Аппроксимация
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
- 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):
\[
S(a, b) = \sum_i \big(f(x_i) - (a x_i + b)\big)^2 \to \min
\]
Локальная линейная (касательная)
- 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.
Локальная полиномиальная (парабола)
Глобальная полиномиальная аппроксимация
- 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.
- 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
- Наименьшая абсолютная ошибка
\[
E_\infty = \max_i |f(x_i) - F(x_i)|
\]
- Наименьшая среднеквадратичная ошибка (МНК)
\[
E_2 = \sqrt{\frac{1}{N} \sum_i (f(x_i) - F(x_i))^2}
\]
- 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 $F(x) = a x + b$:
- Сумма квадратов ошибок:
\[
S(a, b) = \sum_{i=1}^{N} (y_i - a x_i - b)^2
\]
- Уравнения нормалей (находим минимум):
\[
\frac{\partial S}{\partial a} = 0, \quad \frac{\partial S}{\partial b} = 0
\]
- 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 $n$:
\[
F(x) = a_0 + a_1 x + a_2 x^2 + \dots + a_n x^n
\]
Сумма квадратов отклонений:
\[
S(a_0, a_1, ..., a_n) = \sum_{i=1}^{N} \big(f(x_i) - F(x_i)\big)^2
\]
Уравнения для коэффициентов (уравнения нормалей):
\[
\frac{\partial S}{\partial a_j} = 0, \quad j=0,1,\dots,n
\]
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
| Метод | Преимущества | Ограничения |
|---|---|---|
| Линейная | Простота, аналитическое решение | Только для почти линейных данных |
| Полиномиальная | Легко увеличивать точность | Высокая степень → осцилляции (эффект Рунге) |
| Рациональная | Хорошо аппроксимирует функции с асимптотами | Сложнее решать систему для коэффициентов |
| Сплайны | Гладкая функция, хорошая локальная аппроксимация | Нужно строить несколько полиномов, система уравнений больше |
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.