 |
Многомерное шкалирование и аксиоматическое введение метрик
|
|
|
|
Многомерное шкалирование имеет целью представление объектов точками в пространстве небольшой размерности (1-3) с максимально возможным сохранением расстояний между точками [24, 106]. Оригинальные подходы разработаны, в частности, В. О. Мазуром и А. Ю. Юровским [107], В. Т. Перекрестом [108]. Состоятельность одной оценки размерности искомого пространства установлена в работе [4].
Из сказанного выше ясно, какое большое место занимают в статистике объектов нечисловой природы метрики (расстояния). Как их выбрать? В работах [41, 42] предложено выводить вид метрик из некоторых систем аксиом. Аксиоматически получена метрика в пространстве ранжировок, которая оказалась линейно связанной с коэффициентом ранговой корреляции Кендалла [42]. Метрика (15) в пространстве множеств получена в работе [1, §4. 3] также исходя из некоторой системы аксиом. Г. В. Раушенбахом [109] дана сводка по аксиоматическому подходу к введению метрик в пространствах нечисловой природы. К настоящему времени практически для каждой используемой в приложениях метрики удалось подобрать систему аксиом, из которой чисто математическими средствами можно вывести именно эту метрику.
Применения статистики объектов
Нечисловой природы
Идеи, подходы, результаты статистики объектов нечисловой природы оказались полезными и в классических областях прикладной статистики. Статистика в пространствах общей природы позволила с единых позиций рассмотреть всю прикладную статистику [8], в частности, показать, что регресионный, дисперсионный и дискриминантный анализы являются частными случаями общей схемы регрессионного анализа в пространстве произвольной природы [110]. Поскольку структура модели - объект нечисловой природы, то ее оценивание, в частности, оценивание степени полинома в регрессии, также относится к статистике объектов нечисловой природы (см. например, [111, 112]). Если учесть, что результаты измерения всегда имеют погрешность, т. е. являются не числами, а нечеткими множествами, то приходим к необходимости пересмотреть некоторые выводы теоретической статистики [113]. Например, отсутствует состоятельность оценок, нецелесообразно увеличивать объем выборок сверх некоторого предела.
|
|
|
Технико-экономическая эффективность от применения методов статистики объектов нечисловой природы достаточно высока. Только 5 работ по внедрению методов статистики объектов нечисловой природы дали 1 млн. 352 тыс. руб. в год [114] (по ценам середины 80-х годов; поскольку на 30 июня 1996 г. индекс инфляции составляет примерно 12000, то в современных ценах этот эффект оценивается как 16, 2 миллиарда руб.).
Так, методы "согласованного с преобразованиями усредняющего сжатия данных", основанные на теории средних величин, согласованных со шкалами измерений [1, 66, 68], внедрены в АСУ ТП доменной печи N5 Череповецкого металлургического комбината с экономическим эффектом 33 тыс. руб. [120]. Применение одного из методов статистики объектов нечисловой природы - качественного факторного анализа матриц связи - при оптимизации гаммы агрофизических приборов, производимых в НПО "Агроприбор", дало экономический эффект 850 тыс. руб. [115]. Использование статистике бинарных отношений для формирования классификатора основных показателей качества труда на цементных заводах принесло 88, 5 тыс. руб. [116].
В качестве примера рассмотрим задачу диагностики (в других терминах - распознавания с учителем, дискриминации) в пространстве разнотипных признаков. Классические непараметрические методы диагностики, основанные на ядерных оценках плотности, пригодны только в случае, когда все признаки - количественные. Во многих практических ситуациях часть признаков принимает дискретные значения. Мы рекомендуем применять методы, основанные на непараметрических оценках (10) плотности в пространствах общей природы. Введение расстояния между точками в пространстве разнотипных признаков, необходимое для применения этой рекомендации, может быть осуществлено, например, путем суммирования расстояний между значениями отдельных признаков. Проведенные в Институте медицины труда РАМН расчеты (1989 -1990 гг.) показали преимущество описанного алгоритма над ранее известными.
|
|
|
Литература
1.Орлов А.И. Устойчивость в социально-экономических моделях.-М.Наука,1979.-296 с.
2.Орлов А.И. Экспертные оценки / Вопросы кибернетики. Вып.58.-М.: Научный Совет СССР по комплексной проблеме "Кибернетика", 1979.С.17-33.
3.Орлов А.И. / Тезисы докладов Четвертой международной Вильнюсской конференции по теории вероятностей и математической статистике: Том 2.-Вильнюс, Вильнюсский госуниверситет, 1985.С.278-280.
4.Орлов А.И. / Анализ нечисловой информации в социологических исследованиях.-М.Наука, 1985.С.58-92.
5.Орлов А.И. / Статистика. Вероятность. Экономика.-М.Наука,1985. С.99-107.
6.Орлов А.И. / Заводская лаборатория. 1987.Т.58. N3.С.90-91.
7.Орлов А.И. /Надежность и контроль качества. 1987.N6.С.54-59.
8.Рекомендации. Прикладная статистика. Методы обработки данных. Основные требования и характеристики.- М.:ВНИИС,1987.-64 с.
9.Кривцов В.С., Фомин В.Н., Орлов А.И. / Стандарты и качество. 1988.N3.С.32-36.
11.Колмогоров А.Н. Статистический приемочный контроль при допустимом числе дефектных изделий, равном нулю. - Л.: ДНТП, 1951. - 22 с.
12. Гнеденко Б.В. Математика и контроль качества продукции.- М.: Знание, 1978. - 64 с.
13. Беляев Ю.К. Вероятностные методы выборочного контроля.-М.: Наука, 1975. - 408 с.
14. Лумельский Я.П. Статистические оценки результатов контроля качества. - М.: Из-во стандартов, 1979. - 200 с.
15. Орлов А.И. Современные проблемы кибернетики: Прикладная статистика. - М.: Знание, 1981. с 3-14.
16. Статистические методы анализа экспертных оценок / Ученые записки по статистике, т. 29, -М.: Наука, 1977-384 с. 17.
17.Экспертные оценки в системных исследованиях / Сборник трудов. - Вып. 4. - М.: ВНИИСИ, 1970 - 120 с.
18. Экспертные оценки / Вопросы кибернетики. - Вып. 58. - М.: Научный Совет АН СССР по комплексной проблеме / "Кибернетика". 1979. - 200 с.
|
|
|
