Error Propagation

basic

测量误差:

统计学中,由于仪器精度等限制会导致测量误差,不同的测量误差再组合传播过程中,不确定性符合误差传播理论

统计学中,真实值一般表示为:x+\Delta x

  • 其中,\Delta x为绝对误差,\frac{\Delta x}{x}表示相对误差,为不确定性的两种形式

正态分布:

一般用来描述随机变量的分布形式,

  • 一般表示为x \pm \sigma,即 中心值\pm标注偏差
  • \sigma表示的是中心值两边共68%的置信区间,即认为覆盖了大概68%的真实值case。

方差与协方差

  • 变量组合中如果两个参数不确定性相关,需要考虑协方差;

  • 如果两个参数不相关,仅需考虑方差。

雅可比矩阵:

多变量函数的一阶偏导数以一定方式排列成的矩阵。
\mathbf{J}=\left[\begin{array}{ccc} \frac{\partial f}{\partial x_{1}} & \cdots & \frac{\partial f}{\partial x_{n}} \end{array}\right]=\left[\begin{array}{ccc} \frac{\partial f_{1}}{\partial x_{1}} & \cdots & \frac{\partial f_{1}}{\partial x_{2}} \\ \vdots & \ddots & \vdots \\ \frac{\partial f_{m}}{\partial x_{1}} & \cdots & \frac{\partial f_{m}}{\partial x_{n}} \end{array}\right]

  • 体现了一个可微方程与给出点的最优线性逼近

  • 几何上可以理解为坐标变换矩阵,将输入X_n的n维欧氏空间映射到输出的X_m的m维欧式空间的函数;

误差传播理论

函数f(x)的不确定性由该函数的各个变量的不确定性组合得到,即误差传播理论。

线性组合

f_{k}=\sum_{i=1}^{n} A_{k i} x_{i}

方差-协方差矩阵为:
\mathbf{\Sigma}^{x}=\left(\begin{array}{cccc} \sigma_{1}^{2} & \sigma_{12} & \sigma_{13} & \cdots \\ \sigma_{12} & \sigma_{2}^{2} & \sigma_{23} & \cdots \\ \sigma_{13} & \sigma_{23} & \sigma_{3}^{2} & \cdots \\ \vdots & \vdots & \vdots & \ddots \end{array}\right)=\left(\begin{array}{cccc} \Sigma_{11}^{x} & \Sigma_{12}^{x} & \Sigma_{13}^{x} & \cdots \\ \Sigma_{12}^{x} & \Sigma_{22}^{x} & \Sigma_{23}^{x} & \cdots \\ \Sigma_{13}^{x} & \Sigma_{23}^{x} & \Sigma_{33}^{x} & \cdots \\ \vdots & \vdots & \vdots & \ddots \end{array}\right)
如果x中变量相关,则f_k的方差:
\sigma_{f}^{2}=\sum_{i}^{n} a_{i}^{2} \sigma_{i}^{2}+\sum_{i}^{n} \sum_{j(j \neq i)}^{n} a_{i} a_{j} \rho_{i j} \sigma_{i} \sigma_{j}
如果x中变量均不相关,则f_k的方差:
\sigma_{f}^{2}=\sum_{i}^{n} a_{i}^{2} \sigma_{i}^{2}

非线性组合

一阶泰勒级数展开

一般是通过一阶泰勒级数展开对函数进行线性化,从而得到雅可比矩阵J代替线性组合里面的A;

然后针对线性化的非线性组合,忽略掉相关性,可得到方差公式:
s_{f}=\sqrt{\left(\frac{\partial f}{\partial x}\right)^{2} s_{x}^{2}+\left(\frac{\partial f}{\partial y}\right)^{2} s_{y}^{2}+\left(\frac{\partial f}{\partial z}\right)^{2} s_{z}^{2}+\cdots}

  • 本质是线性组合计算方差;

常用非线性组合方差及标准差计算

image-20201029143444814.png

协方差传播
假如已知a和b的方差,有两个函数:
\left\{\begin{matrix} f1=f1(a,b)\\f2= f1(a,b) \end{matrix}\right.
则f1和f2的协方差可以通过以下求得:
1.首先可以求得f1和f2的泰勒计数展开:
\left\{\begin{matrix} f1= f1(a,b)\approx \frac{\partial f1}{\partial a}*a+ \frac{\partial f1}{\partial b}*b \\ f2= f1(a,b)\approx \frac{\partial f2}{\partial a}*a+ \frac{\partial f2}{\partial b}*b \end{matrix}\right.
2.得到协方差方程:
cov(f1,f2)= (\frac{\partial f1}{\partial a}*\sigma _a+ \frac{\partial f1}{\partial b} *\sigma _b )* (\frac{\partial f2}{\partial a}*\sigma _a+ \frac{\partial f2}{\partial b} *\sigma _b )\\ =\frac{\partial f1}{\partial a}*\frac{\partial f2}{\partial a}*\sigma _a^2+\frac{\partial f1}{\partial b}*\frac{\partial f2}{\partial b}*\sigma _b^2 +\frac{\partial f1}{\partial a}*\frac{\partial f2}{\partial b}*cov(a,b) +\frac{\partial f1}{\partial b}*\frac{\partial f2}{\partial a}*cov(a,b)
其中,\sigma _a为a的标准差;

公式中cov(a,b) 代表a和b的协方差,不能直接用两者标准差相乘表示。

Reference

1.Propagation of uncertainty
2.Error Propagation

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。