Метод наименьших квадратов
Допустим, что результаты эксперимента предоставлены в таблице, представленной выше. И уравнение регрессии записывается в виде (3.2), т.е. зависимость от (m+1) параметра a 0 , a 1 , a 2 ,… an: (3.3) Эти параметры и определяют расположение графика эмпирической формулы относительно экспериментальных точек. Однако эти параметры определяются не однозначно. Требуется подобрать параметры так, чтобы график уравнения регрессии был расположен как можно ближе к системе экспериментальных точек. Введем понятие отклонения значения уравнения регрессии (3.3) от табличного значения yi для xi: (3.4) Рассмотрим сумму квадратов отклонений (3.5) Согласно МНК наилучшими коэффициентами ai являются те, которые минимизируют функцию S (3.5) Используя необходимые условия экстремума функции нескольких переменных, получим нормальную систему для определения коэффициентов a 0 , a 1 , a 2 ,…, am : ; ;…; . (3.6) Для аппроксимирующей функции (3.3) система (3.6) является системой линейных алгебраических уравнений относительно неизвестных a 0 , a 1 , a 2 ,…, am . Если , то существует бесконечно много многочленов (3.3), минимизирующих функцию (3.5). Если , то существует только один многочлен (3.3), минимизирующий функцию (3.5). Будем считать, что . Чем меньше m, тем проще тем проще эмпирическая формула, но это не всегда лучше. Эмпирические формулы с двумя параметрами. Для описания многих технологических процессов используются эмпирические формулы, содержащие 2 параметра: (3.7) Пусть заранее известно, что экспериментальные точки не лежат на одной прямой, для нахождения a , b используется метод выравнивания. Идея метода. Вводятся новые переменные (3.8) так, чтобы преобразованные точки могли быть аппроксимированы линейной зависимостью (3.9) Здесь ; Параметры А и В находятся методом наименьших квадратов. Аппроксимация экспериментальной зависимость уравнением регрессии 3-го порядка Поставим задачу аппроксимировать полученную ранее экспериментальную зависимость n(e) уравнением регрессии 3-го порядка, использую надстройку «Поиск решения».
Т.е. мы получим функцию вида: (3.10) В качестве начальных приближений примем a = b = c = d =1. Формируем таблицу:
Уравнение регресии |
Квадрат отклонения | |||||||||||||||||||||||||||
1 | 0,199103875 | 1,246639174 | 0,567552534 | |||||||||||||||||||||||||
2 | 0,070962641 | 1,076355684 | 3,700407455 | |||||||||||||||||||||||||
3 | 0,027014272 | 1,027763757 | 8,834188283 | |||||||||||||||||||||||||
4 | 0,008941238 | 1,009021899 | 15,92790621 | |||||||||||||||||||||||||
5 | 0,002814733 | 1,002822678 | 24,97178119 | |||||||||||||||||||||||||
6 | 0,000871947 | 1,000872708 | 35,98952827 | |||||||||||||||||||||||||
7 | 0,000268761 | 1,000268833 | 1,000537739 | |||||||||||||||||||||||||
Сумма квадратов: |
90,99190167 |
где, квадрат отклонения находится по формуле:
(3.11)
Теперь нашей задачей является минимизация суммы квадратов отклонений. Мы можем это сделать путем изменения коэффициентов a , b , c , d . Для поиска оптимальных значений выполним команду:
Меню Сервис\Поиск решения
После этого значения a , b , c , d изменятся на: a=4,261463435, b=41,97251008, c=-1192,303823, d=4643,463328.
Тогда получаем следующую таблицу измененных значений:
n | e |
Уравнение регресии |
Квадрат отклонения |
1 | 0,199103875 | 2,003229556 | 1,043E-05 |
2 | 0,070962641 | 2,895188031 | 0,010985549 |
3 | 0,027014272 | 4,616753916 | 0,380385393 |
4 | 0,008941238 | 4,544749241 | 0,207253253 |
5 | 0,002814733 | 4,370262104 | 2,656045611 |
6 | 0,000871947 | 4,297157819 | 7,305355855 |
7 | 0,000268761 | 4,272657976 | 18,25560618 |
Сумма квадратов: |
28,81564227 |
Найдем среднее квадратичное отклонение по формуле:
(3.12)
В нашем случае
Построим графики обеих функций:
2019-12-29 | 177 | Обсуждений (0) |
5.00
из
|
Обсуждение в статье: Метод наименьших квадратов |
Обсуждений еще не было, будьте первым... ↓↓↓ |
Почему 1285321 студент выбрали МегаОбучалку...
Система поиска информации
Мобильная версия сайта
Удобная навигация
Нет шокирующей рекламы