Файл: Химмельблау Д. Анализ процессов статистическими методами.pdf
ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 09.04.2024
Просмотров: 671
Скачиваний: 2
Уравнение
(1)- i - = a + ßz
(2)2/ = a + ß- 1
(3)- ^ - = a + ßz,
|
и л и |
у — a + ßx ' |
|||
|
1 |
|
|
а |
, о |
и л и — = |
|
||||
|
f-ß |
||||
|
У |
|
X |
|
|
(За) |
у = |
|
a-\-ßx |
+ 7 |
|
'Л) |
|
у = ах^ |
|
||
(4а) |
у = axh |
|
(46)у = у.іО<ж&
(5) f/ = a ß x (эквивалент ные формы: у = ау&х;
Преобразования к линейному виду функций |
одной переменной |
|
|
||||
Координаты прямой |
|
|
|
|
|
||
. |
ось у |
|
Уравнение прямой |
|
Замечания |
|
|
ОСЬ X |
|
|
|
|
|
|
|
|
У |
|
-î— = |
а 4- ßx |
Асимптоты: я = |
, у = 0 |
|
|
|
У |
|
|
ß |
|
|
|
У |
|
y = a + ß 1 |
Асимптоты: ж = 0, у —а. |
|
||
|
|
|
|
X |
|
|
|
|
X |
|
X |
&х |
Асимптоты: ж = |
, |
|
|
У |
|
У |
|
|||
|
|
|
|
Р |
|
||
|
|
|
|
|
|
|
|
|
J _ |
|
— |
ß + |
|
|
|
|
2/ |
|
|
|
|
||
|
|
ж — #1 = |
|
|
а |
|
|
У — Уі |
где |
« + ß a : i + |
Асимптоты: х= — |
Та ж е |
|||
|
У — Уі |
|
к р и в а я , что в (3),тсдвинутая |
вверх ил и вниз |
|||
(ж і> |
j/i) — л ю б а я |
(a-f-Вжі) -г |
|||||
точка |
на экспери |
на расстояние у |
|
|
|||
ментальной к р и |
а |
|
|
|
|
вой
l o g ; |
l o g y |
log X |
log (у - у) |
log ж |
log (log у — log у) |
|
logy |
log г/ = log а + ß log X
log (У — у) - logos +
ß log X
log (log у — log Y) =
= log a - f ß log X log г/ = log a 4- + ж log ß
Ес л и ß > 0, к р и в а я имеет вид параболы и про ходит через начало координат п точку (1, а).
Если |
ß < 0 , к р и в а я |
я в л я е т с я гиперболой |
|||
с |
осями |
координат |
в |
качестве асимптот |
|
и |
проходит |
через точку |
(1, а) |
||
Сначала |
аппроксимируют |
у по формуле у — |
= (УіУг — УІ) I (Уі + У2— 2у3 ). г Д е Уз = 0"=з +У,
х$=~Ѵхіхгі а (хь уі), (х2, ^ — эксперимен тальные точки
После логарифмирования исходного уравнения поступают ка к в п. (4а)
К р и в а я проходит через точку (0, а )
у = а-10^1Х)
Линейные |
модели с одной |
переменной |
233 |
ибо после преобразования к новой зависимой переменной будет добавляться уже не e, а некоторая сложная функция ошибки. Например, если в модели, описываемой уравнением (4) табл. 4.1.1, наблюдаемая зависимая переменная имеет вид
Y |
= ах& + е, |
|
(4.1.1) |
|
то это уравнение не эквивалентно |
уравнению |
|
||
lg У = |
lg а + |
ß \gx |
+ e, |
(4.1.2) |
так как логарифм правой части равенства (4.1.1) не равен правой части равенства (4.1.2). В некоторых случаях реальная ситуация может описываться уравнением (4.1.1), и тогда необходимо нелиней ное оценивание коэффициентов а и ß. В других случаях в зависимо сти от деталей эксперимента более корректным оказывается урав нение (4.1.2). Еще раз этот вопрос будет обсуждаться в разд. 6.5 после рассмотрения нелинейных моделей. В этой главе достаточно предположить, что исследуемая функция линейна по параметрам.
Пример 4.1.1. Определение формы функциональной зависимости
Числа в первых двух |
столбцах табл. П.4.1.1 представляют |
||||||
серию |
измерений зависимой переменной Y |
при соответствующих |
|||||
|
|
|
|
|
Таблица |
ПЛ.1.1 |
|
X |
Y |
lg Y |
Д Y |
Д2У |
x/Y |
Д (x/Y) |
|
1 |
62,1 |
1,79246 |
|
|
0,01610 |
|
|
2 |
87,2 |
1,93962 |
25,1 |
|
0,02293 |
0,00683 |
|
3 |
109,5 |
2,03941 |
22,3 |
—2,8 |
0,02739 |
0,00446 |
|
4 |
127,3 |
2,10483 |
17,8 |
—4,5 |
0,03142 |
0,00403 |
|
5 |
134,7 |
2,12937 |
7,4 |
—10,4 |
0,03712 |
0,00570 |
|
6 |
136,2 |
2,13386 |
1,5 |
—5,9 |
0,04405 |
0,00693 |
|
7 |
134,9 |
2,13001 |
—1,3 |
- 2 , 8 |
0,05189 |
0,00784 |
|
(кодированных) |
значениях |
независимой переменной. х. |
Требует |
ся найти подходящее функциональное выражение для зависимости
Y от x.
Решение |
|
|
|
Следует |
вычислить |
некоторые разности и отношения, часть |
|
из которых приведена в табл. П.4.1.1. |
ц — ожидаемое |
||
Затем можно испытывать различные модели; |
|||
значение Y |
при данном |
х. |
|
М о д е л ь n = а + ßx. Неудовлетворительна, |
так как отно |
||
шение AY/Ax |
не является постоянным. |
|
234 |
|
|
|
|
|
Глава |
4 |
|
|
|
|
|
|
|
|
М о д е л ь |
т] = |
aß* . |
Преобразуется |
к |
виду |
lg г\ |
= |
lg a |
+ |
||||
+ |
X lg ß. Неудовлетворительна, так |
как |
не постоянно |
отношение |
||||||||||
Д lg |
Y/Ах. |
|
ах®. |
|
|
|
|
|
|
lg r\ = |
|
|
||
|
М о д е л ь |
т] = |
|
Преобразуется |
к |
виду |
lg a |
+ |
||||||
+ |
ß lg X. Неудовлетворительна, так |
как |
отношение |
A lg 17A lg х |
||||||||||
не |
постоянно. |
|
|
ßa; + ух2. |
|
|
|
|
|
|
|
|
||
|
М о д е л ь |
r ) = a |
+ |
Неудовлетворительна, |
так |
как |
||||||||
не |
постоянно |
отношение |
|
A2Y!Ax2. |
|
|
|
|
|
|
|
|||
|
М о д е л ь |
т ) = ж / ( а |
+ |
ßx). Эта |
модель |
эквивалентна |
модели |
|||||||
хіц |
= |
a -f- $х. |
Так как |
отношение |
A (xlY)l |
Ах (Ах |
= 1) |
прибли |
зительно постоянно, эту модель можно использовать для подгонки экспериментальных данных. Она обеспечивает лучшую подгонку,
чем все предыдущие модели, |
но нельзя утверждать, что это наи |
лучшая из всех возможных моделей. |
|
4.2. О Ц Е Н И В А Н И Е |
П А Р А М Е Т Р О В М Е Т О Д О М |
Н А И М Е Н Ь Ш И Х К В А Д Р А Т О В
После того как выбрана функциональная форма эмпирической модели, можно должным образом спланировать эксперимент (об суждается в гл. 8) для сбора опытных данных и затем оценить пара метры модели. Метод оценивания, который используется в этой главе, называется линейным оцениванием или регрессионным ана лизом. Исследователь стремится получить в некотором смысле наилучшие оценки параметров модели, и нередко критерий опти мальности зависит от характера модели. Сначала будет кратко рассмотрено оценивание параметров линейной (по параметрам) модели в случае, когда плотность распределения вероятности и ее параметры известны, а затем подробно описан метод получения оценок при неизвестной плотности распределения вероятности.
Оптимальную оценку, за исключением некоторых специальных случаев, получить весьма трудно. Если требуется вычислить пара метры модели при заданной связи Y = / (X), где Y ж X — случай ные величины, и известна совместная плотность распределения вероятности р (х, у), наиболее подходящим критерием оптималь ности является оценка минимального среднего значения квадрата отклонения
ОООО
Ш {[Y — / (Х)12} = j j [у - / (х)}2 р (X, у) dx dy. |
(4.2.1) |
—оо — оо
Функция / (X), реализующая минимум математического ожидания (4.2.1), является условным математическим ожиданием величины Y при заданном значении X, т. е. / (X) = % {Y \ X}, что можно доказать, подставляя соотношение р (х, у) = р (у \ х) р (х) в пра-
Линейные модели с одной переменной 235
вую часть равенства (4.2.1), что дает M i n g {[Y — / (X)]2} =
-{-оо -[-со
Min j |
[ Ç [г/ - / (x)]2 р (г/ I x) dy~] р (x) dx. |
- О О |
— 0 0 |
Интеграл в квадратных скобках представляет собой момент второго порядка от условной плотности распределения р (у | х),
который |
будет |
минимален |
|
для |
|
каждого |
х, |
если |
/ (х) = |
||||||
оо |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= j УР ІУ \ x) dy |
= |
Ш {Y |
\ х). |
Функция |
/ (х) = |
g {Y | х) |
назы- |
||||||||
— оо |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
вается кривой |
регрессии. |
|
|
|
|
|
|
|
|
|
|
||||
Для частного случая, когда / (X) |
= ß 0 + ßiX, можно |
найти |
|||||||||||||
значения двух постоянных ß 0 |
|
и ß 4 , |
которые минимизируют выра |
||||||||||||
жение (4.2.1), если известна функция р (х, у): |
|
|
|
||||||||||||
Min g {IY |
- |
(ß 0 + |
ß4 X)]2 } |
= |
|
|
|
|
|
|
|
|
|
||
|
|
Min |
j |
j |
ІУ - |
ßo - |
ßi*)2 |
p (x, |
y) dx dy. |
(4.2.2) |
|||||
Дифференцирование |
g {{Y |
— (ß 0 |
+ |
ßiX)]2 } по ß 0 |
и приравнивание |
||||||||||
результата нулю дает |
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
g |
{ - 2 |
[У - |
|
ß 0 |
- |
ß,X]} = О, |
|
|
|
|||
или |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
g {Y} |
= |
ß 0 |
+ |
ßig {X}, |
|
|
|
||||
|
|
|
|
|
Mr = |
ßo + |
ßiM-Jc- |
|
|
|
(4.2.3) |
Подставляя значение ß 0 из уравнения (4.2.3) в соотношение (4.2.2), дифференцируя по ßj и приравнивая результат нулю, получаем
д% {[(y - u . yj - ßj (Х - (х^)р}
g {(Y - ѵу) (X - |
ііх)} = ß t g {(X - |
^ ) 2 } |
или |
|
|
ßi = |
^ F - |
(4-2.4) |
Определив значение ßj, можно вычислить из уравнения (4.2.3)
и ß0 -
Теперь допустим, что плотность распределения вероятности р (х, у) неизвестна. Взамен предполагается получить некоторые экс периментальные данные и на их основе найти наилучшие оценки параметров некоторой линейной модели. Трудность получения оце нок параметров и сложность вычислений существенно зависят от