https://wiki.tntu.edu.ua/index.php?action=history&feed=atom&title=%D0%A6%D0%B5%D0%BD%D1%82%D1%80%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE_%D0%BA%D0%BE%D0%BC%D0%BF%D0%BE%D0%B7%D0%B8%D1%86%D1%96%D0%B9%D0%BD%D1%96_%D0%BF%D0%BB%D0%B0%D0%BD%D0%B8_%D0%91%D0%BE%D0%BA%D1%81%D0%B0 2026-05-10T15:17:21Z Історія редагувань цієї сторінки в вікі MediaWiki 1.30.0 https://wiki.tntu.edu.ua/index.php?title=%D0%A6%D0%B5%D0%BD%D1%82%D1%80%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE_%D0%BA%D0%BE%D0%BC%D0%BF%D0%BE%D0%B7%D0%B8%D1%86%D1%96%D0%B9%D0%BD%D1%96_%D0%BF%D0%BB%D0%B0%D0%BD%D0%B8_%D0%91%D0%BE%D0%BA%D1%81%D0%B0&diff=18604&oldid=prev 2013-04-25T19:45:01Z

<p>Створена сторінка: &#039;&#039;&#039;Плани Бокса&#039;&#039;&#039; дозволяють планувати експеримент у ситуаціях з малим рівнем апріорної ...</p> <p><b>Нова сторінка</b></p><div>'''Плани Бокса''' дозволяють планувати експеримент у ситуаціях з малим рівнем апріорної інформації про об’єкт дослідження, визначати оптимальні значення факторів, скорочувати загальне число дослідів у порівнянні з факторним експериментом у кілька разів, визначати ступінь впливу кожного фактора на досліджуваний параметр в області дослідження.<br /> <br /> Включення нового фактора в дослідження вимагає збільшення числа дослідів не більше, ніж у два рази. Коефіцієнти регресії визначаються легко, без застосування ЕОМ.<br /> <br /> При застосуванні методу крутого сходження спочатку ставлять невелику серію дослідів і одержують локальний опис невеликої ділянки поверхні відгуку поліномом першого ступеня, а також напрямок руху до майже стаціонарної області (області оптимальних значень). Потім рухаються в напрямку цієї області.<br /> Досягши майже стаціонарної області, ставлять велику серію дослідів за ортогональним або рототабельним планом. Одержують опис цієї області у вигляді полінома другого або третього ступеня.<br /> <br /> == Література ==<br /> Нечаєв В.П. Теорія планування експерименту / Нечаєв В.П., Берідзе Т.М., Кононенко В.В., Рябушенко Н.В., Брадул О.М. Навч. Посібник:– К.: Кондор, 2005. – 232 с. ISBN 966-351-019-6</div>

Helinsv