an align="justify"> 3 ) - (280 * X 2 2 ) + 2; х2 Є [0.12 0.475 )
Функція експоненти
Вихідний код програми
% малюємо перший графік
x_1 = [0 .05 .15 .2 .2375 .2625 .2875 .31 .325 .3375 .35 .36 .371 .39 .405 .425]; _1 = [0 .15 1.5 5 10 15 20 25 30 35 40 45 50 60 70 80]; _1 = spline (x_1, [0 y_1 0]); _1 = linspace (0, .425, 20); (x_1, y_1, 'o', xx_1, ppval (cs_1, xx_1), '-', 'LineWidth', 2); on; on;
% малюємо другий графік
x_2 = [0 .1 .2 .25 .2875 .3125 .3375 .36 .375 .3875 .4 .41 .421 .44 .455 .475]; _2 = [0 .15 1.5 5 10 15 20 25 30 35 40 45 50 60 70 80]; _2 = spline (x_2, [0 y_2 0]); _2 = linspace (0, .475, 20); (x_2, y_2, 'o', xx_2, ppval (cs_2, xx_2), '-', 'LineWidth', 2);
% апроксіміруем перший графік
x1 = 0: 0.0001: 0.425; = exp (((x1 * 10649/1000) + 0)/1) - 2.4;
plot (x1, y1, 'b', 'LineWidth', 2);
% апроксіміруем другий графік
x2 = 0: 0.0001: 0.475; = exp (((x2 * 9.45) + 0)/1) - 4.8;
plot (x2, y2, 'r', 'LineWidth', 2);
Отримані дані
В
Рис.5. Апроксимація графіків функціями лінійної залежності
Перший графік:
Y 1 = exp (10.649 * X 1 ) - 2.4; X 1 Є [0.05 0.4]
Другий графік:
Y 2 = exp (9.45 * X 2 ) - 4.8; X 2 Є [0.15 0.4625]
Висновок
Робота показала, що найкращою функцією для апроксимації даних графіків є функція третього ступеня. Трохи гірше повторюють графік функції лінійної залежності. При більшій кількості ліній вдалося б досить точно повторити графік. Експонентна залежність так само непогано підходить для апроксимації даних графіків. Далі всього від оригіналу виявилася функція квадратичної залежності. br/>
