Calcolo Numerico con elementi di programmazione
|
|
- Edoardo Landi
- 7 anni fa
- Visualizzazioni
Transcript
1 Calcolo Numerico con elementi di programmazione (A.A ) Appunti delle lezioni sull Approssimazione di dati e funzioni
2 Esempio 1 Nella tavola seguente è riportata la popolazione (in migliaia) dell Italia censita ogni 10 anni tra il 1861 e il 2011 (dati ISTAT). Anno Popolazione (in migliaia) Anno Popolazione (in migliaia) Determinare il tasso di crescita e approssimare la popolazione negli anni 1850, 1943, Come si può stimare l accuratezza dei valori ottenuti? 1
3 Esempio 2 Nella tabella sono riportate le misure sperimentali relative alla forza F (x) necessaria per allungare una molla fino alla lunghezza x. x F (x) Determinare la costante elastica della molla. 2
4 Esempio 3 Per misurare il diametro di alcuni fori di coordinate x pollici y pollici praticati su una lastra di metallo di dimensione viene utilizzato un laser collocato all estremità di un braccio meccanico di un robot. Determinare il cammino ottimale che il braccio deve compiere per collegare i fori. Il cammino deve essere sufficientemente regolare, in modo da impedire variazioni di direzione troppo brusche, e breve. 3
5 Esempio 4 Date le coordinate di alcuni punti nello spazio, disegnare una superficie che riproduca l andamento dei punti. Computer graphics, disegno di fonts Academy Award Best Animated Short Film 4
6 Approssimazione di dati e funzioni Problema Data la tabella {x i, y i }, i = 0,..., n, si vuole trovare una funzione analitica ϕ M che approssimi i dati. La tabella {x i, y i } può essere il risultato di misure sperimentali oppure può rappresentare i valori di una funzione la cui espressione analitica è nota ma complicata da calcolare direttamente. Per poter costruire una funzione approssimante bisogna stabilire in quale classe di funzioni si vuole operare il metodo di approssimazione 5
7 Classi di funzioni approssimanti Polinomi algebrici di grado n a coefficienti reali (n + 1 parametri) p n (x) = a 0 + a 1 x + + a n 1 x n 1 + a n x n a k IR k adatti a rappresentare funzioni appartenenti a C n ([a, b]) Polinomi trigonometrici di ordine n a coefficienti reali: (2n + 1 parametri) t n (x) = n k=0 ( ak cos(k x) + b k sin(k x) ) a k, b k IR k adatti per rappresentare funzioni periodiche Funzioni razionali: (m + n + 2 parametri) r n,m (x) = p n(x) p m (x) p n, p m polinomi adatte per rappresentare funzioni con singolarità 6
8 Funzioni esponenziali: (2n parametri) g n (x) = n k=1 a k exp(b k x) a k, b k IR k adatte per rappresentare fenomeni fisici ad andamento esponenziale Funzioni splines: polinomi a tratti di grado n e regolarità C n 1 adatte a rappresentare funzioni polinomiali a tratti
9 Interpolazione: che Metodi di approssimazione si sceglie la funzione approssimante ϕ n in modo ϕ n (x i ) = y i i = 0, 1,..., n Condizioni di interpolazione Si usa quando i dati y i sono accurati. Approssimazione ai minimi quadrati di dati discreti: si sceglie la funzione approssimante ϕ M in modo che minimizzi la quantità n [ ϕm (x i ) y i ] 2 Scarto quadratico oppure, introducendo i pesi w i, n w i [ ϕm (x i ) y i ] 2 Scarto quadratico pesato Si usa quando i dati y i sono poco accurati e in numero elevato. Esempio: retta di regressione 7
10 Interpolazione Tabella: {x i, y i } i = 0, 1,..., n Funzione approssimante: ϕ n (x) dipende linearmente da n + 1 parametri: a 0, a 1,, a n V = ψ 0 (x 0 ) ψ 1 (x 0 ) ψ 2 (x 0 ) ψ n (x 0 ) ψ 0 (x 1 ) ψ 1 (x 1 ) ψ 2 (x 1 ) ψ n (x 1 ) ψ 0 (x n ) ψ 1 (x n ) ψ 2 (x n ) ψ n (x n ) IR (n+1) (n+1) V T V } {{ } H A = V T Y } {{ } B V A = Y Risolvere il problema dell interpolazione equivale a risolvere il sistema lineare V A = Y 8
11 Condizioni di interpolazione V A = Y a 0 ψ 0 (x 0 ) + a 1 ψ 1 (x 0 ) + a 2 ψ 2 (x 0 ) + + a n ψ n (x 0 ) } {{ } ϕ n (x 0 ) = y 0 a 0 ψ 0 (x 1 ) + a 1 ψ 1 (x 1 ) + a 2 ψ 2 (x 1 ) + + a n ψ n (x 1 ) } {{ } ϕ n (x 1 ).. a 0 ψ 0 (x n ) + a 1 ψ 1 (x n ) + a 2 ψ 2 (x n ) + + a n ψ n (x n ) } {{ } ϕ n (x n ) = y 1.. = y n ϕ n (x 0 ) = y 0, ϕ n (x 1 ) = y 1, ϕ n (x n ) = y n La funzione interpolante passa per i valori {x i, y i }. 9
12 Interpolazione polinomiale Tabella: {x i, y i } i = 0,..., n Intervallo di interpolazione: [a, b] = [x 0, x n ] Funzione approssimante: p n (x) = a 0 + a 1 x + + a n 1 x n 1 + a n x n Metodo di approssimazione: p n (x i ) = y i (i = 0, 1,..., n) Interpolazione Risolvere il problema dell interpolazione vuol dire individuare il polinomio p n, cioè i coefficienti reali a k, che soddisfano le condizioni di interpolazione. Questo equivale a risolvere il sistema lineare p n (x 0 ) = p n (x 1 ) = p n (x n ) = a 0 + a 1 x 0 + a 2 x a n x n 0 = y 0 a 0. + a 1 x 1. + a 2 x a n x n 1. = y a 0 + a 1 x n + a 2 x 2 n + + a n x n n = y n V A = Y 10
13 Unicità del polinomio interpolatore 1 x 0 x 2 0 xn 0 V A = Y con V = 1 x 1 x 2 1 xn x n x 2 n x n } {{ } Matrice di Vandermonde A = a 0 a 1. a n Y = y 0 y 1. y n La matrice di Vandermonde di n+1 nodi distinti {x i }, i = 0,..., n+1, è regolare poiché det V = j>i(x i x j ) 0 esiste un unica soluzione A del sistema. Esiste uno e uno solo polinomio p n di grado n che verifica le condizioni di interpolazione p n (x i ) = y i i = 0,..., n Unicità : se p 1, p 2 : p 1 (x i ) = p 2 (x i ) = y i (p 1 p 2 )(x i ) = 0 p 1 p 2 si annulla in n + 1 punti assurdo perchè è un polinomio di grado n. 11
14 Condizionamento della matrice di Vandermonde La matrice di Vandermonde può essere malcondizionata. Esempio 1: n + 1 nodi equispaziati in [0, 1], x i = i n, i = 0,..., n n K 1 (V ) e e e+004 n K 1 (V ) e e e e+008 Esempio 2: n + 1 nodi di Chebyshev in [0, 1], x i = 1 2 cos(2i+1 n+1 π 2 ) n K 1 (V ) e e+002 n K 1 (V ) e e e e+004 Nota. Poiché la matrice di Vandermonde è malcondizionata per n elevato e, inoltre, il costo computazionale per la soluzione del sistema lineare V A = Y può essere elevato, si preferisce ricorrere ad altre strategie per costruire l unico polinomio interpolatore p n. 12
15 Polinomi di base di Lagrange Base dei monomi: {1, x, x 2,..., x n 1, x n } x k è un monomio di grado k p n (x) = a 0 + a 1 x + + a n 1 x n 1 + a n x n Polinomi di base di Lagrange: {l 0 (x), l 1 (x),..., l n 1 (x), l n (x)} l k (x) := n j = 0 j k x x j x k x j = x x 0 x k x 0 x x 1 x k x 1 x x k 1 x k x k 1 x x k+1 x k x k+1 x x n x k x n l k (x), k = 0,..., n, è un polinomio di grado n l k (x i ) = { 1 se i = k 0 se i k l espressione di l k (x) dipende solo dai nodi {x i } 13
16 Espressione di Lagrange del polinomio interpolatore Il polinomio interpolatore sui nodi x i si definisce come combinazione lineare dei polinomi di base di Lagrange L n (x) = n k=0 y k l k (x) = y 0 l 0 (x) + y 1 l 1 (x) + + y n 1 l n 1 (x) + y n l n (x) dove y k sono i valori nei nodi e l k (x) dipende solo dai nodi. Da l k (x i ) = δ ki, segue L n (x i ) = n k=0 y k l k (x i ) = y i l i (x i ) = y i per cui è verificata la condizione di interpolazione in ogni nodo e V = l 0 (x 0 ) l 1 (x 0 ) l 2 (x 0 ) l n (x 0 ) l 0 (x 1 ) l 1 (x 1 ) l 2 (x 1 ) l n (x 1 ) l 0 (x n ) l 1 (x n ) l 2 (x n ) l n (x n ) = I A = Y 14
17 L n (x) è un polinomio di grado n che verifica le condizioni di interpolazione per l unicità del polinomio interpolatore, L n (x) p n (x) Osservazioni: non è necessario risolvere il sistema lineare V A = Y per determinare i coefficienti a k del polinomio interpolatore; i polinomi di base l k (x) dipendono solo dai nodi, per cui una volta fissata una distribuzione di nodi possono essere valutati una volta per tutte; nell espressione del polinomio interpolatore L n (x) compaiono esplicitamente i valori di y k con i quali si esegue l interpolazione; la rappresentazione di Lagrange costituisce la base per la costruzione di formule di quadratura e di metodi per l approssimazione della soluzione di problemi differenziali.
18 Esempio 1 Data la tabella Anno Popolazione (in migliaia) approssimare la popolazione negli anni 1930, 1965, Quanto sono accurati i valori ottenuti? Polinomi di base di Lagrange Polinomio interpolatore (il simbolo indica i punti di interpolazione) 15
19 Interpolazione di polinomi L interpolazione è esatta per i polinomi q m di grado m n. {x k, q m (x k )} k = 0,..., n L n (x) = n k=0 q m (x k ) l k (x) q m (x) Esempio. Data la tavola i x i y i costruire il relativo polinomio interpolatore. 16
20 Soluzione I dati sono n + 1 = 3 quindi il polinomio interpolatore è un polinomio di grado 2. l 0 (x) = (x x 1)(x x 2 ) (x 0 x 1 )(x 0 x 2 ) x(x 1) = ( 1)( 1 1) = 1 x(x 1) 2 l 1 (x) = (x x 0)(x x 2 ) (x 1 x 0 )(x 1 x 2 ) = (x + 1)(x 1) (1)( 1) = (x + 1)(x 1) l 2 (x) = (x x 0)(x x 1 ) (x 2 x 0 )(x 2 x 1 ) (x + 1)x = (1 + 1)(1) = 1 (x + 1)x 2 p 2 (x) = 2 k=0 y k l k (x) = 0 l 0 (x) + 4 l 1 (x) + 2 l 2 (x) = 4(x + 1)(x 1) + (x + 1)x = 3x 2 + x
21 Aggiungiamo alla tabella la coppia di valori (x 3, y 3 ) = (2, 6) e calcoliamo il nuovo polinomio interpolatore. i x i y i l 0 (x) = (x x 1)(x x 2 )(x x 3 ) (x 0 x 1 )(x 0 x 2 )(x 0 x 3 ) = 1 x(x 1)(x 2) 3 l 1 (x) = (x x 0)(x x 2 )(x x 3 ) (x 1 x 0 )(x 1 x 2 )(x 1 x 3 ) = 1 (x + 1)(x 1)(x 2) 2 l 2 (x) = (x x 0)(x x 1 )(x x 3 ) (x 2 x 0 )(x 2 x 1 )(x 2 x 3 ) = 1 (x + 1)x(x 2) 2 l 3 (x) = (x x 0)(x x 1 )(x x 2 ) (x 3 x 0 )(x 3 x 1 )(x 3 x 2 ) = 1 (x + 1)x(x 1) 6 il polinomio interpolatore è di grado 3 p 3 (x) = 3 k=0 y k l k (x) = = 3x 2 + x + 4 = p 2 (x)!!! Se y i = q m (x i ), dove q m è un polinomio di grado minore o uguale a n esso coincide con il suo polinomio interpolatore p n (x) data la sua unicità. 18
22 Interpolazione di funzioni costanti L interpolazione è esatta per i polinomi q m di grado m n. Se m = 0 L n (x) = n k=0 q 0 (x k ) l k (x) q 0 (x) = costante In particolare, se q 0 (x) 1, allora q 0 (x k ) = 1 per k = 0, 1,..., n L n (x) = n q 0 (x k ) l k (x) = q 0 (x) = 1 } {{ } k=0 1 n k=0 l k (x) = 1, x IR 19
23 Errore nell interpolazione polinomiale Tabella: {x i, y i } i = 0,..., n Errore di troncamento: causato dall aver approssimato la funzione con il polinomio interpolatore Errore di propagazione: dovuto agli errori sui dati di input (errori di misura o di arrotondamento); i dati y i possono non rappresentare gli esatti valori assunti nei nodi dalla funzione f da ricostruire Errore totale polinomio ideale E t (x) = f(x) p n (x) = f(x) p n(x) } {{ } errore di troncamento + p n(x) p n (x) } {{ } errore di propagazione = = E n (x) + E n(x) 20
24 Espressione dell errore di troncamento Polinomio ideale : p n(x) = n k=0 f(x k ) l k (x) Errore di troncamento: E n (x) = f(x) p n(x) L errore di troncamento deve essere nullo nei nodi poiché il polinomio interpolatore soddisfa le condizioni di interpolazione: p n (x i) = f(x i ) E n (x i ) = f(x i ) p n (x i) = 0 i = 0,..., n E n (x) = n (x x i )R n (x) dove R n (x) è un opportuna funzione da individuare. L errore di troncamento deve essere nullo se f(x) è un polinomio di grado n 21
25 Definendo il Polinomio nodale: π n (x) := n (x x i ) = (x x 0 )(x x 1 ) (x x n ) si trova la seguente espressione per Errore di troncamento: E n (x) = π n (x) f (n+1) (ξ(x)) (n + 1)! ξ(x) [x 0, x n ] L errore dipende dall andamento del polinomio nodale e delle derivate della funzione.
26 Limitazioni dell errore di troncamento - 1 Errore di troncamento: E n (x) = π n (x) f (n+1) (ξ(x)) (n + 1)! ξ(x) [a, b] Il punto ξ(x) in cui calcolare la derivata non è noto la formula dell errore di troncamento ci permette di ricavare delle limitazioni Limitazioni per eccesso e per difetto m f (n+1) (x) M x [a, b] m π n(x) (n + 1)! E n(x) M π n(x) (n + 1)! m π n(x) (n + 1)! E n(x) M π n(x) (n + 1)! se π n (x) > 0 se π n (x) < 0 22
27 Limitazioni dell errore di troncamento - 2 Limitazione sul modulo f (n+1) (x) µ, x [a, b] E n (x) µ (n + 1)! π n(x) Esempio: nodi equispaziati x i = x 0 + ih (i = 0,..., n) π n (x) = n (x x i ) = (x x 0 )(x x 1 ) (x x n ) Se x = x 0 + sh π n (x) = s(s 1)... (s n)h n+1 π n tende a crescere agli estremi dell intervallo. L approssimazione migliore si ha nella parte centrale dell intervallo di interpolazione. I nodi migliori sono quelli che minimizzano la funzione µ (n + 1)! π n(x) che risulta essere grande per i nodi equispaziati. I nodi che la minimizzano sono quelli di Chebyshev. Grafico di π 7 (x) 23
28 Errore di propagazione { εi = f(x Errore sui dati: i ) y i errore di arrotondamento ε i = δ i errore di misura En(x) = p n(x) p n (x) = n f(x i ) l i (x) E n(x) = n n ε i l i (x) (f(x i ) + ε i ) l i (x) Se ε i ε si ottiene la limitazione E n(x) ε n l i (x) = ε Λ(x) Funzione di Lebesgue: Λ(x) = n l i (x) coefficiente di amplificazione degli errori sui dati, si valuta nel punto in cui si vuole stimare l errore di interpolazione 24
29 Costante di Lebesgue: Λ n = max a x b Λ(x) è associata ai nodi e all intervallo [a, b] ed è una maggiorazione dell amplificazione degli errori sui dati
30 Proprietà della funzione di Lebesgue Poiché n l i (x) = 1 Λ(x) 1 Λ(x) dipende solo dai polinomi fondamentali di Lagrange e, quindi, dalla distribuzione dei nodi; l aumento del numero dei nodi produce un aumento consistente dell amplificazione dell errore sui dati Nodi equispaziati in [a, b] Nodi di Chebyshev in [a, b] x i = a + ih h = b a n, i = 0,..., n Λ n 2n+1 e n log n per n x i = b a 2 2i + 1 π cos n b + a 2 Λ n 2 π, i = 0,..., n log n per n n = 7 Intervallo: [0, 7] n = 7 Intervallo: [0, 7] 25
31 Esercizio 1 Data la tabella i x i y i a) scrivere l espressione del polinomio interpolatore di Lagrange; b) sapendo che 0 < f (4) (x) 5.657, dare una limitazione per eccesso e una per difetto dell errore di troncamento nei punti t 1 = 0.2, t 2 = 0.6, t 3 = 1.0; c) valutare la costante di Lebesgue e dare una stima dell errore di propagazione. 26
32 Soluzione a) La tabella contiene 4 nodi, quindi il polinomio interpolatore è di grado 3. l 0 (x) = (x x 1)(x x 2 )(x x 3 ) (x 0 x 1 )(x 0 x 2 )(x 0 x 3 ) = 1 (x 0.4)(x 0.8)(x 1.2) l 1 (x) = (x x 0)(x x 2 )(x x 3 ) (x 1 x 0 )(x 1 x 2 )(x 1 x 3 ) = 1 x(x 0.8)(x 1.2) l 2 (x) = (x x 0)(x x 1 )(x x 3 ) (x 2 x 0 )(x 2 x 1 )(x 2 x 3 ) = 1 x(x 0.4)(x 1.2) l 3 (x) = (x x 0)(x x 1 )(x x 2 ) (x 3 x 0 )(x 3 x 1 )(x 3 x 2 ) = 1 x(x 0.4)(x 0.8) p 3 (x) = 3 k=0 y k l k (x) p 3 (t 0 ) = p 3 (0.2) = p 3 (t 1 ) = p 3 (0.6) = p 3 (t 2 ) = p 3 (1.0) = 3 k=0 3 k=0 3 k=0 y k l k (0.2) = y k l k (0.6) = y k l k (1.0) =
33 b) Errore di troncamento: E 3 (x) = π 3(x) f (4) (τ) τ (0, 1.2) 4! π 3 (x) = (x x 0 )(x x 1 )(x x 2 )(x x 3 ) = x(x 0.4)(x 0.8)(x 1.2) π 3 (t 0 ) = π 3 (0.2) = π 3 (t 1 ) = π 3 (0.6) = π 3 (t 2 ) = π 3 (1.0) = m = 0 < f (4) (x) M = Stima di E 3 (t 0 ) π 3(t 0 ) 4! Stima di E 3 (t 1 ) 0 < π 3(t 1 ) 4! Stima di E 3 (t 2 ) π 3(t 2 ) 4! M E 3 (t 0 ) π 3(t 0 ) m < 0 4! m E 3 (t 1 ) π 3(t 1 ) M ! M E 3 (t 2 ) π 3(t 2 ) m < 0 4! Nota. Le approssimazioni di t 0 e t 2 sono per eccesso, mentre. l approssimazione di t 1 è per difetto 28
34 c) Errore di propagazione: E 3 (x) ε 3 l i (x) = ε Λ(x) Poiché i dati di input hanno 5 decimali l errore di arrotondamento sui dati è : ε i = ε. Λ(t 0 ) = 3 l i (t 0 ) = E 3 (t 1) Λ(t 1 ) = 3 l i (t 1 ) = 1.25 E 3 (t 2) Λ(t 2 ) = 3 l i (t 2 ) = E3 (x) Nota. L errore di propagazione è trascurabile rispetto all errore di troncamento. 29
35 Esercizio 2 Data la seguente tabella di valori di una funzione f(x) x f(x) ) valutare f(2.5) mediante due polinomi interpolatori p 1 (x) e p 2 (x), dove p 1 (x) interpola f(x) nei nodi 2, 3 e p 2 (x) nei nodi 1, 2, 3; 2.2) posto f(x) = cos π(x 1) dare una maggiorazione di E(2.5). 30
36 Soluzione 2.1) Utilizzando la rappresentazione di Lagrange per i due polinomi abbiamo p 1 (x) = y 2 (x x 3 ) (x 2 x 3 ) + y 3 (x x 2) (x 3 x 2 ) = 2x 5 p 2 (x) = y 1 (x x 2 )(x x 3 ) (x 1 x 2 )(x 1 x 3 ) + y 2 (x x 1)(x x 3 ) (x 2 x 1 )(x 2 x 3 ) + y 3 (x x 1)(x x 2 ) (x 3 x 1 )(x 3 x 2 ) = 2x 2 8x + 7 E quindi f(2.5) = p 1 (2.5) = 0 f(2.5) = p 2 (2.5) =
37 2.2) La funzione f C ([1, 4]) e si può usare la stima dell errore di troncamento dove E n (x) = π n (x) f (n+1) (t) (n + 1)! t [x 0, x n ] π n (x) := n (x x i ) = (x x 0 )(x x 1 ) (x x n ) da cui E 1 (2.5) = (2.5 2)(2.5 3) 2! π 2 cos π(t 1) π2 8 (2.5 1)(2.5 2)(2.5 3) E 2 (2.5) = π 3 sin π(t 1) π Tali stime evidenziano che p 1 da una migliore approssimazione. 32
38 33
39 Convergenza dei polinomi interpolatori Si ha convergenza se, in assenza di errori di arrotondamento, lim n p n(x) = f(x) cioè se all aumentare del numero dei nodi il polinomio interpolatore approssima sempre meglio la funzione. Esempio 1: f(x) = sinh(x) x [ 2, 2] All aumentare di n il polinomio interpolatore approssima sempre meglio la funzione. Per n = 10 il grafico di p 10 (x) coincide con il grafico di f(x). 34
40 35
41 Nota. All aumentare di n aumentano gli errori di arrotondamento che possono distruggere il risultato. Esempio 2: f(x) = x 2 x [ 5, 5] (Funzione di Runge) All aumentare di n il polinomio interpolatore oscilla sempre di più in prossimità dei bordi (non dipende dagli errori di arrotondamento) 36
42 Teoremi di convergenza - 1 Teorema 1. Se f C (b a) k [a, b] e lim max k k! f (k) (x) = 0, allora a x b lim n p n(x) = f(x) uniformemente in [a, b]. Osservazioni. le funzioni con derivata equilimitata in [a, b] soddisfano le ipotesi del teorema. Esempi: sin x, cos x, e x ; la convergenza dei polinomi interpolatori è assicurata se i punti di singolarità della funzione da interpolare sono sufficientemente distanti dall intervallo di interpolazione; il teorema non da alcuna condizione sulla distribuzione dei nodi. 37
43 Polinomi di Chebyshev Si possono dare delle condizioni di convergenza con ipotesi meno restrittive su f(x) se si scelgono nodi di interpolazione x i particolari. Ponendo x = cos θ si definisce T n (x) := cos nθ = cos n(arccos x) n = 0, 1,... Ricordando che 2 cos θ cos nθ = cos(n + 1)θ + cos(n 1)θ T 0 (x) = 1 T 1 (x) = x T n+1 (x) = 2x T n (x) T n 1 (x) (Relazione di ricorrenza) per ogni n, T n (x) è un polinomio di grado n I primi polinomi del sistema {T n (x)} sono T 0 (x) = 1 T 1 (x) = x T 2 (x) = 2x 2 1 T 3 (x) = 4x 3 3x 38
44 Nodi di Chebyshev Per ogni n i nodi di Chebyshev sono gli n + 1 zeri del polinomio di Chebyshev di grado n + 1. Dalla definizione di T n si ottiene immediatamente T n+1 (x) = 0 (n + 1)θ = (2 i + 1) π 2 i = 0, 1,..., n Nodi di Chebyshev dell intervallo [ 1, 1] x C i = cos ( 2i + 1 n + 1 π ) 2 i = 0, 1,..., n 39
45 sono le proiezioni sull asse x di nodi distribuiti uniformemente sul semicerchio di centro l origine e raggio unitario. Si addensano in prossimità degli estremi dell intervallo Nodi di Chebyshev dell intervallo [a, b] Cambiamento di coordinate: x = b a 2 t + a + b 2 x C i = b a ( 2i cos n + 1 π ) 2 + b + a 2 i = 0, 1,..., n
46 Teoremi di convergenza - 2 Teorema 3. Se f è lipschitziana in [a, b], la successione dei polinomi interpolatori sui nodi di Chebyschev converge a f uniformemente in [a, b]. Il polinomio nodale seguenti proprietà : π C n (x) costruito sui nodi di Chebyschev ha le max x [a,b] πc n (x) = (b a)n+1 2 2n+1 max x [a,b] π n(x) > max x [a,b] πc n (x) Nota. I nodi di Chebyshev sono tutti interni all intervallo [a, b] a < x C i < b i = 0, 1,..., n 40
47 Svantaggi dell espressione di Lagrange del polinomio interpolatore L espressione di ciascun polinomio di base di Lagrange l k (x) dipende da tutti i nodi x i. Esempio: {x 0, x 1, x 2 } l 0 (x) = (x x 1)(x x 2 ) (x 0 x 1 )(x 0 x 2 ) l 1 (x) = (x x 0)(x x 2 ) (x 1 x 0 )(x 1 x 2 ) l 2 (x) = (x x 0)(x x 1 ) (x 2 x 0 )(x 2 x 1 ) Se si aggiunge un nodo bisogna ricalcolare tutti i polinomi l k e, quindi, p n. Esempio: {x 0, x 1, x 2, x 3 } l 0 (x) = (x x 1)(x x 2 )(x x 3 ) (x 0 x 1 )(x 0 x 2 )(x 0 x 3 ) l 2 (x) = (x x 0)(x x 1 )(x x 3 ) (x 2 x 0 )(x 2 x 1 )(x 2 x 3 ) l 1 (x) = (x x 0)(x x 2 )(x x 3 ) (x 1 x 0 )(x 1 x 2 )(x 1 x 3 ) l 3 (x) = (x x 0)(x x 1 )(x x 2 ) (x 3 x 0 )(x 3 x 1 )(x 3 x 2 ) Un espressione del polinomio interpolatore p n più efficiente è data dalla formula di Newton alle differenze divise. 41
48 Differenze divise Tabella: {x i, f i } i = 0, 1,..., n (Nodi distinti) Differenze divise di ordine zero: f[x i ] := f i i = 0, 1,..., n Differenze divise prime: f[x i, x j ] = f[x i] f[x j ] x i x j i, j = 0, 1,..., n i j Differenze divise seconde: f[x i, x j, x k ] = f[x i, x j ] f[x j, x k ] x i x k i, j, k = 0, 1,..., n i j k i La differenze divisa k-esima relativa a k+1 nodi distinti x 0, x 1,..., x k è definita da f[x 0, x 1,..., x k ] = f[x 0, x 1,..., x k 1 ] f[x 1, x 2,..., x k ] x 0 x k 42
49 Tavola delle differenze divise Per calcolare la differenza divisa k esima servono k +1 valori della funzione Con n + 1 nodi si possono costruire n k + 1 differenze divise k esime, e pertanto una sola differenza divisa n esima x 0 f 0 f[x 0, x 1 ] x 1 f 1 f[x 0, x 1, x 2 ] f[x 1, x 2 ] f[x 0, x 1, x 2, x 3 ] x 2 f 2 f[x 1, x 2, x 3 ] f[x 0, x 1, x 2, x 3, x 4 ] f[x 2, x 3 ] f[x 1, x 2, x 3, x 4 ] x 3 f 3 f[x 2, x 3, x 4 ] f[x 3, x 4 ] x 4 f 4 43
50 Tavola delle differenze divise Se si aggiunge un nodo la tavola alle differenze divise viene modificata solo per l aggiunta di una nuova riga x 0 f 0 f[x 0, x 1 ] x 1 f 1 f[x 0, x 1, x 2 ] f[x 1, x 2 ] f[x 0, x 1, x 2, x 3 ] x 2 f 2 f[x 1, x 2, x 3 ] f[x 0, x 1, x 2, x 3, x 4 ] f[x 2, x 3 ] f[x 1, x 2, x 3, x 4 ] f[x 0, x 1, x 2, x 3, x 4, x 5 ] x 3 f 3 f[x 2, x 3, x 4 ] f[x 1, x 2, x 3, x 4, x 5 ] f[x 3, x 4 ] f[x 2, x 3, x 4, x 5 ] x 4 f 4 f[x 3, x 4, x 5 ] f[x 4, x 5 ] x 5 f 5 E necessario calcolare solo una differenza divisa per ogni ordine. 44
51 Forma di Newton del polinomio interpolatore Dalla definizione di differenze divise si ha f[x] = f[x 0 ] + (x x 0 )f[x, x 0 ] f[x, x 0 ] = f[x 0, x 1 ] + (x x 1 )f[x, x 0, x 1 ] f[x, x 0,..., x n 2 ] = f[x 0, x 1,..., x n 1 ] + (x x n 1 )f[x, x 0,..., x n 1 ] f[x, x 0,..., x n 1 ] = f[x 0, x 1,..., x n ] + (x x n )f[x, x 0,..., x n ] Sostituendo ciascusa di queste relazioni nella precedente si ottiene f(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 n 1 )f[x 0, x 1,..., x n ]+ +(x x 0 )(x x 1 ) (x x n )f[x, x 0, x 1,..., x n ] 45
52 I primi n + 1 termini costituiscono un polinomio di grado n i cui coefficienti dipendono da f. Indicando con P n (f; 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 n 1 )f[x 0, x 1,..., x n ] f(x) = P n (f, x) + π n (x) f[x, x 0, x 1,..., x n, x n+1 ] Teorema Il polinomio di Newton alle differenze divise P n (f; x) coincide con il polinomio interpolatore p n (x) di f(x) nei nodi x 0, x 1,..., x n P n (f; x) è l espressione del polinomio interpolatore nella base dei polinomi nodali {1, (x x 0 ), (x x 0 )(x x 1 ),..., (x x 0 )(x x 1 ) (x x n 1 )}
53 Errore di troncamento E n (x) = π n (x) f[x, x 0, x 1,..., x n, x n+1 ]
54 Espressione dell errore di troncamento E n (x) = f(x) p n(x) = f(x) P n (x) = = π n (x) f[x, x 0, x 1,..., x n ] = π n (x) f (n+1) (ξ(x)) (n + 1)! Se f C k [x 0, x k ] f[x 0, x 1,..., x k ] = f (k) (t k ) k! t k [x 0, x k ] Stima dell errore di troncamento Se f (n+1) (x) esiste f[x 0, x 1,..., x n+1 ] = f (n+1) (t n+1 ) (n + 1)! Se f (n+1) (x) varia poco in [x 0, x n ] f (n+1) (ξ) f (n+1) (t n+1 ) E n (x) = π n f[x, x 0, x 1,..., x n ] = = π n (x) f (n+1) (ξ) (n + 1)! π n(x) f (n+1) (t n+1 ) (n + 1)! = π n (x) f[x 0, x 1,..., x n, x n+1 ] t n+1 [x 0, x n+1 ] E n (x) π n (x) f[x 0, x 1,..., x n, x n+1 ] 46
55 Propagazione degli errori nella tavola alle differenze Il calcolo delle differenze divise è molto sensibile agli errori sui dati Esempio: per nodi equidistanti con passo h x 0 f 0 f[x 0, x 1 ] x 1 f 1 f[x 0, x 1, x 2 ] + ε 2h 2 f[x 2, x 1 ] + ε f[x 0, x 1, x 2, x 3 ] ε h 2h 3 x 2 f 2 + ε f[x 1, x 2, x 3 ] ε f[x h 2 0, x 1, x 2, x 3, x 4 ] + ε 4h 4 f[x 3, x 2 ] ε f[x 1, x 2, x 3, x 4 ] + ε h 2h 3 x 3 f 3 f[x 2, x 3, x 4 ] + ε 2h 2 f[x 4, x 3 ] x 4 f 4 L amplificazione della perturbazione nel calcolo delle differenze divise è tanto maggiore quanto maggiore è l ordine della differenza divisa che si vuole calcolare Poiché le differenze divise al crescere dell ordine hanno valori via via più piccoli, si possono verificare fenomeni di cancellazione numerica 47
56 Approssimazione ai minimi quadrati Problema. Data la tabella {x i, y i }, i = 0, 1,..., n, si vuole trovare una funzione analitica ϕ M 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 48
57 Funzione approssimante: Caso lineare 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 ) y i ] 2 } {{ } 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. 49
58 Polinomio algebrico ai minimi quadrati Tabella: {x i, y i } i = 0, 1,..., n Funzione approssimante: 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 ) = Funzioni di base: n [a 0 + a 1 x i + + a M 1 x M 1 + a M x M i } {{ i } P M (x i ) ψ 0 (x) = 1, ψ 1 (x) = x,..., ψ k (x) = x k,, ψ M (x) = x M y i ] 2 Risolvere il problema dell approssimazione polinomiale ai minimi quadrati vuol dire individuare il polinomio P M, cioè gli M+1 coefficienti reali a k, per il quale σ è minimo. Il polinomio che si determina non passa per i punti {x i, y i } ma vicino ad essi e tra tutti i polinomi dello stesso grado è quello che minimizza lo scarto quadratico σ 2. 50
59 Osservazione Imponendo le condizioni di interpolazione P M (x i ) = y i, i = 0,..., n per determinare i coefficienti di P M si ottiene il sistema lineare V A = Y, V IR n M, A IR M, Y IR n che risulta essere sovradeterminato (M << n) e quindi non risolubile in senso classico, ma che può essere risolto mediante i minimi quadrati. Nota. Un esempio tipico di problema che conduce ad un sistema sovradeterminato è l approssimazione di dati sperimentali. 51
60 Minimizzazione di σ Per minimizzare σ bisogna annullare il gradiente σ2 a k = a k n [P M (x i ) y i ] 2 = 0 k = 0, 1,..., M 2 n (P M (x i ) y i ) P M(x i ) = 0 k = 0, 1,..., M a k 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,..., M 52
61 Per trovare gli M + 1 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 studiare l hessiano [ 2 σ 2 ] n = 2 x k+j a j a i = 2H k j,k=0,...,m 53
62 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 M + 1 equazioni normali nelle incognite a k 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) 54
63 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) V è la matrice di Vandermonde dei nodi {x i }. la matrice V ha rango M + 1 ed è regolare 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 Ā = H 1 B 55
64 La matrice hessiana 2H è definita positiva la soluzione Ā del sistema delle equazioni normali corrisponde a un minimo. Ā = (V T V ) 1 V T Y è il vettore dei coefficienti del polinomio P M (x) che ricostruisce i dati nel senso dei minimi quadrati. Nota. La matrice H è malcondizionata. L approssimazione polinomiale ai minimi quadrati è dunque un problema mal condizionato Metodi di regolarizzazione.
65 Retta di regressione Un caso di particolare interesse nelle applicazioni è la costruzione della retta di regressione, ossia il polinomio di grado 1 P 1 (x) = a 0 + a 1 x che approssima i dati {x i, y i }, i = 0, 1,..., n, (n >> 1) nel senso dei minimi quadrati. Equazioni normali Soluzione dove a 0 s 0 + a 1 s 1 = v 0 a 0 s 1 + a 1 s 2 = v 1 s 0 = n + 1 s 1 = n x i s 2 = 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 n x 2 i v 0 = n y i v 1 = n y i x i 56
66 Esempio 2 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 sono riportate le misure sperimentali relative alla forza F (x) necessaria per allungare una molla fino alla lunghezza x. i x i F (x i ) Determinare la costante elastica della molla. 57
67 Esempio 2: soluzione Per trovare la costante elastica della molla si devono approssimare i dati in tabella con il polinomio ai minimi quadrati di primo grado (retta di regressione): P 1 (x) = a 0 + a 1 x Il coefficiente a 1 fornisce l approssimazione della costante elastica. Risolvendo il sistema delle equazioni normali si ottiene a 0 = a 1 = Per questi valori dei coefficienti si ha σ 2 (a 0, a 1 ) = 6 [a 0 + a 1 x i y i ] 2 = =
68 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. Per ogni coppia {x i, y i } valgono le relazioni y i = a 0 + a 1 x i, i = 0,..., n. Supporremo che 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) 59
69 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, ε 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 60
70 Esercizio 3 Determinare la retta di regressione relativa ai dati in tabella x i y i
71 Soluzione La retta di regressione ha equazione y = a 1 x + a 0 dove a 0 = v 0s 2 v 1 s 1 s 0 s 2 s 2, a 1 = s 0v 1 s 1 v 0 1 s 0 s 2 s 2 1 s k = n x k i, v k = n y i x k i Con n = 4 si ottiene s 0 = 5, s 1 = 5, s 2 = 15 v 0 = 24.93, v 1 = 55.43, v 2 =
72 a 1 = = 3.05 a 0 = = per cui la retta di regressione è y = 3.05x
73 Esercizio 4 Trovare il polinomio di secondo grado che meglio approssima i dati in tabella x i y i
74 la cui soluzione è [a 0 a 1 a 2 ] T = [0 0 1] T p 2 (x) = x 2 64 Soluzione I coefficienti del polinomio p 2 (x) = a 0 + a 1 x + a 2 x 2 si ottengono risolvendo il sistema dove s 0 s 1 s 2 s 1 s 2 s 3 s 2 s 3 s 4 s k = 5 a 0 a 1 a 2 x k i, v k = = 5 v 0 v 1 v 2 y i x k i Si deve quindi risolvere il seguente sistema a 0 a 1 a 2 =
75 Riferimenti bibliografici L. Gori, Calcolo Numerico: Cap , L. Gori, M.L. Lo Cascio, F. Pitolli, Esercizi di Calcolo Numerico: Cap. 3: Es. 3.1, , , Esercizi d esame: Es. 7.2, 7.37, 7.50, 7.70, 7.79,
Metodi Numerici con elementi di Programmazione (A.A )
Metodi Numerici con elementi di Programmazione (A.A. 2013-2014) Metodi Numerici Appunti delle lezioni: Approssimazione di dati e funzioni Approssimazione ai minimi quadrati Docente Vittoria Bruni Email:
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
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:
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
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
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
DettagliFoglio Esercizi A (interpolazione, approssimazione, integrazione)
Foglio Esercizi A (interpolazione, approssimazione, integrazione) Esercizio cos( ) +, [,π ] Costruire una approssimazione f ( ) di f () utilizzando elemento di ermite a nodi non equispaziati (, π, π )
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
DettagliQuali condizionisi si possono richiedere sulla funzione interpolante?
INTERPOLAZIONE Problema generale di INTERPOLAZIONE Dati n punti distinti ( i, i ) i=,..,n si vuole costruire una funzione f() tale che nei nodi ( i ) i=,..n soddisfi a certe condizioni, dette Condizioni
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 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
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
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
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
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
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
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
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
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
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
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
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
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
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
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.
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
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
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.
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
DettagliCorso di Calcolo Numerico
Corso di Calcolo Numerico Dott.ssa M.C. De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Approssimazione di funzioni In molti problemi
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
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
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
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
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
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
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 3 - PROBLEMI DI INTERPOLAZIONE Introduzione Problemi di interpolazione Supponiamo di avere un insieme di dati che rappresentano misurazioni
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
DettagliEsame di Calcolo Numerico per Informatica A.A. 2010/11: testo soluzioni Proff. S. De Marchi e M. R. Russo 12 luglio 2011
Esame di Calcolo Numerico per Informatica A.A. 200/: testo soluzioni Proff. S. De Marchi e M. R. Russo 2 luglio 20 L esame consiste di 4 domande aperte e 0 esercizi a risposta multipla. Per gli esercizi
DettagliSistemi sovradeterminati. b vettore(termine noto) V n. y* proiezione ortogonale di b. Carla Guerrini 1
Carla Guerrini 1 Sistemi sovradeterminati Sia A una matrice m n ove m > n sia b R m si vuole trovare una soluzione del sistema sovradeterminato Ax = b. Nel caso in cui la matric A abbia rango pieno, cioé
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
DettagliCorso di Analisi Numerica
Corso di Laurea in Ingegneria Informatica Corso di 3 - PROBLEMI DI INTERPOLAZIONE Lucio Demeio Dipartimento di Scienze Matematiche 1 Interpolazione: Polinomio di Lagrange 2 3 Introduzione Problemi di interpolazione
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,
DettagliIntegrazione numerica
Integrazione numerica Introduzione Il calcolo di integrali si presenta assai di frequente nelle applicazioni della matematica, ad esempio come misura dell area sottesa da una curva, o alla lunghezza di
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
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 =
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
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. 4-5 Corso di CALCOLO NUMERICO / ANALISI NUMERICA : Esempi di esercizi svolti in aula 9//4 ) Determinare la rappresentazione in base di.
DettagliPolinomio di interpolazione nella forma di Lagrange
Polinomio di interpolazione nella forma di Lagrange Polinomio di interpolazione nella forma di Lagrange Si dimostra che è IL polinomio di interpolazione. Cambia solo la rappresentazione. Esempio: interpolazione
DettagliCorso di Analisi Numerica - AN1. Parte 4: approssimazione polinomiale. Roberto Ferretti
Corso di Analisi Numerica - AN1 Parte 4: approssimazione polinomiale Roberto Ferretti Le principali strategie di approssimazione Il polinomio interpolatore: forme di Lagrange e Newton L errore di interpolazione
DettagliQuale delle seguenti rappresentazioni del numero reale è in virgola mobile normalizzata?
Quale delle seguenti istruzioni MATLAB esegue il calcolo del raggio spettrale di una matrice quadrata A? a. max(eig(abs(a))) b. max(abs(eig(a))) c. abs(max(eig(a))) d. max(abs(eig(a *A))) Il raggio spettrale
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 3 - CALCOLO NUMERICO DELLE DERIVATE Introduzione Idea di base Introduzione Idea di base L idea di base per generare un approssimazione alla
DettagliEquazioni e disequazioni algebriche. Soluzione. Si tratta del quadrato di un binomio. Si ha pertanto. (x m y n ) 2 = x 2m 2x m y n + y 2n
Si tratta del quadrato di un binomio. Si ha pertanto (x m y n ) 2 = x 2m 2x m y n + y 2n 4. La divisione (x 3 3x 2 + 5x 2) : (x 2) ha Q(x) = x 2 x + 3 e R = 4 Dalla divisione tra i polinomi risulta (x
DettagliCorso di Analisi Matematica. Polinomi e serie di Taylor
a.a. 2011/12 Laurea triennale in Informatica Corso di Analisi Matematica Polinomi e serie di Taylor Avvertenza Questi sono appunti informali delle lezioni, che vengono resi disponibili per comodità degli
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.
DettagliAnalisi Numerica. Francesca Mazzia. a.a. 2006/2007. Integrazione. Dipartimento di Matematica. Università di Bari
Analisi Numerica Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2006/2007 Integrazione 1 Integrazione Problema: approssimare integrali definiti del tipo: a f(x)dx, Scegliamo n + 1
DettagliApprossimazione polinomiale 1
Approssimazione polinomiale A. Sommariva 2 Keywords: Approssimazione polinomiale ai minimi quadrati. Curve fitting. Revisione: 4 giugno 29. Approssimazione polinomiale Dato un campionamento {(x i, y i
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
DettagliSISTEMI LINEARI MATRICI E SISTEMI 1
MATRICI E SISTEMI SISTEMI LINEARI Sistemi lineari e forma matriciale (definizioni e risoluzione). Teorema di Rouché-Capelli. Sistemi lineari parametrici. Esercizio Risolvere il sistema omogeneo la cui
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
DettagliCALCOLO NUMERICO Laurea di base in Ingegneria Elettronica, delle Comunicazioni
CALCOLO NUMERICO Laurea di base in Ingegneria Elettronica, delle Comunicazioni Prof.ssa Laura Pezza (A.A. 2017-2018) V Lezione del 15.03.2018 http://www.dmmm.uniroma1.it/ laura.pezza 1 Metodo di Newton:
DettagliESERCITAZIONE 17 : CORREZIONE DEL COMPITINO
ESERCITAZIONE 17 : CORREZIONE DEL COMPITINO e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114 9 Aprile 2013 Esercizio
DettagliDifferenze divise. Polinomio di interpolazione nella forma di Newton. Proprietà. Se n=0. Simmetria. Ricorsività. Abbiamo un solo punto
Differenze divise Polinomio di interpolazione nella forma di Newton Se n=0 Abbiamo un solo punto Se n = 1 Abbiamo 2 punti Il polinomio cercato è la retta passante per i due punti Proprietà Simmetria Differenza
DettagliCorso di Analisi Numerica
Corso di Laurea in Ingegneria Informatica Corso di 4 - DERIVAZIONE NUMERICA Lucio Demeio Dipartimento di Scienze Matematiche 1 Calcolo numerico delle derivate 2 3 Introduzione Idea di base L idea di base
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
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)
DettagliInterpolazione polinomiale a tratti
Interpolazione polinomiale a tratti Si intende l interpolazione di un set di dati su un intervallo con più polinomi ciascuno dei quali definito in un sottointervallo dell intervallo dato. In particolare
DettagliAnalisi Numerica: interpolazione
Analisi Numerica: interpolazione S. Maset Dipartimento di Matematica e Geoscienze, Università di Trieste Introduzione Introduzione Ci occupiamo ora del problema di approssimare delle funzioni reali di
DettagliEsame di Calcolo Numerico per Informatica Prof. S. De Marchi Padova, 11 dicembre x k 1 x k 2
1 Domande aperte Esame di Calcolo Numerico per Informatica Prof. S. De Marchi Padova, 11 dicembre 013 1. Nel metodo di Newton per la ricerca di zeri di funzione, se non conosciamo la molteplicità della
DettagliDiario delle lezioni di Analisi Numerica laurea Magistrale in Statistica e Informatica A.A
Diario delle lezioni di Analisi Numerica laurea Magistrale in Statistica e Informatica A.A. 2009-2010 Prof. Stefano De Marchi November 23, 2009 28/9/09 Aula SC20. 30/9/09 Aula SC20. Rappresentazione dei
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
DettagliMetodi di Iterazione Funzionale
Appunti di Matematica Computazionale Lezione Metodi di Iterazione Funzionale Il problema di calcolare il valore per cui F() = si può sempre trasformare in quello di trovare il punto fisso di una funzione
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
DettagliApprossimazione di dati
Approssimazione di dati Lucia Gastaldi DICATAM - Sez. di Matematica, http://dm.ing.unibs.it/gastaldi/ Indice 1 Approssimaz. di dati Approssimazione di dati 2 Minimi quadrati lineari Regressione lineare
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)
Dettagli+ Analisi Numerica (1 modulo) Docente: M.Gaviano; domande di ripasso a.a
+ Analisi Numerica ( modulo) Docente: M.Gaviano; domande di ripasso a.a. - Idee di base e richiami. Quale è lo scopo dell Analisi numerica. Attraverso quali fasi si passa nel risolvere un problema reale..
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
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
DettagliApprossimazione di dati
Lucia Gastaldi DICATAM - Sez. di Matematica, http://lucia-gastaldi.unibs.it Indice 1 2 Regressione lineare : caso generale Legge di Ohm La legge di Ohm afferma che la differenza di potenziale V ai capi
DettagliApprossimazione di dati
Lucia Gastaldi DICATAM - Sez. di Matematica, http://lucia-gastaldi.unibs.it Indice 1 2 Regressione lineare : caso generale Legge di Ohm La legge di Ohm afferma che la differenza di potenziale V ai capi
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
Dettagli(E) x > 0 (F) x < 1/2 (E) (1/ 2) 1. (E) f 1 (x) = 2x 2 (F) f 1 (x) = x. (E) x = 2 ln 3 (F) x = 3 ln 2 (F) 1/2
1 Esercizi 8 di Calcolo e Biostatistica Es. 1. Rispondere alle seguenti sette domande nel tempo massimo di 30 minuti, senza usare strumenti elettronici (a) sapendo che log 10 0.3 e log 10 3 0.8, i valori
DettagliMetodi numerici per ODE. Metodi numerici per ODE
Problema di Cauchy Consideriamo un equazione differenziale (sistema di equazioni) del primo ordine in forma normale con condizioni iniziali assegnate. { y (x) = f (x, y(x)) x [x 0, x F ] y(x 0 ) = y 0
DettagliApprossimazione di dati
Lucia Gastaldi DICATAM - Sez. di Matematica, http://lucia-gastaldi.unibs.it Indice 1 2 Regressione lineare : caso generale Legge di Ohm La legge di Ohm afferma che la differenza di potenziale V ai capi
DettagliCalcolo Numerico. Corso di Laurea in Ingegneria Elettronica Appello del 16 gennaio 2013
Calcolo Numerico Corso di Laurea in Ingegneria Elettronica Appello del 6 gennaio 3 Sia M = F (, 4). Calcolare: rd( 7 6 ). Sia A = Determinare una fattorizzazione LR di A ed utilizzarla per calcolare A.
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
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
DettagliClaudio Estatico Equazioni non-lineari
Claudio Estatico (claudio.estatico@uninsubria.it) Equazioni non-lineari 1 Equazioni non-lineari 1) Equazioni non-lineari e metodi iterativi. 2) Metodo di bisezione, metodo regula-falsi. 3) Metodo di Newton.
DettagliAppunti di Analisi Numerica
Appunti di Analisi Numerica Giuseppe Profiti 30 ottobre 2006 1 Esempi di curve di Bezier per caratteri Differenza tra carattere vettoriale e bitmap in un file PDF caratteri pfb in fontforge, modifica delle
DettagliLezione 6 e 7, /11/2014
Lezione 6 e 7, 11-12 /11/2014 Elena Gaburro, elenagaburro@gmail.com Informazioni Esercizi Prima di cominciare gli esercizi di questa lezione terminare tutti quelli precedenti. Calendario delle prossime
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,
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
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 computazionali per i Minimi Quadrati
Metodi computazionali per i Minimi Quadrati Come introdotto in precedenza si considera la matrice. A causa di mal condizionamenti ed errori di inversione, si possono avere casi in cui il e quindi S sarebbe
Dettagli0.1 Spazi Euclidei in generale
0.1. SPAZI EUCLIDEI IN GENERALE 1 0.1 Spazi Euclidei in generale Sia V uno spazio vettoriale definito su R. Diremo, estendendo una definizione data in precedenza, che V è uno spazio vettoriale euclideo
DettagliPolinomio di Taylor del secondo ordine per funzioni di due variabili
Esercitazioni del 15 aprile 2013 Polinomio di Taylor del secondo ordine per funzioni di due variabili Sia f : A R 2 R una funzione di classe C 2. Fissato un p unto (x 0, y 0 A consideriamo il seguente
Dettagli