인천대학교 수치해석 MatLab

문서 내 토픽

1. Cubic spline interpolation을 이용한 삼성전자 주가 예측

3차 spline 보간법을 적용하여 삼성전자 주가 데이터와 보간선 그래프를 그렸습니다. 최초 날짜인 4월 21일을 0으로 두고 하루가 지날 때마다 x축에서 1씩 증가하도록 설정했습니다. 최종 날짜인 7월 6일은 최초 날짜를 기준으로 76일이 지났기 때문에 x축의 범위는 0부터 76이 됩니다. 구하고자 하는 날은 4월 21일 기준으로 13일이 지났기 때문에 x=13의 값이 예측값이 됩니다. 예측값은 2,244,435원으로 실제값인 2,276,000원과의 차이는 31,565원이며 절대 상대오차는 1.39%입니다.
2. Linear regression을 이용한 온도와 점성계수의 관계 분석

주어진 온도와 점성계수의 측정 데이터를 이용하여 곡선의 방정식을 구했습니다. 그래프를 보면 온도가 증가할수록 점성계수는 작아지고 있지만 온도가 증가할 때마다 그 감소율은 급격히 낮아지고 있음을 알 수 있습니다. 따라서 주어진 데이터를 이용하여 바로 선형 회귀법을 적용하기엔 무리가 있다고 판단되어 비선형 데이터를 선형화시키기 위해 Viscosity 값에 자연로그(ln)값을 취했습니다. 선형 회귀법을 적용한 결과, 데이터의 경향성을 나타내는 곡선의 방정식은 y=1.20259e^(-0.02485x)로 나타낼 수 있습니다.

Easy AI와 토픽 톺아보기

1. Cubic spline interpolation을 이용한 삼성전자 주가 예측

Cubic spline interpolation은 주가 예측에 유용한 기법이 될 수 있습니다. 이 방법은 주가 데이터의 비선형적인 특성을 잘 반영할 수 있으며, 과거 데이터를 활용하여 미래 주가를 예측할 수 있습니다. 다만 주가 예측은 다양한 요인들이 복합적으로 작용하는 문제이므로, 단일 기법만으로는 정확한 예측이 어려울 수 있습니다. 따라서 다양한 기법을 활용하고 다각도로 분석하는 것이 중요할 것 같습니다. 또한 주가 예측 모델을 개발할 때는 데이터의 특성, 시장 상황, 경제 환경 등 다양한 요인을 고려해야 할 것입니다. 이를 통해 보다 정확하고 신뢰할 수 있는 주가 예측 모델을 개발할 수 있을 것으로 기대됩니다.
2. Linear regression을 이용한 온도와 점성계수의 관계 분석

온도와 점성계수의 관계를 분석하는 데 있어 linear regression은 유용한 기법이 될 수 있습니다. 이 방법은 두 변수 간의 선형적인 관계를 파악할 수 있으며, 회귀 모델을 통해 온도 변화에 따른 점성계수의 변화를 예측할 수 있습니다. 그러나 실제 물질의 점성 특성은 온도 외에도 압력, 분자 구조, 화학적 조성 등 다양한 요인에 의해 영향을 받습니다. 따라서 linear regression만으로는 점성계수의 변화를 완전히 설명하기 어려울 수 있습니다. 보다 정확한 분석을 위해서는 다중 회귀 분석이나 비선형 회귀 모델 등 다양한 기법을 활용하여 온도 외의 다른 변수들의 영향도 고려해야 할 것입니다. 또한 실험 데이터의 정확성과 신뢰성을 확보하는 것도 중요할 것 같습니다.