WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 8 | 9 || 11 | 12 |   ...   | 18 |

XA XB XB … XB … XB XA1 Xk11 Xk1j … Xk1n … … … … … … XAi Xki1 … Xkij … Xkin … … … … … … XAm Xkm1 … Xkij … Xkmn Очевидно, на величину среднего X*kAi оказывает влияние, помимо случайных факторов, лишь составляющая объекта XA, так как по всем значениям XB проведено усреднение. Точно так же величина X*kBj среднего зависит лишь от значений составляющей XB. Поэтому рассеивание X*kAi средних не будет зависеть от значений XB, а рассеивание X*kBj - от значений XA.

Общее рассеивание результатов измерения составляющей Xk может быть оценено величиной статистической дисперсии:

m n 1 * * Dk = (X - X ). (2.12) kij k mn i=1 j=Принимая во внимание обозначения, введенные выше, формулу (2.12) представим в виде:

* * * * m n - X ) + (X - X ) + (X 1 kAi k kBj k * Dk = (X + X - X + X ) = 1 (QA + QB + QO ), (2.13) * * * mn mn i=1 j=kij kAi kBj k где m n * * QA = - X )2;

(X kAj k i=1 j=m n * * QB = - X )2;

(X kBj k i=1 j=m n * * * Qo = - X - X + X )2.

(X kij kAi kBj k i=1 j=Таким образом, статическая дисперсия D*k пропорциональна сумме трех слагаемых QA, QB, Q0. Причем, помимо случайных факторов, вызванных погрешностями изменения, на величину слагаемого QA влияет лишь XA, а на величину QB–XB.

Оценка степени влияния составляющих объекта измерения XA и XB на составляющую Xk как и при однофакторном дисперсионном анализе, производится при условии нормального распределения случайных погрешностей измерений с помощью F-критерия:

QA CA m - FA = = ; (2.14) QO CO (m -1)(n -1) QB CB n - FB = =. (2.15) QO CO (m -1)(n -1) Правило оценки степени влияния составляющих XA и XB на Xk заключается в следующем:

1) подсчитываются величины QA, QB, (m-1), (n-1) и (m-1)(n-1);

2) по значениям величины п.1 определяются CA, CB, C0, а затем FA, FB;

3) задаются величиной доверительной вероятности q ;

4) по специальным таблицам по степеням свободы (m-1) и (m1)(n-1) с учетом CA, и C0, находится FqA, а по степеням свободы (n-1) и (m-1)(n-1) с учетом CB и C0 –FQb ;

5) если FA FqA и FB FqB,то влияние составляющих объекта измерения XA и XB на XK несущественно и может считать, что практически не зависит ни от XA, ни от XBA;

6) при FA > FqA и FB > FqB принимается гипотеза о том, что влияние составляющих объекта измерения XA и XB на XK существенно, т.е. XK зависит как от XA, так и от XB;

7) если FA FqA и FB FqB,то на составляющую влияет в основном не XA, а XB, т.е. составляющая XK зависит лишь от XB ;

8) при FA > FqA и FB FqB принимается гипотеза о том, что составляющая объекта измерения зависит лишь от XA.

Итак, рассмотрена методика применения дисперсионного анализа доя выявления взаимосвязанных и взаимонезависимых составляющих объекта измерения. При этом необходимо подчеркнуть, что применение дисперсионного анализа особенно эффективно при одновременном излучении нескольких составляющих объекта измерения на какую – то другую составляющую.

Дисперсионный анализ позволяет решить лишь качественную задачу – выделить из общего числа составляющих объекта измерения x1….xN взаимонезависимые и взаимозависимые.

Следующей, более высокой ступенью описания исследуемого объекта должно явиться выявление количественных соотношений между взаимосвязанными составляющими объекта измерения.

2.3 Статистические способы описания взаимосвязей между составляющими объекта измерения Иногда связи между некоторыми составляющими объекта измерения удается математически описать на основе априорных сведений о физических процессах, протекающих в объекте. Если же таких сведений имеется недостаточно или они совсем отсутствуют, то соотношения, связывающие ряд составляющих объекта, могут быть установлены только на основе эксперементальных исследований. При этом, учитывая, что составляющие носят случайный характер, результаты эксперементальных исследований должны обязательно подвергаться той или иной статистической обработке.

Допустим в результате дисперсионного анализа установлено, что составляющая объекта измерений Xk зависит от составляющей XA. Теперь ставится задача установить количественную зависимость составляющей Xk от XA.

В математической статистике доказано, что стохастическую зависимость между величинами Xk и XA дает регрессия, т.е. математическое ожидание (среднее значение ) величины Xk, вычисленное при условии, когда величина XA примет определенное значение. Поэтому идеальной целью можно считать отыскание уравнения регрессии.

Однако точное уравнение регрессии можно написать зная среднее значение Xk для всех допустимых XA. В практических же наблюдениях такая ситуация невозможна. Более того, даже отдельные значения средних составляющей Xk,не могут быть найдены точно, а допускаются лишь приближенные оценки. В связи с этим можно искать лишь уравнения приближенной регрессии, оценивая тем или иным способом величину и вероятность этой приближенности.

Для того чтобы получить уравнение приближенной регрессии, то есть найти зависимость составляющей Xk от XA, составляющей XA задают ряд значений XA1, …, XAi, …….., XAn и при каждом этом значении измеряют значение составляющей Xk.Результаты заносят в таблицу 3.

Таблица 3 Значения для построения линии регрессии XA XAi … XAI … XAn Xk Xk1 … Xki … Xkn Основным способом отыскания уравнения регрессии является принцип наименьших квадратов. Этот принцип утверждает, что наилучшее уравнение приближенной регрессии дает та функция из рассматриваемого класса, для которой сумма квадратов:

n S = - (X,1,...,l )] (2.16) [X ki Ai i=имеет наименьшее значение.

В формуле (2.16) 1,...,l - неопределенные параметры (коэффициенты), входящие в аналитическое выражение уравнения регрессии.

Величина суммы S зависит, с одной стороны, от вида уравнения регрессии X = (1,...,l ), с другой стороны от численных значений k коэффициентов 1,...,l.

Для того чтобы сумма S, была минимальна, во – первых, должен быть известен заранее из соображений аналогии, из теоретических рассуждений или из сравнения эмпирических данных с известными функциями. Наиболее трудной задачей является подбор типа регрессии непосредственно по изучаемой зависимости совершенно не известны. При этом желательно всегда выбирать такой вид уравнения регрессии, чтобы число неопределенных коэффициентов 1,...,l было значительно меньше числа изменения n.

Пусть исходя из тех или иных соображений, выбран вид уравнения регрессии. Тогда величину суммы S (2.16), можно рассматривать как функцию от коэффициентов 1,...,l. Теперь задача состоит в том, чтобы найти такой выбор этих коэффициентов, который минимизировал бы величину S.

Из математического анализа известно, что необходимым условием минимума функции S (дифференцируемой) многих переменных является выполнение равенств:

dS = d.... (2.17) dS = dl Принимая во внимание формулу (2.16), после преобразований получим систему уравнений, с неизвестными:

n n d(X,1,...,l ) d(X,1,...,l ) Ai Ai X -,1,...,l ) ki (X Ai d1 di=1 i=.... (2.18) n n d(X,1,...,l ) d(X,1,...,l ) Ai Ai X -,1,...,l ) ki (X Ai d1 dl i=1 i= Решая эту систему уравнений, находим неизвестные коэффициенты 1,...,l. Если она имеет единственное решение,то при S 0 это решение всегда будет обеспечивать минимум величины S. Если же решений будет будет несколько, то из них необходимо выбрать то, которое минимизирует величину S.

Найденные в результате решения системы уравнения (2.18) коэффициенты 1,...,l.Будут, очевидно, являться функциями Xk и XA:

1 = 1(X,..., X ; X,..., X );

k1 kn A1 An (2.19) l = l (X,..., X ; X,..., X ).

k1 kn A1 An А так как значения составляющих Xk и XA, полученные в результате их измерения, носят случайный характер, вследствие влияния случайных погрешностей измерения, то случайными будут и коэффициенты 1,...,l.

Поэтому эти коэффициенты должны быть обязательно подвергнуты статистической оценке. В частности, необходимо оценить степень их случайности, т.е. величину среднеквадратического отклонения каждого коэффициента, и указать доверительный интервал и доверительную вероятность.

Последняя задача оказывается в большинстве случаев очень трудной и поэтому ограничивается лишь указанием среднеквадратических отклонений этих коэффициентов.

После того как коэффициенты в уравнении приближенной регрессии найдены и оценены, само это уравнение должно быть подвергнуто статистическому анализу. В результате этого анализа, во – первых, выясняется, нуждается ли полученное уравнение регрессии в поправке; вовторых, если такая необходимость имеется, то ищется сама поправка.

Для решения первой задачи подсчитывается статистическая дисперсия:

n D = S = - (X,1,...,l )], (2.20) [X ki Ai n - l i=являющаяся общей мерой рассеяния всех Xki вокруг функции (X,1,...,l ). Очевидно, чем меньше величина D, тем лучше подобрано A уравнение регрессии.

В образовании дисперсии D участвуют два фактора: рассеяние Xki вокруг истинной линии регрессии (вокруг своих средних), вызванное случайными погрешностями измерений составляющей Xk, описываемое дисперсией Dk, и погрешность в определении приближенной регрессии X = (X,1,...,l ), которой соответствует некоторая дисперсия DP.

k A Поскольку эти факторы независимы, то D = Dk + Dp.

Так как дисперсия Dk вызвана независимыми от нас причинами (случайными погрешностями измерений составляющей Xk),то уменьшить величину дисперсии D возможно лишь уменьшением дисперсии Dp.т.е.

улучшением сходимости приближенной регрессии к истинной. При этом необходимо иметь в виду следующее. Чем точнее подобрано уравнение регрессии, тем меньше Dk. Но любое уточнение уравнения регрессии сопряжено с большой вычислительной работой, и, кроме того, чем точнее уравнение регрессии, тем оно, как правило, сложнее. С другой стороны, из уравнения (2.21) видно, что бессмысленно стремиться обеспечить величину Dp очень малой по сравнению с Dk. Так как при Dp<< Dk величина дисперсии практически остается неизменной (DDk).

Поэтому в качестве критерия верности выбранного уравнения регрессии естественно считать приближенное равенство (DDk).Если же D>Dk. То уравнение регрессии необходимо уточнить. Таким образом, чтобы оценить верность выбранного уравнения регрессии, необходимо сравнивать между собой дисперсии D и Dk. А так как эти дисперсии носят случайный характер, то такое сравнение должно осуществляться статистическим способом. Для этого применяется. Как и при дисперсионном анализе, F – критерий (критерий Фишера).

Правило сравнения сводится к следующему:

1) по формуле (2.20) подсчитывается величина D;

2) определяется дисперсия Dk результатов измерения параметра Xk, для чего проводятся специальные измерения;

3) вычисляется отношение D/Dk =F;

4) задаваясь доверительной вероятностью g. Из таблиц по известным D.Dk и их степеням свободы находится число Fg;

5) если F

6) при F>Fg дисперсия D образуется не только за счет случайных погрешностей измерении, но и вследствие неправильного подбора уравнения регрессии. В этом случае уравнение регрессии должно быть уточнено.

Для уточнения уравнения регрессии X = (X,1,...,l ), в него k A вводится поправка (X, 1,..., c ), где 1,..., c неизвестные коэффициенты, и A рассматривается уточненное уравнение регрессии в виде X = (X,1,...,l ) + 1(X, 1,..., c ). (2.22) k A A При этом считается, что неизвестными должны быть не только коэффициенты 1,..., c, но и коэффициенты 1,...,l. Все они, как и ранее, определяются по принципу наименьших квадратов, т.е. так, чтобы минимизировалась величина суммы:

n S1 = - (X,1,...,l ) - 1(X, 1,..., c )]. (2.23) [X ki Ai Ai i=После этого подсчитывается дисперсия S D1 =, (2.24) n - l - c являющаяся мерой рассеяния всех Xki вокруг функции [(X,1,...,l ) + 1(X, 1,..., c )] A Ai Добавка к уравнению регрессии признается подобранной правильно, если окажется, что D1D) добавка признается выбранной неправильно и необходимо искать новую. Здесь, как и ранее, дисперсии должны сравниваться статистическим способом с помощью F- критерия.

При правильно выбранной добавке к уравнению регрессии производится сравнение дисперсий D1 и Dk с целью выяснения, нуждается ли новое уравнение регрессии в дополнительном уточнении. Таким образом, уравнение регрессии уточняется до тех пор, пока не будет выяснено, что оно подобрано правильно, т.е. не противоречит экспериментальным данным.

Правильно подобранное уравнение регрессии принимается в качестве функциональной связи между составляющими объекта измерения Xk и Xa.

При этом необходимо всегда помнить, что уравнение регрессии может не выражать никаких теоретических закономерностей.

Рассмотрен самый общий подход к получению математической зависимости одной составляющей объекта измерения к другой. Теперь необходимо рассмотреть случай, когда априорно о характере этой зависимости ничего неизвестно, и она определяется лишь на основе опытных данных. Основной проблемой здесь является выбор вида уравнения регрессии, которое должно быть как можно более простым.

В настоящее время при решении этой задачи наибольшее распространение получили два способа.

При первом способе уравнения регрессии X = (X,1,...,l ) k A берется в виде 2 l- X = 1 +2 X +3 X +... +l X. (2.25) k A A A Это так называемая параболическая регрессия.

В этом случае система уравнений (2.18), из которой должны быть определены неизвестные коэффициенты, принимает вид n n n n 0 l-1 1 X +2 X +... + l X = X X Ai Ai Ai ki A i=1 i=1 i=1 i=.... (2.26) n n n n l-1 l 2(l-1) l- 1 X +2 X +... + l X = X X Ai Ai Ai ki A i=1 i=1 i=1 i= Эта система уравнений является линейной и ее решение не представляет труда.

Для сокращения вычислительной работы задачу по определению уравнения регрессии решают путем последовательных приближений.

Вначале задаются уравнением регрессии вида X = 1 +2 X, определяют k A коэффициенты 1 и 2 и проверяют описанными выше способами правильность выбора уравнения регрессии. Если уравнение регрессии нуждается в уточнении, то рассматривают уравнение вида X = 1 +2 X +3 X. Снова определяют коэффициенты 1,2,3 и проверяют k A A правильность их выбора. Так поступают до тех пор, пока уравнение регрессии не окажется подобранным правильно.

Pages:     | 1 |   ...   | 8 | 9 || 11 | 12 |   ...   | 18 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.