Görbeillesztés (matematika)

A görbeillesztés feladata olyan ${\displaystyle y=f(x)}$ függvény meghatározása, ami egy ${\displaystyle (x_{0};y_{0}),(x_{1};y_{1}),(x_{2};y_{2}),\dots ,(x_{n};y_{n}),}$ adatsor analitikus közelítése.

A függvény grafikonjaként adódó görbére nem feltétlenül illeszkednek a ${\displaystyle P_{i}=(x_{i};y_{i})}$ koordinátájú pontok, ilyenkor azt mondjuk, hogy a görbe többé vagy kevésbé jól közelíti a pontsort. Az illeszkedési kritérium különböző lehet csakúgy, mint a görbe, azaz a függvény (függvények) típusa.

A feladat egy általánosítása, amikor a síkon ábrázolható ponthalmazhoz keresünk ${\displaystyle F(x,y)=0}$ implicit egyenlettel megadható görbét. Másik általánosítás a ${\displaystyle P_{i}=(x_{i};y_{i};z_{i}),(i=1,...,n)}$ adatsort közelítő felület meghatározása. Rokon probléma az adott görbék, görbeívek egyszerűbb görbékkel való helyettesítése.

Alkalmazási területek

Egy természeti, gazdasági, társadalmi stb. folyamat lefolyását modellező matematikai formula kísérleti meghatározásához méréseket kell végezni. A mérések adatai egyrészt hibákkal terheltek (szóródás), másrészt bizonyos tartományok kimaradhatnak az adatgyűjtésből. Az adatsor ${\displaystyle P_{i}=(x_{i};y_{i}}$) számpárjait derékszögű, illetve a problémának jobban megfelelő affin vagy poláris koordináta-rendszerben ábrázolva egy görbe pontjaira emlékeztető pontsort vagy egy pontfelhőt kapunk.

Empirikus formulák

A görbeillesztés egyik célja, hogy a meghatározott ${\displaystyle y=f(x)}$ függvény (és esetleg az inverz ${\displaystyle x=f^{-1}(y))}$ függvény (formula) ismeretében a vizsgált folyamat összetartozó ${\displaystyle (x;y)}$ értékpárjait kiszámíthassuk. A másik cél az lehet, hogy a kiválasztott függvény együtthatóit meghatározzuk (például a szabadesés ${\displaystyle s=at^{2}}$ egyenletében ${\displaystyle a=g/2}$ számértékére kapunk kísérleti becslést).

Illesztési típusok

Interpoláció

Bővebben: Interpoláció

Olyan görbét kell keresni, ami minden adatponton áthalad. A „szabálytalan” pontsorhoz szinte sohasem illeszthető egyszerű egyenlettel leírható függvény/grafikon.

Lineáris interpoláció

Az ${\displaystyle (x_{i-1}\dots x_{i})}$ intervallumokhoz ${\displaystyle y=a_{i}x+b_{i}}$ egyenletű egyenes szakaszokat illesztünk. Ezek egyenként helyettesítik a folyamatot leíró grafikon íveit. A formulák a két ponton átmenő egyenes egyenletével kaphatók:

${\displaystyle (y-y_{i-1})(x_{i}-x_{i-1})=(x-x_{i-1})(y_{i}-y_{i-1})}$

Parabolikus interpoláció

Több, ${\displaystyle (m+1)}$ egymáshoz csatlakozó intervallum feletti görbeívet egy polinom grafikonjával helyettesítjük. A megfelelő együtthatók meghatározásához két formula ismert:

Lagrange-féle interpolációs formula:

${\displaystyle y=y_{0}\cdot L_{0}+y_{1}\cdot L_{1}+\dots y_{m}\cdot L_{m}\,}$

ahol az ${\displaystyle L_{i}}$ függvények a Lagrange-féle interpolációs polinomok:

${\displaystyle L_{i}={\frac {(x-x_{0})\dots (x-x_{i-1})(x-x_{i+1})\dots (x-x_{m})}{(x_{i}-x_{0})\dots (x_{i}-x_{i-1})(x_{i}-x_{i+1})\dots (x_{i}-x_{m})}}}$

Newton-féle interpolációs formula:

${\displaystyle y=y_{0}+A_{0}(x-x_{0})+A_{1}(x-x_{0})(x-x_{1})+\dots +A_{m}(x-x_{0})(x-x_{1})\dots (x-x_{m})\,}$

ahol az ${\displaystyle A_{i}}$ kifejezések a Newton-féle interpolációs együtthatók:

${\displaystyle A_{0}={\frac {y_{1}-y_{0}}{x_{1}-x_{0}}};\quad A_{1}={\frac {y_{1}-y_{0}-A_{0}(x_{2}-x_{1})}{(x_{2}-x_{0})(x_{2}-x_{1})}};\dots }$

A formula és ezzel a számolás egyszerűbb, ha az ${\displaystyle (x_{i-1};x_{i})}$ intervallumok egyenlőek. Főleg tabellált függvényeknél (függvénytáblázatoknál) használják (használták) a táblázatban nem szereplő közbenső értékek számítására. A feladat gyakorlati fontosságát jelzi, hogy több neves matematikus adott meg erre interpolációs formulát: Newton, Bessel, Stirling.

Regresszió

Bővebben: Regressziószámítás

Mindkét modell esetében alkalmazható eljárás az, ha lemondunk az empirikus ${\displaystyle y=f(x)}$ formulával adódó függvénygörbe és a mérési adatokat reprezentáló pontok illeszkedéséről, csupán azt követeljük meg, hogy az ${\displaystyle x_{0};x_{1};\dots x_{n}}$ mérési helyeken a mért ${\displaystyle y_{i}}$ és a számított ${\displaystyle {\hat {y}}_{i}=f(x_{i})}$ értékek eltérése minimális legyen. Az eltérés mértékét többféleképpen írhatjuk elő:

1 - Az abszolút hibák összege ${\displaystyle \sum _{i=0}^{n}|y_{i}-{\hat {y}}_{i}|}$ legyen minimális.

2 - A hibák négyzetének összege ${\displaystyle \sum _{i=0}^{n}(y_{i}-{\hat {y}}_{i})^{2}}$ legyen minimális.

Az első feltételnek eleget tevő ${\displaystyle {\hat {y}}=f(x)}$ egyenletes közelítés meghatározására nincsenek általános módszerek. A négyzetes hibákat minimáló közelítés meghatározására a Gauss nevéhez kötött, a legkisebb négyzetek módszere nevű algoritmust használják.

Lineáris regresszió

Bővebben: Lineáris regresszió

A matematikai statisztika leggyakrabban alkalmazott modellje. Több típusát a legtöbb táblázatkezelő és matematikai szoftver megvalósítja (Excel, Maple V, Matlab stb):

1- Egyszerű kétváltozós regresszió az ${\displaystyle {\hat {y}}=A_{0}+x\cdot A_{1}}$ elsőfokú függvény együtthatóinak meghatározására szolgál.

2- Inverz regresszió az ${\displaystyle {\hat {x}}=B_{0}+y\cdot B_{1}}$ inverz relációval illesztett összefüggés a ${\displaystyle \sum _{i=0}^{n}(x_{i}-{\hat {x}}_{i})^{2}}$ négyzetes hibaösszeget minimalizálja.

3- Többváltozós lineáris regresszió az összetartozó mérési adatokhoz az összefüggésüket leíró ${\displaystyle {\hat {y}}=A_{0}+x_{1}\cdot A_{1}+x_{2}\cdot A_{2}\dots +x_{k}\cdot A_{k}}$ elsőfokú függvényt határozza meg.

Linearizáló módszer

A mérési adatokat ábrázoló pontdiagramról látható, hogy egyenes helyett inkább valamilyen, a vizsgált jelenség tulajdonságaiból is következtethető görbe illik a modellhez. A legkisebb négyzetek módszere ekkor is alkalmazható, de a számolás ilyenkor a formula jellegéből fakadóan nehézkesebb. A linearizáló módszer abból áll, hogy az eredeti ${\displaystyle x;y}$ változók helyett, velük összefüggő, de egymással lineáris kapcsolatban lévő ${\displaystyle X;Y}$ változókat vezetünk be.

Például az ${\displaystyle y=A\cdot e^{Bx}}$ empirikus formulából az ${\displaystyle X=x;Y=\ln {y}}$ helyettesítésekkel az ${\displaystyle Y=\ln A+B\cdot X}$ lineáris kapcsolat adódik. Ennek ${\displaystyle a=\ln A;b=B}$ együtthatóit meghatározva az eredeti formula konstansai adódnak: ${\displaystyle A=e^{a};B=b}$.

Középértékek módszere

A linearizáló módszer esetenként nem eléggé pontos. Javítható a becslés, ha az adathalmazt két vagy több részre osztjuk és mindre elvégezzük a számítást. Az egyes paraméterek számított értékeinek számtani (vagy súlyozott) közepét képezzük.

Spline (szplájn) approximáció

Az adatsort szakaszonként közelítő görbeívek érintője a csatlakozási pontokban közös. Az érintőkben a nyelvtani többes azt jelenti, hogy a csatlakozó görbéknek az adott pontban közös lehet az elsőrendű (egyenes), a másodrendű (simulókör) stb. érintője. Minél magasabb rendben érintkeznek, annál simább a spline, annál tökéletesebb illesztés. A spline approximációt nem csak adatsorok közelítésére, hanem komplikált, nehezen kezelhető egyenletű görbék helyettesítésére használják. (L.: Kosárgörbe, klotoid, átmeneti ív.) A számítógépes grafikában a szabálytalan vonalakat Bèzier-spline-ok alkalmazásával digitalizálják. (Az alábbi példában a lineáris spline-t (kék vonal) az adatokhoz (piros pontok) illesztjük.)

További elérhető illusztrációk:

• Harmadfokú spline approximáció JSXGraph médián
• Előadások a spline interpolációról
• Harmadfokú spline interpoláció, előadási jegyzet PDF

Irodalom

• Bartsch, Hans-Jochen: Matematische formeln (Veb Fachbuchverlag, Leipzig, 1967) (németül)
• Bronstein – Szemengyajev: Matematikai zsebkönyv (Műszaki, 1987) ISBN 963 1053091
• Hack F. & all.: Négyjegyű függvénytáblázatok etc. (Nemzeti Tankönyvkiadó, 2004) ISBN 978-963-19-5703-7
• Reinhardt – Soeder: SH Atlasz – Matematika (Springer-Verlag, 1993)

További információk

• Letölthető interaktív Flash szimuláció a görbeillesztésről – polinommal illusztrálva, magyarul. Elérés:
  • magyarázó lapon át
  • közvetlenül a PhET-től