Professional Documents
Culture Documents
Numericke Metode Seminarski Rad
Numericke Metode Seminarski Rad
POLITEHNIČKI FAKULTET
Aproksimacija funkcije
Seminarski rad iz predmeta Numeričke metode u inžinjerstvu
Student: Mentor:
Broj indeksa:
PT-77/22
Literatura
UVOD......................................................................................................................................................1
Osnovni pojmovi....................................................................................................................................2
Metode aproksimacije funkcije..............................................................................................................3
Metoda najmanjih kvadrata...................................................................................................................4
Nelinearna aproksimacija.....................................................................................................................17
ZAKLJUČAK...........................................................................................................................................19
Literatura..............................................................................................................................................20
UVOD
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 tačno prođu kroz zadane tačke. 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
tačaka. 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.
1
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 .
Kako u tom slučaju pronaći vrijednost funkcije u tačkama koje nisu iz zadanog skupa?
Kako do tih podataka doći u što kraćem vremenskom periodu?
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 α k , možemo reći da
smo odabrali opći oblik aproksimacijske funkcije.
Aproksimacijom skupa tačaka 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
tačaka. Kriteriji po kojima se utvrđuje "najmanje odstupanje" od skupa zadanih tačaka su različiti.
Npr., upotrebljava se kriterij najmanjih kvadrata. Tim se kriterijem traži da suma kvadrata udaljenosti
između zadanih tačaka i pripadnih aproksimacija bude minimalna.
2
Metode aproksimacije funkcije
Za zadane tačke x 0 ; x 1 ; … ; xn spline funkcija na svakom podintervalu između zadanih tačaka svodi
se na polinom određenog fiksnog (niskog) stupnja, tj. φ [ x x ] = pk , k=1,2 , … , n gdje su pk polinomi
k−1, k
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.
3
Spline aproksimacija se danas najčešće koristi zbog dobrih svojstava s obzirom na grešku
aproksimacije i kontrolu oblika aproksimacijske funkcije.
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 tačkama tj. da interpolira funkciju u tim tačkama ili da je odstupanje aproksimacijske od
polazne funkcije u nekom smislu minimalno.
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 tačno 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.
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 tački.
4
Promatramo sumu kvadrata razlika vrijednosti funkcija f i φ .
n
S=∑ ¿ ¿ ¿
k=1
φ ( x )=α 1 x +a 0,
eksponencijalne funkcije
a1 x
φ ( x )=a0 e + a2.
n
S( a , a0)=∑ [ f ( x k ) −a1 ( x k )−a0 ] → min
2
k=1
∂S ∂S
=0 , =0
∂ a0 ∂ a1
To su i dovoljni uvjeti zbog oblika funkcije, tj. ne treba provjeravati da li je to globalni extrem.
5
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
n n
a 1 ∑ x k +n a0 =∑ f ( x k )
k=1 k=1
Iz sistema 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
sistem nelinearnih jednadžbi. Takve sisteme 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.
6
Primjer 1. Aproksimacija polinomom prvog stupnja
Odrediti polinom prvog stupnja (x) koji najbolje aproksimira funkciju zadanu sljedećim
vrijednostima:
Postupak rješavanja:
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
6
a 0=
5
3
a 1=
10
Uvrštavanjem u jednadžbu φ ( x )=a1 x +a 0 dobijemo traženu funkciju - polinom prvog stepena koja u
smislu metode najmanjih kvadrata najbolje aproksimira funkciju zadanu na diskretnom skupu tačaka.
φ ( x )=a1 x +a 0
7
3 6
φ ( x )= x+
10 5
3 6 3 6
P ( 3,5 )= x + = ∙3,5+ =2,25
10 5 10 5
8
9
Primjer 2. : Aproksimacija polinomom prvog stupnja
Odrediti polinom prvog stupnja (x) koji najbolje aproksimira funkciju zadanu sljedećim
vrijednostima:
Postupak rješavanja:
a 0 5+ a1 20=24
a 0 20+ a1 120=106
19
a 0=
5
1
a 1=
4
Uvrštavanjem u jednadžbu φ ( x )=a1 x +a 0 dobijemo traženu funkciju - polinom prvog stepena koja u
smislu metode najmanjih kvadrata najbolje aproksimira funkciju zadanu na diskretnom skupu tačaka.
φ ( x )=a1 x +a 0
1 19
φ ( x )= x +
4 5
10
Slika 4. Grafik funkcije f(x)=0,25x+3,8
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
11
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
φ ( x )=a2 x +a1 x+ a0, polinom drugog stepena 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 stepena dane vrijednosti funkcije u smislu metode najmanjih kvadrata.
n
S ( a 0 , a1 , a2 ) =∑ [ f ( x k ) −a2 x 2k −a 1 x k −a0 ] → min
2
k=1
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
12
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 sistema predstavljaju koeficijente polinoma
drugog stepena, koji najbolje u smislu metode najmanjih kvadrata, aproksimira dane vrijednosti
funkcije.
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)
Postupak rješavanja:
Na temelju dobivenih vrijednosti iz tablice 3. postavljamo sistem 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
13
Tražimo neodređene parametre a 2 , a1 ia 0.
a 0 5+ a1 20+ a2 90=12
5 a0 +20 a 1+ 90 a2=12
20 a0 + 90 a1 +440 a 2=45
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 tačaka.
14
2
f ( 3,5 )=−0,214 x +1,414 x+ 0,6=2,9275
Grafički prikaz usporedbe metode najmanjih kvadrata polinomom prvog i drugog stepena:
15
Primjer 4. Aproksimacija polinomom drugog stepena
Odrediti polinom drugog stepena 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)
Postupak rješavanja:
Postavljamo sistem od tri jednadžbe s tri nepoznanice. Vrijednosti iz tablice 6. uvrštavamo u (3):
a 0 5+ a1 20+ a2 90=24
5 a0 +20 a 1+ 90 a2=24
20 a0 + 90 a1 +800 a2=145
a 0=−4,514
a 1=5,864
16
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 tačaka.
17
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
18
Nelinearna aproksimacija
U mnogim 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.
y=a x2
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 :
y=a e bx
koja se može nakon logaritmiranja svesti na oblik linearne funkcije :
y=a e bx
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=lna i B=b . Ako to uvrstimo dobijamo sistem linearnih jednačina:
5 5
5 A + B ∑ xi =∑ Y i
i=1 i=1
19
5 5 5
A ∑ x i+ B ∑ x 2i =∑ x i Y i
i=1 i=1 i=1
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 :
20
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.
21
Literatura
22