化工数据分析与处理复习.pptxVIP

化工数据分析与处理 复习 前言 两部分内容 1 数据的分析 2 数据的处理 （1）经验模型 （2）半经验模型 （3）理论模型 结合化工生产及科研中的数据分析和处理实际，从实用的角度，介绍数理统计方面的一些常用的方法和理论知识，把它应用到化工试验数据处理中去，掌握数据处理方法，解决实际问题，最直接的应用就是解决论文中的数据处理问题。 第一章 误差原理及概率分布 观察值（测量值） 总体（母体）：用{xi}来表示，i=1，2，3…n, n→∞ 样本：用{xi}，i=1，2，3…n, n为有限数来表示，通常也称为子样 真值 误差：用εi表示，εi= xi-µ 误差的表示方法 误差的表示方法 ① 绝对误差= xi-µ ② 相对误差=绝对误差/真值≈绝对误差/测量值。 ③ 引用误差=绝对误差/仪表的满刻度值（Xn）。 仪表一般分为7个等级，S=0.1, 0.2, 0.5, 1.0, 1.5, 2.0, 2.5, 引用误差≤S%，而绝对误差≤Xn*S% 误差的来源 ① 测量装置的误差 ② 环境误差 ③ 人员误差 ④ 方法误差： 误差的分类 ① 系统误差 ② 随机误差:偶然误差。 ③ 粗差： 有效数字的舍取 ① 有效数字的舍入原则 ② 有效数字的运算 研究误差的意义 ① 正确认识误差的性质，分析误差的原因以消除或减小误差； ② 正确处理测量和实验数据，合理计算所得结果，以便在一定条件下得到更接近于真值的数据； ③正确组织实验过程，合理设计仪器或选用仪器和测量方法，得到理想结果。 随机变量的概率分布 ① 正态分布 Z~N(0，1) Z=(Xi-µ)/σ ② t分布 ③ c2分布 ④ F分布 统计推断 参数估计 和 假设检测 点估计和区间估计 点估计：⑴ 无偏估计 ⑵ 有效估计  ⑶ 一致估计 区间估计: ① 总体均值µ的区间估计 ② 两个正态总体均值差的区间估计（成组对比） ③ 任意两个样本的均值差的估计（成对比较） ④ 总体方差s2的估计 ⑤ 两个正态总体方差比估计(F分布) 假设检验 假设检验的基本依据是：概率论中的小概率事件不可能发生的原理 基本思路是：要检验假设H0，先假定H0为正确的，由H0及一些已知条件，推断一些常用的统计量是否落在大概率范围内，是 则接受H0，否则拒绝H0，接受H1。 数据的预处理 粗差与异常数据的剔除 ① 每次剔除1个残差最大的数据； ② 针对同一参数进行重复测量得到的一系列测量数据的处理。与回归分析中回归参数的剔除不同，不要混淆 测量数据序列中干扰成分的滤除 对于大多数化工数据，一般频率较低，应采用低通滤法，去掉高频信号的方法称为平滑。 线性平滑法 非线性滑动平滑法 一元线性回归分析 自变量与因变量的关系： 函数关系（确定的关系） x→y 相关关系（不确定的关系） x→y的置信区间 回归分析的任务：给出回归经验公式；判明回归公式的有效性；预报与控制。 数学模型为： 回归方程 用最小二乘法： 相关系数及其显著性检验 相关系数 临界相关系数 f＝n－2 显著性水平 a 取0.10，0.05，0.01等 线性回归方程的误差及F检验 总变量平方和Q∑ 由以上三种平方和以及相应的各自的自由度。 可以计算三种相应的标准差。 总变异标准差 总变差平方和的自由度 回归标准差 剩余标准差： 方差比的F检验 显著性水平a，由F分布表查得 如果FAf，则回归方程有效 一元线性回归方程的应用 一 预报问题 控制问题剔除异常数据一元非线性回归问题的线性化处理 多元线性回归分析 二元线性回归方程 数学模型 二元线性回归方程 多元线性回归分析 数学模型 多元线性回归方程 回归方程的另一种形式： 多元线性回归方程的显著性检验 方差分析 总变差平方和 自由度：f＝n-1 回归平方和 自由度： fR＝k 剩余平方和 自由度： 方差： 回归方差 剩余方差 所以，方差比F检验： 选定显著性水平，可查得：Af (fR，f，a) 如果，F Af，则回归方程有效。 回归平方和的计算 可以利用回归系数计算过程中间结果求得回归平方和，以及剩余平方和 复相关系数（回归平方和占总平方和的比例） 如果： 方程有效 偏回归平方和及自变量显著性检验 方差分析（对回归系数有效性检验） 如果： 则第i