Regresja ważona: jak dopasować prostą do pomiarów o różnych niepewnościach?
Przy kalibracji czujnika jeden punkt może mieć znacznie większą niepewność niż pozostałe. Prosta przeprowadzona „po równo” między wszystkimi odczytami oddaje mu wtedy zbyt duży wpływ. Regresja ważona określa ten wpływ na podstawie modelu pomiaru.
W tym materiale
Przy kalibracji czujnika jeden punkt może mieć znacznie większą niepewność niż pozostałe. Prosta przeprowadzona „po równo” między wszystkimi odczytami oddaje mu wtedy zbyt duży wpływ. Regresja ważona określa ten wpływ na podstawie modelu pomiaru.
Potrzebne wiadomości: Równanie prostej, średnia ważona, standardowa niepewność pomiaru. Przy wyprowadzeniu korzystamy z pochodnej funkcji dwóch zmiennych; każdy krok jest zapisany.
Co dopasowujemy, a co znamy?
Zadajemy znane wartości siły Fi w niutonach i odczytujemy napięcia Ui w woltach. Sprawdzamy model średniej odpowiedzi czujnika \overline U(F)=aF+b. Czułość a ma jednostkę V/N, a wyraz wolny b — V. Rzeczywisty odczyt różni się od średniej o losowe odchylenie:
U_i=aF_i+b+\varepsilon_i,\qquad \operatorname E(\varepsilon_i)=0,\qquad \operatorname{Var}(\varepsilon_i)=u_i^2.
Symbol E oznacza średnią w modelu powtarzania doświadczenia, a Var — wariancję. Przyjmujemy znane, dodatnie standardowe niepewności ui=u(Ui), niezależność odchyleń oraz pomijalną niepewność Fi. To założenia zadania, nie właściwości każdego czujnika. Błąd wspólnego zera, dryf i niepewne wzorce wymagają rozszerzenia modelu. Niepewności standardowej nie traktujemy jako granicy, której odchylenie nigdy nie przekracza.
Dlaczego kwadrat odchylenia dzielimy przez kwadrat niepewności?
Dla próbnych parametrów a i b reszta jest różnicą odczytu i przewidywania: ri=Ui−aFi−b. Odchylenie o 0,02 V ma inne znaczenie przy u=0,01 V niż przy u=0,10 V. Porównujemy więc bezwymiarowe ilorazy ri/ui i minimalizujemy:
\chi^2(a,b)=\sum_{i=1}^{n}\frac{(U_i-aF_i-b)^2}{u_i^2}=\sum_{i=1}^{n}w_i(U_i-aF_i-b)^2,\qquad w_i=\frac1{u_i^2}.
Waga ma tutaj jednostkę V−2. Dwa razy większa niepewność oznacza cztery razy mniejszą wagę. Jeśli odchylenia są dodatkowo normalne, minimalizacja tego wyrażenia daje parametry o największej wiarygodności w tym modelu. Sam rachunek dopasowania i jego kowariancja przy znanych wariancjach nie potrzebują jeszcze założenia normalności; będzie ono potrzebne do rozkładu statystyki χ².
Dwie pochodne prowadzą do dwóch równań
W minimum pochodne po b i a znikają. W każdej pochodnej wspólny czynnik −2 można skrócić. Pozostają równania:
\sum_i w_i(U_i-aF_i-b)=0,\qquad \sum_i w_iF_i(U_i-aF_i-b)=0.
Wprowadźmy sumę wag S i średnie ważone:
S=\sum_iw_i,\qquad \overline F_w=\frac{\sum_iw_iF_i}{S},\qquad \overline U_w=\frac{\sum_iw_iU_i}{S}.
Pierwsze równanie daje b=Ūw−aF̄w: dopasowana prosta przechodzi przez punkt średnich ważonych. Podstawiamy b do drugiego równania. Ponieważ suma wi(Fi−F̄w) wynosi zero, możemy odjąć średnią także od napięć. Dostajemy:
D=\sum_iw_i(F_i-\overline F_w)^2,\qquad \widehat a=\frac{\sum_iw_i(F_i-\overline F_w)(U_i-\overline U_w)}{D},\qquad \widehat b=\overline U_w-\widehat a\,\overline F_w.
Daszek oznacza współczynnik wyznaczony z danych, a nie dokładnie znaną własność czujnika. D ma jednostkę N²/V² i musi być dodatnie. Gdy wszystkie siły są jednakowe, D=0: można oszacować napięcie przy jednej sile, ale nie da się oddzielnie wyznaczyć czułości i wyrazu wolnego.
Przykład: dokładniejszy punkt pośrodku
| F / N | U / V | u(U) / V |
|---|---|---|
| 0 | 0,10 | 0,02 |
| 1 | 0,31 | 0,01 |
| 2 | 0,50 | 0,02 |
Wagi wynoszą 2500, 10 000 i 2500 V−2. Stąd S=15 000 V−2, F̄w=1 N, Ūw=0,306667 V i D=5000 N²/V². Licznik wzoru na czułość wynosi 1000 N/V, więc:
\widehat a=0{,}200\,\mathrm{V/N},\qquad \widehat b=0{,}106667\,\mathrm V.
Reszty to kolejno około −0,006667; +0,003333; −0,006667 V. Dokładniejszy środkowy pomiar ma mniejszą bezwzględną resztę. Suma kwadratów reszt podzielonych przez u wynosi χ²=1/3. Nie oczekujemy χ²=0: odczyty zawierają odchylenia. W następnej lekcji sprawdzimy, jak oceniać taką sumę.
Mniejsza waga nie oznacza zgody na dowolny punkt
Na rysunku trzeci odczyt ma dużą, ale znaną niepewność. Regresja nadal go wykorzystuje. Wagi pochodzą z oceny pomiaru przed dopasowaniem; nie zwiększamy u tylko dlatego, że punkt nie pasuje do oczekiwanej prostej. Duża reszta może skłonić do sprawdzenia zapisu lub powtórzenia pomiaru, ale nie uzasadnia samowolnego usunięcia danych.
Sprawdź rozumowanie: jeżeli wszystkie ui pomnożymy przez 2, każda waga zmaleje czterokrotnie. Licznik i mianownik wzoru na â zmienią się tak samo, więc prosta pozostanie ta sama. Zmienią się jednak χ² i niepewności parametrów. Dobra prosta i pewność jej położenia to odrębne informacje.
Dalszy krok: niepewności współczynników, reszty i statystyka χ².
Zadania do tego tematu
- Cztery wzorce siły: czułość i napięcie zerowe z różnych wag
- Niepewny punkt na końcu zakresu: mała waga, ale nie zerowy wpływ
- Wolty, miliwolty i dwukrotnie większe niepewności: co zmienia dopasowanie?
Komentarze (0)
Nie ma jeszcze opublikowanych komentarzy. Rozpocznij rozmowę o tym materiale.
RSS komentarzy · Powiadomienia e-mail
Dodaj komentarz
Możesz komentować jako gość lub zalogować się, aby użyć danych konta. Utwórz konto