Documente Academic
Documente Profesional
Documente Cultură
Cap 8 Metoda Celor Mai Mici Patrate Probleme PDF
Cap 8 Metoda Celor Mai Mici Patrate Probleme PDF
Aproximare liniara
⎛1⎞ ⎛ 1.3 ⎞
⎜ ⎜
⎜2⎟ ⎜ 3.5 ⎟
⎜3⎟ ⎜ 4.2 ⎟
⎜ ⎟ ⎜ ⎟
⎜4⎟ ⎜ 5.0 ⎟
⎜5⎟ ⎜ 7.0 ⎟
x := ⎜ ⎟ y := ⎜ ⎟
⎜6⎟ ⎜ 8.8 ⎟
⎜7⎟ ⎜ 10.1 ⎟
⎜ ⎟ ⎜ ⎟
⎜8⎟ ⎜ 12.5
⎟
⎜9⎟ ⎜ 13.0 ⎟
⎜ ⎜
⎝ 10 ⎠ ⎝ 15.6 ⎠
20
15
y 10
0 5 10
x
m ⎛ m ⎛ u − xj ⎞ ⎞
m := last ( x) m=9 L ( u) :=
∑ ∏ ⎜
⎜
if ⎜ j ≠ i ,
⎝
, 1 ⋅ yi
xi − xj ⎠
i=0 ⎝j = 0 ⎠
20
15
y
10
L ( t)
0 5 10
x, t
Fie dreapta (cum se determina aceasta vom vedea mai jos) z ( v) := −0.36 + 1.538⋅ v
20
15
y
L ( t) 10
z ( t)
0 5 10
x, t, t
Dupa cum se vede grafic se poate obtine o buna aproximare pentru setul de date folosind
aceasta functie de gadul unu in locul polinomului Lagrange de gradul noua.
1) Folosind metoda celor mai mici patrate aproximati setul de date folosind un polinom de
gradul unu.
2) Reprezentati grafic setul de date si polinomul de aproximare obtinut.
3) Determinati eroarea totala care se obtine folosind acest polinom de aproximare si
coeficientul de corelatie.
m
k := 0 .. 2⋅ n Sk :=
∑ ( xi) k Sk =
10
i=0
55
385
i := 0 .. n j := 0 .. n Mi , j := Si+ j
⎛ 10 55 ⎞
M=⎜
⎝ 55 385 ⎠
Vectorul termenilor liberi a sistemului din care se determina coeficientii polinomului
m
⎛ 81.0000 ⎞
bj :=
∑ ⎡( xi) j ⋅ yi⎤
⎣ ⎦ b=⎜
⎝ 572.4000 ⎠
i=0
( aj ⋅ x )
n
∑
j
Definim polinomul de aproximare P ( x) :=
j=0
20
15
y
10
P ( t)
0 5 10
x, t
i := 0 .. m
yi − P ( xi) =
0.122 20
0.784
-0.055
-0.793 15
-0.331
-0.069 y
-0.307 10
P ( x)
0.555
-0.484
0.578 5
0 5 10
x, x
m
E :=
∑ ( yi − P ( xi) ) 2 E = 2.345
i=0
∑
1
Valoarea medie vm := ⋅ yi
m+1
i=0
m
E0 :=
∑ ( yi − vm) 2
i=0
E0 − E
Coeficientul de corelatie r := r = 0.994
E0
TEORIA APROXIMARII
Aproximare parabolica
⎛ 0 ⎞ ⎛ 1.0000 ⎞
⎜ 0.25 ⎜ 1.2840
⎜ ⎟ ⎜ ⎟
Fie dat setul de date x := ⎜ 0.50 ⎟ y := ⎜ 1.6487 ⎟
⎜ 0.75 ⎟ ⎜ 2.1170 ⎟
⎜ ⎜
⎝ 1 ⎠ ⎝ 2.7183 ⎠
4
y 2
0 0.5 1
x
1) Folosind metoda celor mai mici patrate aproximati setul de date folosind un polinom
de gradul doi.
2) Reprezentati grafic setul de date si polinomul de aproximare obtinut.
3) Determinati eroarea totala care se obtine folosind acest polinom de aproximare si coeficientul
de corelatie.
m
k := 0 .. 2⋅ n Sk :=
∑ ( xi) k Sk =
i=0 5
2.5
1.875
1.563
1.383
i := 0 .. n j := 0 .. n Mi , j := Si+ j
⎛⎜ 5 2.5 1.875 ⎞
M = ⎜ 2.5 1.875 1.563 ⎟
⎜ 1.875 1.563 1.383
⎝ ⎠
m ⎛⎜ 8.7680 ⎞
bj :=
∑ ⎡( xi) j ⋅ yi⎤
⎣ ⎦ b = ⎜ 5.4514 ⎟
⎜ 4.4015
i=0 ⎝ ⎠
∑ ( aj⋅x )
n
j
Definim polinomul de aproximare P ( x) :=
j=0
y
2
P ( t)
0 0.5 1
x, t
m
−4
E :=
∑ ( yi − P ( xi) ) 2 E = 2.741 × 10
i=0
∑
1
Valoarea medie vm := ⋅ yi
m+1
i=0
E0 − E
Coeficientul de corelatie r := r = 0.9999263907
E0
TEORIA APROXIMARII
⎛ 0 ⎞ ⎛ 1 ⎞
⎜ ⎜
⎜ 0.15 ⎟ ⎜ 1.004 ⎟
⎜ 0.31 ⎟ ⎜ 1.031 ⎟
Fie dat urmatorul set de date x := ⎜ ⎟ y := ⎜ ⎟
⎜ 0.5 ⎟ ⎜ 1.117 ⎟
⎜ 0.6 ⎟ ⎜ 1.223 ⎟
⎜ ⎜
⎝ 0.75 ⎠ ⎝ 1.422 ⎠
2
1.5
y 1
0.5
− 0.5 0 0.5 1
x
1) Folosind metoda celor mai mici patrate aproximati setul de date folosind polinome de
gradul unu, doi si trei.
2) Reprezentati grafic setul de date si polinoamele de aproximare.
3) Calculati eroarea totala si coeficientul de corelatie in fiecare caz.
Solutie.
Indicele ultimei componente a vectorului x (sau y) m := last ( x) m=5
Cazul unu. Constructia polinomului de gradul unu n1 := 1
Sumele nodurilor la diferite puteri p
m
k := 0 .. 2⋅ n1 Sk :=
∑ ( xi) k Sk =
i=0 6
2.31
1.291
i := 0 .. n1 j := 0 .. n1 M1i , j := Si+ j
⎛ 6 2.31 ⎞
M1 = ⎜
⎝ 2.31 1.291 ⎠
m
⎛ 6.7970 ⎞
b1j :=
∑ ⎡( xi) j ⋅ yi⎤
⎣ ⎦ b1 = ⎜
⎝ 2.8290 ⎠
i=0
∑ ( a1j⋅x )
n1
j
Definim polinomul de aproximare P1 ( x) :=
j=0
y
P1 ( t)
1
0 0.5 1
x, t
m
E1 :=
∑ ( yi − P1 ( xi) ) 2 E1 = 0.02457
i=0
∑
1
Valoarea medie vm := ⋅ yi
m+1
i=0
m
E0 :=
∑ ( yi − vm) 2
i=0
E0 − E1
Coeficientul de corelatie r1 := r1 = 0.906
E0
m Sk =
k := 0 .. 2⋅ n2 Sk :=
∑ ( xi) k 6
i=0 2.31
1.291
i := 0 .. n2 j := 0 .. n2 M2i , j := Si+ j
⎛⎜ 6 2.31 1.291 ⎞
M2 = ⎜ 2.31 1.291 0.796 ⎟
⎜ 1.291 0.796 0.518
⎝ ⎠
Vectorul termenilor liberi a sistemului din care se determina coeficientii polinomului
m ⎛⎜ 6.7970 ⎞
∑ ⎡( xi) ⋅ yi⎤
j
b2j := ⎣ ⎦ b2 = ⎜ 2.8290 ⎟
i=0 ⎜ 1.6411
⎝ ⎠
Rezolvarea sistemului liniar M2⋅ a2 = b2 a2 := lsolve ( M2 , b2)
( a2j ⋅ x )
n2
∑
j
Definim polinomul de aproximare P2 ( x) :=
j=0
y
P2 ( t)
1
0 0.5 1
x, t
m
−4
E2 :=
∑ ( yi − P2 ( xi) ) 2 E2 = 9.45246 × 10
i=0
E0 − E2
Coeficientul de corelatie r2 := r2 = 0.996534
E0
m
k := 0 .. 2⋅ n3 Sk :=
∑ ( xi) k Sk =
i=0 6
2.31
1.291
0.796
0.518
0.349
0.241
i := 0 .. n3 j := 0 .. n3 M3i , j := Si+ j
⎛ 6.7970 ⎞
m ⎜
b3 = ⎜
2.8290 ⎟
b3j :=
∑ ⎡( xi) j ⋅ yi⎤
⎣ ⎦ ⎜ 1.6411 ⎟
i=0 ⎜
⎝ 1.0378 ⎠
Rezolvarea sistemului liniar M3⋅ a3 = b3 a3 := lsolve ( M3 , b3)
∑ ( a3j⋅x )
n3
j
Definim polinomul de aproximare P3 ( x) :=
j=0
y
P3 ( t)
1
0 0.5 1
x, t
m
−4
E3 :=
∑ ( yi − P3 ( xi) ) 2 E3 = 1.11238 × 10
i=0
E0 − E3
Coeficientul de corelatie r3 := r3 = 0.999593
E0
k := 1 .. 3 Ek = rk =
0.02457 0.905635
0.00095 0.996534
0.00011 0.999593
Din tabelele de mai sus rezulta ca cea mai buna aproximare este facuta cu polinomul de
gradul trei.
TEORIA APROXIMARII
8
10
6
t
y e
4
exp ( 1.1+ 0.5⋅ v) 5 −t
e
2
1 1.5 2 −2 −1 0 1 2
x, v t,t
Y := ln ( y) T
Y = ( 1.629 1.756 1.876 2.008 2.135 )
Y
1
1 1.5 2
x
Deoarece aceste sunt situate aproape pe o dreapta vom face a aproximare liniara.
m
k := 0 .. m Sk :=
∑ ( xi) k Sk =
5
i=0
7.5
11.875
19.688
33.883
i := 0 .. n j := 0 .. n Mi , j := Si+ j
⎛ 5 7.5 ⎞
M=⎜
⎝ 7.5 11.875 ⎠
m
⎛ 9.4053 ⎞
bj :=
∑ ⎡( xi) j ⋅ Yi⎤
⎣ ⎦ b=⎜
⎝ 14.4241 ⎠
i=0
( aj ⋅ x )
n
∑
j
Definim polinomul de aproximare P ( x) :=
j=0
2.5
2
Y
P ( x)
1
0
1 1.5 2
0.75 x, x 2.25
β := a1 α := exp ( a0) β⋅ x
yy ( x) := α⋅ e
y 7
yy ( x)
6
1 1.5 2
x, x
m
E :=
∑ ( yi − yy ( xi) ) 2 E = 0.001206
i=0
∑
1
Valoarea medie vm := ⋅ yi
m+1
i=0
m
E0 :=
∑ ( yi − vm) 2
i=0
E0 − E
Coeficientul de corelatie r := r = 0.999915
E0
TEORIA APROXIMARII
4 102.56
4.2 113.18
4.5 130.11
4.7 142.05
5.1 167.53
x y
5.7
195.14
5.9 224.87
6.3 256.73
6.8 299.50
7.1 326.73
300
y 200
100
4 5 6 7
x
β
Cautam o functie de aproximare de forma y = αx
Logaritmand obtinem ln ( y) = ln ( α) β ln ( x)
Notam Y ln ( y) X ln ( x)
1.386 4.63
1.435 4.729
1.504 4.868
1.548 4.956
1.629 5.121
X Y
1.74 5.274
1.775 5.416
1.841 5.548
1.917 5.702
1.96 5.789
5.5
Y 5
4.5
4
1.4 1.6 1.8
X
Dupa cum se vede, de data acesta, punctele sunt situate aproape pe o dreapta.
De aceea vom face a aproximare liniara.
m
k 0 2 n Sk
Xi k Sk
i0 10
16.735
28.377
i 0 n j 0 n Mi j Si j
10 16.735
M
16.735 28.377
m
52.0337
bj
Xi j Yi
b
87.8219
i0
5.5
Y
5
P ( X)
4.5
4
1.3 1.417 1.533 1.65 1.767 1.883 2
X X
ln ( α) = a0 β = a1
t x0 x0 0.1 xm
300
y 200
yy ( t)
100
m
E
yi yy xi 2 E 200.201093
i0
m
1
Valoarea medie vm
m1
yi
i0
m
E0
yi vm 2
i0
E0 E
Coeficientul de corelatie r r 0.998210
E0
TEORIA APROXIMARII
⎛ 10 ⎞ ⎛5⎞ ⎛ 50 ⎞
⎜ ⎜ ⎜
⎜ 10 ⎟ ⎜ 45 ⎟ ⎜ 40 ⎟
⎜ 20 ⎟ ⎜ 25 ⎟ ⎜ 36 ⎟
x := ⎜ ⎟ y := ⎜ ⎟ z := ⎜ ⎟
⎜ 50 ⎟ ⎜ 25 ⎟ ⎜ 32 ⎟
⎜ 60 ⎟ ⎜5⎟ ⎜ 32 ⎟
⎜ ⎜ ⎜
⎝ 60 ⎠ ⎝ 45 ⎠ ⎝ 20 ⎠
60
50
40
yi 30
20
10
0 10 20 30 40 50 60 70
xi
T
P0 := ( 10 5 50 ) F0 ( t) := P0 P0 := CreateSpace ( F0)
T
P1 := ( 10 45 40 ) F1 ( t) := P1 P1 := CreateSpace ( F1)
T
P2 := ( 20 25 36 ) F2 ( t) := P2 P2 := CreateSpace ( F2)
T
P3 := ( 50 25 32 ) F3 ( t) := P3 P3 := CreateSpace ( F3)
T
P4 := ( 60 5 32 ) F4 ( t) := P4 P4 := CreateSpace ( F4)
T
P5 := ( 60 45 20 ) F5 ( t) := P5 P5 := CreateSpace ( F5)
P0 , P1 , P2 , P3 , P4 , P5
m m m
M0 , 0 := m + 1 M0 , 1 :=
∑ xi M0 , 2 :=
∑ yi b0 :=
∑ zi
i=0 i=0 i=0
m m m
∑ ( xi) ∑ ∑
2
M1 , 0 := M0 , 1 M1 , 1 := M1 , 2 := xi⋅ yi b1 := xi⋅ zi
i=0 i=0 i=0
m m
∑ ( yi) ∑
2
M2 , 0 := M0 , 2 M2 , 1 := M1 , 2 M2 , 2 := b2 := yi zi
i=0 i=0
⎛⎜ 53.858051 ⎞
a := lsolve ( M , b) a = ⎜ −0.342373 ⎟
⎜ −0.275000
⎝ ⎠
P ( x , y) := a0 + a1⋅ x + a2⋅ y
P0 , P1 , P2 , P3 , P4 , P5 , P
m
E :=
∑ ( zi − P ( xi , yi) ) 2 E = 27.203
i=0
m
m
∑
1
∑
vm := ⋅
m+1
zi E0 := ( zi − vm) 2
i=0
i=0
E0 − E
r := r = 0.972
E0