Sunteți pe pagina 1din 74

Aproximarea numeric a

funciilor
Capitolul 1
Aproximarea numeric a funciilor
Cnd este necesar aproximarea
numeric a funciilor n aplicaiile
inginereti?

Fie funcia f:[a,b]R
Aproximarea numeric a funciilor
1. f :[a,b]R este definit printr-un tabel,
rezultat n urma efecturii unor
msurtori sau a unor calcule.





x
i
e[a, b], I=1,, n
x x
1
x
i
x
n
f(x)

f(x
1
)

f(x
i
)

f(x
n
)
Aproximarea numeric a funciilor
2. Forma analitic a funciei f(x) este foarte
complicat, funcia fiind dificil de evaluat sau de
manipulat n calcule.

f va fi evaluat pentru cteva argumente x
i
,
i=1,,n;
x
i
e[a, b], i=1,, n

x x
1
x
i
x
n
f(x)

f(x
1
)

f(x
i
)

f(x
n
)
Aproximarea numeric a funciilor
A aproxima numeric o funcie f:[a,b]R presupune
gsirea unei alte funcii, numit FUNCIE MODEL,
a crei expresie analitic este cunoscut i care
trebuie s ndeplineasc urmtoareale criterii:
s fie foarte simpl ca expresie analitic;
s aproximeze foarte precis funcia iniial f.

Funcia model se noteaz prin F, fiind considerat
F:[a,b]R

Funcia model F depinde de parametrii de model o
j
,
j=1, , m.


Aproximarea numeric a funciilor
Funcia model F(x)
S fie foarte simpl!!!

De obicei, funciile model F(x) sunt funcii polinomiale:
algebrice
F(x)=a
1
x
n
+a
2
x
n-1
++a
n
x+a
n+1
,

trigonometrice

F(x)=

=
+ +
m
1 k
k k 0
)) kx sin( b ) kx cos( a ( a
Aproximarea numeric a funciilor
Funcia model F(x) trebuie
S aproximeze ct mai precis funcia iniial f.
Cum se poate ndeplini acest criteriu?

Rspuns: prin minimizarea distanei dintre cele
dou funcii, cea iniial f i funcia model F.
Cum: prin aplicarea metodei celor mai mici
ptrate
| |
d f F f x F x
i i j
i
n
( , ) ( ) ( , ) =
|
\

|
.
|
=

o
2
1
1
2
min
Aproximarea numeric a funciilor
DAC datele tabelate sunt afectate de erori
semnificative

Regresie
d(f, F)min
DAC datele tabelate nu sunt afectate de erori
semnificative,

Interpolare
d(f, F)=0
Interpolare
Datele tabelate nu
sunt afectate de
erori semnificative
d(f, F)=0



1
x
y
1
x
i
y
i
x
n
x
n
y
M
M
M
1
n
i
0
y = F(x)
Condiiile de
interpolare:
F(x
i
)=y
i
, i=1, 2, , n.

Regresia
Datele tabelate
sunt efectate de
erori semnificative
d(f, F)min




1
M
0
1 i
y y
x
1 i
x
M
i
y
y = F ( x ; )
n
y
x x
n
M
n
j
c
co
S
j m
j
= = 0 12 , , ,... .
1.1 Interpolarea
Interpolare liniar
Formula Lagrange a polinomului de
interpolare
Interpolare cu funcii spline
Interpolare liniar



k
y
k
x
k+1
y = f (x)
x x
k+1
y
y
y = F (x)
y
f x f x
x x
x f x
f x f x
x x
x
k k
k k
k
k k
k k
k
=

(
+
+
+
+
( ) ( )
( )
( ) ( )
1
1
1
1
Formula polinomului
Lagrange de interpolare
Joseph-Louis Lagrange s-a nscut
la Torino, n Italia, n 1736, ntr-o
familie bogat, de origine francez.
A devenit un matematician
recunoscut, excelnd n domeniul
analizei matematice, al teoriei
numerelor i al mecanicii analitice
i cereti.
n 1788, a publicat lucrarea sa cea
mai important, Mecanica
analitic.
Formula polinomului
Lagrange de interpolare
Se folosete pentru interpolarea a n
perechi de date, (x, y)
Este cea mai cunoscut metod de
interpolare clasic.
L x y
x x
x x
n i
j
i j j
j i
n
i
n

=
=
=
=

[
1
1 1
( )
Formula polinomului
Lagrange de interpolare
Deducere polinom Lagrange
Lagrange a considerat c polinomul de interpolare are forma:







unde expresiile p
i
(x), cu i=1,..., n, sunt polinoame de gradul n-1,
polinoame a cror form urmeaz s se determine.

=
n
1 i
i i 1 n
) x ( p y ) x ( L
Formula polinomului
Lagrange de interpolare
Deducere polinom Lagrange
Impunndu-se condiiile de interpolare se obine:









= + + + + + =
= + + + + + =
= + + + + + =
= + + + + + =

n n n n n i i n 2 2 n 1 1 n n 1 n
i i n n i i i i 2 2 i 1 1 i i 1 n
2 2 n n 2 i i 2 2 2 2 1 1 2 2 1 n
1 1 n n 1 i i 1 2 2 1 1 1 1 1 1 n
y ) x ( p y ... ) x ( p y ... ) x ( p y ) x ( p y ; y ) x ( L
y ) x ( p y ... ) x ( p y ... ) x ( p y ) x ( p y ; y ) x ( L
y ) x ( p y ... ) x ( p y ... ) x ( p y ) x ( p y ; y ) x ( L
y ) x ( p y ... ) x ( p y ... ) x ( p y ) x ( p y ; y ) x ( L

Prin identificarea coeficienilor, se


poate concluziona c:
Formula polinomului
Lagrange de interpolare
Deducere polinom Lagrange
Prin identificarea coeficienilor, se poate concluziona c:









Astfel, forma polinomului Lagrange se poate considera:








=
=
=
. j i pentru , 0
; j i pentru , 1
) x ( p
j i
) x x )...( x x )( x x )...( x x )( x x ( C ) x ( p
n 1 i 1 i 2 1 i i
=
+
Formula polinomului
Lagrange de interpolare
Deducere polinom Lagrange
Determinarea coeficientului C
i







Adic,
















) x x )...( x x )( x x )...( x x )( x x ( C ) x ( p
; 1 ) x ( p
n i 1 i i 1 i i 2 i 1 i i i i
i i
=
=
+
( )
[
=
=

=
n
i j
1 j
j i
i
x x
1
C
Formula polinomului
Lagrange de interpolare
v[km/h] 30 40 55 70
t [s] 0 1.6 4.8 8.9
The elapsed time t[s] for a car to accelerate to a
speed v[km/h] from an initial speed of 30 km/h is
described by the following data:
Estimate t when v is 50km/h by using Lagrange
formula of interpolation.
Formula polinomului
Lagrange de interpolare
) v v )( v v )( v v (
) v v )( v v )( v v (
t
) v v )( v v )( v v (
) v v )( v v )( v v (
t
) v v )( v v )( v v (
) v v )( v v )( v v (
t
) v v )( v v )( v v (
) v v )( v v )( v v (
t ) v ( L
3 4 2 4 1 4
3 2 1
4
4 3 2 3 1 3
4 2 1
3
4 2 3 2 1 2
4 3 1
2
4 1 3 1 2 1
4 3 2
1 3


+


+
+


+


=
. 63 , 3
) 55 70 )( 40 70 )( 30 70 (
) 55 50 )( 40 50 )( 30 50 (
9 , 8
) 70 55 )( 40 55 )( 30 55 (
) 70 50 )( 40 50 )( 30 50 (
8 , 4
) 70 40 )( 55 40 )( 30 40 (
) 70 50 )( 55 50 )( 30 50 (
6 , 1 ) 50 ( L
3
=


+
+


+


=
v[km/h] 30 40 55 70
t [s] 0 1.6 4.8 8.9
Formula polinomului
Lagrange de interpolare
Conclusion

The Lagrange formula is very popular because it
is well known and easy to code.

The data are not required to be specified with x
in an ascending or descending order.

Although the computation of y is simple, the
method is still not particularly efficient for large
value of n. High-degree polynomials may exhibit
strong oscillatory behavior.


Funcii SPLINE de interpolare
Denumirea SPLINE provine din
limba englez, unde desemneaz o
rigl elastic.

Rigla s-a folosit timp ndelungat, n
proiectare, pentru trasarea curbelor
netede, prin puncte date.


Splines used in boatyard
Stephens uses this
assemblage "to draw
long, smooth lines
(called 'fair' lines), such
as the sheer line of a
boat." The lead
weights, called "ducks"
or "spline weights,"
hold the clear, plastic
"spline" in place.

Bronze Spline Weights for use by yacht designers, boatbuilders,
and design students. These classic design tools are used in
conjunction with long, flexible battens or splines to draw fair
curves while drawing a boats lines and during the lofting process.
Although they are often thought of as a design tool of a bygone era
because of the advent of Computer Aided Design programs, they
are still an invaluable teaching tool for design students and are
often used by professional designers when precise, fair lines are
required. They are also a practical tool for boat builders, as
generating full size plans for construction often requires ducks and
battens on the lofting floor.
Funciile SPLINE au fost introduse n
1946, de ctre matematicianul I.J.
Schoenberg n Quarterly of Applied
Mathematics, n scopul modelrii
matematice a instrumentului utilizat n
proiectare.

n prezent, funciile SPLINE sunt
considerate instrumente moderne i
foarte eficiente de modelare n analiza
numeric.
Funcii SPLINE de interpolare
Ce este o funcie SPLINE de interpolare?
O funcie SPLINE de ordinul m, S(x):[a, b]R se
definete dup cum urmeaz:
S(x)=S
i
(x), pentru i=1,, (n-1), unde
S
i
(x)=P
m
(i)
(x) pentru xe[x
i
, x
i+1
] (fiecare
restricie S
i
(x) este un polinom de gradul m, P
m
(i)
(x));
S(x) este continu, mpreun cu primele sale
m-1 derivate.


Dac S(x
i
)=y
i
, for i=1,, n, atunci, funcia spline
este o funcie de interpolare.
Funcii SPLINE de interpolare
Funcia spline de ordinul m, S(x):[a, b]R, se definete
astfel:









S
i
(x)=P
m
(i)
(x) pentru xe[x
i
, x
i+1
] (fiecare restricie S
i
(x) este
un polinom de gradul m, P
m
(i)
(x));
S(x) este continu, mpreun cu primele sale m-1 derivate.

e
e
e
e
=

+
]. x , x [ x for ), x ( S
]; x , x [ x for ), x ( S
]; x , x [ x for ), x ( S
]; x , x [ x for ), x ( S
) x ( S
n 1 n 1 n
1 i i i
3 2 2
2 1 1

Funcii SPLINE de interpolare


Aproximarea unei funcii prin funcii spline
cubice se poate aplica unui set de perechi de
date ordonate.

Se vor cuta (n-1) curbe polinomiale de gradul 3
care s uneasc (s conecteze) punctele 1 i 2,
2 i 3,, n-1 i n.

Funciile spline cubice se definesc astfel:
S(x)=S
i
(x) for i=1,, (n-1), unde
S
i
(x)=A
i
x
3
+B
i
x
2
+C
i
x+D
i



Funcii SPLINE de interpolare
n scopul definirii unei funcii spline
cubice care s interpoleze n seturi de
date ordonate, trebuie determinai
coeficienii polinomiali
A
i
, B
i
, C
i
, D
i
, i=1,, n-1.

Trebuie scrise un numr de 4(n-1)
ecuaii.

EXEMPLU PENTRU n=3
Funcii SPLINE de interpolare
Generalizare
Dac restricia S
i
(x) este un polinom de gradul 3, atunci
derivata de ordinul 2 va fi un polinom de gradul unu
i, grafic, poate fi reprezentat printr-o dreapt
determinat de punctele de coordonate (x
i
, S
i
(x
i
)) i
(x
i+1
, S
i
(x
i+1
)).
(x
i
, S
i
( x
i
))
(x
i+1
, S
i
( x
i+1
))
y=S
i
(x)
Funcii SPLINE de interpolare
Pasul 1: scrierea ecuaiei unei drepte prin 2
puncte;
Pasul 2 : integrarea acestei ecuaii, n scopul
obinerii unei relaii a derivatei de ordinul nti a
restriciei, n funcie de valorile punctuale ale
derivatei de ordinul 2, S
i
(x
i
);
Pasul 3 : a doua integrare, n scopul obinerii
unei relaii a restriciei S
i
(x) n funcie de S
i
(x
i
);
Pasul 4 : determinarea constantelor de
integrare, n urma utilizrii condiiilor de
interpolare.

Funcii SPLINE de interpolare
Pasul 5: Prin identificarea coeficienilor
restriciilor S
i
(x), se vor putea scrie patru relaii
pentru A
i
, B
i
, C
i
, D
i
, i=1,, n-1 n funcie de
valorile S
i
(x
i
);
Pasul 6 : Determinarea valorilor S
i
(x
i
),
utiliznd proprietatea de continuitate a primei i
a celei de a doua derivate a funciei spline (se
pot scrie n-2 ecuaii pentru determinarea a n
necunoscute, S
i
(x
i
));
Pasul 7 : Adugarea a dou ecuaii
suplimentare.
Funcii SPLINE de interpolare
(x
i
, S
i
( x
i
))
(x
i+1
, S
i
( x
i+1
))
y=S
i
(x)
PASUL 1
i
1 i i i i 1 i i
i
h
) x x )( x ( S ) x x )( x ( S
) x ( S

' '
+
' '
=
' '
+ +
where,
. 1 n ,..., 1 i , x x h
i 1 i i
= =
+
Funcii SPLINE de interpolare
Prima integrare Derivata de ordinul 1 a
funciei spline




A doua integrare Funcia spline
i
i
2
1 i i i
2
i 1 i i
i
C
h 2
) x x )( x ( S ) x x )( x ( S
) x ( S
'
+

' '

' '
=
'
+ +
i i
i
3
1 i i i
3
i 1 i i
i
C x C
h 6
) x x )( x ( S ) x x )( x ( S
) x ( S
' '
+
'
+

' '
+
' '
=
+ +
PASUL 2
PASUL 3
Funcii SPLINE de interpolare
Prin considerarea condiiilor de interpolare ale
funciei spline, S(x),
S
i
(x
i
)=y
i
;
S
i
(x
i+1
)=y
i+1
;
este posibil determinarea constantelor de
integrare:
( )
' =


'' ''
+
+
C
y y
h
S x S x h
i
i i
i
i i i i i
1
1
6
( ) ( )
( )
6
h ) x ( S x ) x ( S x
h
y x y x
C
i i i 1 i 1 i i i
i
1 i i i 1 i
i
' '

' '
+

=
' '
+ + + +
PASUL 4
Funcii SPLINE de interpolare
Dispunem de dou relaii pentru restricia S
i
(x):


,
,
.

PASUL 5
Funcii SPLINE de interpolare
i i
i
3
1 i i i
3
i 1 i i
i
C x C
h 6
) x x )( x ( S ) x x )( x ( S
) x ( S
' '
+
'
+

' '
+
' '
=
+ +
S
i
(x)=A
i
x
3
+B
i
x
2
+C
i
x+D
i
Dup identificarea coeficienilor n funcie
de puterile lui x:
,
,
.

A
S x S x
h
i
i i i i
i
=
'' ''
+
( ) ( )
1
6
B
x S x x S x
h
i
i i i i i i
i
=
'' ''
+ + 1 1
2
( ) ( )
D
x S x x S x
h
y x y x
h
B h
i
i i i i i i
i
i i i i
i
i i
=
'' ''
+


+ +
+ +
1
3 3
1
1 1
2
6 3
( ) ( )
C
x S x x S x
h
y y
h
A h
i
i i i i i i
i
i i
i
i i
=
'' ''
+


+ +
+
2
1 1
2
1
2
2
( ) ( )
PASUL 5
Funcii SPLINE de interpolare
); x ( S ) x ( S
i i i 1 i
'
=
'

h
S x
h h
S x
h
S x
y y
h
y y
h
i
i i
i i
i i
i
i i
i i
i
i i
i


+
+

'' +

'' + '' =



1
1
1
1
1 1
1
6 3 6
( ) ( ) ( )
i = 2, 3,, n-1
Pentru determinarea valorilor derivatelor de
ordinul 2 ale funciei spline, se face apel la
proprietatea de continuitate a derivatei de ordinul
1 i 2:
). x ( S ) x ( S
i i i 1 i
' '
=
' '

Se obine urmtorul sistem de ecuaii:


PASUL 6
Funcii SPLINE de interpolare
Sistemul anterior de ecuaii are n-2
ecuaii i n necunoscute. Lipsesc dou
ecuaii.
Inginerul trebuie s adauge dou ecuaii
suplimentare n funcie de caracteristicile
sistemului tehnic modelat.
Funcii spline cubice naturale
y
1
= 0 i y
n
=0

PASUL 7
Funcii SPLINE de interpolare
v[km/h] 30 40 55 70
t [s] 0 1.6 4.8 8.9
S se foloseasc o funcie
spline cubic natural pentru
estimarea timpului necesar
unei maini s accelereze de
la o vitez iniial de 30 km/h
la 50 km/h, pe baza datelor
de mai jos:
Funcii SPLINE de interpolare
A
2
= -0,024023;
B
2
= 0,0028;
C
2
= -0,0339;
D
2
= -1,3309.

t =-0,024023*50
3
+ 0,0028*50
2

0,0339*50 1,3309 = 3,6120 [s].

Funcii SPLINE de interpolare
%interpolare Lagrange si spline
x=[1 2 3 4 5 6 7 8 9];
y=[1 4 2 5 0 3 4 9 0];
a=[min(x):0.05:max(x)];
n=length(x);
m=length(a);
L=[];
for k=1:m
s=0;
for i=1:n
p=1;
for j=1:n
if j~=i
p=p*(a(k)-x(j))/(x(i)-x(j));
end
end
s=s+y(i)*p;
end
L=[L,s];
end
z=spline(x,y,a);
plot(x,y,'o',a,L,a,z)
Interpolare
Polinom Lagrange
de interpolare
Funcie spline
cubic natural
de interpolare
Regresia
Datele tabelate sunt
afectate de erori
semnificative

d(f, F)min




1
M
0
1 i
y y
x
1 i
x
M
i
y
y = F ( x ; )
n
y
x x
n
M
n
j
Regresia
Aplicnd metoda celor mai mici ptrate
| |
d f F f x F x
i i j
i
n
( , ) ( ) ( , ) =
|
\

|
.
|
=

o
2
1
1
2
min
S
c
co
S
j m
j
= = 0 12 , , ,... .
Regresia
Regresia liniar
Modele polinomiale de regresie
Regresia liniar
Funcia model


Parametrii de model
o, |

d(f, F)min


| + o = | o x ) , ; x ( F
x
y
| + o = x y
Regresia liniar
Funcia model

Parametrii de model



unde,

| + o = | o x ) , ; x ( F
x
y
| + o = x y
;
ns s
nt t s
2
2
1
2 1 1

= o
2
2
1
1 2 2 1
ns s
t s t s

= |

= = = =
= = = =
n
1 i
i i 2
n
1 i
i 1
n
1 i
2
2
n
1 i
i 1
. y x t ; y t ; x s ; x s
i
Regresie liniar
Exemplul 1
Distana parcurs de o main care frneaz,
pn la oprire, atunci cnd circul cu viteza din
tabel,este:
X
(viteza [mph])
20 30 40 50
Y
(distana de oprire[ft])
50 95 150 210
Ce distan parcurge pn la oprire, atunci cnd
circul cu 35 mph?
Regresia liniar
Exemplul 3
Turaia unui motor, n funcie de puterea acestuia,
este prezentat n tabelul de mai jos:
X
(turaia [rpm])
400 500 600 700
Y
(puterea [cp])
580 1030 1420 1880
Care este puterea dezvoltat la o turaie de 650
rpm?
Regresia
Funcii model neliniare care pot fi
transformate n modele liniare : y= o x+ |




Model y x o |
v=a/u+b v 1/u a b
v = au
b
ln v ln u b ln a
v = ae
bu
ln v u b ln a
Regression-Example
Dup pornirea unei maini parcate la soare, timp
ndelungat, temperatura din interior va scdea lent
conform tabelului urmtor:




Dependena dintre temperatura din main, T, i timpul, t,
de funcionare a sistemului de rcire este dat de funcia
T-T
a
=AT
0
e
kt
,
unde AT
0
=T
0
T
a
, T
0
temperatura din main la pornirea
sistemului de ventilaie, T
a
temperatura aerului (T
a

=25grade C) i k este constanta de rcire. Folosind
metoda regresiei liniare, s se estimeze T
0
i k.
.


t[min] 5 10 15
T[
o
C] 36 29 27
Modelul poate fi transformat ntr-un
model liniar, y=ax+b, prin
logaritmare:

T-T
a
=AT
0
e
kt
,
ln (T-T
a
) = kt + ln (AT
0
).

y =a x + b
Regresia
ln
Regression
| | . 2496 , 36 ) 2 ln( 15 ) 4 ln( 10 ) 11 ln( 5 ) T T ln( t t
, 4773 , 4 ) 2 ln( ) 4 ln( ) 11 ln( ) T T ln( t
, 350 225 100 25 t s
, 30 15 10 5 t s
3
1 i
a i i 2
3
1 i
a i 1
3
1 i
2
i 2
3
1 i
i 1
= + + = =
= + + = =
= + + = =
= + + = =

=
=
=
=
Regression
o = k = -0.1705 min
-1
;
| = ln(T
0
-25) = 3.1971,
T
0
= 49.4618
o
C

Regresia
Care este cel mai adecvat model?
Funcia model care asigur distana
minim d(f, F).

Se poate aprecia care dintre modele este
optim, prin calculul coeficientului de
corelaie pentru fiecare model.
Regression
Coeficientul de corelaie


,
t t
y x ) y x ( n
r
y x
n
1 i
n
1 i
i
n
1 i
i i i
= = =
|
.
|

\
|
|
.
|

\
|

=
unde
( )
2
n
1 i
i
n
1 i
2
i x
x x n t
(

=

= =
( )
2
n
1 i
i
n
1 i
2
i y
y y n t
(

=

= =
Regresia
Coeficientul de corelaie liniar, r

Valorile lui r sunt cuprinse ntre 1 i 1.
Dac |r|=1, parametrii analizai sunt ntr-o
dependen liniar perfect.
n general, se accept dependena liniar ntre
parametrii x i y, atunci cnd |r|>0,7. n caz
contrar, se consider c ntre parametrii nu
exist o dependen liniar.


Regresia
Coeficientul de corelaie liniar, r
Exemplul 1.
Se msoar, experimental, alungirea unui
epruvete, l, corespunztoare diverselor
ncrcri ale acestuia, cu fora F.



S se determine coeficientul de corelaie
liniar a datelor.

F, |N| 10 20 30 40 50 60 70
l, |mm| 0,22 0,40 0,61 0,85 1,20 1.45 1,70
Regresia
Coeficientul de corelaie liniar, r
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
0 10 20 30 40 50 60 70 80
Forta
d
e
f
o
r
m
a
t
i
e
r=0,996
Regresia
Coeficientul de corelaie liniar, r
Exemplul 2.
Dependena dintre cheltuielile sociale i absenteismul
dintr-o companie de mici dimensiuni este
prezentat n tabelul urmtor:



S se determine coeficientul de corelaie liniar a
datelor.

Cheltuieli, mii euro
3,5 5,0 7,0 10 12 15 18
Zile absente
241 318 178 110 147 122 86
Regresia
Coeficientul de corelaie liniar, r
r=-0,830
0
50
100
150
200
250
300
350
0 5 10 15 20
Cheltuieli [mii euro]
Z
i
l
e

a
b
s
e
n
t
e
Regresia
Coeficientul de corelaie liniar, r
Exemplul 3.
Veniturile realizate de o firm auto, din vnzrile de automobile
i de carburant, nregistrate timp de 12 luni, sunt curinse n
tabelul urmtor:



S se determine coeficientul de corelaie liniar a datelor.

Maini vndute
|buc|
2 5 3 12 14 7 3 28 14 7 3 13
Venit din benzin
|mii euro|
12 9 13 21 17 22 31 47 17 10 9 11
Regresia
Coeficientul de corelaie liniar, r



r=0,667
0
5
10
15
20
25
30
35
40
45
50
0 5 10 15 20 25 30
masini vandute
v
e
n
i
t
u
r
i

c
o
m
b
u
s
t
i
b
i
l
NU EXIST CORELAIE LINIAR!!
Regression- Other examples

The stopping distances of a car are d
60
[m] from
60km/h and d
80
[m] from 80km/h. Data for 6
cars are as follows:
d
60
: 128 142 150 162 167 179
d
80
: 220 250 261 278 294 320
It is expected that these distances are linearly
related by
d
60
=od
80
+ |
Use a linear least squares analysis to determine
o and |.
1
Regression- Other examples

The viscosity [centipoise] of a certain crude oil
varies with temperature T[
o
C] as shown:
T: -12 10 38
: 50.1 10.0 4.9
The model for the viscosity is
=
0
T
k
.
Use a linear least squares analysis to estimate
and k from the data.
2
Regresia
Polynomial regression




Problem-care sunt valorile parametrilor
de model o
j
, j=1, , m+1, care asigur
minimul distanei d(f, F)?
1 m
1 m
2
m
1 j
x x ) ; x ( F
+

o + + o + o = o
Funcia
model
Regresia
Pe baza metodei celor mai mici
ptrate,
d(f, F) min

| | min ) ; x ( F ) x ( f S
n
1 i
2
j i i
o =

=
1 m
1 m
2
m
1 j
x x ) ; x ( F
+

o + + o + o = o
| | min ) x x ( y S
n
1 i
2
1 m
1 m
i 2
m
i 1 i
o + + o + o =

=
+

Regression
| | min ) x x ( y S
n
1 i
2
1 m
1 m
i 2
m
i 1 i
o + + o + o =

=
+

. 1 m ,..., 2 , 1 j , 0
S
j
+ = =
co
c
| | 0 x ) x x ( y 2
S
n
1 i
1 j m
i 1 m
1 m
i 2
m
i 1 i
j
= o + + o + o =
o c
c

=
+
+

Regression
(
(
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(

o
o
o
o

(
(
(
(
(
(
(
(
(
(





=
=
=

=
+
= =

=
= = = =
+
=

= =

= =
+
=

=
n
1 i
i
n
1 i
i i
n
1 i
i
1 m
i
n
1 i
i
m
i
1 m
m
2
1
n
1 i
i
n
1 i
1 m
i
n
1 i
m
i
n
1 i
i
n
1 i
2
i
n
1 i
m
i
n
1 i
1 m
i
n
1 i
1 m
i
n
1 i
m
i
n
1 i
2 m 2
i
n
1 i
1 m 2
i
n
1 i
m
i
n
1 i
1 m
i
n
1 i
1 m 2
i
n
1 i
m 2
i
y
y x
y x
y x
n x x x
x x x x
x x x x
x x x x

Cele mai folosite funcii polinomiale:


Ptraticele pentru date care
genereaz puncte care par a se
dispune dup o curb simpl
concav sau convex;
Cubicele-pentru date care par a fi
dispuse dup o curb cu punct de
inflexiune.
Regresia