Практична робота № 5
Тема: Апроксимація функцій.
Мета: Вивчити способи проведення апроксимації табличних даних в MATHCAD.
Ознайомитися з функціями побудови рівнянь регресії в MATHCAD.
Теоретичні відомості
Лінійну регресію в системі Mathcad можна побудувати за допомогою:
вбудованої алгоритмічної мови Mathcad;
вбудованих функцій, а саме:
функцій slope(X,Y) і intercept(X,Y), які обчислюють відповідно коефіцієнти a1 і a0 ;
функції line(X,Y), яка обчислює вектор, що складається з елементів a0,a1;
функції interp(S, X, Y, x) разом з функцією regress(X, Y, m), в якій аргумент m =1.
Оскільки доволі часто досліджувані процеси змінюються за нелінійними законами, то для моделювання таких залежностей краще використовувати нелінійні поліноміальні регресії, зокрема, квадратичну та кубічну регресії.
Квадратична регресія описується рівнянням y=a0 +a1 x +a2 x2, де a0, a1, a2 – невідомі коефіцієнти, які за методом найменших квадратів є розв’язком системи лінійних алгебраїчних рівнянь
В системі Mathcad квадратичну і кубічну регресії за допомогою вбудованої функції interp можна реалізувати відповідно у такий спосіб:
interp(regress(X, Y, 2), X, Y, x) і interp(regress(X, Y, 3), X, Y, x).
В пакеті Mathcad є можливість побудувати апроксимуючу функцію, що складається з набору квадратичних парабол, що найкращим чином наближують вхідні дані X, Y, але кожна з них є апроксимуючою функцією локально на своїй частині розглянутого відрізку аргументу X. Цю кусочно-квадратичну регресію можна отримати за допомогою вбудованої функції interp(S, X, Y, x) разом з допоміжною вбудованою функцію loess(X, Y, span) Ця функція формує вектор, який визначає набір апроксимуючих квадратичних парабол. Аргумент span (span>0) функції loess визначає довжину тієї частини розглянутого відрізку для локального наближення кожною з квадратичних парабол. Величина span впливає на якість наближення функцій. Для кращого наближення функції, що коливається, треба брати менші значення цього параметру. При більших значеннях span коливання даних згладжуються, тобто в результаті наближення отримаємо більш згладжену апроксимуючу функцію. Для великих значень span функції loess(X, Y, span) матимемо результат еквівалентний дії функції regress(X, Y, 2).
Порядок виконання роботи:
Дано таблицю значень досліджуваної функції Y=Y(X). Побудувати для неї:
Лінійну регресію :
За допомогою методу найменших квадратів.
З використанням функції line;
З використанням вбудованих функцій slope, intercept;
З використанням вбудованої функції interp разом із функцією regress
Побудувати графік лінійної регресії разом з вузловими точками;
Знайти значення значення досліджуваної функції в проміжних точках, а також значення в прогнозній точці;
Побудувати графік похибки в вузлових точках;
Визначити коефіцієнт детермінації R2;
Побудувати таблицю значень для цієї моделі для заданого проміжку з кроком Δх=1.
Квадратичну регресію за допомогою методу найменших квадратів, а також з використанням вбудованої функції interp.
Побудувати графіки регресії разом з вузловими точками;
Знайти значення досліджуваної функції в точках х=2, х=5, та прогнозне значення в точці х=100.
Поліноміальну регресію 4-ступеня за допомогою методу найменших квадратів.
Побудувати графіки регресії разом з вузловими точками;
Побудувати графік похибки регресії в вузлових точках.
Побудувати таблицю значень для цієї моделі для х[0;10] з кроком Δх=1
Знайти значення досліджуваної функції в точках х=2,5, х=5,5, та прогнозне значення в точці х=91.