y = B*exp(-Ax)
ln(y) = ln(B*exp(-Ax))
ln(y) = ln(B) + ln(exp(-Ax))
ln(y) = ln(B) - Ax*ln(e) // ln(e) = 1
ln(y) = -Ax + ln(B)
I masz postać liniową:
y' = ax' + b, gdzie a=-A, b=ln(B), x=x', y'=ln(y)
Teraz możesz skorzystać z liniowej metody najmniejszych kwadratów, by dopasować prostą do danych. Mógłbyś oczywiście dopasować pierwotną krzywą za pomocą nieliniowej metody najmniejszych kwadratów, ale ona wymaga początkowego rozwiązania, które jest bliskie rzeczywistemu modelowi. Możesz takie początkowe rozwiązanie na przykład zgadnąć, ale w praktyce sprowadza się to i tak to do linearyzacji równania i obliczenia przybliżonych parametrów (A, B) za pomocą metody liniowej. Jest to dużo pewniejsze niż strzelanie na ślepo.