jegyzet gyomlált változata - Eötvös Loránd Tudományegyetem
jegyzet gyomlált változata - Eötvös Loránd Tudományegyetem
jegyzet gyomlált változata - Eötvös Loránd Tudományegyetem
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
7. fejezet<br />
Haladó gnuplot<br />
7.1. Függvényillesztés<br />
A fejezet feldolgozása előtt mindenképpen ismételjük át a 3. fejezet anyagát.<br />
A gnuplot program az adatsorok és függvények ábrázolásán túl nagyon jól használható<br />
függvényillesztésre is. Ennek során egy adatsor pontjaihoz az általunk megadott függvény<br />
paramétereit állítja be úgy, hogy az eredményül megkapott paraméterekkel leírt függvény<br />
a lehető legjobban illeszkedjen az adatsor pontjaihoz.<br />
Az ábrák elkészítéséhez hasonlóan a függvények illesztése is egyaránt lehetséges interaktív<br />
módban és szkriptek segítségével, azonban bonyolultabb függvények illesztése<br />
során az eredmények helyes értelmezéséhez érdemes interaktív üzemmódot használni.<br />
7.2. A legkisebb négyzetek módszere<br />
Általában a függvények legjobb illeszkedéséhez, azaz a függvényhez tartozó paraméterek<br />
a meghatározására számos módszer ismert a szakirodalomban. A gnuplotban a nem<br />
lineáris legkisebb négyzetek (NLLS 1 ) módszert implementálták, ezt a módszert használja<br />
mind az egyenesek, mind a bonyolultabb függvények numerikus paraméterbecslése során.<br />
A módszer alapja a következő. Adott egy modell függvény f(x; a, b, c, . . . ), melynek x<br />
a független változója, a, b, c, . . . pedig a függvény ismeretlen paraméterei. A mérési adatoknak<br />
a modelltől való eltérésének mértékére bevezethetjük a következő mennyiséget:<br />
χ 2 (a, b, c, . . . ) = (yi − f(xi, a, b, c, . . . )) 2<br />
, (7.1)<br />
i<br />
ahol a xi jelenti a független változó értékeit, amelyeket szabadon változtathatunk, yi<br />
jelöli az i-edik, azaz az xi-hez tartozó mérési adatot, és a σi az yi függő változó szórássa.<br />
1 Non-linear least squares<br />
88<br />
σi