Kalkulator metody najmniejszych kwadratów: aproksymacja wykładnicza
Kalkulator znajduje współczynniki funkcji wykładniczej y=a×exp(bx) 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 wykładniczaShow sourcey=830819076910000000000 e26257978632500000000 xy=\frac{8308190769}{10000000000}~e^{\frac{2625797863}{2500000000}~x}0.999554898

Podsumowanie - funkcja najlepiej pasująca do Twoich danych#

Punkty pomiarowe
Liczba punktów4
Wprowadzone punkty(1, 2), (2, 7), (3, 20), (4, 55)
Przybliżenie
Rodzaj regresjiRegresja wykładnicza
Wzrór funkcjiShow sourcey=830819076910000000000 e26257978632500000000 xy=\frac{8308190769}{10000000000}~e^{\frac{2625797863}{2500000000}~x}
Współczynnik determinacji R20.999554898

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 wykładniczej, to mówimy o regresji wykładniczej lub przybliżeniu funkcją wykładniczą:
    f(x)=a×ebxf(x) = a \times e^{bx}
    gdzie:
    • f(x) - szukana funkcja, która jak najlepiej przybliży dane wejściowe,
    • a,b - nieznane parametry funkcji, które chcemy znaleźć,
    • e - podstawa logarytmu naturalnego.
  • Aproksymacja wykładnicza jest jednym z przykładów regresji nieliniowej tzn. z użyciem funkcji innej niż funkcja liniowa.
  • Korzystając z metody najmniejszych kwadratów możemy znaleźć parametry a i b powyższej funkcji, przy których suma kwadratów odchyleń od danych pomiarowych jest najmniejsza tzn. najlepiej pasuje do danych wzorcowych.
  • Przykładowe zjawiska, które mają charakter wykładniczy to np. dynamika rozprzestrzeniania się zakażeń w epidemii lub czas wykonania niektórych algorytmów komputerowych.

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.