Главная / Загородная недвижимость / Метод компонентного анализа

Метод компонентного анализа

Развитием метода является факторный анализ, применяемый для исследования более сложной ситуации. Предположим, что вектор (уь.ут) представляет собой некоторую случайную величину {zi,.,zm) с независимым случайным возмущением, аналогичным возмущению в компонентном анализе. Путем дополнительных предположений о законах распределения этих величин решение задачи нахождения параметров системы тоже может быть доведено до формального вида.Развитием метода является факторный анализ, применяемый для исследования более сложной ситуации. Предположим, что вектор (уь.ут) представляет собой некоторую случайную величину {zi,.,zm) с независимым случайным возмущением, аналогичным возмущению в компонентном анализе. Путем дополнительных предположений о законах распределения этих величин решение задачи нахождения параметров системы тоже может быть доведено до формального вида.

Далеко не все статистические модели допускают аналитическое исследование или же оно оказывается слишком трудоемким. В таком случае исследование подобных моделей может быть проведено методом МонтеКарло. Этот метод целесообразно использовать в том случае, когда надо не только узнать конечные параметры, но и проследить процесс функционирования модели.

В наиболее общем виде математическая модель состоит из целевой функции, определенной на области, обычно задаваемой системой уравнений и неравенств.

Задача состоит в том, чтобы найти такие значения переменной из допустимой области G = [x/fi(x)ai\\, в которых целевая функция (1.29) достигла бы экстремума. Иногда ограничения (1.30) ослабляются и выносятся в целевую функцию, сообщает портал http://www.dnister.com.

После чего решается многокритериальная задача на безусловный экстремум. Необходимо иметь в виду, что сама функция /о(х) может быть многокритериальной, а переменная х является тензором второго, третьего порядка или совокупностью тензоров разных порядков.

В ряде случаев, напротив, целевая функция опускается или заменяется условием в результате чего решением является любое значение х, удовлетворяющее системе ограничений (1.30) и (1.32). Трудоемкость в нахождении оптимального решения часто заставляет идти на компромисс.

Задаваемая погрешность s по своей сути мало отличается от вводимого параметра а0 в (1.32).

В зависимости от свойств целевой функции и ограничений в магматическом программировании рассматриваются различные класСЫ моделей и соответственно этому различные группы методов. I [аиболее изученными и важными признаны общие и специальные модели линейного программирования, в которых целевая функция и ограничения линейны относительно переменных. Нарушение линейности приводит к обширной группе нелинейных моделей. Если область ограничений и целевая функция выпуклы (например, представляют собой квадратичные формы), то говорят о моделях выпуклого программирования. Если функции, определяющие модели и переменные, непрерывны, то задачи являются непрерывными. В противном случае рассматривается класс моделей дискретного программирования. Однако целочисленность переменных не может рассматриваться как достаточное условие для того, чтобы отнести модели к классу дискретных. Например, переменные транспортной задачи или задачи о назначениях могут быть целочисленными или булевыми, а решение может быть получено регулярными методами. Остальные классы оптимизационных задач будут рассмотрены ниже.

Источник: http://www.dnister.com

About admin

Добавить комментарий