоторые константы. Эта формула, определяющая зависимость интенсивности ощущений (в единицах едва заметных перемен) от интенсивности соответственности раздражителей, и представляет собой так называемый психофизический закон Вебера-Фехнера.
Порогу чувствительности соответствует точка в сенсорном пространстве. В этой точке отражается значение стимула, при котором сенсорная система переходит из одного состояния в другое. В случае абсолютного порога она переходит от отсутствия ощущения к появлению едва заметного ощущения, В случае разностного порога - от отсутствия ощущения разницы к появлению ощущения различия. Таким образом, пороговые измерения - измерения точечные. Их результаты могут очертить границы (диапазон изменений величины стимулов), в которых действует сенсорная система, но они ничего не говорят о ее структуре.
Три самых известных психофизических закона представляют собой теоретические модели структуры сенсорного пространства. В основе этих моделей лежит эмпирический закон Бугера - Вебера. На границе XVIII - XIX вв. французский физик Бугер открыл некий эффект для зрительной модальности, а немецкий физиолог Вебер проверил его действие для других модальностей. Этот эффект заключается в том, что отношение величины едва заметного увеличения стимула к исходному его значению остается постоянным в весьма широком диапазоне значений величины стимула, т.е.
R/R=k
Это соотношение получило название закона Бугера - Вебера.
Закон Фехнера. Решая свою задачу о взаимоотношении субъективного и объективного, Фехнер рассуждал примерно следующим образом. Предположим, что наше сенсорное пространство состоит из очень маленьких дискретных элементов е - едва заметных различений. Эти элементы равны между собой, т.е. постоянны:
e=k,
где k - константа.
С учетом коэффициента пропорциональности две константы можно приравнять друг другу. Таким образом, постоянное отношение закона Бугера - Вебера можно приравнять константе, связанной с едва заметным различением:
R/R=Ke,
где К - коэффициент пропорциональности.
Далее Фехнер сделал шаг, от этого уравнения, связывающего малые величины е и R, он перешел к дифференциальному уравне¬нию
dR/R=K×dE
где dE - дифференциал, соответствующий очень маленькой величине е. Решением этого уравнения будет соотношение
E=C1×LnR+C2
где C1 и C2 - константы интегрирования.
Определим C2. Ощущение начинается с какого-то значения стимула, соответствующего пороговому (R1). При R=R1 ощущение отсутствует и появляется только при малейшем превышении R над R1, т.е. в этом случае Е=0. Подставим в полученное решение:
О = C1 x InR1+C2,
отсюда C2 = - C1 x InR1, следовательно,
Е = C1 x InR- C1x In R1 = C1 x ln(R/ R1).
Соотношение E = C1x ln (R/ R1) называется законом Фехнера или иногда законом Вебера - Фехнера. Отметим, что закон Фехнера активно использует понятие порога. R1 - это, очевидно, абсолютный порог; е-элементарные ощущения, аналог порога различения.
Закон Стивенса. Американский психофизик Стивенс предложил свое решение задачи. Исходным пунктом для него был также закон Бугера - Вебера. Но модель сенсорного пространства он представлял себе иначе. Стивенс предположил, что в сенсорном пространстве действует отношение, аналогичное закону Бугера - Вебера в пространстве стимулов:
E/E=k
т.е. оглашение едва заметного приращения ощущения к его исходной величине является постоянной величиной. Опять же с точностью до коэффициента пропорциональности мы можем приравнять две постоянные величины:
E/E=K R/R
Так как Стивенс не постулировал дискретность сенсорного про¬странства, он вполне корректно мог перейти к дифференциальному уравнению
dE/E=dR/R
решение этого уравнения Е = k x Rn получило название закона Стивенса. Показатель степени n для каждой модальности имеет свое значение, но, как правило, меньше единицы.
Американские ученые Р. и Б. Тетсунян предложили объяснение смысла показателя степени n. Составим систему уравнений для двух крайних случаев - минимального и максимального ощущения:
Emin=k xRnmin xEmax=K x Rnmax
Прологарифмируем обе части уравнения и получим:
LnEmin=n x LnRmin+Lnk
LnEmax=n x LnRmax+Lnk
Решив систему уравнений относительно n, получаем
n=(LnEmax-LnEmin)/Ln(Rmax-Rmin),
или
n=Ln(Emax/Emin)/Ln(Rmax/Rmin)
Таким образом, по мнению Тетсунян, значение n для каждой модальности определяет соотношение между диапазоном ощущений и диапазоном воспринимаемых стимулов.
Сто с лишним лет не прекращаются споры между сторонниками логарифмической зависимости силы ощущения от величины стимула (закон Фехнера) и степенной (закон Стивенса). Результаты экспериментов с одними модальностями лучше аппроксимируются логарифмом, с другими - степенной функцией.
Рассмотрим один из подходов, примиряющих эти две крайности.
Обобщенный психофизический закон. Ю.М.Забродин предложил свое объяснение психофизического соотношения. Мир стимулов представляет опять закон Бугера - Вебера, а структуру сенсорного пространства Забродин предложил в следующем виде:
E/Ez
т.е. добавил константу. Отсюда обобщенный психофизический закон записывается:
dEz/E=dR/R
Очевидно, при z = 0 формула обобщенного закона переходит в логарифмический закон Фехнера, а при z = 1 - в степенной закон Стивенса. Величина этой константы определяет степень осведомленности испытуемого о целях, задачах и ходе проведения эксперимента. В экспериментах Фехнера принимали участие "наивные" испытуемые, которые попали в абсолютно незнакомую экспериментальную ситуацию и ничего, кроме инструкции, не знали о предстоящем эксперименте. Это требование работы с "наивными" испытуемыми следует, во-первых, из постулирования Фехнером невозможности проведения человеком прямых количественных оценок величины ощущения, во-вторых, из его надежды выделить в эксперименте работу сенсорной системы в "чистом" виде, исключив влияние других психических систем. Таким образом, в законе Фехнера z = 0, что означает полную неосведомленность испытуемых.
Стивенc решал более прагматические задачи. Его скорее интересовало, как воспринимает сенсорный сигнал человек в реальной жизни, а не абстрактные проблемы работы сенсорной системы. Он доказывал возможность прямых оценок величины ощущений, точность которых увеличивается при надлежащей тренировке испытуемых. В его экспериментах принимали участие испытуемые, прошедшие предварительную подготовку, обученные действовать в ситуации психофизического эксперимента. Поэтому в законе Стивенса z = 1, что показывает полную осведомленность испытуемого.
Обобщенный психофизический закон Забродина снимает противоречие между законами Стивенса и Фехнера, но для этого он вынужден выйти за рамки парадигм классической психофизики. Очевидно, что понятия "осведомленность", "неосведомленность" относятся к работе интегральных психических образований, включающих сенсорную систему только как канал получения информации о внешнем мире.
Психофизические законы устанавливают связь между психофизическими коррелятами. При этом ощущение измеряется в физических величинах, Т.е. в значениях вызывающего это ощущение стимула. Например, значению высоты звука в один сон (субъективная величина) соответствует частота звука в 1000 Гц при силе звука в 40 дБ (объективная величина). Психофизические законы показывают, как пространство стимулов (внешних раздражителей) преобразуется в сенсорное пространство. При этом благодаря виду функции преобразования (психофизическому закону) происходит "сжатие" диапазона изменений значений стимулов.
Но в реальной жизни почти не встречаются в чистом виде пары психофизических коррелятов. Даже сигналы одной модальности представляют собой весьма сложную совокупность физических характеристик, результирующая величина которых не аддитивна относительно своих составляющих. Это хорошо видно на примере тембра звука, физическим коррелятом которого служит совокупность гармоник, составляю¬щих звуковой сигнал, причем эту характеристику невозможно измерить в простой физической шкале. Не имея физической шкалы, измерения психических величин теряют основу, «повисают в воздухе». Как быть в этом случае? Классическая психофизика, ограниченная рамками своих двух основных парадигм, не смогла ответить на этот вопрос.

Психофизическое шкалирование
Психофизические методы шкалирования надпороговых раздражителей. Представляют собой собрание самых различных методов, общее у которых только то, что они предписывают правила, по которым испытуемые (прямо или косвенно) присваивают значения числовой шкалы физическим стимулам. Эти методы часто использовались для проверки некоторых психофизических законов.
Среди них - методы бисекции, субъективно равных интервалов, фракционирования и оценки величины. При использовании метода бисекции испытуемому дается инструкция отрегулировать величину переменного раздражителя т. о., чтобы результирующее ощущение казалось ему равноудаленным от ощущений, вызываемых двумя постоянными раздражителями, задающими границы интервала, который нужно разделить пополам. Эта процедура многократно повторяется, после чего вычисляется среднее арифметическое подобранных испытуемым значений переменного раздражителя.
Метод субъективно равных интервалов - разновидность метода категорий - предоставляет наблюдателю возможность относить предъявляемые раздражители к одной из "равношироких" категорий, число которых (напр., 5) задается экспериментатором и не меняется в ходе опыта. Первыми предъявляются крайние по величине раздражители и идентифицируются как таковые, чтобы служить опорными точками для последующих суждений. После классификации наблюдателем всех раздражителей их субъективные значения, определяемые как усредненные, или медианные, категории, представляются графически в виде функции от объективной величины раздражителя.
Метод фракционирования требует от наблюдателя в каждой пробе создавать (путем регулировки или подстройки) новый раздражитель, составляющий заранее определенную часть (напр., половину) предъявляемого ему раздражителя. Это делается для каждого из раздражителей, входящих в стимульный набор.
Метод оценки величины - широко используемая процедура, предоставляющая возможность наблюдателю оценивать величину раздражителей, приписывая им числа. Более сильные по сравнению с эталонным стимулом раздражители получают обычно большие числовые значения, а более слабые - меньшие. Для каждого раздражителя вычисляется среднее арифметическое или среднее геометрическое числовых оценок, полученных на группе испытуемых. Полученные средние субъективных оценок величины раздражителя представляются графически в виде функции от реальной величины раздражителя.
Теория обнаружения сигналов. Мотивация, ожидание и отношение наблюдателя вызывают смещение результатов измерения относительно истинного значения в психофизических экспериментах по определению порогов. Так, при использовании метода постоянных раздражителей, в пустых пробах ("пробах-ловушках"), когда наблюдателю не предъявляют никаких раздражителей, все равно появляются ответы "да". Такая реакция в теории обнаружения сигналов (ТОС) называется ложной тревогой. Безошибочное обнаружение раздражителя (ответ "да" при его наличии) называется попаданием. Изменения мотивации, ожиданий или отношения могут увеличивать процент попаданий, но ценой повышения доли ложных тревог.

Под экспериментом будем понимать совокупность операций совершаемых над объектом исследования с целью получения информации о его свойствах. Эксперимент, в котором исследователь по своему усмотрению может изменять условия его проведения, называется активным экспериментом. Если исследователь не может самостоятельно изменять условия его проведения, а лишь регистрирует их, то это пассивный эксперимент.

Важнейшей задачей методов обработки полученной в ходе эксперимента информации является задача построения математической модели изучаемого явления, процесса, объекта. Ее можно использовать и при анализе процессов и при проектировании объектов. Можно получить хорошо аппроксимирующую математическую модель, если целенаправленно применяется активный эксперимент. Другой задачей обработки полученной в ходе эксперимента информации является задача оптимизации, т.е. нахождения такой комбинации влияющих независимых переменных, при которой выбранный показатель оптимальности принимает экстремальное значение.

Опыт – это отдельная экспериментальная часть.

План эксперимента – совокупность данных определяющих число, условия и порядок проведения опытов.

Планирование эксперимента – выбор плана эксперимента, удовлетворяющего заданным требованиям, совокупность действий направленных на разработку стратегии экспериментирования (от получения априорной информации до получения работоспособной математической модели или определения оптимальных условий). Это целенаправленное управление экспериментом, реализуемое в условиях неполного знания механизма изучаемого явления.

В процессе измерений, последующей обработки данных, а также формализации результатов в виде математической модели, возникают погрешности и теряется часть информации, содержащейся в исходных данных. Применение методов планирования эксперимента позволяет определить погрешность математической модели и судить о ее адекватности. Если точность модели оказывается недостаточной, то применение методов планирования эксперимента позволяет модернизировать математическую модель с проведением дополнительных опытов без потери предыдущей информации и с минимальными затратами.

Цель планирования эксперимента – нахождение таких условий и правил проведения опытов при которых удается получить надежную и достоверную информацию об объекте с наименьшей затратой труда, а также представить эту информацию в компактной и удобной форме с количественной оценкой точности.

Пусть интересующее нас свойство (Y) объекта зависит от нескольких (n) независимых переменных (Х1, Х2, …, Хn) и мы хотим выяснить характер этой зависимости - Y=F(Х1, Х2, …, Хn), о которой мы имеем лишь общее представление. Величина Y – называется “отклик”, а сама зависимость Y=F(Х1,Х2, …, Хn) – “функция отклика”.

Отклик должен быть определен количественно. Однако могут встречаться и качественные признаки Y. В этом случае возможно применение рангового подхода. Пример рангового подхода - оценка на экзамене, когда одним числом оценивается сложный комплекс полученных сведений о знаниях студента.

Независимые переменные Х1, Х2, …, Хn – иначе факторы, также должны иметь количественную оценку. Если используются качественные факторы, то каждому их уровню должно быть присвоено какое-либо число. Важно выбирать в качестве факторов лишь независимые переменные, т.е. только те которые можно изменять, не затрагивая другие факторы. Факторы должны быть однозначными. Для построения эффективной математической модели целесообразно провести предварительный анализ значимости факторов (степени влияния на функцию), их ранжирование и исключить малозначащие факторы.

Диапазоны изменения факторов задают область определения Y. Если принять, что каждому фактору соответствует координатная ось, то полученное пространство называется факторным пространством. При n=2 область определения Y представляется собой прямоугольник, при n=3 – куб, при n >3 - гиперкуб.

При выборе диапазонов изменения факторов нужно учитывать их совместимость, т.е. контролировать, чтобы в этих диапазонах любые сочетания факторов были бы реализуемы в опытах и не приводили бы к абсурду. Для каждого из факторов указывают граничные значения

Регрессионный анализ функции отклика предназначен для получения ее математической модели в виде уравнения регрессии

где В1, …, Вm – некоторые коэффициенты; е – погрешность.

Среди основных методов планирования, применяемых на разных этапах исследования, используют:

планирование отсеивающего эксперимента, основное значение которого выделение из всей совокупности факторов группы существенных факторов, подлежащих дальнейшему детальному изучению;

планирование эксперимента для дисперсионного анализа, т.е. составление планов для объектов с качественными факторами;

планирование регрессионного эксперимента, позволяющего получать регрессионные модели (полиномиальные и иные);

планирование экстремального эксперимента, в котором главная задача – экспериментальная оптимизация объекта исследования;

планирование при изучении динамических процессов и т.д.

Инициатором применения планирования эксперимента является Рональд А. Фишер, другой автор известных первых работ – Френк Йетс. Далее идеи планирования эксперимента формировались в трудах Дж. Бокса, Дж. Кифера. В нашей стране - в трудах Г.К. Круга, Е.В. Маркова и др.

В настоящее время методы планирования эксперимента заложены в специализированных пакетах, широко представленных на рынке программных продуктов, например: StatGrapfics, Statistica, SPSS, SYSTAT и др.

Представление результатов экспериментов

При использовании методов планирования эксперимента необходимо найти ответы на 4 вопроса:

Какие сочетания факторов и сколько таких сочетаний необходимо взять для определения функции отклика?

Как найти коэффициенты В0, В1, …, Bm?

Как оценить точность представления функции отклика?

Как использовать полученное представление для поиска оптимальных значений Y?

Геометрическое представление функции отклика в факторном пространстве Х1, Х2, …, Хn называется поверхностью отклика (рис. 1).

Рис. 1. Поверхность отклика

Если исследуется влияние на Y лишь одного фактора Х1, то нахождение функции отклика - достаточно простая задача. Задавшись несколькими значениями этого фактора, в результате опытов получаем соответствующие значения Y и график Y =F(X) (рис. 2).

Рис. 2. Построение функции отклика одной переменной по опытным данным

По его виду можно подобрать математическое выражение функции отклика. Если мы не уверены, что опыты хорошо воспроизводятся, то обычно опыты повторяют несколько раз и получают зависимость с учетом разброса опытных данных.

Если факторов два, то необходимо провести опыты при разных соотношениях этих факторов. Полученную функцию отклика в 3х-мерном пространстве (рис. 1) можно анализировать, проводя ряд сечений с фиксированными значениями одного из факторов (рис. 3). Вычлененные графики сечений можно аппроксимировать совокупностью математических выражений.

Рис. 3. Сечения поверхности отклика при фиксированных откликах (а) и переменных (б,в).

При трех и более факторах задача становится практически неразрешимой. Если и будут найдены решения, то использовать совокупность выражений достаточно трудно, а часто и не реально.

Например, пусть необходимо исследовать влияние U, f и Rr на Мп и P2 асинхронного двигателя (АД) (рис. 4).

Рис. 4. Исследование влияния U, f и Rr на Мп и P2 АД

Если в диапазоне изменения каждого фактора взять хотя бы по пять точек

то для того чтобы выполнить опыты при всех возможных сочетаниях значений факторов (их три) необходимо выполнить 53=125 опытов и сформировать по 52=25 кривых для каждой из двух функций отклика. Если мы хотим хотя бы продублировать опыты чтобы снизить погрешность, то число опытов пропорционально возрастает, поэтому произвольное выполнение опытов при числе факторов более двух и использование их результатов - практически нереально.

Лекция 2. Разложение функции отклика в степенной ряд, кодирование факторов

Если заранее не известно аналитическое выражение функции отклика, то можно рассматривать не саму функцию, а ее разложение, например в степенной ряд в виде полинома

Y=В0 + B1Х1 + … + BnХn + В12Х1Х2 + … Вnn-1ХnХn-1 + В11Х12 + … + ВnnXn2 +….

Разложение в степенной ряд функции возможно в том случае, если сама функция является непрерывной и гладкой. На практике обычно ограничиваются числом членов степенного ряда и аппроксимируют функцию полиномом некоторой степени.

Факторы могут иметь разные размерности (А, В, Вт, об/мин) и резко отличаться количественно. В теории планирования эксперимента используют кодирование факторов.

Рис. 5. Пространство кодированных факторов

Эта операция заключается в выборе нового масштаба для кодированных факторов (рис. 5), причем такого, чтобы минимальное значение кодированных факторов соответствовало “-1”, а максимальное значение “+1”, а также в переносе начала координат в точку с координатами Х1ср, Х2ср, …, Хnср

При проведении научных экспериментов и технологических расчетов наряду с субстанционным (изготовление физического образца материала) и структурно-имитационным (имитация взаимодействия структурных элементов системы) моделированием широко применяется функциональное моделирование, результатом которого является получение некой математической функции, описывающей поведение объекта исследования, абстрагируясь от внутренней структуры вещественного субстрата. Функциональная модель работает по принципу «черного ящика», при этом известны параметры «входа» – переменные или постоянные факторы, а также, параметры «выхода» – критерий эффективности, отклик и т.д. . К примеру, построение функциональных моделей эксперимен-тальных зависимостей свойств бетона от его состава включает в себя следующие этапы:

• уточнение в зависимости от конкретной задачи оптимизируемых параметров (прочности бетона, удобоукладываемости бетонной смеси и др.);
• выбор факторов, определяющих изменчивость оптимизируемых параметров; ‒ определение основного исходного состава бетонной смеси; ‒ выбор интервалов варьирования факторов;
• выбор плана и условий проведения эксперимента;
• обработка результатов эксперимента с построением математических моделей зависимостей свойств бетонной смеси и бетона от выбранных факторов.

Планирование эксперимента – это процедура выбора числа и условий проведения опытов, необходимых и достаточных для решения поставленной задачи с требуемой точностью.

Рассмотрим процесс математического планирования и обработки данных факторного эксперимента с применением программно-алгоритмических средств на примере компьютерной программы «PlanExp B-D13» , разработанной в среде программирования Microsoft Visual Basic 6.0. Разработанный программный продукт позволяет производить моментальный расчет плана эксперимента по заданным переменным факторам, рассчитывать коэффициенты уравнения математической модели, проводить статистическую оценку адекватности математической модели, строить диаграммы линий равного уровня с возможностью обнаружения точки экстремума, а также, автоматически формировать отчет по итогам эксперимента. Программа ориентирована на работу с трехфакторным планом эксперимента B-D13, который позволяет получать нелинейные квадратичные модели, и обладает хорошими статистическими характеристиками.

Алгоритм программы включает основные процедуры – процедуру расчета коэффициентов функции отклика, процедуру статистической обработки и процедуру визуализации математической модели. Все основные вычисления производятся циклично, что позволяет моментально перестраивать математическую модель, изменяя входные данные. Кроме того, алгоритм включает вспомогательную процедуру, обеспечивающую проверку синтаксической правильности вводимых данных. При допущении ошибок ввода данных программа корректирует действия пользователя средствами текстового оповещения.

Интерфейс программного продукта реализован в виде логических блоков, позволяющих вводить исходные данные и изменять параметры вывода математической модели в интерактивном режиме (рисунок 1).

Рисунок 1 – Интерфейс программы обработки данных трехфакторных планированных экспериментов

Опишем порядок работы с программой на примере планированного эксперимента по исследованию зависимости прочности бетона от рецептурных факторов.

В первом логическом блоке устанавливаются входные факторы эксперимента. В эксперименте варьируются: количество вяжущей части бетона; содержание наполнителя и количество добавки – гиперпластификатора. Значения факторов задаются в натуральном виде (граммы, проценты и т.д.). Пользователь заполняет текстовые поля – основной уровень факторов, интервал варьирования и наименование фактора (рисунок 2).

Рисунок 2 – Блок ввода значений входных факторов

В расчете факторного плана значения уровней входных факторов принимаются в кодированном виде, при этом, основной уровень (центр плана) каждого фактора обозначается как «0», а нижний и верхний уровни: «–1» и «+1» соответственно. Пересчет заданных пользователем натуральных значений факторов производится путем линейной интерполяции значений:

где x i – значение i -го фактора в кодированном виде, X i – значение i -го фактора в натуральном виде, ΔX i – интервал варьирования i -го фактора.

В текущем примере в эксперименте контролируется величина предела прочности бетона на сжатие (R сж , МПа). Для определения воспроизводимости измерений выходного параметра необходимо проводить параллельные измерения. В программе допускается ввод выходных значений до трех параллельных замеров. Согласно плану эксперимента рассчитывается 10 опытов по 3 параллельных испытания в каждом. Выходные параметры, наименование выходного параметра и количество параллельных замеров устанавливаются пользователем во втором блоке (рисунок 3).

Рисунок 3 – Блок расчета плана эксперимента и ввода значений выходных параметров

После автоматической проверки введенных данных программа рассчитывает коэффициенты математической модели и выводит функцию отклика в третьем логическом блоке (рисунок 4).

Рисунок 4 – Блок вывода математической модели

После получения математической модели производится проверка значимости (отличия от нуля) коэффициентов модели и ее адекватность.

Адекватность (от лат. adaequatus – приравненный, равный) – соответствие, верность, точность. Точность измерения – характеристика измерения, отражающая степень близости его результатов к истинному значению измеряемой величины .

Проверка коэффициентов на значимость производится с помощью критерия Стьюдента (t-критерия), который рассчитывается по формуле:

где b i – i -й коэффициент математической модели, S {b i } – среднеквадратическое отклонение в определении коэффициентов.

Среднеквадратическое отклонение в определении коэффициентов функции отклика рассчитывается по формуле:

где C i – величины, приведенные для плана B-D13 в таблице 1, S в² – дисперсия воспроизводимости в параллельных опытах.

Таблица 1 – Величины C i для плана B-D13

Дисперсия воспроизводимости в параллельных опытах рассчитывается по



где N – количество опытов в плане, m – количество параллельных измерений в каждом опыте, y uj – значение выходного параметра в u -ом опыте, j -ом параллельном замере, y u – среднее значение выходного параметра в u -ом опыте.

Расчетное значение t-критерия сравнивается с табличным t табл для выбранного уровня значимости (как правило, 5 %) и данного числа степеней свободы N (m –1). При табл t i <t табл коэффициент b i считается незначимым.

Проверка адекватности математической модели производится по критерию Фишера (F -критерий). Для этого вычисляется дисперсия адекватности по формуле:

где n з – количество значимых коэффициентов, y u – значение отклика, предсказанное по уравнению математической модели.

В свою очередь критерий Фишера рассчитывается как отношение:

Расчетное значение F -критерия сравнивается с табличным F табл для выбранного уровня значимости (как правило, 5 %) и чисел степеней свободы N (m –1) и (N –n з ). При F <F табл уравнение математической модели считается адекватным. Результаты статистической обработки модели отображаются в четвертом логическом блоке (рисунок 5).

Рисунок 5 – Блок статистической обработки математической модели

В данном примере математическая модель прочности бетона признана адекватной по критерию Фишера (F =3,07 < F табл =3,1) и применима для решения рецептурно-технологических задач. Уравнение математической модели представляет собой квадратичную функцию трех переменных:

Поскольку для графической интерпретации функции трех переменных требуется четырехмерное пространство, с целью визуального упрощения и удобства работы с математической моделью функцию трех переменных необходимо преобразовать в функцию двух переменных, поочередно принимая константой один из факторов. В пятом логическом блоке программы представлены средства для преобразования уравнения регрессии в функцию двух переменных. Пользователь может установить постоянный фактор и задать его значение (в пределах интервала варьирования) в кодированном и натуральном виде (рисунок 6).

Рисунок 6 – Блок преобразования математической модели

В результате преобразования получаются три варианта математической модели: y =f (x 2 ,x 3 ) при x 1 =const, y =f (x 1 ,x 3 ) при x 2 =const и y =f (x 1 ,x 2 ) при x 3 =const. Для визуализации каждого из трех видов уравнений строится диаграмма линий равного уровня (изолиний), представляющая собой проекции трехмерных поверхностей на плоскости (x 2 ; x 3 ), (x 1 ; x 3 ) и (x 1 ; x 2 ). Таким образом, кривая каждой изолинии строится в координатах (x 2 , x 3 ), (x 1 , x 3 ) и (x 1 , x 2 ), а ее построение производится по квадратичным функциям x 2 =f (x 3 ), x 1 =f (x 3 ) и x 1 =f (x 2 ) соответственно (рисунок 7).

В шестом логическом блоке программы представлена интерактивная диаграмма изолиний, позволяющая пользователю снимать координаты факторного поля и значения выходного параметра в режиме реального времени.

Рисунок 7 – Диаграмма изолиний математической модели прочности бетона: x 1 =const (а), x 2 =const (б), x 3 =const (в)

Обработка данных планированного эксперимента завершается процедурой обнаружения экстремума функции отклика. Для определения координат точки экстремума производится автоматическое вычисление первой производной по каждому из значений факторов. Корни полученной системы уравнений представляют собой координаты точки экстремума исследуемого уравнения регрессии:

Рисунок 8 – Поверхность отклика (а) при x 1 =const и ее сечение (б)

при x 1 =const и x 2 =const

Разработанное программное средство может применяться в любых научно-прикладных задачах по оптимизации свойств объекта исследования, подбора рецептуры и технологических параметров, где используется математическое моделирование методом ортогонального планирования экспериментов.

– Баженов, Ю.М. Модифицированные высококачественные бетоны / Ю.М. Баженов, В.С. Демьянова, В.И. Калашников // научное издание. – М.: Издательство Ассоциации строительных вузов. 2006. 368 с.

– Григорьев, Ю.Д. Планы эксперимента для моделей регрессии типа сплайнов / Ю.Д. Григорьев // Заводская лаборатория. Диагностика материалов. №11 (79). 2013.

– Ординарцева, Н.П. Планирование эксперимента в измерениях / Н.П. Ординарцева // Заводская лаборатория. Диагностика материалов. № 03 (79). 2013.

– Советский энциклопедический словарь / под ред. А.М. Прохорова. – М.: Советская энциклопедия, 1980.

"Белов, В.В. Компьютерная реализация решения научно-технических и образовательных задач: учебное пособие / В.В. Белов, И.В. Образцов, В.К. Иванов, Е.Н. Коноплев // Тверь: ТвГТУ, 2015. 108 с."

Прежде всего полезно было бы дать определение понятия «эксперимент». Однако, попытка дать строгое определение этого понятия «в достаточно общей и к тому же краткой форме практически невозможно». Некоторые считают, что лучше пользоваться метафорами. Пример метафорического определения дал известный французский ученый-экспериментатор Кювье: «Наблюдатель слушает природу, экспериментатор вопрошает и принуждает ее разоблачиться».

Приведем здесь все же одно из возможных определений

Эксперимент – это совокупность операций совершаемых над объектом исследования с целью получения информации о его свойствах. Эксперимент, в котором исследователь по своему усмотрению может изменять условия его проведения, называется активным экспериментом. Если исследователь не может самостоятельно изменять условия его проведения, а лишь регистрирует их, то это пассивный эксперимент.

Примеры «хороших» и «плохих» экспериментов

Хотя определение понятия научного эксперимента вызывает трудности, примеры хорошо и плохо поставленных экспериментов привести достаточно легко. Следуя монографии , рассмотрим один из широко известных примеров – взвешивание трех объектов a, b, c на аналитических весах.

а) традиционная схема (табл.1)

(Кстати сказать, схема, приведенные в таблицах 1, 2 , называются матрицами планирования. В обеих таблицах каждая строка задает условия проведения одного опыта. Обозначение «+1» указывает на проведение с объектом действия, а «-1» на отсутствие действия

Таблица 1. Традиционная схема взвешивания трех объектов

Традиционная схема выглядит следующим образом. Вначале выполняется холостое взвешивание для определения нулевой точки весов. Затем поочередно взвешивается каждый из объектов. Такая последовательность действий соответствует так называемому однофакторному эксперименту. Изучается поведение каждого фактора в отдельности. Масса каждого из объектов определяется по результатам двух опытов: взвешивания

самого объекта и холостого опыта. Массы объектов А i определяются формулами

А i = y i – y 0 (1)

Дисперсия результата взвешивания такова

 2 {A i } =  2 {y i – y 0 } = 2 2 {y} (2)

где {y} – ошибка взвешивания

Теперь проведем процедуру другим способом, используя схему, приведенную в табл.2. Здесь, как и в предыдущем случае, каждая строка задает условия проведения единичного опыта.

Таблица 2. Планирование эксперимента при взвешивании трех объектов

Разница с предыдущим случаем состоит в том, что вместо «холостого» взвешивания проводится взвешивание всех трех образцов вместе. Определим по результатам опытов массы объектов

А 1 =

А 2 =
(3)

А 3 =

Для помнящих правила действий с матрицами заметим, что числители выражений (3) получены путем умножения элементов последнего столбца на элементы столбцов a, b и c. Учитывая смысл величины у 4 , заметим, что масса объекта, определяемого по одной из формул (3), входит в нее дважды, что приводит к появлению в знаменателе числа 2, а массы остальных объектов сокращаются. и, таким образом, не влияют на результат.

Определим теперь дисперсию, связанную с ошибкой взвешивания. Сделаем это, например, для 1-го объекта.

 2 {A} =  2 {
} = 4 2 {y}/ 4 =  2 {y} (4)

Аналогичный результат получается и для объектов b и c.

Таким образом, дисперсия получилась вдвое меньше, хотя количество опытов осталось тем же. Причина увеличения точности состоит в том, что в первом варианте масса образца определялась как результат двукратного взвешивания, а во втором варианте – из четырехкратного. Вторую схему эксперимента можно назвать многофакторной , поскольку при вычислении масс мы оперируем всеми факторами (объектами). Теперь перейдем к последовательному изложению основных определений, используемых в рассматриваемом разделе науки.

4.3.Основные определения, связанные с процессом планирования

Начнем с определения самого предмета теории планирования эксперимента.

Планирование эксперимента – это процедура выбора числа и условий проведения опытов, необходимых и достаточных для решения поставленной задачи с требуемой точностью.

Рассматриваются два типа задач планирования эксперимента. интерполяционные и экстремальные. Для первого типа задач эксперимент проводится с целью установления связи между некоторыми свойствами системы и рядом факторов. Для второго типа необходимо определить условия оптимизации работы некоторой системы, качество которой выражается некоторой целевой функцией или рядом функций.

Планирование эксперимента – выбор плана эксперимента, удовлетворяющего заданным требованиям, совокупность действий направленных на разработку стратегии экспериментирования (от получения априорной информации до получения работоспособной математической модели или определения оптимальных условий). Это целенаправленное управление экспериментом, реализуемое в условиях неполного знания механизма изучаемого явления.

Цель планирования эксперимента – нахождение таких условий и правил проведения опытов при которых удается получить надежную и достоверную информацию об объекте с наименьшей затратой труда, а также представить эту информацию в компактной и удобной форме с количественной оценкой точности.

Важнейшей задачей методов обработки полученной в ходе эксперимента информации является задача построения математической модели изучаемого явления, процесса, объекта. Ее можно использовать и при анализе процессов и при проектировании объектов. и для решения задач оптимизации, Математическая модель выражается уравнением, связывающим интерполируемую или оптимизируемую величину с факторами.

Y=F(Х 1 ,Х 2 , …, Х n ) (5)

Величина Y – называется “откликом”, а сама зависимость Y=F(Х 1 ,Х 2 , …, Х n ) – “функцией отклика”. Отклик должен быть определен количественно. Однако могут встречаться и качественные признаки Y . В этом случае возможно применение рангового подхода. Пример рангового подхода - оценка на экзамене, когда одним числом оценивается сложный комплекс полученных сведений о знаниях студента.

Применение методов планирования эксперимента позволяет определить погрешность математической модели и судить о ее адекватности. Если точность модели оказывается недостаточной, то применение методов планирования эксперимента позволяет модернизировать математическую модель с проведением дополнительных опытов без потери предыдущей информации и с минимальными затратами.

Каждый фактор может принимать в опыте некоторое количество значений, которые называют уровнями. Фиксированный набор уровней факторов определяет одно из возможных состояний «черного ящика». Полное число состояний в большинстве случаев весьма велико, что исключает исследование путем простого перебора.

Важно отметить два основных требования, которыми должен обладать объект исследования. Первое – это воспроизводимость результатов, то есть повторение результатов при том же наборе уровней при повторении экспе-римента с учетом разброса. Плохая воспроизводимость может быть связана нестационарностью. Тогда необходимо использовать специальные методы.

Второе – это управляемость объекта, то есть возможность выбора в каждом опыте тех уровней факторов, которые представляют интерес.

Независимые переменные Х 1 , Х 2 , …, Х n – иначе факторы, также должны иметь количественную оценку. Если используются качественные факторы, то каждому их уровню должно быть присвоено какое-либо число. Важно выбирать в качестве факторов лишь независимые переменные, т.е. только те которые можно изменять, не затрагивая другие факторы. Факторы должны быть однозначными. Для построения эффективной математической модели целесообразно провести предварительный анализ значимости факторов (степени влияния на функцию) и исключить малозначащие факторы.

Диапазоны изменения факторов задают область определения Y . Если принять, что каждому фактору соответствует координатная ось, то получен-ное пространство называется факторным. При n=2 область определения Y представляется собой прямоугольник, при n=3 – куб, и.т.д.

Дальнейшее продвижение в этом направлении приведет нас к необхо-димости существенных усложнений. Поэтому мы поясним факторный подход более простым способом. и чтобы не углубляться в формалистику процесса планирования эксперимента вернемся к рассмотрению конкретных примеров.

4.3.Неформальное рассмотрение процесса планирования эксперимента

Перед этим обсудим некоторые общие свойства объектов планирования эксперимента. Можно рассматривать воспроизводимые и невоспроизводимые эксперименты. Для первых из них возможно повторение эксперимента в идентичных условиях. К ним относятся, разумеется, компьютерные эксперименты и лабораторные физические или химические эксперименты. В технике чаще встречаются невоспроизводимые эксперименты. Подобный эксперимент протекает во времени необратимо без возможности его измене-ния или повторения. Обычно изменения, вносимые в процессе эксперимента, малы и их условно можно рассматривать как воспроизводимые. В таких экспериментах можно выбрать последовательность условий.

Рассмотрим два предельных случая Можно выбирать верхнее или нижнее значение независимой случайной величины и изменять его скачкообразно вплоть до достижения другого предельного значения. Но можно выбранные значения чередовать чисто случайным образом, выбирая то большее, то меньшее значение. Первый из этих планов называется последовательным , а второй – случайным (рандомизированным). По смыслу ясно, что для воспроизводимых экспериментов целесообразно применять план первого типа, а для невоспроизводимых - план второго типа.

Хорошим примером необходимости использования последовательного плана является, например, исследование коэффициентов сопротивления в зависимости от числа Рейнольдса. При этом появляется возможность фикси-ровать изменения, связанные с физикой процесса. Как удачно выражается Шенк в «Теории инженерного эксперимента», в этих случаях «сама последовательность условий является определенным параметром».

Но все же для большинства инженерных экспериментов более подходящим является частично или полностью рандомизированный план .

Рассмотрим доводы в пользу такого подхода.

При натурном, а не лабораторном эксперименте внешние эффекты могут неконтролируемым образом менять условия опыта. Таким образом, при исследовании функции R (Х) как R, так и Х могут меняться за счет влияния фактора y. Эти изменения ошибочно могут восприниматься как

влияние Х на R.

В процессе эксперимента может изменяться работоспособность оператора или ухудшением точности показаний прибора.

Механические воздействия могут вызвать изменение замеренных значений переменной Х. Допустим, что в измерительном приборе или регуляторе имеет место «заедание». Тогда знак ошибки будет меняться в зависимости от направления изменения замеряемой величины и при реализации последовательного плана мы получим систематическую ошибку. Для рандомизации можно использовать, например, генератор случайных чисел.

Однофакторный эксперимент

В данном случае имеется одна регулируемая переменная. Однако, кро-ме того на результат влияют нерегулируемые внешние переменные. Их влия-ние и должно быть скомпенсировано путем рандомизации условий экспери-мента. Рассмотрим следующий пример (Шенк):

Требуется проверить работу нового резца в производственных условиях и определить скорость обработки обеспечивающую максимальный.выход продукции при заданном проценте брака. У нас один фактор –скорость

обработки. Внешние переменные – станки, рабочие, дни недели. Выбираются случайным образом 4 станочника (A, B, C, D) и 4 различные скорости обработки (1, 2, 3, 4). Простейший вариант плана

Он явно плохой, так как не учитывает последовательности изменении условий эксперимента, связанных с психологией, здоровьем, днями недели и.т.д. Рандомизация: выбор скорости по дням производится по жребию.

Этот план более совершенный, его еще можно улучшить. Для этого проведем полную рандомизацию таким образом, чтобы кроме того в данный день каждая скорость обработки встречалась только один раз.

Получившаяся матрица называется латинский квадрат и представляет собой частный случай в семействе планов факторных экспериментов. Он ха-рактерен тем, что каждый символ встречается в каждом столбце и в каждой строке только один раз.

Наконец, можно внести еще одно усовершенствование плана экспери-мента – устранить влияние того, что за каждым рабочим закреплен свой станок. Обозначим станки буквами W, X, Y, Z, таким образом, чтобы каждый рабочий обслуживал каждый станок только дин день. Тогда получим следующий план

Это так называемый греко-латинский квадрат, который позволяет устранить влияние трех факторов. Он является сбалансированным, посколь-ку количество уровней фактора (скорости) и количества значений случайных переменных равны между собой. При большем количестве случайных пере-менных задача существенно усложняется.

Если, например, мы хотим рассмотреть 6 скоростей, то для аналогич-ной сбалансированной схемы (квадрата) нам нужно иметь по шесть станков, рабочих и дней. Но можно сократить объем опытов, ограничив число рабочих тремя. Тогда можно ограничиться двумя Греко-латинскими квадратами 3 х 3

Этот план требует вдвое меньше, чем сбалансированный, но может оказаться вполне удовлетворительным