- •ОГЛАВЛЕНИЕ
- •ВВЕДЕНИЕ
- •1.1. Основные понятия и определения теории вероятностей
- •1.2. Функции распределения вероятностей случайной величины
- •1.3. Числовые характеристики случайных величин
- •1.5. Случайные процессы и их основные статистические характеристики
- •1.6. Корреляционные функции случайных процессов
- •1.7. Спектральные плотности случайных процессов
- •1.9. Прохождение дискретного случайного процесса через дискретное динамическое звено первого порядка
- •ЗАДАЧИ
- •2. ЭЛЕМЕНТЫ МАТЕМАТИЧЕСКОЙ СТАТИСТИКИ
- •2.1. Общие понятия и определения
- •2.2. Простейшие оценки
- •2.3. Интервальные оценки. Доверительный интервал
- •2.4. Проверка статистических гипотез о параметрах распределения
- •2.5. Критерии согласия
- •2.6. Последовательный анализ
- •2.7. Особенности статистического вывода
- •2.8. Статистики и измерения стационарного случайного процесса
- •2.9. Оценка корреляционной функции
- •2.10. Оценка спектральной плотности
- •ЗАДАЧИ
- •3. МОДЕЛИ ОБЪЕКТОВ УПРАВЛЕНИЯ
- •3.1. Средства и этапы описания объектов управления
- •3.2. Характеристика моделей объектов управления
- •3.3. Динамические модели объектов управления
- •3.4. Преобразование и исследование динамических моделей
- •3.5. Статические модели
- •3.6. Графическое представление статических моделей
- •3.7. Пример описания объекта управления
- •4. МЕТОДЫ ИДЕНТИФИКАЦИИ
- •4.1. Дисперсионный анализ
- •4.2. Метод регрессионного анализа
- •4.3. Рекуррентные алгоритмы идентификации линейных моделей
- •4.5. Идентификация параметров динамических моделей
- •4.6. Сглаживание временных рядов
- •ЗАДАЧИ
- •5. ПЛАНИРОВАНИЕ ЭКСПЕРИМЕНТА
- •5.1. Общие требования к плану эксперимента
- •5.2. Полный факторный эксперимент
- •5.3. Дробный факторный эксперимент
- •5.4. Планы для квадратичных моделей
- •ЗАДАЧИ
- •СПИСОК ИСПОЛЬЗУЕМЫХ АББРЕВИАТУР И ОБОЗНАЧЕНИЙ
4.МЕТОДЫ ИДЕНТИФИКАЦИИ
Вданном разделе рассмотрим методы идентификации неизвестных параметров (коэффициентов) модели при условии, что структура модели априори известна. Наблюдение входных и выходных переменных объекта осуществляется в процессе его нормального функционирования.
Такой метод получения результатов наблюдений называют пассивным экспериментом.
При планировании пассивного эксперимента исследователь должен определить (запланировать):
1) длительность эксперимента; 2) интервал съема данных с объекта (интервал квантования);
3) метод обработки поступающих результатов эксперимента (в темпе с их поступлением или после окончания эксперимента);
4) критерий эффективности полученной модели;
5) учет возможных динамических процессов в объекте при разработке статической модели.
При выборе длительности эксперимента желательно, чтобы входные сигналы (воздействия) даже в режиме нормальной эксплуатации «пробежали» все свои возможные значения (уровни), а выходной сигнал содержал бы максимум информации о состоянии объекта.
4.1. Дисперсионный анализ
Во многих областях практической деятельности встречаются объекты исследования, состояние которых определяется входными переменными или факторами, не имеющими количественного описания. Это могут быть неуправляемые и управляемые переменные, которые в силу обстоятельств не измеряются. Для изучения влияния факторов подобного рода на выходной показатель объекта, их общей оценки, ранжирования и выделения среди них существенных используется дисперсионный анализ.
Примеры подобных объектов [14]:
1)физический процесс y (рис. 4.1.) контролируется (измеряется) несколькими приборами (или разными методами), причем каждый оператор производит некоторое число дублирующих измерений. Требуется определить, насколько существенно влияние на результат измерения двух факторов (x) : прибора (метода) и оператора;
2)детали обрабатываются параллельно на нескольких станках автоматической линии. Требуется установить, однотипны ли средние размеры деталей, изготовляемых на разных станках, т.е. оценить значимо ли воздействует фактор индивидуальности станка на процесс обработки;
176
3) при использовании комплектующих из нескольких партий надо определить существенно ли отличаются параметры комплектующих из разных партий;
ОУ |
v |
x |
y |
Q(x) |
|
Рис. 4.1. Объект дисперсионного анализа
4) при нестабильности (дрейфе) величины выходного показателя во времени необходимо оценить влияние дрейфа на фоне случайных погрешностей наблюдений.
Итак, общая постановка задачи:
-выходной показатель y может зависеть (по физическим соображениям) от n-независимых факторов x x1, x2 ,...,xn , не имеющих количественного
описания, и их взаимодействия;
- каждый фактор xi варьируется (природой) на li уровнях;
- каждая j-я серия содержит y j , y j ,...,y jm дублирующих (наблюдений)
опытов.
Требуется: определить, в какой мере существенно на фоне случайных погрешностей влияние того или иного фактора xi или комбинации (взаимо-
действия) таких факторов на выходную переменную y, провести сравнение с другими факторами и выделить наиболее существенные.
Допущения, на которых базируется дисперсионный анализ: |
|
|
1) величина y – нормально распределенная случайная величина с |
|
|
M y Q(x) const |
(4.1) |
|
|
||
|
||
D y y const , |
|
т.е. y – стационарный гауссовский случайный процесс.
2) дисперсия единичного наблюдения V , обусловленная случайными ошибками, постоянна во всех опытах и не зависит от x , x ,...,xn .
Каждое из этих допущений необходимо проверить по результатам наблюдений анализируемого эксперимента.
Идея дисперсионного анализа.
177
Чтобы оценить влияние каждого фактора на выходную переменную и сравнить влияние различных факторов, установим некоторый показатель это-
го влияния. Пусть отсутствуют ошибки измерения (опыта) . При
V
варьировании фактора x на разных уровнях получены «истинные» значения y , y ,...,y j ,...,yl выходной переменной y.
Тогда в качестве показателя влияния фактора x примем величину
x
где y l y j .
l j
|
|
l |
|
|
|
|
|
||
|
l |
y j y , |
(4.2) |
|
|
j |
|
|
Очевидно, чем больше влияние фактора x, тем больше дисперсия x . Если присутствуют помехи V и известна V , то, видимо, меру влияния фактора x можно характеризовать выборочной дисперсией
|
|
l |
|
|
|
|
|
||
S |
|
y j y |
(4.3) |
|
|
||||
|
l j |
|
|
с числом степеней свободы v l .
Очевидно, если отличие S от V незначительно, то, следовательно, разброс наблюдений связан только со случайными причинами, т.е. ошибками измерений (опыта) V, и влияние фактора x незначимо. Если же отличие S отV значимо, то, следовательно, повышенный разброс наблюдений вызывает-
ся не только случайной ошибкой V, но и еще влиянием фактора x, которое нужно признать значимым.
Поскольку выборочная дисперсия
S |
, |
(4.4) |
V |
x |
|
так как мы, рассчитывая по (4.3.), не разделяли влияние x и V. Из (4.4) следует
S . |
(4.5) |
|
x |
V |
|
В общем случае, когда дисперсия |
заранее неизвестна, необходимо |
|
|
V |
|
найти ее оценку по данным эксперимента. С этой целью планируются повторные (дублирующие) эксперименты.
Таким образом, основная идея дисперсионного анализа заключается в
разложении общей дисперсии S на составляющие, зависящие от случайных причин, от каждого из рассматриваемых факторов и их взаимодействий в отдельности, а также в оценке статистической значимости дисперсий послед-
них с учетом ошибки воспроизводимости опыта V .
178
Технику проведения дисперсионного анализа проиллюстрируем на однофакторном анализе.
Однофакторный анализ. Действует один фактор x.
Результат наблюдения сведем в табл. 4.1.
Таблица 4.1
Результаты наблюдений дисперсионного анализа
|
|
|
|
|
j-й |
|
|
|
|
|
|
|
|
|
|
|
|
уровень |
1 |
2 |
3 |
l |
|
||||
i-й дубл. |
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
||||
опыт |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
y11 |
y12 |
y13 |
y1l |
|||||
|
|
2 |
|
|
y 21 |
y 22 |
y 23 |
y 2l |
|||||
|
|
m |
|
|
y m1 |
y m 2 |
y m3 |
y ml |
|||||
Групповая |
|
|
|
|
|
|
|
|
|||||
|
|
средняя |
|
|
|
|
|
|
|
|
|
||
|
|
1 |
m |
|
y |
1 |
y |
2 |
y |
3 |
y |
l |
|
y |
|
|
|
y |
|
|
|
|
|
||||
j |
|
ij |
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|||||
|
|
m |
i1 |
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
При таком расположении наблюдений рассеивание между строками будет определяться ошибкой воспроизводимости V, а рассеивание между столбцами – действием факторa x.
Вычислим общее среднее
|
|
|
l m |
|
l |
|
|
y |
yij |
y j . |
(4.6) |
||||
|
l |
||||||
|
|||||||
|
|
lm j i |
j |
|
Рассеивание отдельных наблюдений относительно общего среднего обусловлено действием случайных величин V и влиянием фактора x.
Разложим сумму
l m |
|
|
l m |
|
|
l |
|
|
|
|
|
|
|
|
|||
c yij |
|
|
yij y j |
|
m y j |
|
cV cx . (4.7) |
|
y |
y |
|||||||
j i |
|
|
j i |
|
|
j |
|
|
Сумма c характеризует рассеивание наблюдений, обусловленное ошиб- |
||||||||
кой V и фактором x . |
|
|
|
|
|
|
|
|
Сумма cV характеризует рассеивание, |
обусловленное ошибкой V , а cx |
|||||||
– действие фактора x . |
|
|
|
|
|
|
|
|
Предположим, что влияние фактора |
x |
на y отсутствует, т.е. нуль ги- |
||||||
потеза H : y y ... y j ... yl верна. |
Тогда все серии параллельных на- |
179
блюдений можно рассматривать как случайные выборки из одной и той же нормальной совокупности, и следовательно:
1) выборочная дисперсия рассеивания «внутри серий» или остаточная
оценка дисперсии воспроизводимости V (остаточная дисперсия)
S |
cV |
|
, |
|
l m |
||||
V |
|
|||
|
|
|
с числом степеней свободы vV l m ;
2) выборочная дисперсия рассеивания между средними дисперсия)
Sx l ,
счислом степеней свободы vx l .cx
Очевидно, если фактор x не влияет, то выборочные оценки
(4.8)
(факторная
(4.9)
SV , S x од-
нородны, так как являются оценками одной и той же генеральной дисперсии. Чтобы оценить влияние фактора x проверим нуль-гипотезу об одно-
родности выборочных оценок (см. пример 2.4)
|
|
|
|
F |
|
Sx |
. |
(4.10) |
|
|
|
|
|
||||
|
|
|
|
набл. |
|
S |
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
V |
|
|
Если F |
F крит. |
для q 0.05 , то влияние фактора x значимо . |
||||||
набл. |
|
v |
,v |
|
|
|
|
x |
|
|
x |
v |
|
|
|
|
|
Если же F |
|
F крит. , то влияние фактора x |
незначимо. Следует иметь |
|||||
набл. |
|
|
|
|
|
|
|
в виду, что дисперсионный анализ наблюдений эксперимента позволяет определить влияние фактора лишь в целом, не давая количественных оценок этого влияния. При этом выводы справедливы для данного статистического материала. Отметим, что возможна обработка статистического материала с неравным числом наблюдений в каждой серии наблюдений [14].
Кроме рассмотренного однофакторного анализа с повторными наблюдениями проводится двухфакторный анализ с одно - и многократным наблюдением, когда изучается влияние двух одновременно действующих факторов x и x , меняющихся на l , l уровнях [14].
При многофакторной классификации используются различные схемы планирования эксперимента, например, латинские квадраты, латинские кубы и др., позволяющие значительно сократить число наблюдений.
180
Пример 4.1. Однофакторный дисперсионный анализ.
m 4 |
d 3 |
|
|
|
j 0 d 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
Результаты наблюдений |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
0.314 |
0.186 0.686 |
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
0.277 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
Y |
|
0.223 0.723 |
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
0.173 |
0.327 0.827 |
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0.232 |
0.268 0.768 |
|
|
|
|
|
|
|
|
|
|
|||||||||||||
Общее с реднее |
|
|
|
|
|
|
|
1 |
|
d 1 |
m 1 |
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
Y1 |
|
|
Yi j |
|
|
|
Y1 0.251 |
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
d |
m |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
j 0 |
i 0 |
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
m 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Групповое с реднее |
|
Y2j |
1 |
|
Yi j |
|
|
Y2j |
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
m |
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
-0.249 |
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0.251 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0.751 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
d 1 |
m 1 |
Yi j |
Y2j 2 |
|
|
||
Ос таточная дис перс ия |
|
|
|
Sv |
|
|
|
1 |
|
|
|
Sv 3.691 |
10 3 |
|||||||||||||||
|
|
|
d (m |
1) |
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
i 0 |
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
j |
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
d 1 |
Y2j |
Y1 2 |
|
|
|
|
||||
Факторная дис перс ия |
|
Sx |
|
m |
|
|
|
|
Sx 1 |
|
|
|||||||||||||||||
|
|
d |
1 |
|
|
|
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
j 0 |
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Проверка гипотезы об однороднос ти дис перс ий |
|
|
|
|
|
|||||||||||||||||||||||
|
F |
|
|
Sx |
|
|
|
|
|
|
F |
|
|
270.905 |
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
на бл |
|
|
|
Sv |
|
|
|
|
|
на бл |
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Находим для |
x d 1 |
|
|
|
x 2 |
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
v d (m 1) |
|
v 9 |
|
|
|
|
|
|
|
|
|
|
и уровня значимос ти q 0.05 |
F |
qF |
1 |
q |
x v 5.715 |
|
|||||
|
кр ит |
|
2 |
|
|
|
|
т.к. Fнабл.>Fкрит., то влияние фактора х значимо на фоне нормально рас пределенной помехи.
181