Параметрические методы обработки экспериментальных данных опираются на основополагающий факт, в соответствии с которым свойства результатов экспериментальных исследований, рассматриваемых как случайные объекты, описываются некоторым законом распределения. При этом предполагается, что анализ экспериментальных данных позволяет с достаточной степенью точности определить вид и конкретную форму закона распределения или значения его параметров, если нет необходимости в использовании самого закона. Такая информация даёт возможность в полном объёме использовать методы теории вероятностей для решения задач обработки.
Так как действительный закон распределения и значения его параметров неизвестны, то параметрические методы оперируют с их приближениями – статистическими законами распределения и оценками параметров распределения.
Статистическим законом распределения случайной
величины называется закон распределения
данной величины, установленный с помощью статистических методов обработки
данных.
Статистический закон распределения может быть определён в
виде статистической функции распределения ,
статистической плотности распределения
или
статистического ряда распределения P*(xi),
.
Статистическими оценками параметров закона распределения случайной величины называются приближённые значения данных параметров (статистики), полученные с помощью статистических методов обработки данных.
В дальнейшем статистические оценки для краткости называются просто оценками.
Если некоторый закон распределения характеризуется параметрами
a1, a2,…, am, то их оценки будем обозначать в
виде ,
,…,
. Наиболее распространёнными видами
параметров законов распределения при обработке экспериментальных данных
являются математическое ожидание
, дисперсия
или среднее квадратическое отклонение
, а для системы случайных величин –
корреляционный момент
или коэффициент корреляции
. Иногда используются центральные моменты
третьего и четвёртого порядков. Соответственно при обработке данных
используются их статистические аналоги – оценки математического ожидания,
корреляционного момента и т.д.
Таким образом, если имеется совокупность экспериментальных
данных x1, x2,…, xn, то и статистический закон распределения,
например функция , и оценки его параметров
представляют собой некоторые функции этих данных:
; (2.1.1)
,
. (2.1.2)
Вид статистик y
и fj определяет качество оценок и
. В связи
с этим возникает ряд проблем, основной из которых является проблема определения
условий, при которых оценки (2.1.1) и (2.1.2) могут с требуемой достоверностью
представлять теоретические законы распределения и их параметры. Эти условия
формируются предельными теоремами теории вероятностей. Именно они
служат тем фундаментом параметрических методов обработки экспериментальных
данных, на основе которого могут быть получены подходящие оценки законов и
параметров распределения наблюдаемых характеристик.
Вторая проблема состоит в выборе достаточной статистики, т.е. такой статистики, которая позволяет в конкретных условиях получать оценки заданного качества. Так как на основе результатов наблюдений x1, x2,…, xn может быть образован большой спектр статистик (2.1.1) и (2.1.2), данная проблема сводится к выбору из них оптимальной в определённом смысле статистики. Решение проблемы осуществляется методами теории статистических решений.
Как видно из рис.1.1, к проблеме принятия решений при обработке экспериментальных данных сводится не только задача выбора достаточной статистики. Большинство задач обработки данных в разной степени может быть отнесено к задачам принятия решений. В связи с этим фундаментом параметрических методов обработки служат также принципы принятия статистических решений, на основе которых сформированы критерии принятия оптимальных в определённом смысле решений. Особую роль среди данных принципов играет принцип максимального правдоподобия и вытекающий из него для случая нормального закона распределения метод наименьших квадратов.
В настоящей брошюре рассматриваются вопросы параметрической обработки экспериментальных данных.
Использование параметрических методов обработки данных предполагает выявление условий, определяющих справедливость априорных предположений о виде закона распределения исследуемой случайной величины и свойствах его параметров. Эти условия формулируются в виде предельных теорем теории вероятностей. Ниже излагаются содержание и сущность теорем без доказательства, а также некоторые рекомендации по их практическому применению.
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.