Cómo usar Matlab para resolver mínimos cuadrados Solutions

El método de mínimos cuadrados se usa comúnmente en el ajuste de los datos. La solución a un problema de mínimos cuadrados es el coeficiente o un conjunto de coeficientes que minimiza la suma de los cuadrados de los residuos . Los residuos son la diferencia entre el valor real y los value.Scientists armarios y los ingenieros utilizar Matlab , una aplicación de software desarrollado por The MathWorks , para llevar a cabo análisis de mínimos cuadrados . Usted puede utilizar la función " fminsearch " - pero esto puede ser muy complicado y requiere mucho tiempo - o la caja de herramientas de montaje Curve - que es caro . Alternativamente , puede utilizar Ezyfit . Ezyfit es gratuita, para su uso facil y Matlab caja de herramientas. Instrucciones
Ezyfit instalación
1

Descargar Ezyfit . Extraer a una carpeta en su computadora . No lo agregue a su directorio de Matlab ( " Archivos de programa /Matlab ") .
2

Seleccione "> Set Ruta del archivo ... " desde la barra de menú y después seleccione la carpeta que contiene Ezyfit añadir Ezyfit a su ruta de Matlab .
3

Reiniciar Matlab para cargar Ezyfit por primera vez . Posteriormente, Ezyfit se cargará automáticamente al iniciar Matlab .
Generar lineal de datos de ejemplo
4

Type " x = 0:1:100 " en la ventana de comandos para generar una serie de valores de x .
5

tipo " y = rand ( 1 , length ( x)) " para generar aleatoriamente un valor de y para cada valor de x .
6

tipo "y = y. * ( x * 2 ) " para crear un gradiente de 2 . Tenga cuidado de usar variedad de multiplicación . " * " Después de la segunda y en lugar de la multiplicación de matrices "* ", de lo contrario se generará un error de la multiplicación de matrices .
7

Type " plot (x , y, ' kx ') " para trazar los puntos de un gráfico de dispersión .
Realice los mínimos cuadrados cupieron
8

Type" showfit (' a * x + b ' ) "para realizar un ajuste de mínimos cuadrados lineal . Ezyfit imprime la solución, es decir, los valores de los coeficientes de ajuste "a" y " b" y el coeficiente de correlación "R " .
9

Type " showfit ('a * exp (b * x) + c ' ) "para realizar un ajuste de mínimos cuadrados exponenciales .
10

descubre que el coeficiente de correlación " R "para el ajuste exponencial es menor que el" valor R "para el ajuste lineal . Esto significa que el ajuste lineal es un mejor ajuste de los datos, como se esperaba.