В статистике , распространение неопределенности (или распространения ошибки ) является влияние переменных ' неопределенности (или ошибки , более конкретно , случайные ошибки ) на неопределенности в функции на их основе. Когда переменные являются значениями экспериментальных измерений, они имеют неопределенности из-за ограничений измерения (например, точности прибора ), которые распространяются из-за комбинации переменных в функции.
Неопределенность u можно выразить несколькими способами. Его можно определить абсолютной погрешностью Δ x . Неопределенности также можно определить с помощью относительной ошибки (Δ x ) / x , которая обычно записывается в процентах. Чаще всего, неопределенность в количестве количественно в терминах стандартного отклонения , сг , что положительный квадратный корень из дисперсии . Тогда значение величины и ее погрешность выражаются в виде интервала x ± u . Если статистическое распределение вероятностей переменной известно или может предполагаться, можно вывести доверительные границы для описания области, в которой может быть найдено истинное значение переменной. Например, 68% доверительный интервал для одномерной переменной, принадлежащей нормальному распределению, составляет примерно ± одно стандартное отклонение σ от центрального значения x , что означает, что область x ± σ будет охватывать истинное значение примерно в 68% от случаи.
Если неопределенность коррелируется то ковариационная должны быть приняты во внимание. Корреляция может возникать из двух разных источников. Во-первых, ошибки измерения могут быть скоррелированы. Во-вторых, когда лежащие в основе значения коррелируют по совокупности, неопределенности средних значений по группе будут коррелированы.
Линейные комбинации
Позвольте быть набор из m функций, которые являются линейными комбинациями переменных с коэффициентами комбинации :
или в матричной записи,
Кроме того, пусть ковариационной матрицы из х = ( х 1 , ..., х п ) обозначим через и пусть среднее значение обозначим через :
это внешний продукт .
Тогда матрица дисперсии-ковариации функции f имеет вид
В обозначениях компонентов уравнение
читает
Это наиболее общее выражение для распространения ошибки от одного набора переменных к другому. Когда ошибки по x не коррелированы, общее выражение упрощается до
где - дисперсия k -го элемента вектора x . Обратите внимание, что даже если ошибки по x могут быть некоррелированными, ошибки по f в целом коррелированы; другими словами, даже если это диагональная матрица, в общем случае это полная матрица.
Общие выражения для скалярной функции f немного проще (здесь a - вектор-строка):
Каждый член ковариации может быть выражен в терминах коэффициента корреляции пути , так , что альтернативное выражение для дисперсии F является
В случае, если переменные в x не коррелированы, это еще больше упрощается до
В простом случае одинаковых коэффициентов и дисперсий находим
Для среднего арифметического результатом является стандартная ошибка среднего :
Нелинейные комбинации
Когда f представляет собой набор нелинейных комбинаций переменных x , распространение интервала может быть выполнено для вычисления интервалов, которые содержат все согласованные значения переменных. При вероятностном подходе функция f обычно должна быть линеаризована путем приближения к разложению в ряд Тейлора первого порядка , хотя в некоторых случаях могут быть получены точные формулы, которые не зависят от разложения, как в случае точной дисперсии продуктов . Расширение Тейлора будет:
где обозначает частную производную от ф к по отношению к я -й переменной, оцениваемые по среднему значению всех компонент вектора х . Или в матричной записи ,
где J - матрица Якоби . Поскольку f 0 является константой, она не вносит вклад в ошибку f. Следовательно, распространение ошибки происходит в линейном случае, описанном выше, но с заменой линейных коэффициентов A ki и A kj частными производными, и . В матричных обозначениях
То есть якобиан функции используется для преобразования строк и столбцов ковариационно-дисперсионной матрицы аргумента. Обратите внимание, что это эквивалентно матричному выражению для линейного случая с .
Упрощение
Пренебрежение корреляциями или допущение независимых переменных дает инженерам и ученым-экспериментаторам общую формулу для расчета распространения ошибок, формулу дисперсии:
где представляет стандартное отклонение функции , представляет стандартное отклонение , представляет стандартное отклонение и т. д.
Важно отметить, что эта формула основана на линейных характеристиках градиента, и поэтому она является хорошей оценкой стандартного отклонения до тех пор, пока оно достаточно мало. В частности, линейное приближение должно быть близко к радиусу внутри окрестности .
Пример
Любая нелинейная дифференцируемая функция двух переменных и может быть разложена как
следовательно:
где - стандартное отклонение функции , - стандартное отклонение , - стандартное отклонение и - ковариация между и .
В частном случае , . потом
или
где - соотношение между и .
Когда переменные и некоррелированны, . потом
Предостережения и предупреждения
Оценки ошибок для нелинейных функций смещены из-за использования разложения в усеченный ряд. Степень этого смещения зависит от характера функции. Например, смещение ошибки, вычисленной для log (1+ x ), увеличивается с увеличением x , поскольку расширение до x является хорошим приближением только тогда, когда x близко к нулю.
Для сильно нелинейных функций существует пять категорий вероятностных подходов к распространению неопределенности; подробности см. в разделе « Количественная оценка неопределенности» § «Методики прямого распространения неопределенности» .
Взаимный и сдвинутый взаимный
В частном случае обратного или обратного , когда следует стандартное нормальное распределение , результирующее распределение является обратным стандартным нормальным распределением, и нет определяемой дисперсии.
Однако в несколько более общем случае смещенной обратной функции для следования общему нормальному распределению статистика среднего и дисперсии действительно существует в смысле главного значения , если разница между полюсом и средним значением является действительной.
Соотношения
Соотношения также проблематичны; нормальные приближения существуют при определенных условиях.
Примеры формул
В этой таблице показаны дисперсии и стандартные отклонения простых функций реальных переменных , а также ковариация стандартных отклонений и корреляция . Действительные коэффициенты a и b считаются точно известными (детерминированными), т . Е ..
В столбцах «Дисперсия» и «Стандартное отклонение» A и B следует понимать как ожидаемые значения (т. Е. Значения, вокруг которых мы оцениваем неопределенность), и их следует понимать как значение функции, вычисленное при ожидаемом значении .
Функция |
Дисперсия |
Среднеквадратичное отклонение
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Для некоррелированных переменных ( , ) выражения для более сложных функций могут быть получены путем объединения более простых функций. Например, повторное умножение при отсутствии корреляции дает
Для этого случая у нас также есть выражение Гудмана для точной дисперсии: для некоррелированного случая это
и поэтому у нас есть:
Влияние корреляции на различия
Если A и B некоррелированы, их разница AB будет иметь большую дисперсию, чем любой из них. Увеличение положительной корреляции ( ) уменьшит дисперсию разницы, сходясь к нулевой дисперсии для идеально коррелированных переменных с той же дисперсией . С другой стороны, отрицательная корреляция ( ) с дальнейшим увеличением дисперсии разницы по сравнению с некоррелированным случаем.
Например, самовычитание f = AA имеет нулевую дисперсию только в том случае, если вариация полностью автокоррелирована ( ). Если некоррелировано, , то выходной сигнал дисперсии в два раза входной дисперсии, . И если A полностью антикоррелирован, то входная дисперсия увеличивается в четыре раза на выходе (обратите внимание на f = aA - aA в таблице выше).
Примеры расчетов
Функция обратной тангенса
Мы можем рассчитать распространение неопределенности для функции обратной касательной в качестве примера использования частных производных для распространения ошибки.
Определять
где - абсолютная погрешность нашего измерения x . Производная f ( x ) по x равна
Следовательно, наша распространенная неопределенность равна
где - абсолютная распространенная неопределенность.
Измерение сопротивления
Практическое применение является эксперимент , в котором измеряется ток , I , и напряжение , В , на резисторе , с тем , чтобы определить сопротивление , R , с использованием закона Ома , R = V / I .
Учитывая измеряемые переменные с неопределенностями, I ± σ I и V ± σ V , и пренебрегая их возможной корреляцией, неопределенность вычисляемой величины σ R составляет:
Смотрите также
использованная литература
дальнейшее чтение
-
Бевингтон, Филип Р .; Робинсон, Д. Кейт (2002), Обработка данных и анализ ошибок для физических наук (3-е изд.), McGraw-Hill, ISBN 978-0-07-119926-1
-
Форнасини, Паоло (2008), Неопределенность в физических измерениях: введение в анализ данных в физической лаборатории , Springer, стр. 161, ISBN 978-0-387-78649-0
-
Мейер, Стюарт Л. (1975), Анализ данных для ученых и инженеров , Wiley, ISBN 978-0-471-59995-1
-
Перальта, М. (2012), Распространение ошибок: как математически прогнозировать ошибки измерения , CreateSpace
-
Rouaud, M. (2013), Вероятность, статистика и оценка: распространение неопределенностей в экспериментальных измерениях (PDF) (сокращенное издание)
-
Тейлор, Дж. Р. (1997), Введение в анализ ошибок: исследование неопределенностей в физических измерениях (2-е изд.), University Science Books
-
Ван, СМ; Айер, Хари К. (2005-09-07). «О поправках высшего порядка для распространения неопределенностей». Метрология . 42 (5): 406–410. DOI : 10.1088 / 0026-1394 / 42/5/011 . ISSN 0026-1394 .
внешние ссылки