Программируемая логика и ЦОС

А точек-то мало... Ну распределения, оне часто нормальными бывают, на что твой график, кстати, таинственно намекает. Или какими-нибудь хи-квадрат с ... степенями свободы. В общем, начни с нормального. У него всего 2 неизвестных параметра. 7 твоих отсчетов хватит. Им и попробуй аппроксимировать. Только там, при аппроксимации подобной ф-ей, нужно фактически итерации имени Ньютона использовать. Т.е. разложение аппрокс. ф-ии в ряд, с ограничением до линейного члена, в окрестностях искомых параметров. Соответственно требуется первоначальная оценка этих параметров. И потом система уравнений на каждой итерации будет решаться относительно приращения параметров. Которые затем добавляются к первоначальным оценкам. Выход из итерац. цикла- когда ошибка аппроксимации застабилизируется на уровне шума (его неплохо предварительно оценить) и сами приращения станут близки к 0, как и скорость их изменения. Для гауссоиды ничего сложного не будет. Хотя в общем случае, например для многогорбых кривых, описываемых, например, суперпозицией лоренцев, гауссоид и т.п., в этом методе есть куча подводных камней - возможны локальные минимумы ошибки. С локальными минимумами прроблема в том, что бывает очень сложно (программе, алгоритму) понять, что он очутился в локальном минимуме, а не в глобальном, не говоря уж о попытках выбраться из этого локального минимума. Но с гауссоидой одной этого не будет. :-) P.S. Во всех этих аппрокс. делах, есть момент. Ошибка грубо говоря уменьшится в sqrt(N) раз. Где N- число отсчетов в аппроксимируемом ряду. У тебя, судя по картинке, их всего 7. P.P.S. Хотя для 7 точек не будет большой разницы, если она вообще будет, будешь ты аппроксимировать гауссом, или просто полиномом. Полиномом намного проще.