Dzień dobry, trochę się zgubiłam pisząc raport.
Mianowice, badam przyśpieszenie korzystając z równi i grzęznę na czymś takim.
Mam zawrzeć:
Zastosowanie metody najmniejszych kwadratów w celu wyznaczenia nieznanych parametrów wybranego modelu teoretycznego oraz korelacji między nimi, dla każdego z kątów nachylenia równi.
Z tym ,że model wygląda tak
\(\displaystyle{ s=v_{0} \cdot t + \frac{a}{2} \cdot t^2}\)
a ja mam do dyspozycji \(\displaystyle{ s}\) oraz \(\displaystyle{ t}\).
Jak mogę to tutaj zastosować?
Metoda najmniejszych kwadratów w celu wyznaczenia nieznanych parametrów
-
- Użytkownik
- Posty: 124
- Rejestracja: 24 paź 2019, o 21:28
- Płeć: Kobieta
- wiek: 19
- Podziękował: 9 razy
- Pomógł: 1 raz
Metoda najmniejszych kwadratów w celu wyznaczenia nieznanych parametrów
Ostatnio zmieniony 6 maja 2020, o 16:46 przez Jan Kraszewski, łącznie zmieniany 1 raz.
Powód: Symbol mnożenia to \cdot. Poprawa wiadomości.
Powód: Symbol mnożenia to \cdot. Poprawa wiadomości.
-
- Użytkownik
- Posty: 7917
- Rejestracja: 18 mar 2009, o 16:24
- Płeć: Mężczyzna
- Podziękował: 30 razy
- Pomógł: 1671 razy
Re: Metoda najmniejszych kwadratów w celu wyznaczenia nieznanych parametrów
Funkcję drogi w ruchu jednostajnie przyśpieszonym ciała po równi pochyłej
\(\displaystyle{ s = v_{0}t + \frac{1}{2}a t^2 }\)
sprowadzamy do funkcji liniowej
\(\displaystyle{ \frac{s}{t} = v_{0} + \frac{1}{2}a t. }\)
Wprowadzamy oznaczenia parametrów MNK
\(\displaystyle{ y = \frac{s}{t}, \ \ a_{0} = v_{0}, \ \ a_{1} = \frac{1}{2}a, }\)
stąd otrzymujemy równanie prostej
\(\displaystyle{ y = a_{0} + a_{1} t. }\)
Dane pomiarowe :
\(\displaystyle{ (t_{1}, \ \ s_{1}, \ \ u_{1}), ( t_{2}, \ \ s_{2}, \ \ u_{2}), ...,( t_{N}, \ \ s_{N}, \ \ u_{N}). }\)
Parametry modelu obliczamy na podstawie wzorów na wartości współczynników regresji liniowej (wzory można wyprowadzić patrz np. (*))
\(\displaystyle{ a_{1} = \frac{S\cdot S_{xy} - S_{x} \cdot S_{y}}{\Delta}, \ \ a_{0} = \frac{S_{xx}\cdot S_{y} - S_{x} \cdot S_{yy}}{\Delta} }\)
\(\displaystyle{ u_{a_{1}} = \sqrt{\frac{S}{\Delta}}, \ \ u_{a_{0}} = \sqrt{\frac{S_{xx}}{\Delta}}, }\)
\(\displaystyle{ S = \sum_{i=1}^{N}\frac{1}{u^2_{i}} , \ \ S_{x} = \sum_{i=1}^{N}\frac{t_{i}}{u^2_{i}}, \ \ S_{y}= \sum_{i=1}^{N}\frac{s_{i}}{u^2_{i}}, \ \ S_{xx} = \sum_{i= 1}^{N} \frac{t^2_{i}}{u^2_{i}}, \ \ S_{xy} = \sum_{i=1}^{N}\frac{t_{i} s_{i}}{u^2_{i}}, \ \ \Delta = S\cdot S_{xx} - S^2_{x}.}\)
Kowariancja i współczynnik korelacji
\(\displaystyle{ s_{a_{1}a_{0}}= - \frac{S_{x}}{\Delta}, \ \ r_{a_{1}a_{0}} = -\frac{S_{x}}{\sqrt{S\cdot S_{xx}}}.}\)
(*) Andrzej Bielski, Roman Ciuryło. PODSTAWY METOD OPRACOWANIA POMIARÓW. Wydawnictwo UMK Toruń 2001.
\(\displaystyle{ s = v_{0}t + \frac{1}{2}a t^2 }\)
sprowadzamy do funkcji liniowej
\(\displaystyle{ \frac{s}{t} = v_{0} + \frac{1}{2}a t. }\)
Wprowadzamy oznaczenia parametrów MNK
\(\displaystyle{ y = \frac{s}{t}, \ \ a_{0} = v_{0}, \ \ a_{1} = \frac{1}{2}a, }\)
stąd otrzymujemy równanie prostej
\(\displaystyle{ y = a_{0} + a_{1} t. }\)
Dane pomiarowe :
\(\displaystyle{ (t_{1}, \ \ s_{1}, \ \ u_{1}), ( t_{2}, \ \ s_{2}, \ \ u_{2}), ...,( t_{N}, \ \ s_{N}, \ \ u_{N}). }\)
Parametry modelu obliczamy na podstawie wzorów na wartości współczynników regresji liniowej (wzory można wyprowadzić patrz np. (*))
\(\displaystyle{ a_{1} = \frac{S\cdot S_{xy} - S_{x} \cdot S_{y}}{\Delta}, \ \ a_{0} = \frac{S_{xx}\cdot S_{y} - S_{x} \cdot S_{yy}}{\Delta} }\)
\(\displaystyle{ u_{a_{1}} = \sqrt{\frac{S}{\Delta}}, \ \ u_{a_{0}} = \sqrt{\frac{S_{xx}}{\Delta}}, }\)
\(\displaystyle{ S = \sum_{i=1}^{N}\frac{1}{u^2_{i}} , \ \ S_{x} = \sum_{i=1}^{N}\frac{t_{i}}{u^2_{i}}, \ \ S_{y}= \sum_{i=1}^{N}\frac{s_{i}}{u^2_{i}}, \ \ S_{xx} = \sum_{i= 1}^{N} \frac{t^2_{i}}{u^2_{i}}, \ \ S_{xy} = \sum_{i=1}^{N}\frac{t_{i} s_{i}}{u^2_{i}}, \ \ \Delta = S\cdot S_{xx} - S^2_{x}.}\)
Kowariancja i współczynnik korelacji
\(\displaystyle{ s_{a_{1}a_{0}}= - \frac{S_{x}}{\Delta}, \ \ r_{a_{1}a_{0}} = -\frac{S_{x}}{\sqrt{S\cdot S_{xx}}}.}\)
(*) Andrzej Bielski, Roman Ciuryło. PODSTAWY METOD OPRACOWANIA POMIARÓW. Wydawnictwo UMK Toruń 2001.
Re: Metoda najmniejszych kwadratów w celu wyznaczenia nieznanych parametrów
Ciekawe podejście. Czy daje ono coś ekstra w stosunku do podejścia, jakie ja bym zastosował, i pozwolę je sobie nazwać "standardowym"? Standardowym, przynajmniej jeśli chodzi o regresję liniową a nie metody opracowania pomiarów, bo na tych się nie znam.
Tzn. traktując \(\displaystyle{ \frac{1}{2}t^2}\) jako nową zmienną \(\displaystyle{ z=\frac{1}{2}t^2}\), otrzymujemy zależność liniową ze względu na dwie zmienne: \(\displaystyle{ t}\) i \(\displaystyle{ z}\).
Model przyjmuje postać:
\(\displaystyle{ s = v_{0}t + a z }\)
Wprowadzamy wszystkie obserwacje do dowolnego programu liczącego regresję liniową, do trzech kolumn: s, t, z. Robimy regresję gdzie zmienną celu jest s, a zmiennymi objaśniającymi pozostałe dwie zmienne. W wyniku otrzymujemy parametry \(\displaystyle{ v_{0}}\) oraz \(\displaystyle{ a}\), i w zależności od programu, korelacje między nimi.
To podejście jest o tyle bardziej uniwersalne, że gdyby dodać do modelu \(\displaystyle{ t}\) w 3-ciej i dowolnej kolejnej potędze, to również będzie je można zastosować.
Michał
Tzn. traktując \(\displaystyle{ \frac{1}{2}t^2}\) jako nową zmienną \(\displaystyle{ z=\frac{1}{2}t^2}\), otrzymujemy zależność liniową ze względu na dwie zmienne: \(\displaystyle{ t}\) i \(\displaystyle{ z}\).
Model przyjmuje postać:
\(\displaystyle{ s = v_{0}t + a z }\)
Wprowadzamy wszystkie obserwacje do dowolnego programu liczącego regresję liniową, do trzech kolumn: s, t, z. Robimy regresję gdzie zmienną celu jest s, a zmiennymi objaśniającymi pozostałe dwie zmienne. W wyniku otrzymujemy parametry \(\displaystyle{ v_{0}}\) oraz \(\displaystyle{ a}\), i w zależności od programu, korelacje między nimi.
To podejście jest o tyle bardziej uniwersalne, że gdyby dodać do modelu \(\displaystyle{ t}\) w 3-ciej i dowolnej kolejnej potędze, to również będzie je można zastosować.
Michał
-
- Użytkownik
- Posty: 7917
- Rejestracja: 18 mar 2009, o 16:24
- Płeć: Mężczyzna
- Podziękował: 30 razy
- Pomógł: 1671 razy
Re: Metoda najmniejszych kwadratów w celu wyznaczenia nieznanych parametrów
Można, ale pod jednym warunkiem, że obliczenie \(\displaystyle{ t^2 }\) (kwadratu, czy wyższych potęg) nie powoduje dużych błędów zaokrągleń.