Допустим, у нас есть простой гармонический осциллятор масса/струна. Измерив период движения, я могу вычислить угловую частоту. Знаю это
мы можем прийти к двум функциям:
которая в основном представляет собой ту же функцию, выражающую по-другому. Оба соотношения являются линейными с .
Чтобы рассчитать , я использовал линейную подгонку. Я сделал два сюжета, с на ось и на ось на первом графике и по оси Y и на ось на втором графике. Но эти два графика дали мне совершенно разные результаты, с разницей почти в 50%. Как узнать, какой из них правильный и почему это произошло?
Используемые данные:
T (s) 0.8283 0.9622 1.0912 1.1195 1.2896
m (kg) 0.02 0.03 0.04 0.05. 0.06
Проблема в том, что ваши данные плохо моделируются прямой пропорциональностью между и . Обе посадки должны проходить через начало координат; но если вы наивно построите линейную подгонку по методу наименьших квадратов в каждом случае, вы обнаружите существенное смещение для ваших данных:
Вы можете получить лучшее согласие между двумя методами, заставив кривую соответствия проходить через начало координат (детали того, как это сделать, различаются в зависимости от используемого вами программного обеспечения). Согласие все еще невелико, но оно лучше.
В более широком смысле, не обязательно, что наклон линии, которая минимизирует расстояние по методу наименьших квадратов для функции будет таким же, как наклон линии, которая минимизирует расстояние по методу наименьших квадратов для функции . Это связано с тем, что «наивная» подгонка методом наименьших квадратов предполагает равномерно распределенные ошибки во всех ваших точках данных и незначительные ошибки в независимой переменной; но когда вы меняете местами два графика, вы меняете роли зависимой и независимой переменных и меняете размеры ошибок на них. В общем, наилучшей практикой на вводном занятии было бы взять в качестве независимой переменной ту, которая измеряется более точно (в данном случае, вероятно, массу), использовать распространение ошибки для оценки планок погрешностей для каждого из ваших измерений зависимую переменную и выполнить подгонку данных с соответствующим взвешиванием.
Это не линеаризация, это просто выражение двумя разными способами. Если вы выберете два случайных значения для и вы получите два разных результата. Подвох в том, что и связаны через , т.е. или и в обоих случаях вы должны получить тот же результат, если вы удовлетворяете и вы используете то же самое .
В общем, если где затем
поскольку функции и линейны в для фиксированного и , и нелинейный по и для фиксированного .
Что мне кажется, так это то, что вы запутались, как появляются сюжеты и не похожи друг на друга. Чтобы понять это, рассмотрим более простой случай:
Очевидно, что и графики не совпадают, хотя две функции одинаковы в . Однако, и сюжеты одинаковые, и это именно то, что происходит в вашем случае.
Дэвид Уайт