% ┌                                                ┐
% │     AUTHOR: Janis Hutz<info@janishutz.com>     │
% └                                                ┘

% Lecture: \chi here are used as RELU function!
\subsection{Stückweise Lineare Interpolation}
Globale Interpolation (also Interpolation auf dem ganzen Intervall $]-\infty, \infty[$) funktioniert nur dann gut, wenn:
\rmvspace
\begin{enumerate}[label=(\alph*), noitemsep]
    \item die gegebenen Interpolationspunkte als Chebyshev-Knoten oder -Abszissen verwendet werden können
    \item die Funktion glatt ist
\end{enumerate}
Es müssen beide obige Eigenschaften zutreffen. 
Eine Idee um die Einschränkungen zu reduzieren oder komplett zu entfernen ist es, das Intervall zu unterteilen, oder formaler,
das Intervall $I = [a, b]$ in viele kleinere Intervalle zu zerlegen.

Wir haben dann ein Polynom vom Grad $n$ auf jedem Teilintervall mit $n + 1$ Punkten, was den Fehler verringert:
\begin{align*}
    |f(x) - s(x)| < \frac{h^{n + 1}}{(n + 1)!} ||f^{(n + 1)}||_{\infty}
\end{align*}

Seien $N + 1$ Messpunkte gegeben. Wir verwenden sie als Knoten 
(im Englischen \textit{breakpoints} gennant. Die Knoten sind also nicht dasselbe wie in den vorigen Kapiteln, es gibt aber keinen wirklich sinnvollen Namen im Deutschen)
diese $N + 1$ Messpunkte. Die Knoten dienen Paarweise als Abgrenzung der neuen, kleinen Intervalle, die wir erstellt haben. 
Die linearen Interpolanten für jedes Intervall sind (mit $h_j = x_j - x_{j - 1}$):
\begin{align*}
    s_j(x) = y_{j - 1}\frac{x_j - x}{h_j} + y_j \frac{x - x_{j - 1}}{h_j} \mediumhspace \text{für } x \in [x_{j - 1}, x_j]
\end{align*}
% NOTE: This might just be little more than a page in the script, but he talked about it for like 20 min in the lecture... 
% and he even went as far as telling people to really pay attention... 
% so I guess that means it is *not* important (could well not be important actually)
Wie man nun zu dieser Formel kommt:
Sei $\chi(t) = t \smallhspace \forall t \in [0, 1]$. 
Die Funktion $f(t) = y_0 \chi(1 - t) + y_1 \chi(t)$ hat also die Interpolationseigenschaften $f(0) = y_0$ und $f(1) = y_1$ und ist linear in $t$.
Die Interpolation $s_j(x)$ auf $[x_{j - 1}, x_j]$ entsteht dann also aus $f$ mit Variablenwechsel $t = \frac{x - x_{j - 1}}{h_j} \in [0, 1] \leftrightarrow x = x_{j - 1} + h_j t$,
also gilt:
\begin{align*}
    s_j(x) = y_{j - 1} \chi \left( \frac{x_j - x}{h_j} \right) + y_j \chi \left( \frac{x - x_{j - 1}}{h_j} \right) \mediumhspace \text{für } x \in [x_{j - 1}, x_j]
\end{align*}
Dies ist eine lokale Interpolation und $s_j$ ist $0$ ausser im definierten Intervall. 
Die Idee des Variablenwechsel ist es, das Intervall, auf welchem die Funktion definiert ist von $[0, 1]$ nach $[x_{j - 1}, x_j]$ zu verschieben.

\innumpy Stückweise lineare interpolation lässt sich leicht umsetzen via numpy \verb|piecewise| Funktionen:

\begin{code}{python}
def slope(x: np.ndarray, j: int, x_data: np.ndarray, y: np.ndarray):
    """ Slope on j-th sub-interval, for x falling inside that sub-interval """
    h = np.abs(x_data[j] - x_data[j-1])   # size of sub-interval
    return y[j-1]*(x_data[j] - x)/h + y[j]*(x - x_data[j-1])/h


def eval_linear_interp(x: np.ndarray, x_data: np.ndarray, y: np.ndarray):
    """ Evaluate linear interpolation on x, using data points (x_data, y) """
    n = x_data.size; m = x.size
        
    condlist = [
        (x_data[j-1] <= x) & (x <= x_data[j])
        for j in range(1, n)
    ]
    funclist = [
        lambda x, ind=j: slope(x, ind, x_data, y)  
        for j in range(1, n)
    ]
    
    return np.piecewise(x, condlist, funclist)
\end{code}