Empirisk modellering
Finna funktionella
samband ur en
mängd data från lab
eller fält
regression
Beskriva en mängd
data från lab eller fält
interpolation
Regression
Exempel med funktioner
Med en så enkel
som är i det närmaste
funktion som möjligt få
‘ickelinjära’, dvs linjär
samma relation mellan
kombination av
en eller flera oberoende
elementära funktioner
variabler och en
beroende variabel som
datamängden uppvisar Exempel med funktioner
som beror av flera
variabler, t ex en yta
(multipel regression)
Kurvlinjära funktioner
linjär kombination av elementära
funktioner
I växande ordning
Logaritm funtionen
potens funktionen
exponentialfunktionen
Periodisk funktion
Asinwx+Bcoswx
båda för lösa fasskift
y=bf(x)+cg(x)+dh(x)
detta är en linjär
kombination av
funktionerna f,g och h
 konstanterna b,c och d
kan bestämmas med
minsta kvadratmetoden
analogt med enkel
linjär regression
Multiplikation av två
funktioner
af(x) - vertikal
 g(x)f(x) - är oftast en
 g(x)f(x) -
 g(x)sin(x) - oscillerar
förändring
 f(ax) - horisontell
förändring
f(x) förändras
vertikalt enligt g(x)
komplicerad funktion
men g(x)sin(x) är
dock enkel
mellan g(x) och -g(x)
 t ex xsin(x) oscillerar
mellan x och -x
Transformera till linjär
ekvation
Exponential
ekvationen
Potensfunktionen
y=Axb
y=Aerx
ln(y)=ln(Aerx)
ln(y)=B + rx, B=ln(A)
dvs log y-axeln
ln(y)=lnA+bln(x)
 dvs log både x och y-
axeln
Ickelinjära modeller som ej
kan linjäriseras
Logistiska ekvationen går ej att linjärisera
Metod: Bestäm ett minimum för
n
funktionen
e   ( y (ti )  yi ) 2
i 1
dvs minsta kvadratmetoden i annan tappning
y(xi) - är din funktion som du försöker anpassa till dina n st
datapunkter yi
Interpolation
Bra metod när man vill beskriva sina data
med en kurva eller yta istället för en
massa punkter
Du är alltså inte intresserad av det
funktionella sambandet som förklaring
utan snarare vill binda samman dina
punkter
Exempel på interpolation
Ett polynom av graden n-1 kan alltid fås
att gå igenom n data punkter men
polynom över 3 eller 4 ger väldigt
oscillerande kurvor dock genom punkterna
Har du bara 3 - 4 punkter kan du alltså
lika gärna anpassa ett polynom
Splines: styckvisa polynom
Varje par av punkter har sin egen anpassade
polynom
linjär spline interpolation blir räta linjer mellan
varje par
kvadratisk spline är paraboler mellan varje par.
Här kan derivatan i vänstra punkten bestämmas
till derivatan i denna punkt för den föregående
parabolen.
Kubisk spline: både 1:a och 2:dra derivatan blir
samma i punkterna
Multipel regression
Istället för att anpassa en linje så skall
man anpassa ett plan eller hyperplan (om
fler än två oberoende variabler)
Frågan man kan ställa sig är om man
behöver alla variabler för att prediktera
den beroende variabeln.
Även om regresionen i sig är signifikant så
kan det vara för många oberoende
variabler. Orsak: ingen korrelation och stor
spridning utmed extra variabeln
Onödiga variabler
Den ‘överblivna’ variabeln kan dock vara
signifikant om man studerar den enskilt.
 Dock har de andra variablerna redan
förklarat den variation som finns så
variationen kvar ‘räcker’ inte till en
variabel till (i dess dimension)