Statistiques :: Gaussehelmert Statistiques :: GausShelmert est un module d'estimation des moins de carrés pondéré.
Télécharger maintenant

Statistiques :: Gaussehelmert Classement & Résumé

Statistiques :: Gaussehelmert Mots clés

Module Perl carrés estimation estimation carrés Statistiques de Gausshelmert

Statistiques :: Gaussehelmert La description

Statistiques :: Gaussehelmert est un module d'estimation des moins de carrés pondéré. Statistiques :: Gausshelmert est un module d'estimation des moindres carrés pondéréement pondéré. Statistiques d'utilisation de Nopsis :: Gaussehelmert; # Créer un modèle vide My $ estimation = Nouvelles statistiques :: Gausshelmert; # Configurez les observations données de modèle $ Y, matrices de covariance # $ Sigma_yy, une supposion initiale $ B0 pour les paramètres inconnus. $ estimation-> Observations ($ y); $ estimation-> Covariant_observations ($ sigma_yy); $ estimation-> initiale_guess ($ B0); # Spécifiez la fonction de modèle implicite et ses jacobiens à l'aide de # fermetures. $ estimation-> Observation_quations (sous {...}); $ estimation-> jacobian_unknowns (sous {...}); $ estimation-> jacobian_observations (sous {...}); # Peut-être que nous voulons imposer des contraintes sur les paramètres de # inconnu, ce n'est pas obligatoire $ estimation -> contraintes (sous {...}); $ estimation-> jacobian_constraints (sous {...}); # début d'estimation $ estimation-> Démarrer (Verbose => 1); # Frais d'impression print $ estimation-> estimation_unknown (), $ estimation-> Covariant_unknown (); ce module est un outil flexible pour estimer des paramètres de modèle donnés à un ensemble d'observations. Le module fournit une fonction pour un modèle d'estimation linéaire, le modèle sous-jacent est appelé Gauss-Helmert Model.Statistics :: GausShelmert est différent des modules tels que Statistique :: OLS en ce sens qu'elle peut adapter des fonctions arbitraires aux données de toutes les dimensions. Vous devez spécifier une fonction de minimisation implicite (contrairement aux fonctions explicites telles que les méthodes de régression traditionnelles) et ses dérivés respectant l'inconnu et les observations. Vous pouvez également spécifier la fonction de contrainte sur les inconnues (avec son dérivé). De plus, vous avez déjà besoin d'une solution approximative. Pour certains problèmes, il est facile de trouver des solutions approximatives en résolvant directement les paramètres inconnus avec des observations bien choisies. Exigences: · Perl

Statistiques :: Gaussehelmert Logiciels associés