អនុញ្ញាតឱ្យយើងប៉ាន់ស្មានមុខងារដោយពហុធានៃដឺក្រេ 2 ។ ដើម្បីធ្វើដូចនេះយើងគណនាមេគុណនៃប្រព័ន្ធសមីការធម្មតា៖
, ,
ចូរបង្កើតប្រព័ន្ធការ៉េតិចបំផុតធម្មតា ដែលមានទម្រង់៖
ដំណោះស្រាយចំពោះប្រព័ន្ធគឺងាយស្រួលស្វែងរក៖, , .
ដូច្នេះពហុនាមនៃសញ្ញាបត្រទី 2 ត្រូវបានរកឃើញ: .
ព័ត៌មានទ្រឹស្តី
ត្រឡប់ទៅ ទំព័រ<Введение в вычислительную математику. Примеры>
ឧទាហរណ៍ ២. ការស្វែងរកដឺក្រេល្អបំផុតនៃពហុធា។
ត្រឡប់ទៅ ទំព័រ<Введение в вычислительную математику. Примеры>
ឧទាហរណ៍ ៣. ដេរីវេនៃប្រព័ន្ធធម្មតានៃសមីការសម្រាប់ការស្វែងរកប៉ារ៉ាម៉ែត្រនៃការពឹងផ្អែកជាក់ស្តែង។
ចូរយើងទាញយកប្រព័ន្ធនៃសមីការដើម្បីកំណត់មេគុណ និងមុខងារ ដែលអនុវត្តការប៉ាន់ស្មានជា root-mean-square នៃអនុគមន៍ដែលបានផ្តល់ឱ្យដោយពិន្ទុ។ ចូរយើងបង្កើតមុខងារមួយ។ ហើយសរសេរលក្ខខណ្ឌធ្ងន់ធ្ងរចាំបាច់សម្រាប់វា៖
បន្ទាប់មកប្រព័ន្ធធម្មតានឹងមានទម្រង់៖
យើងទទួលបានប្រព័ន្ធលីនេអ៊ែរនៃសមីការសម្រាប់ប៉ារ៉ាម៉ែត្រដែលមិនស្គាល់ ហើយដែលត្រូវបានដោះស្រាយយ៉ាងងាយស្រួល។
ព័ត៌មានទ្រឹស្តី
ត្រឡប់ទៅ ទំព័រ<Введение в вычислительную математику. Примеры>
ឧទាហរណ៍។
ទិន្នន័យពិសោធន៍លើតម្លៃនៃអថេរ Xនិង នៅត្រូវបានផ្តល់ឱ្យក្នុងតារាង។
ជាលទ្ធផលនៃការតម្រឹមរបស់ពួកគេមុខងារត្រូវបានទទួល
ការប្រើប្រាស់ វិធីសាស្រ្តការ៉េតិចបំផុត។ប៉ាន់ស្មានទិន្នន័យទាំងនេះដោយការពឹងផ្អែកលីនេអ៊ែរ y=ax+b(ស្វែងរកប៉ារ៉ាម៉ែត្រ កនិង ខ) រកមើលថាតើបន្ទាត់ទាំងពីរមួយណាល្អជាង (ក្នុងន័យនៃវិធីសាស្ត្រការ៉េតិចបំផុត) តម្រឹមទិន្នន័យពិសោធន៍។ ធ្វើគំនូរ។
ខ្លឹមសារនៃវិធីសាស្ត្រការេតិចបំផុត (LSM) ។
ភារកិច្ចគឺស្វែងរកមេគុណអាស្រ័យលីនេអ៊ែរដែលមុខងារនៃអថេរពីរ កនិង ខយកតម្លៃតូចបំផុត។ នោះគឺផ្តល់ឱ្យ កនិង ខផលបូកនៃគម្លាតការ៉េនៃទិន្នន័យពិសោធន៍ពីបន្ទាត់ត្រង់ដែលបានរកឃើញនឹងតូចបំផុត។ នេះគឺជាចំណុចទាំងមូលនៃវិធីសាស្ត្រការ៉េតិចបំផុត។
ដូច្នេះ ការដោះស្រាយឧទាហរណ៍ មករកភាពខ្លាំងនៃមុខងារនៃអថេរពីរ។
បង្កើតរូបមន្តសម្រាប់ស្វែងរកមេគុណ។
ប្រព័ន្ធនៃសមីការពីរដែលមិនស្គាល់ពីរត្រូវបានចងក្រង និងដោះស្រាយ។ ការស្វែងរកដេរីវេនៃផ្នែកនៃអនុគមន៍ ដោយអថេរ កនិង ខយើងស្មើនិស្សន្ទវត្ថុទាំងនេះទៅសូន្យ។
យើងដោះស្រាយប្រព័ន្ធលទ្ធផលនៃសមីការដោយប្រើវិធីសាស្រ្តណាមួយ (ឧទាហរណ៍ ដោយវិធីសាស្រ្តជំនួសឬវិធីសាស្រ្តរបស់ Cramer) និងទទួលបានរូបមន្តសម្រាប់ការស្វែងរកមេគុណដោយប្រើវិធីសាស្ត្រការ៉េតិចបំផុត (LSM)។
បានផ្តល់ឱ្យ កនិង ខមុខងារ យកតម្លៃតូចបំផុត។ ភស្តុតាងនៃការពិតនេះត្រូវបានផ្តល់ឱ្យខាងក្រោមនៅក្នុងអត្ថបទនៅចុងបញ្ចប់នៃទំព័រ។
នោះជាវិធីសាស្រ្តទាំងមូលនៃការ៉េតិចបំផុត។ រូបមន្តសម្រាប់ស្វែងរកប៉ារ៉ាម៉ែត្រ កមានផលបូក , , , និងប៉ារ៉ាម៉ែត្រ ន- ចំនួនទិន្នន័យពិសោធន៍។ យើងសូមផ្តល់អនុសាសន៍ឱ្យគណនាតម្លៃនៃបរិមាណទាំងនេះដោយឡែកពីគ្នា។
មេគុណ ខបានរកឃើញបន្ទាប់ពីការគណនា ក.
វាដល់ពេលដែលត្រូវចងចាំគំរូដើម។
ដំណោះស្រាយ។
នៅក្នុងឧទាហរណ៍របស់យើង។ n=5. យើងបំពេញតារាងសម្រាប់ភាពងាយស្រួលនៃការគណនាបរិមាណដែលត្រូវបានបញ្ចូលក្នុងរូបមន្តនៃមេគុណដែលត្រូវការ។
តម្លៃនៅក្នុងជួរទីបួននៃតារាងត្រូវបានទទួលដោយការគុណតម្លៃនៃជួរទី 2 ដោយតម្លៃនៃជួរទី 3 សម្រាប់លេខនីមួយៗ ខ្ញុំ.
តម្លៃក្នុងជួរទីប្រាំនៃតារាងត្រូវបានទទួលដោយការបំបែកតម្លៃក្នុងជួរដេកទី 2 សម្រាប់លេខនីមួយៗ ខ្ញុំ.
តម្លៃក្នុងជួរឈរចុងក្រោយនៃតារាងគឺជាផលបូកនៃតម្លៃនៅទូទាំងជួរដេក។
យើងប្រើរូបមន្តនៃវិធីសាស្ត្រការេតិចបំផុត ដើម្បីស្វែងរកមេគុណ កនិង ខ. យើងជំនួសតម្លៃដែលត្រូវគ្នាពីជួរចុងក្រោយនៃតារាងទៅក្នុងពួកវា៖
អាស្រ័យហេតុនេះ y = 0.165x+2.184- បន្ទាត់ត្រង់ប្រហាក់ប្រហែលដែលចង់បាន។
វានៅសល់ដើម្បីរកឱ្យឃើញថាតើបន្ទាត់ណា y = 0.165x+2.184ឬ ប្រហាក់ប្រហែលទិន្នន័យដើមល្អជាង ពោលគឺការប៉ាន់ស្មានដោយប្រើវិធីការ៉េតិចបំផុត។
ការប៉ាន់ប្រមាណកំហុសនៃវិធីសាស្ត្រការ៉េតិចបំផុត។
ដើម្បីធ្វើដូចនេះអ្នកត្រូវគណនាផលបូកនៃគម្លាតការ៉េនៃទិន្នន័យដើមពីបន្ទាត់ទាំងនេះ និង តម្លៃតូចជាងត្រូវគ្នាទៅនឹងបន្ទាត់ដែលប្រហាក់ប្រហែលនឹងទិន្នន័យដើមកាន់តែប្រសើរក្នុងន័យនៃវិធីសាស្ត្រការ៉េតិចបំផុត។
ចាប់តាំងពីពេលនោះមកត្រង់ y = 0.165x+2.184ប្រសើរជាងទិន្នន័យដើម។
គំនូរក្រាហ្វិកនៃវិធីសាស្ត្រការ៉េតិចបំផុត (LS) ។
អ្វីគ្រប់យ៉ាងអាចមើលឃើញយ៉ាងច្បាស់នៅលើក្រាហ្វ។ បន្ទាត់ក្រហមគឺជាបន្ទាត់ត្រង់ដែលបានរកឃើញ y = 0.165x+2.184បន្ទាត់ពណ៌ខៀវគឺ ចំណុចពណ៌ផ្កាឈូកគឺជាទិន្នន័យដើម។
ហេតុអ្វីបានជាវាត្រូវការ ហេតុអ្វីបានជាការប៉ាន់ស្មានទាំងអស់នេះ?
ខ្ញុំផ្ទាល់ប្រើវាដើម្បីដោះស្រាយបញ្ហានៃការធ្វើឱ្យទិន្នន័យរលូន ការបញ្ចូល និងបញ្ហាបន្ថែម (ក្នុងឧទាហរណ៍ដើម ពួកគេអាចត្រូវបានស្នើសុំឱ្យស្វែងរកតម្លៃនៃតម្លៃដែលបានអង្កេត។ yនៅ x=3ឬពេលណា x=6ដោយប្រើវិធីសាស្ត្រការ៉េតិចបំផុត) ។ ប៉ុន្តែយើងនឹងនិយាយបន្ថែមទៀតអំពីរឿងនេះនៅពេលក្រោយនៅក្នុងផ្នែកផ្សេងទៀតនៃគេហទំព័រ។
កំពូលនៃទំព័រ
ភស្តុតាង។
ដូច្នេះនៅពេលរកឃើញ កនិង ខអនុគមន៍យកតម្លៃតូចបំផុត វាចាំបាច់ដែលនៅចំណុចនេះ ម៉ាទ្រីសនៃទម្រង់បួនជ្រុងនៃឌីផេរ៉ង់ស្យែលលំដាប់ទីពីរសម្រាប់អនុគមន៍ មានភាពច្បាស់លាស់វិជ្ជមាន។ សូមបង្ហាញវា។
ឌីផេរ៉ង់ស្យែលលំដាប់ទីពីរមានទម្រង់៖
នោះគឺជា
ដូច្នេះម៉ាទ្រីសនៃទម្រង់បួនជ្រុងមានទម្រង់
ហើយតម្លៃនៃធាតុមិនអាស្រ័យលើ កនិង ខ.
ចូរយើងបង្ហាញថាម៉ាទ្រីសគឺវិជ្ជមានកំណត់។ ដើម្បីធ្វើដូចនេះអនីតិជនជ្រុងត្រូវតែមានភាពវិជ្ជមាន។
បញ្ជាទិញអនីតិជន angular ដំបូង . វិសមភាពគឺតឹងរ៉ឹងព្រោះចំណុចមិនស្របគ្នា។ នៅក្នុងអ្វីដែលបន្ទាប់មកយើងនឹងបញ្ជាក់នេះ។
អនីតិជន លំដាប់ទីពីរ
ចូរយើងបញ្ជាក់ ដោយវិធីសាស្រ្តនៃការបញ្ចូលគណិតវិទ្យា។
សេចក្តីសន្និដ្ឋាន៖ រកឃើញតម្លៃ កនិង ខឆ្លើយតបទៅនឹងតម្លៃតូចបំផុតនៃមុខងារ ដូច្នេះ គឺជាប៉ារ៉ាម៉ែត្រដែលត្រូវការសម្រាប់វិធីសាស្ត្រការ៉េតិចបំផុត។
គ្មានពេលស្វែងយល់ទេ?
បញ្ជាឱ្យមានដំណោះស្រាយ
កំពូលនៃទំព័រ
បង្កើតការព្យាករណ៍ដោយប្រើវិធីសាស្ត្រការ៉េតិចបំផុត។ ឧទាហរណ៍នៃដំណោះស្រាយបញ្ហា
ការដកខ្លួនចេញ គឺជាវិធីសាស្រ្តស្រាវជ្រាវបែបវិទ្យាសាស្ត្រដែលផ្អែកលើការផ្សព្វផ្សាយនៃនិន្នាការអតីតកាល និងបច្ចុប្បន្នកាល លំនាំ និងការតភ្ជាប់ទៅនឹងការអភិវឌ្ឍន៍អនាគតនៃវត្ថុព្យាករណ៍។ វិធីសាស្រ្ត Extrapolation រួមមាន វិធីសាស្ត្ររំកិលមធ្យម វិធីសាស្ត្ររលោងអិចស្ប៉ូណង់ស្យែល វិធីសាស្ត្រការ៉េតិចបំផុត។
ខ្លឹមសារ វិធីសាស្រ្តការ៉េតិចបំផុត។ មាននៅក្នុងការបង្រួមអប្បបរមាផលបូកនៃគម្លាតការ៉េរវាងតម្លៃដែលបានសង្កេត និងគណនា។ តម្លៃដែលបានគណនាត្រូវបានរកឃើញដោយប្រើសមីការដែលបានជ្រើសរើស - សមីការតំរែតំរង់។ ចម្ងាយតូចជាងរវាងតម្លៃជាក់ស្តែង និងតម្លៃដែលបានគណនា នោះការព្យាករណ៍កាន់តែត្រឹមត្រូវដោយផ្អែកលើសមីការតំរែតំរង់។
ការវិភាគទ្រឹស្តីនៃខ្លឹមសារនៃបាតុភូតដែលកំពុងសិក្សា ការផ្លាស់ប្តូរដែលត្រូវបានឆ្លុះបញ្ចាំងដោយស៊េរីពេលវេលា បម្រើជាមូលដ្ឋានសម្រាប់ការជ្រើសរើសខ្សែកោង។ ជួនកាលការពិចារណាអំពីលក្ខណៈនៃការកើនឡើងនៃកម្រិតនៃស៊េរីត្រូវបានយកមកពិចារណា។ ដូច្នេះ ប្រសិនបើកំណើនទិន្នផលត្រូវបានរំពឹងទុកក្នុងដំណើរការនព្វន្ធ នោះការរលោងត្រូវបានអនុវត្តជាបន្ទាត់ត្រង់។ ប្រសិនបើវាបង្ហាញថាការលូតលាស់ស្ថិតនៅក្នុងដំណើរការធរណីមាត្រ នោះការរលោងត្រូវធ្វើដោយប្រើអនុគមន៍អិចស្ប៉ូណង់ស្យែល។
រូបមន្តធ្វើការសម្រាប់វិធីសាស្ត្រការ៉េតិចបំផុត។ : Y t + 1 = a * X + bដែលជាកន្លែងដែល t + 1 - រយៈពេលព្យាករណ៍; Уt+1 - សូចនាករព្យាករណ៍; a និង b គឺជាមេគុណ; X គឺជានិមិត្តសញ្ញានៃពេលវេលា។
ការគណនាមេគុណ a និង b ត្រូវបានអនុវត្តដោយប្រើរូបមន្តដូចខាងក្រោមៈ
ដែលជាកន្លែងដែល Uf - តម្លៃជាក់ស្តែងនៃស៊េរីឌីណាមិក; n - ចំនួននៃកម្រិតស៊េរីពេលវេលា;
ស៊េរីពេលវេលារលូនដោយប្រើវិធីសាស្ត្រការ៉េតិចបំផុត បម្រើដើម្បីឆ្លុះបញ្ចាំងពីគំរូនៃការអភិវឌ្ឍន៍នៃបាតុភូតដែលកំពុងសិក្សា។ នៅក្នុងការបញ្ចេញមតិវិភាគនៃនិន្នាការមួយ ពេលវេលាត្រូវបានចាត់ទុកថាជាអថេរឯករាជ្យ ហើយកម្រិតនៃស៊េរីដើរតួជាមុខងារនៃអថេរឯករាជ្យនេះ។
ការវិវឌ្ឍន៍នៃបាតុភូតមួយមិនអាស្រ័យលើរយៈពេលប៉ុន្មានឆ្នាំបានកន្លងផុតទៅតាំងពីចំណុចចាប់ផ្តើមនោះទេ ប៉ុន្តែអាស្រ័យលើកត្តាអ្វីខ្លះដែលមានឥទ្ធិពលលើការអភិវឌ្ឍន៍របស់វា ក្នុងទិសដៅអ្វី និងកម្រិតណា។ ពីទីនេះវាច្បាស់ណាស់ថាការវិវត្តនៃបាតុភូតមួយតាមពេលវេលាគឺជាលទ្ធផលនៃសកម្មភាពនៃកត្តាទាំងនេះ។
ការបង្កើតប្រភេទខ្សែកោងឱ្យបានត្រឹមត្រូវ ប្រភេទនៃការវិភាគអាស្រ័យលើពេលវេលា គឺជាកិច្ចការដ៏លំបាកបំផុតមួយនៃការវិភាគព្យាករណ៍ .
ការជ្រើសរើសប្រភេទនៃអនុគមន៍ដែលពិពណ៌នាអំពីនិន្នាការ ប៉ារ៉ាម៉ែត្រដែលត្រូវបានកំណត់ដោយវិធីសាស្ត្រការ៉េតិចបំផុត ត្រូវបានអនុវត្តនៅក្នុងករណីភាគច្រើនជាក់ស្តែង ដោយបង្កើតមុខងារមួយចំនួន ហើយប្រៀបធៀបពួកវាជាមួយគ្នាតាមតម្លៃនៃ កំហុសការ៉េមធ្យម គណនាដោយរូបមន្ត៖
ដែលកាំរស្មីយូវីគឺជាតម្លៃពិតនៃស៊េរីឌីណាមិក; Ur - តម្លៃគណនា (រលូន) នៃស៊េរីឌីណាមិក; n - ចំនួននៃកម្រិតស៊េរីពេលវេលា; p - ចំនួនប៉ារ៉ាម៉ែត្រដែលបានកំណត់ក្នុងរូបមន្តដែលពិពណ៌នាអំពីនិន្នាការ (និន្នាការអភិវឌ្ឍន៍) ។
គុណវិបត្តិនៃវិធីសាស្ត្រការ៉េតិចបំផុត។ :
- នៅពេលព្យាយាមពណ៌នាអំពីបាតុភូតសេដ្ឋកិច្ចដែលកំពុងសិក្សាដោយប្រើសមីការគណិតវិទ្យា ការព្យាករណ៍នឹងមានភាពត្រឹមត្រូវក្នុងរយៈពេលខ្លី ហើយសមីការតំរែតំរង់គួរតែត្រូវបានគណនាឡើងវិញនៅពេលដែលមានព័ត៌មានថ្មីៗ។
- ភាពស្មុគស្មាញនៃការជ្រើសរើសសមីការតំរែតំរង់ដែលអាចដោះស្រាយបានដោយប្រើកម្មវិធីកុំព្យូទ័រស្តង់ដារ។
ឧទាហរណ៍នៃការប្រើវិធីសាស្ត្រការ៉េតិចបំផុត ដើម្បីបង្កើតការព្យាករណ៍
កិច្ចការ . មានទិន្នន័យដែលកំណត់អត្រាគ្មានការងារធ្វើក្នុងតំបន់ %
- បង្កើតការព្យាករណ៍នៃអត្រាគ្មានការងារធ្វើនៅក្នុងតំបន់សម្រាប់ខែវិច្ឆិកា ខែធ្នូ ខែមករា ដោយប្រើវិធីសាស្ត្រខាងក្រោម៖ រំកិលមធ្យម រំកិលអិចស្ប៉ូណង់ស្យែល ការ៉េតិចបំផុត។
- គណនាកំហុសក្នុងការព្យាករណ៍លទ្ធផលដោយប្រើវិធីសាស្ត្រនីមួយៗ។
- ប្រៀបធៀបលទ្ធផល និងធ្វើការសន្និដ្ឋាន។
ដំណោះស្រាយការ៉េតិចបំផុត។
ដើម្បីដោះស្រាយបញ្ហានេះ យើងនឹងគូរតារាងដែលយើងនឹងធ្វើការគណនាចាំបាច់៖
ε = 28.63/10 = 2.86% ភាពត្រឹមត្រូវនៃការព្យាករណ៍ខ្ពស់។
សេចក្តីសន្និដ្ឋាន ៖ ប្រៀបធៀបលទ្ធផលដែលទទួលបានពីការគណនា វិធីសាស្រ្តផ្លាស់ទីមធ្យម , វិធីសាស្ត្ររលោងអិចស្ប៉ូណង់ស្យែល និងវិធីសាស្ត្រការ៉េតិចបំផុត យើងអាចនិយាយបានថា កំហុសដែលទាក់ទងជាមធ្យមនៅពេលគណនាដោយប្រើវិធីសាស្ត្ររលោងអិចស្ប៉ូណង់ស្យែលធ្លាក់ក្នុងចន្លោះ 20-50%។ នេះមានន័យថាភាពត្រឹមត្រូវនៃការព្យាករណ៍ក្នុងករណីនេះគឺគ្រាន់តែពេញចិត្តប៉ុណ្ណោះ។
ក្នុងករណីទី 1 និងទី 3 ភាពត្រឹមត្រូវនៃការព្យាករណ៍គឺខ្ពស់ព្រោះកំហុសដែលទាក់ទងជាមធ្យមគឺតិចជាង 10% ។ ប៉ុន្តែវិធីសាស្ត្រមធ្យមផ្លាស់ទីបានធ្វើឱ្យវាអាចទទួលបានលទ្ធផលគួរឱ្យទុកចិត្តជាងមុន (ការព្យាករណ៍សម្រាប់ខែវិច្ឆិកា - 1.52%, ការព្យាករណ៍សម្រាប់ខែធ្នូ - 1.53%, ការព្យាករណ៍សម្រាប់ខែមករា - 1.49%), ចាប់តាំងពីកំហុសទាក់ទងជាមធ្យមនៅពេលប្រើវិធីសាស្រ្តនេះគឺតូចបំផុត - 1 .១៣%។
វិធីសាស្រ្តការ៉េតិចបំផុត។
អត្ថបទផ្សេងទៀតលើប្រធានបទនេះ៖
បញ្ជីប្រភពដែលបានប្រើ
- អនុសាសន៍បែបវិទ្យាសាស្ត្រ និងវិធីសាស្រ្តលើការធ្វើរោគវិនិច្ឆ័យហានិភ័យសង្គម និងការព្យាករណ៍បញ្ហាប្រឈម ការគំរាមកំហែង និងផលវិបាកសង្គម។ សាកលវិទ្យាល័យសង្គមរដ្ឋរុស្ស៊ី។ ទីក្រុងម៉ូស្គូ។ ឆ្នាំ ២០១០;
- Vladimirova L.P. ការព្យាករណ៍ និងការធ្វើផែនការក្នុងលក្ខខណ្ឌទីផ្សារ៖ សៀវភៅសិក្សា។ ប្រាក់ឧបត្ថម្ភ។ M.: គ្រឹះស្ថានបោះពុម្ព "Dashkov and Co", ឆ្នាំ 2001;
- Novikova N.V., Pozdeeva O.G. ការព្យាករណ៍សេដ្ឋកិច្ចជាតិ៖ សៀវភៅណែនាំអប់រំ និងវិធីសាស្រ្ត។ Ekaterinburg: គ្រឹះស្ថានបោះពុម្ព Ural ។ រដ្ឋ សេដ្ឋកិច្ច Univ., 2007;
- Slutskin L.N. វគ្គសិក្សា MBA ស្តីពីការព្យាករណ៍អាជីវកម្ម។ M.: Alpina Business Books, 2006 ។
កម្មវិធី MNC
បញ្ចូលព័ត៌មានលម្អិត
ទិន្នន័យ និងការប៉ាន់ស្មាន y = a + b x
ខ្ញុំ- ចំនួនចំណុចពិសោធន៍;
x ខ្ញុំ- តម្លៃនៃប៉ារ៉ាម៉ែត្រថេរនៅចំណុចមួយ។ ខ្ញុំ;
y ខ្ញុំ- តម្លៃនៃប៉ារ៉ាម៉ែត្រវាស់នៅចំណុចមួយ។ ខ្ញុំ;
ω- វាស់ទម្ងន់នៅចំណុចមួយ។ ខ្ញុំ;
y ខ្ញុំ, calc ។- ភាពខុសគ្នារវាងតម្លៃដែលបានគណនា និងតំរែតំរង់ yនៅចំណុច ខ្ញុំ;
S x i (x i)- ការប៉ាន់ស្មានកំហុស x ខ្ញុំនៅពេលវាស់ yនៅចំណុច ខ្ញុំ.
ទិន្នន័យ និងការប៉ាន់ស្មាន y = k x
ខ្ញុំ | x ខ្ញុំ | y ខ្ញុំ | ω | y ខ្ញុំ, calc ។ | Δy ខ្ញុំ | S x i (x i) |
---|
ចុចលើតារាង
សៀវភៅណែនាំអ្នកប្រើប្រាស់សម្រាប់កម្មវិធីអនឡាញ MNC ។
នៅក្នុងវាលទិន្នន័យ សូមបញ្ចូលតម្លៃ `x` និង `y` នៅលើបន្ទាត់ដាច់ដោយឡែកនីមួយៗ នៅចំណុចពិសោធន៍មួយ។ តម្លៃត្រូវតែបំបែកដោយតួអក្សរដកឃ្លា (ដកឃ្លា ឬផ្ទាំង)។
តម្លៃទីបីអាចជាទម្ងន់នៃចំណុច `w` ។ ប្រសិនបើទម្ងន់នៃចំណុចមួយមិនត្រូវបានបញ្ជាក់នោះវាស្មើនឹងមួយ។ ក្នុងករណីភាគច្រើន ទម្ងន់នៃចំណុចពិសោធន៍គឺមិនស្គាល់ ឬមិនបានគណនា ពោលគឺឧ។ ទិន្នន័យពិសោធន៍ទាំងអស់ត្រូវបានចាត់ទុកថាសមមូល។ ជួនកាលទម្ងន់ក្នុងជួរតម្លៃដែលបានសិក្សាគឺពិតជាមិនសមមូលទេ ហើយថែមទាំងអាចគណនាតាមទ្រឹស្ដីទៀតផង។ ឧទាហរណ៍ នៅក្នុង spectrophotometry ទម្ងន់អាចត្រូវបានគណនាដោយប្រើរូបមន្តសាមញ្ញ ទោះបីជាភាគច្រើនត្រូវបានគេមិនយកចិត្តទុកដាក់ក្នុងការកាត់បន្ថយថ្លៃពលកម្មក៏ដោយ។
ទិន្នន័យអាចត្រូវបានបិទភ្ជាប់តាមរយៈក្តារតម្បៀតខ្ទាស់ពីសៀវភៅបញ្ជីនៅក្នុងឈុតការិយាល័យដូចជា Excel ពី Microsoft Office ឬ Calc ពី Open Office ។ ដើម្បីធ្វើដូច្នេះ ក្នុងសៀវភៅបញ្ជី ជ្រើសរើសជួរទិន្នន័យដែលត្រូវចម្លង ចម្លងទៅក្ដារតម្បៀតខ្ទាស់ ហើយបិទភ្ជាប់ទិន្នន័យទៅក្នុងវាលទិន្នន័យនៅលើទំព័រនេះ។
ដើម្បីគណនាដោយប្រើវិធីការ៉េតិចបំផុត យ៉ាងហោចណាស់ត្រូវមានចំណុចពីរដើម្បីកំណត់មេគុណពីរ `b` - តង់សង់នៃមុំទំនោរនៃបន្ទាត់ត្រង់ និង `a` - តម្លៃដែលស្ទាក់ចាប់ដោយបន្ទាត់ត្រង់នៅលើ `y` អ័ក្ស។
ដើម្បីប៉ាន់ប្រមាណកំហុសនៃមេគុណតំរែតំរង់ដែលបានគណនា អ្នកត្រូវកំណត់ចំនួនពិន្ទុពិសោធន៍ឱ្យលើសពីពីរ។
វិធីសាស្ត្រការេតិចបំផុត (LSM) ។
ចំនួនពិន្ទុពិសោធន៍កាន់តែច្រើន ការវាយតម្លៃស្ថិតិនៃមេគុណកាន់តែត្រឹមត្រូវ (ដោយសារតែការថយចុះនៃមេគុណសិស្ស) ហើយការប៉ាន់ប្រមាណកាន់តែជិតទៅនឹងការប៉ាន់ប្រមាណនៃគំរូទូទៅ។
ការទទួលបានតម្លៃនៅចំណុចពិសោធន៍នីមួយៗ ជារឿយៗត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងតម្លៃពលកម្មដ៏សំខាន់ ដូច្នេះចំនួនការសម្រុះសម្រួលនៃការពិសោធន៍ត្រូវបានអនុវត្តជាញឹកញាប់ដែលផ្តល់នូវការប៉ាន់ប្រមាណដែលអាចគ្រប់គ្រងបាន និងមិននាំឱ្យមានថ្លៃពលកម្មលើស។ តាមក្បួនចំនួននៃចំណុចពិសោធន៍សម្រាប់ការពឹងផ្អែកការេយ៉ាងហោចណាស់លីនេអ៊ែរជាមួយនឹងមេគុណពីរត្រូវបានជ្រើសរើសនៅក្នុងតំបន់នៃ 5-7 ពិន្ទុ។
ទ្រឹស្តីសង្ខេបនៃការ៉េតិចបំផុតសម្រាប់ទំនាក់ទំនងលីនេអ៊ែរ
ឧបមាថាយើងមានសំណុំទិន្នន័យពិសោធន៍ក្នុងទម្រង់ជាគូនៃតម្លៃ [`y_i`, `x_i`] ដែល `i` គឺជាចំនួននៃការវាស់វែងពិសោធន៍មួយពី 1 ដល់ `n`; `y_i` - តម្លៃនៃតម្លៃវាស់នៅចំណុច `i`; `x_i` - តម្លៃនៃប៉ារ៉ាម៉ែត្រដែលយើងកំណត់នៅចំណុច `i` ។
ជាឧទាហរណ៍សូមពិចារណាអំពីប្រតិបត្តិការនៃច្បាប់របស់អូម។ ដោយការផ្លាស់ប្តូរវ៉ុល (ភាពខុសគ្នាសក្តានុពល) រវាងផ្នែកនៃសៀគ្វីអគ្គិសនីយើងវាស់បរិមាណចរន្តឆ្លងកាត់ផ្នែកនេះ។ រូបវិទ្យាផ្តល់ឱ្យយើងនូវការពឹងផ្អែកដែលបានរកឃើញដោយពិសោធន៍៖
`I = U/R`,
ដែលជាកន្លែងដែល 'ខ្ញុំ' គឺជាកម្លាំងបច្ចុប្បន្ន; `R` - ធន់ទ្រាំ; `U` - វ៉ុល។
ក្នុងករណីនេះ `y_i` គឺជាតម្លៃបច្ចុប្បន្នដែលបានវាស់ ហើយ `x_i` គឺជាតម្លៃវ៉ុល។
ជាឧទាហរណ៍មួយទៀត សូមពិចារណាពីការស្រូបពន្លឺដោយដំណោះស្រាយនៃសារធាតុក្នុងសូលុយស្យុង។ គីមីវិទ្យាផ្តល់ឱ្យយើងនូវរូបមន្ត:
`A = ε l C`,
ដែល `A` គឺជាដង់ស៊ីតេអុបទិកនៃដំណោះស្រាយ; `ε` - ការបញ្ជូននៃសារធាតុរំលាយ; `l` - ប្រវែងផ្លូវនៅពេលដែលពន្លឺឆ្លងកាត់ cuvette ជាមួយនឹងដំណោះស្រាយមួយ; `C` គឺជាកំហាប់នៃសារធាតុរំលាយ។
ក្នុងករណីនេះ `y_i` គឺជាតម្លៃវាស់នៃដង់ស៊ីតេអុបទិក `A` ហើយ `x_i` គឺជាតម្លៃប្រមូលផ្តុំនៃសារធាតុដែលយើងបញ្ជាក់។
យើងនឹងពិចារណាករណីនៅពេលដែលកំហុសទាក់ទងនៅក្នុងការបញ្ជាក់ `x_i` គឺតិចជាងកំហុសទាក់ទងនៅក្នុងការវាស់វែង `y_i` យ៉ាងខ្លាំង។ យើងក៏នឹងសន្មត់ថាតម្លៃដែលបានវាស់ទាំងអស់ `y_i` គឺចៃដន្យ និងចែកចាយជាធម្មតា ពោលគឺឧ។ គោរពច្បាប់ចែកចាយធម្មតា។
នៅក្នុងករណីនៃការពឹងផ្អែកលីនេអ៊ែរនៃ `y` នៅលើ `x` យើងអាចសរសេរការពឹងផ្អែកទ្រឹស្តី៖
`y = a + b x` ។
តាមទស្សនៈធរណីមាត្រ មេគុណ `b` បង្ហាញពីតង់សង់នៃមុំទំនោរនៃបន្ទាត់ទៅអ័ក្ស `x` ហើយមេគុណ `a` - តម្លៃនៃ `y` នៅចំណុចប្រសព្វនៃ បន្ទាត់ជាមួយអ័ក្ស `y` (នៅ `x = 0`) ។
ស្វែងរកប៉ារ៉ាម៉ែត្របន្ទាត់តំរែតំរង់។
នៅក្នុងការពិសោធន៍ តម្លៃដែលបានវាស់នៃ `y_i` មិនអាចស្ថិតនៅលើបន្ទាត់ត្រង់ទ្រឹស្តីបានទេ ដោយសារកំហុសនៃការវាស់វែង ដែលតែងតែមាននៅក្នុងជីវិតពិត។ ដូច្នេះសមីការលីនេអ៊ែរត្រូវតែតំណាងដោយប្រព័ន្ធសមីការ៖
`y_i = a + b x_i + ε_i` (1),
ដែល `ε_i` គឺជាកំហុសរង្វាស់ដែលមិនស្គាល់នៃ `y` នៅក្នុងការពិសោធន៍ `i`-th ។
ភាពអាស្រ័យ (1) ត្រូវបានគេហៅថាផងដែរ។ តំរែតំរង់, i.e. ការពឹងផ្អែកនៃបរិមាណពីរលើគ្នាទៅវិញទៅមកដែលមានសារៈសំខាន់ស្ថិតិ។
ភារកិច្ចនៃការស្តារភាពអាស្រ័យគឺស្វែងរកមេគុណ `a` និង `b` ពីចំណុចពិសោធន៍ [`y_i`, `x_i`] ។
ដើម្បីស្វែងរកមេគុណ `a` និង `b` វាត្រូវបានគេប្រើជាធម្មតា វិធីសាស្រ្តការ៉េតិចបំផុត។(MNC) ។ វាជាករណីពិសេសនៃគោលការណ៍លទ្ធភាពអតិបរមា។
ចូរសរសេរឡើងវិញ (1) ក្នុងទម្រង់ `ε_i = y_i - a - b x_i` ។
បន្ទាប់មកផលបូកនៃកំហុសការ៉េនឹងមាន
`Φ = sum_(i=1)^(n) ε_i^2 = sum_(i=1)^(n) (y_i - a - b x_i)^2` ។ (2)
គោលការណ៍នៃការ៉េតិចបំផុត (ការេតិចបំផុត) គឺដើម្បីបង្រួមអប្បបរមា (2) ទាក់ទងទៅនឹងប៉ារ៉ាម៉ែត្រ `a` និង `b`.
អប្បបរមាត្រូវបានសម្រេចនៅពេលដែលដេរីវេនៃផ្នែកនៃផលបូក (2) ទាក់ទងនឹងមេគុណ `a` និង `b` ស្មើនឹងសូន្យ៖
`frac(partial Φ)(partial a) = frac(partial sum_(i=1)^(n) (y_i - a - b x_i)^2)( partial a) = 0`
`frac(Partial Φ)(partial b) = frac(partial sum_(i=1)^(n) (y_i - a - b x_i)^2)( partial b) = 0`
ការពង្រីកនិស្សន្ទវត្ថុ យើងទទួលបានប្រព័ន្ធនៃសមីការពីរដែលមិនស្គាល់ពីរ៖
`sum_(i=1)^(n) (2a + 2bx_i — 2y_i) = sum_(i=1)^(n) (a + bx_i — y_i) = 0`
`sum_(i=1)^(n) (2bx_i^2 + 2ax_i — 2x_iy_i) = sum_(i=1)^(n) (bx_i^2 + ax_i — x_iy_i) = 0`
យើងបើកតង្កៀប ហើយផ្ទេរផលបូកដោយឯករាជ្យនៃមេគុណដែលត្រូវការទៅពាក់កណ្តាលទៀត យើងទទួលបានប្រព័ន្ធនៃសមីការលីនេអ៊ែរ៖
`sum_(i=1)^(n) y_i = a n + b sum_(i=1)^(n) bx_i`
`sum_(i=1)^(n) x_iy_i = a sum_(i=1)^(n) x_i + b sum_(i=1)^(n) x_i^2`
ការដោះស្រាយប្រព័ន្ធលទ្ធផល យើងរកឃើញរូបមន្តសម្រាប់មេគុណ `a` និង `b`៖
`a = frac(sum_(i=1)^(n) y_i sum_(i=1)^(n) x_i^2 — sum_(i=1)^(n) x_i sum_(i=1)^(n) ) x_iy_i) (n sum_(i=1)^(n) x_i^2 — (sum_(i=1)^(n) x_i)^2)` (3.1)
`b = frac(n sum_(i=1)^(n) x_iy_i — sum_(i=1)^(n) x_i sum_(i=1)^(n) y_i) (n sum_(i=1)^ (n) x_i^2 — (sum_(i=1)^(n) x_i)^2)` (3.2)
រូបមន្តទាំងនេះមានដំណោះស្រាយនៅពេល `n> 1` (បន្ទាត់អាចត្រូវបានសាងសង់ដោយប្រើយ៉ាងហោចណាស់ 2 ពិន្ទុ) និងនៅពេលដែលកត្តាកំណត់ `D = n sum_(i=1)^(n) x_i^2 - (sum_(i=1) )^(n) x_i)^2 != 0`, i.e. នៅពេលដែលចំនុច `x_i` នៅក្នុងការពិសោធន៍គឺខុសគ្នា (ឧ. នៅពេលដែលបន្ទាត់មិនបញ្ឈរ)។
ការប៉ាន់ប្រមាណកំហុសនៃមេគុណបន្ទាត់តំរែតំរង់
សម្រាប់ការវាយតម្លៃត្រឹមត្រូវបន្ថែមទៀតនៃកំហុសក្នុងការគណនាមេគុណ `a` និង `b` ចំណុចពិសោធន៍មួយចំនួនធំគឺចង់បាន។ នៅពេល `n = 2` វាមិនអាចទៅរួចទេក្នុងការប៉ាន់ស្មានកំហុសនៃមេគុណ ពីព្រោះ បន្ទាត់ប្រហាក់ប្រហែលនឹងឆ្លងកាត់ពីរចំណុច។
កំហុសនៃអថេរចៃដន្យ `V` ត្រូវបានកំណត់ ច្បាប់នៃការប្រមូលផ្តុំកំហុស
`S_V^2 = sum_(i=1)^p (frac(partial f)(partial z_i))^2 S_(z_i)^2`,
ដែល `p` គឺជាចំនួនប៉ារ៉ាម៉ែត្រ `z_i` ដែលមានកំហុស `S_(z_i)` ដែលប៉ះពាល់ដល់កំហុស `S_V`;
`f` គឺជាមុខងារនៃការពឹងផ្អែកនៃ `V` នៅលើ `z_i` ។
ចូរយើងសរសេរច្បាប់នៃការប្រមូលផ្តុំកំហុសសម្រាប់កំហុសនៃមេគុណ `a` និង `b`
`S_a^2 = sum_(i=1)^(n)(frac(partial a)(partial y_i))^2 S_(y_i)^2 + sum_(i=1)^(n)(frac(partial a )(x_i))^2 S_(x_i)^2 = S_y^2 sum_(i=1)^(n)(frac(partial a)(partial y_i))^2 `,
`S_b^2 = sum_(i=1)^(n)(frac(partial b)(partial y_i))^2 S_(y_i)^2 + sum_(i=1)^(n)(frac(partial b) )(x_i))^2 S_(x_i)^2 = S_y^2 sum_(i=1)^(n)(frac(partial b)(partial y_i))^2 `,
ដោយសារតែ `S_(x_i)^2 = 0` (ពីមុនយើងធ្វើការកក់ទុកដែលកំហុស `x` មានសេចក្តីធ្វេសប្រហែស)។
`S_y^2 = S_(y_i)^2` - error (variance, squared standard deviation) ក្នុងការវាស់វែង `y` ដោយសន្មត់ថា error គឺដូចគ្នាសម្រាប់តម្លៃទាំងអស់នៃ `y`។
ការជំនួសរូបមន្តសម្រាប់ការគណនា `a` និង `b` ទៅក្នុងកន្សោមលទ្ធផលដែលយើងទទួលបាន
`S_a^2 = S_y^2 frac(sum_(i=1)^(n) (sum_(i=1)^(n) x_i^2 — x_i sum_(i=1)^(n) x_i)^2 ) (D^2) = S_y^2 frac((n sum_(i=1)^(n) x_i^2 — (sum_(i=1)^(n) x_i)^2) sum_(i=1) ^(n) x_i^2) (D^2) = S_y^2 frac(sum_(i=1)^(n) x_i^2) (D)` (4.1)
`S_b^2 = S_y^2 frac(sum_(i=1)^(n) (n x_i — sum_(i=1)^(n) x_i)^2) (D^2) = S_y^2 frac( n (n sum_(i=1)^(n) x_i^2 — (sum_(i=1)^(n) x_i)^2)) (D^2) = S_y^2 frac(n) (D) ` (4.2)
នៅក្នុងការពិសោធន៍ជាក់ស្តែងភាគច្រើន តម្លៃនៃ 'Sy' មិនត្រូវបានវាស់វែងទេ។ ដើម្បីធ្វើដូច្នេះបាន វាចាំបាច់ក្នុងការអនុវត្តការវាស់វែងស្របគ្នាជាច្រើន (ការពិសោធន៍) នៅចំណុចមួយ ឬច្រើនក្នុងផែនការ ដែលបង្កើនពេលវេលា (និងប្រហែលជាថ្លៃដើម) នៃការពិសោធន៍។ ដូច្នេះ ជាធម្មតាវាត្រូវបានសន្មត់ថា គម្លាតនៃ `y` ពីបន្ទាត់តំរែតំរង់អាចត្រូវបានចាត់ទុកថាចៃដន្យ។ ការប៉ាន់ប្រមាណនៃការប្រែប្រួល `y` ក្នុងករណីនេះត្រូវបានគណនាដោយប្រើរូបមន្ត។
`S_y^2 = S_(y, rest)^2 = frac(sum_(i=1)^n (y_i - a - b x_i)^2) (n-2)`។
ការបែងចែក `n-2` លេចឡើងដោយសារតែចំនួនដឺក្រេនៃសេរីភាពរបស់យើងបានថយចុះដោយសារការគណនាមេគុណពីរដោយប្រើគំរូដូចគ្នានៃទិន្នន័យពិសោធន៍។
ការប៉ាន់ប្រមាណនេះត្រូវបានគេហៅថាបំរែបំរួលសំណល់ដែលទាក់ទងទៅនឹងបន្ទាត់តំរែតំរង់ `S_(y, rest)^2`។
សារៈសំខាន់នៃមេគុណត្រូវបានវាយតម្លៃដោយប្រើតេស្ត t របស់សិស្ស
`t_a = frac(|a|) (S_a)`, `t_b = frac(|b|) (S_b)`
ប្រសិនបើលក្ខណៈវិនិច្ឆ័យដែលបានគណនា `t_a`, `t_b` តិចជាងលក្ខណៈវិនិច្ឆ័យដែលបានកំណត់ `t(P, n-2)` នោះវាត្រូវបានគេចាត់ទុកថាមេគុណដែលត្រូវគ្នាមិនខុសគ្នាខ្លាំងពីសូន្យជាមួយនឹងប្រូបាប៊ីលីតេដែលបានផ្តល់ឱ្យ `P` ទេ។
ដើម្បីវាយតម្លៃគុណភាពនៃការពិពណ៌នានៃទំនាក់ទំនងលីនេអ៊ែរ អ្នកអាចប្រៀបធៀប `S_(y, rest)^2` និង `S_(bar y)` ទាក់ទងទៅនឹងមធ្យមដោយប្រើលក្ខណៈវិនិច្ឆ័យ Fisher ។
`S_(bar y) = frac(sum_(i=1)^n (y_i — bar y)^2) (n-1) = frac(sum_(i=1)^n (y_i —(sum_(i= 1)^n y_i) /n)^2) (n-1)` - ការប៉ាន់ស្មានគំរូនៃការប្រែប្រួល `y` ទាក់ទងទៅនឹងមធ្យម។
ដើម្បីវាយតម្លៃប្រសិទ្ធភាពនៃសមីការតំរែតំរង់ដើម្បីពិពណ៌នាអំពីភាពអាស្រ័យ មេគុណ Fisher ត្រូវបានគណនា
`F = S_(bar y) / S_(y, rest)^2`,
ដែលត្រូវបានប្រៀបធៀបជាមួយមេគុណ Fisher តារាង `F(p, n-1, n-2)` ។
ប្រសិនបើ `F> F(P, n-1, n-2)` ភាពខុសគ្នារវាងការពិពណ៌នានៃទំនាក់ទំនង `y = f(x)` ដោយប្រើសមីការតំរែតំរង់ និងការពិពណ៌នាដោយប្រើមធ្យមគឺត្រូវបានចាត់ទុកថាសំខាន់ស្ថិតិជាមួយនឹងប្រូបាប៊ីលីតេ `P`។ ទាំងនោះ។ តំរែតំរង់ពិពណ៌នាអំពីភាពអាស្រ័យបានល្អជាងការរីករាលដាលនៃ `y` ជុំវិញមធ្យម។
ចុចលើតារាង
ដើម្បីបន្ថែមតម្លៃទៅក្នុងតារាង
វិធីសាស្រ្តការ៉េតិចបំផុត។ វិធីសាស្ត្រការេតិចបំផុតមានន័យថាការកំណត់ប៉ារ៉ាម៉ែត្រមិនស្គាល់ a, b, c, ការពឹងផ្អែកមុខងារដែលទទួលយក
វិធីសាស្ត្រការ៉េតិចបំផុត សំដៅលើការកំណត់ប៉ារ៉ាម៉ែត្រដែលមិនស្គាល់ ក, ខ, គ,…ទទួលយកការពឹងផ្អែកមុខងារ
y = f(x,a,b,c,…),
ដែលនឹងផ្តល់អប្បបរមានៃមធ្យមការ៉េ (បំរែបំរួល) នៃកំហុស
, (24)
ដែល x i, y i គឺជាសំណុំនៃលេខគូដែលទទួលបានពីការពិសោធន៍។
ចាប់តាំងពីលក្ខខណ្ឌសម្រាប់ extremum នៃអនុគមន៍នៃអថេរជាច្រើនគឺជាលក្ខខណ្ឌដែលដេរីវេនៃផ្នែករបស់វាស្មើនឹងសូន្យ បន្ទាប់មកប៉ារ៉ាម៉ែត្រ ក, ខ, គ,…ត្រូវបានកំណត់ដោយប្រព័ន្ធសមីការ៖
; ; ; … (25)
វាត្រូវតែចងចាំថាវិធីសាស្ត្រការ៉េតិចបំផុតត្រូវបានប្រើដើម្បីជ្រើសរើសប៉ារ៉ាម៉ែត្របន្ទាប់ពីប្រភេទនៃមុខងារ y = f(x)បានកំណត់
ប្រសិនបើពីការពិចារណាតាមទ្រឹស្ដី គ្មានការសន្និដ្ឋានណាមួយអាចត្រូវបានទាញអំពីអ្វីដែលរូបមន្តជាក់ស្តែងគួរតែជា នោះគេត្រូវតែត្រូវបានដឹកនាំដោយការតំណាងដែលមើលឃើញ ជាចម្បងដោយការតំណាងក្រាហ្វិកនៃទិន្នន័យដែលបានសង្កេត។
នៅក្នុងការអនុវត្ត ពួកវាត្រូវបានកំណត់ជាញឹកញាប់បំផុតចំពោះប្រភេទមុខងារខាងក្រោម៖
1) លីនេអ៊ែរ ;
2) ចតុកោណ ក.
វិធីសាស្រ្តការ៉េតិចបំផុត។
វិធីសាស្ត្រការ៉េតិចបំផុត ( OLS, OLS, ការ៉េតិចបំផុតធម្មតា។) - វិធីសាស្រ្តជាមូលដ្ឋានមួយនៃការវិភាគតំរែតំរង់សម្រាប់ការប៉ាន់ប្រមាណប៉ារ៉ាម៉ែត្រមិនស្គាល់នៃគំរូតំរែតំរង់ដោយប្រើទិន្នន័យគំរូ។ វិធីសាស្រ្តគឺផ្អែកលើការបង្រួមអប្បបរមានៃផលបូកនៃការ៉េនៃសំណល់តំរែតំរង់។
គួរកត់សំគាល់ថា វិធីសាស្ត្រការេតិចបំផុតអាចត្រូវបានគេហៅថាវិធីសាស្រ្តសម្រាប់ដោះស្រាយបញ្ហានៅក្នុងតំបន់ណាមួយ ប្រសិនបើដំណោះស្រាយគឺ ឬបំពេញតាមលក្ខណៈវិនិច្ឆ័យមួយចំនួនសម្រាប់ការបង្រួមអប្បបរមានៃផលបូកនៃការ៉េនៃមុខងារមួយចំនួននៃអថេរដែលត្រូវការ។ ដូច្នេះវិធីសាស្ត្រការេតិចបំផុតក៏អាចត្រូវបានប្រើសម្រាប់ការតំណាងប្រហាក់ប្រហែល (ប្រហាក់ប្រហែល) នៃអនុគមន៍ដែលបានផ្តល់ឱ្យដោយអនុគមន៍ (សាមញ្ញជាង) ផ្សេងទៀត នៅពេលស្វែងរកសំណុំបរិមាណដែលបំពេញសមីការ ឬឧបសគ្គ ចំនួនដែលលើសពីចំនួនបរិមាណទាំងនេះ។ ល។
ខ្លឹមសារនៃ MNC
អនុញ្ញាតឱ្យគំរូ (ប៉ារ៉ាម៉ែត្រ) មួយចំនួននៃទំនាក់ទំនងប្រូបាប៊ីលីក (តំរែតំរង់) រវាងអថេរ (ពន្យល់) ត្រូវបានផ្តល់ឱ្យ yនិងកត្តាជាច្រើន (អថេរពន្យល់) x
តើវ៉ិចទ័រនៃប៉ារ៉ាម៉ែត្រគំរូមិនស្គាល់នៅឯណា
- កំហុសគំរូចៃដន្យ។អនុញ្ញាតឱ្យមានការសង្កេតគំរូនៃតម្លៃនៃអថេរទាំងនេះផងដែរ។ សូមឱ្យជាលេខសង្កេត () ។ បន្ទាប់មកគឺជាតម្លៃនៃអថេរនៅក្នុងការសង្កេត th ។ បន្ទាប់មកសម្រាប់តម្លៃដែលបានផ្តល់ឱ្យនៃប៉ារ៉ាម៉ែត្រ b វាគឺអាចធ្វើទៅបានដើម្បីគណនាតម្លៃទ្រឹស្តី (គំរូ) នៃអថេរដែលបានពន្យល់ y:
ទំហំនៃសំណល់អាស្រ័យលើតម្លៃនៃប៉ារ៉ាម៉ែត្រ b ។
ខ្លឹមសារនៃវិធីសាស្ត្រការេតិចបំផុត (ធម្មតា បុរាណ) គឺស្វែងរកប៉ារ៉ាម៉ែត្រ ខ ដែលផលបូកនៃការ៉េនៃសំណល់ (eng. ផលបូកដែលនៅសល់នៃការ៉េ) នឹងមានតិចតួចបំផុត៖
ក្នុងករណីទូទៅ បញ្ហានេះអាចត្រូវបានដោះស្រាយដោយវិធីសាស្ត្របង្កើនប្រសិទ្ធភាពលេខ (បង្រួមអប្បបរមា)។ ក្នុងករណីនេះពួកគេនិយាយអំពី ការ៉េតិចបំផុតដែលមិនមែនជាលីនេអ៊ែរ(NLS ឬ NLLS - ភាសាអង់គ្លេស) ការ៉េតិចបំផុតដែលមិនមែនជាលីនេអ៊ែរ) ក្នុងករណីជាច្រើនវាអាចទៅរួចដើម្បីទទួលបានដំណោះស្រាយវិភាគ។ ដើម្បីដោះស្រាយបញ្ហានៃការបង្រួមអប្បបរមា វាចាំបាច់ក្នុងការស្វែងរកចំណុចស្ថានីនៃមុខងារដោយបែងចែកវាទាក់ទងទៅនឹងប៉ារ៉ាម៉ែត្រដែលមិនស្គាល់ b សមីការនិស្សន្ទវត្ថុទៅជាសូន្យ និងដោះស្រាយប្រព័ន្ធលទ្ធផលនៃសមីការ៖
ប្រសិនបើកំហុសចៃដន្យរបស់គំរូត្រូវបានចែកចាយជាធម្មតា មានការប្រែប្រួលដូចគ្នា និងមិនទាក់ទងគ្នា ការប៉ាន់ប្រមាណប៉ារ៉ាម៉ែត្រ OLS គឺដូចគ្នានឹងការប៉ាន់ស្មានលទ្ធភាពអតិបរមា (MLM)។
OLS ក្នុងករណីគំរូលីនេអ៊ែរ
សូមឱ្យការពឹងផ្អែកនៃការតំរែតំរង់មានលក្ខណៈលីនេអ៊ែរ៖
អនុញ្ញាតឱ្យ yគឺជាវ៉ិចទ័រជួរឈរនៃការសង្កេតនៃអថេរដែលបានពន្យល់ ហើយជាម៉ាទ្រីសនៃការសង្កេតកត្តា (ជួរដេកនៃម៉ាទ្រីសគឺជាវ៉ិចទ័រនៃតម្លៃកត្តានៅក្នុងការសង្កេតដែលបានផ្តល់ឱ្យ ជួរឈរគឺជាវ៉ិចទ័រនៃតម្លៃនៃកត្តាដែលបានផ្តល់ឱ្យ។ នៅក្នុងការសង្កេតទាំងអស់) ។ តំណាងម៉ាទ្រីសនៃគំរូលីនេអ៊ែរគឺ៖
បន្ទាប់មកវ៉ិចទ័រនៃការប៉ាន់ប្រមាណនៃអថេរដែលបានពន្យល់ និងវ៉ិចទ័រនៃសំណល់តំរែតំរង់នឹងស្មើគ្នា
ដូច្នោះហើយផលបូកនៃការ៉េនៃសំណល់តំរែតំរង់នឹងស្មើនឹង
ការបែងចែកមុខងារនេះដោយគោរពតាមវ៉ិចទ័រនៃប៉ារ៉ាម៉ែត្រ និងសមីការនិស្សន្ទវត្ថុទៅជាសូន្យ យើងទទួលបានប្រព័ន្ធសមីការ (ក្នុងទម្រង់ម៉ាទ្រីស)៖
.ដំណោះស្រាយនៃប្រព័ន្ធសមីការនេះផ្តល់នូវរូបមន្តទូទៅសម្រាប់ការប៉ាន់ស្មានការេយ៉ាងហោចណាស់សម្រាប់គំរូលីនេអ៊ែរ៖
សម្រាប់គោលបំណងវិភាគ តំណាងចុងក្រោយនៃរូបមន្តនេះមានប្រយោជន៍។ ប្រសិនបើនៅក្នុងគំរូតំរែតំរង់ទិន្នន័យ កណ្តាលបន្ទាប់មកនៅក្នុងតំណាងនេះ ម៉ាទ្រីសទីមួយមានអត្ថន័យនៃគំរូនៃម៉ាទ្រីសកូវ៉ារ៉ង់នៃកត្តា ហើយទីពីរគឺជាវ៉ិចទ័រនៃភាពប្រែប្រួលនៃកត្តាជាមួយនឹងអថេរអាស្រ័យ។ ប្រសិនបើលើសពីនេះទិន្នន័យក៏មានផងដែរ។ ធម្មតាទៅ MSE (នោះគឺនៅទីបំផុត ស្តង់ដារ) បន្ទាប់មកម៉ាទ្រីសទីមួយមានអត្ថន័យនៃម៉ាទ្រីសទំនាក់ទំនងគំរូនៃកត្តា វ៉ិចទ័រទីពីរ - វ៉ិចទ័រនៃទំនាក់ទំនងគំរូនៃកត្តាជាមួយអថេរអាស្រ័យ។
ទ្រព្យសម្បត្តិសំខាន់នៃការប៉ាន់ប្រមាណ OLS សម្រាប់ម៉ូដែល ជាមួយនឹងថេរ- បន្ទាត់តំរែតំរង់ដែលបានសាងសង់ឆ្លងកាត់ចំណុចកណ្តាលនៃទំនាញនៃទិន្នន័យគំរូ ពោលគឺសមភាពត្រូវបានពេញចិត្ត៖
ជាពិសេស ក្នុងករណីធ្ងន់ធ្ងរ នៅពេលដែលការតំរែតំរង់តែមួយគត់គឺថេរ យើងឃើញថាការប៉ាន់ប្រមាណ OLS នៃប៉ារ៉ាម៉ែត្រតែមួយគត់ (ថេរដោយខ្លួនវា) គឺស្មើនឹងតម្លៃមធ្យមនៃអថេរដែលបានពន្យល់។ នោះគឺជា មធ្យមនព្វន្ធ ដែលត្រូវបានគេស្គាល់ថាសម្រាប់លក្ខណៈសម្បត្តិដ៏ល្អរបស់វាពីច្បាប់នៃចំនួនធំ ក៏ជាការប៉ាន់ប្រមាណការេយ៉ាងហោចណាស់ផងដែរ - វាបំពេញតាមលក្ខណៈវិនិច្ឆ័យនៃផលបូកអប្បបរមានៃគម្លាតការេពីវា។
ឧទាហរណ៍៖ តំរែតំរង់សាមញ្ញបំផុត (ជាគូ)
នៅក្នុងករណីនៃតំរែតំរង់លីនេអ៊ែរដែលបានផ្គូផ្គង រូបមន្តគណនាត្រូវបានធ្វើឱ្យសាមញ្ញ (អ្នកអាចធ្វើបានដោយគ្មានពិជគណិតម៉ាទ្រីស)៖
លក្ខណៈសម្បត្តិរបស់ឧបករណ៍ប៉ាន់ស្មាន OLS
ជាដំបូង យើងកត់សំគាល់ថា សម្រាប់ម៉ូដែលលីនេអ៊ែរ ការប៉ាន់ប្រមាណ OLS គឺជាការប៉ាន់ប្រមាណលីនេអ៊ែរ ដូចខាងក្រោមពីរូបមន្តខាងលើ។ សម្រាប់ការប៉ាន់ប្រមាណ OLS ដែលមិនលំអៀង វាចាំបាច់ និងគ្រប់គ្រាន់ដើម្បីបំពេញលក្ខខណ្ឌសំខាន់បំផុតនៃការវិភាគតំរែតំរង់៖ ការរំពឹងទុកគណិតវិទ្យានៃកំហុសចៃដន្យដែលមានលក្ខខណ្ឌលើកត្តាត្រូវតែស្មើនឹងសូន្យ។ លក្ខខណ្ឌនេះជាពិសេសគឺពេញចិត្តប្រសិនបើ
- ការរំពឹងទុកគណិតវិទ្យានៃកំហុសចៃដន្យគឺសូន្យ និង
- កត្តា និងកំហុសចៃដន្យ គឺជាអថេរចៃដន្យឯករាជ្យ។
លក្ខខណ្ឌទីពីរ - លក្ខខណ្ឌនៃភាពខាងក្រៅនៃកត្តា - គឺជាមូលដ្ឋាន។ ប្រសិនបើទ្រព្យសម្បត្តិនេះមិនត្រូវបានបំពេញ នោះយើងអាចសន្មត់ថាការប៉ាន់ប្រមាណស្ទើរតែទាំងអស់នឹងមិនពេញចិត្តខ្លាំងនោះទេ៖ ពួកគេនឹងមិនមានភាពស៊ីសង្វាក់គ្នាទេ (ពោលគឺសូម្បីតែទិន្នន័យមួយចំនួនធំក៏មិនអនុញ្ញាតឱ្យយើងទទួលបានការប៉ាន់ស្មានគុណភាពខ្ពស់ក្នុងករណីនេះដែរ។ ) នៅក្នុងករណីបុរាណ ការសន្មត់ខ្លាំងជាងនេះត្រូវបានធ្វើឡើងអំពីការកំណត់នៃកត្តា ផ្ទុយពីកំហុសចៃដន្យ ដែលមានន័យថា លក្ខខណ្ឌ exogeneity ត្រូវបានបំពេញដោយស្វ័យប្រវត្តិ។ ក្នុងករណីទូទៅ សម្រាប់ភាពស៊ីសង្វាក់នៃការប៉ាន់ប្រមាណ វាគ្រប់គ្រាន់ដើម្បីបំពេញលក្ខខណ្ឌ exogeneity រួមជាមួយនឹងការបញ្ចូលគ្នានៃម៉ាទ្រីសទៅជាម៉ាទ្រីសដែលមិនមែនជាឯកវចនៈមួយចំនួន នៅពេលដែលទំហំគំរូកើនឡើងដល់ភាពគ្មានកំណត់។
ដើម្បីឱ្យ បន្ថែមពីលើភាពស៊ីសង្វាក់គ្នា និងភាពមិនលំអៀង ការប៉ាន់ប្រមាណនៃ (ធម្មតា) ការេយ៉ាងហោចណាស់ក៏មានប្រសិទ្ធភាពផងដែរ (ល្អបំផុតនៅក្នុងថ្នាក់នៃការប៉ាន់ប្រមាណមិនលំអៀងលីនេអ៊ែរ) លក្ខណៈសម្បត្តិបន្ថែមនៃកំហុសចៃដន្យត្រូវតែបំពេញ៖
ការសន្មត់ទាំងនេះអាចត្រូវបានបង្កើតសម្រាប់ម៉ាទ្រីសដែលប្រែប្រួលនៃវ៉ិចទ័រកំហុសចៃដន្យ
គំរូលីនេអ៊ែរដែលបំពេញលក្ខខណ្ឌទាំងនេះត្រូវបានគេហៅថា បុរាណ. ការប៉ាន់ប្រមាណ OLS សម្រាប់ការតំរែតំរង់លីនេអ៊ែរបុរាណគឺមិនលំអៀង ស៊ីសង្វាក់គ្នា និងការប៉ាន់ប្រមាណដែលមានប្រសិទ្ធភាពបំផុតនៅក្នុងថ្នាក់នៃការប៉ាន់ប្រមាណដែលមិនលំអៀងលីនេអ៊ែរទាំងអស់ (នៅក្នុងអក្សរសិល្ប៍អង់គ្លេស ពេលខ្លះអក្សរកាត់ត្រូវបានប្រើ ខៀវ (ការប៉ាន់ប្រមាណដែលមិនមានមូលដ្ឋានលើលីនេអ៊ែរល្អបំផុត) - ការប៉ាន់ស្មានមិនលំអៀងលីនេអ៊ែរល្អបំផុត; នៅក្នុងអក្សរសិល្ប៍រុស្ស៊ី ទ្រឹស្តីបទ Gauss-Markov ត្រូវបានលើកឡើងជាញឹកញាប់)។ ដូចដែលវាងាយស្រួលក្នុងការបង្ហាញ ម៉ាទ្រីសដែលបំរែបំរួលនៃវ៉ិចទ័រនៃការប៉ាន់ប្រមាណមេគុណនឹងស្មើនឹង៖
OLS ទូទៅ
វិធីសាស្ត្រការ៉េតិចបំផុត អនុញ្ញាតឲ្យមានការពង្រីកទូលំទូលាយ។ ជំនួសឱ្យការបង្រួមអប្បបរមានៃផលបូកនៃការ៉េនៃសំណល់ មួយអាចបង្រួមអប្បបរមាទម្រង់ជាបួនជ្រុងវិជ្ជមាននៃវ៉ិចទ័រនៃសំណល់ ដែលជាម៉ាទ្រីសទម្ងន់កំណត់ស៊ីមេទ្រីវិជ្ជមានមួយចំនួន។ ការ៉េតិចបំផុតសាមញ្ញគឺជាករណីពិសេសនៃវិធីសាស្រ្តនេះ ដែលម៉ាទ្រីសទម្ងន់គឺសមាមាត្រទៅនឹងម៉ាទ្រីសអត្តសញ្ញាណ។ ដូចដែលត្រូវបានគេស្គាល់ពីទ្រឹស្តីនៃម៉ាទ្រីសស៊ីមេទ្រី (ឬប្រតិបត្តិករ) សម្រាប់ម៉ាទ្រីសបែបនេះមានការរលួយ។ អាស្រ័យហេតុនេះ មុខងារដែលបានបញ្ជាក់អាចត្រូវបានតំណាងដូចខាងក្រោម ពោលគឺមុខងារនេះអាចត្រូវបានតំណាងថាជាផលបូកនៃការ៉េនៃ "នៅសល់" ដែលបានបំប្លែងមួយចំនួន។ ដូចនេះ យើងអាចបែងចែកប្រភេទនៃវិធីសាស្រ្តការេតិចបំផុត - វិធីសាស្រ្ត LS (ការេតិចបំផុត)។
វាត្រូវបានបញ្ជាក់ (ទ្រឹស្តីបទរបស់ Aitken) ថាសម្រាប់គំរូតំរែតំរង់លីនេអ៊ែរទូទៅ (ដែលមិនមានការដាក់កម្រិតលើម៉ាទ្រីសនៃកំហុសចៃដន្យ) ដែលមានប្រសិទ្ធភាពបំផុត (នៅក្នុងថ្នាក់នៃការប៉ាន់ប្រមាណមិនលំអៀងលីនេអ៊ែរ) គឺជាអ្វីដែលគេហៅថាការប៉ាន់ស្មាន។ ការការ៉េតិចបំផុតដែលត្រូវបានគេចាត់ទុកជាទូទៅ (GLS - Generalized Least Squares)- វិធីសាស្ត្រ LS ដែលមានម៉ាទ្រីសទម្ងន់ស្មើនឹងម៉ាទ្រីសបញ្ច្រាសនៃកំហុសចៃដន្យ៖ .
វាអាចត្រូវបានបង្ហាញថារូបមន្តសម្រាប់ការប៉ាន់ប្រមាណ GLS នៃប៉ារ៉ាម៉ែត្រនៃគំរូលីនេអ៊ែរមានទម្រង់
ម៉ាទ្រីសនៃភាពខុសគ្នានៃការប៉ាន់ស្មានទាំងនេះនឹងស្មើនឹង
តាមពិត ខ្លឹមសារនៃ OLS ស្ថិតនៅក្នុងការបំប្លែង (លីនេអ៊ែរ) ជាក់លាក់ (P) នៃទិន្នន័យដើម និងការអនុវត្ត OLS ធម្មតាទៅនឹងទិន្នន័យដែលបានបំប្លែង។ គោលបំណងនៃការផ្លាស់ប្តូរនេះគឺថាសម្រាប់ទិន្នន័យដែលបានផ្លាស់ប្តូរ កំហុសចៃដន្យបានបំពេញតាមការសន្មតបុរាណរួចហើយ។
ទម្ងន់ OLS
នៅក្នុងករណីនៃម៉ាទ្រីសទម្ងន់អង្កត់ទ្រូង (ហើយដូច្នេះម៉ាទ្រីសដូចគ្នានៃកំហុសចៃដន្យ) យើងមានអ្វីដែលហៅថាការេទម្ងន់តិចបំផុត (WLS) ។ ក្នុងករណីនេះ ផលបូកទម្ងន់នៃការ៉េនៃសំណល់គំរូត្រូវបានបង្រួមអប្បបរមា ពោលគឺការសង្កេតនីមួយៗទទួលបាន "ទម្ងន់" ដែលសមាមាត្រច្រាសទៅនឹងភាពខុសគ្នានៃកំហុសចៃដន្យនៅក្នុងការសង្កេតនេះ៖ . ជាការពិត ទិន្នន័យត្រូវបានបំប្លែងដោយការថ្លឹងថ្លែងការសង្កេត (បែងចែកដោយបរិមាណសមាមាត្រទៅនឹងគម្លាតស្តង់ដារប៉ាន់ស្មាននៃកំហុសចៃដន្យ) ហើយ OLS ធម្មតាត្រូវបានអនុវត្តចំពោះទិន្នន័យដែលមានទម្ងន់។
ករណីពិសេសមួយចំនួននៃការប្រើប្រាស់ MNC នៅក្នុងការអនុវត្ត
ការប៉ាន់ស្មាននៃការពឹងផ្អែកលីនេអ៊ែរ
ចូរយើងពិចារណាករណីនៅពេលដែលជាលទ្ធផលនៃការសិក្សាការពឹងផ្អែកនៃបរិមាណមាត្រដ្ឋានជាក់លាក់មួយនៅលើបរិមាណមាត្រដ្ឋានជាក់លាក់មួយ (នេះអាចជាឧទាហរណ៍ការពឹងផ្អែកនៃវ៉ុលលើកម្លាំងបច្ចុប្បន្ន: ដែលជាកន្លែងដែលជាតម្លៃថេរ ភាពធន់នៃ conductor) ការវាស់វែងនៃបរិមាណទាំងនេះត្រូវបានអនុវត្តជាលទ្ធផលដែលតម្លៃនិងតម្លៃដែលត្រូវគ្នា។ ទិន្នន័យរង្វាស់ត្រូវតែកត់ត្រាក្នុងតារាង។
តុ។ លទ្ធផលវាស់វែង។
ការវាស់វែងលេខ | ||
---|---|---|
1 | ||
2 | ||
3 | ||
4 | ||
5 | ||
6 |
សំណួរគឺ៖ តើតម្លៃនៃមេគុណអាចត្រូវបានជ្រើសរើសដើម្បីពិពណ៌នាអំពីភាពអាស្រ័យបានល្អបំផុត? យោងតាមវិធីសាស្ត្រការេតិចបំផុត តម្លៃនេះគួរតែជាផលបូកនៃគម្លាតការេនៃតម្លៃពីតម្លៃ។
មានតិចតួចបំផុត។
ផលបូកនៃគម្លាតការ៉េមានកម្រិតខ្លាំងមួយ - អប្បបរមា ដែលអនុញ្ញាតឱ្យយើងប្រើរូបមន្តនេះ។ ចូរយើងស្វែងរកពីរូបមន្តនេះនូវតម្លៃនៃមេគុណ។ ដើម្បីធ្វើដូចនេះយើងប្តូរផ្នែកខាងឆ្វេងរបស់វាដូចខាងក្រោមៈ
រូបមន្តចុងក្រោយអនុញ្ញាតឱ្យយើងស្វែងរកតម្លៃនៃមេគុណដែលជាអ្វីដែលត្រូវបានទាមទារនៅក្នុងបញ្ហា។
រឿង
រហូតដល់ដើមសតវត្សទី 19 ។ អ្នកវិទ្យាសាស្ត្រមិនមានច្បាប់ជាក់លាក់សម្រាប់ដោះស្រាយប្រព័ន្ធសមីការដែលចំនួនមិនស្គាល់គឺតិចជាងចំនួនសមីការ។ រហូតមកដល់ពេលនោះ បច្ចេកទេសឯកជនត្រូវបានប្រើប្រាស់ដែលអាស្រ័យលើប្រភេទនៃសមីការ និងលើភាពវៃឆ្លាតនៃម៉ាស៊ីនគិតលេខ ដូច្នេះហើយម៉ាស៊ីនគិតលេខផ្សេងគ្នា ដោយផ្អែកលើទិន្នន័យសង្កេតដូចគ្នា បានឈានដល់ការសន្និដ្ឋានផ្សេងៗគ្នា។ Gauss (1795) គឺជាអ្នកដំបូងគេដែលប្រើវិធីសាស្ត្រ ហើយ Legendre (1805) បានរកឃើញដោយឯករាជ្យ និងបោះពុម្ពវាក្រោមឈ្មោះទំនើបរបស់វា (ភាសាបារាំង។ Méthode des moindres quarrés ) Laplace ទាក់ទងនឹងវិធីសាស្រ្តទៅនឹងទ្រឹស្តីប្រូបាប៊ីលីតេ ហើយគណិតវិទូជនជាតិអាមេរិក Adrain (1808) បានចាត់ទុកកម្មវិធីប្រូបាប៊ីលីតេ-ទ្រឹស្តីរបស់វា។ វិធីសាស្រ្តនេះត្រូវបានរីករាលដាល និងធ្វើឱ្យប្រសើរឡើងដោយការស្រាវជ្រាវបន្ថែមដោយ Encke, Bessel, Hansen និងអ្នកដទៃ។
ការប្រើប្រាស់ជំនួសនៃ OLS
គំនិតនៃវិធីសាស្រ្តការេតិចបំផុតក៏អាចត្រូវបានប្រើនៅក្នុងករណីផ្សេងទៀតដែលមិនទាក់ទងដោយផ្ទាល់ទៅនឹងការវិភាគតំរែតំរង់។ ការពិតគឺថាផលបូកនៃការ៉េគឺជារង្វាស់ជិតបំផុតមួយសម្រាប់វ៉ិចទ័រ (ម៉ែត្រអឺគ្លីដក្នុងចន្លោះកំណត់វិមាត្រ)។
កម្មវិធីមួយគឺជា "ដំណោះស្រាយ" នៃប្រព័ន្ធនៃសមីការលីនេអ៊ែរដែលចំនួនសមីការគឺធំជាងចំនួនអថេរ។
ដែលម៉ាទ្រីសមិនមែនជាការ៉េ ប៉ុន្តែជាចតុកោណនៃទំហំ។
ប្រព័ន្ធនៃសមីការបែបនេះ នៅក្នុងករណីទូទៅ មិនមានដំណោះស្រាយទេ (ប្រសិនបើចំណាត់ថ្នាក់ពិតជាធំជាងចំនួនអថេរ)។ ដូច្នេះប្រព័ន្ធនេះអាចត្រូវបាន "ដោះស្រាយ" តែក្នុងន័យនៃការជ្រើសរើសវ៉ិចទ័របែបនេះដើម្បីកាត់បន្ថយ "ចម្ងាយ" រវាងវ៉ិចទ័រនិង . ដើម្បីធ្វើដូចនេះអ្នកអាចអនុវត្តលក្ខណៈវិនិច្ឆ័យនៃការបង្រួមអប្បបរមានៃផលបូកនៃការ៉េនៃភាពខុសគ្នារវាងផ្នែកខាងឆ្វេងនិងខាងស្តាំនៃសមីការប្រព័ន្ធ នោះគឺ។ វាងាយស្រួលក្នុងការបង្ហាញថាការដោះស្រាយបញ្ហាបង្រួមអប្បបរមានេះនាំទៅដល់ការដោះស្រាយប្រព័ន្ធសមីការខាងក្រោម។
បន្ទាប់ពីការកំណត់កម្រិត យើងទទួលបានមុខងារនៃទម្រង់ដូចខាងក្រោម៖ g (x) = x + 1 3 + 1 ។
យើងអាចប៉ាន់ស្មានទិន្នន័យនេះដោយប្រើទំនាក់ទំនងលីនេអ៊ែរ y = a x + b ដោយគណនាប៉ារ៉ាម៉ែត្រដែលត្រូវគ្នា។ ដើម្បីធ្វើដូច្នេះ យើងនឹងត្រូវអនុវត្តអ្វីដែលគេហៅថាវិធីការ៉េតិចបំផុត។ អ្នកក៏នឹងត្រូវបង្កើតគំនូរ ដើម្បីពិនិត្យមើលថាតើបន្ទាត់ណានឹងតម្រឹមទិន្នន័យពិសោធន៍បានល្អបំផុត។
Yandex.RTB R-A-339285-1
តើអ្វីជា OLS (វិធីសាស្ត្រការ៉េតិចបំផុត)
រឿងសំខាន់ដែលយើងត្រូវធ្វើគឺស្វែងរកមេគុណនៃការពឹងផ្អែកលីនេអ៊ែរដែលតម្លៃនៃមុខងារនៃអថេរពីរ F (a, b) = ∑ i = 1 n (y i - (a x i + b)) 2 នឹងជា តូចបំផុត។ នៅក្នុងពាក្យផ្សេងទៀត សម្រាប់តម្លៃជាក់លាក់នៃ a និង b ផលបូកនៃគម្លាតការ៉េនៃទិន្នន័យដែលបានបង្ហាញពីបន្ទាត់ត្រង់លទ្ធផលនឹងមានតម្លៃអប្បបរមា។ នេះគឺជាអត្ថន័យនៃវិធីសាស្ត្រការ៉េតិចបំផុត។ អ្វីទាំងអស់ដែលយើងត្រូវធ្វើដើម្បីដោះស្រាយឧទាហរណ៍គឺស្វែងរកភាពខ្លាំងនៃមុខងារនៃអថេរពីរ។
របៀបទាញយករូបមន្តសម្រាប់គណនាមេគុណ
ដើម្បីទាញយករូបមន្តសម្រាប់គណនាមេគុណ អ្នកត្រូវបង្កើត និងដោះស្រាយប្រព័ន្ធសមីការដែលមានអថេរពីរ។ ដើម្បីធ្វើដូចនេះយើងគណនាដេរីវេនៃផ្នែកនៃកន្សោម F (a, b) = ∑ i = 1 n (y i − (a x i + b)) 2 ដោយគោរពតាម a និង b ហើយស្មើនឹង 0 ។
δ F (a , b) δ a = 0 δ F (a , b) δ b = 0 ⇔ − 2 ∑ i = 1 n (y i − (a x i + b)) x i = 0 − 2 ∑ i = 1 n ( y i − (a x i + b)) = 0 ⇔ a ∑ i = 1 n x i 2 + b ∑ i = 1 n x i = ∑ i = 1 n x i y i a ∑ i = 1 n x i + ∑ i = 1 n b = ∑ i = 1 n ∑ i = 1 n x i 2 + b ∑ i = 1 n x i = ∑ i = 1 n x i y i a ∑ i = 1 n x i + n b = ∑ i = 1 n y i
ដើម្បីដោះស្រាយប្រព័ន្ធសមីការ អ្នកអាចប្រើវិធីសាស្រ្តណាមួយ ឧទាហរណ៍ ការជំនួស ឬវិធីសាស្ត្ររបស់ Cramer ។ ជាលទ្ធផល យើងគួរតែមានរូបមន្តដែលអាចប្រើសម្រាប់គណនាមេគុណដោយប្រើវិធីសាស្ត្រការេតិចបំផុត។
n ∑ i = 1 n x i y i − ∑ i = 1 n x i ∑ i = 1 n y i n ∑ i = 1 n − ∑ i = 1 n x i 2 b = ∑ i = 1 n y i − a ∑ i = 1 n x i n
យើងបានគណនាតម្លៃនៃអថេរដែលអនុគមន៍
F (a , b) = ∑ i = 1 n (y i - (a x i + b)) 2 នឹងយកតម្លៃអប្បបរមា។ នៅកថាខណ្ឌទីបី យើងនឹងបញ្ជាក់ថាហេតុអ្វីបានជាវាពិតជាបែបនេះ។
នេះជាការអនុវត្តវិធីសាស្ត្រការ៉េតិចបំផុតក្នុងការអនុវត្ត។ រូបមន្តរបស់វាដែលប្រើដើម្បីស្វែងរកប៉ារ៉ាម៉ែត្រ a រួមមាន ∑ i = 1 n x i, ∑ i = 1 n y i, ∑ i = 1 n x i y i, ∑ i = 1 n x i 2 ក៏ដូចជាប៉ារ៉ាម៉ែត្រ
n - វាបង្ហាញពីចំនួនទិន្នន័យពិសោធន៍។ យើងណែនាំអ្នកឱ្យគណនាចំនួននីមួយៗដោយឡែកពីគ្នា។ តម្លៃនៃមេគុណ b ត្រូវបានគណនាភ្លាមៗបន្ទាប់ពី a ។
ចូរយើងត្រលប់ទៅឧទាហរណ៍ដើមវិញ។
ឧទាហរណ៍ ១
នៅទីនេះយើងមាន n ស្មើនឹងប្រាំ។ ដើម្បីធ្វើឱ្យវាកាន់តែងាយស្រួលក្នុងការគណនាបរិមាណដែលត្រូវការរួមបញ្ចូលក្នុងរូបមន្តមេគុណ ចូរយើងបំពេញតារាង។
i=1 | i=2 | i = ៣ | i=4 | i=5 | ∑ i = 1 5 | |
x ខ្ញុំ | 0 | 1 | 2 | 4 | 5 | 12 |
y ខ្ញុំ | 2 , 1 | 2 , 4 | 2 , 6 | 2 , 8 | 3 | 12 , 9 |
x ខ្ញុំ y ខ្ញុំ | 0 | 2 , 4 | 5 , 2 | 11 , 2 | 15 | 33 , 8 |
x ខ្ញុំ ២ | 0 | 1 | 4 | 16 | 25 | 46 |
ដំណោះស្រាយ
ជួរទីបួនរួមបញ្ចូលទិន្នន័យដែលទទួលបានដោយការគុណតម្លៃពីជួរទីពីរដោយតម្លៃនៃទីបីសម្រាប់បុគ្គលនីមួយៗ i ។ ជួរទីប្រាំមានទិន្នន័យពីទីពីរ ការ៉េ។ ជួរចុងក្រោយបង្ហាញពីផលបូកនៃតម្លៃនៃជួរនីមួយៗ។
ចូរប្រើវិធីសាស្ត្រការេតិចបំផុត ដើម្បីគណនាមេគុណ a និង b ដែលយើងត្រូវការ។ ដើម្បីធ្វើដូច្នេះ ជំនួសតម្លៃដែលត្រូវការពីជួរចុងក្រោយ ហើយគណនាចំនួន៖
n ∑ i = 1 n x i y i − ∑ i = 1 n x i ∑ i = 1 n y i n ∑ i = 1 n − ∑ i = 1 n x i 2 b = ∑ i = 1 n y i − a ∑ i = 1 n x i n 5 8 3 a , - 12 12, 9 5 46 - 12 2 ខ = 12, 9 - a 12 5 ⇒ a ≈ 0, 165 ខ≈ 2, 184
វាប្រែថាបន្ទាត់ត្រង់ប្រហាក់ប្រហែលដែលត្រូវការនឹងមើលទៅដូចជា y = 0, 165 x + 2, 184 ។ ឥឡូវយើងត្រូវកំណត់ថាតើបន្ទាត់ណានឹងប្រហាក់ប្រហែលទិន្នន័យល្អជាង - g (x) = x + 1 3 + 1 ឬ 0, 165 x + 2, 184 ។ ចូរប៉ាន់ប្រមាណដោយប្រើវិធីសាស្ត្រការ៉េតិចបំផុត។
ដើម្បីគណនាកំហុស យើងត្រូវរកផលបូកនៃគម្លាតការ៉េនៃទិន្នន័យពីបន្ទាត់ត្រង់ σ 1 = ∑ i = 1 n (y i − (a x i + b i)) 2 និង σ 2 = ∑ i = 1 n (y i - g (x i)) 2 តម្លៃអប្បបរមានឹងត្រូវគ្នាទៅនឹងបន្ទាត់ដែលសមរម្យជាង។
σ 1 = ∑ i = 1 n (y i − (a x i + b i)) 2 = = ∑ i = 1 5 (y i − (0, 165 x i + 2, 184)) 2 ≈ 0, 019 σ 2 = ∑ i = 1 n (y i − g (x i)) 2 = = ∑ i = 1 5 (y i − (x i + 1 3 + 1)) 2 ≈ 0.096
ចម្លើយ៖ចាប់តាំងពី σ 1< σ 2 , то прямой, наилучшим образом аппроксимирующей исходные данные, будет
y = 0.165 x + 2.184 ។
វិធីសាស្ត្រការ៉េតិចបំផុតត្រូវបានបង្ហាញយ៉ាងច្បាស់នៅក្នុងរូបភាពក្រាហ្វិក។ បន្ទាត់ក្រហមសម្គាល់បន្ទាត់ត្រង់ g (x) = x + 1 3 + 1 បន្ទាត់ពណ៌ខៀវសម្គាល់ y = 0, 165 x + 2, 184 ។ ទិន្នន័យដើមត្រូវបានចង្អុលបង្ហាញដោយចំណុចពណ៌ផ្កាឈូក។
ចូរយើងពន្យល់ថាហេតុអ្វីបានជាត្រូវការការប្រហាក់ប្រហែលនៃប្រភេទនេះយ៉ាងពិតប្រាកដ។
ពួកវាអាចប្រើក្នុងកិច្ចការដែលទាមទារឱ្យដំណើរការទិន្នន័យរលូន ក៏ដូចជាក្នុងកិច្ចការដែលទិន្នន័យត្រូវតែបញ្ចូល ឬបន្ថែម។ ឧទាហរណ៍ ក្នុងបញ្ហាដែលបានពិភាក្សាខាងលើ គេអាចរកឃើញតម្លៃនៃបរិមាណសង្កេត y នៅ x = 3 ឬនៅ x = 6 ។ យើងបានលះបង់អត្ថបទដាច់ដោយឡែកមួយចំពោះឧទាហរណ៍បែបនេះ។
ភស្តុតាងនៃវិធីសាស្ត្រ OLS
ដើម្បីឱ្យអនុគមន៍យកតម្លៃអប្បបរមានៅពេលដែល a និង b ត្រូវបានគណនា វាចាំបាច់ថានៅចំណុចដែលបានផ្តល់ឱ្យម៉ាទ្រីសនៃទម្រង់បួនជ្រុងនៃឌីផេរ៉ង់ស្យែលនៃអនុគមន៍នៃទម្រង់ F (a, b) = ∑ i = 1 n (y i − (a x i + b)) 2 គឺជានិយមន័យវិជ្ជមាន។ ចូរបង្ហាញអ្នកពីរបៀបដែលវាគួរតែមើលទៅ។
ឧទាហរណ៍ ២
យើងមានឌីផេរ៉ង់ស្យែលលំដាប់ទីពីរនៃទម្រង់ខាងក្រោម៖
d 2 F (a ; b) = δ 2 F (a ; b) δ a 2 d 2 a + 2 δ 2 F (a ; b) δ a δ b d a d b + δ 2 F (a ; b) δ b 2 d 2 ខ
ដំណោះស្រាយ
δ 2 F (a ; b) δ a 2 = δ δ F (a ; b) δ a δ a = = δ − 2 ∑ i = 1 n (y i − (a x i + b)) x i δ a = 2 ∑ i = 1 n (x i) 2 δ 2 F (a; b) δ a δ b = δ δ F (a; b) δ a δ b = = δ − 2 ∑ i = 1 n (y i − (a x i + b) ) x i δ b = 2 ∑ i = 1 n x i δ 2 F (a ; b) δ b 2 = δ δ F (a ; b) δ b δ b = δ − 2 ∑ i = 1 n ( y i − (a x i + b)) δ b = 2 ∑ i = 1 n (1) = 2 n
ម៉្យាងទៀត យើងអាចសរសេរដូចនេះ៖ d 2 F (a ; b) = 2 ∑ i = 1 n (x i) 2 d 2 a + 2 2 ∑ x i i = 1 n d a d b + (2 n) d 2 b ។
យើងទទួលបានម៉ាទ្រីសនៃទម្រង់ការ៉េ M = 2 ∑ i = 1 n (x i) 2 2 ∑ i = 1 n x i 2 ∑ i = 1 n x i 2 n ។
ក្នុងករណីនេះ តម្លៃនៃធាតុនីមួយៗនឹងមិនផ្លាស់ប្តូរអាស្រ័យលើ a និង b ទេ។ តើម៉ាទ្រីសវិជ្ជមាននេះកំណត់ទេ? ដើម្បីឆ្លើយសំណួរនេះ សូមពិនិត្យមើលថាតើអនីតិជនជ្រុងរបស់វាមានភាពវិជ្ជមានដែរឬទេ។
យើងគណនាអនីតិជនមុំនៃលំដាប់ទីមួយ៖ 2 ∑ i = 1 n (x i) 2 > 0 ។ ដោយសារចំនុច x i មិនស្របគ្នា វិសមភាពគឺតឹងរ៉ឹង។ យើងនឹងចងចាំរឿងនេះនៅក្នុងការគណនាបន្ថែមទៀត។
យើងគណនាលំដាប់ទីពីរ angular minor:
d e t (M) = 2 ∑ i = 1 n (x i) 2 2 ∑ i = 1 n x i 2 ∑ i = 1 n x i 2 n = 4 n ∑ i = 1 n (x i) 2 − ∑ i = 1 n x i 2
បន្ទាប់ពីនេះ យើងបន្តធ្វើការបញ្ជាក់វិសមភាព n ∑ i = 1 n (x i) 2 - ∑ i = 1 n x i 2 > 0 ដោយប្រើ induction គណិតវិទ្យា។
- សូមពិនិត្យមើលថាតើវិសមភាពនេះមានសុពលភាពសម្រាប់ arbitrary n ។ ចូរយើងយក 2 ហើយគណនា៖
2 ∑ i = 1 2 (x i) 2 − ∑ i = 1 2 x i 2 = 2 x 1 2 + x 2 2 − x 1 + x 2 2 = = x 1 2 − 2 x 1 x 2 + x 2 2 = x 1 + x 2 2 > 0
យើងទទួលបានសមភាពត្រឹមត្រូវ (ប្រសិនបើតម្លៃ x 1 និង x 2 មិនស្របគ្នា) ។
- ចូរយើងធ្វើការសន្មត់ថាវិសមភាពនេះនឹងក្លាយជាការពិតសម្រាប់ n, i.e. n ∑ i = 1 n (x i) 2 − ∑ i = 1 n x i 2 > 0 – ពិត។
- ឥឡូវនេះយើងនឹងបញ្ជាក់ពីសុពលភាពសម្រាប់ n + 1, i.e. ថា (n + 1) ∑ i = 1 n + 1 (x i) 2 − ∑ i = 1 n + 1 x i 2 > 0 ប្រសិនបើ n ∑ i = 1 n (x i) 2 − ∑ i = 1 n x i 2 > 0 .
យើងគណនា៖
(n + 1) ∑ i = 1 n + 1 (x i) 2 − ∑ i = 1 n + 1 x i 2 = = (n + 1) ∑ i = 1 n (x i) 2 + x n + 1 2 − ∑ i = 1 n x i + x n + 1 2 = = n ∑ i = 1 n (x i) 2 + n x n + 1 2 + ∑ i = 1 n (x i) 2 + x n + 1 2 − − ∑ i = 1 n x i 2 + 2 x n + 1 ∑ i = 1 n x i + x n + 1 2 = = ∑ i = 1 n (x i) 2 − ∑ i = 1 n x i 2 + n x n + 1 2 − x n + 1 ∑ i = 1 n x i + ∑ i = 1 n (x i) 2 = = ∑ i = 1 n (x i) 2 − ∑ i = 1 n x i 2 + x n + 1 2 − 2 x n + 1 x 1 + x 1 2 + + x n + 1 2 − 2 x n + 1 x 2 + x 2 2 + ។ . . + x n + 1 2 − 2 x n + 1 x 1 + x n 2 = = n ∑ i = 1 n (x i) 2 − ∑ i = 1 n x i 2 + + (x n + 1 − x 1) 2 + (x n + 1) − x 2) 2 + . . . + (x n − 1 − x n) 2 > 0
កន្សោមដែលដាក់ក្នុងដង្កៀបកោងនឹងធំជាង 0 (ផ្អែកលើអ្វីដែលយើងបានសន្មតក្នុងជំហានទី 2) ហើយពាក្យដែលនៅសល់នឹងធំជាង 0 ព្រោះវាជាចំនួនការ៉េទាំងអស់។ យើងបានបង្ហាញពីវិសមភាព។
ចម្លើយ៖ដែលបានរកឃើញ a និង b នឹងត្រូវគ្នាទៅនឹងតម្លៃតូចបំផុតនៃអនុគមន៍ F (a, b) = ∑ i = 1 n (y i - (a x i + b)) 2 ដែលមានន័យថាពួកវាជាប៉ារ៉ាម៉ែត្រដែលត្រូវការនៃវិធីសាស្ត្រការ៉េតិចបំផុត។ (LSM) ។
ប្រសិនបើអ្នកសម្គាល់ឃើញកំហុសនៅក្នុងអត្ថបទ សូមរំលេចវា ហើយចុច Ctrl+Enter
ប្រសិនបើបរិមាណរូបវន្តជាក់លាក់មួយអាស្រ័យលើបរិមាណផ្សេងទៀតនោះ ការពឹងផ្អែកនេះអាចសិក្សាបានដោយវាស់ y នៅតម្លៃផ្សេងគ្នានៃ x ។ ជាលទ្ធផលនៃការវាស់វែងតម្លៃមួយចំនួនត្រូវបានទទួល:
x 1, x 2, ..., x i, ..., x n;
y 1 , y 2 , ... , y i , ... , y n .
ផ្អែកលើទិន្នន័យនៃការពិសោធន៍បែបនេះ គេអាចបង្កើតក្រាហ្វនៃការពឹងផ្អែក y = ƒ(x) ។ ខ្សែកោងលទ្ធផលធ្វើឱ្យវាអាចវិនិច្ឆ័យទម្រង់នៃអនុគមន៍ ƒ(x) ។ ទោះយ៉ាងណាក៏ដោយ មេគុណថេរដែលចូលទៅក្នុងមុខងារនេះនៅតែមិនស្គាល់។ ពួកវាអាចត្រូវបានកំណត់ដោយប្រើវិធីសាស្ត្រការ៉េតិចបំផុត។ ចំណុចពិសោធ ជាក្បួនមិនកុហកពិតប្រាកដនៅលើខ្សែកោងទេ។ វិធីសាស្ត្រការេតិចបំផុតតម្រូវឱ្យផលបូកនៃការេនៃគម្លាតនៃចំណុចពិសោធន៍ពីខ្សែកោង i.e.
2 គឺតូចបំផុត។
នៅក្នុងការអនុវត្ត វិធីសាស្រ្តនេះត្រូវបានគេប្រើញឹកញាប់បំផុត (និងសាមញ្ញបំផុត) ក្នុងករណីទំនាក់ទំនងលីនេអ៊ែរ ពោលគឺឧ។ ពេលណា y = kx ឬ
y = a + bx ។
ការពឹងផ្អែកលីនេអ៊ែរគឺរីករាលដាលយ៉ាងខ្លាំងនៅក្នុងរូបវិទ្យា។ ហើយសូម្បីតែនៅពេលដែលទំនាក់ទំនងមិនមានលីនេអ៊ែរក៏ដោយ ជាធម្មតាពួកគេព្យាយាមបង្កើតក្រាហ្វមួយដើម្បីទទួលបានបន្ទាត់ត្រង់។ ឧទាហរណ៍ ប្រសិនបើវាត្រូវបានសន្មត់ថាសន្ទស្សន៍ចំណាំងបែរនៃកញ្ចក់ n ទាក់ទងទៅនឹងរលកពន្លឺ λ ដោយទំនាក់ទំនង n = a + b/λ 2 នោះការពឹងផ្អែកនៃ n លើ λ -2 ត្រូវបានគូសនៅលើក្រាហ្វ។ នៅក្នុងការអនុវត្ត វិធីសាស្រ្តនេះត្រូវបានគេប្រើញឹកញាប់បំផុត (និងសាមញ្ញបំផុត) ក្នុងករណីទំនាក់ទំនងលីនេអ៊ែរ ពោលគឺឧ។ ពេលណាពិចារណាលើភាពអាស្រ័យ
(បន្ទាត់ត្រង់ឆ្លងកាត់ប្រភពដើម) ។ ចូរយើងចងក្រងតម្លៃ φ ផលបូកនៃការ៉េនៃគម្លាតនៃចំនុចរបស់យើងពីបន្ទាត់ត្រង់
តម្លៃនៃ φ តែងតែជាវិជ្ជមាន ហើយប្រែទៅជាតូចជាង ចំនុចរបស់យើងនៅជិតបន្ទាត់ត្រង់។ វិធីសាស្ត្រការេតិចបំផុតចែងថាតម្លៃសម្រាប់ k គួរត្រូវបានជ្រើសរើសដែល φ មានអប្បបរមា
(19)
ឬ
, (20)
ការគណនាបង្ហាញថាកំហុស root-mean-square ក្នុងការកំណត់តម្លៃនៃ k គឺស្មើនឹង
ដែល n ជាចំនួនរង្វាស់។ ឥឡូវនេះ ចូរយើងពិចារណាករណីដែលពិបាកជាងនេះបន្តិច នៅពេលដែលចំណុចត្រូវតែបំពេញតាមរូបមន្ត y = a + bx
(បន្ទាត់ត្រង់មិនឆ្លងកាត់ប្រភពដើម) ។
ភារកិច្ចគឺដើម្បីស្វែងរកតម្លៃល្អបំផុតនៃ a និង b ពីសំណុំនៃតម្លៃដែលមាន x i, y i ។
ហើយស្វែងរកតម្លៃនៃ a និង b ដែល φ មានអប្បបរមា
;
.
.ដំណោះស្រាយរួមនៃសមីការទាំងនេះផ្តល់ឱ្យ
(21)
ឫសមធ្យម កំហុសនៃការកំណត់ a និង b គឺស្មើគ្នា
(23)
.  (24)
នៅពេលដំណើរការលទ្ធផលរង្វាស់ដោយប្រើវិធីសាស្ត្រនេះ វាងាយស្រួលក្នុងការសង្ខេបទិន្នន័យទាំងអស់ក្នុងតារាងដែលបរិមាណទាំងអស់រួមបញ្ចូលក្នុងរូបមន្ត (19)(24) ត្រូវបានគណនាជាមុន។ ទម្រង់នៃតារាងទាំងនេះត្រូវបានផ្តល់ឱ្យក្នុងឧទាហរណ៍ខាងក្រោម។
ឧទាហរណ៍ ១.សមីការជាមូលដ្ឋាននៃឌីណាមិកនៃចលនាបង្វិលε = M/J (បន្ទាត់ត្រង់ឆ្លងកាត់ប្រភពដើមនៃកូអរដោនេ) ត្រូវបានសិក្សា។ នៅតម្លៃផ្សេងគ្នានៃពេល M ការបង្កើនល្បឿនមុំεនៃរាងកាយជាក់លាក់មួយត្រូវបានវាស់។ វាត្រូវបានទាមទារដើម្បីកំណត់ពេលនៃនិចលភាពនៃរាងកាយនេះ។ លទ្ធផលនៃការវាស់វែងនៃពេលនៃកម្លាំង និងការបង្កើនល្បឿនមុំត្រូវបានរាយក្នុងជួរទីពីរ និងទីបី តារាង 5.
តារាងទី 5
ន | M, N m | ε, s -1 | ម ២ | ម ε | ε - kM | (ε - kM) ២ |
1 | 1.44 | 0.52 | 2.0736 | 0.7488 | 0.039432 | 0.001555 |
2 | 3.12 | 1.06 | 9.7344 | 3.3072 | 0.018768 | 0.000352 |
3 | 4.59 | 1.45 | 21.0681 | 6.6555 | -0.08181 | 0.006693 |
4 | 5.90 | 1.92 | 34.81 | 11.328 | -0.049 | 0.002401 |
5 | 7.45 | 2.56 | 55.5025 | 19.072 | 0.073725 | 0.005435 |
∑ | | | 123.1886 | 41.1115 | | 0.016436 |
ដោយប្រើរូបមន្ត (១៩) យើងកំណត់៖
.
ដើម្បីកំណត់កំហុសការេមធ្យមឫស យើងប្រើរូបមន្ត (២០)
0.005775គីឡូក្រាម-1 · ម -2 .
យោងតាមរូបមន្ត (១៨) យើងមាន
; .S J = (2.996 0.005775)/0.3337 = 0.05185 គីឡូក្រាម m2.
ដោយបានកំណត់ភាពជឿជាក់ P = 0.95 ដោយប្រើតារាងនៃមេគុណសិស្សសម្រាប់ n = 5 យើងរកឃើញ t = 2.78 ហើយកំណត់កំហុសដាច់ខាត ΔJ = 2.78 0.05185 = 0.1441 ≈ 0.2 គីឡូក្រាម m2.
តោះសរសេរលទ្ធផលក្នុងទម្រង់៖
J = (3.0 ± 0.2) គីឡូក្រាម m2;
ឧទាហរណ៍ ២.ចូរយើងគណនាមេគុណសីតុណ្ហភាពនៃធន់នឹងលោហៈដោយប្រើវិធីសាស្ត្រការ៉េតិចបំផុត។ ភាពធន់គឺអាស្រ័យទៅលើសីតុណ្ហភាព
R t = R 0 (1 + α t°) = R 0 + R 0 α t° ។
ពាក្យឥតគិតថ្លៃកំណត់ភាពធន់ទ្រាំ R 0 នៅសីតុណ្ហភាព 0 ° C ហើយមេគុណជម្រាលគឺជាផលិតផលនៃមេគុណសីតុណ្ហភាព α និងភាពធន់ទ្រាំ R 0 ។
លទ្ធផលនៃការវាស់វែង និងការគណនាត្រូវបានផ្តល់ឱ្យក្នុងតារាង ( សូមមើលតារាង 6).
តារាង 6
ន | t °, ស | r, អូម | t-¯t | (t-¯t) ២ | (t-¯t) r | r - bt - ក | (r - bt - a) ២ .១០ -៦ |
1 | 23 | 1.242 | -62.8333 | 3948.028 | -78.039 | 0.007673 | 58.8722 |
2 | 59 | 1.326 | -26.8333 | 720.0278 | -35.581 | -0.00353 | 12.4959 |
3 | 84 | 1.386 | -1.83333 | 3.361111 | -2.541 | -0.00965 | 93.1506 |
4 | 96 | 1.417 | 10.16667 | 103.3611 | 14.40617 | -0.01039 | 107.898 |
5 | 120 | 1.512 | 34.16667 | 1167.361 | 51.66 | 0.021141 | 446.932 |
6 | 133 | 1.520 | 47.16667 | 2224.694 | 71.69333 | -0.00524 | 27.4556 |
∑ | 515 | 8.403 | | 8166.833 | 21.5985 | | 746.804 |
∑/ន | 85.83333 | 1.4005 | | | | | |
ដោយប្រើរូបមន្ត (21), (22) យើងកំណត់
R 0 = ¯ R- α R 0 ¯ t = 1.4005 - 0.002645 85.83333 = 1.1735 អូម.
ចូរយើងស្វែងរកកំហុសនៅក្នុងនិយមន័យនៃ α ។ ចាប់តាំងពីពេលនោះមកយោងទៅតាមរូបមន្ត (១៨) យើងមាន៖
.
ដោយប្រើរូបមន្ត (23), (24) យើងមាន
;
0.014126 អូម.
ដោយបានកំណត់ភាពជឿជាក់ទៅ P = 0.95 ដោយប្រើតារាងនៃមេគុណសិស្សសម្រាប់ n = 6 យើងរកឃើញ t = 2.57 ហើយកំណត់កំហុសដាច់ខាតΔα = 2.57 0.000132 = 0.000338 deg -1.
α = (23 ± 4) 10 −4 ព្រឹល-1 នៅ P = 0.95 ។
ឧទាហរណ៍ ៣.វាត្រូវបានទាមទារដើម្បីកំណត់កាំនៃកោងនៃកញ្ចក់ដោយប្រើចិញ្ចៀនរបស់ញូតុន។ កាំនៃចិញ្ចៀនរបស់ញូតុន r m ត្រូវបានវាស់ ហើយចំនួននៃចិញ្ចៀនទាំងនេះ m ត្រូវបានកំណត់។ កាំនៃចិញ្ចៀនរបស់ញូតុនគឺទាក់ទងទៅនឹងកាំនៃកោងនៃកញ្ចក់ R និងលេខចិញ្ចៀនដោយសមីការ
r 2 m = mλR - 2d 0 R,
ដែល d 0 កម្រាស់នៃគម្លាតរវាងកញ្ចក់ និងបន្ទះប៉ារ៉ាឡែលយន្តហោះ (ឬការខូចទ្រង់ទ្រាយនៃកញ្ចក់)
λ រលកពន្លឺនៃឧប្បត្តិហេតុ។
λ = (600 ± 6) nm;
r 2 m = y;
m = x;
λR = ខ;
-2d 0 R = a,
បន្ទាប់មកសមីការនឹងយកទម្រង់ ឥឡូវនេះ ចូរយើងពិចារណាករណីដែលពិបាកជាងនេះបន្តិច នៅពេលដែលចំណុចត្រូវតែបំពេញតាមរូបមន្ត.
.លទ្ធផលនៃការវាស់វែងនិងការគណនាត្រូវបានបញ្ចូលទៅក្នុង តារាង 7.
តារាង 7
ន | x = m | y = r 2, 10 −2 ម 2 | m -¯ m | (m -¯m) ២ | (m -¯ m)y | y - bx - a, 10 -4 | (y - bx - a) 2 , 10 -6 |
1 | 1 | 6.101 | -2.5 | 6.25 | -0.152525 | 12.01 | 1.44229 |
2 | 2 | 11.834 | -1.5 | 2.25 | -0.17751 | -9.6 | 0.930766 |
3 | 3 | 17.808 | -0.5 | 0.25 | -0.08904 | -7.2 | 0.519086 |
4 | 4 | 23.814 | 0.5 | 0.25 | 0.11907 | -1.6 | 0.0243955 |
5 | 5 | 29.812 | 1.5 | 2.25 | 0.44718 | 3.28 | 0.107646 |
6 | 6 | 35.760 | 2.5 | 6.25 | 0.894 | 3.12 | 0.0975819 |
∑ | 21 | 125.129 | | 17.5 | 1.041175 | | 3.12176 |
∑/ន | 3.5 | 20.8548333 | | | | | |