13-03-2013_09-17-00 / 9_Неслучайные ошибки
.docВ.А.Падве
ЛЕКЦИЯ: НЕСЛУЧАЙНЫЕ ОШИБКИ: ВЫЯВЛЕНИЕ И УЧЕТ.
1. Постановка вопроса.
Параметрическая и коррелатная версии классического алгоритма точностной оптимизации измерений по методу наименьших квадратов (МНК-оптимизация [1]) опираются, во-первых, на математические модели (ММ) измерений в виде параметрических (F) или условных (F) уравнений связи:
, (1)
где Y - вектор истинных значений измеряемых величин;
X - вектор истинных значений параметров;
Z - вектор истинных значений опорных (исходных) координат.
Во-вторых, на их статистическое расширение:
а) априорную ковариационную матрицу измерений:
, (2)
где Kij - ковариации i-го и j-го измерений;
б) условие отсутствия систематических ошибок в измерениях, аналитическая запись которого имеет вид:
E(y) = Y или , (3)
где V = Y – E(y) - истинные случайные поправки к измерениям.
в) априорное значение масштабного показателя точности (МПТ) измерений полагается равным единице, т.е:
.
Это следует из того факта, что
.
После завершения процедуры МНК-оптимизации становятся известными МНК-поправки в измерения yn1:
(параметрическая версия)
, (4)
(коррелатная версия)
по которым вычисляется апостериорное значение МПТ
, (5)
являющееся несмещенной оценкой его теоретического значения .
Получив апостериорную оценку , мы можем проверить гипотезу о равенстве истинного значения показателя его априорному значению против альтернативной гипотезы о неравенстве этих величин, т.е.
(6)
против
.
Нулевая гипотеза проверяется с помощью теста "хи-квадрат":
, (7)
который сравнивается с двухсторонним ДИ, соответствующим уровню значимости a:
. (8)
"Нижняя" и "верхняя" границы этого ДИ представляют собой % и % квантили распределения хи-квадрат[4]:
, (9)
. (10)
Если , то H0 не отвергается, т.е. исходные предположения (1)-(3) не противоречат результатам измерений и все материалы аттестуются как соответствующие заданным требованиям.
В противном случае, т.е. когда нулевая гипотеза отвергнута:
а) либо координаты опорных пунктов "Z" не могут рассматриваться в качестве безошибочных констант;
б) либо некорректно сформирована ковариационная матрица измерений K;
в) либо сами измерения yn1 искажены неслучайными погрешностями, например, систематическими ошибками.
2. Анализ материалов и выявление неслучайных ошибок.
Для проверки предположения "а" необходимо обработать измерения повторно, не включая в ММ (1) величины "Z" полностью или частично и пользуясь, быть может, алгоритмом обработки "свободных сетей" [3]. Анализируя результаты обработки различных версий ММ (1), можно прийти к решению о том, какие из элементов вектора "Z" не могут рассматриваться как константы, и исключить их из ММ.
Когда не удается с помощью описанной процедуры идентифицировать "плохую" константу, то переходят к проверке других возможных источников отклонения нулевой гипотезы.
Некорректное формирование K (ковариационной матрицы измерений, предположение "б") происходит чаще всего из-за неправильно определенных априорных значений дисперсий измерений. Это предположение можно выдвинуть, анализируя графики зависимостей МНК-поправок в измерения от их порядковых номеров или каких-то других аргументов: длин ходов, числа станций, времени, продолжительности и т.п. Корректно определенные дисперсии дают картину зависимости МНК-поправок в виде равномерной полосы, шириной не более , в идеале идущей вдоль оси аргументов (величина представляет собой % квантиль распределения Стьюдента). Неравномерность полосы, например ее расширение или сужение, как раз и свидетельствует о зависимости дисперсий от данного аргумента.
Последнее предположение "в" о наличии неслучайных ошибок в измерениях выдвигается, когда проверка двух первых не дала положительного эффекта. В такой ситуации можно воздействовать как на вектор параметров X, вплоть до введения такого вектора в коррелатную версию ММ, так и на сам оператор уравнений связи F или Ф. Указанное воздействие заключается в добавлении к одному, нескольким или всем измерениям дополнительных параметров или функций от них, моделирующих влияние предполагаемого систематического фактора.
Например, для параметрической ММ нивелирной сети, i-ое стандартное уравнение связи которой имеет вид hi = xj – xm, где hi – превышение между реперами с отметками xj и xm, i-ая строка матрицы линеаризованных уравнений связи Ank запишется так:
1,2,….,j,.......,m,…..,k – № столбцов,
0 0…..1 0... -1 0.....0 – i-ая строка.
Заменив в этой ММ i-ое уравнение связи новым, описывающим предполагаемое воздействие постоянной ошибки "c" в простейшем виде, получим:
hi = xj – xm +c (11)
Теперь i-ая строка матрицы линеаризованных уравнений связи An;k+1 преобразуется следующим образом:
1,2,…..,j,........,m,….,k,k+1 – № столбцов,
0 0...0 1 0….0 -1 0…..0 1 – i-ая строка.
По "расширенной" таким образом матрице An;k+1 выполняется вновь дальнейшая процедура обработки и анализа измерений, завершающаяся проверкой нулевой гипотезы (6) с помощью изменённого теста (7):
, (12)
где – новая оценка МПТ, полученная по измененной ММ. Этот тест сравнивается с новым двухсторонним ДИ
, (13)
границы которого определяются квантилями
, (14)
. (15)
Если нулевая гипотеза (6) вновь отвергается, то модификация ММ продолжается до тех пор, пока тест (12) не попадет в ДИ (13). При этом рекомендуется внимательно изучать графики зависимости МНК-поправок, о которых выше шла речь, т.к. они не только отражают неправильность априорных значений дисперсий, но и, вообще, показывают, как происходит сглаживание результатов измерений для обсчитываемой в данном цикле модели.
3. Определение знàчимости систематических параметров.
После получения ММ, содержащей предполагаемые систематические параметры, необходимо проверить гипотезу о незнàчимости введенных параметров в совокупности:
. (16)
Практически этой гипотезе эквивалентна гипотеза (17) о равенстве дисперсий основной и модифицированной моделей:
. (17)
Если эта гипотеза будет отвергнута, то с целью упрощения ММ можно проверить гипотезы о незначимости каждого из новых параметров:
. (18)
Гипотеза (17) проверяется с использованием статистики Фишера [4]:
, (19)
значение которой сопоставляется с квантилью F-распределения на уровне значимости "a":
. (20)
Она отвергается, когда FЭ > FT.
Гипотеза (18) последовательно проверяется относительно каждого нового параметра с использованием t-теста [2]
, (21)
где - оценка параметра, а - его СКО, определенная по материалам (ковариационной матрице параметров) МНК-оптимизации.
Тест (21) сопоставляется с % квантилью распределения Стьюдента:
. (22)
Гипотеза (18) отвергается, когда tЭ > tT. Это означает, что параметр cq знáчимо отличается от нуля и его следует сохранить.
Окончательный вариант ММ формируется последовательным прохождением всех описанных этапов таким образом, чтобы обязательно одновременно удовлетворялся тест (6) и модель содержала бы только те параметры cq, которые не прошли тест (21). На основании этого можно будет утверждать на уровне значимости "a" о непротиворечивости построенной ММ результатам измерений. При этом необходимо четко представлять себе, что, например, оптимизированное превышение, описываемое уравнением связи (11) и занесенное в каталог, не будет равно простой разности оптимизированных отметок реперов, занесенных в этот же каталог, т.к. форма стандартного каталога не предусматривает наличие в нем информации о предполагаемых систематических параметрах.
Литература
1. М.М.Машимов
2. Ю.В.Линник
3. Ю.И.Маркузе
4. П.Мюллер, П.Нойман, Р.Шторм