Какая математическая модель определяет две кривые (минимальную и максимальную) из одного и того же набора точек данных (X, Y)?
Я пытался выяснить, какую математическую / статистическую модель автор статьи Kratch, AM Design of Bulbous Bow использует для определения двух кривых на одном и том же наборе точек на графике (стр. 13 в pdf).
Моя цель состоит в том, чтобы повторить его подход для графиков, на которых он только что показал точки (CABT против CVPR и CBB против CVPR), потому что мне нужны две кривые, которые не показаны на CABT против CVPR. У кого-нибудь есть подсказка?
Один из графиков, которые показывают кривые, это CABL против CVPR, и мне удалось получить набор точек через AutoCAD. Они перечислены ниже, в конце.
Таким образом, я могу проверить, насколько я приближаюсь к подходу автора.
Я попытался использовать одну кривую регрессии через точки (линейную, полиномиальную и логарифмическую), а затем вычислить интервал прогнозирования и доверительный интервал, используя формулы, которые я нашел здесь:
www.propharmagroup.com/blog/understanding-statistical-intervals-part-2-prediction-intervals
Которые также представлены в этом видео:
www.youtube.com/watch?v=o0UESA3UZss.
К сожалению, полученные результаты не совпадают с результатами авторов для CABL vs CVPR.
Заранее спасибо за внимание. Я ценю любую помощь по этой теме.
Очки: X = CVPR*10²; Y = CABL
CABL vs CVPR
X Y
0.0161 0.0103
0.0419 0.0252
0.0762 0.0915
0.0801 0.0340
0.0880 0.0496
0.0936 0.0625
0.0985 0.0697
0.1093 0.0879
0.1077 0.0825
0.1096 0.0785
0.1147 0.0725
0.1137 0.0669
0.1263 0.0697
0.1324 0.0777
0.1409 0.0773
0.1414 0.0675
0.1604 0.0283
0.1934 0.0301
0.2446 0.0274
0.2446 0.0318
0.1695 0.0653
0.1642 0.0677
0.1710 0.0730
0.1235 0.0871
0.1312 0.0941
0.1315 0.0997
0.1248 0.1083
0.1285 0.1112
0.1346 0.1254
0.1686 0.1464
0.1848 0.1465
0.1786 0.1274
0.1828 0.1149
0.1693 0.1039
0.1596 0.0885
0.1757 0.0916
0.1787 0.0958
0.1907 0.0951
0.1971 0.0934
0.2042 0.0945
0.2075 0.0997
0.2065 0.1149
0.2040 0.1230
0.2148 0.1465
0.2179 0.1549
0.2107 0.1092
0.2169 0.1076
0.2185 0.1044
0.2316 0.1070
0.2236 0.1103
0.2368 0.1389
0.2381 0.1553
0.2442 0.1236
0.2458 0.1138
0.2505 0.1112
0.2456 0.1010
0.2434 0.0952
0.2548 0.0955
0.2647 0.0857
0.2854 0.1011
0.2777 0.1022
0.2711 0.1042
0.2605 0.1067
0.2744 0.1099
0.2745 0.1134
0.2795 0.1169
0.2612 0.1178
0.2728 0.1326
0.2861 0.1243
0.2977 0.1160
0.3129 0.1178
0.3100 0.1239
0.3041 0.1322
0.3092 0.1296
0.3197 0.1275
0.3243 0.1309
0.3166 0.1309
0.3172 0.1341
0.3152 0.1366
0.3216 0.1398
0.3046 0.1420
0.3036 0.1480
0.3097 0.1519
0.3041 0.1539
0.2980 0.1573
0.2810 0.1514
0.2767 0.1547
0.2944 0.1691
0.3108 0.1850
0.3205 0.1855
0.3344 0.1832
0.3864 0.1887
0.3922 0.1623
0.3609 0.1522
0.3541 0.1541
0.3306 0.1513
0.3286 0.1167
0.3368 0.1155
0.3505 0.1116
0.3703 0.1004
0.3553 0.1244
0.3600 0.1300
0.3529 0.1319
0.3752 0.1363
0.3910 0.1502
0.3934 0.1422
0.4029 0.1298
0.4007 0.1191
0.4801 0.0415
0.4897 0.1377
0.4632 0.1483
0.4609 0.1578
0.5148 0.1934
0.5436 0.1939
0.5788 0.1704
0.5671 0.1435
0.5524 0.1379
0.7136 0.1675
0.7293 0.1646