回归分析(牙膏!)、插值拟合、论文书写.pptx

§1. 知识扩充:回归分析方法;变量之间的关系;确定性关系和相关关系的联系;一元线性回归;§1.2一元线性回归分析;、;1.2.2 模型参数估计;其中;;;1.2.3 回归方程的显著性检验;F检验法;回归系数的置信区间;1.2.4 预测与控制;（2）控制;§1.3 可线性化的一元非线性回归曲线回归;;通常选择的六类曲线如下：;§1.4 多元线性回归;;1.4.2 模型参数估计;解得估计值;1.4.4多元线性回归中的检验与预测;F检验法:;(2)预测;§1.5 逐步回归分析;（4）“有进有出”的逐步回归分析。; 这个过程反复进行，直至既无不显著的变量从回归方程中 剔除，又无显著变量可引入回归方程时为止。;1.６.1多元线性回归;3）、画出残差及其置信区间： rcoplot（r，rint）;例1;3）残差分析，作残差图： rcoplot(r,rint);;;法一;法二;函数: stepwise;例3.　水泥凝固时放出的热量 y 与水泥中的四种化 学成分 x1, x2, x3, x4 有关, 今测得一组数据如下, 试 用逐步回归法确定一个线性模型.;x1=[7,1,11,11,7,11,3,1,2,21,1,11,10]; x2=[26,29,56,31,52,55,71,31,54,47,40,66,68]; x3=[6,15,8,8,6,9,17,22,18,4,23,9,8]; x4=[60,52,20,47,33,22,6,44,22,26,34,12,12]; y=[78.5,74.3,104.3,87.6,95.9,109.2,102.7,72.5,93.1, 115.9,83.8,113.3,109.4]; x=[x1,x2,x3,x4];;对变量 y 和 x1, x2 作线性回归.;§1.8 综合应用;例1:牙膏的销售量;2.基本模型;2.模型求解;参数;β2的置信区间包含零点(右端点距零点很近) ;销售量预测区间为[7.8230，8.7636]（置信度95%）;5.两模型销售量预测比较;例2:软件开发人员的薪金问题;1.分析与假设;2.模型求解;3.结果分析;4.模型的改进;去掉异常数据后的结果;5.模型应用;1）对定性因素(如管理、教育)，可以引入0-1变量处理，0-1变量的个数应比定性因素的水平少1。 ;例3:酶催化反应;实验数据见下表:;经嘌呤霉素处理后实验数据的估计结果;线性化模型结果分析;4.非线性模型参数估计;x= ; y= ; beta0=[195.8027 0.04841]; [beta,R,J]=nlinfit(x,y,’f1’,beta0); betaci=nlparci(beta,R,J);;5.混合反应模型;混合模型求解;简化的混合模型;§2. 插值与拟合方法;§2.1 插值概念与基础理论; 这类问题称为插值问题。 [a,b]称为插值区间， x0 , x1, ... , xn 称为插值节点，（2）称为插值条件，插值条件是选择近似函数的标准，满足此条件的近似函数 ?(x) 称为插值函数， f(x) 称为被插值函数。 ; 根据所给函数表（1），求一个次数不高于n的多项式;; ; 由于xi互异，所以(6)右端不为零，从而方程组(5)的解 a0 ,a1 ,…an 存在且唯一。于是有 ; 2.1.3误差估计 ; ;§2.2 插值多项式的求法;2.2.1 拉格朗日插值多项式;;满足条件（9）的多项式;因此，可设;两种特殊的Lagrange插值多项式;2.抛物插值;;§2.3 分段低次插值 ; 我们已经知道：f(x)在n+1个节点xi(i=0，1，2，…，n) 上的n次插值多项式Pn (x) 的余项;1901年龙格(Runge) 给出一个例子: 定义在区间[-5，5]上，这是一个光滑函数，它的任意阶导数都存在，对它在[-5，5]上作等距节点插值时，插值多项式情况，见图:; 从图中，还可发现，在0附近插值效果是好的，即余项较小，另一种现象是插值多项式随节点增多而振动更多。 这种插值多项式当节点增加时反而不能更好地接近被插之数的现象，称为龙格现象。;分段线性插值的构造：;分段线性插值曲线图：;分段二次插值即：选取跟节点x最近的三个节点xi-1,xi, xi+1进行二次插值，即在区间[xi-1, xi+1]，取： 这种分段的低次插值叫分段二次插值，在几何上就是用分段抛物线代替y=f(x)，故分段二次插值又和分段抛物插值。 ; 例1 考察某种纤维的强度与其拉伸倍数的关系