- •2. Классификация измерений и погрешностей измерений.
- •3. Формы представления погрешностей. Свойства случайных погрешностей.
- •4. Основные понятия теории вероятностей. Геометрическая вероятность.
- •5. Основные формулы комбинаторики. Примеры использования
- •6. Теорема сложения вероятностей и ее следствия
- •8.Формула полной вероятности. Формула Бейеса
- •9. Формула Бернулли. Примеры использования.
- •10.Дискретные и непрерывные случайные величины и их характеристики.
- •12. Свойства плотности и функции распределения вероятностей
- •13.Начальные и центральные моменты для дискретных и непрерывных случайных величин.
- •15. Закон больших чисел и центральная предельная теорема
- •17 Точечные и интервальные оценки.
- •18.Понятие доброкачественной оценки
- •19. Методы получения доброкачественных оценок. Метод максимального правдоподобия.
- •20. Равномерный закон распределения случайных величин
- •21. Биномиальный закон распределения
- •22. Локальная и интегральная теоремы Лапласа
- •23. Нормальный закон распределения случайных величин. M(X), d(X), σ.
- •24. Показательное (экспоненциальное) распределение. M(X), d(X), σ
- •26.Распределение Стьюдента
- •27. Распределение хи-квадрат. M(X), d(X), σ
- •28. Гамма распределение
- •29. Мешающие параметры, необходимость их выявления. Критерии Аббе и Граббса
- •30. Приближённые методы исследования ряда случайных величин на соответствие закону распределения.
- •31.Характеристики формы, их вычисление и суть
- •32. Графический критерий исследования ряда погрешностей на соответствие нормальному закону распределения
- •33. . Точные критерии исследования ряда случайных величин. Критерии Пирсона и Колмогорова.
- •34.Основные методы наименьших квадратов. Способы составления систем нормальных уравнений. Метод наименьших квадратов
- •35.Линейная и квадратичная аппроксимация. Построение линий тренда.
- •37.Полиномиальные преобразования при помощи функции нескольких переменных
- •38 . Оценка точности в методе наименьших квадратов.
- •39. Понятие веса. Классическая обработка неравноточных измерений
- •40.Классическая обработка равноточных измерений. Задача эталонирования
- •41.Выявление мешающих параметров непараметрическими методами. Критерий Хэмпэла
- •44.Адаптивная оценка Хогга. Два способа вычисления индикатора k
- •45.Выявление эффектов гетероскедастичности
- •46. Методы выявления систематического влияния. Критерии серий.
- •47. Методы выявления эффектов автокорреляции. Критерий Дарбина-Уотсона.
- •48. Второй центральный смешанный момент (ковариация).
- •49. Парные, частные и множественные коэффициенты корреляции
- •50. Выявление значимости связей.
- •51. Коэффициент достоверности аппроксимации. Оценка надёжности по критерию Фишера.
- •52. Понятие экстраполяции (прогнозирование результатов измерений)
- •53. Фундаментальная теорема переноса ошибок имеет вид:
- •54. Оценка точности функций зависимых результатов измерений.
44.Адаптивная оценка Хогга. Два способа вычисления индикатора k
Наряду с этими оценками большое распространение в условиях неопределенности и малом количестве измерений получила адаптивная оценка Хогга, когда по величине индикатора выбирается та, или иная формула вычисления оценки. Для её получения используется следующий подход:
где 𝑆(0.25; 𝑁) – среднее из первых 25% и последних 25% значений вариационного ряда;
𝐶𝑡 (0; 𝑁) – α-урезанное среднее. Если α=0, то получают стандартное среднее арифметическое;
при α=0.25 из вариационного ряда удаляется 25% наименьших и 25% наибольших значений, а из оставшихся берётся среднее арифметическое;
при α=0.5 удаляется по 50% слева и справа – стандартная медиана
Для оценки коэффициента k используется два подхода.
В качестве индикатора k берётся значение оценки не центрированного эксцесса
Значение коэффициента, обозначенного tN, вычисляют по формуле
где 𝑎𝑁(𝛽), 𝑏𝑁(𝛽) – среднее по (100 ∙ 𝛽)% наибольших и наименьших элементов вариационного ряда соответственно.
45.Выявление эффектов гетероскедастичности
Наиболее простым тестом выявления степени неравноточности групп результатов измерений является критерий ранговой корреляции Спирмена. Критерий выявляет корреляцию между номером измерения i и поправкой 𝑣𝑖 = ℎ𝑖 − ℎ̅ , (3.1) которая при отсутствии неравенства дисперсий измерений должна быть статистически не значимой. Для этого находят ранги исследуемого ряда следующим образом: 1) присваивают каждому измерению номер i от 1 до N; 2) вычисляют среднее арифметическое и отклонение от него 𝑣𝑖 для всех элементов ряда; 3) выстраивают ряд отклонений в вариационный ряд (по возрастанию); 4) получают ранг ni отклонения vi , который равен номеру i каждого элемента исходного ряда отклонений в вариационном ряду. Т.е., если элемент в исходном ряду измерений имел порядковый №6, а в построенном вариационном ряду данный элемент получил №15, то принимаются следующие значения: i = 6; ni = 15. И так далее для каждого элемента ряда. Коэффициент ранговой корреляции Спирмена вычисляется по формуле: 𝑟𝑖,𝑣 = 1 − 6 ∙ ∑ ((𝑛𝑖 − 𝑖) 2 ) 𝑁 𝑖=1 𝑁 ∙ (𝑁2 − 1) , (3.2) Полученный коэффициент корреляции исследуется на значимость при помощи квантиля t распределения Стьюдента, который сравнивается с рассчитанным значением 𝑡 = |𝑟𝑖,𝑣| ∙ √𝑁 − 2 √1 − 𝑟𝑖,𝑣 2 , (3.3) Полученное значение сравнивается с эталонным, выбираемой из статистических таблиц по модифицированной вероятности для двухстороннего интервала (1+P)/2 и числу степеней свободы N–2. При выполнении неравенства t > tэт исходная гипотеза об отсутствии гетероскедастичности отвергается с вероятностью ошибки (1–P)/2. При вычислениях принять значение P=0.95. Тогда, например, при числе измерений N = 20, число степеней свободы N–2=18 и значение квантиля для модифицированной вероятности (1+P)/2 будет равно tэт=2.10.11 Составил: ст.пр каф. «Инженерная геодезия» Будо А.Ю. Второй распространенный тест на наличие гетероскедастичности в результатах измерений называется тестом Голдфелда-Квандта. Его суть: если в вариационном ряду группа первых результатов и группа последних имеет достаточно похожую меру рассеивания, то эффект неравноточности результатов измерений незначителен. Для практической реализации теста поступают следующим образом: 1) делят вариационный ряд на три примерно равных части (меньшая в середине, равные по краям). Два крайних подряда аппроксимируют по методу наименьших квадратов в зависимости от номера i (см. Выявление мешающих параметров непараметрическими методами – задача выявления тренда). 2) Вычисляют суммы квадратов отклонений для первой [𝑣 2 ]1 и второй [𝑣 2 ]2 регрессий, а также F–статистику Фишера по формуле 𝐹 = [𝑣 2 ]2 [𝑣 2]1 . (3.4) При этом в числителе должна быть большая величина. Критическое значение Fкр выбираем из таблиц распределения Фишера по уровню значимости 𝛼 = 1 − 𝑃 и числу степеней свободы 𝑟1 = 𝑟2 = k − 𝑡 − 1, где k – число элементов в крайнем ряду, t – число неизвестных параметров (объясняющих переменные) в приятой модели регрессии, т.е. t = 2. Если выполняется неравенство F < Fкр, то с вероятностью P гипотеза об отсутствии гетероскедастичности принимается. При вычислениях принять значение P=0.95. Тогда, например, при числе степеней свободы 𝑟1 = 𝑟2 = 5 значение квантиля F-распределения вероятности будет равно F0.95;5;5=5.05. Для нахождения квантиля можно воспользоваться статистическими таблицами [Приложение 3] либо функцией Excel. =FРАСПОБР(0.05;5;5)