- •Методичні вказівки до практичних занять
- •Обчислювальна математика
- •2010 Зміст
- •Урахування похибок
- •1.1 Основні джерела похибок
- •1.2 Основні поняття
- •1.3 Правила обчислення похибок
- •1.4 Деякі правила обчислення максимальних граничних похибок
- •1.5 Приклади
- •1.6 Задачі
- •Методи розв'язування нелінійних рівнянь
- •2.1 Відокремлення коренів
- •2.2 Метод половинного поділу (бісекцій або діхотомії)
- •2.3 Метод січних (хорд, пропорційних частин)
- •2.4 Метод Ньютона (дотичних, лінеаризації)
- •2.4.1 Модифікований метод Ньютона
- •2.4.2 Метод Ньютона-Бройдена
- •2.5 Метод хорд та дотичних (комбінований метод)
- •2.6 Метод простих ітерацій
- •Методи розв'язування систем нелінійних рівнянь
- •3.1 Метод простих ітерацій
- •3.2 Метод Зейделя
- •3.3 Метод Ньютона
- •3.4 Модифікований метод Ньютона
- •Розв’язування систем лінійних алгебраїчних рівнянь (слар)
- •4.1 Метод ітерації
- •4.2 Зведення слар до вигляду, який придатний до застосування методу ітерації.
- •4.3 Метод Зейделя
- •4.4 Метод релаксації
- •4.5 Метод прогонки
- •4.6 Методика розв’язування задачі
- •5. Наближення функцій
- •5.1 Інтерполяція
- •5.2 Інтерполяційна формула Лагранжа
- •5.3 Оцінка похибки інтерполяційної формули Лагранжа
- •5.4 Збіжність функціонального інтерполяційного процесу неперервних функцій
- •5.5 Методика розв’язування задачі лінійної інтерполяції
- •5.6 Методика розв’язування задачі параболічної інтерполяції
- •5.7 Поліноми Чебишева
- •5.8 Інші методи інтерполяції. Інтерполяційний многочлен Ньютона
- •5.9 Методи інтегрально-диференціальної інтерполяції
- •5.10 Методи інтегрального згладжування
- •5.11 Метод найменших квадратів
- •5.12 Особливості мнк
- •5.13 Метод найкращого інтегрального наближення
- •5.14 Методи інтерполяції та згладжування на основі сплайнів
- •5.15 Інтерполяційні диференціальні кубічні сплайни
- •Список використаних джерел
5.11 Метод найменших квадратів
Нехай у вузлах задані значення функції, де. Треба знайти коефіцієнти, узагальненого многочлена
(5.15)
де - система базисних функцій, які забезпечують мінімум:
Необхідна умова безумовного екстремуму: де.
У результаті можна отримати:
(5.16)
Система (5.16) називається нормальною системою МНК. Для лінійної апроксимації маємо: . Система (5.16) набуває вигляду:
Звідси: , (5.17)
де - середні значеннях і у.
Для квадратичної апроксимації отримаємо:
. (5.18)
Приклад 1. Визначити рівняння прямої за МНК, яка проходить найближче до таких точок:
-
х
1
1,5
2
2,5
3
3,5
у
0,29
0,81
1,26
1,85
2,5
3,01
За формулами (5.17) отримаємо:
Відповідь: .
Приклад 2. Визначити рівняння прямої за МНК, яка проходить найближче до таких точок:
-
х
2,8
2,2
3
3,5
3,2
3,7
4
4,8
6
5,4
5,2
5,4
6
9
у
6,7
6,9
7,2
7,3
8
8,8
9,1
9,8
10,6
10,7
11,1
11,8
12,1
12,4
Аналогічно попередньому отримаємо:
Відповідь: .
Приклад 3. Визначити рівняння прямої за МНК, яка проходить найближче до таких точок:
х |
1 |
2 |
3 |
4 |
5 |
у |
5,7 |
6,7 |
5,2 |
3,2 |
3,7 |
Відповідь: .
Приклад 4. Визначити рівняння прямої та параболи за МНК, які проходять найближче до таких точок:
х |
2 |
3 |
4 |
5 |
у |
7 |
5 |
8 |
7 |
За формулами (5.17), (5.18) отримаємо
5.12 Особливості мнк
Метод інтерполяції – точковий метод, тому що потребує виконання точкових умов інтерполяції. МНК є інтерполяційним методом і не потребує точного виконання функціональних умов, вимагає відповідності ів середньому (за інтегралом або за інтегральною сумою).
Вихідна функція задана неточно, а з деякою похибкою, суттєво більшою, ніж у методі інтерполяції. Ця похибка зумовлена результатами фізичного досліду.
Кількість точок , у яких задана вихідна функція, як правило, значно більше степенят многочлена . Тому міжп і т немає відповідності, як це має місце в методі інтерполяції.
Зауваження.
Якщо для функції, яка задана в точці, визначати многочлен степеняза МНК, тозбігається з інтерполяційним многочленом і метод стає еквівалентним методу інтерполяції з нульовою дисперсією.
У кожному конкретному випадку може існувати "оптимальна" степінь т, яка залежить від конкретної поведінки функції, числа п і вигляду базисних функцій . Нехай похибка задання вихідної функції характеризується тільки одним значенням(усі похибки однакові).
Задаючи деяке т, визначають коефіцієнти , та середнє квадратичне відхиленняі порівнюють його з. Можливі три випадки:
якщо , то апроксимація дуже груба, степіньт недостатня, треба її збільшити;
якщо , то апроксимація фізично недостовірна, степіньт треба зменшити;
якщо , то степінь многочленат є оптимальною.
Система (2) при стає погано зумовленою і визначити многочленпрактично неможливо. Необхідно замість степеневих базисних функцій використовувати, наприклад, поліноми Чебишова або інші базисні функції.
МНК реалізує найкраще в середньому наближення у всій області визначення функції і в деяких випадках не враховує локальних властивостей функції, наприклад, окремі піки функції.
Реалізація МНК з використанням степеневих функцій пов’язана з розв’язуванням СЛАР відповідно до коефіцієнтів , причому при зміні степенят усі коефіцієнти необхідно розраховувати знову. Цей недолік усувається вибором ортогональних базисних функцій .