MATLAB Interpolation: Newton, Chebyshev ve Spline’ı Görün
MATLAB ile polynomial interpolation, Newton form, Runge olgusu, Chebyshev düğümleri, least squares ve cubic spline yöntemlerini görselleştirerek öğrenin.
📅2026-08-28
Harun Büyükçolak, Full Stack Developer
Yazı içeriği
Interpolation, ölçülmüş noktaların arasındaki değerleri tahmin etmenin matematiksel yoludur. Fakat noktaların tamamından geçen yüksek dereceli bir polynomial her zaman iyi bir model değildir. Düğüm seçimi, problem ölçeği ve yöntem kararlılığı sonucu belirler.
Websoftik Academy Interpolation & Approximation Lab; Newton form, Runge olgusu, Chebyshev düğümleri, least squares ve cubic spline yaklaşımını aynı hata görünümünde karşılaştırır.
1. Interpolation Nedir?
Elimizde farklı x değerlerinde alınmış
(xᵢ,yᵢ) ölçümleri varsa interpolation, bütün bu noktalardan geçen bir fonksiyon üretir. Approximation ise veriyi birebir geçirmek zorunda değildir; noise içeren gözlemlerde genel eğilimi yakalamayı hedefleyebilir.Bu ayrım önemlidir. Exact data ve küçük problem için interpolation mantıklıyken ölçüm hatası bulunan büyük veri setinde least squares daha güvenilir olabilir.
2. Interpolation & Approximation Lab Nasıl Çalışıyor?
Interpolation & Approximation Lab’i açtığınızda node, function ve method seçimini değiştirebilirsiniz. Curve, pointwise error, maximum error ve conditioning göstergeleri eşzamanlı güncellenir.
Sekiz modül; polynomial interpolation’dan Runge ve Lebesgue analizine, QR least squares’tan cubic spline C² audit’ine uzanır. Böylece yalnızca formülü değil, formülün hangi koşulda bozulduğunu da görürsünüz.
3. Polynomial Interpolation Mantığı Nedir?
n+1 farklı node için derecesi en fazla n olan tek bir interpolation polynomial vardır. Bu varlık ve teklik sonucu, yöntemin temsil gücünü açıklar; fakat numerical computation’ın güvenli olduğunu tek başına garanti etmez.
Monomial basis ile Vandermonde sistemi kurmak teorik olarak mümkündür. Derece ve node dağılımı büyüdükçe Vandermonde matrix kötü condition olabilir. Lab aynı polynomial’ı farklı basis’lerde göstererek temsil ile hesaplama yöntemini ayırır.
4. Lagrange Formu Nasıl Çalışır?
Lagrange basis polynomial’ı kendi node’unda 1, diğer bütün node’larda 0 değerini alır. Interpolant, bu basis fonksiyonlarının y değerleriyle ağırlıklı toplamıdır. Katsayı sistemi çözmeden doğrudan formül kurulabilir.
Yeni bir node eklendiğinde basis’lerin tamamı değişir. Çok sayıda evaluation yapılacaksa barycentric Lagrange formu daha verimli ve kararlı bir seçenek sunar. Lab basis eğrilerini ayrı ayrı açarak toplamın nasıl oluştuğunu görünür kılar.
5. Newton Divided Differences Ne Kazandırır?
Newton form, divided difference tablosundan üretilen katsayıları iç içe çarpanlarla kullanır. Yeni node eklendiğinde önceki hesap boşa gitmez; yalnızca yeni sütun ve terim eklenir.
MATLAB’da tabloyu kurarken indeks sınırlarına ve node tekrarına dikkat edilmelidir. Lab her divided difference seviyesini renklendirir, seçilen polynomial teriminin eğriye katkısını adım adım gösterir.
6. Düğüm Seçimi Neden Önemli?
Interpolation error yalnızca degree’e değil, node’ların interval içindeki konumuna bağlıdır. Eşit aralıklı node sezgisel görünür; buna rağmen interval uçlarında error’u büyütebilir. Daha fazla nokta her zaman daha iyi sonuç anlamına gelmez.
Lab node slider’ı ile aynı fonksiyonda uniform ve Chebyshev dağılımını karşılaştırır. Maximum error ve node polynomial büyüklüğünü birlikte izlemek, farkın nedenini açıklar.
7. Runge Olgusu Nedir?
Runge phenomenon, düzgün bir fonksiyonun eşit aralıklı node’larla yüksek dereceli polynomial interpolation’ında uçlara yakın büyük oscillation üretmesidir. Degree artarken error’un azalmak yerine büyüyebilmesi en önemli uyarıdır.
Sorun interpolation’ın var olmaması değil, global polynomial ve node seçiminin kötü birleşimidir. Lab klasik Runge function üzerinde degree’i artırdığınızda merkez ve uç error’larının farklı davranışını canlı gösterir.
8. Chebyshev Düğümleri Ne Kazandırır?
Chebyshev node’ları interval uçlarına daha yoğun yerleşir. Bu dağılım node polynomial’ın maximum büyüklüğünü küçültür ve pek çok smooth problemde uniform node’a göre daha dengeli error sağlar.
Chebyshev seçimi bütün sorunları sihirli biçimde çözmez; nonsmooth fonksiyon ve extrapolation hâlâ dikkat ister. Lab node haritası ile error envelope’u yan yana getirerek iyileşmenin nerede oluştuğunu gösterir.
9. Lebesgue Constant Neyi Ölçer?
Lebesgue function, data değerlerindeki perturbation’ın interpolant üzerinde ne kadar büyüyebileceğini ölçer. Interval üzerindeki maximum değeri Lebesgue constant’tır. Büyük değer, node setinin hatayı büyütmeye eğilimli olduğunu söyler.
Bu ölçü function’dan bağımsız olarak node dağılımını değerlendirir. Lab uniform ve Chebyshev node’ların Lebesgue eğrilerini aynı eksende çizerek conditioning farkını sayıya dönüştürür.
10. Interpolation ve Least Squares Nasıl Ayrılır?
- Interpolation: bütün noktaları tam geçirir.
- Least squares: residual kareleri toplamını küçültür.
- Noise: ölçüm verisinde exact fit, noise’u da öğrenebilir.
- Model degree: least squares’ta veri sayısından daha düşük tutulabilir.
Model seçimini yalnızca training residual ile değil, beklenen davranış ve validation error ile değerlendirmek gerekir.
11. QR ile Least Squares Neden Tercih Edilir?
Normal equation
AᵀAx=Aᵀb kolay görünür, fakat condition number’ı yaklaşık karesine çıkarabilir. QR factorization, problemi orthogonal transformation ile çözerek genellikle daha kararlı davranır.Lab aynı noisy data üzerinde normal equation ve QR sonuçlarını coefficient sensitivity, residual ve prediction curve üzerinden kıyaslar. QR bağlantısını ayrıntılı görmek için Linear Systems rehberine de geçebilirsiniz.
12. Cubic Spline ve C² Süreklilik Nedir?
Cubic spline, her iki komşu node arasında ayrı bir cubic polynomial kullanır. Parçalar value, first derivative ve second derivative seviyesinde birleştiğinde C² süreklilik elde edilir.
Global yüksek dereceli polynomial yerine lokal parçalar kullanmak oscillation riskini azaltır. Natural, clamped veya not-a-knot boundary koşulları uç davranışını değiştirir. Lab birleşme noktalarında value ve türev farklarını audit eder.
13. Approximation Hatası Nasıl Ölçülür?
Absolute error tek noktadaki farkı, maximum norm interval içindeki en kötü farkı, RMS error ise genel performansı özetler. Relative error gerçek değer sıfıra yakınken yanıltıcı büyüyebilir; metriği probleme göre seçmek gerekir.
Interpolation interval dışındaki extrapolation için güvence vermez. Lab error curve’ü interval sınırlarıyla birlikte işaretler; içeride iyi görünen modelin dışarıda hızla ayrılmasını özellikle görünür kılar.
14. Interpolation Lab Nasıl Çalışılmalı?
- Küçük node setinde Lagrange ve Newton sonuçlarını eşleştirin.
- Degree’i artırıp Runge error’unu uçlarda gözleyin.
- Uniform node’u Chebyshev ile değiştirin.
- Lebesgue constant ve maximum error ilişkisini ölçün.
- Noisy data’da interpolation ile QR least squares’ı karşılaştırın.
- Cubic spline birleşimlerinde C² audit’i tamamlayın.
Interpolation & Approximation Lab’i açın; node, curve ve error’u aynı ekranda okuyun. Tüm modüllerin sırası için 8 Academy Lab çalışma rehberine geçin.
Sonraki Adim: Bunlari da Oku
Bu yaziyi tamamladiysan, bir sonraki seviyeye gecmek icin su iceriklerle devam etmeni oneririz:
Ucretsiz Seviye Analizi ile Baslayalim
Mevcut seviyenizi hizlica analiz edip size en uygun ders planini birlikte cikaralim.
