Documente Academic
Documente Profesional
Documente Cultură
În modelarea fenomenelor (fizice, economice, sociale, etc.) suntem adesea puți în situația de a
manipula funcții necunoscute ca expresie și definite doar prin valorile din anumite puncte(valori
care, în general, sunt ,,date experimenale”, respectiv provin din exprerimente, măsurători,
sondaje, etc.). Pentru a putea efectua diferite calcule numerice pe baza ,, datelor experimentale”
(estimarea valorii în puncte diferite de cele cunoscute, evaluarea unor operații matematice
standard precum derivarea sau integrarea) este necesară găsirea unei funcții de aproximare, cu
o formă analitică simplă, ușor de manevrat într-un algoritm de calcul. Aproximarea unei funcții
poate fi utilă și dacă funcția cu care trebuie să operăm este cunoscută dar are o formă complicată,
greu de ,,manipulat” numeric. În acest caz, prin calculul valorilor funcției originale într-o serie
de puncte se ajunge la o situație similară cu cea prece dentă (funcție cunoscută într-un număr
finit de puncte).
Aproximarea unei funcții este necesara dacă nu se cunoaște expresia analitica, dar se dau
valorile funcției într-un număr finit de puncte dintr-un interval dat. De asemenea, aproximarea
este utilă când expresia analitică a funcției este prea complicată și calculele efectuate sunt dificile.
- interpolării;
- celor mai mici pătrate (minipătrat Gauss);
- maximelor minime (minimax Cebîşev).
Numeroase probleme specifice ingineriei moderne îşi găsesc rezolvarea în urma analizei şi
prelucrării numerice a datelor experimentale. În general, aceste valori se prezintă sub forma unor
tabele de corespondenţă între variabile independente şi o variabilă dependentă de acestea. Spre
exemplu, în cazul bidimensional, dacă notăm cu x variabila independentă şi cu y variabila
dependentă, în cazul unei relaţii de dependenţă exprimată sub forma relaţiei y=f(x). Cele n valori
determinate experimental sunt uzual prezentate sub formă:
Valorile:
− x = x1 ,x2 ,...,xn se numesc puncte de sprijin (noduri);
− y = y1 , y2 ,..., yn se numesc valori de sprijin (valori nodale).
INTERPOLARE REGRESIE
Interpolarea constă în găsirea unei funcţii, Regresia reprezintă operaţia matematică prin
F(x), care să permită, pentru valori oarecare a care se determină valorile parametrilor unei
lui x, situate în intervalul [x1,xn], estimarea funcţii trasate printre punctele experimentale,
valorilor funcţiei f(x). O condiţie necesară din condiţia minimizării distanţei dintre funcţia
pentru determinarea funcţiei de interpolare, f(x) şi modelul F(x) adoptat (1).
F(x), este coincidenţa cu funcţia f(x) în valorile
nodale.
Interpolarea se recomandă a fi utilizată când:
− valorile experimentale sunt relativ precise,
neafectate de erori semnificative; (1)
− numărul de valori experimentale este
relativ mic, nerespectarea acestei condiţii,
conduce la obţinerea unor relaţii complexe,
greu de utilizat; (2)
− funcţia f(x) este cunoscută, dar expresia ei
este complicată şi/sau foarte greu de evaluat şi
manipulat.
Prin extrapolare se înţelege operaţia În majoritatea cazurilor, în care apelăm la
matematică ce constă în găsirea unei funcţii, regresie nu se cunoaşte expresia lui f(x). În
F(x), care să permită estimarea valorilor aceste situaţii se utilizează o expresie, mai
funcţiei f(x), pentru valori oarecare a lui x, puţin riguroasă (2).
situate în afara intervalului în care sunt Relaţia poartă numele de principiul Gauss-
determinate punctele nodale, (x < x1 )U(xn < Legendre, sau metoda celor mai mici pătrate.
x). Regresia se recomandă a fi utilizată în
condiţiile în care:
− valorile experimentale sunt afectate de
erori semnificative;
− numărul de valori experimentale este
relativ mare şi utilizarea interpolării conduce
la obţinerea unor relaţii complexe, greu de
utilizat;
− funcţia f(x) este cunoscută, dar expresia ei
este complicată şi/sau foarte greu de evaluat şi
manipulat.
Fig. 1
Fig. 2
CRITERII DE APROXIMARE A FUNCŢIILOR
Fie M f f : a, b R un spaţiu vectorial şi fie o mulţime de funcţii 0 ( x), 1 ( x),..., k ( x)
care aparţin de M, liniar independente.
Aproximarea unei funcţii f oarecare din M se poate face prin printr-o combinaţie liniară de m
funcţii de tip k , adică f ( x) Fm ( x) , unde Fm ( x) c00 ( x) c11 ( x) ... cmm ( x)
Funcţia Fm(x) se numeşte polinom generalizat. Deseori funcţiile liniar independente sunt: 1, x,
x2, ...., xm când polinomul generalizat se reduce la un polinom algebric.
Alt set de funcţii liniar independente, des utilizate în teoria aproximării, sunt cele trigonometrice,
mai exact polinomul trigonometric:
a
Fm ( x) 0 a1 cos x b1 sin x ... am cos mx bm sin mx
2
Fn ( x) c0 c1 x c2 x 2 ... cn x n
se calculează rezolvând un sistem de n+1 ecuaţii cu n+1 necunoscute c0, c1, ..., cn:
c0 c1 x0 c2 x0 2 ... cn x0 n f ( x0 )
c0 c1 x1 c2 x1 ... cn x1 f ( x1 )
2 n
.......................................................
c c x c x 2 ... c x n f ( x )
0 1 n 2 n n n n
măsuratori
0 0
1 20
2 60
timp : T :
3 68
4 77
5 110
Exemplul 1.1
Metoda celor mai mici pătrate (MCMMP) a lui Gauss (vezi relaţiile 1 şi 2 ) este frecvent
aplicată în prelucrarea datelor experimentale, şi se utilizează când există îndoieli asupra
exactităţii valorilor culese experimental. Deseori se întâmplă ca polinomul de aproximare dorit
să aibă un grad mic dar numărul de date experimentale să fie mare (vezi fig.2 ). Deoarece
criteriul de interpolare face o legătura între gradul polinomului de aproximare şi numărul de
valori xi, se recomandă MCMMP care are avantajul că nu impune o asemenea condiţie.
Relaţia 1 are semnificaţia: aria porţiunii haşurate din figura de mai jos să fie minimă.
Presupunând că spaţiul metric M este C0 [a,b] (mulţimea funcţiilor continue definite pe interval)
distanţa dintre două funcţii este definită ca:
d ( f , g ) f ( x) g ( x)
Dacă înlocuim funcţia g(x) cu polinomul de aproximare Fm(x), m≤n calculul coeficienţilor
polinomului se face din condiţia ca abaterea să fie minimă:
min/max min(max f ( xi ) F ( xi ) )
0 i n
CCMMP este preferabil în problemele tehnice, în special dacă se urmăreşte nu atât ordinul
de mărime a erorii în fiecare punct, ci media erorilor să fie cât mai mică.
CC conduce în general la rezultatele cele mai precise, dar folosirea lui este dificilă. Se
foloseşte în rezolvarea problemelor care impun controlul erorii în fiecare punct.
2. Interpolări, exterpolări
Exemplul 2.1
Exemplul 2.2
Fig. 8 [MOR04]
Fiecare polinom trece prin cele doua puncte extreme ale intervalului asociat:
Exemplul 4.1
Exemplul 4.2
Punctele iniţiale aproximează ramura unei parabole f(x)=x2+3x+10. În exemplul 4.1 se face
predicţia pentru 3 puncte luându-se în considerare ultimele 9 puncte iniţiale. Se observă că
datorită numărului insuficient de puncte iniţiale predicţia este greşită. O predicţie mult mai
veridică s-a obţinut în exemplul 4.2, unde numărul de puncte este mult mai mare.
Exemplul 4.3
Bibliografie