Generalități despre interpolări și regresii

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.

Problema aproximării unei funcții prin interpolare

Se consideră o funcție de clasa C1 de o variabila reala f : [a,b]R dată prin n 1 puncte de
tabelare:
f (xi ) yi , i 0,1,...,n (1)
Aproximarea funcției f prin interpolare presupune găsirea unei funcții de interpolare g care
să aproximeze funcția f pe intervalul [a,b] și să satisfacă relația (Beu):
g (xi ) yi , i 0,1,...,n (2)
Dintre funcțiile care îndeplinesc condiția (2), trebuie aleasa funcția g care asigura o
aproximare cu eroare minimă.
Prin aproximarea unei funcţii y=f(x), se înţelege înlocuirea acesteia cu o altă funcţie mai
avantajoasă F(x). Operaţia este efectuată atunci când f(x) este greu calculabilă (de exemplu prin
derivare sau integrare), când funcţia F(x) are o expresie mai simplă decât f(x) fiind convenabilă
calculului numeric, când f(x) este obţinută grafic sau tabelar din experimentări şi este necesară
forma analitică a acesteia.
La baza aproximării funcţiilor stau principiile:

- 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
Interpolarea constă în găsirea unei funcţii,
F(x), care să permită, pentru valori oarecare a
lui x, situate în intervalul [x1,xn], estimarea
valorilor funcţiei f(x). O condiţie necesară
pentru determinarea funcţiei de interpolare,
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;
− numărul de valori experimentale este
relativ mic, nerespectarea acestei condiţii,
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.
Prin extrapolare se înţelege operaţia
matematică ce constă în găsirea unei funcţii,
F(x), care să permită estimarea valorilor
funcţiei f(x), pentru valori oarecare a lui x,
situate în afara intervalului în care sunt
determinate punctele nodale, (x < x1 )U(xn <
x).
Fig. 1
REGRESIE
Regresia reprezintă operaţia matematică prin
care se determină valorile parametrilor unei
funcţii trasate printre punctele experimentale,
din condiţia minimizării distanţei dintre funcţia
f(x) şi modelul F(x) adoptat (1).
(1)
(2)
În majoritatea cazurilor, în care apelăm la
regresie nu se cunoaşte expresia lui f(x). În
aceste situaţii se utilizează o expresie, mai
puţin riguroasă (2).
Relaţia poartă numele de principiul Gauss-
Legendre, sau metoda celor mai mici pătrate.
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. 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)  c00 ( x)  c11 ( x)  ...  cmm ( 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

Criteriul de aproximare prin interpolare (CI)

În spaţiul M se defineşte distanţa dintre două funcţii ca:

m
d ( f , g )   f ( xi )  g ( xi )
i 0

utilizat ca şi criteriu de aproximare prin interpolare. Dacă se lucrează cu un polinom algebric de

interpolare, condiţia ca distanţa dintre f(x) şi polinomul Fm(x) să fie minimă impune sistemul de
ecuaţii Fm(xi)=f(xi), i=0,1,...,n. Dacă funcţia f(x) este dată tabelar sistemul de ecuaţii impune
coincidenţa dintre funcţie şi polinom în punctele xi (nodurile de interpolare)

În consecinţă coeficienţii polinomului de interpolare

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

Determinantul sistemului este:

1 x0 x02 ... x0n

1 x1 x12 ... x1n

..........................
1 xn xn2 ... xnn
Acesta este determinat tip Vandermonde şi este diferit de zero dacă nodurile de interpolare
sunt distincte. În aceste condiţii rezultă o soluţie unică.

S-a observat că mărind gradul polinomului de interpolare eroarea nu se micşorează

întotdeauna, uneori creşte foarte mult pe unele porţiuni ale intervalului de interpolare.

Într-un experiment se emăsoară temperature într-un interval de timp, se cere determinarea

temperaturii la un moment în care nu s-au făcut măsurători.

Timpii la care s-au făcut

măsuratori

Timp=0,1,2,3 ….ut temperaturile masurate

0 0 
   
1   20 
 2  60 
timp :   T :  
3  68 
 4  77 
   
5 110 

Exemplul 1.1

Programul interp_pol calculează coeficienţii

polinomului de interpolare prin rezolvarea
sistemului liniar: inversa matricei
coeficienţilor determinantului Vandermode
(a-1) înmulţită cu vectorul ctermenilor liberi
(z).
Exemplul 1.2
O soluţie pentru depăşirea acestei situaţii este de a renunţa la interpolarea globală a funcţiei şi de
a se trece la interpolarea pe porţiuni. Termenul de funcţii spline a fost introdus în 1946 de I.J.
Schoenberg pentru a defini o funcţie formată din polinoame pe subintervale adiacente şi care se
racordează în noduri împreună cu un anumit număr de derivate.
Cele mai utilizate funcţii spline sunt cele de gradul 3.

Criteriul de aproximare cu abatere medie pătratică minimă (CCMMP)

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.

Fig.5 (LAR 89)

Criteriul de aproximare în sensul Cebâşev (CC)

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

Din punct de vedere geometric criteriul impune ca graficul polinomului de aproximare să nu

depăşească o bandă centrată pe graficul f(x) de lăţime 2ε, unde ε este abaterea minimax.
 Fig. 6 [LAR89]

Concluzii privitoare la criteriile CI, CCMMP,CC

CI este cel mai simplu însă deseori precizia este slabă.

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

2.1. Interpolarea liniară

Fig. 7 [MOR04]

Exemplul 2.1
Exemplul 2.2
Fig. 8 [MOR04]

Exemplul numeric 3 [ HNM08 ]

Viteza unui obiect masurată la diferite intervale de timp este:
Pentru interpolarea spline se adopta polinoame de grad 2:

Deci trebuie determinati 15 coeficienti.

Fiecare polinom trece prin cele doua puncte extreme ale intervalului asociat:

Din conditiile de continuitate ale derivatelor de ordin 1 rezulta:

Avem un sistem de 14 ecuatii cu 15 necunoscute. Pentru rezolvarea lui se presupune ca primul
polinom este liniar nu patratic, deci a1=0 (conditie de incepere liniara).

2.2.1. INTERPOLAREA CUBICĂ SPLINE ÎN MATHCAD

Pentru aceleaşi date de intrare ca în exemplul 2.1:
Funcţiile cspline, pspline şi lspline returnează un vector pe care funcţia interp îl utilizează pentru
generarea unei funcţii compuse din mai multe polinoame cubice care sunt continue în noduri prin
prima şi a doua derivată.
2.2.2. INTERPOLAREA B-SPLINE IN MATHCAD
2.3. EXTRAPOLAREA
Funcţia predict foloseşte metoda Burg pentru a calcula coeficienţii de autocorelaţie pentru
punctele predictate.
0 < m < length(v) − 1, în practică m trebuie să fie mult mai mic decăt length(v), altfel se obţin
puncte cu valori aberante.
Se pot obţine puncte de predicţie la capătul inferior al intervalului dacă se inversează ordinea
vectorului Vy.
Funcţia predict duce la rezultate mulţumitoare dacă coordonatele vecine nu au variaţii foarte
mari, dacă sunt oscilatorii, nu neapărat periodice.

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

[MOR04] C. Morariu, T.Păunescu. Informatică aplicată în inginerie. Mathcad 2001. Ed.

Univ. Bv. 2004.
[SCH08] E. Scheiber. Analiză numerică. Brasov.
[POS94] M. Postolache. Metode Numerice. Ed. Sirius, Bucureşti, 1994.
[BEU92] T.Beu. Analiză numerică în Pascal. Ed. Micro inf. Cluj-Napoca. 1992.
[SAL72] M.G.Salvadori, M.L.Baron. Metode numerice în tehnică. Edit. Tehnică, Bucureşti,
1972.
[LAR89] D.Larionescu. Metode numerice.Ed. Tehnică, Bucureşti, 1989.
[DOD76] Gh.Dodescu, M.Toma. Metode de calcul numeric. Ed. did. şi pedag. Bucureşti, 1976.
[MEM80 ] ***, Mică enciclopedie matematică, traducere din limba germană. Edit. Tehnică,
Bucureşti, 1980.
[DOR76] W.S.Dorn, D.D.Mc.Cracken. Metode numerice cu programe in Fortran IV.
Ed.Tehhnica. Buc. 76.
[HAU53] A.S.Hauseholder. Principles of Numerical Analysis. Mc Graw-Hill, New Zork, 1953.
[CON80] S.D.Conte- Elementary Numerical Analysis - An Algorithmic Approach, McGraw-Hill
3rd, 1980.
[PHI96] G. M. M. Phillips, P.J. Taylor. Theory and Applications of Numerical Analysis 2nd ed,
Elsevier, 1996
[COL03] G.W.Collins. Fundamental Numerical Methods and Data Analysis. 2003

[ HNM08] Numerical Methods for the STEM Undergraduate-

http://numericalmethods.eng.usf.edu/index.html