Método de mínimos cuadrados para ajustar funciones exponenciales, problema de ajuste lineal Polyfit de Matlab
y=[50 40 30 20 10]; t=[55 63 73 100 121]
yp=log(y); p = polifit(t, yp, 1);
b=-p(1)
a=exp(p(2))
yf= a*exp(-b*t);
yf-y
plot(t, y, 'r ', t, yf, 'b-')
legend('punto original', 'línea de ajuste')
Método 2
Ajuste: exp1'.
[xData, yData] = prepareCurveData(t, y);
Establece el tipo de ajuste y las opciones.
ft = fittype( 'exp1' );
opts = fitoptions( ft
opts.StartPoint = [145.2 -0.3]; >
Ajustar un modelo a los datos.
[fitresult, gof] = fit(xData, yData, ft, opts);
Dibuja la relación entre los resultados del ajuste y los datos. t', 'exp1', 'Ubicación', 'Noreste' );
Etiquetas de ejes
xlabel( 't' );
ylabel( 'y). ' );
fitresult
gof
Método 3
y=[50 40 30 20 10 ]';
yp=log(y);
t=[55 63 73 100 121]';
tl=ones(tamaño(t));
t1=[tl t];
p=t1\yp;
b=-p(2)
a=exp(p(1 ))
yf=a*exp(-b*t );
yf-y
plot(t, y, 'r ', t, yf, 'b-')
legend('punto original', 'línea ajustada')
Método 4
regresión