Predavanje 3 - PBF
Predavanje 3 - PBF
Predavanje 3 - PBF
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Ž. Kurtanjek MVP 2007 36<br />
INTERVAL POUZDANOSTI<br />
Ponavljanjem pokusa i primjenom određenih postupaka računanja dobivamo<br />
procjene pravih vrijednosti veličina. Na primjer, ponavljamo n-puta mjerenje pH i<br />
izračunamo srednju vrijednost, ili mjerimo koncentraciju supstrata i specifičnu brzinu<br />
rasta biomase i procjenjujemo kinetičke parametre (μ ,Ks) iz lineariziranog modela.<br />
Izračunate veličine su slučajne veličine koje imaju svoje odgovarajuće gustoće<br />
vjerojatnosti. Raspršenje, određeno standardnom devijacijom, tih procjena bitno ovisi<br />
o mjernoj pogrešci i broju ponavljanja pokusa (stupnjeva slobode). Svaka procjena<br />
prave vrijednosti odstupa od prave vrijednosti, dakle postoji pogreška procjene.<br />
Pogreška teoretski teži prema nuli povećanjem broja stupnjeva slobode (ponavljanjem<br />
mjerenja) ako u mjernom postupku nema sustavskih pogrešaka.<br />
Budući da su procjene pravih vrijednosti slučajne veličine, bitno je odrediti<br />
interval (područje) u kojem se nalazi prava vrijednost uz zadanu vjerojatnost. Za<br />
određivanje intervala ne možemo se poslužiti Gaussovom (normalnom) raspodjelom<br />
jer nam ona na osnovu ponavljanja pokusa n-puta nije poznata, a na rezultat bitno<br />
utječu pogreške procjene srednje vrijednosti i standardne devijacije iz eksperimenta s<br />
n ponavljanja pokusa. Upotrijebimo li srednju vrijednost i varijancu iz uzorka s n<br />
stupnjeva slobode umjesto matematičkog očekivanja i varijance populacije unosimo<br />
dodatnu pogrešku u proračun intervala u kojem se nalazi prava vrijednost.<br />
Egzaktan postupak određivanja intervala zasniva se na primjeni Studentove<br />
slučajne varijable ( ili t-varijable ) (Gosset 1905, Engleski matematičar koji je radio u<br />
pivovari na problemima određivanje kvalitete proizvoda i čiji radovi su objavljeni pod<br />
pseudonominom " Student "). Studentova varijabla definirana je izrazom:<br />
aˆ<br />
− E(<br />
a)<br />
t = (1)<br />
σ<br />
( aˆ<br />
)<br />
gdje je â procjena prave vrijednosti, odnosno matematičkog očekivanja E(a), a u<br />
nazivniku je σ ( â)<br />
standardna devijacija procjene. Definicija (1) varijable t formalno je<br />
jednaka definiciji standardne normalne varijable z samo što su umjesto parametara<br />
raspodjele u (1) uvrštene njihove procjene. Kako procjena veličine a zavisi broju<br />
ponavljanja pokusa n, odnosno stupnjeva slobode ν = n- np, to je raspodjela gustoće<br />
vjerojatnosti funkcija broja stupnjeva slobode. Teoretski se može pokazati da je<br />
raspodjela dana izrazom:<br />
gdje je:<br />
ρ<br />
( ν , )<br />
⎛ ν + 1⎞<br />
ν + 1<br />
Γ⎜<br />
⎟ 2<br />
−<br />
1 2 ⎛ ⎞ 2<br />
⎝ ⎠ t<br />
t = ⋅ ⋅ ⎜<br />
⎜1+<br />
⎟<br />
(2)<br />
π ⋅υ<br />
⎛ν<br />
⎞<br />
Γ⎜<br />
⎟<br />
⎝ v ⎠<br />
⎝ 2 ⎠<br />
ν broj stupnjeva slobode<br />
t Studentova varijabla<br />
Γ Gama funkcija , Γ(1+x) = x Γ(x) , Γ (n+1) = n!
Ž. Kurtanjek MVP 2007 37<br />
Raspodjele gustoće vjerojatnosti za različite vrijednosti broja stupnjeve slobode<br />
prikazana je na slici 1.<br />
0.4<br />
0.35<br />
0.3<br />
0.25<br />
0.2<br />
0.15<br />
0.1<br />
0.05<br />
0<br />
ρ ( ν, t ) raspodjela gustoće gusto}e vjerojatnosti<br />
vjerojatnosti<br />
N(0,1)<br />
ν =50<br />
ν =10<br />
ν =3<br />
0<br />
ν =20<br />
-3 -1 1 3<br />
t t - - Studentova varijabla<br />
Slika 1. Prikazi rapodjela gustoće vjerojatnosti Studentove t varijable za broj<br />
stupnjeva slobode, ν =3, 10, 20, i50. Također je prikazana standardna<br />
Gaussova, normalana N(0,1), raspodjela<br />
Kada je broj ponavljanja pokusa dovoljno veliki, n = 50, raspodjela gustoće<br />
Studentove varijable se praktično ne razlikuje od normalne raspodjele N(0,1).<br />
Odnosno može se kazati da su pogreške procjene parametara populacije iz skupa s n =<br />
50 uzoraka zanemarive u odnosu na Gaussovu ili normalnu raspodjelu, odnosno:<br />
( >= 50) = z ρ(<br />
ν >= 50,<br />
t)<br />
= N(<br />
t z;<br />
0,<br />
1)<br />
t ν =<br />
(3)<br />
Za mali broj stupnjeva slobode (mali broj mjerenja ) krivulja gustoće je spljoštena,<br />
odnosno raspršenje je veće nego li što je za normalnu raspodjelu.<br />
Definicija (1) Studentove varijable zahtjeva da se za svaku veličinu a<br />
upotrijebi formula za procjenu i odredi standardna devijacija procjene. Na primjer, za<br />
model konstante, procjena prave vrijednosti je srednja vrijednost i standardna<br />
devijacija srednje vrijednosti je standardna pogreška. Dakle, za srednju vrijednost je tvarijabla:<br />
x − E( x)<br />
t =<br />
s( x)<br />
n<br />
(4)
Ž. Kurtanjek MVP 2007 38<br />
Za linearan model potrebno je u definiciji (1) upotrijebiti formule za<br />
procijenjene parametre pravca, koeficijent smjera k ili odsječak na ordinati l, i zatim<br />
odrediti standardne devijacije za te procjene.<br />
Poznavanje gustoće vjerojatnosti studentove varijable omogućava određivanje<br />
intervala I, odnosno područja vrijednosti u kojem se nalazi matematičko očekivanje s<br />
zadanom vjerojatnošću.<br />
δ δ<br />
( )<br />
interval I<br />
a<br />
Slika 2. Prikaz intervala pouzdanosti.<br />
Širina intervala I je određena vjerojatnošću da se E( a)<br />
nalazi u intervalu, ili<br />
odgovarajućom vjerojatnošću da se nalazi izvan tog intervala. Vjerojatnost da se<br />
E( a)<br />
nalazi izvan intervala I naziva se razina značajnosti (signifikantnosti) i označava<br />
se sa p = α, a vjerojatnost da se E( a)<br />
nalazi u intervalu I je p =1-α i naziva se<br />
koeficijentom pouzdanosti. Granice intervala su simetrične s lijeve i desne strane<br />
procjene â jer je gustoća vjerojatnosti simetrična funkcija, a uz to hipoteza o<br />
pripadanju prave vrijednosti intervalu podrazumijeva simetričan lijevi i desni rub<br />
intervala. Hipotezu je moguće i definirati tako da se ispita jednostrani interval za koji<br />
je prava vrijednost samo veća ili manja od neke zadane vrijednosti. Za simetričan<br />
interval vjerojatnosti su:<br />
p<br />
p<br />
( E(<br />
a)<br />
∈[<br />
aˆ<br />
± δ ] ) = 1−<br />
α p(<br />
E(<br />
a)<br />
∉[<br />
aˆ<br />
± δ ] )<br />
α<br />
2<br />
( E(<br />
a)<br />
> aˆ<br />
+ δ ) = p(<br />
E(<br />
a)<br />
< aˆ<br />
−δ<br />
)<br />
α<br />
=<br />
2<br />
Smanjenjem vrijednosti razine značajnosti α povećava se vjerojatnost da se<br />
prava vrijednost, matematičko očekivanje E( a),<br />
nalazi u intervalu I. Granične točke<br />
intervala varijable t označavamo na lijevom rubu s oznakom t( α / 2 ) , a na desnom<br />
rubu s oznakom t( 1− α / 2)<br />
. Zbog simetričnosti gustoće vjerojatnosti je simetričan<br />
interval, tako da vrijedi jednakost -t( α / 2 ) = t( 1− α / 2)<br />
. Granične točke intervala<br />
nazivaju se kritičnim vrijednostima t-varijable i izračunavaju se iz nelinearne<br />
integralne jednadžbe:<br />
t(<br />
1−α<br />
/ 2)<br />
∫<br />
ρ<br />
−t<br />
( α / 2)<br />
( ν , t)<br />
dt = 1−<br />
α<br />
a<br />
= α<br />
(5)<br />
(6)
Ž. Kurtanjek MVP 2007 39<br />
0.4<br />
0.35<br />
0.3<br />
0.25<br />
0.2<br />
0.15<br />
0.1<br />
0.05<br />
0<br />
gusto}a gustoća vjerojatnosti<br />
−t<br />
( ν , 1−α/2 )<br />
p = 1 - α<br />
ρ(ν,t)<br />
t ( ν , 1−α/2 )<br />
-5 -3 -1 1 3 5<br />
p = α/2<br />
t-Studentova varijabla<br />
Slika 3. Prikaz definicije koeficijenta pouzdanosti (razine značajnosti).<br />
Interval u kojem se nalazi prava vrijednost, odnosno matematičko očekivanje E( a),<br />
određen je izrazom:<br />
[ aˆ<br />
± t(<br />
ν , α / 2)<br />
⋅ ( a)<br />
]<br />
E( a)<br />
∈ σ ˆ<br />
(7)<br />
koji za slučaj procjene iz srednje vrijednosti od n podataka glasi:<br />
⎡<br />
s(<br />
x)<br />
⎤<br />
E(<br />
x)<br />
∈ ⎢x<br />
± t(<br />
ν , α / 2)<br />
⋅ ⎥ (8)<br />
⎣<br />
n ⎦
Ž. Kurtanjek MVP 2007 40<br />
Tablica kritičnih vrijednosti studentove t(α/2) za broj stupnjeva<br />
slobode ν i razine značajnosti α.<br />
υ/α 0,2 0,1 0,05 0,025 0,01 0,005 0,001<br />
1 3, 078 6, 314 12,706 25, 452 63, 657 127, 32 636, 619<br />
2 1, 886 2, 920 4,303 6, 205 9, 925 14, 089 31, 598<br />
3 1, 638 2, 353 3,182 4,176 5, 841 7, 453 12, 941<br />
4 1, 533 2, 132 2,776 3,495 4, 604 5, 598 8, 610<br />
5 1, 476 2, 015 2,571 3,163 4, 032 4, 773 6, 859<br />
6 1, 440 1, 943 2,447 2,969 3, 707 4, 317 5, 959<br />
7 1, 415 1, 985 2,365 2,841 3, 499 4, 029 5, 409<br />
8 1, 397 1, 860 2,306 2,752 3, 355 3, 832 5, 041<br />
9 1, 383 1, 833 2,262 2,685 3, 250 3, 690 4, 781<br />
10 1, 372 1, 812 2, 228 2, 634 3, 169 3, 581 4, 587<br />
11 1, 363 1, 796 2, 201 2, 593 3, 106 3, 497 4, 437<br />
12 1, 356 1, 782 2, 179 2, 560 3, 055 3, 428 4, 418<br />
13 1, 350 1, 771 2, 160 2, 533 3, 012 3, 372 4, 221<br />
14 1, 345 1, 761 2, 145 2, 510 2, 977 3, 326 4, 140<br />
15 1, 341 1, 753 2, 131 2, 490 2, 947 3, 286 4, 073<br />
16 1, 337 1, 746 2, 120 2, 473 2, 921 3, 252 4, 015<br />
17 1, 333 1, 740 2, 110 2, 458 2, 898 3, 222 3, 965<br />
18 1, 330 1, 734 2, 101 2, 445 2, 878 3, 197 3, 922<br />
19 1, 328 1, 729 2, 093 2, 433 2, 861 3, 174 3, 883<br />
20 1, 325 1, 725 2, 086 2, 423 2, 845 3, 153 3, 850<br />
21 1, 323 1, 721 2, 080 2, 414 2, 831 3, 135 3, 819<br />
22 1, 321 1, 717 2, 074 2, 406 2, 819 3, 119 3, 792<br />
23 1, 319 1, 714 2, 069 2, 398 2, 807 3, 104 3, 767<br />
24 1, 318 1, 711 2, 064 2, 391 2, 797 3, 090 3, 745<br />
25 1, 316 1, 708 2, 060 2, 385 2, 787 3, 078 3, 725<br />
26 1, 315 1, 706 2, 056 2, 379 2, 779 3, 067 3, 707<br />
27 1, 314 1, 703 2, 052 2, 373 2, 771 3, 056 3, 690<br />
28 1, 313 1, 701 2, 048 2, 368 2, 763 3, 047 3, 674<br />
29 1, 311 1, 699 2, 045 2, 364 2, 756 3, 038 3, 659<br />
30 1, 310 1, 697 2, 042 2, 360 2, 750 3, 030 3, 646<br />
40 1, 303 1, 684 2, 021 2, 329 2, 704 2, 971 3, 551<br />
60 1, 296 1, 671 2, 000 2, 299 2, 660 2, 915 3, 460<br />
120 1, 289 1, 658 1, 980 2, 270 2, 617 2, 860 3, 373<br />
∞ 1,281 1,6448 1,9600 2,2414 2,5758 2,8070 3,2905<br />
Primjer:<br />
U određenom satu fermentacije uzeta su četiri uzorka za određivanje koncentracije<br />
biomase. Mjerenjem su dobivene slijedeće vrijednosti:
Ž. Kurtanjek MVP 2007 41<br />
Zadatak:<br />
i 1 2 3 4<br />
xi(g.s.t. L -1 ) 3,5 3,21 3,61 3,47<br />
Odredite interval pouzdanosti za koncentraciju biomase s razinama značajnosti α =<br />
0,1 i α = 0,01 .<br />
Rješenje:<br />
Srednja vrijednost koncentracije je:<br />
( 3,5 + 3,21 + 3,61 + 3,47 ) / 4 = 3,4475 (g.s.t. L -1 )<br />
prividne pogreške pojedinih mjerenja su: 0,0525 ; -0,2375 ; 0,1625 ; 0,0225<br />
broj stupnjeva slobode je υ = n-1 = 3<br />
varijanca je:<br />
s2 = ( 0,05252 + 0,23752 + 0,16252 + 0,02252 )/3 = 0,02869<br />
standardna devijacija je s = 0,1694<br />
s<br />
standardna pogreška je e<br />
= =0,1694/2 = 0,0847 (g.s.t. L -1 )<br />
n<br />
Iz tablice za kritične vrijednosti varijable t očitamo vrijednosti t(α/2) za zadane<br />
vrijednosti razine signifikantnosti i broj stupnjeva slobode 3:<br />
za α = 0,1 i ν = 3 t = 2,353 ; za α = 0,01 i ν = 3 t = 5,841<br />
Odgovarajući intervali pouzdanosti su:<br />
za α = 0,1 3,4475 - 2,353 ⋅ 0,0847
Ž. Kurtanjek MVP 2007 42<br />
METODA NAJMANJIH KVADRATA<br />
Procjena parametara modela<br />
Problem procjene parametara matematičkog modela je jedan od najčešćih<br />
zadataka svakog eksperimentalnog istraživanja. Parametri su sastavni dijelovi<br />
matematičkih modela sustava, kao što su mjerni sustavi, modeli tehnoloških procesa,<br />
modeli kakvoće proizvoda, ekonomski modeli, itd.<br />
Statističke metode procjene parametara mogu se podijeliti u tri osnovne<br />
skupine:<br />
1) metoda momenata<br />
2) metoda najvećeg izgleda ("maximum likelhood")<br />
3) metoda najmanjih kvadrata<br />
Jednostavan primjer je model sustava s jednom ulaznom x i izlaznom<br />
veličinom y, i više parametara θ i , i = 1,2,… p, koji možemo napisati u općem obliku:<br />
( x θ , θ , Λ )<br />
y = f θ<br />
, 1 2<br />
Zadaća procjene parametara je odrediti procjene θ i<br />
ˆ pravih vrijednosti parametara θ i<br />
na osnovu uzorka s N mjerenja parova ulazne i izlazne veličine xi , yi , i = 1,2,…N.<br />
Prave vrijednosti parametara su konstante, a procjene parametara su slučajne veličine<br />
s pripadajućim raspodjelama gustoća vjerojatnosti.<br />
Metoda momenata:<br />
Procjena parametara dobije se rješavanjem p nelinearnih jednadžbi prvih p<br />
momenata. Moment p-tog stupnja za kontinuiranu slučajnu veličinu x definiran je<br />
izrazom:<br />
m<br />
p<br />
+∞<br />
= ∫<br />
−∞<br />
x<br />
p<br />
p<br />
( x θ ) ⋅ dx<br />
⋅ ρ ,<br />
Moment prvog stupnja je matematičko očekivanje a moment drugog stupnja je mjera<br />
varijance. Vrijednosti p-tog momenata izračunaju se iz uzorka pomoću izraza:<br />
m<br />
p<br />
1<br />
= ⋅<br />
N<br />
∑ = i N<br />
i=<br />
1<br />
Parametri su rješenja skupa od p nelinearnih jednadžbi:<br />
+∞<br />
k<br />
∫ x ⋅ ρ<br />
−∞<br />
θ<br />
1<br />
N<br />
i=<br />
N<br />
∑ i<br />
i=<br />
1<br />
Metoda najvećeg izgleda ("maximum likelihood")<br />
x<br />
p<br />
i<br />
k<br />
( x,<br />
) ⋅ dx = ⋅ x k = 1,<br />
2,<br />
Λ p
Ž. Kurtanjek MVP 2007 43<br />
Metoda se zasniva na hipotezi da se uzorak s N izmjerenih vrijednosti slučajne<br />
veličine ima najveću vjerojatnost (izgled) kao rezultat realizacije slučajnog procesa,<br />
odnosno dobije kao rezultat mjerenja. Za N nezavisnih pokusa ukupna vjerojatnost<br />
realizacije uzorka diskretne slučajne veličine x naziva se funkcijom izgleda L i<br />
definirana je izrazom:<br />
L<br />
∏ = i N<br />
i=<br />
1<br />
( θ ) = p(<br />
x ,θ )<br />
Procjena parametara dobije se određivanjem maksimalne vrijednosti<br />
(maksimiziranjem) funkcije L:<br />
θ<br />
θ L max ˆ =<br />
Metoda najmanjih kvadrata ("least squares, LS")<br />
Parametri se procjenjuju minimizacijom varijance prividnih pogrešaka<br />
predikcija i eksperimentalnih vrijednosti slučajne veličine. Procjena varijance je<br />
definirana izrazom:<br />
s<br />
2<br />
1<br />
p −1<br />
i=<br />
N<br />
i<br />
( θ )<br />
2<br />
( θ ) = ⋅ Δ = ⋅ ( y − f ( x , θ ) )<br />
∑<br />
i=<br />
1<br />
i<br />
1<br />
p −1<br />
2<br />
Procjena parametara dobije se minimizacijom funkcije varijance s ( θ )<br />
2<br />
Za linearne modele funkcija ( θ )<br />
ˆ θ = min s<br />
θ<br />
s je konkavna i minimum određuje se primjenom<br />
nužnog i dovoljnog uvjeta minimuma, odnosno rješavanjem linearnog sustava<br />
jednadžbi (normalne ili Gaussove jednadžbe):<br />
∂<br />
s<br />
θ<br />
i<br />
2<br />
2<br />
i=<br />
N<br />
∑<br />
( θ )<br />
i=<br />
1<br />
( θ ) = 0 i = 1,<br />
2,<br />
Λ p<br />
Vrlo čest modeli nisu linearni i parametri se procjenjuju iteracijskim postupkom.<br />
Najpoznatiji je Marquardt-Levenberg algoritam koji se primjenjuje u računalnim<br />
sustavima WR Mathematica i Statistica.<br />
Za većinu problema mjerenja i procjene parametara vrijedi pretpostavka o<br />
normalnoj raspodjeli gustoće vjerojatnosti i sve tri metode procjene daju isti rezultat.<br />
Stoga se metoda najmanjih kvadrata najčešće primjenjuje u mnogobrojnim<br />
primjerima jednostavnih i složenih modela i mjerenja.<br />
Brojni primjeri mogu ilustrirati različite situacije primjene. Najjednostavniji<br />
slučaj je dan u Primjeru 1. gdje se model sastoji od konstante koju treba optimalno<br />
procijeniti na osnovu pokusa s ponavljanjem.<br />
i<br />
i<br />
2
Ž. Kurtanjek MVP 2007 44<br />
Primjer 1.<br />
Pokus s N ponavljanja veličine u stacionarnom stanju (veličina se ne mijenja<br />
tijekom pokusa ). Na primjer, uzastopno mjerenje tlaka, koncentracije i viskoziteta u<br />
vremenskom intervalu kada se mjerene veličine bitno ne mijenjaju za vrijeme pokusa.<br />
x ( mjerena veli~ina ) model : x je konstanta<br />
kriterij : minimum varijance S<br />
2<br />
(x)<br />
procjena : x = 1<br />
N Σ x mjerena veličina<br />
prividna pogre{ka pogreška<br />
i<br />
najbolja procjena prave vrijednosti<br />
i ( redni broj mjerenja )<br />
Model se sastoji od samo jednog parametra, konstante x, tako da je broj stupnjeva<br />
slobode jednak n-1, odnosno broj pokusa s ponavljanjem, n, umanjenim za broj<br />
parametara modela, 1. Varijanca je definirana izrazom (1):<br />
( ) 2<br />
n<br />
2 1<br />
s ( x)<br />
= ⋅∑<br />
xi<br />
− x<br />
(1)<br />
n −1<br />
i=<br />
1<br />
Najbolja procjena u smislu maksimalne preciznosti procjene dobije se<br />
minimiziranjem varijance s obzirom na procjenjivani parametar x:<br />
najbolji x<br />
d<br />
dx<br />
s<br />
2<br />
2<br />
= mins<br />
( x)<br />
( x)<br />
= 0<br />
Problem minimizacije varijance možemo prikazati grafički (slika 1). Da bi u<br />
potpunosti objasnili smisao procjene i njezine pogreške, pretpostavimo da smo izvršili<br />
3 skupine pokusa pri čemu je u broj ponavljanja pokusa u pripadajućim skupinama<br />
N1, N2 i N3 ( na primjer broj ponavljanja pokusa u prvoj skupini je N1 = 7, u drugoj N2<br />
= 10, i N3 = 8.<br />
x<br />
(2)
Ž. Kurtanjek MVP 2007 45<br />
Slika 1. Prikaz funkcija varijance za 3 skupine pokusa s ponavljanjima N1, N2 i N3.<br />
Nacrtamo li funkcije varijance (1) sa svaki od skupine pokusa dobit ćemo<br />
parabole kojima se položaj minimuma i vrijednost minimalne varijance razlikuju.<br />
Položaj svakog minimuma određuje najprecizniju procjenu prave vrijednosti veličine<br />
x. Budući da je u drugoj skupini bio najveći broj ponavljanja pokusa N2 = 10, možemo<br />
očekivati da je taj minimum najbolja najbliži pravoj vrijednosti.<br />
Određivanje minimuma za jednu skupinu pokusa sa N ponavljanja je vrlo<br />
jednostavan jer se radi o jedinstvenom minimumu, tako da je isčezavanje derivacije<br />
dovoljan i nužan uvjet minimuma. Deriviramo varijancu i izvodimo izraz za najbolju<br />
procjenu, a to je srednja vrijednost (3):<br />
d<br />
dx<br />
i=<br />
n<br />
i=<br />
n<br />
⎛ 1<br />
2 ⎞ 2<br />
⎜ ⋅∑<br />
( xi<br />
− x)<br />
⎟ = ⋅ ( −1)<br />
⋅∑<br />
( xi<br />
− x)<br />
= 0<br />
⎝ n −1<br />
i=<br />
1 ⎠ n −1<br />
i=<br />
1<br />
i= n<br />
i= n<br />
i= n<br />
1<br />
∑ x = n⋅ x = ∑ xi x = x = ⋅∑<br />
xi<br />
n<br />
i=<br />
1 i=<br />
1 i=<br />
1<br />
Najbolja procjena x je također slučajna veličina, čije matematičko očekivanje E(x ) je<br />
prava vrijednost a standardna devijacija σ( x ) je standardna pogreška e.<br />
Primjer 2.<br />
σ 40<br />
2 (x)<br />
35<br />
30<br />
25<br />
20<br />
15<br />
10<br />
5<br />
2<br />
1<br />
3<br />
0 2.5 5 7.5 x<br />
x 10 12.5 15<br />
1<br />
x 2 3<br />
Slijedeći primjer je model linearne zavisnosti dviju veličina, izlazne y i ulazne<br />
x. Zadatak je da se procjeni najbolji model, najbolji pravac, koji određuje zavisnost<br />
izlazne veličine o ulaznoj. Eksperiment se sastoji od n ponavljanja pokusa s različitim<br />
vrijednostima ulazne veličine. Bitna pretpostavka je da se pokusi ponavljaju u<br />
stacionarnim uvjetima, tako da za vrijeme eksperimentiranja ne postoje promjene<br />
funkcionalne zavisnosti y(x). U svakom pokusu mjeri se par vrijednosti ( yi , xi ), gdje<br />
postoji pogreška mjerenja i za x kao i za y.<br />
Veliki je broj primjera u kojima se pretpostavlja linearna zavisnost dviju<br />
veličina, kao što su: zavisnost specifične topline hrane o masenom udjelu vode,<br />
viskoziteta suspenzije o koncentraciji mikroorganizama, ili električnog otpora vodiča<br />
o temperaturu. Linearna zavisnost dviju veličina je pretpostavka, koja se također mora<br />
verificirati na osnovu eksperimentalnih vrijednosti i statističkih testova.<br />
x<br />
(3)
Ž. Kurtanjek MVP 2007 46<br />
izlazna<br />
izlazna<br />
veli~ina<br />
veličina<br />
y<br />
pogreška prividna ulazne pogre{ka veličine<br />
pogreška Δxi<br />
izlazne Δy<br />
veličine i<br />
Δyi<br />
najbolja procjena pravca<br />
ulazna ulazna veličina veli~ina x<br />
šum ulazne veličine ∆x šum izlazne veličine ∆y<br />
{um {um<br />
x y<br />
model: model y = : l y + = k l x + k +∆y x<br />
kriterij: kriterij min : min s S<br />
2<br />
( l ,k )<br />
2 (l,k)<br />
Slika 2a. Grafički prikaz određivanja najbolje procjene pravca.<br />
y<br />
Slika 2b. Prikaz raspodjele gustoće vjerojatnosti pogrešaka zavisne veličine.<br />
Važna je pretpostavka o stacionarnosti raspodjele gustoće vjerojatnosti zavisne<br />
veličine y (slika 2b). Za svaki eksperiment u kojem se određuje par vrijednosti<br />
nezavisne i zavisne veličine (xi , yi) pogreška ∆i je slučajna veličina s Gaussovom<br />
raspodjelom koja ima matematičko očekivanje E(∆y) = 0 (mjerenja bez sustavskih i<br />
2<br />
2<br />
grubih pogrešaka) i konstantne varijance σ ( Δy ) = σ . Stvarna vrijednost varijance<br />
pogreške nije poznata, ali se procjenjuje iz eksperimentalnih podataka.<br />
Broj parametara modela je 2, parametri su l i k, tako da je broj stupnjeva<br />
slobode n-2. Varijanca je definirana s obzirom na zavisnu, odnosno izlaznu veličinu:<br />
Δy<br />
s<br />
2<br />
i<br />
eksperiment<br />
model<br />
= y − model(y ) = y − ( l + k ⋅ x )<br />
1<br />
= ⋅<br />
n − 2<br />
i<br />
N(0,σ 2 )<br />
N(0,σ 2 )<br />
N(0,σ 2 )<br />
i=<br />
n<br />
∑<br />
i=<br />
1<br />
Δ<br />
2<br />
i<br />
i<br />
1<br />
= ⋅<br />
n − 2<br />
i<br />
pretpostavka: ∆x
Ž. Kurtanjek MVP 2007 47<br />
Najbolja procjena pravih vrijednosti parametara (l,k) je ona za koju varijanca poprima<br />
najmanju vrijednost. Formule za izračunavanje parametara izvode se ih zahtjeva<br />
2<br />
s l,<br />
k s dvije varijable.<br />
minimuma funkcije ( )<br />
Primjer 3. (nelinearan model )<br />
Najčešće je model zavisnosti dviju veličina nelinearan, ali se može na jedan ili<br />
više načina linearizirati. Kao jedan od jednostavnih primjera može se navesti model<br />
specifične brzine rasta mikroorganizma o koncentraciji supstrata, ili analogno tome je<br />
Michaelis-Menten kinetika za enzimske reakcije. Izraz za brzinu rasta je:<br />
cs<br />
μ = μ ⋅ m<br />
K + c<br />
Na osnovi izmjerenih podataka o koncentracijama i odgovarajućim specifičnim<br />
brzinama rasta traži se najbolja procjena parametara, μ M maksimalne brzine i K s<br />
Monod-ove konstante. Budući da je model (6) nelinearan, transformacijom<br />
definiramo novi par ulazne i izlazne veličine koji daje linearanu zavisnost:<br />
specifi~na specifična brzina<br />
rasta biomase µ / μh( 1/h ) -1<br />
najbolja procjena<br />
specifi~ne brzine rasta<br />
specifične brzine rasta<br />
koncentracija supstrata ( s g/mol )<br />
s<br />
s<br />
{um {um<br />
s μ<br />
model : μ =<br />
c s s μ = μ<br />
m m⋅<br />
K K+ + s<br />
s c<br />
2<br />
kriterij : min S (μ<br />
m<br />
, K s )<br />
Slika 3. Prikaz linerizacije Monod-ovog modela i procjene kinetičkih parametara.<br />
(6)<br />
1 1 Ks<br />
1<br />
= + ⋅<br />
μ μ μ s (7)<br />
Zavisna veličina je recipročna specifična brzina rasta a ulazna veličina je recipročna<br />
koncentracija. Kinetički parametri procjenjuju se iz minimuma varijance koja je<br />
funkcija parametara:<br />
2 ⎛ 1 K s ⎞<br />
najbolja procjena ( μ K =<br />
⎜<br />
⎟<br />
m , s ) min s ,<br />
(8)<br />
⎝ μ m μ m ⎠<br />
Primjer 4. (umjeravanje mjernog uređaja )<br />
Za svaki postupak mjerenja je neophodno provesti baždarenje uređaja, ili<br />
kalibracija, umjeravanje. Kao primjer, na slici je prikazan postupak baždarenja<br />
m<br />
šum šum<br />
cs / mol L -1<br />
m<br />
s<br />
( μ<br />
)<br />
s ,<br />
s<br />
m s K
Ž. Kurtanjek MVP 2007 48<br />
instrumenta za mjerenje koncentracije biomase pomoću određivanja relativnog<br />
intenziteta zrake svjetlosti koja prolazi, uz atenuaciju, kroz suspenziju s biomasom.<br />
Najvažniji dio baždarenja je pravilna upotreba standarda ( uzorka, instrumenta ili<br />
metode) kojim se mjerena vrijednost određuje uz zanemarivu pogrešku u odnosu na<br />
pogreške određivanja mjernog signala. U ovom primjeru, mjerni signal je jakost struje<br />
fotoćelije na kaju pada atenuirana zraka svjetlosti. Mjerena veličina je koncentracija<br />
mikroorganizama ( broj stanica u 1 ml ) koja se određuje brojenjem.<br />
optička gustoća<br />
opti~ka gusto}a<br />
I<br />
najbolja procjena<br />
ba`darne baždarne krivulje<br />
koncentracija<br />
biomase<br />
x ( g/mol )<br />
standardni<br />
postupak<br />
zanemariva<br />
( zanemariva<br />
pogreška<br />
pogre{ka<br />
standardnog standardnog postupka<br />
postupka )<br />
model<br />
{um šum<br />
ulazna ulazna veličina veli~ina X x izlazna izlazna veličina veli~inayY<br />
koncentracija biomase<br />
opti~ka optička gustoća gusto}a<br />
A/D<br />
PC<br />
opti~ka optička<br />
gusto}a<br />
koncentracija<br />
Slika 4. Prikaz umjeravanja mjernog uređaja ("turbidometra") za on-line mjerenje<br />
koncentracije stanica određivanjem optičke gustoće svjetlosti.<br />
Ako se za određeno mjerno područje može uzeti da je baždarna karakteristika<br />
linearna, onda se primjenjuje postupak opisan u Primjeru 2, ili ako se radi o<br />
nelinearnoj karakteristici, onda primjenjujemo linearizaciju kao što je opisano u<br />
Primjeru 3. Kod baždarenja se varijanca isključivo definira s obzirom na mjerni<br />
signal, budući da je zanemariva pogreška za standardnu metodu. Prividna pogreška za<br />
i-to mjerenje je razlika:<br />
Varijanca je definirana s:<br />
2 1<br />
s = ⋅<br />
n − 2<br />
i<br />
i<br />
( l + k x )<br />
Δ = y − ⋅<br />
(10)<br />
i=<br />
n<br />
∑<br />
i=<br />
1<br />
Δ<br />
2<br />
i<br />
1<br />
= ⋅<br />
n − 2<br />
i=<br />
n<br />
∑<br />
i=<br />
1<br />
i<br />
( y − l − k ⋅ x )<br />
Izračunamo li kvadrat izraza u zagradi i nakon toga zbrojimo sve članove, dobili bi<br />
kvadratnu funkciju s dvije varijable. Prikazana u prostoru, na slici (5), funkcija ima<br />
jedan ekstrem koji je minimum varijance. Koordinate minimuma su najbolje procjene<br />
parametara ( l , k ).<br />
i<br />
i<br />
2<br />
gustoća<br />
(11)
Ž. Kurtanjek MVP 2007 49<br />
k<br />
S<br />
2<br />
( k , l )<br />
paraboloid<br />
S<br />
2<br />
= a + a k<br />
2<br />
o 1<br />
+<br />
2<br />
a k l +<br />
3<br />
a<br />
2<br />
l<br />
minimum S 2<br />
( k , l )<br />
najbolja procjena k,l<br />
Slika 5. Grafički prikaz zavisnosti varijance o parametrima l , k .<br />
Minimum odredimo iz zahtjeva da prve derivacije funkcije su jednake nuli. Budući da<br />
se radi o jedinstvenom ekstremu koji je minimum, taj zahtjev je onda istovremeno<br />
nužan i dovoljan. Derivacije su:<br />
za odsječak na ordinati<br />
∂ ⎛<br />
⎜<br />
∂ ⎝<br />
1<br />
⋅<br />
i=<br />
n<br />
∑<br />
i=<br />
n<br />
2<br />
( y − l − k ⋅ x ) ⎟ = ⋅ ( − 2)<br />
⋅ ( y − l − k ⋅ x )<br />
∑<br />
i<br />
i<br />
l n − 2 i=<br />
1<br />
n − 2<br />
i=<br />
1<br />
za koeficijent smjera<br />
∂ ⎛<br />
⎜<br />
∂ ⎝<br />
1<br />
⋅<br />
i=<br />
n<br />
∑<br />
⎞<br />
⎠<br />
1<br />
i=<br />
n<br />
2<br />
( y − l − k ⋅ x ) ⎟ = ⋅ ( − 2)<br />
⋅ ( y − l − k ⋅ x )<br />
∑<br />
i<br />
i<br />
k n − 2 i=<br />
1<br />
n − 2<br />
i=<br />
1<br />
⎞<br />
⎠<br />
1<br />
U jednadžbama (12,13) možemo svaki član podijeliti s zajedničkim faktorom, i zatim<br />
jednadžbe preurediti tako da su nepoznanice na lijevoj strani, a poznate vrijednosti na<br />
desnoj:<br />
⎛<br />
⎜<br />
⎝<br />
⎛<br />
⎜<br />
⎝<br />
i=<br />
n<br />
∑<br />
i=<br />
1<br />
i=<br />
n<br />
∑<br />
i=<br />
1<br />
⎞ ⎛<br />
1⎟⋅<br />
l + ⎜<br />
⎠ ⎝<br />
i=<br />
n<br />
∑<br />
i=<br />
1<br />
⎞ ⎛<br />
xi<br />
⎟ ⋅ l + ⎜<br />
⎠ ⎝<br />
S 2 = a0 + a1· k 2 + a2 k · l + a3·l 2<br />
minimum S 2<br />
i=<br />
n<br />
∑<br />
⎞<br />
xi<br />
⎟ ⋅ k =<br />
⎠<br />
i=<br />
1<br />
x<br />
2<br />
i<br />
i=<br />
n<br />
∑<br />
i=<br />
1<br />
⎞<br />
⎟ ⋅ k =<br />
⎠<br />
y<br />
i=<br />
n<br />
∑<br />
i=<br />
1<br />
i<br />
i<br />
i<br />
i<br />
l<br />
y ⋅ x<br />
Jednadžbe poprimaju mnogo jednostavniji oblik ako se svaka od njih podijeli s<br />
brojem mjerenja, odnosno ako se koeficijenti pišu kao srednje vrijednosti:<br />
l + x ⋅ k = y<br />
___ ___ (15)<br />
x ⋅ l + xx⋅ k = yx<br />
i<br />
i<br />
i<br />
⋅ x<br />
= 0<br />
i<br />
= 0<br />
(12)<br />
(13)<br />
(14)
Ž. Kurtanjek MVP 2007 50<br />
Jednadžbe (15) se u literaturi nazivaju Gaussovim ili " normalnim " jednadžbama. Iz<br />
prve jednadžbe slijedi da jednadžba pravca mora prolaziti kroz točku čije su<br />
koordinate srednje vrijednosti nezavisne i zavisne varijable. Supstituiramo prvu<br />
jednadžbu u drugu i dobijemo koeficijent smjera:<br />
yx − y ⋅ x<br />
k =<br />
(16)<br />
x x − x ⋅ x<br />
a zatim iz prve jednadžbe izračunamo odsječak na ordinati:<br />
l = y − k ⋅ x<br />
(17)<br />
Isti rezultat (16) može se napisati pomoću oznake funkcije sume kvadrata SS<br />
("sum of squares"). Uobičajeno je pribrojnike funkcije SS pisati kao donji indeks, tako<br />
da funkcija SS ima definiciju:<br />
i n<br />
( a b)<br />
= SS = ∑ ( a − a ) ⋅ ( b − b )<br />
=<br />
,<br />
SS a,<br />
b<br />
i<br />
i<br />
i=1<br />
Lagano je dokazati sljedeći identitet: = n ⋅ ( a ⋅ b − a ⋅ b )<br />
Dokaz:<br />
S<br />
ab<br />
n<br />
n<br />
S ab<br />
∑(<br />
ai<br />
− a ) ⋅ ( bi<br />
− b ) = ∑ ai<br />
⋅ bi<br />
− b ⋅∑<br />
ai<br />
− a ⋅ bi<br />
+ n ⋅ a ⋅ b =<br />
i=<br />
1<br />
i=<br />
1<br />
i=<br />
1<br />
i=<br />
1<br />
= n ⋅ ab − n ⋅ b ⋅ a − n ⋅ a ⋅ b + n ⋅ a ⋅ b = n ⋅ ( a ⋅b<br />
− a ⋅b<br />
)<br />
= ∑<br />
Također je uobičajeno procjene označiti sa gornjim znakom ( ˆ , kapa) tako da izraz<br />
(16) ima novi kraći oblik:<br />
k ˆ =<br />
SS<br />
SS<br />
Procjene parametara k i l su slučajne veličine za koje se može pokazati da im<br />
je matematičko očekivanje jednako pravim vrijednostima parametara, dakle da su<br />
procjene nepristrane. Taj zaključak vrijedi samo onda ako su zaista u mjernom<br />
postupku eliminirane sistematske pogreške. Varijance parametara k i l ćemo odrediti<br />
naknadno u sklopu razmatranja intervala pouzdanosti. Također je interesantno pitanje<br />
efikasnosti izvedenih procjena, odnosno da li procjene najbrže konvergiraju pravim<br />
vrijednostima s obzirom na broj mjerenja n.<br />
XY<br />
XX<br />
n<br />
n
Ž. Kurtanjek MVP 2007 51<br />
LINEARNI MODEL S VIŠE ULAZNIH VELIČINA<br />
Izvedeni izrazi (16,17) mogu se proširiti i na modele s više ulaznih veličina ili<br />
na modele koji su linearni a s više parametara. Dva karakteristična primjera su:<br />
statička karakteristika modela s jednom ulaznom i izlaznom veličinom ali opisanom<br />
polinomom m-tog stupnja, ili model sistema s dvije ulazne veličine koje imaju<br />
sinergističko djelovanje i s jednom izlaznom veličinom. Te slučajeve možemo<br />
prikazati slijedećim slikama:<br />
x y<br />
y=P (x)<br />
m<br />
T<br />
pH<br />
μ =μ (T,pH)<br />
Slika 6. Sustavski prikazi linearnih modela s više parametar.<br />
2<br />
m<br />
y = a0<br />
+ a1<br />
⋅ x + a2<br />
⋅ x + Λ am<br />
⋅ x μ = a0<br />
+ a1<br />
⋅T<br />
+ a2<br />
⋅ pH + a3<br />
⋅T<br />
⋅ pH (18)<br />
U primjeru za specifičnu brzinu rasta sinergističko djelovanje obje veličine je<br />
dano o obliku modela produkta temperature i pH, odnosno članom a3 ⋅T ⋅ pH . Oba<br />
modela se mogu opisati formalno na isti način kada se upotrijebe matrične i vektorske<br />
veličine. To ćemo pokazati na slijedeći način. Pretpostavimo da je za svaki od<br />
navedenih primjera provedeno n pokusa i da su rezultati prikazani na slijedeći način:<br />
prvi primjer : drugi primjer:<br />
2<br />
m<br />
yi = a0<br />
+ a1<br />
⋅ xi<br />
+ a2<br />
⋅ xi<br />
+ ..... am<br />
⋅ xi<br />
μi<br />
= a0<br />
+ a1<br />
⋅Ti<br />
+ a2<br />
⋅ pHi<br />
+ a3<br />
⋅Ti<br />
⋅ pHi<br />
i = 1,....<br />
n i = 1,....<br />
n<br />
ili, za svako mjerenje mogu se napisati slijedeće relacije:<br />
y<br />
y<br />
n<br />
n<br />
2<br />
n<br />
m<br />
m<br />
m<br />
m<br />
1<br />
y = a + a ⋅ x + a ⋅ x + ..... a ⋅ x<br />
1<br />
2<br />
0<br />
m<br />
2<br />
= a + a ⋅ x + a ⋅ x + .... a ⋅ x<br />
0<br />
m<br />
n<br />
= a + a ⋅ x + a ⋅ x + .... a ⋅ x<br />
0<br />
1<br />
1<br />
1<br />
1<br />
2<br />
2<br />
2<br />
2<br />
2<br />
1<br />
2<br />
2<br />
μ = a + a ⋅T<br />
+ a ⋅ pH + a ⋅T<br />
⋅ pH<br />
μ = a + a ⋅T<br />
+ a ⋅ pH + a ⋅T<br />
.......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ...<br />
Napišimo navedene relacije u matričnom obliku:<br />
1<br />
2<br />
μ = a + a ⋅T<br />
+ a ⋅ pH + a ⋅T<br />
⋅ pH<br />
n<br />
0<br />
0<br />
0<br />
1<br />
1<br />
1<br />
1<br />
2<br />
n<br />
2<br />
2<br />
2<br />
1<br />
2<br />
n<br />
3<br />
3<br />
3<br />
1<br />
2<br />
n<br />
μ<br />
1<br />
n
Ž. Kurtanjek MVP 2007 52<br />
⎛ y1<br />
⎞ ⎛ 1<br />
⎜ ⎟ ⎜<br />
⎜ y2<br />
⎟ ⎜ 1<br />
⎜ ⎟ =<br />
...<br />
⎜<br />
⎜ ⎟ ⎜<br />
.....<br />
⎜ ⎟ ⎜<br />
⎝ yn<br />
⎠ ⎝ 1<br />
x<br />
x<br />
1<br />
2<br />
.....<br />
x<br />
n<br />
.....<br />
......<br />
.......<br />
.....<br />
m<br />
x ⎞ ⎛ a 1 0 ⎞<br />
⎟ ⎜ ⎟<br />
m<br />
x ⎟ ⎜ a 2 1 ⎟<br />
⎟ ⋅<br />
....<br />
⎜.....<br />
⎟<br />
⎟ ⎜ ⎟<br />
m<br />
x ⎟ ⎜ ⎟<br />
⎠ ⎝ a n m ⎠<br />
⎛ μ1<br />
⎞ ⎛ 1<br />
⎜ ⎟ ⎜<br />
⎜ μ2<br />
⎟ ⎜ 1<br />
⎜ ⎟ =<br />
..... ⎜....<br />
⎜ ⎟ ⎜<br />
⎜ ⎟ ⎜<br />
⎝ μn<br />
⎠ ⎝ 1<br />
T<br />
T<br />
1<br />
2<br />
....<br />
T<br />
n<br />
pH<br />
pH<br />
1<br />
2<br />
......<br />
pH<br />
n<br />
T1<br />
⋅ pH1<br />
⎞ ⎛a0<br />
⎞<br />
⎟ ⎜ ⎟<br />
T1<br />
⋅ pH1<br />
⎟ ⎜ a1<br />
⎟<br />
⎟ ⋅<br />
.......... ⎜a<br />
⎟<br />
2 ⎟ ⎜ ⎟<br />
T ⋅ pH ⎟ ⎜ ⎟<br />
n n ⎠ ⎝ a3<br />
⎠<br />
(19)<br />
Oba sustava jednadžbi (19) možemo prikazati na jedinstveni način, ako produkt<br />
matrice X koja sadrži rezultate mjerenja ulaznih veličina i vektora parametara modela<br />
a izjednačimo s vektorom podataka izlazne veličine y:<br />
y = X ⋅ a<br />
(20)<br />
Sustav jednadžbi nije moguće riješiti tako da je jednakost zadovoljena, zato jer je broj<br />
jednadžbi n veći od broja nepoznanica m, n >> m. Za određenu vrijednost parametara<br />
možemo odrediti razliku između vektora izlazne veličine i vrijednosti dobivenih iz<br />
modela. Ta razlika je vektor prividnih pogrešaka:<br />
∆ = y − X ⋅ a<br />
(21)<br />
Varijancu odredimo skalarnim množenjem vektora prividnih pogrešaka:<br />
s<br />
2<br />
1<br />
=<br />
n<br />
s<br />
⋅<br />
1<br />
n<br />
T<br />
T<br />
T<br />
( ∆) ⋅ ∆ = ⋅ ( y − X ⋅ a)<br />
⋅ ( y − X ⋅a)<br />
= ⋅ e ⋅ e<br />
s<br />
gdje je ns broj stupnjeva slobode, u prvom primjeru ns = n-m a u drugom je ns = n-4.<br />
Najbolja procjena parametara je ona koja minimizira varijancu (22). Kao i za slučaj<br />
pravca, i sada je nužan i dovoljan uvjet minimuma da su derivacije jednake nuli:<br />
∂ 2<br />
s =<br />
∂ a<br />
Izraz (22) deriviramo implicitno, kao derivaciju kvadrata funkcije:<br />
Izračunamo derivaciju i uvrstimo:<br />
0<br />
∂ 2 2 ⎛ ∂ e ⎞<br />
s = ⋅ ⋅ e<br />
a n<br />
⎜<br />
s a<br />
⎟<br />
∂ ⎝ ∂ ⎠<br />
T<br />
( y − X ⋅ ) = 0<br />
− X ⋅ a<br />
T<br />
U izrazu (25) izostavili smo konstantan faktor ns jer ne utječe na rezultat kada se<br />
derivacije izjednače s nulom.<br />
Nakon množenja dobije se:<br />
1<br />
n<br />
s<br />
(22)<br />
(23)<br />
(24)<br />
(25)
Ž. Kurtanjek MVP 2007 53<br />
T<br />
T<br />
− X ⋅ y + X ⋅ X ⋅ a = 0<br />
Razdvojimo nepoznanice od poznatih podataka:<br />
X<br />
T<br />
(26)<br />
T<br />
⋅ X ⋅ a = X ⋅ y<br />
(27)<br />
Sustav linearnih jednadžbi (27) ima jednoznačno rješenje, pretpostavivši da matrica<br />
XTX nije singularna. Rješenje je najbolja (nepristrana i učinkovita) procjena pravih<br />
parametara modela:<br />
a =<br />
T −1 T<br />
( X ⋅ X ) ⋅ X ⋅ y<br />
Nepristranost procjene nismo dokazali, ali možemo prihvatiti pretpostavku da<br />
je osigurana eliminacijom grubih i sistematskih pogreška. Maksimalna učinkovitost<br />
(brzina konvergencije) procjene također nije dokazana, mogli bi to pokazati<br />
usporedbom konvergencije s ostalim mogućim metodama procjene. Rješenje (28)<br />
nalazi se u standardnim kompjutorskim programima za rad s tabelama ("work sheet")<br />
kao što su EXCEL, Wolfram Research Mathematica, Statistica.<br />
Matrica kovarijance parametara određena je produktom.<br />
(28)<br />
T<br />
C = X ⋅ X<br />
(29)<br />
Standardne devijacije procijenjenih paprametara proporcionalne su dijagonalnim<br />
elementima matrice kovarijance C i procijenjene standardne devijacije zavisne<br />
veličine y:<br />
( α i ) = σ ( y) ⋅ Cii<br />
≅ s(<br />
y)<br />
⋅ Cii<br />
σ ˆ (30)