метода, MCad6
.0.pdf1.3.Обобщенная регрессия
Ксожалению линейная или полиномиальная функции не во всех случаях подходят для описания зависимости данных.
При более сложных зависимостях между данными приходится использовать уравнение регрессии в виде линейной комбинации известных функций
y(x) = a0 f 0 (x) + a1 f1 (x) + ... + an f n (x)
либо в виде произвольной нелинейной функции
y(x) = f (x, a0 , a1 ,..., an ) ,
где коэффициенты a0 , a1 ,..., an подлежат определению. Первая задача может быть решена с использованием встроенной функции linfit, а для решения второй задачи можно воспользоваться функцией genfit.
linfit(VX,VY,F) - возвращает вектор, содержащий коэффициенты, используемые для создания линейной комбинации функций из F, дающую наилучшую аппроксимацию данных из векторов VX и VY. F - функция, которая возвращает вектор, состоящих из функций, которые нужно объединить в виде линейной комбинации.
genfit(VX,VY,VG,F) - возвращает вектор, содержащий n параметров a0 , a1 ,..., an−1 , которые обеспечивают наилучшее приближение данных из VX и VY функцией y(x) = f (x, a0 , a1 ,..., an−1 ) . F - функция, которая возвращает (n+1)- мерный вектор, содержащий f и ее частные производные.
Пример. Для заданного набора экспериментальных данных получить уравнение регрессии в виде:
y(x) = a |
|
x2 + a x + a |
|
1 |
|
2 x + 1 |
|||
|
0 |
1 |
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
0.43 |
|
|
|
|
|
|||
|
|
|
|
0.2 |
|
|
|
|
|
|
|
|
|
|
|
|
0.22 |
|
|
|
|
|
|||
vx |
|
|
|
0.4 |
|
|
|
|
|
|
- набор значений |
vy |
|
|
0.6 |
|
|
- набор измеренных |
|||||||
|
|
|
0.6 |
|
|
|
|
|
|
|
|
0.3 |
|
|
|||||||||||
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
величины X |
|
|
|
|
|
|
значений величины Y |
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
0.8 |
|
|
|
|
|
|
|
|
|
|
|
|
1.4 |
|
|
|
|
|
|||
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
2.3 |
|
|
|
|
|
|||
|
|
|
|
|
|
|
x2 |
|
|
|
|
|
|
|
|
|
|
3.596 |
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
F( x) |
|
|
|
|
|
x |
|
|
A |
|
linfitvx(, vy, F) |
A = |
|
|
1.562 |
|
|||||||||
|
|
|
1 |
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0.478 |
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
x |
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y( x) A.F( x) - уравнение регрессии
i |
0 .. 5 |
3 |
|
|
|
|
|
||
|
y vxi |
2 |
|
|
|
vy i |
1 |
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
0 |
0.5 |
1 |
|
|
|
vxi |
|
Получено уравнение регрессии: y(x)=3.087.x2 |
|
1.475.x |
|
|
0.515. |
1 |
|
|
|
|
|||
|
|
|||||
|
|
|
|
x 1
Пример. Величины X и Y связаны функциональной зависимостью
y(x)= 2e− x
Измерения величины Y производится с погрешностью, которая представляет собой равномерно распределенную на отрезке [ 0,1 ] случайную величину, имеющую среднее значение равное нулю и дисперсию равную 1. Необходимо смоделировать набор измеренных значений величины Y, при условии, что величина X принимает ряд значений в
диапазоне от 0 до 2 с шагом равным 0,2 и получить |
||||||||||||
уравнение регрессии по этим данным. |
|
|
|
|||||||||
Моделирование данных |
|
|
|
|
|
|
||||||
g( x) |
2.e x |
|
|
- вид функциональной зависимости между |
||||||||
|
|
|
|
|
|
величинами X и Y |
|
|
|
|
||
δx |
|
0.2 |
N |
10 |
|
- шаг изменения величины X и число измерений |
||||||
i |
0 .. N |
|
|
|
|
|
|
|
|
|
|
|
vx |
|
i.δx |
vy |
|
g vx |
rnd( 1) |
- моделирование измеренных |
|||||
i |
|
|
|
i |
|
i |
|
|
значений X и Y |
|
||
|
|
|
|
|
|
|
|
|
|
|||
Получение уравненя регрессии |
|
|
|
|
|
|||||||
y( x,a) |
a .ea1 |
.x |
|
- вид уравнения регрессии |
|
|
||||||
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
a .ea1 .x |
- функция y(x,a) |
|
|
|
|
||||
|
|
|
0 |
|
|
|
|
d |
|
|
|
|
F( x,a) |
a1 .x |
|
- производная |
y( x,a) |
|
|
|
|||||
|
|
|
e |
|
|
|
|
d a |
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
a .x.ea1 |
.x |
- производная |
d |
y( x,a) |
|
|
|
||
|
|
|
0 |
|
|
|
|
d a |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
1 |
|
|
|
va |
|
1 |
- вектор начальных значений для a |
|
и a |
|
||||||
|
2 |
|
|
|||||||||
|
|
|
|
|
|
|
|
|
0 |
1 |
|
|
a |
genfit( vx,vy,va,F) |
a = 1.937 |
- найденные значения |
|||||||||
|
|
|
|
|
|
|
0.393 |
|
коэффициентов a |
и a |
||
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
0 |
1 |
i |
0 .. length( vx) |
1 |
|
2.5 |
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
y vxi,a |
|
|
|
|
|
|
|
|
|
|
|
|
|
1.5 |
|
|
|
|
|
|
|
|
|
|
|
vy i |
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
0.5 |
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
0.5 |
1 |
1.5 |
2 |
vxi
Получено уравнение регрессии: y( x) 1.937.e 0.393 .x
1.Экстремум функции
Рассмотрим два способа поиска экстремума функции многих переменных. Первый из них использует известный из математического анализа факт равенства нулю частных производных функции в точке ее локального экстремума. Если такая точка найдена, то проводится исследование является данная точка точкой локального мксимума или минимума.
Пример. Найти экстремум функции
f (x, y) = (x − y − 2)2 + (x + y − 4)2 + 3
f( x, y) |
|
|
( x |
|
|
|
y |
|
2)2 |
|
|
|
( x |
|
|
|
y |
|
4)2 |
|
|
|
3 |
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
f x( x, y) |
|
|
|
d |
f( x, y) |
|
|
|
- определяем функцию для частной |
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
производной по аргументу x |
|||||||||||||||||||
|
|
|
d x |
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
f y( x, y) |
|
|
|
d |
f( x, y) |
- |
определяем функцию для частной |
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
d y |
|
|
|
производной по аргументу y |
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
x |
|
|
|
3 |
|
|
y |
|
5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
Given |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
f x( x, y) 0 - в точке локального экстремума частные производные по каждой переменной должны обращаться в ноль
f y( x, y) 0
x0 |
|
|
Find( x, y) |
x0 |
= |
|
- найдены координаты точки |
|
|
3 |
|||||
y0 |
|
|
y0 |
1 |
|||
|
|
||||||
|
|
|
|
локального экстремума |
|||
|
|
|
|
|
|
|
Определяем, является ли найденная точка локального экстремума функции f(x,y) точкой локального максимума или локального минимума.
Для этого опрелелим функции для вторых, смешаных производных от функции f(x,y) а также определитель матрицы Гессе.
|
|
|
|
|
|
d 2 |
|
|
|
|
|
|
|
|
d 2 |
||||||||
f xx( x, y) |
|
|
|
|
|
|
|
f( x, |
y) |
f yy( x, y) |
|
|
|
|
|
|
|
f( x, y) |
|||||
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
d x2 |
|
|
|
|
|
|
|
d y2 |
|||||||||
f ( x, y) |
|
|
|
d |
|
d |
f( x, y) |
f ( x, y) |
|
|
|
d |
|
d |
f( x, y) |
||||||||
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|||||||||||||||||
xy |
d xd y |
|
yx |
|
|
d yd x |
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
H( x, y) |
|
|
|
|
|
f xx( x, y) |
f xy( x, y) |
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
f yx( x, y) |
f yy( x, y) |
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
Так как |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
f ( x0, y0) = 4 |
( |
f ( x0, y0) > 0 ) |
|
|
|
|
|
|
|||||||||||||||
xx |
|
|
|
|
|
|
xx |
|
|
|
|
|
|
||||||||||
H( x0, y0) = |
16 |
|
|
|
|
( |
H( x0, y0) > 0 ), |
|
|
|
|
|
|
-то точка с координатами x=x0 и y=y0 является точкой локального минимума.
Второй способ основан на использовании функции Minerr и заключается в следующем. Пусть необходимо определить
минимум функции y = f (x1 , x2 ,..., xn ) ³ 0 .Если эта функция является знакопеременной то необходимо воспользоваться
другой функцией, например, g(x , x |
,..., ) = e f ( x1 , x2 ,...,xn ) |
которая |
|
1 |
2 |
|
|
монотонно связана с первой и, следовательно, имеет минимум в той же точке что и исходная функция. Далее, если попытаться с использованием функции Minerr найти решение уравнения f (x1 , x2 ,..., xn ) = 0 , то она возвратит набор
значений (x1 , x2 ,..., xn ) |
для которого значение |
функции |
f (x1 , x2 ,..., xn ) является |
наилучшим приближением |
к нулю. |
Следовательно набор значений (x1 , x2 ,..., xn ) и будет
определять точку в которой функция |
f (x1 , x2 ,..., xn ) достигает |
минимума. |
|
Если же необходимо определить |
максимум функции |
f (x1 , x2 ,..., xn ) , то необходимо поступить как и в предыдущем
случае, |
но |
вместо |
функции следует воспользоваться |
||||||||
функцией g(x1 , x2 ,..., ) = |
1 |
|
, |
если |
f (x1 , x2 ,..., xn ) ³ 0 , или |
||||||
|
|
||||||||||
|
|
||||||||||
|
|
|
|
|
|
f (x1 , x2 ,..., xn ) |
|
|
|
||
g(x , x |
,..., ) = e− f ( x1 ,x2 ,...,xn ) , |
если |
исходная |
функция является |
|||||||
1 |
2 |
|
|
|
|
|
|
|
|
|
|
знакопеременной. |
Тогда |
точка |
минимума |
функции |
|||||||
g(x1 , x2 ,..., xn ) будет |
|
соответствовать |
точке |
максимума |
|||||||
функции f (x1 , x2 ,..., xn ) |
|
|
|
|
|
|
|||||
Заметим, |
что |
если |
функция |
f (x1 , x2 ,..., xn ) имеет |
несколько |
локальных максимумов или минимумов, то результат поиска
будет зависеть от |
значений начальных приближений для |
|||
аргументов функции при поиске экстремума. |
|
|||
Пример. |
Найти |
локальный |
минимум |
функции |
f (x, y) = sin(xy) + cos(x + y 2 ) |
|
|
f( x, |
y) |
|
|
|
sin( x. y) |
|
|
|
cos( x |
|
|
|
y2 ) |
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||
g( x, y) |
|
|
|
ef( x, y ) |
|
- задание точности вычислений |
|||||||||||||||||||||||||||
|
|
|
|
||||||||||||||||||||||||||||||
TOL |
|
|
|
|
10 8 |
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|||||||||||||||||||||||||||||
x |
|
|
0 |
|
|
|
|
|
|
y |
|
|
1 |
|
- начальные приближения для переменных |
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
Given |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
g( x, y) |
|
|
0 |
- формальное равенство, которое необходимо, чтобы число |
|||||||||||||||||||||||||||||
|
|
||||||||||||||||||||||||||||||||
x |
|
x |
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
неизвестных в системе уравнений было равно числу |
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
уравнений |
|
|
|
|
|
|
|
|
|
|||||
|
x0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x0 |
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
Minerr( x, y) |
|
= |
|
0.792 |
- найдены координаты точки |
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
y0 |
|
|
|
|
|
|
|
|
y0 |
|
1.983 |
локального экстремума |
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
f( x0, y0) = |
|
|
2 |
|
|
|
- значение функции в точке экстремума |
||||||||||||||||||||||||||
|
|
|
|
Исследуем, действительно ли является ли найденная точка точкой локального минимуа функции f(x,y).
Для этого опрелелим функции для первых, вторых, смешаных производных от функции f(x,y) а также определитель матрицы Гессе.
f x( x, y) |
|
|
|
|
d |
f( x, y) |
|
f y( x, y) |
|
|
|
d |
f( x, y) |
||||||||||||||||||
|
|
|
|
|
|
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
d x |
|
|
|
|
|
|
|
d y |
|||||||||||||||||
|
|
|
|
|
|
|
|
|
d 2 |
|
|
|
|
|
|
|
|
|
|
|
d 2 |
||||||||||
f xx( x, y) |
|
|
|
|
|
|
|
|
|
f( x, |
y) |
f yy( x, y) |
|
|
|
|
|
|
|
|
|
f( x, y) |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
d x2 |
|
|
|
|
|
|
|
|
|
|
d y2 |
|||||||||||
f ( x, y) |
|
|
|
|
d |
|
d |
f( x, y) |
f ( x, y) |
|
|
|
|
|
d |
|
d |
f( x, y) |
|||||||||||||
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||
xy |
|
|
|
d xd y |
|
yx |
|
|
|
|
|
d yd x |
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
H( x, y) |
|
|
|
|
|
|
|
|
f xx( x, y) |
f xy( x, y) |
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
f yx( x, y) |
f yy( x, y) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
В точке с координатами x=x0 и y=y0
f x( x0, y0) |
= |
6.734 10 |
|
5 |
- ( = 0 ) |
|||
|
||||||||
f y( x0, y0) |
= |
|
3.445 10 |
|
4 |
- ( = 0 ) |
||
|
|
|||||||
|
Следовательно, точка с координатами x=x0 и y=y0 действительно является точкой локального экстремума.
Так как |
|
|
|
f ( x0, y0) = 4.933 |
( |
f ( x0, y0) |
> 0 ) |
xx |
|
xx |
|
H( x0, y0) = 74.977 |
( |
H( x0, y0) > |
0 ), |
-то точка с координатами x=x0 и y=y0 является точкой локального минимума.
Пример. |
Найти |
локальный |
максимум |
функции |
|||||||||||||
f (x, y) = 3xy − 2x4 − y 4 |
|
|
|||||||||||||||
f( x, y) |
|
|
|
3.x.y |
|
2.x4 |
|
|
y4 |
|
|
||||||
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|||||||||||
g( x, y) |
|
|
|
e f( x, y ) |
|
|
|
||||||||||
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
||||||||||||
TOL |
|
|
10 8 |
|
|
- задание точности вычислений |
|
||||||||||
|
|
|
|
||||||||||||||
|
|
|
|||||||||||||||
x |
|
0 |
|
|
y |
|
1 |
|
- начальные приближения для переменных |
|
|||||||
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
||||||||||||
Given |
|
|
|
|
|
|
|
|
|
|
|
|
|
g( x, y) 0
x x - формальное равенство, которое необходимо, чтобы число неизвестных в системе уравнений было равно числу уравнений
x0 |
|
|
Minerr( x, y) |
x0 |
= |
|
0.668 |
|
- найдены координаты точки |
|
|
|
|
||||||
|
|
|
|
|
|
||||
y0 |
|
|
y0 |
|
0.794 |
|
локального экстремума |
||
|
|
|
|
||||||
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
f( x0, y0) = 0.795 - значение функции в точке экстремума
Исследуем, действительно ли является ли найденная точка точкой локального локального максимума функции f(x,y). Для этого опрелелим функции для первых, вторых, смешаных производных от функции f(x,y) а также определитель матрицы Гессе.
f x( x, y) |
|
|
|
|
d |
f( x, y) |
|
f y( x, y) |
|
|
|
d |
f( x, y) |
|||||||||||||||
|
|
|
|
|
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
d x |
|
|
|
|
|
d y |
||||||||||||||||
|
|
|
|
|
|
|
|
d 2 |
|
|
|
|
|
|
|
|
|
d 2 |
||||||||||
f xx( x, y) |
|
|
|
|
|
|
|
|
f( x, |
y) |
f yy( x, y) |
|
|
|
|
|
|
|
|
|
f( x, y) |
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
d x2 |
|
|
|
|
|
|
|
|
d y2 |
|||||||||||
f ( x, y) |
|
|
|
d |
|
d |
f( x, y) |
f ( x, y) |
|
|
|
|
|
d |
|
d |
f( x, y) |
|||||||||||
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
xy |
|
|
d xd y |
|
yx |
|
|
|
|
|
d yd x |
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
H( x, y) |
|
|
|
|
|
|
|
f xx( x, y) |
f xy( x, y) |
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
fyx( x, y) f yy( x, y)
Вточке с координатами x=x0 и y=y0
f |
x |
( x0, y0) |
= |
3.371 10 |
|
5 |
- ( = 0 ) |
|
|||||||
|
|
|
|
|
|
|
|
f |
y |
( x0, y0) |
= |
7.877 10 |
|
5 |
- ( = 0 ) |
|
|||||||
|
|
|
|
|
|
|
Следовательно, точка с координатами x=x0 и y=y0 действительно является точкой локального экстремума.
Так как
f ( x0, y0) = |
|
10.703 |
( |
f ( x0, y0) |
< 0 ) |
|
|||||
xx |
|
xx |
|
||
H( x0, y0) = 71.996 |
( |
H( x0, y0) > |
0 ), |
-то точка с координатами x=x0 и y=y0 является точкой локального максимума.
Рассмотрим теперь получение уравнения регрессии по методу наименьших квадратов рассмотренным выше способом, основанным на минимизации целевой функции.
Пусть X = (x1 , x2 ,..., xi ,..., xn )T - вектор измеренных значений величины X, а Y = ( y1 , y2 ,..., yi ,..., yn )T - вектор измеренных значений величины Y. Необходимо по этому набору данных получить уравнение регрессии вида y(x) = f (x, a0 , a1 ,..., am ) .
В соответствии с методом наименьших квадратов задача сводится к минимизации квадратичной целевой функции
n
S (a1 , a2 ,..., am ) = ∑[ yi − f (xi , a1 , a2 ,..., am )]2 по набору параметров
i=1
a1 , a2 ,..., am .
Ниже приведен пример решения такой задачи.
Моделирование данных
2
g( x) 2.e ( x 2 ) - вид функциональной зависимости между величинами X и Y
δx 0.2 M 20 - шаг изменения величины X и число измерений
i 0 .. M
vxi i.δx vyi g vxi 0.8.rnd( 1) - моделирование измеренных значений X и Y
Получение уравненя регрессии
N length( vx) 1
f( x,a1 ,a2 ,a3) |
|
|
|
a1.ea2.( x |
|
|
|
a3)2 |
- вид уравнения регрессии |
||||||||||
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
N |
|
|
|
|||||
S( a1 ,a2 ,a3) |
|
|
|
|
|
|
|
|
f vx ,a1 ,a2 ,a3 |
|
vy 2 |
||||||||
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
i |
|
|
|
|
|
|
|
|
|
i = 0 |
|
|
|
|||||||
a1 |
|
1 |
a2 |
|
|
2 |
|
a3 |
|
3 |
- начальные приближения |
||||||||
|
|
|
|
||||||||||||||||
|
|
|
|
Given
S( a1 ,a2 ,a3) 0 a1 a1
a2 a2
a1 |
|
|
|
a1 |
|
2.104 |
||
|
|
|
|
|||||
|
|
|
|
|
|
|||
a2 |
|
|
Minerr( a1 ,a2 ,a3) |
a2 |
= |
|
|
0.488 |
|
|
|
||||||
|
|
|||||||
a3 |
|
|
|
a3 |
|
1.922 |
||
|
|
|
|
|
|
|