ハイパボリック・フラグをつけた H a F [efit
] は、
a F と同じように近似計算を行いますが、
各係数を普通の数ではなく誤差型式で報告します。
先の 2つのデータ行列(13 のと 14 のと)を H a F で直線近似すると、
次のような結果になります。
3. + 2. x 2.6 +/- 0.382970843103 + 2.2 +/- 0.115470053838 x
前者のデータは直線に完全に一致するので推定誤差はゼロです。 2番目の例で誤差はゼロではありませんが、 データが直線にかなり近いため、誤差はそこそこ小さいです。
近似計算の入力データに誤差型式を含めることも可能です。 データ群は全部誤差型式にするか、 全部普通の数値にするかどちらかでなければなりません。 誤差型式はデータ行列のどの行でも使うことができますが、 一般的には最後の行(訳注: 従属変数)で使います。 最後の行が誤差型式 y_i +/- σ_i である場合の χ^2 は次のようになり、推定誤差の大きなデータ点は近似演算にあまり寄与しません。
N y_i - (a + b x_i) χ^2 = Σ {-------------------}^2 i=1 σ_i
誤差型式がデータ行列の他の行に存在した場合、 当該データ点に関する誤差全部が(訳注: 誤差伝播法則により)結合されます。 すなわち、各誤差の二乗和の平方根をとり、それを当該データ点の σ_i とします。
a F と H a F の両方とも入力行列中の誤差型式を許容しますが、 誤差解析に関心があるのなら推定誤差を出力する H a F を使うべきでしょう。
入力値に誤差が含まれていても、 全ての σ_i が同じ場合は、 すぐ判るように、 結果の近似曲線は誤差が無いときと全く同じものになります( χ^2 が一律に 1 / σ^2 になるだけで、最小になる位置に影響は有りません)。 しかし、H a F が報告する各係数の推定誤差は違ってきます。
これらの誤差がどこから来て、どう解釈されるべきかという議論は、 統計的回帰分析の教科書を調べてください。
-*- ちょっとひといき -*-
インバース・フラグを付けた I a F [xfit
] は、
より多くの情報を提供します。結果は次の 6 項目のベクトルです。
utpc
確率分布関数(訳注:
χ^2
分布の上側確率)から計算されています。
値 0.5 なら良い近似を示唆しますが、
教科書によってはしばしば Q = 0.1 か、
ひどいのになると 0.001 が許せる近似と書かれています。
特に
χ^2
統計は、
ユーザー入力に含まれる誤差を普通の(ガウス)分布に従うと見なしていますが、
もしそうでなければ、低い Q で満足しなければなりません。
Q 値が計算されるのは、入力に推定誤差を含んだ場合に限ります。
そうでない場合、Calc は Q として記号 nan
を報告します。
なぜならこの場合、入力に含まれる元の誤差を見積るのに実質的に
χ^2
値が使用されたので、信頼性テストに使う余分な情報が残っていないからです。
Go to the first, previous, next, last section, table of contents.
利用度数