- •Введение
- •Глава 1. Основные положения теории измерений
- •1.1 Взаимосвязь понятий измерения и числа
- •1.2. Физические величины и их единицы
- •1.3. Измерительные шкалы
- •Глава 2. Обработка результатов измерений
- •2.1. Классификация ошибок
- •2.2. Основы теории ошибок
- •2.2.1. Частота, вероятность, среднее значение, дисперсия
- •2.2.2. Распределение вероятностей
- •2.2.2.1. Гауссово, или нормальное, распределение (н.р.)
- •2.2.2.3. Распределение Пуассона
- •2.2.2.4. Другие распределения
- •2.2.3. Доверительный интервал
- •2.2.4. Критерий Пирсона (хи-квадрат)
- •2.2.5. Сложение ошибок
- •2.2.6. Взвешенное среднее значение
- •2.3.1. Линейная регрессия
- •2.3.2. Нелинейная регрессия
- •2.4. Методы оценки числа измерений
- •2.4.2. Оценка числа измерений, необходимого для получения СКО среднего с требуемой точностью
- •2.4.3. Оценка числа измерений для определения допустимых границ
- •Таблица 2
- •2.5. Статистическая проверка гипотез
- •2.5.1. Проверка гипотезы о среднем значении нормально распределенной случайной величины х с известной дисперсией
- •2.5.2. Проверка гипотезы о значении дисперсии нормально распределенной случайной величины х при неизвестном среднем
- •2.5.4. Проверка гипотез о положении (сдвиге), симметрии распределения, однородности данных
- •2.6. Определение вида закона распределения значений измеряемой величины
- •2.6.1. Аналитические методы
- •2.6.1.3. Определение энтропийного коэффициента
- •Таблица 9
- •2.6.2. Графические методы
- •Таблица 10
- •2.6.3. Проверка гипотезы о согласовании эмпирического и теоретического распределения по критериям согласия
- •2.6.4. Оценка истинного значения и ошибки измерения
- •Глава 3. Измерительные устройства
- •3.1. Основные блоки измерительных устройств
- •3.2. Передаточные характеристики
- •3.3 Динамические свойства измерительных устройств
- •3.3.1 Передача непериодического сигнала
- •3.3.2. Передача периодического сигнала
- •3.4. Принцип обратной связи
- •Приложения
- •1. Примеры решения задач
- •2. Совместная обработка количественных и качественных данных
- •3. Таблицы наиболее часто используемых распределений [2,3]
- •3.1. Интегральная функция нормированного нормального распределения
- •3.2. Распределение Стьюдента
- •3.4. F-распределение Фишера
- •Список литературы
- •Оглавление
2. Совместная обработка количественных и качественных данных
Задача совместной обработки количественных и качественных данных возникает при оценке интегральных свойств, зависящих от ряда факторов (например, оценка качества, диагностирование и т.п.).
Сформируем задачу в следующем виде. Пусть имеется свойство (характеристика состояния), определяемое по n критериям (факторам), каждый из которых представлен двумя оценками: числовой (количественной) a, выражающей объективную информацию, полученную измерением, и словесной (качественной) b, отражающей субъективное мнение экспертов. Например, для фактора «температура»: a=37,3°С; b=«повышенная температура».
Требуется определить общую (интегральную) оценку данного свойства с учетом как количественной, так и качественной информации. Рассмотрим несколько случаев.
1.Предположим, что оценки являются статистическими и находятся опросом m экспертов. Тогда возможный способ решения задачи состоит в переводе всех оценок в порядковую (ранговую) шкалу.
Обозначим: j – номер критерия (1≤j≤n); i – номер эксперта (1≤i≤m); aij – количественная оценка критерия j для эксперта i, приведенная к
десятибалльной шкале (1–10); bij – качественная оценка критерия j для эксперта i по шкале (1–10); rj – коэффициент корреляции между aij и bij; pij – относительный вес j-го критерия для эксперта i. Для агрегирования данной информации можно использовать одну из сверток, например, аддитивную или по наихудшему критерию. При использовании аддитивной свертки расчеты выполняются по следующей схеме:
bj = 1 ∑m pijbij
m i =1
|
1 |
m |
|
1 |
m |
|
|
|
a j = |
∑ pij |
∑aij |
= pij aij |
|||||
|
|
|||||||
m i =1 |
m i =1 |
|
|
Общая оценка равна:
c€= 1 ∑n c j , n j =1
где c j = 12 rj (a j + bj ); rj – коэффициент ранговой корреляции Спирмена,
определяемый из соотношения [18]:
|
|
|
m |
€ |
2 |
|
|
|
|
|
|
|
|||
|
|
|
6∑(a€ij −bij |
) |
|
||
|
rj =1 − |
i =1 |
|
|
, |
||
|
m(m2 −1) |
|
|||||
|
€ |
|
|
|
|||
где |
– ранговые оценки фактора j для i-го эксперта. |
||||||
a€ij , bij |
Если ранжировки содержат совпадающие ранги, то выражение для коэффициента корреляции усложняется, так как должно учитывать число повторений рангов в ранжировках [18]. Степень согласия между экспертами проверяется дополнительно по коэффициенту конкордации Кендалла [18].
Наряду с коэффициентом r могут использоваться и другие коэффициенты связи: коэффициент Юла (Q), коэффициент коллигации (Y), коэффициент абсолютной связи (V) [9].
Q = |
αδ − βγ |
= |
|
n |
; |
|
αδ + βγ |
αδ + βγ |
|||||
|
|
|
||||
= |
αδ − βγ |
; |
|
|
|
|
|
m |
|
|
|
|
где α – число оценок (aj, bj); β – число оценок (aj,не – bj); γ – (не – aj, bj);
δ – (не – aj, не – bj).
Коэффициенты Q и Y эквиваленты друг другу и связаны соотношением:
Q =1 +2YY 2 .
Коэффициент Q равен нулю, если оценки aij, bij (объективная и субъективная) независимы, и принимает значение +1 в случае полной связанности (все оценки aij одновременно являются bij либо наоборот), а значение –1 в случае отрицательной связанности (все оценки aij не являются bij).
Коэффициент абсолютной связи определяется соотношением: |
|||||
V = |
(αδ − βγ ) |
|
|
|
. |
|
1 |
||||
|
{(α + β)(α +γ )(β +δ )(γ |
+δ )} |
|
|
|
|
2 |
Он равен нулю, когда =0, и принимает значение +1 только, когда все aij одновременно являются bij и все bij одновременно являются aij.
При использовании свертки по наихудшему критерию:
|
|
j = min pijbij ; |
a j = min pij min aij |
|
b |
||||
|
|
i |
i |
i |
c€ |
|
|
|
|
|
|
1 |
|
(a€ |
|
€ |
); |
c€ |
|
|
|
|
= min c |
|
; |
c |
|
= |
|
r |
|
+ b |
|
= maxc |
|
, |
||||
|
|
2 |
|
|
|
||||||||||||
L |
j |
j |
|
|
j |
|
j |
|
j |
|
j |
|
u |
j |
j |
|
где c€L ,c€u – нижняя и верхняя граница соответственно.
В этом случае имеем интервальную оценку: c€=[c€L ,c€u ],
причем нижняя граница соответствует стратегии пессимизма, а верхняя – оптимизма.
2.Рассмотрим случай, когда количественные оценки представлены в виде интервалов, а качественные – в виде (возможно усредненных по
экспертам) словесных оценок, например: at=(37,2±0,1)°C; bt=«повышенная температура». Применим для построения общей оценки нечеткие модели, тогда at и bt имеют вид нечеткого числа и
μ~ |
|
μ~ |
|
|
|
at |
|
bt |
|
|
б |
а) |
|
1 |
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
0,5 |
|
0,5 |
|
|
|
0 |
t |
0 |
37,1 |
37,6 |
t |
37, |
|
36,9 |
38 |
||
0, |
|
|
|
|
|
нечеткого интервала соответственно (рис.1). |
|
|
Рис. 1. Нечеткое число (а) и нечеткий интервал (б).
Для нечеткого числа граничные значения получаются как центральное значение плюс (минус) размах, т. е. 37,2±0,2. Для нечеткого интервала граничные значения могут быть несимметричны относительно центра интервала.
Определим индекс (степень) согласования оценок ajbj в виде [19]:
~ |
~ |
α jab = F (α(a jα Rbjα )= ), |
где F – свертка определяемая выбранной стратегией принятия решения, R – отношение согласования. Например, если R задается операцией
пересечения, то |
F =1 −inf α (мягкая стратегия) либо F = supα (жесткая |
||
стратегия); |
~ |
~ |
– α-срезы соответствующих нечетких множеств. В |
a jα , bjα |
частности, если R задается операцией типа min, а F = supα , то имеем:
α |
jab |
= sup min μ~ |
(t), μ~ (t) . |
|
a jα |
b jα |
|
|
|
α |
|
Достоверность оценки αjab определяется соотношением [19]:
α jab >νR
либо
α jab > |
νR |
, |
|
|
|
|
|
|
|
|
|
||||
2 |
|
|
|
|
|
|
|
где νR – индекс нечеткости множества, индуцированного отношением R. |
|||||||
νR = 2 sup(Rα ∩ |
|
|
≠ )= 2 sup min(μR |
,1 − μR ) |
|||
Rα |
|||||||
|
α |
α |
α |
α |
|||
|
|
|
Если R задается операцией пересечения со сверткой типа min, то имеем:
μ |
Rα |
= min μ~ |
, μ~ |
|
|
|
|
a jα |
b jα |
|
|
Общая оценка определяется выражением: |
|||||
c€= [c€L , c€u ], |
c€L = min бjab |
, c€u = sum бjab , sum(α, β) =α + β −αβ , |
|||
|
|
|
j |
|
j |
где c€L , c€u – нижняя и верхняя граница интервала соответственно.
Нижняя граница соответствует противоречивым факторам, а верхняя – взаимодополнительным.
3.Рассмотрим теперь случай, когда количественная и качественная оценки относятся к разным критериям (факторам) например,
at=(39,1±0,1)°C; bt=«повышенное содержание лейкоцитов».
Применим нечеткие модели. В этом случае оценки aj, bj суммируются непосредственно, и мы имеем:
c€= [c€ , c€ |
], |
c€ |
= min μ~ |
|
~ |
|
) |
, |
c€ |
= sum μ~ |
|
~ |
) |
. |
|||
L u |
|
L |
j |
a |
j |
(b |
j |
|
u |
j |
a |
j |
(b |
j |
|
||
|
|
|
|
|
|
|
|
|
|
|
|
При определении типа операции свертки (min, sum, max и т.д.) следует учитывать дополнительную априорную информацию о семантике
взаимосвязи оценок ~ (~ ), ~ (~ )и интегральной оценки, и в зависимости a j bj ak bk
от характера взаимосвязи того или иного фактора с другими выбирается тип свертки. Для обоснованного выбора свертки кроме индекса α jab
целесообразно также рассчитывать и другие индексы [19], в частности,
|
|
~ |
~ |
|
|
индекс согласования a j с bj : |
|
|
|||
~ |
~ |
|
|
|
|
α jab = F (α(a jα Rbjα )≠ ); |
|
|
|||
|
~ |
с |
~ |
|
|
индекс согласования a j |
bj : |
|
~ |
||
|
~ |
~ |
~ |
~ |
α jab =1− F(α((a jα Rbjα ) (a jα R(a jα Rbjα ))≠ ));
|
~ |
~ |
~ |
индекс согласования a j |
с a j |
по фактору bj : |
|
~ |
~ |
~ |
~ |
α jaa = F (α(a jα Rbjα )R(a jα Rbjα )≠ ).
В зависимости от соотношения четырех индексов уточняется вид операции свертки.
4.Рассмотрим решение задачи при тех же условиях, что и в п. 3, используя нечеткую логику. Пусть ai набор количественных оценок, bj
– |
качественных, причем ai |
и bj представлены в виде нечетких |
||
интервалов, |
|
~ |
||
так что ai принимает значения в нечетком множестве Ai , bj |
||||
|
|
|
~ |
|
– в нечетком множестве B j . Связь между исходными оценками ai, bj и |
||||
искомой оценкой c можно выразить в виде набора правил: |
||||
|
Если (*a |
~ |
~ |
|
|
есть A ) → с есть С |
|||
|
|
i i |
i |
1 |
|
Если ( * bj |
~ |
~ |
|
|
есть B j ) → с есть С2 |
|||
|
|
j |
|
|
где |
С~ |
, С~ – нечеткие множества, в которых принимает значение оценка |
||
|
1 |
2 |
|
|
с, * – связка «и» («или»), → – операция импликации.
Агрегирование количественных и качественных оценок проводится раздельно. Перепишем набор правил, вводя функции принадлежности:
μ~ |
|
= sup |
μ |
R →( |
~ ~ |
|
* μ~ |
(a) |
) |
; |
μ~ |
(a)= *μ~ |
(a ); |
|
|||||
|
A,C |
|
|
||||||||||||||||
C1 |
a |
( |
|
1) |
|
A |
|
|
A |
i |
Ai |
i |
|
|
|||||
|
|
( |
|
R →( |
~ ~ |
|
|
|
|
) |
|
|
|
( |
j ) |
|
|||
C |
2 |
|
|
|
B |
|
|
|
B |
|
B j |
|
|||||||
|
μ |
B,C |
2 ) |
|
|
; |
|
, |
|||||||||||
μ~ |
|
= sup |
|
|
|
* μ~ (b) |
|
μ~ (b)= *μ~ |
b |
|
|||||||||
|
|
b |
|
|
|
|
|
|
|
|
|
|
|
|
j |
|
|
|
|
где * – операция min, max или sum.
Итоговая оценка получается расчетом индекса согласования оценок С~1 и С~2 , например в виде (см. выше):
€ |
= α |
= |
|
μ~ |
α |
, |
μ~ |
|
α ) |
|
c |
|
C1 ,C2 |
sup min( |
C |
C |
|
||||
|
|
|
α |
|
1 |
|
|
2 |
|
|
|
|
|
|
|
|
|
|
Достоверность оценки проверяется сравнением с индексом нечеткости отношения согласования нечетких множеств С~1 и С~2 .
Предложенный подход целсообразно применять при обработке разнородной информации. При этом ошибка измерения отдельных характеристик возрастает из-за перехода к порядковой (нечеткой) шкале, однако ошибка модели (предсказания, вывода, концепции) уменьшается за счет того, что отдельные части информации согласуются друг с другом.