MATLAB实现最小二乘法曲面拟合详解

元楼

于 2025-03-10 14:43:04 发布

阅读量1.1k

点赞数 17

本文链接：https://blog.csdn.net/weixin_35414484/article/details/146190705

版权

本文还有配套的精品资源，点击获取

简介：最小二乘法是一种广泛应用于数学和统计学中的优化技术，用于从数据点集合中找到最佳拟合函数。该技术在多个领域中至关重要，尤其是在三维空间中的曲面拟合。在MATLAB环境中，可以使用内置函数如 lsqcurvefit 和 fsolve 来实现参数化非线性曲面拟合或解决无约束最小化问题。曲面拟合涉及将三维离散数据点映射到连续曲面上，以得到代表数据点整体趋势的数学模型。最小二乘法通过最小化所有数据点到拟合函数垂直距离的平方和来实现。程序能够提供拟合函数的具体数学表达式，从而让用户能够模拟和分析其数据。最小二乘法曲面拟合的算法

1. 最小二乘法原理

最小二乘法是一种通过最小化误差平方和来找到数据最佳匹配函数的数学优化技术。其核心思想在于通过调整模型参数，使得所有数据点与模型预测值之间的垂直距离（即误差）的平方和达到最小。这种方法在解决线性和非线性数据拟合问题中非常有效，因为它避免了过拟合或欠拟合现象的发生，尤其在曲线和曲面拟合中应用广泛。

具体来说，最小二乘法的原理可以分为以下步骤： 1. 误差定义 ：定义误差为每个数据点观测值和模型预测值之间的差异。 2. 目标函数构建 ：构造目标函数，通常是一个关于模型参数的函数，其值等于误差平方和。 3. 求解最小化问题 ：通过求导和设置导数为零找到使目标函数最小的参数值，这个过程通常涉及到线性代数和微积分的知识。

数学上，如果有一组数据点 ((x_i, y_i))，其中 (i = 1, 2, \ldots, n)，我们希望找到一个函数 (f(x))，通过最小化下面的目标函数来最适配这些点：

[ S = \sum_{i=1}^{n} (y_i - f(x_i))^2 ]

在这里，(S) 是需要最小化的平方误差和。这种方法的优点是它提供了一种客观的评价模型拟合质量的方式，而且数学上容易处理，尤其是对于线性模型。对于非线性模型，可能需要使用迭代方法来寻找最优解。

让我们来看一个简单的例子，假设我们要拟合一组数据点 ((x_i, y_i))，并且假设这些数据可以用一条直线 (y = ax + b) 来描述。在这种情况下，我们可以使用最小二乘法来找到最佳的 (a) 和 (b) 值。

代码示例：

x = [1, 2, 3, 4, 5]; % 示例输入数据
y = [2, 4, 5, 4, 5]; % 示例输出数据
A = [ones(length(x), 1), x]'; % 构造矩阵A用于最小二乘计算
b = y'; % 转置y向量
coeff = A\b; % 使用左除运算符求解最小二乘问题

a = coeff(1); % 斜率
b = coeff(2); % 截距

% 输出结果
fprintf('拟合直线为: y = %f * x + %f\n', a, b);

在上述示例中，通过构造矩阵 (A) 和向量 (b)，我们可以使用MATLAB中的左除运算符 \ 来求解最小二乘问题，得到最佳拟合直线的参数。这个过程体现了最小二乘法在实际中的简单应用。

2. 曲面拟合的概念与方法

曲面拟合在数据分析和处理领域扮演着至关重要的角色，它能够帮助我们理解复杂的数据集之间的关系。本章将深入探讨曲面拟合的核心概念，以及各种拟合方法的细节和适用场景。

曲面拟合的基本概念

曲面拟合是通过数学模型来逼近或表示多维数据点之间的关系。在工程、科学和金融领域，这种技术被广泛用于分析和预测数据趋势。其目的是寻找一个数学模型，使得这个模型在一定程度上反映真实数据集的特征。

拟合过程通常需要考虑以下几个关键要素： - 数据集 ：一组被拟合的多维数据点，通常包含因变量和多个自变量。 - 拟合模型 ：用于描述数据点之间关系的数学表达式，如线性方程、多项式等。 - 参数估计 ：确定拟合模型中的参数值，以最佳地反映数据特征。 - 误差度量 ：衡量拟合模型与实际数据之间差异的指标，如均方误差。

常用的曲面拟合方法

曲面拟合的方法多种多样，每种方法都适用于不同的情况。本节将详细介绍几种常见的拟合方法，并分析它们的优缺点和适用条件。

线性拟合

线性拟合是最简单的拟合方法之一，适用于那些可以通过线性方程描述的关系。线性方程通常表示为： [y = ax + b] 其中，(y) 是因变量，(x) 是自变量，而 (a) 和 (b) 是模型参数。

线性拟合的优点是计算简单快捷，易于理解和实现。然而，当数据关系明显非线性时，线性模型可能无法提供足够的拟合精度。

% MATLAB 示例代码：使用线性拟合方法
x = [1, 2, 3, 4, 5]; % 自变量
y = [2, 3, 5, 7, 11]; % 因变量
p = polyfit(x, y, 1); % 使用一阶多项式进行拟合
y_fit = polyval(p, x); % 计算拟合的 y 值

plot(x, y, 'o', x, y_fit, '-'); % 绘制原始数据和拟合线
legend('数据点', '线性拟合');

在上述代码中， polyfit 函数用于进行线性拟合，其第一个和第二个参数分别是自变量和因变量，第三个参数 1 表示一阶多项式，即线性拟合。拟合得到的模型参数存储在向量 p 中，之后使用 polyval 函数计算拟合曲线的值。

多项式拟合

多项式拟合允许数据通过更高阶的模型表示，形式如下： [y = a_n x^n + a_{n-1} x^{n-1} + ... + a_1 x + a_0] 其中，(a_0, a_1, ..., a_n) 是模型参数，(n) 是多项式的阶数。

多项式拟合的优点在于其灵活性，能够逼近各种形式的非线性关系。然而，随着多项式阶数的增加，模型可能出现过拟合现象，即过度拟合噪声而非数据的真实趋势。

% MATLAB 示例代码：使用多项式拟合方法
x = [1, 2, 3, 4, 5];
y = [2, 3, 5, 7, 11];
n = 3; % 选择三阶多项式
p = polyfit(x, y, n); % 使用 n 阶多项式进行拟合
y_fit = polyval(p, x); % 计算拟合的 y 值

plot(x, y, 'o', x, y_fit, '-');
legend('数据点', '三次多项式拟合');

上述代码中，通过 polyfit 函数的第三个参数 n ，指定使用三阶多项式进行拟合。 polyval 函数随后被用来计算拟合曲线的值，进而绘制图形。

样条拟合

样条拟合是基于样条函数（spline functions）的曲面拟合方法。样条函数是一系列分段多项式，它们在节点处平滑连接。最常用的是三次样条，其表达式可以写成： [y = S(x) = \sum_{j=0}^{3}a_j(x-x_j) +^3] 其中，(x +) 表示 (x) 的正值部分，(a_j) 是待定系数。

样条拟合具有良好的局部控制特性，非常适合拟合平滑曲线，尤其在曲线拐点较多的情况下。其缺点是计算较多项式拟合更为复杂。

% MATLAB 示例代码：使用三次样条拟合方法
x = [1, 2, 3, 4, 5];
y = [2, 3, 5, 7, 11];
pp = spline(x, y); % 使用三次样条进行拟合

plot(x, y, 'o', pp.x, pp.y, '-');
legend('数据点', '三次样条拟合');

在上述代码中， spline 函数被用来进行三次样条拟合，它返回一个分段多项式结构 pp ，该结构可以用于计算拟合曲线的值，并绘制拟合曲线图。

曲面拟合方法的选择

选择合适的曲面拟合方法需要综合考虑数据的特性、预期的精确度以及计算的复杂度。在实际应用中，通常会尝试几种不同的方法，并通过交叉验证等技术来评估模型的性能。

优缺点与适用条件

每种拟合方法都有其特定的优缺点，以下是一些常见的拟合方法的比较：

| 方法 | 优点 | 缺点 | 适用条件 | |------------|----------------------------------|------------------------------------|--------------------------------------------------| | 线性拟合 | 计算简单，容易理解 | 仅适用于线性关系 | 数据关系明显线性时 | | 多项式拟合 | 灵活性高，能够逼近复杂非线性关系 | 高阶多项式可能过拟合 | 数据关系非线性，需要较高拟合精度时 | | 样条拟合 | 提供平滑曲线，局部控制性好 | 计算比多项式拟合更复杂 | 需要拟合平滑曲线，特别是存在多个拐点时 |

拟合模型的优化与评价

优化拟合模型的性能是提高数据分析质量的关键步骤。本节将探讨如何通过参数调整和模型选择来提高拟合模型的准确性和可靠性。

参数调整

参数调整主要是通过优化算法对模型参数进行微调，以便更准确地反映数据特征。常用的参数优化方法有： - 梯度下降法 ：通过计算梯度并沿梯度下降方向调整参数来寻找最优解。 - 牛顿法 ：使用二阶导数信息来更快地收敛到最小值。 - 遗传算法 ：通过模拟自然选择和遗传机制来寻找全局最优解。

% MATLAB 示例代码：使用梯度下降法优化线性拟合模型参数
% 假设已经得到了线性拟合的参数初值 a 和 b
a = 1; b = 0; % 参数初值
alpha = 0.01; % 学习率
n_iterations = 100; % 迭代次数

for i = 1:n_iterations
    y_pred = a * x + b; % 预测值
    error = y - y_pred; % 误差计算
    a = a - alpha * sum(2 * error .* x); % 更新 a
    b = b - alpha * sum(2 * error); % 更新 b
end

% 输出优化后的参数值
fprintf('优化后的参数 a = %.5f, b = %.5f\n', a, b);

在上述代码中，通过梯度下降算法对线性模型的参数进行更新。通过迭代计算误差并更新参数，以期得到更好的拟合效果。

模型评价

模型评价是通过一系列统计指标来衡量模型性能的过程。常用的评价指标包括： - 均方误差（MSE） ：衡量模型预测值与实际值差的平方的平均值。 - 决定系数（(R^2)） ：反映模型解释数据变异的能力。

% MATLAB 示例代码：计算模型的均方误差和决定系数
% 假设 y 实际值和 y_fit 拟合值已经计算
MSE = mean((y - y_fit).^2); % 计算均方误差
SS_res = sum((y - y_fit).^2); % 残差平方和
SS_tot = sum((y - mean(y)).^2); % 总平方和
R_squared = 1 - SS_res / SS_tot; % 计算决定系数

fprintf('模型的均方误差为 %.5f\n', MSE);
fprintf('模型的决定系数为 %.5f\n', R_squared);

通过计算均方误差和决定系数，我们可以量化模型的预测能力和整体拟合效果。一个理想的拟合模型应该具有较小的均方误差和较高的决定系数。

小结

本章我们深入探讨了曲面拟合的概念、常用方法、优缺点以及适用条件。通过对线性拟合、多项式拟合和样条拟合等技术的介绍，我们了解了如何根据数据特性选择适当的拟合方法。同时，我们也掌握了如何利用参数调整和模型评价方法来优化和验证拟合模型的性能。在实际应用中，将这些技术和方法结合起来，可以有效提高数据分析和预测的准确性。

在下一章中，我们将进一步深入探讨在MATLAB环境下进行曲面拟合的具体实现，包括如何操作数据、选择合适的拟合模型和优化拟合结果，这些都是曲面拟合实践中的关键环节。

3. MATLAB曲面拟合函数使用

3.1 MATLAB曲面拟合基础函数介绍

在MATLAB中，曲面拟合通常涉及多个步骤，从数据的初步处理到最终模型的评估。MATLAB提供了一系列的函数来简化这一过程，这包括 surface 、 meshgrid 、 fit 等函数。接下来，我们将详细探讨这些函数的用法及背后的逻辑。

3.1.1 使用 `surface` 和 `meshgrid` 创建三维图形

在MATLAB中， surface 函数用于绘制三维曲面图形，而 meshgrid 函数用于生成坐标矩阵，这对于在三维空间中定位数据点是必要的。 meshgrid 函数通常与 surface 一起使用，来创建网格点，这些点随后可以用于绘图或进行曲面拟合。

[X, Y] = meshgrid(-10:0.5:10, -10:0.5:10);
Z = peaks(X,Y);
figure;
surface(X, Y, Z);

上述代码首先创建了X和Y两个坐标矩阵，然后使用 peaks 函数生成了一个三维曲面的数据矩阵Z。最后，使用 surface 函数绘制出曲面图。

3.1.2 使用 `fit` 函数进行数据拟合

fit 函数是MATLAB中进行数据拟合的核心函数，它可以利用多种内置的拟合类型来处理数据。例如，多项式拟合、指数拟合、高斯拟合等。

% 假设数据点由xData和yData表示
xData = 1:0.1:10;
yData = xData.^2 + randn(size(xData)); % 带有噪声的二次函数

% 使用fit函数进行多项式拟合
f = fit(xData', yData', 'poly2'); % 'poly2'表示二次多项式

在这段代码中，我们首先生成了一组数据 xData 和 yData ，其中 yData 是 xData 的平方加上一些随机噪声。使用 fit 函数，我们对这些数据进行了二次多项式拟合，并将拟合对象存储在变量 f 中。

3.2 MATLAB中高级曲面拟合技巧

3.2.1 处理数据并选择合适的拟合模型

在进行高级曲面拟合时，数据的处理和模型的选择至关重要。MATLAB提供了丰富的工具来帮助用户进行这些步骤。例如， polyfit 函数可以用于线性或多项式拟合，并返回拟合的系数。

p = polyfit(xData, yData, 2); % 二次多项式拟合系数
fitY = polyval(p, xData); % 通过多项式系数计算拟合值

在这里， polyfit 函数计算出二次多项式的系数 p ，而 polyval 函数则利用这些系数来计算在给定 xData 点的拟合值 fitY 。

3.2.2 优化拟合结果

MATLAB的优化工具箱为拟合提供了更多的控制能力，例如，可以对拟合过程进行参数设置，以获得更优的结果。

% 继续使用上面的f拟合对象
% 使用指定选项进行拟合优化
options = fitoptions(f);
options.Display = 'Off'; % 不显示拟合过程
f_optimized = fit(xData', yData', 'poly2', options);

在上述代码段中，我们首先获取 f 拟合对象的选项，并将其显示属性设置为 'Off' ，以避免在拟合过程中输出额外的信息。然后我们使用这些选项对数据进行优化拟合。

3.2.3 处理多变量数据的曲面拟合

在处理多维数据时，MATLAB提供了一系列工具来处理复杂的曲面拟合问题，其中包括 fittype 函数，它允许用户定义自己的拟合类型。

% 假设有多个自变量xData, yData和zData
zData = xData.^2 + yData.^2 + randn(size(xData)); % 二元二次函数加上噪声

ft = fittype('a*x^2 + b*y^2 + c*x*y', 'independent', {'x', 'y'}, 'dependent', 'z');
f_multi = fit([xData, yData], zData, ft); % 使用自定义拟合类型进行拟合

在这个例子中， fittype 函数创建了一个新的拟合类型 ft ，其定义为一个包含交叉项的二次方程。然后，我们使用 fit 函数和自定义拟合类型 ft 来拟合 xData 和 yData 与 zData 之间的关系。

3.2.4 分析拟合结果

拟合完成后，需要对结果进行分析。这通常包括查看拟合参数、绘制拟合图形、计算残差等。

% 分析拟合对象f_multi
coeffs = coeffvalues(f_multi); % 获取拟合参数

% 绘制拟合图形和原始数据
figure;
plot3(xData, yData, zData, 'bo'); % 原始数据点
hold on;
fittedSurf = fittable(f_multi);
[Xgrid, Ygrid] = meshgrid(linspace(min(xData), max(xData)), linspace(min(yData), max(yData)));
Zgrid = fittedSurf(Xgrid, Ygrid);
surf(Xgrid, Ygrid, Zgrid); % 绘制拟合曲面
hold off;

这段代码分析了 f_multi 拟合对象的参数，并绘制了原始数据点和拟合曲面。通过图形化的方法，我们可以直观地检查拟合效果。

3.3 案例研究：实际数据的MATLAB曲面拟合

通过一个实际案例，我们将了解如何将理论应用到实践中。假设我们有一个气象数据集，包含了某地区的温度随时间和海拔的变化，我们希望使用MATLAB进行曲面拟合，以预测不同时间和海拔下的温度。

3.3.1 数据导入与初步处理

首先，我们需要导入数据并进行必要的处理，这可能包括数据清洗、去噪等。

% 导入数据
data = load('weather_data.txt');

% 假设数据中的列分别是时间、海拔和温度
time = data(:, 1);
altitude = data(:, 2);
temperature = data(:, 3);

% 绘制原始数据以了解其分布
scatter3(time, altitude, temperature);

3.3.2 曲面拟合模型的选择与优化

根据数据的分布，我们需要选择合适的曲面拟合模型，并进行优化。

% 使用多项式曲面拟合
ft = fittype('a*t^2 + b*h^2 + c*t*h + d*t + e*h + f', ...
             'independent', {'t', 'h'}, 'dependent', 'temp');
f_surface = fit([time, altitude], temperature, ft);

% 优化拟合
options = fitoptions(f_surface);
options.Display = 'Off';
f_surface_optimized = fit([time, altitude], temperature, ft, options);

3.3.3 结果分析与验证

最后，我们需要对拟合结果进行分析，并与一些已知数据点进行比较以验证模型。

% 提取拟合参数
params = coeffvalues(f_surface_optimized);

% 绘制拟合结果与原始数据对比图
figure;
scatter3(time, altitude, temperature);
hold on;
[Xgrid, Hgrid] = meshgrid(linspace(min(time), max(time)), linspace(min(altitude), max(altitude)));
Tgrid = f_surface_optimized(Xgrid, Hgrid, params);
surf(Xgrid, Hgrid, Tgrid);
hold off;

通过上述步骤，我们可以实现对实际数据的曲面拟合，并将拟合结果以图形的方式展示出来。这样的分析可以帮助我们更好地理解数据间的相互关系，从而对未来的数据变化做出预测。

在下一章中，我们将探讨矩阵运算在最小二乘法中的应用，进一步深入了解数学基础和优化技术。

4. 矩阵运算在最小二乘法中的应用

在最小二乘法中，矩阵运算不仅是核心内容，而且还是实现精确和高效计算的关键。通过矩阵形式可以方便地表示线性方程组，并且利用矩阵运算规则可以高效地求解最小化问题。本章将详细阐述矩阵运算在最小二乘法中的应用，探讨如何通过矩阵表示和求解线性方程组，并讨论矩阵分解技术在最小化问题中的应用。此外，本章还将解释矩阵运算的算法优化，以便处理大规模数据集时提高效率。

矩阵运算基础

矩阵运算包括矩阵加法、减法、乘法以及行列式的计算等。在最小二乘法中，通常会遇到线性方程组的求解问题，这些问题可以自然地转换为矩阵形式。

矩阵表示线性方程组

考虑一个线性方程组，可以表示为 Ax = b ，其中 A 是系数矩阵， x 是未知变量的向量， b 是常数项的向量。通过矩阵运算，我们可以使用不同的方法来求解这个方程组。

求解线性方程组

最直观的方法是利用矩阵的逆，即 x = A^(-1)b ，然而，直接计算矩阵的逆在数值上通常是不稳定的，尤其是在A接近奇异时。因此，在实际应用中，我们通常使用矩阵分解技术，比如LU分解、QR分解或者奇异值分解（SVD），来求解 Ax = b 。

代码块示例

以下是一个使用Python进行LU分解的例子：

import numpy as np

# 定义矩阵A和向量b
A = np.array([[3, 2, -1],
              [2, -2, 4],
              [-1, 0.5, -1]])
b = np.array([1, -2, 0])

# 使用SciPy库中的lu函数进行LU分解
P, L, U = scipy.linalg.lu(A)

# 解Ly = Pb得到y
y = scipy.linalg.solve(L, np.dot(P, b))

# 解Ux = y得到x
x = scipy.linalg.solve(U, y)

print("解向量 x:", x)

参数说明和逻辑分析

A 是一个三阶方阵，代表线性方程组中的系数。
b 是一个列向量，代表线性方程组中的常数项。
P , L , U 是LU分解得到的三个矩阵，其中 P 是一个置换矩阵， L 是一个下三角矩阵， U 是一个上三角矩阵。
scipy.linalg.solve 函数用来解线性方程组。首先解 Ly = Pb 得到 y ，然后解 Ux = y 得到最终解 x 。

通过上述代码，我们可以看出矩阵分解技术能够有效地求解线性方程组，而且相比直接计算矩阵逆更加稳定和高效。

矩阵分解技术

矩阵分解技术是处理最小二乘问题的常用手段。常见的矩阵分解技术包括QR分解和奇异值分解（SVD）。这些技术能够将矩阵分解为更简单的因子，从而简化了最小二乘问题的求解过程。

QR分解

QR分解将矩阵 A 分解为 A = QR ，其中 Q 是正交矩阵（即 Q^TQ = I ）， R 是上三角矩阵。QR分解特别适合用于求解最小二乘问题，因为它自然地满足最小化误差的要求。

奇异值分解（SVD）

SVD是另一种强大的矩阵分解技术，它将矩阵 A 分解为 A = UΣV^T ，其中 U 和 V 是正交矩阵， Σ 是对角矩阵，其对角线上的元素是 A 的奇异值。SVD不仅适用于方阵，而且在处理不满秩的矩阵时特别有用，且具有稳健性。

代码块示例

以下是一个使用Python进行SVD分解的例子：

import numpy as np

# 定义矩阵A
A = np.array([[3, 2, -1],
              [2, -2, 4],
              [-1, 0.5, -1]])

# 使用SciPy库中的svd函数进行SVD分解
U, s, Vt = scipy.linalg.svd(A)

print("U矩阵:\n", U)
print("奇异值:\n", s)
print("V转置矩阵:\n", Vt)

参数说明和逻辑分析

A 是要分解的矩阵。
U 、 s 和 Vt 分别是SVD分解得到的正交矩阵、奇异值和另一个正交矩阵的转置。
在最小二乘问题中，SVD可以用来求解 Ax = b 的最小二乘解，通过忽略奇异值很小的项，可以得到一个稳定的近似解。

通过SVD，我们不仅能求解线性方程组，还能进行矩阵的降维处理、计算伪逆等操作，这些应用在数据分析中非常广泛。

算法优化

在处理大规模数据集时，矩阵运算的效率至关重要。为了提高算法的性能，我们会采取不同的优化策略，包括并行计算和近似算法等。

并行计算

现代计算机拥有多个核心，利用并行计算可以显著提升矩阵运算的效率。例如，使用NumPy进行大规模矩阵运算时，底层通常会调用MKL（Math Kernel Library）或者OpenBLAS这样的并行计算库。

近似算法

对于非常大的矩阵，进行精确的矩阵分解可能非常耗时。在这种情况下，可以使用近似算法，如随机SVD或CUR分解等，这些算法能够快速地给出近似解，而牺牲的精度在很多情况下是可以接受的。

表格展示

| 矩阵分解技术 | 适用条件 | 特点 | | --- | --- | --- | | LU分解 | 小型矩阵 | 直接且稳定，但不适用于大规模矩阵 | | QR分解 | 任何矩阵 | 特别适用于求解最小二乘问题 | | SVD | 任何矩阵，尤其是不满秩的矩阵 | 稳健性高，能够提供伪逆和特征值分析 |

矩阵运算在最小二乘法中的应用不仅仅限于求解线性方程组，还包括数据的降维、正则化处理和模式识别等多个方面。通过深入理解和掌握矩阵运算，数据分析人员可以在实际问题中更高效地运用最小二乘法进行精确计算。

5. 拟合模型的建立与分析

拟合模型的建立与分析是整个曲面拟合过程中的核心。建立一个合适的拟合模型，不仅能准确地表示数据间的关系，还能对未知数据进行预测。本章将深入探讨如何根据实际问题来建立拟合模型，以及如何分析这些模型的拟合效果。

模型参数的估计

在建立拟合模型时，首先需要对模型参数进行估计。参数估计的主要方法有：

最小二乘法
最大似然估计
贝叶斯估计

最小二乘法是最常用的方法，它通过最小化误差的平方和来估计模型参数。以线性回归为例，假设数据集为 ((x_i, y_i))，模型为 (y = \beta_0 + \beta_1x + \epsilon)，其中 (\epsilon) 是误差项。我们希望找到参数 (\beta_0) 和 (\beta_1) 使得误差平方和最小。

参数估计的计算公式可以表示为：

[ \begin{align } \beta_1 &= \frac{\sum_{i=1}^{n}(x_i - \overline{x})(y_i - \overline{y})}{\sum_{i=1}^{n}(x_i - \overline{x})^2} \ \beta_0 &= \overline{y} - \beta_1\overline{x} \end{align } ]

其中，(\overline{x}) 和 (\overline{y}) 分别是 (x) 和 (y) 的平均值。