Статистическая ошибка системы - Не ошибается лишь тот, кто ничего не делает!

Точность системы автоматического управления Статическая ошибка системы

В системах
автоматического управления часто
приходится решать задачу стабилизации
управляемой величины. Точность поддержания
требуемого значения управляемой величины
в такой системе можно оценить как разницу
между заданным значением управляемой
величины и её установившимся значением
в системе после окончания переходного
процесса:

Эта величина
получила название статической ошибки
системы. При вычислении статической
ошибки предполагается, что система
находится в статике и все сигналы в ней
имеют постоянные величины. Статическая
ошибка используется для оценки точности
установления в системе заданной
постоянной выходной величины после
окончания переходного процесса.

Используя
передаточную функцию замкнутой системы
по ошибке, для изображения ошибки в
системе можно записать

,
гдепередаточная
функция замкнутой системы по ошибке,изображение
задающего воздействия.

Для статики,
когда все сигналы в системе неизменны,
выражение для ошибки можно перенести
в область оригиналов

Поскольку

,
гдеW(p)
– передаточная функция разомкнутой
системы, то статическую ошибку системы
можно вычислить, зная передаточную
функцию разомкнутой системы:

,
где.

Вместо
абсолютного значения статической ошибки
часто используют относительную
статическую ошибку

Если система
статическая (т.е. не содержит интегрирующих
звеньев), то передаточную функцию
разомкнутой системы можно представить
в следующем нормированном виде:

,
гдеK– коэффициент
усиления системы,A^*(p),B^*(p)
– нормированные полиномыA(p)
иB(p).
При этоми.
Тогдаи статическая ошибка в статической
системе

.
Статическая
ошибка в статической системе уменьшается
с увеличением коэффициента усиления
системы. Статическая система всегда
будет иметь некоторую ошибку. Физический
смысл такой ошибки заключается в
необходимости некоторого рассогласования
между задающей и выходной величинами
системы для получения сигнала управления.

Если в системе
управления имеются интегрирующие
звенья, то система будет астатической.
Для астатической системы первого порядка
(содержащей одно интегрирующее звено)
передаточная функция разомкнутой
системы

и передаточная функция замкнутой системы
по ошибке

В этом случае всегда
и, следовательно, статическая ошибка
астатической системы будет равна нулю.
Таким образом, статическая ошибка в
астатической системе в принципе
отсутствует, что обуславливает более
высокую точность астатических систем,
по сравнению со статическими системами.
В астатической системе автоматического
управления установившееся значение
управляемой величины равно заданному
значению этой величины.

Вынужденная ошибка системы

Процесс в
системе складывается из свободного
процесса и вынужденного процесса:

.
Для
устойчивой системы свободный процесс
по истечении времениt_пзатухает и в системе устанавливается
вынужденный процесс

Точность
поддержания заданного значения
управляемой величины в вынужденном
режиме характеризуется вынужденной
ошибкой системы

Вынужденная
ошибка хорошо характеризует работу
системы автоматического управления в
том случае, когда изменения управляющего
воздействия происходят существенно
медленнее собственных переходных
процессов в системе и последними можно
пренебречь.

Рассмотрим
вычисление вынужденной ошибки системы
автоматического управления. Изображение
для вынужденной ошибки

В общем случае
является дробно-рациональной функцией
отpи ее можно разложить
в ряд Тейлора по степенямрвблизи, тогда

и
выражение для вынужденной ошибки системы
примет вид

гдепостоянные
коэффициенты.

Для полученного
изображения вынужденной ошибки на
основе свойств преобразования Лапласа
легко находится выражение для оригинала
ошибки

где
,,…коэффициенты
ошибок, полученные выше (C₀– коэффициент статической ошибки,C₁
– коэффициент скоростной ошибки и
т. д.).

Коэффициенты
ошибки могут быть также получены делением
числителя передаточной функции на ее
знаменатель. Полученное выражение для
вынужденной ошибки позволяет оценить
точность системы автоматического
управления в установившемся режиме.
Вынужденная ошибка, например, хорошо
характеризует точность работы следящих
систем автоматического управления.

Соседние файлы в папке ТАУ

Источник

Точность системы автоматического управления Статическая ошибка системы

,
гдепередаточная
функция замкнутой системы по ошибке,изображение
задающего воздействия.

Поскольку

,
где.

Вместо
абсолютного значения статической ошибки
часто используют относительную
статическую ошибку

и передаточная функция замкнутой системы
по ошибке

Вынужденная ошибка системы

Процесс в
системе складывается из свободного
процесса и вынужденного процесса:

и
выражение для вынужденной ошибки системы
примет вид

гдепостоянные
коэффициенты.

Соседние файлы в папке ТАУ

Лекция 17. Расчет установившейся ошибки в системах управления.
Структурные признаки астатизма

Установившейся (статической) ошибкой называют
постоянное значение сигнала ошибки x(t)=g(t)-y(t),
которое она приобретает по окончании переходного процесса: , рисунок 116.

Очевидно, установившаяся ошибка зависит от законов
изменения и численных характеристик входных сигналов системы. Поэтому при ее
определении принято рассматривать так называемые типовые входные сигналы,
законы изменения которых составляют степенной ряд относительно времени.
Например, для задающего воздействия:

, , и так
далее.

При наличии нескольких воздействий на линейную систему
для определения x_уст используется
принцип суперпозиции – реакция линейной системы на совокупность входных
сигналов совпадает с алгебраической суммой ее реакций на каждый из сигналов в
отдельности:

, где
каждое слагаемое, или составляющая сигнала ошибки, определяется
для i-го входного сигнала при условии, что остальные
тождественно равны нулю. Такой подход полностью соответствует определению
передаточной функции и позволяет выполнять расчет установившейся ошибки на
основе структурной схемы системы.

Рассмотрим порядок расчета установившейся ошибки на
следующем достаточно общем примере (рисунок 117).

В соответствии с принципом суперпозиции установившаяся
ошибка будет определяться здесь в виде суммы трех составляющих .

Изображение по Лапласу ошибки от задающего воздействия
получают через передаточную функцию замкнутой системы по ошибке при известном изображении задающего
воздействия G(s):

, где
F(s) – основная передаточная функция замкнутой системы.
Для структурной схемы на рисунке 117

, где — передаточная функция
разомкнутой системы, или прямой цепи системы, для рассматриваемого примера.

Непосредственно для расчета
установившегося значения ошибки от задающего воздействия используют теорему о
конечном значении для преобразования Лапласа:

В результате:

Изображение по Лапласу ошибки от возмущающего
воздействия получают через передаточную функцию замкнутой системы по ошибке от
возмущения при известном изображении возмущающего
воздействия F(s):

, где
F_f(s) –передаточная функция замкнутой системы по
возмущающему воздействию,

;

W_f(s)
– передаточная функция разомкнутой системы по возмущению (передаточная функция
участка прямой цепи системы от точки приложения возмущающего воздействия до
выхода системы).

Для структурной схемы на рисунке 8 необходимо
учитывать два возмущающих воздействия, приложенные в различные точки системы.

Для f₁:
,

Для f₂:
,

Расчет упрощается для
системы с единичной отрицательной обратной связью (рисунок 118):

, где k=k₁k₂k₃ – коэффициент передачи
разомкнутой системы.

Найдем установившуюся ошибку
для некоторых типовых вариантов задающего воздействия.

При получим:

Если установившаяся ошибка
тождественно равна нулю при каком-либо типовом варианте входного сигнала,
независимо от его численных характеристик, систему называют астатической по
рассматриваемому входному сигналу.

Количество типовых вариантов
входного сигнала – членов степенного ряда, при которых установившаяся ошибка
тождественно равна нулю, определяет порядок астатизма.

Рассматриваемая система
обладает свойством астатизма второго порядка по задающему воздействию.

Рассмотрим установившуюся
ошибку от возмущения f₁:

, где –
коэффициент передачи разомкнутой системы по возмущению f₁.

При получим:

При получим
тот же результат.

Отметим, что по возмущению f₁ рассматриваемая система
не является астатической. Кроме того, она не в состоянии отработать два последних
варианта входного сигнала.

Рассмотрим установившуюся
ошибку от возмущения f₂:

, где –
коэффициент передачи разомкнутой системы по возмущению f₂.

При получим:

По возмущению f₂ рассматриваемая система имеет
астатизм первого порядка. Она не в состоянии отработать возмущающее
воздействие, изменяющееся во времени с постоянным ускорением.

Подведем некоторые итоги:

1. Наличие и глубина
свойства астатизма зависят от точки приложения входного сигнала.

2. Постоянные времени
звеньев системы не влияют на ее точность.

3. Увеличение значения
коэффициента передачи разомкнутой системы приводит к снижению величины
установившейся ошибки.

Для систем с единичной
отрицательной обратной связью существуют достаточно простые структурные
признаки астатизма.

Рассмотрим структуру,
показанную на рисунке 119.

В общем случае передаточная
функция разомкнутой системы может быть представлена в следующей форме:

, где l³0.

Тогда получим:

и для общего вида задающего воздействия , которому соответствует изображение ,

Результат нахождения этого
предела зависит от соотношения показателей степени:

— при l>v установившаяся
ошибка равна нулю независимо от остальных параметров, то есть имеет место
астатизм;

— при l=v получаем
константу;

— при l<v установившаяся
ошибка стремится к бесконечности, то есть система не в состоянии отработать
входной сигнал.

Учитывая, что минимальное
значение v нулевое,
получаем условие астатизма по задающему воздействию: l>0.

Таким образом, структурный
признак астатизма по задающему воздействию в системе с единичной отрицательной
обратной связью состоит в наличии нулевых корней в знаменателе передаточной
функции разомкнутой системы, или интегрирующих звеньев в прямой цепи системы.

Нетрудно также убедиться,
что положительное значение l совпадает
с порядком астатизма.

Для получения признака
астатизма по возмущающему воздействию представим передаточные функции на
рисунке 10 в форме:

, где l₁+l₂=l,
k₁k₂=k, m₁+m₂=m,
n₁+n₂=n,
причем и .

Тогда получим:

и для общего вида возмущающего воздействия , которому соответствует изображение ,

Все вышеприведенные выводы
можно повторить для показателя степени l₁.

Таким образом, структурный
признак астатизма по возмущающему воздействию в системе с единичной
отрицательной обратной связью состоит в наличии нулевых корней в знаменателе
передаточной функции участка системы до точки приложения воздействия, или
интегрирующих звеньев на том же участке.

Величина — статическая ошибка

Cтраница 1

Величина статической ошибки зависит как от настройки регулятора, так и от характеристики и режима работы объекта.
[1]

Стремление уменьшить величину статической ошибки иногда неизбежно приводит к увеличению перерегулирования и времени регулирования. Уменьшение перерегулирования иногда приводит к увеличению статической ошибки.
[2]

В статических системах величина статической ошибки зависит от величины ступенчатой нагрузки. Эта зависимость, называемая статической характеристикой, имеет большое значение для анализа работы САР.
[3]

В астатических системах величина статической ошибки определяется значением нечувствительности регулятора.
[4]

При большом числе компрессоров величина статической ошибки может выйти за допустимые пределы.
[5]

Статическая точность передачи характеризуется величиной статической ошибки, определяемой углом рассогласования между осями датчика и приемника при отсутствии вращения. Величина статической ошибки зависит от нагрузки или момента на валу приемника, а также от собственной погрешности сельсинов.
[6]

Статическая точность передачи характеризуется величиной статической ошибки, определяемой углом пяссогласования между осями датчика и приемника при отсутствии вращения. Величина статической ошибки зависит от нагрузки или момента на валу приемника, а также от собственной погрешности сельсинов.
[7]

По мере увеличения коэффициента усиления величина статической ошибки уменьшается. В то же время степень колебания повышается и соответственно увеличивается динамическая ошибка регулирования. Оптимальная величина должна выбираться как с учетом статической, так и динамической ошибки. Причем статическая ошибка регулирования может быть исключена за счет введения интегральной составляющей в закон регулирования.
[8]

Нужно иметь в виду, что величина статической ошибки зависит как от настройки регулятора, так и от характеристики и режима работы объекта.
[9]

Получается противоречие между требованиями обеспечения устойчивости и величиной статической ошибки.
[10]

Определим границу ОНР, исходя из предположения, что величина статической ошибки не должна превышать величины 0 5 % от входного сигнала при полном перемещении исполнительного механизма.
[11]

Таким образом, давление в приемном канале 2 с точностью до величины статической ошибки, определяемой коэффициентом усиления струйного усилителя, поддерживается постоянным. При постоянном сечении потока этим способом измеряют расход вещества, определяемого как произведение скорости на площадь поперечного сечения потока.
[13]

По оси ординат откладывается отношение максимальной динамической ошибки в переходном процессе к величине статической ошибки, которая имела бы место, если бы в системе использовался пропорциональный регулятор, и была бы равна KLI ( K) при единичном ступенчатом изменении нагрузки. Это значение принято считать наилучшим. Нижняя кривая соответствует декременту затухания, равному 0 46, который получается, если коэффициент усиления выбрать близким к максимальному.
[15]

Страницы:

В автоматической системе с симметричной нелинейностью могут иметь место несимметричные автоколебания с некоторой постоянной составляющей при приложении постоянного внешнего воздействия. При этом величина амплитуды и частота автоколебаний, существовавших до приложения внешнего воздействия, во многом определяют величину постоянной составляющей. Но, наличие постоянного внешнего воздействия изменяет величину амплитуды и частоты автоколебаний.

Величина в случае статической системы определяет собой статическую ошибку, в астатической системе — установившуюся ошибку при постоянной скорости, а в дважды астатической — установившуюся ошибку при постоянном ускорении. Основная задача, таким образом, сводится к определению зависимости между величинами постоянного внешнего воздействия (или постоянной скорости его изменения) и установившейся ошибки, или же к такому выбору параметров системы, например, коэффициента усиления при котором величина статической ошибки не превышает заданного значения.

Практический интерес представляет также определение зависимости амплитуды и частоты автоколебаний от величины постоянного внешнего воздействия.

Уравнение нелинейной автоматической системы

где — приложенное в любой точке ее внешнее воздействие в данном случае может быть записано в виде

В статической системе будет , где , а в астатической, когда имеем , где (постоянная скорость изменения внешнего воздействия). В дважды астатической системе и при будет

Решение уравнения вследствие несимметричности автоколебаний необходимо искать в виде [16], [13]

где — постоянная составляющая автоколебаний, х — периодическая (колебательная) составляющая.

Вследствие наличия смещения при разложении нелинейной функции в ряд Фурье добавится член, характеризующий

постоянную составляющую; при этом выражение для гармонической линеаризации нелинейности приобретает вид

здесь — соответственно постоянная составляющая и коэффициенты гармонической линеаризации, определяемые по формулам

где

В частном случае, когда нелинейность является однозначной (не петлевой) то формула (Х.59) принимает вид

Определив по формулам коэффициенты гармонической линеаризации и подставив в уравнение вместо выражение получим гармонически линеаризованное уравнение системы

Это уравнение можно представить в виде системы двух уравнений соответственно для постоянной и колебательной составляющих решения:

Уравнение описывает смещение центра колебаний системы в зависимости от величины постоянного внешнего воздействия М. Уравнение (Х.64) описывает периодическое движение системы по координате х относительно центра колебаний, определяемого величиной смещения Однако оба уравнения линейно взаимосвязаны, так как коэффициенты уравнения зависят от величины смещения а величина в уравнении зависит от амплитуды автоколебаний А.

Из уравнения можно определить величину статической ошибки в функции от амплитуды автоколебаний А, внешнего воздействия М и параметров системы, например, k:

Подставляя найденное выражение в уравнение полагая и выделяя вещественную и мнимую части, получим два уравнения

Решить аналитически уравнения относительно А и обычно затруднительно. Целесообразно в данном случае применение какого-либо из графических приемов. Часто бывает удобно из уравнений найти выражение для . Приравнивая полученные значения , получим новое уравнение с тремя неизвестными :

Из уравнения как правило, можно определить какую-либо из величин как функцию двух остальных. Например,

Полученное уравнение дает возможность построить семейство кривых при разных значениях М. Затем по одной из формул легко определить при

Если какая-либо из искомых величин входит только в одно из уравнений то описанное решение значительно упрощается.

Поскольку после построения графиков станет известной зависимость амплитуды автоколебаний от значения параметра и величины внешнего воздействия М, то из формулы определяются искомые зависимости при или при

Таким образом определяется величина статической ошибки в зависимости от величины внешнего воздействия М и значения определяемого параметра системы Если полученные значений статической ошибки и амплитуды автоколебаний на входе нелинейного звена не являются непосредственно интересующими проектировщика величинами, то пересчет в любую точку системы производится через передаточные функции соответствующих звеньев системы.

Решение уравнений возможно и другим способом: подставив в уравнение и выделив вещественную и мнимую части, получим два алгебраических уравнения с тремя неизвестными

Эти уравнения дают возможность определить амплитуду А и частоту автоколебаний как функцию постоянной составляющей Подставив значения амплитуды и частоты автоколебаний в выражение для [первая формула (Х.60)], получим функцию смещения

которая является характеристикой данного нелинейного звена по отношению к постоянной составляющей при наличии автоколебаний. Важно отметить, что функция смещения не зависит ни от числа внешних воздействий на систему, ни от характера их изменения (он может быть не постоянной, а медленно меняющейся, что рассматривается ниже в § 5).

После определения функции смещения из уравнения с подстановкой сразу определяется искомая зависимость статической ошибки от величины постоянного внешнего воздействия М.

Возможен случай, когда к нелинейной системе приложено несколько внешних воздействий:

Методика расчетов при этом сохраняется. В отличие от линейных систем в данном случае складывать статические ошибки от отдельных воздействий нельзя. Это обусловлено нелинейной зависимостью от величины внешнего воздействия, как это следует из уравнения которое в данном случае принимает вид

Для облегчения практических расчетов в табл. 1 и 2 приложения IV приведены значения коэффициентов гармонической линеаризации для некоторых типоб нелинейных звеньев. Более полные сведения по гармонической линеаризации при наличии внешнего воздействия приведены в работе [13].

Несимметричные колебания в нелинейных автоматических системах могут возникать не только при наличии внешнего воздействия, но и при несимметричных характеристиках самого нелинейного элемента без внешнего воздействия.

В этом случае правая часть уравнения равна нулю:

При несимметричных характеристиках нелинейного звена возникает постоянная составляющая

Поэтому решение уравнения как и прежде, надо искать в виде суммы постоянной и периодической составляющих:

Уравнения в данном случае имеют вид

Решение уравнений выполняется таким же образом, как это делалось для симметричной характеристики нелинейного звена, при наличии постоянного внешнего воздействия.

Для облегчения использования описанной выше методики в табл. 3 приложения II приведены готовые выражения для некоторых типов несимметричных нелинейностей [13].

Пример 4. Для иллюстрации описанной выше методики определения установившихся ошибок в автоколебательных нелинейных системах рассмотрим систему, блок-схема которой приведена на рис. Х.20.

Рис. Х.20. Блок-схема релейной системы автоматического регулирования

Уравнения этой системы имеют вид:

Нелинейность представляет собой характеристику идеального симметричного реле

Уравнение системы будет

Предположим, что функция является управляющим воздействием, изменяющимся с постоянной скоростью

которое должна воспроизвести система на выходе. Второе внешнее воздействие является возмущающим и имеет постоянную величину (например, постоянная нагрузка на выходном валу системы), т. е.

Необходимо определить установившуюся ошибку на выходе системы. Правая часть характеристического уравнения будет при этом постоянной и установившееся решение для X с учетом автоколебаний следует искать в виде выражений

Тогда уравнения для постоянных и периодических составляющих будут иметь вид:

В соответствии с изложенной выше методикой из уравнений определим

Откуда

или

Для определения амплитуды А периодической составляющей используется уравнение для которого запишем характеристическое уравнение

Подставив и выделив вещественную и мнимую части, получим

Из уравнений найдем

Исключая из уравнений величину определим частоту автоколебаний

Подставив полученные значения в уравнение определим амплитуду автоколебаний

Здесь величина

является амплитудой симметричных автоколебаний при отсутствии внешних воздействий

Подставив полученное значение амплитуды А в формулу определим искомую величину смещения

Из формулы (Х.82) видно, что автоколебания в системе существуют только до тех пор, пока внешние воздействия удовлетворяют условию

причем амплитуда автоколебаний уменьшается с увеличением внешних воздействий.

Так, в результате расчета определена величина смещения на входе реле. Однако практически больший интерес представляет установившаяся ошибка на выходе системы. Поскольку на выходе системы должно воспроизводиться внешнее воздействие то, согласно рис. Х.20, ошибка данной системы выражается величиной Запишем переменную через х, которая уже известна.

Из заданных уравнений системы имеем

Учитывая, что уравнение запишем в виде

В соответствии с характером правой части нужно искать установившееся решение этого линейного уравнения в виде

где — постоянные величины;

— периодическая составляющая.

Подставляя выражение получим три уравнения

Из уравнения (X.87) определим

Затем из уравнения найдем

Наконец, из уравнения получим

где определяются соответственно из формул

Итак, в системе содержатся все три составляющие ошибки зависящие от величины внешних воздействий и от параметров системы. Наиболее нежелательной составляющей ошибки является составляющая возрастающая с течением времени. Для исключения этой ошибки необходимо в системе жесткую обратную связь заменить гибкой

Источник

From Wikipedia, the free encyclopedia

In statistics and optimization, errors and residuals are two closely related and easily confused measures of the deviation of an observed value of an element of a statistical sample from its «true value» (not necessarily observable). The error of an observation is the deviation of the observed value from the true value of a quantity of interest (for example, a population mean). The residual is the difference between the observed value and the estimated value of the quantity of interest (for example, a sample mean). The distinction is most important in regression analysis, where the concepts are sometimes called the regression errors and regression residuals and where they lead to the concept of studentized residuals.
In econometrics, «errors» are also called disturbances.^[1]^[2]^[3]

Introduction[edit]

Suppose there is a series of observations from a univariate distribution and we want to estimate the mean of that distribution (the so-called location model). In this case, the errors are the deviations of the observations from the population mean, while the residuals are the deviations of the observations from the sample mean.

A statistical error (or disturbance) is the amount by which an observation differs from its expected value, the latter being based on the whole population from which the statistical unit was chosen randomly. For example, if the mean height in a population of 21-year-old men is 1.75 meters, and one randomly chosen man is 1.80 meters tall, then the «error» is 0.05 meters; if the randomly chosen man is 1.70 meters tall, then the «error» is −0.05 meters. The expected value, being the mean of the entire population, is typically unobservable, and hence the statistical error cannot be observed either.

A residual (or fitting deviation), on the other hand, is an observable estimate of the unobservable statistical error. Consider the previous example with men’s heights and suppose we have a random sample of n people. The sample mean could serve as a good estimator of the population mean. Then we have:

The difference between the height of each man in the sample and the unobservable population mean is a statistical error, whereas
The difference between the height of each man in the sample and the observable sample mean is a residual.

Note that, because of the definition of the sample mean, the sum of the residuals within a random sample is necessarily zero, and thus the residuals are necessarily not independent. The statistical errors, on the other hand, are independent, and their sum within the random sample is almost surely not zero.

One can standardize statistical errors (especially of a normal distribution) in a z-score (or «standard score»), and standardize residuals in a t-statistic, or more generally studentized residuals.

In univariate distributions[edit]

If we assume a normally distributed population with mean μ and standard deviation σ, and choose individuals independently, then we have

${displaystyle X_{1},dots ,X_{n}sim Nleft(mu ,sigma ^{2}right),}$

and the sample mean

$overline{X}={X_1 + cdots + X_n over n}$

is a random variable distributed such that:

${displaystyle {overline {X}}sim Nleft(mu ,{frac {sigma ^{2}}{n}}right).}$

The statistical errors are then

${displaystyle e_{i}=X_{i}-mu ,,}$

with expected values of zero,^[4] whereas the residuals are

${displaystyle r_{i}=X_{i}-{overline {X}}.}$

The sum of squares of the statistical errors, divided by σ², has a chi-squared distribution with n degrees of freedom:

${displaystyle {frac {1}{sigma ^{2}}}sum _{i=1}^{n}e_{i}^{2}sim chi _{n}^{2}.}$

However, this quantity is not observable as the population mean is unknown. The sum of squares of the residuals, on the other hand, is observable. The quotient of that sum by σ² has a chi-squared distribution with only n − 1 degrees of freedom:

${frac 1{sigma ^{2}}}sum _{{i=1}}^{n}r_{i}^{2}sim chi _{{n-1}}^{2}.$

This difference between n and n − 1 degrees of freedom results in Bessel’s correction for the estimation of sample variance of a population with unknown mean and unknown variance. No correction is necessary if the population mean is known.

[edit]

It is remarkable that the sum of squares of the residuals and the sample mean can be shown to be independent of each other, using, e.g. Basu’s theorem. That fact, and the normal and chi-squared distributions given above form the basis of calculations involving the t-statistic:

${displaystyle T={frac {{overline {X}}_{n}-mu _{0}}{S_{n}/{sqrt {n}}}},}$

where ${displaystyle {overline {X}}_{n}-mu _{0}}$ represents the errors, $S_{n}$ represents the sample standard deviation for a sample of size n, and unknown σ, and the denominator term accounts for the standard deviation of the errors according to:^[5]

${displaystyle operatorname {Var} left({overline {X}}_{n}right)={frac {sigma ^{2}}{n}}}$

The probability distributions of the numerator and the denominator separately depend on the value of the unobservable population standard deviation σ, but σ appears in both the numerator and the denominator and cancels. That is fortunate because it means that even though we do not know σ, we know the probability distribution of this quotient: it has a Student’s t-distribution with n − 1 degrees of freedom. We can therefore use this quotient to find a confidence interval for μ. This t-statistic can be interpreted as «the number of standard errors away from the regression line.»^[6]

Regressions[edit]

In regression analysis, the distinction between errors and residuals is subtle and important, and leads to the concept of studentized residuals. Given an unobservable function that relates the independent variable to the dependent variable – say, a line – the deviations of the dependent variable observations from this function are the unobservable errors. If one runs a regression on some data, then the deviations of the dependent variable observations from the fitted function are the residuals. If the linear model is applicable, a scatterplot of residuals plotted against the independent variable should be random about zero with no trend to the residuals.^[5] If the data exhibit a trend, the regression model is likely incorrect; for example, the true function may be a quadratic or higher order polynomial. If they are random, or have no trend, but «fan out» — they exhibit a phenomenon called heteroscedasticity. If all of the residuals are equal, or do not fan out, they exhibit homoscedasticity.

However, a terminological difference arises in the expression mean squared error (MSE). The mean squared error of a regression is a number computed from the sum of squares of the computed residuals, and not of the unobservable errors. If that sum of squares is divided by n, the number of observations, the result is the mean of the squared residuals. Since this is a biased estimate of the variance of the unobserved errors, the bias is removed by dividing the sum of the squared residuals by df = n − p − 1, instead of n, where df is the number of degrees of freedom (n minus the number of parameters (excluding the intercept) p being estimated — 1). This forms an unbiased estimate of the variance of the unobserved errors, and is called the mean squared error.^[7]

Another method to calculate the mean square of error when analyzing the variance of linear regression using a technique like that used in ANOVA (they are the same because ANOVA is a type of regression), the sum of squares of the residuals (aka sum of squares of the error) is divided by the degrees of freedom (where the degrees of freedom equal n − p − 1, where p is the number of parameters estimated in the model (one for each variable in the regression equation, not including the intercept)). One can then also calculate the mean square of the model by dividing the sum of squares of the model minus the degrees of freedom, which is just the number of parameters. Then the F value can be calculated by dividing the mean square of the model by the mean square of the error, and we can then determine significance (which is why you want the mean squares to begin with.).^[8]

However, because of the behavior of the process of regression, the distributions of residuals at different data points (of the input variable) may vary even if the errors themselves are identically distributed. Concretely, in a linear regression where the errors are identically distributed, the variability of residuals of inputs in the middle of the domain will be higher than the variability of residuals at the ends of the domain:^[9] linear regressions fit endpoints better than the middle. This is also reflected in the influence functions of various data points on the regression coefficients: endpoints have more influence.

Thus to compare residuals at different inputs, one needs to adjust the residuals by the expected variability of residuals, which is called studentizing. This is particularly important in the case of detecting outliers, where the case in question is somehow different from the others in a dataset. For example, a large residual may be expected in the middle of the domain, but considered an outlier at the end of the domain.

Other uses of the word «error» in statistics[edit]

The use of the term «error» as discussed in the sections above is in the sense of a deviation of a value from a hypothetical unobserved value. At least two other uses also occur in statistics, both referring to observable prediction errors:

The mean squared error (MSE) refers to the amount by which the values predicted by an estimator differ from the quantities being estimated (typically outside the sample from which the model was estimated).
The root mean square error (RMSE) is the square-root of MSE.
The sum of squares of errors (SSE) is the MSE multiplied by the sample size.

Sum of squares of residuals (SSR) is the sum of the squares of the deviations of the actual values from the predicted values, within the sample used for estimation. This is the basis for the least squares estimate, where the regression coefficients are chosen such that the SSR is minimal (i.e. its derivative is zero).

Likewise, the sum of absolute errors (SAE) is the sum of the absolute values of the residuals, which is minimized in the least absolute deviations approach to regression.

The mean error (ME) is the bias.
The mean residual (MR) is always zero for least-squares estimators.

References[edit]

^ Kennedy, P. (2008). A Guide to Econometrics. Wiley. p. 576. ISBN 978-1-4051-8257-7. Retrieved 2022-05-13.
^ Wooldridge, J.M. (2019). Introductory Econometrics: A Modern Approach. Cengage Learning. p. 57. ISBN 978-1-337-67133-0. Retrieved 2022-05-13.
^ Das, P. (2019). Econometrics in Theory and Practice: Analysis of Cross Section, Time Series and Panel Data with Stata 15.1. Springer Singapore. p. 7. ISBN 978-981-329-019-8. Retrieved 2022-05-13.
^ Wetherill, G. Barrie. (1981). Intermediate statistical methods. London: Chapman and Hall. ISBN 0-412-16440-X. OCLC 7779780.
^ ^a ^b Frederik Michel Dekking; Cornelis Kraaikamp; Hendrik Paul Lopuhaä; Ludolf Erwin Meester (2005-06-15). A modern introduction to probability and statistics : understanding why and how. London: Springer London. ISBN 978-1-85233-896-1. OCLC 262680588.
^ Peter Bruce; Andrew Bruce (2017-05-10). Practical statistics for data scientists : 50 essential concepts (First ed.). Sebastopol, CA: O’Reilly Media Inc. ISBN 978-1-4919-5296-2. OCLC 987251007.
^ Steel, Robert G. D.; Torrie, James H. (1960). Principles and Procedures of Statistics, with Special Reference to Biological Sciences. McGraw-Hill. p. 288.
^ Zelterman, Daniel (2010). Applied linear models with SAS ([Online-Ausg.]. ed.). Cambridge: Cambridge University Press. ISBN 9780521761598.
^ «7.3: Types of Outliers in Linear Regression». Statistics LibreTexts. 2013-11-21. Retrieved 2019-11-22.

Cook, R. Dennis; Weisberg, Sanford (1982). Residuals and Influence in Regression (Repr. ed.). New York: Chapman and Hall. ISBN 041224280X. Retrieved 23 February 2013.
Cox, David R.; Snell, E. Joyce (1968). «A general definition of residuals». Journal of the Royal Statistical Society, Series B. 30 (2): 248–275. JSTOR 2984505.
Weisberg, Sanford (1985). Applied Linear Regression (2nd ed.). New York: Wiley. ISBN 9780471879572. Retrieved 23 February 2013.
«Errors, theory of», Encyclopedia of Mathematics, EMS Press, 2001 [1994]

External links[edit]

Media related to Errors and residuals at Wikimedia Commons

Источник

Точность системы автоматического управления Статическая ошибка системы

Вынужденная ошибка системы

Точность системы автоматического управления Статическая ошибка системы

Вынужденная ошибка системы

Величина — статическая ошибка

Introduction[edit]

In univariate distributions[edit]

[edit]

Regressions[edit]

Other uses of the word «error» in statistics[edit]

See also[edit]

References[edit]

External links[edit]