da gugo82 » 31/07/2018, 22:08
@Raptorista: Il metodo che proponi non è equivalente a quello che ho proposto io più sopra, anzi è del tutto differente perché risolve (quando funziona) un altro problema.
In particolare, il metodo dei minimi quadrati risolve un problema di approssimazione (o smoothing), determinando una curva "liscia" $y=f(x)$ (con $f$ di forma assegnata) che approssima alla meglio l'andamento di una distribuzione di dati sperimentali, i.e. $y_i \approx f(x_i)$ per ogni $i$, secondo un criterio stabilito (minimizza l'errore quadratico degli scarti).
Quello proposto da te, invece, risolve un problema di interpolazione, in cui si cerca una curva "liscia" $y=f(x)$ (con $f$ di forma assegnata) che passi esattamente attraverso tutti i punti di una distribuzione di dati sperimentali, i.e. tale che $y_i=f(x_i)$ per ogni $i$.
Ora accade che il secondo problema, cioè quello dell'interpolazione, in generale non ha alcuna soluzione (e.g., ciò accade quando si hanno due coppie di dati $(x_1, y_1), (x_2,y_2)$ con $x_1=x_2$ e $y_1!=y_2$, oppure -a parte botte di culo colossali!- quando il numero $n$ di dati è superiore al grado $k$ del polinomio interpolante $f$), o, se ce l'ha, la soluzione fa schifissimo tra un punto della distribuzione ed il successivo (nel senso che oscilla troppo: è il fenomeno di Runge).
Per questo motivo, come curve interpolanti si usano curve polinomiali solo a tratti (come le spline) ed in genere si lasciano perdere i polinomi.
D'altro canto, il metodo dei minimi quadrati, che, fondamentalmente, è un problema di minimo libero per una funzione strettamente convessa e coercitiva, ha sempre una sola soluzione. Questo pregio, però, lo si paga perdendo l'uguaglianza puntuale $y_i=f(x_i)$ che diventa solo un'approssimazione $y_i\approx f(x_i)$.
*** EDIT:
Ho scritto una cavolata, perché ho letto male il post di Raptorista (al quale vanno le mie scuse) e ne ho travisato le intenzioni.
Il sistema che lui propone di risolvere, i.e. $A^t A x = A^t y$, è la formulazione matriciale del sistema che fornisce il punto critico della funzione errore $E$ che proponevo sopra.
Ad ogni buon conto, è importante che lo OP riconosca la differenza tra interpolazione ed approssimazione. Se lo OP sfrutta un metodo di minimi quadrati per risolvere il problema, è evidente che va incontro a difficoltà tipiche del procedimento, i.e. al fatto che la curva approssimante i dati sia, per l'appunto, una curva approssimante e non interpolante.
Sono sempre stato, e mi ritengo ancora un dilettante. Cioè una persona che si diletta, che cerca sempre di provare piacere e di regalare il piacere agli altri, che scopre ogni volta quello che fa come se fosse la prima volta. (Freak Antoni)