Собственные значения и собственные вектора в статистическом анализе.

Целый ряд статистических задач сводится к рассмотрению систем уравнений, имеющих единственное решение лишь в том случае, если известно значение некоторого входящего в них параметра. Этот особый параметр называется характеристическим, или соб¬ственным, значением системы.
Геоинформационные объекты, как правило, являются очень сложными, многообразными, так как их формирование обычно обусловлено действием множества разнообразных факторов (причин). Поэтому для более полной характеристики геоинформационных объектов их обычно характеризуют набором разнообразных признаков (параметров), а результаты измерений совокупности этих признаков представляют в виде многомерных случайных величин. При исследовании таких многопараметрических объектов всегда встает вопрос: нельзя ли отбросить часть параметров или заменить их меньшим числом каких-либо функций от них, сохранив при этом всю информацию? Методы факторного анализа позволяют это сделать. Факторный анализ является одним из разделов современной многомерной статистики и широко используется в различных областях исследовательской деятельности.
В данной работе будут рассмотрены наиболее распространенные методы решения задач статистического анализа с использованием собственных значений и собственных векторов.
 

Наличие множества исходных признаков, характеризующих процесс функционирования объектов, заставляет отбирать из них наиболее существенные и изучать меньший набор показателей. Чаще исходные признаки подвергаются некоторому преобразованию, которое обеспечивает минимальную потерю информации. Такое решение может быть обеспечено методами снижения размерности, куда относят факторный и компонентный анализ. Эти методы позволяют учитывать эффект существенной многомерности данных, дают возможность лаконичного или более простого объяснения многомерных структур. Они вскрывают объективно существующие, непосредственно не наблюдаемые закономерности при помощи полученных факторов или главных компонент. Они дают возможность достаточно просто и точно описать наблюдаемые исходные данные, структуру и характер взаимосвязей между ними. Сжатие информации получается за счет того, что число факторов или главных компонент – новых единиц измерения – используется значительно меньше, чем было исходных признаков.