• ベストアンサー
  • 暇なときにでも

最小二乗法の推定値の誤差

変数xを変化させたときの測定値yを最小二乗法で二次式y=a*x^2 + b*x +c にフィッティングさせ推定値a, b, cを求めるとき、 測定値yの誤差がδyであるときの推定値a, b, cの誤差を求めたいのです。 具体的には、(x,y)=(-1,2), (0,0), (1,1.5), (2,5) の4つのデータを 二次式にフィッティングさせたときのa,b,cはa=1.375, b=-0.325, c=0.225ですが、 測定値yの測定誤差が0.1のときのa,b,cの誤差を求めたいのです。 よろしくお願いします。

共感・応援の気持ちを伝えよう!

  • 回答数1
  • 閲覧数2562
  • ありがとう数3

質問者が選んだベストアンサー

  • ベストアンサー
  • 回答No.1

誤差伝播の計算ですね。 最小二乗法は、直接には関係ありません。 最小二乗法による a, b, c は、連立一次方程式  Σyx^2 = a Σx^4 + b Σx^3 + c Σx^2  Σyx = a Σx^3 + b Σx^2 + c Σx  Σy = a Σx^2 + b Σx + c Σ1 の解になります。 詳細はともかく、a, b, c は、それぞれ、 測定された4個の x と4個の y の 8変数関数で表されることになります。 例えば、a = f(x_1, x_2, x_3, x_4, y_1, y_2, y_3, y_4) のようにです。 f( ) の具体的な式形は、先の連立方程式を解けば 求まります。 各測定データの誤差から、a, b, c の誤差を見積もるには、 この f に多変数関数のテーラー展開を施して、 各データの誤差に関する一次近似をすればよい。 x が厳密値で、4個の y が各 ε の誤差を含むとすれば、 a の誤差 = (∂f/∂y_1)ε + (∂f/∂y_2)ε + (∂f/∂y_3)ε + (∂f/∂y_4)ε です。 ここで、∂f/∂y_1, ∂f/∂y_2, ∂f/∂y_3, ∂f/∂y_4 は、 どれも、点(x_1, x_2, x_3, x_4, y_1, y_2, y_3, y_4) における値を指します。 計算は面倒くさいですね。

共感・感謝の気持ちを伝えよう!

質問者からのお礼

ご回答有難うございました。とても参考になりました。

質問者からの補足

とてもわかりやすい回答有難うございました。 計算してみようと思います。 最初の質問の範囲から外れているかもしれませんが、 測定値の誤差δyが解らないとき、 (x,y)=(-1,2), (0,0), (1,1.5), (2,5) の4つのデータから2次式にフィッティングして 得られたa,b,cの値の誤差(確からしさ)はどのように考えればいいのでしょうか。

関連するQ&A

  • 誤差と最小二乗法

    単振り子の振れの大きさを小さくし、 振り子の長さLと周期Tを5通りほど計測しました。 そこでT=2π√(L/g)⇔g=4π^2L/T^2から 重力加速度を5通り求めました。 結果、どれも相対誤差0.3%以内で、 どれもマイナスの誤差になりました。 次にT=2π√(L/g)⇔T=(2π/√g)*√Lとし、 √Lをx軸に、Tをy軸にとり、(2π/√g)を傾きとするグラフを描きました。 ここで、最小二乗法よりグラフの傾きを求め、 そこから重力加速度gを求めたところ、 相対誤差が3%になり、さらにそれはプラスの誤差でした。 そこで質問です。 最小二乗法を用いるのは今回が初めてなんですが、 このように測定値を単体で考えたときと、 測定値をまとめて最小二乗法で考えたときとで、 こんなにも誤差が変わるのはよくあることですか? それとも計算に誤りがあるのでしょうか。 よろしくお願いします。

  • 最小二乗法における誤差の求め方

    こんばんは。 皆様よろしくお願いいたします。 あるデータにフィットさせる関数の係数を 最小二乗法を用いて、自分でプログラムを作って 見つけようと考えているのですが、 係数の誤差をどのように求めればいいかが わかりません。方法を探しても、直線の 場合はきれいに連立方程式が解けて、 誤差の伝播から計算するべき式が求まりますが、 一般の曲線の場合は解けないと思います。 gnuplotなどでフィッティングするとerrorが 出てきますが、あれはどのようにして 計算しているのでしょうか。 よろしくお願いいたします。

  • mathematicaを用いた最小二乗法について

    mathematicaを用いて2変数の方程式を最小二乗法で,あるグラフにフィッティングしたいと考えてます.しかし,どのようにやっていいのかいまいちわかりません. 詳しい方がいましたら,ぜひとも教えていただきたいです. よろしくお願いします.

  • 最小二乗法について

    最小二乗法では二乗和の誤差 Σ[i=1~n]{Yi-(α+βXi )}^2 (iは添え字です) を最小化するα,βを推定することを考えますが、 これは単純にα,βで偏微分してそれを0とおいて 連立方程式を解くだけでよいのですか? といいますのも、2変数関数の極値を求める場合、 Hessianを計算して判別しますよね? ただ一階偏導関数が0になるからといって、 そこで極値をとるとは限らない気がしたので… それとも最小二乗法の場合は必ずとるようになっているのでしょうか? 手元の本には、 「この二乗和は非負値なので、αとβで偏微分したものを0とするα,βが上式を最小にする値である」 とあるのですが、一般に非負値だとこの ようなことが言えるのでしょうか?

  • 最小二乗法?

    i 個の測定点 (x[i],y[i]) を,最小二乗法などを用いて下記の式にフィッティングさせようと考えています。Visual Basic で作成した測定プログラムの中で使用したいのですが,具体的にどのようなアルゴリズムでフィッティングを行えばいいのか分かりません。 Y = A * sin(X - C)^2 + B 実測する x[i] の範囲は狭く,例えば -15°~ +15°まで 0.2°毎の計 151 プロット,といった感じです。そして定数 A,B,C の内,最も高い精度で求めたい定数は C です。測定の段階で x の範囲を狭めているのは,正確な C (通常 1°未満)を求めるためです。 この測定は x[i] にはほとんど誤差が含まれませんが y[i] には誤差があります。y[i] の含まれている誤差は試料によってまちまちなので,一概には言えません。目視ではほとんど誤差が分からない綺麗なカーブの場合,逆に目視で辛うじて下に凸の曲線が分かる程度の場合,どちらもあり得ます。 考え方だけでも構いませんので,どうかご教授下さい。よろしくお願いいたします。

  • 最小二乗法

    粉末X線回折で得たデータをローレンツ関数を使ってピークフィッティングを試みています。 最小二乗法でやろうと思っているのですが、やり方がわかりません。 どなたか教えてくれないでしょうか。

  • 最小二乗法

    n組のデータ (xi, yi) を,特定点(X0, Y0) を通る直線 y = ax+b でフィッティングしたい。最小二乗法で係数a,bを求めるため の式を導きなさい。 という問題で 各データの残差を二乗した和が最小になるときのa,bを求めるのですが 特定点(X0,Y0)を通るにはどうすればよいでしょうか? ただ単に、特定点を通らずフィッティングするやりかたはわかるのですが・・・。 よろしくお願いします。

  • 誤差を考慮した最小二乗法

    誤差を考慮した最小二乗法 実験で「誤差を考慮した最小二乗法で計算せよ。尚、誤差を考慮しない場合は減点する。この場合の誤差とは標準偏差の事である。」という課題何ですが誤差を考慮した最小二乗法とはどうゆう事なのでしょうか? http://www.dotup.org/uploda/www.dotup.org828193.xls.html のデータにて http://www.akita-nct.ac.jp/~yamamoto/lecture/2007/5E_comp_app/interpolation/interpolation_html/node4.html のサイト様を参考にして一次関数の最小二乗法で計算しようと思ったのですが標準偏差はどこに入れればいいのでしょうか?グラフを作った後に誤差棒として標準偏差を入れるという事なのでしょうか?

  • 最小二乗法でa、bを求める公式を教えてください

    最小二乗法について良くわからないのですが、教えてください! y=a/(x+b)の場合で、n個のx、yのデータがあります。 最小二乗法で、aとbを求める。 という問題なのですが、aとbを求める公式を教えてください!

  • 最小二乗法について

    いつもお世話になっております. 最小二乗法に関する質問です. 下記のサイトで最小二乗法についてなんとなくではありますが理解できました. http://szksrv.isc.chubu.ac.jp/lms/lms1.html そこで,質問なのですが, データが3次元以上の場合にも最小二乗法の考え方を使うことはできるのでしょうか? 3次の場合にならなんとなくイメージが付きますが・・・・ データの次数が4次,5次・・・になった場合にでも最小二乗法を使うことはできるのでしょうか? 数学にお詳しい方,教えて下さい. ヒントや参考サイトでも構いませんので,宜しくお願い致します.