វិធីសាស្រ្តបីវិមាត្រនៃការ៉េតិចបំផុត។ ការប៉ាន់ស្មានទិន្នន័យពិសោធន៍
ដែលរកឃើញកម្មវិធីធំទូលាយបំផុតក្នុងវិស័យផ្សេងៗនៃវិទ្យាសាស្ត្រ និងការអនុវត្ត។ វាអាចជារូបវិទ្យា គីមីវិទ្យា ជីវវិទ្យា សេដ្ឋកិច្ច សង្គមវិទ្យា ចិត្តវិទ្យា ជាដើម។ តាមឆន្ទៈនៃជោគវាសនា ជារឿយៗខ្ញុំត្រូវដោះស្រាយជាមួយនឹងសេដ្ឋកិច្ច ដូច្នេះហើយថ្ងៃនេះ ខ្ញុំនឹងរៀបចំជូនអ្នកនូវសំបុត្រទៅកាន់ប្រទេសដ៏អស្ចារ្យមួយដែលមានឈ្មោះថា សេដ្ឋកិច្ច=)… ម៉េចមិនចង់បានអញ្ចឹង?! វាល្អណាស់នៅទីនោះ - អ្នកគ្រាន់តែត្រូវសម្រេចចិត្ត! …ប៉ុន្តែអ្វីដែលអ្នកប្រាកដជាចង់បានគឺរៀនពីរបៀបដោះស្រាយបញ្ហា ការ៉េតិចបំផុត។. ហើយជាពិសេសអ្នកអានដែលឧស្សាហ៍ព្យាយាមនឹងរៀនដោះស្រាយវាមិនត្រឹមតែត្រឹមត្រូវប៉ុណ្ណោះទេប៉ុន្តែថែមទាំងលឿនណាស់ ;-) ប៉ុន្តែដំបូង សេចក្តីថ្លែងការណ៍ទូទៅនៃបញ្ហា+ឧទាហរណ៍ពាក់ព័ន្ធ៖
សូមឱ្យសូចនាករត្រូវបានសិក្សានៅក្នុងប្រធានបទមួយចំនួនដែលមានការបញ្ចេញមតិបរិមាណ។ ទន្ទឹមនឹងនេះដែរមានហេតុផលទាំងអស់ដែលជឿថាសូចនាករអាស្រ័យលើសូចនាករ។ ការសន្មត់នេះអាចជាសម្មតិកម្មវិទ្យាសាស្រ្ត និងផ្អែកលើសុភវិនិច្ឆ័យបឋម។ ទោះជាយ៉ាងណាក៏ដោយ ចូរទុកវិទ្យាសាស្រ្តមួយឡែកសិន ហើយស្វែងយល់ពីតំបន់ដែលគួរឱ្យចង់ញ៉ាំបន្ថែមទៀត - ពោលគឺហាងលក់គ្រឿងទេស។ បញ្ជាក់ដោយ៖
- កន្លែងលក់រាយនៃហាងលក់គ្រឿងទេស, sq.m.,
- ចំណូលប្រចាំឆ្នាំនៃហាងលក់គ្រឿងទេសមួយលានរូប្លិ៍។
វាច្បាស់ណាស់ថាតំបន់នៃហាងកាន់តែធំនោះចំណូលរបស់វាកាន់តែច្រើននៅក្នុងករណីភាគច្រើន។
ឧបមាថាបន្ទាប់ពីធ្វើការសង្កេត / ពិសោធន៍ / ការគណនា / រាំជាមួយ tambourine យើងមានទិន្នន័យជាលេខរបស់យើង:
ជាមួយនឹងហាងលក់គ្រឿងទេសខ្ញុំគិតថាអ្វីគ្រប់យ៉ាងគឺច្បាស់: - នេះគឺជាតំបន់នៃហាងទី 1 - ចំណូលប្រចាំឆ្នាំរបស់វា - តំបន់នៃហាងទី 2 - ចំណូលប្រចាំឆ្នាំ។ល។ និយាយអីញ្ចឹង វាមិនចាំបាច់ទាល់តែសោះក្នុងការចូលប្រើសម្ភារៈដែលបានចាត់ថ្នាក់ - ការវាយតម្លៃត្រឹមត្រូវនៃចំណូលអាចទទួលបានដោយប្រើ ស្ថិតិគណិតវិទ្យា. ទោះយ៉ាងណាក៏ដោយ កុំមានការរំខាន វគ្គនៃចារកម្មពាណិជ្ជកម្មត្រូវបានបង់រួចហើយ =)
ទិន្នន័យតារាងក៏អាចសរសេរជាទម្រង់ចំណុច និងបង្ហាញតាមរបៀបធម្មតាសម្រាប់យើង។ ប្រព័ន្ធ Cartesian .
តោះឆ្លើយសំណួរសំខាន់មួយ៖ តើត្រូវការពិន្ទុប៉ុន្មានសម្រាប់ការសិក្សាគុណភាព?
កាន់តែធំ កាន់តែល្អ។ សំណុំដែលអាចទទួលយកបានអប្បបរមាមាន 5-6 ពិន្ទុ។ លើសពីនេះ ជាមួយនឹងចំនួនទិន្នន័យតិចតួច លទ្ធផល "មិនធម្មតា" មិនគួរត្រូវបានបញ្ចូលក្នុងគំរូនោះទេ។ ដូច្នេះ ជាឧទាហរណ៍ ហាងឥស្សរជនតូចមួយអាចជួយចេញការបញ្ជាទិញលើសពី "សហសេវិករបស់ពួកគេ" ដោយហេតុនេះបង្ខូចទ្រង់ទ្រាយទូទៅដែលត្រូវការរកឱ្យឃើញ!
ប្រសិនបើវាសាមញ្ញ យើងត្រូវជ្រើសរើសមុខងារមួយ កាលវិភាគដែលឆ្លងកាត់ឱ្យជិតបំផុតតាមដែលអាចធ្វើទៅបានទៅចំណុច . មុខងារបែបនេះត្រូវបានគេហៅថា ប្រហាក់ប្រហែល (ប្រហាក់ប្រហែល - ប្រហាក់ប្រហែល)ឬ មុខងារទ្រឹស្តី . និយាយជាទូទៅនៅទីនេះភ្លាមៗលេចឡើង "អ្នកធ្វើពុត" ជាក់ស្តែង - ពហុធានៃសញ្ញាបត្រខ្ពស់ក្រាហ្វដែលឆ្លងកាត់គ្រប់ចំណុច។ ប៉ុន្តែជម្រើសនេះមានភាពស្មុគស្មាញ ហើយជារឿយៗគ្រាន់តែមិនត្រឹមត្រូវ។ (ដោយសារតែតារាងនឹង "ខ្យល់" គ្រប់ពេលវេលា ហើយឆ្លុះបញ្ចាំងពីនិន្នាការចម្បងមិនល្អ).
ដូច្នេះមុខងារដែលចង់បានត្រូវតែមានលក្ខណៈសាមញ្ញគ្រប់គ្រាន់ហើយក្នុងពេលតែមួយឆ្លុះបញ្ចាំងពីការពឹងផ្អែកឱ្យបានគ្រប់គ្រាន់។ ដូចដែលអ្នកអាចទាយបាន វិធីសាស្រ្តមួយក្នុងការស្វែងរកមុខងារបែបនេះត្រូវបានគេហៅថា ការ៉េតិចបំផុត។. ជាដំបូង ចូរយើងវិភាគខ្លឹមសាររបស់វាតាមរបៀបទូទៅ។ អនុញ្ញាតឱ្យមុខងារមួយចំនួនប្រហាក់ប្រហែលនឹងទិន្នន័យពិសោធន៍៖
តើធ្វើដូចម្តេចដើម្បីវាយតម្លៃភាពត្រឹមត្រូវនៃការប្រហាក់ប្រហែលនេះ? ចូរយើងគណនាភាពខុសគ្នា (គម្លាត) រវាងតម្លៃពិសោធន៍ និងមុខងារ (យើងសិក្សាគំនូរ). គំនិតដំបូងដែលចូលមកក្នុងគំនិតគឺការប៉ាន់ប្រមាណថាតើផលបូកធំប៉ុនណា ប៉ុន្តែបញ្ហាគឺថាភាពខុសគ្នាអាចជាអវិជ្ជមាន។ (ឧទាហរណ៍, )
ហើយគម្លាតដែលជាលទ្ធផលនៃការបូកសរុបបែបនេះនឹងលុបចោលគ្នាទៅវិញទៅមក។ ដូច្នេះ តាមការប៉ាន់ប្រមាណនៃភាពត្រឹមត្រូវនៃការប៉ាន់ប្រមាណ វាណែនាំខ្លួនវាឱ្យយកផលបូក ម៉ូឌុលគម្លាត៖
ឬក្នុងទម្រង់បត់៖ (ភ្លាមៗនោះអ្នកណាមិនដឹង៖ គឺជារូបតំណាងផលបូក ហើយជាអថេរជំនួយ - "រាប់" ដែលយកតម្លៃពី 1 ទៅ ).
តាមរយៈការប៉ាន់ប្រមាណចំណុចពិសោធន៍ដែលមានមុខងារផ្សេងៗគ្នា យើងនឹងទទួលបានតម្លៃខុសៗគ្នា ហើយវាច្បាស់ណាស់ថាកន្លែងណាដែលផលបូកនេះតូចជាង មុខងារនោះកាន់តែត្រឹមត្រូវ។
វិធីសាស្រ្តបែបនេះមានហើយត្រូវបានគេហៅថា វិធីសាស្ត្រម៉ូឌុលតិចបំផុត។. ទោះជាយ៉ាងណាក៏ដោយនៅក្នុងការអនុវត្តវាកាន់តែរីករាលដាល។ វិធីសាស្ត្រការ៉េតិចបំផុត។ដែលក្នុងនោះតម្លៃអវិជ្ជមានដែលអាចធ្វើទៅបានគឺមិនមែនដោយម៉ូឌុលទេ ប៉ុន្តែដោយការបំបែកគម្លាត៖
បន្ទាប់ពីការខិតខំប្រឹងប្រែងត្រូវបានដឹកនាំទៅការជ្រើសរើសមុខងារដែលផលបូកនៃគម្លាតការេ គឺតូចតាមដែលអាចធ្វើទៅបាន។ តាមពិតទៅឈ្មោះនៃវិធីសាស្ត្រ។
ហើយឥឡូវនេះយើងត្រលប់ទៅចំណុចសំខាន់មួយទៀត៖ ដូចដែលបានកត់សម្គាល់ខាងលើ មុខងារដែលបានជ្រើសរើសគួរតែសាមញ្ញណាស់ - ប៉ុន្តែក៏មានមុខងារជាច្រើនផងដែរ៖ លីនេអ៊ែរ , អ៊ីពែរបូល, អិចស្ប៉ូណង់ស្យែល, លោការីត, បួនជ្រុង ល។ ហើយជាការពិតណាស់នៅទីនេះខ្ញុំចង់ "កាត់បន្ថយវាលនៃសកម្មភាព" ភ្លាមៗ។ តើមុខងារប្រភេទណាដែលត្រូវជ្រើសរើសសម្រាប់ការស្រាវជ្រាវ? បច្ចេកទេសបឋម ប៉ុន្តែមានប្រសិទ្ធភាព៖
- វិធីងាយស្រួលបំផុតដើម្បីគូរពិន្ទុ នៅលើគំនូរនិងវិភាគទីតាំងរបស់ពួកគេ។ ប្រសិនបើពួកគេមានទំនោរទៅរកបន្ទាត់ត្រង់ នោះអ្នកគួរតែស្វែងរក សមីការបន្ទាត់ត្រង់ ជាមួយនឹងតម្លៃដ៏ល្អប្រសើរ និង . នៅក្នុងពាក្យផ្សេងទៀត ភារកិច្ចគឺស្វែងរកមេគុណបែបនេះ - ដូច្នេះផលបូកនៃគម្លាតការ៉េគឺតូចបំផុត។
ប្រសិនបើចំណុចមានទីតាំងនៅ, ឧទាហរណ៍, នៅតាមបណ្តោយ អ៊ីពែបូលបន្ទាប់មក វាច្បាស់ណាស់ថា អនុគមន៍លីនេអ៊ែរនឹងផ្តល់ការប៉ាន់ស្មានមិនល្អ។ ក្នុងករណីនេះ យើងកំពុងស្វែងរកមេគុណ "អំណោយផល" បំផុតសម្រាប់សមីការអ៊ីពែបូឡា - អ្នកដែលផ្តល់ផលបូកអប្បបរមានៃការ៉េ .
ឥឡូវនេះសូមកត់សម្គាល់ថាក្នុងករណីទាំងពីរយើងកំពុងនិយាយអំពី មុខងារនៃអថេរពីរអំណះអំណាងរបស់អ្នកណា បានស្វែងរកជម្រើសអាស្រ័យ:
ហើយនៅក្នុងខ្លឹមសារយើងត្រូវដោះស្រាយបញ្ហាស្តង់ដារមួយ - ដើម្បីស្វែងរក អប្បបរមានៃមុខងារនៃអថេរពីរ.
រំលឹកឧទាហរណ៍របស់យើង៖ ឧបមាថាចំណុច "ហាង" មានទំនោរស្ថិតនៅក្នុងបន្ទាត់ត្រង់មួយ ហើយមានហេតុផលដើម្បីជឿថាវត្តមាន ការពឹងផ្អែកលីនេអ៊ែរចំណូលពីតំបន់ពាណិជ្ជកម្ម។ ចូរយើងស្វែងរកមេគុណ "a" និង "be" ដូច្នេះផលបូកនៃគម្លាតការេ គឺតូចបំផុត។ អ្វីគ្រប់យ៉ាងដូចធម្មតា - ដំបូង ដេរីវេនៃផ្នែកនៃលំដាប់ទី 1. យោងទៅតាម ច្បាប់លីនេអ៊ែរអ្នកអាចបែងចែកនៅខាងស្ដាំក្រោមរូបតំណាងផលបូក៖
ប្រសិនបើអ្នកចង់ប្រើព័ត៌មាននេះសម្រាប់ការសរសេរអត្ថបទ ឬវគ្គសិក្សា ខ្ញុំនឹងដឹងគុណយ៉ាងខ្លាំងចំពោះតំណភ្ជាប់ក្នុងបញ្ជីប្រភព អ្នកនឹងមិនអាចរកឃើញការគណនាលម្អិតបែបនេះគ្រប់ទីកន្លែងទេ៖
តោះបង្កើតប្រព័ន្ធស្តង់ដារ៖
យើងកាត់បន្ថយសមីការនីមួយៗដោយ "ពីរ" ហើយលើសពីនេះទៀត "បំបែក" ផលបូក:
ចំណាំ ៖ វិភាគដោយឯករាជ្យថាហេតុអ្វីបានជា "a" និង "be" អាចត្រូវបានយកចេញពីរូបតំណាងផលបូក។ ដោយវិធីនេះជាផ្លូវការនេះអាចត្រូវបានធ្វើដោយផលបូក
ចូរយើងសរសេរប្រព័ន្ធឡើងវិញក្នុងទម្រង់ "បានអនុវត្ត"៖
បន្ទាប់ពីនោះ ក្បួនដោះស្រាយសម្រាប់ការដោះស្រាយបញ្ហារបស់យើងចាប់ផ្តើមត្រូវបានគូរ៖
តើយើងដឹងពីកូអរដោនេនៃចំណុចទេ? យើងដឹង។ ផលបូក តើយើងអាចរកបានទេ? យ៉ាងងាយស្រួល។ យើងសរសេរសាមញ្ញបំផុត។ ប្រព័ន្ធនៃសមីការលីនេអ៊ែរពីរជាមួយមិនស្គាល់ពីរ("a" និង "beh") ។ យើងដោះស្រាយប្រព័ន្ធឧទាហរណ៍ វិធីសាស្រ្តរបស់ Cramer, ជាលទ្ធផលនៅក្នុងចំណុចស្ថានី។ កំពុងពិនិត្យ លក្ខខណ្ឌគ្រប់គ្រាន់សម្រាប់ភាពធ្ងន់ធ្ងរយើងអាចផ្ទៀងផ្ទាត់ថានៅចំណុចនេះមុខងារ ឈានដល់យ៉ាងជាក់លាក់ អប្បបរមា. ការផ្ទៀងផ្ទាត់ត្រូវបានភ្ជាប់ជាមួយនឹងការគណនាបន្ថែម ដូច្នេះហើយយើងនឹងទុកវានៅពីក្រោយឆាក។ (បើចាំបាច់ ស៊ុមដែលបាត់អាចមើលបាន). យើងទាញសេចក្តីសន្និដ្ឋានចុងក្រោយ៖
មុខងារ វិធីដែលល្អបំផុត (យ៉ាងហោចណាស់បើប្រៀបធៀបទៅនឹងមុខងារលីនេអ៊ែរផ្សេងទៀត)នាំមកនូវចំណុចពិសោធន៍កាន់តែខិតជិត . និយាយដោយប្រយោល ក្រាហ្វរបស់វាឆ្លងកាត់ឱ្យជិតបំផុតតាមដែលអាចធ្វើទៅបានចំពោះចំណុចទាំងនេះ។ នៅក្នុងប្រពៃណី សេដ្ឋកិច្ចមុខងារប្រហាក់ប្រហែលលទ្ធផលត្រូវបានហៅផងដែរ។ សមីការតំរែតំរង់លីនេអ៊ែរដែលបានផ្គូផ្គង .
បញ្ហាដែលកំពុងពិចារណាគឺមានសារៈសំខាន់ជាក់ស្តែង។ នៅក្នុងស្ថានភាពជាមួយឧទាហរណ៍របស់យើង សមីការ អនុញ្ញាតឱ្យអ្នកទស្សន៍ទាយថាតើចំណូលប្រភេទណា ("យីក")នឹងនៅហាងជាមួយនឹងតម្លៃមួយ ឬមួយផ្សេងទៀតនៃតំបន់លក់ (អត្ថន័យមួយឬផ្សេងទៀតនៃ "x"). បាទ ការព្យាករណ៍លទ្ធផលនឹងគ្រាន់តែជាការព្យាករណ៍មួយប៉ុណ្ណោះ ប៉ុន្តែក្នុងករណីជាច្រើនវានឹងប្រែទៅជាត្រឹមត្រូវណាស់។
ខ្ញុំនឹងវិភាគបញ្ហាមួយជាមួយនឹងលេខ "ពិត" ព្រោះវាមិនមានការលំបាកអ្វីទាំងអស់ - ការគណនាទាំងអស់គឺនៅកម្រិតនៃកម្មវិធីសិក្សារបស់សាលានៅថ្នាក់ទី 7-8 ។ ក្នុង 95 ភាគរយនៃករណី អ្នកនឹងត្រូវបានស្នើឱ្យស្វែងរកគ្រាន់តែជាអនុគមន៍លីនេអ៊ែរ ប៉ុន្តែនៅចុងបញ្ចប់នៃអត្ថបទ ខ្ញុំនឹងបង្ហាញថា វាមិនពិបាកទៀតទេក្នុងការស្វែងរកសមីការសម្រាប់អ៊ីពែបូឡា និទស្សន្ត និងមុខងារផ្សេងទៀតដែលល្អបំផុត។
តាមពិតទៅ វានៅសល់តែចែកចាយរបស់ល្អដែលបានសន្យា - ដើម្បីឱ្យអ្នករៀនពីរបៀបដោះស្រាយឧទាហរណ៍បែបនេះមិនត្រឹមតែត្រឹមត្រូវប៉ុណ្ណោះទេ ថែមទាំងបានរហ័សទៀតផង។ យើងសិក្សាដោយប្រុងប្រយ័ត្ននូវស្តង់ដារ៖
កិច្ចការមួយ។
ជាលទ្ធផលនៃការសិក្សាទំនាក់ទំនងរវាងសូចនាករទាំងពីរ លេខគូខាងក្រោមត្រូវបានទទួល៖
ដោយប្រើវិធីសាស្ត្រការេតិចបំផុត ស្វែងរកអនុគមន៍លីនេអ៊ែរដែលប្រហាក់ប្រហែលនឹងអរូបី (មានបទពិសោធន៍)ទិន្នន័យ។ បង្កើតគំនូរមួយ ដែលនៅក្នុងប្រព័ន្ធកូអរដោណេចតុកោណ Cartesian គ្រោងចំណុចពិសោធន៍ និងក្រាហ្វនៃមុខងារប្រហាក់ប្រហែល . ស្វែងរកផលបូកនៃគម្លាតការេរវាងតម្លៃជាក់ស្តែង និងទ្រឹស្តី។ ស្វែងយល់ថាតើមុខងារល្អជាង (បើគិតតាមវិធីការ៉េតិចបំផុត)ចំណុចពិសោធន៍ប្រហាក់ប្រហែល។
ចំណាំថាតម្លៃ "x" គឺជាតម្លៃធម្មជាតិ ហើយវាមានចរិតលក្ខណៈអត្ថន័យដែលខ្ញុំនឹងនិយាយអំពីបន្តិចក្រោយមក; ប៉ុន្តែជាការពិតណាស់ ពួកគេអាចជាប្រភាគ។ លើសពីនេះទៀត អាស្រ័យលើខ្លឹមសារនៃកិច្ចការជាក់លាក់មួយ ទាំងតម្លៃ "X" និង "G" អាចជាអវិជ្ជមានទាំងស្រុង ឬដោយផ្នែក។ យើងត្រូវបានផ្តល់ឱ្យនូវកិច្ចការ "មិនមានមុខ" ហើយយើងចាប់ផ្តើមវា។ ដំណោះស្រាយ:
យើងរកឃើញមេគុណនៃមុខងារល្អបំផុតជាដំណោះស្រាយចំពោះប្រព័ន្ធ៖
សម្រាប់គោលបំណងនៃការបង្រួមតូចជាងនេះ អថេរ "រាប់" អាចត្រូវបានលុបចោល ព្រោះវាច្បាស់រួចហើយថាការបូកសរុបត្រូវបានអនុវត្តពីលេខ 1 ដល់ .
វាកាន់តែងាយស្រួលក្នុងការគណនាបរិមាណដែលត្រូវការក្នុងទម្រង់តារាង៖
ការគណនាអាចត្រូវបានអនុវត្តនៅលើ microcalculator ប៉ុន្តែវាជាការប្រសើរក្នុងការប្រើ Excel - ទាំងលឿននិងដោយគ្មានកំហុស។ ទស្សនាវីដេអូខ្លីមួយ៖
ដូច្នេះយើងទទួលបានដូចខាងក្រោម ប្រព័ន្ធ:
នៅទីនេះអ្នកអាចគុណសមីការទីពីរដោយ 3 និង ដកលេខ 2 ចេញពីសមីការទី 1 តាមពាក្យ. ប៉ុន្តែនេះគឺជាសំណាង - នៅក្នុងការអនុវត្តប្រព័ន្ធជារឿយៗមិនមានអំណោយទានទេហើយក្នុងករណីបែបនេះវារក្សាទុក វិធីសាស្រ្តរបស់ Cramer:
ដូច្នេះប្រព័ន្ធមានដំណោះស្រាយតែមួយគត់។
តោះធ្វើការពិនិត្យ។ ខ្ញុំយល់ថាខ្ញុំមិនចង់ ប៉ុន្តែហេតុអ្វីរំលងកំហុសដែលអ្នកពិតជាមិនអាចនឹកពួកគេ? ជំនួសដំណោះស្រាយដែលបានរកឃើញទៅក្នុងផ្នែកខាងឆ្វេងនៃសមីការនីមួយៗនៃប្រព័ន្ធ៖
ផ្នែកខាងស្តាំនៃសមីការដែលត្រូវគ្នាត្រូវបានទទួល ដែលមានន័យថាប្រព័ន្ធត្រូវបានដោះស្រាយយ៉ាងត្រឹមត្រូវ។
ដូច្នេះមុខងារប្រហាក់ប្រហែលដែលចង់បាន៖ - ពី មុខងារលីនេអ៊ែរទាំងអស់។ទិន្នន័យពិសោធន៍ត្រូវបានប៉ាន់ស្មានល្អបំផុតដោយវា។
មិនដូច ត្រង់ ការពឹងផ្អែកនៃចំណូលរបស់ហាងនៅលើតំបន់របស់វា ការពឹងផ្អែកដែលបានរកឃើញគឺ បញ្ច្រាស (គោលការណ៍ "កាន់តែច្រើន - តិច")ហើយការពិតនេះត្រូវបានបង្ហាញភ្លាមៗដោយអវិជ្ជមាន មេគុណមុំ. មុខងារ ប្រាប់យើងថាជាមួយនឹងការកើនឡើងនៃសូចនាករជាក់លាក់មួយដោយ 1 ឯកតា តម្លៃនៃសូចនាករអាស្រ័យនឹងថយចុះ មធ្យមដោយ 0.65 ឯកតា។ ដូចដែលពួកគេនិយាយថាតម្លៃនៃ buckwheat កាន់តែខ្ពស់ការលក់កាន់តែតិច។
ដើម្បីរៀបចំមុខងារប្រហាក់ប្រហែល យើងរកឃើញតម្លៃពីររបស់វា៖
និងអនុវត្តគំនូរ៖
បន្ទាត់ដែលបានសាងសង់ត្រូវបានគេហៅថា បន្ទាត់និន្នាការ
(ឧទាហរណ៍ បន្ទាត់និន្នាការលីនេអ៊ែរ ឧ. ក្នុងករណីទូទៅ និន្នាការមិនចាំបាច់ជាបន្ទាត់ត្រង់). មនុស្សគ្រប់គ្នាស្គាល់ពាក្យថា "ដើម្បីក្លាយជានិន្នាការ" ហើយខ្ញុំគិតថាពាក្យនេះមិនត្រូវការយោបល់បន្ថែមទេ។
គណនាផលបូកនៃគម្លាតការេ រវាងតម្លៃជាក់ស្តែង និងទ្រឹស្តី។ តាមធរណីមាត្រ នេះគឺជាផលបូកនៃការ៉េនៃប្រវែងនៃផ្នែក "ពណ៌ក្រហម" (ពីរដែលតូចពេកអ្នកមើលមិនឃើញ).
ចូរយើងសង្ខេបការគណនាក្នុងតារាង៖
ពួកគេអាចត្រូវបានអនុវត្តដោយដៃម្តងទៀត ក្នុងករណីដែលខ្ញុំនឹងផ្តល់ឧទាហរណ៍សម្រាប់ចំណុចទី 1៖
ប៉ុន្តែវាមានប្រសិទ្ធភាពជាងក្នុងការធ្វើតាមវិធីដែលគេស្គាល់រួចមកហើយ៖
ចូរយើងនិយាយឡើងវិញ៖ តើអ្វីទៅជាអត្ថន័យនៃលទ្ធផល?ពី មុខងារលីនេអ៊ែរទាំងអស់។មុខងារ និទស្សន្តគឺតូចបំផុត ពោលគឺវាគឺជាការប៉ាន់ស្មានដ៏ល្អបំផុតនៅក្នុងគ្រួសាររបស់វា។ ហើយនៅទីនេះ ដោយវិធីនេះ សំណួរចុងក្រោយនៃបញ្ហាគឺមិនចៃដន្យទេ៖ តើមានអ្វីប្រសិនបើមុខងារអិចស្ប៉ូណង់ស្យែលដែលបានស្នើឡើង តើវាប្រសើរជាងក្នុងការប៉ាន់ស្មានចំណុចពិសោធន៍ទេ?
ចូរយើងស្វែងរកផលបូកនៃគម្លាតការ៉េដែលត្រូវគ្នា - ដើម្បីសម្គាល់ពួកវា ខ្ញុំនឹងកំណត់ពួកវាដោយអក្សរ "epsilon" ។ បច្ចេកទេសគឺដូចគ្នាបេះបិទ៖
ហើយម្តងទៀតសម្រាប់រាល់ការគណនាភ្លើងសម្រាប់ចំណុចទី 1:
នៅក្នុង Excel យើងប្រើមុខងារស្តង់ដារ EXP (វាក្យសម្ព័ន្ធអាចរកបាននៅក្នុងជំនួយ Excel).
សេចក្តីសន្និដ្ឋាន: , ដូច្នេះ អនុគមន៍អិចស្ប៉ូណង់ស្យែល ប្រហាក់ប្រហែលចំណុចពិសោធន៍ អាក្រក់ជាងបន្ទាត់ត្រង់ .
ប៉ុន្តែវាគួរតែត្រូវបានកត់សម្គាល់ថា "អាក្រក់" នៅទីនេះ មិនមានន័យនៅឡើយទេ, តើមានអ្វីខុស។ ឥឡូវនេះខ្ញុំបានបង្កើតក្រាហ្វនៃអនុគមន៍អិចស្ប៉ូណង់ស្យែលនេះ - ហើយវាក៏ឆ្លងកាត់ជិតចំនុចផងដែរ។ -ច្រើនណាស់ បើគ្មានការសិក្សាវិភាគទេ ពិបាកនិយាយថាមុខងារមួយណាត្រឹមត្រូវជាង។
នេះបញ្ចប់ដំណោះស្រាយហើយខ្ញុំត្រលប់ទៅសំណួរនៃតម្លៃធម្មជាតិនៃអាគុយម៉ង់។ នៅក្នុងការសិក្សាផ្សេងៗ ជាក្បួន សេដ្ឋកិច្ច ឬសង្គមវិទ្យា ខែ ឆ្នាំ ឬចន្លោះពេលស្មើគ្នាផ្សេងទៀតត្រូវបានដាក់លេខដោយ "X" ធម្មជាតិ។ ជាឧទាហរណ៍ សូមពិចារណាអំពីបញ្ហាបែបនេះ។
វិធីសាស្រ្តការ៉េតិចបំផុត។
នៅក្នុងមេរៀនចុងក្រោយនៃប្រធានបទ យើងនឹងស្គាល់កម្មវិធីដ៏ល្បីល្បាញបំផុត។ FNPដែលរកឃើញកម្មវិធីធំទូលាយបំផុតក្នុងវិស័យផ្សេងៗនៃវិទ្យាសាស្ត្រ និងការអនុវត្ត។ វាអាចជារូបវិទ្យា គីមីវិទ្យា ជីវវិទ្យា សេដ្ឋកិច្ច សង្គមវិទ្យា ចិត្តវិទ្យា ជាដើម។ តាមឆន្ទៈនៃជោគវាសនា ជារឿយៗខ្ញុំត្រូវដោះស្រាយជាមួយនឹងសេដ្ឋកិច្ច ដូច្នេះហើយថ្ងៃនេះ ខ្ញុំនឹងរៀបចំជូនអ្នកនូវសំបុត្រទៅកាន់ប្រទេសដ៏អស្ចារ្យមួយដែលមានឈ្មោះថា សេដ្ឋកិច្ច=)… ម៉េចមិនចង់បានអញ្ចឹង?! វាល្អណាស់នៅទីនោះ - អ្នកគ្រាន់តែត្រូវសម្រេចចិត្ត! …ប៉ុន្តែអ្វីដែលអ្នកប្រាកដជាចង់បានគឺរៀនពីរបៀបដោះស្រាយបញ្ហា ការ៉េតិចបំផុត។. ហើយជាពិសេសអ្នកអានដែលឧស្សាហ៍ព្យាយាមនឹងរៀនដោះស្រាយវាមិនត្រឹមតែត្រឹមត្រូវប៉ុណ្ណោះទេប៉ុន្តែថែមទាំងលឿនណាស់ ;-) ប៉ុន្តែដំបូង សេចក្តីថ្លែងការណ៍ទូទៅនៃបញ្ហា+ឧទាហរណ៍ពាក់ព័ន្ធ៖
សូមឱ្យសូចនាករត្រូវបានសិក្សានៅក្នុងប្រធានបទមួយចំនួនដែលមានការបញ្ចេញមតិបរិមាណ។ ទន្ទឹមនឹងនេះដែរមានហេតុផលទាំងអស់ដែលជឿថាសូចនាករអាស្រ័យលើសូចនាករ។ ការសន្មត់នេះអាចជាសម្មតិកម្មវិទ្យាសាស្រ្ត និងផ្អែកលើសុភវិនិច្ឆ័យបឋម។ ទោះជាយ៉ាងណាក៏ដោយ ចូរទុកវិទ្យាសាស្រ្តមួយឡែកសិន ហើយស្វែងយល់ពីតំបន់ដែលគួរឱ្យចង់ញ៉ាំបន្ថែមទៀត - ពោលគឺហាងលក់គ្រឿងទេស។ បញ្ជាក់ដោយ៖
- កន្លែងលក់រាយនៃហាងលក់គ្រឿងទេស, sq.m.,
- ចំណូលប្រចាំឆ្នាំនៃហាងលក់គ្រឿងទេសមួយលានរូប្លិ៍។
វាច្បាស់ណាស់ថាតំបន់នៃហាងកាន់តែធំនោះចំណូលរបស់វាកាន់តែច្រើននៅក្នុងករណីភាគច្រើន។
ឧបមាថាបន្ទាប់ពីធ្វើការសង្កេត / ពិសោធន៍ / ការគណនា / រាំជាមួយ tambourine យើងមានទិន្នន័យជាលេខរបស់យើង:
ជាមួយនឹងហាងលក់គ្រឿងទេសខ្ញុំគិតថាអ្វីគ្រប់យ៉ាងគឺច្បាស់: - នេះគឺជាតំបន់នៃហាងទី 1 - ចំណូលប្រចាំឆ្នាំរបស់វា - តំបន់នៃហាងទី 2 - ចំណូលប្រចាំឆ្នាំ។ល។ និយាយអីញ្ចឹង វាមិនចាំបាច់ទាល់តែសោះក្នុងការចូលប្រើសម្ភារៈដែលបានចាត់ថ្នាក់ - ការវាយតម្លៃត្រឹមត្រូវនៃចំណូលអាចទទួលបានដោយប្រើ ស្ថិតិគណិតវិទ្យា. ទោះយ៉ាងណាក៏ដោយ កុំមានការរំខាន វគ្គនៃចារកម្មពាណិជ្ជកម្មត្រូវបានបង់រួចហើយ =)
ទិន្នន័យតារាងក៏អាចសរសេរជាទម្រង់ចំណុច និងបង្ហាញតាមរបៀបធម្មតាសម្រាប់យើង។ ប្រព័ន្ធ Cartesian .
តោះឆ្លើយសំណួរសំខាន់មួយ៖ តើត្រូវការពិន្ទុប៉ុន្មានសម្រាប់ការសិក្សាគុណភាព?
កាន់តែធំ កាន់តែល្អ។ សំណុំដែលអាចទទួលយកបានអប្បបរមាមាន 5-6 ពិន្ទុ។ លើសពីនេះ ជាមួយនឹងចំនួនទិន្នន័យតិចតួច លទ្ធផល "មិនធម្មតា" មិនគួរត្រូវបានបញ្ចូលក្នុងគំរូនោះទេ។ ដូច្នេះ ជាឧទាហរណ៍ ហាងឥស្សរជនតូចមួយអាចជួយចេញការបញ្ជាទិញលើសពី "សហសេវិករបស់ពួកគេ" ដោយហេតុនេះបង្ខូចទ្រង់ទ្រាយទូទៅដែលត្រូវការរកឱ្យឃើញ!
ប្រសិនបើវាសាមញ្ញ យើងត្រូវជ្រើសរើសមុខងារមួយ កាលវិភាគដែលឆ្លងកាត់ឱ្យជិតបំផុតតាមដែលអាចធ្វើទៅបានទៅចំណុច . មុខងារបែបនេះត្រូវបានគេហៅថា ប្រហាក់ប្រហែល (ប្រហាក់ប្រហែល - ប្រហាក់ប្រហែល)ឬ មុខងារទ្រឹស្តី . និយាយជាទូទៅនៅទីនេះភ្លាមៗលេចឡើង "អ្នកធ្វើពុត" ជាក់ស្តែង - ពហុធានៃសញ្ញាបត្រខ្ពស់ក្រាហ្វដែលឆ្លងកាត់គ្រប់ចំណុច។ ប៉ុន្តែជម្រើសនេះមានភាពស្មុគស្មាញ ហើយជារឿយៗគ្រាន់តែមិនត្រឹមត្រូវ។ (ដោយសារតែតារាងនឹង "ខ្យល់" គ្រប់ពេលវេលា ហើយឆ្លុះបញ្ចាំងពីនិន្នាការចម្បងមិនល្អ).
ដូច្នេះមុខងារដែលចង់បានត្រូវតែមានលក្ខណៈសាមញ្ញគ្រប់គ្រាន់ហើយក្នុងពេលតែមួយឆ្លុះបញ្ចាំងពីការពឹងផ្អែកឱ្យបានគ្រប់គ្រាន់។ ដូចដែលអ្នកអាចទាយបាន វិធីសាស្រ្តមួយក្នុងការស្វែងរកមុខងារបែបនេះត្រូវបានគេហៅថា ការ៉េតិចបំផុត។. ជាដំបូង ចូរយើងវិភាគខ្លឹមសាររបស់វាតាមរបៀបទូទៅ។ អនុញ្ញាតឱ្យមុខងារមួយចំនួនប្រហាក់ប្រហែលនឹងទិន្នន័យពិសោធន៍៖
តើធ្វើដូចម្តេចដើម្បីវាយតម្លៃភាពត្រឹមត្រូវនៃការប្រហាក់ប្រហែលនេះ? ចូរយើងគណនាភាពខុសគ្នា (គម្លាត) រវាងតម្លៃពិសោធន៍ និងមុខងារ (យើងសិក្សាគំនូរ). គំនិតដំបូងដែលចូលមកក្នុងគំនិតគឺការប៉ាន់ប្រមាណថាតើផលបូកធំប៉ុនណា ប៉ុន្តែបញ្ហាគឺថាភាពខុសគ្នាអាចជាអវិជ្ជមាន។ (ឧទាហរណ៍, )
ហើយគម្លាតដែលជាលទ្ធផលនៃការបូកសរុបបែបនេះនឹងលុបចោលគ្នាទៅវិញទៅមក។ ដូច្នេះ តាមការប៉ាន់ប្រមាណនៃភាពត្រឹមត្រូវនៃការប៉ាន់ប្រមាណ វាណែនាំខ្លួនវាឱ្យយកផលបូក ម៉ូឌុលគម្លាត៖
ឬក្នុងទម្រង់បត់៖ (សម្រាប់អ្នកមិនដឹង៖ គឺជារូបតំណាងផលបូក និង - អថេរជំនួយ - "រាប់" ដែលយកតម្លៃពី 1 ទៅ ) .
ការប៉ាន់ស្មានចំណុចពិសោធន៍ដែលមានមុខងារផ្សេងៗគ្នា យើងនឹងទទួលបានតម្លៃខុសៗគ្នា ហើយវាច្បាស់ណាស់ដែលផលបូកនេះតិចជាង - មុខងារនោះមានភាពត្រឹមត្រូវជាង។
វិធីសាស្រ្តបែបនេះមានហើយត្រូវបានគេហៅថា វិធីសាស្ត្រម៉ូឌុលតិចបំផុត។. ទោះជាយ៉ាងណាក៏ដោយនៅក្នុងការអនុវត្តវាកាន់តែរីករាលដាល។ វិធីសាស្ត្រការ៉េតិចបំផុត។ដែលក្នុងនោះតម្លៃអវិជ្ជមានដែលអាចធ្វើទៅបានគឺមិនមែនដោយម៉ូឌុលទេ ប៉ុន្តែដោយការបំបែកគម្លាត៖
បន្ទាប់ពីការខិតខំប្រឹងប្រែងត្រូវបានដឹកនាំទៅការជ្រើសរើសមុខងារដែលផលបូកនៃគម្លាតការេ គឺតូចតាមដែលអាចធ្វើទៅបាន។ តាមពិតទៅឈ្មោះនៃវិធីសាស្ត្រ។
ហើយឥឡូវនេះយើងត្រលប់ទៅចំណុចសំខាន់មួយទៀត៖ ដូចដែលបានកត់សម្គាល់ខាងលើ មុខងារដែលបានជ្រើសរើសគួរតែសាមញ្ញណាស់ - ប៉ុន្តែក៏មានមុខងារជាច្រើនផងដែរ៖ លីនេអ៊ែរ , អ៊ីពែរបូល , អិចស្ប៉ូណង់ស្យែល , លោការីត , បួនជ្រុង ល។ ហើយជាការពិតណាស់នៅទីនេះខ្ញុំចង់ "កាត់បន្ថយវាលនៃសកម្មភាព" ភ្លាមៗ។ តើមុខងារប្រភេទណាដែលត្រូវជ្រើសរើសសម្រាប់ការស្រាវជ្រាវ? បច្ចេកទេសបឋម ប៉ុន្តែមានប្រសិទ្ធភាព៖
- វិធីងាយស្រួលបំផុតដើម្បីគូរពិន្ទុ នៅលើគំនូរនិងវិភាគទីតាំងរបស់ពួកគេ។ ប្រសិនបើពួកគេមានទំនោរទៅរកបន្ទាត់ត្រង់ នោះអ្នកគួរតែស្វែងរក សមីការបន្ទាត់ត្រង់ ជាមួយនឹងតម្លៃដ៏ល្អប្រសើរ និង . នៅក្នុងពាក្យផ្សេងទៀត ភារកិច្ចគឺស្វែងរកមេគុណបែបនេះ - ដូច្នេះផលបូកនៃគម្លាតការ៉េគឺតូចបំផុត។
ប្រសិនបើចំណុចមានទីតាំងនៅ, ឧទាហរណ៍, នៅតាមបណ្តោយ អ៊ីពែបូលបន្ទាប់មក វាច្បាស់ណាស់ថា អនុគមន៍លីនេអ៊ែរនឹងផ្តល់ការប៉ាន់ស្មានមិនល្អ។ ក្នុងករណីនេះ យើងកំពុងស្វែងរកមេគុណ "អំណោយផល" បំផុតសម្រាប់សមីការអ៊ីពែបូឡា - អ្នកដែលផ្តល់ផលបូកអប្បបរមានៃការ៉េ .
ឥឡូវនេះសូមកត់សម្គាល់ថាក្នុងករណីទាំងពីរយើងកំពុងនិយាយអំពី មុខងារនៃអថេរពីរអំណះអំណាងរបស់អ្នកណា បានស្វែងរកជម្រើសអាស្រ័យ:
ហើយនៅក្នុងខ្លឹមសារយើងត្រូវដោះស្រាយបញ្ហាស្តង់ដារមួយ - ដើម្បីស្វែងរក អប្បបរមានៃមុខងារនៃអថេរពីរ.
រំលឹកឧទាហរណ៍របស់យើង៖ ឧបមាថាចំណុច "ហាង" មានទំនោរស្ថិតនៅក្នុងបន្ទាត់ត្រង់មួយ ហើយមានហេតុផលដើម្បីជឿថាវត្តមាន ការពឹងផ្អែកលីនេអ៊ែរចំណូលពីតំបន់ពាណិជ្ជកម្ម។ ចូរយើងស្វែងរកមេគុណ "a" និង "be" ដូច្នេះផលបូកនៃគម្លាតការេ គឺតូចបំផុត។ អ្វីគ្រប់យ៉ាងដូចធម្មតា - ដំបូង ដេរីវេនៃផ្នែកនៃលំដាប់ទី 1. យោងទៅតាម ច្បាប់លីនេអ៊ែរអ្នកអាចបែងចែកនៅខាងស្ដាំក្រោមរូបតំណាងផលបូក៖
ប្រសិនបើអ្នកចង់ប្រើព័ត៌មាននេះសម្រាប់ការសរសេរអត្ថបទ ឬវគ្គសិក្សា ខ្ញុំនឹងដឹងគុណយ៉ាងខ្លាំងចំពោះតំណភ្ជាប់ក្នុងបញ្ជីប្រភព អ្នកនឹងមិនអាចរកឃើញការគណនាលម្អិតបែបនេះគ្រប់ទីកន្លែងទេ៖
តោះបង្កើតប្រព័ន្ធស្តង់ដារ៖
យើងកាត់បន្ថយសមីការនីមួយៗដោយ "ពីរ" ហើយលើសពីនេះទៀត "បំបែក" ផលបូក:
ចំណាំ ៖ វិភាគដោយឯករាជ្យថាហេតុអ្វីបានជា "a" និង "be" អាចត្រូវបានយកចេញពីរូបតំណាងផលបូក។ ដោយវិធីនេះជាផ្លូវការនេះអាចត្រូវបានធ្វើដោយផលបូក
ចូរយើងសរសេរប្រព័ន្ធឡើងវិញក្នុងទម្រង់ "បានអនុវត្ត"៖
បន្ទាប់ពីនោះ ក្បួនដោះស្រាយសម្រាប់ការដោះស្រាយបញ្ហារបស់យើងចាប់ផ្តើមត្រូវបានគូរ៖
តើយើងដឹងពីកូអរដោនេនៃចំណុចទេ? យើងដឹង។ ផលបូក តើយើងអាចរកបានទេ? យ៉ាងងាយស្រួល។ យើងសរសេរសាមញ្ញបំផុត។ ប្រព័ន្ធនៃសមីការលីនេអ៊ែរពីរជាមួយមិនស្គាល់ពីរ("a" និង "beh") ។ យើងដោះស្រាយប្រព័ន្ធឧទាហរណ៍ វិធីសាស្រ្តរបស់ Cramer, ជាលទ្ធផលនៅក្នុងចំណុចស្ថានី។ កំពុងពិនិត្យ លក្ខខណ្ឌគ្រប់គ្រាន់សម្រាប់ភាពធ្ងន់ធ្ងរយើងអាចផ្ទៀងផ្ទាត់ថានៅចំណុចនេះមុខងារ ឈានដល់យ៉ាងជាក់លាក់ អប្បបរមា. ការផ្ទៀងផ្ទាត់ត្រូវបានភ្ជាប់ជាមួយនឹងការគណនាបន្ថែម ដូច្នេះហើយយើងនឹងទុកវានៅពីក្រោយឆាក។ (ប្រសិនបើចាំបាច់ ស៊ុមដែលបាត់អាចត្រូវបានមើលនៅទីនេះ ) . យើងទាញសេចក្តីសន្និដ្ឋានចុងក្រោយ៖
មុខងារ វិធីដែលល្អបំផុត (យ៉ាងហោចណាស់បើប្រៀបធៀបទៅនឹងមុខងារលីនេអ៊ែរផ្សេងទៀត)នាំមកនូវចំណុចពិសោធន៍កាន់តែខិតជិត . និយាយដោយប្រយោល ក្រាហ្វរបស់វាឆ្លងកាត់ឱ្យជិតបំផុតតាមដែលអាចធ្វើទៅបានចំពោះចំណុចទាំងនេះ។ នៅក្នុងប្រពៃណី សេដ្ឋកិច្ចមុខងារប្រហាក់ប្រហែលលទ្ធផលត្រូវបានហៅផងដែរ។ សមីការតំរែតំរង់លីនេអ៊ែរដែលបានផ្គូផ្គង .
បញ្ហាដែលកំពុងពិចារណាគឺមានសារៈសំខាន់ជាក់ស្តែង។ នៅក្នុងស្ថានភាពជាមួយឧទាហរណ៍របស់យើង សមីការ អនុញ្ញាតឱ្យអ្នកទស្សន៍ទាយថាតើចំណូលប្រភេទណា ("យីក")នឹងនៅហាងជាមួយនឹងតម្លៃមួយ ឬមួយផ្សេងទៀតនៃតំបន់លក់ (អត្ថន័យមួយឬផ្សេងទៀតនៃ "x"). បាទ ការព្យាករណ៍លទ្ធផលនឹងគ្រាន់តែជាការព្យាករណ៍មួយប៉ុណ្ណោះ ប៉ុន្តែក្នុងករណីជាច្រើនវានឹងប្រែទៅជាត្រឹមត្រូវណាស់។
ខ្ញុំនឹងវិភាគបញ្ហាមួយជាមួយនឹងលេខ "ពិត" ព្រោះវាមិនមានការលំបាកអ្វីទាំងអស់ - ការគណនាទាំងអស់គឺនៅកម្រិតនៃកម្មវិធីសិក្សារបស់សាលានៅថ្នាក់ទី 7-8 ។ ក្នុង 95 ភាគរយនៃករណី អ្នកនឹងត្រូវបានស្នើឱ្យស្វែងរកគ្រាន់តែជាអនុគមន៍លីនេអ៊ែរ ប៉ុន្តែនៅចុងបញ្ចប់នៃអត្ថបទ ខ្ញុំនឹងបង្ហាញថា វាមិនពិបាកទៀតទេក្នុងការស្វែងរកសមីការសម្រាប់អ៊ីពែបូឡា និទស្សន្ត និងមុខងារផ្សេងទៀតដែលល្អបំផុត។
តាមពិតទៅ វានៅសល់តែចែកចាយរបស់ល្អដែលបានសន្យា - ដើម្បីឱ្យអ្នករៀនពីរបៀបដោះស្រាយឧទាហរណ៍បែបនេះមិនត្រឹមតែត្រឹមត្រូវប៉ុណ្ណោះទេ ថែមទាំងបានរហ័សទៀតផង។ យើងសិក្សាដោយប្រុងប្រយ័ត្ននូវស្តង់ដារ៖
កិច្ចការមួយ។
ជាលទ្ធផលនៃការសិក្សាទំនាក់ទំនងរវាងសូចនាករទាំងពីរ លេខគូខាងក្រោមត្រូវបានទទួល៖
ដោយប្រើវិធីសាស្ត្រការេតិចបំផុត ស្វែងរកអនុគមន៍លីនេអ៊ែរដែលប្រហាក់ប្រហែលនឹងអរូបី (មានបទពិសោធន៍)ទិន្នន័យ។ បង្កើតគំនូរមួយ ដែលនៅក្នុងប្រព័ន្ធកូអរដោណេចតុកោណ Cartesian គ្រោងចំណុចពិសោធន៍ និងក្រាហ្វនៃមុខងារប្រហាក់ប្រហែល . ស្វែងរកផលបូកនៃគម្លាតការេរវាងតម្លៃជាក់ស្តែង និងទ្រឹស្តី។ ស្វែងយល់ថាតើមុខងារល្អជាង (បើគិតតាមវិធីការ៉េតិចបំផុត)ចំណុចពិសោធន៍ប្រហាក់ប្រហែល។
ចំណាំថាតម្លៃ "x" គឺជាតម្លៃធម្មជាតិ ហើយវាមានចរិតលក្ខណៈអត្ថន័យដែលខ្ញុំនឹងនិយាយអំពីបន្តិចក្រោយមក; ប៉ុន្តែជាការពិតណាស់ ពួកគេអាចជាប្រភាគ។ លើសពីនេះទៀត អាស្រ័យលើខ្លឹមសារនៃកិច្ចការជាក់លាក់មួយ ទាំងតម្លៃ "X" និង "G" អាចជាអវិជ្ជមានទាំងស្រុង ឬដោយផ្នែក។ យើងត្រូវបានផ្តល់ឱ្យនូវកិច្ចការ "មិនមានមុខ" ហើយយើងចាប់ផ្តើមវា។ ដំណោះស្រាយ:
យើងរកឃើញមេគុណនៃមុខងារល្អបំផុតជាដំណោះស្រាយចំពោះប្រព័ន្ធ៖
សម្រាប់គោលបំណងនៃការបង្រួមតូចជាងនេះ អថេរ "រាប់" អាចត្រូវបានលុបចោល ព្រោះវាច្បាស់រួចហើយថាការបូកសរុបត្រូវបានអនុវត្តពីលេខ 1 ដល់ .
វាកាន់តែងាយស្រួលក្នុងការគណនាបរិមាណដែលត្រូវការក្នុងទម្រង់តារាង៖
ការគណនាអាចត្រូវបានអនុវត្តនៅលើ microcalculator ប៉ុន្តែវាជាការប្រសើរក្នុងការប្រើ Excel - ទាំងលឿននិងដោយគ្មានកំហុស។ ទស្សនាវីដេអូខ្លីមួយ៖
ដូច្នេះយើងទទួលបានដូចខាងក្រោម ប្រព័ន្ធ:
នៅទីនេះអ្នកអាចគុណសមីការទីពីរដោយ 3 និង ដកលេខ 2 ចេញពីសមីការទី 1 តាមពាក្យ. ប៉ុន្តែនេះគឺជាសំណាង - នៅក្នុងការអនុវត្តប្រព័ន្ធជារឿយៗមិនមានអំណោយទានទេហើយក្នុងករណីបែបនេះវារក្សាទុក វិធីសាស្រ្តរបស់ Cramer:
ដូច្នេះប្រព័ន្ធមានដំណោះស្រាយតែមួយគត់។
តោះធ្វើការពិនិត្យ។ ខ្ញុំយល់ថាខ្ញុំមិនចង់ ប៉ុន្តែហេតុអ្វីរំលងកំហុសដែលអ្នកពិតជាមិនអាចនឹកពួកគេ? ជំនួសដំណោះស្រាយដែលបានរកឃើញទៅក្នុងផ្នែកខាងឆ្វេងនៃសមីការនីមួយៗនៃប្រព័ន្ធ៖
ផ្នែកខាងស្តាំនៃសមីការដែលត្រូវគ្នាត្រូវបានទទួល ដែលមានន័យថាប្រព័ន្ធត្រូវបានដោះស្រាយយ៉ាងត្រឹមត្រូវ។
ដូច្នេះមុខងារប្រហាក់ប្រហែលដែលចង់បាន៖ - ពី មុខងារលីនេអ៊ែរទាំងអស់។ទិន្នន័យពិសោធន៍ត្រូវបានប៉ាន់ស្មានល្អបំផុតដោយវា។
មិនដូច ត្រង់ ការពឹងផ្អែកនៃចំណូលរបស់ហាងនៅលើតំបន់របស់វា ការពឹងផ្អែកដែលបានរកឃើញគឺ បញ្ច្រាស (គោលការណ៍ "កាន់តែច្រើន - តិច")ហើយការពិតនេះត្រូវបានបង្ហាញភ្លាមៗដោយអវិជ្ជមាន មេគុណមុំ. មុខងារប្រាប់យើងថាជាមួយនឹងការកើនឡើងនៃសូចនាករជាក់លាក់មួយដោយ 1 ឯកតា តម្លៃនៃសូចនាករអាស្រ័យថយចុះ។ មធ្យមដោយ 0.65 ឯកតា។ ដូចដែលពួកគេនិយាយថាតម្លៃនៃ buckwheat កាន់តែខ្ពស់ការលក់កាន់តែតិច។
ដើម្បីរៀបចំមុខងារប្រហាក់ប្រហែល យើងរកឃើញតម្លៃពីររបស់វា៖
និងអនុវត្តគំនូរ៖
បន្ទាត់ដែលបានសាងសង់ត្រូវបានគេហៅថា បន្ទាត់និន្នាការ
(ឧទាហរណ៍ បន្ទាត់និន្នាការលីនេអ៊ែរ ឧ. ក្នុងករណីទូទៅ និន្នាការមិនចាំបាច់ជាបន្ទាត់ត្រង់). មនុស្សគ្រប់គ្នាស្គាល់ពាក្យថា "ដើម្បីក្លាយជានិន្នាការ" ហើយខ្ញុំគិតថាពាក្យនេះមិនត្រូវការយោបល់បន្ថែមទេ។
គណនាផលបូកនៃគម្លាតការេ រវាងតម្លៃជាក់ស្តែង និងទ្រឹស្តី។ តាមធរណីមាត្រ នេះគឺជាផលបូកនៃការ៉េនៃប្រវែងនៃផ្នែក "ពណ៌ក្រហម" (ពីរដែលតូចពេកអ្នកមើលមិនឃើញ).
ចូរយើងសង្ខេបការគណនាក្នុងតារាង៖
ពួកគេអាចត្រូវបានអនុវត្តដោយដៃម្តងទៀត ក្នុងករណីដែលខ្ញុំនឹងផ្តល់ឧទាហរណ៍សម្រាប់ចំណុចទី 1៖
ប៉ុន្តែវាមានប្រសិទ្ធភាពជាងក្នុងការធ្វើតាមវិធីដែលគេស្គាល់រួចមកហើយ៖
ចូរយើងនិយាយឡើងវិញ៖ តើអ្វីទៅជាអត្ថន័យនៃលទ្ធផល?ពី មុខងារលីនេអ៊ែរទាំងអស់។អនុគមន៍មាននិទស្សន្តតូចបំផុត ពោលគឺនៅក្នុងគ្រួសាររបស់វា នេះគឺជាការប៉ាន់ស្មានដ៏ល្អបំផុត។ ហើយនៅទីនេះ ដោយវិធីនេះ សំណួរចុងក្រោយនៃបញ្ហាគឺមិនចៃដន្យទេ៖ តើមានអ្វីប្រសិនបើមុខងារអិចស្ប៉ូណង់ស្យែលដែលបានស្នើឡើង តើវាប្រសើរជាងក្នុងការប៉ាន់ស្មានចំណុចពិសោធន៍ទេ?
ចូរយើងស្វែងរកផលបូកនៃគម្លាតការ៉េដែលត្រូវគ្នា - ដើម្បីសម្គាល់ពួកវា ខ្ញុំនឹងកំណត់ពួកវាដោយអក្សរ "epsilon" ។ បច្ចេកទេសគឺដូចគ្នាបេះបិទ៖
ហើយម្តងទៀតសម្រាប់រាល់ការគណនាភ្លើងសម្រាប់ចំណុចទី 1:
នៅក្នុង Excel យើងប្រើមុខងារស្តង់ដារ EXP (វាក្យសម្ព័ន្ធអាចរកបាននៅក្នុងជំនួយ Excel).
សេចក្តីសន្និដ្ឋាន: , ដែលមានន័យថាអនុគមន៍អិចស្ប៉ូណង់ស្យែលប្រហាក់ប្រហែលចំណុចពិសោធន៍អាក្រក់ជាងបន្ទាត់ត្រង់។
ប៉ុន្តែវាគួរតែត្រូវបានកត់សម្គាល់ថា "អាក្រក់" នៅទីនេះ មិនមានន័យនៅឡើយទេ, តើមានអ្វីខុស។ ឥឡូវនេះខ្ញុំបានបង្កើតក្រាហ្វនៃអនុគមន៍អិចស្ប៉ូណង់ស្យែលនេះ ហើយវាក៏ឆ្លងកាត់ជិតចំណុចផងដែរ ដូច្នេះហើយបើគ្មានការសិក្សាវិភាគទេ វាពិបាកក្នុងការនិយាយថាមុខងារមួយណាត្រឹមត្រូវជាង។
នេះបញ្ចប់ដំណោះស្រាយហើយខ្ញុំត្រលប់ទៅសំណួរនៃតម្លៃធម្មជាតិនៃអាគុយម៉ង់។ នៅក្នុងការសិក្សាផ្សេងៗ ជាក្បួន សេដ្ឋកិច្ច ឬសង្គមវិទ្យា ខែ ឆ្នាំ ឬចន្លោះពេលស្មើគ្នាផ្សេងទៀតត្រូវបានដាក់លេខដោយ "X" ធម្មជាតិ។ ជាឧទាហរណ៍ សូមពិចារណាបញ្ហាខាងក្រោម៖
យើងមានទិន្នន័យខាងក្រោមអំពីការលក់រាយរបស់ហាងសម្រាប់ឆមាសទីមួយនៃឆ្នាំ៖
ដោយប្រើការតម្រឹមការវិភាគបន្ទាត់ត្រង់ ស្វែងរកបរិមាណលក់សម្រាប់ខែកក្កដា.
បាទ គ្មានបញ្ហាទេ៖ យើងរាប់ខែទី 1, 2, 3, 4, 5, 6 ហើយប្រើក្បួនដោះស្រាយធម្មតា ជាលទ្ធផលយើងទទួលបានសមីការ - រឿងតែមួយគត់នៅពេលដែលវាមកដល់ពេលនេះគឺជាធម្មតាអក្សរ "te " (ទោះបីជាវាមិនសំខាន់ក៏ដោយ). សមីការលទ្ធផលបង្ហាញថានៅក្នុងឆមាសទីមួយនៃឆ្នាំនេះ ចំណូលកើនឡើងជាមធ្យមនៃ CU 27.74 ។ ក្នុងមួយខែ។ ទទួលបានការព្យាករណ៍សម្រាប់ខែកក្កដា (ខែទី៧)៖ e.u.
និងភារកិច្ចស្រដៀងគ្នា - ភាពងងឹតគឺងងឹត។ អ្នកដែលប្រាថ្នាអាចប្រើសេវាបន្ថែមមួយគឺខ្ញុំ ម៉ាស៊ីនគិតលេខ Excel (កំណែសាកល្បង)ដែល ដោះស្រាយបញ្ហាស្ទើរតែភ្លាមៗ!កំណែដំណើរការរបស់កម្មវិធីគឺអាចរកបាន ក្នុងការផ្លាស់ប្តូរឬសម្រាប់ ការទូទាត់ជានិមិត្តសញ្ញា.
នៅចុងបញ្ចប់នៃមេរៀន ព័ត៌មានសង្ខេបអំពីការស្វែងរកភាពអាស្រ័យនៃប្រភេទមួយចំនួនផ្សេងទៀត។ តាមពិតទៅ មិនមានអ្វីពិសេសដែលត្រូវប្រាប់នោះទេ ព្រោះវិធីសាស្រ្តជាមូលដ្ឋាន និងក្បួនដោះស្រាយដំណោះស្រាយនៅតែដដែល។
ចូរយើងសន្មត់ថាទីតាំងនៃចំណុចពិសោធន៍ប្រហាក់ប្រហែលនឹងអ៊ីពែបូឡា។ បន្ទាប់មក ដើម្បីស្វែងរកមេគុណនៃអ៊ីពែបូឡាល្អបំផុត អ្នកត្រូវស្វែងរកអប្បរមានៃមុខងារ - អ្នកដែលប្រាថ្នាអាចអនុវត្តការគណនាលម្អិត ហើយមកប្រព័ន្ធស្រដៀងគ្នានេះ៖
តាមទស្សនៈបច្ចេកទេសផ្លូវការវាត្រូវបានទទួលពីប្រព័ន្ធ "លីនេអ៊ែរ" (សូមគូសវាដោយសញ្ញាផ្កាយ)ការជំនួស "x" ជាមួយ . មែនហើយបរិមាណ គណនាបន្ទាប់មកទៅមេគុណល្អបំផុត "a" និង "be" នៅដៃ.
បើមានហេតុផលគ្រប់យ៉ាងត្រូវជឿចំណុចនោះ។ ត្រូវបានរៀបចំតាមខ្សែកោងលោការីត បន្ទាប់មកដើម្បីស្វែងរកតម្លៃល្អបំផុត និងស្វែងរកអប្បបរមានៃអនុគមន៍ . ជាផ្លូវការនៅក្នុងប្រព័ន្ធ (*) គួរតែត្រូវបានជំនួសដោយ៖
នៅពេលគណនាក្នុង Excel សូមប្រើមុខងារ អិលអិន. ខ្ញុំសារភាពថាវានឹងមិនពិបាកសម្រាប់ខ្ញុំក្នុងការបង្កើតម៉ាស៊ីនគិតលេខសម្រាប់ករណីនីមួយៗដែលកំពុងពិចារណានោះទេ ប៉ុន្តែវានៅតែប្រសើរជាងប្រសិនបើអ្នក "រៀបចំកម្មវិធី" ការគណនាដោយខ្លួនឯង។ វីដេអូបង្រៀនដើម្បីជួយ។
ជាមួយនឹងការពឹងផ្អែកអិចស្ប៉ូណង់ស្យែល ស្ថានភាពកាន់តែស្មុគស្មាញបន្តិច។ ដើម្បីកាត់បន្ថយបញ្ហាទៅករណីលីនេអ៊ែរ យើងយកលោការីតនៃអនុគមន៍ ហើយប្រើ លក្ខណៈសម្បត្តិលោការីត:
ឥឡូវនេះ ការប្រៀបធៀបអនុគមន៍ដែលទទួលបានជាមួយនឹងអនុគមន៍លីនេអ៊ែរ យើងឈានដល់ការសន្និដ្ឋានថានៅក្នុងប្រព័ន្ធ (*) ត្រូវតែជំនួសដោយ , និង - ដោយ . ដើម្បីភាពងាយស្រួល យើងសម្គាល់៖
សូមចំណាំថាប្រព័ន្ធត្រូវបានដោះស្រាយដោយគោរព និង ដូច្នេះបន្ទាប់ពីស្វែងរកឫស អ្នកមិនត្រូវភ្លេចរកមេគុណខ្លួនឯងទេ។
ដើម្បីប៉ាន់ស្មានចំណុចពិសោធន៍ ប៉ារ៉ាបូឡាល្អបំផុត , គួរតែត្រូវបានរកឃើញ អប្បបរមានៃមុខងារនៃអថេរបី . បន្ទាប់ពីអនុវត្តសកម្មភាពស្តង់ដារ យើងទទួលបាន "ធ្វើការ" ដូចខាងក្រោម ប្រព័ន្ធ:
បាទ/ចាស៎ មានចំនួនកាន់តែច្រើននៅទីនេះ ប៉ុន្តែមិនមានការលំបាកអ្វីទាំងអស់នៅពេលប្រើកម្មវិធីដែលអ្នកចូលចិត្ត។ ហើយជាចុងក្រោយ ខ្ញុំនឹងប្រាប់អ្នកពីរបៀបពិនិត្យយ៉ាងរហ័សដោយប្រើ Excel និងបង្កើតបន្ទាត់និន្នាការដែលចង់បាន៖ បង្កើតតារាងរាយប៉ាយ ជ្រើសរើសចំណុចណាមួយដោយប្រើកណ្ដុរ ហើយចុចកណ្ដុរស្ដាំលើជម្រើស "បន្ថែមបន្ទាត់និន្នាការ". បន្ទាប់មកជ្រើសរើសប្រភេទគំនូសតាង និងនៅលើផ្ទាំង "ជម្រើស"ធ្វើឱ្យជម្រើសសកម្ម "បង្ហាញសមីការនៅលើគំនូសតាង". យល់ព្រម
ដូចសព្វមួយដង ខ្ញុំចង់បញ្ចប់អត្ថបទដោយឃ្លាដ៏ស្រស់ស្អាតមួយចំនួន ហើយខ្ញុំស្ទើរតែវាយពាក្យថា "Be in trend!"។ ប៉ុន្តែដល់ពេលគាត់បានប្ដូរចិត្ត។ ហើយមិនមែនដោយសារតែវាជារូបមន្តទេ។ ខ្ញុំមិនដឹងថាអ្នកណាម្នាក់យ៉ាងម៉េចទេ ប៉ុន្តែខ្ញុំមិនចង់ធ្វើតាមនិន្នាការរបស់អាមេរិក និងជាពិសេសអឺរ៉ុបទេ =) ដូច្នេះហើយ ខ្ញុំសូមជូនពរឱ្យអ្នកគ្រប់គ្នាប្រកាន់ខ្ជាប់នូវខ្សែបន្ទាត់ផ្ទាល់ខ្លួនរបស់អ្នក!
http://www.grandars.ru/student/vysshaya-matematika/metod-naimenshih-kvadratov.html
វិធីសាស្ត្រការ៉េតិចបំផុតគឺជារឿងធម្មតាបំផុត និងត្រូវបានអភិវឌ្ឍច្រើនបំផុតដោយសារតែវា។ ភាពសាមញ្ញ និងប្រសិទ្ធភាពនៃវិធីសាស្រ្តសម្រាប់ការប៉ាន់ប្រមាណប៉ារ៉ាម៉ែត្រនៃគំរូសេដ្ឋកិច្ចលីនេអ៊ែរ. ក្នុងពេលជាមួយគ្នានេះ ការប្រុងប្រយ័ត្នមួយចំនួនគួរតែត្រូវបានគេសង្កេតឃើញនៅពេលប្រើវា ដោយសារម៉ូដែលដែលបានបង្កើតដោយប្រើវាអាចមិនបំពេញតាមតម្រូវការមួយចំនួនសម្រាប់គុណភាពនៃប៉ារ៉ាម៉ែត្ររបស់ពួកគេ ហើយជាលទ្ធផល មិនមែន "ល្អ" ឆ្លុះបញ្ចាំងពីគំរូនៃការអភិវឌ្ឍន៍ដំណើរការនោះទេ។
ចូរយើងពិចារណាអំពីនីតិវិធីសម្រាប់ការប៉ាន់ប្រមាណប៉ារ៉ាម៉ែត្រនៃគំរូសេដ្ឋកិច្ចលីនេអ៊ែរ ដោយប្រើវិធីសាស្ត្រការ៉េតិចបំផុតដោយលម្អិតបន្ថែមទៀត។ គំរូបែបនេះនៅក្នុងទម្រង់ទូទៅអាចត្រូវបានតំណាងដោយសមីការ (1.2):
y t = a 0 + a 1 x 1t +...+ a n x nt + ε t ។
ទិន្នន័យដំបូងនៅពេលប៉ាន់ប្រមាណប៉ារ៉ាម៉ែត្រ a 0 , a 1 , ... , a n គឺជាវ៉ិចទ័រនៃតម្លៃនៃអថេរអាស្រ័យ y= (y 1 , y 2 , ... , y T)" និងម៉ាទ្រីសនៃតម្លៃនៃអថេរឯករាជ្យ
ក្នុងនោះជួរឈរទីមួយដែលមានមួយត្រូវគ្នានឹងមេគុណនៃគំរូ។
វិធីសាស្រ្តនៃការ៉េតិចបំផុតបានទទួលឈ្មោះរបស់វាដោយផ្អែកលើគោលការណ៍ជាមូលដ្ឋានដែលការប៉ាន់ប្រមាណប៉ារ៉ាម៉ែត្រដែលទទួលបាននៅលើមូលដ្ឋានរបស់វាគួរតែបំពេញ: ផលបូកនៃការ៉េនៃកំហុសគំរូគួរតែមានតិចតួចបំផុត។
ឧទាហរណ៍នៃការដោះស្រាយបញ្ហាដោយវិធីសាស្ត្រការ៉េតិចបំផុត។
ឧទាហរណ៍ 2.1 ។សហគ្រាសពាណិជ្ជកម្មមានបណ្តាញដែលមាន 12 ហាងព័ត៌មានអំពីសកម្មភាពដែលត្រូវបានបង្ហាញនៅក្នុងតារាង។ ២.១.
អ្នកគ្រប់គ្រងរបស់ក្រុមហ៊ុនចង់ដឹងថាតើទំហំនៃចំណូលប្រចាំឆ្នាំអាស្រ័យលើទំហំលក់រាយរបស់ហាងនេះយ៉ាងដូចម្តេច។
តារាង 2.1
លេខហាង | ចំណូលប្រចាំឆ្នាំ, លានរូប្លិ៍ | តំបន់ពាណិជ្ជកម្ម, ពាន់ម 2 |
19,76 | 0,24 | |
38,09 | 0,31 | |
40,95 | 0,55 | |
41,08 | 0,48 | |
56,29 | 0,78 | |
68,51 | 0,98 | |
75,01 | 0,94 | |
89,05 | 1,21 | |
91,13 | 1,29 | |
91,26 | 1,12 | |
99,84 | 1,29 | |
108,55 | 1,49 |
ដំណោះស្រាយការ៉េតិចបំផុត។អនុញ្ញាតឱ្យយើងកំណត់ - ចំណូលប្រចាំឆ្នាំនៃហាង -th, លានរូប្លិ៍; - ដីលក់របស់ហាងទី 1 ពាន់ម 2 ។
រូប ២.១. Scatterplot សម្រាប់ឧទាហរណ៍ 2.1
ដើម្បីកំណត់ទម្រង់នៃទំនាក់ទំនងមុខងាររវាងអថេរ និងសាងសង់ scatterplot (រូបភាព 2.1) ។
ដោយផ្អែកលើដ្យាក្រាមខ្ចាត់ខ្ចាយ យើងអាចសន្និដ្ឋានថា ចំណូលប្រចាំឆ្នាំគឺពឹងផ្អែកជាវិជ្ជមានទៅលើតំបន់លក់ (ឧទាហរណ៍ y នឹងកើនឡើងជាមួយនឹងកំណើននៃ )។ ទម្រង់សមស្របបំផុតនៃការតភ្ជាប់មុខងារគឺ លីនេអ៊ែរ.
ព័ត៌មានសម្រាប់ការគណនាបន្ថែមត្រូវបានបង្ហាញនៅក្នុងតារាង។ ២.២. ដោយប្រើវិធីការ៉េតិចបំផុត យើងប៉ាន់ប្រមាណប៉ារ៉ាម៉ែត្រនៃគំរូសេដ្ឋកិច្ចកត្តាមួយលីនេអ៊ែរ
តារាង 2.2
t | y t | x 1t | y t ២ | x1t2 | x 1t y t |
19,76 | 0,24 | 390,4576 | 0,0576 | 4,7424 | |
38,09 | 0,31 | 1450,8481 | 0,0961 | 11,8079 | |
40,95 | 0,55 | 1676,9025 | 0,3025 | 22,5225 | |
41,08 | 0,48 | 1687,5664 | 0,2304 | 19,7184 | |
56,29 | 0,78 | 3168,5641 | 0,6084 | 43,9062 | |
68,51 | 0,98 | 4693,6201 | 0,9604 | 67,1398 | |
75,01 | 0,94 | 5626,5001 | 0,8836 | 70,5094 | |
89,05 | 1,21 | 7929,9025 | 1,4641 | 107,7505 | |
91,13 | 1,29 | 8304,6769 | 1,6641 | 117,5577 | |
91,26 | 1,12 | 8328,3876 | 1,2544 | 102,2112 | |
99,84 | 1,29 | 9968,0256 | 1,6641 | 128,7936 | |
108,55 | 1,49 | 11783,1025 | 2,2201 | 161,7395 | |
ស | 819,52 | 10,68 | 65008,554 | 11,4058 | 858,3991 |
មធ្យម | 68,29 | 0,89 |
ដោយវិធីនេះ
ដូច្នេះជាមួយនឹងការកើនឡើងនៅក្នុងតំបន់ពាណិជ្ជកម្មដោយ 1 ពាន់ m 2 របស់ផ្សេងទៀតគឺស្មើគ្នាប្រាក់ចំណូលប្រចាំឆ្នាំជាមធ្យមកើនឡើង 67.8871 លានរូប្លិ៍។
ឧទាហរណ៍ 2.2 ។ការគ្រប់គ្រងនៃសហគ្រាសបានកត់សម្គាល់ថាចំណូលប្រចាំឆ្នាំមិនត្រឹមតែអាស្រ័យទៅលើតំបន់លក់នៃហាងប៉ុណ្ណោះទេ (សូមមើលឧទាហរណ៍ 2.1) ប៉ុណ្ណោះទេប៉ុន្តែថែមទាំងលើចំនួនអ្នកទស្សនាជាមធ្យមផងដែរ។ ព័ត៌មានពាក់ព័ន្ធត្រូវបានបង្ហាញក្នុងតារាង។ ២.៣.
តារាង 2.3
ដំណោះស្រាយ។ Denote - ចំនួនអ្នកទស្សនាជាមធ្យមទៅហាងទី 1 ក្នុងមួយថ្ងៃរាប់ពាន់នាក់។
ដើម្បីកំណត់ទម្រង់នៃទំនាក់ទំនងមុខងាររវាងអថេរ និងសាងសង់ scatterplot (រូបភាព 2.2) ។
ដោយផ្អែកលើដ្យាក្រាមខ្ចាត់ខ្ចាយ យើងអាចសន្និដ្ឋានបានថា ចំណូលប្រចាំឆ្នាំគឺទាក់ទងជាវិជ្ជមានទៅនឹងចំនួនអ្នកទស្សនាជាមធ្យមក្នុងមួយថ្ងៃ (ឧទាហរណ៍ y នឹងកើនឡើងជាមួយនឹងកំណើននៃ )។ ទម្រង់នៃការពឹងផ្អែកមុខងារគឺលីនេអ៊ែរ។
អង្ករ។ ២.២. Scatterplot ឧទាហរណ៍ 2.2
តារាង 2.4
t | x 2t | x 2t ២ | yt x 2t | x 1t x 2t |
8,25 | 68,0625 | 163,02 | 1,98 | |
10,24 | 104,8575 | 390,0416 | 3,1744 | |
9,31 | 86,6761 | 381,2445 | 5,1205 | |
11,01 | 121,2201 | 452,2908 | 5,2848 | |
8,54 | 72,9316 | 480,7166 | 6,6612 | |
7,51 | 56,4001 | 514,5101 | 7,3598 | |
12,36 | 152,7696 | 927,1236 | 11,6184 | |
10,81 | 116,8561 | 962,6305 | 13,0801 | |
9,89 | 97,8121 | 901,2757 | 12,7581 | |
13,72 | 188,2384 | 1252,0872 | 15,3664 | |
12,27 | 150,5529 | 1225,0368 | 15,8283 | |
13,92 | 193,7664 | 1511,016 | 20,7408 | |
ស | 127,83 | 1410,44 | 9160,9934 | 118,9728 |
មធ្យម | 10,65 |
ជាទូទៅវាចាំបាច់ដើម្បីកំណត់ប៉ារ៉ាម៉ែត្រនៃគំរូសេដ្ឋកិច្ចកត្តាពីរ
y t \u003d a 0 + a 1 x 1t + a 2 x 2t + ε t
ព័ត៌មានដែលត្រូវការសម្រាប់ការគណនាបន្ថែមត្រូវបានបង្ហាញនៅក្នុងតារាង។ ២.៤.
អនុញ្ញាតឱ្យយើងប៉ាន់ប្រមាណប៉ារ៉ាម៉ែត្រនៃគំរូសេដ្ឋកិច្ចពីរកត្តាលីនេអ៊ែរដោយប្រើវិធីសាស្ត្រការ៉េតិចបំផុត។
ដោយវិធីនេះ
ការវាយតម្លៃនៃមេគុណ = 61.6583 បង្ហាញថាអ្វីៗផ្សេងទៀតទាំងអស់ស្មើគ្នាជាមួយនឹងការកើនឡើងនៃតំបន់លក់ 1 ពាន់ម 2 ចំណូលប្រចាំឆ្នាំនឹងកើនឡើងជាមធ្យម 61.6583 លានរូប្លិ៍។
ការប៉ាន់ប្រមាណនៃមេគុណ = 2.2748 បង្ហាញថាវត្ថុផ្សេងទៀតមានភាពស្មើគ្នាជាមួយនឹងការកើនឡើងនៃចំនួនអ្នកទស្សនាជាមធ្យមក្នុង 1 ពាន់នាក់។ ក្នុងមួយថ្ងៃ ចំណូលប្រចាំឆ្នាំនឹងកើនឡើងជាមធ្យម 2.2748 លានរូប្លិ៍។
ឧទាហរណ៍ 2.3 ។ការប្រើប្រាស់ព័ត៌មានដែលបង្ហាញក្នុងតារាង។ 2.2 និង 2.4 ប៉ាន់ប្រមាណប៉ារ៉ាម៉ែត្រនៃគំរូសេដ្ឋកិច្ចកត្តាតែមួយ
កន្លែងដែលជាតម្លៃកណ្តាលនៃចំណូលប្រចាំឆ្នាំនៃហាង -th, លានរូប្លិ៍; - តម្លៃកណ្តាលនៃចំនួនអ្នកទស្សនាប្រចាំថ្ងៃជាមធ្យមទៅកាន់ហាង t-th, រាប់ពាន់នាក់។ (សូមមើលឧទាហរណ៍ ២.១-២.២)។
ដំណោះស្រាយ។ព័ត៌មានបន្ថែមដែលត្រូវការសម្រាប់ការគណនាត្រូវបានបង្ហាញនៅក្នុងតារាង។ ២.៥.
តារាង 2.5
-48,53 | -2,40 | 5,7720 | 116,6013 | |
-30,20 | -0,41 | 0,1702 | 12,4589 | |
-27,34 | -1,34 | 1,8023 | 36,7084 | |
-27,21 | 0,36 | 0,1278 | -9,7288 | |
-12,00 | -2,11 | 4,4627 | 25,3570 | |
0,22 | -3,14 | 9,8753 | -0,6809 | |
6,72 | 1,71 | 2,9156 | 11,4687 | |
20,76 | 0,16 | 0,0348 | 3,2992 | |
22,84 | -0,76 | 0,5814 | -17,413 | |
22,97 | 3,07 | 9,4096 | 70,4503 | |
31,55 | 1,62 | 2,6163 | 51,0267 | |
40,26 | 3,27 | 10,6766 | 131,5387 | |
ផលបូក | 48,4344 | 431,0566 |
ដោយប្រើរូបមន្ត (2.35) យើងទទួលបាន
ដោយវិធីនេះ
http://www.cleverstudents.ru/articles/mnk.html
ឧទាហរណ៍។
ទិន្នន័យពិសោធន៍លើតម្លៃនៃអថេរ Xនិង នៅត្រូវបានផ្តល់ឱ្យក្នុងតារាង។
ជាលទ្ធផលនៃការតម្រឹមរបស់ពួកគេមុខងារ
ការប្រើប្រាស់ វិធីសាស្ត្រការ៉េតិចបំផុត។ប៉ាន់ស្មានទិន្នន័យទាំងនេះជាមួយនឹងការពឹងផ្អែកលីនេអ៊ែរ y=ax+b(ស្វែងរកប៉ារ៉ាម៉ែត្រ កនិង ខ) រកមើលថាតើបន្ទាត់ទាំងពីរមួយណាល្អជាង (ក្នុងន័យនៃវិធីសាស្ត្រការ៉េតិចបំផុត) តម្រឹមទិន្នន័យពិសោធន៍។ ធ្វើគំនូរ។
ដំណោះស្រាយ។
នៅក្នុងឧទាហរណ៍របស់យើង។ n=5. យើងបំពេញតារាងសម្រាប់ភាពងាយស្រួលនៃការគណនាបរិមាណដែលត្រូវបានបញ្ចូលក្នុងរូបមន្តនៃមេគុណដែលត្រូវការ។
តម្លៃនៅក្នុងជួរទីបួននៃតារាងត្រូវបានទទួលដោយការគុណតម្លៃនៃជួរទី 2 ដោយតម្លៃនៃជួរទី 3 សម្រាប់លេខនីមួយៗ ខ្ញុំ.
តម្លៃក្នុងជួរទីប្រាំនៃតារាងត្រូវបានទទួលដោយការការ៉េតម្លៃនៃជួរដេកទី 2 សម្រាប់លេខនីមួយៗ ខ្ញុំ.
តម្លៃនៃជួរចុងក្រោយនៃតារាងគឺជាផលបូកនៃតម្លៃនៅទូទាំងជួរដេក។
យើងប្រើរូបមន្តនៃវិធីសាស្ត្រការេតិចបំផុត ដើម្បីស្វែងរកមេគុណ កនិង ខ. យើងជំនួសតម្លៃដែលត្រូវគ្នាពីជួរចុងក្រោយនៃតារាងក្នុងពួកគេ៖
អាស្រ័យហេតុនេះ y=0.165x+2.184គឺជាបន្ទាត់ត្រង់ប្រហាក់ប្រហែលដែលចង់បាន។
វានៅសល់ដើម្បីរកឱ្យឃើញថាតើបន្ទាត់ណា y=0.165x+2.184ឬ ប្រហាក់ប្រហែលទិន្នន័យដើមល្អជាង ពោលគឺធ្វើការប៉ាន់ប្រមាណដោយប្រើវិធីការ៉េតិចបំផុត។
ភស្តុតាង។
ដូច្នេះនៅពេលរកឃើញ កនិង ខអនុគមន៍យកតម្លៃតូចបំផុត វាចាំបាច់ដែលនៅចំណុចនេះ ម៉ាទ្រីសនៃទម្រង់បួនជ្រុងនៃឌីផេរ៉ង់ស្យែលលំដាប់ទីពីរសម្រាប់អនុគមន៍ មានភាពច្បាស់លាស់វិជ្ជមាន។ សូមបង្ហាញវា។
ឌីផេរ៉ង់ស្យែលលំដាប់ទីពីរមានទម្រង់៖
នោះគឺជា
ដូច្នេះម៉ាទ្រីសនៃទម្រង់បួនជ្រុងមានទម្រង់
ហើយតម្លៃនៃធាតុមិនអាស្រ័យលើ កនិង ខ.
ចូរយើងបង្ហាញថាម៉ាទ្រីសគឺវិជ្ជមានកំណត់។ នេះតម្រូវឱ្យអនីតិជនមុំមានភាពវិជ្ជមាន។
អនីតិជន Angular នៃលំដាប់ទីមួយ . វិសមភាពគឺតឹងរ៉ឹងចាប់តាំងពីចំណុច
បន្ទាប់ពីតម្រឹម យើងទទួលបានអនុគមន៍នៃទម្រង់ដូចខាងក្រោម៖ g (x) = x + 1 3 + 1 ។
យើងអាចប៉ាន់ស្មានទិន្នន័យនេះជាមួយនឹងទំនាក់ទំនងលីនេអ៊ែរ y = a x + b ដោយគណនាប៉ារ៉ាម៉ែត្រសមស្រប។ ដើម្បីធ្វើដូច្នេះ យើងនឹងត្រូវអនុវត្តអ្វីដែលហៅថាវិធីការ៉េតិចបំផុត។ អ្នកក៏នឹងត្រូវបង្កើតគំនូរផងដែរ ដើម្បីពិនិត្យមើលថាតើបន្ទាត់ណានឹងតម្រឹមទិន្នន័យពិសោធន៍ល្អបំផុត។
Yandex.RTB R-A-339285-1
តើអ្វីជា OLS (វិធីសាស្ត្រការ៉េតិចបំផុត)
រឿងចំបងដែលយើងត្រូវធ្វើគឺស្វែងរកមេគុណនៃការពឹងផ្អែកលីនេអ៊ែរដែលតម្លៃនៃមុខងារនៃអថេរពីរ F (a, b) = ∑ i = 1 n (y i - (a x i + b)) 2 នឹងជា តូចបំផុត។ នៅក្នុងពាក្យផ្សេងទៀត សម្រាប់តម្លៃជាក់លាក់នៃ a និង b ផលបូកនៃគម្លាតការ៉េនៃទិន្នន័យដែលបានបង្ហាញពីបន្ទាត់ត្រង់លទ្ធផលនឹងមានតម្លៃអប្បបរមា។ នេះគឺជាអត្ថន័យនៃវិធីសាស្ត្រការ៉េតិចបំផុត។ អ្វីទាំងអស់ដែលយើងត្រូវធ្វើដើម្បីដោះស្រាយឧទាហរណ៍គឺស្វែងរកភាពខ្លាំងនៃមុខងារនៃអថេរពីរ។
របៀបទាញយករូបមន្តសម្រាប់គណនាមេគុណ
ដើម្បីទាញយករូបមន្តសម្រាប់គណនាមេគុណ ចាំបាច់ត្រូវបង្កើត និងដោះស្រាយប្រព័ន្ធសមីការដែលមានអថេរពីរ។ ដើម្បីធ្វើដូចនេះយើងគណនាដេរីវេនៃផ្នែកនៃកន្សោម F (a , b) = ∑ i = 1 n (y i − (a x i + b)) 2 ដោយគោរពតាម a និង b ហើយស្មើនឹង 0 ។
δ F (a , b) δ a = 0 δ F (a , b) δ b = 0 ⇔ − 2 ∑ i = 1 n (y i - (a x i + b)) x i = 0 − 2 ∑ i = 1 n ( y i − (a x i + b)) = 0 ⇔ a ∑ i = 1 n x i 2 + b ∑ i = 1 n x i = ∑ i = 1 n x i y i a ∑ i = 1 n x i + ∑ i = 1 n b = ∑ i = 1 n y ∑ i = 1 n x i 2 + b ∑ i = 1 n x i = ∑ i = 1 n x i y i a ∑ i = 1 n x i + n b = ∑ i = 1 n y i
ដើម្បីដោះស្រាយប្រព័ន្ធសមីការ អ្នកអាចប្រើវិធីសាស្រ្តណាមួយ ដូចជាការជំនួស ឬវិធីសាស្ត្ររបស់ Cramer ។ ជាលទ្ធផល យើងគួរតែទទួលបានរូបមន្តដែលគណនាមេគុណដោយប្រើវិធីសាស្ត្រការេតិចបំផុត។
n ∑ i = 1 n x i y i − ∑ i = 1 n x i ∑ i = 1 n y i n ∑ i = 1 n − ∑ i = 1 n x i 2 b = ∑ i = 1 n y i − a ∑ i = 1 n x i n
យើងបានគណនាតម្លៃនៃអថេរដែលអនុគមន៍
F (a , b) = ∑ i = 1 n (y i - (a x i + b)) 2 នឹងយកតម្លៃអប្បបរមា។ នៅកថាខណ្ឌទីបី យើងនឹងបញ្ជាក់ថាហេតុអ្វីបានជាដូច្នេះ។
នេះជាការអនុវត្តវិធីសាស្ត្រការ៉េតិចបំផុតក្នុងការអនុវត្ត។ រូបមន្តរបស់គាត់ដែលប្រើដើម្បីស្វែងរកប៉ារ៉ាម៉ែត្រ a រួមមាន ∑ i = 1 n x i , ∑ i = 1 n y i , ∑ i = 1 n x i y i , ∑ i = 1 n x i 2 និងប៉ារ៉ាម៉ែត្រ
n - វាបង្ហាញពីចំនួនទិន្នន័យពិសោធន៍។ យើងណែនាំអ្នកឱ្យគណនាចំនួននីមួយៗដោយឡែកពីគ្នា។ តម្លៃមេគុណ b ត្រូវបានគណនាភ្លាមៗបន្ទាប់ពី a .
ចូរយើងត្រលប់ទៅឧទាហរណ៍ដើមវិញ។
ឧទាហរណ៍ ១
នៅទីនេះយើងមាន n ស្មើនឹងប្រាំ។ ដើម្បីធ្វើឱ្យវាកាន់តែងាយស្រួលក្នុងការគណនាបរិមាណដែលត្រូវការរួមបញ្ចូលក្នុងរូបមន្តមេគុណ យើងបំពេញតារាង។
ខ្ញុំ = 1 | i = 2 | i = ៣ | i = 4 | i = 5 | ∑ i = 1 5 | |
x ខ្ញុំ | 0 | 1 | 2 | 4 | 5 | 12 |
y ខ្ញុំ | 2 , 1 | 2 , 4 | 2 , 6 | 2 , 8 | 3 | 12 , 9 |
x ខ្ញុំ y ខ្ញុំ | 0 | 2 , 4 | 5 , 2 | 11 , 2 | 15 | 33 , 8 |
x ខ្ញុំ ២ | 0 | 1 | 4 | 16 | 25 | 46 |
ដំណោះស្រាយ
ជួរទីបួនមានទិន្នន័យដែលទទួលបានដោយគុណតម្លៃពីជួរទីពីរដោយតម្លៃនៃលេខទីបីសម្រាប់បុគ្គលនីមួយៗ i . ជួរទីប្រាំមានទិន្នន័យពីការ៉េទីពីរ។ ជួរចុងក្រោយបង្ហាញពីផលបូកនៃតម្លៃនៃជួរនីមួយៗ។
ចូរប្រើវិធីសាស្ត្រការេតិចបំផុត ដើម្បីគណនាមេគុណ a និង b ដែលយើងត្រូវការ។ ដើម្បីធ្វើដូច្នេះ ជំនួសតម្លៃដែលចង់បានពីជួរចុងក្រោយ ហើយគណនាផលបូក៖
n ∑ i = 1 n x i y i − ∑ i = 1 n x i ∑ i = 1 n y i n ∑ i = 1 n − ∑ i = 1 n x i 2 b = ∑ i = 1 n y i − a ∑ i = 1 n x i n 5 83 a = 1 n x i n ⇒ 3 . - 12 12, 9 5 46 - 12 2 ខ = 12, 9 - a 12 5 ⇒ a ≈ 0, 165 ខ≈ 2, 184
យើងទទួលបានថាបន្ទាត់ត្រង់ប្រហាក់ប្រហែលដែលចង់បាននឹងមើលទៅ y = 0 , 165 x + 2 , 184 ។ ឥឡូវនេះយើងត្រូវកំណត់ថាបន្ទាត់ណាមួយនឹងប្រហាក់ប្រហែលនឹងទិន្នន័យល្អបំផុត - g (x) = x + 1 3 + 1 ឬ 0 , 165 x + 2 , 184 ។ ចូរធ្វើការប៉ាន់ប្រមាណដោយប្រើវិធីសាស្ត្រការ៉េតិចបំផុត។
ដើម្បីគណនាកំហុស យើងត្រូវស្វែងរកផលបូកនៃគម្លាតការ៉េនៃទិន្នន័យពីបន្ទាត់ σ 1 = ∑ i = 1 n (y i − (a x i + b i)) 2 និង σ 2 = ∑ i = 1 n (y i - g (x i)) 2 តម្លៃអប្បបរមានឹងត្រូវគ្នាទៅនឹងបន្ទាត់ដែលសមរម្យជាង។
σ 1 = ∑ i = 1 n (y i − (a x i + b i)) 2 = = ∑ i = 1 5 (y i − (0 , 165 x i + 2 , 184)) 2 ≈ 0 , 019 σ 2 = ∑ i = 1 n (y i − g (x i)) 2 = = ∑ i = 1 5 (y i − (x i + 1 3 + 1)) 2 ≈ 0 , 096
ចម្លើយ៖ចាប់តាំងពី σ 1< σ 2 , то прямой, наилучшим образом аппроксимирующей исходные данные, будет
y = 0 , 165 x + 2 , 184 ។
វិធីសាស្ត្រការ៉េតិចបំផុតត្រូវបានបង្ហាញយ៉ាងច្បាស់នៅក្នុងរូបភាពក្រាហ្វិក។ បន្ទាត់ក្រហមសម្គាល់បន្ទាត់ត្រង់ g (x) = x + 1 3 + 1 បន្ទាត់ពណ៌ខៀវសម្គាល់ y = 0, 165 x + 2, 184 ។ ទិន្នន័យឆៅត្រូវបានសម្គាល់ដោយចំណុចពណ៌ផ្កាឈូក។
ចូរយើងពន្យល់ថាហេតុអ្វីបានជាត្រូវការការប្រហាក់ប្រហែលនៃប្រភេទនេះយ៉ាងពិតប្រាកដ។
ពួកវាអាចប្រើក្នុងបញ្ហាដែលទាមទារឱ្យដំណើរការទិន្នន័យរលូន ក៏ដូចជាក្នុងបញ្ហាដែលទិន្នន័យត្រូវការបញ្ចូល ឬបន្ថែម។ ឧទាហរណ៍ ក្នុងបញ្ហាដែលបានពិភាក្សាខាងលើ គេអាចរកឃើញតម្លៃនៃបរិមាណសង្កេត y នៅ x = 3 ឬនៅ x = 6 ។ យើងបានលះបង់អត្ថបទដាច់ដោយឡែកមួយចំពោះឧទាហរណ៍បែបនេះ។
ភស្តុតាងនៃវិធីសាស្ត្រ LSM
សម្រាប់អនុគមន៍ដើម្បីយកតម្លៃអប្បបរមាសម្រាប់គណនា a និង b វាចាំបាច់ដែលនៅចំណុចដែលបានផ្តល់ឱ្យម៉ាទ្រីសនៃទម្រង់បួនជ្រុងនៃឌីផេរ៉ង់ស្យែលនៃអនុគមន៍នៃទម្រង់ F (a, b) = ∑ i = 1 n ( y i - (a x i + b)) 2 កំណត់និយមន័យវិជ្ជមាន។ ចូរបង្ហាញអ្នកពីរបៀបដែលវាគួរតែមើលទៅ។
ឧទាហរណ៍ ២
យើងមានឌីផេរ៉ង់ស្យែលលំដាប់ទីពីរនៃទម្រង់ខាងក្រោម៖
d 2 F (a ; b) = δ 2 F (a ; b) δ a 2 d 2 a + 2 δ 2 F (a ; b) δ a δ b d a d b + δ 2 F (a ; b) δ b 2 d 2 ខ
ដំណោះស្រាយ
δ 2 F (a ; b) δ a 2 = δ δ F (a ; b) δ a δ a = = δ − 2 ∑ i = 1 n (y i − (a x i + b)) x i δ a = 2 ∑ i = 1 n (x i) 2 δ 2 F (a ; b) δ a δ b = δ δ F (a ; b) δ a δ b = = δ − 2 ∑ i = 1 n (y i - (a x i + b) ) x i δ b = 2 ∑ i = 1 n x i δ 2 F (a ; b) δ b 2 = δ δ F (a ; b) δ b δ b = δ − 2 ∑ i = 1 n ( y i − (a x i + b)) δ b = 2 ∑ i = 1 n (1) = 2 n
ម៉្យាងទៀត គេអាចសរសេរដូចខាងក្រោមៈ d 2 F (a ; b) = 2 ∑ i = 1 n (x i) 2 d 2 a + 2 2 ∑ x i i = 1 n d a d b + (2 n) d 2 b ។
យើងបានទទួលម៉ាទ្រីសនៃទម្រង់ការ៉េ M = 2 ∑ i = 1 n (x i) 2 2 ∑ i = 1 n x i 2 ∑ i = 1 n x i 2 n ។
ក្នុងករណីនេះ តម្លៃនៃធាតុនីមួយៗនឹងមិនផ្លាស់ប្តូរអាស្រ័យលើ a និង b ទេ។ តើម៉ាទ្រីសវិជ្ជមាននេះកំណត់ទេ? ដើម្បីឆ្លើយសំណួរនេះ សូមពិនិត្យមើលថាតើអនីតិជនជ្រុងរបស់វាមានភាពវិជ្ជមានដែរឬទេ។
គណនាអនីតិជន លំដាប់ទីមួយ៖ 2 ∑ i = 1 n (x i) 2 > 0 ។ ដោយសារចំនុច x i មិនស្របគ្នា វិសមភាពគឺតឹងរ៉ឹង។ យើងនឹងចងចាំរឿងនេះនៅក្នុងការគណនាបន្ថែមទៀត។
យើងគណនាអនីតិជនតាមលំដាប់ទីពីរ៖
d e t (M) = 2 ∑ i = 1 n (x i) 2 2 ∑ i = 1 n x i 2 ∑ i = 1 n x i 2 n = 4 n ∑ i = 1 n (x i) 2 − ∑ i = 1 n x i 2
បន្ទាប់ពីនោះ យើងបន្តទៅភស្តុតាងនៃវិសមភាព n ∑ i = 1 n (x i) 2 − ∑ i = 1 n x i 2 > 0 ដោយប្រើ induction គណិតវិទ្យា។
- សូមពិនិត្យមើលថាតើវិសមភាពនេះគឺត្រឹមត្រូវសម្រាប់ arbitrary n . ចូរយើងយក 2 ហើយគណនា៖
2 ∑ i = 1 2 (x i) 2 − ∑ i = 1 2 x i 2 = 2 x 1 2 + x 2 2 − x 1 + x 2 2 = = x 1 2 − 2 x 1 x 2 + x 2 2 = x 1 + x 2 2 > 0
យើងទទួលបានសមភាពត្រឹមត្រូវ (ប្រសិនបើតម្លៃ x 1 និង x 2 មិនត្រូវគ្នា) ។
- ចូរយើងធ្វើការសន្មត់ថាវិសមភាពនេះនឹងក្លាយជាការពិតសម្រាប់ n , i.e. n ∑ i = 1 n (x i) 2 − ∑ i = 1 n x i 2 > 0 – ពិត។
- ឥឡូវនេះសូមបញ្ជាក់សុពលភាពសម្រាប់ n + 1, i.e. ថា (n + 1) ∑ i = 1 n + 1 (x i) 2 − ∑ i = 1 n + 1 x i 2 > 0 ប្រសិនបើ n ∑ i = 1 n (x i) 2 − ∑ i = 1 n x i 2 > 0 ។
យើងគណនា៖
(n + 1) ∑ i = 1 n + 1 (x i) 2 − ∑ i = 1 n + 1 x i 2 = = (n + 1) ∑ i = 1 n (x i) 2 + x n + 1 2 − ∑ i = 1 n x i + x n + 1 2 = = n ∑ i = 1 n (x i) 2 + n x n + 1 2 + ∑ i = 1 n (x i) 2 + x n + 1 2 − − ∑ i = 1 n x i 2 + 2 x n + 1 ∑ i = 1 n x i + x n + 1 2 = = ∑ i = 1 n (x i) 2 − ∑ i = 1 n x i 2 + n x n + 1 2 − x n + 1 ∑ i = 1 n x i + ∑ i = 1 n (x i) 2 = = ∑ i = 1 n (x i) 2 − ∑ i = 1 n x i 2 + x n + 1 2 − 2 x n + 1 x 1 + x 1 2 + + x n + 1 2 − 2 x n + 1 x 2 + x 2 2 + ។ . . + x n + 1 2 − 2 x n + 1 x 1 + x n 2 = = n ∑ i = 1 n (x i) 2 − ∑ i = 1 n x i 2 + + (x n + 1 − x 1) 2 + (x n + 1) − x 2) 2 + . . . + (x n − 1 − x n) 2 > 0
កន្សោមដែលបានភ្ជាប់ក្នុងដង្កៀបកោងនឹងធំជាង 0 (ផ្អែកលើអ្វីដែលយើងបានសន្មតក្នុងជំហានទី 2) ហើយពាក្យដែលនៅសល់នឹងធំជាង 0 ព្រោះវាជាចំនួនការ៉េទាំងអស់។ យើងបានបង្ហាញពីវិសមភាព។
ចម្លើយ៖ដែលបានរកឃើញ a និង b នឹងត្រូវគ្នាទៅនឹងតម្លៃតូចបំផុតនៃអនុគមន៍ F (a, b) = ∑ i = 1 n (y i - (a x i + b)) 2 ដែលមានន័យថាពួកវាជាប៉ារ៉ាម៉ែត្រដែលត្រូវការនៃវិធីសាស្ត្រការ៉េតិចបំផុត។ (LSM) ។
ប្រសិនបើអ្នកសម្គាល់ឃើញកំហុសនៅក្នុងអត្ថបទ សូមបន្លិចវា ហើយចុច Ctrl+Enter
វិធីសាស្ត្រនៃការ៉េតិចបំផុត (LSM) អនុញ្ញាតឱ្យអ្នកប៉ាន់ស្មានបរិមាណផ្សេងៗដោយប្រើលទ្ធផលនៃការវាស់វែងជាច្រើនដែលមានកំហុសចៃដន្យ។
លក្ខណៈពិសេសរបស់ MNC
គំនិតចម្បងនៃវិធីសាស្រ្តនេះគឺថាផលបូកនៃកំហុសការ៉េត្រូវបានចាត់ទុកថាជាលក្ខណៈវិនិច្ឆ័យសម្រាប់ភាពត្រឹមត្រូវនៃដំណោះស្រាយនៃបញ្ហាដែលត្រូវបានស្វែងរកដើម្បីបង្រួមអប្បបរមា។ នៅពេលប្រើវិធីសាស្រ្តនេះ ទាំងវិធីសាស្រ្តលេខ និងការវិភាគអាចត្រូវបានអនុវត្ត។
ជាពិសេស ក្នុងនាមជាការអនុវត្តជាលេខ វិធីសាស្ត្រការេតិចបំផុតបង្កប់ន័យធ្វើឱ្យមានការវាស់វែងជាច្រើននៃអថេរចៃដន្យដែលមិនស្គាល់តាមដែលអាចធ្វើទៅបាន។ លើសពីនេះទៅទៀត ការគណនាកាន់តែច្រើន ដំណោះស្រាយកាន់តែត្រឹមត្រូវនឹងកាន់តែត្រឹមត្រូវ។ នៅលើសំណុំនៃការគណនានេះ (ទិន្នន័យដំបូង) សំណុំនៃដំណោះស្រាយដែលបានស្នើឡើងមួយទៀតត្រូវបានទទួល ដែលបន្ទាប់មកជម្រើសដ៏ល្អបំផុតត្រូវបានជ្រើសរើស។ ប្រសិនបើសំណុំនៃដំណោះស្រាយត្រូវបាន parameterized នោះវិធីសាស្ត្រការ៉េតិចបំផុតនឹងត្រូវបានកាត់បន្ថយដើម្បីស្វែងរកតម្លៃល្អបំផុតនៃប៉ារ៉ាម៉ែត្រ។
ជាវិធីសាស្រ្តវិភាគចំពោះការអនុវត្ត LSM លើសំណុំទិន្នន័យដំបូង (ការវាស់វែង) និងសំណុំដំណោះស្រាយដែលបានស្នើឡើង មួយចំនួន (មុខងារ) ត្រូវបានកំណត់ ដែលអាចបង្ហាញដោយរូបមន្តដែលទទួលបានជាសម្មតិកម្មជាក់លាក់មួយ ដែលចាំបាច់ត្រូវបញ្ជាក់។ . ក្នុងករណីនេះ វិធីសាស្ត្រការ៉េតិចបំផុតត្រូវបានកាត់បន្ថយទៅរកអប្បរមានៃមុខងារនេះលើសំណុំកំហុសការ៉េនៃទិន្នន័យដំបូង។
ចំណាំថាមិនមែនជាកំហុសខ្លួនឯងទេ ប៉ុន្តែជាការ៉េនៃកំហុស។ ហេតុអ្វី? ការពិតគឺថាជាញឹកញាប់គម្លាតនៃការវាស់វែងពីតម្លៃពិតប្រាកដគឺទាំងវិជ្ជមាន និងអវិជ្ជមាន។ នៅពេលកំណត់ជាមធ្យម ការបូកសរុបសាមញ្ញអាចនាំឱ្យមានការសន្និដ្ឋានមិនត្រឹមត្រូវអំពីគុណភាពនៃការប៉ាន់ប្រមាណ ចាប់តាំងពីការលុបចោលទៅវិញទៅមកនៃតម្លៃវិជ្ជមាន និងអវិជ្ជមាននឹងកាត់បន្ថយអំណាចគំរូនៃសំណុំរង្វាស់។ ហើយជាលទ្ធផល ភាពត្រឹមត្រូវនៃការវាយតម្លៃ។
ដើម្បីទប់ស្កាត់កុំឱ្យវាកើតឡើង គម្លាតការ៉េត្រូវបានសង្ខេប។ លើសពីនេះទៅទៀត ដើម្បីឱ្យស្មើគ្នានូវវិមាត្រនៃតម្លៃដែលបានវាស់វែង និងការប៉ាន់ប្រមាណចុងក្រោយ ផលបូកនៃកំហុសការ៉េត្រូវបានប្រើដើម្បីស្រង់ចេញ។
កម្មវិធីមួយចំនួននៃ MNCs
MNC ត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយក្នុងវិស័យផ្សេងៗ។ ឧទាហរណ៍ នៅក្នុងទ្រឹស្តីប្រូបាប៊ីលីតេ និងស្ថិតិគណិតវិទ្យា វិធីសាស្ត្រត្រូវបានប្រើដើម្បីកំណត់លក្ខណៈបែបនេះនៃអថេរចៃដន្យដែលជាគម្លាតស្តង់ដារ ដែលកំណត់ទទឹងនៃជួរតម្លៃនៃអថេរចៃដន្យមួយ។
- ការបង្រៀន
សេចក្តីផ្តើម
ខ្ញុំជាអ្នកសរសេរកម្មវិធីកុំព្យូទ័រ។ ខ្ញុំបានធ្វើការលោតផ្លោះដ៏ធំបំផុតក្នុងអាជីពរបស់ខ្ញុំ ពេលខ្ញុំរៀននិយាយ៖ "ខ្ញុំមិនយល់អ្វីទាំងអស់!"ឥឡូវនេះ ខ្ញុំមិនខ្មាស់អៀនទេក្នុងការប្រាប់ luminary នៃវិទ្យាសាស្រ្តថាគាត់កំពុងបង្រៀនខ្ញុំ, ថាខ្ញុំមិនយល់ពីអ្វីដែលវា luminary កំពុងនិយាយជាមួយខ្ញុំ។ ហើយវាពិបាកណាស់។ បាទ វាពិបាក និងអាម៉ាស់ក្នុងការទទួលស្គាល់ថាអ្នកមិនដឹង។ ដែលចូលចិត្តសារភាពថាគាត់មិនដឹងមូលដ្ឋាននៃអ្វីមួយ - នៅទីនោះ។ ដោយគុណធម៌នៃវិជ្ជាជីវៈរបស់ខ្ញុំ ខ្ញុំត្រូវចូលរួមក្នុងបទបង្ហាញ និងការបង្រៀនជាច្រើន ដែលខ្ញុំសារភាព ក្នុងករណីភាគច្រើនខ្ញុំមានអារម្មណ៍ងងុយគេង ព្រោះខ្ញុំមិនយល់អ្វីទាំងអស់។ ហើយខ្ញុំមិនយល់ទេ ព្រោះបញ្ហាដ៏ធំនៃស្ថានភាពវិទ្យាសាស្ត្របច្ចុប្បន្ន គឺស្ថិតក្នុងគណិតវិទ្យា។ វាសន្មត់ថាសិស្សទាំងអស់ស្គាល់មុខវិជ្ជាទាំងអស់នៃគណិតវិទ្យា (ដែលមិនសមហេតុផល)។ ដើម្បីទទួលស្គាល់ថាអ្នកមិនដឹងថាអ្វីទៅជាដេរីវេ (ថានេះបន្តិចក្រោយមក) គឺជាការអាម៉ាស់មួយ។
ប៉ុន្តែខ្ញុំបានរៀននិយាយថាខ្ញុំមិនដឹងថាអ្វីជាគុណ។ បាទ/ចាស ខ្ញុំមិនដឹងថា ពិជគណិតរងលើពិជគណិតកុហកជាអ្វីទេ។ បាទ/ចាស ខ្ញុំមិនដឹងថាហេតុអ្វីបានជាសមីការបួនជ្រុងត្រូវការជាចាំបាច់ក្នុងជីវិត។ និយាយអីញ្ចឹង បើអ្នកដឹងច្បាស់ យើងមានរឿងចង់និយាយ! គណិតវិទ្យាគឺជាស៊េរីនៃល្បិច។ គណិតវិទូព្យាយាមបំភ័ន្ត និងបំភិតបំភ័យសាធារណជន; កន្លែងណាដែលគ្មានការភ័ន្តច្រឡំ គ្មានកេរ្តិ៍ឈ្មោះ គ្មានអំណាច។ បាទ វាមានកិត្យានុភាពក្នុងការនិយាយជាភាសាអរូបីបំផុតដែលអាចធ្វើទៅបាន ដែលជាការមិនសមហេតុសមផលពេញលេញនៅក្នុងខ្លួនវា។
តើអ្នកដឹងថាអ្វីជាដេរីវេទេ? ភាគច្រើនអ្នកនឹងប្រាប់ខ្ញុំអំពីដែនកំណត់នៃទំនាក់ទំនងភាពខុសគ្នា។ នៅក្នុងឆ្នាំដំបូងនៃគណិតវិទ្យានៅសាកលវិទ្យាល័យ St. Petersburg State, Viktor Petrovich Khavin ខ្ញុំ បានកំណត់ដេរីវេជាមេគុណនៃពាក្យដំបូងនៃស៊េរី Taylor នៃមុខងារនៅចំណុច (វាគឺជាកាយសម្ព័ន្ធដាច់ដោយឡែកដើម្បីកំណត់ស៊េរី Taylor ដោយគ្មានដេរីវេ) ។ ខ្ញុំសើចនឹងនិយមន័យនេះយូរណាស់មកហើយ រហូតដល់ទីបំផុតខ្ញុំយល់ថាវានិយាយអំពីអ្វី។ ដេរីវេគឺគ្មានអ្វីក្រៅពីរង្វាស់នៃចំនួនមុខងារដែលយើងកំពុងបែងចែកគឺស្រដៀងនឹងមុខងារ y=x, y=x^2, y=x^3។
ឥឡូវនេះខ្ញុំមានកិត្តិយសក្នុងការបង្រៀនសិស្សដែល ការភ័យខ្លាចគណិតវិទ្យា។ ប្រសិនបើអ្នកខ្លាចគណិតវិទ្យា - យើងកំពុងធ្វើដំណើរ។ នៅពេលដែលអ្នកព្យាយាមអានអត្ថបទខ្លះ ហើយវាហាក់ដូចជាអ្នកថាវាស្មុគស្មាញពេក នោះត្រូវដឹងថាវាត្រូវបានសរសេរមិនល្អ។ ខ្ញុំប្រកែកថាមិនមានផ្នែកតែមួយនៃគណិតវិទ្យាដែលមិនអាចនិយាយបានអំពី "នៅលើម្រាមដៃ" ដោយមិនបាត់បង់ភាពត្រឹមត្រូវនោះទេ។
ការប្រកួតប្រជែងនាពេលអនាគត៖ ខ្ញុំបានណែនាំសិស្សរបស់ខ្ញុំឱ្យយល់ពីអ្វីដែលឧបករណ៍បញ្ជាបន្ទាត់រាងចតុកោណ។ កុំខ្មាស់អៀន ខ្ជះខ្ជាយបីនាទីនៃជីវិតរបស់អ្នក ធ្វើតាមតំណ។ ប្រសិនបើអ្នកមិនយល់អ្វីទេនោះយើងកំពុងធ្វើដំណើរ។ ខ្ញុំ (ជាគណិតវិទូអាជីព-អ្នកសរសេរកម្មវិធី) ក៏មិនយល់អ្វីទាំងអស់។ ហើយខ្ញុំធានាចំពោះអ្នក វាអាចត្រូវបានតម្រៀបចេញ "នៅលើម្រាមដៃ" ។ នៅពេលនេះខ្ញុំមិនដឹងថាវាជាអ្វីទេ ប៉ុន្តែខ្ញុំធានាថាយើងនឹងអាចដោះស្រាយបាន។
ដូច្នេះ ការបង្រៀនដំបូងដែលខ្ញុំនឹងផ្តល់ឱ្យសិស្សរបស់ខ្ញុំបន្ទាប់ពីពួកគេរត់មករកខ្ញុំដោយភាពភ័យរន្ធត់ជាមួយនឹងពាក្យថាឧបករណ៍បញ្ជាបន្ទាត់រាងបួនជ្រុងគឺជាកំហុសដ៏គួរឱ្យភ័យខ្លាចដែលអ្នកមិនដែលធ្វើជាម្ចាស់ក្នុងជីវិតរបស់អ្នកគឺ វិធីសាស្រ្តការ៉េតិចបំផុត។. តើអ្នកអាចដោះស្រាយសមីការលីនេអ៊ែរបានទេ? ប្រសិនបើអ្នកកំពុងអានអត្ថបទនេះ នោះទំនងជាមិនមែនទេ។
ដូច្នេះ ផ្តល់ពីរពិន្ទុ (x0, y0), (x1, y1) ឧទាហរណ៍ (1,1) និង (3,2) ភារកិច្ចគឺស្វែងរកសមីការនៃបន្ទាត់ត្រង់ឆ្លងកាត់ចំណុចទាំងពីរនេះ៖
រូបភាព
បន្ទាត់ត្រង់នេះគួរតែមានសមីការដូចតទៅ៖
នៅទីនេះ អាល់ហ្វា និងបេតាមិនស្គាល់យើងទេ ប៉ុន្តែចំណុចពីរនៃបន្ទាត់នេះត្រូវបានគេស្គាល់៖
អ្នកអាចសរសេរសមីការនេះក្នុងទម្រង់ម៉ាទ្រីស៖
នៅទីនេះយើងគួរតែបង្កើតការបកស្រាយអត្ថបទ៖ តើម៉ាទ្រីសជាអ្វី? ម៉ាទ្រីសគឺគ្មានអ្វីក្រៅពីអារេពីរវិមាត្រ។ នេះជាវិធីរក្សាទុកទិន្នន័យ មិនគួរផ្តល់តម្លៃអ្វីទៀតឡើយ។ វាអាស្រ័យលើយើងពីរបៀបបកស្រាយម៉ាទ្រីសជាក់លាក់។ តាមកាលកំណត់ ខ្ញុំនឹងបកស្រាយវាជាផែនទីលីនេអ៊ែរ ជាទៀងទាត់ជាទម្រង់រាងចតុកោណ ហើយជួនកាលគ្រាន់តែជាសំណុំនៃវ៉ិចទ័រ។ ទាំងអស់នេះនឹងត្រូវបានបញ្ជាក់នៅក្នុងបរិបទ។
ចូរជំនួសម៉ាទ្រីសជាក់លាក់ដោយតំណាងនិមិត្តសញ្ញារបស់ពួកគេ៖
បន្ទាប់មក (អាល់ហ្វា បេតា) អាចត្រូវបានរកឃើញយ៉ាងងាយស្រួល៖
កាន់តែពិសេសសម្រាប់ទិន្នន័យពីមុនរបស់យើង៖
ដែលនាំទៅដល់សមីការខាងក្រោមនៃបន្ទាត់ត្រង់ឆ្លងកាត់ចំនុច (1,1) និង (3,2)៖
មិនអីទេ អ្វីៗគឺច្បាស់នៅទីនេះ។ ហើយសូមរកសមីការនៃបន្ទាត់ត្រង់ឆ្លងកាត់ បីពិន្ទុ៖ (x0,y0), (x1,y1) និង (x2,y2)៖
អូ - អូ - អូ ប៉ុន្តែយើងមានសមីការបីសម្រាប់ការមិនស្គាល់ពីរ! គណិតវិទូស្តង់ដារនឹងនិយាយថាគ្មានដំណោះស្រាយទេ។ តើអ្នកសរសេរកម្មវិធីនឹងនិយាយអ្វី? ហើយដំបូងគាត់នឹងសរសេរឡើងវិញនូវប្រព័ន្ធនៃសមីការមុនក្នុងទម្រង់ខាងក្រោម៖
ក្នុងករណីរបស់យើង វ៉ិចទ័រ i, j, b មានបីវិមាត្រ ដូច្នេះ (ក្នុងករណីទូទៅ) មិនមានដំណោះស្រាយចំពោះប្រព័ន្ធនេះទេ។ វ៉ិចទ័រណាមួយ (alpha\*i + beta\*j) ស្ថិតនៅក្នុងប្លង់ដែលលាតសន្ធឹងដោយវ៉ិចទ័រ (i, j)។ ប្រសិនបើ b មិនមែនជារបស់យន្តហោះនេះទេ នោះគ្មានដំណោះស្រាយទេ (សមភាពក្នុងសមីការមិនអាចសម្រេចបាន)។ អ្វីដែលត្រូវធ្វើ? ចូរយើងស្វែងរកការសម្របសម្រួល។ ចូរសម្គាល់ដោយ អ៊ី(អាល់ហ្វា បេតា)របៀបដែលយើងមិនទទួលបានសមភាព៖
ហើយយើងនឹងព្យាយាមកាត់បន្ថយកំហុសនេះ៖
ហេតុអ្វីបានជាការ៉េ?
យើងកំពុងរកមើលមិនត្រឹមតែសម្រាប់អប្បបរមានៃបទដ្ឋានប៉ុណ្ណោះទេ ប៉ុន្តែសម្រាប់អប្បបរមានៃការ៉េនៃបទដ្ឋាន។ ហេតុអ្វី? ចំណុចអប្បបរមារបស់វាស្របគ្នា ហើយការេផ្តល់មុខងាររលូន (មុខងារបួនជ្រុងនៃអាគុយម៉ង់ (អាល់ហ្វា បេតា)) ខណៈពេលដែលគ្រាន់តែប្រវែងផ្តល់មុខងារក្នុងទម្រង់ជាកោណ មិនអាចខុសគ្នាត្រង់ចំណុចអប្បបរមា។ Brr. ការ៉េគឺងាយស្រួលជាង។
ជាក់ស្តែងកំហុសត្រូវបានបង្រួមអប្បបរមានៅពេលដែលវ៉ិចទ័រ អ៊ី orthogonal ទៅយន្តហោះដែលលាតសន្ធឹងដោយវ៉ិចទ័រ ខ្ញុំនិង j.
រូបភាព
នៅក្នុងពាក្យផ្សេងទៀត: យើងកំពុងស្វែងរកបន្ទាត់ដែលផលបូកនៃប្រវែងការ៉េនៃចម្ងាយពីចំណុចទាំងអស់ទៅបន្ទាត់នេះគឺតិចតួចបំផុត:
អាប់ដេត៖ នៅទីនេះខ្ញុំមានជង្ហុកមួយ ចម្ងាយទៅបន្ទាត់គួរតែត្រូវបានវាស់បញ្ឈរ មិនមែនការព្យាករ orthographic ទេ។ អ្នកអត្ថាធិប្បាយនេះត្រឹមត្រូវ។
រូបភាព
នៅក្នុងពាក្យផ្សេងគ្នាទាំងស្រុង (ដោយប្រុងប្រយ័ត្ន ទម្រង់មិនសូវល្អ ប៉ុន្តែវាគួរតែច្បាស់នៅលើម្រាមដៃ): យើងយកបន្ទាត់ដែលអាចធ្វើបានទាំងអស់រវាងគូនៃចំណុចទាំងអស់ ហើយរកមើលបន្ទាត់មធ្យមរវាងទាំងអស់:
រូបភាព
ការពន្យល់មួយទៀតនៅលើម្រាមដៃ៖ យើងភ្ជាប់និទាឃរដូវរវាងចំណុចទិន្នន័យទាំងអស់ (នៅទីនេះយើងមានបី) និងបន្ទាត់ដែលយើងកំពុងស្វែងរក ហើយបន្ទាត់នៃស្ថានភាពលំនឹងគឺពិតជាអ្វីដែលយើងកំពុងស្វែងរក។
ទម្រង់បួនជ្រុងអប្បបរមា
ដូច្នេះបានផ្ដល់វ៉ិចទ័រ ខនិងយន្តហោះដែលលាតសន្ធឹងដោយជួរឈរ-វ៉ិចទ័រនៃម៉ាទ្រីស ក(ក្នុងករណីនេះ (x0,x1,x2) និង (1,1,1)) យើងកំពុងស្វែងរកវ៉ិចទ័រ អ៊ីជាមួយនឹងប្រវែងការ៉េអប្បបរមា។ ជាក់ស្តែង អប្បបរមាគឺអាចសម្រេចបានសម្រាប់តែវ៉ិចទ័រប៉ុណ្ណោះ។ អ៊ី, orthogonal ទៅយន្តហោះដែលលាតសន្ធឹងដោយជួរឈរ-វ៉ិចទ័រនៃម៉ាទ្រីស ក:ម្យ៉ាងវិញទៀត យើងកំពុងស្វែងរកវ៉ិចទ័រ x=(alpha, beta) ដូចនេះ៖
ខ្ញុំសូមរំលឹកអ្នកថា វ៉ិចទ័រ x=(អាល់ហ្វា, បេតា) គឺជាអប្បរមានៃអនុគមន៍ quadratic ||e(alpha, beta)||^2:
នៅទីនេះវាមានប្រយោជន៍ក្នុងការចងចាំថាម៉ាទ្រីសអាចត្រូវបានបកស្រាយក៏ដូចជាទម្រង់រាងចតុកោណ ឧទាហរណ៍ ម៉ាទ្រីសអត្តសញ្ញាណ ((1,0),(0,1)) អាចត្រូវបានបកស្រាយជាមុខងារនៃ x^2 + y ^2៖
ទម្រង់បួនជ្រុង
កាយសម្ព័ន្ធទាំងអស់នេះត្រូវបានគេស្គាល់ថាជា តំរែតំរង់លីនេអ៊ែរ។
សមីការ Laplace ជាមួយនឹងលក្ខខណ្ឌព្រំដែន Dirichlet
ឥឡូវនេះបញ្ហាពិតប្រាកដដ៏សាមញ្ញបំផុត: មានផ្ទៃត្រីកោណជាក់លាក់វាចាំបាច់ដើម្បីធ្វើឱ្យវារលោង។ ជាឧទាហរណ៍ ចូរយើងផ្ទុកគំរូមុខរបស់ខ្ញុំ៖ការប្តេជ្ញាចិត្តដើមអាចរកបាន។ ដើម្បីកាត់បន្ថយភាពអាស្រ័យខាងក្រៅ ខ្ញុំបានយកកូដនៃកម្មវិធីបង្ហាញកម្មវិធីរបស់ខ្ញុំ ដែលមានរួចហើយនៅលើ Habré។ ដើម្បីដោះស្រាយប្រព័ន្ធលីនេអ៊ែរ ខ្ញុំប្រើ OpenNL វាជាកម្មវិធីដោះស្រាយដ៏អស្ចារ្យ ប៉ុន្តែវាមានការលំបាកក្នុងការដំឡើង៖ អ្នកត្រូវចម្លងឯកសារពីរ (.h + .c) ទៅថតគម្រោងរបស់អ្នក។ ការធ្វើឱ្យរលោងទាំងអស់ត្រូវបានធ្វើដោយកូដខាងក្រោម:
សម្រាប់ (int d=0; d<3; d++) {
nlNewContext();
nlSolverParameteri(NL_NB_VARIABLES, verts.size());
nlSolverParameteri(NL_LEAST_SQUARES, NL_TRUE);
nlBegin(NL_SYSTEM);
nlBegin(NL_MATRIX);
for (int i=0; i<(int)verts.size(); i++) {
nlBegin(NL_ROW);
nlCoefficient(i, 1);
nlRightHandSide(verts[i][d]);
nlEnd(NL_ROW);
}
for (unsigned int i=0; i
កូអរដោណេ X, Y និង Z គឺអាចបំបែកបាន ខ្ញុំបានរលូនពួកវាដោយឡែកពីគ្នា។ នោះគឺខ្ញុំដោះស្រាយប្រព័ន្ធបីនៃសមីការលីនេអ៊ែរ ដែលនីមួយៗមានចំនួនអថេរដូចគ្នាទៅនឹងចំនួនបញ្ឈរនៅក្នុងគំរូរបស់ខ្ញុំ។ ជួរ n ដំបូងនៃម៉ាទ្រីស A មានតែមួយ 1 ក្នុងមួយជួរ ហើយ n ជួរទីមួយនៃវ៉ិចទ័រ b មានកូអរដោនេគំរូដើម។ នោះគឺខ្ញុំភ្ជាប់និទាឃរដូវរវាងទីតាំង vertex ថ្មី និង vertex ចាស់ - ថ្មីមិនគួរនៅឆ្ងាយពីទីតាំងចាស់ពេកទេ។
ជួរបន្តបន្ទាប់ទាំងអស់នៃម៉ាទ្រីស A (faces.size()*3 = ចំនួនគែមនៃត្រីកោណទាំងអស់ក្នុងក្រឡាចត្រង្គ) មានមួយកើតឡើងនៃ 1 និងមួយកើតឡើងនៃ -1 ខណៈដែលវ៉ិចទ័រ b មានសមាសធាតុសូន្យទល់មុខ។ នេះមានន័យថាខ្ញុំដាក់និទាឃរដូវនៅលើគែមនីមួយៗនៃសំណាញ់រាងត្រីកោណរបស់យើង៖ គែមទាំងអស់ព្យាយាមយកចំនុចកំពូលដូចគ្នាទៅនឹងចំនុចចាប់ផ្តើម និងចំនុចបញ្ចប់របស់វា។
ជាថ្មីម្តងទៀត៖ ចំនុចកំពូលទាំងអស់គឺជាអថេរ ហើយពួកគេមិនអាចងាកចេញពីទីតាំងដើមរបស់ពួកគេបានទេ ប៉ុន្តែនៅពេលជាមួយគ្នានោះពួកគេព្យាយាមធ្វើឱ្យស្រដៀងគ្នាទៅនឹងគ្នាទៅវិញទៅមក។
នេះជាលទ្ធផល៖
អ្វីគ្រប់យ៉ាងនឹងល្អ ម៉ូដែលនេះពិតជារលូន ប៉ុន្តែវាបានផ្លាស់ប្តូរឆ្ងាយពីគែមដើមរបស់វា។ តោះប្តូរលេខកូដបន្តិច៖
សម្រាប់ (int i=0; i<(int)verts.size(); i++) { float scale = border[i] ? 1000: 1; nlBegin(NL_ROW); nlCoefficient(i, scale); nlRightHandSide(scale*verts[i][d]); nlEnd(NL_ROW); }
នៅក្នុងម៉ាទ្រីស A របស់យើង សម្រាប់ចំនុចកំពូលដែលស្ថិតនៅលើគែម ខ្ញុំមិនបន្ថែមជួរពីប្រភេទ v_i = verts[i][d] ទេប៉ុន្តែ 1000*v_i = 1000*verts[i][d]។ តើវាផ្លាស់ប្តូរអ្វី? ហើយនេះផ្លាស់ប្តូរទម្រង់បួនជ្រុងរបស់យើងនៃកំហុស។ ឥឡូវនេះគម្លាតតែមួយពីកំពូលនៅគែមនឹងមិនចំណាយអស់មួយឯកតាដូចពីមុនទេប៉ុន្តែ 1000 * 1000 ឯកតា។ នោះគឺយើងព្យួរនិទាឃរដូវខ្លាំងជាងនៅលើកំពូលខ្លាំង ដំណោះស្រាយចូលចិត្តលាតសន្ធឹងអ្នកដទៃកាន់តែខ្លាំង។ នេះជាលទ្ធផល៖
ចូរបង្កើនកម្លាំងទ្វេដងនៃប្រភពទឹកនៅចន្លោះចំណុចកំពូល៖
nlCoefficient(មុខ[j], 2); nlCoefficient(មុខ[(j+1)%3], -2);
វាជាឡូជីខលដែលផ្ទៃបានប្រែជារលោង:
ហើយឥឡូវនេះសូម្បីតែខ្លាំងជាងមួយរយដង៖
ស្អីគេហ្នឹង? ស្រមៃថាយើងបានជ្រលក់ចិញ្ចៀនលួសនៅក្នុងទឹកសាប៊ូ។ ជាលទ្ធផលខ្សែភាពយន្តសាប៊ូលទ្ធផលនឹងព្យាយាមធ្វើឱ្យកោងតិចបំផុតតាមដែលអាចធ្វើទៅបានដោយប៉ះព្រំដែនដូចគ្នា - ចិញ្ចៀនលួសរបស់យើង។ នេះគឺជាអ្វីដែលយើងទទួលបានដោយការជួសជុលព្រំដែន និងស្នើសុំឱ្យផ្ទៃរលោងខាងក្នុង។ សូមអបអរសាទរ យើងទើបតែបានដោះស្រាយសមីការ Laplace ជាមួយនឹងលក្ខខណ្ឌព្រំដែន Dirichlet ។ ស្តាប់ទៅឡូយ? ប៉ុន្តែតាមការពិត គ្រាន់តែជាប្រព័ន្ធមួយនៃសមីការលីនេអ៊ែរប៉ុណ្ណោះដែលត្រូវដោះស្រាយ។
សមីការ Poisson
តោះមានឈ្មោះឡូយមួយទៀត។ឧបមាថាខ្ញុំមានរូបភាពដូចនេះ៖
អ្នកទាំងអស់គ្នាល្អ ប៉ុន្តែខ្ញុំមិនចូលចិត្តកៅអីទេ។
ខ្ញុំបានកាត់រូបភាពជាពាក់កណ្តាល៖
ហើយខ្ញុំនឹងជ្រើសរើសកៅអីមួយដោយដៃរបស់ខ្ញុំ៖
បន្ទាប់មកខ្ញុំនឹងអូសអ្វីគ្រប់យ៉ាងដែលមានពណ៌សនៅក្នុងរបាំងទៅផ្នែកខាងឆ្វេងនៃរូបភាព ហើយនៅពេលជាមួយគ្នានោះ ខ្ញុំនឹងនិយាយពេញរូបភាពទាំងមូលថា ភាពខុសគ្នារវាងភីកសែលជិតខាងពីរគួរតែស្មើនឹងភាពខុសគ្នារវាងភីកសែលជិតខាងពីរនៃ រូបភាពខាងស្តាំ៖
សម្រាប់ (int i=0; i នេះជាលទ្ធផល៖ មានលេខកូដ និងរូបភាព