matlab实验11Word下载.docx
- 文档编号:17328911
- 上传时间:2022-12-01
- 格式:DOCX
- 页数:22
- 大小:218.16KB
matlab实验11Word下载.docx
《matlab实验11Word下载.docx》由会员分享,可在线阅读,更多相关《matlab实验11Word下载.docx(22页珍藏版)》请在冰豆网上搜索。
19.6
21.2
22。
5
24。
3
求y关于x的线性回归方程,检验回归效果是否显著,并预测x=42℃时产量的估值及预测区间(置信度95%)。
〉>
x=[20253035404550556065]’;
X=[ones(10,1)x];
y=[13。
215。
116.417。
117.918.719。
621.222。
524.3]’;
>
〉corrcoef(x,y)
ans=
1.00000。
9910
0。
99101。
0000
[b,bint,r,rint,stats]=regress(y,X)
b=
9.1212
2230
bint=
8。
021110.2214
0.19850.2476
stats=
0。
9821439.83110。
00000.2333
置信区间[8.0211,10。
2214]
置信区间[0。
1985,0.2476]
r2=0.9821F=439.8311p=0.0000p<
05回归模型:
y=9.1212+0.2230x成立
r2=0。
9821接近1回归方程显著
X=42时y=18.4872
2、某零件上有一段曲线,为了在程序控制机床上加工这一零件,需要求这段曲线的解析表达式,在曲线横坐标xi处测得纵坐标yi共11对数据如下:
xi
6
8
10
12
14
16
18
yi
0.6
2。
4。
7。
11.8
1
23。
31.2
39。
49.7
61.7
求这段曲线的纵坐标y关于横坐标x的二次多项式回归方程.(并画出图形)
〉x=[02468101214161820];
〉y=[0.62.04。
47.511.817。
123。
331.239.649.761.7];
X=
100
124
1416
1636
1864
110100
112144
114196
116256
118324
120400
[p,S]=polyfit(x,y,2)
p=
0.14030。
19711.0105
S=
R:
[3x3double]
df:
8
normr:
1。
1097
〉Y=polyconf(x,y,S)
回归模型:
y=0。
1403x2+0。
1971x+1。
0105
X=[ones(11,1)x'
(x。
^2)'
]
[b,bint,r,rint,stats]=regress(y’,X);
Y=polyconf(p,x,S)
〉plot(x,y,’k+’,x,Y,'
r’)
Y=
01051.96604.04417。
244911.568317.014223.582831.274040.087850。
024261。
0832
3、在研究化学动力学反应过程中,建立了一个反应速度和反应物含量的数学模型,形式为
其中
是未知参数,
是三种反应物(氢,n戊烷,异构戊烷)的含量,y是反应速度。
今测得一组数据如下表,试由此确定参数
并给出置信区间.
的参考值为(1,0。
05,0。
02,0.1,2)。
序号
反应速度y
氢x1
n戊烷x2
异构戊烷x3
8。
470
300
3。
79
285
80
82
120
0.02
2.75
14。
39
100
190
2.54
4.35
00
54
11
05
11.32
13
3.13
解:
〉〉x1=[470285470470470100100470100100100285285]'
;
x2=[3008030080801908019030030080300190]'
;
〉〉x3=[1010120120101065655412012010120]'
〉x=[x1x2x3];
y=[8.553.794.820。
022.7514.392.544。
3513.008.500.0511.323。
13]’;
〉〉f=@(beta,x)(beta
(1)。
*x(:
,2)-(1/beta(5)).*x(:
,3))。
*((1+beta
(2).*x(:
1)+beta(3)。
,2)+beta(4)。
*x(:
3)))。
^(-1);
1254
—0.1508
—0.0823
0.0399
0.1202
0702
0.0008
3200
-0.0282
0.1270
0.0891
—0.1619
-0.2862
〉〉beta0=[10。
050。
020.12]’;
opt=optimset(’TolFun’,1e-3,’TolX’,1e—3);
〉〉[beta,bint]=nlinfit(x,y,f,beta0,opt)
beta=
1292
0.0566
0357
0.1018
3160
得到beta的拟合值及95%的置信区间
4、混凝土的抗压强度随养护时间的延长而增加,现将一批混凝土作成12个试块,记录了养护日期x(日)及抗压强度y(kg/cm2)的数据:
养护时间x
17
21
28
56
抗压强度y
42
47
53
59
68
73
76
86
99
试求
型回归方程.
对将要拟合的非线性模型
,建立M文件volum。
m如下
x=[234579121417212856];
〉y=[354247535965687376828699];
beta0=[51]'
[beta,r,J]=nlinfit(x'
y’,'
volum'
,beta0);
beta=
21。
0053
19.5287
functionyhat=volum(beta,x)
yhat=beta
(1)+beta
(2)*log(x);
即得回规模型为
5、下表给出了某工厂产品的生产批量与单位成本(元)的数据,从散点图,可以明显的发现,生产批量在500以内时,单位成本对生产批量服从一种线性关系,生产批量超过500时服从另一种线性关系,此时单位成本明显下降。
希望你构造一个合适的回归模型全面地描述生产批量与单位成本的关系。
生产批量
650
340
400
800
600
720
480
440
540
750
单位成本
48
4.45
52
1.38
4.65
96
04
4.20
3.10
1。
记生产批量x1<
500时,单位成本为y1,生产批量x2〉500时,单位成本为y2。
为了大致地分析y与x的关系,首先利用表中表中数据分别作出y1对x1和y2对x2的散点图。
由图像可知两段程线性关系,所以做以下程序:
两段直线,x小于500时:
r=
—0.0831
0.1728
-0。
0070
0594
—0.0233
rint=
40610.2399
05530。
2902
—0。
29510.2811
-0.32850。
2097
-0.39810。
3514
x1=[340,400,300,480,440]’;
〉〉y1=[4.45,4.52,4.65,4。
04,4.20]'
X=[ones(size(x1))x1];
[b,bint,r,rint,stats]=regress(y1,X)
5。
5863
-0.0031
4。
57436.5983
0056-0.0006
0.833214.98680。
03050。
0136
〉stepwise(X,y1,[1,2])
y=5。
5863—0。
0031x
〉〉rcoplot(r,rint)
从结果可以看出,应将第二个点去掉后再进行拟合;
两段直线,x大于500时:
0.0222
0028
1439
0.2239
-0.1460
2411
53980.5843
-0.44940。
4437
-0.32720.6151
19910.6469
—0.48740.1953
60150。
1192
〉〉x2=[650,800,600,720,540,750]'
〉〉y2=[2.48,1.38,2.96,2。
18,3.10,1.50]'
X=[ones(size(x2))x2];
〉[b,bint,r,rint,stats]=regress(y2,X)
7。
1158
—0.0072
43168.8000
0096-0。
0047
0.942065。
01530。
00130.0377
y=7.1158-0。
0072x
〉stepwise(X,y2,[1,2])
rcoplot(r,rint)
由图可知,数据无异常点。
若直接考虑全组数据,对整个11组数据直接拟合。
整组数据:
〉x1=[650,340,400,800,300,600,720,480,440,540,750]’;
y1=[2。
48,4.45,4.52,1。
38,4。
65,2。
96,2。
18,4.04,4。
20,3。
10,1.50]’;
〉〉X=[ones(size(x1))x1];
[b,bint,r,rint,stats]=regress(y1,X)
0779
6。
48457。
6713
—0.0081-0.0060
9631234.89360.00000。
0612
y=7。
10779-0.0070x
〉stepwise(X,y1,[1,2])
〉〉rcoplot(r,rint)
我们已经可以发现整组数据本身就服从置信度较高的线性关系。
但是题目却仍然告诉我们:
生产批量在500以内时,单位成本对生产批量服从一种线性关系,生产批量超过500时服从另一种线性关系。
于是我们开始考虑再引入一个虚拟变量A。
,
并加入一项
再次进行拟合。
〉y=[2.48004.45004.52001。
38004.65002。
96002.18004。
04004。
20003。
10001.5000]'
〉〉x=[11111111111
650340400800300600720480440540750
1500030001002200040250]’;
〉[b,bint,r,rint,stats]=regress(y,x)
1621
—0.0047
-0.0036
03687。
2874
-0.0074—0.0020
—0.00760.0003
9763164.71430.00000。
0443
stepwise(x,y,[1,2,3])
能高达97.63%。
是所有模型中准确度最高的。
6、一矿脉有13个相邻样本点,人为设定一个原点,现测得各样本点对原点的距离x,与该样本点某种金属含量y的一组数据如下,画出散点图观察二者的关系,试建立合适的回归模型,如二次曲线,双曲线,对数曲线等.
x
y
106.42
109。
109.58
110.00
93
110.49
15
19
110。
90
111。
111.20
x=[23457810111415151819];
y=[106.42109。
20109。
58109.50110.00109。
93110.49110。
59110。
60110.90110。
76111。
00111.20];
-2.5001—1.8727
-1.14571。
9846
94012。
1906
-1.26042.0026
—1。
12832.1739
-1。
41311.9704
-1.18822.1688
-1.27002.1023
-1.77171.5790
-1.62591.6849
-1.76421。
5433
-1.92891。
1429
86191.1276
plot(x,y)
排除第一个点,很明显成线性关系,采用一元线性回归分析:
x=[23457810111415151819];
〉〉y=[106.42109。
2109。
58109.5110109.93110.49110。
59110.6110。
9110.76111111。
2];
〉X=[ones(size(x’)),x'
];
—2。
1864
4194
6253
3711
5228
2786
4903
0.4162
-0.0963
0295
1105
-0.3930
3671
〉〉[c,cint,r,rint,stats]=regress(y’,X,0.05);
c=
108。
2581
1742
cint=
107.2794109.2367
0.08910.2593
0.648420.28660.00090.5965
y=108.2581+0.1742x
〉rcoplot(r,rint)
若将第一个点去掉,重复上述操作,输出结果;
〉x=[3457810111415151819];
〉〉y=[109。
2109.58109.5110109.93110。
49110。
6110.9110.76111111.2];
X=[ones(size(x'
)),x’];
〉[c,cint,r,rint,stats]=regress(y’,X,0.05);
109.0668
0.1159
8264109。
3072
09580。
1360
9428164。
80600.00000.0267
y=109。
0668+0.1159x
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- matlab 实验 11