ZASTOSOWANIE TESTÓW STATYSTYCZNYCH DO DETEKCJI ZAKŁÓCEŃ IMPULSOWYCH W SYGNAŁACH FONICZNYCH
|
|
- Adrian Brzeziński
- 4 lat temu
- Przeglądów:
Transkrypt
1 Krzysztof Cisowski Politechnika Gdańska, Wydział ETiI Katedra Systemów Automatyki, ul. G. Narutowicza 11/12, Gdańsk, 24 Poznańskie Warsztaty Telekomunikacyjne Poznań 9-1 grudnia 24 ZASTOSOWANIE TESTÓW STATYSTYCZNYCH DO DETEKCJI ZAKŁÓCEŃ IMPULSOWYCH W SYGNAŁACH FONICZNYCH Streszczenie: Artykuł poświęcony jest omówieniu opartej o testy statystyczne metody detekcji zakłóceń impulsowych występujących w sygnałach fonicznych. We wstępie scharakteryzowano ogólnie zasadę działania parametrycznych detektorów zniekształceń. Następnie omówiono podstawowe rodzaje zakłóceń impulsowych typowych dla archiwalnych i współczesnych sygnałów fonicznych. Szczegółowo przedstawiono podstawy teoretyczne parametrycznych detektorów cyfrowych. Omówiono ideę wykorzystania testów statystycznych do detekcji zakłóceń impulsowych. Na koniec przedstawiono wyniki doświadczalne, w których dokonano porównania własności zaproponowanego algorytmu z metodą opartą o analizę wariancji sygnałów. 1. WSTĘP W artykule omówiono nową parametryczną metodę detekcji zakłóceń impulsowych sygnałów fonicznych wykorzystującą własności statystyczne analizowanych sygnałów. Metoda pozwala na wykrywanie zakłóceń powstających w analogowych torach fonicznych, w których zniekształcenia mają charakter pojedynczych impulsów, grup impulsów lub zakłóceń o złożonym charakterze. W proponowanym algorytmie zakłada się, że sygnał foniczny {} jest lokalnie stacjonarnym procesem autoregresyjnym (AR) rzędu p. Sygnał {} poddawany jest wstępnej filtracji za pomocą filtru analizującego (wybielającego) o współczynnikach równych parametrom modelu AR. Otrzymany sygnał błędów resztowych {e(t)} ma w porównaniu z {} zmniejszoną wartość stosunku sygnał/szum, dzięki czemu nieciągłości wprowadzane do sygnału przez zakłócenia impulsowe są bardziej wyeksponowane łatwiejsze do wykrycia. Proces detekcji zniekształceń w {e(t)} polega na porównaniu amplitudy chwilowej sygnału z pewną wartością progową, ustalaną w sposób zależny od zastosowanego algorytmu detekcji. Sygnał błędów resztowych uzyskany w procesie dekorelacji (wybielania) {} ma charakter szumu białego o nieznanym rozkładzie prawdopodobieństwa. Stosując dodatkowe założenie o gaussowskim charakterze szumu wejściowego {n(t)} formującego {} można przyjąć, że {e(t)} ma rozkład zbliżony do rozkładu normalnego. W dotychczasowych pracach autora (patrz [5], [2]) zakładano, że {n(t)} a tym samym {e(t)} mają rozkład gaussowski oraz poziom odniesienia detektora ustalany był jako wartość chwilowa oszacowania średniego odchylenia standardowego σ 2 n (t) sygnału {n(t)} ( σ 2 n(t) wariancja {n(t)}). W proponowanym rozwiązaniu brak jest założeń o gaussowskim charakterze {n(t)} (i {e(t)}). Nieznany rozkład prawdopodobieństwa sygnału błędów resztowych jest estymowany za pomocą histogramu. W oparciu o oszacowanie rozkładu prawdopodobieństwa ustalane są dwa progi detekcji: dolny i górny. Progi te odpowiadają wartościom krytycznym z d oraz z g testu statystycznego, w którym dla danego poziomu istotności α weryfikowane są dwie hipotezy dotyczące przynależności (lub jej braku) poszczególnych próbek {e(t)} do zbioru próbek nadmiarowych. Hipoteza zerowa H o mówi, że w chwili t i dana próbka sygnału e(t i ) nie jest nadmiariowa (z d e(t i ) z g z prawdopodobieństwem równym 1 α) a hipoteza alternatywna H 1 zakłada, że e(t i ) jest nadmiarowa - zawiera zakłócenie impulsowe (e(t i ) > z g lub e(t i ) < z d z prawdopodobieństwem równym α). W trakcie weryfikacji hipotez można popełniać dwa błędy: błąd I rodzaju gdy niezakłócona impulsowo próbka sygnału (próbka dobra ) zostanie uznana za zakłóconą lub błędy II rodzaju - gdy próbka zakłócona impulsowo zostanie potraktowana jako próbka dobra. Ponieważ zakłada się dodatkowo, że sygnał {} a tym samym {e(t)} jest lokalnie stacjonarnym procesem losowym, estymacja rozkładu prawdopodobieństwa oraz wyznaczanie wartości krytycznych z d oraz z g przeprowadza się dla poszczególnych przedziałów stacjonarności. W proponowanym rozwiązaniu stosowane jest blokowe przetwarzanie danych, w którym dla ustalonego rozmiaru segmentu (odpowiadającego długości przedziału stacjonarności) sygnał {} dzielony jest na jednakowe bloki, w których wyznaczane są: parametry modelu AR, sygnał błędów resztowych oraz histogram {e(t)}. Dla przyjętego poziomu istotności obliczane są wartości z d oraz z g. Wszystkie próbki {e(t)} należące do danego bloku danych są porównywane z wartościami progowymi. Wyniki porównania zapisywane są w specjalnym pliku, w którym jedynymi niezerowymi danymi są te, których indeksy odpowiadają próbkom nadmiarowym. Próbki zakwestionowane przez detektor w chwili t i zapisywane są PWT 24, Poznań 9-1 grudnia 24 1
2 w postaci e(t i ) z d gdy e(t i ) < z d lub e(t i ) z g gdy e(t i ) > z g. Lokalny histogram sygnału obliczany jest w oparciu o stosunkowo niewielką liczbę danych. Uzyskiwane przybliżenia rozkładu prawdopodobieństwa mają zatem niedoszacowane tzw. ogony, czyli fragmenty rozkładu odpowiadające bardzo mało prawdopodobnym wartościom e(t) (wartościom sygnału dużo mniejszym od z d oraz dużo większym od z g ). Wartości krytyczne wyznaczane na podstawie histogramu są zbyt pesymistyczne (z d powinno być nieco mniejsza a z g powinno byś nieco większe). Na skutek powyższej własności część próbek sygnału {e(t)} o lokalnie największych poziomach lokuje się w obszarze odrzuceń hipotezy H o i jest traktowana jako zakłócenie impulsowe. Algorytm detekcji próbek nadmiarowych musi zatem zawierać drugi etap, w którym analizowany jest plik z wynikami detekcji uzyskanymi w pierwszym etapie: wartości bliskie zeru traktowane są jako błędy pierwszego rodzaju i wskazania tych danych są usuwane z pliku detektora. Ostatecznie tworzony jest drugi plik detektora zawierający zero-jedynkową informację o próbkach nadmiarowych 1 zakłócenie, brak zakłócenia. 2. TYPY ZAKŁÓCEŃ IMPULSOWYCH Zakłócenia impulsowe występujące w sygnałach fonicznych można klasyfikować na wiele sposobów (odpowiednie przykłady można znaleźć w pracach [2] oraz [6]). Jednym z kryteriów podziału może być rodzaj toru akustycznego, w którym sygnał foniczny jest transmitowany bądź przetwarzany Zakłócenia impulsowe powstające w analogowych torach fonicznych Najbardziej charakterystycznymi zakłóceniami występującymi w analogowych torach fonicznych są zniekształcenia pojawiające się przy odczycie gramofonowych nagrań fonicznych. Mechaniczne urządzenie odczytujące (igła gramofonowa) napotkawszy uszkodzenie rowka płyty, wytwarza w przetworniku mechaniczno-elektrycznym impuls elektryczny. Wielkość oraz kształt impulsu uzależnione są od stopnia uszkodzenia rowka (rozmiaru nieciągłości nośnika). Zakłócenia tego typu można podzielić na pojedyncze impulsy (lub grupy pojedynczych impulsów) oraz impulsy złożone (przejściowe) t [num. próbek] Rys. 1: Przebieg czasowy przykładowo wybranego fragmentu nagrania muzycznego zarejestrowanego na płycie gramofonowej zawierającego kilka pojedynczych zakłóceń impulsowych. Pojedyncze impulsy o czasie trwania do 1 ns (wg. [4]) lub grupy pojedynczych impulsów o łącznym czasie trwania od kilkuset ns do 3 ms (wg. [6]) stanowią podstawowy rodzaj zakłóceń impulsowych pojawiających się w sygnałach otrzymanych przy odczycie gramofonowych nagrań fonicznych. Pojedyncze impulsy składają się z kilku do kilkunastu próbek i mają najczęściej kształt taki jak na Rys. 1. Zakłócenia tego typu można traktować jako odpowiedź impulsową analogowego kanału transmisyjnego, przez który przesłano zakłócenia w postaci zmodulowanej amplitudowo delty Kroneckera ( δ(t)= { 1 dla t = dla t ) t Rys. 2: Przykład zakłócenia impulsowego przejściowego wg. [6] (Oś t numery próbek). Impulsy złożone (przejściowe) różnią się od pojedynczych impulsów dłuższymi czasami trwania, większą energią, innym rozkładem energii w widmie (składowe niskoczęstotliwościowe dominują) oraz rzadszym występowaniem. Budowa impulsu złożonego to najczęściej krótki, o stromych zboczach impuls początkowy oraz następujące po nim zanikające niskoczęstotliwościowe oscylacje. Dobrym przykładem impulsu złożonego jest sygnał uzyskany w wyniku odtwarzania na gramofonie płyty analogowej posiadającej głęboką rysę. Fizyczna nieciągłość nośnika powoduje, że igła systemu odczytującego po chwilowej utracie kontaktu z powierzchnią nośnika uderza z dużą siłą w przeciwległy brzeg rysy i kontynuuje odtwarzanie przerwanego rowka płyty. Kształt impulsu wynika z własności elektro mechanicznych układu odczytującego. W pierwszej fazie jest to odpowiedź układu na nieciągłość nośnika, a w drugiej wynik występowania rezonansów własnych (zanikające oscylacje nałożone w sposób addytywny na sygnał). Czas trwania fazy pierwszej wynosi 1 5 ms a fazy drugiej jest dłuższy i wynosi do 5 ms [6]. Przykład zakłócenia impulsowego przejściowego zamieszczono na Rys Zakłócenia impulsowe powstające w cyfrowych torach fonicznych Zakłócenia impulsowe generowane przez cyfrowe tory foniczne związane są z błędami numerycznymi powstającymi w wyniku przesyłania, przetwarzania, bądź przechowywania zakodowanych cyfrowo sygnałów fonicznych. 2 2 x 1 4 a) b) c) t Rys. 3: Przykłady kilku rodzajów cyfrowych zakłóceń impulsowych. (Oś t numery próbek). PWT 24, Poznań 9-1 grudnia 24 2
3 Przykładami źródeł zakłóceń cyfrowych mogą być: obcinanie próbek sygnału w przetworniku analogowo-cyfrowym po przekroczeniu dozwolonego poziomu amplitudy (Rys. 3a), błędy numeryczne algorytmów przetwarzania sygnałów (Rys. 3b), utrata bloków próbek w trakcie transmisji danych (brakujące próbki zastępowane są najczęściej zerami - Rys. 3c) itp. Cechą charakterystyczną jest to, że na raz powstałe zakłócenia w żaden sposób nie oddziaływują dalsze elementy cyfrowego toru fonicznego. 3. CYFROWY PARAMETRYCZNY DETEKTOR ZAKŁÓCEŃ IMPULSOWYCH Detektory parametryczne wykorzystują w procesie detekcji modelowanie sygnałów zakłócenia impulsowe poszukiwane są nie w samym sygnale {}, lecz w sygnale błędów modelowania {e(t)}. Wykorzystywane jest przy tym spostrzeżenie, że proces rózniczkowania sygnału fonicznego (na ogół silnie wewnętrznie skorelowanego) powoduje znaczne uwypuklenie nieciągłości wprowadzanych do sygnału przez zakłócenia impulsowe. Operacja różniczkowania odpowiada dekorelacji lub widmowemu wybielaniu sygnału, stąd zastosowanie metod dekorelacji opartych o modelowanie daje poprawę wykrywalności zakłóceń. W dotychczas stosowanych przez autora rozwiązaniach opisanych w [1], [2], [3] oraz [5] wykorzystywane były modele AR. Przyjmijmy, że zakłócony impulsowo sygnał foniczny {} opisany jest zależnościami: s(t) = a j s(t j) + n(t), = s(t) + z(t), (1) gdzie a j, j = 1,..., p, oznaczają wartości współczynników AR, {s(t)} jest niezakłóconym sygnałem fonicznym, {n(t)} to szum wejściowy (o wartści oczekiwanej m n = i wariancji σn 2 < ) formujący sygnał {s(t)}, a z(t) = A δ(t t ) jest sygnałem zawierającym zakłócenie impulsowe o amplitudzie A pojawiające się w chwili t. Poddając sygnał {} filtracji odwrotnej za pomocą filtru analizującego o skończonej odpowiedzi impulsowej (FIR), którego współczynnikami są parametry a j, j = 1,..., p, otrzymuje się sygnał błędów resztowych {e(t)} o wartści oczekiwanej m e = i wariancji σe 2 < wyrażony równaniem: e(t) = a j y(t j) (2) = s(t)+z(t) a j (s(t j)+ z(t j)). Korzystając z zależności n(t) = s(t) p a js(t j) równanie (2) można zapisać w postaci: e(t) = n(t) + z(t) a j z(t j) (3) = n(t) + z(t) + z (t), gdzie z (t) = A h(t t 1), przy czym h(t) = p a jδ(t j) jest odpowiedzią impulsową filtru analizującego. Składnik z (t) jest więc sygnałem zawierającym rozmyty przez filtr wybielający pojedynczy impuls zakłócenia. Pojawia się on tuż za impulsem pierwotnym wydłużając czas trwania zakłócenia o p okresów próbkowania. W chwili t sygnały y(t ) oraz e(t ), są równe odpowiednio ( z (t ) = ): e(t ) = n(t ) + A, y(t ) = s(t ) + A, (4) przy czym n(t ) s(t ). Jeśli w próbce sygnału y(t ) poziom zakłócenia A jest porównywalny z poziomem s(t ) (detekcja takiego zakłócenia byłaby trudna lub wręcz niemożliwa), w e(t ) dominującym składnikiem jest zakłócenie, gdyż n(t ) A. Jak widać w chwili t zakłócenie w sygnale {e(t)} ma znacznie wyższy względny poziom niż w sygnale {}, stąd detekcja zakłócenia w {e(t)} jest łatwiejsza. Przez p chwil czasu następujących po chwili t = t zależność (3) przyjmuje postać e(t) = n(t) A a t t, t = t +1,..., t +p, podczas gdy (1) wyraża się równaniem = s(t), t = t + 1,..., t + p. Sygnał {e(t)} zawiera zatem składniki, których odpowiedniki nie występują w sygnale {}. Powstałe zaburzenie może powodować fałszywe alarmy detektora, a w szczególności wydłużanie czasu wskazań obecności zakłócenia. Powyższe wnioski bardzo łatwo można przenieść na przypadek, gdy impuls zakłócenia składa się z M próbek występujących się w sygnale {z(t)} od chwili t = t, tj. z(t) = M 1 i= A i δ(t (t i)). Impuls taki po przejściu przez filtr analizujący o odpowiedzi impulsowej h(t) ulegnie rozmyciu. W sygnale {e(t)} jego przetransformowane składniki będą występowały przez p + M chwil czasu w przedziale t=t,..., t + p +M 1. Niezniekształcona będzie jedynie pierwsza próbka zakłócenia o amplitudzie A występująca w chwili t = t (patrz pierwsze z dwóch równań (4)). Poprawa wykrywalności pierwszej próbki zakłócenia złożonego z wielu impulsów jest taka sama, jak zakłócenia składającego się z impulsu pojedynczego (porównaj (4)). Pewne zniekształcenie kolejnych M 1 próbek zakłócenia nieco ten stan pogarsza, jednak nadal zakłócenie takie łatwiej jest wykryć w sygnale {e(t)} niż {}. Pewien problem mogą stanowić dodatkowe próbki z przedziału t = t +M 1,..., t +p+m 1, których odpowiedniki nie występują w sygnale {}. Często powodują one niepotrzebne wydłużanie czasu wskazań obecności zakłócenia. Detekcja zakłóceń impulsowych w sygnale błędów resztowych {e(t)} oparta jest na założeniu, że PWT 24, Poznań 9-1 grudnia 24 3
4 szum wejściowy {n(t)} jest gaussowskim procesem losowym.próbki {e(t)} są segregowane do dwóch wzajemnie rozłącznych zbiorów: danych niezakłóconych oraz zakłóconych próbek nadmiarowych. Klasyfikacja sygnału przeprowadzana jest w oparciu o znaną ze statystyki regułę 3σ, w myśl której w danej chwili czasu t i sygnał e(t i ) reprezentuje zakłócenie impulsowe, gdy spełniony jest warunek: e(t i ) > 3 σ n (t i ). (5) gdzie σ n (t i ) = σ n(t 2 i ), σ n(t 2 i ) jest oszacowaniem wariancji szumu wejściowego w chwili t i. Warunek ten oznacza, że próbka e(t i ) traktowana jest jako zakłócona impulsowo, gdy przekracza poziom osiągany przez {n(t)} z bardzo małym prawdopodobieństwem, mniejszym od,3 [5]. Warunek powyższy można również opisać na gruncie teorii weryfikacji hipotez statystycznych. W związku z tym formułujemy hipotezę zerową H mówiącą, ze poziom próbki e(t i ) jest niewielki, tylko nieznacznie różni się od zera (wariancja szumu wejściowego jest niewielka ) oraz hipotezę alternatywną H 1 zakładającą, że wartość e(t i ) jest nadmiarowa dużo większa od zera. W procesie detekcji zakłóceń dokonujemy weryfikacji powyższych hipotez starając się, dla przyjętego poziomu istotności α =,3, odrzucić hipotezę zerową H na rzecz hipotezy alternatywnej. Obszar odrzuceń H wyznaczają wartości krytyczne z d oraz z g, będące odpowiednio dolnym i górnym progiem detekcji. W przypadku rozkładu normalnego dla α =,3 progi przyjmują wartości z d = 3 σ n (t i ) oraz z g = 3 σ n (t i ). Jak można zauważyć symetria rozkładu gaussowskiego sprawia, że moduły wartości krytycznych są sobie równe. W ogólnym przypadku można wybrać inną wartość poziomu istotności α ( < α < 1), odpowiednie progi detekcji można wówczas wyznaczyć w oparciu o tablice rozkładu normalnego. W tym celu dla wielkości α/2 (rozkład gaussowski jest symetryczny) odczytujemy wartość krytyczną z kr. Odpowiednie progi detekcji wyznaczamy zgodnie z zależnościami: z d = z kr σ n (t i ), z g = z kr σ n (t i ). Jak wiadomo w trakcie detekcji zakłóceń impulsowych pojawiają się błędne wskazania detektora. Jeśli niezakłócona próbka sygnału zostanie mimo wszystko uznana za zakłóconą, tzn. gdy w sposób nieuprawniony odrzucimy H na rzecz H 1, popełnimy błąd I rodzaju. Z kolei przyjmując H, gdy dana jest fałszywa, tzn. traktując próbkę zakłóconą impulsowo jako dobrą, popełnimy błąd II rodzaju. Liczba niewłaściwych wskazań detektora zależy od stopnia separacji w sygnale błędów predykcji próbek dobrych i zakłóconych. Separacja ta zależy głownie od własności korelacyjnych oraz stacjonarności samego sygnału {} a następnie od stopnia wybielenia {e(t)} jak również intensywności zakłóceń. Pierwszy z warunków jest od nas niezależny i sprawia, że jeśli sygnał jest słabo skorelowany wewnętrznie, ma cechy sygnału szumopodobnego, proces wybielania nie uwypukli dodatkowo zakłóceń. Szansę bezbłędnego wykrycia będą miały jedynie zniekształcenia wyraźnie górujące nad sygnałem. Trzeci z warunków ma znaczenie, gdy sygnał jest silnie wewnętrznie skorelowany, np. ma widmo prążkowe (wieloton harmoniczny + szum) a filtr wybielający ma błędnie wyznaczone parametry lub zbyt niski rząd, mniejszy od rzędu autoregresji procesu losowego. Wówczas filtracja odwrotna tylko nieznacznie lub wcale nie uwypukla zakłóceń. Efektywność detekcji jest wówczas podobna, jak w przypadku sygnału szumopodobnego. Duży problem dla prawidłowej detekcji zakłóceń stanowią sygnały niestacjonarne, których charakterystyki szybko zmieniają się w czasie, np. wibrowany dźwięk skrzypiec. Flitr analizujący o uśrednionych współczynnikach będzie dawał taki sam skutek jak filtr o błędnie wyznaczonych parametrach. Problem ten można rozwiązać stosując adaptacyjne algorytmy identyfikacji (patrz [5], [2]). Intensywność zakłóceń impulsowych również może wpływać na liczbę błędnych decyzji detektora. Jeśli w silnie wewnętrznie skorelowanym sygnale pojawią się grupy blisko następujących po sobie zakłóceń, charakter sygnału może ulec lokalnemu zaburzeniu. Składnik szumowy może zdominować pozostałe składowe sygnału. Lokalne oceny parametrów ulegną znaczącym zmianom, co będzie miało wpływ na pracę detektora tuż po ustaniu zakłócenia. Lokalne oceny wariancji wzrosną uniemożliwiając wykrycie wielu rzeczywistych zakłóceń. Do wyznaczenia oszacowania wariancji szumu wejściowego σ 2 n(t) należy wykorzystać sygnał e(t). W pracy [1] zaproponowano dwa typy estymatorów rekurencyjnych. Pierwszy z nich jest oparty na prostym modelu ważenia wykładniczego a drugi na modelu średniej ruchomej. Obydwie metody zostały zmodyfikowane w ten sposób, aby estymacja wariancji odbywała się z pominięciem próbek nadmiarowych. Kolejne wartości {e(t)} są wykorzystywane do uaktualnienia σ 2 n(t) tylko wtedy, gdy przejdą pomyślnie weryfikację za pomocą detektora zakłóceń impulsowych (tzn. jeśli w stosunku do nich nie zostanie odrzucona hipoteza H na rzecz H 1 ). W niniejszej pracy omawiany jest algorytm detekcji zakłóceń impulsowych w wersji blokowej. Zaproponowano zatem blokowy algorytm estymacji σ 2 n(t) posiadający wyżej wspomnianą zaletę algorytmów rekurencyjnych. Dane dzielone są na bloki o długościach M próbek, gdzie M T (T okres próbkowania) jest czasem trwania przedziału lokalnej stacjonarności sygnału. Przyjmując określoną wartość poziomu istotności α, któremu odpowiada odczytana z tablic rozkładu normalnego wartość krytyczna z kr, oszacowanie wariancji szumu wejściowego dla i-tego bloku danych oblicza się zgodnie z procedurą: Ustaw wartość początkową indeksu pomocniczego I p =. Zmieniaj indeks j w przedziale < 1, M > i wykonuj operacje: PWT 24, Poznań 9-1 grudnia 24 4
5 Na rys. 4 porównano efekty działania proponowanego algorytmu detekcji z metodą opartą o analizę wariancji sygnału (wykorzystującą założenie o gaussowskim charakterze sygnału). Rys. 4 a) zawiera wykres sygnału {} posiadającego kilka zakłóceń w postaci impulsów prostych. Jest to zapisany cyfrowo fragment nagrania pochodzącego z płyty analogowej kwartet smyczkowy. Sygnał przetwarzany był blokowo, rozmiar bloku M = 256 próbek. Na rys. 4 b) pokazano efekty uzyskane po zastosowaniu filtracji odwrotnej, filtrem o współczynnikach równych parametrom modelu AR rzędu p = 1 (do identyfikacji modelu zastosowano metodę Burga). Jak można zauważyć zakłócenia uległy uwypukleniu stosunek sygnał/szum uległ zmniejszeniu. Na wykresie zaznaczono również progi detekcji wyznaczone poprzez analizę wariancji poziome linie schodkowe. Do estymacji wariancji zastosowano opisaną wcześniej metodę blokową z poziomem istotności α w =,5 (z krw = 2,81). Progi detekcji ustalono dla poziomu istotności α d =,2 (z krd = 3,71). Rys. 4 c) zawiera zero-jedynkowy sygnał wyjściowy detektora wariancyjnego {d w (t)}. Na rys. 4 d) znajduje się sy jeżeli e(j) z kr σ n (i 1) lub j = 1 I p = I p + 1, Oblicz wariancję w i-tym bloku: c(i p ) = e(j). Ip ( σ n(i) 2 = c2 Ip (j) c(j) ) 2, I p I p gdzie wielkość c = [c 1 (t),..., c M (t)] T jest pomocniczym wektorem o długości M służącym do przechowywania wartości e(t). Jak można zauważyć, kolejne wartości sygnału {e(t)} są uwzględniane w obliczeniach tylko wtedy, gdy ich poziom nie przekracza przyjętej wielokrotności oszacowania wariancji obliczonego dla poprzedniego bloku danych i DETEKCJA ZAKŁÓCEŃ IMPULSO- WYCH Z WYKORZYSTANIEM TESTÓW STATYSTYCZNYCH W dotychczasowych rozważaniach zakładano, że sygnał {e(t)} (a tym samym {}) jest procesem gaussowskim. Praktyka pokazuje, że założenie takie jest błędne. W wielu wypadkach najprostszy test polegający na obserwacji wzrokowej przebiegu czasowego {e(t)} pozwala zauważyć asymetrię rozkładu prawdopodobieństwa sygnału (np. wartości dodatnie pojawiają się częściej niż ujemne), świadczącą o niezerowych nieparzystych momentach procesu losowego. W takich sytuacjach należy domniemywać, że sygnał {e(t)} nie jest procesem gaussowskim, gdyż jak wiadomo dla rozkładu normalnego wartości nieparzystych momentów są równe zeru. W ogólnym przypadku proces wyznaczania progów detekcji (wartości krytycznych z d oraz z g ) powinien być oparty o rzeczywisty, lecz nieznany rozkład prawdopodobieństwa sygnału. W proponowanym rozwiązaniu lokalne oszacowanie rozkładu prawdopodobieństwa wyznaczane jest przy wykorzystaniu histogramu obliczanego dla przedziału lokalnej stacjonarności sygnału. Progiem dolnym z d jest największa wartość sygnału {e(t)}, dla której całka histogramu liczona w przedziale całkowania < e min, z d > jest mniejsza od połowy przyjętego poziomu istotności α/2, gdzie e min jest najmniejszą wartością osiąganą przez sygnał w analizowanym bloku danych. Progiem górnym z g jest natomiast najmniejsza wartość {e(t)}, dla której całka histogramu liczona w przedziale całkowania < z g, e max > jest mniejsza od połowy przyjętego poziomu istotności α/2, gdzie e max jest największą wartością osiąganą przez sygnał w analizowanym bloku danych. Histogram jest tylko dosyć zgrubnym oszacowaniem nieznanego rozkładu prawdopodobieństwa sygnału, w szczególności nie zawiera tzw. ogonów rozkładu (w kierunku oraz ) informujących o prawdopodobieństwach występowania bardzo wielkich i bardzo małych wartości {e(t)}. Jak można się domyślać, skrajne wartości sygnału praktycznie nie występują w stosunkowo mało liczebnym bloku danych. Progi detekcji wyznaczone wyżej opisaną metodą są przeszacowane - z d lub niedoszacowane - z g. Konsekwencją tego zjawiska jest generowanie przez detektor dużej liczby błędów pierwszego rodzaju część próbek dobrych o lokalnie dużych amplitudach uznawana jest za zakłócenie. Konieczne jest zatem wprowadzenie drugiego etapu detekcji służacego do wyeliminowania jak największej liczby błędnych wskazań detektora. W proponowanej metodzie tworzony jest pomocniczy plik danych {d(t)}, zawierający informacje o momentach występowania zakłóceń t i, zakodowaną zgodnie z regułą: d(t) = gdy z d e(t i ) z g e(t i ) z d gdy e(t i ) < z d e(t i ) z g gdy e(t i ) > z g Jak można zauważyć sygnał {d(t)} jest niezerowy tylko w momentach wykrycia zakłóceń. Próbki d(t i ) są równe wartościom e(t i ) pomniejszonym o odpowiednie progi detekcji z d lub z g. Z zasady tworzenia histogramu oraz zastosowanego sposobu obliczania wartości krytycznych wynika, że większość danych {d(t)} o relatywnie małych amplitudach będzie odpowiadała fałszywym wykryciom detektora. Analizując sygnał {d(t)} z odpowiednio dobranymi progami detekcji z sd oraz z sg, można odrzucić błędne wskazania detektora. Dobór wartości z sd i z sg najlepiej jest przeprowadzić dla danego sygnału {e(t)} metodą doświadczalną. Liczne eksperymenty wykazały jednak, że w wielu przypadkach dobre rezultaty selekcji danych można uzyskać stosując następujące podstawienia: z sd = zd oraz z sg = zg Z zależności tej wynika, że stosując detekcję jednoetapową należałoby dodatkowo zwiększyć moduły progów z d i z g o około 1%. 5. WYNIKI DOŚWIADCZALNE PWT 24, Poznań 9-1 grudnia 24 5
6 gnał {e(t)} wraz z zaznaczonymi progami detekcji wyznaczonymi dla poszczególnych bloków danych w oparciu o histogramy obliczone z poziomem istotności α h =,5. Jak widać progi te położone są asymetrycznie względem zera, co świadczy o niegaussowskim charakterze sygnału {e(t)}. Rys. 4 e) to sygnał zero-jedynkowy {d h1 (t)} uzyskiwany po pierwszym etapie detekcji. Widać w nim bardzo wiele wykryć zakłóceń - większość z nich jest błędna. Rys. 4 f) zawiera sygnał {d(t)}, w którym można zauważyć dużą liczbę próbek o małych poziomach. Są to najczęściej dobre próbki sygnału mylnie zakwestionwane przez detektor jako zakłócenia. Zastoswanie drugiego etapu detekcji powoduje odrzucenie większości z nich (zastosowano progi detekcji: z sd =,9z d oraz z sg =,9z g ). Porównanie ostatecznych wyników detekcji (sygnał {d h2 (t)} z rys. 4 g) ) z efektami uzyskanymi metodą opartą o analizę wariancji (sygnał {d w (t)}) pokazuje, że dla rozpatrywanego sygnału obydwie metody dają podobne rezultaty najbardziej istotne zakłócenia zostały wykryte. 6. WNIOSKI KOŃCOWE W pracy omówiono nową metodę wykrywania zakłóceń impulsowych powstających w trakcie transmisji, zapisu i przechowywania analogowych sygnałów fonicznych. Algorytm jest odmianą parametrycznego detektora zakłóceń wykorzystującego model autoregresyjny sygnału. Oparty jest o analizę rozkładów prawdopodobieństw błędów resztowych otrzymywanych na wyjściu filtru analizującego o współczynnikach równych parametrom modelu AR. W algorytmie tym, w odróżnieniu od wcześniej opracowanych przez autora rozwiązań detektorów parametrycznych, brak jest założeń odnośnie gaussowskiego charakteru analizowanych sygnałów fonicznych. Zaproponowany sposób wyznaczania wartości progowych detektora w oparciu o histogram sygnału sprawia, że konieczne jest zastosowanie dwuetapowej metody detekcji. W pracy podano heurystyczną zależność pozwalającą w znacznym stopniu usunąć błędne wskazania detektora pojawiające się w znacznej liczbie po pierwszym etapie detekcji. W dalszych pracach należałoby się skupić na eliminacji drugiej fazy detekcji przez np. zaproponowanie metody estymacji tzw. ogonów funkcji rozkładu prawdopodobieństwa. Opracowany detektor ma dobre własności wykrywania zakłóceń impulsowych w sygnałach fonicznych w szczególności, gdy analizowany sygnał nie jest procesem gaussowskim. SPIS LITERATURY [1] Cisowski K.: Efficiency of impulsive noise detection in audio recordings using the adaptive filtering method. 94th AES Convention, preprint No 3464 (B1-4), Berlin, Germany, [2] Cisowski K.: Adaptacyjna filtracja i rekonstrukcja sygnałów fonicznych. Rozprawa doktorska, Politechnika Gdańska, Gdańsk, 2. [3] Cisowski K.: Detekcja zakłóceń impulsowych w sygnałach fonicznych. VI KKNT Diagnostyka procesów Przemysłowych, DPP 3, Władysławowo, września, 23, str [4] Królewski M.: An electronic circuit for removing impulse noise from analog program. 84th AES Convention, preprint No 2571 (B-5), Paris, [5] Niedźwiecki M., Cisowski K.: Adaptive scheme for elimination of broadband noise and impulsive disturbances from AR and ARMA signals. IEEE Trans. on Signal Processing., vol. 44, no. 3, 1996, str [6] Vaseghi S.V.: Advanced signal processing and digital noise reduction. John Wiley & Sons Ltd. and B. G. Teubner, a) e(t) b) d w (t) c) e(t) d) d h1 (t) e) d(t) f) d h2 (t) g) Rys. 4: Przykład detekcji zakłóceń impulsowych w sygnale fonicznym. Szczegółowy opis wykresów zamieszczono w tekście. Oś pionowa amplituda sygnału, oś pozioma numery próbek. PWT 24, Poznań 9-1 grudnia 24 6
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
Bardziej szczegółowoRÓWNOWAŻNOŚĆ METOD BADAWCZYCH
RÓWNOWAŻNOŚĆ METOD BADAWCZYCH Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska Równoważność metod??? 2 Zgodność wyników analitycznych otrzymanych z wykorzystaniem porównywanych
Bardziej szczegółowoOdchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi
Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska D syst D śr m 1 3 5 2 4 6 śr j D 1
Bardziej szczegółowoIdea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość
Idea Niech θ oznacza parametr modelu statystycznego. Dotychczasowe rozważania dotyczyły metod estymacji tego parametru. Teraz zamiast szacować nieznaną wartość parametru będziemy weryfikowali hipotezę
Bardziej szczegółowo2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Bardziej szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowoWykład 3 Hipotezy statystyczne
Wykład 3 Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu obserwowanej zmiennej losowej (cechy populacji generalnej) Hipoteza zerowa (H 0 ) jest hipoteza
Bardziej szczegółowoPrawdopodobieństwo i rozkład normalny cd.
# # Prawdopodobieństwo i rozkład normalny cd. Michał Daszykowski, Ivana Stanimirova Instytut Chemii Uniwersytet Śląski w Katowicach Ul. Szkolna 9 40-006 Katowice E-mail: www: mdaszyk@us.edu.pl istanimi@us.edu.pl
Bardziej szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X.
STATYSTYKA MATEMATYCZNA WYKŁAD 4 WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. Wysuwamy hipotezy: zerową (podstawową H ( θ = θ i alternatywną H, która ma jedną z
Bardziej szczegółowoPolitechnika Świętokrzyska. Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 8. Filtracja uśredniająca i statystyczna.
Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 8 Filtracja uśredniająca i statystyczna. Cel ćwiczenia Celem ćwiczenia jest zdobycie umiejętności tworzenia i wykorzystywania
Bardziej szczegółowoPodstawy Przetwarzania Sygnałów
Adam Szulc 188250 grupa: pon TN 17:05 Podstawy Przetwarzania Sygnałów Sprawozdanie 6: Filtracja sygnałów. Filtry FIT o skończonej odpowiedzi impulsowej. 1. Cel ćwiczenia. 1) Przeprowadzenie filtracji trzech
Bardziej szczegółowoUwaga. Decyzje brzmią różnie! Testy parametryczne dotyczące nieznanej wartości
TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu, z którego pochodzi próbka. Hipotezy dzielimy na parametryczne i nieparametryczne. Parametrycznymi
Bardziej szczegółowoBłędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie
Bardziej szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Bardziej szczegółowoStatystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( )
Statystyka Rozkład prawdopodobieństwa Testowanie hipotez Wykład III (04.01.2016) Rozkład t-studenta Rozkład T jest rozkładem pomocniczym we wnioskowaniu statystycznym; stosuje się go wyznaczenia przedziału
Bardziej szczegółowoStatystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych
Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej
Bardziej szczegółowoStatystyka. #5 Testowanie hipotez statystycznych. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2016/ / 28
Statystyka #5 Testowanie hipotez statystycznych Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik rok akademicki 2016/2017 1 / 28 Testowanie hipotez statystycznych 2 / 28 Testowanie hipotez statystycznych
Bardziej szczegółowoTeoria błędów. Wszystkie wartości wielkości fizycznych obarczone są pewnym błędem.
Teoria błędów Wskutek niedoskonałości przyrządów, jak również niedoskonałości organów zmysłów wszystkie pomiary są dokonywane z określonym stopniem dokładności. Nie otrzymujemy prawidłowych wartości mierzonej
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoSposoby opisu i modelowania zakłóceń kanałowych
INSTYTUT TELEKOMUNIKACJI ZAKŁAD RADIOKOMUNIKACJI Instrukcja laboratoryjna z przedmiotu Podstawy Telekomunikacji Sposoby opisu i modelowania zakłóceń kanałowych Warszawa 2010r. 1. Cel ćwiczeń: Celem ćwiczeń
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematyczna Anna Janicka wykład IX, 25.04.2016 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Plan na dzisiaj 1. Hipoteza statystyczna 2. Test statystyczny 3. Błędy I-go i II-go rodzaju 4. Poziom istotności,
Bardziej szczegółowoTestowanie hipotez statystycznych
Agenda Instytut Matematyki Politechniki Łódzkiej 2 stycznia 2012 Agenda Agenda 1 Wprowadzenie Agenda 2 Hipoteza oraz błędy I i II rodzaju Hipoteza alternatywna Statystyka testowa Zbiór krytyczny Poziom
Bardziej szczegółowoAnaliza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817
Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817 Zadanie 1: wiek 7 8 9 1 11 11,5 12 13 14 14 15 16 17 18 18,5 19 wzrost 12 122 125 131 135 14 142 145 15 1 154 159 162 164 168 17 Wykres
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoAnaliza regresji - weryfikacja założeń
Medycyna Praktyczna - portal dla lekarzy Analiza regresji - weryfikacja założeń mgr Andrzej Stanisz z Zakładu Biostatystyki i Informatyki Medycznej Collegium Medicum UJ w Krakowie (Kierownik Zakładu: prof.
Bardziej szczegółowoTestowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego
Testowanie hipotez statystycznych związanych ą z szacowaniem i oceną ą modelu ekonometrycznego Ze względu na jakość uzyskiwanych ocen parametrów strukturalnych modelu oraz weryfikację modelu, metoda najmniejszych
Bardziej szczegółowoSTATYKA Z UWZGLĘDNIENIEM DUŻYCH SIŁ OSIOWYCH
Część. STATYKA Z UWZGLĘDNIENIEM DUŻYCH SIŁ OSIOWYCH.. STATYKA Z UWZGLĘDNIENIEM DUŻYCH SIŁ OSIOWYCH Rozwiązując układy niewyznaczalne dowolnie obciążone, bardzo często pomijaliśmy wpływ sił normalnych i
Bardziej szczegółowoW rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:
W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych: Zmienne losowe skokowe (dyskretne) przyjmujące co najwyżej przeliczalnie wiele wartości Zmienne losowe ciągłe
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 4. Testowanie hipotez Estymacja parametrów
STATYSTYKA MATEMATYCZNA WYKŁAD 4 Testowanie hipotez Estymacja parametrów WSTĘP 1. Testowanie hipotez Błędy związane z testowaniem hipotez Etapy testowana hipotez Testowanie wielokrotne 2. Estymacja parametrów
Bardziej szczegółowoVI WYKŁAD STATYSTYKA. 9/04/2014 B8 sala 0.10B Godz. 15:15
VI WYKŁAD STATYSTYKA 9/04/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 6 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI Weryfikacja hipotez ( błędy I i II rodzaju, poziom istotności, zasady
Bardziej szczegółowoHISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =
HISTOGRAM W pewnych przypadkach interesuje nas nie tylko określenie prawdziwej wartości mierzonej wielkości, ale także zbadanie całego rozkład prawdopodobieństwa wyników pomiarów. W takim przypadku wyniki
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoWNIOSKOWANIE STATYSTYCZNE
STATYSTYKA WNIOSKOWANIE STATYSTYCZNE ESTYMACJA oszacowanie z pewną dokładnością wartości opisującej rozkład badanej cechy statystycznej. WERYFIKACJA HIPOTEZ sprawdzanie słuszności przypuszczeń dotyczących
Bardziej szczegółowoTesty nieparametryczne
Testy nieparametryczne Testy nieparametryczne możemy stosować, gdy nie są spełnione założenia wymagane dla testów parametrycznych. Stosujemy je również, gdy dane można uporządkować według określonych kryteriów
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowo), którą będziemy uważać za prawdziwą jeżeli okaże się, że hipoteza H 0
Testowanie hipotez Każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy nazywamy hipotezą statystyczną. Hipoteza określająca jedynie wartości nieznanych parametrów liczbowych badanej cechy
Bardziej szczegółowoTESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy.
TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. Hipotezy dzielimy na parametryczne i nieparametryczne. Zajmiemy
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoRozdział 8. Regresja. Definiowanie modelu
Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność
Bardziej szczegółowoĆwiczenie 3,4. Analiza widmowa sygnałów czasowych: sinus, trójkąt, prostokąt, szum biały i szum różowy
Ćwiczenie 3,4. Analiza widmowa sygnałów czasowych: sinus, trójkąt, prostokąt, szum biały i szum różowy Grupa: wtorek 18:3 Tomasz Niedziela I. CZĘŚĆ ĆWICZENIA 1. Cel i przebieg ćwiczenia. Celem ćwiczenia
Bardziej szczegółowoW celu obliczenia charakterystyki częstotliwościowej zastosujemy wzór 1. charakterystyka amplitudowa 0,
Bierne obwody RC. Filtr dolnoprzepustowy. Filtr dolnoprzepustowy jest układem przenoszącym sygnały o małej częstotliwości bez zmian, a powodującym tłumienie i opóźnienie fazy sygnałów o większych częstotliwościach.
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności. Dr Anna ADRIAN Paw B5, pok407
Rachunek prawdopodobieństwa i statystyka - W 9 Testy statystyczne testy zgodności Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Weryfikacja hipotez dotyczących postaci nieznanego rozkładu -Testy zgodności.
Bardziej szczegółowoPodstawy Automatyki. Wykład 5 - stabilność liniowych układów dynamicznych. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki
Wykład 5 - stabilność liniowych układów dynamicznych Instytut Automatyki i Robotyki Warszawa, 2015 Wstęp Stabilność O układzie możemy mówić, że jest stabilny gdy układ ten wytrącony ze stanu równowagi
Bardziej szczegółowoAnaliza obrazów - sprawozdanie nr 2
Analiza obrazów - sprawozdanie nr 2 Filtracja obrazów Filtracja obrazu polega na obliczeniu wartości każdego z punktów obrazu na podstawie punktów z jego otoczenia. Każdy sąsiedni piksel ma wagę, która
Bardziej szczegółowoSymulacja sygnału czujnika z wyjściem częstotliwościowym w stanach dynamicznych
XXXVIII MIĘDZYUCZELNIANIA KONFERENCJA METROLOGÓW MKM 06 Warszawa Białobrzegi, 4-6 września 2006 r. Symulacja sygnału czujnika z wyjściem częstotliwościowym w stanach dynamicznych Eligiusz PAWŁOWSKI Politechnika
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoLABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych
Bardziej szczegółowoRekonstrukcja obrazu (Image restoration)
Rekonstrukcja obrazu (Image restoration) Celem rekonstrukcji obrazu cyfrowego jest odtworzenie obrazu oryginalnego na podstawie obrazu zdegradowanego. Obejmuje ona identyfikację procesu degradacji i próbę
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoZadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.
tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1
Bardziej szczegółowoMetody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne.
Metody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne. Wydział Matematyki Politechniki Wrocławskiej Karty kontroli jakości: przypomnienie Załóżmy, że chcemy mierzyć pewną charakterystykę.
Bardziej szczegółowoWeryfikacja hipotez statystycznych za pomocą testów statystycznych
Weryfikacja hipotez statystycznych za pomocą testów statystycznych Weryfikacja hipotez statystycznych za pomocą testów stat. Hipoteza statystyczna Dowolne przypuszczenie co do rozkładu populacji generalnej
Bardziej szczegółowoTESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy.
TESTOWANIE HIPOTEZ STATYSTYCZNYCH Hipotezą statystyczną nazywamy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. Hipotezy dzielimy na parametryczne i nieparametryczne. Zajmiemy
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Bardziej szczegółowoInteligentna analiza danych
Numer indeksu 150946 Michał Moroz Imię i nazwisko Numer indeksu 150875 Grzegorz Graczyk Imię i nazwisko kierunek: Informatyka rok akademicki: 2010/2011 Inteligentna analiza danych Ćwiczenie I Wskaźniki
Bardziej szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
Bardziej szczegółowoJak sprawdzić normalność rozkładu w teście dla prób zależnych?
Jak sprawdzić normalność rozkładu w teście dla prób zależnych? W pliku zalezne_10.sta znajdują się dwie zmienne: czasu biegu przed rozpoczęciem cyklu treningowego (zmienna 1) oraz czasu biegu po zakończeniu
Bardziej szczegółowoZad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:
Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności
Bardziej szczegółowoHipotezy statystyczne
Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o którego prawdziwości lub fałszywości wnioskuje się na podstawie pobranej próbki losowej. Hipotezy
Bardziej szczegółowoHipotezy statystyczne
Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o którego prawdziwości lub fałszywości wnioskuje się na podstawie pobranej
Bardziej szczegółowo7. Identyfikacja defektów badanego obiektu
7. Identyfikacja defektów badanego obiektu Pierwszym krokiem na drodze do identyfikacji defektów było przygotowanie tzw. odcisku palca poszczególnych defektów. W tym celu został napisany program Gaussian
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
Bardziej szczegółowoCYFROWE PRZETWARZANIE SYGNAŁÓW
POLITECHNIKA RZESZOWSKA im. I. Łukasiewicza WYDZIAŁ ELEKTROTECHNIKI I INFORMATYKI Katedra Metrologii i Systemów Diagnostycznych CYFROWE PRZETWARZANIE SYGNAŁÓW Analiza korelacyjna sygnałów dr hab. inż.
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoTEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.
TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.
Bardziej szczegółowoWnioskowanie statystyczne Weryfikacja hipotez. Statystyka
Wnioskowanie statystyczne Weryfikacja hipotez Statystyka Co nazywamy hipotezą Każde stwierdzenie o parametrach rozkładu lub rozkładzie zmiennej losowej w populacji nazywać będziemy hipotezą statystyczną
Bardziej szczegółowoPDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com
Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych
Bardziej szczegółowoLABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych
Bardziej szczegółowoWYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Było: Estymacja parametrów rozkładu teoretycznego punktowa przedziałowa Przykład. Cecha X masa owocu pewnej odmiany. ZałoŜenie: cecha X ma w populacji rozkład
Bardziej szczegółowoSpośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy prosty i skuteczny.
Filtracja nieliniowa może być bardzo skuteczną metodą polepszania jakości obrazów Filtry nieliniowe Filtr medianowy Spośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy
Bardziej szczegółowoOBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA. z wykorzystaniem programu obliczeniowego Q maxp
tel.: +48 662 635 712 Liczba stron: 15 Data: 20.07.2010r OBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA z wykorzystaniem programu obliczeniowego Q maxp DŁUGIE
Bardziej szczegółowoPodstawy Automatyki. Wykład 5 - stabilność liniowych układów dynamicznych. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki
Wykład 5 - stabilność liniowych układów dynamicznych Instytut Automatyki i Robotyki Warszawa, 2015 Wstęp Stabilność - definicja 1 O układzie możemy mówić, że jest stabilny gdy wytrącony ze stanu równowagi
Bardziej szczegółowoPorównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych
dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo
Bardziej szczegółowoTestowanie hipotez statystycznych. Wprowadzenie
Wrocław University of Technology Testowanie hipotez statystycznych. Wprowadzenie Jakub Tomczak Politechnika Wrocławska jakub.tomczak@pwr.edu.pl 10.04.2014 Pojęcia wstępne Populacja (statystyczna) zbiór,
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 4 Wrocław, 17 października 2011 Temat. Weryfikacja hipotez statystycznych dotyczących wartości oczekiwanej w dwóch populacjach o rozkładach normalnych. Model 3. Porównanie średnich
Bardziej szczegółowoPODSTAWY WNIOSKOWANIA STATYSTYCZNEGO czȩść II
PODSTAWY WNIOSKOWANIA STATYSTYCZNEGO czȩść II Szkic wykładu 1 Wprowadzenie 2 3 4 5 Weryfikacja hipotez statystycznych Obok estymacji drugim działem wnioskowania statystycznego jest weryfikacja hipotez
Bardziej szczegółowo1. Eliminuje się ze zbioru potencjalnych zmiennych te zmienne dla których korelacja ze zmienną objaśnianą jest mniejsza od krytycznej:
Metoda analizy macierzy współczynników korelacji Idea metody sprowadza się do wyboru takich zmiennych objaśniających, które są silnie skorelowane ze zmienną objaśnianą i równocześnie słabo skorelowane
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoAnaliza korespondencji
Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy
Bardziej szczegółowoTransformata Laplace a to przekształcenie całkowe funkcji f(t) opisane następującym wzorem:
PPS 2 kartkówka 1 RÓWNANIE RÓŻNICOWE Jest to dyskretny odpowiednik równania różniczkowego. Równania różnicowe to pewne związki rekurencyjne określające w sposób niebezpośredni wartość danego wyrazu ciągu.
Bardziej szczegółowoTeoria przetwarzania A/C i C/A.
Teoria przetwarzania A/C i C/A. Autor: Bartłomiej Gorczyński Cyfrowe metody przetwarzania sygnałów polegają na przetworzeniu badanego sygnału analogowego w sygnał cyfrowy reprezentowany ciągiem słów binarnych
Bardziej szczegółowoVII WYKŁAD STATYSTYKA. 30/04/2014 B8 sala 0.10B Godz. 15:15
VII WYKŁAD STATYSTYKA 30/04/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 7 (c.d) WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI Weryfikacja hipotez ( błędy I i II rodzaju, poziom istotności,
Bardziej szczegółowo... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowoW2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne.
W2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne. dr hab. Jerzy Nakielski Katedra Biofizyki i Morfogenezy Roślin Plan wykładu: 1. Etapy wnioskowania statystycznego 2. Hipotezy statystyczne,
Bardziej szczegółowo2. STRUKTURA RADIOFONICZNYCH SYGNAŁÓW CYFROWYCH
1. WSTĘP Radiofonię cyfrową cechują strumienie danych o dużych przepływnościach danych. Do przesyłania strumienia danych o dużych przepływnościach stosuje się transmisję z wykorzystaniem wielu sygnałów
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoparametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,
诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoRozwiązanie n1=n2=n=8 F=(4,50) 2 /(2,11) 2 =4,55 Fkr (0,05; 7; 7)=3,79
Test F =służy do porównania precyzji dwóch niezależnych serii pomiarowych uzyskanych w trakcie analizy próbek o zawartości analitu na takim samym poziomie #obliczyć wartość odchyleń standardowych dla serii
Bardziej szczegółowoBadanie widma fali akustycznej
Politechnika Łódzka FTIMS Kierunek: Informatyka rok akademicki: 00/009 sem.. grupa II Termin: 10 III 009 Nr. ćwiczenia: 1 Temat ćwiczenia: Badanie widma fali akustycznej Nr. studenta: 6 Nr. albumu: 15101
Bardziej szczegółowoPobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
Bardziej szczegółowoKolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
Bardziej szczegółowoWykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne
Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład
Bardziej szczegółowo