C. Doca, C. Paunoiu - Metoda Celor Mai Mici Patrate

Cezar Marcel DOCA
Constantin PUNOIU
METODA CELOR MAI MICI PTRATE.

MODELE GENERALE DE REGRESIE STANDARD
50
y = 1.2191x 2 - 0.202x + 1.5535
40 R2 = 0.9806
30
20
10
0
0 1 2 3 4 5 6 7
-10
Editura Universitii din Piteti 2017

Cezar Marcel DOCA
Constantin PUNOIU
METODA CELOR MAI MICI PTRATE.

MODELE GENERALE DE REGRESIE STANDARD
Editura Universitii din Piteti 2017

Editura Universitii din Piteti
Str. Trgu din Vale, nr.1,

110040, Piteti, jud. Arge
Tel/fax: 4038 45 31 23
Copyright 2017 Editura Universitii din Piteti

Toate drepturile asupra acestei ediii sunt rezervate
Editurii Universitii din Piteti.
Nicio parte din acest volum nu poate fi reprodus
sub orice form, fr permisiunea scris a autorilor
Editor: lector univ. dr. Sorin FIANU
Refereni tiinifici:
- cs1. dr. ing. Mihail COJAN
- cs1. dr. ing. Marin CIOCNESCU
Descrierea CIP a Bibliotecii Naionale a Romniei

DOCA, Cezar Marcel
Metoda celor mai mici ptrate: modele generale de regresie

standard / Cezar Marcel Doca, Constantin Punoiu Piteti. Editura
Universitii din Piteti, 2017
Conine bibliografie
ISBN 978-606-560-552-7
1. Punoiu Constantin
-2-
CUVNT NAINTE
Aceast carte nu se substituie vreunui tratat, manual sau curs de

specialitate: nici de Statistic (analiz de regresie), nici de Analiz
Matematic (teoria funciilor), nici de Algebr (rezolvarea ecuaiilor), nici
de Programare (utilizarea metodelor numerice) .a.m.d.
Prezenta lucrarea se dorete a fi cu deosebire o colecie de algoritmi de
calcul i formule generalizate, cu aplicabilitate imediat n analiza de
regresie standard utiliznd, n vederea conturrii funciilor destinate
modelrii / interpretrii unui set de date experimentale, Metoda Celor Mai
Mici Ptrate.
n paginile ce urmeaz folosim i, la rndul nostru, oferim cititorului
informaii sub GNU Free Documentation Licence.
AUTORII
Institutul de Cercetri Nucleare Piteti
-3-
CUPRINS
1. INTRODUCERE . . . . . . . 7
2. SCURT ISTORIC . . . . . . . 9
3. APROXIMAREA FUNCIILOR . . . . . 13
3.1. Modelarea datelor experimentale . . . . 15
3.2. Interpolarea . . . . . . . 17
3.3. Regresia . . . . . . . 20
4. MCMMP MODELE GENERALIZATE . . . . 29
4.1. Funcii cu un singur parametru necunoscut a . . . 30
4.2. Funcii cu doi parametri necunoscui a i b . . . 38

5. MCMMP SERII TAYLOR . . . . . 57
CONCLUZII . . . . . . . . 65
BIBLIOGRAFIE . . . . . . . 79
ANEXE . . . . . . . . 81
-5-
INTRODUCERE
1. INTRODUCERE
Dintr-o perspectiv pur matematic, Metoda Celor Mai Mici Ptrate

(MCMMP) este un procedeu standard de rezolvare aproximativ a unui
sistem de ecuaii supradeterminat (v.[1]-[3]).
MCMMP este atribuit n mod obinuit lui Carl Friedrich Gauss (v.[7]), dar
a fost publicat pentru prima dat de Adrien-Marie Legendre (v.[8]).
Uzual, principala aplicaie a MCMMP se refer la estimarea prin calcul a
celor mai probabile valori ale parametrilor unei funcii continue care
aproximeaz (to fit n limba englez) ct mai bine un set discret de date
numerice (v.[4]). n acest context sintagma cele mai mici ptrate (least
squares n limba englez, moindres carrs n limba francez) desemneaz
faptul c funcia astfel determinat minimizeaz suma ptratelor diferenelor
dintre datele iniiale i valorile omoloage calculate cu respectiva funcie.
Statistica ncadreaz MCMMP n rndul metodelor de estimare specifice
analizei de regresie, identificnd, gradual, urmtoarele abordri (v.[1]):
Ordinary least squares (MCMMP ordinar);
Linear least squares (MCMMP liniar);
Partial least squares (MCMMP parial);
Total least squares (MCMMP total);
Generalized least squares (MCMMP generalizat);
Weighted least squares (MCMMP ponderat);
Non-linear least squares (MCMMP neliniar);
Non-negative least squares (MCMMP ne-negativ);
Iteratively re-weighted least squares (MCMMP reponderat iterativ);

-7-
INTRODUCERE
Formalismul standard al analizei de regresie ia n considerare n primul rnd
erorile (de msur) existente la nivelul variabilei dependente, admindu-se,
implicit, c erorile n variabila independent sunt zero, sau sunt att de strict
controlate nct pot fi neglijate. n realitate, ns, pot exista erori
semnificative i la nivelul variabilei independente, erori ce pot fi supuse i
ele modelrii statistice (v.[9]). n raport cu aceste tipuri de erori se pot
identifica urmtoarele dou contexte:
Regresia (standard) de predicie. Atunci cnd erorile variabilei

independente sun neglijabile, se aproximeaz cele mai probabile valori
ale parametrilor unui model teoretic bine definit, oferindu-se o regul de
predicie a comportrii viitoare a sistemului studiat.
Regresia de aproximare a funciei adevrate. Atunci cnd i variabila

independent prezint erori semnificative, analiza de regresie face apel
la MCMMP total, n cadrul creia se accept drept adevrat funcia
rezultat prin minimizarea sumei distanelor de la punctele de msur la
tangentele funciei de aproximare n punctele corespondente (v.[10]).
n plus, dac datele supuse analizei de regresie reprezint (1) un eantion

aleator (2) dintr-o populaie modelat liniar, (3) obinute n prezena unor
erori distribuite normal (4) cu media zero i (5) necorelate cu variabila
independent, atunci rezultatele MCMMP sunt cele mai bune estimri
nedeplasate. Cele cinci condiii de mai sus i demonstraia aferent
reprezint Teorema Gauss-Markov.
Urmtoarele capitole ale crii s-ar vrea a veni n ntmpinarea celor care,
avnd cunotine despre mecanismele MCMMP, doresc s-i elaboreze
propriile programe de analiz de regresie standard, acomodate, evident,
puterii de calcul avut la dispoziie.
Departe de a-i propune o abordare exhaustiv a, probabil, celei mai
productive metode dedicat modelrii fenomenologice pe baza datelor
experimentale, prezenta lucrare pune la dispoziia cititorului o bogat
colecie de algoritmi de calcul i formule generalizate cu aplicabilitate
imediat n utilizarea MCMMP.
-8-
SCURT ISTORIC
2. SCURT ISTORIC
MCMMP i are originile n cercetrile de astronomie i geodezie dedicate

oferirii de soluii la provocrile navigaiei pe oceanele Pmntului din Era
marilor descoperiri geografice. n fapt, corbiile au putut s navigheze tot
mai departe n largul mrilor mai ales dup creterea acurateei descrierii
comportrii corpurilor celeste.
MCMMP a reprezentat apogeul progreselor realizate de-a lungul secolului
al optsprezecelea (v.[1]):
Combinarea unor observaii diferite conduce la o mai bun estimare a

valorii adevrate. S-a observat c, n loc s creasc, erorile mai degrab
descresc odat cu acumularea de msurtori, concluzie exprimat prima
dat probabil de Roger Cotes n anul 1722;
Combinarea unor observaii diferite fcute n aceleai condiii conduce

la creterea acurateei observaiei prin metoda medierii. Aceast
abordare a fost utilizat mai ales de Tobias Mayer n studiul libraiilor
(oscilaiilor) Lunii, n anul 1750, i de Pierre-Simon Laplace n lucrarea
sa dedicat explicrii diferenei dintre micrile planetelor Jupiter i
Saturn, n anul 1788.
Combinarea unor observaii diferite fcute n condiii diferite conduce la

metoda celei mai mici deviaii absolute. Ea fost perfecionat de Roger
Joseph Boscovich n lucrarea sa despre forma Pmntului, n anul 1757,
i de Pierre-Simon Laplace pentru aceeai problem, n anul 1799.
Dezvoltarea unui criteriu care s poat fi evaluat pentru a stabili dac

soluia a fost atins cu eroare minim. Laplace a ncercat s specifice o
form matematic a densitii de probabilitate pentru erori i s
defineasc o metod de estimare care s minimizeze eroarea estimrii. n
acest scop Laplace a folosit o distribuie exponenial simetric,
cunoscut azi ca Distribuia Laplace, pentru a modela distribuia erorii
i a folosit suma deviaiilor absolute ca eroare a estimrii. El a crezut c
-9-
SCURT ISTORIC
acestea sunt cele mai simple ipoteze pe care le-ar putea face i a sperat
s obin media aritmetic drept cea mai bun estimare. n schimb,
estimatorul su a fost mediana (posterioar, dorsal).
Prima expunere clar i concis a MCMMP a fost publicat de Adrien-
Marie Legendre n anul 1805 (v.[8]). Metodologia este descris ca o
procedur algebric de aproximare a ecuaiilor liniare plecnd de la o
mulime de valori msurate, metodologie pe care Legendre a demonstrat-o
analiznd datele lui Laplace obinute n studiul formei Pmntului. Valoarea
MCMMP a lui Legendre a fost recunoscut imediat i a fost folosit de
astronomii i geodezicienii timpului.
n anul 1809 Carl Friedrich Gauss a publicat metoda sa de calculare a
orbitelor corpurilor celeste. n acea lucrare el a susinut c ar fi fost n
posesia MCMMP nc din anul 1795, fapt ce a conduc la o disput de
prioritate cu Legendre. Totui, dndu-i credit lui Gauss, el a mers dincolo de
Legendre i a reuit s conecteze MCMMP cu principiile probabilitii i cu
Distribuia Normal. Mai exact, Gauss a completat programul lui Laplace
de specificare a formei matematice a densitii de probabilitate a
observaiilor, dependent de un numr de parametri necunoscui, i care
definete o metod de estimare ce minimizeaz eroarea de estimare. Gauss a
artat c media aritmetic este, ntr-adevr, cea mai bun estimare a
parametrului de localizare prin schimbarea att a densitii de probabilitate
ct i a metodei de estimare. Cu aceast ocazie Gauss a inventat Distribuia
Normal (sau Distribuia Gaussian).
O demonstraie anterioar a soliditii Metodei lui Gauss este legat de
utilizarea acesteia n vederea localizrii viitoare a nou-descoperitului
asteroid Ceres. Pe 1 Ianuarie 1801, astronomul italianul Giuseppe Piazzi a
descoperit asteroidul Ceres i a putut s msoare traiectoria sa pentru
urmtoarele 40 de zile, nainte de pierderea n strlucirea Soarelui. Bazat pe
aceste date, astronomii au dorit s determina locaia lui Ceres dup ieirea
din spatele Soarelui fr a rezolva ecuaiile complicate ale lui Kepler pentru
micarea planetelor. Prediciile care i-au permis astronomului maghiar Franz
Xaver von Zach s relocheze cu succes asteroidul Cere au fost doar cele
realizate de tnrul de 24 de ani Gauss, folosind analiza MCMMP.
n anul 1810, dup ce a citit lucrarea lui Gauss i dup ce a demonstrat
Teorema limit central, Laplace a folosit-o pentru a da o justificare mai
ampl a MCMMP i a Distribuiei Normale.
- 10 -
SCURT ISTORIC
n anul 1822, Gauss a statuat c MCMMP este optimal n analiza de

regresie n sensul c, pentru un model linear avnd media erorilor zero i
dispersii egale, cel mai bun estimator nedeplasat al coeficienilor este
estimatorul obinut cu MCMMP. Acest rezultat este cunoscut acum drept
Teorema Gauss-Markov.
S exemplificm: fie {(xi , yi ) | xi , yi R; i = 1,2,K, N } un set de N dublete

(xi , yi )
reprezentnd coordonatele unui numr N de puncte reprezentate
grafic ntr-un sistem cartezian plan, ca n Fig.1:
60
50
40
30
20
10
0
0 1 2 3 4 5 6 7
Fig.1 Date experimentale (simulare numeric n Microsoft Office Excel)

Aa cum s-a menionat anterior, n Regresia standard de predicie MCMMP
ofer posibilitatea determinrii celor mai probabile valori ale parametrilor
unei funcii care se dorete s modeleze (aproximeze) ct mai bine datele
iniiale (experimentale). n Fig.2 se prezint dou astfel de funcii de
aproximare (curbele continue):
60 60
y = 2.2043x1.6193 y = 1.7678x 2 - 3.5328x + 5.0295
50 R2 = 0.827 50 R2 = 0.9527
40 40
30 30
20 20
10 10
0 0
a) b)
0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7
Fig.2 Dou funcii de modelare a datelor experimentale

a) funcia y( x ) = a x b ; b) funcia y ( x ) = a x 2 + b x + c
Vizual s-ar putea concluziona c funcia y ( x ) = a x 2 + b x + c ar fi cea

mai adecvat modelrii datelor. n realitate msurtorile din Fig.1 au fost
generate cu funcia y ( x ) = a x 2 + random unde random reprezint valori
aleatoare (cu media zero) simulnd existena unor erori de msur.
Aadar, fenomenul studiat experimental respect legea y ( x ) = a x b cu

b = 2 , dar erorile de msur au mascat acest lucru.
- 11 -
SCURT ISTORIC
Atunci cnd nu se cunosc nici modelul teoretic al fenomenului studiat i,

mai ales, nici natura erorilor de msur, s-ar putea face apel fie la Regresia
de aproximare a funciei adevrate, fie la calcularea Coeficientului de
determinare. A se vedea i Criteriul lui Gauss (v.[11]).
n Statistic (v.[5]), Coeficientul de determinare, notat R 2 , este un numr

real cuprins n intervalul nchis [0,1] care evalueaz ct de bine sunt
aproximate datele experimentale cu un model (statistic) avnd drept grafic o
curb continu. Valoarea R 2 = 1 indic faptul c modelul de regresie descrie
(aproximeaz) perfect datele experimentale, n timp ce valoarea R 2 = 0
indic faptul c modelul de regresie nu descrie (aproximeaz) deloc
msurtorile analizate. Situaie R 2 = 0 este specific, de exemplu, n cazul
ncercrii de a aproxima cu o funcie continu nite date aleatoare.
Cele dou grafice din Fig.2 sunt nsoite att de funcia de modelare
(valorile cele mai probabile ale parametrilor caracteristici) ct i de valorile
Coeficienilor de determinare asociai. Se observ c valorile numerice
(obiective) ale numrului R 2 confirm concluzia (subiectiv) obinut
vizual. Dac, de exemplu, se folosesc pentru modelare i funciile
y ( x ) = a x + b , respectiv y ( x ) = a e b x , se ajunge la rezultatele grafice i
numerice din Fig.3:
60 90
y = 7.6042x - 6.6776 y = 0.8847e0.7303x
80
50 R2 = 0.8344 R2 = 0.6456
70
40 60
30 50
40
20
30
10 20
10
0
0 1 2 3 4 5 6 7 0
-10 0 1 2 3 4 5 6 7
a) b)
Fig.3 Alte dou funcii de modelare a datelor experimentale
a) funcia y ( x ) = a x + b ; b) funcia y ( x ) = a e bx
Ordonnd descresctor valorile R 2 , obinem msura n care cele patru

funcii modeleaz (mai bine sau mai ru) datele experimentale iniiale.
ncheiem aceast scurt abordare istoric prin a aminti c ideea unor analize
folosind MCMMP a fost formulat n mod independent i de americanul
Robert Adrain n 1808 (v.[4]).
- 12 -
APROXIMAREA FUNCIILOR
3. APROXIMAREA FUNCIILOR
Prelucrarea i interpretarea fenomenologic a msurtorilor experimentale

presupune modelarea (aproximarea) acestora cu ajutorul unor funcii
analitice f .
Pe de alt parte, exist situaii frecvente n care apare problema aproximrii

pn i a unei funcii f cu o alt funcie g , mai ales atunci cnd (v.[11]):
funcia f este cunoscut, dar are form complicat, este dificil de

manipulat n calcule precum operaiile de derivare, integrare, etc.;
funcia f este incomplet cunoscut, avnd la dispoziie doar valorile ei

pe o mulime discret i finit de puncte.
n primul caz, aproximarea se poate face, n principiu, orict de exact, cu
condiia ca funcia g s fie ct mai simpl.
n al doilea caz informaiile se completeaz cu ipoteze suplimentare privind,

de exemplu, continuitatea funciei i a derivatelor sale.
n ambele cazuri, este important alegerea unui criteriu de aproximare.
Fie [a, b] R un interval de numere reale i xi , i {1,2,..., N } o partiie a

acestui interval, unde xi [a, b], x1 = a, x N = b . Punctele xi se numesc
noduri.
Fiind date valorile n noduri yi = f ( xi ), i {1,2,..., N } ale unei funcii reale

f ( x ) i notnd cu g ( x ) funcia cu care se aproximeaz f ( x ) pe intervalul
dat, principalele criterii de aproximare sunt:
- 13 -
Metoda de aproximare prin interpolare criteriul egalitii n noduri.

n acest caz, funciei mai simple g ( x ) i se impune condiia s ia
aceleai valori n noduri ca i f ( x ) , adic: g ( xi ) = yi , i {1,2,..., N } .
Criteriul de aproximare prin interpolare presupune tacit c nodurile
(xi , yi ) sunt cunoscute exact. Dac nodurile sunt afectate de erori, atunci
criteriul de interpolare este inadecvat (v.[13]-[14]).
Metoda de aproximare mini-max criteriul minimizrii abaterii maxime

(Cebev). Se impune condiia ca abaterea maxim s fie minim pe
intervalul ales, adic max f ( x ) g ( x ) = minim. Criteriul de aproximare
prin interpolare presupune tacit c i nodurile, sub form discret,
satisfac condiia max yi g ( xi ) = minim. (v.[12])
i1, N
Metoda celor mai mici ptrate criteriul minimizrii sumei ptratelor

abaterilor n nodurile cunoscute yi = f ( xi ) . n acest caz se impune ca
N
S = [ yi g ( xi )] = minim. Dei n cazul interpolrii aceast sum, S ,
2
i =1
este chiar nul, avnd, deci, cea mai mic valoare posibil, acest criteriu
este mai general, aplicndu-se mai cu seam funciilor f incert
cunoscute, cum ar fi cazul datelor experimentale afectate, n mod
obiectiv, de erori de msur.
Metoda verosimilitii maxime Fie x1 , x2 ,..., x N un sondaj aleatoriu,

prelevat dintr-o populaie a crei densitate de repartiie este f ( x ) .
Probabilitatea ca fiecare valoare de sondaj s se plaseze n intervalul
xi 2 i xi + 2 este egal cu f ( xi ) , iar probabilitatea ca prima
valoare de sondaj s se afle n primul interval, a doua valoare de sondaj
n al doilea interval etc. va fi P = f ( x1 ) f ( x2 ) ... f ( x N ) N , de unde
rezult P N = f ( x1 ) f ( x2 ) ... f ( x N ) . Principiul verosimilitii
maxime impune ca formularea i alegerea unui estimator s fie astfel
fcute nct funcia de verosimilitate:
N
P
L = ln n = ln[ f ( x1 ) f ( x1 ) ... f ( x N )] = ln[ f ( xi )]
i =1
s ia valoarea maxim (v.[11]).

- 14 -
3.1. Modelarea datelor experimentale

Modelarea datelor experimentale presupune stabilirea unui set de ecuaii
parametrice caracteristice unui anume model teoretic al fenomenului studiat.
O un rol deosebit n acest sens l joac nelegerea legilor reprezentante de
datele experimentale. n mod firesc, modelul ar trebui s fie astfel ales nct
s reflecte ct mai fidel aceste legi, parametrii curbelor de aproximare a
datelor experimentale avnd un neles fizic, o interpretare fenomenologic.
Modelarea datelor experimentale se poate realiza n principal prin dou
tehnici: de interpolare, respectiv de regresie.
Interpolarea garanteaz c graficele funciilor de aproximare vor trece prin
toate punctele experimentale. Cele mai utilizate metode de interpolare sunt
interpolarea Lagrange i interpolarea cu funcii spline.
Regresia asigur, n mod simplu, minimizarea funciei de calitate, adic a
funciei ce msoar diferena dintre datele experimentale i model,
parametrii modelului fiind astfel ajustai nct aceast funcie s ating
valori ct mai mici posibil. Eroarea n aproximarea cu funcii de regresie
este evaluat pe baza Erorii standard i a Coeficientului de determinare.
Aceste instrumente statistice nu sunt perfecte, dar ele ofer o evaluare util a
performanei curbei de aproximare. Eroarea standard S a datelor
experimentale este definit (v.[5]):
N puncte
[y f ( xi )]
2
i
i =1
S=
N puncte N parametri
unde f ( xi ) desemneaz valoarea calculat cu modelul de regresie, yi

reprezint datele experimentale i N parametri este numrul parametrilor din
respectivul model teoretic, iar diferena (N puncte N parametri ) este numrul
gradelor de libertate. De subliniat este faptul c ceast funcie de eroare este
foarte asemntoare, dar nu aceeai cu funcia 2 analizat n urmtorul
paragraf. Eroarea standard a datelor experimentale cuantific mprtierea
punctelor experimentale n jurul curbei de regresie. Cu ct crete calitatea
modelrii, cu att se apropie de zero valoarea erorii standard.
- 15 -
O alt msur a calitii aproximrii este Coeficientul de determinare.

Pentru a explica nelesul acestei msuri trebuie pornit de la definiia abaterii
standard, care cuantific mprtierea n jurul valorii medii:
N puncte
(y y )
2
St = i
i =1
unde valoarea medie y este media aritmetic:

N puncte
1
y=
N puncte
y i =1
i
Cantitatea S t consider mprtierea n jurul unei drepte constante (valoarea

medie) ca fiind opus mprtierii n jurul modelului de regresie. Aceasta
este incertitudinea variabilei dependente anterior regresiei. Se definete i
deviaia de la curba de aproximare ca fiind:
N puncte
[y f ( xi )]
2
Sr = i
i =1
De notat similaritatea acestei expresii cu cea a erorii standard a datelor

experimentale indicat mai sus; aceasta cantitate de asemenea msoar
mprtierea punctelor n jurul funciei de aproximare. Astfel nct
corectarea (sau reducerea erorii) datorat descrierii datelor experimentale n
termenii unui model de regresie poate fi cuantificat prin diferena
normalizat acelor dou cantiti:
St S r
R2
St
unde R 2 este definit drept Coeficient de determinare. Cu ct modelul de

regresie descrie mai bine datele experimentale, cu att Coeficientul de
determinare se apropie mai mult de unitate.
Pentru o aproximare perfect, Eroarea standard a datelor experimentale se
va apropia de valoarea S r = 0 i Coeficientul de corelaie se va apropia de
valoarea R 2 = 1 .
- 16 -
3.2. Interpolarea
Interpolarea Lagrange
Interpolarea Lagrange este o interpolare simpl a datelor experimentale cu
ajutorul unui polinom (v.[13], [14]). Ordinul polinomului este determinat de
numrul de puncte experimentale, acesta trebuind s aib suficiente grade de
libertate pentru a aproxima setul de date experimentale n fiecare punct. De
aceea, pentru un set de N puncte, polinomul de interpolare va fi de (cel
mult) gradul N 1 :
N N x xj
p N 1 ( x ) = yi
i =1 j =1 xi x j
j i
Polinoamele Lagrange sunt n mod particular foarte potrivite pentru seturile

de date cu numr mic de puncte (2 N 8) . De preferat, punctele
experimentale ar trebui s nu fie foarte mprtiate. Ca orice polinom, i
polinomul de interpolare Lagrange prezint variaii oscilante cu att mai
importante cu ct crete gradul su. De aceea, utilizarea interpolrii
Lagrange ar trebui s fie evitat dac umrul punctelor experimentale este
mare.
Aa cum arat i numele, extrapolarea dincolo de domeniul datelor
experimentale cu un polinom de interpolare este nerecomandat.
Interpolarea asigur acuratee numai pentru valorile aflate ntre punctele
experimentale utilizarea ei pentru a obine valori y n afara domeniului
datelor experimentale trebuind s se fac numai cu atenie foarte mare.
Interpolarea cu funcii spline
Interpolarea polinomial global, pe tot intervalul [a, b] , nu converge

ntotdeauna, fapt pentru care se poate opta pentru metode de interpolare
polinomial pe poriuni, adic definind cte un polinom individual de
interpolare, numit i funcie spline, pe chiar fiecare diviziune [xi , xi +1 ] n
parte (v.[13], [14]).
- 17 -
Funcii spline liniare

Funciile spline liniare sunt cele mai simple forme ale funciilor spline,
aproximarea domeniului dintre datele experimentale fcndu-se prin linii
drepte:
p1,i ( x ) = yi + mi ( x xi ), x [xi , xi +1 )
yi +1 yi
mi =
xi +1 x i
Cea mai simplificat definiie a interpolrii cu funcii spline liniare este

aceea c ea asigur faptul c fiecare funcie spline discret se potrivete
datelor experimentale. Aceste funcii spline reprezint pur i simplu o
metod de conectare a punctelor, care poate fi util n creterea rezoluiei
unui tabel de valori utiliznd interpolarea liniar ntre puncte. Totui, dac
aceasta este cerina, funciile spline cubice ofer o reprezentare mult mai
precis ntre punctele experimentale.
Funcii spline ptratice
Funciile spline ptratice interpoleaz domeniul dintre dou puncte
experimentale printr-un polinom de ordinul doi (polinom ptratic).
p2,i ( x ) = yi + mi ( x xi ) + ai ( x xi ) , x [xi , xi +1 ), i 1, N 1
2
yi +1 yi
mi =
xi +1 xi
yi +1 yi yi + 2 yi +1
ai =
(xi+1 xi ) (xi+2 xi+1 )(xi+1 xi )
2
Aproximarea cu funcii spline ptratice asigur faptul c fiecare funcie

spline este adecvat pentru datele experimentale i c primele derivate ale
funciilor spline sunt continue chiar i n noduri. Funciile spline ptratice
lucreaz mai bine dect funciile spline liniare, dar sunt adesea caracterizate
printr-o pivotare prea mare sau prea mic dincolo de datele experimentale.
Funciile spline ptratice trebuie s aib o condiie de libertate specificat
pentru prima funcie spline, cea mai comun fiind egalarea cu zero a
- 18 -
derivatei de ordinul doi a acestei prime funcii spline, avnd ca efect

conectarea primelor dou puncte cu o linie dreapt.
Funcii spline cubice
Funciile spline interpoleaz domeniul dintre puncte prin polinoame de
ordinul trei (polinoame cubice):
p3,i ( x ) = yi + mi ( x xi ) + bi ( x xi ) + ai ( x xi ) , x [xi , xi +1 ), i 1, N 1
2 3
yi +1 yi
mi =
xi +1 xi
mi +1 + mi y yi
ai = 2
2 i +1
(xi+1 xi ) (xi+1 xi )3
yi +1 yi m + 2mi
bi = 3 2
i +1
(xi+1 xi ) xi+1 xi
Aproximarea cu funcii spline cubice asigur c fiecare funcie spline este
adecvat setului de puncte experimentale i derivatele de ordinul unu i doi
sunt continue n noduri. Deoarece discontinuitile derivatelor de ordinul trei
sau mai mult nu pot fi detectate vizual, funciile spline cubice prezint un
aspect estetic deosebit.
Pentru funciile spline cubice se pot folosi diferite condiii de capt. Cea mai
comun practic este aceea de a utiliza condiii de capt naturale
specificnd c derivatele de ordinul doi sunt zero n punctele de capt. Acest
lucru ofer aparena vizual de ieire aliniat la capete.
Funcii spline tensionate
Funciile spline tensionate sunt similare funciilor spline cubice, atta doar
c li se adug un parametru nou tensiunea care specific ct de feste
sunt funciile spline n fiecare nod. Un parametru de tensiune joas va
conduce la o funcie spline similar celei cubice, n timp ce pentru o
tensiune ridicat respectiva funcie spline va tinde ctre cea liniar.
- 19 -
3.3. Regresia
Regresia liniar
Modelele care constau dintr-o combinaie liniar de funcii particulare f k se

numesc modele liniare, regresia liniar putnd fi utilizat pentru a minimiza
diferena dintre model i datele experimentale. Forma general a acestui tip
de model este:
y ( x ) = ak f k ( x )
k
unde f k ( x ) sunt funcii fixate de x , numite i funcii de baz, iar ak sunt

parametri liberi. De notat c liniaritatea se refer numai la dependena
liniar n raport cu parametrii ak , funciile f k ( x ) putnd s nu fie liniare.
Minimizarea modelului liniar de mai sus este realizat n raport cu funcia

de calitate:
2
N puncte
N parametri

S (a ) = y
i ak f k ( xi )
i =1 k =1
Minimul ecuaiei de mai sus se obine atunci cnd se anuleaz derivata

sumei S (a ) n raport cu parametrii:
S (a )
= 0, k = 1, N parametri
a k
Substituind modelul liniar n aceast funcie i anulnd primele sale derivate

se obine un sistem de ecuaii a crui rezolvare permite determinarea
valorile parametrilor ak .
Modele de regresie liniar

Cele mai frecvente modele liniare folosite n prelucrarea i interpretarea
datelor experimentale sunt:
aproximarea liniar: y = a + bx
- 20 -
aproximarea ptratic: y = a + bx + cx 2
aproximarea polinomial: y = a + bx + cx 2 + dx 3 + ...
Regresia neliniar
Un model de regresie este neliniar dac depinde neliniar de parametrii ak ,

y ( x ) = k (ak , f k ( x )) .
k
O prim variant de rezolvare a modelelor de regresie neliniar const n

ncercarea de liniarizare a modelului prin aplicarea unei transformri
oarecare asupra variabilei dependente: inversare y 1 y , logaritmare
y ln( y ) , ridicare la putere y y n etc., sau prin combinarea succesiv a
unor astfel de transformri.
Dac liniarizarea nu este posibil, atunci trebuie rezolvat numeric un sistem
de ecuaii neliniare avnd drept necunoscute parametrii modelului, cel mai
adesea folosindu-se metoda Levenberg-Marquardt (LM). Aceast metod
combin metoda descreterilor abrupte cu metoda bazat pe dezvoltarea n
serie Taylor, obinndu-se o tehnic rapid i sigur pentru optimizarea
neliniar. Totui niciuna dintre cele dou metode nu este ideal oricnd i
oriunde; descreterea abrupt lucreaz bine numai departe de minim, n timp
ce seriile Taylor lucreaz bine numai n apropierea acestui minim.
Algoritmul LM permite o tranziie neted ntre cele dou metode pe
parcursul iteraiilor.
n cazul unei singure variabile independente, ecuaia de modelare a datelor
r
experimentale poate fi scris: y = y ( x; a ) , expresie ce indic faptul c
variabila dependent y poate fi exprimat ca o funcie de variabila
independent x i un vector de parametrii a de lungime arbitrar. De notat
c, n cazul metodei LM, se poate utiliza pentru modelarea datelor
experimentale orice ecuaie neliniar cu un numr arbitrar de parametri.
Atunci funcia de calitate ce trebuie minimizat este funcia hi ptrat:
N puncte r 2
r y i y ( xi ; a )
(a ) =
2

i
i =1
- 21 -
unde xi desemneaz valorile experimentele ale variabilei independente x ,

yi desemneaz valorile experimentale ale variabile dependente y , i este
r
deviaia standard (incertitudinea) n punctul i , iar y ( x; a ) este un model
neliniar arbitrar evaluat n punctul i . Aceast funcie msoar concordana
dintre punctele msurate i modelul parametric; o valoare mic a acestei
funcii nseamn o concordan mai bun.
Fr a intra n detalii de algoritm, menionm faptul c un pas n trecerea de
r r
la parametrul curent acurent ctre valoarea sa minim amin poate fi scris sub
forma:
r r r
[
amin = acurent + H 1 2 (acurent ) ]
unde H este matricea Hessian a derivatelor de ordinul doi. Dac
aproximarea funciei cu una ptratic este slab, atunci se poate folosi
metoda descreterii abrupte, caz n care un pas ctre cele mai bune valori va
fi:
r r r
amin = acurent c 2 (acurent )
Constanta c este forat s fie mic, condiie impus de obinerea unei

suficiente acuratee a gradientului n regiunea de valori n care este realizat
respectivul pas.
Derivnd funcia 2 se obine vectorul gradient:

N puncte r r
2 yi y ( x i ; a ) y ( x i ; a )
a k
= 2 i =1 i2

a k
i matricea Hessian:
N puncte r r r r
2 2 1 y ( x i ; a ) y ( x i ; a ) yi y ( x i ; a ) 2 y ( x i ; a )
ak al
= 2 2
ak

al

i2

ak al

i =1 i
Fcnd notaiile:
N puncte r r
1 2 yi y ( x i ; a ) y ( x i ; a )
Gk =
2 a k
= i =1 i2

a k
- 22 -
N puncte r r
2 2 1 y ( x i ; a ) y ( x i ; a )
C kl =
ak al
= 2
ak

al

i =1 i
se poate construi metoda seriilor Taylor (sau metoda Hessian invers) sub
forma setului de ecuaii liniare:
N parametri
C
k =1
kl al = Gk
ce urmeaz s fie rezolvate pentru pasul de incrementare a .

O a doua formulare a metodei LM presupune definirea matricei M :
M ii = Cii (1 + )

M ij = Cij , i j
ce va conduce la evaluarea parametric a din sistemul de ecuaii liniare:
N parametri
M
k =1
kl al = Gk
De notat c atunci cnd valoarea proprie este mare, matricea M este

forat s fie diagonal superior, ecuaiile de mai sus conducnd la metoda
descreterilor abrupte. Invers, dac valoarea proprie tinde spre zero,
ecuaiile de mai sus conduc ctre metoda seriilor Taylor. Prin urmare,
modificnd valoarea se poate alterna ntre cele dou metode specifice
algoritmului LM i anume:
[1] Se calculeaz 2 (a )
[2] Se alege o valoare iniial pentru (de exemplu: 0.001)

N parametri
[3] Se rezolv ecuaia M
k =1
kl al = Gk n necunoscuta a
[4] Se evalueaz 2 (a + a )
[5] Dac 2 (a + a ) c 2 atunci se incrementeaz cu un factor

(de exemplu: 10) i se reia pasul [3]
- 23 -
[6] Dac 2 (a + a ) < 2 atunci se decrementeaz cu un factor

(de exemplu: 10), se corecteaz vectorul parametrilor a = a + a
i se reia pasul [3]
Iteraiile se termin atunci cnd 2 (a + a ) c 2 < tolerana (aleas iniial)
Modele de regresie neliniar

Cele mai des utilizate modele de regresie neliniar sunt grupate pe familii
i anume:
Familia modelelor exponeniale
Modelele exponeniale folosesc funciile exponenial sau logaritm. n
general, ele sunt curbe convexe sau concave, dar unele modele au i puncte
de inflexiune, respectiv un maxim sau un minim. Avem:
Funcia exponenial: y = a e bx
b
Funcia exponenial modificat: y = ae x
Funcia logaritm: y = a + b ln( x )
1
Funcia logaritm reciproc: y=
a + b ln ( x )
b
a + + cln ( x )
Modelul presiunii de vapori: y=e x
Familia modelelor putere

Familia modelelor putere utilizeaz unul sau mai muli parametrii ca
exponeni ai puterii variabilei independente. Aceast familie conine curbe
convexe i concave, fr puncte de inflexiune sau de maxime / minim.
Avem:
Funcia putere (alometric): y = a xb
Funcia putere modificat: y = a bx
- 24 -
c
Funcia putere decalat: y = a (x b )
Funcia geometric: y = a x b x
b
Funcia geometric modificat: y = a x x
1
Funcia pas: y = ax
Modelul Hoerl: y = a b x xc
1
Modelul Hoerl modificat: y = a b x xc
Familia modelelor recolt-densitate

Iniial, aceste modele au fost folosite pentru modelarea relaiei dintre recolta
unei culturi i spaiu / densitate / sdire. n practic au fost observate dou
tipuri de astfel de relaii: asimptotic i parabolic. Evident, aceste modele
se ntlnesc i n alte domenii. Avem:
1
Modelul reciproc: y=
a + b x
1
Modelul reciproc ptratic: y=
a + b x + c x2
1
y = (a + b x )

Modelul Bleasdale: c
1
Modelul Harris: y=
a + b xc
Familia modelelor de cretere
Modelele de cretere sunt caracterizate printr-o cretere monoton de la o
valoare oarecare fixat ctre un asimptotic. Aceste modele sunt foarte
comune n tiinele inginereti. Avem:
- 25 -
Exponeniala asociat (2): ( )

y = a 1 e bx
Exponeniala asociat (3): y = a (b e ) c x
ax
Creterea de saturaie: y=
b+x
Familia sigmoidelor (curbe n forma literei S)
Procesele evolund dup curbe de cretere sigmoidale sunt comune ntr-o
serie larg de aplicaii din biologie, inginerie, agricultur i economie,
Aceste curbe pornesc de la o valoare fixat i i mresc rata de cretere n
mod monoton pn la un punct de inflexiune, dup care rata de cretere se
apropie asimptotic de o valoare final. Avem:
b c x
Modelul Gompertz: y = a e e
a
Modelul logistic: y=
1 + e b c x
a
Modelul Richards: y= 1
(1 + e ) b c x d
a b + c xd
Modelul MMF: y=
b + xd
d
Modelul Weibull: y = a b e c x
Familia amestecat
Ca multe lucruri din via, unele fenomene nu se ncadreaz ntr-o categorie
armonioas. Familia amestecat este una n care se gsesc aceste
modele diferite de regresie neliniar. Avem:
Modelul cosinusoidal: y = a + b cos(c x + d )

( x b )2
2c 2
Modelul gaussian; y = ae
- 26 -
b
Modelul hiperbolic: y=a+
x
c
Modelul capacitii calorice: y = a + b x +
x2
a +b x
Funcia raional: y=
1+ c x + d x2
Scheme de regresie ponderat

Ponderarea permite utilizatorului s defineasc ct de mult influeneaz
fiecare punct experimental asupra setului final de parametri: o pondere mare
denot c un punct particular influeneaz parametrii mai mult (trage
puternic curba ctre el) n timp ce o pondere mic a punctului experimental
descrete efectul su asupra parametrilor. Urmtoarele scheme de ponderare
sunt folosite mai des:
Fr ponderare (cu pondere 1)
Regresia este realizat aa cum este, fr aplicarea unor ponderri pe
durata procesului de fitare. Acesta este cel mai comun tip de analiza de
regresie; fiecare punct are influen egal asupra curbei finale. Situaia este
echivalent ponderrii fiecrui punct cu valoarea 1.
Ponderarea cu funcia de incertitudine
Regresia este ponderat cu incertitudinea furnizat n fiecare punct
experimental. Incertitudinile sunt interpretate ca deviaii standard n jurul
punctului. Astfel, pe durata regresiei, calculele vor fi ponderate cu 1 i2 .
Ponderarea cu 1/x
Acest tip de ponderare este utilizat mai rar, fiecare punct experimental fiind
ponderat prin inversul valorii variabilei independente x . Aceast metod de
ponderare NU se aplic dac n datele experimentale exist valori x
negative.
- 27 -
Ponderarea cu 1/x2
ponderat prin inversul ptratului valorii variabilei independente. Cu ct
punctul experimental este mai departe de x = 0 , cu att mai mic este
influena lui asupra setului final de parametrii. Acest tip de ponderare este
folosit uneori atunci cnd se cunoate ce incertitudinea este un procent din
valoarea variabilei independente.
Ponderarea cu 1/y
ponderat prin inversul valorii variabilei dependente y . Aceast metod de
ponderare NU se aplic dac n datele experimentale exist valori y
negative.
Ponderarea cu 1/y2
Acest tip de ponderare este utilizat uneori atunci cnd incertitudinile n
fiecare punct experimental nu sunt cunoscute, dar aceste incertitudini tind s
fie un procent de valoarea y msurat. Cu ct este mai mare valoarea y cu
att este mai mic ponderea respectivului punct experimental.
Regresia multipl
Regresia multipl se aplic modelelor y = f ( x, z , a, b, c,...) care depind de

dou (sau mai multe) variabile independente x , z , ... Astfel, pentru un set
dat de msurtori experimentale ( xi , yi , zi ); i = 1,2...N , curba de aproximare
se va determina prin MCMMP impunnd criteriul:
N
S (a, b, c,K) = [ yi f ( xi , z i , a, b, c,...)] = minim,
2
i =1
condiie conducnd la rezolvarea sistemului de ecuaii:
S (a, b, c,L) S (a, b, c,K) S (a, b, c,K)

=0; =0; = 0 ; ...
a b c
n necunoscutele a , b , c , ...
- 28 -
MCMMP MODELE GENERALIZATE
4. MCMMP MODELE GENERALIZATE
Avnd n vedere rolul deosebit ce-l are n aproximarea funciilor, n cele ce

urmeaz vom aplica MCMMP unei serii de modele generale de o singur
variabil independent, cu aplicabilitate imediat n analiza de regresie
standard .
Fiind dat setul de msurtori {(xi , yi ), i = 1,2,..., N } ce se dorete a fi

aproximat printr-o funcie y ( x ) = f ( x, a, b, c,...) , MCMMP presupune
S (a, b, c,K) = [ f ( xi ; a, b, c,K) yi ] n raport cu
2
minimizarea sumei
parametrii necunoscui a, b, c,K , adic minimizarea sumei ptratelor
abaterilor msurtorilor yi de la modelul f ( xi ; a, b, c,K) . Aceast cerin
impune rezolvarea sistemului (compatibil determinat) de ecuaii:
S (a, b, c,...) a = 0 ; S (a, b, c,...) b = 0 ; S (a, b, c,...) c = 0 ,...
Pentru o mai uoar nelegere a pailor ce trebuie s fie parcuri n cadrul

MCMMP, vom prezenta prin formule detaliate unele modele generale,
folosind funcii generice f ( x ) , g ( x ) , h( x ) , () , () , () ...
Evident, vom analiza att cazul modelelor liniare ct i cazul modelelor

neliniare, pentru acestea din urm indicnd i algoritmii de liniarizare.
Avnd la ndemn soluiile generale i particulariznd funciile generice cu
diferite funcii elementare (v.[6] i ANEXA A):
{
f ( x ), g (x ), h( x )... r , x r , r x , exp( x ), ln ( x ), sin ( x ), sinh ( x ),K | r R }
se vor regsi cele mai ntlnite modele utilizate n practic.
- 29 -
4.1. Funcii cu un singur parametru necunoscut a
Cazul funciilor liniare n necunoscuta a
Funcia constant y ( x ) = a
Se calculeaz suma ptratelor abaterilor msurtorilor yi de la model:

N
S (a ) = [a yi ]
2
i =1
pentru a crei minimizare se calculeaz:
S (a ) N
= 2 [a yi ] = 0
a i =1
N N
a = yi ;
i =1 i =1
de unde rezult cea mai probabil valoare a parametrului a :
1 N
a= yi
N i =1
Pentru simplificarea editrii formulelor de calcul, n continuare vom

N
desemna simbolul [L] prin simbolul [L] .
i =1
Funcia liniar y ( x ) = a f ( x )
Se calculeaz suma ptratelor abaterilor msurtorilor yi de la model:
S (a ) = [a f ( xi ) yi ]
2
a crei minimizare impune:
S (a )
= 2 [a f ( xi ) yi ] f ( xi ) = 0
a
- 30 -
a f 2 ( xi ) = yi f ( xi )
de unde rezult cea mai probabil valoare a parametrului a :
1
a= yi f ( xi )
f 2 (xi )
Funcia liniar y ( x ) = a f ( x ) + g ( x)
Se calculeaz suma S (a ) :
S (a ) = [a f ( xi ) + g ( xi ) yi ]2
dup care se minimizeaz:
S (a )
= 2 [a f ( xi ) + g ( xi ) yi ] f ( xi ) = 0
a
a f 2 ( xi ) = [ yi g ( xi )] f ( xi )
i rezult:
1
a= [ yi g ( xi )] f (xi )
f 2 (xi )
Se observ c funcia y ( x ) = a f ( x ) + g ( x) poate fi abordat i ntr-un al
doilea mod. Astfel, fcnd notaiile:
Y (x ) = y(x ) g (x )
Yi = yi g ( xi )
i obine noua funcie liniar:
Y ( x ) = a f (x )
model tocmai discutat anterior i a crui soluie este:
- 31 -
1
a= Yi f ( xi )
f 2 (xi )
Menionm c la diferite astfel de notaii (transformri) vom apela
ntotdeauna atunci cnd acest lucru permite reducerea la modele tipar
discutate anterior.
Exemple de funcii liniare n necunoscuta a i soluiile asociate:
y(x ) = a x
1
a= xi yi
xi2
a
y (x ) = +x
x
1 1
a= [ yi xi ]
1 xi
x2
i
1
y ( x ) = a x ln ( x ) +
x2
1 1
a= yi xi ln (xi )
xi2 ln 2 (xi ) x 2i
Cazul funciilor neliniare n necunoscuta a
Funcia neliniar y ( x ) = (a f ( x ) + g ( x) )
Neliniaritatea acestui model este dat de prezen funciei () avnd ca

argument i parametrul a .
Liniarizarea modelului se realizeaz aplicnd ambilor membri ai egalitii
funcia invers 1 () adic:
1 ( y ( x )) = a f ( x ) + g ( x )
- 32 -
Fcnd notaiile:
Y ( x ) = 1 ( y ( x )) g ( x )
Yi = 1 ( yi ) g ( xi )
se obine funcia liniar:
Y (x ) = a f (x )
avnd soluia:
1
a= Yi f ( xi )
f 2 (xi )
sau nc:
1
a= [ ]
1 ( yi ) g ( xi ) f ( xi )
i
f 2
( x )
Funcia neliniar y ( x ) = (a f ( x )) + g ( x)
n vederea liniarizrii modelului se pstreaz n membrul drept al egalitii

numai funcia () , adic:
y ( x ) g ( x ) = (a f ( x ))
dup care se aplic ambilor membri ai ultimei egaliti funcia invers

1 () , adic:
1 ( y ( x ) g ( x )) = a f (x )
Fcnd notaia:
Y ( x ) = 1 ( y ( x ) g ( x ))
Yi = 1 ( yi g ( xi ))
se obine funcia liniar
- 33 -
Y (x ) = a f (x )
a crei soluie este:
1
a= Yi f ( xi )
f 2 (xi )
sau nc:
1
a= 1 ( y i g ( xi )) f ( xi )
f (xi )
2
Funcia neliniar y( x ) = (a ) f ( x ) + g ( x)
Liniarizarea modelului presupune parcurgerea pailor de calcul:
A = (a ) ;
Y (x ) = y (x ) g ( x)
Yi = yi g ( xi )
astfel nct se obine funcia liniar
Y ( x ) = A f (x )
a crei soluie este:
1
A= Yi f (xi )
f 2 (xi )
sau nc:
1
A= [ yi g ( xi )] f ( xi )
f 2 (xi )
rezultat care conduce la soluia cutat:
a = 1 ( A)
- 34 -
1
a = 1

i
[ y g ( x )] f ( x )
i

i
f 2
( xi )
O situaie aparte o reprezint liniarizarea modelului logaritmic.
Funcia neliniar y ( x ) = ln( (a ) f ( x ))
Acest model reprezint o situaie aparte pentru faptul c admite dou moduri
de abordare:
a) Liniarizarea prin exponeniere:
exp( y ( x )) = (a ) f ( x ) ;
cu soluia:
1
(a ) = exp( yi ) f ( xi )
f 2 (xi )
de unde:
1
a = 1 exp( yi ) f ( xi )

f ( xi )
2

b) Liniarizarea prin logaritmare:
y ( x ) ln( f ( x )) = ln( (a ))
cu soluia:
1
ln( (a )) = [ yi ln ( f (xi ))]
N
de unde rezult:
1
a = 1 exp [ yi ln ( f (xi ))]
N
Se poate observa c aceast ultim soluie suport i variantele de scriere:
- 35 -
1

a = 1
(
exp yi ) N

f ( xi )

respectiv:
1 [ yi ln ( xi )]
a = exp
1
N

Cel mai obiectiv mod de alegere a soluiei adecvate a modelului

logaritmic este compararea valorilor Criteriului de determinare R 2 calculat
pentru liniarizarea prin exponeniere, respectiv liniarizarea prin logaritmare.
Autorii au aplicat aceast comparaie pe diferite serii de date numerice
generate controlat folosind Microsoft Office Excel i, de fiecare dat, n
limita erorilor de calcul n virgul mobil, ctig de cauz a avut liniarizarea
prin logaritmare.
Exemple de funcii liniarizabile n necunoscuta a , algoritmii de liniarizare

i soluiile asociate:
y ( x ) = e a x
ln( y ( x )) = a x
1
a= xi ln( yi )
xi2
y(x ) = x a
ln( y ( x )) = a ln( x )
1
a= ln( xi ) ln( yi )
ln 2 (xi )
y(x ) = a x
ln( y ( x )) = ln(a ) x
- 36 -
1
a = exp xi ln ( yi )
x2
i
y ( x ) = ln(a x )
y ( x ) = ln(a ) + ln( x )
1
a = exp [ yi ln ( xi )]
N
sau:
y ( x ) = ln(a x )
exp( y ( x )) = a x
1
a= xi exp( yi )
xi2
a
y ( x ) = ln
x
y ( x ) = ln(a ) ln( x )
1
a = exp [ yi + ln ( xi )]
N
sau:
a
y ( x ) = ln
x
a
exp( y ( x )) =
x
1 exp( yi )
a=
1 xi
x2
i
- 37 -
4.2. Funcii cu doi parametri necunoscui a i b
Cazul funciilor liniare n necunoscutele a i b
Funcia liniar y ( x ) = a f ( x ) + b g ( x )
Se calculeaz suma ptratelor abaterilor msurtorilor yi de la model, adic
S (a, b ) = [a f (xi ) + b g ( xi ) yi ]
2
a crei minimizare presupune parcurgerea algoritmului (pailor) de calcul:
Derivarea parial a sumei S (a, b ) n raport cu a i b :
S (a, b )
= 2 [a f ( xi ) + b g ( xi ) yi ] f ( xi ) = 0 ;
a
S (a, b )
= 2 [a f ( xi ) + b g ( xi ) yi ] g ( xi ) = 0 ;
b
i identificarea sistemului de dou ecuaii cu dou necunoscute:
a f 2 ( x ) + b g ( x ) f ( x ) = y f ( x )
i i i i i
2
a f ( xi ) g ( xi ) + b g ( xi ) = yi g ( xi )
pentru a crui rezolvare se calculeaz determinantul sistemului , respectiv

determinanii necunoscutelor a i b :
= f 2 (xi ) g (xi ) f (xi )

f (xi ) g (xi ) g 2 (xi )
a =
yi f (xi ) g (xi ) f (xi )
yi g (xi ) g 2 (xi )
- 38 -
b = f 2 (xi ) yi f (xi )
f (xi ) g (xi ) yi g (xi )
sau nc:
= f 2 ( xi ) g 2 ( xi ) [ f (xi ) g (xi )]2

a = yi f ( xi ) g 2 ( xi ) yi g ( xi ) f ( xi ) g ( xi )
b = f 2 ( xi ) yi g ( xi ) f ( xi ) g ( xi ) yi f ( xi )
valori ce permit calculare soluiilor:
a=
a
=
yi f (xi ) g 2 (xi ) yi g (xi ) f (xi ) g (xi )
2

f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
2
b f ( xi ) yi g ( xi ) f ( xi ) g (xi ) yi f ( xi )
b= =
2
f 2 (x ) g 2 (x )
i f (x ) g (x )
i [ i i ]
Funcia liniar y ( x ) = a f ( x ) + b g ( x ) + h( x )
n acest caz se observ faptul c, fcnd notaiile:
Y ( x ) = y ( x ) h( x )
Yi = yi h( xi )
se obine modelul:
Y (x ) = a f (x ) + b g (x )
ale crui soluii au fost obinute deja mai sus i sunt:
a=
Y f (x ) g (x ) Y g (x ) f (x ) g (x )
i i
2
i i i i i
f (x ) g (x ) [ f (x ) g (x )]
2 2 2
i i i i
- 39 -
b=
f (x ) Y g (x ) f (x ) g (x ) Y f (x )
2
i i i i i i i
f (x ) g (x ) [ f (x ) g (x )]
2 2 2
i i i i
Exemple de funcii liniare n necunoscutele a i b :
y(x ) = a x + b
N xi yi xi yi
a= ;
N xi2 [ xi ]2
b=
xi2 yi xi xi yi
2
N xi2 [ xi ]
a
y(x ) = + b ln ( x ) ;
x
y ln ( xi )
xi ln 2 (xi ) yi ln(xi ) xi
a= i
2
1 ln ( x )
2
2 ln (xi ) x i
xi i
1 ln ( xi ) y
x 2 yi ln(xi ) xi
i
xi
b= i
2
1 ln ( x )
2
x 2 ln (xi ) x i
i i
b
y ( x ) = a exp( x ) + + x;
x
1 1 exp( xi )
[yi xi ] exp(xi ) x 2 [yi xi ] x xi
i i
a=
2
2 exp( x ) 1
exp (xi ) 2 x i
xi i
- 40 -
1 exp( xi )
exp 2 (xi ) [yi xi ] x xi
[ yi xi ] exp( xi )
b= i
2
2 exp( x )
1
exp (xi ) x 2 x i
i i
Cazul funciilor neliniare n necunoscutele a i b
Funcia neliniar y ( x ) = (a f ( x ) + b g ( x ) + h( x )) :
Liniarizarea acestei funcii se face aplicnd ambilor membri ai egalitii

funcia invers 1 () :
1 ( y ( x )) = a f ( x ) + b g ( x ) + h( x )
fcnd notaiile:
Y ( x ) = 1 ( y ( x )) h(x )
Yi = 1 ( yi ) h( xi )
se obine modelul liniar:
Y (x ) = a f (x ) + b g (x )
avnd soluiile discutate deja mai sus:
Yi f ( xi ) g 2 ( xi ) Yi g ( xi ) f ( xi ) g ( xi )
a=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
f 2 ( xi ) Yi g ( xi ) f ( xi ) g ( xi ) Yi f ( xi )
b=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
Funcia neliniar y ( x ) = (a f ( x ) + b g ( x )) + h( x )
Liniarizarea acestei funcii se face parcurgnd urmtorul algoritm:

Fcnd notaiile:
- 41 -
Y ( x ) = 1 ( y ( x ) h( x ))
Yi = 1 ( yi h( xi ))
Y (x ) = a f (x ) + b g (x )
avnd soluiile:
a=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
b=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
Funcia neliniar y ( x ) = (a ) f (x ) + b g ( x ) + h( x )
Fcnd notaiile:
A = (a )
Y ( x ) = y ( x ) h( x )
Yi = yi h( xi )
Y (x ) = A f (x ) + b g (x )
ale crui soluii sunt:
A=
Yi f (xi ) g 2 (xi ) Yi g (xi ) f (xi ) g (xi )
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
a = 1 ( A )
- 42 -
b=
f 2 (xi ) Yi g (xi ) f (xi ) g (xi ) Yi f (xi )
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
Funcia neliniar y( x ) = (a ) f ( x ) + (b ) g ( x ) + h( x )
Observm n acest model existena celor dou funcii () i () . n

vederea liniarizrii sale se fac notaiile:
A = (a )
B = (b )
Y ( x ) = y ( x ) h( x )
Yi = yi h( xi )
obinndu-se modelul liniar
Y ( x ) = A f ( x ) + B g (x )
A=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
B=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
de unde rezult:
a = 1 ( A )
b = 1 (B )
- 43 -
Funcia neliniar y ( x ) = ( (a ) f ( x ) + (b ) g ( x )) + h( x )
Observm n acest model existena celor trei funcii () , () i () . n

vederea liniarizrii sale se fac notaiile:
A = (a )
B = (b )
Y ( x ) = 1 ( y ( x ) h( x ))
Yi = 1 ( yi h( xi ))
obinndu-se modelul liniar:
Y ( x ) = A f ( x ) + B g (x )
A=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
B=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
de unde rezult:
a = 1 ( A )
b = 1 (B )
Pn acum s-au discutat exclusiv modele construite pe baza unor sume de

funcii. n continuare vom analiza patru modele care vor conine i produse
de funcii.
- 44 -
Funcia neliniar y( x ) = a b g ( x ) + h( x )
Liniarizarea acestei funcii i obinerea celor mai probabile valori ale

parametrilor a i b presupun efectuarea urmtoarelor calcule n ordinea
indicat:
ln( y ( x ) h( x )) = ln(a ) + ln(b ) g ( x )
Y ( x ) = ln( y ( x ) h( x ))
Yi = ln ( yi h( xi ))
A = ln(a )
B = ln(b )
Y (x ) = A + B g (x )
A=
Y g (x ) Y g (x ) g (x )
i
2
i i i i
N g ( x ) [ g ( x )]
2 2
i i
N Yi g ( xi ) g ( xi ) Yi
B=
N g 2 ( xi ) [ g (x )]
i
2
a = exp( A)
b = exp( A)
Funcia neliniar y ( x ) = a g b ( x ) + h( x )

parametrilor a i b presupun efectuarea urmtoarelor calcule n ordinea
indicat:
ln( y ( x ) h( x )) = ln(a ) + b ln( g ( x ))
Y ( x ) = ln( y ( x ) h( x ))
- 45 -
A = ln(a )
G ( x ) = ln( g ( x ))
Y (x ) = A + b G(x )
A=
Y g (x ) Y g (x ) g (x )
i
2
i i i i
N g ( x ) [ g ( x )]
2 2
i i
a = exp( A)
b=
N g 2 ( xi ) [ g (x )]
i
2
Funcia neliniar y ( x ) = (a f ( x )) b g ( x ) + h( x )
1) Un prim algoritm, precis, de liniarizarea acestei funcii i obinerea

celor mai probabile valori ale parametrilor a i b const n efectuarea
urmtoarelor calcule n ordinea indicat:
ln( y ( x ) h( x )) ln(g ( x )) = ln( (a f ( x ))) + ln(b )
Y ( x ) = ln( y ( x ) h( x )) ln( g ( x ))
Yi = ln ( yi h( xi )) ln ( g ( xi ))
B = ln(b )
Y ( x ) = ln( (a f ( x ))) + B
Deoarece aceast ultim funcie este la rndul su neliniar i nu suport o

liniarizare analitic, continuarea algoritmului se face, n general, apelnd la
metode numerice bazate pe dezvoltare n serie Taylor aa cum vor fi ele
descrise n urmtorul capitol.
2) Un al doilea algoritm, aproximativ, presupune alegerea unei valori
acceptabile (cunoscute) b* pentru parametrul b i avem:
( )
ln ( y ( x ) h( x )) ln ( g ( x )) = ln ( (a f ( x ))) + ln b *
- 46 -
( )
Y ( x ) = ln ( y ( x ) h( x )) ln ( g ( x )) ln b *
Yi = ln ( yi h( x )) ln( g ( xi )) ln (b* )
Y ( x ) = ln( (a f ( x )))
exp(Y ( x )) = (a f ( x ))
1 (exp(Y ( x ))) = a f ( x )
1
a= 1 (exp(Yi )) f ( xi )
f (xi )
2
Funcia neliniar y( x ) = (a f ( x )) (b g ( x )) + h( x )

parametrilor a i b presupun efectuarea urmtoarelor calcul n ordinea
indicat:
ln( y ( x ) h( x )) = ln( (a f ( x ))) + ln( (b g ( x )))
Y ( x ) = ln( y ( x ) h( x ))
Y ( x ) = ln( (a f ( x ))) + ln( (b g ( x )))
i de aceast dat s-a obinut o ultim funcie neliniar ce nu suport o

liniarizare analitic, continuarea algoritmului fcndu-se apelnd la metode
numerice bazate pe dezvoltare n serie Taylor aa cum vor fi ele descrise n
capitolul urmtor.
Exemple de funcii neliniare n necunoscutele a i b, algoritmii de

liniarizare i soluiile asociate:
1
y (x ) =
ax +b
1
= ax+b
y(x )
- 47 -
x 1
N i xi
yi yi
a=
N xi2 [ xi ]2
1 x
xi2 y xi yi
b= i i
2
N xi2 [ xi ]
x
y (x ) =
a +b x
1 a
= +b
y(x ) x
1 1 1
N
xi yi xi yi
a=
2
1
1
N
xi2 xi
1 1 1 1
x2 y x x
i i i i yi
b=
2
1
1
N
xi2 xi
1
y(x ) =
a ln ( x ) + b
1
= a ln( x ) + b
y(x )
ln ( xi ) 1
N ln ( xi )
yi yi
a=
N ln 2 ( xi ) [ ln(xi )]2
- 48 -
1 x
ln 2 (xi ) y ln(xi ) yi
b= i i
2
2
N ln ( xi ) [ ln(xi )]
x
y(x ) =
a x2 + b
1 b
= ax+
y(x ) x
x 1 1
yi x 2 N x
i i i yi
a=
1
xi2 x 2 N 2
i
1 x
xi2 x N i
b= i yi yi
1
xi2 x 2 N 2
i
y ( x ) = b ln(a x )
y ( x ) = b ln(a ) + b ln( x )
A = b ln(a )
y ( x ) = A + b ln( x )
A=
ln 2 (xi ) yi ln(xi ) ln(xi ) yi
2
N ln 2 (xi ) [ ln ( xi )]
N ln ( xi ) yi ln (xi ) yi
b=
N ln 2 ( xi ) [ ln(xi )]2
- 49 -
A
a = exp
b
y ( x ) = a [x b]2
y 2 ( x ) = a [x b]2
Y (x ) = y 2 (x ) + x 2
Yi = yi2 + xi2
A = a b2
B = 2b
Y (x ) = A + B x
N xi Yi xi Yi
B= ;
N xi2 [ x ] i
2
A=
x Y x x Y
2
i i i i i
N x [ x ] 2 2
i i
B2
a = A+
4
B
b=
2
Fr a mai continua aceste demers, subliniem faptul c algoritmii MCMMP
i exemple adecvate se pot dezvolta n mod similar i n cazul a trei sau mai
muli parametri necunoscui a, b, c,... , att n cazul funciilor liniare ct i
pentru funcii neliniare n aceste necunoscute.
Listm n continuare alte cteva exemple de funcii particulare neliniare i
algoritmi de liniarizare, determinarea celor mai probabile valori ale
parametrilor n cauz presupunnd aplicarea imediat a unor formule de
calcul stabilite deja anterior:
- 50 -
Funcii neliniare cu doi parametri a i b
y = a xb
ln( y ) = ln(a ) + b ln( x )
ln( yi ) ln 2 ( xi ) ln( yi ) ln( xi ) ln( xi )

a = exp
N ln ( xi ) ln( xi )
2
[ 2
]

N ln ( yi ) ln ( xi ) ln ( xi ) ln( yi )
b=
N ln 2 ( xi ) [ ln(x )]i
2
y = a ln b ( x )
ln( y ) = ln(a ) + b ln(ln( x ))
ln ( yi ) ln 2 (ln (xi )) ln ( yi ) ln (ln (xi )) ln (ln (xi ))

a = exp
[
N ln (ln ( xi )) ln (ln ( xi ))
2 2
]

N ln ( yi ) ln (ln ( xi )) ln (ln ( xi )) yi
b=
N ln 2 (ln ( xi )) [ ln(ln(x ))] i
2
b
y = a exp
x
b
ln ( y ) = ln (a ) +
x
1 1 1
ln ( y )
i 2
xi
ln ( yi )
xi xi
a = exp 2
1 1
N
xi2 xi

- 51 -
1 1
N ln ( yi ) ln ( yi )
xi xi
b= 2
1 1
N 2
xi xi
y = a bx
ln( y ) = ln(a ) + x ln(b )
ln( yi ) xi2 ln( yi ) xi xi

a = exp
N xi2 xi
2
[ ]

N ln( yi ) xi xi ln( yi )
b = exp
N xi xi
2 2
[ ]

1
y = a b x
ln (b )
ln ( y ) = ln (a ) +
x
1 1 1
ln ( y )
i 2
xi
ln ( yi )
xi xi
a = exp 2
1 1
N 2
xi xi

N ln ( y ) 1 1
ln ( yi )
i
xi
xi
b = exp 2
1 1
N 2
xi xi
y = a x b x
ln( y ) = ln(a ) + b x ln( x )

- 52 -
ln ( yi ) xi2 ln 2 (xi ) ln ( yi ) xi ln( xi ) xi ln( xi )

a = exp
[
N xi ln ( xi ) xi ln (xi )
2 2 2
]

N ln( yi ) xi ln( xi ) xi ln( xi ) ln ( yi )

b = exp
[ ]
i i i
2
N x 2
ln 2
( xi ) x ln ( x )
b
y = ax x
ln ( x )
ln ( y ) = ln (a ) + b
x

ln ( y ) ln ( xi ) ln ( y ) ln ( xi ) ln ( xi )
2
i x2 i x x
i i i
a = exp 2
ln ( xi ) ln ( xi )
2

N 2

xi xi
ln ( xi ) ln( xi )
N ln ( yi ) ln ( yi )
xi xi
b= 2
ln 2 ( xi ) ln( xi )
N
xi3 xi
y = a x exp(b x )
y
ln = ln (a ) + b x
x
y y
ln i xi2 ln i xi xi
x

a = exp i xi

2
[
N xi xi ]2

- 53 -
y y
N ln i xi xi ln i
b= xi xi
N xi xi
2 2
[ ]
a exp(b x )
y=
x
ln( y x ) = ln(a ) + b x
ln ( yi xi ) xi2 ln( yi xi ) xi xi
a = exp
N xi2 xi [ 2
]

N ln ( yi xi ) xi xi ln( yi xi )
b=
N xi2 [ x ] i
2
b
a exp
y= x
x
b
ln ( y x ) = ln (a ) +
x
1 1 1
ln ( y x )
i i 2
xi
ln ( yi xi )
xi xi
a = exp 2
1 1
N 2
xi xi
1 1
N ln ( yi xi ) ln ( yi xi )
xi xi
b= 2
1 1
N 2
xi xi
- 54 -
y = a x b ln ( x )
y
ln = ln (a ) + b ln ( x )
ln ( x )

ln yi ln 2 ( xi ) ln yi ln (xi ) ln (xi )
ln ( x ) ln (x )
a = exp i i

N ln ( xi ) ln (xi )
2
[ 2
]

y y
N ln i ln ( xi ) ln( xi ) ln i
b= ln( xi ) ln ( xi )
N ln 2 ( xi ) ln( xi )[2
]
b
y = ax
ln(ln( y )) = b ln( x ) + ln(ln(a ))
ln (ln ( yi )) ln 2 ( xi ) ln (ln ( yi )) ln ( xi ) ln (xi )

a = exp exp
[ ]
i i
2
N ln 2
( x ) ln ( x )
N ln (ln ( yi )) ln ( xi ) ln ( xi ) ln (ln ( yi ))
b=
N ln 2 ( xi ) [ ln(x )] i
2
Funcii neliniare cu trei parametri a, b i c
1 1 x
y= = a +b x +
c y c
a + b x +
x
y = a b x xc ln( y ) = ln(a ) + x ln(b ) + c ln(x )
1
ln (b )
y = a b x xc ln ( y ) = ln (a ) + + c ln ( x )
x
- 55 -
[x b ]2
y = a exp ln( y ) = ln(a ) +
(x b )2
c c

[ln ( x ) b ]2
y = a exp ln( y ) = ln(a ) +
[ln(x ) b]2
c c

1 1
y= = a [x + b ]2 + c
2 y
a [x + b] + c
y = a x b [1 x ]c ln( y ) = ln(a ) + b ln( x ) + c ln(1 x )
y = a b [x c ]2 y 2 = a b [x c ]2
2
y = a x b x + c x ln ( y ) = ln (a ) + b x ln ( x ) + c x 2 ln (x )
(
y = a exp b x + c x ) ln ( y ) = ln (a ) + b x + c x
b b
y = a exp + c x ln ( y ) = ln (a ) + +cx
x x
b b
y = exp a + + c ln ( x ) ln ( y ) = a + + c ln ( x )
x x
Facem precizarea c, n cazul ultimelor funcii cu trei parametri necunoscui,

dup liniarizare se construiete suma S (a, b, c ) i se minimizeaz n raport
cu cei trei parametri punnd condiiile S (a, b, c ) a = 0 , S (a, b, c ) b = 0 ,
respectiv S (a, b, c ) c = 0 , Se obine, n final, un sistem de trei ecuaii cu
trei necunoscute ce se poate rezolva fr alte probleme.
- 56 -
MCMMP SERII TAYLOR
5. MCMMP SERII TAYLOR
Odat cu creterea gradului de acuratee a aproximrii datelor experimentale

cu modele analitice, acestea din urm ajung s conin funcii neliniare ce
nu mai pot fi liniarizate printr-o simpl transformare analitic. n acest caz
valorile parametrilor necunoscui se pot evalua, n general numeric,
utiliznd alte tipuri de transformri adecvate. O astfel de metod des
utilizat se bazeaz pe dezvoltarea n serie Taylor a funciei neliniare
iniiale, n puncte cunoscute, i obinerea unui al doilea set de ecuaii liniare
sau liniarizabile ca n urmtorul exemplu:
Funcia neliniar y ( x ) = (a f ( x )) + b g ( x ) + h( x )
Alegnd o valoare a * cunoscut, parametrului a se definete drept:
a = a* + a
i funcia () poate fi dezvoltat n seria Taylor (v. ANEXA B):
(a f ( x ))
(a f ( x )) = (a * f ( x )) + a +L
a a*
Derivata parial () a din al doilea termen din membrul drept al

egalitii de mai sus poate fi explicitat dac se pleac de la derivata parial
a funciei neliniare y ( x ) = (a f ( x )) + b g ( x ) + h( x ) n raport cu a , adic:
y ( x ) (a f ( x )) (b g (x ) + h( x ))
= +
a a a
Deoarece:
(b g ( x ) + h(x ))
=0
a
rezult:
- 57 -
MCMMP SERII TAYLOR
y ( x ) (a f ( x ))
=
a a
iar funcia neliniar y ( x ) = (a f ( x )) + b g ( x ) + h( x ) capt forma:
(a f ( x ))
(
y(x ) = a* f (x ) + )
a
a + L + b g ( x ) + h( x )
a*
adic:
y (x )
(
y(x ) = a* f (x ) + ) a + L + b g ( x ) + h( x )
a a*
Meninnd din seria Taylor numai primii doi termeni i fcnd notaiile:
(
Y ( x ) = y ( x ) a * f ( x ) h( x ))
(
Yi = yi a * f ( xi ) h( xi ) )
se obine modelul liniar n necunoscutele a i b :
y ( x )
Y (x ) = a + b g (x )
a a*
sau nc:
y (x )
F (x ) =
a a*
Y ( x ) = a F ( x ) + b g (x )
i avnd soluiile:
a =
Yi F ( xi ) g 2 ( xi ) Yi g ( xi ) F ( xi ) g ( xi )
F (x ) g (x ) [ F (x ) g (x )]
2 2 2
i i i i
a = a* + a
- 58 -
MCMMP SERII TAYLOR
b=
F (x ) Y g ( x ) F ( x ) g ( x ) Y F ( x )
2
i i i i i i i
F (x ) g (x ) [ F (x ) g (x )]
2 2 2
i i i i
Funcia neliniar y ( x ) = (a f ( x )) + (b g ( x )) + h( x )
Alegnd dou valori a * i b* cunoscute ale parametrilor a i b , se

definesc:
a = a* + a
b = b* + b
dup care funciile () i () se dezvoltat n seria Taylor:
(a f ( x ))
(a f ( x )) = (a * f ( x )) + a +K
a a*
(b g ( x ))
(b g ( x )) = (b* g ( x )) + b +K
b b*
Parcurgnd acelai algoritm ca n cazul anterior:
( ) ( )
Y ( x ) = y ( x ) a * f ( x ) b * g ( x ) h( x )
Yi = yi (a f ( x )) (b g ( x )) h( x )
*
i
*
i i
se obine modelul liniar n necunoscutele a i b :
y ( x ) y ( x )
Y (x ) = a + b
a a* b b*
sau, notnd:
y (x )
F (x ) =
a a*
y ( x )
G(x ) =
b b*
- 59 -
MCMMP SERII TAYLOR
avem ecuaia:
Y ( x ) = a F ( x ) + b G (x )
soluiile cutate fiind:
a =
Yi F ( xi ) G 2 ( xi ) Yi G ( xi ) F ( xi ) G ( xi )
F (x ) G (x ) [ F (x ) G(x )]
2 2 2
i i i i
b =
Y F ( x ) G (x ) Y G ( x ) F ( x ) G ( x )
i i
2
i i i i i
F (x ) G (x ) [ F (x ) G(x )]
2 2 2
i i i i
i, n final:
a = a* + a
b = b* + b
Funcia neliniar y ( x ) = ( (a f ( x )) + (b g ( x )) + h( x ))
Aplicnd ambilor termeni ai egalitii funcia invers 1 () avem:
1 ( y ( x )) = (a f ( x )) + (b g ( x )) + h( x )
adic se obine cazul modelului generalizat rezolvat anterior. Prin urmare,

dup alegerea celor dou valori a * i b* cunoscute ale parametrilor a i b
i dezvoltarea n serie Taylor, aplicnd algoritmul de mai sus se fac
notaiile:
) (( )
Y ( x ) = 1 ( y ( x )) a * f ( x ) b* g ( x ) h( x )
Yi = 1 ( y ) (a f (x )) (b g (x )) h(x )
i
*
i
*
i i
i se obine modelul liniar n necunoscutele a i b :
Y ( x ) = a F ( x ) + b G (x )
unde:
- 60 -
MCMMP SERII TAYLOR
y (x )
F (x ) =
a a*
y ( x )
G(x ) =
b b*
soluiile cutate fiind:
a =
Y F (x ) G (x ) Y G(x ) F (x ) G(x )
i i
2
i i i i i
F (x ) G (x ) [ F (x ) G(x )]
2 2 2
i i i i
b =
Y F ( x ) G (x ) Y G ( x ) F ( x ) G ( x )
i i
2
i i i i i
F (x ) G (x ) [ F (x ) G(x )]
2 2 2
i i i i
i, n final:
a = a* + a
b = b* + b
Prezentm mai jos cteva exemple de funcii liniarizabile prin algoritmi

aproximativi, o list mult mai bogat coninnd astfel de funcii putnd fi
consultat n ANEXA C.
Funcii neliniare cu doi parametri a i b
y = a [1 exp(b x )]
a = a*
( ) ( )
ln a * y ln a * = b x
1 a * yi
2
b= ln xi
i
x a *

y = a sin (b x )
a = a*
- 61 -
MCMMP SERII TAYLOR
y
arcsin * = b x
a
1 y
2
b= arcsin *i xi
xi a
y = a ln( x + b )
a = a*
y
exp * = x + b
a
1 y
b= exp *i xi
N a
Funcii neliniare cu trei parametri a, b i c
y = a + b exp(c x )
a = a*
( )
ln y a * = ln (b ) + c x
( ) (
ln yi a * xi2 ln yi a * xi xi
b = exp
)

N xi2 xi
2
[ ]

c=
( )
N ln yi a * xi xi ln yi a * ( )
N xi2 [ x ]
i
2
y = a xb + c
c = c*
( )
ln y c * = ln (a ) + b ln ( x )
- 62 -
MCMMP SERII TAYLOR
a = exp
( ) ( )
ln yi c * ln 2 (xi ) ln yi c * ln ( xi ) ln ( xi )

[ ]
i i
2
N ln 2
( x ) ln ( x )
b=
( )
N ln yi c * ln ( xi ) ln ( xi ) ln yi c * ( )
N ln 2 ( xi ) [ ln(x )] i
2
y = a exp(b exp(c x ))
a = a*
y
ln ln * = ln (b ) + c x
a
y y
ln ln *i xi2 ln ln *i xi xi

b = exp a a

N xi xi
2
[
2
]

y y
N ln ln *i xi xi ln ln *i
c= a a
N xi xi
2
[2
]
Dei pe parcursul acestui capitol nu s-a menionat n mod explicit, este
evident faptul c setul de msurtori {( xi , yi ), i = 1,2,..., N } va trebui s
satisfac cerinelor domeniului de definiie, respectiv ale codomeniului
pentru fiecare funcie elementar ce intr n construcia modelelor de
aproximare (v.[11).
ncheiem prezentul capitol reamintind faptul c MCMMP se aplic de o
manier asemntoare i pentru modelelor generalizate y = f ( x, z , a, b, c,...)
cu 2 variabile independente x i z (regresie multipl).
Din motive obiective lesne de neles nu abordm aici i aceste situaii, noi
rezumndu-se la a indica n ANEXA C cteva astfel de funcii ce se
folosesc, de obicei, n caracterizarea analitic a modelelor spaiale.
- 63 -
MCMMP SERII TAYLOR
Evident, n aceste cazuri vom avea ca date de intrare seturi de msurtori se
tipul {( xi , yi , zi ) | xi , yi , zi R; i = 1,2,K, N } , adic un set de N triplete
(xi , yi , zi )
reprezentnd coordonatele unui numr N de puncte plasate ntr-
un sistem cartezian 3D.
n Fig.4 se prezint un caz de aproximare a datelor experimentale cu
B D
modelul (x, T ) = x (x ) T (T ) = exp A +
+ C ln x exp + E ln T
x T
tridimensional (v.[15]):
a) b)
Fig.4 - Modelare tridimensional cu MCMMP
a) date experimentale b) model teoretic
- 64 -
CONCLUZII
CONCLUZII
Un model matematic poate fi construit chiar i numai pe baza unor concepte

abstracte. Totui, dac modelul este destinat explicrii unui fenomen real,
atunci sunt necesare observaii i/sau msurtori (date numerice) din lumea
real destinate confruntrii cu modelul teoretic. Interaciunea dintre aceste
date i modelul testat se poate realiza n trei moduri (v.[12]):
Datele sunt necesare pentru a sugera un model adecvat. Modelul, numit

i empiric, se bazeaz exclusiv pe date.
Datele sunt necesare pentru a estima valorile parametrilor ce apar n

model. Aceast situaie se mai numete i calibrarea modelului.
Datele sunt necesare testrii modelului.

Se ntmpl adesea ca datele iniiale s nu fie suficiente pentru a construi un
model bun, caz n care vor fi necesare date suplimentare. Se pune problema
(v.[12]):
Ce nseamn date relevante? Mai exact, ce tip de date sunt necesare?
Cum se pot obine date relevante?
Sub ce form trebuie s fie datele necesare?

Odat culese aceste date, trebuie decise tehnicile ce trebuie folosite pentru a
gsi un model adecvat. Avem dou grupe majore de tehnici:
Interpolarea determinarea unei funcii care trece prin toate punctele

definite de msurtori. Aceast funcie se numete i curb de
interpolare.
Regresia determinarea unei funcii care s fie ct mai aproape posibil

de toate punctele definite de msurtori. Aceast funcie se numete i
curb de regresie.
- 65 -
CONCLUZII
Uneori s-ar putea s fie necesar o combinaie a celor dou metode, mai ales
atunci cnd curba de interpolare este prea complicat, iar cea mai bun
curb de regresie nu ofer o acuratee suficient.
Dup cum pot exista i situaii n care este mai bine ca, n loc s se
foloseasc o singur funcie, modelarea datelor s se fac cu ajutorul unor
funcii definite pe poriuni (v.[11])
Se cunosc numeroase produse software (Microsoft Office Excel, Matlab,
Wolfram Mathematica, Origin, LabFit, CurveExpert etc.) ce permit
evaluarea celor mai probabile valori ale parametrilor unei curbe de regresie,
respectiv a Coeficientului de determinare aferent. Majoritatea acestor
instrumente de prelucrare abordeaz n primul rnd modele precum:
Modelul liniar y = a x + b . Datele sunt liniare dac intervalelor

echidistante xi +1 xi = const. ale variabilei independente le corespund
intervale echidistante yi +1 yi = const. ale variabilei dependente.
Modelul ptratic y = a x 2 + b x + c . Datele sunt ptratice dac

prezint un minim sau un maxim i, n plus, valorilor echidistante
xi +1 xi = const. ale variabilei independente le corespund valori
echidistante [ yi + 2 yi +1 ] [ yi +1 yi ] = const. ale diferenelor dintre
intervale [ yk +1 yk ] consecutive.
Modelul cubic y = a x 3 + b x 2 + c x + d . Datele sunt cubice dac

prezint un minim i un maxim.
Modelul quadratic y = a x 4 + b x 3 + c x 2 + d x + e . Datele sunt

quadratice dac prezint dou minime i un maxim, sau dou maxime
i un minim.
Modelul exponenial y = a b x i y = a e k x . Datele sunt exponeniale

dac prezint un gradient procentual constant de variaie. Dac k > 0
atunci funcia este cresctoare i dac k < 0 funcia este descresctoare.
Modelul logaritmic y = a + b ln( x ) . Dac b > 0 , atunci funcia este

cresctoare. Dac b < 0 , atunci funcia este descresctoare. Datele sunt
logaritmice dac prezint o cretere la nceput rapid i apoi din ce n
ce mai lent.
- 66 -
CONCLUZII
c
Modelul logistic y = . Dac b > 0 funcia este cresctoare.
1 + a e b x
Pentru cazul b > 0 , datele sunt logistice dac prezint o cretere la
nceput lent, apoi accelerat i apoi din nou din ce n ce mai lent.
Modelul putere y = a x b . Dac a > 0 funcia este cresctoare pentru

b > 0 , respectiv descresctoare pentru b < 0 . Pentru cazul b > 0 , datele
sunt de tip putere dac o cretere a variabilei independente x cu un
factor t conduce la o cretere a variabilei dependente y cu factorul t b .
Funcia putere cresctoare nu crete la fel de rapid ca funcia
exponenial cresctoare.
Modelul sinusoidal y = a sin (b x + c ) + d . Este adecvat datelor ce

prezint o oarecare periodicitate. Desigur, a este amplitudinea, b este
perioada, c este faza (deplasarea pe orizontal) i d este deplasarea pe
vertical.
Fiind gndit s vin n ntmpinarea celor care, avnd cunotine despre
mecanismele MCMMP, doresc s-i elaboreze propriile programe de analiz
de regresie standard de predicie, prezenta carte rezolv i ofer cititorului o
colecie de modele generale aplicabile n prelucrarea i interpretarea datelor
experimentale. Dei demonstraiile noastre s-au restrns la doar doi
parametri necunoscui a i b , algoritmii calcul prezentai pot fi aplicai cu
uurina i funciilor cu 3, 4, 5, ..., parametri. La fel, MCMMP se aplic n
mod similar i modelelor (funciilor) cu dou (sau mai multe) variabile
independente x, z ,... (v. ANEXA C).
Adoptnd o manier de cretere gradual a dificultii de calcul, pe
parcursul lucrrii au fost abordate urmtoarele modele generalizate (nsoite
de exemple adecvate):
Funcii cu un singur parametru necunoscut a
Funcia constant y ( x ) = a
1 N
a= yi
N i =1
- 67 -
CONCLUZII
Funcia liniar y ( x ) = a f ( x )
1
a= yi f ( xi )
f 2 ( xi )
Funcia liniar y ( x ) = a f ( x ) + g (x)
1
a= [ yi g ( xi )] f (xi )
f 2 ( xi )
Funcia neliniar y ( x ) = (a f ( x ) + g (x) )
1
a= [ ]
1 ( yi ) g ( xi ) f ( xi )
f 2 ( xi )
Funcia neliniar y ( x ) = (a f ( x )) + g (x)
1
a= 1 ( y i g ( xi )) f ( xi )
f 2 ( xi )
Funcia neliniar y( x ) = (a ) f ( x ) + g (x)
1
a = 1

i
[ y g ( x )] f ( x )
i

i
f 2
( xi )
Funcia neliniar y ( x ) = ln( (a ) f ( x ))
a) Liniarizarea prin exponeniere:
1
a = 1 exp( yi ) f ( xi )

f ( xi )
2

a) Liniarizarea prin logaritmare:
1
a = 1 exp [ yi ln ( f (xi ))]
N
- 68 -
CONCLUZII
Funcii cu doi parametri necunoscui a i b
Funcia liniar y ( x ) = a f ( x ) + b g ( x )
a=
y f ( x ) g ( x ) y g ( x ) f ( x ) g (x )
i i
2
i i i i i
f (x ) g (x ) [ f (x ) g (x )]
2 2 2
i i i i
b=
f (x ) y g (x ) f (x ) g (x ) y f (x )
2
i i i i i i i
f (x ) g (x ) [ f (x ) g (x )]
2 2 2
i i i i
Funcia liniar y ( x ) = a f ( x ) + b g ( x ) + h( x )
Y ( x ) = y ( x ) h( x )
Yi = yi h( xi )
a=
Y f (x ) g (x ) Y g (x ) f (x ) g (x )
i i
2
i i i i i
f (x ) g (x ) [ f (x ) g (x )]
2 2 2
i i i i
b=
f (x ) Y g (x ) f (x ) g (x ) Y f (x )
2
i i i i i i i
f (x ) g (x ) [ f (x ) g (x )]
2 2 2
i i i i
Funcia neliniar y ( x ) = (a f ( x ) + b g ( x ) + h( x )) :
Y ( x ) = 1 ( y ( x )) h(x )
Yi = 1 ( yi ) h( xi )
a=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
b=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
- 69 -
CONCLUZII
Funcia neliniar y ( x ) = (a f ( x ) + b g ( x )) + h( x )
Y ( x ) = 1 ( y ( x ) h( x ))
Yi = 1 ( yi h( xi ))
a=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
b=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
Funcia neliniar y ( x ) = (a ) f (x ) + b g ( x ) + h( x )
A = (a )
Y ( x ) = y ( x ) h( x )
Yi = yi h( xi )
A=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
a = 1 ( A )
b=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
Funcia neliniar y( x ) = (a ) f ( x ) + (b ) g ( x ) + h( x )
A = (a )
B = (b )
Y ( x ) = y ( x ) h( x )
- 70 -
CONCLUZII
Yi = yi h( xi )
A=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
B=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
a = 1 ( A )
b = 1 (B )
Funcia neliniar y ( x ) = ( (a ) f ( x ) + (b ) g ( x )) + h( x )
A = (a )
B = (b )
Y ( x ) = 1 ( y ( x ) h( x ))
Yi = 1 ( yi h( xi ))
A=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
B=
2
f 2 (xi ) g 2 (xi ) [ f (xi ) g (xi )]
a = 1 ( A )
b = 1 (B )
Funcia neliniar y( x ) = a b g ( x ) + h( x )
Y ( x ) = ln( y ( x ) h( x ))
- 71 -
CONCLUZII
A = ln(a )
B = ln(b )
Y (x ) = A + B g (x )
A=
Y g (x ) Y g (x ) g (x )
i
2
i i i i
N g ( x ) [ g ( x )]
2 2
i i
B=
N g 2 ( xi ) [ g (x )] i
2
a = exp( A)
b = exp( A)
Funcia neliniar y ( x ) = a g b ( x ) + h( x )
Y ( x ) = ln( y ( x ) h( x ))
A = ln(a )
G ( x ) = ln( g ( x ))
Y (x ) = A + b G(x )
A=
Y g (x ) Y g (x ) g (x )
i
2
i i i i
N g ( x ) [ g ( x )]
2 2
i i
a = exp( A)
b=
N g 2 ( xi ) [ g (x )]
i
2
- 72 -
CONCLUZII
Funcia neliniar y ( x ) = (a f ( x )) b g ( x ) + h( x )
1) Un algoritm, precis:
Y ( x ) = ln( y ( x ) h( x )) ln( g ( x ))
Yi = ln ( yi h( xi )) ln ( g ( xi ))
B = ln(b )
Y ( x ) = ln( (a f ( x ))) + B
a = a* + a
urmeaz dezvoltarea n serii Taylor i determinarea necunoscutelor

a i B
2) Un algoritm, aproximativ:
b = b*
( )
Y ( x ) = ln ( y ( x ) h( x )) ln ( g ( x )) ln b *
Yi = ln ( yi h( x )) ln( g ( xi )) ln b* ( )
1 (exp(Y ( x ))) = a f ( x )
1
a= 1 (exp(Yi )) f ( xi )
f ( xi )
2
Funcia neliniar y( x ) = (a f ( x )) (b g ( x )) + h( x )
Y ( x ) = ln( y ( x ) h( x ))
Y ( x ) = ln( (a f ( x ))) + ln( (b g ( x )))
a = a* + a
- 73 -
CONCLUZII
b = b* + b
urmeaz dezvoltarea n serii Taylor i determinarea necunoscutelor

a i b
Funcia neliniar y ( x ) = (a f ( x )) + b g ( x ) + h( x )
a = a* + a
y ( x )
(
y(x ) = a* f (x ) + )
a + b g ( x ) + h( x )
a a*
(
Y ( x ) = y ( x ) a * f ( x ) h( x ) )
(
Yi = yi a * f ( xi ) h( xi ) )
y ( x )
F (x ) =
a a*
Y ( x ) = a F ( x ) + b g (x )
a =
Y F (x ) g (x ) Y g (x ) F (x ) g (x )
i i
2
i i i i i
F (x ) g (x ) [ F (x ) g (x )]
2 2 2
i i i i
a = a* + a
b=
F (x ) Y g ( x ) F ( x ) g ( x ) Y F ( x )
2
i i i i i i i
F (x ) g (x ) [ F (x ) g (x )]
2 2 2
i i i i
Funcia neliniar y ( x ) = (a f ( x )) + (b g ( x )) + h( x )
a = a* + a
b = b* + b
(a f ( x ))
(a f ( x )) = (a * f ( x )) + a +K
a a*
- 74 -
CONCLUZII
(b g ( x ))
(b g ( x )) = (b* g ( x )) + b +K
b b*
( ) ( )
Y ( x ) = y ( x ) a * f ( x ) b * g ( x ) h( x )
Yi = yi (a f ( x )) (b g ( x )) h( x )
*
i
*
i i
y ( x ) y ( x )
Y (x ) = a + b
a a* b b*
y (x )
F (x ) =
a a*
y ( x )
G(x ) =
b b*
Y ( x ) = a F ( x ) + b G (x )
a =
Y F (x ) G (x ) Y G(x ) F (x ) G(x )
i i
2
i i i i i
F (x ) G (x ) [ F (x ) G(x )]
2 2 2
i i i i
b =
Yi F ( xi ) G 2 (xi ) Yi G ( xi ) F ( xi ) G ( xi )
F (x ) G (x ) [ F (x ) G(x )]
2 2 2
i i i i
a = a* + a
b = b* + b
Funcia neliniar y ( x ) = ( (a f ( x )) + (b g ( x )) + h( x ))
1 ( y ( x )) = (a f ( x )) + (b g ( x )) + h( x )
a = a* + a
b = b* + b
- 75 -
CONCLUZII
) (( )
Y ( x ) = 1 ( y ( x )) a * f ( x ) b* g ( x ) h( x )
Yi = 1 ( y ) (a f (x )) (b g (x )) h(x )
i
*
i
*
i i
y (x )
F (x ) =
a a*
y ( x )
G(x ) =
b b*
Y ( x ) = a F ( x ) + b G (x )
a =
Yi F ( xi ) G 2 ( xi ) Yi G ( xi ) F ( xi ) G ( xi )
F (x ) G (x ) [ F (x ) G(x )]
2 2 2
i i i i
b =
Y F ( x ) G (x ) Y G ( x ) F ( x ) G ( x )
i i
2
i i i i i
F (x ) G (x ) [ F (x ) G(x )]
2 2 2
i i i i
a = a* + a
b = b* + b
Evident, modelele de mai sus nu epuizeaz multitudinea unor astfel de

cazuri generale.
Pe de alt parte, nlocuind chiar i n aceste puine modele generale funciile
generice f ( x ) , g ( x ) , h( x ) , () , () , () ... cu oricare dintre funciile
{
elementare (sau combinaii ale acestora) r , x r , r x , exp(x ), ln ( x ),K | r R }
(v.[6] i ANEXA A), se obin un numr practic nelimitat de modele
particulare, cele mai ntlnite n prelucrarea i interpretarea datelor
experimentale fiind listate n ANEXA C.
MCMMP se poate aplica de o manier asemntoare i n cazul modelelor
generalizate cu 2 (3 i mai multe) variabile independente x, z ,K
n aceste situaii datele experimentale ce trebuie modelate vor proveni din

seturi de msurtori de tipul {( xi , yi , zi ) | xi , yi , zi R; i = 1,2,K, N } , adic un
- 76 -
CONCLUZII
set de N triplete ( xi , yi , zi ) reprezentnd coordonatele unui numr N de

puncte plasate ntr-un sistem cartezian tridimensional.
Important de reinut este i faptul c, dintr-o perspectiv pur matematic,
toate aceste modele abordeaz variabilele independente x i z , respectiv
variabila dependent y ca fiind adimensionale (sunt simple numere Reale).
Prin urmare, dac datele analizate provin din msurtori de mrimi fizice, o
atenie deosibit n alegerea modelului de regresie trebuie acordat unitilor
de msur.
n spiritul acestor ultime afirmaii, s analizm urmtorul exemplu:
n funcia logaritmic y = a + b ln ( x ) , parametrii a i b trebuie s aib

dimensiunea variabilei dependente y , iar variabila independent x trebuie
s fie adimensional. Dac i variabila x are o dimensiune fizic, atunci se
va alege modelul y = a + b ln ( x c ) unde c i x au aceeai dimensiune i
raportul x c este adimensional.
Consecine:
1) dac parametrul c are o valoare cunoscut c* (eventual c * = 1 ), atunci

( )
modelul y = a + b ln x c * este liniar n necunoscutele a i b .
2) dac i parametrul c este necunoscut, atunci modelul y = a + b ln ( x c )

este neliniar n necunoscutele a , b i c .
n sfrit, dei nu face obiectul prezentei lucrri, un domeniu de studiu
foarte important legat de utilizarea MCMMP este cel al erorilor cu care se
obin cele mai probabile valori ale parametrilor modelului de regresie
analizat. O abordare detaliat a problemei poate fi gsit n lucrarea P. H.
Richter (1995), Estimating Errors in Least-Squares Fitting, Progress Report
42-122, de la: ipnpr.jpl.nasa.gov/progress_report/42-122/122E.pdf
- 77 -
BIBLIOGRAFIE
[1.] https://en.wikipedia.org/wiki/Least_squares
[2.] https://fr.wikipedia.org/wiki/Mthode_des_moindres_carrs
[3.] https://ro.wikipedia.org/wiki/Metoda_celor_mai_mici_ptrate
[4.] https://en.wikipedia.org/wiki/Least-squares_function_approximation
[5.] https://en.wikipedia.org/wiki/Coefficient_of_determination
[6.] http://www.matematicon.ro/free-zone/definitii-si-formulen,ro
[7.] Bretscher, Otto (1995). Linear Algebra With Applications (3rd ed.). Upper
Saddle River, NJ: Prentice Hall
[8.] Stigler, Stephen M. (1981). Gauss and the Invention of Least Squares.
Ann. Stat. 9 (3): 465474.
[9.] Fuller, W. A. (1987). Measurement Error Models. John Wiley & Sons.
ISBN 0-471-86187-1
[10.] Yaakov (J) Stein (1983). Two Dimensional Euclidean Regression.
Conference on Computer Mapping, Herzelia, Israel, 1983
[11.] I. Constantinescu, D. Golumbovici, C. Militaru (1980). Prelucrarea
datelor experimentale cu calculatoare numerice. Editura Tehnic,
Bucureti
[12.] Lia Vas (2007). Mathematical Modeling. Empirical Models. University of
the Sciences, Philadelphia, USA
[13.] Corneliu Berbente, Sorin Mitran, Silviu Zancu (1998). Metode numerice,
Ed. Tehnic, Bucureti
[14.] V. Iorga, B. Jora, C. Nicolescu, I. Loptan, I. Ftu (1996). Programarea
numeric. Ed. Teora, Bucureti
[15.] C. Doca, L. Doca (2010), A Mathematical Approach Of The Self-
Disintegration Experimental Data. The Third Annual International
Conference on Sustainable Development through Nuclear Research and
Education NUCLEAR 2010, 26-28 Mai, Piteti, Romania
- 79 -
ANEXA A
FUNCII ELEMENTARE N Microsoft Office Excel
ABS = Calculeaz valoarea absoluta a unui numr

ACOS = Calculeaz arc-sinusul unui numr
ACOSH = Calculeaz arc-cosinusul hiperbolic al unui numr
ASIN = Calculeaz arc-sinusul unui numr
ASINH = Calculeaz arc-sinusul hiperbolic al unui numr
ATAN = Calculeaz arc-tangenta unui numr
ATANH = Calculeaz arc-tangenta hiperbolic a unui numr
COS = Calculeaz cosinusul unui unghi dat
COSH = Calculeaz cosinusul hiperbolic al unui unghi dat
EXP = Calculeaz numrul e la puterea exprimat de un numr
INT = Rotunjete un numr ctre cel mai apropiat ntreg
LN = Calculeaz logaritmul natural al unui numr
LOG = Calculeaz logaritmul unui numr ntr-o baz specificat
LOG10 = Calculeaz logaritmul n baz 10 al unui numr
POWER = Calculeaz rezultatul ridicrii unui numr la o putere
SIN = Calculeaz sinusul unui unghi dat
SINH = Calculeaz sinusul hiperbolic al unui unghi dat
SQRT = Calculeaz rdcina ptrat pozitiv
TAN = Calculeaz tangenta unui unghi dat
TANH = Calculeaz tangenta hiperbolic a unui unghi dat
- 81 -
ANEXA B
DEZVOLTAREA N SERIE TAYLOR
Teorem: Dac I este un interval deschis, f (t ) este o funcie n C m+1 (I ) i

t 0 I , atunci pentru orice t I se poate scrie:
m t
1 (k ) 1
f (t ) = f (t 0 )(t t 0 ) + f (m +1) ( )(t ) d
k m
(*)
k = 0 k! m! t0
Seria:
m
1 (k ) 1 1 (m )
(**) Pm (t ) = f (t 0 )(t t 0 ) = f (t 0 ) + f (1) (t 0 )(t t 0 ) + L +
k m
f (t 0 )(t t 0 )
k =0 k ! 1! m!
se numete polinomul Taylor de ordinul m sau, nc, aproximaia lui Taylor

pentru f (t ) n apropierea abscisei t = t 0 .
Dac M este un numr astfel nct f (m+1) ( ) M pentru toate valorile din
m
intervalul dintre t 0 i t, atunci, deoarece (t ) nu-i schimb semnul pe
acest interval, termenul rezidual din dezvoltarea (*) (numit i eroare de
aproximare) satisface condiia:
t t
1 M
f (m+1) ( )(t ) d
m
(t )m d = M t m +1
m! t0 m! t0 (m + 1)!
n cazul particular n care aproximaia lui Taylor se realizeaz n apropierea
abscisei t = 0 , nlocuind t 0 = 0 n polinomul (**) se obine dezvoltarea n
serie McLaurin:
1 (1) 1 (m )
f (t ) = f (0 ) + f (0 ) t + L + f (0 ) t m
1! m!
- 83 -
ANEXA C
FUNCII NTLNITE N MODELAREA TEORETIC
Funcii de o singur variabil independent x
Funcii cu un singur parametru a
1. y(x ) = a x
a
2. y (x ) = +x
x
1
3. y ( x ) = a x ln ( x ) +
x2
4. y ( x ) = exp(a x )
5. y(x ) = x a
6. y(x ) = a x
7. y ( x ) = ln(a x )
a
8. y ( x ) = ln
x
etc.
Funcii cu doi parametri a i b
9. y(x ) = a x + b
a
10. y(x ) = + b ln ( x )
x
b
11. y ( x ) = a exp( x ) + +x
x
- 85 -
1
12. y (x ) =
ax +b
x
13. y (x ) =
a +b x
1
14. y(x ) =
a ln ( x ) + b
x
15. y(x ) =
a x2 + b
16. y ( x ) = b ln(a x )
17. y ( x ) = a [x b]2
18. y(x ) = a x b
19. y ( x ) = a exp(b x )
20. y ( x ) = a ln b ( x )
b
21. y = a exp
x
22. y = a bx
1
23. y = a b x
24. y = a x b x
b
25. y = ax x
26. y = a x exp(b x )
- 86 -
a exp(b x )
27. y=
x
b
a exp
28. y= x
x
29. y = a x b ln ( x )
a xb
30. y=
ln ( x )
31. y = a [1 exp(b x )]
32. y = a sin (b x )
33. y = a cos(b x )
34. y = a sinh (b x )
35. y = a cosh (b x )
36. y = a ln( x + b )
etc.
Funcii cu trei parametri a, b i c
37. y = a + b x + c x2
38. y = a x + b x 2 + c x3
c
39. y = a +b x +
x
c
40. y = a + b x2 +
x
- 87 -
c
41. y = a +b x +
x2
b c
42. y=a+ +
x x2
1
43. y=
c
a + b x +
x
44. y = a b x xc
1
45. y = a b x xc
[x b ]2
46. y = a exp
c

[ln ( x ) b ]2
47. y = a exp
c

1
48. y=
a [x + b]2 + c
49. y = a x b [1 x ]c
c
x x
50. y = a exp
b b
51. y = a b [x c ]2
52. y = a x b + c x
c
b+
53. y = ax x
- 88 -
54. y = a x b + c ln ( x )
2
55. y = a x b x + c x
56. (
y = a exp b x + c x )
b
57. y = a exp + c x
x
b
58. y = exp a + + c ln ( x )
x
59. y = a + b exp(c x )
60. y = a xb + c
61. y = a exp(b exp(c x ))
a+x
62. y=
b +cx
a+ x
63. y=
b + c x2
64. y = a [exp(b x ) exp(c x )]
a
65. y=
1 + b exp(c x )
a
66. y=
b + xc
a
67. y=
[1 + b x ] c 2
68. y = [a + b x ]c
- 89 -
69. [
y = a +b x ]c
1
70. y=
a + b xc
b
71. y = a exp + c
x
1
72. y= +c
ax+b
x
73. y= +c
a + b x
1
74. y=
[a + b x ]
2 c
75. y = a ln b ( x ) + c
76. y = a ln( x + b ) + c
a
77. y= + b xc
x
a c
78. y= + b exp
x x
a
79. y= + b exp(c x )
x
80. y = a (x b )2 + c
81. y = a x b ln ( x + c )
82. y = a xb + c
- 90 -
1
83. y = a b x +c
84. y = a x b x + c
b
85. y = axx +c
1
86. y= +c
a + b ln ( x )
87. ( )
y = a exp b x c
88. y = a ln c (x + b )
c
89. y = a x b x
x
90. y=
a +b x +c x
1
91. y= +cx
a + b ln (x )
1
92. y= + c ln ( x )
a + b ln ( x )
93. y = a [x b ]2 + c x
94. y = a [x b]2 + c ln ( x )
b
95. y = axc + c ln ( x )
b
96. y = ax x +cx
97. y = a sin (b x + c )
- 91 -
98. y = a cos(b x + c )
99. y = a tan (b x + c )
100. y = a sin (b x ) + c
101. y = a cos(b x ) + c
102. y = a tan (b x ) + c
103. y = a sinh (b x ) + c
104. y = a cosh (b x ) + c
105. y = a sinh (b x ) + c x
106. y = a cosh (b x ) + c x
107. y = a sinh (b x ) + c x 2
108. y = a cosh (b x ) + c x 2
109. y = a sinh (b x ) + c ln( x )
110. y = a cosh (b x ) + c ln( x )
111. y = a sinh (b x ) + c ln 2 ( x )
112. y = a cosh (b x ) + c ln 2 ( x )
etc.
Funcii cu patru parametri a, b, c i d
113. y = a xb + c x d
114. y = a exp(b x ) + c exp(d x )
115. y = a sin (b x + c ) + d
- 92 -
116. y = a cos(b x + c ) + d
117. y = a tan (b x + c ) + d
118. y = a cos(d x ) + b cos(2 d x ) + c cos(3 d x )
119. y = a x b + c exp(d x )
a + b xc
120. y=
d + xc
1
121. y=
[a + b exp(c x )]d
122. y = a exp(b exp(c x )) + d
a
123. y= +d
1 + b exp(c x )
a
124. y= +d
[1 + b x ] c 2
125. y = [a + b x ]c + d
126. [
y = a + b x ]c + d
1
127. y= +d
a + b xc
128. ( )
y = a exp b x c + d
a +b x
129. y=
1+ c x + d x2
c
130. y = a x b x + d
- 93 -
d
131. y = a x b + c exp
x
x
132. y= +d
a +b x +c x
1
133. y= +d
[a + b x ] 2 c
a
134. y= + b xc + d
x
a c
135. y= + b exp + d
x x
a
136. y= + b exp(c x ) + d
x
137. y = a ln c (x + b ) + d
138. y = a b x xc + d
1
139. y = a b x xc + d
[ln ( x ) b ]2
140. y = a exp +d
c

1
141. y= +d
a [x + b ]2 + c
c
x x
142. y = a exp + d
b b
[x b ]2
143. y = a exp +d
c

- 94 -
1
144. y= +d
c
a + b x +
x
145. y = a xb + c x + d
c
b+
146. y = ax x +d
147. y = a x b + c ln ( x ) + d
2
148. y = a x b x + c x + d
149. (
y = a exp b x + c x + d )
b
150. y = a exp + c x + d
x
a+x
151. y= +dx
b+cx
a+x
152. y= +d
b + c x2
153. y = a b [x c ]2 + d
154. y = a b [x c ]2 + d x
155. y = a ln c (x + b ) + d x
156. y = a ln c ( x + b ) + d x 2
157. y = a b x xc + d x
1
158. y = a b x xc + d x
- 95 -
[ln ( x ) b ]2
159. y = a exp +d x
c

1
160. y= +dx
a [x + b]2 + c
c
x x
161. y = a exp + d x
b b
[x b ]2
162. y = a exp +d x
c

1
163. y= +dx
c
a + b x +
x
164. y = a x b + c x + d x
c
b+
165. y = ax x +dx
166. y = a x b + c ln ( x ) + d x
2
167. y = a x b x + c x + d x
168. (
y = a exp b x + c x + d x)
b
169. y = a exp + c x + d x
x
a+x
170. y= + d x2
b+cx
a+x
171. y= +dx
b + c x2
- 96 -
172. y = a b [x c ]2 + d x 2
173. y = a b [x c]2 + d x 3
174. y = a ln c ( x + b ) + d ln ( x )
175. y = a ln c ( x + b ) + d ln 2 (x )
176. y = a b x x c + d ln ( x )
1
177. y = a b x x c + d ln (x )
[ln ( x ) b] 2
178. y = a exp + d ln ( x )
c

1
179. y= + d ln ( x )
a [x + b ]2 + c
c
x x
180. y = a exp + d ln( x )
b b
[x b]2
181. y = a exp + d ln ( x )
c

1
182. y= + d ln ( x )
c
a + b x +
x
183. y = a x b + c x + d ln ( x )
c
b+
184. y = ax x + d ln (x )
185. y = a x b + c ln ( x ) + d ln ( x )
- 97 -
2
186. y = a x b x + c x + d ln( x )
187. ( )
y = a exp b x + c x + d ln ( x )
b
188. y = a exp + c x + d ln (x )
x
a+x
189. y= + d ln 2 (x )
b+cx
a+x
190. y= + d ln (x )
b + c x2
191. y = a b [x c]2 + d ln ( x )
192. y = a b [x c ]2 + d ln 2 ( x )
etc.
Funcii cu cinci i mai muli parametri a, b, c, d, e,...
193. y = a x b + c exp(d x ) + e
194. y = a xb + c x d + e
y = a x b [c x ]
d
195.
y = a x b [c x ] + e
d
196.
a + b xc
197. y= +e
d + xc
1
198. y= +e
[a + b exp(c x )]d
d
199. y = a x b + c exp + e
x
- 98 -
200. y = a cos(e x + d ) + b cos(2 e x + d ) + c cos(3 e x + d )
201. y = a cos(e x + d ) + b cos(2 e x + d ) + c cos(3 e x + d ) + f
etc.
Funcii de dou variabile independente x i z
Funcii cu doi parametri a, b
1. y = a x + b z2
2. y = a xb z 2
x
3. y=
a +b z
x
4. y=
a + b z2
5. y = a x b z
b
6. y = a xz
etc.
Funcii cu trei parametri a, b i c
7. y = a bx zc
b
x
8. y = y + c
z
b c
9. y=a+ +
x z2
c
10. y = a + b x +
z2
- 99 -
c
x z
11. y = exp
b b
etc.
Funcii cu patru i mai muli parametri a, b, c, d ...
12. a x b z c + d
1
13. a b c z + d
x
a d
14. y = + b exp(c x ) + 2
x x
c
x z
15. y = a exp + d
b b
(
16. y = a exp b x + c z 2 + d )
a c
17. y = + b exp + d ln ( z )
x x
18. y = a x 3 + b x 2 + c x + d z + e
19. y = a
(
exp [x b]
2
+
)
[z d ] 2
c e
20. y = a
(
exp [ln( x ) b]
+
2
)
[ln(z ) d ] 2
c e
etc.
- 100 -
ANEXA D
PERSONALITI REFERITE
Roger Cotes
(10 Iulie 1682 5 Iunie 1716)
Matematician englez care a lucrat alturi de Isaac Newton pentru corectura
celei de a doua ediii a faimoase cri Principa nainte de publicare. Este
cunoscut pentru rezultate deosebite n studiul spiralei logaritmice i al celor
mai mici ptrate, a inventat formulele de quadratur cunoscute ca formulele
Newton-Cotes, a introdus primul ceea ce astzi sunt cunoscute drept
formulele lui Euler i a analizat conceptul de radian. A fost primul Plumian
Professor la Universitatea Cambridge din 1707 pn n 1716.
Credit: https://en.wikipedia.org/wiki/Roger_Cotes
- 101 -
Tobias Mayer
(17 Februarie 1723 20 Februarie 1762)
Astronom german faimos pentru studiile sale despre Lun. Matematician
autodidact, i-a ctigat existena prednd matematica nc de tnr. A
publicat dou lucrri originale n domeniul geometriei. n 1746 a intrat la
Institutul Cartografic al lui J.B. Homann din Nuremberg. Aici a introdus
numeroase mbuntiri n desenarea harilor i a cptat o reputaie
tiinific care l-a condus la alegerea sa n 1751 n catedra de economie i
matematic la Universitate din Gttingen. n 1754 devine superintendent
(conductor) la observator, unde a lucrat pn n 1762.
Credit: https://en.wikipedia.org/wiki/Tobias_Mayer
- 102 -
Pierre-Simon Laplace
(23 Martie 1749 5 Martie 1827)
Influent savant francez a crui activitate tiinific a fost important n

dezvoltarea matematicii, statisticii, fizicii i astronomiei. A rezumat i
dezvoltat munca predecesorilor si n lucrarea sa Mcanique Cleste
(Mecanica cereasc) (cinci volume, 1799-1825). Aceast lucrare a transpus
studiul geometric al mecanicii clasice n studiul bazat pe analiza
matematic, deschiznd vast domeniu de probleme. n statistic,
interpretarea bayesian a probabilitii a fost dezvoltat n primul rnd de
Laplace.
Credit: https://en.wikipedia.org/wiki/Pierre-Simon_Laplace
- 103 -
Roger Joseph Boscovich
(18 Mai 1711 13 Februarie 1787)
Croat de origine, din Dubrovnik, a fost fizician, astronom, matematician,
filozof, diplomat, poet, teolog, preot iezuit, deinnd un volum enciclopedic
de cunotine, a studiat i a trit n Italia i Frana unde a i publicat
numeroase lucrri. A elaborat un precursor al teoriei atomice i a avut
numeroase contribuii n astronomie. A elaborat prima procedur geometric
de determinare a ecuatorului unei planete aflat n rotaie pe baza a trei
observaii ale comportrii suprafeei, respectiv pentru calcularea orbitei unei
planete din trei observaii ale poziiei acesteia. n 1753 a descoperit absena
atmosferei pe Lun.
Credit: https://en.wikipedia.org/wiki/Roger_Joseph_Boscovich
- 104 -
Adrien-Marie Legeandre
(18 Septembrie 1752 10 Ianuarie 1833)
Matematician francez care a avut numeroase contribuii n matematic. Lui
i aparin binecunoscutele i importante concepte precum polinoamele
Legendre. transformrile Legeandre. Multe din lucrrile sale au fost
perfecionate de alii cum ar fi: lucrarea sa asupra rdcinilor polinoamelor
inspirnd teoria lui Galois; lucrarea lui Abel despre funciile eliptice a fost
construit pe rezultatele lui Legeandre n studiul funciilor eliptice; unele
lucrri ale lui Gauss din statistic i teoria numerelor au completat cele ale
lui Legeandre. A dezvoltat i publicat primul metoda celor mai mici ptrate
(1806). n jurul anului 1811 a numit funcia gamma i a introdus simbolul ,
normaliznd-o prin (n+1) = n! n 1830 a gsit o demonstraie a Ultimei
teoreme a lui Fermat pentru exponentul n = 5.
Credit: https://en.wikipedia.org/wiki/Adrien-Marie_Legendre
- 105 -
Carl Friedrich Gauss
(30 Aprilie 1777 23 Februarie 1855)
Matematician german care a contribuit n mod semnificativ n numeroase
domenii incluznd teoria numerelor, algebr, statistic, analiz, geometrie
diferenial, geodezie, geofizic, mecanic, electrostatic, astronomie, teoria
matricelor i optic. Denumit uneori Princeps mathematicorum (cel mai
remarcabil dintre matematicieni), Gauss a avut o influen excepional n
numeroase domenii ale matematicii i tiinei i este recunoscut ca fiind cel
mai influent matematician din istorie.
Credit: https://en.wikipedia.org/wiki/Carl_Friedrich_Gauss
- 106 -
Giuseppe Piazzi
(16 Iulie 1746 22 Iulie 1826)
Italian, preot catolic din ordinul Theatine , matematician i astronom, el a
atestat actualul Osservatorio Astronomico di Palermo. Poate c cea mai
faimoas descoperire a sa a fost asteroidul Ceres.
Credit: https://en.wikipedia.org/wiki/Giuseppe_Piazzi
- 107 -
Johannes Kepler
(27 Decembrie 1571 15 Noiembrie 1630)
Matematician, astronom i astrolog german, figur cheie a revoluiei
tiinifice din secolul XVII, este cel mai bine cunoscut pentru legile privind
micarea planetar, stabilite pe baza lucrrilor sale Astronomia nova,
Harmonices Mundi i Epitome of Copernician Astronomy. Aceste lucrri au
oferit, de asemenea, bazele teoriei lui Isaac Newton a atraciei universale
(gravitaia universal).
Credit: https://en.wikipedia.org/wiki/Johannes_Kepler
- 108 -
Franz Xaver, Baron von Zach
(4 Iunie 1754 2 Septembrie 1832)
Astronom maghiar. A studiat fizica la Pesta (astzi Budapesta) i a predat la
Universitatea din Lemberg (azi Lviv, n Ucraina). A trit n Paris (1780-
1783) i n Londra (1783-1786) unde a intrat n cercurile unor astronomi
precum Joseph de Lalande, Pierre-Simon Laplace and William Herschel. n
1786 a fost numit de ctre Ernest II, Duce de Saxe-Gotha-Altenbyur,
director al noului observator (terminat n 1791) de pe dealul Seeberg din
Gotha. A organizat Poliia Celest, un grup de 24 de astronomi, n vederea
unei cutri sistematice a planetei lips prezis de legea Titius-Bode ntre
Marte i Jupiter, i care au descoperit accidental asteroidul Ceres.
Credit: https://en.wikipedia.org/wiki/Franz_Xaver_von_Zach
- 109 -
Robert Adrain
(30 Septembrie 1775 10 August 1843)
Matematician irlandez a crui carier a evoluat n USA. A fost considerat
unul dintre cele mai strlucitoare mini matematice ale timpului n America,
ntr-o perioad n care puini savani conduceau cercetri originale. Este
amintit n principal pentru studiile sale privind metoda celor mai mici
ptrate.
Credit: https://en.wikipedia.org/wiki/Robert_Adrain
- 110 -
Andrei Andreevici Markov
(14 Iunie 1856 20 Iulie 1922)
Matematician rus cunoscut cel mai bine pentru lucrrile sale privind
procesele stocastice. Subiecte importante al cercetrilor sale devin
cunoscute mai trziu ca Lanuri Markov, respectiv Procese Markov.
mpreun cu mai tnrul su frate Vladimir Andreevici Markov, au
demonstrat Inegalitatea frailor Markov. i fiul su, un alt Andrei
Andreevici Markov, a fost un matematician remarcabil, avnd contribuii n
Matematica constructiv i teoria funciilor recursive.
Credit: https://en.wikipedia.org/wiki/Andrey_Markov
- 111 -
Brook Taylor
(18 August 1685 29 Decembrie 1731)
Matematician englez cunoscut mai ales pentru Teorema lui Taylor i Seriile
Taylor. Studiind matematica sub conducerea lui Jon Machin i John Keil, la
nici 23 de ani (n 1708) a obinut o soluie remarcabil a problemei centrul
de oscilaii care, totui, a rmas nepublicat pn n Mai 1714 cnd
revendicarea lui asupra prioritii a fost disputat cu Johann Bernoulli.
Lucrarea sa Methodus Incrementorum Directa et Inversa (1715) a adugat o
direcie nou n matematicile superioare, cunoscut azi ca analiza
diferenelor finite. Printre alte aplicaii ingenioase, a utilizat aceast metod
pentru determinarea formei fibrei deformate a unui fir care vibreaz.
Credit: https://en.wikipedia.org/wiki/Brook_Taylor
- 112 -
ANEXA E
LICENIEREA GNU FDL
Aceasta este o traducere neoficial n limba romn a Licenei GNU pentru

Documentaie Liber (GNU Free Documentation Licence).
Textul original al licenei, n limba englez, se gsete i poate fi descrcat
de la: http://www.gnu.org/copyleft/fdl.html
Licena GNU pentru Documentaie Liber (GNU Free Documentation

Licence)
Versiunea 1.2 din noiembrie 2002.
Copyright (C) 2000, 2001, 2002 Free Software Foundation, Inc. 59 Temple
Place, Suite 330, Boston, MA 02111-1307 USA
Oricine poate copia i distribui copii identice ale acestui document, dar
modificarea lui nu este permis.
0. PREAMBUL
Scopul acestei Licene este de a conferi unui set de instruciuni, manual
colar sau altui document folositor "libertate", neleas n sensul urmtor:
asigur tuturor libertatea de a copia i redistribui textul, cu sau fr
modificri, n scopuri comerciale i necomerciale. Ca scop secundar,
aceast Licen rezerv pentru autor i editor dreptul de a fi creditai
pentru munca lor i de a nu fi responsabili pentru modificrile efectuate de
alii.
Aceast Licen confer un fel de "copyleft", ceea ce nseamn c lucrrile
derivate trebuie s fie i ele libere n sensul de mai sus. Aceast Licen este
inspirat de Licena Public General GNU (GNU General Public Licence,
- 113 -
GNU GPL), care este o licen similar conceput pentru a acoperi softul
liber.
Aceast Licen a fost scris pentru a acoperi manuale pentru soft liber,
pentru c softul liber necesit documentaie liber: un program trebuie
nsoit de manuale care ofer aceeai libertate n folosire ca i softul.
Aceast Licen nu este limitat la manuale pentru soft i poate fi folosit
pentru a acoperi orice lucrare, indiferent de subiect sau de modul de
publicare. Aceast Licen este recomandat n principal pentru lucrri
care servesc drept referin sau au fost scrise n scop de instruire.
1. APLICABILITATE I DEFINIII
Aceast Licen se aplic oricrui manual sau lucrri, n orice mediu, care
conine o not inclus de ctre deintorul dreptului de autor ce permite
distribuia sub acoperirea acestei Licene. Aceast not confer dreptul
universal (world-wide), fr indemnizaie i nelimitat ca durat de a folosi
aceast lucrare n condiiile descrise de aceast Licen. Termenul
"Documentul" folosit mai jos se refer la manualul sau lucrarea acoperit
de Licen. Orice membru al publicului este un beneficiar al acestei Licene
i va fi desemnat prin termenul "Dvs." sau prin folosirea persoanei a doua.
Se consider n mod automat c ai acceptat termenii acestei Licene dac
copiai, modificai sau distribuii Documentul ntr-un mod ce necesit
permisiunea autorului n conformitate cu legea drepturilor de autor.
O "Versiune Modificat" a Documentului este orice lucrare coninnd
Documentul sau o poriune din Document, copiat identic sau cu modificri
i / sau tradus ntr-o alt limb.
O "Seciune Secundar" este o anex cu titlu, sau o seciune menionat n
cuprins care are ca scop exclusiv descrierea relaiei editorilor sau a
autorilor Documentului cu subiectul Documentului (sau cu subiecte legate
de acesta) i care nu conine subiecte incluse n mod direct n subiectul
Documentului. (Aadar, dac Documentul este n parte manual de
matematic, o Seciune Secundar nu poate conine explicaii matematice.)
Relaia poate fi o conexiune istoric cu subiectul sau cu problemele nrudite
cu subiectul, sau puncte de vedere legale, comerciale, filozofice, etice sau
politice legate de acesta.
"Seciunile Invariante" sunt anumite Seciuni Secundare ale cror titluri
sunt specificate ca fiind titluri de Seciuni Invariante din Document n nota
ce permite distribuia Documentului sub acoperirea acestei Licene. Dac o
- 114 -
seciune nu este conform cu definiia de mai sus a unei Seciuni Secundare
ea nu poate fi desemnat drept Seciune Invariant. Documentul poate s nu
conin nici o Seciune Invariant. Dac Documentul nu specific nici o
Seciune Invariant se consider c nu exist nici una.
"Textele De Copert" sunt pasaje scurte de text care sunt listate ca Texte
Pentru Coperta I (coperta din fa) i Texte Pentru Coperta IV (coperta din
spate) n nota ce permite distribuia Documentului sub acoperirea acestei
Licene. Un Text Pentru Coperta I poate avea cel mult 5 cuvinte, iar un Text
Pentru Coperta IV poate avea cel mult 25 de cuvinte.
O copie "Transparent" a Documentului este o copie n format electronic,
reprezentat ntr-un format a crui specificaie este disponibil publicului,
care este uor de modificat folosind un editor de text generic sau (pentru
imagini compuse din pixeli) un editor grafic generic sau (pentru desene) un
editor larg rspndit de grafic vectorial, i care poate fi folosit de ctre
programe de formatare de text sau de ctre programe de conversie n alte
formate care pot fi folosite ca intrare de ctre programe de formatare a
textului. O copie fcut ntr-un format de fiier Transparent dar care prin
prezena sau absena anumitor elemente specifice formatului descurajeaz
sau mpiedic modificrile ulterioare nu este o copie Transparent. Un
format grafic - o imagine - nu este un format Transparent dac este folosit
pentru a reprezenta o cantitate substanial de text. O copie care nu este
"Transparent" este "Opac".
Exemple de formate compatibile cu copiile Transparente includ: text ASCII
fr marcare, format de intrare Texinfo, format de intrare LaTeX, SGML i
XML folosind un DTD public, HTML simplu i standard, fiiere PostScript
i PDF modificabile. Exemple de formate Transparente pentru imagine
includ PNG, XCF i JPG. Formatele Opace includ formate de text ce pot fi
citite i editate doar de procesoare de text particulare (proprietary), SGML
i XML pentru care DTD-ul i / sau uneltele de procesare nu sunt
disponibile, HTML generat automat, documente PostScript i PDF produse
de diverse procesoare de text exclusiv n scopul printrii / afirii.
"Pagina de Titlu" nseamn, pentru o carte tiprit, pagina cu titlul i
paginile urmtoare necesare pentru a tipri lizibil materialul care trebuie
tiprit conform acestei Licene pe Pagina de Titlu. Pentru lucrri care nu
au o pagin cu titlu propriu-zis "Pagina de Titlu" este textul aflat lng
principala apariie a titlului lucrrii, precednd nceputul corpului
Documentului.
- 115 -
O seciune "Numit XYZ" este o seciune din Document al crei titlu este fie
XYZ sau conine XYZ n paranteze dup textul care traduce XYZ n alt
limb. (Aici XYZ nlocuiete nume specifice ce vor fi menionate mai jos, ca
de exemplu "Mulumiri", "Dedicaii", "Giruri" (Endorsement) i "Istorie".)
A "Pstra Titlul" unei astfel de seciuni atunci cnd modificai Documentul
nseamn c aceasta rmne "Numit XYZ" conform acestei definiii.
Documentul poate include Limitri de Responsabilitate (Warranty
Disclaimers) ataate notificrii care afirm c aceast Licen se aplic
Documentului. Aceste Limitri de Responsabilitate se consider a fi incluse
pentru referin n aceast Licen: orice alte implicaii pe care aceste
Limitri de Responsabilitate le-ar putea avea sunt nule i nu au nici un efect
asupra nelesului acestei Licene.
2. COPII IDENTICE
Putei copia i distribui Documentul pe orice mediu, comercial sau
necomercial, atta timp ct aceast Licen, notificrile de drepturi de
autor i notificarea de licen care spune c aceast Licen se aplic
acestui Document sunt reproduse n toate copiile, i atta timp ct nu
adugai nici un fel de alt condiie n afar de cele prezente n aceast
Licen. Nu avei dreptul s luai msuri tehnice de a obstruciona sau
controla citirea sau recopierea copiilor pe care le facei sau le distribuii.
Avei totui dreptul s acceptai compensaii n schimbul copiilor. Dac
distribuii un numr suficient de mare de copii trebuie s respectai i
condiiile din seciunea 3.
Avei de asemenea dreptul s mprumutai copii n aceleai condiii ca cele
de mai sus, i avei dreptul s afiai copii.
3. COPIEREA N CANTITI MARI

Dac publicai copii tiprite (sau copii n medii care folosesc de obicei
coperte tiprite) ale Documentului, n numr mai mare de 100 i dac
notificarea de licen a Documentului cere Texte de Copert, trebuie s
includei copiile pe coperte care s conin, clar i lizibil, toate aceste Texte
de Copert: Textele Pentru Coperta I pe coperta I i Texte Pentru Coperta
IV pe coperta IV. Ambele coperte trebuie de asemenea s v identifice n
mod clar i lizibil ca editor al respectivelor copii. Coperta I trebuie s
prezinte titlul n ntregime, cu toate cuvintele din titlu la fel de vizibile i
proeminente. Putei aduga alte materiale pe copert n plus. Copierea cu
- 116 -
modificrile limitate la coperte, atta timp ct satisfac aceste condiii, pot fi
tratate n toate celelalte aspecte ca i copii identice.
Dac textele necesare pentru oricare dintre coperte sunt prea voluminoase
pentru a ncpea n mod lizibil, trebuie s le includei pe primele n ordinea
original (attea cte ncap n mod rezonabil) pe coperta efectiv i s
continuai cu restul pe pagini adiacente.
Dac publicai sau distribuii copii Opace ale documentului n numr mai
mare de 100, trebuie ori s includei cte o copie Transparent n format
electronic mpreun cu fiecare copie Opac, sau s specificai n sau
mpreun cu fiecare copie Opac o locaie de reea electronic la care
publicul general care folosete reeaua s aib acces pentru a descrca,
folosind un protocol standard public, copii complete Transparente ale
documentului, fr adugarea oricrui material adiional. Dac folosii a
doua opiune trebuie s facei demersuri rezonabil de prudente ca atunci
cnd ncepei distribuirea copiilor Opace s v asigurai c aceast copie
Transparent va rmne accesibil n acest fel la locaia respectiv timp de
cel puin un an dup distribuia ultimei copii Opace (n mod direct sau prin
ageni sau distribuitori) a acelei ediii pentru public.
Se cere, dar nu n mod necesar, s contactai autorii Documentului cu o
perioad bun nainte de a distribui orice cantitate mare de copii, pentru a
le da ocazia s v pun la dispoziie o versiune actualizat a Documentului.
4. MODIFICRI
Putei copia i distribui o Versiune Modificat a Documentului n condiiile
seciunilor 2 i 3 de mai sus, cu condiia de a acoperi Versiunea Modificat
sub exact aceast Licen, cu Versiunea Modificat innd locul
Documentului, astfel liceniind distribuirea i modificrile Versiunii
Modificate oricui intr n posesia unei copii ale acesteia. n plus, trebuie s
facei urmtoarele lucruri n Versiunea Modificat:
A) Folosii n Pagina de Titlu (i pe coperte, dac exist) un titlu diferit de
cel al Documentului, i de versiunile sale anterioare (care trebuie, dac
exist, s fie listate n seciunea de Istorie a Documentului). Putei folosi
acelai titlu ca o versiune anterioar dac editorul original al acelei
copii v d permisiunea.
B) Listai pe Pagina de Titlu, ca autori, una sau mai multe dintre
persoanele sau entitile responsabile n calitate de autori pentru
- 117 -
modificrile Versiunii Modificate, mpreun cu cel puin cinci dintre
autorii principali ai Documentului (toi autorii principali, dac are mai
puin de cinci), n afar de cazul c acetia v elibereaz de aceast
obligaie.
C) Includei pe Pagina de Titlu numele editorului Versiunii Modificate n
calitate de editor.
D) Pstrai toate notificrile de drepturi de autor ale Documentului.
E) Adugai o notificare de drepturi de autori relevant pentru modificrile
Dvs. adiacent celorlalte notificri de drepturi de autor.
F) Includei, imediat dup notificrile de drepturi de autor, o notificare de
licen dnd permisiune public de a folosi Versiunea Modificat n
condiiile acestei Licene, sub forma prezentat n Apendicele de mai
jos.
G) Pstrai n acea notificare de licen lista integral a Seciunilor
Invariante i Textele de Copert necesare date n notificarea de licen
a Documentului.
H) Includei o copie nealterat a acestei Licene.
I) Pstrai seciunea Numit "Istorie", Pstrai-i Titlul i adugai-i un
element care s indice mcar titlul, anul, noii autori i editorul Versiunii
Modificate aa cum este dat pe Pagina de Titlu. Dac nu exist o
seciune Numit "Istorie" n Document, creai una n care indicai titlul,
anul, autorii i editorul Documentului aa cum este dat pe Pagina de
Titlu al acestuia i apoi adugai un element care s descrie Versiunea
Modificat aa cum a fost cerut n fraza precedent.
J) Pstrai locaia de reea, dac exist, dat n Document pentru acces
public la o copie Transparent a Documentului, ct i locaiile de reea
date n Document pentru versiunile mai vechi pe care s-a bazat acesta.
Acestea pot fi incluse n seciunea Numit "Istorie". Putei omite locaia
de reea a unei lucrri care a fost publicat cu cel puin patru ani
nainte de Documentul n sine, sau dac editorul original al versiunii la
care se refer v d permisiunea.
- 118 -
K) Pentru orice seciune Numit "Mulumiri" sau "Dedicaii" Pstrai
Titlul seciunii i pstrai n seciunile respective toat substana i tonul
mulumirilor i dedicaiilor fiecrui contribuitor.
L) Pstrai toate Seciunile Invariante ale Documentului, nealterate ca text
i ca titluri. Numerotarea seciunilor sau echivalentul numerotrii nu
sunt considerate ca fcnd parte din titlurile seciunilor.
M) tergei orice seciune Numit "Giruri". O astfel de seciune nu poate fi
inclus n Versiunea Modificat.
N) Nu modificai titlul nici unei seciuni existente pentru a fi Numit
"Giruri" sau pentru a intra n conflict cu vreo Seciune Invariant.
O) Pstrai toate Limitrile de Responsabilitate.
Dac Versiunea Modificat include seciuni noi incluse n titlu sau anexe
care se calific drept Seciuni Secundare i nu conin material copiat din
Document, avei dreptul la alegerea Dvs. s numii unele sau toate acestea
ca fiind seciuni invariante. Pentru a face aceasta, adugai-le titlurile la
lista de Seciuni Invariante n notificarea de licen a Versiunii Modificate.
Aceste titluri trebuie s fie distincte fa de toate celelalte titlurile de
seciune.
Putei aduga o seciune Numit "Giruri" doar dac aceasta conine numai
girurile a diverse entiti asupra Versiunii Modificate - de exemplu recenzii
sau faptul c textul a fost aprobat de o organizaie ca fiind o definiie
autoritar a unui standard.
Putei aduga un pasaj de cel mult cinci cuvinte ca Text Pentru Coperta I i
un pasaj de cel mult 25 de cuvinte ca Text Pentru Coperta IV la sfritul
Textelor De Copert n Versiunea Modificat. Numai un singur pasaj poate
fi adugat la Textul Pentru Coperta I i unul la Textul Pentru Coperta IV de
ctre (sau prin aranjament cu) orice entitate. Dac Documentul conine
deja texte de copert pentru coperta respectiv, adugat n prealabil de
Dvs. sau prin aranjament cu aceeai entitate n numele creia acionai,
atunci nu putei aduga un altul, ns putei s-l nlocuii pe cel vechi numai
cu permisiunea explicit a editorului anterior care l-a adugat pe cel vechi.
Autorul (autorii) i editorul (editorii) Documentului nu v dau prin aceast
Licen permisiunea de a le folosi numele pentru publicitate sau pentru a
pretinde sau implica vreo girare a oricrei Versiuni Modificate.
- 119 -
5. COMBINAREA DOCUMENTELOR
Putei combina Documentul cu alte documente acoperite de aceast Licen
sub termenii definii n seciunea 4 de mai sus pentru versiuni modificate, cu
condiia s includei n versiunea combinat toate Seciunile Invariante ale
tuturor documentelor originale, nemodificate, i s le listai pe toate ca
Seciuni Invariante ale versiunii combinate n notificarea de licen, ct i
s pstrai toate Limitrile de Responsabilitate.
Versiunea modificat nu trebuie s conin dect o singur copie a acestei
Licene, iar duplicatele identice ale Seciunilor Invariante pot fi nlocuite cu
o singur copie. Dac exist Seciuni Invariante cu nume identice i
coninut diferit, schimbai-le numele adugnd la sfritul titlului, n
parantez, ori numele autorului sau al editorului original al acelei seciuni
dac acesta este cunoscut, ori un numr unic. Facei aceleai modificri
respective titlurilor seciunilor n lista de Seciuni Invariante din notificarea
de licen a versiunii combinate.
n versiunea combinat trebuie s combinai i toate seciunile Numite
"Istorie" din diversele documente originale, crend o seciune unic Numit
"Istorie"; la fel trebuie s combinai i toate seciunile Numite "Mulumiri"
ct i cele Numite "Dedicaii". Trebuie s tergei toate seciunile Numite
"Giruri".
6. COLECII DE DOCUMENTE
Putei crea o colecie format din Document i alte documente acoperite de
aceast Licen i s nlocuii copiile individuale ale acestei Licene din
diversele documente cu o singur copie care s fie inclus n colecie cu
condiia s urmai regulile acestei Licene pentru copii identice pentru
fiecare document n toate celelalte privine.
Putei s extragei un document dintr-o astfel de colecie i s-l distribuii
individual sub aceast Licen cu condiia de a include o copie a acestei
Licene n documentul extras i s urmai condiiile acestei Licene n toate
celelalte privine n legtur cu copiile identice ale acelui document.
7. AGREGAREA CU LUCRRI INDEPENDENTE

O compilaie a Documentului sau a unui derivat al su cu orice document
sau lucrare separat independent, n sau pe un volum de stocare sau
distribuire se numete "agregat" dac drepturile de autor rezultate n urma
- 120 -
compilrii nu sunt folosite pentru a limita drepturile legale ale utilizatorilor
compilaiei mai mult dect permit lucrrile individuale. Cnd Documentul
este inclus ntr-un agregat, aceast Licen nu se aplic celorlalte lucrri
din agregat care nu sunt ele nsele rezultate derivate ale Documentului.
Dac cerinele legate de Textele de Copert din seciunea 3 se aplic
acestor copii ale Documentului, atunci dac Documentul este mai puin de
jumtate din ntregul agregat atunci Textele de Copert ale Documentului
pot fi puse pe coperte care s separe Documentul n cadrul agregatului, sau
pe un echivalent electronic al acestora, dac Documentul se prezint n
format electronic. Altfel ele trebuie s apar pe copertele tiprite care
mbrac ntreg agregatul.
8. TRADUCERE
Traducerea este considerat o form de modificare, drept care putei
distribui traduceri ale Documentului sub cerinele seciunii 4. nlocuirea
Seciunilor Invariante cu traduceri ale acestora necesit permisiune
special din partea celor care dein drepturile de autor, ns putei include
traduceri ale unora dintre sau tuturor Seciunilor Invariante mpreun cu
variantele originale ale acestora. Putei include o traducere a acestei
Licene ct i toate notificrile de licen din Document, ct i Limitrile de
Responsabilitate atta timp ct includei i versiunea original n englez a
acestei Licene, plus versiunile originale ale respectivelor notificri de
licen i limitri de responsabilitate. n cazul apariiei oricror discrepane
ntre versiunea tradus i versiunea original a acestei Licene, a vreunei
notificri de licen sau a vreunei limitri de responsabilitate, versiunea
original are prioritate.
Dac vreo seciune din Document este Numit "Mulumiri", "Dedicaii" sau
"Istorie" cerina (din seciunea 4) de a-i Pstra Titlul (seciunea 1) va
necesita n mod normal schimbarea titlului n sine.
9. REZILIERE
Nu putei copia, modifica, sublicenia sau distribui Documentul dect n
condiiile specificate explicit n aceast Licen. Orice copiere, modificare
sau redistribuire a Documentului n vreo alt condiie este nul i v va
anula n mod automat drepturile conferite de aceast Licen. Pe de alt
parte, terilor crora le vei fi transmis copii sau drepturi n conformitate cu
aceast Licen nu li se vor anula aceste drepturi atta timp ct i se
conformeaz.
- 121 -
10. VERSIUNI VIITOARE ALE ACESTEI LICENE
Fundaia Free Software (Free Software Foundation) poate publica versiuni
noi, revizuite ale acestei Licene (GNU Free Documentation Licence) din
timp n timp. Aceste noi versiuni vor pstra spiritul acestei versiuni dar pot
diferi n privina detaliilor, cu scopul de a se adresa unor noi probleme
reale sau poteniale. Vezi http://www.gnu.org/copyleft/.
Fiecrei versiuni ale acestei Licene i este asociat un numr de versiune
distinct. Dac Documentul specific un anumit numr de versiune "sau
orice versiune ulterioar" al acestei Licene, avei de ales ntre a v
conforma termenilor i condiiilor ori ale versiunii specificate explicit sau
ale oricrei variante ulterioare publicate (nu ca variant preliminar) de
ctre Free Software Foundation. Dac Documentul nu specific un numr
de versiune al acestei Licene atunci putei alege orice versiune publicat
(nu ca variant preliminar) de ctre Free Software Foundation.
- 122 -
978-606-560-552-7

C. Doca, C. Paunoiu - Metoda Celor Mai Mici Patrate

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

C. Doca, C. Paunoiu - Metoda Celor Mai Mici Patrate

Încărcat de

Drepturi de autor:

Formate disponibile

Cezar Marcel DOCA

METODA CELOR MAI MICI PTRATE.

Editura Universitii din Piteti 2017

METODA CELOR MAI MICI PTRATE.

Editura Universitii din Piteti 2017

Str. Trgu din Vale, nr.1,

Copyright 2017 Editura Universitii din Piteti

Editor: lector univ. dr. Sorin FIANU

Descrierea CIP a Bibliotecii Naionale a Romniei

Metoda celor mai mici ptrate: modele generale de regresie

Aceast carte nu se substituie vreunui tratat, manual sau curs de

Institutul de Cercetri Nucleare Piteti

4.1. Funcii cu un singur parametru necunoscut a . . . 30

4.2. Funcii cu doi parametri necunoscui a i b . . . 38

Dintr-o perspectiv pur matematic, Metoda Celor Mai Mici Ptrate

Ordinary least squares (MCMMP ordinar);

Linear least squares (MCMMP liniar);

Partial least squares (MCMMP parial);

Total least squares (MCMMP total);

Generalized least squares (MCMMP generalizat);

Weighted least squares (MCMMP ponderat);

Non-linear least squares (MCMMP neliniar);

Non-negative least squares (MCMMP ne-negativ);

Iteratively re-weighted least squares (MCMMP reponderat iterativ);

Regresia (standard) de predicie. Atunci cnd erorile variabilei

Regresia de aproximare a funciei adevrate. Atunci cnd i variabila

n plus, dac datele supuse analizei de regresie reprezint (1) un eantion

MCMMP i are originile n cercetrile de astronomie i geodezie dedicate

Combinarea unor observaii diferite conduce la o mai bun estimare a

Combinarea unor observaii diferite fcute n aceleai condiii conduce

Combinarea unor observaii diferite fcute n condiii diferite conduce la

Dezvoltarea unui criteriu care s poat fi evaluat pentru a stabili dac

n anul 1822, Gauss a statuat c MCMMP este optimal n analiza de

S exemplificm: fie {(xi , yi ) | xi , yi R; i = 1,2,K, N } un set de N dublete

Fig.1 Date experimentale (simulare numeric n Microsoft Office Excel)

Fig.2 Dou funcii de modelare a datelor experimentale

Vizual s-ar putea concluziona c funcia y ( x ) = a x 2 + b x + c ar fi cea

Aadar, fenomenul studiat experimental respect legea y ( x ) = a x b cu

Atunci cnd nu se cunosc nici modelul teoretic al fenomenului studiat i,

n Statistic (v.[5]), Coeficientul de determinare, notat R 2 , este un numr

Ordonnd descresctor valorile R 2 , obinem msura n care cele patru

Prelucrarea i interpretarea fenomenologic a msurtorilor experimentale

Pe de alt parte, exist situaii frecvente n care apare problema aproximrii

funcia f este cunoscut, dar are form complicat, este dificil de

funcia f este incomplet cunoscut, avnd la dispoziie doar valorile ei

n al doilea caz informaiile se completeaz cu ipoteze suplimentare privind,

Fie [a, b] R un interval de numere reale i xi , i {1,2,..., N } o partiie a

Fiind date valorile n noduri yi = f ( xi ), i {1,2,..., N } ale unei funcii reale

Metoda de aproximare prin interpolare criteriul egalitii n noduri.

Metoda de aproximare mini-max criteriul minimizrii abaterii maxime

Metoda celor mai mici ptrate criteriul minimizrii sumei ptratelor

Metoda verosimilitii maxime Fie x1 , x2 ,..., x N un sondaj aleatoriu,

s ia valoarea maxim (v.[11]).

3.1. Modelarea datelor experimentale

unde f ( xi ) desemneaz valoarea calculat cu modelul de regresie, yi

O alt msur a calitii aproximrii este Coeficientul de determinare.

unde valoarea medie y este media aritmetic:

Cantitatea S t consider mprtierea n jurul unei drepte constante (valoarea

De notat similaritatea acestei expresii cu cea a erorii standard a datelor

unde R 2 este definit drept Coeficient de determinare. Cu ct modelul de

Polinoamele Lagrange sunt n mod particular foarte potrivite pentru seturile

Interpolarea cu funcii spline

Interpolarea polinomial global, pe tot intervalul [a, b] , nu converge

Funcii spline liniare