Metodi Numerici con elementi di Programmazione (A.A )
|
|
- Biaggio Manca
- 5 anni fa
- Visualizzazioni
Transcript
1 Metodi Numerici con elementi di Programmazione (A.A ) Metodi Numerici Appunti delle lezioni: Approssimazione di dati e funzioni Approssimazione ai minimi quadrati
2 Docente Vittoria Bruni Ufficio: Via A. Scarpa, Pal. B, I piano, Stanza n. 16 Tel Ricevimento: Giovedì Testi consigliati: Calcolo Numerico, L. Gori, Ed. Kappa, 2006 Esercizi di Calcolo Numerico, L. Gori-M.L. Lo Cascio, F. Pitolli, Ed. Kappa, 2007 Il materiale didattico è disponibile sul sito nella pagina dedicata al corso Metodi Numerici con elementi di Programmazione 1
3 Approssimazione ai minimi quadrati 2
4 Approssimazione ai minimi quadrati Problema. Data la tabella {x i, y i }, i = 0,..., n, si vuole trovare una funzione analitica che approssimi i dati. In questo caso la tabella è il risultato di misure sperimentali ciascuna delle quali è affetta da un errore di misura ε i. Metodo di approssimazione: si sceglie la funzione approssimante ϕ M in modo da minimizzare n [ϕ M (x i ) y i ] 2 Scarto quadratico oppure, introducendo i pesi w i > 0, i, n w i [ϕ M (x i ) y i ] 2 Scarto quadratico pesato 3
5 Caso lineare Funzione approssimante ϕ M (x) dipende linearmente da M parametri: a 0, a 1,..., a M M << n ϕ M (x) = a 0 ψ 0 (x) + a 1 ψ 1 (x) a M ψ M (x) dove {ψ k (x)} k=0,...,m è una base per lo spazio di approssimazione Metodo di approssimazione: si minimizza lo scarto quadratico σ 2 (a 0, a 1,..., a M ) = n a 0 ψ 0 (x i ) + a 1 ψ 1 (x i ) a M ψ M (x i ) }{{} ϕ M (x i ) Risolvere il problema dell approssimazione ai minimi quadrati vuol dire individuare i coefficienti reali a k che rendono minimo σ 2 (a 0,..., a M ). Nota. L approssimante ai minimi quadrati in generale non passa per i valori {x i, y i } ma vicino ad essi. y i 4 2
6 Polinomio ai minimi quadrati Funzione approssimante: ϕ M (x) = P M (x) = a 0 + a 1 x + + a M 1 x M 1 + a M x M M << n Metodo di approssimazione: si minimizza lo scarto quadratico σ 2 (a 0, a 1,..., a M ) = n [a 0 + a 1 x i + + a M 1 x M 1 + a M x M i } {{ i } P M (x i ) y i ] 2 Risolvere il problema dell approssimazione polinomiale ai minimi quadrati vuol dire individuare il polinomio P M, cioè i coefficienti reali a k, per il quale σ è minimo. 5
7 Minimizzazione Per minimizzare σ bisogna annullare il gradiente σ2 a k = 0 k = 0, 1,..., M 2 n (a 0 +a 1 x i + +a M 1 x M 1 i +a M x M i y i ) x k i = 0 k = 0, 1,..., M n a 0 x k i + a 1 n x k+1 i + + a M n x M+k i = n y i x k i k = 0, 1,..., M Per trovare i coefficienti incogniti a k bisogna risolvere il sistema lineare ottenuto (sistema delle equazioni normali). Per verificare che la soluzione del sistema sia un minimo bisogna [ 2 σ 2 ] n studiare l hessiano = 2 x k+j a j a i = 2H. k 6
8 Sistema delle equazioni normali Definizioni: s k := n x k i v k := n y i x k i k = 0, 1,..., M Il sistema delle equazioni normali diventa s 0 a 0 + s 1 a s M a M = v 0 s 1 a 0 + s 2 a s M+1 a M = v 1 HA = B... s M a 0 + s M+1 a s 2M a M = v M A = [a 0, a 1,..., a M ] T B = [v 0, v 1,..., v M ] T H = s 0 s 1 s M s 1 s 2 s M+1 s M s M+1 s 2M IR M+1 M+1 7
9 Unicità della soluzione Definiamo il vettore Y = [y 0, y 1,..., y n ] T B = V T Y H = V T V dove V = 1 x 0 x 2 0 xm 0 1 x 1 x 2 1 xm 1 1 x n x 2 n x M n IR n+1 M+1 è la matrice di Vandermonde dei nodi {x i }. Per ogni X IR M+1 si ha X T HX = (V X) T (V X) = V X Inoltre, per la regolarità di V, l uguaglianza vale se e solo se X = 0. H è definita positiva e quindi regolare Il sistema delle equazioni normali ammette un unica soluzione. La matrice hessiana 2H è definita positiva la soluzione corrisponde a un minimo. Nota. La matrice H è malcondizionata 8
10 Esempio La forza F (x) necessaria per allungare una molla fino alla lunghezza x è data da F (x) = k(x l) (Legge di Hooke) dove k è la costante elastica e l è la lunghezza a riposo della molla. Nella tabella qui di seguito sono riportate le misure sperimentali relative a una particolare molla. x F (x) Determinare la costante elastica della molla
11 Retta di regressione Problema. Costruire il polinomio di grado 1 P 1 (x) = a 0 +a 1 x che approssima i dati {x i, y i }, i = 0,..., n >> 1 nel senso dei minimi quadrati. Equazioni normali Soluzione a 0 s 0 + a 1 s 1 = v 0 a 0 s 1 + a 1 s 2 = v 1 a 0 = v 0s 2 v 1 s 1 s 0 s 2 s 2 1 a 1 = s 0v 1 s 1 v 0 s 0 s 2 s 2 1 Esempio Approssimando ai minimi quadrati i dati relativi alla molla si ottiene a 0 = e a 1 = Il coefficiente a 1 fornisce l approssimazione della costante elastica. Per questi valori dei coefficienti si ha σ 2 (a 0, a 1 ) = 6 [a 0 + a 1 x i y i ] 2 = P 1 (x) x 10
12 Interpretazione probabilistica - 1 Siano x una variabile deterministica e y = a 0 + a 1 x la variabile dipendente, legata a x da una relazione lineare. Nel caso in cui i dati {x i, y i + ε i } siano affetti da rumore con errore statistico ε i. Definizione. A partire dai dati {x i, y i } si definiscono la varianza e la covarianza rispettivamente come var(x) = 1 n + 1 dove i (x i x) 2 cov(x, y) = 1 n + 1 x = 1 n + 1 sono le medie osservate. i x i ȳ = 1 n + 1 i y i i (x i x)(y i ȳ) 11
13 Interpretazione probabilistica - 2 Ipotesi: 1) x è una variabile deterministica 2) E(ε i ) = 0 (valore atteso) 3) var(ε i ) costante per ogni i 4) cov(ε i, ɛ j ) = 0 per ogni i j Nel metodo dei minimi quadrati si minimizza la quantità σ 2 (a 0, a 1 ) = i (a 0 + a 1 x i y i ) 2 = i ε 2 i Se valgono Hp. 1-4 i coefficienti a 0 e a 1, soluzione del problema di minimo, possono essere scritti come a 1 = (n + 1)( i x i y i ) ( i x i )( i y i ) (n + 1)( i x 2 i ) ( i x i ) 2 = cov(x, y) var(x) a 0 = ( i y i )( i x 2 i ) ( i x i )( i x i y i ) (n + 1)( i x 2 i ) ( i x i ) 2 = ȳ a 1 x = ȳ cov(x, y) var(x) x 12
14 Approssimazione trigonometrica Se la funzione o i dati che si vogliono approssimare hanno un andamento periodico si sceglie come classe di funzioni approssimanti l insieme T M dei polinomi trigonometrici. T M := t M(x) = M k=0 ( ak cos(k x) + b k sin(k x) ), a k, b k IR k, x [0, 2π) Interpolazione: si usa quando si vogliono interpolare pochi dati periodici non affetti da errori Approssimazione discreta ai minimi quadrati: si usa quando si vogliono interpolare molti dati periodici affetti da errori I coefficienti a k, b k nell approssimazione ai minimi quadrati (discreta) o nell interpolazione costituiscono l Analisi di Fourier Discreta di una funzione (segnale). 13
15 Esercizio La tabella seguente riporta le misure della densità relativa ρ dell aria a diverse altezze h. h (km) ρ Si approssimi ρ con un polinomio di secondo grado e si stimi il valore di ρ in corrispondenza di h = 10.5 km. 14
16 Si cerca il polinomio p 2 (h) = a 0 + a 1 h + a 2 h 2 i cui coefficienti sono le soluzioni del seguente sistema dove s 0 s 1 s 2 s 1 s 2 s 3 s 2 s 3 s 4 a 0 a 1 a 2 = v 0 v 1 v 2 s 0 = 6 h 0 i = 7 s 1 = 6 h 1 i = = s 2 = 6 h 2 i = = s 3 = 6 h 3 i = s 4 = 6 h 4 i =
17 v 0 = 6 h 0 i ρ i = v 1 = 6 h i ρ i = v 2 = 6 h 2 i ρ i = Risolvere il sistema e verificare che a 2 = a 1 = a 0 = e σ 2 (a 0, a 1, a 2 ) = 6 (a 0 + a 1 h i + a 2 h 2 i ρ i) 2 =
18 Quindi p 2 (h) = h h 2 da cui p 2 (10.5) =
19 Esercizio Trovare il polinomio di secondo grado che meglio approssima i seguenti dati ai minimi quadrati: x i y i
20 E necessario risolvere il seguente sistema a 0 a 1 a 2 = da cui si deduce facilmente che [a 0 a 1 a 2 ] T = [0 0 1] T e quindi p 2 (x) = x 2 Se i valori y i sono affetti da errore, cioè y i = [ ], il sistema diventa a 0 a 1 a 2 = da cui [a 0 a 1 a 2 ] T = [ ] T e quindi p 2 (x) = x x 2 19
21 Riferimenti bibliografici L. Gori, Calcolo Numerico: Cap L. Gori, M.L. Lo Cascio, F. Pitolli, Esercizi di Calcolo Numerico: Es ,
22 Esercizi d esame 21
23 ESERCIZIO 1 Data la tabella i x i 0 1/6 1/4 1/3 1/2 f i ) scrivere l espressione del polinomio interpolatore relativo ai tre nodi equispaziati nell intervallo chiuso [0, 0.5]; 1.2) sapendo che f (k) (x) (k + 4 x )4 k 1, k 1, per x [0, 0.5], dare una maggiorazione in modulo dell errore di troncamento che si commette approssimando f(1/3) con il polinomio costruito al punto (1.1); 1.3) dare una maggiorazione in modulo dell errore di propagazione. 22
24 Soluzione 1.1) I nodi da utilizzare sono x 0, x 2, x 4, il polinomio interpolatore sarà quindi un polinomio di grado al più 2. L espressione di Lagrange fornisce p 2 (x) = f 0 l 0 (x) + f 2 l 1 (x) + f 4 l 2 (x) = l 1 (x) l 2 (x) dove l 0 (x) = 8(x 1 4 )(x 1 2 ) l 1(x) = 16 x (x 1 2 ) l 2(x) = 8 x (x 1 4 ). 1.2) Per il modulo dell errore di troncamento vale la maggiorazione E 2 (x) x(x 1 4 )(x 1 2 ) 3! max f (3) (x) x [0,0.5] Poiché per x [0, 0.5] si ha f (3) (x) (3+4 x )16 80, in x = 1/3 si ottiene E 2 ( 1 3 ) = <
25 1.3) Per il modulo dell errore di propagazione vale la maggiorazione E ( 1 3 ) ɛ 2 l i ( 1 3 ) dove l errore sui dati è ɛ = , come si può dedurre dai dati. L errore di propagazione è trascurabile rispetto all errore di troncamento, quindi possiamo supporre che l approssimazione non abbia nessun decimale esatto. In realtà la maggiorazione dell errore è pessimistica, in quanto dalla tavola si deduce che E( 1 3 ) = f 3 p 2 ( 1 ) < quindi l approssimazione ha un decimale esatto.
26 ESERCIZIO 2 Data la seguente tabella delle differenze divise i x i f i ) determinare il polinomio interpolatore di grado minimo che produce un approssimazione del valore della funzione nel punto x = 1.95 con errore di troncamento in modulo inferiore a ; 2.2) indicato con p(x) il polinomio determinato al punto 2.1 e sapendo che f 5 è dato con errore , valutare l effetto dell errore di propagazione su p(1.95). 24
27 Soluzione 2.1) Sia p n (x) il polinomio di grado n che interpola i dati in n + 1 nodi. L errore di troncamento in un punto x dell intervallo di interpolazione è dato da dove f (n+1) (τ) (n+1)! E n (x) = π n (x) f (n+1) (τ) (n + 1)!, τ (x 0, x n ), f[x 0, x 1,..., x n+1 ]. Poichè la tabella data contiene 6 nodi, per poter stimare l errore di troncamento usando i valori in tabella, il polinomio interpolatore deve essere al più di grado 4. Sia n = 1. Scegliendo i nodi x 1 e x 2, E 1 (1.95) = (1.95 x 1 )(1.95 x 2 ) f[x 0, x 1, x 2 ] = = = >
28 Come nodo aggiuntivo è stato scelto x 0 in quanto f[x 0, x 1, x 2 ] è già calcolato nella tabella data. In alternativa, volendo scegliere come ulteriore nodo x 3, è necessario prima completare alcune parti della tabella delle differenze divise. Sia n = 2. Scegliendo i nodi x 0, x 1 e x 2, E 2 (1.95) = (1.95 x 0 )(1.95 x 1 )(1.95 x 2 ) f[x 0, x 1, x 2, x 3 ] = = < Anche in questo caso f[x 0, x 1, x 2, x 3 ] è dato in tabella. Quindi il polinomio cercato è da cui p 2 (x) = f 0 + (x x 0 )f[x 0, x 1 ] + (x x 0 )(x x 1 )f[x 0, x 1, x 2 ] p 2 (1.95) = ( ) =
29 2.2) Il polinomio p 2 non dipende dal valore della funzione nel nodo x 5, quindi l errore su f 5 non si propaga sul valore di p 2 (1.95).
30 ESERCIZIO 3 Si consideri il polinomio di secondo grado che interpola una funzione f(x) C (IR) nei nodi simmetrici x 0 = a, x 1 = 0, x 2 = a. 3.1) Dare una maggiorazione in modulo dell errore di troncamento valida per ogni punto 1 x 1 nel caso in cui f(x) = sin(x) e l intervallo di interpolazione sia I = [ 1, 1]; 3.2) dare una maggiorazione in modulo dell errore di propagazione valida per ogni punto 1 x 1 nel caso in cui i valori di f siano dati con 5 decimali esatti. 26
31 ESERCIZIO 4 Si vuole costruire la retta di regressione relativa ai dati in tabella i x i -1.5 ξ ξ 1.4 y i dove 0.5 ξ 1.0, 4.1) studiare il numero di condizionamento della matrice dei coefficienti del sistema delle equazioni normali in funzione del parametro ξ e stabilire per quali valori di ξ si ha il condizionamento migliore; 4.2) per il valore minimo di ξ individuato al punto precedente, scrivere l equazione della retta di regressione. 27
32 Traccia della Soluzione La matrice dei coefficienti del sistema delle equazioni normali è ( ) ( ) s0 s H = = s 1 s ξ la sua matrice inversa è H 1 1 = 7(2ξ ) 0.49 ( 2ξ ) Poichè H è simmetrica e definita positiva si ha K 1 (H) = K (H) K 2 (A) = λ max λ min Studiando il condizionamento rispetto alla norma infinito, si ha una funzione dipendente da ξ. Si può verificare che il minimo di K (H) 28
33 è in corrispondenza di ξ = 1 da cui è possibile determinare la retta di regressione risolvendo il sistema ( ξ ) ( a0 a 1 ) = ( )
34 ESERCIZIO 5 Si consideri la seguente tabella relativa alla funzione f(x) = x 0 g(t)dt, con f, g C (R) i x i f i approssimare g(t)dt usando l espressione del polinomio interpolatore di Newton di terzo grado della funzione f nell intervallo [0, 0.375]; 5.2 dare una stima dell errore di troncamento. 29
35 Soluzione La tavola alle differenza divise della funzione f(x) è i x i f[x i ] f[x i, x j ] f[x i, x j, x k ] f[x i, x j, x k, x h ] f[x i, x j, x k, x h, x l ] Scegliendo i nodi x 0, x 1, x 2, x 3, il polinomio di Newton di terzo grado p 3 (x) che approssima la funzione f(x) nell intervallo [0, 0.375] è p 3 (x) = f[x 0 ] + (x x 0 )f[x 0, x 1 ] + (x x 0 )(x x 1 )f[x 0, x 1, x 2 ]+ +(x x 0 )(x x 1 )(x x 2 )f[x 0, x 1, x 2, x 3 ] = 30
36 = x x(x 1/8) x(x 1/8)(x 1/4) il cui valore nel punto x = 1/6 da un approssimazione dell integrale 1/6 0 g(t)dt, cioè p 3 (1/6) = Una stima dell errore di troncamento che si commette approssimando f(1/6) con p 3 (1/6) è data da E(1/6) π 4 (1/6)f[x 0, x 1,..., x 4 ], dove π 4 è il polinomio nodale relativo ai 4 nodi x 0, x 1, x 2, x 3 e f[x 0,..., x 4 ] è il primo termine omesso della tavola alle differenze divise. Quindi, E(1/6)
37 ESERCIZIO Illustrare dettagliatamente le tipologie di errore tipiche dell approssimazione di dati e funzioni, con particolare riferimento all errore di troncamento dell interpolazione polinomiale. 6.2 Si consideri la funzione f C (R) così definita: f(x) = 3x 3 0.5x x x R, scegliere opportunamente nodi equidistanti nell intervallo [x δ, x + δ], con δ R +, affinchè la parabola costruita su di essi produca una stima di f(x 2 δ ) con tre decimali esatti. Si trascurino gli errori di arrontondamento. 31
38 ESERCIZIO 7 7.1) Illustrare dettagliatamente l interpolazione polinomiale e l approssimazione polinomiale ai minimi quadrati evidenziandone similitudini e differenze. Per almeno un caso, dimostrare esistenza e unicità del polinomio. 7.2) Assegnati i valori della funzione f(x) = 1 x+1 nei nodi x 0 = 0, x 1 = 0.5 e x 2 = 1, confrontare l errore commesso approssimando il valore di f nel punto x = 0.6 usando il polinomio p(x) che interpola la funzione nei nodi assegnati e la parabola q(x) che meglio approssima la funzione nei punti assegnati nel senso dei minimi quadrati. 32
39 ESERCIZIO 8 La seguente tabella riporta i valori esatti della funzione f(x) C ([ 1, 2.5]) in corrispondenza dei punti x 0, x 1,..., x 4 [1, 2.5] i x i f(x i ) Indicato con p(x) il polinomio che interpola f(x) nei nodi in tabella, dare una stima dell errore che si commette approssimando f(0) con p(0). 8.2 Indicato con p 1 (x) il polinomio che interpola f(x) nei nodi x 0 e x 1, confrontare l errore stimato al punto precedente con l errore che si commette approssimando f(0) con p 1 (0). 8.3 Dare una stima dell errore che si commette approssimando f(0) con p 1 (0) quando si costruisce p 1 (x) usando i valori perturbati di f(x) riportati nella tabella seguente i x i f i
Calcolo Numerico con elementi di programmazione
Calcolo Numerico con elementi di programmazione (A.A. 2014-2015) Appunti delle lezioni sull Approssimazione di dati e funzioni Esempio 1 Nella tavola seguente è riportata la popolazione (in migliaia) dell
DettagliMetodi Numerici con elementi di Programmazione (A.A )
Metodi Numerici con elementi di Programmazione (A.A. 2013-2014) Metodi Numerici Appunti delle lezioni: Sistemi non lineari Docente Vittoria Bruni Email: vittoria.bruni@sbai.uniroma1.it Ufficio: Via A.
DettagliCalcolo Numerico (A.A. 2014-2015) Lab n. 12 Approssimazione 17-12-2014
Calcolo Numerico (A.A. 2014-2015) Lab n. 12 Approssimazione 17-12-2014 1 Approssimazione di dati e funzioni Problema Data la tabella {x i, y i }, i = 0,..., n, si vuole trovare una funzione analitica ϕ
DettagliRaccolta di Esercizi d esame ( di Calcolo Numerico) Prof. Laura Pezza. Equazioni non lineari
Raccolta di Esercizi d esame ( di Calcolo Numerico) Prof. Laura Pezza Equazioni non lineari ESERCIZIO 1 Data l equazione ln(e + x) = 1 (1 + 4x) + 1 2 1.1 verificare analiticamente se sono soddisfatte le
DettagliMetodi Numerici con elementi di Programmazione (A.A )
Metodi Numerici con elementi di Programmazione (A.A. 2018-2019) Metodi Numerici Appunti delle lezioni: Sistemi non lineari Docente Vittoria Bruni Email: vittoria.bruni@sbai.uniroma1.it Ufficio: Via A.
DettagliIl problema lineare dei minimi quadrati
Il problema lineare dei minimi quadrati APPLICAZIONE: Il polinomio di migliore approssimazione nel senso dei minimi quadrati Felice Iavernaro Dipartimento di Matematica Università di Bari 15 Gennaio 2009
Dettaglib vettore(termine noto) y* proiezione ortogonale di b
Carla Guerrini 1 Sistemi sovradeterminati Sia A una matrice m n ove m > n sia b R m trovare una soluzione del sistema sovradeterminato Ax = b significa cercare di esprimere un vettore di R m come combinazione
DettagliINTERPOLAZIONI CON SPLINE
INTERPOLAZIONI CON SPLINE Assegnati gli n +1valori che la funzione f assume nei nodi x i, si costruisce un interpolazione polinomiale a tratti. In ognuno degli intervalli [x i 1,x i ] il polinomio interpolatore
DettagliCALCOLO NUMERICO Prof. L. Gori Prova d esame
CALCOLO NUMERICO Prof. L. Gori Prova d esame 2-7-998 ESERCIZIO. Data la seguente formula di quadratura: f(x)dx = ( ) 3 3 2 f + Af( x) + R 6 0 (.) Determinare A e x in modo che il grado di precisione sia.
DettagliInterpolazione polinomiale. Interpolazione polinomiale
1 Polinomiale Rappresentazione Lagrangiana Polinomio interpolante di Newton Errore nell interpolazione polinomiale 2 Approssimazione ai minimi quadrati nel discreto 1 Polinomiale Rappresentazione Lagrangiana
DettagliApprossimazione numerica
Approssimazione numerica Laboratorio di programmazione e calcolo (Chimica e Tecnologie chimiche) Pierluigi Amodio Dipartimento di Matematica Università di Bari Approssimazione numerica p.1/10 Problema
DettagliCalcolo Numerico. Corso di Laurea in Ingegneria Elettronica Appello del 17 gennaio A(x) =
Calcolo Numerico Corso di Laurea in Ingegneria Elettronica Appello del 7 gennaio 204 Sia M = F (2, 3). Dopo aver mostrato che 20 M, determinare tutti gli elementi ξ M tali che: ξ > 20 Per ogni x R, sia:
DettagliCalcolo Numerico con elementi di programmazione
Calcolo Numerico con elementi di programmazione (A.A. 2014-2015) Appunti delle lezioni sui metodi per la soluzione di sistemi di equazioni non lineari Sistemi di equazioni non lineari Un sistema di equazioni
DettagliEsame di Calcolo Numerico per Informatica A.A. 2010/11 Proff. S. De Marchi e M. R. Russo 19 settembre 2011
Esame di Calcolo Numerico per Informatica A.A. 2010/11 Proff. S. De Marchi e M. R. Russo 19 settembre 2011 L esame consiste di 4 domande aperte e 10 esercizi a risposta multipla. Per gli esercizi ci sono
DettagliEsame di Calcolo Numerico per Informatica A.A. 2010/11 Proff. S. De Marchi e M. R. Russo 20 giugno 2011
Esame di Calcolo Numerico per Informatica A.A. 2010/11 Proff. S. De Marchi e M. R. Russo 20 giugno 2011 L esame consiste di 4 domande aperte e 10 esercizi a risposta multipla. Per gli esercizi ci sono
DettagliCalcolo Numerico. Esercitazioni (A.A ) Lezione n. 16 Approssimazione
Calcolo Numerico (A.A. 2013-2014) Esercitazioni Lezione n. 16 Approssimazione 23-05-2014 1 Approssimazione di dati e funzioni Problema Data la tabella {x i, y i }, i = 0,..., n, si vuole trovare una funzione
DettagliComplementi di Matematica e Calcolo Numerico A.A
Complementi di Matematica e Calcolo Numerico A.A. 2016-2017 Laboratorio 6 - Minimi quadrati e spline APPROSSIMAZIONE DI FUNZIONI O DI DATI Consideriamo il problema di valutare una funzione nota soltanto
Dettagli2. Costruire un M function file di Matlab che calcola il valore del
Esercizi. 1. Costruire un M function file di Matlab che calcola il valore del polinomio di Chebyshev di grado n in un vettore di punti, usando la formula di ricorrenza a tre termini. Costruire il grafico
DettagliRaccolta di esercizi di Calcolo Numerico Prof. Michela Redivo Zaglia
Raccolta di esercizi di Calcolo Numerico Prof. Michela Redivo Zaglia Nota Bene: Gli esercizi di questa raccolta sono solo degli esempi. Non sono stati svolti né verificati e servono unicamente da spunto
DettagliInterpolazione composita di Lagrange
Interpolazione composita di Lagrange Dividiamo l itervallo [a, b] in N sottointervalli I j = [x j 1, x j ], j = 1,..., N. Sia h j = x j x j 1 e h = max 1 j N h j. Su ciascun intervallo I j usiamo interpolazione
DettagliLaboratorio di Calcolo Numerico Approssimazione ai minimi quadrati
Laboratorio di Calcolo Numerico Approssimazione ai minimi quadrati Ángeles Martínez Calomardo http://www.dmsa.unipd.it/ acalomar/didattica/2013-14 angeles.martinez@unipd.it Laurea in Matematica A.A. 2013
DettagliInterpolazione polinomiale. Interpolazione polinomiale
1 Polinomiale Rappresentazione Lagrangiana Polinomio interpolante di Newton Errore nell interpolazione polinomiale Outline 1 Polinomiale Rappresentazione Lagrangiana Polinomio interpolante di Newton Errore
DettagliMetodi Numerici con elementi di Programmazione (A.A )
Metodi Numerici con elementi di Programmazione (A.A. 2018-2019) Metodi Numerici Appunti delle lezioni: Approssimazione di dati e funzioni Docente Vittoria Bruni Email: vittoria.bruni@sbai.uniroma1.it Ufficio:
DettagliInterpolazione e approssimazione di dati
Interpolazione e approssimazione di dati Corso di Metodi Numerici 22 Marzo 2018 Introduzione Implementazione in MATLAB di interpolazione polinomiale e approssimazione di dati. Date n + 1 coppie di punti
DettagliApprossimazione di dati e funzioni
Approssimazione di dati e funzioni Richiamiamo i principali metodi di approssimazione polinomiale di un insieme di dati (x i, y i ), i = 0,..., n. Le ordinate y i possono essere i valori assunti nei nodi
Dettaglin (x i x j ), det V = i>j
Capitolo 4 Approssimazione 4.1 Richiami di teoria Prerequisiti: nozioni elementari di calcolo differenziale e integrale. Interpolazione Il problema dell interpolazione è un caso particolare del vasto settore
DettagliInterpolazione. Corso di Calcolo Numerico, a.a. 2008/2009. Francesca Mazzia. Dipartimento di Matematica Università di Bari.
Interpolazione Corso di Calcolo Numerico, a.a. 2008/2009 Francesca Mazzia Dipartimento di Matematica Università di Bari 17 Aprile 2009 Francesca Mazzia (Univ. Bari) Interpolazione 17/04/2006 1 / 37 Interpolazione
DettagliInterpolazione e approssimazione di funzioni
Interpolazione e approssimazione di funzioni Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ Laboratorio - 26 febbraio 2007 Outline 1 Interpolazione polinomiale Interpolazione
DettagliInterpolazione e approssimazione di dati
Interpolazione e approssimazione di dati 08 Aprile 2019 Introduzione Implementazione in MATLAB di interpolazione polinomiale e approssimazione di dati. Date n + 1 coppie di punti (x i, y i ) con i = 0,
DettagliEsercizio 1. Esercizio 2
Sia data la matrice A A(α) = Esercizio α 2 2α 2 2, α R.) determinare per quali valori del parametro reale α é verificata la condizione necessaria e sufficiente di convergenza per il metodo di Jacobi;.2)
DettagliCorso di Calcolo Scientifico
I Modulo del corso integrato di Calcolo Dott.ssa Maria Carmela De Bonis a.a. 2012-13 Approssimazione di Funzioni In molti problemi matematici emerge l esigenza di dover approssimare una funzione f C k
Dettaglif(x) dx = F (b) F (a) Formula di quadratura o di integrazione numerica c i f(x i ) + R n (f)
INTEGRAZIONE NUMERICA Integrale di funzione I(f) = a f(x) dx = F (b) F (a) Formula di quadratura o di integrazione numerica a f(x) dx = n i=0 c i f(x i ) + R n (f) dove le {x i } sono i nodi e {c i } sono
Dettaglix i f(x i ) Soluzione: Primo metodo : interpolazione polinomiale, approccio di Newton ; Tavola delle differenze divise :
ESERCIZIO 1 Si forniscano due approssimazioni polinomiali (ottenute con due metodi diversi) della funzione f(x) definita per punti dalla seguente tabella x i -0.5 1 1.5 f(x i ) 0 1 1.5 Primo metodo : interpolazione
DettagliAppunti di Calcolo Numerico. Capitolo 3
Appunti di Calcolo Numerico Capitolo 3 Interpolazione Maurizio Ciampa Dipartimento di Matematica - Università di Pisa Gli esercizi contrassegnati dal simbolo sono leggermente più astratti rispetto agli
DettagliLezione 3 Interpolazione Polinomiale.
Lezione 3 Interpolazione Polinomiale http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali Fernando Palombo Scopi dell interpolazione Dati i valori y i di una grandezza Y in corrispondenza
DettagliINTERPOLAZIONE. Francesca Pelosi. Dipartimento di Matematica, Università di Roma Tor Vergata. CALCOLO NUMERICO e PROGRAMMAZIONE
INTERPOLAZIONE Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ INTERPOLAZIONE p./8 INTERPOLAZIONE Nella
DettagliInterpolazione di Funzioni
Interpolazione di Funzioni N. Del Buono 1 Introduzione Uno dei problemi che piu frequentemente si incontrano nelle applicazioni è la costruzione di una approssimazione di una funzione data f mediante funzioni
DettagliUniversita degli Studi di Ancona - Facolta di Ingegneria Laurea in Ing. Elettronica (VO) Ing. Informatica e Automatica - Ing. delle Telecomunicazioni
Universita degli Studi di Ancona - Facolta di Ingegneria Laurea in Ing. Elettronica (VO) Ing. Informatica e Automatica - Ing. delle Telecomunicazioni ANALISI NUMERICA - Primo Parziale - TEMA A (Prof. A.M.Perdon)
DettagliMetodi Numerici con elementi di Programmazione (A.A )
Metodi Numerici con elementi di Programmazione (A.A. 2018-2019) Metodi Numerici Appunti delle lezioni: Integrazione numerica Formule di quadratura Docente Vittoria Bruni Email: vittoria.bruni@sbai.uniroma1.it
DettagliEsercizi proposti di Analisi Numerica
Esercizi proposti di Analisi Numerica Silvia Bonettini Dipartimento di Matematica, Università di Ferrara 30 gennaio 2012 1 Conversioni, operazioni di macchina e analisi dell errore 1. Convertire i numeri
DettagliComplementi di Matematica e Calcolo Numerico A.A Laboratorio 4 - Polinomi e Interpolazione polinomiale
Complementi di Matematica e Calcolo Numerico A.A. 2013-2014 Laboratorio 4 - Polinomi e Interpolazione polinomiale Polinomi e vettori Matlab non prevede un oggetto particolare di tipo polinomio, ma rappresenta
DettagliMetodi Numerici con elementi di Programmazione (A.A )
Metodi Numerici con elementi di Programmazione (A.A. 2013-2014) Metodi Numerici Appunti delle lezioni: Integrazione numerica Formule di quadratura Docente Vittoria Bruni Email: vittoria.bruni@sbai.uniroma1.it
DettagliMATEMATICA CORSO A II COMPITINO (Tema 1) 5 Aprile 2013
MATEMATICA CORSO A II COMPITINO (Tema 1) 5 Aprile 2013 Soluzioni 1. Due sperimentatori hanno rilevato rispettivamente 25 e 5 misure di una certa grandezza lineare e calcolato le medie che sono risultate
DettagliEsercizi svolti di Calcolo Numerico. C. Fassino
Esercizi svolti di Calcolo Numerico. C. Fassino 2 Gli esercizi presentati illustrano alcune nozioni di base di Analisi Numerica e sono quindi principalmente rivolti a tutti gli studenti che, pur non frequentando
DettagliEsercitazione 7: Aggiornamento minimi quadrati.
Esercitazione 7: Aggiornamento minimi quadrati. Esercizio 1 Per calcolare il piano di equazione p(x) = a+b xc y che minimizza gli scarti quadratici relativi alle misure (x i, y i, z i ) è necessario risolvere
DettagliA.A Prof. R. Morandi
Svolgimento di alcuni esercizi del corso di Calcolo Numerico A.A. - Prof. R. Morandi Versione in aggiornamento ( gennaio ): ogni segnalazione di imprecisioni è gradita Aritmetica Finita Esercizio : Assegnati
Dettaglikπ cos, k = 0, 1, 2,, n (NB: sono n +1) n
Esempio di nodi NON equispaziati Nodi di Lobatto - Chebyshev: x k = kπ cos, k = 0, 1, 2,, n (NB: sono n +1) n Mappa: da t in [-1, 1] a x in [a, b]: x = b a a + b t + 2 2 Esercizio 1 Interpolare la funzione
DettagliComplementi di Matematica e Calcolo Numerico A.A Laboratorio 4 - Polinomi e Interpolazione polinomiale
Complementi di Matematica e Calcolo Numerico A.A. 2015-2016 Laboratorio 4 - Polinomi e Interpolazione polinomiale Polinomi e vettori: Consideriamo particolari funzioni di una variabile reale che siano
DettagliCorso di Analisi Numerica - AN410. Parte 5: formule di quadratura. Roberto Ferretti
Corso di Analisi Numerica - AN410 Parte 5: formule di quadratura Roberto Ferretti UNIVERSITÀ DEGLI STUDI ROMA TRE Formule di quadratura interpolatorie: teoria generale Formule di Newton Cotes semplici
DettagliRaccolta di compiti degli appelli precedenti
Ingegneria Informatica e delle Telecomunicazioni Anno accademico 24-25. Docente Costanza Conti Raccolta di compiti degli appelli precedenti Nota: Gli esercizi riportati si riferiscono a compiti dei precendeti
DettagliMetodi Numerici con elementi di Programmazione (A.A )
Metodi Numerici con elementi di Programmazione (A.A. 2013-2014) Metodi Numerici Appunti delle lezioni: Equazioni non lineari Metodi di linearizzazione Docente Vittoria Bruni Email: vittoria.bruni@sbai.uniroma1.it
DettagliCapitolo 6. Interpolazione e approssimazione. 6.1 Differenze divise
Capitolo 6 Interpolazione e approssimazione In molti problemi si ha a che fare con una funzione f(x) di forma non elementare, o addirittura sconosciuta, di cui si possiede solo una tabulazione in un numero
DettagliInterpolazione polinomiale. Gabriella Puppo
Interpolazione polinomiale Gabriella Puppo Interpolazione polinomiale Matrice di Vandermonde Costruzione del polinomio di interpolazione Studio dell errore Fenomeno di Runge Condizionamento Matrice di
DettagliAlcuni esercizi in preparazione all appello scritto di Calcolo Numerico
Alcuni esercizi in preparazione all appello scritto di Calcolo Numerico Esercizio 1 Si consideri il sistema lineare Ax = b con 4 3 2 1 3 4 3 2 A = 2 3 4 3,b = 1 2 3 4 1 1 1 1. (1) 1. Prima di risolvere
DettagliFacoltà di Scienze MM.FF.NN. Corso di Studi in Matematica- A.A Corso di ANALISI NUMERICA 1: Esempi di esercizi svolti
Facoltà di Scienze MM.FF.NN. Corso di Studi in Matematica- A.A. - Corso di ANALISI NUMERICA : Esempi di esercizi svolti ) Determinare se il problema del calcolo delle radici reali dell equazione x x+c
DettagliAPPROSSIMAZIONE di FUNZIONI
APPROSSIMAZIONE di FUNZIONI Francesca Pelosi Dipartimento di Sc. Matematiche ed Informatiche, Università di Siena CALCOLO NUMERICO a.a. 26 27 APPROSSIMAZIONE di FUNZIONI p.1/3 APPROSSIMAZIONE di FUNZIONI:
DettagliRaccolta di esercizi di Calcolo Numerico
Annamaria Mazzia Raccolta di esercizi di Calcolo Numerico Dipartimento di Ingegneria Civile Edile e Ambientale Università degli Studi di Padova Creative Commons Attribuzione-Non commerciale-non opere derivate
DettagliCalcolo Numerico - A.A Laboratorio 6
Calcolo Numerico - A.A. 2011-2012 Laboratorio 6 Approssimazione ai minimi quadrati Siano (x i, y i ), per i = 0,..., n, n + 1 coppie di dati di origine sperimentale o originati dal campionamento y i =
DettagliMETODI NUMERICI - II canale (A.A )
METODI NUMERICI - II canale (A.A. 2007-2008) Cosa èilcalcolo NUMERICO? Prof. F. Pitolli Appunti della prima lezione È quella branca della matematica che fornisce mezzi e metodi per risolvere numericamente,
DettagliINTERPOLAZIONE. Introduzione
Introduzione INTERPOLAZIONE Quando ci si propone di indagare sperimentalmente la legge di un fenomeno, nel quale intervengono due grandezze x, y simultaneamente variabili, e una dipendente dall altra,
DettagliAnalisi Numerica: quadratura
Analisi Numerica: quadratura S. Maset Dipartimento di Matematica e Geoscienze, Università di Trieste In situazioni come queste, si ricorrerà a metodi numerici come quelli che presenteremo per calcolare
DettagliCorso di laurea in Informatica Calcolo Numerico Prof.ssa L. D Amore 12 Dicembre 2008 Esercizi di riepilogo tipo prova d esame
1 Cognome: Nome: Matricola: Corso di laurea in Informatica Calcolo Numerico Prof.ssa L. D Amore 12 Dicembre 2008 Esercizi di riepilogo tipo prova d esame 1. Si consideri il sistema aritmetico f. p. a precisione
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Il best fitting In molte applicazioni accade di avere una certa quantità di dati (solitamente elevata) e di voler descrivere l andamento del fenomeno che ha
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@gmail.com Università degli studi di Cassino () Statistica 1 / 24 Outline 1 2 3 4 5 () Statistica 2 / 24 Dipendenza lineare Lo studio della relazione tra caratteri
DettagliEsame di Calcolo Numerico per Informatica A.A. 2010/11 Proff. S. De Marchi e M. R. Russo 31 agosto 2011 Testo e soluzioni
Esame di Calcolo Numerico per Informatica A.A. 21/11 Proff. S. De Marchi e M. R. Russo 31 agosto 211 Testo e soluzioni L esame consiste di 4 domande aperte e 1 esercizi a risposta multipla. Per gli esercizi
DettagliVogliamo determinare una funzione lineare che meglio approssima i nostri dati sperimentali e poter decidere sulla bontà di questa approssimazione.
S.S.I.S. TOSCANA F.I.M. II anno FUNZIONI DI REGRESSIONE E METODO DEI MINIMI QUADRATI Supponiamo di star conducendo uno studio sulla crescita della radice di mais in funzione del contenuto di saccarosio
DettagliAnno accademico
RICHIAMI PER IL CORSO DI ANALISI NUMERICA PROF R MORANDI Anno accademico 28 29 1 RICHIAMI: PRECISIONE FINITA (USO DEL CALCOLATORE) IN UN CALCOLATORE UNA QUALUNQUE INFORMAZIONE VIENE RAPPRESENTA- TA COME
DettagliInterpolazione. Lucia Gastaldi. DICATAM - Sez. di Matematica,
Interpolazione Lucia Gastaldi DICATAM - Sez. di Matematica, http://lucia-gastaldi.unibs.it Indice 1 Interpolazione 2 Interpolazione polinomiale Polinomi Valutazione di un polinomio Algoritmo di Horner
DettagliINTERPOLAZIONE POLINOMIALE
Capitolo 5 INTERPOLAZIONE POLINOMIALE Un problema che frequentemente si presenta in matematica applicata è quello dell approssimazione di funzioni, che consiste nel determinare una funzione g, appartenente
DettagliComplementi di Matematica e Calcolo Numerico A.A Polinomi e vettori
Complementi di Matematica e Calcolo Numerico A.A. 2017-2018 Polinomi e vettori Consideriamo particolari funzioni di una variabile reale che siano polinomi, ovvero del tipo p(x) = 3x 4 +2x 3 +x 5, q(x)
DettagliLezioni del Corso di Fondamenti di Metrologia Meccanica
Facoltà di Ingegneria Lezioni del Corso di Fondamenti di Metrologia Meccanica 06. La regressione Regressione Metodo dei minimi quadrati Se due popolazioni sono correlate tra loro e se il coefficiente di
DettagliApprossimazione di dati e funzioni
Dipartimento di Matematica tel. 011 0907503 stefano.berrone@polito.it http://calvino.polito.it/~sberrone Laboratorio di modellazione e progettazione materiali Generalità Problema 1 Dati (x i, y i ) i =
DettagliCALCOLO NUMERICO Laurea di base in Ingegneria Elettronica e delle Comunicazioni
CALCOLO NUMERICO Laurea di base in Ingegneria Elettronica e delle Comunicazioni Prof.ssa Laura Pezza (A.A. 2017-2018) XXIV Lezione dell 8.05.2018 http://www.dmmm.uniroma1.it/ laura.pezza 1 Formule di Newton-Cotes
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 33 Outline 1 2 3 4 5 6 () Statistica 2 / 33 Misura del legame Nel caso di variabili quantitative
DettagliEsempio 1 ANALISI NUMERICA CALCOLO NUMERICO (A.A )
Esempio ANALISI NUMERICA CALCOLO NUMERICO (A.A. -) Nella tavola seguente è riportata la popolazione (in migliaia) dell Italia censita ogni anni tra il 8 e il (dati ISTAT). Anno 8 87 88 9 9 9 9 9 Popolazione
DettagliLa media e la mediana sono indicatori di centralità, che indicano un centro dei dati.
La media e la mediana sono indicatori di centralità, che indicano un centro dei dati. Un indicatore che sintetizza in un unico numero tutti i dati, nascondendo quindi la molteplicità dei dati. Per esempio,
DettagliLezione 5, 5/11/2014
Lezione 5, 5/11/2014 Elena Gaburro, elenagaburro@gmail.com 1 Ordine di convergenza di un metodo Definizione 1.1. Sia {x k } una successione convergente ad α. Consideriamo l errore assoluto in modulo al
DettagliComplementi di Matematica e Calcolo Numerico A.A
Complementi di Matematica e Calcolo Numerico A.A. 20-206 Laboratorio 8. (punteggio 3/3/) Si consideri la funzione f(x) = sin(e x/2 ).. Si approssimi la radice α di f nell intervallo [0, 3.] utilizzando
DettagliCapitolo 3: Ottimizzazione non vincolata parte III. E. Amaldi DEI, Politecnico di Milano
Capitolo 3: Ottimizzazione non vincolata parte III E. Amaldi DEI, Politecnico di Milano 3.4 Metodi di ricerca unidimensionale In genere si cerca una soluzione approssimata α k di min g(α) = f(x k +αd k
DettagliDerivazione numerica. Introduzione al calcolo numerico. Derivazione numerica (II) Derivazione numerica (III)
Derivazione numerica Introduzione al calcolo numerico Il calcolo della derivata di una funzione in un punto implica un processo al limite che può solo essere approssimato da un calcolatore. Supponiamo
DettagliLezione 4 Quadratura Numerica. Fernando Palombo
Lezione 4 Quadratura Numerica http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali Fernando Palombo Scopo della Quadratura Numerica Calcolare con metodi numerici un integrale definito
DettagliStima dei Parametri. Capitolo 8
Capitolo 8 Stima dei Parametri Lo scopo dello studio dei fenomeni fisici è quello di scoprire le leggi che legano le grandezze oggetto di indagine e di misurare il valore delle costanti che compaiono della
DettagliMETODI DI COLLOCAZIONE POLINOMIALE (Metodi di Runge-Kutta continui) November 30, 2004
METODI DI COLLOCAZIONE POLINOMIALE (Metodi di Runge-Kutta continui) November, Nell approssimare numericamente un problema di Cauchy, puo capitare di essere interessati a valori della soluzione in punti
DettagliEsercizi su polinomio di Taylor, metodi numerici per il calcolo di zeri di funzione e iterazioni di punto fisso
Esercizi su polinomio di Taylor, metodi numerici per il calcolo di zeri di funzione e iterazioni di punto fisso 2 aprile 215 Nota: gli esercizi più impegnativi sono contrassegnati dal simbolo ( ). Richiami
DettagliFacoltá di Scienze MM.FF.NN. Corso di Studi in Informatica- A.A
Facoltá di Scienze MM.FF.NN. Corso di Studi in Informatica- A.A. 5-6 Corso di CALCOLO NUMERICO / ANALISI NUMERICA : Esempi di esercizi svolti in aula 5//5 ) Dato un triangolo, siano a, b le lunghezze di
DettagliUniversità Politecnica delle Marche Facoltà di Ingegneria Ing. Informatica e Automatica Ing. delle Telecomunicazioni Teledidattica
Università Politecnica delle Marche Facoltà di Ingegneria Ing. Informatica e Automatica Ing. delle Telecomunicazioni Teledidattica ANALISI NUMERICA TEMA B (Prof. A. M. Perdon) Ancona, giugno 006 PARTE
DettagliAnalisi Numerica Corso di Laurea in Ingegneria Elettrotecnica
Analisi Numerica Corso di Laurea in Ingegneria Elettrotecnica (A.A. 2016-2017) Prof.ssa Silvia Tozza Integrazione numerica 6 Dicembre 2016 Silvia Tozza Email: tozza@mat.uniroma1.it Ricevimento: Su appuntamento
DettagliComplementi di Matematica e Calcolo Numerico A.A
Complementi di Matematica e Calcolo Numerico A.A. 015-01 Laboratorio 5 - Function files, Minimi quadrati e spline FUNCTION-FILES MATLAB Le funzioni matlab sono porzioni di codici scritte in un file indipendente
DettagliCORSO DI MATEMATICA E LABORATORIO ESERCIZI ASSEGNATI NELL A.A. 2016/17
CORSO DI MATEMATICA E LABORATORIO ESERCIZI ASSEGNATI NELL A.A. 26/7 GABRIELE BIANCHI Gli esercizi che seguono sono quelli che assegnerò durante il corso 26/7. Tutti gli esercizi presenti in un compito
DettagliAnalisi Numerica: Introduzione
Analisi Numerica: Introduzione S. Maset Dipartimento di Matematica e Geoscienze, Università di Trieste Analisi numerica e calcolo numerico Analisi numerica e calcolo numerico La matematica del continuo
DettagliInterpolazione. Lucia Gastaldi. DICATAM - Sez. di Matematica,
Interpolazione Lucia Gastaldi DICATAM - Sez. di Matematica, http://lucia-gastaldi.unibs.it Indice 1 Interpolazione 2 Interpolazione polinomiale Polinomi Valutazione di un polinomio Algoritmo di Horner
Dettagli