Kalkulator metody najmniejszych kwadratów: aproksymacja liniowa
Kalkulator znajduje współczynniki funkcji liniowej najlepiej pasującej do serii punktów (x, y).

Wersja beta#

TO JEST WERSJA TESTOWA
Ten kalkulator dopiero powstaje - właśnie nad nim pracujemy.
To znaczy, że może działać poprawnie, ale nie musi.
Jak najbardziej możesz go użyć. Może nawet uzyskasz poprawne wyniki.
Prosimy jednak, abyś sprawdził uzyskane wyniki we własnym zakresie. Potwierdź je przed wykorzystaniem, bo mogą być błędne.
W każdym razie - prace trwają. Ta podstrona powinna zostać ukończona już wkrótce. Zapraszamy !
Jeśli masz jakieś pomysły, uwagi - daj znać !

Dane do obliczeń - punkty pomiarowe#

Format danych pomiarowych
Wartości x
Wartości y

Wyniki - przybliżenie Twoich danych pomiarowych#

Rodzaj regresjiWzór funkcji przybliżającejWspółczynnik determinacji R2
Regresja liniowaShow sourcey=2 x+1y=2~x+11

Podsumowanie - funkcja najlepiej pasująca do Twoich danych#

Punkty pomiarowe
Liczba punktów4
Wprowadzone punkty(1, 3), (2, 5), (3, 7), (4, 9)
Przybliżenie
Rodzaj regresjiRegresja liniowa
Wzrór funkcjiShow sourcey=2 x+1y=2~x+1
Współczynnik determinacji R21
Współczynnik nachylenia prostej a2
Wyraz wolny b1
Wartości pomocnicze
Suma x-ów x\sum x10
Suma y-ów y\sum y24
Suma kwadratów x2\sum x^230
Suma iloczynów xy\sum xy70

Trochę informacji#

  • ⓘ Wskazówka: Jeżeli nie jesteś pewny(a) jakiego rodzaju regresji potrzebujesz, możemy pomóc Ci znaleźć najlepszy rodzaj funkcji: Rodzaje regresji.
  • Aproksymacja funkcji polega na znalezieniu wzoru funkcji, który najlepiej pasuje do zbioru punktów np. uzyskanych jako dane pomiarowe.
  • Metoda najmniejszych kwadratów jest jedną z metod znajdowania takiej funkcji.
  • Metoda najmniejszych kwadratów to metoda optymalizacji. W wyniku jej działania otrzymujemy taką funkcję, że suma kwadratów odchyleń od danych pomiarowych jest najmniejsza. Matematycznie możemy zapisać to następująco:
    i=1n[yif(xi)]2=min.\sum_{i=1}^{n} \left[y_i - f(x_i)\right]^2 = min.
    gdzie:
    • (xi,yi)(x_i, y_i) - współrzędne i-tego punktu pomiarowego, są to punkty, które znamy,
    • f(x)f(x) - funkcja, której szukamy, chcemy aby ta funkcja jak najlepiej pasowała do posiadanych punktów,
    • nn - liczba punktów pomiarowych.
  • Jeśli ograniczamy poszukiwania do funkcji liniowej, to mówimy o regresji liniowej lub przybliżeniu liniowym.
  • Jeżeli postawimy warunek, że szukamy tylko funkcji liniowej:
    f(x)=ax+bf(x) = ax + b
    to otrzymamy następujące rozwiązania:
    a=n SxySx Syn Sxx(Sx)2a = \dfrac{n~S_{xy} - S_x~S_y}{n~S_{xx} - \left(S_x\right)^2}
    b=Sya Sxnb = \dfrac{S_y - a~S_x}{n}
    gdzie:
    • SxS_{x} - suma x-ów xi\sum x_i,
    • SyS_{y} - suma y-ów yi\sum y_i,
    • SxxS_{xx} - suma kwadratów xi2\sum x_i^2,
    • SxyS_{xy} - suma iloczynów xi yi\sum x_i~y_i.

Tagi i linki do tej strony#

Jakie tagi ma ten kalkulator#

Permalink#

Poniżej znaduje się permalink. Permalink to link, który zawiera dane podane przez Ciebie. Po prostu skopiuj go do schowka i podziel się swoją pracą z przyjaciółmi:

Linki do innych stron na ten temat (poza Calcullą)#

JavaScript failed !
So this is static version of this website.
This website works a lot better in JavaScript enabled browser.
Please enable JavaScript.