- •1.1. Характерные особенности современных НИ
- •1.2. Типовая структура АСНИ
- •1.3. Задачи, решаемые АСНИ
- •1.3.1. Задачи автоматизации экспериментальных исследований
- •1.3.2. Автоматизация этапов НИ, носящих творческий характер
- •1.5. Экономический эффект от автоматизации НИ
- •1.6.1. Экспериментальные исследования
- •1.6.2. Цели автоматизации экспериментальных исследований
- •1.6.3. Назначение АСНИ-Э
- •1.6.5. Структуры АСНИ-Э
- •1.6.6. Функциональная структура АСНИ-Э
- •1.6.7. Основные направления работ по созданию АСНИ-Э
- •Контрольные вопросы
- •2. СПЕКТРАЛЬНЫЙ АНАЛИЗ ИССЛЕДУЕМОГО ОБЪЕКТА
- •2.3. Второй способ оценки спектральной плотности
- •2.4. Получение вторым способом сглаженной оценки спектральной плотности
- •2.5. Оценка взаимных корреляционных функций двух эргодических случайных процессов
- •Контрольные вопросы
- •3. ПРИМЕНЕНИЯ СПЕКТРАЛЬНОГО АНАЛИЗА ИССЛЕДУЕМОГО ОБЪЕКТА
- •3.1. Оценка частотной характеристики исследуемого объекта, представляющего собой линейную динамическую систему
- •1 GAfk)
- •Контрольные вопросы
- •ГЛАВА 4. СТАТИСТИЧЕСКАЯ ОБРАБОТКА РЕЗУЛЬТАТОВ ИЗМЕРЕНИЙ
- •4.1. Генеральная и выборочная совокупность случайной величины X
- •4.2. Задачи, решаемые при статистической обработке результатов измерений случайной величины X
- •4.3. Оценивание по выборке статистических характеристик случайной величины X
- •4.4. Общие свойства точечных оценок
- •4.5. Методы получения точечных оценок параметров закона распределения случайной величины X
- •4.5.1. Метод моментов
- •4.5.2. Метод максимума правдоподобия
- •4.6. Законы распределения, наиболее широко используемые при статистической обработке результатов измерений
- •4.6.1. Нормальное распределение
- •4.6.2. Распределение %2
- •4.6.3. Распределение Стьюдента
- •4.6.4. Распределение Фишера
- •4.7. Доверительный интервал и доверительная вероятность
- •4.8. Корреляционный анализ
- •Контрольные вопросы
- •ГЛАВА 5. ПОСТРОЕНИЕ МАТЕМАТИЧЕСКОЙ МОДЕЛИ ИССЛЕДУЕМОГО ОБЪЕКТА С ПОМОЩЬЮ МЕТОДА НАИМЕНЬШИХ КВАДРАТОВ
- •5.1. Статистические математические модели исследуемого объекта
- •5.2. Метод наименьших квадратов
- •5.2.1. Постановка задачи
- •5.2.2. Решение задачи определения математической модели исследуемого объекта
- •5.2.4. Ошибки при выборе вида математической модели исследуемого объекта
- •5.2.5. Проверка адекватности математической модели исследуемого объекта
- •Контрольные вопросы
- •ГЛАВА 6. ПЛАНИРОВАНИЕ ЭКСПЕРИМЕНТА
- •6.1. Теория эксперимента
- •6.2. Основные понятия планирования эксперимента
- •6.3. Общие требования к плану эксперимента. О критериях планирования эксперимента
- •6.4. Планы для моделей, описываемых полиномами первого порядка
- •6.4.1. Вид модели
- •6.4.2. Полные факторные планы
- •6.4.3. Дробные факторные планы
- •6.5.1. Вид модели
- •6.5.2. Применение полных факторных планов для моделей типа (6.40)
- •6.5.3. Применение дробных факторных планов для модели типа (6.40) и порядок смешивания оценок коэффициентов
- •6.5.4. Вычислительные формулы и свойства планов 2" р
- •6.6. Планы для квадратичных моделей
- •6.6.1. Вводные замечания
- •6.6.2. Ортогональные центральные композиционные планы
- •Контрольные вопросы
- •ЗАКЛЮЧЕНИЕ
- •Файзрахманов Рустам Абубакирович, Липатов Иван Николаевич
- •АВТОМАТИЗАЦИЯ НАУЧНЫХ ИССЛЕДОВАНИЙ
значения принадлежат некоторой области Qt п -мерного пространст ва. Выходную переменную у будем в дальнейшем называть зависимой переменной, целевой величиной или выходом процесса, протекающего в исследуемом объекте. В общем случае можно сказать, что между вы ходной переменной у и независимыми переменными существует функциональная связь
У = У(х), |
(5.1) |
= (х1,х2,...,хп)'/ |
(5.2) |
Здесь х - вектор значений независимых переменных; Т - знак транс понирования вектора. Зависимость (5.1) на практике часто бывает не известна, и тогда ее пытаются найти путем обработки эксперимен тальных данных.
Поскольку всякий эксперимент связан с появлением случайных ошибок, то при построении математической модели на основе экспе риментальных данных необходимо использовать методы обработки результатов эксперимента, т.е. методы математической статистики. Наиболее часто при решении этой задачи применяется метод наи меньших квадратов.
5.2.Метод наименьших квадратов
5.2.1. Постановка задачи
Пусть требуется на основе экспериментальных данных построить модель исследуемого объекта. При этом прежде всего необходимо составить себе какое-то представление о структуре этой модели. Из физических соображений можно, например, предположить, что взаи
мосвязь между у и х, линейна, |
|
у(а,х) = а0 +а,х, + а2х2+... + а„х„. |
(5.3) |
При этом а, является неизвестным параметром исследуемого объек та, оценки которого требуется найти путем обработки эксперимен тальных данных. В случае, если характер связи описывается квадра тичной функцией, имеем
у(а,х) =а0+а,х, + а2х2+... + апхп+ а„+1х,х, + апу2х2х2+... + |
|
|
+ З Д Л . + «2Я+1*!*2 + Я2»+2*1*3 + - + |
+ |
(5-4) |
+ Яз„х2х3+... + а*х„_,х„. |
|
|
Здесь
п + 2 {п + 2)(п + 1 )
к + 1=
Обычно коэффициенты квадратической модели (5.4) нумеруются не по порядку, а так, что коэффициент при функции - обозначается через я, :
У ( а , х ) = я0 + £ я,х, + J a ^ x , |
+ ^ а их ] , |
(5.5) |
|
(=1 |
7.<=1 |
1=1 |
|
где al,alj,all - коэффициенты, характеризующие соответственно ли нейные эффекты, эффекты взаимодействия и квадратичные эффекты. Коэффициенты aQ,al,aIJ,all называются коэффициентами регрессии,
а уравнение (5.5) - уравнением регрессии.
Модели полиномиального вида имеют большое значение в связи с тем, что с их помощью любая аналитическая функция (5.1) может быть описана как угодно точно. Однако с увеличением степени поли нома весьма существенно увеличивается число оцениваемых пара метров модели и соответственно затраты на эксперимент. Так, если
степень полинома есть т , то |
|
|
||
(* + !) = |
п + т |
(п + 1)(и + 2 )...{п + т) |
(5.6) |
|
т |
т\ |
|||
|
|
|||
В дальнейшем мы будем иметь дело с моделями вида |
|
|||
|
|
у = у(х,а), |
(5.7) |
|
где а - вектор параметров модели, |
|
|||
|
а = (at,a2,...,ak)' |
(5.8) |
Примем, что модель (5.7) линейна относительно коэффициентов а,,
т.е. |
|
у(х,а) = я0/ 0(х) + a j x(х) +... + a j k(х). |
(5.9) |
При этом /(х ) - известные функции, являющиеся |
компонентами |
вектора |
|
Д х) = (Л(х),У;(х),...,/А(х))'/ |
(5.10) |
Используя векторные обозначения, вместо (5.9) можно записать |
|
у = а‘ f{x) = f ‘\x)a. |
(5.11) |
В случае модели (5.3) или (5.4) получаем соответственно следующие выражения для компонент / (х):
/(х) = (1,х„х2,...,х;>)/ |
(5.12) |
и
/(х ) = (1,Х1,Х2,...,Х я,Х]Х1,Х2Х2,...,Х 11Х)„
(5.13)
Х|Х2,Х|Х2,...,Х|ХП,Х2Х2,...,Х||_|ХП)
Для истинных значений вектора коэффициентов а в (5.11), которые будем обозначать через а , требуется найти оценки а , используя для
этой цели результаты эксперимента. При этом оценка у |
для у рас |
||
считывается по формуле |
|
|
|
у =а‘f{x) = f r{x)a. |
(5.14) |
||
Эксперимент проводится в N точках |
|
||
1 |
2 |
N |
|
X |
, Х |
V ..,JC |
|
с координатами |
|
|
|
х'=(х;,х',...,х;)7 ,/-1,2,...,^ |
(5.15) |
Результаты наблюдений у' в точках х' представляются с помощью вектора наблюдений
Y = (y',y2,...,yNjr |
(5.16) |
Вкаждой точке х' может быть поставлено v опытов, результатами которых будут
Г, у ,2, - , Г
Вэтом случае в качестве у 1 используется среднее значение наблюде
ний в точке х'
^ = 1 (^ + у'2+... + Г ) . |
(5.17) |
v |
|
Задача состоит в том, чтобы на основе результатов (5.16) найти наи лучшие в определенном смысле оценки a n y
5.2.2. Решение задачи определения математической модели исследуемого объекта
Чтобы решить задачу, сформулированную в разделе 5.2.1. необ ходимо сначала выяснить, что следует понимать под наилучшими оценками.
Будем исходить из того, что модель вида (5.11) является адекват ной (т.е. модель вида (5.11) соответствует действительности). Вопросы о том, что произойдет, если (5.11) не соответствует действительности, и как на основе экспериментальных данных проверить адекватность модели, будут обсуждаться в разделах 5.2.4 и 5.2.5 соответственно.
Сопоставим теперь друг с другом экспериментальные результаты
(5.16), отражающие действительность, и значения |
|
Y = {y \y \.,.,y N)‘ |
(5.18) |
рассчитанные с помощью оценки а и представляющие модель (5.14). Имеем
|
у' = arf(x') = f r(x')a,i = 1,2,..., iV |
(5.19) |
||||
или соответственно |
|
|
|
|
|
|
где матрица F имеет вид: |
Y = Fa, |
|
|
(5.20) |
||
|
|
|
|
|||
|
|
/оО') |
М * 1) |
f k(x') |
|
|
|
F = |
/ о ( * 2 ) |
и х 1) |
М х 2) |
(5.21) |
|
|
|
|
|
|
|
|
|
|
fo(xN) |
U x N) |
/Лх") |
|
|
Результат наблюдения у' |
в некоторой точке х' зависит от слу |
|||||
чайной ошибки е' |
|
|
|
|
|
|
|
|
|
e " = y ' - y ' , / |
= l,2,...,W, |
(5.22) |
|
где у' - |
истинное |
значение выходной |
переменной |
в точке |
||
x'J = 1,2,..., N |
Множество значений ошибок в N экспериментальных |
|||||
точках может быть представлено вектором е |
вида |
|
||||
|
|
|
e = Y - Y |
|
|
(5.23) |
Здесь черта сверху в (5.23) означает истинное значение вектора. Наложим на результаты наблюдений три условия, которые на
практике, как правило, выполняются:
1 ) результаты эксперимента свободны от систематических оши бок, т.е. математическое ожидание величины у' равно действитель
ному значению у ' : |
|
М[?) = 7 = ( y \ f , . . . , y N)r = F a , |
(5.24) |
т.е. |
|
М[е] = 0; |
(5.25) |
2 ) результат наблюдения в точке xJ не зависит от результата в точке х , т.е.
М{{у‘ - y')(yJ - / ) } = 0 для / * j |
5.26) |
или |
|
M{e'eJ} = 0 для i*j", |
(5.27) |
3) дисперсия результатов наблюдений во всех точках х' |
одинако- |
ва, т.е. |
|
D(y') = М[(у‘ - у')2] = cf2 для всех i |
(5.28) |
или |
|
D(e') = М[(е)2~\ - а 2 для всех /. |
(5.29) |
Условия 2 и 3 выполняются, если |
|
М[еет] = о21 |
(5.30) |
где / - единичная матрица размерности N *N
Наложим еще два условия на оценки а , обратив внимание на то, что оценки а , полученные на основе обработки случайных результа тов наблюдений, представляют собой некоторых случайный вектор.
1) оценка а не должна содержать систематических ошибок (т.с.
оценка а должна быть несмещенной) |
|
М[а] = а\ |
(5.31) |
2) дисперсия а 2 оценки а, должна быть минимальной: |
|
ст2 = D[a] = М[(а, - а,)2] = min,/ = 0,1,2,..„А:. |
(5.32) |
При этом рассматривается класс оценок, образуемых линейными
комбинациями результатов наблюдений y ‘,(i = 1,2,...,У) .
Эти два требования представляют собой только одну из многих возможных конкретизаций понятия «наилучшая оценка». Вместо вто рого требования могут быть использованы такие условия, как
maxiа, - а,I = min
0<i &k ' 1
или
maxiу, - у,| = min
os,s/VK'
ит.д.
Условие (5.32) является наиболее приемлемым, так как оно приво дит к методу наименьших квадратов и при нормально распределенных
результатах наблюдений в каждой точке х' позволяет провести стати стический анализ полученных оценок, а также проверить адекватность модели.
Теоретическую основу метода наименьших квадратов составляют
следующие утверждения: |
|
|
|
Утверждение 5.1. |
Оценка а |
удовлетворяет условиям |
(5.31) |
и (5.32), если сумма |
|
|
|
s = T.(y |
-у'У = Y - Y |
= (Y - Y f ( Y - Y ) |
(5.33) |
/=1 |
|
|
|
минимальна, т.е. |
|
|
|
|
S(a) = minS(a). |
(5.34) |
|
|
а |
|
|
Очевидно, что S в (5.33) является функцией а, причем в силу (5.20) можно записать, что
S = (Y - Fa)' (Y - Fa) ,
т.е.
5 = S(a) = Y 'Y + arF rFa - 2Y TFa. |
(5.35) |
S является расширенной квадратичной формой а , которая в слу чае невырожденности матрицы F 1F имеет единственный минимум
при |
|
a = {FTF y 'F ‘Y |
(5.36) |
Матрица F 1F не вырождена, т.е. |
|
|F 7 F | ф о , |
|
если матрица F имеет ранг к +1. Здесь \А\ - определитель матрицы А . |
|
Утверждение 5.2. Если матрица F имеет ранг |
£ + 1, то сумма |
квадратов (5.35) достигает минимума при |
|
а = (FrF y ] F rY = CF'Y |
(5.37) |
Матрица С в (5.37) размера (к + 1)х (к +1) |
|
C = (FrFy' |
(5.38) |
называется дисперсионной матрицей.
Для пояснения утверждения 5.2 рассмотрим пример.
Пример 5.1. Выход у исследуемого объекта зависит от длительно сти реакции t и температуры Т Эту зависимость можно считать ли нейной в окрестностях точки t = 4 ч , Т =220°С .
Меняя t с шагом в 1 ч и температуру с шагом в 10°С, поставим опыты в следующих точках (рис. 5.1):
/ = (4±1) ч, Т = (220±10)°С.
Рис. 5.1
В дальнейшем для упрощения вычислений введем нормированные переменные х, и х2 (рис. 5.1):
х, = t - |
. |
Т - 220 |
. |
4,х, = |
--------- |
||
1 |
2 |
1 0 |
|
Для оценивания коэффициентов линейной модели y = a0+aixl +а2х2
проводятся опыты в следующих точках (табл. 5.1). Таблица 5.1
/ |
|
*2 |
|
1 |
|
1 |
1 |
|
2 |
1 |
-1 |
3 |
-1 |
-1 |
4 |
-1 |
I |
Результаты опытов (в процентах) представлены вектором
Y = (65,5; 55; 44,9; 55)'
Пользуясь формулами (5.12), (5.21), (5.37), (5.38) и (5.19), получа ем следующие результаты:
Г1 1 1'
1 - 1 1
"4 |
0 |
0 " |
|
'1 |
0 |
o' |
F rF = 0 |
4 |
0 = 4/3, |
/3= 0 |
1 |
0 |
|
0 |
0 |
4 |
|
0 |
0 |
1 |
|
C = (FrF y ' Л |
|
|
|
||
|
|
1 |
1 |
1 |
|
|
CF =■ |
1 |
- 1 |
- 1 |
, |
|
|
|
4 |
- 1 |
- 1 |
1 |
|
|
|
|
|
|
a =
oQ> |
|
5» |
= CF'Y |
Л .
' |
1 |
1 |
1 |
= - |
1 |
1 |
- 1 |
4 |
1 |
- 1 |
- 1 |
|
|
1 |
Г |
З |
|
|
- 1 |
а |
1 |
44,9 |
_ |
_ 55 _
'55,1'
5,15
Л 15.
у= 55,1 + 5,1 5 л:, + 5 ,1 5 х 2.
5.2.3.Ошибки оценивания при использовании метода
наименьших квадратов
5.2.3.1. Определение показателей точности оценок ai и величины у
Оценки а,., рассчитанные согласно (5.37), отличаются от истин ных значений коэффициентов at, причем ошибка тем больше, чем больше дисперсия ошибок наблюдений. Показателями точности оце нок at и величины у являются дисперсии о] и сг2 соответственно. Эти дисперсии зависят не только от дисперсии ошибок наблюдений а 2, но и от выбранной структуры модели и точек постановки опытов,
т.е. от матрицы F (см. (5.21)). Для определения этой зависимости не обходимо прежде всего найти выражения для ковариационной матри цы COV(a) вектора а:
COV(a) = М[(а - а)(а - а)1].
Из (5.37), (5.31) и (5.45) следуют выражения:
а = CFrY |
|
а = М[а) = CFrM[Y] = CFrY |
|
Используя эти выражения, получаем |
|
М[(а - а)(а - а)1] = M[CFr(Y - Y)(Y - ?)' FCr] = |
|
= CF' M[(Y - Y)(Y - Y)T]FCr |
|
В силу (5.23), (5.24) и (5.30) имеем |
|
COV(a) = CFrM[(Y - Y)(Y - Y)T]FCr = CF' FC' a2 |
|
Поскольку матрица F 1F симметрична, то |
|
CF'FC1 =(FrF y 'F rF(FlFT' =C, |
|
и для COV(a) получаем |
|
COV(a) =Ca2 |
(5.39) |
При этом для дисперсии а ,2 оценки о, имеем |
|
a 2 = c,7a 2, |
(5.40) |
где c„ - i -й элемент главной диагонали матрицы С . |
|
Коэффициент корреляции между оценками at и а] определяется
формулой
2
(5-41)
с"см
Дисперсию ст2 для величины у получаем с помощью следующих преобразований:
а? = М[{у - Я 2] = М[((а - a f f i x ) ) 2] = M [ f (х)(а - а)(а - a f fix ) ] = = f (х)М[(а - а)(а - a f) f( x ) = f (x)COV(а\f(x) = / ' (х)Сст2Дх).
Таким образом, |
|
o ] = f ‘\x)Cf(x)<y2 |
(5.42) |
5.2.3.2. Определение доверительного интервала для коэффициентов а, при известной дисперсии
ошибок наблюдения а 2 |
|
С помощью оценок о определяется оценка у функции у : |
|
У = агЯ х ) . |
(5.43) |
При этом можно рассчитать значения оценок выходной переменной в точках х1,i = 1 ,2 ,..., JV
у 1=arf ( x ‘). |
(5.44) |
Рассчитанные значения выхода исследуемого объекта представляются с помощью вектора
f = (yl,y 2,...,yN)T |
(5.45) |
При дополнительном предположении о нормальности закона распре деления результатов наблюдений в любой точке постановки экспери мента случайная величина
X = |
|
(5.46) |
распределена нормально и имеет место соотношение (рис. 5 .2 ) |
|
|
|
х2 |
(5.47) |
/(* ) = |
2 |
|
|
|
где yj(x) - плотность распределения вероятностей случайной вели чины X ; х - возможные значения случайной величины X
Определим вероятность Р(-е < X < е). Имеем (рис 5.2)
|
Р(-е < X <s) = Р(-ъ |
<*/ |
<е) = |
|
|||
|
|
|
|
|
|
||
|
|
|
г2 |
|
|
t 2 |
|
|
= ff, (x)dx =- J = \e |
2 dx = -Д = (e ~2 dx. |
|
||||
|
-V' |
-J2n -L |
|
|
л/2л 0 |
|
|
Зададим эту вероятность: Р = (1 - а ) . В результате получим |
|
||||||
|
Р (-е< 4~Д, <е) = |
■ £1 |
|
|
|
|
|
|
\е 2 dx =Р = (\-а) =2Ф(е), |
(5.48) |
|||||
|
О/ |
О |
|
|
|
|
|
где Ф(е) - функция Лапласа, определяемая соотношением |
|
||||||
|
|
|
е |
t2 |
|
|
|
|
|
Ф(е) = —^= je |
|
2 die. |
|
(5.49) |
|
|
|
\ 2 TI о |
|
|
|
|
|
Из (5.48) имеем |
2Ф(е) = (1 - а ) . |
|
|
(5.50) |
|||
|
|
|
|
||||
Определим е из таблицы функции Лапласа из условия |
|
||||||
|
|
- , . |
1 - а |
|
|
|
(5.51) |
|
|
Ф(е) = —— • |
|
|
|||
В |
табл. 5.2 приведены значения |
доверительной вероятности |
|||||
(1 - а ) |
и соответствующие значения s , взятые из таблицы функции |
||||||
Лапласа. |
|
|
|
|
|
|
|
|
|
|
Таблица 5.2 |
|
|||
|
Доверительная вероятность (1 - а) |
6 |
|
||||
|
|
0,90 |
|
|
|
1,64 |
|
|
|
0,95 |
|
|
|
1,96 |
|
|
|
0,99 |
|
|
|
2,58 |
|
|
|
0,9973 |
|
|
|
3,00 |
|
Из (5.48) имеем |
|
|
|
|
|
|
|
|
Р(-еа, < а, - а, < еа() = 1 - а |
|
|
||||
или с учетом (5.40) |
|
|
|
|
|
|
|
|
Р ( - е ^ а |
< а, - а, < Су[с~а) =1 - а . |
(5.52) |
||||
Из (5.52) получим |
|
|
|
|
|
|
|
|
~ |
^ в/ |
е^с~(т) = 1 - а . |
(5.53) |
Доверительный интервал определяется как |
|
I = (а,-ел[с~о,а1+ел[с~1о). |
(5.54) |
При этом доверительный интервал I содержит в себе неизвестное значение а, с доверительной вероятностью Р = (1 - а ) , т.е. значение
а] попадает в доверительный интервал / с доверительной вероятно
стью Р = (1 - а ) .
Точность оценки неизвестного значения ai определяется как |
|
д = Еу[с~а |
(5.55) |
Длина доверительного интервала 1 равна 26, т.е. |
|
26 = 2бу[с~о. |
(5.56) |
Имеет место следующее неравенство с доверительной вероятностью
Р = (1 - а ) : |
|
|а,. - я,|<5. |
(5.57) |
5.2.3.3. Определение доверительного интервала для коэффициентов а, при неизвестной
дисперсии ошибок наблюдения о 2
Вобщем случае дисперсия ошибок наблюдения о2 не известна
идолжна быть оценена с помощью полученных экспериментальных данных. При этом может быть использована остаточная сумма квад ратов S(a) [см. (5.33), (5.34)]:
Si&) = SK= ' Z ( y ' - y ) 2 = Y - Y = (Y - Y ) T(Y - Y ) . |
(5.58) |
i=I |
|
Эта сумма квадратов имеет |
|
<р = ЛГ-*-1 |
(5.59) |
степеней свободы [N слагаемых, между которыми существует k +1 линейная связь, определяемая системой уравнений (5.37)].
Величина
а1
а" =
ф
является несмещенной оценкой дисперсии ошибок наблюдений сг Оценка а 2 для дисперсии ст2 вычисляется аналогично формуле (5.40) с помощью выражения
а? =сйа 2,/ = 0,1 ,2 ,...,*. |
(5.61) |
Величина
(5.62)
подчиняется распределению Стьюдента с ср степенями свободы (рис. 5.3).
На рис. 5.3 обозначено: - плотность распределения вероятно
стей случайной величины t'v; 7^ - возможные значения случайной величины 7^.
Вероятность того, что < > £ * 2 |
, определяется по формуле (рис. 5.3) |
w , > r ^ ) = |
(5.63) |
V<*/2
Из таблицы распределения Стьюдента (см. [13, с. 270]) для заданного а находим величину Т^а/2. Например, для ср = 30;а = 0,05;а/2 = 0,025 имеем
7' |
- 7' |
=2 042 |
• |
*4>;ot/2 |
\10;0,025 |
|
Вероятность того, что случайная величина t‘ попадает в интервал
(-^'а/2. |
(p';a/2)> запишется в виде |
|
|
|
||
п -т ^ п s< sг^д) = р ( - т; ^ |
< |
=i . |
(5.64) |
|||
Из (5.64) имеем |
|
|
|
|
|
|
|
рЫ т п°, £ а, -а, < Т;а/2а,) = 1 - а |
|
||||
ИЛИ |
|
|
|
|
|
|
|
р (а, ~ С /2^, ^ а<^ “, +С /2^-) = 1 - «• |
(5.65) |
||||
Выражение (5.65) с учетом формулы (5.61) имеет вид |
|
|||||
|
р (а, ~ (p'a/2 |
|
а, + |
^ ';а/2 ^ |
а ) = 1 - а . |
(5.66) |
Следовательно, доверительный интервал / |
вида |
|
||||
|
* = ( 4 -Х1-ф4сА |
Ч + ^.аплЯ,°) |
(5.67) |
|||
содержит |
в себе а( с |
заданной |
доверительной вероятностью |
|||
Р = (1 - а ) , т.е. значение |
а, |
попадает в доверительный интервал I |
||||
с доверительной вероятностью Р = (1 - а ) . |
|
|
||||
Точность оценки неизвестного значения а, определяется как |
||||||
|
|
8 , = й « / 2 л £ > |
|
(5 -6 8 ) |
||
Длина доверительного интервала I равна 26,, т.е. |
|
|||||
|
|
2 8 , - 2 ^ ^ - |
|
(5 -6 9 ) |
||
С доверительной вероятностью Р = (1 - а) |
имеет место следующее |
|||||
неравенство: |
|
|
|
|
|
|
|
|
|
|a ,- a ,|< 6 ,. |
|
(5.70) |
|
5.2.3.4. Проверка значимости коэффициентов а,,/ = 0,1,2,...,А: |
||||||
математической модели исследуемого объекта |
|
|||||
Для проверки значимости коэффициентов ani = 0,1,2,..., А |
матема |
|||||
тической модели исследуемого объекта используется величина |
||||||
|
|
С |
= - ^ |
г‘ = °^2,...,А, |
(5.71) |
|
|
|
|
сг |
|
|
|
которая имеет распределение Стьюдента с числом степеней свободы Ф. Выдвигается гипотеза Н0: а, = 0, т.е. коэффициент а, считается незначимым. При этом альтернативная гипотеза формулируется сле дующим образом: Я,: а,* 0, т.е. коэффициент а, считается значи мым и значительно отличается от нуля.
При проверке гипотезы Я0: а, = 0 используется величина
<=■?-,/= 0,1,2 |
(5.72) |
имеющая распределение Стьюдента с числом степеней свободы ф (рис. 5.4).
На рис. 5.4 обозначено: /((,') |
- |
плотность распределения вероятно |
стей случайной величины t'^; |
- |
возможные значения случайной ве |
личины 7 ; а - уровень значимости, который выражает вероятность того, что гипотеза Я0 отвергается, когда в действительности она вер на; S0 - область принятия гипотезы Я0; 5, - область отклонения ги потезы Я0; 7ц.ф - критическое значение распределения Стьюдента при известных ф и а .
Критическая область 5, для случайной величины 7 задается не равенствами
или |
|
|
|
|
|
|
|
|
(5.74) |
Область SQдля случайной величины t' |
задается неравенством |
|||
|
—t ‘ |
< t‘ |
< t ' |
’ |
|
*q>;a/2 |
“ |
~ V,a/2 |
|
Запишем вероятность выполнения неравенства (5.74). Имеем |
||||
|
|
|
|
(5.75) |
Вычисленная величина |/ф| сравнивается с критическим значением |
||||
/ф'.а/2. Если |
|/,'р| > Хё-ап’ то нУлевая гипотеза |
Н0: а, = 0 на уровне зна |
||
чимости а |
отвергается, т.е. коэффициент я, является значимым |
и существенно отличается от нуля. Напротив, если |^| < ^р'а/2, то нуле вая гипотеза Я0: Ц = 0 принимается, т.е. коэффициент я, является незначимым и, следовательно, нельзя утверждать, что коэффициент я, существенно отличается от нуля.
Заметим, что в общем случае оценка я, и ее дисперсия зависят от оценок всех других коэффициентов ap j * i
Если тот или иной член исключается из уравнения математиче ской модели (например, из-за незначительности соответствующего коэффициента), необходимо пересчитать оценки всех остальных ко эффициентов и их дисперсии. При этом могут измениться как довери тельные интервалы для коэффициентов, так и выводы относительно значимости коэффициентов.
Пример 5.2. Продолжим рассмотрение примера 5.1. Рассчитаем прежде всего Y Имеем
65,4
55.1
44,8
55.1
Найдем остаточную сумму квадратов S,{ по формуле (5.58). Получим
Slt = 4(0,1) 2 = 0,04.