Презентация на тему Анализ данных в Mathcad. Математические вычисления

объектов другими, близкими к исходным, но более простыми.
Аппроксимация

позволяет исследовать числовые характеристики и качественные свойства объекта, сводя задачу к изучению более простых или более удобных объектов (например, таких, характеристики которых легко вычисляются, или свойства которых уже известны).

f(x) некоторой функцией (x) так, чтобы отклонение функции (x)

от f(x) в заданной области было наименьшим.

Когда имеется выборка экспериментальных данных, то она, чаще всего, представляются в виде массива, состоящего из пар чисел (xi,yi).
Поэтому возникает задача аппроксимации дискретной зависимости y(xi) непрерывной функцией f(x). Функция f(x), в зависимости от специфики задачи, может отвечать различным требованиям.

е. f(xi)=yi , i=1...n. В этом случае говорят об

интерполяции данных функцией f(x) во внутренних точках между xi, или экстраполяции за пределами интервала, содержащего все xi.
Функция f(x) должна некоторым образом приближать y(xi), не обязательно проходя через точки (xi,yi). Такова постановка задачи регрессии.
Функция f(x) должна приближать экспериментальную зависимость y(xi), учитывая, к тому же, что данные (xi,yi) получены с некоторой погрешностью. При этом функция f(x), с помощью того или иного алгоритма уменьшает погрешность, присутствующую в данных (xi,yi). Такого типа задачи называют задачами фильтрации. Сглаживание - частный случай фильтрации.

интерполяция, линейная регрессия, сглаживание.

дискретной зависимости y(xi), т.е. N пар чисел (xi,yi), или, по-другому,

узлов, некоторой непрерывной функцией y(x).
При этом основным условием является то, что функция y(x) должна проходить через точки (xi,yi), т. е. y(xi)=yi ,i=1...N, а также возможность вычислить значение y(x) в любой точке, находящейся между узлов.

различные многочлены невысокой степени.
В среде Mathcad есть для

этого инструментарий: средства линейной интерполяции (функция linterp) и интерполяции сплайном – линейным (lspline), параболическим (pspline) и кубическим (cspline).

искомую зависимость y(x) в виде ломаной линии. Интерполирующая функция

у(x) состоит из отрезков прямых, соединяющих точки (xi,yi)

квадратичными или кубическими сплайнами, т. е. отрезками квадратичных или

кубических парабол.
Сплайн-интерполяция обеспечивает равенство в узлах не только самих соседних параболических интерполирующих функций (сплайнов), но и их производных. Благодаря этому сплайн-интерполяция выглядит как очень гладкая функция.

Сплайн – это математическая модель гибкого, тонкого стержня из упругого
материала. Стержень закрепляется в двух соседних узлах с заданными углами наклона. Стержень длиннее, чем расстояние между двумя точками. Линия, которую описывает сплайн-функция, напоминает по форме гибкую линейку, закреплённую в узловых точках (откуда и название: spline – гибкая линейка).

В большинстве практических приложений лучше соединить экспериментальные точки (xi,yi) не ломаной линией, а гладкой кривой.

значения в промежуточных точках. Однако бывают случаи, когда необходимо

оценить табличную функцию за пределами ее области данных.
Такие предсказания позволяют осуществлять отдельные численные методы. Принцип их работы основывается на анализе поведения зависимости в нескольких ее точках.
В Mathcad функцией, реализующей один из алгоритмов предсказания (метод линейного предсказания Берга), является встроенная функция predict.

(элементы вектора должны быть взяты через равные интервалы);
m –

число последних исходных значений табличной функции, по которым выполняется прогноз;
n – число предсказанных значений.

известных значений Y по которым будет построена экстраполяция, в

нашем случае m = 8 (функция length);

Определение n, число значений Y, по которым строится экстраполяция + количество точек которое необходимо предсказать. В нашем случае n = 13.

графике исходную функцию (по точкам) и функцию предсказания, причем

таким образом, чтобы последняя являлась продолжением первой функции.
Для этого необходимо:
Так как мы имеем 8 значений исходных данных, то будем строить исходную функцию в 8 точках:
i:=0..7

экстраполяцию для 13-ти точек, то j:=0..13
Построим график функций. Причем

необходимо обратить внимание, что мы сдвинули начало координат для функции предсказания на 8 точек вправо (потому что исходная функция кончается на 8-й точке) с помощью выражения j+8.

зависимостей, при монотонных исходных функциях или исходных функциях, представляемых

полиномом невысокой степени при достаточно большом числе исходных точек.
Для хорошего прогноза необходимо тщательно подбирать число m, иначе качество прогноза может сильно ухудшиться.

средство, но необходимо учитывать влияние направления и величины касательных

векторов, указывать все точки кривой до ее изображения, невозможна локальная коррекция кривой. Расчет кубического сплайна требует обращения большой матрицы, зависящей от всех элементов сплайна; т. е. изменение любого сегмента затрагивает все остальные сегменты. Воздействие уменьшается при удалении от точки возмущения, но полностью пренебречь им нельзя.
Параболическая интерполяция разрешает большинство этих проблем за счет того, что она только непрерывна, т. е. в точках соединения сегментов сохраняется непрерывность лишь первой производной, причем параболическая интерполяция не требует больших расчетов.

= f (x) при помощи интерполяции, т. е. через

интерполяционный многочлен Рn(х) степени n, значения которого в заданных точках x0, x1, ..., хn совпадают со значениями y0, y1, ..., уn функции f в этих точках. Многочлен Рn(х) определяется единственным образом, но в зависимости от задачи его удобно записывать различными по виду формулами.
Интерполяционная формула Лагранжа
Интерполяционная формула Ньютона
Интерполяционная формула Стирлинга
Интерполяционная формула Бесселя

Интерполяционные формулы, формулы, дающие приближённое выражение функции у = f (x) при помощи интерполяции, т. е. через интерполяционный многочлен Рn(х) степени n, значения которого в заданных точках x0, x1, ..., хn совпадают со значениями y0, y1, ..., уn функции f в этих точках. Многочлен Рn(х) определяется единственным образом, но в зависимости от задачи его удобно записывать различными по виду формулами.
Интерполяционная формула Лагранжа
Интерполяционная формула Ньютона
Интерполяционная формула Стирлинга
Интерполяционная формула Бесселя

не привязываясь к конкретной точке (локальная интерполяция), а использовать

все узловые точки (глобальная).

Пусть некоторая функция f(x) определена рядом своих узловых точек (xi,yi) на некотором отрезке [a, b]. Под интерполяцией подразумевается вычисление значений f(x) в любом промежутке [xi, xi+1] в пределах отрезка [a,b]. Соответственно, любое вычисление f(x) вне отрезка [a,b] является экстраполяцией.
Значения f(x) вычисляются с помощью аппроксимирующего полинома:
Реализация полиномиальной аппроксимации сводится к вычислению коэффициентов полинома an, an–1, … , a1, a0 так, чтобы точки fa(xi) точно совпадали с узловыми точками.

узловые точки.
Особенностью глобальной полиномиальной интерполяции (параболической интерполяции) является однозначное

соответствие между числом узловых точек N аппроксимируемой функции и степенью полинома n=N–1.
На практике можно нередко задать функцию множеством точек , но тогда степень полинома станет очень большой, его вычисления займут много времени, а точность вычислений резко ухудшается. Максимальная степень полинома не должна превышать 8-10.