Реферат Курсовая Конспект
Сущность метода наименьших квадратов - раздел Образование, Статистический анализ ЭКСПЕРИМЕНТАЛЬНЫХ данных МЕТОДОМ наименьших квадратов Метод Наименьших Квадратов (Мнк) Получил Широкое Распространение При Обработк...
|
Метод наименьших квадратов (МНК) получил широкое распространение при обработке экспериментальных данных в целях исследования различных функциональных зависимостей, определения параметров распределений и т.д.
Существует широкий класс задач, в которых МНК является оптимальным методом обработки данных. В других классах задач использование МНК часто оправдывается алгоритмической простотой его реализации ценой небольших потерь в оптимальности получаемого результата. Для нелинейных задач статистического анализа данных зачастую невозможно использование каких-либо других методов, кроме МНК.
Эти и другие причины объясняют широкое распространение МНК при статистическом анализе экспериментальных данных, в частности, при выявлении функциональных зависимостей. Исторически МНК возник значительно раньше других методов обработки данных. Вероятностное обоснование МНК дано К. Гауссом в начале XIX в. и А.А. Марковым в начале XX в.
Предположим, что требуется определить компоненты вектора
A<k> = (a1, a2,…, ak)т,
который в общем случае не поддаётся непосредственному наблюдению. Однако можно наблюдать вектор
Y<n> = ( y1, y2,…, yn)т,
функционально связанный с искомым вектором A<k>:
Y<n> = F<n>(t; A<k>). (8.2.1)
При этом соотношение размерностей векторов A и Y может быть произвольным. В частном случае A может быть скалярной величиной, а Y – вектором, и наоборот.
В общем случае вектор-функция F является нелинейной. Схема оценивания, в которой по наблюдениям в некоторые моменты времени ti, одного набора параметров (в данном случае компонентов вектора Y) необходимо оценить компоненты другого набора параметров (компоненты вектора A), функционально связанного с первым, называется схемой косвенных наблюдений.
Процесс наблюдения всегда сопровождается ошибками. Наблюдаемое значение функции (8.2.1) в момент времени ti отклоняется от теоретического вследствие случайных факторов. Следовательно, результат наблюдения всегда представляет собой реализацию случайной величины. В общем случае ошибка наблюдения нелинейным образом связана с наблюдаемой функцией.
На практике часто удаётся путём линеаризации уравнений модели (8.2.1) относительно случайных ошибок свести уравнения к форме, когда случайные ошибки входят аддитивно или мультипликативно (см. §1.1). Однако наиболее простым и самым распространённым типом связи ошибок наблюдения и наблюдаемых величин является линейная аддитивная связь, когда модель наблюдения может быть представлена уравнениями
, , (8.2.2)
где – вектор аддитивной ошибки в i-й момент наблюдения.
В дальнейшем будем рассматривать эту схему наблюдения. Уравнения типа (8.2.2) называются уравнениями наблюдения. Поскольку компоненты вектораявляются случайными неизвестными наблюдателю величинами, то для поиска оценок вектора A<k> используется уравнение вида
, (8.2.3)
которое может оказаться и несовместным, поскольку отражает наблюдаемый процесс приближённо. Поэтому уравнение (8.2.3) принято называть условным.
Если моменты времени ti, представляют собой известные и в данной задаче фиксированные величины, то фактически вектор-функция F является функцией только вектора A. Поэтому в дальнейшем в число аргументов будем включать моменты времени ti тогда, когда они либо неизвестны, либо известны с ошибкой. С учётом сказанного уравнение наблюдения запишется в виде
. (8.2.4)
В соответствии с методом наименьших квадратов оценки компонентов вектора A отыскиваются на основе минимизации суммы квадратов отклонений между Y и F:
, (8.2.5)
где – вектор, представляющий собой решение задачи (8.2.5); Rk – k- мерное вещественное пространство.
Часто вместо минимизации квадратичной функции (8.2.5) для оценивания вектора A используют минимизацию квадратичной функции более общего вида:
, (8.2.6)
где Q[n] – неотрицательно определённая симметричная матрица, которая называется весовой.
Очевидно, что задача (8.2.5) является частным случаем задачи (8.2.6), если в качестве весовой выбрать единичную матрицу.
Показатель качества оценивания (8.2.5) в скалярной форме имеет вид
, (8.2.7)
где и fi, – компоненты вектора Y и вектор-функции F соответственно.
Скалярная форма показателя (8.2.6):
, (8.2.8)
Для сокращения записей, а также упрощения некоторых выкладок в последующем будем использовать в основном векторно-матричную запись показателя качества оценивания вектора A.
Необходимое условие минимума функции (8.2.5) или (8.2.6) состоит в том, что её частные производные по всем компонентам ai вектора A должны быть равны нулю:
, . (8.2.9)
Развёрнутый вид условий (8.2.9) в скалярной форме представляется следующей системой уравнений:
(8.2.10)
Система уравнений (8.2.10) в теории МНК называется системой нормальных уравнений. Её решение, т.е. вектор будем в дальнейшем называть МНК-оценкой.
П р и м е р 8.1. Требуется оценить скалярную величину a, для которой уравнение наблюдения имеет вид
, .
▼ Предположим, что оценку параметра a необходимо отыскивать минимизацией суммы квадратов отклонений
.
Тогда необходимое условие минимума этой суммы квадратов в соответствии с (8.2.9) запишется в виде
.
Оценка искомой величины
.
Следует заметить, что при решении данной задачи обоснование выбора функции V(a) отсутствовало, хотя ранее в § 2.4 указывалось, что оптимальный выбор данной функции диктуется условиями задачи.
Замечание приведено в связи с тем, что в дальнейшем будет даваться и иное решение этой же задачи. ▲
В общем случае система нормальных уравнений нелинейная относительно искомых параметров, а искомые параметры – компоненты вектора A – выражаются нелинейным образом через компоненты вектора наблюдения .
– Конец работы –
Эта тема принадлежит разделу:
На сайте allrefs.net читайте: "Статистический анализ ЭКСПЕРИМЕНТАЛЬНЫХ данных МЕТОДОМ наименьших квадратов"
Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: Сущность метода наименьших квадратов
Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:
Твитнуть |
Новости и инфо для студентов