- •Раздел 10. Основы анализа экспериментальных данных
- •29.2. Классификация погрешностей
- •30. Обзор программного обеспечения для выполнения анализа, обработки и представления экспериментальных данных
- •30.1. Математические (символьные) вычисления
- •30.2. Расчеты и статистическая обработка результатов
- •30.2.1. MathCad
- •30.2.2. Matlab - Scilab - Octave
- •30.3. Построение графиков
- •30.3.1. Sigma Plot
- •30.3.2. Origin
- •30.3.3. Gnuplot
- •30.4. Работа с текстом
- •30.4.1. Ms Word
- •30.4.2. OpenOffice.Org
- •31. Анализ результатов измерений случайной величины.
- •31.1. Гистограмма. Эмпирическое распределение результатов наблюдений
- •31.2. Результат измерения. Доверительный интервал
- •31.3. Нормальное или гауссово распределение
- •31.4. Выборочные дисперсия и среднеквадратичное отклонение
- •31.5. Среднеквадратичная ошибка среднего.
- •31.6. Приборная погрешность. Класс точности прибора.
- •31.7. Сложение случайной и приборной погрешностей. Полная погрешность измерения
- •31.8. Запись и округление результата измерения
- •32. Ошибки косвенных измерений
- •32.1. Функция одной переменной
- •32.2. Функция нескольких переменных
- •32.3. Ошибки и методика эксперимента
- •33. Анализ результатов совместных измерений
- •33.1. Цель и особенности эксперимента по определению функциональной зависимости
- •33.2. Некоторые определения
- •33.3. Интерполяция
- •33.3.1. Глобальная интерполяция
- •33.3.2. Локальная интерполяция
- •33.3.2.1. Кусочно-линейная интерполяция
- •33.3.2.2. Интерполяция кубическими сплайнами
- •33.3.2.3. Интерполирование b-сплайнами
- •33.4. Экстраполяция
- •33.5. Сглаживание данных
- •33.6. Регрессия
- •33.6.1. Выбор вида математической модели
- •33.6.2. Метод наименьших квадратов.
- •33.6.2.1. Линейная зависимость.
- •33.6.2.2. Линеаризация
- •33.6.2.3. Полиномиальная регрессия
- •33.6.2.4. Регрессия линейной комбинацией функций
- •33.6.2.5. Регрессия общего вида.
33.2. Некоторые определения
Когда вы имеете дело с выборкой экспериментальных данных, то они, чаще всего, представляются в виде массива, состоящего из пар чисел . Поэтому возникает задача аппроксимации дискретной зависимости непрерывной функцией . Функция , в зависимости от специфики задачи, может отвечать различным требованиям:
1. должна проходить через точки , т.е. . В этом случае говорят об интерполяции данных функцией во внутренних точках между , или экстраполяции за пределами интервала, содержащего все .
2. должна некоторым образом (например, в виде определенной аналитической зависимости) приближать , не обязательно проходя через точки . Такова постановка задачи регрессии, которую во многих случаях также можно назвать сглаживанием данных.
3. должна приближать экспериментальную зависимость , учитывая, к тому же, что данные получены с некоторой погрешностью, выражающей шумовую компоненту измерений. При этом функция , с помощью того или иного алгоритма, уменьшает погрешность, присутствующую в данных . Такого рода задачи называют задачами фильтрации. Сглаживание - частный случай фильтрации.
Рис. 33.2. Различные типы аппроксимации экспериментальных данных
Различные виды построения аппроксимирующей зависимости иллюстрирует рисунок 33.2. На нем показаны исходные данные, интерполяция отрезками прямых линий, линейная регрессия и фильтрация. Эти зависимости приведены в качестве примера и отражают лишь малую часть возможных вариантов обработки.
33.3. Интерполяция
Пусть задан дискретный набор точек , называемых узлами интерполяции, причем среди этих точек нет совпадающих, а так же значения функции в этих точках. Требуется построить функцию , проходящую через все заданные узлы. Таким образом, критерием близости функции является . Такой способ введения функции называют лагранжевой интерполяцией, а условия - условиями Лагранжа.
В качестве функции обычно выбирают полином, который называется интерполяционным полиномом. В том случае, когда полином един для всей области интерполяции, говорят, что интерполяция глобальная. В тех случаях, когда между различными узлами полиномы различны, говорят о кусочной или локальной интерполяции. Найдя интерполяционный полином, мы можем вычислить значения функции между узлами.
33.3.1. Глобальная интерполяция
При глобальной интерполяции ищется единый полином для всего интервала. Если среди узлов нет совпадающих, то такой полином будет единственным, и его степень не будет превышать .
Запишем систему уравнений для определения коэффициентов полинома:
(33.1)
Определим матрицу коэффициентов системы уравнений А:
(33.2)
и вектор-столбец свободных членов b
(33.3)
Система линейных алгебраических уравнений относительно неизвестных будет иметь решение, если определитель системы (определитель матрицы А) отличен от нуля. Определитель матрицы А, известный в алгебре как определитель Вандермонда, имеет аналитическое выражение
(33.4)
Из этого выражения видно, что , если среди узлов нет совпадающих.
Решение системы уравнений представляет собой самостоятельную и достаточно трудоемкую задачу. Но использование математических пакетов, в частности - MathCAD, позволяет решать ее удивительно легко и изящно. Достаточно просто записать решение в матричном виде (рис. 33.3).
С увеличением количества узлов возрастает и степень интерполяционного полинома, что приводит к резкому увеличению погрешности в результате возникновения так называемого явления волнистости. Кроме того, для целого ряда функций глобальная интерполяция полиномом вообще не дает удовлетворительного результата.
Рис. 33.3. Решение задачи интерполяции полиномом в MathCAD
Для того чтобы избежать высокой степени полинома отрезок интерполяции разбивают на несколько частей и на каждом частичном интервале строят самостоятельный полином невысокой степени. Далее мы рассмотрим наиболее часто используемые виды интервальной интерполяции, а также способы их реализации в MathCAD