ขยายเป็นอนุกรมฟูริเยร์ matcade การสลายตัวของฟังก์ชันเป็นระยะใน
Mathcad มีฟังก์ชันเพื่อดำเนินการ Fast Discrete Fourier Transform (FFT) และการผกผัน Mathcad PLUS ยังมีการแปลงคลื่นแบบแยก 1D และการผกผันของมัน ฟังก์ชันทั้งหมดนี้มีอาร์กิวเมนต์เวกเตอร์ เมื่อกำหนดเวกเตอร์ วีหากต้องการค้นหาคลื่นหรือการแปลงฟูริเยร์ ตรวจสอบให้แน่ใจว่าองค์ประกอบแรกของเวกเตอร์มีดัชนีศูนย์: v 0 หากไม่ได้กำหนด v 0 ไว้ Mathcad จะตั้งค่าเป็น 0 โดยอัตโนมัติ ซึ่งอาจนำไปสู่ผลลัพธ์ที่บิดเบี้ยว
บทนำสู่การแปลงฟูเรียร์แบบแยกส่วน
Mathcad มีฟังก์ชันสองประเภทสำหรับการแปลงฟูเรียร์แบบแยกส่วน: fft/ifftและ cfft /icft . ฟังก์ชันเหล่านี้ไม่ต่อเนื่องกัน: ใช้เป็นอาร์กิวเมนต์และส่งกลับเวกเตอร์และเมทริกซ์ ไม่สามารถใช้กับฟังก์ชันอื่นได้ ใช้ฟังก์ชัน fftและ ift , หากตรงตามเงื่อนไขสองข้อต่อไปนี้:- ข้อโต้แย้งเป็นจริงและ
- เวกเตอร์ข้อมูลมีองค์ประกอบ 2 ม.
ใช้คุณสมบัติ cfftและ icftในกรณีอื่นๆ ทั้งหมด
เงื่อนไขแรกจำเป็นเพราะฟังก์ชั่น fft/ifftใช้ข้อเท็จจริงที่ว่าสำหรับข้อมูลจริง ครึ่งหลังของการแปลงฟูริเยร์เป็นคอนจูเกตที่ซับซ้อนของอันแรก Mathcad ละทิ้งเวกเตอร์ผลลัพธ์ในช่วงครึ่งหลัง ซึ่งช่วยประหยัดเวลาและหน่วยความจำในการคำนวณ
คุณสมบัติสองสามอย่าง cfft/icfftไม่ใช้สมมาตรในการแปลง ด้วยเหตุนี้ จึงจำเป็นต้องใช้ข้อมูลเหล่านี้สำหรับข้อมูลที่ซับซ้อน เนื่องจากจำนวนจริงเป็นสับเซตของจำนวนเชิงซ้อน คุณจึงใช้คู่ได้ cfft/icfftสำหรับจำนวนจริง
จำเป็นต้องมีเงื่อนไขที่สองเนื่องจากคู่ของฟังก์ชัน fft/ifftใช้อัลกอริธึม Fast Fourier Transform ที่มีประสิทธิภาพสูง สำหรับสิ่งนี้เวกเตอร์อาร์กิวเมนต์ที่ใช้กับ fftต้องมีองค์ประกอบ 2 ม. ในการทำงาน sfft/icfftใช้อัลกอริทึมที่ยอมรับทั้งเมทริกซ์และเวกเตอร์ที่มีขนาดตามอำเภอใจเป็นอาร์กิวเมนต์ เมื่อใช้ฟังก์ชันคู่นี้กับเมทริกซ์เป็นอาร์กิวเมนต์ การแปลงฟูริเยร์ 2D จะถูกคำนวณ
โปรดทราบว่าหากใช้ฟังก์ชันนี้ fftสำหรับการแปลงโดยตรง คุณต้องใช้ฟังก์ชัน iftสำหรับการย้อนกลับ ในทำนองเดียวกัน หากใช้การแปลงโดยตรง cfftดังนั้นสำหรับการย้อนกลับจึงจำเป็นต้องใช้ icft.
สูตรที่แตกต่างกันของคำจำกัดความของการแปลงฟูริเยร์ใช้สัมประสิทธิ์การทำให้เป็นมาตรฐานที่แตกต่างกันและลงนามแบบแผนหน้าหน่วยจินตภาพในเลขชี้กำลังของการแปลงไปข้างหน้าและการแปลงผกผัน ฟังก์ชั่น fft, ifft, cfftและ icftใช้ 1/ เป็นปัจจัยการทำให้เป็นมาตรฐานและเป็นเลขชี้กำลังบวกในการแปลงโดยตรง ฟังก์ชั่น FFT , IFFT , CFFT และ ไอซีเอฟเอฟทีใช้ 1/N เป็นค่านอร์มัลไลเซชันและเลขชี้กำลังลบในการแปลงโดยตรง คุณต้องใช้ฟังก์ชันเหล่านี้เป็นคู่ ตัวอย่างเช่น ถ้าใช้ CFFTในการแปลงโดยตรง จำเป็นใช้ ไอซีเอฟเอฟทีในทางตรงข้าม
การแปลงฟูริเยร์ในโดเมนจริง
สำหรับเวกเตอร์มูลค่าจริงที่มีองค์ประกอบ 2 ม. คุณสามารถใช้ฟังก์ชันสองสามอย่างได้ fft/ifft. อัลกอริธึมสำหรับการคำนวณฟังก์ชันเหล่านี้ใช้ประโยชน์จากความสมมาตรที่มีอยู่ในข้อมูลจริงเท่านั้น ซึ่งช่วยประหยัดเวลาและหน่วยความจำที่จำเป็นสำหรับการคำนวณ เวกเตอร์ วีต้องมีองค์ประกอบ 2 ม. ผลลัพธ์คือเวกเตอร์ที่มีค่าเชิงซ้อน 1+2 m-1 ถ้า วีมีขนาดอื่นที่ไม่ใช่ 2 ม. Mathcad ให้ข้อความแสดงข้อผิดพลาด “ ขนาดเวกเตอร์ที่ไม่ถูกต้อง”.องค์ประกอบของเวกเตอร์ที่ส่งคืน เอฟที,คำนวณโดยสูตร
ในสูตรนี้ น- จำนวนองค์ประกอบใน วี, ผมเป็นหน่วยจินตภาพองค์ประกอบในเวกเตอร์ที่ส่งคืนโดยฟังก์ชัน fftสอดคล้องกับความถี่ต่างๆ ในการสร้างความถี่ที่แท้จริงขึ้นมาใหม่ จำเป็นต้องทราบความถี่ในการวัดของสัญญาณต้นฉบับ ถ้า วีมี น-เวกเตอร์มิติส่งผ่านไปยังฟังก์ชัน fftและความถี่ในการวัดของสัญญาณเดิม - fsจากนั้นความถี่ที่สอดคล้องกันจะเท่ากับ
โปรดทราบว่าสิ่งนี้ทำให้ไม่สามารถตรวจจับความถี่ที่สูงกว่าความถี่ในการวัดของสัญญาณดั้งเดิมได้ นี่คือข้อจำกัดที่ไม่ได้กำหนดโดย Mathcad แต่โดยสาระสำคัญของปัญหา ในการสร้างสัญญาณจากการแปลงฟูริเยร์อย่างถูกต้อง จำเป็นต้องวัดสัญญาณดั้งเดิมที่ความถี่อย่างน้อยสองเท่าของแบนด์วิดท์ การอภิปรายเต็มรูปแบบเกี่ยวกับปรากฏการณ์นี้อยู่นอกเหนือขอบเขตของคู่มือนี้ แต่สามารถพบได้ในตำราการประมวลผลสัญญาณดิจิทัล
เวกเตอร์ วีต้องมีองค์ประกอบ 1+2 ม. โดยที่ ม-ทั้งหมด. ผลลัพธ์คือเวกเตอร์ที่มีค่าเชิงซ้อนของมิติ 2 m+1 ถ้า วีมีขนาดอื่นที่ไม่ใช่ 1+ 2 ม. Mathcad ให้ข้อความแสดงข้อผิดพลาด “ ขนาดเวกเตอร์ที่ไม่ถูกต้อง".การโต้เถียง วีเป็นเวกเตอร์เหมือนกับที่สร้างขึ้นโดยฟังก์ชัน เอฟทีในการคำนวณผลลัพธ์ Mathcad จะสร้างเวกเตอร์ใหม่ขึ้นมาก่อน w, คอนจูเกตที่ซับซ้อน วีและติดไว้กับเวกเตอร์ วี. Mathcad คำนวณเวกเตอร์ dซึ่งองค์ประกอบคำนวณโดยสูตร: เป็นสูตรเดียวกับ for fftยกเว้นเครื่องหมายลบในฟังก์ชัน exp. ฟังก์ชั่น fftและ ift- การอ้างอิงที่แม่นยำ สำหรับมูลค่าที่แท้จริงทั้งหมด วี ift(fft(v))=v เป็นจริงการแปลงฟูริเยร์ในโดเมนที่ซับซ้อน
มีสองสาเหตุที่ไม่สามารถใช้การแปลงคู่ได้ fft/ifft,กล่าวถึงในส่วนก่อนหน้า:- ข้อมูลสามารถมีค่าที่ซับซ้อนได้ ซึ่งหมายความว่า Mathcad ไม่สามารถใช้ความสมมาตรที่มีอยู่ในเคสจริงได้อีกต่อไป
- เวกเตอร์ข้อมูลอาจมีมิติอื่นที่ไม่ใช่ 2 ม. ซึ่งหมายความว่า Mathcad ไม่สามารถใช้ประโยชน์จากอัลกอริธึม FFT ที่มีประสิทธิภาพสูงที่ใช้โดย pair fft/ifft.
รูปที่ 3: การใช้ Fast Fourier Transforms ใน Mathcad
คู่แปลงร่าง cfft/icfftสามารถทำงานกับอาร์เรย์ทุกขนาด อย่างไรก็ตาม จะเร็วกว่ามากเมื่อจำนวนแถวและคอลัมน์สามารถแสดงเป็นผลคูณของปัจจัยขนาดเล็กจำนวนมากได้ ตัวอย่างเช่น เวกเตอร์ที่มีความยาว 2 ม. อยู่ในคลาสนี้ เช่นเดียวกับเวกเตอร์ที่มีความยาวเช่น 100 หรือ 120 ในทางกลับกัน เวกเตอร์ที่มีความยาวเป็นจำนวนเฉพาะมากจะทำให้การคำนวณการแปลงฟูริเยร์ช้าลง
ฟังก์ชั่น cfftและ icftจะผกผันซึ่งกันและกัน นั่นคือ icfft(cfft(v))=v รูปที่ 3 แสดงตัวอย่างการใช้การแปลงฟูริเยร์ใน Mathcad
เมื่อเป็นข้อโต้แย้ง cfftใช้เมทริกซ์ผลลัพธ์คือการแปลงฟูริเยร์สองมิติของเมทริกซ์ดั้งเดิม
รูปแบบทางเลือกของการแปลงฟูริเยร์
คำจำกัดความของการแปลงฟูริเยร์ที่กล่าวถึงข้างต้นไม่ใช่คำจำกัดความเดียวที่เป็นไปได้ ตัวอย่างเช่น คำจำกัดความต่อไปนี้สำหรับการแปลงฟูริเยร์แบบไม่ต่อเนื่องและการผกผันสามารถพบได้ในหนังสือโดย Ronald Bracewells การแปลงฟูริเยร์และการประยุกต์(แมคกรอว์-ฮิลล์, 1986): คำจำกัดความเหล่านี้พบได้ทั่วไปในเอกสารทางเทคนิค หากต้องการใช้คำจำกัดความเหล่านี้แทนคำจำกัดความที่กล่าวถึงในส่วนก่อนหน้า ให้ใช้ฟังก์ชัน FFT, IFFT, CFFTและ ไอซีเอฟเอฟที. ต่างกันดังนี้ฟังก์ชั่น FFT, IFFT, CFFTและ ไอซีเอฟเอฟทีใช้ในลักษณะเดียวกันกับฟังก์ชันที่กล่าวถึงในหัวข้อก่อนหน้านี้
การแปลงคลื่น
Mathcad PLUS มีฟังก์ชันรูปคลื่นสองแบบ: เพื่อดำเนินการรูปคลื่นแบบไม่ต่อเนื่องแบบหนึ่งมิติโดยตรงและเพื่อกลับด้าน การแปลงจะดำเนินการโดยใช้พื้นฐานคลื่นสี่สัมประสิทธิ์ Daubeciพี
Glushach V.S. UIT-44
การเรียนรู้งานใน MathCad ได้รับทักษะในการใช้การแปลง Laplace เพื่อวิเคราะห์องค์ประกอบสเปกตรัมของสัญญาณ ศึกษามาตราส่วนเวลาและความถี่ของอนุกรมเวลาและการแปลงฟูริเยร์
1. เราสร้างอนุกรมเวลาของไซนัสสามตัว จำนวนคะแนนควรเป็น 2^n
2. หาค่าเฉลี่ยความแปรปรวน
3. เราทำการแปลงโดยตรงและผกผัน F สัญญาณที่แปลงสองครั้งจะซ้อนทับบนกราฟของอนุกรมเวลาดั้งเดิม
4. ค้นหาความสัมพันธ์ระหว่างมาตราส่วนอนุกรมเวลาตามแกนเวลาและการแปลงฟูริเยร์ตามแกนความถี่
1. เราเลือกความไม่ต่อเนื่องของเวลา dt และจำนวนจุดในอนุกรมเวลาในรูปแบบ nl:= 2 k
ให้ k:= 9 nl:= 2 k nl=512 ตัวอย่างความยาวในเวลา T:=512
W ag โดย Or โดยกำหนดให้ nl-1
เวลาจะเท่ากับ nl โดยประมาณ แล้ว i:=0..nl-l t. := i*dt
2. เราสร้างสัญญาณอินพุต x เป็นผลรวมของสัญญาณฮาร์มอนิกสามสัญญาณและกำหนดสถิติหลัก
A1:= 1 f1:= 0.05 xl i:= Al-sin/2*3.14*fl*t i) srl:= ค่าเฉลี่ย(xl) srl = 0.012 s1:=stdev(x1) s1=0.706
A2:= 0.5 f2:= 0.1 x2 i:= A2-sin/2*3.14*f2*t i) sr2:= ค่าเฉลี่ย(x2) sr2 = 3.792x10 -4 s2:=stdev(x2) s2=0.353
A3:= 0.25 f3:= 0.4 x3 i:= A3-sin/2*3.14*f3*t i) sr3:= ค่าเฉลี่ย(x3) sr3 = 3.362x10 -4 s3:=stdev(x3) s3=0.177
x i:= xl i + x2 i + x3 i sry:= ค่าเฉลี่ย (x) sry = 0.013 sy:= stdev(x) sy = 0.809
1. การแปลงฟูริเยร์โดยตรงใน MathCad F:= fft(x)
ระยะเวลาสูงสุดของส่วนประกอบฮาร์มอนิกที่สามารถอยู่ในอนุกรมเวลาได้เท่ากับความยาวของตัวอย่าง ส่วนประกอบฮาร์มอนิกนี้สอดคล้องกับความถี่ต่ำสุดที่เป็นไปได้บนมาตราส่วนความถี่การแปลงฟูริเยร์ frnin และตามขั้นตอนตามแกนความถี่การแปลงฟูริเยร์ df
Tmax:= Tfrnin:=
df:= ฟรินนิน df = 1.953 x 10 -3
ดังนั้นความถี่ต่ำสุดและขั้นตอนความถี่ของการแปลงฟูริเยร์คือ frnin =df = 1/T
การแปลงฟูริเยร์มีจำนวนพิกัดในความถี่น้อยกว่าจำนวนพิกัดของอนุกรมเวลาสองเท่า ในเวลา n2=nl/2 หรือรวมจุดศูนย์ (ซึ่งไม่ได้กำหนดการแปลงฟูริเยร์)
n2:= 1 + 2 k -1 n2 = 257 j:= l..n2
ดัชนีความถี่ปัจจุบันเปลี่ยนจาก j=l เป็น j=n2
ในกรณีนี้ ความถี่จะเปลี่ยนจาก fmin =df= 1/T ความถี่สูงสุด finax:= n2*df fmax = 0.502
ถึง frnax=n2*df ความถี่ปัจจุบัน f i:= i*df
f 1 \u003d 1.953 x 10 -3 f 257 \u003d 0.502
อู๋ โปรดทราบว่าการแปลงฟูริเยร์ถูกกำหนดไว้สำหรับความถี่ในช่วง f=finin ถึง f=fmax เท่านั้น
ในกรณีนี้ พีคบนกราฟสเปกตรัมฟูริเยร์จะสอดคล้องกับความถี่ของไซนูซอยด์ดั้งเดิม นั่นคือ การแปลงฟูริเยร์ให้คุณเลือกส่วนประกอบความถี่ของสัญญาณได้ แต่แอมพลิจูดของส่วนประกอบฮาร์มอนิกในตอนนี้ไม่ได้สะท้อนแอมพลิจูดของส่วนประกอบของอนุกรมเวลาดั้งเดิม (โดยที่ A1=1, A2=0.5, A3=0.25)
ให้เราทราบด้วยว่าสำหรับ dt =1 ความถี่สูงสุดในสเปกตรัมการแปลงฟูริเยร์เท่ากับ frnax=0.5 การแกว่งต่อหน่วยมาตราส่วนเวลา สำหรับ dt = 1 วินาที จะเท่ากับ fmax = 0.5 Hz ในกรณีนี้ ช่วงความถี่สูงสุดคือ Tfmax=1/0.5=2 ซึ่งหมายความว่ามีอนุกรมเวลาสองตัวอย่างสำหรับช่วงความถี่สูงสุดหนึ่งช่วง สิ่งนี้สอดคล้องกับทฤษฎีบท Kotelnikov ตามที่ในการกู้คืนสัญญาณฮาร์มอนิกต่อเนื่องจากสัญญาณที่ไม่ต่อเนื่องโดยไม่สูญเสียข้อมูลจะต้องมีอย่างน้อยสองตัวอย่างในช่วงเวลาหนึ่ง
3. ตรวจสอบความบังเอิญของอนุกรมเวลาก่อนและหลังการแปลงฟูริเยร์สองครั้ง ในการทำเช่นนี้ เราได้การแปลงฟูเรียร์ผกผันจากการแปลงโดยตรงที่ได้รับ ต้องตรงกับอนุกรมเวลาเดิมซึ่งได้รับการยืนยันโดยพล็อตต่อไปนี้ FF:= ifft(F)
ส่วนก่อนหน้านี้อธิบายความสามารถของตัวประมวลผลสัญลักษณ์ Mathcad ซึ่งช่วยให้คุณทำการแปลงฟูริเยร์เชิงวิเคราะห์ของฟังก์ชันที่กำหนดโดยสูตร ในขณะเดียวกัน ปัญหาจำนวนมากในคณิตศาสตร์เชิงคำนวณนั้นสัมพันธ์กับการคำนวณอินทิกรัลฟูริเยร์สำหรับฟังก์ชัน ไม่ว่าจะกำหนดแบบตาราง (เช่น แทนผลลัพธ์ของการทดลองบางอย่าง) หรือฟังก์ชันที่ไม่สามารถรวมในการวิเคราะห์ได้ ในกรณีนี้ แทนที่จะใช้การแปลงเชิงสัญลักษณ์ เราต้องใช้วิธีการรวมเชิงตัวเลขที่เกี่ยวข้องกับการแยกส่วนของอินทิกรัล และด้วยเหตุนี้จึงเรียกว่าการแปลงฟูริเยร์แบบไม่ต่อเนื่อง
ในตัวประมวลผลตัวเลข Mathcad การแปลงฟูริเยร์แบบแยกได้ถูกนำมาใช้โดยใช้อัลกอริธึมการแปลงฟูริเยร์ที่ได้รับความนิยมสูงสุด (ย่อมาจาก FFT) อัลกอริธึมนี้มีการใช้งานในฟังก์ชัน Mathcad ในตัวหลายฟังก์ชันที่แตกต่างกันในการปรับให้เป็นมาตรฐานเท่านั้น:
- fft(y) - เวกเตอร์การแปลงฟูริเยร์โดยตรง
- FFT (y) - เวกเตอร์ของการแปลงฟูริเยร์โดยตรงในการทำให้เป็นมาตรฐานที่แตกต่างกัน
- ifft (w) - เวกเตอร์การแปลงฟูเรียร์ผกผัน;
- IFFT (w) เป็นเวกเตอร์ของการแปลงฟูเรียร์ผกผันในการทำให้เป็นมาตรฐานที่แตกต่างกัน:
- y เป็นเวกเตอร์ของข้อมูลจริงที่ถ่ายในช่วงเวลาเท่ากันของค่าอาร์กิวเมนต์
- w เป็นเวกเตอร์ของข้อมูลสเปกตรัมฟูริเยร์จริงที่ถ่ายในช่วงเวลาปกติของค่าความถี่
ความสนใจ!
อาร์กิวเมนต์ของการแปลงฟูริเยร์โดยตรง นั่นคือเวกเตอร์ y ต้องมีองค์ประกอบ 2n เท่านั้น (n เป็นจำนวนเต็ม) ผลลัพธ์คือเวกเตอร์ที่มีองค์ประกอบ 1+2 n-1 ในทางกลับกัน อาร์กิวเมนต์ของการแปลงฟูเรียร์ผกผันต้องมีองค์ประกอบ 1+2 n-1 และผลลัพธ์จะเป็นเวกเตอร์ขององค์ประกอบ 2 n หากจำนวนข้อมูลไม่ตรงกับกำลังของ 2 คุณจะต้องเติมองค์ประกอบที่ขาดหายไปด้วยศูนย์.
รายการ 4.14 แสดงตัวอย่างการคำนวณสเปกตรัมฟูริเยร์สำหรับฟังก์ชันแบบจำลอง f (x) ซึ่งเป็นผลรวมของไซนัสอยด์สองอันที่มีแอมพลิจูดต่างกัน (กราฟบนสุดในรูปที่ 4.10) การคำนวณดำเนินการบน N=128 จุด และถือว่าช่วงเวลาการสุ่มตัวอย่างข้อมูล y i เท่ากับ h ในบรรทัดสุดท้ายของรายการ ค่าที่สอดคล้องกันของความถี่ W จะถูกกำหนดอย่างถูกต้อง และในบรรทัดสุดท้าย ฟังก์ชัน FFT ในตัวจะถูกใช้ พล็อตผลลัพธ์ของสเปกตรัมฟูริเยร์แสดงในรูปที่ 4.10 (ล่าง) โปรดทราบว่าผลการคำนวณจะแสดงในรูปแบบของโมดูลัส เนื่องจากสเปกตรัมตามที่ระบุไว้แล้วนั้นซับซ้อน มีประโยชน์มากในการเปรียบเทียบแอมพลิจูดที่ได้รับและตำแหน่งของจุดสูงสุดของสเปกตรัมกับคำจำกัดความของไซนัสอยด์ที่จุดเริ่มต้นของรายการ
บันทึก
มากกว่า รายละเอียดข้อมูลเกี่ยวกับคุณสมบัติและแนวปฏิบัติของการใช้การแปลงฟูริเยร์ คุณจะพบในบทที่ 14.
รายการ 4.14. การแปลงฟูริเยร์แบบไม่ต่อเนื่อง (อัลกอริทึม FFT) ของสัญญาณแบบจำลอง:
ข้าว. 4.10. ฟังก์ชันแบบจำลองและการแปลงฟูริเยร์ (ต่อจากรายการ 4.14)
เนื่องจากผลลัพธ์ของสูตรการแก้ไขของนิวตันและลากรองจ์เป็นพหุนามเดียวกันของลำดับที่ N ดังนั้นข้อผิดพลาดของพวกมันจึงมีพฤติกรรมเหมือนกัน
ตัวอย่างที่ 3.4 สำหรับข้อมูลเริ่มต้นที่ใช้ในตัวอย่างที่ 3.1 เราคำนวณค่าของพหุนามของนิวตัน ขั้นแรก เรากรอกข้อมูลในตารางความแตกต่างที่ถูกแบ่ง:
ฉ(xi ,xj ) |
F(xi ,xj ,xk ) |
ฉ(x0,x1 ,x2 ,x3 ) |
z–xi |
||
จากสูตรของนิวตัน เราจะได้:
P 3 (1)= –1+0.6 1+(–0.1) 1 (–1)+0.0857 1 (–1) (–2)= –0.129.
3.6 อนุกรมฟูริเยร์
อนุกรมฟูริเยร์ช่วยให้คุณศึกษาทั้งฟังก์ชันคาบและไม่ใช่คาบโดยแยกย่อยออกเป็นส่วนประกอบ กระแสสลับและแรงดันไฟฟ้า การกระจัด ความเร็ว และความเร่งของกลไกข้อเหวี่ยง คลื่นเสียงเป็นตัวอย่างที่ใช้งานได้จริงของการประยุกต์ใช้ฟังก์ชันเป็นระยะในการคำนวณทางวิศวกรรม ในแง่ของการประมวลผลสัญญาณ การแปลงฟูริเยร์ใช้การแสดงอนุกรมเวลาของฟังก์ชันสัญญาณและแมปกับสเปกตรัมความถี่ นั่นคือมันเปลี่ยนฟังก์ชันของเวลาเป็นฟังก์ชันของความถี่ มันคือการสลายตัวของฟังก์ชันเป็นส่วนประกอบฮาร์มอนิกที่ความถี่ต่างกัน การแปลงฟูริเยร์สามารถแสดงสัญญาณที่แปรผันตามเวลาโดยขึ้นอยู่กับความถี่และแอมพลิจูด และยังให้ข้อมูลเกี่ยวกับเฟสอีกด้วย (รูปที่ 3.4)
การขยายอนุกรมฟูริเยร์มีพื้นฐานอยู่บนสมมติฐานที่ว่าฟังก์ชันทั้งหมดที่มีความสำคัญในทางปฏิบัติในช่วงเวลา π ≤ x ≤ π สามารถแสดงเป็นอนุกรมตรีโกณมิติแบบลู่บรรจบกัน (อนุกรมจะถือเป็นการบรรจบกันหากลำดับของผลรวมบางส่วนที่ประกอบด้วยเทอมมาบรรจบกัน)
ตามสมมติฐานฟูริเยร์ ไม่มีฟังก์ชันใดที่ไม่สามารถขยายเป็นอนุกรมตรีโกณมิติได้ เราขยายฟังก์ชัน f (t) เป็นอนุกรมในช่วงเวลา [–π, π]
f (t) \u003d a 0 / 2 + a 1 cos (t) + a 2 cos (2t) + a 3 cos (3t) + ... + b 1 บาป (t) + b 2 บาป (2t) + b 3 บาป (3t )+…,
โดยที่องค์ประกอบที่ n ของอนุกรมแสดงเป็น
f (t) cos(nt)dt , |
|||||
ข้าว. 3.4. ภาพประกอบการขยายฟูริเยร์
สัมประสิทธิ์ a n และ b n เรียกว่า สัมประสิทธิ์ฟูริเยร์และการแสดงฟังก์ชัน f (t ) ตามสูตร (3.1) is การขยายซีรีส์ฟูริเยร์. บางครั้งการขยายอนุกรมฟูริเยร์ที่นำเสนอในรูปแบบนี้เรียกว่าการขยายอนุกรมฟูริเยร์จริง และสัมประสิทธิ์จะเรียกว่าสัมประสิทธิ์ฟูริเยร์จริง (ตรงกันข้ามกับการขยายตัวเชิงซ้อน)
ให้เราวิเคราะห์นิพจน์ (3.2) และ (3.3) สัมประสิทธิ์ a 0 คือค่าเฉลี่ยของฟังก์ชัน f (t) ในส่วน [–π, π] หรือส่วนประกอบคงที่ของสัญญาณ f (t) สัมประสิทธิ์ a n และ b n (สำหรับ n > 0) คือแอมพลิจูดขององค์ประกอบโคไซน์และไซน์ของฟังก์ชัน (สัญญาณ) f (t) ที่มีความถี่เชิงมุมเท่ากับ n กล่าวอีกนัยหนึ่งสัมประสิทธิ์เหล่านี้กำหนดขนาดของส่วนประกอบความถี่ของสัญญาณ ตัวอย่างเช่น เมื่อเราพูดถึงเสียงบี๊บกับ ความถี่ต่ำ(ตัวอย่างเช่น เสียงของกีตาร์เบส) นี่หมายความว่าค่าสัมประสิทธิ์ a n และ b n มีค่ามากกว่าสำหรับค่าที่น้อยกว่าของ n และในทางกลับกัน - ในเสียงความถี่สูง
การสั่นสะเทือน (เช่น เสียงของไวโอลิน) จะเพิ่มขึ้นเมื่อ มูลค่ามหาศาลน.
การสั่นของคาบที่ใหญ่ที่สุด (หรือความถี่ต่ำสุด) แทนด้วยผลรวมของ 1 cos(t) และ b 1 sin(t) เรียกว่าการสั่นของความถี่พื้นฐานหรือฮาร์มอนิกแรก การสั่นที่มีคาบเท่ากับครึ่งหนึ่งของคาบของความถี่พื้นฐานคือฮาร์มอนิกที่สอง การสั่นที่มีคาบเท่ากับ 1/n ของความถี่พื้นฐานคือ เอ็น-ฮาร์มอนิก ดังนั้น โดยการขยายฟังก์ชัน f (t) ในอนุกรมฟูริเยร์ เราสามารถเปลี่ยนจากโดเมนเวลาเป็นโดเมนความถี่ได้ การเปลี่ยนแปลงดังกล่าวมักจะจำเป็นต่อการเปิดเผยคุณลักษณะของสัญญาณที่ "มองไม่เห็น" ในโดเมนเวลา
โปรดทราบว่าสูตร (3.2) และ (3.3) ใช้ได้กับสัญญาณคาบที่มีคาบเท่ากับ 2π ในกรณีทั่วไป สัญญาณคาบที่มีคาบ T สามารถขยายเป็นอนุกรมฟูริเยร์ได้ จากนั้นจึงใช้เซ็กเมนต์ [–T /2, T /2] ในการขยาย คาบของฮาร์โมนิกแรกมีค่าเท่ากับ T และส่วนประกอบจะอยู่ในรูปแบบ cos(2πt /T ) และ sin(2πt /T ) ส่วนประกอบของ n-harmonic - cos(2πtn /T ) และ sin(2πtn / ท ). หากเราระบุความถี่เชิงมุมของฮาร์มอนิกแรก ω0 = 2π/T ส่วนประกอบของ n-harmonic จะมีรูปแบบ cos(ω0 nt ), sin(ω0 nt ) และ
cos(nt) ขบาป(nt) , |
||||||||||||||
ฉ(t) |
||||||||||||||
โดยที่สัมประสิทธิ์ฟูริเยร์คำนวณโดยสูตร |
||||||||||||||
T/2 |
(t ) cos(0 nt )dt , |
T/2 |
f (t ) บาป(0 nt )dt |
|||||||||||
T/2 |
T/2 |
การขยายฟูริเยร์ใช้สำหรับการวิเคราะห์ฮาร์มอนิกหรือสเปกตรัมของสัญญาณเป็นระยะ สำหรับการวิเคราะห์สเปกตรัมของสัญญาณที่ไม่เป็นระยะเราใช้ การแปลงฟูริเยร์ในการทำเช่นนี้ เราแสดงอนุกรม (3.4) โดยใช้ระบบของฟังก์ชันพื้นฐานในรูปแบบของเลขชี้กำลังที่มีเลขชี้กำลังจินตภาพ:
2jnt |
||||||
ฉ(t) |
Cnexp( |
|||||
T/2 |
2jnt |
|||||
ฉ(t)exp( |
||||||
T/2 |
ละเว้นการคำนวณจำนวนหนึ่งเราเขียนนิพจน์ (3.6) ในรูปแบบ
C () f (t ) exp(j t )dt
สูตรนี้เรียกว่าการแปลงฟูริเยโดยตรง หรือการแปลงฟูริเยร์ โดยปกติ การแปลงฟูริเยร์จะแสดงด้วยตัวอักษรเดียวกัน (ตัวพิมพ์ใหญ่เท่านั้น) กับฟังก์ชันที่กำลังประมาณ (ซึ่งมักจะแสดงด้วยอักษรตัวพิมพ์เล็ก)
F () f (t ) exp(j t )dt
ฟังก์ชัน F (ω) เรียกว่าฟังก์ชัน ความหนาแน่นของสเปกตรัม(หรือแค่ความหนาแน่นสเปกตรัม การแปลงฟูริเยร์ การแปลงฟูริเยร์) พิสัยของฟังก์ชัน F (ω) ในกรณีทั่วไปคือเซตของจำนวนเชิงซ้อน
การแปลงฟูเรียร์ผกผัน , ให้การกู้คืน
การอัปเดตฟังก์ชันดั้งเดิม f(t) เทียบกับฟังก์ชันความหนาแน่นของสเปกตรัมคำนวณได้ดังนี้
f (t ) F () exp(j t )dt .
การแปลงฟูริเยร์แบบไม่ต่อเนื่อง (DFT, DFT - Discrete Fourier Transform) เป็นหนึ่งในการแปลงฟูริเยร์ที่ใช้กันอย่างแพร่หลายในอัลกอริธึมการประมวลผลสัญญาณดิจิตอล (การปรับเปลี่ยนจะใช้ในการบีบอัดเสียงใน MP3, การบีบอัดภาพ ใน JPEG ฯลฯ ) รวมถึงในด้านอื่นๆ ที่เกี่ยวข้องกับการวิเคราะห์ความถี่ในสัญญาณที่ไม่ต่อเนื่อง (เช่น ดิจิทัลแอนะล็อก) การแปลงฟูริเยร์แบบไม่ต่อเนื่องต้องใช้ฟังก์ชันที่ไม่ต่อเนื่องเป็นอินพุต ฟังก์ชันดังกล่าวมักสร้างขึ้นโดยการแยกส่วน (การเลือกค่าจากฟังก์ชันต่อเนื่อง) ข้อเสียของอัลกอริธึมนี้คือการคำนวณซ้ำจำนวนมาก การกำจัดการดำเนินการที่ซ้ำซ้อนเหล่านี้นำไปสู่สิ่งที่เรียกว่าอัลกอริธึม
การแปลงฟูริเยร์อย่างรวดเร็วซึ่งใช้กันทั่วไป
การแปลงฟูริเยร์อย่างรวดเร็ว (FFT, FFT) - อัลกอริทึมสำหรับการคำนวณอย่างรวดเร็วของการแปลงฟูเรียร์แบบไม่ต่อเนื่อง (DFT) นั่นคืออัลกอริธึมการคำนวณสำหรับจำนวนการกระทำที่น้อยกว่า O(N 2 ) ที่จำเป็นสำหรับการคำนวณ DFT โดยตรง (ตามสูตร) (N คือจำนวนค่าสัญญาณที่วัดในช่วงเวลาหนึ่งตลอดจนจำนวนของส่วนประกอบการขยาย) บางครั้ง FFT ก็ถูกเข้าใจว่าเป็นหนึ่งเดียวจาก อัลกอริธึมที่รวดเร็ว เรียกว่าอัลกอริธึมการลดความถี่/เวลา หรืออัลกอริธึมฐาน 2
เพื่อนำการแปลงฟูริเยร์ไปใช้ในแพ็คเกจ MathCAD จำเป็นต้องเลือกตัวดำเนินการฟูริเยร์สำหรับการแปลงโดยตรงและ invfourier สำหรับตัวดำเนินการย้อนกลับบนแผงสัญลักษณ์ ต้องวางตัวดำเนินการนี้หลังจากฟังก์ชันที่จะแปลง และเนื่องจากเป็นพารามิเตอร์เดียว คุณต้องระบุตัวแปรโดยพิจารณาจากฟังก์ชันที่จะถูกแปลง ตัวอย่างการใช้งานจอภาพ
เรามะเดื่อ 3.5 สำหรับฟังก์ชัน f (t) e 2 t และในรูปที่ 3.6 โดยที่การมอดูเลตแอมพลิจูด-ความถี่ถูกนำไปใช้กับฟังก์ชัน f (t) จากนั้นผลลัพธ์จะถูกขยายออกเป็นอนุกรม
ข้าว. 3.5. ตัวอย่างการขยายฟูริเยร์โดยใช้ฟังก์ชันสัญลักษณ์ฟูริเยร์
ข้าว. 3.6. ตัวอย่างการขยายฟูริเยร์โดยใช้ฟังก์ชันสัญลักษณ์ฟูริเยร์
MathCAD มีฟังก์ชันสำหรับ Fast Discrete Fourier Transform (FFT) และการผกผัน มีฟังก์ชันสองประเภทสำหรับการแปลงฟูเรียร์แบบไม่ต่อเนื่อง: fft และ ifft , cfft และ icfft ฟังก์ชันเหล่านี้ไม่ต่อเนื่องกัน: ใช้เป็นอาร์กิวเมนต์และส่งกลับเวกเตอร์และเมทริกซ์
ฟังก์ชัน fft และ ifft จะใช้หากตรงตามเงื่อนไขต่อไปนี้: (1) อาร์กิวเมนต์เป็นจริง (2) – เวกเตอร์ข้อมูลมีองค์ประกอบ 2m
ในกรณีอื่นๆ จะใช้ฟังก์ชัน cfft และ icfft
เงื่อนไขแรกจำเป็นเนื่องจากฟังก์ชัน fft และ ifft ใช้ข้อเท็จจริงที่ว่าสำหรับข้อมูลจริง ครึ่งหลังของการแปลงฟูริเยร์เป็นคอนจูเกตที่ซับซ้อนของเงื่อนไขแรก MathCAD ละทิ้งเวกเตอร์ผลลัพธ์ในช่วงครึ่งหลัง ซึ่งช่วยประหยัดเวลาและหน่วยความจำในการคำนวณ คู่ของฟังก์ชัน cfft และ icfft ไม่ใช้สมมาตรในการแปลง และสามารถใช้กับจำนวนจริงและจำนวนเชิงซ้อนได้
จำเป็นต้องมีเงื่อนไขที่สองเนื่องจากคู่ของฟังก์ชัน fft และ ifft ใช้อัลกอริธึมการแปลงฟูริเยร์ที่มีประสิทธิภาพสูง สำหรับเวกเตอร์อาร์กิวเมนต์นี้ ใช้-
ฟังก์ชันที่ fft ต้องประกอบด้วยองค์ประกอบ 2m อัลกอริทึมของฟังก์ชัน cfft และ icfft ยอมรับเวกเตอร์และเมทริกซ์ขนาดใดก็ได้เป็นอาร์กิวเมนต์ เฉพาะฟังก์ชันเหล่านี้เท่านั้นที่ใช้สำหรับการแปลงฟูริเยร์ 2 มิติ ฟังก์ชัน fft และ ifft , cfft และ icfft นั้นผกผันซึ่งกันและกัน กล่าวคือ เป็นจริง:
และ icfft(cfft(v)) v |
ในรูป รูปที่ 3.7 แสดงการใช้ฟังก์ชัน ff t(v) และ ifft(v) บนสัญญาณคลื่นไซน์ที่ถูกรบกวนโดยฟังก์ชัน rnd(x) ซึ่งสร้างตัวเลขสุ่มตั้งแต่ 0 ถึง x
ข้าว. 3.7. การแปลงฟูริเยร์ไปข้างหน้าและกลับด้วยฟังก์ชัน fft และ ifft
กราฟเหล่านี้แสดงภาพฟูริเยร์ของสัญญาณ c และเปรียบเทียบสัญญาณดั้งเดิม x กับภาพที่สร้างขึ้นใหม่จากภาพฟูริเยร์ รายละเอียดเพิ่มเติมเกี่ยวกับการวิเคราะห์ฟูริเยร์สามารถพบได้ในและ
3.7 กำลังสองน้อยที่สุด
ในวิธีการประมาณค่าฟังก์ชันข้างต้นทั้งหมด เงื่อนไขการแก้ไขได้รับการตอบสนองทุกประการ อย่างไรก็ตาม ในกรณีที่ข้อมูลเริ่มต้น x i , fi , i= 1,…,N ได้รับข้อผิดพลาดบางประการ เราสามารถกำหนดให้ใช้ค่าประมาณได้เท่านั้น
เงื่อนไขการแก้ไข: |F(x i ) – f i |< . Это условие означает, что интерполирующая функция F(x) проходит не точно через заданные точки, а в некоторой их окрестности, так, например, как это показано на рис. 3.8. Приблизим исходные данные глобальным полиномом. Если решать задачу интерполяции точно, то полином должен иметь степень N . При рассмотрении полинома Лагранжа мы выяснили, что полином N –й степени хорошо приближает исходную функцию только при небольших значениях N .
ข้าว. 3.8. การปฏิบัติตามเงื่อนไขการแก้ไขโดยประมาณ
เราจะมองหาพหุนามดีกรีต่ำ เช่น P 3 (x)=a 1 +a 2 x+a 3 x 2 +a 4 x 3 ถ้า N >4 แสดงว่าปัญหาที่แท้จริงไม่มีคำตอบ: สำหรับค่าสัมประสิทธิ์ที่ไม่รู้จักสี่ตัว (a 1 , a 2 , a 3 , a 4 ) เงื่อนไขการแก้ไขจะให้ N >4 สมการ แต่ตอนนี้ไม่จำเป็นต้องปฏิบัติตามเงื่อนไขการแก้ไขที่แน่นอน เราต้องการให้พหุนามส่งผ่านใกล้กับจุดที่กำหนด มีพหุนามดังกล่าวหลายตัว ซึ่งแต่ละอันถูกกำหนดโดยชุดสัมประสิทธิ์ของมันเอง ในบรรดาพหุนามที่เป็นไปได้ทั้งหมดของประเภทนี้ เราเลือกพหุนามที่มีค่าเบี่ยงเบนมาตรฐานน้อยที่สุดที่โหนดการแก้ไขจากค่าที่กำหนด กล่าวคือ พหุนามต้องอยู่ใกล้จุดที่กำหนดมากที่สุดของพหุนามดีกรีสามที่เป็นไปได้ในความหมาย วิธีกำลังสองน้อยที่สุด(เอ็มเค). ณ จุด i-th พร้อม
linom P 3 (x) เบี่ยงเบนจากค่า f i โดยค่า (P 3 (x i ) – f i ) เราสรุปค่าเบี่ยงเบนกำลังสองของพหุนามเหนือทุกจุด i= 1, 2,…, N, เราได้ฟังก์ชันของค่าเบี่ยงเบนกำลังสอง:
G(a1 ,a2 ,a3 ,a4 ) (P3 (xi ) fi )2 |
a2 xi a3 xi 2 a4 xi 3 fi )2 . |
|
ให้เราหาค่าต่ำสุดของฟังก์ชันนี้ ในการทำเช่นนี้ เราเทียบอนุพันธ์ย่อยบางส่วนเทียบกับตัวแปร a 1 , a 2 , a 3 , 4 ถึงศูนย์ โดยใช้กฎการสร้างความแตกต่างมาตรฐาน เราได้รับ:
2 (a 1 |
a2 xi a3 xi 2 a4 xi 3 fi ) 0 |
||||||
a3 xi 2 a4 xi 3 fi ) 0 |
|||||||
G 2 xi (a1 a2 xi .) |
|||||||
2 x ฉัน 2 (a 1 |
a2xi |
a3 xi 2 a4 xi 3 fi ) 0 |
|||||
2 x ฉัน 3 (a 1 |
a2xi |
a3 xi 2 a4 xi 3 fi ) 0 |
|||||
การรวบรวมสัมประสิทธิ์ของค่าที่ไม่ทราบค่า a ผม เราได้รับ SLAE เทียบกับเวกเตอร์ของสิ่งแปลกปลอม (a 1 , a 2 , a 3 , a 4) ):
ยังไม่มีข้อความ a1 xi a2 xi 2 |
a3 xi 3 a4 fi |
|||||||
xi 2 a2 |
xi 3 a3 |
xi 4 |
fi x i |
|||||
xi 2 a1 |
xi 3 a2 |
xi 4 a3 |
xi 5 |
ฟิ x i2 |
||||
xi 3 a1 |
xi 4 a2 |
xi 5 a3 |
xi 6 |
ฟิ x i3 |
||||
ระบบผลลัพธ์เรียกว่าปกติ ในการแก้ปัญหาจะใช้วิธีการมาตรฐานในการแก้ปัญหา SLAE ตามกฎแล้ว จำนวนของระบบที่ไม่ทราบค่า (เช่น จำนวนสัมประสิทธิ์ของฟังก์ชันการสอดแทรก) มีน้อย ดังนั้นจึงสามารถใช้วิธีการที่แน่นอนในการแก้ปัญหา SLAE ได้ เช่น วิธี Cramer หรือวิธีเกาส์ วิธีกำลังสองน้อยที่สุดช่วยให้คุณสามารถ "ประมาณ" ข้อมูลดั้งเดิมโดยใช้การรวมเชิงเส้นของฟังก์ชันพื้นฐานใดๆ การประมาณของเส้นตรง F (x)=a 1 +a 2 x, ตรีโกณมิติ F (x)=a 1 sin(x)+a 2 cos(x), เลขชี้กำลัง F (x)=a 1 e x
N a1 xi a2
xi a1 xi 2 a2 ฟิซิ
คำนวณ
ซี 2 ,
ฉ x ฉัน ,
ใส่ตามปกติ
ข้าว. 3.9. การเลือกเชิงเส้น
5a 1.4a
การพึ่งพา OLS
0.148. กราฟของฟังก์ชัน F (x)=-0.04+0.57x แสดงในรูปที่ 3.9 เป็นเส้นทึบ จุดแสดงข้อมูลเดิม จะเห็นได้ว่าฟังก์ชันเชิงเส้นตรงที่พบนั้นใกล้เคียงกับจุดที่กำหนด
ใน MathCAD กำลังสองน้อยที่สุดเกี่ยวข้องอย่างใกล้ชิดกับการถดถอยเชิงเส้น (y(x) = b + ax ) เนื่องจากสัมประสิทธิ์ a และ b คำนวณจากเงื่อนไขของการย่อผลรวมของข้อผิดพลาดกำลังสองให้น้อยที่สุด |b + ax i – y i | มีวิธีการคำนวณที่ทับซ้อนกันสองวิธีใน MathCAD:
เส้น (x,y) ส่งกลับเวกเตอร์สององค์ประกอบของสัมประสิทธิ์การถดถอยเชิงเส้น b + axe ;
อนุกรมตรีโกณมิติฟูเรียร์โดยใช้ Mathcad
วัตถุประสงค์
เรียนรู้การแยกฟังก์ชันคาบเป็นอนุกรมฟูเรียร์ตรีโกณมิติโดยใช้ Mathcad และพล็อตผลรวมบางส่วนของอนุกรมฟูริเยร์
อุปกรณ์
แพ็คเกจซอฟต์แวร์ MathCAD
ความคืบหน้า
ตัวเลือก
1) ขยายฟังก์ชันเป็นอนุกรมฟูริเยร์ตรีโกณมิติ
2) ขยายฟังก์ชันเป็นอนุกรมฟูริเยร์ตรีโกณมิติในโคไซน์
3) ขยายฟังก์ชันเป็นอนุกรมฟูเรียร์ตรีโกณมิติในแง่ของไซน์
ขออนุญาติทำงาน
3.2.1 อนุกรมฟูเรียร์ตรีโกณมิติของฟังก์ชันคืออนุกรมฟังก์ชันของรูปแบบ
3.2.4 สำหรับฟังก์ชัน f(x) จะคำนวณสัมประสิทธิ์ฟูริเยร์ (เมื่อขยายเป็นโคไซน์)
1 = 5, 2 = 6, 3 = 7
เขียนอนุกรมฟูริเยร์ตรีโกณมิติ
3.2.5 ฟังก์ชัน f(x) ถูกขยายเป็นอนุกรมฟูริเยร์ในแง่ของไซน์ (ทางที่แปลก) จากนั้น
แผ่น |
เอกสารเลขที่ |
ลายเซ็น |
แผ่น |
เลขที่เอกสาร |
ลายเซ็น |
วันที่ |
แผ่น |
3.1.2. ค้นหาคุณสมบัติเชิงตัวเลขของตัวแปรสุ่ม x (x คือเงินรางวัลที่ชนะของเจ้าของตั๋วลอตเตอรีหนึ่งใบ)
ลอตเตอรีออกตั๋ว ____
ในจำนวนนี้พวกเขาชนะ ____ rubles แต่ละคน
ในจำนวนนี้พวกเขาชนะ ____ rubles ต่อคน
3.1.3. ค้นหาคุณสมบัติเชิงตัวเลขของตัวแปรสุ่ม "x"
ก) 0.15 b) -0.35 c) 0.35 d) 0.25 e) ไม่ได้กำหนดไว้
3.2.3 มีตั๋ว 200 ใบในลอตเตอรี ตั๋วที่ชนะ 30. ความน่าจะเป็นที่ตั๋วไม่ชนะเป็นเท่าไหร่?
ก) 1.7 b) 0.7 c) 0.17 d) 0.85 e) 0.15
3.2.4 เขียนสูตรการคำนวณความแปรปรวนของตัวแปรสุ่มแบบไม่ต่อเนื่อง
3.2.5 เขียนสูตรสำหรับคำนวณค่าเบี่ยงเบนมาตรฐานของตัวแปรสุ่มแบบไม่ต่อเนื่อง
________________________________________________________________________________
3.2.6. D (y) \u003d 25. ส่วนเบี่ยงเบนมาตรฐานคืออะไร?
ก) ± 5 b) 5 c) -5 d) ไม่ได้กำหนดไว้
3.2.7 วิธีแก้สมการใน MathCAD
______________________________________________________________________________
_____________ ได้รับอนุญาตให้ทำงานได้
ผลงาน
4.1. M(x) = ____________ D(x) = ____________ σ (x) = ___________
แผ่น |
เลขที่เอกสาร |
ลายเซ็น |
วันที่ |
แผ่น |
PR.140448.00.00 |
การหาค่าประมาณจุดและช่วงเวลา
พารามิเตอร์การกระจายที่ไม่รู้จักใน Excel
1. วัตถุประสงค์ของงาน
จากตัวอย่างนี้ เรียนรู้ที่จะกำหนดลักษณะเชิงตัวเลขของกลุ่มตัวอย่างและประเมินพารามิเตอร์ที่ไม่รู้จักของประชากรทั่วไป ประเมินความคาดหวังทางคณิตศาสตร์ของประชากรทั่วไปด้วยความน่าจะเป็นที่มั่นใจ
2. อุปกรณ์:
IBM PC, เชลล์ Microsoft Excel
ความคืบหน้า
3. 1 ตัวเลือก
ประมาณการด้วยความน่าจะเป็นของความเชื่อมั่นที่ให้ไว้ γ= ความคาดหวังทางคณิตศาสตร์ของประชากรทั่วไปสำหรับกลุ่มตัวอย่างที่กำหนด
_____________________________________________________________________________________
3.2 ใบอนุญาตทำงาน
1. ค่าเฉลี่ยตัวอย่างคำนวณอย่างไร?
2. ความแปรปรวนตัวอย่างคำนวณอย่างไร?
____________________________________________________________________________________________________________________________________________________________
3. ค่าเบี่ยงเบนมาตรฐานคำนวณอย่างไร?
____________________________________________________________________________________________________________________________________________________________
4. ความแปรปรวนของตัวอย่างที่ถูกแก้ไขคำนวณอย่างไร?
____________________________________________________________________________________________________________________________________________________________
5. การประมาณค่าแบบจุดของพารามิเตอร์การกระจายที่ไม่รู้จักแตกต่างจากการประมาณตามช่วงเวลาอย่างไร
____________________________________________________________________________________________________________________________________________________________
6. ช่วงเวลาคำนวณสำหรับการประมาณการคาดหมายทางคณิตศาสตร์ของประชากรทั่วไปอย่างไร
________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________________
7. ค่าสัมประสิทธิ์ของนักเรียนระบุไว้อย่างไร?
เปลี่ยน |
แผ่น |
เลขที่เอกสาร |
ลายเซ็น |
วันที่ |
แผ่น |
PR.140448.00.00 |
8. อะไรเป็นตัวกำหนดค่าสัมประสิทธิ์ของนักเรียน?
____________________________________________________________________________________________________________________________________________________________
ได้รับอนุญาตให้ทำงาน: ________________________________________________
ผลงาน
σ ใน = S ใน = t γ =
บทสรุป
ในระหว่างงานนี้ ฉันได้ใช้สูตรสำหรับการประมาณแบบจุดและช่วงเวลา ____________________________________________________________
_________________________________________________________________
| ||||||||||||||||||||||||||||||||||||||||