Viacnásobne použitelné oblasti spolahlivosti pre viacrozmernú kalibráciu

Prepis

1 Viacnásobne použitel né oblasti spol ahlivosti pre viacrozmernú kalibráciu Martina Chvosteková Ústav merania Slovenská akadémia vied 22. január, Rekreačné zariadenie Rybník, 2018

2 Obsah 1 Predpoklady, model Motivácia Kalibračný experiment a kalibrácia 2 Mathew, Sharma a Nordström Tolerančné oblasti 3 Numerické výsledky Príklad 2 / 30

3 Predpoklady, model Motivácia Kalibračný experiment a kalibrácia Predpoklady a model Y x = B 0 + Bx +ǫ, ǫ N q (0,Σ) Y x - je (q 1)-rozmerný vektor x - je (m 1)-rozmerný vektor musí platit q m B 0, B, Σ - neznáme parametre modelu B 0, (q 1)-rozmerný vektor (intercept) B je (q m)-rozmerná matica Σ je (q q)-rozmerná pozitívne definitná matica 3 / 30

4 Predpoklady, model Motivácia Kalibračný experiment a kalibrácia Viacrozmerná štatistická kalibračná úloha Y x = B 0 + Bx +ǫ, ǫ N q(0,σ) inferencia pre x, náročné získat jej hodnotu narozdiel od získanie hodnoty Y x pre subjekt konfidenčné oblasti nazývame viacnásobne použitel né oblasti spol ahlivosti (ang. multiple use confidence regions - MUCR) alebo simultánne kalibračné oblasti MUCR sú skonštruované na základe jediného E n, z ktorého získame odhady neznámych parametrov modelu B 0, B,Σ konštrukcia konfidenčných oblastí pre x n+1, x n+2,...,x n+k prislúchajúcich ku K budúcim pozorovaniam Y xn+1, Y xn+2,...,y xn+k, K aspoň γ skonštruovaných MUCR pre postupnost Y xn+1, Y xn+2,...,y xn+k pokrýva skutočnú prislúchajúcu hodnotu vysvetl ujúcej premennej x so spol ahlivost ou 1 α 4 / 30

5 Predpoklady, model Motivácia Kalibračný experiment a kalibrácia Viacrozmerná štatistická kalibračná úloha Y x = B 0 + Bx +ǫ, ǫ N q(0,σ) inferencia pre x, náročné získat jej hodnotu narozdiel od získanie hodnoty Y x pre subjekt konfidenčné oblasti nazývame viacnásobne použitel né oblasti spol ahlivosti (ang. multiple use confidence regions - MUCR) alebo simultánne kalibračné oblasti MUCR sú skonštruované na základe jediného E n, z ktorého získame odhady neznámych parametrov modelu B 0, B,Σ konštrukcia konfidenčných oblastí pre x n+1, x n+2,...,x n+k prislúchajúcich ku K budúcim pozorovaniam Y xn+1, Y xn+2,...,y xn+k, K aspoň γ skonštruovaných MUCR pre postupnost Y xn+1, Y xn+2,...,y xn+k pokrýva skutočnú prislúchajúcu hodnotu vysvetl ujúcej premennej x so spol ahlivost ou 1 α 5 / 30

6 Predpoklady, model Motivácia Kalibračný experiment a kalibrácia Motivačný príklad 1. Odhad týždňa tehotenstva z meraní dĺžok 2 fetálnych kostí. - príklad uvedený v Mathew, Sharma a Nordström (1998) - dáta z Oman a Wax (1984) Týždeň tehotenstva ozn. x Dĺžky kostí ozn. Y x = (l 1, l 2 ) T Uvažovaný model v Oman a Wax (1984) Y x N(B 0 + Bh(x),Σ), kde h(x) = ( ) x x 2, B 0 je 2 1 neznámy intercept, B je 2 2 neznáma matica koeficientov a Σ je neznáma 2 2 pozitívne definitná matica. Priestor možných hodnôt x je interval [14, 41] (v týždňoch). Dáta v Oman a Wax (1984) pozostávajú z 1114 meraní (l 1, l 2 ) T u žien, kde doba x bola presne známa. 6 / 30

7 Predpoklady, model Motivácia Kalibračný experiment a kalibrácia Motivačný príklad 2. Meranie maratónskeho okruhu - Bicyklová metóda - príklad z Mathew a Zha (1997) - dáta z Smith a Corbett (1987) Dĺžka úseku ozn. x Namerané dĺžky 13 jazdcami ozn. Y x = (Y x,1, Y x,2,...,y x,13 ) T Uvažovaný (po úprave) model v Mathew a Zha (1997) Y x N 13 (Bx,σ 2 I 13 ), kde B je (q 1) rozmerná neznáma matica a σ 2 > 0 je neznámy skalár. Dáta Smith a Corbett (1987) pozostávajú z meraní 12 vzdialeností. 7 / 30

8 Predpoklady, model Motivácia Kalibračný experiment a kalibrácia Kalibračný experiment E n = {(x i, Y i ), i = 1, 2,...,n} x 1, x 2,...,x n - známe m-rozmerné vektory Y 1, Y 2,...,Y n - q-rozmerné pozorovania V 1. kroku kalibrácie získame odhady neznámych parametrov B 0, B, Σ ( ˆB 0 = Ȳ ˆB x, ˆB = YP nx T (XP nx T ) 1, P n = I n 1 ) n 1n1T n A ˆΣ = n m 1, A = Y[In PnX T (XP nx T ) 1 XP n]y T, Y = (Y 1, Y 2,...,Y n), X = (x 1, x 2,...,x n) kde Ȳ = n i=1 Y i/n, x = n i=1 x i/n, pričom platí n m 1 q a matica [1X ] má hodnost m / 30

9 Predpoklady, model Motivácia Kalibračný experiment a kalibrácia Kalibračný experiment E n = {(x i, Y i ), i = 1, 2,...,n} x 1, x 2,...,x n - známe m-rozmerné vektory Y 1, Y 2,...,Y n - q-rozmerné pozorovania V 1. kroku kalibrácie získame odhady neznámych parametrov B 0, B, Σ ( ˆB 0 = Ȳ ˆB x, ˆB = YP nx T (XP nx T ) 1, P n = I n 1 ) n 1n1T n A ˆΣ = n m 1, A = Y[In PnX T (XP nx T ) 1 XP n]y T, Y = (Y 1, Y 2,...,Y n), X = (x 1, x 2,...,x n) kde Ȳ = n i=1 Y i/n, x = n i=1 x i/n, pričom platí n m 1 q a matica [1X ] má hodnost m / 30

10 Predpoklady, model Motivácia Kalibračný experiment a kalibrácia Konštrukcia konfidenčných oblastí (MUCR) pre x n+1, x n+2,...,x n+k prislúchajúcich ku K budúcim pozorovaniam Y xn+1, Y xn+2,...,y xn+k, K na základe jediného kalibračného experimentu E n (raz odhadnuté parametre Ȳ, B,Σ) Viacnásobne použitel ná oblast spol ahlivosti má tvar r Yx Ȳ,ˆB,A = {x X : T(x) λ(x)}, kde T(x) je premenná použitá pre konštrukciu MUCR, λ(x) je funkciou x a je určená z podmienky MUCR, X oblast možných hodnôt x. 10 / 30

11 Predpoklady, model Motivácia Kalibračný experiment a kalibrácia MUCR Viacnásobne použitel né oblasti spol ahlivosti sú skonštruované na základe kalibračných dát z jedneho kalibračného experimentu (Ȳ, ˆB, A) tak, aby aspoň γ čast z nich pokryla skutočnú hodnotu x prisluchajúcu k budúcemu pozorovaniu Y x so spol ahlivost ou 1 α. Funkcia λ(x) vyhovuje rovnosti [ ] 1 K PȲ,ˆB,A C(x n+i ; K Ȳ, ˆB, A) γ = 1 α i=1 pre l ubovol nú postupnost {x i }, i = 1, 2,...,K a C(x; Ȳ, ˆB, A) = P Yx {T(x) λ(x) Ȳ, ˆB, A} označuje pokrytie MUCR, pri daných Ȳ, ˆB, A. Ȳ N(B 0 + B x,σ/n), ˆB N(B,{XP nx T } 1 Σ), A W q(σ, n m 1) 11 / 30

12 Predpoklady, model Motivácia Kalibračný experiment a kalibrácia MUCR Viacnásobne použitel né oblasti spol ahlivosti sú skonštruované na základe kalibračných dát z jedneho kalibračného experimentu (Ȳ, ˆB, A) tak, aby aspoň γ čast z nich pokryla skutočnú hodnotu x prisluchajúcu k budúcemu pozorovaniu Y x so spol ahlivost ou 1 α. Funkcia λ(x) vyhovuje rovnosti [ ] 1 K PȲ,ˆB,A C(x n+i ; K Ȳ, ˆB, A) γ = 1 α i=1 pre l ubovol nú postupnost {x i }, i = 1, 2,...,K a C(x; Ȳ, ˆB, A) = P Yx {T(x) λ(x) Ȳ, ˆB, A} označuje pokrytie MUCR, pri daných Ȳ, ˆB, A. Ȳ N(B 0 + B x,σ/n), ˆB N(B,{XP nx T } 1 Σ), A W q(σ, n m 1) 12 / 30

13 Predpoklady, model Motivácia Kalibračný experiment a kalibrácia MUCR Viacnásobne použitel né oblasti spol ahlivosti sú skonštruované na základe kalibračných dát z jedneho kalibračného experimentu (Ȳ, ˆB, A) tak, aby aspoň γ čast z nich pokryla skutočnú hodnotu x prisluchajúcu k budúcemu pozorovaniu Y x so spol ahlivost ou 1 α. Funkcia λ(x) vyhovuje rovnosti ] PȲ,ˆB,A [min C(x; Ȳ, ˆB, A) γ = 1 α x X pre l ubovol nú postupnost {x i }, i = 1, 2,...,K a C(x; Ȳ, ˆB, A) = P Yx {T(x) λ(x) Ȳ, ˆB, A} označuje pokrytie MUCR, pri daných Ȳ, ˆB, A. Ȳ N(B 0 + B x,σ/n), ˆB N(B,{XP nx T } 1 Σ), A W q(σ, n m 1) 13 / 30

14 Predpoklady, model Motivácia Kalibračný experiment a kalibrácia Približné MUCR Pre každé x sa spočíta hodnota λ(x) z rovnosti PȲ,ˆB,A [P Yx {T(x) λ(x) Ȳ, ˆB, ] A} γ = 1 α. 14 / 30

15 Predpoklady, model Motivácia Kalibračný experiment a kalibrácia Približné MUCR Pre každé x sa spočíta hodnota λ(x) z rovnosti PȲ,ˆB,A [P Yx {T(x) λ(x) Ȳ, ˆB, ] A} γ = 1 α. Ako zvolit T(x)? 15 / 30

16 Mathew, Sharma a Nordström Tolerančné oblasti Myšlienka z Mathew, Sharma a Nordström (1998) Ak sú B 0, B,Σ známe, odhad x pre Y x N(B 0 + Bx,Σ) je x = (B T Σ 1 B) 1 B T Σ 1 (Y x B 0 ) s kovariančnou maticou Var( x) = (B T Σ 1 B) 1. Vhodná premenná na konštrukciu konfidenčnej oblasti pre x je T(x) = ( x x) T B T Σ 1 B( x x) 16 / 30

17 Mathew, Sharma a Nordström Tolerančné oblasti Myšlienka z Mathew, Sharma a Nordström (1998) Ak sú B 0, B,Σ známe, vhodný pivot na konštrukciu oblasti pre x je ( x x) T B T Σ 1 B( x x), kde x = (B T Σ 1 B) 1 B T Σ 1 (Y x B 0 ), E( x) = x a Var( x) = (B T Σ 1 B) 1. Ak sú B 0, B,Σ neznáme, použijú sa odhady T(x) = n m q (ˆx x) T ˆBT A 1ˆB(ˆx x) m = n m q [Y x m Ȳ ˆBx] T A 1ˆB(ˆBT A 1ˆB) 1ˆBT A 1 [Y x Ȳ ˆBx] ˆx =(ˆB T Â 1ˆB) 1ˆBT Â 1 (Y x ˆB 0 ) 17 / 30

18 Mathew, Sharma a Nordström Tolerančné oblasti MUCR - Mathew, Sharma a Nordström (1998) Viacnásobne použitel ná oblast spol ahlivosti má tvar kde r Yx Ȳ,ˆB,A = {x X : T MSN(x) λ(x)}, T MSN (x) = n m q [Y x m Ȳ ˆBx] T A 1ˆB(ˆBT A 1ˆB) 1ˆBT A 1 [Y x Ȳ ˆBx] a λ(x) pre každé x vyhovuje rovnosti PȲ,ˆB,A [P Yx {T MSN (x) λ(x) Ȳ, ˆB, ] A} γ = 1 α 18 / 30

19 Mathew, Sharma a Nordström Tolerančné oblasti MUCR - Mathew, Sharma a Nordström (1998) Viacnásobne použitel né oblast spol ahlivosti má tvar kde r Yx Ȳ,ˆB,A = {x X : T MSN(x) λ(x)}, T MSN (x) = n m q [Y x m Ȳ ˆBx] T A 1ˆB(ˆBT A 1ˆB) 1ˆBT A 1 [Y x Ȳ ˆBx] a λ(x) pre každé x vyhovuje rovnosti PȲ,ˆB,A [C(x; Ȳ, ˆB, ] A) γ = 1 α C(x; Ȳ, ˆB, A) = P Yx {T MSN (x) λ(x) Ȳ, ˆB, A} Ȳ N(B 0 + B x,σ/n), ˆB N(B,{XP nx T } 1 Σ), A W q(σ, n m 1) 19 / 30

20 Mathew, Sharma a Nordström Tolerančné oblasti MUCR - Mathew, Sharma a Nordström (1998) Viacnásobne použitel né oblast spol ahlivosti má tvar kde r Yx Ȳ,ˆB,A = {x X : T(x) λ(x)}, T MSN (x) = n m q [Y x m Ȳ ˆBx] T A 1ˆB(ˆBT A 1ˆB) 1ˆBT A 1 [Y x Ȳ ˆBx] a λ(x) pre každé x vyhovuje rovnosti PȲ,ˆB,A [C(x; Ȳ, ˆB, ] A) γ P ν,v [C (x;ν, v) γ] = 1 α C(x; Ȳ, ˆB, A) = P Yx {T MSN (x) λ(x) Ȳ, ˆB, A} C (x;ν, v) Rozdelenie premenných nezávisí od neznámych parametrov. 20 / 30

21 Mathew, Sharma a Nordström Tolerančné oblasti Podmienka MUCR a podmienka tolerančnej oblasti Hodnotu λ(x) sa počíta v každom x ako PȲ,ˆB,A [C(x; Ȳ, ˆB, ] A) γ = 1 α, kde C(x; Ȳ, ˆB, A) = P Yx {T(x) λ(x) Ȳ, ˆB, A} Premenná pre tolerančnú oblast T TO (x) = (n m 1)[Y x Ȳ ˆB(x x)] T A 1 [Y x Ȳ ˆB(x x)] 21 / 30

22 Mathew, Sharma a Nordström Tolerančné oblasti Tolerančná oblast Označme Z = Σ 1/2 (Y θ B 0 Bθ) N(0, I q) H = Σ 1/2 [Ȳ B 0 B x (ˆB B)(x x)] N(0, d 2 (x)i q) d 2 (x) = 1/n+(x x) T {XP nx T } 1 (x x) V = Σ 1/2 AΣ 1/2 W q(i q, n m 1). potom λ(x) pre každé x spĺňa rovnost [ } ] P H,V P Z {(n m 1)(Z H) T V 1 (Z H) λ(x) H, V γ = 1 α MUCR z tolerančnej oblasti r Yx Ȳ,ˆB,A = {x X : (n m 1)[Yx Ȳ ˆB(x x)] T A 1 [Y x Ȳ ˆB(x x)] λ(x)} 22 / 30

23 Numerické výsledky Príklad Odhad spol ahlivosti približných MUCR Pre MUCR λ(.) vyhovuje rovnosti [ ] 1 K PȲ,ˆB,A P Yxn+i {T(x n+i ) λ(x n+i K ) Ȳ, ˆB, A} γ = 1 α i=1 pre l ubovol nú postupnost {x n+i }, i = 1, 2,...,K. 23 / 30

24 Numerické výsledky Príklad Odhad spol ahlivosti približných MUCR Pre MUCR λ(.) vyhovuje rovnosti [ ] 1 K PȲ,ˆB,A P Yxn+i {T(x n+i ) λ(x n+i K ) Ȳ, ˆB, A} γ = 1 α i=1 pre l ubovol nú postupnost {x n+i }, i = 1, 2,...,K simulácii Ȳ, ˆB, A - x n+i Ro(X), i = 1, 2,...,10 000, X množina možných hodnôt x - pre každé x n+i simulácii Y n+i 24 / 30

25 Numerické výsledky Príklad Odhad spol ahlivosti približných MUCR Model Y x N(Bx,σ 2 I q) Y x je (q 1)-rozmerné pozorovanie x je skalár (m = 1) ˆB = YX T (XX T ) 1 N(B,{XX T } 1 σ 2 I) s 2 = tr{y[i n X T (XX T ) 1 X]Y T }, s 2 /σ 2 χ 2 q(n m) X = (x 1, x 2,...,x n), Y = (Y x1, Y x2,...,y xn ) XX T = xi 2 = sx 2 B 1 = ˆBs x N(Bs x,σ 2 I q), θ 1 = x/s x, Y θ1 N(B 1 θ 1,σ 2 I q) λ(x) λ(θ 2 1), θ 2 1 = x 2 /s 2 x 25 / 30

26 Numerické výsledky Príklad Odhad spol ahlivosti približných MUCR n = {10, 30, 50}, q = {3, 5} Vypočítali sme 136 hodnôt λ(θ 2 1) pre θ 2 1 {0, 0.01, 0.02,...,1.35} a zafitovali λ(θ 2 1) na X = [0,τ], kde τ = {0.05, 0.15, 0.45, 0.75, 1.05, 1.35}. Odhad spol ahlivosti je založený na simuláciach: B 1 N(c1 T q,σ 2 ), kde c = {0.1, 1} a s 2 /σ 2 χ 2 q(n m). Mathew, Sharma a Nordström (1998) T MSN (θ 1 ) = q(n m) [Y θ1 B 1 θ 1 ] T B 1 (B1 T B 1 ) 1 B1[Y T θ1 B 1 θ 1 ] (1) m s 2 Tolerančná oblast T TO (θ 1 ) = q(n m) [Y θ 1 B 1 θ 1 ] T [Y θ1 B 1 θ 1 ] s 2 (2) 26 / 30

27 Numerické výsledky Príklad Výsledky simulačnej štúdie τ c n q Odhadnutá spol ahlivost približných MUCR skonštruovaných na základe Mathew, Sharma a Nordstrom oblasti, požadovaná úroveň spol ahlivosti 1 α = / 30

28 Numerické výsledky Príklad Výsledky simulačnej štúdie τ c n q Odhadnutá spol ahlivost približných MUCR skonštruovaných na základe tolerančných oblastí, požadovaná úroveň spol ahlivosti 1 α = / 30

29 Numerické výsledky Príklad Meranie maratónskeho okruhu - Bicycle method - príklad Mathew a Zha (1997) - dáta Smith a Corbett (1987) - 12 dĺžok x 1, x 2,...,x 12 - každá dĺžka bola meraná 13 cyklistami Model Y x N(B 1 θ 1,σ 2 I 13 ) λ(x) λ(θ 2 1), kde θ 1 = x/s x Hodnota λ(θ 2 1) spočitaná pre θ 2 1 {0.05, 0.06,...,0.15} a λ(θ 2 1) zafitovaná na X = [0.05, 0.15] x MSN - MUCR TO - MUCR [ , ] [ , ] 1000 [ , ] [ , ] 29 / 30

30 Numerické výsledky Príklad Ďakujem za pozornost! Supported by the Slovak Research and Development Agency, project APVV , and by the Scientific Grant Agency VEGA of the Ministry of Education of the Slovak Republic and the Slovak Academy of Sciences, by the projects VEGA 2/0054/18 and VEGA 2/0011/ / 30