Савёлова Методы решения некорректных задач 2012
.pdfгде N – объем выборки; Pi – частоты попадания в интервалы раз- |
||||
|
|
|
|
|
биения; Pi – соответствующие вероятности; 1 |
– число интер- |
|||
валов разбиения (бралось для F(t) |
1 32 |
, для f( ) |
– 1 16 ). |
|
|
|
|
|
Полученные результаты представлены в табл. 8.1. Критическое
значение χ 2 -критерия, отвечающее уровню значимости β 0,05
при числе степеней свободы 15 Zкр 24,996 . Из приведенных
данных можно сделать вывод о совпадении распределений для
ЦНР F(t), |
|
π t π , (8.60) и f( ), |
0 θ π , (8.61). |
|
||||||
|
|
Таблица 8.1. Значения меры расхождения для функций F(t), f( ) |
||||||||
|
|
|
|
|
|
|
|
и их дискретных аналогов |
||
|
N |
|
|
500 |
1000 |
|
2000 |
|
2500 |
3000 |
|
|
|
|
|
|
|
|
|
|
|
F(t) |
ε |
2 |
=1 |
16,39 |
14,23 |
|
11,92 |
|
13,89 |
12,63 |
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
ε2 |
=1/2 |
15,70 |
24,17 |
|
18,10 |
|
16,15 |
21,89 |
|
|
|
|
|
|
|
|
|
|
|
|
|
ε2 |
=1/4 |
17,85 |
22,55 |
|
14,35 |
|
13,86 |
13,45 |
|
|
|
|
|
|
|
|
|
|
|
|
|
ε2 |
=1/16 |
13,13 |
20,37 |
|
10,64 |
|
12,21 |
13,67 |
|
|
|
|
|
|
|
|
|
|
|
|
|
ε2 |
=1/64 |
11,78 |
18,34 |
|
18,49 |
|
11,18 |
12,74 |
|
|
|
|
|
|
|
|
|
|
|
|
f( ) |
ε |
2 |
=1 |
16,89 |
20,55 |
|
22,58 |
|
24,43 |
24,54 |
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
ε2 |
=1/2 |
20,61 |
21,84 |
|
13,15 |
|
17,88 |
16,03 |
|
|
|
|
|
|
|
|
|
|
|
|
|
ε2 |
=1/4 |
16,49 |
16,41 |
|
16,13 |
|
18,19 |
15,58 |
|
|
|
|
|
|
|
|
|
|
|
|
|
ε2 |
=1/16 |
18,67 |
11,05 |
|
10,68 |
|
13,26 |
14,24 |
|
|
|
|
|
|
|
|
|
|
|
|
|
ε2 |
=1/64 |
14,92 |
9,77 |
|
7,09 |
|
10,15 |
12,87 |
|
|
|
|
|
|
|
|
|
|
|
|
191
Было проведено сглаживание результатов численных экспери-
ментов по статистическому моделированию дискретных распреде-
лений при помощи аналога метода Розенблатта–Парзена для функ-
ции F(t):
|
|
|
|
|
|
|
1 |
N |
t t |
|
|
|||
|
|
FN t |
|
|
q |
|
i |
|
, |
(8.63) |
||||
|
|
NhN |
hN |
|||||||||||
|
|
|
|
|
|
|
i 1 |
|
|
|
||||
где в качестве |
сглаживающего |
ядра |
|
использовалась |
функция |
|||||||||
q t C exp t2 |
2 , |
|
1 |
|
|
|
|
|
|
|
1 |
|
|
|
|
|
exp t2 2 dt – |
нормировочный мно- |
|||||||||||
C |
|
|
||||||||||||
|
|
|||||||||||||
|
|
2 |
|
0 |
|
|
|
|
|
|
|
|
житель, t1 , ..., tN – исходная выборка, значение параметра сглажи-
вания бралось hN 0,1.
Полученные результаты изображены в виде графиков для функ-
ций F(t) и f( ). На рис. 8.5–8.6 представлены сглаженные методом Розенблатта–Парзена плотности (сплошная линия) и точные (кру-
жочки) плотности для F(t) (рис. 8.5), и для f( ) (рис. 8.6). Значения параметра распределения ε2 1 (рис. 8.5а, 8.6, а); ε2 14 (рис. 8.5,
б, 8.6, б); ε2 1 64 (рис. 8.5, в, 8.6, в). Объем выборки N = 3000. Из графиков видим, что наибольшее расхождение имеет место в окре-
стности точки максимума функций F(t) или f( ) при малых ε.
а б в
Рис. 8.5. Сглаженная и точная плотности (F(t))
192
а |
б |
в |
Рис. 8.6. Сглаженная и точная плотности f( )
На рис. 8.7, 8.8 изображены сечения ЦНР, вычисленные в углах
Эйлера φ,θ, ψ , π φ, ψ π, |
0 θ π , при ψ π 2 для пара- |
метров ε2 1 4 (см. рис. 8.7), ε2 |
1 16 (см. рис. 8.8). Для расчетов |
использовался объем выборки N=3×103. На рис. 8.7,а, 8.8,а приве-
дены результаты вычислений с ядром (8.59) при hN 0, 25, 0,20
соответственно. На рис. 8.7,б, 8.8,б изображены соответствующие изолинии (цифры – значения линий уровня). На рис. 8.7, в и г, 8.8, в
и г показаны точные значения ЦНР и их изолинии для сравнения получаемых приближений. Из приведенных расчетов видим, что восстановленные значения плотности имеют более «размазанный» характер (эффект смещения).
193
а |
б |
в |
г |
Рис. 8.7. Сечения ФРО для ε2 14
а |
б |
Рис. 8.8. Сечения ФРО для ε2 116
194
в |
г |
|
Рис. 8.8. Окончание |
На рис. 8.9 изображено сглаживание ЦНР с ε2 14 при ис-
пользовании элементов выборки объема N = 500 различными ядра-
ми [13] при t π:
1)гауссово ядро q1 t C1 exp t2 4 ;
2)ядро q2 t C2 cos t2 2k , k 2 ;
3) |
ядро Епанечникова q3 t C3 1 t |
h 2 , |
|
t |
||||||
|
||||||||||
4) |
ядро Дирихле q t |
C |
sin t |
; |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
4 |
4 |
t |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5) |
ядро Валле Пуссена |
q5 t C5 |
sin t |
2 2 |
; |
|||||
|
|
|
|
|
||||||
t |
2 |
|
||||||||
|
|
|
|
|
|
|
|
|
6)модифицированное ядро Валле Пуссена
|
|
|
|
a |
2 |
|
|
|
at |
|
|
|
q |
t C |
a 1 q (t) |
|
|
q |
|
, |
|||||
|
|
|
|
|
|
|||||||
6 |
6 |
|
5 |
a 1 |
5 |
|
|
|||||
|
|
|
|
|
a 2 |
|
|
h;
a 0.
195
Во всех случаях Ci 0 – нормировочная константа, т.е.
π
Ci qi t dt 1, |
i 1, |
... ,6. Ядра q4 t |
и q6 t являются знакопе- |
π |
|
|
|
ременными. Из приведенных рисунков видим, что лучший резуль-
тат дают ядра q2 t и q3 t . На рис. 8.9, а–е представлены сгла-
женные методом Розенблатта–Парзена плотности (сплошная ли-
ния) и точные (кружочки) плотности. На рис. 8.9,а сглаживание проводилось с помощью ядра q1 , на рис. 8.9,б – для ядра q2 ; на рис. 8.9,в – для ядра q3 ; на рис. 8.9,г – для ядра q4 ; на рис. 8.9, д –
для ядра q5 ; на рис. 8.9,е – для ядра q6 . Объем выборки N = 500.
а |
б |
в |
г д е
Рис. 8.9. Сглаживание с использованием различных ядер
196
На рис. 8.10, а–в приведены результаты вычислений ЦНР с
ε2 116 при N = 3×103, показывающие влияние погрешностей на результат восстановления плотности распределения. Численное моделирование проводилось по формуле ti ti δξi , i 1, ... , N ,
ξi – либо равномерно распределенная величина в интервале (–1;1),
либо распределенная по нормальному закону N 0;1 . Брались значения δ 0,01; 0,1; 0,3 для случаев а, б, в соответственно.
При уровне погрешности δ 0,01 0,1 результат сглаживания ме-
няется незначительно (рис. 8.10, а, б). При δ 0,3 получаем силь-
ное влияние «загрязнения» исходных данных на восстановление плотности распределения (сплошная линия). Приведены данные для погрешности, распределенной по нормальному закону (кру-
жочки). Данные, полученные в случае равномерно распределенной погрешности, дают аналогичный результат.
а |
б |
в |
Рис. 8.10. Влияние погрешности определения ориентировки
При исследовании проекционного метода проводился расчет оптимального количества слагаемых в разложении плотности рас-
197
пределения в ряд Фурье по характерам представлений из условия
(см. (8.52))
min M 2 min M 12 22 .
Результаты вычислений при различных объемах выборки и па-
раметрах распределения представлены в табл. 8.2.
Таблица 8.2. Оптимальное количество слагаемых в разложении ЦНР в ряд Фурье
N |
|
500 |
1000 |
3000 |
|
|
|
|
|
ε2 |
1 |
2 |
2 |
2 |
ε2 |
1 16 |
11 |
12 |
12 |
|
|
|
|
|
ε2 |
1 64 |
27 |
29 |
30 |
|
|
|
|
|
8.8.2. Моделирование зависимых ориентаций
Составляем выборку из N ориентаций для центральных функ-
ций |
t1,...,tN ,t1,...,tN |
2 |
,..., t1,..., tN |
, |
где |
N1 N2 ... Nk N, |
|
|
1 |
|
|
k |
|
|
|
N1 N2 ... Nk , |
N1 |
независимы между собой и получены мето- |
|||||
дом Монте-Карло [4, |
|
36], N2 следующих ориентаций взяты из |
|||||
предыдущей выборки и т.д. |
|
|
|
||||
Данная модель отвечает эксперименту, |
где n1 N1 N2 зерен |
||||||
образца измерены |
по |
1-му разу, |
n2 N2 N3 – два раза, …, |
||||
nk 1 |
Nk 1 Nk – k 1 – раз. |
|
|
|
|||
|
|
|
|
198 |
|
|
Для N 500 рассмотрено четыре случая: |
|
|||||
а) |
k 3, N1 |
250, N2 |
166, N3 |
84; |
|
|
б) |
k 6, N1 |
200, N2 |
100, N3 |
80, N4 |
60, |
|
N5 40, N6 |
20; |
|
|
|
|
|
в) |
k 9, N1 |
100, N2 |
90, N3 80, N4 70, |
|||
N5 60, N6 |
40, N7 |
30, |
N8 20, N9 |
10; |
||
г) k 1, N 500. |
|
|
|
|
||
На |
рис. 8.11,а–г, 8.12,а–г |
приведены |
графики ЦНР для |
ε 1 2, ε 1 8 точной функции (изображена точками) и модель-
ной (изображена сплошной линией) для случаев а–г соответствен-
|
|
1 |
k |
|
|
но. Имеем увеличение дисперсии оценки плотности |
K |
Ni2 |
в |
||
|
|||||
|
|
N i 1 |
|
случае а –K=2,2 раза, б – K=3,8 раза, в – K=6,3 раза, г – K=1 раз.
Также из приведенных графиков видим, что максимум плотности увеличивается при наличии зависимости элементов выборки. В
случае в при ε 12 увеличение происходит на 33 %, при ε 18 –
на 24 %.
а |
б |
Рис. 8.11. Случаи статистической зависимости ε 12
199
в |
г |
Рис. 8.11. Окончание
а |
б |
в г
Рис. 8.12. Случаи статистической зависимости ε 18
8.8.3. Моделирование зеренной структуры образца
Разбиваем интервал 0, π на n равных частей. Пусть в i -й ин-
тервал, i 1,..., n, попало ni элементов выборки объема N. Обо-
200