凸优化第七章统计估计 7.5实验设计

「已注销」

于 2019-02-16 21:29:58 发布

阅读量532

点赞数

CC 4.0 BY-SA版权

分类专栏：凸优化

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/wangchy29/article/details/87471247

本文探讨了实验设计问题在统计估计中的应用，重点介绍了松弛实验设计问题以及三种最优设计策略：D-最优设计、E-最优设计和A-最优设计。D-最优设计关注最小化误差协方差矩阵的绝对值，E-最优设计旨在最小化最大特征值，而A-最优设计则与误差协方差矩阵的迹最小化相关。这些设计策略帮助优化实验以获得更精确的统计估计。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

7.5实验设计

松弛实验设计问题
标量化

考虑通过测量或实验： $y_i=a_i^Tx+w_i,i=1,\cdots m$ 估计向量 $x \in R^n$ 的问题，其中 $w_i$ 是测量噪声。假设 $w_i$ 是独立同分布的高斯噪声，均值为0，方差为1。

于是x的最大似然估计，也是最小方差估计：

$minimize \, \,\sum_{i=1}^m (y_i-a_i^Tx)^2=\sum_{i=1}^m(x^Ta_ia_i^Tx-2y_ia_i^Tx+y_i^2)$

目标函数对x求偏导，得到：

$2\sum_{i=1}^m(a_ia_i^T)x2\sum_{i=1}^ma_iy_i^Tx=2\sum_{i=1}^m(a_ia_i^T)x-2\sum_{i=1}^ma_iy_ix2\\ =\sum_{i=1}^m(a_ia_i^T)x-2\sum_{i=1}^my_ia_ix$

令其为0，解得 $x=(\sum_{i=1}^ma_ia_i^T)^{-1}\sum_{i=1}^my_ia_i$ ，故极大似然估计的解为： $\hat{x}=(\sum_{i=1}^ma_ia_i^T)^{-1}\sum_{i=1}^my_ia_i$ 相应的估计误差：

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。