1 Ð. Ð. Шейнин СÑаÑÑи по иÑÑоÑии ÑеоÑии ... - Sheynin, Oscar
1 Ð. Ð. Шейнин СÑаÑÑи по иÑÑоÑии ÑеоÑии ... - Sheynin, Oscar
1 Ð. Ð. Шейнин СÑаÑÑи по иÑÑоÑии ÑеоÑии ... - Sheynin, Oscar
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Гаусс привел несколько примеров и в одном из них вычислил<br />
дисперсию линейной формы W = [ce] независимых ошибок e i :<br />
m W 2 = ∑c i 2 m i 2 ,<br />
где m i 2 – среднее значение квадрата e i . Для двух функций таких<br />
ошибок, V 1 = [αe] и V 2 = [βe],<br />
E(V 1 V 2 ) = ∑α i β i m i 2 ≠ 0.<br />
6.5. Принцип наибольшего веса. Пусть исходные уравнения с<br />
k неизвестными будут<br />
a i x + b i y + c i z = L i = l i + ε i , i = 1, 2, …, n, n > k.<br />
Если их неравные веса, обозначенные через p i , натуральные<br />
числа, то, для приведения уравнений к одному и тому же весу,<br />
каждое i-е из них следует выписать p i раз, или, при любых весах,<br />
умножить его на p<br />
i<br />
. По условию наибольшего веса (см. ниже)<br />
oба случая приводят к обобщенному принципу наименьших<br />
квадратов [pvv] = min. Таким образом, вся теория может быть<br />
рассмотрена в предположении p i = Const.<br />
Ошибки наблюдений предполагаются несмещенными, Eε i = 0, и<br />
требуется определить оценки неизвестных xˆ , yˆ , z ˆ,<br />
также<br />
несмещенные,<br />
E x = xˆ , E y = yˆ , E z = zˆ<br />
,<br />
и обладающие наибольшими весами. Вывод Гаусса тяжеловесен и<br />
мы рекомендуем придерживаться изложения у Идельсона (1947, §<br />
11). В математической статистике несмещенные оценки с<br />
наименьшими дисперсиями, подчиняющиеся определенным<br />
аналитическим условиям, называются эффективными, так что<br />
оценки МНКв, полученные в 1823 г., являются эффективными.<br />
Ярошенко (1893) попытался обосновать МНКв неравенством<br />
Бьенеме – Чебышева. Если задать некоторую вероятность Р, то<br />
теснейший интервал 2ε для неравенства Р(׀ξ – >׀Еξ ε) имеет<br />
место при наименьшей дисперсии varξ, и этот очевидный вывод<br />
позволяет выбрать оптимальные множители и наилучшие оценки<br />
(оценки МНКв) неизвестных. Можно сказать, что Ярошенко не<br />
сказал ничего нового, но по крайней мере включение неравенства<br />
Бьенеме – Чебышева явилось здесь интересным. Впрочем, Усов<br />
(1867) намного опередил Ярошенко.<br />
6.6. Линейные функции оценок. Оценки неизвестных нельзя<br />
считать независимыми, поэтому оценивать вес (или дисперсию)<br />
их функции приходится косвенным образом. Эта задача<br />
естественно появляется в геодезии, чего Гаусс не указал. Пример:<br />
определить вес какой-либо стороны триангуляции после её<br />
уравнивания. Мы снова рекомендуем читателям воспользоваться<br />
изложением у Идельсона (1947, § 13).<br />
65