Наименьших квадратов метод это:

Наименьших квадратов метод
        один из методов ошибок теории (См. Ошибок теория) для оценки неизвестных величин по результатам измерений, содержащим случайные ошибки. Н. к. м. применяется также для приближённого представления заданной функции другими (более простыми) функциями и часто оказывается полезным при наблюдений обработке (См. Наблюдений обработка). Н. к. м. предложен К. Гауссом (1794—95) и А. Лежандром (1805—06). Первоначально Н. к. м. использовался для обработки результатов астрономических и геодезических наблюдений. Строгое математическое обоснование и установление границ содержательной применимости Н. к. м. даны А. А. Марковым (старшим) и А. Н. Колмогоровым. Ныне Н. к. м. представляет собой один из важнейших разделов математической статистики и широко используется для статистических выводов в различных областях науки и техники.
         Сущность обоснования Н. к. м. (по Гауссу) заключается в допущении, что «убыток» от замены точного (неизвестного) значения физической величины и её приближённым значением X, вычисленным по результатам наблюдений, пропорционален квадрату ошибки: (X - μ)2. 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 Н. к. м. В общем случае отыскание оптимальной в смысле Н. к. м. оценки Х — задача весьма сложная, поэтому практически эту задачу сужают и в качестве Х выбирают линейную функцию от результатов наблюдений, лишённую систематической ошибки, и такую, для которой среднее значение «убытка» минимально в классе всех линейных функций. Если случайные ошибки наблюдений подчиняются нормальному распределению (См. Нормальное распределение) и оцениваемая величина μ зависит от средних значений результатов наблюдений линейно (случай, весьма часто встречающийся в приложениях Н. к. м.), то решение этой задачи будет одновременно являться и решением общей задачи. При этом оптимальная оценка Х также подчиняется нормальному распределению со средним значением μ и, следовательно, плотность вероятности случайной величины Х
        
        при х = Х достигает максимума в точке μ = Х (это свойство и выражает точное содержание распространённого в теории ошибок утверждения «оценка X, вычисленная согласно Н. к. м., — наиболее вероятное значение неизвестного параметра μ»).
         Случай одного неизвестного. Пусть для оценки значения неизвестной величины μ произведено n независимых наблюдений, давших результаты Y1, Y2,..., Yn, т. е. Y1 = μ + δ1, Y2 = μ + δ2,..., Yn = μ + δn, где δ1, δ2,..., δn — случайные ошибки (по определению, принятому в классической теории ошибок, случайные ошибки — независимые случайные величины с нулевым математическим ожиданием: Еδi = 0; если же Eδi ≠ 0, то Еδi, называются систематическими ошибками). Согласно Н. к. м., в качестве оценки величины μ принимают такое X, для которого будет наименьшей сумма квадратов (отсюда и само название метода):
        
         где pi = k/σi2 и σi2 = Dδi = Eδi2
        (коэффициент k > 0 можно выбирать произвольно). Величину pi называют весом, a σi — квадратичным отклонением измерения с номером i. В частности, если все измерения равноточны, то σ1 = σ2 =... = σn, и в этом случае можно положить p1 = p2 =... = pn = 1; если же каждое Yi, — арифметическое среднее из ni, равноточных измерений, то полагают pi = ni.
         Сумма S (X) будет наименьшей, если в качестве Х выбрать взвешенное среднее:
        
        Оценка величины μ лишена систематической ошибки, имеет вес Р и дисперсию
        
        В частности, если все измерения равноточны, то Y — арифметическое среднее результатов измерений:
        
         При некоторых общих предположениях можно показать, что если количество наблюдений n достаточно велико, то распределение оценки мало отличается от нормального с математическим ожиданием μ и дисперсией k/P. В этом случае абсолютная погрешность приближённого равенства
         μ≈Y̅
        меньше
         с вероятностью, близкой к значению интеграла
        с вероятностью, близкой к значению интеграла
        
        [напр., I (1,96) = 0,950; I (2,58) = 0,990; I (3,00) = 0,997].
         Если веса измерений pi заданы, а множитель k до наблюдений остаётся неопределённым, то этот множитель и дисперсия оценки могут быть приближённо оценены по формулам:
         и
        и
         (обе оценки лишены систематических ошибок).
        (обе оценки лишены систематических ошибок).
         В том практически важном случае, когда ошибки δi подчиняются нормальному распределению, можно найти точное значение вероятности, с которой абсолютная погрешность приближённого равенства
         μ≈Y̅
        окажется меньше ts (t — произвольное положительное число). Эту вероятность, как функцию от t, называют функцией распределения Стьюдента с n - 1 степенями свободы и вычисляют по формуле
        
        где постоянная Cn-1 выбрана таким образом, чтобы выполнялось условие: In-1(∞) = 1. При больших n формулу (2) можно заменить формулой (1). Однако применение формулы (1) при небольших n привело бы к грубым ошибкам. Так, например, согласно (1), значению I = 0,99 соответствует t = 2,58; истинные значения t, определяемые при малых n как решения соответствующих уравнений ln-1(t) = 0,99, приведены в таблице:
        --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
        | n                   | 2                   | 3                   | 4                   | 5                   | 10                 | 20                 | 30                  |
        |------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
        | t                   | 63,66            | 9,92              | 5,84              | 4,60              | 3,25              | 2,86              | 2,76               |
        --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
        
        Пример. Для определения массы некоторого тела произведено 10 независимых равноточных взвешиваний, давших результаты Yiг):
        ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
        | Yi                    | 18,41               | 18,42               | 18,43               | 18,44               | 18,45               | 18,46                |
        |----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
        | ni                     | 1                      | 3                      | 3                      | 1                      | 1                      | 1                      |
        ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
        
        (здесь ni — число случаев, в которых наблюдался вес Yi, причём n = Σni, = 10). Так как все взвешивания равноточные, то следует положить pi = ni и в качестве оценки для неизвестного веса μ, выбрать величину
        
        Задавая, например, I9 = 0,95, по таблицам распределения Стьюдента с девятью степенями свободы можно найти, что t = 2,262, и поэтому в качестве предельной абсолютной погрешности приближённого равенства μ ≈ 18,431 следует принять величину
        
         Т. о. 18,420 < μ < 18,442.
         Случай нескольких неизвестных (линейные связи). Пусть n результатов измерений Y1, Y2,..., Yn связаны с m неизвестными величинами x1, x2,..., хm (m < n) независимыми линейными отношениями
        
        где aij — известные коэффициенты, а δi — независимые случайные ошибки измерений. Требуется оценить неизвестные величины xj (эту задачу можно рассматривать как обобщение предыдущей, в которой μ = x1 и m = ai1 = 1; i = 1,2,..., n).
         Так как Еδi = 0, то средние значения результатов измерений yi, = Eyi. связаны с неизвестными величинами x1, x2,..., хm линейными уравнениями (линейные связи):
        
         Следовательно, искомые величины xj представляют собой решение системы (4), уравнения которой предполагаются совместными. Точные значения измеряемых величин yi и случайные ошибки δi обычно неизвестны, поэтому вместо систем (3) и (4) принято записывать так называемые условные уравнения
        
         Согласно Н. к. м., качестве оценок для неизвестных xj применяют такие величины Xj, для которых сумма квадратов отклонений
        
        будет наименьшей (как и в предыдущем случае, pi — вес измерения Yi, — величина, обратно пропорциональная дисперсии случайной ошибки δi). Условные уравнения, как правило, несовместны, т. е. при любых значениях Xj разности
         не могут, вообще говоря, все обратиться в нуль, и в этом случае
        не могут, вообще говоря, все обратиться в нуль, и в этом случае
        
        также не может обратиться в нуль. Н. к. м. предписывает в качестве оценок выбрать такие значения Xj, которые минимизируют сумму S. В тех исключительных случаях, когда условные уравнения совместны и, значит, обладают решением, это решение совпадает с оценками, полученными согласно Н. к. м.
         Сумма квадратов S представляет собой квадратичный многочлен относительно переменных Xj; этот многочлен достигает минимума при таких значениях X1, X2,..., Хm, при которых обращаются в нуль все первые частные производные:
        
        Отсюда следует, что оценки Xj, полученные согласно Н. к. м., должны удовлетворять системе так называемых нормальных уравнений, которая в обозначениях, предложенных Гауссом, имеет вид:
         где
        где
        
         Оценки Xj, получающиеся в результате решения системы нормальных уравнений, лишены систематических ошибок (Exj = xj); дисперсии Dxj; величин Xj равны kdjj/d, где d — определитель системы (5), а djj — минор, соответствующий диагональному элементу [раjaj] (иными словами, djj/d — вес оценки Xj). Если множитель пропорциональности k (k называется дисперсией на единицу веса) заранее неизвестен, то для его оценки, а также для оценки дисперсии Dxj служат формулы:
         kS/(n - m) и Dxjs2j = Sdjj/d (n - m)
        (S — минимальное значение исходной суммы квадратов). При некоторых общих предположениях можно показать, что если количество наблюдений n достаточно велико, то абсолютная погрешность приближённого равенства xiXj меньше tsj с вероятностью, близкой к значению интеграла (1). Если случайные ошибки наблюдений δi подчиняются нормальному распределению, то все отношения (Xj - xj)/sj распределены по закону Стьюдента с n - m степенями свободы [точная оценка абсолютной погрешности приближённого равенства производится здесь с помощью интеграла (2) так же, как в случае одного неизвестного]. Кроме того, минимальное значение суммы S в вероятностном смысле не зависит от X1, X2,..., Xm и поэтому приближённые значения дисперсий оценок Dxjs2j не зависят от самих оценок Xj.
         Один из наиболее типичных случаев применения Н. к. м. — «выравнивание» таких результатов наблюдений Yi, для которых в уравнениях (3) aij = aj (ti), где aj (t) — известные функции некоторого параметра t (если t — время, то t1, t2,... — те моменты времени, в которые производились наблюдения). Особенно часто встречается в приложениях случай так называемой параболической интерполяции, когда aj (t) — многочлены [например, a1(t) = 1, a2(t) = t, a3(t) = t2,... и т.д.]; если t2t1 = t3t2 =... = tntn-1, a наблюдения равноточные, то для вычисления оценок Xj можно воспользоваться таблицами ортогональных многочленов, имеющимися во многих руководствах по современной вычислительной математике. Другой важный для приложения случай — так называемая гармоническая интерполяция, когда в качестве aj (t) выбирают тригонометрические функции [например, aj (t) = cos (j - 1) t, j = 1, 2,..., m].
         Пример. Для оценки точности одного из методов химического анализа этим методом определялась концентрация CaO в десяти эталонных пробах заранее известного состава. Результаты равноточных наблюдений указаны в таблице (i — номер эксперимента, ti — истинная концентрация CaO, Ti — концентрация CaO. определённая в результате химического анализа, Yi = Ti - ti — ошибка химического анализа):
        --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
        | i              | 1             | 2             | 3             | 4             | 5             | 6             | 7             | 8             | 9             | 10           |
        |-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
        | ti             | 4             | 8             | 12,5        | 16           | 20           | 25           | 31           | 36           | 40           | 40           |
        |-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
        | Yi           | - 0,3        | - 0,2        | - 0,4        | - 0,4        | - 0,2        | - 0,5        | + 0,1       | - 0,5        | -0,6         | -0,5         |
        --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
        
        Если результаты химического анализа не имеют систематических ошибок, то Eyi = 0. Если же такие ошибки имеются, то в первом приближении их можно представить в виде: Eyi = α + βti (α называется постоянной ошибкой, а βti — методической ошибкой) или, что то же самое,
         где
        где
         Для отыскания оценок α и β достаточно оценить коэффициенты
         Для отыскания оценок α и β достаточно оценить коэффициенты
         Условные уравнения в данном случае имеют вид:
        Условные уравнения в данном случае имеют вид:
        
        поэтому ai1 = 1, ai2 = ti - t (согласно предположению о равноточности наблюдений, все pi = 1). Так как
         то система нормальных уравнений записывается особенно просто:
        то система нормальных уравнений записывается особенно просто:
         [a1a1] X1 = [Ya1]; [a2a2] X2 = [Ya2],
        где
         Дисперсии компонент решения этой системы суть
         Дисперсии компонент решения этой системы суть
        
        где k — неизвестная дисперсия на единицу веса (в данном случае k — дисперсия любой из величин Yi). Так как в этом примере компоненты решения принимают значения X1 = -0,35 и X2 = -0,00524, то
        
         Dx1s12 = 0,00427,
         Dx2s22 = 0,0000272,
         s1 = 0,065, s2 = 0,00522.
         Если случайные ошибки наблюдений подчиняются нормальному распределению, то отношения |Xjxjl/sj (j = 1, 2) распределены по закону Стьюдента. В частности, если результаты наблюдений лишены систематических ошибок, то x1 = x2 = 0 и, значит, закону Стьюдента должны подчиняться отношения |X1|/s1 и |X2|/s2. С помощью таблиц распределения Стьюдента с nm = 8 степенями свободы можно убедиться, что если действительно x1 = x2 = 0, то с вероятностью 0,999 каждое из этих отношений не должно превосходить 5,04 и с вероятностью 0,95 не должно превосходить 2,31. В данном случае |X1|/s1 = 5,38 > 5,04, поэтому гипотезу отсутствия систематических ошибок целесообразно отвергнуть; в то же время следует признать, что гипотеза об отсутствии методической ошибки (x2 = 0) не противоречит результатам наблюдений, так как |X2|/s2 = 1,004 < 2,31. Т. о., можно заключить, что для определения t по результату наблюдения Т целесообразно пользоваться приближённой формулой t = Т + 0,35.
         Во многих практически важных случаях (и в частности, при оценке сложных нелинейных связей) количество неизвестных параметров бывает весьма большим и поэтому реализация Н. к. м. оказывается эффективной лишь при использовании современной вычислительной техники.
         Лит.: Марков А. А., Исчисление вероятностей, 4 изд., М., 1924; Колмогоров А. Н., К обоснованию метода наименьших квадратов, «Успехи математических наук», 1946, т. 1, в. 1; Линник Ю. В., Метод наименьших квадратов и основы математико-статистической теории обработки наблюдений, 2 изд., М., 1962; Helmert F. R., Die Ausgieichungsrechnung nach der Methode der kleinsten Quadrate..., 2 Aufl., Lpz., 1907.
         Л. Н. Большев.

Большая советская энциклопедия. — М.: Советская энциклопедия. 1969—1978.

Смотреть что такое "Наименьших квадратов метод" в других словарях:

  • НАИМЕНЬШИХ КВАДРАТОВ МЕТОД — метод оценивания неизвестных параметров теоретич. моделей по косвенным измерениям при параметрич. анализе данных (см. Анализ данных).H. к. м. был предложен К. Гауссом (С. GauB, 1809) для задач геодезии и астрономии в след. формулировке. Пусть… …   Физическая энциклопедия

  • НАИМЕНЬШИХ КВАДРАТОВ МЕТОД — один из методов теории ошибок для оценки неизвестных величин по результатам измерений, содержащим случайные ошибки. Применяется при обработке наблюдений …   Большой Энциклопедический словарь

  • Наименьших квадратов метод — * найменьшых квадратаў метад * method of least squares один из основных методов теории ошибок для оценки неизвестной величины по результатам измерений со случайными ошибками. Пусть сделано n независимых наблюдений x1,…,xn неизвестной величины а.… …   Генетика. Энциклопедический словарь

  • наименьших квадратов метод — один из методов теории ошибок для оценки неизвестных величин по результатам измерений, содержащим случайные ошибки. Применяется при обработке наблюдений. * * * НАИМЕНЬШИХ КВАДРАТОВ МЕТОД НАИМЕНЬШИХ КВАДРАТОВ МЕТОД, один из методов теории ошибок… …   Энциклопедический словарь

  • НАИМЕНЬШИХ КВАДРАТОВ МЕТОД — один из методов ошибок теории для оценки неизвестных величин по результатам измерений, содержащим случайные ошибки. Н. к. м. применяется также для приближенного представления заданной функции другими (более простыми) функциями и часто оказывается …   Математическая энциклопедия

  • НАИМЕНЬШИХ КВАДРАТОВ МЕТОД — один из методов ошибок теории, применяемый для оценки одной или неск. неизвестных величин по результатам измерений, содержащим случайные ошибки. Сущность Н. к. м. заключается в допущении, что убыток от замены точного (неизвестного) значения физ.… …   Большой энциклопедический политехнический словарь

  • НАИМЕНЬШИХ КВАДРАТОВ МЕТОД — один из методов теории ошибок для оценки неизв. величии но результатам измерений, содержащим случайные ошибки. Применяется при обработке наблюдений …   Естествознание. Энциклопедический словарь

  • Метод наименьших квадратов — метод статистической оценки функциональной зависимости путем установления таких ее параметров, при которых сумма квадратов отклонений опытных данных от этой зависимости является минимальной. Источник: ГОСТ 20522 96: Грунты. Методы статистической… …   Словарь-справочник терминов нормативно-технической документации

  • Метод наименьших квадратов — метод определения коэффициентов полиномиальной аппроксимирующей функции, основанный на минимизации суммы квадратов отклонений значений аппроксимирующей функции от исходных данных... Источник: АНАЛИЗ ПОВОЗРАСТНЫХ РИСКОВ СМЕРТНОСТИ НАСЕЛЕНИЯ.… …   Официальная терминология

  • МЕТОД НАИМЕНЬШИХ КВАДРАТОВ — метод оценки параметров по наблюденным данных причем оценки должны быть несмещенными (см. Оценка несмещенная) и Е(Т θ)2 минимально, где в параметр, Т его оценка, Е математическое ожидание. В качестве Т берут определенную функцию от… …   Геологическая энциклопедия

Книги

Другие книги по запросу «Наименьших квадратов метод» >>


Поделиться ссылкой на выделенное

Прямая ссылка:
Нажмите правой клавишей мыши и выберите «Копировать ссылку»