estymacja przedzialowa testowanie 20140607

background image

Estymacja przedziałowa i weryfikacja hipotez

Artur Wilkowski

27 maja 2014

background image

Jak określać macierze kowariancji pomiarów i kofaktorów?

Jak określać macierze kowariancji pomiarów i

kofaktorów?

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 2 z 36

background image

Jak określać macierze kowariancji pomiarów i kofaktorów?

Do realizacji wyrównania (estymacji średniej) musimy znać
stosunki między wariancjami obserwacji, znajomość samych
wariancji nie jest konieczna. Stosunki są zakodowane w macierzy
kofaktorów:

Q

x

ob

=




q

1

0

· · ·

0

0

q

2

· · ·

0

· · ·

· · ·

· · ·

· · ·

0

0

· · ·

q

n




A faktyczna macierz kowariancji pomiarów jest przeskalowaną
macierzą kofaktorów. W praktyce kofaktory są najlepszym
dostępnym przybliżeniem wariancji poszczególnych pomiarów.

C

x

ob

=




σ

2

1

0

· · ·

0

0

σ

2

2

· · ·

0

· · ·

· · ·

· · ·

· · ·

0

0

· · ·

σ

2

n




= σ

2

0

Q

x

ob

gdzie σ

2

0

- jest współczynnikiem wariancji

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 3 z 36

background image

Jak określać macierze kowariancji pomiarów i kofaktorów?

Dostępne są dwie drogi:

I

Znamy tylko stosunki między wariancjami pomiarów
(kofaktory). Możemy estymować współczynnik wariancji
m

0

= ˆ

σ

0

, w celu określenia macierzy kowariancji pomiaru

a-posteriori. Jest to tzw. model Gaussa-Markova.

II

Znamy (np. na podstawie danych producenta instrumentu)
wariancje pomiarów, wtedy najczęściej przyjmujemy σ

0

= 1 i

macierz kowariancję zapisujemy jako:

C

x

ob

=




σ

2

1

0

· · ·

0

0

σ

2

2

· · ·

0

· · ·

· · ·

· · ·

· · ·

0

0

· · ·

σ

2

n




Jest to tzw. model Helmerta. W tym wypadku również
możemy estymować współczynnik wariancji m

0

= ˆ

σ

0

- w celu

wykrycia błędów grubych przez porównanie go z zakładanym
σ

0

= 1

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 4 z 36

background image

Rozkład estymatora wartości oczekiwanej obserwacji

Rozkład estymatora wartości oczekiwanej obserwacji

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 5 z 36

background image

Rozkład estymatora wartości oczekiwanej obserwacji

Punktowym estymatorem wartości oczekiwanej obserwacji w
modelu pomiarowym jest

ˆ

x = ˆ

E(x

ob

) = A ˆ

X + w

wyrażony jako funkcja estymatora wektora parametrów

ˆ

X = (A

T

P A)

1

A

T

P L

Macierz kowariancji estymatora wartości oczekiwanej
poszczególnych obserwacji (czyli wyrównanych wartości obserwacji)
ma postać:

1

Dla modelu Helmerta (znane wariancje obserwacji)

C

ˆ

x

= σ

2

0

A(A

T

P A)

1

A

T

2

Dla modelu Gaussa-Markowa (estymowane wariancje
obserwacji)

ˆ

C

ˆ

x

= m

2
0

A(A

T

P A)

1

A

T

i m

0

= ˆ

σ

0

. W tym przypadku faktycznie obliczamy estymator

macierzy kowariancji.

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 6 z 36

background image

Rozkład estymatora wartości oczekiwanej obserwacji

Tzw. błąd średni obserwacji obliczamy biorąc pierwiastek
elementu na przekątnej estymatora macierzy kowariancji.

m

ˆ

x

i

= m

0

q

[A(A

T

P A)

1

A

T

]

ii

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 7 z 36

background image

Estymacja przedziałowa wartości oczekiwanej - model
Helmerta

Estymacja przedziałowa wartości oczekiwanej -

model Helmerta

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 8 z 36

background image

Estymacja przedziałowa wartości oczekiwanej - model
Helmerta

Rozpatrzmy model n pomiarów tej samej wartości oraz model
Helmerta
(znane wariancje obserwacji) . Wariancja estymatora
wartości przeciętnej ma postać ogólną:

σ

2
ˆ

x

=

σ

2

0

P

n
i
=1

p

i

Pamiętajmy, że przyjęliśmy σ

0

= 1 oraz p

i

=

1

σ

2

i

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 9 z 36

background image

Estymacja przedziałowa wartości oczekiwanej - model
Helmerta

Szczególne przypadki tego rozwiązania:

n niezależnych pomiarów pojedynczej wielkości, każdy pomiar
ma identyczną wariancję σ

2

Wartość przeciętna estymatora wartości oczekiwanej

ˆ

x =

1

n

P

n
i
=1

x

ob
i

Wariancja estymatora σ

2
ˆ

x

=

σ

2

n

n niezależnych pomiarów pojedynczej wielkości, pomiary mają
różne wariancje

ˆ

x =

P

n

i=1

p

i

x

ob
i

P

n

i=1

p

i

σ

2
ˆ

x

=

1

P

n

i=1

p

i

=

1

P

n

i=1

1

σ2

i

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 10 z 36

background image

Estymacja przedziałowa wartości oczekiwanej - model
Helmerta

Załóżmy, że obserwacje mają rozkład łączny normalny. Wtedy
estymator wartości oczekiwanej ma rozkład normalny

ˆ

x ∼ N (x, σ

ˆ

x

)

Stąd standaryzowana zmienna losowa T

T =

ˆ

x − x

σ

ˆ

x

∼ N (0, 1)

Znajdujemy takie t, że

P (−t ¬ T ¬ t) = 1 − α

Czyli Φ(t) Φ(−t) = 1 − α, czyli Φ(t) = 1

α

2

. I mamy

P

x − σ

ˆ

x

t ¬ x ¬ ˆ

x + σ

ˆ

x

t) = 1 − α

Czyli z prawdopodobieństwem 1 − α wartość prawdziwa naszej
obserwacji znajdzie się w przedziale [ˆ

x − σ

ˆ

x

t ¬ x ¬ ˆ

x + σ

ˆ

x

t]

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 11 z 36

background image

Estymacja przedziałowa wartości oczekiwanej - model
Helmerta

Przykład. Załóżmy że α = 0.05. Wtedy

Φ(t) = 1

α

2

= 1 0.025 = 0.975

Zatem t = 1.95996 oraz z prawdopodobieństwem równym 0.95
wartość dokładna znajdzie się w przedziale

x − σ

ˆ

x

· 1.95996 ¬ x ¬ ˆ

x + σ

ˆ

x

· 1.95996]

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 12 z 36

background image

Estymacja przedziałowa wartości oczekiwanej - model
Gaussa-Markowa

Estymacja przedziałowa wartości oczekiwanej -

model Gaussa-Markowa

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 13 z 36

background image

Estymacja przedziałowa wartości oczekiwanej - model
Gaussa-Markowa

Rozpatrzmy model n pomiarów tej samej wartości oraz model
Gaussa-Markowa
(nieznane a-priori wariancje obserwacji).
Wariancja estymatora wartości przeciętnej ma postać ogólną:

ˆ

σ

2
ˆ

x

=

ˆ

σ

2

0

P

n
i
=1

p

i

=

m

2

0

P

n
i
=1

p

i

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 14 z 36

background image

Estymacja przedziałowa wartości oczekiwanej - model
Gaussa-Markowa

Przypadki szczególne tego rozwiązania

1

n niezależnych pomiarów pojedynczej wielkości, każdy pomiar
ma identyczną wariancję

ˆ

x =

1

n

P

n
i
=1

x

ob
i

ˆ

σ

2

=

1

n−1

P

n
i
=1

ˆ

v

2

i

ˆ

σ

2
ˆ

x

=

ˆ

σ

2

n

2

n niezależnych pomiarów pojedynczej wielkości, pomiary mają
różne wariancje

ˆ

x =

P

n

i=1

p

i

x

ob
i

P

n

i=1

p

i

ˆ

σ

0

2

=

1

n−1

ˆ

V P ˆ

V

T

=

1

n−1

P

n
i
=1

p

i

ˆ

v

2

i

ˆ

σ

2
ˆ

x

=

ˆ

σ

2
0

P

n

i=1

p

i

Przypomnijmy - poprawka jest określona jako ˆ

v

i

= ˆ

x − x

ob

i

.

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 15 z 36

background image

Estymacja przedziałowa wartości oczekiwanej - model
Gaussa-Markowa

Estymator standaryzowanej zmiennej T =

ˆ

x−x

ˆ

σ

ˆ

x

ma rozkład

t-Studenta o n − 1 stopniach swobody. Znajdujemy takie t, że

P (−t ¬ T

n−1

¬ t) = 1 − α

Czyli F

n−1

(t) − F

n−1

(−t) = 1 − α, czyli F

n−1

(t) = 1

α

2

, gdzie

F

n−1

jest dystrybuantą rozkładu Studenta o n − 1 stopniach

swobody. I mamy

P

x − ˆ

σ

ˆ

x

t ¬ x ¬ ˆ

x + ˆ

σ

ˆ

x

) = 1 − α

Czyli z prawdopodobieństwem 1 − α wartość prawdziwa naszej
obserwacji znajdzie się w przedziale [ˆ

x − ˆ

σ

ˆ

x

t ¬ x ¬ ˆ

x + ˆ

σ

ˆ

x

t]

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 16 z 36

background image

Estymacja przedziałowa wartości oczekiwanej - model
Gaussa-Markowa

Przykład. Załóżmy że α = 0.05 oraz wykonaliśmy 5 pomiarów
(czyli n − 1 = 4). Wtedy

F

4

(t) = 1

α

2

= 1 0.025 = 0.975

Zatem t = 2.7764 oraz z prawdopodobieństwem równym 0.95
wartość dokładna znajdzie się w przedziale

x − σ

ˆ

x

· 2.7764 ¬ x ¬ ˆ

x + σ

ˆ

x

· 2.7764]

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 17 z 36

background image

Rozkład estymatora współczynnika wariancji

Rozkład estymatora współczynnika wariancji

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 18 z 36

background image

Rozkład estymatora współczynnika wariancji

Zakładamy, że wektor pomiaru x

ob

ma łączny rozkład normalny w

postaci

x

ob

∼ N (x = E(x

ob

), C

x

ob

= σ

0

P

1

)

Przypomnijmy - estymator współczynnika wariancji (nieobciążony,
niezmienniczy i najefektywniejszy), wyraża się jako

ˆ

σ

2

0

= m

2
0

=

1

n − r

ˆ

V

T

P V

Natomiast wyrażenie

ˆ

V

T

P ˆ

V

σ

2

0

=

(n−r

σ

2

0

σ

2

0

jest zmienną losową o

rozkładzie chi-kwadrat i n − r stopniach swobody.

(n − r

σ

2

0

σ

2

0

∼ χ

2
n−r

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 19 z 36

background image

Estymacja przedziałowa współczynnika wariancji - model
Gaussa-Markowa

Estymacja przedziałowa współczynnika wariancji -

model Gaussa-Markowa

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 20 z 36

background image

Estymacja przedziałowa współczynnika wariancji - model
Gaussa-Markowa

W przypadku modelu Gaussa-Markowa nie mamy wiedzy a-priori
dotyczącej wartości współczynnika wariancji. Jego wartość jest
określana wyłącznie na podstawie obserwacji.

T =

(n − r

σ

2

0

σ

2

0

∼ χ

2
n−r

Znajdujemy takie wartość χ

2

1

oraz χ

2

2

, że

P (χ

2
1

¬ T ¬ χ

2
2

) = 1 − α

Czyli F

χ

2
n−r

(χ

2

2

) − F

χ

2
n−r

(χ

2

1

) = 1 − α. Przyjmujemy arbitralnie

takie χ

2

1

i χ

2

2

, że F

χ

2
n−r

(χ

2

2

) = 1

α

2

oraz F

χ

2
n−r

(χ

2

1

) =

α

2

i mamy

P

χ

2
1

¬

(n − r

σ

2

0

σ

2

0

¬ χ

2
2

!

= 1 − α

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 21 z 36

background image

Estymacja przedziałowa współczynnika wariancji - model
Gaussa-Markowa

Przekształcając mamy

P

(n − r

σ

2

0

χ

2

2

¬ σ

2

0

¬

(n − r

σ

2

0

χ

2

1

!

= 1 − α

Zatem z prawdopodobieństwem 1 − α ”prawdziwa” wartość
współczynnika wariancji znajdzie się w (dwustronnym) przedziale

ufności

h

(n−r

σ

2

0

χ

2
2

,

(n−r

σ

2

0

χ

2
1

i

.

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 22 z 36

background image

Estymacja przedziałowa współczynnika wariancji - model
Gaussa-Markowa

Przykład. Załóżmy, że α = 0.05 oraz wykonaliśmy 4 pomiary
nadmiarowe. Wtedy

F

χ

2
4

(χ

2

2

) = 1

α

2

= 0.975

F

χ

2
4

(χ

2

1

) =

α

2

= 0.025

(

χ

2

2

= 11.1433

χ

2

1

= 0.4844

Zatem χ

2

= 0.7107. Zatem z prawdopodobieństwem 0.95

”prawdziwy” współczynnik wariancji σ

2

0

znajdzie się w przedziale

h

σ

2

0

11.1433

,

σ

2

0

0.4844

i

.

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 23 z 36

background image

Weryfikacja współczynnika wariancji - model Helmerta
(test globalny

Weryfikacja współczynnika wariancji - model

Helmerta (test globalny)

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 24 z 36

background image

Weryfikacja współczynnika wariancji - model Helmerta
(test globalny

W modelu Helmerta zakładamy, że znane są wariancje obserwacji
a-priori. Przyjmujemy σ

0

= 1. Porównujemy wsp. wariancji a-priori

(σ

2

0

) i a-posteriori

σ

2

0

).

T =

(n − r

σ

2

0

σ

2

0

∼ χ

2
n−r

Korzystając z założenia σ

0

= 1

T = (n − r

σ

2

0

∼ χ

2
n−r

Znajdujemy taką wartość χ

2

, że

P (T ¬ χ

2

) = 1 − α

Czyli F

χ

2
n−r

(χ

2

) = 1 − α,

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 25 z 36

background image

Weryfikacja estymacji współczynnika wariancji - model
Helmerta (test globalny)

Zatem zachodzi

P ((n − r

σ

2

0

> χ

2

) = α

lub zamiennie

P ( ˆ

V

T

P ˆ

V > χ

2

) = α

Zatem, jeżeli stwierdzimy, że obliczona wartość ˆ

σ

0

spełnia warunek

(n − r

σ

2

0

> χ

2

(ew. po prostu ˆ

V

T

P ˆ

V > χ

2

), dla małego α,

możemy podejrzewać błąd gruby obserwacji.

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 26 z 36

background image

Weryfikacja estymacji współczynnika wariancji - model
Helmerta (test globalny)

Przykład. Załóżmy że α = 0.05 oraz wykonaliśmy 4 pomiary
nadmiarowe (czyli n − r = 4). Wtedy

F

χ

2
4

(χ

2

) = 1 − α = 1 0.5 = 0.95

Zatem χ

2

= 9.4877. Teraz jeżeli spełniona jest zależność

σ

2

0

> 9.4877

możemy oczekiwać błędu modelu lub błędu grubego obserwacji.

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 27 z 36

background image

Rozkład prawdopodobieństwa estymatorów poprawek

Rozkład prawdopodobieństwa estymatorów

poprawek

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 28 z 36

background image

Rozkład prawdopodobieństwa estymatorów poprawek

Estymatory poprawek ˆ

V mają rozkład o wartości przeciętnej

E( ˆ

V) = 0

oraz macierzy kowariancji

Dla modelu Helmerta

C

ˆ

V

= σ

2

0

(P

1

− A(A

T

P A)

1

A

T

)

Dla modelu Gaussa-Markowa

ˆ

C

ˆ

V

= m

2
0

(P

1

− A(A

T

P A)

1

A

T

)

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 29 z 36

background image

Rozkład prawdopodobieństwa estymatorów poprawek

Wariancję pojedynczej poprawki (estymatora poprawki) można
odczytać z przekątnej macierzy kowariancji

Dla modelu Helmerta

σ

2
ˆ

v

i

=



C

ˆ

V



ii

Dla modelu Gaussa-Markowa

ˆ

σ

2
ˆ

v

i

=

h

ˆ

C

ˆ

V

i

ii

W przypadku, gdy mamy n obserwacji tej samej wartości x,
wariancję estymatora poprawki obliczamy

Dla modelu Helmerta σ

2
ˆ

v

i

= σ

2

0



1

p

i

1

P

n

i=1

p

i



Dla modelu Gaussa-Markowa ˆ

σ

2
ˆ

v

i

= m

2

0



1

p

i

1

P

n

i=1

p

i



A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 30 z 36

background image

Test szczegółowy Baarda’y

Test szczegółowy Baarda’y

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 31 z 36

background image

Test szczegółowy Baarda’y

Znajomość wariancji estymatorów poszczególnych poprawek
umożliwia skonfrontowanie wyników pomiarów z naszym modelem,
odbywa się to przez sprawdzenie czy niektóre poprawki nie są ”za
duże” tzn. czy obserwowana wartość nie jest ”zbyt odległa” od
wartości estymowanej. Założenia:

Obserwacje są niezależne i mają rozkłady normalne

Zatem można zaniedbać wyrazy ”poza przekątną” macierzy
C

ˆ

V

oraz ˆ

C

ˆ

V

(kowariancje)

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 32 z 36

background image

Test szczegółowy Baarda’y - model Helmerta

Estymator poprawki (poprawka) ma rozkład

ˆ

v

i

= ˆ

x

i

− x

ob
i

∼ N (0, σ

ˆ

v

i

)

Szukamy obszaru, w którym estymator ˆ

v

i

powinien znaleźć się z

dużym prawdopodobieństwem (1 − α). Stąd standaryzowana
zmienna losowa T

T =

ˆ

v

i

σ

ˆ

v

i

∼ N (0, 1)

Znajdujemy takie t, że

P (−t ¬ T ¬ t) = P (|T | ¬ t) = 1 − α

Czyli Φ(t) Φ(−t) = 1 − α, czyli Φ(t) = 1

α

2

. Mamy z kolei

P (|T | > t) = P





ˆ

v

i

σ

ˆ

v

i




> t



= α

Zajście zdarzenia, że zmienna losowa | ˆ

v

i

| przekroczy wartość

ˆ

v

i

jest mało prawdopodobne (p = α) i wskazuje na możliwość
popełniania błędu grubego w danej obserwacji.

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 33 z 36

background image

Test szczegółowy Baarda’y - model Helmerta

Przykład. Przyjmijmy poziom ufności α = 0.05. Wtedy

Φ(t) = 1

α

2

= 1 0.025 = 0.975

Zatem t = 1.95996 oraz z prawdopodobieństwem równym 0.95
estymator poprawki ˆ

v

i

powinien spełniać warunek

|ˆ

v

i

| ¬ 1.95996 · σ

ˆ

v

i

Niespełnienie warunku występuje jedynie 5% przypadków i może
wskazywać na obecność błędu grubego obserwacji.

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 34 z 36

background image

Test szczegółowy Baarda’y - model Gaussa-Markowa

W modelu Gaussa-Markowa test Baarda’y wygląda identycznie z
dwoma wyjątkami:

Zamiast znanej a-priori wariancji estymatora σ

ˆ

v

i

używamy

estymatora tej wariancji ˆ

σ

ˆ

v

i

W związku z tym, że używamy estymatora wariancji w
przypadku małych prób dla zmiennej T powinniśmy przyjąć
rozkład t-Studenta o n − r stopniach swobody.

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 35 z 36

background image

[1] P. Grzegorzewski, K. Bobecka, A. Dembińska, J. Pusz.

Rachunek Prawdopodobieństwa i Statystyka.

Wyższa Szkoła Informatyki Stosowanej i Zarządzania, 2001.

[2] J. Jakubowski, R. Sztencel.

Rachunek prawdopodobieństwa dla (prawie) każdego.

SCRIPT, 2002.

[3] Zbigniew Wiśniewski.

Rachunek Wyrównawczy w Geodezji (z przykładami).

Wydawnictwo Uniwersytetu Warmińsko-Mazurskiego w
Olsztynie, 2009.

A. Wilkowski

Estymacja przedziałowa i weryfikacja hipotez 36 z 36


Wyszukiwarka

Podobne podstrony:
Estymacja Przedzialowa cz 1
estymacja przedziałowa - wzory, Zad
03 Statystyka Matematyczna Estymacja przedziałowaid 4487
03 Statystyka Matematyczna Estymacja przedziałowa
6. Estymacja przedziałowa
MP 6 estymacja przedzialowa
Estymacja przedziałowa
Estymacja przedzialowa, Statystyka
Estymacja przedzialowa II, statystyka
materialy estymacja przedzialowa parametrow, AGH, Semestr VIII, Statystyka
estymacja przedzialowa id 16372 Nieznany
ESTYMACJA PRZEDZIALOWA zadania dla studentów cw4(1)
Estymacja Przedziałowa, Elektrotechnika
(11820) estymacja przedzia�owa akt
Estymacja przedziałowa, Płyta farmacja Bydgoszcz, statystyka, pozostałe
2 estymacja przedzialowa
07 estmacja przedzialowa, Estymacja przedziałowa

więcej podobnych podstron