Студопедия.Орг Главная | Случайная страница | Контакты | Мы поможем в написании вашей работы!  
 

Аппроксимация



Допустим, что данные, представленные в таблице 7.1, нужно аппроксимировать некоторой функцией y=f(x, a1, a2, a3, …), где ai - соответствующие параметры функции. В отличие от интерполяции, рассмотренной в предыдущем разделе, мы не будем требовать, чтобы функция f(x) точно проходила через точки данных. Вместо этого потребуем, чтобы аппроксимирующая функция y=f(x) удовлетворяла условию

,

т.е. сумма квадратов отклонений от всех точек до искомой кривой была бы минимальной. Из условия минимума можно найти значения коэффициентов ai, обеспечивающие данный экстремум. Такой метод аппроксимации получил название метода наименьших квадратов, а сами задачи - задачи регрессии.

Отметим, что вид функции y=f(x) задается исследователем, при этом обычно принимаются во внимание следующие обстоятельства:

внешний вид данных (расположение точек на графике):

физические соображения, связанные с существом решаемой задачи;

предварительные оценки или интуитивные предположения.

Система MathCAD содержит ряд функций для аппроксимации данных по методу наименьших квадратов. Здесь мы рассмотрим в основном случай линейной регрессии.





Дата публикования: 2015-04-07; Прочитано: 203 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!



studopedia.org - Студопедия.Орг - 2014-2024 год. Студопедия не является автором материалов, которые размещены. Но предоставляет возможность бесплатного использования (0.009 с)...