Метод наименьших квадратов и его применения.
Задача приближения функции возникает при решении многих задач, а иногда и как самостоятельная. Например, если известна некоторая функция, которая задана аналитически или таблично, но получение значений этой функции сопряжено с большим объемом вычислений, то можно поставить задачу приближения этой функции другой функцией, близкой к исходной, но более удобной для расчетов. Например, замена функции многочленом позволяет получать простые формулы численного дифференцирования и интегрирования. Возникает также и другая задача – восстановление аналитического вида функции на некотором отрезке по заданным на нём значениям функции в дискретном множестве точек. Замена таблицы приближающей функцией позволяет получать ее значения в промежуточных точках. Теория приближения функций является важным вспомогательным аппаратом при численном решении дифференциальных уравнений. В общем случае при постановке задачи приближения необходимо решить следующие вопросы. Во-первых, требуется определить, какой класс приближающих функций необходимо выбрать. Здесь все зависит от вида приближаемой функции и целей, для которых в дальнейшем будет использоваться приближающая функция. Широко используются следующие классы функций: многочлены, тригонометрические функции, показательные и логарифмические функции и др. Во-вторых, необходимо выбрать критерий близости исходной и приближающей функций. В качестве критерия можно выбрать, например, точное совпадение приближаемой и приближающей функций – задача интерполирования. Но при большом количестве узлов он является неудобным и сложным, так как потребует нахождения либо многочлена большой степени, либо другой громоздкой функции с графиком, проходящим через все табличные точки. Часто с помощью какой-либо простой функции с проходящим около табличных точек графиком удается добиться эффекта сглаживания ошибок и получить достаточно точное приближение. В общем случае, необходимо добиться того, чтобы отклонение приближающей функции от приближаемой в табличных точках было минимально Но использовать в качестве критерия близости сумму отклонений не имеет смысла, т. к. при сложении разности будут компенсировать друг друга. Поэтому, учитывая также и то, что величина погрешности в экспериментальных точках может быть разной, необходимо минимизировать среднее значение суммы абсолютных погрешностей в заданных точках. Если приближаемая функция y = f(x) задана таблицей своих значений: yj = f(xj), j = 1, 2, ..., n, и имеется некоторая приближающая функция Ф(х), определенная для всех значений xj, то данный критерий запишется следующим образом:
Это условие было предложено Эджвортом. В современной литературе этот способ аппроксимации носит название равномерное приближение. Однако приближение функций по этому способу в широкое употребление не вошло. Вместо среднего значения модуля отклонения используется среднее квадратическое отклонение эмпирической и теоретической величины в соответствии с выражением: Если же приближаемая функция y = f (x) задана аналитически, т. е. она считается известной в любой точке x отрезка [a; b], то близость между y и приближающей функцией Ф(x) понимается в интегральном смысле: Такой выбор критерия близости и используется в методе наименьших квадратов. Метод наименьших квадратов был предложен в начале XIX столетия К. Гауссом (1794–95) и независимо от него А. Лежандром (1805–06). Первоначально этот метод использовался для обработки результатов астрономических и геодезических наблюдений. Строгое математическое обоснование и установление границ содержательной применимости метода наименьших квадратов были даны А. А. Марковым и А. Н. Колмогоровым. Сейчас этот метод представляет собой один из важнейших разделов математической статистики и широко используется для статистических выводов в различных областях науки и техники. Сущность обоснования метода наименьших квадратов (по Гауссу) заключается в допущении, что «убыток» от замены точного (неизвестного) значения физической величины её приближённым значением X, вычисленным по результатам наблюдений, пропорционален квадрату ошибки: (X – μ)2, где μ – оцениваемая величина. В этих условиях оптимальной оценкой естественно признать такую лишённую систематической ошибки величину X, для которой среднее значение "убытка" минимально. Именно это требование и составляет основу метода наименьших квадратов. Рассмотрим частный случай зависимости наблюдаемой величины от искомых параметров : . В дискретных значениях аргумента получим n значений , где - ошибка измерения величины l в момент . Обозначим: . Теперь для определения искомых x, y, z будем иметь систему n уравнений: . Критерий будет выглядеть следующим образом: . Построим систему нормальных уравнений: , , . Выполнив дифференцирование, получим , , . Имеем систему, состоящую из трех линейных уравнений с тремя неизвестными, которую легко тем или иным способом решить. Для обозначения сумм произведений или квадратов Гаусс предложил применять прямые скобки следующим образом , и т.д. В этих обозначениях нормальные уравнения примут вид , , . Основное свойство нормальных уравнений - симметричность матрицы системы: Решить эту систему можно используя, например, формулы Крамера, или один из матричных способов. Покажем численный пример применения МНК для аппроксимации результатов эксперимента линейным уравнением первой степени. В результате эксперимента получены семь значений искомой функции Y при семи значениях аргумента X. Используя метод наименьших квадратов, найти функциональную зависимость между Х и У в виде линейной функции у = ах + b. Построить график этой функции. Отметить экспериментальные значения.
Решение: Построим корреляционное поле по данным семи наблюдений. Получили точки определяющие линию регрессии У на Х. Характер изменения функции У позволяет предположить, что зависимость между У и Х близка к линейной вида у = ах + b. Коэффициенты "a и b" уравнения найдём, выполнив необходимые вычисления: Расчеты сведем в таблицу. В правом столбце этой таблицы записаны суммы по её строкам.
Нормальные уравнения для этого случая будут иметь вид: Из этих уравнений имеем:
Т.о. линейная зависимость У от Х имеет вид: . По этому уравнению вычислены теоретические значения величины . Прямая линия зависимости У от Х построена вместе с ломаной линией по двум точкам: При х = 1. у = 7,443 – 0,5464·1 = 6,897. При х = 7. у = 7,443 – 0,5464·7 = 3,618. Определив сумму квадратов отклонений измеренной величины "у" от её средних значений и сумму квадратов отклонений этой величины от её значений, полученных по уравнению регрессии , можно оценить качество полученного уравнения по коэффициенту детерминации: Это означает, что зависимость переменной "у" от переменной "х" определяется полученным уравнением регрессии на 78,1%, а вариация величины "у" на оставшиеся 21,9% объясняется другими факторами.
Популярное: Почему двоичная система счисления так распространена?: Каждая цифра должна быть как-то представлена на физическом носителе... Модели организации как закрытой, открытой, частично открытой системы: Закрытая система имеет жесткие фиксированные границы, ее действия относительно независимы... Организация как механизм и форма жизни коллектива: Организация не сможет достичь поставленных целей без соответствующей внутренней... Почему человек чувствует себя несчастным?: Для начала определим, что такое несчастье. Несчастьем мы будем считать психологическое состояние... ©2015-2024 megaobuchalka.ru Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. (239)
|
Почему 1285321 студент выбрали МегаОбучалку... Система поиска информации Мобильная версия сайта Удобная навигация Нет шокирующей рекламы |