Аппроксимация функций

Аппроксимация — это процесс замены функции \(f(x)\) другой функцией \(F(x)\) из более простого или удобного класса, такой, чтобы ошибка между ними была минимальной по какому-либо критерию.
Главная цель: упростить вычисления, предсказать значения, когда исходная функция сложная или неизвестна.

1. Основные виды аппроксимации

1. Линейная аппроксимация
   Функция заменяется линейной (прямая) функцией:

   \[ F(x) = a x + b \]

   Параметры \(a\) и \(b\) подбираются так, чтобы сумма квадратов отклонений была минимальна (метод наименьших квадратов, МНК):

   \[ S(a, b) = \sum_i \big(f(x_i) - (a x_i + b)\big)^2 \to \min \]

1. Полиномиальная аппроксимация
   Функция аппроксимируется полиномом степени \(n\):

   \[ F(x) = a_0 + a_1 x + a_2 x^2 + \dots + a_n x^n \]

   Коэффициенты \(a_i\) выбираются по МНК или другим критериям.

1. Аппроксимация рациональными функциями
   Используются дробно-рациональные функции:

   \[ F(x) = \frac{P_m(x)}{Q_n(x)} \]

   где \(P_m\) и \(Q_n\) — полиномы степени \(m\) и \(n\).
   Подходит, когда функция имеет асимптоты или быстро меняется.

2. Аппроксимация кусочно-функциями (сплайны)
   Функция заменяется кусочными полиномами, обычно степени 3 (кубические сплайны).
   Гладкость достигается через совпадение значений и производных на стыках интервалов.

2. Критерии качества аппроксимации

1. Наименьшая абсолютная ошибка

   \[ E_\infty = \max_i |f(x_i) - F(x_i)| \]

2. Наименьшая среднеквадратичная ошибка (МНК)

   \[ E_2 = \sqrt{\frac{1}{N} \sum_i (f(x_i) - F(x_i))^2} \]

3. Относительная ошибка

   \[ \delta_i = \frac{|f(x_i) - F(x_i)|}{|f(x_i)|} \]

3. Линейная аппроксимация по МНК

Для \(y_i = f(x_i)\) и линейной функции \(F(x) = a x + b\):

1. Сумма квадратов ошибок:

   \[ S(a, b) = \sum_{i=1}^{N} (y_i - a x_i - b)^2 \]

2. Уравнения нормалей (находим минимум):

   \[ \frac{\partial S}{\partial a} = 0, \quad \frac{\partial S}{\partial b} = 0 \]

3. Решение:

   \[ a = \frac{N \sum x_i y_i - \sum x_i \sum y_i}{N \sum x_i^2 - (\sum x_i)^2}, \quad b = \frac{\sum y_i - a \sum x_i}{N} \]

4. Полиномиальная аппроксимация по МНК

Для полинома степени \(n\):

Сумма квадратов отклонений:

Уравнения для коэффициентов (уравнения нормалей):

Решение даёт коэффициенты \(a_j\), минимизирующие суммарную ошибку.

5. Аппроксимация рациональными функциями

Функция \(F(x) = P_m(x)/Q_n(x)\).

• \(P_m\) и \(Q_n\) — полиномы степени \(m\) и \(n\).
• Подбираются коэффициенты так, чтобы ошибка \(|f(x) - F(x)|\) была минимальна.
• Используется, если функция имеет особенности, которые полином не может описать хорошо (асимптоты, резкие изменения).

6. Сплайны (кубическая аппроксимация)

• Функция делится на \(N-1\) интервалов \([x_i, x_{i+1}]\).

• На каждом интервале строится кубический полином:

  \[ S_i(x) = a_i + b_i(x-x_i) + c_i(x-x_i)^2 + d_i(x-x_i)^3 \]

• Стыки интервалов обеспечивают непрерывность функции и её первых двух производных:

  \[ S_i(x_{i+1}) = S_{i+1}(x_{i+1}), \quad S_i'(x_{i+1}) = S_{i+1}'(x_{i+1}), \quad S_i''(x_{i+1}) = S_{i+1}''(x_{i+1}) \]

7. Выбор метода аппроксимации

8. Основные ошибки

• Переподгонка (overfitting): высокая степень полинома точно проходит через точки, но плохо предсказывает новые значения.
• Недоподгонка (underfitting): слишком простая модель, большая ошибка на исходных точках.
• Локальные колебания: полином высокой степени может сильно колебаться между точками (эффект Рунге).

9. Физический и практический смысл

• Аппроксимация нужна, когда исходная функция сложная или неизвестна.
• Позволяет предсказывать значения, вычислять производные, интегралы, использовать для численных методов.
• Применяется в инженерии, экономике, науке: моделирование данных, расчет траекторий, анализ экспериментов.