Kao i sve grane matematike, numerička analiza je vrlo opsežna i u stalnom razvoju iako su prvi

postupci numeričke matematike stari koliko i matematika općenito. Numerička matematika se bavi
približnim ili aproksimativnim rješavanjem matematičkih problema. Razlikujemo numeričku
matematiku, numeričku linearnu algebru, numeričko rješavanje nelinearnih jednadžbi,
aproksimacijske i interpolacijske metode itd. Za primjenu metoda numeričke matematike potrebno je
poznavati i analizirati ocjenu pogreške. Općenito možemo reći, problem koji rješavamo naziva se
ulazna informacija a odgovarajući rezultat izlazna informacija. Postupak transformacije ulazne u
izlaznu informaciju zovemo algoritam. U ovom seminarskom radu obrađena je aproksimacija ili
približno poklapanje.

Aproksimacijom dolazimo do funkcija koje prolaze kroz grupu podataka na najbolji mogući način, bez
obaveze da točno prođu kroz zadane točke. Aproksimacija je pogodna za velike grupe podataka,
lijepo grupirane podatke, te male i velike grupe razbacanih podataka.

Aproksimacija se javlja u dva oblika. Poznata nam je funkcija f , ali je njena forma komplicirana za
računanje. U tom slučaju odabiremo informacije o funkciji koje ćemo koristiti. Grešku dobivene
aproksimacije možemo ocijeniti s obzirom na pravu vrijednost funkcije. Funkcija f nam je nepoznata,
ali su poznate samo neke informacije o njoj. Na primjer, poznate su vrijednosti na nekom skupu
točaka. Zamjensku funkciju  određujemo iz raspoloživih informacija, koje, osim samih podataka,
uključuju i očekivani oblik ponašanja podataka, tj. funkcije  . U ovom slučaju ne možemo napraviti
ocjenu pogreške bez dodatnih informacija o nepoznatoj funkciji f . U praksi se češće susrećemo s
varijantom da nam funkcija f nije poznata. Najčešće se javlja kod mjerenja raznih veličina, jer osim
izmjerenih podataka, pokušavamo aproksimirati i podatke koji se nalaze između izmjerenih tačaka.

Neki od matematičkih problema mogu se riješiti numeričkim metodama, međutim, ne uvijek s

velikom preciznošću i točnošću. Ponekad vrijeme koje imamo za rješavanje problema nije dovoljno te
u tom slučaju koristimo programske metode pomoću računala. Programiranje omogućuje rješavanje
kompleksnih zadataka s velikom tačnošću i u kratkom periodu. Sposobnost računala da u realnom
vremenu obavi veliki broj matematičkih operacija pruža velike mogućnosti numeričkoj matematici i
matematici općenito te samim time i razvoju znanosti i tehnike. Glavna zadaća numeričke
matematike je konstrukcija i analiza metoda (algoritama) i formiranje odgovarajućeg softvera. Veliki
napredak je u realizaciji programskih paketa numeričkih softvera kao što su: MATLAB (The
MathWorks, Inc., http://www.mathworks.com), MATHEMATICA (Wolfram Research, Inc.,
http://www.wolfram.com), MATHCAD ( Mathsoft, PTC., http://www.ptc.com/.com), itd. Sva
programska rješenja predstavljaju integrirane sisteme za numerička i simbolička izračunavanja,
grafičku prezentaciju i interpretaciju te pružaju podršku koja omogućuje korisniku programiranje na
jednostavan način.
2. OSNOVNI POJMOVI

Problem s kojim se često susrećemo u praksi je kako izračunati vrijednost neke funkcije za koju
nemamo analitički izraz, ali znamo njene vrijednosti na nekom diskretnom skupu tačaka
x 0 < x 1< x 2 <…< x i <…< x n .

Postavljaju se sljedeća pitanja:

 Kako u tom slučaju pronaći vrijednost funkcije u točkama koje nisu iz zadanog skupa?
 Kako do tih podataka doći u što kraćem vremenskom periodu?

Rješenju problema pristupamo na sljedeći način:

U području podataka, tj. u intervalu [ x 0 , x 1 , … , x n] nepoznatu funciju f treba aproksimirati nekom

jednostavnom poznatom funcijom  tako da vrijedi:

φ ( x i )=f ( x i ) ,i=0,1,2, … , n

Funkcija  bira se prema prirodi modela, ali tako da bude relativno jednostavna za računanje. Ona
ovisi o parametrima α k , k=0 , … , n koje treba odrediti po nekom kriteriju
φ ( x )=φ(x ; α 0 ; α 1 ;… ; α n).

Kad smo funkciju  zapisali u ovom obliku, kao funkciju koja ovisi o parametrima ak , možemo reći da
smo odabrali opći oblik aproksimacijske funkcije.

Aproksimacijom skupa točaka određuju se nepoznati parametri funkcije unaprijed zadanog oblika
(ponekad linearne funkcije, ali češće funkcije drugih oblika, poput polinoma višeg stupnja,
trigonometrijskih, logaritamskih ili eksponencijalnih funkcija).

Cilj aproksimacije je odrediti funkciju koja "najbolje" opisuje, tj. najmanje odstupa od skupa zadanih
točaka. Kriteriji po kojima se utvrđuje "najmanje odstupanje" od skupa zadanih točaka su različiti.
Npr., upotrebljava se kriterij najmanjih kvadrata. Tim se kriterijem traži da suma kvadrata udaljenosti
između zadanih točaka i pripadnih aproksimacija bude minimalna.

Za razliku od aproksimiranja diskretnog skupa zadanih točaka, prilikom aproksimiranja zadanih

funkcija kriterij za "najmanjeg odstupanja" koristi se kriterij apsolutnog odstupanja (kojim se traži
maksimum apsolutne vrijednosti razlike između vrijednosti funkcije i njezine aproksimacija na
zadanom intervalu) ili apsolutni integralni kriterij (kojim se traži da vrijednost integrala apsolutne
vrijednosti razlike između funkcije i njezine aproksimacije bude minimalna). Ovakvi kriteriji definirani
su nad intervalima i stoga se teže ocijenjuju. Za njihov izračun često se koriste i neke od numeričkih
aproksimativnih metoda, poput diskretizacije podataka ili numeričkog integriranja.
3. METODE APROKSIMACIJE FUNKCIJE

Ukoliko su poznate informacije o funkciji f definirane na skupu X ⊆ R , na osnovu tih informacija a

želimo funkciju f zamijeniti nekom drugom funkcijom  na skupu X , tako da su f i  bliske. Skup X
je najčešće interval oblika [a ; b] ili diskretan skup tačaka.

Opći oblik linearne aproksimacijske funkcije je:

φ ( x )=α 0 φ0 ( x )+ α 1 φ1 ( x ) + …+α m φ m ( x), gdje su φ 0 , … , φ m poznate funkcije koje znamo računati.

Primijetimo da se linearnost ne odnosi na oblik funkcije φ 0 , … , φ m, već na njenu ovisnost o
parametrima α k koje treba odrediti. Prednost ovog oblika aproksimacijske funkcije je da se
odredivanje parametara α k obično svodi na rjšavanje sustava linearnih jednadžbi. Najčešće korišteni
oblici linearnih aproksimacijskih funkcija su algebarski i trigonometrijski polinomi i spline funkcije.
m
Algebarski polinomi φ ( x )=x k , k=0,1,2, … , mili φ ( x )=α 0 +α 1 x +…+ α m x gdje funkciju (x) ne
treba nužno zapisati u standardnoj bazi običnih potencija { 1 , x , … , x m } . Vrlo često je neka druga
baza bitno pogodnija, na primjer, tzv. ortogonalnih polinoma ili baza {1 , ( x−x 0 ) , ( x−x 1) , … } gdje su
x 0 , x 1 zadane tačke.

Trigonometrijski polinomi pogodni su za aproksimaciju periodičkih funkcija, npr., u modeliranju

signala. Za funkcije  uzima se m+1 funkcija iz skupa { 1 , cosx ,sin x , cos 2 x , sin 2 x , … , } Ponekad
koristimo faktor u argumentu sinusa i kosinusa koji služi za kontrolu perioda, a ponekad biramo samo
parne ili samo neparne funkcije iz ovog skupa.

Za zadanetačke x 0 ; x 1 ; … ; xn spline funkcija na svakom podintervalu između zadanih točaka svodi se

na polinom odredenog fiksnog (niskog) stupnja, tj. φ [ x k−1, xk ]
= pk , k=1,2 , … , n gdje su pk polinomi
najčešće stupnjeva 1, 2, 3 ili 5. U točkama x i obično zahtijevamo da funkcija  zadovoljava još i tzv.
“uvjete lijepljenja”, tj. iste vrijednosti funkcija i iste vrijednosti njenih derivacija u veznim tačkama ili
nekih aproksimacija tih derivacija.
Spline aproksimacija se danas najčešće koristi zbog dobrih svojstava s obzirom na grešku
aproksimacije i kontrolu oblika aproksimacijske funkcije.

Najčešće korišteni oblici nelinearne aproksimacije funkcije su eksponencijalne i racionalne

aproksimacije.

Eksponencijalne aproksimacije koriste za funkciju oblik:

b0 x b1 x br x
φ ( x )=c0 e +c 1 e + …+c r e koje imaju n=2r+2 nezavisna parametra.

r
b0 + b1 x +…+ br x
Racionalne aproksimacije koriste funkciju oblika φ ( x )= s
c 0+ c 1 x +…+c s x

Ovako definirane racionalne funkcije imaju mnogo bolja svojstva aproksimacije nego polinomi, a
pripadajuća teorija je relativno nova. Aproksimacijske funkcije biraju se tako da “najbolje” zadovolje
uvjete koji se postavljaju na njih. Najčešći su zahtjevi da graf aproksimacijske funkcije prolazi
odredenim točkama tj. da interpolira funkciju u tim točkama ili da je odstupanje aproksimacijske od
polazne funkcije u nekom smislu minimalno.

. Metoda najmanjih kvadrata

Najraniji oblik regresije dao je Pierre-Simon Laplace, francuski matematičar i astronom, kada je 1799.
godine koristio princip minimiziranja zbroja apsolutnih pogrešaka s dodatnim uvjetom da će zbroj
pogrešaka biti jednak nuli. Gauss je tvrdio kako su, po načelima vjerojatnosti, veće ili manje pogreške
jednako moguće u svim jednadžbama. Po njegovom mišljenju, bilo je evidentno da se rješenje koje
zadovoljava točno n jednadžbi, treba smatrati manje u skladu sa zakonima vjerojatnosti.

1795. godine Gauss je dao osnove metode najmanjih kvadrata, iako nije objavljena do 1809. godine.
Metodu je objavio u jednom od svojih radova o nebeskoj mehanici. Do slične metode je došao i
Adrien-Marie Legendre. Budući da su obje metode bile objavljene u približno jednakom vremenskom
periodu, između Gaussa i Legendrea razvile su se žustre polemike oko prava na otkriće te metode.

Metode najmanjih kvadrata jedna je od važnijih metoda za obradu eksperimentalnih podataka.

Lagrangeov polinom dobro aproksimira funkciju lokalno, u izabranim točkama, dok izvan tih točaka
aproksimacija može biti vrlo loša. Drugi problem je ukoliko je polinom stupnja veći od pet, teško je
računati i moguće su velike pogreške. Ista razmatranja vrijede i za Newtonov interpolacijski polinom.

Metoda najmanjih kvadrata omogućava nam da zadanu funkciju aproksimiramo drugom funkcijom
određenog tipa globalno, tako da njihova međusobna udaljenost bude što manja, bez obzira što
funkcija možda neće imati iste vrijednosti niti u jednoj točki.

Pretpostavimo da su poznate vrijednosti funkcije f u nekim tačkama x 1 , x 2 , x 3 ,… , x n tj. znamo

( x 1 , f ( x 2 ) ) , ( x 2 , f ( x 2 ) ) , … , ( x n , f ( x n ) ). Želimo pronaći funkciju  određenog tipa s neodređenim
parametrima α 0 , α 1 , α 2 ,… , α n , koja najbolje aproksimira funciju f . To možemo učiniti na sljedeći
način:

Promatramo sumu kvadrata razlika vrijednosti funkcija f i φ .

 n
S=∑ ¿ ¿ ¿
k=1

Tražimo parametre α 0 , α 1 , α 2 , … , α n , iz uvjeta da S kao funkcija tih parametara ima minimalnu

vrijednost. Ako je funkcija f zadana u svim točkama nekog segmenta [a , b ] onda se funkcija S
definira pomoću integrala:
b
S=∫ [ f ( x )−φ(x ) ] dx
2

Klase funkcija iz kojih biramo funciju ρ su obično:

 polinomi prvog stupnja

φ ( x )=α 1 x +a 0,

 polinom drugog stupnja

2
φ ( x )=a2 x +a1 x+ a0,

 eksponencijalne funkcije
a1 x
φ ( x )=a0 e + a2.

Ukoliko su nam poznate vrijednosti ( x 1 , f ( x 1) ) , ( x 2 , f ( x 2 ) ) , … ,(x n , f ( x n ) ) te neka je

φ ( x )=a1 x +a 0 polinom prvog stupnja s nepoznatim koeficijentima a 1 i a0. Potrebno je odredit a 1 i a0
tako da polinom φ ( x )=a1 x +a 0, aproksimira bolje od svakog drugog polinoma prvog stupnja dane
vrijednosti funkcije u smislu metode najmanjih kvadrata.

Minimum funkcije S=S (a0 , a1 ), računamo na slijedeći način :

n
S( a , a0)=∑ [ f ( x k ) −a1 ( x k )−a0 ] → min
2

k=1

Nužan uvjet za ekstrem funcije S je:

∂S ∂S
=0 , =0
∂ a0 ∂ a1

To su i dovoljni uvjeti zbog oblika funkcije, tj. ne treba provjeravati da li je to globalni extrem.

Raspisane jednadžbe glase:

n

∑ [ f ( x k )−a ( x k )−a 0 ] x k =0
k =1

∑ [ f ( x k )−a ( x k )−a 1 ] x k =0
k =1
Sređivanjem sustava dvije linearnih jednadžbe s dvije nepoznanice dobijemo:
n n n
a 1 ∑ x +a2 ∑ x k =∑ f ( x k ) x k
2
k
k=1 k=1 k=1

n n
a 1 ∑ x k +n a0 =∑ f ( x k )
k=1 k=1

Iz sustava izračunamo a 1 i a0. Jasno je da funcija S ima samo minimum te tako određeni parametri
daju najbolju aproksimaciju funkcije f .

Kada se funcija  traži u obliku eksponencijalne, logaritamske i slično, tada se na ovaj način dobije
sustav nelinearnih jednadžbi. Takve sustave je teže rješavati. Obično se operacijama nad funkcijama,
npr. logaritmiranjem pojednostavni funkcija u kojoj tražimo aproksimaciju no parametri koje
dobijemo na taj način nisu uvijek najbolji u smislu metode najmanjih kvadrata.
Primjer 1. Aproksimacija polinomom prvog stupnja

Odrediti polinom prvog stupnja (x) koji najbolje aproksimira funkciju zadanu sljedećim
vrijednostima:

T 0 ( 2,2 ) , T 1 ( 3,4 ) , T 2 ( 4 ,3 ) , T 3 ( 5 , 1 ) , T 4 (6,2)

Izračunati vrijednosti za x=3,5.

Postupak rješavanja:

Izračunati podatke potrebne za metodu najmanjih kvadrata, aproksimiramo polinomom prvog

stupnja.

Tablica 1. Izračunate vrijednosti za aproksimaciju polinomom prvog stupnja

Na temelju dobivenih vrijednosti iz tablice 1., postavljamo sustav od dvije jednadžbe s dvije
nepoznanice:

a 0 5+ a1 20=12

a 0 20+ a1 90=45

Rješavanjem sustava jednadžbi dobijemo:

6
a 0=
5

3
a 1=
10

Uvrštavanjem u jednadžbu φ ( x )=a1 x +a 0 dobijemo traženu funkciju - polinom prvog stupnja koja u
smislu metode najmanjih kvadrata najbolje aproksimira funkciju zadanu na diskretnom skupu točaka.

φ ( x )=a1 x +a 0
 3 6
φ ( x )= x+
10 5

Slika 1. Graf funkcije f(x)=0,3x+1,2

Izračunati vrijednost funkcije za x=3,5.

3 6 3 6
P ( 3,5 )= x + = ∙3,5+ =2,25
10 5 10 5

Slika 2. Graf funkcije f(x)=0,3x+1,2 ; naznačena vrijednost za x=3,5

Primjer 2. : Aproksimacija polinomom prvog stupnja

Odrediti polinom prvog stupnja (x) koji najbolje aproksimira funkciju zadanu sljedećim
vrijednostima:

T 0 ( 0,2 ;5 ) , T 1 ( 2;7 ) , T 2 ( 4 ;9 ) , T 3 ( 6 ; 8 ) , T 4 (8,5 ; 5)

Izračunati vrijednosti za x 5=1 ; x6 =3 ; x7 =5 ; x8 =7.

Postupak rješavanja:

Izračunati podatke potrebne za metodu najmanjih kvadrata, aproksimiramo polinomom prvog

stupnja.

Tablica 2. Izračunate vrijednosti za aproksimaciju polinomom prvog stupnja

Postavljamo sustav od dvije jednadžbe s dvije nepoznanice:

a 0 5+ a1 20=24

a 0 20+ a1 120=106

Rješavanjem sustava jednadžbi dobijemo:

19
a 0=
5

1
a 1=
4

Uvrštavanjem u jednadžbu φ ( x )=a1 x +a 0 dobijemo traženu funkciju - polinom prvog stupnja koja u
smislu metode najmanjih kvadrata najbolje aproksimira funkciju zadanu na diskretnom skupu točaka.

φ ( x )=a1 x +a 0

1 19
φ ( x )= x +
4 5
 Slika 4. Grafik funkcije f(x)=0,25x+3,8

Izračunati vrijednosti za x 5=1 , x 6=3 , x 7=5 , x 8=7 .

1 19 1 19
f ( x 5 ) =f ( 1 )= x + = ⋅1+ =4,05
4 5 4 5

1 19 1 19
f ( x 6 ) =f ( 3 ) = x + = ⋅3+ =4,55
4 5 4 5

1 19 1 19
f ( x 7 ) =f ( 5 ) = x + = ⋅ 5+ =5,05
4 5 4 5

1 19 1 19
f ( x 8 ) =f ( 7 )= x+ = ∙7 + =5,55
4 5 4 5
 Grafik 5. Grafik funkcije f(x)=0,25x+3,8 za naznačene vrijednosti x 5=1, x 6=3 , x 7=5 , x 8=7

Aproksimacija polinomom drugog stupnja sastoji se u sljedećem:

Zadane su vrijednosti f ( x 1 ) , f ( x 2 ) , … , f ( x n) funkcije f u tačkama x 1 , x 2 , … , x n i neka je

φ ( x )=a2 x +a1 x+ a0, polinom drugog stupnja s nepoznatim koeficijentima a 0 , a 1 , a2 . Tako treba
2

2
odrediti koeficijente a 0 , a 1 , a2 tako da polinom φ ( x )=a2 x +a1 x+ a0 , aproksimira bolje od bilo
kojeg polinoma drugog stupnja dane vrijednosti funkcije u smislu metode najmanjih kvadrata.

Minimum funkcije S=S (a0 , a1 , a2 ), računamo na sljedeći način:

n
S ( a 0 , a1 , a2 ) =∑ [ f ( x k ) −a2 x 2k −a 1 x k −a0 ] → min
2

k=1

Nužan uvjet za ekstrem funkcije S(a0 , a1 , a 2) je:

n
∂S
=2∙ (−1) ∑ [ f ( x k )−a 2 x 2k −a1 x k −a0 ] x k =0
2

∂ a2 k=1

n
∂S
=2∙(−1) ∑ [ f ( x k )−a 2 x 2k −a1 x k −a0 ] x k =0
∂ a1 k=1

n
∂S
=2 ∙(−1) ∑ [ f ( x k )−a2 x k −a1 x k −a0 ] =0
2
∂ a0 k=1

Nakon sređivanja dobijemo sustav linearnih jednadžbi:

n n n
a 0 n+ a1 ∑ x k + a2 ∑ x 2k =∑ f (x k )
k=1 k=1 k=1
 n n n n
a 0 ∑ x k +a 1 ∑ x 2k +a3 ∑ x 3k =∑ f (x k )x k
k=1 k=1 k=1 k=1

n n n n
a 0 ∑ x 2k +a 1 ∑ x 3k +a 2 ∑ x 4k =∑ f ( xk )x 2k
k=1 k=1 k=1 k=1

Brojevi a 0 , a 1 , a2 koje dobijemo kao rješenje ovog sustava predstavljaju koeficijente polinoma
drugog stupnja, koji najbolje u smislu metode najmanjih kvadrata, aproksimira dane vrijednosti
funkcije.

Primjer 3. Aproksimacija polinomom drugog stupnja

Odrediti polinom drugog stupnja φ (x) koji najbolje aproksimira funkciju zadanu sljedećim
vrijednostima:

T 0 ( 2 , 2 ) ;T 1 ( 3 , 4 ) ;T 2 ( 4 ,3 ) ; T 3 ( 5 , 1 ) ; T 4 ( 6 ,2)

Izračunati vrijednost za x=3,5.

Postupak rješavanja:

Izračunavamo podatke potrebne za metodu najmanjih kvadrata, aproksimiramo polinomom drugog

stupnja.

Tabela 3. Izračunate vrijednosti za aproksimaciju metodom najmanjih kvadrata

Na temelju dobivenih vrijednosti iz tablice 3. postavljamo sustav od tri jednadžbe s tri nepoznanice.
Vrijednosti iz tablice 3. uvrštavano u (3):
n n n
a 0 n+ a1 ∑ x k + a2 ∑ x =∑ f (x k ) 2
k
k=1 k=1 k=1

n n n n
a 0 ∑ x k +a 1 ∑ x +a3 ∑ x =∑ f (x k )x k
2
k
3
k
k=1 k=1 k=1 k=1

n n n n
a 0 ∑ x +a 1 ∑ x +a 2 ∑ x =∑ f ( xk )x 2k
2
k
3
k
4
k
k=1 k=1 k=1 k=1
Tražimo neodređene parametre a 2 , a1 ia 0.

a 0 5+ a1 20+ a2 90=12

a 0 20+ a1 90+a2 440=45

a 0 90+ a1 440+a 2 2274=189

5 a0 +20 a 1+ 90 a2=12

20 a0 + 90 a1 +440 a 2=45

90 a 0+ 440 a1 +2247 a 2=189

Rješavamo sustav od tri jednadžbe s tri nepoznanicete dobivamo rješenja:

a 0=0,6

a 1=1,414

a 2=−0,214
2
Koeficijente uvrštavamo u jednadžbu φ ( x )=a2 x +a1 x+ a0, i dobivamo funkciju - polinom koji u
smislu metode najmanjih kvadrata najbolje aproksimira funkciju zadanu na diskretnom skupu točaka.

φ ( x )=−0,214 x2 +1,414 x +0,6

Grafik 4. Graf funkcije f ( x )=−0,214 x 2+1,414 x +0,6

Izračunavamo vrijednost funkcije za x=3,5.

 2
f ( 3,5 )=−0,214 x +1,414 x+ 0,6=2,9275

Grafik 5. Graf funkcije f ( x )=−0,214 x 2+1,414 x +0,6 naznačena vrijednost za x=3,5.

Grafički prikaz usporedbe metode najmanjih kvadrata polinomom prvog i drugog stupnja:

Grafik 6. Graf funkcije f ( x )=−0,214 x 2+1,414 x +0,6 i f ( x )=0,3 x +1,2

Primjer 4. Aproksimacija polinomom drugog stupnja

Odrediti polinom drugog stupnja φ (x) koji najbolje aproksimira funkciju zadanu sljedećim
vrijednostima:

T 0 ( 0 ; 2,5 ) ; T 1 ( 2 ;7 ) ; T 2 ( 4 ;9 ) ; T 3 ( 6 ; 8 ) ; T 4 ( 8,5; 5)

Izračunati vrijednosti za x 5=1 , x 6 =3 , x 7=5 , x 8=7 .

Postupak rješavanja:

Izračunavamo podatke potrebne za metodu najmanjih kvadrata, aproksimiramo polinomom drugog

stupnja.

Tablica Izračunate vrijednosti za aproksimaciju metodom najmanjih kvadrata

Postavljamo sustav od tri jednadžbe s tri nepoznanice. Vrijednosti iz tablice 6. uvrštavamo u (3):

Tražimo neodređene parametre a 2 , a1 ia 0.

a 0 5+ a1 20+ a2 90=24

a 0 20+ a1 90+a2 800=145

a 0 90+ a1 800+a2 5664=812

5 a0 +20 a 1+ 90 a2=24

20 a0 + 90 a1 +800 a2=145

90 a 0+ 800 a1 +5664 a2 =812

Rješavamo sustav od tri jednadžbe s tri nepoznanicete dobivamo rješenja:

a 0=−4,514

a 1=5,864

a 2=−0,589
 2
Koeficijente uvrštavamo u jednadžbu φ ( x )=a2 x +a1 x+ a0 i dobivamo funkciju – polinom
2
φ ( x )=−0,589 x +5,864 x−4,514 koji u smislu metode najmanjih kvadrata najbolje aproksimira
funkciju zadanu na diskretnom skupu točaka.

Grafik Graf funkcije f ( x )=−0,589 x 2 +5,864 x−4,514

Izračunavamo vrijednosti funkcije za x 5=1 , x 6 =3 , x 7=5 , x 8=7

f ( 1 ) =−0,589 x2 +5,864 x−4,514=−0,589 ∙1+5,864 ∙ 1−4,514=0,76

2 2
f ( 3 )=−0,589 x +5,864 x −4,514=−0,589 ∙ 3 + 5,864 ∙3−4,514=7,77
2 2
f ( 5 )=−0,589 x +5,864 x −4,514=−0,589 ∙ 5 + 5,846∙ 5−4,514=10,08

f ( 7 )=−0,589 x 2+ 5,864 x−4,514=−0,589 ∙ 72 +5,864 ∙7−4,514=7,67

 Grafik Graf funkcije f ( x )=−0,589 x 2 +5,864 x−4,514, naznačene vrijednosti za

x 5=1 ; x6 =3 ; x7 =5 ; x8 =7

Grafik Graf funkcije f ( x )=−0,589 x 2 +5,864 x−4,514, i f ( x )=0,25 x +3,8

Nelinearna aproksimacija

Umnogim inžinjerskim problemima fizikalne osobine nekih procesa moguće je koristiti drugih oblika
aproksimacionih funkcija, kao što su npr. logaritamske, eksponencijalne i slične. U tim slučajevima,
metoda najmanjih kvadrata vodi do sistema jednačina koji je nelinearan, pa je traženje koeficijenata
takvih funkcija otežan. Ponekad je nelinearni aproksimacioni problem moguće svesti na linearni
koristeći odgovarajuće smjene.

Posmatrajmo stepenu funkciju -koja se koristi za opisivanje fizikalnih procesa:

2
y=a x
Logaritimiranjem gornjeg izraza dobije se :

lny=lna+blnx
uvođenjem smjena Y =ln y ; A=ln a , X =ln x i B=b , problem se svodi na aproksimaciju
polinomom prvog reda:

Y = A +Bx
Pored predhodne, često se koristi i eksponencijalna funkcija :
bx
y=a e
koja se može nakon logaritmiranja svesti na oblik linearne funkcije :

lny =ln a+bx ⇒Y = A +Bx

Postoji i niz drugih funkcija koje se mogu koristiti u svrhu, samo zavisi koja je od njih najpodesnija,
zavisi od prirode fizikalnog procesa koji se opisuje.

Primjer Nelinearne aproksimacija

Podatke date u tabeli aproksimirati pomoću nelinearne relacije date jednačinom:

bx
y=a e

Tabela

Rješenje

Ako uzmemo u obzir izraz lny =ln a+bx ⟹ Y = A+ Bx , trebamo prvo odrediti lny koje nam je dato
u tabeli a onda trebamo svesti problem na određivanje aproksimacione funkcije Y = A +Bx , pri čemu
je Y =lny , A=lnai B=b . Ako to uvrstimo dobijamo sistem linearnih jednačina:
5 5
5 A + B ∑ xi =∑ Y i
i=1 i=1

5 5 5
A ∑ x i+ B ∑ x 2i =∑ x i Y i
i=1 i=1 i=1

koji nakon uvrštavanja vrijednosti iz tabele ima oblik :

8 A+10 B=12.424533
10 A +30 B=31.780538
Koristeći neku od metoda za rješavanje sistema linearnih jednačina dobiva se:
Y = A +Bx=1.09861+0.69315 x
odnosno, koristeći smjene :
bx A Bx 1.09861 0.69315 x 0.69315 x
y=a e =e e =e e =3 e
Posljednja jednakost se može predstaviti i u obliku :
0.69315 x 0.69315 x x x
y=3 e =3( e ) =3 ∙ 2
4. ZAKLJUČAK

U tehnici, aproksimacija se javlja u dva bitno različita oblika. Prvi oblik je kada nam je poznata
funkcija ali je njezina forma prekomplicirana za računanje. U tom slučaju, izaberemo neke
informacije o funkciji i po nekom kriteriju odredimo aproksimacijsku funkciju. Kada govorimo o ovom
obliku aproksimacije možemo birati informacije o funkciji koje ćemo koristiti. Drugi oblik je kada ne
znamo funkciju već samo neke informacije o njoj, na primjer, vrijednosti na nekom diskretnom skupu
točaka. Zamjenska funkcija odreduje se iz raspoloživih informacija. Osim samih podataka, ove
informacije uključuju očekivani oblik ponašanja funkcije. Prvi oblik koristimo u teoriji za razvoj
numeričkih metoda na bazi aproksimacije. S drugim oblikom češće se susrećemo u praksi. Na
primjer, kod mjerenja nekih veličina, osim izmjerenih podataka, pokušavamo aproksimirati i podatke
koji se nalaze “između” izmjerenih točaka.

Problem koji se može pojaviti kod interpolacije ovim metodama je ukoliko funkcija ima nagle
promjene. U tom slučaju potrebno je smanjiti područje razmatranja ili koristiti npr. interolacijski
spline točno između ili u okolini točaka koje najviše osciliraju. Bez obzira, ne možemo izvojiti jedan
općeniti postupak koji bi bio primjenjiv za sve slučajeve. Svaki slučaj je potrebo analizirati za sebe,
analizirati točke rasipanja te odabrati najpovoljniju metodu koja će dati najtočnije rezultate.