- •Федеральное агентство по образованию северо–кавказский горно–металлургический институт (государственный технологический университет)
- •Владикавказ 2008
- •Тема 1. Случайные события и случайные величины, их числовые характеристики
- •Случайные события
- •Вероятность события Существует статистическое и классическое определение понятия «вероятность». Статистическое определение вероятности
- •Классическое определение вероятности
- •Свойства вероятности
- •Сложение и умножение вероятностей
- •Условная вероятность. Умножение вероятностей
- •1.2.3. Полная вероятность
- •1.3. Случайные величины
- •1.3.1. Функции распределения случайной величины
- •1.3.1.1. Свойства функции распределения
- •1.3.1.2. Функция распределения для дискретной случайной
- •1.3.1.3. Функция распределения непрерывной случайной
- •Исходя из определения функции распределения:
- •1.3.1.4. Плотность вероятности случайной величины
- •Геометрическое истолкование этой формулы
- •1.3.2.1. Свойства математического ожидания
- •1.3.2.2. Свойства дисперсии
- •1.3.3. Моменты случайной величины
- •1.4. Примеры законов распределения случайной величины
- •1.4.1. Равномерное распределение дискретной случайной
- •1.4.2. Равномерное распределение непрерывной случайной
- •1.4.3. Нормальный закон распределения (закон Гаусса)
- •Тема 2. Точечное оценивание параметров. Регрессионный и корреляционный анализ
- •2.1. Выборочный метод
- •2.1.1. Среднее и дисперсия выборки
- •2.2. Связь между случайными величинами. Корреляция
- •2.2.1. Свойства коэффициента корреляции
- •2.2.2. Определение коэффициента корреляции по данным наблюдений
- •2.2.3. Частная линейная корреляция
- •2.2.4. Множественная линейная корреляция
- •2.3. Регрессия
- •2.3.1. Линейная регрессия
- •2.3.2. Нелинейная парная регрессия
- •2.3.3. Множественная линейная регрессия
- •2.3.4. Определение параметров уравнения множественной
- •Тема 3. Проверка статистических гипотез и построение доверительных областей для параметров
- •3.1. Доверительные интервалы и доверительные вероятности
- •3.2. Оценка генерального среднего
- •3.3. Оценка генеральной дисперсии
- •3.4.1. Гипотеза о равенстве дисперсий. Критерий Фишера
- •3.5. Проверка адекватности уравнения регрессии
- •Тема 4. Математическое описание случайных сигналов в системах управления
- •4.1. Случайные процессы
- •4.2. Стационарные случайные процессы
- •4.3. Корреляционная функция
- •4.3.1. Свойства корреляционной функции
- •4.4. Спектральная плотность
- •4.4.1. Свойства спектральной плотности
- •Тема 5. Понятие передаточной функции и частотных характеристик системы
- •5.1. Элементы операционного исчисления. Преобразование
- •5.1.1. Основные свойства преобразования Лапласа
- •5.1.2. Примеры преобразования Лапласа для типовых функций
- •5.1.3. Решение линейных дифференциальных уравнений
- •Примеры
- •5.2. Понятие передаточной функции
- •5.3. Временные и частотные характеристики сау
- •5.3.1. Временные характеристики сау
- •5.3.2. Частотные характеристики сау
3.5. Проверка адекватности уравнения регрессии
(математической модели)
После завершения вычислений, связанных с получением оценок коэффициентов регрессии, проверяется адекватность полученного уравнения.
Для проверки значимости (адекватности) уравнения регрессии в целом с использованием F–критерия Фишера общую дисперсию сравнивают с остаточной дисперсией.
Общая дисперсия У:
,
где n – объем выборки; уi (i = 1, 2,…, n) – выборочные значения у.
Остаточная дисперсия (дисперсия неадекватности)
,
т.е. показатель ошибки предсказания уравнением регрессии результатов опытов, где урi – расчетное значение величины у, вычисленное по полученному уравнению регрессии (двойка в знаменателе) – количество переменных в уравнении регрессии.
Качество предсказания определяют, сравнивая с. Находят(делят всегда большую величину на меньшую).
Для заданной величины уровня значимости по таблице критерия Фишера (и для соответствующих значений степеней свободыf1 и f2) определяют табличное значение критерия Fтаб.
Для того, чтобы уравнение регрессии адекватно описывало результаты экспериментов с определенной доверительной вероятностью «р» требуется выполнение следующего условия: F < Fтаб.
Пример. Данные эксперимента
-
№ п/п
х
у
1
1,5
5,0
2
4,0
4,5
3
5,0
7,0
4
7,0
6,5
5
8,5
9,5
6
10,0
9,0
7
11,0
11,0
8
12,5
9,0
59,5
61,5
Расчеты по известной методике позволяют получить для уравнения регрессии = 3,73; = 0,53, т.е. линейное уравнение регрессии имеет вид:
.
Оценим значимость этого уравнения с использованием критерия Фишера. Для этого определяем общую дисперсию у:
(при этом ивзяты из таблицы, по которой определяют коэффициенты регрессии).
Остаточная дисперсия и находится с помощью таблицы
№ п/п |
yi |
xi |
ypi = 3,73 + 0,53xi |
yi – ypi |
(yi – ypi)2 |
1 |
5,0 |
1,5 |
+0,47 |
0,2209 | |
2 |
4,5 |
4,0 |
–1,35 |
1,82225 | |
3 |
7,0 |
5,0 |
+0,62 |
0,3844 | |
4 |
6,5 |
7,0 |
–0,94 |
0,8836 | |
5 |
9,5 |
8,5 |
+1,26 |
1,5876 | |
6 |
9,0 |
10,0 |
–0,03 |
0,0009 | |
7 |
11,0 |
11,0 |
+1,44 |
2,0736 | |
8 |
9,0 |
12,5 |
–1,35 |
1,8225 | |
|
61,5 |
59,5 |
|
0,12 |
8,8 |
Откуда
.
Определяем
.
Для 5 % уровня значимости ( = 0,05) и для f1 = 7, a f2 = 6, Fтаб = 4,21
F < Fтаб, т.е. уравнение регрессии адекватно.
Тема 4. Математическое описание случайных сигналов в системах управления
4.1. Случайные процессы
Функция, значение которой при каждом данном значении независимой переменной является случайной величиной, называется случайной функцией. То есть, это бесконечная совокупность случайных величин, зависящая от непрерывно изменяющейся независимой переменной. Случайная функция, зарегистрированная по результатам опыта, называется реализацией случайной функции. Случайная функция, для которой независимой переменной является время t называется случайным (стохастическим) процессом.
Для характеристики случайной функции служат моменты случайной функции. Для их определения необходимо знать многомерные функции распределения случайной величины.
Предположим, что мы располагаем большим числом однотипных систем, работающих одновременно при одинаковых условиях. Будем наблюдать изменения величин на выходе этих устройств. Они будут характеризоваться некоторыми случайными функциями причем все эти функции будут отличаться друг от друга.
Рассмотрим какой–либо момент времени t и найдем, какая доля из общего числа функций x(t) имеет в этот момент времени значение, заключенное между х и x + dx.
Эта доля зависит от момента времени t и пропорциональна dx при малых dx. Обозначим ее через w1(х, t)dx – (при количестве реализаций, стремящихся к бесконечности, эта величина соответствует вероятности того, что в момент времени t величина х будет заключена в пределах х и х + dх) и назовем w1(х, t) – первой или одномерной функцией распределения вероятности.
Рассмотрим теперь все возможные пары значений х, наблюденные в два различных момента времени t1 и t2. Долю пар значений х, для которой величина х заключена между (х1, х1+ dх1) при t = t1 и между (х2, х2 + dх2) при t = t2, отнесенную к общему числу наблюденных пар значений, обозначим через w2(х1, t1, х2, t2)dx1dx2 и назовем второй или двумерной функцией распределения вероятности.
Этот процесс можно продолжить и определить третью, четвертую и все последующие функции распределения вероятности.
Итак, случайный процесс можно характеризовать некоторыми функциями распределения вероятности, полностью определяющими его в статистическом смысле.
Действительно, зная w1(х, t) можно определить математическое ожидание mox(t) случайной величины х(t):
и его дисперсию 2х(t):
.
Зная вторую функцию распределения w2(х1,t1, х2,t2), можно определить как mox(t), 2х(t), так и центральный момент 2–го порядка:
,
характеризующий связь между значениями случайной функции в различные моменты времени. Функция 2х(t1,t2) называется корреляционной функцией.
Зная n–мерную функцию распределения вероятности, можно определить все последующие моменты случайной функции, включая момент n–го порядка.
Если приходится иметь дело не с одной, а с несколькими взаимосвязанными функциями, то кроме их собственных моментов, приходится вводить еще и их взаимные моменты.
Так, например, если имеются две случайные функции х(t) и y(t), то простейшим взаимным моментом является момент 2–го порядка:
=
называемый взаимной корреляционной функцией случайных процессов х(t) и y(t).