Интерполяция и регрессия в среде MathCad

Особенность осуществления линейной интерполяции. Реализация сплайн-интерполяции в MathCad. Применение стандартных функций интерполяции-экстраполяции. Исследование основных задач математической регрессии. Экстраполяция при помощи функции предсказания.

Рубрика Программирование, компьютеры и кибернетика
Вид методичка
Язык русский
Дата добавления 27.12.2020
Размер файла 118,8 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Министерство образования и науки Российской Федерации

Государственное образовательное учреждение высшего профессионального образования

«Комсомольский-на-Амуре государственный технический университет»

Кафедра «Промышленная электроника»

Интерполяция и регрессия в среде mathcad

Методические указания к лабораторной работе

По курсам «Программные средства» и «Основы компьютерного проектирования и моделирования РЭС»

Комсомольск-на-Амуре 2007

Интерполяция и регрессия в среде MathCAD: Методические указания к лабораторной работе 4 /Сост. Е.П. Иванкова, Н.Н. Любушкина. - Комсомольск-на-Амуре: Комсомольский-на-Амуре гос. техн. ун-т, 2007 - 12 с.

Рассматриваются вопросы линейной интерполяции, кубической и полиномиальной сплайн-интерполяции, экстраполяция функций, регрессия всех видов и ввод-вывод данных в среде MathCAD.

Предназначено для студентов специальностей: 210106 «Промышленная электроника» и 210303 «Бытовая радиоэлектронная аппаратура», обучающихся по традиционной технологии.

Печатается по постановлению редакционно-издательского совета Комсомольского-на-Амуре государственного технического университета.

Согласовано с отделом стандартизации.

Цель работы: освоить простые методы обработки данных - интерполяцию, экстраполяцию и регрессию.

1. ТЕОРЕТИЧЕСКИЕ СВЕДЕНИЯ

Основным объектом исследования, как правило, является выборка экспериментальных данных, которая, чаще всего, представляется в виде массива, состоящего из пар чисел (xi,yi). В связи с этим возникает задача аппроксимации конкретной зависимости y(xi) непрерывной функцией f(х). Функция f(х), в зависимости от специфики задачи, может отвечать различным требованиям:

f(х) должна проходить через точки (xi,yi), т.е. f(xi) = yi, i = 1...n. В этом случае говорят об интерполяции данных функцией f(х) во внутренних точках между xi или экстраполяции за пределами интервала, содержащего все хi;

f(х) должна некоторым образом (например, в виде определенной аналитической зависимости) приближать y(xi), не обязательно проходя через точки (xi,yi).

Для построения интерполяции-экстраполяции в MathCAD имеется несколько встроенных функций, позволяющих "соединять" точки выборки данных (xi,yi) кривой разной степени гладкости. По определению интерполяция означает построение функции А(х), аппроксимирующей зависимость у(х) в промежуточных точках (между xi). Поэтому интерполяцию еще по-другому называют аппроксимацией. В точках xi значения интерполяционной функции должны совпадать с исходными данными, т.е. A(xi) = y (хi).

1.1 Линейная интерполяция

Самый простой вид интерполяции - линейная, которая представляет искомую зависимость А(х) в виде ломаной линии. Интерполирующая функции А(х) состоит из отрезков прямых, соединяющих точки.

Для построения линейной интерполяции служит встроенная функция linterp (рисунок 1) - функция, аппроксимирующая данные векторов х и у кусочно-линейной зависимостью linterp (х, у, t), где х - вектор действительных данных аргумента; у - вектор действительных данных значений того же размера; t - значение аргумента, при котором вычисляется интерполирующая функция.

Элементы вектора х должны быть определены в порядке возрастания, т.е. x1<x2<xj<...<xN.

Чтобы осуществить линейную интерполяцию, надо выполнить следующие действия:

Ввести векторы данных х и у (первые две строки листинга).

Размещено на http://www.allbest.ru/

Определить функцию linterp(x,y,t).

Вычислить значения этой функции в требуемых точках, например:

linterp(x, y, 2.4) = 3.52;

linterp(х, у, 6) = 5.9,

или построить ее график.

Функция A(t) на графике имеет аргумент t, а не х. Это означает, что функция A(t) вычисляется не только при значениях аргумента (т.е. в семи точках), а при гораздо большем числе аргументов в интервале (0, 6), что автоматически обеспечивает MathCAD. Просто в данном случае эти различия незаметны, т.к. при обычном построении графика функции от векторного аргумента х MathCAD по умолчанию соединяет точки графика прямыми линиями (т.е. скрытым образом осуществляет их линейную интерполяцию), как показано на рисунке 1.

1.2 Кубическая сплайн-интерполяция

В большинстве практических приложений желательно соединить экспериментальные точки не ломаной линией, а гладкой кривой. Лучше всего для этих целей подходит интерполяция кубическими сплайнами, т.е. отрезками кубических парабол interp(s, x, y, t) - функция, аппроксимирующая данные векторов х и у кубическими сплайнами:

s - вектор вторых производных, созданный одной из сопутствующих функций cspline, pspline или lspline;

х - вектор действительных данных аргумента, элементы которого расположены в порядке возрастания;

у - вектор действительных данных значений того же размера;

t - значение аргумента, при котором вычисляется интерполирующая функция.

Сплайн-интерполяция в MathCAD реализована чуть сложнее линейной. Перед применением функции interp необходимо предварительно определить первый из ее аргументов - векторную переменную s. Делается это при помощи одной из трех встроенных функций тех же аргументов (х,у):

lspline(x, y) - вектор значений коэффициентов линейного сплайна;

pspline(х, у) - вектор значений коэффициентов квадратичного сплайна;

cspline (х, у) - вектор значений коэффициентов кубического сплайна:

х, у - векторы данных.

Выбор конкретной функции сплайновых коэффициентов влияет на интерполяцию вблизи конечных точек интервала.

Смысл сплайн-интерполяции заключается в том, что в промежутках между точками осуществляется аппроксимация в виде зависимости

A(t) = at3 + bt2 + ct + d.

Коэффициенты а, b, с, d рассчитываются независимо для каждого промежутка исходя из значений yi в соседних точках. Этот процесс скрыт от пользователя, поскольку смысл задачи интерполяции состоит в выдаче значения A(t) в любом точке t (рисунок 2).

Размещено на http://www.allbest.ru/

Чтобы подчеркнуть различия, соответствующие разным вспомогательным функциям cspline, pspline, lspiine, покажем результат действия при замене функции cspline на линейную lspline рисунком 3. Как видно, выбор вспомогательных функций существенно влияет на поведение А(t) вблизи граничных точек рассматриваемого интервала (0, 6) и особенно разительно меняет результат экстраполяции данных за его пределами.

Если на графике задать построение функции А(х) вместо A(t), то будет получено просто соединение исходных точек ломаной. Так происходит потому, что в промежутках между точками вычисления интерполирующей функции не производятся.

1.3 Полиномиальная сплайн-интерполяция

Более сложный тип интерполяции - так называемая интерполяция
В-сплайнами. В отличие от обычной сплайн-интерполяции сшивка элементарных В-сплайнов производится не в точках xi, а в других точках ui, координаты которых предлагается ввести пользователю. Сплайны могут быть полиномами 1, 2 или 3 степени (линейные, квадратичные или кубические). Применяется интерполяция В-сплайнами точно так же, как и обычная сплайн-интерполяция, различие состоит только в определении вспомогательной функции коэффициентов сплайна.

interp (s, х, у, t) - функция, аппроксимирующая данные векторов х с помощью В-сплайнов.

bspline(x, y, u, n) - вектор значений коэффициентов В-сплайна:

s - вектор вторых производных, созданный функцией bspiine;

х- вектор действительных данных аргумента, элементы которого расположены в порядке возрастания;

у - вектор действительных данных значений того же размера;

t - значение аргумента, при котором вычисляется интерполирующая функция; линейный интерполяция математический регрессия

u - вектор значений аргумента, в которых производится сшивка В- сплайнов;

n - порядок полиномов сплайновой интерполяции (1, 2 или 3).

Рисунок 3 - Сплайн-интерполяция для кубического А(t) и
линейного As(t) сплайнов

Размерность вектора u должна быть на 1, 2 или 3 меньше размерности векторов х и у. Первый элемент вектора и должен быть меньше или равен первому элементу вектора х, а последний элемент u - больше или равен последнему элементу х.

1.4 Сплайн-экстраполяция

Для вычисления экстраполяции достаточно просто указать соответствующее значение аргумента, которое лежит за границами рассматриваемого интервала. С этой точки зрения разницы в применении в MathCAD между интерполяцией и экстраполяцией нет.

На практике при построении экстраполяции следует соблюдать известную осторожность, не забывая о том, что ее успех определяется значимостью ближайших к границе интервала точек.

Стандартные функции интерполяции-экстраполяции стоит применять только в непосредственной близости границ интервала данных. В MathCAD имеется более развитый инструмент экстраполяции, который учитывает распределение данных вдоль всего интервала. В функцию predict встроен линейный алгоритм предсказания поведения функции, основанный на анализе, в том числе осцилляции:

predict (у, m, n) - функция предсказания вектора, экстраполирующего выборку данных:

у - вектор действительных значений, взятых через равные промежутки значений аргумента;

m - количество последовательных элементов вектора у, согласно которым строится экстраполяция;

n - количество элементов вектора предсказаний.

Размещено на http://www.allbest.ru/

Пример использования функ ции предсказания на примере экстраполяции осциллирующих данных yj с меняющейся амплитудой приведен на рисунке 4. Аргументы и принцип действия функции predict отличаются от рассмотренных выше встроенных функций интерполяции-экстраполяции. Значений аргумента для данных не требуется, поскольку по определению функция действует на данные, идущие друг за другом с равномерным шагом. Обратите внимание, что результат функции predict вставляется "в хвост" исходных данных.

Функция предсказания может быть полезна при экстраполяции данных на небольшие расстояния. Вдали от исходных данных результат часто бывает неудовлетворительным. Кроме того, функция predict хорошо работает в задачах анализа подробных данных с четко прослеживающейся закономерностью, в основном осциллирующего характера.

1.5 Линейная регрессия

Задачи математической регрессии имеют смысл приближения выборки данных (xi, yi) некоторой функцией f(x), определенным образом минимизирующей совокупность ошибок |f(хi) - yi|. Регрессия сводится к подбору неизвестных коэффициентов, определяющих аналитическую зависимость f(х). В силу производимого действия большинство задач регрессии являются частным случаем более общей проблемы сглаживания данных. Как правило, регрессия очень эффективна, когда заранее известен (или, по крайней мере, хорошо угадывается) закон распределения данных (xi, yi).

Самый простой и наиболее часто используемый вид регрессии - линейная. Приближение данных (xi, yi) осуществляется линейной функцией у(х) = b + а · х. На координатной плоскости (х, у) линейная функция, как известно, представляется прямой линией. Еще линейную регрессию часто называют методом наименьших квадратов, поскольку коэффициенты а и b вычисляются из условия минимизации суммы квадратов ошибок |b+ a·xi - yi|.

Для расчета линейной регрессии в MathCAD имеется несколько способов. Выполняемые при этом действия дублируются, а результат получается одинаковым. Линейная регрессия по методу наименьших квадратов определяется функциями:

line(х, у) - вектор из двух элементов (b, а) коэффициентов линейной регрессии b + a · x (рисунок 5);

intercept(х, у) - коэффициент b линейной регрессии;

slope(x,y) - коэффициент а линейной регрессии:

х - вектор действительных данных аргумента;

у - вектор действительных данных значений того же размера.

Размещено на http://www.allbest.ru/

В MathCAD имеется альтернативный алгоритм, реализующий не минимизацию суммы квадратов ошибок, а медиан-медианную линейную регрессию для расчета коэффициентов а и b:

medfit(x, y) - вектор из двух элементов (b, а) коэффициентов линейном медиан-медианной регрессии b + а · х:

х, у - векторы действительных данных одинакового размера.

В MathCAD реализована регрессия одним полиномом, отрезками нескольких полиномов, а также двумерная регрессия массива данных.

1.6 Полиномиальная регрессия

Полиномиальная регрессия означает приближение данных (xi,yi) полиномом k-й степени a(x) = a + bx+cx2+dx3+...+h·xk при k = 1 полином является прямой линией, при k = 2 - параболой, при k = 3 - кубической параболой и т.д. Как правило, на практике применяются k < 5.

Для построения регрессии полиномом k-ой степени необходимо наличие, по крайней мере, (k + 1) точек данных.

В MathCAD полиномиальная регрессия осуществляется комбинацией встроенной функции reqress и полиномиальной интерполяции:

regress (x, у, к) - вектор коэффициентов для построения полиномиальной регрессии данных;

interp(s, x, y, t) -результат полиномиальной регрессии:

s = regress(x, y, k);

х - вектор действительных данных аргумента, элементы которого расположены в порядке возрастания;

у - вектор действительных данных значений того же размера;

k - степень полинома регрессии (целое положительное число);

t - значение аргумента полинома регрессии.

Для построения полиномиальной регрессии после функции regress вы обязаны использовать функцию interp (рисунок 6).

Размещено на http://www.allbest.ru/

Помимо приближения массива данных одним полиномом имеется возможность осуществить регрессию сшивкой отрезков (точнее говоря, участков, т.к. они имеют криволинейную форму) нескольких полиномов. Для этого имеется встроенная функция loess, применение которой аналогично функции regress:

loess (х, у, span) - вектор коэффициентов для построения регрессии данных отрезками полиномов;

interp(s, x, y, t) - результат полиномиальной регрессии:

s = loess(x, y, span);

х - вектор действительных данных аргумента, элементы которого расположены в порядке возрастания;

у - вектор действительных данных значений того же размера;

span - параметр, определяющий размер отрезков полиномов (положительное число, хорошие результаты дает значение порядка span = 0,75).

Параметр span задает степень сглаженности данных. При больших значениях span регрессия практически не отличается от регрессии одним полиномом (например, span=2 дает почти тот же результат, что и приближение точек параболой).

Регрессия одним полиномом эффективна, когда множество точек выглядит как полином, а регрессия отрезками полиномов оказывается полезной в противоположном случае.

2. ПРАКТИЧЕСКАЯ ЧАСТЬ

2.1 Задание 1

Создать текстовый блок, включающий в себя:

название лабораторной работы;

номер варианта;

фамилия, имя, отчество;

номер группы.

2.2 Задание 2

Используя линейную интерполяцию для функции, заданной таблично (таблица 1) вычислить:

а) значения для каждого из двух заданных значений аргумента х = х1 и х = х2 (таблица 2);

б) значения функции в точках х, заданных на интервале [а, б] с шагом h;

в) значения функции в точках, заданных массивом;

г) построить графики для пунктов б и в. Значения х1, х2, а, б, h и массивов заданы в таблице 2.

2.3 Задание 3

Используя сплайн-интерполяцию, выполнить пункты а - г для кубического и полиномиального сплайна.

2.4 Задание 4

а) По значениям функции, заданной в таблице 1 построить линейное и полиномиальное уравнение регрессии;

б) Используя полученные уравнения, определить расчетное значение Y для каждого значения аргумента Х, приведенного в таблице 1;

Сделать вывод, какое уравнение регрессии лучше подходит для используемых данных.

Таблица 1 - Исходные значения

Вариант

Значения аргумента и функции

1

x

0,15

0,25

0,35

0,45

0,55

0,65

0,75

0,85

y

0,86

0,77

0,70

0,63

0,58

0,52

0,47

0,39

2

x

1,40

2,42

3,44

4,46

5,48

6,80

7,52

8,64

y

0,89

0,95

0,65

1,45

2,10

0,90

0,52

0,40

3

x

3,50

3,60

3,70

3,80

3,90

4,00

4,10

4,20

y

33,11

36,66

40,45

33,20

30,51

42,40

45,55

46,51

4

x

0,01

0,11

0,12

0,13

0,14

0,15

0,16

0,17

y

4,56

1,52

2,12

3,50

3,02

2,85

2,10

1,76

5

x

0,15

0,18

0,21

0,24

0,27

0,30

0,33

0,36

y

4,48

6,05

8,16

11,02

9,54

7,84

6,15

5,02

6

x

0,50

1,00

1,50

2,00

2,50

3,00

3,50

4,00

y

20,19

18,17

16,40

14,30

15,85

18,99

20,98

25,12

7

x

1,10

1,60

2,10

2,60

3,10

3,60

4,10

4,60

y

10,10

12,60

14,15

15,20

13,90

12,12

9,25

5,56

8

x

1,40

1,80

2,20

2,60

3,00

3,40

3,80

4,20

y

6,52

7,54

8,00

10,40

11,00

13,77

14,50

15,10

9

x

4,50

5,00

5,50

6,00

6,50

7,00

7,50

8,00

y

0,95

1,87

2,50

4,30

3,50

2,87

2,00

1,56

10

x

10,60

11,60

12,60

13,60

14,60

15,60

16,60

17,60

y

0,90

1,75

3,60

4,02

4,05

5,00

4,20

4,05

11

x

1,20

1,40

1,60

1,80

2,00

2,20

2,40

2,60

y

60,40

63,70

67,00

68,40

63,60

69,00

57,80

53,00

12

x

3,50

4,00

4,50

5,00

5,50

6,00

6,50

7,00

y

7,42

8,40

9,64

10,60

8,95

8,00

7,43

6,76

13

x

0, 15

0, 25

0,35

0,45

0,55

0, 65

0, 75

0,85

y

0,86

0,77

0,70

0,63

0,58

0,52

0,47

0,39

14

x

0,80

1,20

1,60

2,00

2,40

2,80

3,20

3,60

y

2,89

3,95

4,65

5,45

6,10

7,90

7,52

7,31

15

x

2,40

3,00

3,60

4,20

4,80

5,40

6,00

6,60

y

19,60

24,78

29,90

25,81

20,64

18,50

17,46

17,00

16

x

0,20

0,40

0,60

0,80

1,00

1,20

1,40

1,60

y

70,40

65,32

61,70

59,90

62,67

68,30

72,50

76,68

17

x

2,40

2,60

2,80

3,00

3,20

3,40

3,60

3,80

y

0,96

1,55

2,90

3,24

3,58

4,00

3,80

3,24

18

x

0,23

0,43

0,63

0,83

1,03

1,23

1,43

1,63

y

12,65

13,70

15,90

18,74

16,34

15,52

14,90

13,40

19

x

1,05

1,25

1,45

1,65

1,85

2,05

2,25

2,45

y

10,54

15,72

15,00

18,35

21,90

23,66

20,74

18,51

20

x

0,00

0,10

0,20

0,30

0,40

0,50

0,60

0,70

y

0,95

1,37

1,84

2,00

2,15

2,00

1,84

1,37

Таблица 2 - Исходные параметры

х1

х2

а

б

h

Массив значений

1

2

3

4

5

6

7

1

0,51

0,68

0,00

0,95

0,05

0,1

0,18

0,20

0,35

0,40

0,55

0,7

0,75

2

2,1

6,4

1,4

7,01

0,51

1,4

2,0

2,6

3,44

4,8

5,2

6,5

7,0

3

3,3

3,95

3,4

4,0

0,05

3,3

3,5

3,6

3,84

3,93

4,06

4,1

4,5

4

0,25

0,49

-0,01

0,51

0,05

0,07

0,18

0,2

0,35

0,49

0,54

0,6

0,61

5

0,24

0,31

0,1

0,4

0,05

-0,1

0,2

0,26

0,27

0,31

0,32

0,33

0,34

6

0,8

2,85

-0,25

3,5

0,25

0,6

1,3

1,5

1,9

2,0

2,7

3,0

3,4

7

1,4

3,5

0,95

4,2

0,25

1,4

1,72

2,2

2,34

2,7

3,0

3,6

4,2

8

1,7

3,2

1,0

3,4

0,20

1,4

1,7

2,0

2,2

2,5

2,9

3,0

3,3

9

4,7

6,35

4,0

7,5

0,25

4,3

4,5

4,8

5,1

5,5

5,7

6,0

6,8

10

10,8

12,0

10,2

12,6

0,20

10,3

10,6

11,2

11,6

11,8

12,0

12,6

12,8

11

1,32

2,11

1,0

2,4

0,10

1,2

1,3

1,38

1,48

1,6

1,9

2,0

2,2

12

3,6

5,72

3,0

6,5

0,25

3,3

3,8

4,0

4,35

5,0

5,3

5,8

6,1

13

0,27

0,62

-0,1

0,75

0,05

0,18

0,25

0,3

0,42

0,55

0,58

0,65

0,71

14

1,4

3,0

0,6

4,0

0,2

-0,4

0,7

0,8

1,2

1,65

2,4

2,7

3,6

15

3,14

5,2

2,4

7,0

0,3

2,0

2,4

2,9

3,2

4,0

4,8

5,0

6,5

16

0,42

1,29

-0,8

1,6

0,1

0,0

0,25

0,4

0,66

0,8

0,9

1,1

1,4

17

0,24

3,1

2,2

3,8

0,1

2,4

2,5

2,7

2,75

3,0

3,15

3,4

3,7

18

0,55

0,9

0,03

1,43

0,1

-0,2

0,35

0,4

0,57

0,63

0,9

1,23

1,35

19

1,15

2,0

0,85

2,25

0,1

1,0

1,25

1,34

1,5

1,78

1,85

2,0

2,25

20

0,15

0,62

0,0

0,7

0,05

-0,9

0,0

0,2

0,22

0,4

0,5

0,58

0,66

Размещено на Allbest.ru

...

Подобные документы

  • Получение навыков работы в Mathcad при использовании интерполяции и регрессии. Постройте функции сглаживания и предсказания данных с помощью различных встроенных функций. Применение операций как калькулятор, математический анализ, матрица и вычисление.

    лабораторная работа [205,1 K], добавлен 23.12.2014

  • Примеры работы с линейной интерполяцией и её результаты в графическом виде. Алгоритм кубической сплайн-интерполяции. Используемые функции линейной, обобщенной, полиномиальной регрессии. Графические возможности программы MathCAD и редактирование графиков.

    презентация [2,7 M], добавлен 16.10.2013

  • Интерполяция данных с использованием значений функции, заданной множеством точек, для предсказания значения функции между ними. Результаты линейной интерполяции в графическом виде. Кубическая сплайн-интерполяция. Функции для поиска вторых производных.

    презентация [2,7 M], добавлен 29.09.2013

  • Постановка задачи в численной интерполяции. Интерполяционный многочлен Лагранжа. Интерполяционная формула Ньютона. Практическая реализация методов в среде MathCad. Операции с действительными и комплексными числами. Векторные и матричные операции.

    курсовая работа [823,2 K], добавлен 13.10.2015

  • Понятие и характеристика некоторых методов интерполяции. Вычисление значения функции между заданными точками несколькими методами. Алгоритм линейной интерполяции. Алгоритм локальной интерполяции по формуле Лагранже. Инструкция пользования программой.

    курсовая работа [186,5 K], добавлен 30.05.2015

  • Назначение и возможности пакета MATLAB. Цель интерполирования. Компьютерная реализация решения инженерной задачи по интерполяции табличной функции различными методами: кусочно-линейной интерполяцией и кубическим сплайном, а также построение их графиков.

    контрольная работа [388,3 K], добавлен 25.10.2012

  • Назначение и возможности пакета MATLAB, его основные составляющие. Набор вычислительных функций. Роль интерполяции функций в вычислительной математике. Пример интерполяции с четырьмя узлами. Интерполирование и сглаживание, схемы решения задач в MATLAB.

    курсовая работа [594,5 K], добавлен 28.12.2012

  • Компьютерное моделирование - вид технологии. Анализ электрических процессов в цепях второго порядка с внешним воздействием с применением системы компьютерного моделирования. Численные методы аппроксимации и интерполяции и их реализация в Mathcad и Matlab.

    курсовая работа [1,1 M], добавлен 21.12.2013

  • Решение нелинейного уравнения вида f(x)=0 с помощью программы Excel. Построение графика данной функции и ее табулирование. Расчет матрицы по исходным данным. Проведение кусочно-линейной интерполяции таблично заданной функции с помощью программы Mathcad.

    контрольная работа [1,8 M], добавлен 29.07.2013

  • Сущность теории приближений и характеристика интерполяции как процесса получения последовательности интерполирующих функций. Полиномы Эрмита и интерполирование с кратными узлами. Программная разработка приложения по оценке погрешности интерполирования.

    курсовая работа [1,1 M], добавлен 05.06.2014

  • Написание программы решения технических задач языком высокого уровня Си: определение мольной теплоемкости кислорода методом интерполяции. Построение математических моделей, графиков и таблиц по результатам расчетов, составление текста программы.

    курсовая работа [382,9 K], добавлен 19.05.2011

  • Роль интерполяции функций в вычислительной математике. Реализация интерполирования функций полиномом Лагранжа в программном продукте MatLab. Интерполяционная формула Лагранжа. Интерполяция по соседним элементам, кубическими сплайнами. Анализ результатов.

    курсовая работа [1,4 M], добавлен 10.06.2012

  • Исследование методов интерполяции функции и разработка программного продукта для автоматизации расчётов, выполняемых в данных методах. Обоснование выбора языка программирования. Требования к программе и программному изделию. Организация работы с ПЭВМ.

    дипломная работа [2,1 M], добавлен 16.06.2017

  • Понятие математической модели, свойства и классификация. Характеристика элементов системы Mathcad. Алгоритмический анализ задачи: описание математической модели, графическая схема алгоритма. Реализация базовой модели и описание исследований MathCAD.

    реферат [1,0 M], добавлен 20.03.2014

  • Microsoft Excel: случаи нелинейной регрессии (гипербола, экспонента и парабола), проверка ее результатов. Создание и применение гиперссылок в системе MathCAD. Основы работы с блоками документов. Контур управления производством комплекса "Галактика".

    контрольная работа [725,0 K], добавлен 03.08.2011

  • Основные элементы системы MathCAD, обзор ее возможностей. Интерфейс системы, концепция построения документа. Типы данных, входной язык системы. Классификация стандартных функций. Графические возможности системы MathCAD. Решение уравнений системы.

    курс лекций [2,1 M], добавлен 01.03.2015

  • Решение оптимизационных задач и задач с размерными переменными с использованием итерационного цикла при помощи прикладного пакета Mathcad. Проведение исследования на непрерывность составной функции. Решение задач на обработку двухмерных массивов.

    контрольная работа [467,2 K], добавлен 08.06.2014

  • Общие сведения о системе Mathcad. Окно программы Mathcad и панели инструментов. Вычисление алгебраических функций. Интерполирование функций кубическими сплайнами. Вычисление квадратного корня. Анализ численного дифференцирования и интегрирования.

    курсовая работа [522,7 K], добавлен 25.12.2014

  • Использование таблиц Excel и математической программы Mathcad при решении инженерных задач. Сравнение принципов работы этих пакетов программ при решении одних и тех же задач, их достоинства и недостатки. Обоснование преимуществ Mathcad над Excel.

    курсовая работа [507,0 K], добавлен 15.12.2014

  • Назначение и состав системы MathCAD. Основные объекты входного языка и языка реализации. Характеристика элементов интерфейса пользователя, настройка состава панелей инструментов. Задачи линейной алгебры и решение дифференциальных уравнений в MathCAD.

    курс лекций [1,6 M], добавлен 13.11.2010

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.