Факультет: Кибернетики Кафедра: Биомедицинская Электроника работа “Моделирование развития карциносаркомы Уокера” Дисциплина: “Моделирование в медицине” (стр. 2 из 3)

3. Оценки эффективны, они имеют наименьшую дисперсию по сравнению с любыми другими оценками данного параметра, линейными относительно величин у_i . [1]

Перечисленные свойства не зависят от конкретного вида распределения величин є_i, тем не менее обычно предполагается, что они распределены нормально N(0;y²). Эта предпосылка необходима для проверки статистической значимости сделанных оценок и определения для них доверительных интервалов. При ее выполнении оценки МНК имеют наименьшую дисперсию не только среди линейных, но среди всех несмещенных оценок.

Если предположения (3 - 4) нарушены, то есть дисперсия возмущений непостоянна и/или значения є. связаны друг с другом, то свойства несмещенности и состоятельности сохраняются, но свойство эффективности - нет.

Рассмотрим теперь процедуру оценивания параметров парной линейной регрессии а и b. Для того, чтобы функция СКО (3.5) достигала минимума, необходимо равенство нулю ее частных производных:

Откуда

(3.12)

3.5 Расчёт коэффициентов МНК

Логистическую функцию, нелинейную по параметрам, нужно привести к линейному виду:

Т.к.

стоит в y(t), которое для метода МНК должно быть определно, возьмём первое приближение =16.6

Преобразуем экспериментальные данные:

Из 3.13 и 3.14 находим

:

Следовательно, аппроксимирующая функция будет иметь вид:

3.6. Итерационный расчёт коэффициентов функции

Рассмотрим метод наискорейшего спуска с шагом, длина которого зависит от свойств минимизируемой функции, или метод Ньютона. Он основан на квадратической аппроксимации минимизируемой функции в окрестности точки x^(k), где (k) – номер итерации Минимум квадратической функции легко найти, приравнивая ее градиент нулю. Можно сразу же вычислить положение экстремума и выбрать его в качестве следующего приближения к точке минимума. Новая итерация вычисляется по формуле:

(3.15)

Пусть f(x) - минимизируемая фукнция с векторным аргументом

. Алгоритм наискорейшего спуска реализует итерационную процедуру движения к минимуму из произвольно выбранной точки начального приближения в направлении наиболее сильного уменьшения функции, определенном в окрестности текущего значения аргумента минимизируемой функции. Такое направление противоположно направлению, задаваемому вектором градиента минимизируемой функции f(x):

(3.16)

Вычисляя точку нового приближения по формуле (3.15) и разлагая f(x^(k+1)) в ряд Тейлора, получим формулу квадратической аппроксимации f_кв(x^(k+1)):

, где

(3.16)

- матрица вторых производных:

(3.17)

Условие минимума f_кв(x^(k+1)) по

. Вычислим градиент из (2.20):

(3.18)

Для учета фактических особенностей минимизируемой функции будем использовать в (3.19) значения градиента и матрицы вторых производных, вычисленных не по аппроксимирующей f_кв(x), а непосредственно по минимизируемой функции f(x). Заменяя f_кв(x) в (3.19), найдем длину шага

(3.20)

Итак, последовательность вычислений для реализации алгоритма метода Ньютона:

1. Произвольно задать точку начального приближения x⁽⁰⁾
2. В цикле по номеру итерации k=0,1… вычислить:
1. Значение вектора градиента
   по формуле (3. 16)
2. Значение матрицы вторых производных
   по формуле (3.17)
3. Значение матрицы, обратной матрице вторых производных
4. Значение шага
   по формуле (3.20)
5. Новое значение приближения x⁽⁰⁾ по формуле (3.15)
3. Закончить итерационный процесс при достижении нужного приближения.[2]

За минимизируемую функцию возьмём сумму квадратов отклонений (СКО) между исходными точками и аппроксимированными аналитической функцией:

(3.21)

За начальные приближения выберем:

Для случая с логистической функцией формулы (3.16) и (3.18) имеют следующий вид:

Программа в MathCAD в таком случае выглядит следующим образом:

Итерации:

1. Первая итерация.

1. Вторая итерация.

1. Третяя итерация.

1. Четвёртая итерация

1. Пятая итерация

Итерационный цикл закончен, т.к. результат вычисления коэффициентов совпал с рассчитанными на ПК (п.3.2).

3.7. Результаты

Коэффициенты аппроксимирующей степенной функции были рассчитаны тремя способами: на ПК, безытерационным методом наименьших квадратов (метод нормальных уравнений) и методом наискорейшего спуска (метод Ньютона). Все они дали одинаковые результаты с точностью

.

4. Расчёт развития опухоли в условиях терапии