Sunteți pe pagina 1din 8

Prof. dr. ing. Ion COPAE Academia Tehnic Militar, Bucureti, email: ioncopae@hotmail.

com

CAPITOLUL 3
ESTIMAREA MRIMILOR FUNCIONALE CU AJUTORUL ALGORITMULUI BOOTSTRAP
3.1. ALGORITMUL BOOTSTRAP Aa cum se menioneaz n literatura de specialitate, tehnicile bootstrap se folosesc acolo unde statistica clasic este insuficient sau nu se poate aplica din diferite motive. Un prim exemplu se refer la faptul c statistica clasic efectueaz predicia doar asupra setului concret de date experimentale, folosind intervalele de ncredere; se spune c statistica clasic ofer un singur orizont de predicie. De asemenea, mai trebuie reamintit c statistica clasic se bazeaz pe legea numerelor mari, care solicit foarte multe valori; aadar, n cazul unor probe ceva mai puine sau chiar unicat, rezultatele obinute pot fi mai mult sau mai puin ndoielnice. n sfrit, mai trebuie observat c statistica clasic opereaz cu un numr de legi de distribuie cunoscute. Dar, de regul, prelucrarea datelor experimentale a artat c acestea nu se supun nici unei legi de repartiie din cele cunoscute n statistica clasic. Au fost enumerate astfel trei motive principale pentru care abordrile actuale ale dinamicii unui sistem oarecare apeleaz la tehnici neconvenionale de studiu, cele mai folosite fiind algoritmii bootstrap. Tehnicile bootstrap constau n reeantionarea seriei dinamice experimentale (reeantionarea fiind o alt denumire pentru bootstrap) pe baza unor legi de distribuie stocastice, deci nu din cele clasice uzual folosite (normal, Weibull etc.); cele mai utilizate au la baz procese Markov, metoda Monte Carlo .a. Dup cum se remarc, algoritmii bootstrap consider fiecare prob ca fiind irepetabil, ceea ce este adevrat, fiind cunoscut faptul c niciodat nu se pot obine dou rezultate absolut identice. Principiul tehnicii bootstrap este urmtorul, cu exemplificare pentru viteza de deplasare V. Se cunoate din experimentri seria dinamic discret cu n valori, ce constituie mrimea vectorial: V = { V1, V2 , ... , Vn }
1

(3.1)

cu funcia de distribuie necunoscut F i se dorete estimarea = S (V ) a setului de parametri caracteristici = f ( F ) aferent mulimii de valori ale vitezei de deplasare V. Aplicarea acestui principiu presupune efectuarea a doi pai de calcul: - stabilirea a B predicii (probe) cu acelai numr de valori i cu aceeai specificaie (medie, dispersie etc.) ca cele ale seriei experimentale, care se supun legii de distribuie necunoscute F:
* Vi* = V1* , V2*i , ... , Vni ; i = 1,2, ... , B i

(3.2)

- estimarea setului de parametri caracteristici = S (V ) pentru fiecare prob obinut prin reeantionare: (i ) = S (Vi* ); i = 1,2, ... , B (3.3)

Spre exemplu, dac se impune ca specificaie valoarea medie a vitezei de deplasare, atunci pentru proba L43 a autoturismului Logan se obin valorile din fig.3.1 pentru 200 predicii (deci orizontul de predicie este 200); altfel spus, valorile din fig.3.1 se obin dac s-ar efectua 200 probe experimentale n aceleai condiii ca proba L43. Dup cum se remarc din fig.3.1b, valoarea medie experimental a vitezei este de 80,6 km/h, iar prin algoritmul bootstrap se estimeaz c valoarea medie variaz ntre 79,0 km/h i 82,4 km/h.

Fig.3.1
2

n mod similar, pentru abaterea standard impus algoritmului, la aceeai prob experimental anterioar, rezult graficele din fig.3.2. Dac se impune ca cerin dispersia vitezei, atunci rezult fig.3.3, iar dac impunerea este norma 2 se obine fig.3.4.

Fig.3.2

Fig.3.3
3

Fig.3.4 Spre exemplu, din fig.3.2 se constat c abaterea standard experimental este de 10,1 km/h, iar cea obinut pentru cele 200 predicii prin algoritm bootstrap variaz ntre 8,8 km/h i 11,2 km/h; similar se interpreteaz i celelalte grafice prezentate. 3.2. STUDIUL DINAMICII AUTOVEHICULELOR Dup cum s-a constatat din cele prezentate, algoritmul bootstrap permite stabilirea unor indici ai mrimilor funcionale (medie, dispersie, norma 2 etc.) prin impunerea unor orizonturi de predicie. Aa cum se va constata n continuare, pornind de la aspectul menionat, algoritmul bootstrap permite rezolvarea i a altor probleme, de exemplu estimarea valorilor mrimilor funcionale, estimarea intervalelor de ncredere etc. Exemplele prezentate anterior au vizat doar o prob experimental i s-a impus orizontul de predicie B=200; aceasta nseamn c s-a considerat o repetare, n aceleai condiii, de 200 ori a probei L43. Dac se vizeaz toate cele 50 probe experimentale avute la dispoziie i se pstreaz repetarea de 200 ori a fiecrei probe, se obine un orizont de predicie B=10000. n acest sens, n fig.3.5 se prezint valorile medii ale vitezei de deplasare, iar n fig.3.6 ale consumului de combustibil la 100 km, la ambele cu un orizont de predicie B=10000, deci au fost vizate toate cele 50 probe avute la dispoziie. Dup cum se constat din fig.3.5, viteza medie experimental (a celor 50 probe) este de 67,9 km/h, iar conform algoritmului bootstrap, se estimeaz c viteza medie variaz n plaja 67,168,8 km/h n cazul B=10000.
4

Fig.3.5 n mod similar, din fig.3.6 rezult c valoarea medie experimental a consumului de combustibil este de 6,38 litri/100 km, iar conform algoritmului bootstrap, se estimeaz c valoarea medie variaz n plaja 6,326,43 litri/100 km la un orizont de predicie egal cu 10000.

Fig.3.6 Graficul din fig.3.7a arat c valoarea maxim a acceleraiilor autovehiculului variaz n plaja 2,402,81 m/s2, condiiile de studiu fiind cele
5

anterioare. n mod similar, din fig.3.7b se constat c valoarea maxim a deceleraiilor autovehiculului variaz n plaja -2,59 -2,85 m/s2, pentru un orizont de predicie B=10000 (fiecare din cele 50 probe se repet de 200 ori).

Fig.3.7 Pentru a permite o comparaie asupra stabilirii intervalelor de ncredere prin algoritmul bootstrap i prin statistica clasic, n fig.3.8 este vizat viteza probei L19 a autoturismului Logan, iar n fig.3.9 consumul orar de combustibil.

Fig.3.8
6

Fig.3.9 n mod similar, tot pentru a permite o comparaie asupra stabilirii intervalelor de ncredere prin algoritmul bootstrap i prin statistica clasic, n fig.3.10 este vizat puterea motorului la proba L39 a autoturismului Logan, iar n fig.3.11 momentul motor.

Fig.3.10
7

Fig.3.11 Dup cum se remarc din cele patru grafice anterioare, algoritmul bootstrap stabilete intervalele de ncredere cu o precizie mai mare, curbele aferente statisticii clasice fiind n exteriorul celorlalte. n cele patru grafice sunt redate i valorile medii pe prob conform algoritmului bootstrap i statisticii clasice, la care se adaug valoarea experimental; dup cum se constat, aspectul menionat la intervalele de ncredere rmne valabil i la valorile medii ale mrimilor funcionale. Algoritmul bootstrap poate fi aplicat i pentru alte scopuri, de exemplu n vederea stabilirii unor modele matematice neparametrice. Mai trebuie remarcat c algoritmii bootstrap asigur stabilirea unor plaje de valori ale mrimilor vizate pentru un anumit regim funcional, ceea ce nseamn c pot fi utilizai i pentru analiza robust a dinamicii autovehiculelor (dinamica acestora n condiii de incertitudine).