Documente Academic
Documente Profesional
Documente Cultură
Library TUM
Reason: I attest to the
accuracy and integrity
MODELAREA MATEMATICĂ A
EXPERIMENTULUI
Suport teoretic de curs
Chişinău
Editura “Tehnica-UTM”
2014
CZU 519.87(075.8)
B 17
Suportul teoretic de curs pentru disciplina “Modelarea
matematică a experimentului” este destinat studenţilor ciclului 2
(masteranzilor) Facultăţii Tehnologia şi Managementul în Industria
Alimentară a Universităţii Tehnice a Moldovei.
Obiectivul-cadru al acestei discipline este formarea
competenţelor necesare unui cercetător-experimentator. Aceste
competenţe includ aptitudini de planificare a experimentului,
realizarea lui în condiţii optime, calcularea erorilor măsurărilor
instrumentale, directe şi indirecte. Masterandul va obţine unele
cunoştinţe, necesare pentru interpretarea obiectivă şi corectă a
datelor experimentale, formularea concluziilor competente şi
respectarea normelor eticii ştiinţifice.
2
CUPRINS
1. METODOLOGIA CERCETĂRII 4
1.1 Metode ştiinţifice 4
1.2 Esenţa modelării matematice 5
1.3 Pregătirea către procesul de cercetare 8
1.4 Teoria experimentului 11
2. STATISTICA ŞI PRELUCRAREA DATELOR 15
2.1 Precizia măsurărilor şi calculelor. Cifre semnificative 15
2.2 Sursele erorilor experimentale 16
2.3 Calcularea erorilor măsurărilor directe 21
2.4 Erorile instrumentale 24
2.5 Determinarea erorilor măsurărilor indirecte 27
3. EXPERIMENTUL ACTIV 30
3.1 Experimentul Factorial Complet (EFC) 31
3.2 Experimentul Factorial Fracţionar (EFF) 44
3.3 Optimizarea prin Ascensiunea pe Gradient 46
4. PRELUCRAREA REZULTATELOR 49
4.1 Regulile de construire ale graficilor funcţiilor 49
4.2 Credibilitatea aproximaţiei. Avantaje şi restricţii 51
4.3 Alte forme de prezentare grafică a rezultatelor 53
4.4 Raţionamentul ştiinţific şi normele eticii ştiinţifice 54
4.5 Arta formulării concluziilor 56
BIBLIOGRAFIA 58
ANEXE 59
3
Ştiinţa este cunoaşterea organizată”-
(Immanuil Kant)
1. METODOLOGIA CERCETĂRII
1.1 Metode ştiinţifice
Metoda Ştiinţifică este algoritmizarea obţinerii cunoştinţelor şi
procedeelor necesare pentru cunoaşterea adevărului. Metodele
ştiinţifice se separă convenţional în cele teoretice şi empirice (de
experimentare).
Criteriul important al metodei ştiinţifice este obiectivitatea
acesteia. Al doilea criteriu este cel al falsificabilităţii lui Popper:
“Metoda ştiinţifică trebuie să fie falsificabilă în principiu”.
Ipoteza, teoria şi chiar legea se consideră falsificabile, dacă
există posibilitatea contestării experimentale a lor. Afirmaţiile:
pV=νRT sau CO2+H2O→H2CO3 sunt falsificabile prin experiment.
Dimpotrivă, afirmaţia “Zodia Gemenilor se află sub influenţa
Lunii...” se află în afară ştiinţei, deoarece nu este falsificabilă.
Metode teoretice (de interpretare, analiză şi sinteză):
o formularea ipotezelor (ipoteza = presupunere fără dovezi);
o elaborarea teoriilor (teoria = afirmaţia cu forţa de prezicere);
o modelarea ştiinţifică (crearea şi cercetarea modelelor
obiectului, transferarea cunoştinţelor obţinute pe obiectul real);
o stabilirea legilor (legea ştiinţifică = afirmaţia verbală sau
ecuaţia matematică, acceptată actual de comunitatea ştiinţifică).
Metode empirice (de experimentare):
o acumularea observaţiilor (atât întâmplătoare, cât şi organizate);
o măsurarea parametrilor cantitativi;
o realizarea experimentului (experiment = verificarea ipotezei);
o cercetarea ştiinţifică (ansamblu din mai multe experimente).
Metoda ştiinţifică posedă următoarele caracteristici:
− atitudinea critică faţa de interpretările altor cercetători;
− documentarea minuţioasă a observaţiilor proprii;
− verificarea reproductibilităţii rezultatelor experimentale;
− evaluarea critică a corectitudinii interpretărilor proprii;
− acces la date iniţiale şi interpretări, publicarea rezultatelor.
4
1.2 Esenţa modelării matematice
Modelul matematic este reprezentarea virtuală a obiectului sau
fenomenului real prin intermediul limbajului algoritmizat.
Modelarea matematică constă din elaborarea şi cercetarea
modelului, transferarea informaţiei obţinute pe obiectul real.
Modelul matematic adevărat posedă următoarele caracteristici:
o Corespunde cu obiectul cercetat după criterii calitative;
o Este capabil să substituie obiectul real cu cel virtual;
o Furnizează informaţii cantitative despre obiectul modelat;
o Poate să prezică comportamentul sistemului sau al obiectului.
Modelarea matematică presupune realizarea următoarelor obiective:
o Reducerea costurilor şi timpului cercetărilor;
o Evitarea experimentelor foarte complicate sau imposibile;
o Obţinerea rapidă a soluţiilor unor probleme practice.
Modelarea matematică soluţionează următoarele probleme:
o Problema directă, rezolvarea căreia constă în determinarea
influenţei unor factori asupra obiectului, supus modelării;
o Inversă, soluţionarea căreia prezintă stabilirea cauzei apariţiei
proprietăţii măsurabile, caracteristice obiectului modelării.
1.2.1 Clasificarea modelelor matematice
Clasificarea formală binară (dihotomică, antagonistă):
o Liniare / Diferenţiale ;
o Concentrate / Dispersate ;
o Statice / Dinamice ;
o Deterministe / Statistice (statistic = stocastic = stohastic) ;
o Rigide (puternic idealizate) / Blânde (slab idealizate) .
Clasificarea conceptuală reflectă atitudinea cercetătorului:
o Ipotetic (“probabil, că ...”; “aceasta ar putea însemna…”);
o Fenomenologic (“obiectul se comportă, parcă ...”);
o Maximalist (“considerăm influenţa maximă (minimă)...”);
o Simplist (“omitem unii parametri puţin semnificativi ...”);
o Euristic (Intuitive, a Bunului simţ) (“se simte, că ...”);
o Analogic (“sistemul se comportă asemănător cu ...”);
o Experimentului Mental (Demonstrării (Im)Posibilităţii).
5
Clasificarea modelelor după transparenţă (figura 1.1):
o Structurale (geometrice; grafice; “cutie neagră”);
o Funcţionale (algebrice; “cutie transparentă”);
o Structural-funcţionale (combinate; “cutie sură”).
mecanism mecanism
6
4. Instalaţii pentru modelare şi/sau măsurare a unor proprietăţi.
5. Algoritme standardizate: modele-standard, verificate şi aprobate
de cercetători, aparent corecte, până la o eventuală falsificare.
Algoritmul de rezolvare a unei probleme ştiinţifice (figura 1.2)
impune respectarea criteriului Popper, dar nu şi garantează
corectitudinea absolută a rezolvării obţinute.
Căutarea contr-argumentelor
nu sunt sunt
8
Auto-suficienţa obiectivelor presupune independenţa acestora
de alte obiective de acelaşi nivel, cu referinţă la un rezultat concret.
Obiectivul-cadru este un obiectiv de nivel mediu sau înalt, în
funcţie de tipul cercetării şi ambiţia echipei. Acesta defineşte scopul
final al cercetării, fără dezvăluirea detaliilor concrete.
Nivel mediu: Să optimizeze tehnologia de producere a maionezei.
Nivel înalt: Să elaboreze substituentul structural al maionezei.
Obiectivele operaţionale (nivel mediu sau inferior) sunt
subordonate realizării obiectivului-cadru. Ele definesc stadiile şi
metodele concrete de cercetare, conturând unele rezultate scontate.
- Să se determine influenţa concentraţiei de lecitină asupra
procesului de formare a emulsiei;
- Să se calculeze raportul optim al componentelor;
- Să se determine stabilitatea Sunset Yellow în produsul final,
folosind cromatografia şi spectroscopia diferenţială;
- Să se efectueze testarea microbiologică a produsului final;
- Să se elaboreze brevetul de invenţie şi prescripţiile tehnice.
10
Analiza bibliografică este prelucrarea critică a informaţiei din
mai multe surse calitative (I, II, III). Se indică contradicţii, lacune,
inexactităţi, cu referinţe la surse respective. Se evită transcrierea şi
citarea directă (calchierea). Se dezvăluie starea actuală a
cunoştinţelor în domeniul studiat şi se argumentează, cum veţi putea
contribui la rezolvarea problemei.
11
Algoritmul cercetării ştiinţifice, adică descoperirii adevărului,
demonstrează locul superior al experimentului în realizarea acesteia:
Întâmplare Experienţă Modelare ştiinţifică
(Observaţii) (Încercări) (Ipoteza + EXPERIMENT)
– fabrica
0.1-10000
Viteza agitării φ η, C, Inst
min-1
Gradul de dispersie şi
a 10-9...10-3 m φ, Inst, TF, τ
omogenitatea dispersiei
Compoziţia ω mono,..., poli τ, TF, pH
Indicele de hidrogen pH 2-12 t, C, τ
-8
10 …10mol/L
chimici
Concentraţia C t, a, pH, τ
10-6…100%
Tensiunea superficială σ 10…100mJ/m2 C, t, pH, M
Masa moleculară a
M 103...108 g/mol ω, pH, τ
polimerilor
Tabelul 1.2 evidenţiază următoarele momente:
- practic nu există nici un factor de influenţă, absolut independent
de alţi factori); excepţie prezintă factorul cinetic, τ ;
- cei mai influenţi şi cei mai puţin influenţaţi sunt τ şi t ;
- influenţa reciprocă a factorilor întotdeauna va avea un caracter
specific, unic, fără a fi extrapolată de la un sistem la altul.
Doi, iar câteodată şi mai mulţi factori independenţi pot exercita
acţiunea concomitentă asupra sistemului.
Interacţiunea factorilor poate fi de 3 feluri:
13
o Acţiunea sinergică (sinergism, supra-adiţie) – influenţa
comună a doi factori e mai mare decât suma aporturilor
fiecăruia.
Exemplu: Adăugarea a 1% de alcool măreşte termenul de păstrare
a vinului cu 1 an, iar adăugarea a 1% de zahăr cu 4 luni. La
suplimentarea concomitentă cu ambele substanţe, termenul de
păstrare se măreşte cu 4 ani (de 3 ori mai mult, decât suma
influenţelor lor).
Menţionăm, că acţiunea sinergică poate fi atât “bună” (benefică
pentru parametrii sistemului studiat), cât şi “rea” (nedorită).
o Acţiunea antagonistă – influenţa concomitenta a doi factori este
mai mică, decât influenţa separată a fiecăruia dintre ei.
Exemplu: Alcoolii graşi şi hidrocarburile extrag bine grăsimile. La
anumită proporţie a lor procesul de extracţie devine foarte greu,
fiindcă alcoolul gras în amestec cu hidrocarbura se comportă ca
substanţă tensioactivă, transformând sistemul în emulsie stabilă.
o Acţiunea latentă se manifestă, când un al treilea factor se
activează datorită altor doi factori. De aceea acţiunea latentă poate
avea un caracter aparent sinergic sau antagonist.
Exemplu: Colorantul se extrage mai eficient fie la creşterea
temperaturii, fie la creşterea vitezei de agitare a amestecului
materie primă-solvent. La amplificarea concomitentă a valorilor
acestor factori cantitatea colorantului în extract scade contrar
aşteptărilor. A fost propusă ipoteza, conform căreia pierderile
colorantului se datorează oxidării rapide la temperaturi şi vitezei
de agitare ridicate.
Fenomenul de interacţiune a mai multor factori îngreunează
interpretarea corectă a influenţei acestora, ducând la efecte care
contrazic cunoştinţele acumulate a priori. Astfel de cazuri prezintă
un interes deosebit în cadrul cercetării, devenind posibilă
falsificarea cunoştinţelor existente şi formularea unor ipoteze noi.
14
“Statistica poate dovedi orice … chiar şi adevărul”
(Noel Moynihan)
2. STATISTICĂ ŞI PRELUCRAREA DATELOR
17
X X X A (2.1)
a b
ΔXGr
ΔXS
XE X X X A X * X X X X
intervalul de încredere
Fig.2.1 Clar despre erori - ©
20
Exemple:
incorect: corect:
x = 34.0 ± 0.56 mm x = 34.0 ± 0.6 mm
pK = 4.537 ± 0.1432 pK = 4.54 ± 0.15
n = 756.431 ± 34.4 n = 756 ± 35
t = 345.356 ± 1.534 0C t = 345.4 ± 1.6 0C
m☼ = (1,9889 ± 0,00024)·1030kg m☼ = (1,9889 ± 0,0003)·1030kg
zp = (1.6021892±0.0000046)·10-19 zp = 1.6021892(46)·10-19 Cl
1 m
m1 ( X k X )2
m 1 k 1
(2.9)
21
în care TSt(f, q) este coeficientul Student pentru numărul gradelor de
libertate f şi incertitudine q (vezi şi Anexa 1).
Cele mai utilizate valori ale ponderii statistice P şi incertitudinii
q sunt, respectiv: P(q) = 0.99(0.01); 0.95(0.05); 0.9(0.1).
Exemplu: Pentru nivelul de încredere P = 0.95 (q = 0.05) şi
numărul datelor aleatoare în eşantion m = 3, numărul gradelor de
libertate f = 3 - 1 = 2. Din Anexa 1, sau folosind procedura
respectivă Excel din Anexa 3, determinăm, că TSt (0.05, 2) = 4.30.
Deviaţia medie a determinării mediei, X :
1 m
m
X
m(m 1) k 1
( X k X )2
m 1
m1
m
(2.12)
22
6. Se rotunjesc valorile X sau X după regulile din § 2.2.3, apoi
valoarea medie X după § 2.1.1. După rotunjire ultimele CS în
eroare şi în medie vor fi de acelaşi ordin.
7. Se reprezintă rezultatul final în forma: X X X pentru
eşantionul de date sau X X X pentru mulţimea de date.
Fie că a fost înregistrat un şir de date, alcătuit din 13 măsurări
experimentale directe. Acest şir se va numi totalitatea (generală) de
date. Calculăm valorile respective cu ajutorul calculatorului
ştiinţific sau prin intermediul procedurilor respective Excel, lista
selectivă a cărora este prezentată în Anexa 3.
Tabelul 2.1 Analiză a datelor cu eliminarea eşecului - ©
754 746 739 747 765 713 751 768 778
Date 756 749 779 757
Media provizorie X m* = 754
0 8 15 7 11 41 3 5 24 2 14 25 3
X X k Abateri ↑ Abateri
„acceptate” Abaterea cea mai mare „acceptate”
Date Date Eşecul experimentului Date
preluc- “normale” ↓ “normale”
rate 754 746 739 747 765 713 751 768 778 756 749 779 757
Media corectată X = 757.42 m =12.12 X = 3.65
Eroarea determinării mediei: X X TSt (0.05,11) = 3.65 · 2.20 = 8.03
Forma finală de prezentare a valorii medii: X = 757.4 ± 8.1
Din cele 12 măsurări, rămase după cenzurarea eşecului, pot fi
extrase la întâmplare câteva cifre, acestea formând eşantionul de
date aleatoare, sau mai multe astfel de eşantioane. Aici am extras 4
eşantioane a câte 3 date, numărul variantelor fiind mai mare.
Tabelul 2.2 Exemple de extracţie a eşantioanelor de date aleatoare
N X1 X 2 X 3 XN m1 X N X N X N X N
1 754 765 757 758.67 5.69 24.46 X1 = 759 ± 25
2 746 751 778 758.33 17.21 74.00 X2 =758 ± 74
3 739 768 749 752.00 14.73 63.34 X3 = 752 ± 64
4 747 756 779 760.67 16.50 70.96 X4 = 761 ± 71
23
Toate valorile XN din Tabelul 2.2 se încadrează în limitele
intervalului de încredere, calculat pentru mulţimea generală de date
(Tabelul 2.2). De asemenea, valorile ΔXN sunt cu mult mai mari
decât valoarea X , calculată pentru mulţimea generală de date.
Aşadar, numărul mai mare de repetări micşorează eroarea
determinării parametrului măsurat.
24
Vinst . 0.05
% 100% 100% 2.5%
V 2.00
Deseori se întâmplă că clasa de precizie a aparatului nu este
cunoscută (a fost pierdută documentaţia, s-au şters inscripţiile
respective etc.). În aceste cazuri se consideră că eroarea
instrumentală poate fi apreciată după scara aparatului, sau
determinată experimental.
Eroarea absolută a scării, ∆Xscara , se determină ca 1/2 sau 1/3
din valoarea diviziunii VD a aparatului:
1 1
X scara VD (2.17) sau X scara VD (2.18)
2 3
Coeficientul 1/3 se foloseşte în cazul unei diviziuni analogice mari,
dacă acul sau meniscul indicatorului se vede clar între diviziuni.
Pentru un aparat digital coeficientul respectiv este egal cu ½.
Pentru un eşantion din m măsurări “paralele” (repetate) a unei
mărimi, eroarea instrumentală se va calcula din formula:
X inst . (X eşantion ) 2 (X scara ) 2 (2.19)
în care ∆Xeşantion se calculează după formula (2.11).
Exemplu: Temperatura dintr-o încăpere a fost
măsurată din 20 în 20 de minute cu un termometru
(desen), timp de 2 ore. Calculaţi valoarea intervalului
de încredere la determinarea t, efectuând calcule în
baza eşantionului din 4 date aleatoare pentru P = 0.95.
τ, min 0 20 40 60 80 100 120
t, 0C 21 22 22 21 22 21 22
Rezolvare: Alegem un oricare set din 4 date aleatoare
şi calculăm t şi 41 , folosind procedurile respective
din Excel, sau un calculator ştiinţific: t = 21.5, 41 =
0.577. Din Anexa 1, TSt(0.05, 3) = 3.18. Atunci:
teşantion 4-1 TSt (0.05,3) = 0.577 · 3.18 = 1.84.
25
Valoarea diviziunii, VD = 20C. Respectiv, tscara = 0.667 0C.
m 3 m A' m m A'' m 3
intervalul de încredere
CN ech. V
27
CN CN 0.0112 0.1 0.0102 0.00112 0.0012
28
respectiv, CB = f(CA, VA, VB). Determinăm ΔCA , ΔVA şi ΔVB :
o din condiţiile problemei, ΔCA = ± 0.0016ech./l;
o pentru ΔVA utilizăm formula (2.19). Deoarece 3 titrări au dat
acelaşi rezultat, ΔVA, eşantion = 0; ΔVA, scara = 1/3VD = 1/3 · 0.1 = 0.034.
29
3. EXPERIMENTUL ACTIV
30
valorile replicii Y în întregul spaţiu factorial, va fi nevoie de un
număr infinit de experienţe.
Pentru un număr redus de experienţe, rezultatele satisfăcătoare
se vor obţine dacă valorile optime ale factorilor de intrare vor fi
determinate cu precizie suficientă pentru a se încadra în zona
apropiată maximumului sau minimumului suprafeţei de replică.
Această zonă mai poartă denumirea de “zona aproape staţionară”
sau “zona cu replica optimală”.
31
2,5 Y
2
1,5
1
y = 0,1681x + 0,6465
0,5 R2 = 0,9553
-1; -1 +1; -1
0
0 2 4 6 8 10 12 X1
-1; +1 +1; +1
suprafaţa de răspuns aproximaţia liniară
X2
Fig.3.2 Replica în 2D Fig.3.3 Replica ( ) în 3D
32
Matricea de planificare prezintă formalizarea matematică a
planului experimentului. Întocmirea matricei EFC include
următoarele etape:
A. Prin analiza informaţiei a priori se aleg j factori, influenţa
cărora va fi cercetată şi se codifică prin X1 ..... Xj. Aceşti factori
se vor numi factori de influenţă directă sau generatori de
matrice; se calculează numărul necesar de linii N (3.1).
B. Se prestabilesc valorile Xj,min şi Xj,max, respectiv, a intervalului
de variere a fiecărui factor de influenţă, ΔXj , folosind
algoritmul intuitiv, numit regulile de alegere a intervalului:
1. Dacă nivelul informaţiei a priori este înalt, adică, dacă
despre influenţa factorului respectiv se cunoaşte mult, ΔXj
va fi relativ mic şi va cuprinde în el valoarea a priori
cunoscută a lui Xj,optim .
2. Dacă informaţia a priori este insuficientă sau controversată,
se alege un interval ΔXj mare, iar valoarea presupusă
(intuită) a lui Xj,optim se va afla în interiorul intervalului ΔXj .
3. În cazul lipsei informaţiei a priori, ΔXj va fi cât mai posibil
de mare, concomitent, situat departe de valoarea ipotetică
(intuită de cercetător) a Xj,optim.
C. Valorile Xj(-) şi Xj(+) se codifică prin “-1”, “+1”, sau prin (-), (+).
Se întocmeşte o matrice din N rânduri, care va cuprinde toate
combinaţiile generatorilor de matrice în forma codificată. Se
calculează valorile codurilor factorilor de interacţiune.
Exemplu: Se determină umiditatea produsului finit în funcţie de
următorii factori: temperatura de coacere, durata de coacere şi
concentraţia unui agent nou de texturare în aluat. Este cunoscut că
pentru coacere toptimă ≈ 190°С, durata τ ≈ 40...70min. Influenţa
agentului nou de texturare nu a fost cercetată. Texturanţii manifestă
rezultate bune la concentraţii de cca 2%. Să se întocmească matricea
de planificare EFC.
33
Rezolvare:
A. Codificăm factorii de influenţă: temperatura (X1), durata (X2),
concentraţia agentului de texturare (X3). Numărul de experienţe
realizate în cadrul EFC 23 va fi egal cu: N = 23 = 8.
B. Aplicăm regulile de alegere a intervalului:
1. Influenţa factorului X1 este a priori cunoscută. În acest caz
ΔX1 va fi mic şi va cuprinde în el valoarea cunoscută a lui
X1,optim = 190°C. De ex., X1,min = 185°C, X1,max=195°C.
2. Informaţiile despre influenţa factorului X2 sunt diferite şi
merită a fi precizate. Din intervalul cunoscut (40...70
minute) intuim valoarea optimă a X2,optim ≈ 60min.
Respectiv, X2,“-” = 50min, iar X2,“+” = 70min.
3. Cazul corespunde Regulii 3. Valoarea intuită a X3,optim = 2%.
Intervalul trebuie să fie mare şi situat la distanţă bună de la
X3,optim. Se propune X3,“-” = 0.1%, X3,“+” = 0.5% de texturant.
Tabelul 3.1 Codificarea factorilor de influenţă
Factor Cod ( – ) X (centru) (+) ΔXj
Temperatura, °C X1 185 190 195 10
Durata, min X2 50 60 70 20
C(texturant), % X3 0.1 0.3 0.5 0.4
34
Matricea de planificare în vari- Tabelul 3.3 Matrice de planificare
abile codificate este necesară EFC 23 în coordonate reale
pentru interpretarea ulterioară Factori-generatori
N
a datelor şi, în cele din urmă, t, °C τ, min C, %
elaborarea modelului. Pentru 1 + 195 + 70 + 0.5
2 + 195 + 70 - 0.1
realizarea experimentului va fi
3 + 195 - 50 + 0.5
utilă matricea de planificare în 4 + 195 - 50 - 0.1
coordonatele reale (tabelul 5 - 185 + 70 + 0.5
3.3). Acest lucru se face prin 6 - 185 + 70 - 0.1
substituţia valorilor codificate 7 - 185 - 50 + 0.5
ale factorilor generatori X1, 8 - 185 - 50 - 0.1
X2, X3 din tabelul 6 cu valorile lor reale din tabelul 5. După cum se
observă, planul real al experimentului conţine 8 experienţe, în
cadrul cărora niciodată nu se repetă acelaşi set de valori al factorilor
generatori de matrice şi de interacţiune.
Menţionăm, că matricea cu 3 factori-generatori (tabelul 3.2) se
utilizează cel mai frecvent, astfel asigurând cercetarea amplă a
sistemului (influenţa a 3 factori independenţi şi aporturilor
interacţiunilor lor, la un număr relativ mic de experienţe).
Elaborarea matricelor în variabile codificate necesită
respectarea următoarelor reguli:
o Numărul semnelor “+” şi “–” în coloană va fi egal.
o Semnele respective se vor aranja simetric în “semicoloane”.
o Dacă matricea este întocmită corect, va exista un rând cu toate
semnele identice, şi N-1 rânduri cu acelaşi raport al semnelor
opuse; numărul semnelor “+” va coincide cu numărul celor de “–”.
Aplicarea acestor reguli aduce la mai multe variante echivalente
ale matricelor de codificare. Astfel, pentru EFC 22 vor fi posibile 12
variante de matrice, dintre care prezentăm doar 4 (tabelul 3.4):
Tabelul 3.4 Planificare a EFC 22 (binivelar bifactorial)
I X1 X2 X12 II X1 X2 X12 III X1 X2 X12 IV X1 X2 X12
1 + + + 1 + - - 1 - + - 1 - - +
2 + - - 2 + + + 2 - - + 2 - + -
3 - + - 3 - - + 3 + + + 3 + - -
4 - - + 4 - + - 4 + - - 4 + + +
35
Tabelul 3.5 Matrice completă de planificare a EFC 24
Factorii de interacţiune
Factori-generatori
N dublă, Xjk triplă, Xjkl Xjklm
X0 X1 X2 X3 X4 X12 X13 X14 X23 X24 X34 X123 X124 X134 X234 X1234
1 + + + + + + + + + + + + + + + +
2 + + + + - + + - + - - + - - - -
3 + + + - + + - + - + - - + - - -
4 + + + - - + - - - - + - - + + +
5 + + - + + - + + - - + - - + - -
6 + + - + - - + - - + - - + - + +
7 + + - - + - - + + - - + - - + +
8 + + - - - - - - + + + + + + - -
9 + - + + + - - - + + + - - - + -
10 + - + + - - - + + - - - + + - +
11 + - + - + - + - - + - + - + - +
12 + - + - - - + + - - + + + - + -
13 + - - + + + - - - - + + + - - +
14 + - - + - + - + - + - + - + + -
15 + - - - + + + - + - - - + + + -
16 + - - - - + + + + + + - - - - +
36
3.1.2 Ecuaţii de regresie
în care:
o Y – răspunsul (replica) sistemului;
o β0 – valoarea replicii sistemului în centrul experimentului –
X j , coordonatele căruia corespund centrelor intervalelor de variere
X j ( situat în punctul , figura 3.3):
X j ( ) X j ( )
Xj (3.5)
2
o β1 ... βi – coeficienţii de influenţă ai factorilor de intrare;
o X1 ... Xi – factorii de influenţă în formă codificată;
o βjj pe lângă Xj2 – coeficienţi de influenţa “pătratică” a factorilor
respectiv Xj;
o βjk pe lîngă Xjk – coeficienţi de interacţiune ai factorilor Xj şi
Xk .
Polinomul (3.4) se va simplifica substanţial prin neglijarea
coeficienţilor exponenţiali: pătratici, cubici etc. Astfel se obţine
modelul numit ecuaţia de regresie în aproximaţia liniară:
j j k j k l
Y 0 X 0 j X j jk X jk jkl X jkl ... (3.6)
1 1 1 1 1 1
37
Trebuie menţionat că în timp ce interacţiunea a doi factori se
manifestă destul de frecvent, interacţiunea a trei factori se observă
mai rar. Probabilitatea interacţiunii în ansamblurile alcătuite de mai
mulţi factori (Xjkl, Xjklm) este redusă, coeficienţii respectivi βjkl, βjklm
sunt nesemnificativi. Acest lucru permite a extinde posibilităţile
metodei, substituind ansamblurile inactive de factori cu unii factori
generatori noi, trecând astfel la metoda EFF (vezi § 3.2).
Cea mai simplă ecuaţie de regresie, care rezultă din formulele
generale (3.4) şi (3.6), este ecuaţia unei drepte (vezi şi figura 3.2):
Y = β0 + β1 X1 (3.7)
38
Pe lângă faptul că replica sistemului este funcţia factorilor de
intrare, dirijaţi şi controlaţi de cercetător, aceasta mai este şi funcţia
factorilor latenţi, care nu se supun controlului experimental.
Influenţa acestor factori poate fi clarificată a posteriori sau chiar să
rămână nedezvăluită. Valorile cunoscute şi necunoscute ale
factorilor latenţi de influenţă pot avea şi deviaţii imprevizibile, care
sunt considerate drept evenimente aleatoare. De aceea, pentru
validarea statistică a rezultatelor experimentului fiecare experienţă
“pe linie” trebuie să se realizeze cel puţin de 2-3 ori.
Vom numi YN,1 … YN,m – replici gemene ale sistemului în
cadrul experienţei cu numărul N, adică rezultatele experienţelor
gemene N1…Nm (efectuate în aceleaşi condiţii). Se consideră că
numărul optim de experienţe gemene este 3 pentru EFC 22 şi doar 2
pentru EFC 23. Un număr astfel de mic de repetări rezultă din faptul
că realizarea întregii matrice de planificare a EFC 23 va necesita 8 ×
2 = 16 experienţe, adică aprecierea statistică se va face dintr-un
eşantion de date destul de mare. Se va calcula media replicii, care
rezultă din m sau din 2 experienţe-gemene:
1 m
YN YN ,i
m i 1
(3.10)
YN
1
2
YN , A YN ,B (3.11)
1 8
j' YN X N , j ' .
8 N 1
(3.13)
39
Aducem câteva exemple de calculare a coeficienţilor βj' în baza
matricei de planificare din Tabelul 3.2, reprodus pentru comoditate:
Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8 generatori de interacţiune
Fact.
1 N 2 1 N 2
matrix
2
N
N 1
(3.16) matrix
2
N
8 1
(3.17)
matrix
2
matrix
2
(3.18) (3.19)
N m 16
Deoarece, conform formulei 2.11, Δβ = σβ · TSt , în ecuaţii de
regresie vor fi valabili din punct de vedere statistic doar coeficienţii
β, modulul cărora depăşeşte valoarea respectivă a Δβ. De aceea
valoarea Δβ se notează ca βcritic, reprezentând limita critică de jos a
validităţii statistice a modelului, sau, cu alte cuvinte, eroarea
absolută a determinării coeficienţilor de regresie (de influenţă):
critic TSt ( q , f ) (3.20)
40
În acest caz valoarea criteriului Student se va alege pentru
numărul gradelor de libertate al sistemului f = N-1 şi P(q) respectiv.
Coeficienţii de influenţă β se vor considera semnificativi sau
nesemnificativi, în comparaţie cu coeficientul de validitate βcritic:
o Coeficientul β este semnificativ, dacă: critic (3.21)
o Coeficientul β este nesemnificativ, dacă: critic (3.22)
Sensul fizic al coeficientului de validitate statistică βcritic , ca
eroare absolută a determinării coeficienţilor βj , impune necesitatea
respectării rigorilor, referitoare la rotunjirea erorilor şi mediilor.
41
Corelaţiile terminologice între replică, coeficienţi şi factori,
care fac parte din ecuaţiea de regresie, sunt generalizate pe figura
3.5.
Fon (factori ne- sistem Replica
semnificativi) real sistemului, Y
semnificativi nesemnificativi
Replica critic 2.9 Coeficienţi
42
Eliminarea “fonului” din ecuaţia de regresie din figura 3.5 cu
ajutorul formulei 3.23 se va sconta cu obţinerea ecuaţiei de regresie
în forma finală (modelului matematic).
Ŷ = 81.9 +13.5X1 -19.8X 2 + 8.6X3 + 5.4X12 - 7.7X13 (3.24).
βcritic = 2.9
N2 ,Y YN YN
2
(3.25)
rem
2
Dacă FP ( q ), f , f , modelul descrie adecvat sistemul . (3.30)
matrix
2 1 2
rem
2
Dacă FP ( q ), f , f , modelul nu este adecvat . (3.31)
matrix
2 1 2
43
3.1.5 Importanţa factorilor înlocuibili (nesemnificativi)
44
Matricele EFC 22 , EFC 23 şi EFC 24 permit crearea a respectiv
1, 4 şi 11 planuri EFF, numărul cărora corespunde cu numărul
factorilor de interacţiune neinfluenţi din EFC corespunzător (tabelul
3.7). Utilizarea matricei EFC 23 pentru experimentul EFF este foarte
convenabilă, fiindcă sistemul va fi cercetat amplu prin număr mic
de experienţe.
Pentru cazul acesta ecuaţia după planul EFF 25-2 va avea aspectul:
45
3.3 Optimizarea replicii prin Ascensiunea pe Gradient
j , AG j X j
X teoretic . (3.33)
2. Dintre valorile determinate ale paşilor teoretici se alege o
valoare, maximă după modul. Aceasta deseori este absurdă din
punct de vedere al realizării practice a ei. De aceea se intuieşte
46
un coeficient Kintuitiv, care transformă pasul în unul “rezonabil”
(“realizabil”):
X teoretic
X calculat
j , AG
j , AG . (3.34)
K intuitiv
3. Paşii de ascensiune mai mici se recalculează la fel, folosind
aceiaşi valoare a Kintuitiv. Recomandăm să efectuaţi rotunjirea
valorilor obţinute ale paşilor până la o CS “bună”, adică, cea
care aparţine mulţimii: (1, 2, 5)·10 n, în care n sunt numere
întregi.
X calculat
j , AG
1CS "bună "
X jpractic
, AG . (3.35)
X 3,teor .
AG = 8.6 · 0.4 = 3.44% X 3,pract .
AG = +0.0172→+0.02%
Experiment de optimizare
NAG
X AG
j ,0 X pract .
j , AG
1 2 3 4 5 6 7
X1 190 +0.50C 190.5 191 191.5 192 193.5 194 194.5
X2 60 -2min 58 56 54 52 50 48 46
X3 0.3 +0.02% 0.32 0.34 0.36 0.38 0.40 0.42 0.44
Yoptimizat 81.9 --- 130.3 162.6 172.5 174.4 173.1 172.9 172.3
Ysupl. --- --- 3.9 7.6 9.1 8.8 8.4 7.3 5.2
48
4. PRELUCRAREA REZULTATELOR
Există foarte multe posibilităţi de interpretare şi reprezentare
grafică a rezultatelor experimentale. Acestea pot fi convenţional
clasificate în următoarele grupuri:
o graficele funcţiilor matematice;
o diagramele standard;
o modelele grafice (scheme şi schiţe).
Modul ales de prezentare grafică a datelor experimentale
influenţează şi procesul de interpretare a acestora. Alegerea greşită
a modului de prezentare poate duce la interpretarea incompletă,
parţială sau incorectă a rezultatelor experimentului.
4.1 Regulile de construire a graficelor funcţiilor
Din punct de vedere matematic, construirea graficului funcţiei
este posibilă doar în cazul, dacă există dependenţa funcţională
y = f (x), derivabilă şi integrabilă. În termenii modelării matematice,
graficul funcţiei este reprezentarea vizuală a replicii sistemului y în
dependenţă de valorile factorilor de intrare x. Exemple clasice de
astfel de dependenţe funcţionale sunt A = f (C) sau pH = f (V).
Argumentele acestor funcţii, C şi V, pot avea valori întregi sau
fracţionare, fiind măsurate cu precizie, corespunzătoare metodei.
Construind graficul unei funcţii, respectaţi următoarele reguli:
1. Respectaţi legătura cauza-efect, plasând argumentul funcţiei pe
axa OX, iar valoarea ei pe axa OY.
Nu inversaţi axele graficului !
2. Zonele de lucru ale ambelor axe trebuie să fie comensurabile,
raportul lungimilor lor să nu depăşească 1/2…2/1.
Remarcă: Alegeţi scara astfel, ca dreapta să fie situată sub unghi
de 30…600. Unghiul de 450 este optim, deoarece oferă graficului
un aspect estetic frumos şi asigură eroarea minimă.
3. Indicaţi simbolurile variabilelor şi a unităţilor de măsură pe axele
respective, sau denumirile parametrilor respectivi.
4. Scara, construită corect, va avea un pas constant, multiplu cu una
din cifrele semnificative bune (1, 2, 5)·10 n, unde n - un număr
întreg, negativ sau pozitiv.
49
Remarcă: Pentru pasul scării se admit şi valorile 2.5 , 4 şi
multiplele lor (25, 40, 2500, 4·10-5); însă, utilizarea lor provoacă
incomodităţi. Este interzisă utilizarea “cifrelor rele”: 3, 6, 7, 8, 9
şi a multiplelor acestora. Regula utilizării cifrelor semnificative
“bune” (1, 2, 5) se referă în aceeaşi măsură şi la numărul
pătratelor milimetrice pe scară.
5. Respectaţi valoarea aleasă a pasului pe întreaga lungime a scării !
6. Nu construiţi axele după care veţi depune puncte experimentale !
7. Dacă mărimea respectivă este scrisă în formă exponenţială, în
unele cazuri, îşi va inversa semnul pe axa graficului şi în capul
tabelului. Analizaţi atent utilizarea semnelor de punctuaţie în
următoarele exemple:
50
o constantă, cunoscută a priori sau determinată prin metoda mai
precisă în cadrul unui alt experiment;
o valoarea iniţială, finală sau “firească” a parametrului măsurat.
Remarcă: În lipsa erorii sistematice, graficul va trece prin
punctul credibil. Existenţa punctului credibil şi măsurarea
experimentală a parametrului măsurat în condiţiile respective va
permite calcularea ΔXsist. ; în acest caz pot fi efectuate toate
corectările respective.
55
4.5 Arta formulării concluziilor
Apogeul cercetării, esenţa, concentraţia maximă a valorii ei
ştiinţifice sunt concluziile. Din cauza concluziilor slabe, lucrarea
pierde considerabil în relevanţă. Concluziile ştiinţifice pot fi:
o sintetice (de generalizare); o cauzale unice;
o analitice, sau de deducţie; o cauzale consecutive.
56
o dezvăluie momente negative în termeni optimişti;
pesimistă: “Produsul nu poate fi obţinut fără stabilizatori”;
optimistă: “Produsul lipidic poate fi obţinut cu stabilizatori”.
o conţin elemente de perspectivă sau au forţă de prezicere.
4.5.3 Formularea concluziilor după un algoritm
Fiecărui explorator îi este caracteristic modul propriu de
gândire şi stilul de exprimare. Orice problemă este văzută de diferiţi
oameni în culori emoţionale diferite. De aceea, procesul de creaţie
se supune foarte greu “formalizării”. Soluţia care permite a împăca
particularităţile individuale ale cercetătorului (autorului) cu rigorile,
impuse de metoda ştiinţifică (noutatea, obiectivitatea şi
falsificabilitatea), ar fi un algoritm nu prea detaliat. În acest
algoritm vor fi utilizate procedeele clasice de convingere:
o Se fac 1-2 enunţuri cu caracter pozitiv, apoi 1 negativ;
o După un “nu se poate” urmează un “se poate”;
o Consecutivitatea corectă: puternic → mediu → foarte puternic.
Totuşi, aceste procedee se vor folosi doar pentru plasarea
corectă a accentelor, dar nici într-un caz pentru fraudare.
Algoritmul formulării unui set de CONCLUZII:
o Rezultat pozitiv (aşteptat, scontat, prognozabil, corelat cu
obiectivele propuse, sau invers: neaşteptat, dar “bun”);
o Laudă obiectivă (se referă la precizia, noutatea, originalitatea,
simplitatea, corelaţii cu alte rezultate independente etc.);
o Critică optimistă (rezultate negative neaşteptate, eşecuri,
lacune, probleme nerezolvate, contradicţii cu alţi cercetători etc.);
o Rezultat pozitiv relevant (acoperă “neajunsurile” concluziei
precedente prin pozitivitatea şi importanţa sa teoretică şi practică);
o Rezultat cu perspectivă (valoarea practică a rezultatelor,
rezolvarea altor probleme, continuarea studiului, brevetare etc.).
*********
Post Scriptum:
“Stiinţa nu rezolvă nici o problemă, fără a mai formula încă 10”
(George Bernard Shaw)
57
BIBLIOGRAFIA
58
ANEXE
Anexa 1. Valorile coeficienţilor Student, TSt(q, f)
Nivelul de încredere / de încertitudine ( P / q )
f
0.6/0.4 0.8/0.2 0.9/0.1 .95/.05 .98/.02 .99/.01 .999/.001
1 1.38 3.08 6.31 12.7 31.8 63.7 637
2 1.06 1.89 2.92 4.30 6.97 9.93 31.6
3 0.978 1.64 2.35 3.18 4.54 5.84 12.9
4 0.941 1.53 2.13 2.78 3.75 4.60 8.61
5 0.920 1.48 2.02 2.57 3.37 4.03 6.86
6 0.906 1.44 1.94 2.45 3.14 3.71 5.96
7 0.896 1.42 1.90 2.37 3.00 3.50 5.41
8 0.889 1.40 1.86 2.31 2.90 3.36 5.04
9 0.883 1.38 1.83 2.26 2.82 3.25 4.78
10 0.879 1.37 1.81 2.23 2.76 3.17 4.59
11 0.876 1.36 1.80 2.20 2.72 3.11 4.44
12 0.873 1.36 1.78 2.18 2.68 3.06 4.32
13 0.870 1.35 1.77 2.16 2.65 3.01 4.22
14 0.868 1.35 1.76 2.15 2.62 2.98 4.14
15 0.866 1.34 1.75 2.13 2.60 2.95 4.07
30 0.854 1.31 1.70 2.04 2.46 2.75 3.65
60 0.848 1.30 1.67 2.00 2.39 2.66 3.46
120 0.845 1.29 1.66 1.98 2.36 2.62 3.37
∞ 0.842 1.28 1.65 1.96 2.33 2.58 3.29
Coeficientul Student pentru alte valori ale P/q şi f se calculează cu
procedura Excel: TINV(q; f), sau СТУДРАСПОБР(q; f) (An. 3).
Comentarii:
o Numărul gradelor de libertate, f, se calculează ca f = m – 1
pentru ansamblul din m date şi pentru un eşantion din m date
aleatoare;
o Utilizarea numărului mai mare de 3 CS în coeficientul Student
este inutilă, deoarece TSt se foloseşte pentru aprecierea erorii,
precizia prezentării căreia nu poate depăşi două CS. Aşadar, trei CS
în coeficientul Student asigură o cifră semnificativă suplimentară,
necesară, dar şi suficientă pentru precizia calculelor intermediare.
59
Anexa 2. Valorile Coeficienţilor Fisher, Fq , f1 , f 2
Certitudinea P = 0.95 / Incertitudinea q = 0.05
f1
1 2 3 4 5 6 8 12 24 ∞
f2
1 161 200 216 225 230 234 239 244 249 254
2 18.5 19.0 19.2 19.3 19.3 19.3 19.4 19.4 19.5 19.5
3 10.1 9.55 9.28 9.12 9.01 8.94 8.84 8.74 8.64 8.53
4 7.71 6.94 6.59 6.39 6.26 6.16 6.04 5.91 5.77 5.63
5 6.61 5.79 5.41 5.19 5.05 4.95 4.82 4.68 4.53 4.36
6 5.99 5.14 4.76 4.53 4.39 4.28 4.15 4.00 3.84 3.67
7 5.59 4.74 4.35 4.12 3.97 3.87 3.73 3.57 3.41 3.23
8 5.32 4.46 4.07 3.84 3.69 3.58 3.44 3.28 3.12 2.93
9 5.12 4.26 3.86 3.63 3.48 3.37 3.23 3.07 2.90 2.71
10 4.96 4.10 3.71 3.48 3.33 3.22 3.07 2.91 2.74 2.54
15 4.54 3.68 3.29 3.06 2.90 2.79 2.64 2.48 2.29 2.07
3.84 2.99 2.60 2.37 2.21 2.09 1.94 1.75 1.52 1.00
Certitudinea P = 0.90 / Incertitudinea q = 0.10
f1
1 2 3 4 5 6 8 12 24 ∞
f2
1 39.9 49.5 53.6 55.8 57.2 58.2 59.4 60.7 62.0 63.3
2 8.53 9.00 9.16 9.24 9.29 9.33 9.37 9.41 9.45 9.49
3 5.54 5.46 5.39 5.34 5.31 5.28 5.25 5.22 5.18 5.13
4 4.54 4.32 4.19 4.11 4.05 4.01 3.95 3.90 3.83 3.76
5 4.06 3.78 3.62 3.52 3.45 3.40 3.34 3.27 3.19 3.11
6 3.78 3.46 3.29 3.18 3.11 3.05 2.98 2.90 2.82 2.72
7 3.59 3.26 3.07 2.96 2.88 2.83 2.75 2.67 2.58 2.47
8 3.46 3.11 2.92 2.81 2.73 2.67 2.59 2.50 2.40 2.29
9 3.36 3.01 2.81 2.69 2.61 2.55 2.47 2.38 2.28 2.16
10 3.29 2.92 2.73 2.61 2.52 2.46 2.38 2.28 2.18 2.06
15 3.07 2.70 2.49 2.36 2.27 2.21 2.12 2.02 1.90 1.76
2.71 2.30 2.08 1.94 1.85 1.77 1.67 1.55 1.38 1.01
60
Anexa 3. Unele funcţii utile din Microsoft Office Excel
Procedura Excel, versiunea
..... calculează
Engleză / Rusă .....
AVERAGE / СРЗНАЧ media aritmetică
CONFIDENCE / ДОВЕРИТ intervalul de încredere
DEVSQ / КВАДРОТКЛ suma pătratelor deviaţiilor
FINV / FРАСПОБР valoarea coeficientului Fisher
FORECAST / ПРЕДСКАЗ valoarea prezisă a funcţiei liniare
MMULT / МУМНОЖ produsul matricelor
POWER / СТЕПЕНЬ rezultatul ridicării la putere
PRODUCT / ПРОИЗВЕД produsul argumentelor
ROUND / ОКРУГЛ valoarea rotunjită
SIGN / ЗНАК semnul numărului
SQRT / КОРЕНЬ rădăcina pătrată
STDEV / СТАНДОТКЛОН deviaţia standard a eşantionului de date
STDEVP / СТАНДОТКЛОНП deviaţia standard a totalităţii de date
SUM / СУММ suma argumentelor
SUMIF / СУММЕСЛИ suma celulelor care satisfac condiţia
SUMPRODUCT /
suma produselor elementelor matricei
CУММПРОИЗВ
SUMSQ / СУММКВ suma pătratelor argumentelor
SUMX2MY2 / СУММРАЗНКВ suma diferenţelor pătratelor
SUMX2PY2
suma sumelor pătratelor
СУММСУММКВ
SUMXMY2 / СУММКВРАЗН suma pătratelor diferenţelor
TINV / СТЬЮДРАСПОБР coeficientul Student
VAR / ДИСП dispersia eşantionului de date
VARP / ДИСПР dispersia generală (a mulţimii de date)
61
Anexa 5. Unele derivate şi formule de diferenţiere
(a) ' 0 (ax n ) ' anx n 1
(eax ) ' ax ax (e f ( x ) ) ' f '( x) e f ( x )
(a x ) ' a x ln a (log a x ) '
1
x ln a
1 f '( x)
(ln x ) ' (ln f ( x)) '
x f ( x)
(sin x)' cos x (cos x) ' sin x
1 ' cos x
(cos ec x) ' 2 ctgx cos ec x
sin x sin x
1 ' sin x
(sec x) ' tgx sec x
cos x cos 2 x
1 1
(arcsin x) ' (arccos x) '
1 x2 1 x2
1 1
(tgx ) ' 2
sec 2 x (ctgx) ' 2 cosec 2 x
cos x sin x
1 x a
(arctg x) ' (arcctg ) ' 2
1 x 2
a a x2
x ' a x ' a
arctg 2 arcctg 2
a a x 2
a a x2
Derivata sumei:
f1 ( x) f2 ( x) ' f1 ( x) ' f2 ( x) '
Exemplu: 2 x3 e2 x ' 6 x 2 2 x 2 x
Derivata produsului:
f1 ( x) f2 ( x) ' f1 ( x) ' f2 ( x) f2 ( x) ' f1( x)
1
Exemplu: cos x ln x ' ( sin x) ln x cos x
x
62
Anexa 6. Translator poliglot de termeni tematici
64
factor фактор factor
o semnificativ o - значимый o - significant
o imprevizibil o - непредвиденный o - unexpected
o latent o - скрытый o - latent
o de intrare o - входной o of entry
o de influenţă o - влияющий o of influence
(inter)acţiune (взаимо)действие (inter)action
o antagonistă o - антагонистское o - antagonistic
o implicită; latentă o - неявное; скрытое o - implicit; hidden
o reciprocă o - совместное o - joint
o sinergică o - синергетическое o - synergic
interval интервал interval
o de încredere o - доверительный o - confidence
o de variaţie o варьирования o of variation
linearitatea линейность linearity
o scării aparatului o шкалы прибора o - scale
literatura “sură” “самиздат” “home-literature”
matricea матрица matrix
o de planificare o планирования o - planning
o în coordonate … o в … координатах o in the… coordinates
.. codificate .. .. кодированных .. .. encoded ..
.. reale .. .. реальных .. .. real ..
măsurare измерение measurement
o aleatoare o - случайное o - random
o independentă o - независимое o - independent
o (in)directă o (не)прямое o - (in)direct
o instrumentală o - инструментальное o - instrumental
o repetată o - повторное o - repeat
nivelul уровень level
o de încredere o надёжности o - reliability
o de incertitudine o неопределённости o - insecurity
punctul точка point
o cenzurat, aruncat o - отбрасываемая o - censored
o credibil, sigur o - надёжная o - credible
răspunsul, replica ответ, отклик response
o sistemului o системы o - system
o modelului o модели o of model
65
reproductibilitatea воспроизводимость reproducibility
o datelor o данных o - data
o experienţelor o опытов o of experiences
rotunjirea округление rounding
o erorii o погрешности o of error
o specială o - особое o - special
o valorii medii/mediei o среднего (значения) o of average (value)
semireplica полуотклик semi-response
spaţiul пространство space
o factorial o - факторное o - factorial
suprafaţa поверхность surface
o de replică o отклика o - response
valoarea diviziunii цена деления division value
o (scării) aparatului o (шкалы) прибора o of the scale
suprafaţa поверхность surface
o de replică o отклика o - response
66
MODELAREA MATEMATICĂ A
EXPERIMENTULUI
Suport teoretic de curs
Redactor: E.Gheorghişteanu
--------------------------------------------------------------------------
Bun de tipar 06.10.14 Formatul hârtiei 60x84 1/16
Hârtie ofset. Tipar RISO Tirajul 60 ex.
Coli de tipar 4,25 Comanda nr. 91
--------------------------------------------------------------------------
U.T.M., 2004, Chişinău, bd. Ştefan cel Mare, 168
Editura „Tehnica – UTM”
MD – 2068, Chişinău, str. Studenţilor, 9/9
67
UNIVERSITATEA TEHNICĂ A MOLDOVEI
MODELAREA MATEMATICĂ A
EXPERIMENTULUI
Suport teoretic de curs
Y
-1; -1 +1; -1
X1
-1; +1 +1; +1
X2
2 2
Y Y
Y X 1 X 2
X 1 X 2
Y 458.4 2.7 Y 0.6%
Chişinău
2014
68