Professional Documents
Culture Documents
-
Odredivanje sirine h je jedini parametar KDE ocene gustine. Za Gausovo
jezgro, pod pretpostavkom da je uzorak normalno raspodeljen, kao opti-
malna sirina se uzima
b n1/5
hopt = 1.06
b standardna devijacija uzorka. Sa ovom sirinom i Gausovim jezgrom,
gde je
KDE aproksimacija gustine raspodele za nas uzorak je data na slici 11.3.
1
N
2 = (yi y(xi ; a))2 .
N M
i=1
gde je
N
Xj (xi )Xk (xi )
N
yi Xk (xi )
kj = , j = ,
i=1
i2 i=1
i2
ili
= AT A, = AT b .
Sistem AT A a = AT b se naziva normalni sistem, i cesto je lose uslovljen,
sto predstavlja problem za nalazenje njegovog resenja. Umesto standard-
nih metoda (Gausove ili metode Holeckog) tada je bolje koristiti iterativne
metode (npr. Gaus-Zajdelovu metodu). Do istog resenja dovodi i primena
metode singularne dekompozicije (SVD) na pravougaoni sistem Aa = b. Na
uslovljenost matrice normalnog sistema bitno utice izbor bazisnih funkcija
Xi (x), pa se pogodnijim izborom bazisa u istom prostoru moze znacajno
popraviti uslovljenost sistema.
Inverzna matrica C = 1 je tesno povezana sa standardnim devijaci-
jama tovanih parametara aj , a one daju meru stabilnosti parametara u
odnosu na greske podataka. Posto je a = C, bice
(N )
M yi Xk (xi )
aj = Cjk .
i=1
i2
k=1
N ( )2
2 aj
(aj ) = i2 .
yi
i=1
aj Cjk Xk (xi )
M
= ,
yi i2
k=1
pa je ( )
M
M
N
Xk (xi )Xl (xi )
2
(aj ) = Cjk Cjl .
i=1
i2
k=1 l=1
2 (aj ) = Cjj .
- aj i ak .
Elementi Cjk van dijagonale predstavljaju kovarijansu izmedu
192 GLAVA 11. STATISTICKA OCENA PARAMETARA
gde smo oznacili ri (a) = (yi y(xi ; a))/i i R(a) = (r1 (a), . . . , rN (a))T .
Zbog nelinearnosti, ova funkcija moze imati vise lokalnih minimuma, pa je
ponekad nalazenje optimalnih parametara tezak zadatak i moraju se pri-
meniti metode globalne optimizacije. U svakom lokalnom, pa i globalnom
minimumu, gradijent funkcije 2 (a) mora biti jednak nuli. Oznacimo
[ ]
ri
J(a) = , i = 1, . . . , N, j = 1, . . . , M .
aj
Gradijent funkcije koju minimiziramo ima elemente
2
N
yi y(xi ; a) y(xi ; a)
= 2
ak
i=1
i2 ak
N
ri
= 2 ri
ak
i=1
pa je
2 (a) = 2J(a)T R(a)
i
N [ ]
2 2 1 y(xi ; a) y(xi ; a) 2 y(xi ; a)
=2 (y i y(xi ; a))
ak aj i2
i=1
ak aj ak aj
( )
N
2 2 (a) = 2 J(a)T J(a) + S(a) , S(a) ri (a)2 ri (a)
i=1
11.2. METODA NAJMANJIH KVADRATA 193
1
2 (a + a ) = 2 (a) + 2 (a) a + aT 2 2 (a) a
2
= R(a)T R(a) + 2R(a)T J(a) a +
+ aT (J(a)T J(a) + S(a)) a
Njutnova metoda
Primena Njutnove metode za minimizaciju funkcije daje
( )1
a = J(a)T J(a) + S(a) J(a)T R(a) .
Gaus-Njutnova metoda
Za dovoljno malo a aproksimiracemo linearizacijom R(a + a ) = R(a) +
J(a)a , sto za posledicu ima da je 2 ri (a) = 0, pa je S(a) 0 i
( )1
a = J(a)T J(a) J(a)T R(a) ,
ili
a =
gde je
1 2 2 N
1 y(xi ; a) y(xi ; a)
kl = 2 ,
2 ak al ak al
i=1 i
1 2
N
yi y(xi ; a) y(xi ; a)
k = .
2 ak
i=1
i2 ak
194 GLAVA 11. STATISTICKA OCENA PARAMETARA
a mane su
Levenberg-Markartova metoda
U Levenberg-Markartovoj metodi (Levenberg 1944., Marquardt 1963.) se
nova iteracija u optimizaciji dobija po formuli
( )1
a + a = a J(a)T J(a) + I J(a)T R(a)
gde je 0 parametar metode, a I jedinicna matrica. U granicnom slucaju
za = 0 se svodi na Gaus-Njutnovu metodu, a za velike vrednosti se
vektor a po pravcu asimptotski priblizava antigradijentu sa sve manjom
duzinom, sto garantuje uspesnost koraka za dovoljno veliko .
Druga interpretacija metode je da je ona teorijski ekvivalentna zadatku
min ||R(a) + J(a) a ||L2
||a ||
N ( )
yi y(xi ; a)
min
(a1 ,...,aM ) i
i=1
ili
N
yi y(xi ; a)
min (ri ) , ri = ,
(a1 ,...,aM ) i
i=1
yi = y(xi ; a(0) ) + i
Bootstrep metoda
Bootstrep metoda je jos jednostavnija za primenu. U njoj ne generisemo
nikakve nove podatke, vec nove komplete pravimo od istog polaznog kom-
pleta podataka. Posto nije pametno polazni komplet deliti na vise delova
jer se tako smanjuje broj tacaka u kompletu, postupicemo na sledeci nacin.
Iz polaznog kompleta podataka na slucajan nacin biramo (sa vracanjem)
onoliki broj podataka koliko je sadrzao polazni komplet. Na ovaj nacin ce
se neki podaci uzeti vise puta, a neki ce biti izostavljeni. Ponavljanjem
ovog postupka dobijamo komplete podataka D(k) , k = 1, . . . , K, i za njih
sracunate optimalne parametre a(k) , k = 1, . . . , K.
1
N
b=
xi (11.8)
N
i=1
i
1
N
b=
b) (xi
(xi b) . (11.9)
N 1
i=1
p =1 =2 =3 =4 =5 =6
68.27% 1.00 2.30 3.53 4.72 5.89 7.04
90% 2.71 4.61 6.25 7.78 9.24 10.6
95.45% 4.00 6.18 8.02 9.72 11.3 12.8
99% 6.63 9.21 11.3 13.3 15.1 16.8
99.73% 9.00 11.8 14.2 16.3 18.2 20.1
99.99% 15.1 18.4 21.1 23.5 25.7 27.9
-
Ukoliko nas, medutim, interesuju oblasti poverenja za vise parametara is-
tovremeno, mozemo odrediti regione (elipsoide) poverenja na osnovu pretho-
dno navedenih osobina visedimenzione normalne raspodele. Prvo se naprave
statisticke ocene po formulama (11.8) i (11.9). Vrednost funkcije 2 (a) za
originalne podatke ce biti najmanja kada je a = a(0) i tu vrednost oznacimo
sa 2min = 2 (a(0) ). Za sve ostale vrednosti a(k) , k = 1, . . . , K, vrednost ce
biti veca. Velicina 2 2 (a(j) ) 2 (a(0) ) ce imati 2 raspodelu sa M
stepeni slobode.
U slucaju da nas ne interesuje region poverenja za sve, nego samo za
< M parametara, postupicemo na sledeci nacin. Nakon dobijanja a(0) ,
za sve druge simulirane komplete podataka vrsiceno optimizaciju samo po
parametrima koji nas interesuju, dok preostale parametre ksiramo na vred-
nosti iz a(0) .
-
Odredivanje elipsoida poverenja se vrsi na sledeci nacin.
2. Izabrati nivo poverenja p, recimo 0.9, 0.95, 0.99 ili neki drugi.