Siebertz K., Bebber D., Hochkirchen T. Statistische Versuchsplanung: Design of Experiments (DoE)
Подождите немного. Документ загружается.
9.5 Zusammenfassung 245
reichend sind und hauptsächlich Unterschiede in der Konvergenzgeschwindigkeit
auftreten.
Da im Gegensatz zu den klassischen Verfahren mit nur einer Zielgröße und je-
weils einer aktuellen optimalen Lösung gleichzeitig mehrere Zielgrößen und da-
durch eine mehrdimensionale Pareto Grenze mit mehreren Lösungen optimiert wird,
sind meistens deutlich mehr Berechnungen durchzuführen. Daher ist es sinnvoll
komplexe Similuationsmodelle mit langen Rechenzeiten durch Metamodelle (Ka-
pitel 8) zu ersetzen.
Kapitel 10
Sensitivitätsanalyse
10.1 Einleitung
Mathematische Modelle von realen Systemen (medizinisch, physikalisch, ...) basie-
ren meist auf einer Vielzahl von komplexen, nichtlinearen und gekoppelten Glei-
chungssystemen. Voraussetzung für eine sinnvolle Analyse dieser Gleichungssyste-
me ist ein umfangreiches Verständnis von dem Einfluss der Varianz der Eingangs-
variablen x auf die Varianz der betrachteten Ausgangsgrößen y. In diesem Zusam-
menhang werden unter dem Begriff Sensitivitätsanalyse (SA) Verfahren bezeichnet,
die Kenngrößen ermitteln, welche den Zusammenhang zwischen der Varianz der
Eingangsgrößen x =
x
1
,···x
n
f
und der Varianz der Ausgangsgröße y ermitteln.
Grundsätzlich wird dabei zwischen drei Bereichen der Sensitivitätsanalyse un-
terschieden [149]:
Faktor Screening: Durch ein Faktor Screening wird der qualitative Einfluss von
Faktoren (Eingangsvariablen) auf eine Ausgangsvariable ermittelt. Dieses Verfahren
wird hauptsächlich zur Unterscheidung von signifikanten und nicht signifikanten
Faktoren eingesetzt, wobei keine quantitativen Kenngrößen ermittelt werden. Da in
der Praxis qualitative Vergleiche der Faktoren sinnvoll sind, wird im weiteren keine
spezielle Betrachtung dieses Bereichs dargestellt.
Lokale Sensitivitätsanalyse: Die lokale Sensitivitätsanalyse untersucht den Ein-
fluss von Faktoren bei einem bestimmten Funktionswert der Ausgangsvariable y
(zum Beispiel beim lokalen Optimum). Grundsätzlich wird dabei untersucht welche
Auswirkungen kleine Änderungen der Faktoreinstellungen auf die Ausgangsvaria-
blen haben. Mit diesen Verfahren werden beispielsweise Stabilitätsanalysen (Ro-
bustheit) für ausgewählten Faktorkombinationen durchgeführt.
Globale Sensitivitätsanalyse: Die globale Sensitivitätsanalyse ermittelt den Ein-
fluss von Faktoren bei Variation über ihren gesamten Definitionsbereich. Die hierzu
eingesetzten Verfahren haben sich in der Praxis besonders bewährt um ein besseres
Verständnis für die Wichtigkeit von Faktoren in einem Modell zu erlangen und diese
gleichzeitig untereinander zu vergleichen. Der grundsätzliche Ablauf der globalen
Sensitivitätsanalyse ist in Abbildung 10.1 dargestellt [149].
K. Siebertz et al., Statistische Versuchsplanung, VDI-Buch, 247
DOI 10.1007/978-3-642-05493-8_10, © Springer-Verlag Berlin Heidelberg 2010
248 10 Sensitivitätsanalyse
Verschiedene Faktoren (x
1
,···,x
n f
) weisen gleiche oder unterschiedliche Vertei-
lungen auf. Die Varianz führt in Abhängigkeit vom verwendeten deterministischen
Modell zu einer Varianz der Ausgangsvariable y. Durch die globale Sensitivitäts-
analyse wird der Anteil der Varianz von y bestimmt, welcher durch den Faktor x
j
verursacht wird. Damit ist ein Vergleich der Signifikanz verschiedener Faktoren für
die Ausgangsvariable y möglich.
Abb. 10.1 Globale Sensitivitätsanalyse
10.2 Sensitivitätsanalyse bei Linearen Modellen
In vielen Bereichen werden auch heute noch sinnvollerweise lineare Approximati-
onsmodelle (LA) der folgenden Grundform eingesetzt:
y
i
= c
0
+
∑
n
f
j=1
c
j
·x
i j
+ ε
i
(10.1)
Für diese Modelltypen gibt es eine Vielzahl von Methoden den Einfluss eines Fak-
tors x
j
auf die Ausgangsvariable y zu bestimmen. Die im folgenden dargestellten
Sensitivitätsanlysen basieren grundsätzlich auf reellen Werten für x
i j
und y. Zur
Stabilisierung der Algorithmen (zum Beispiel bei nicht gaussverteilten Daten oder
bei Ausreißern) können die Daten durch Ihren Rang ersetzt werden. Dazu werden
die Daten im ersten Schritt aufsteigend nach ihrer Größe sortiert und anschließend
durchgehend nummeriert. Beispiel: y
3
≤ y
1
≤ y
4
··· → y
3
= 1, y
1
= 2, y
4
= 3 ···.
Ob die Verwendung des Rangs sinnvoll ist, muss in jedem Anwendungsfall separat
entschieden werden, da durch dieses Verfahren Informationen der Daten (z.B. die
Verteilungsform) verloren gehen.
10.2.1 Normierte Regressionskoeffizienten
Ein- und Ausgangsvariablen eines untersuchten Systems können mittels der jeweili-
gen Standardabweichung
σ
y
,σ
x
j
und des Mittelwerts ( ¯y, ¯x
j
) folgendermaßen nor-
x
1
x
n
f
x
1
x
n
f
10.2 Sensitivitätsanalyse bei Linearen Modellen 249
miert werden.
x
i j
norm
=
¯x
j
−x
i j
σ
x
j
, y
i
norm
=
¯y −y
i
σ
y
, i = 1···n
r
, j = 1···n
f
(10.2)
Die Koeffizienten des Regressionsmodells, welche auf den normierten Variablen
basieren, werden als normierte Regressionskoeffizienten (SRC) (standardized re-
gression coefficient) bezeichnet und sind ein Maß für den Einfluss jedes Faktors x
j
(Eingangsvariable) auf die Ausgangsvariable y. Je größer der SRC-Wert ist desto
größer ist der Einfluss der zugehörigen Variablen. Liegt bereits ein Regressionsmo-
dell basierend auf nicht normierte Variablen vor, so können die normierten Regres-
sionskoeffizienten direkt mit folgender Gleichung ermittelt werden [50]:
b
j
norm
= b
j
σ
x
j
σ
y
(10.3)
10.2.2 Partialsumme der Quadrate
Die klassische ANOVA (siehe Kapitel 4.5) unterteilt die Varianz des linearen Re-
gressionsmodells in die folgenden Bestandteile (SSTO: total sum of squares SSE:
error sum of squares SSR: regression sum of squares) :
SSTO = SSR + SSE (10.4)
SSTO =
n
r
∑
i=1
(y
i
− ¯y)
2
, SSE =
n
r
∑
i=1
(y
i
− ˆy
i
)
2
, SSR =
n
r
∑
i=1
( ˆy
i
− ¯y)
2
(10.5)
R
2
= 1 −
SSE
SSTO
=
SSR
SSTO
(10.6)
Der Determinationskoeffizient R
2
ist dabei ein Maß für die Güte des Modells.
x
(1)
,x
(2)
sind nun zwei Untergruppen der betrachteten Faktoren, wobei kein Faktor
in beiden Gruppen gleichzeitig enthalten ist. SSR(x
(1)
) bzw. SSR(x
(1)
,x
(2)
) geben
jeweils den SSR-Wert für Regressionsmodelle an, welche nur die Faktoren aus der
Untergruppe x
(1)
bzw. aus beiden Untergruppen enthalten. Der Wert SSR(x
(2)
|x
(1)
)
misst die Verringerung des Modellfehlers für den Fall, dass einem Regressionsmo-
dell, basierend auf den Faktoren der Gruppe x
(1)
, die Faktoren aus der zweiten Grup-
pe x
(2)
hinzugefügt werden. Dabei gilt:
SSR(x
(2)
|x
(1)
) = SSR(x
(1)
,x
(2)
) −SSR(x
(1)
) = SSE(x
(1)
) −SSE(x
(1)
,x
(2)
) (10.7)
Besteht nun die Gruppe x
(2)
lediglich aus einem Faktor x
j
und die Gruppe x
(2)
aus
allen restlichen Faktoren (x
−j
) kann durch
p
j
= SSR (x
j
|x
−j
) = PSS (10.8)
250 10 Sensitivitätsanalyse
die Wichtigkeit der Eingangsvariablen (Faktors) x
j
auf die Ausgangsvariable y be-
stimmt werden, wobei p
j
als ’partial sum of squares’ (PSS) bezeichnet wird [50].
10.2.3 Partieller Determinationskoeffizient
Basierend auf den Gleichungen aus Kapitel 10.2.2 wird der partielle Determinati-
onskoeffizient (coefficient of partial determination) definiert:
CPD =
q
R
2
x
j
|x
−j
=
SSR (x
j
|x
−j
)
SSE (x
j
)
(10.9)
Der CPD ist ebenfalls ein Maß auf die Wichtigkeit des Faktors x
j
für die Ausgangs-
variable y.
10.2.4 Predictive Error Sum of Squares
Mit dem Begriff Predictive Sum of Squares (PRESS) wird in der Literatur der fol-
gende Kennwert bezeichnet
PRESS =
∑
n
r
i=1
(y
i
− ˆy
−i
)
2
, (10.10)
welcher ein Maß für die Güte des verwendeten Modells darstellt. Dabei steht ˆy
−i
für die Vorhersage von y
i
, wenn ein Regressionsmodell verwendet wird, welches
ohne den i
ten
Datenpunkt, also mit n
r
−1 Datenpunkte erzeugt wurde. Wird nun der
PRESS ohne den Faktor x
j
also mit n
f
−1 Faktoren erstellt, so kann der Kennwert
PRESS
−j
als Maß für die Wichtigkeit des Faktors x
j
für die Ausgangsvariable y in-
terpretiert werden. Dabei steht ein höherer PRESS
−j
Wert für wichtigere Faktoren,
da durch die Vernachlässigung eines wichtigen Faktors die Güte des Regressions-
modell stärker verringert wird als bei Vernachlässigung eines unwichtigen Faktors
[50].
10.2.5 Partielle Korrelationsfaktoren
Die Korrelation zwischen y und einem Faktor x
k
wird durch den Partial Correlation
Coefficient (PCC) beschrieben. Zur Berechnung dieses Kennwerts werden Regres-
sionsmodelle für y und x
k
basierend auf allen Faktoren außer Faktor k erstellt.
ˆy
i
= c
o
+
∑
j6=k
c
j
x
i j
und ˆx
ik
= b
o
+
∑
j6=k
b
j
x
i j
, i = 1···n
f
(10.11)
10.3 Sensitivitätsanalyse bei nichtlinearen Modellen 251
Die Korrelation zwischen (y
i
− ˆy
i
) und (x
ik
− ˆx
ik
) wird als Maß für die Korrelation
zwischen x
k
und y interpretiert [50]. Eine stärkere Korrelation steht dabei für einen
wichtigeren Faktor x
k
bezüglich y.
10.3 Sensitivitätsanalyse bei nichtlinearen Modellen
Die Bedeutung von nichtlinearen Modellen wie sie durch Neurale Netzwerke oder
Regression Splines (Kapitel 8) erzeugt werden nimmt stetig zu. Sie sind in un-
terschiedlichen Bereichen bereits unverzichtbar geworden. Verfahren zur globalen
Sensitivitätsanalyse, die auf linearen Modellen basieren, können bei nichtlinearen
Zusammenhängen nicht sinnvoll eingesetzt werden, so dass auf die sogenannten
Varianz basierten Sensitivitätsanalysen zurückgegriffen werden muss [149].
10.3.1 Korrelationsverhältnis
Die Varianz der Ausgangsvariablen y bezüglich eines Faktors x
j
kann in die folgen-
den Bestandteile aufgespalten werden [143, 149]:
V (Y ) = V [E (Y |X
j
)] + E [V (Y |X
j
)] (10.12)
Dabei wird der erste Term als Varianz bedingte Erwartung (variance conditional
expectation (VCE)) bezeichnet und ist ein brauchbares Maß für den Zusammenhang
zwischen x
j
und y (siehe auch Kapitel 3.3.2). Basierend auf dem VCE wird das
Korrelationsverhältnis (correlation ratio (KV)) definiert:
KV
j
=
V [E (Y |X
j
)]
V (Y )
; 0 ≤ KV
j
≤ 1 (10.13)
Der Wert des Korrelationsverhältnisses für einen Faktor x
j
(KV
j
) steigt mit der
Wichtigkeit von x
j
auf die Varianz der Ausgangsvariable y an. Bei Verwendung
eines linearen Modells ist das Korrelationsverhältnis gleich dem Determinationsko-
effizient aus Kapitel 10.2.2
R
2
j
= KV
j
.
Zur Abschätzung des Korrelationsverhältnisses schlägt MCKAY [114] ein Ver-
fahren basierend auf Latin Hypercube Sampling (LHS) aus Kapitel 7.3.3 vor. Dabei
wird ein wLHS
n
r
verwendet, welches aus n
r
Versuchsläufen und w Wiederholungen
besteht. Die w Wiederholungen können dabei durch einfache Permutationen der ein-
zelnen Spalten des ersten LHS erzeugt werden [149]. Eine Abschätzung für V (Y )
wird damit folgendermaßen berechnet:
d
V (Y ) =
1
n
r
w
n
r
∑
i=1
w
∑
k=1
(y
ik
− ¯y)
2
mit ¯y =
1
n
r
w
∑
n
r
i=1
∑
w
k=1
y
ik
(10.14)
252 10 Sensitivitätsanalyse
McKay konnte zeigen, dass eine Abschätzung für KV gegeben ist durch [113]:
d
KV (X
j
) =
w
∑
n
r
i=1
(y
i
− ¯y)
2
∑
n
r
i=1
∑
w
k=1
(y
ik
− ¯y)
2
(10.15)
Die Abschätzung konvergiert mit steigender Anzahl der Wiederholungen zum wah-
ren Wert des Korrelationsverhältnisses.
Importance Measure
HORA und IMAN führen zur Beurteilung des Einflusses von Faktor x
j
auf die Aus-
gangsvariable y den Kennwert Importance Measure I
j
ein [22]:
I
j
=
q
V (Y ) −E [V (Y |X
j
)] =
q
U
j
−[E (Y )]
2
(10.16)
Dabei wird U
j
definiert durch:
U
j
=
Z
[E (Y |X
j
)]
2
pdf(X
j
)dX
j
(10.17)
pdf ist dabei die Wahrscheinlichkeitsdichte (probability density function) des Fak-
tors x
j
. Da der Term E (Y ) konstant ist, kann die Wichtigkeit des Faktors x
j
direkt
durch U
j
beurteilt werden, wobei bei steigender Bedeutung des Faktors x
j
der Wert
von U
j
wächst. Der Zusammenhang zwischen KV und I
j
ist gegeben durch:
KV =
I
2
j
V (Y )
(10.18)
Soll U
j
abgeschätzt werden, so kann dieses durch folgenden Ansatz erfolgen
[159]:
c
U
j
=
1
n
r
∑
n
r
i=1
y
i
x
a
−j
,x
j
y
i
x
b
−j
,x
j
(10.19)
Zur Berechnung von y
i
x
a
−j
,x
j
und y
i
x
b
−j
,x
j
werden dabei zwei unterschied-
liche Testfelder verwendet, bei denen nur die Werte des Faktors x
j
identisch sind.
Die zur Berechnung des Korrelationsverhältnisses benötigten Funktionswerte E (Y )
und V (Y ) können durch eine einfache Monte-Carlo-Simulation (Kapitel 7.3.1) ab-
geschätzt werden. Für die Approximation des Korrelationsverhältnisses gilt dann:
d
KV
j
=
c
U
j
−
d
E (Y )
2
d
V (Y )
(10.20)
Mittlere Stichprobe
Eine weitere Berechnungsmethode des Korrelationsverhältnisses stellt REEDIJK vor
(Mittlere Stichprobe) [149]. Dabei werden im ersten Schritt n
∗
r
= 100n
r
unterschied-
liche Versuchsläufe durchgeführt. Anschließend werden die Versuchsläufe nach auf-
steigenden Faktorstufen des zu untersuchenden Faktors x
j
sortiert und in 100 gleiche
Gruppen der Größe n
r
aufgeteilt. Für jede Gruppe wird anschließend der Erwar-
10.3 Sensitivitätsanalyse bei nichtlinearen Modellen 253
tungswert E
k
(Y |X
j
) =
∑
y
j(k)
n
r
ermittelt. Mit steigendem n
r
konvergiert die Varianz
der 100 Erwartungswerte zur Varianz bedingten Erwartung (VCE), mit dem das
Korrelationsverhätnis (Gleichung 10.13) berechnet wird.
Robustheit und Ausreißer
Die Berechnung des Korrelationsverhältnisses wird stark durch Ausreißer beein-
flusst. Zur Verbesserung der Robustheit schlagen HORA und IMAN [152] vor die
Ausgangsvariable y durch log(y) zu ersetzen. Damit folgt für das KV
log
:
KV
log
j
=
V [E (log(Y ) |X
j
)]
V (log (Y ))
0 ≤ KV
log
j
≤ 1 (10.21)
Eine Interpretation des Ergebnisses bezüglich der ursprünglichen Ausgangsvariable
y ist jedoch schwierig.
Die Steigerung der Robustheit kann beim Korrelationsverhältnis ebenfalls durch
die Verwendung des Rangs als Ersatz für die wahren Funktionswerte erreicht wer-
den. Hier gilt jedoch entsprechend zu Kapitel 10.2, dass nicht der wahre Anteil
der Varianz sondern nur ein qualitativer Vergleich der Varianzanteile verschiedener
Faktoren bestimmt werden kann.
10.3.2 Sobol’s Kennzahl
Zur Bestimmung der Sensitivität eines Faktors x
j
auf die Ausgangsvariable y teilt
das Verfahren nach Sobol die Funktion y(x
1
,···,x
n
f
) in Summanden steigender
Ordnung auf. Für dieses Verfahren müssen alle untersuchten Faktoren im Bereich
0 ≤x
j
≤1 definiert sein. Unter einigen Annahmen [172] kann jede zu untersuchen-
de Funktion eindeutig in die folgenden Summanden aufgeteilt werden:
y
x
1
,···,x
n
f
= g
0
+
n
f
∑
j=1
g
j
(x
j
) +
∑
1≤j<k≤n
f
g
jk
(x
j
,x
k
) + ···+ g
1,···,n
f
x
j
,···,x
n
f
(10.22)
Dabei steht g
jkl
zum Beispiel für einen Summanden, der nur die Faktoren x
j
, x
k
und
x
l
enthält. In der Gleichung 10.22 ist g
0
eine Konstante und allgemein definiert als:
g
0
=
Z
1
0
y
x
1
,···,x
n
f
dx
1
,···,x
n
f
(10.23)
Für die Integration jedes einzelnen Summanden muss gelten:
Z
1
0
g
j
1
···j
s
dx
j
l
= 0, 1 ≤ l ≤ s (10.24)
Weiterhin müssen alle Summanden der Gleichung 10.22 orthogonal zueinander
sein, so dass gilt:
254 10 Sensitivitätsanalyse
Z
1
0
g
j
1
···j
s
1
g
k
1
···k
s
2
dx
j
l
= 0 mit
{
j
1
,···, j
s
1
}
6=
{
k
1
,···,k
s
2
}
(10.25)
Eine allgemeine Abschätzung der Sensitivität der Faktoren j
1
,···, j
s
ist mit diesen
Randbedingungen nach Sobol gegeben durch [172]:
S
j
1
···j
s
=
D
j
1
···j
s
D
(10.26)
Die vollständige Varianz D und die partielle Varianz D
j
1
···j
s
sind dabei wie folgt
definiert:
D =
Z
1
0
y
2
x
1
,···,x
n
f
dx
l
−g
2
0
, 1 ≤ l ≤ n
f
(10.27)
D
j
1
···j
s
=
Z
1
0
g
2
j
1
···j
s
dx
j
l
, 1 ≤ l ≤ s (10.28)
Bei Berücksichtigung eines einzelnen Faktors x
j
(S
j
), wird vom Sensitivitätsindex
(SI) erster Ordnung gesprochen (first oderer sensitivity index).
S
j
=
D
j
D
(10.29)
Er gibt den Haupteffekt des Faktors x
j
auf y an und entspricht dem Korrelationsver-
hältnis aus Kapitel 10.3.1. Als Sensitivitätsindex zweiter Ordnung wird S
jk
( j 6= k)
bezeichnet und entsprechendes gilt für höhere Ordnungen.
Grundsätzlich gelten folgende Eigenschaften für die Summe aller D und S:
D =
∑
D
j
1
···j
s
und
∑
S
j
1
···j
s
= 1 (10.30)
Bei gegebener Funktion y (x) und den dazugehörigen Summanden g
j
1
···j
s
können
die benötigten Terme zum Beispiel mittels einer einfachen Monte-Carlo-Simulation
ermittelt werden:
ˆ
D =
1
n
r
n
r
∑
i=1
y
2
(x
i
) − ˆg
2
0
mit ˆg
0
=
1
n
r
n
r
∑
i=1
y(x
i
)
ˆ
D
i
1
···i
s
=
1
n
r
n
r
∑
i=1
g
2
i
1
···i
s
(x
i
)
(10.31)
Die Verwendung von Sobol’s Kennzahlen ergibt einen guten Einblick in die Zu-
sammenhänge von Faktoren und Ausgangsvariablen bei nichtlinearen und linearen
Systemen. Bei steigender Anzahl von Faktoren steigt der Rechenaufwand jedoch
stark an.
10.3 Sensitivitätsanalyse bei nichtlinearen Modellen 255
10.3.3 Totaler Sensitivitätsindex
Neben der Analyse des Haupteffekts eines Faktors x
j
ist ebenfalls der gesamte Ef-
fekt des Faktors inklusive aller Interaktionen von großem Interesse für eine Analyse
nichtlinearer Systeme. HOMMA und SALTELLI [72] teilen dazu die Summanden aus
Gleichung 10.22 wie folgt auf:
y
x
1
,···,x
n
f
= g
0
+ g
j
(x
j
) + g
−j
(x
−j
) + g
j,−j
(x
j
,x
−j
) (10.32)
Wobei x
−j
die Gruppe aller Faktoren bis auf x
j
repräsentiert. Die Funktionen g
j
, g
−j
und g
j,−j
beinhalten alle Terme, die nur x
j
, x
−j
bzw. alle restlichen Terme enthalten.
Die gesamte Varianz D kann dadurch in die folgenden Terme aufgeteilt werden:
D = D
j
+ D
−j
+ D
j,−j
(10.33)
Der totale Sensitivitätsindex, welcher den Effekt von Faktor x
j
inklusive des
Haupteffekts und aller Interaktionen beschreibt, ist definiert durch:
S
T
j
= S
j
+ S
j,−j
= 1 −S
−j
(10.34)
S
−j
ist dabei die Summe aller S
i
1
···i
s
Werte, die den Faktor j nicht enthalten. Er kann
durch eine Monte-Carlo-Simulation abgeschätzt werden.
S
T
j
= 1 −
ˆ
D
−j
ˆ
D
= 1 −
1
n
r
n
r
∑
i=1
y
∗
i
y
i
− ˆg
2
0
ˆ
D
(10.35)
y
∗
i
steht dabei für den i
ten
Wert von y, wobei die gleichen Faktoren wie für y
i
einge-
setzt werden und lediglich der Faktor x
j
zufällig neu gewählt wird.
10.3.4 FAST (Fourier Amplitude Sensitivity Test)
Der Fourier Amplitude Sensitivity Test (FAST) wurde zuerst in den 70
er
Jahren von
CUKIER et al. dargestellt [26, 28, 27, 91]. Gegenüber Sobol’s Kennzahlen (Kapitel
10.3.2) zeichnet es sich besonders durch einen Ressourcen-effizienteren Rechenal-
gorithmus aus. Die mehrdimensionale Integration im Verfahren von Sobol wird da-
bei durch eine eindimensionale Analyse ersetzt. Dazu wird der n
f
-dimensionale
Faktorraum entlang einer einzelnen vorgegebenen Kurve analysiert. Die Kurve wird
dabei durch eine einzelne Laufvariable s eindeutig definiert. Die ursprünglichen
Faktorstufen werden dazu durch die folgende Funktion ersetzt [160]:
x
j
= G
j
(sin[ω
j
s]) −∞ ≤ s ≤ ∞ (10.36)