Cтраница 2
Отмеченные два способа могут применяться и одновременно в различных сочетаниях. Так, упомянутые робастные методы являются устойчивыми для вероятностных моделей. [16]
В связи с тем, что при межлабораторной аттестации каждая группа результатов, полученных по одной МВИ, может иметь свои параметры, характеризующие центр распределения и рассеяния результатов, алгоритмы обработки должны быть свободны от предположений о конкретном виде распределений. В такой ситуации целесообразно использрвать робастные методы оценивания, устойчивые к виду исходного распределения и наличию в выборке грубых промахов и получившие в последние годы значительное развитие. [17]
Как можно судить по приведенным и другим высказываниям, математики связывают понятие о робастных методах с малыми отклонениями от предположений. Применительно к нашей задаче можно понимать, что робастные методы применимы в тех ситуациях, когда функция распределения вероятностей погрешности измерений, в принципе, известна, но неточно - возможны небольшие отклонения вида реальной функции от предполагаемого вида. Это означает, что в метрологии технических измерений робастные методы неприменимы. Имеются публикации, где обоснованно отмечается, что погрешность измерений может иметь самые разнообразные функции распределения. В частности, например, в проекте Рекомендации ИСО ТАГ 4 / РГ 3 ( 1987 г.) - см. разд. Впрочем, подобное разнообразие реальных функций распределения погрешностей измерений известно и из других источников. [18]
На практике нередко бывает, что априорной информации недостаточно даже для выбора приближенного вида распределения погрешностей, а проверка гипотез согласия с одним из стандартных распределений либо не может быть выполнена, либо дает отрицательные результаты. Тогда целесообразно использовать прежде всего непараметрические оценки, которые имеют очень широкую область применения и мало зависят от конкретного распределения, хотя и менее эффективны, чем приведенные оптимальные или робастные методы. Пример - выборочная медиана, которая является надежной оценкой среднего для широкого класса распределений. [19]
Как можно судить по приведенным и другим высказываниям, математики связывают понятие о робастных методах с малыми отклонениями от предположений. Применительно к нашей задаче можно понимать, что робастные методы применимы в тех ситуациях, когда функция распределения вероятностей погрешности измерений, в принципе, известна, но неточно - возможны небольшие отклонения вида реальной функции от предполагаемого вида. Это означает, что в метрологии технических измерений робастные методы неприменимы. Имеются публикации, где обоснованно отмечается, что погрешность измерений может иметь самые разнообразные функции распределения. В частности, например, в проекте Рекомендации ИСО ТАГ 4 / РГ 3 ( 1987 г.) - см. разд. Впрочем, подобное разнообразие реальных функций распределения погрешностей измерений известно и из других источников. [20]
Поэтому предпочтительными в большинстве случаев являются робастные процедуры, так как они допускают плавный переход от полной выборки до существенного сокращения данных с учетом свойств конкретной выборки. Это преимущество становится особенно явным при переходе к более сложным задачам, например построению эмпирических зависимостей ( см. гл. Таким образом, необходимо как можно шире использовать робастные методы в измерительных задачах, для которых свойства устойчивости результатов особенно важны. [21]
Эти методы направлены на то, чтобы обеспечить устойчивость результатов статистических процедур к отклонениям вводимых предположений от действительности. Такая слишком, быть может, общая формулировка вызвана тем, что в математике, пока не установилось четкое определение понятия робастные методы. Об этом свидетельствуют такие, например, высказывания: Со словом робастность связывают - и подчас безосновательно - различные понятия. [22]