Documente Academic
Documente Profesional
Documente Cultură
Aproximarea numerică a
funcţiilor
Aproximarea numerică a funcţiilor
x x1 … xi … xn
f(x) f(x1) … f(xi) … f(xn)
Aproximarea numerică a funcţiilor
A aproxima numeric o funcţie f:[a,b]R presupune
găsirea unei alte funcţii, numită FUNCŢIE MODEL,
a cărei expresie analitică este cunoscută şi care
trebuie să îndeplinească următoareale criterii:
• să fie foarte simplă ca expresie analitică;
• să aproximeze foarte precis funcţia iniţială f.
trigonometrice
m
F(x)= a 0 (a k cos(kx ) b k sin(kx ))
k 1
Aproximarea numerică a funcţiilor
Interpolare
d(f, F)=0
Regresie
d(f, F)min
Interpolare
Datele tabelate nu
sunt afectate de
erori semnificative
y = F(x)
M1
d(f, F)=0 M
i
M
n
y yi yn
1
Condiţiile de 0 x
1
x
i
x
n
x
interpolare:
F(xi)=yi, i=1, 2, …, n.
Regresia
Datele tabelate y
sunt efectate de
y=F(x; )
M j
1
erori semnificative
Mi
d(f, F)min
Mn
S
0, j 1,2,... m.
j
y1 yi yn
0 x1 xi xn x
1.1 Interpolarea
Interpolare liniară
Formula Lagrange a polinomului de
interpolare
Interpolare cu funcţii spline
Interpolare liniară
y
k+1
y = F (x)
y y = f (x)
k
xk x k+1 x
Interpolare liniară
y
k+1
y = F (x)
y y = f (x)
k
xk x k+1 x
Interpolare liniară
Interpolare liniară
Formula polinomului
Lagrange de interpolare
Joseph-Louis Lagrange s-a născut
la Torino, în Italia, în 1736, într-o
familie bogată, de origine franceză.
A devenit un matematician
recunoscut, excelând în domeniul
analizei matematice, al teoriei
numerelor şi al mecanicii analitice
şi cereşti.
În 1788, a publicat lucrarea sa cea
mai importantă, “Mecanica
analitică”.
Formula polinomului
Lagrange de interpolare
Se foloseşte pentru interpolarea a n
perechi de date, (x, y)
Este cea mai cunoscută metodă de
interpolare clasică.
n n x xj
L n 1 ( x ) yi x xj
i 1 j1 i
j i
Formula polinomului
Lagrange de interpolare
n
Ln 1 ( x ) yi pi ( x ),
i 1
unde expresiile pi(x), cu i=1,..., n, sunt polinoame de gradul n-1,
polinoame a căror formă urmează să se determine.
Formula polinomului
Lagrange de interpolare
Deducere polinom Lagrange
Impunându-se condiţiile de interpolare se obţine:
L n 1 ( x i ) y i ; y1p1 ( x i ) y 2 p 2 ( x i ) ... y i p i ( x i ) ... y n p n ( x i ) y i
L n 1 ( x n ) y n ; y1p1 ( x n ) y 2 p 2 ( x n ) ... y i p i ( x n ) ... y n p n ( x n ) y n
1, pentrui j;
p i (x j )
0, pentrui j.
p i ( x i ) 1;
p i ( x i ) C i ( x i x 1 )(x i x 2 )...( x i x i 1 )(x i x i 1 )...(x i x n )
Adică,
1
Ci
x x
n
i j
j1
ji
Formula polinomului Lagrange de interpolare
Exemplu: n=2
x x1 x2
f(x) y1 y2
Formula polinomului Lagrange de interpolare
Exemplu: n=3
x x1 x2 x3
f(x) y1 y2 y3
Formula polinomului Lagrange de interpolare
v[km/h] 30 40 55 70
t [s] 0 1.6 4.8 8.9
v[km/h] 30 40 55 70
t [s] 0 1.6 4.8 8.9
( v v2 )( v v3 )( v v 4 ) ( v v1)( v v3 )( v v 4 )
L3 ( v) t1 t2
( v1 v 2 )( v1 v3 )( v1 v 4 ) ( v 2 v1)( v2 v3 )( v2 v 4 )
( v v1)( v v 2 )( v v 4 ) ( v v1)( v v 2 )( v v3 )
t3 t4
( v3 v1)( v3 v 2 )( v3 v 4 ) ( v 4 v1)( v4 v2 )( v 4 v3 )
S( x )
Si ( x ), for x [ x i , x i 1 ];
Sn 1 ( x ), for x [ x n 1 , x n ].
Si(x)=Pm(i)(x) pentru x[xi, xi+1] (fiecare restricţie Si(x) este
un polinom de gradul m, Pm(i) (x));
S(x) este continuă, împreună cu primele sale m-1 derivate.
Funcţii SPLINE de interpolare
Funcţii SPLINE de interpolare
Aproximarea unei funcţii prin funcţii spline
cubice se poate aplica unui set de perechi de
date ordonate.
Restrictiile sunt:
S1(x)=A1x3+B1x2+C1x+D1, pentru x[x1, x2] si
S2(x)=A2x3+B2x2+C2x+D2, pentru x[x2, x3].
Schema interpolarii spline cubice pentru n=3:
Presupunand ca valorile xi si
yi, cu i=1, 2, 3, sunt
cunoscute, raman a fi
determinati opt parametri
de model: A1,2; B1,2; C1,2;
D1,2.
Funcţii SPLINE de interpolare
EXEMPLU / n=3
Sistemul de ecuatii
Ecuatii care rezulta in urma scrierii conditiilor de interpolare:
S(x1)=y1;
S(x2)=y2;
S(x3)=y3;
Funcţii SPLINE de interpolare
EXEMPLU / n=3
Sistemul de ecuatii
Ecuatii care rezulta in urma scrierii conditiilor de continuitate a
functiei spline si aprimelor sale derivate:
S1(x2) = S2(x2);
S1‟(x2) = S2‟(x2);
S1”(x2) = S2”(x2);
Funcţii SPLINE de interpolare
EXEMPLU / n=3
Sistemul de ecuatii
Ecuatii suplimentare stabilite de inginer dupa analiza
caracteristicilor sistemului tehnic modelat (example ale acestui
tip de ecuatii sunt prezentate mai jos):
S1‟(x1)=0;
S2‟(x3)=0.
Funcţii SPLINE de interpolare
EXEMPLU / n=3
A1x13+B1x12+C1x1+D1=y1;
A1x23+B1x22+C1x2+D1=y2;
A2x33+B2x32+C2x3+D2=y3;
A2x23+B2x22+C2x2+D2=y2;
3 A1x22+2B1x2+C1=3 A2x22+2B2x2+C2;
6 A1x2+2B1 =6 A2x2+2B2;
3 A1x12+2B1x1+C1=0;
3 A2x32+2B2x3+C2=0.
Funcţii SPLINE de interpolare
Generalizare
Dacă restricţia Si(x) este un polinom de gradul 3, atunci
derivata de ordinul 2 va fi un polinom de gradul unu
şi, grafic, poate fi reprezentat printr-o dreaptă
determinată de punctele de coordonate (xi, S”i(xi)) şi
(xi+1, S”i(xi+1)).
Si(x)=Aix3+Bix2+Cix+Di
y i 1 y i S i ( x i 1 ) S i ( x i ) h i
C i
hi 6
x i 1y i x i y i 1 x iSi( x i 1 ) x i 1Si( x i ) h i
Ci
hi 6
PASUL 5
Funcţii SPLINE de interpolare
,
,
Si ( x i 1 )(x x i ) Si ( x i )(x i 1 x )
3 3
Si ( x ) Ci x Ci
.
6h i
Si(x)=Aix3+Bix2+Cix+Di
PASUL 5
Funcţii SPLINE de interpolare
i = 2, 3,…, n-1
PASUL 7
Funcţii SPLINE de interpolare
v[km/h] 30 40 55 70
t [s] 0 1.6 4.8 8.9
Funcţii SPLINE de interpolare
A2= -0,024023;
B2 = 0,0028;
C2 = -0,0339;
D2 = -1,3309.
t =-0,024023*503 + 0,0028*502 –
0,0339*50 –1,3309 = 3,6120 [s].
%interpolare Lagrange si spline
x=[1 2 3 4 5 6 7 8 9];
y=[1 4 2 5 0 3 4 9 0];
a=[min(x):0.05:max(x)];
n=length(x);
m=length(a);
L=[];
for k=1:m
s=0;
for i=1:n
p=1;
for j=1:n
if j~=i
p=p*(a(k)-x(j))/(x(i)-x(j));
end
end
s=s+y(i)*p;
end
L=[L,s];
end
z=spline(x,y,a);
plot(x,y,'o',a,L,a,z)
Interpolare
Polinom Lagrange
de interpolare
Funcţie spline
cubică naturală
de interpolare
Regresia
Ce este regresia?
Regresia reprezinta o procedura de aproximare numerica a functiilor,
recomandata pentru modelarea unei functii initiale, f, definita prin date
afectate de erori semnificative.
f:[a,b]R,
f(x) y1 y2 …… yi …… yn
d(f,F)min.
S
Regresia
S
0, j 1,2,... m.
j
Regresia
Schema-bloc a regresiei
Regresia
Regresia liniară
Modele polinomiale de regresie
Regresia liniară
Regresia liniara se recomanda
pentru modelarea dependentei dintre
doi parametri, x-variabila
independenta si y sau f(x) –
variabila dependenta, intre care se
y x
estimeaza, vizual, o dependenta
y
liniara.
Funcţia model
F(x; , ) x
Parametrii de model
,
d(f, F)min
x
Regresia liniară
Regresia liniară
Funcţia model y x
y
F(x; , ) x
Parametrii de model
s1t1 nt 2 s1t 2 s 2 t1
2 ; 2
s1 ns 2 s1 ns 2 x
unde,
n n n n
s1 x i ; s 2 x i ; t1 yi ; t 2 x i yi .
2
i 1 i 1 i 1 i 1
Regresie liniară
Exemplul 1
Distanţa parcursă de o maşină care frânează,
până la oprire, atunci când circulă cu viteza din
tabel,este:
X
20 30 40 50
(viteza [mph])
Y
50 95 150 210
(distanţa de oprire[ft])
X
400 500 600 700
(turaţia [rpm])
Y
580 1030 1420 1880
(puterea [cp])
Model y x
v=a/u+b v 1/u a b
v = aub ln v ln u b ln a
v = aebu ln v u b ln a
Regresia
Funcţii model neliniare care pot fi
transformate în modele liniare : y= x+
Regresia
Funcţii model neliniare care pot fi
transformate în modele liniare : y= x+
Regresia
Funcţii model neliniare care pot fi
transformate în modele liniare : y= x+
Regression-Example
După pornirea unei maşini parcate la soare, timp
îndelungat, temperatura din interior va scădea lent
conform tabelului următor:
t[min] 5 10 15
T[oC] 36 29 27
Dependenţa dintre temperatura din maşină, T, şi timpul, t,
de funcţionare a sistemului de răcire este dată de funcţia
T-Ta=T0 ekt,
unde T0=T0 –Ta , T0 –temperatura din maşină la pornirea
sistemului de ventilaţie, Ta –temperatura aerului (Ta
=25grade C) şi k este constanta de răcire. Folosind
metoda regresiei liniare, să se estimeze T0 şi k..
Regresia
Modelul poate fi transformat într-un
model liniar, y=ax+b, prin
logaritmare:
ln
T-Ta=T0 ekt,
ln (T-Ta) = kt + ln (T0).
y =a x + b
Regression
3
s1 t i 5 10 15 30,
i 1
3
s 2 t i2 25 100 225 350,
i 1
3
t1 ln(Ti Ta ) ln(11) ln( 4) ln( 2) 4,4773,
i 1
3
t 2 t i ln(Ti Ta ) 5 ln(11) 10 ln( 4) 15 ln( 2) 36,2496.
i 1
Regression
= k = -0.1705 min-1;
= ln(T0 -25) = 3.1971,
T0 = 49.4618 oC
Regression- Other examples
1
The stopping distances of a car are d60 [m] from
60km/h and d80 [m] from 80km/h. Data for 6
cars are as follows:
d60: 128 142 150 162 167 179
d80: 220 250 261 278 294 320
It is expected that these distances are linearly
related by
d60=d80 +
Use a linear least squares analysis to determine
and .
Regression- Other examples
n
S f ( x i ) F( x i ; j ) min
2
i 1
m 1
F( x; j ) 1x 2 x m
m1
n
S yi (1x 2 x m 1 2
m
i i m1 ) min
i 1
Regresie
n
S y i ( x 2 x m 1 2
m
1 i i m1 ) min
i 1
S
0, j 1,2,..., m 1.
j
S
n
2 yi (1x i 2 x i m1 ) x i
m m 1 m j1
0
j i 1
Regresie
Regression
n 2m n n n
n m
xi x x x i yi
2 m 1 m 1 m
i i ix
ni 1 i 1
n
i 1
n
i 1
n 1 ni 1
x 2 m 1 m 1
i i m 1
2m2 m
x x x x yi
i 1
i
i 1 i 1 i 1
i
2 i 1 i
n n n n n
x im 1 m x i yi
i 1
x
i 1
m
i i
x 2
i 1
i 1
x i
i 1
n m n n m 1
n
xi i x yi
m 1
x n
i 1
i
i 1 i 1 i 1
Regresia
Cele mai folosite funcţii polinomiale:
Pătraticele – pentru date care
generează puncte care par a se
dispune după o curbă simplă
concavă sau convexă;
Cubicele-pentru date care par a fi
dispuse după o curbă cu punct de
inflexiune.
Regresie polinomiala
Exemplu
x x1 x2 … xi … xn
f(x) y1 y2 … yi … yn