Esempio. Approssimazione con il criterio dei minimi quadrati. Esempio. Esempio. Risultati sperimentali. Interpolazione con spline cubica.

Dimensione: px

Iniziare la visualizzazioe della pagina:

Download "Esempio. Approssimazione con il criterio dei minimi quadrati. Esempio. Esempio. Risultati sperimentali. Interpolazione con spline cubica."

Alfonso Corona
8 anni fa
Visualizzazioni

1 Esempio Risultati sperimentali Approssimazione con il criterio dei minimi quadrati Esempio Interpolazione con spline cubica. Esempio 1

2 Come procedere? La natura del fenomeno suggerisce che una buona approssimazione dei dati è di tipo lineare Tutti i polinomi di grado 1 sono rappresentabili come I parametri a 1 e a 2 individuano una sola retta tra tutte quelle del piano Servono dei criteri per determinare i parametri, individuando una particolare retta Il criterio di interpolazione in questo caso non va bene Quale criterio utilizzare? Minimizzare l errore quadratico medio Per una generica retta, considero le quantità Rappresentano l errore che si commette sui dati (la distanza dei dati dal modello) Dipendono dai parametri a 1 e a 2 Sono m valori (tanti quanti i punti) Cercare la retta (cioè determinare i parametri a 1 e a 2 ) in modo da rendere l errore più piccolo possibile: in termini matematici si deve minimizzare la norma (euclidea) del vettore 2

tutte quelle del piano Servono dei criteri per determinare i parametri, individuando una particolare retta Il criterio di interpolazione in questo caso non va bene Quale criterio utilizzare?

3 Si determinano i parametri in modo che la distanza tra il modello e i dati osservati sia minima possibile. In termini matematici si tratta di calcolare Caso lineare: Minimo di una funzione di più variabili rispetto ai parametri Condizione necessaria: Occorre poi verificare la bontà del modello scelto Caso lineare: Esempio Incognite Dati Costruire la retta di migliore approssimazione secondo il criterio dei minimi quadrati relativamente ai punti (1,5), (3,10), (4,12), (5,16) Sistema di 2 equazioni nelle 2 incognite a1 a2 3

necessaria: Occorre poi verificare la bontà del modello scelto Caso lineare: Esempio Incognite Dati Costruire la retta di migliore

4 Scelta del modello Nell esempio iniziale il modello lineare rispetta la natura dei dati (legge di Ohm). Dati di tipo diverso sono meglio descritti da altri modelli. Esempi: Parabola Modelli non polinomiali (non lineari) In generale Si sceglie a priori un modello per descrivere il fenomeno Si sceglie un insieme di funzioni che dipendono da n parametri parametri variabile Si definiscono gli errori dove Criterio di approssimazione Minimizzare la distanza tra i dati osservati e il modello; Criterio dei minimi quadrati Si determinano in modo che il vettore sia minimo possibile in norma euclidea. Minimizzare la funzione Oppure dove osservazioni. sono i pesi delle 4

dipendono da n parametri parametri variabile Si definiscono gli errori dove Criterio di approssimazione Minimizzare la distanza tra i dati osservati e il modello;

5 Minimo di funzioni Condizione necessaria Funzione reale a variabile reale Condizione necessaria Funzione reale di n variabili reali Condizione necessaria Approssimazione lineare Approssimazione lineare Supponiamo che In questo caso la funzione Q da minimizzare ha una forma particolare 5

Condizione necessaria Approssimazione lineare Approssimazione lineare

6 Ricaviamo la funzione Q Equazioni normali Sistema delle equazioni normali nxn Ammette un unica soluzione se e solo se le colonne di A sono linearmente indipendenti. Approssimazione polinomiale La matrice A ha sempre rango massimo quando i punti sono distinti Il problema dell approssimazione polinomiale ha una sola soluzione Osservazioni Se n=m si trova il polinomio di interpolazione di grado n; Se m n si trova un polinomio di grado n-1i cui coefficienti si calcolano risolvendo le equazioni normali. 6

Approssimazione polinomiale La matrice A ha sempre rango massimo quando i punti sono distinti Il problema dell approssimazione

7 Retta di regressione Si trova per n=2 Esempio Costruire la parabola di migliore approssimazione relativamente ai punti (1,5), (3,10), (4,12), (5,16) FORMULE ESPLICITE Approssimazione di dati e funzioni INTERPOLAZIONE Interpolazione polinomiale Polinomio di interpolazione Lagrange Newton n+1 punti Polinomio di Taylor 1 punto Interpolazione polinomiale a tratti: funzioni spline APPROSSIMAZIONE CON IL CRITERIO DEI MINIMI QUADRATI Soluzione numerica del problema dei minimi quadrati Stima dell errore 7

Polinomio di interpolazione Lagrange Newton n+1 punti Polinomio di Taylor 1 punto Interpolazione polinomiale a tratti:

8 Risoluzione delle equazioni normali Se A ha rango massimo, la matrice del sistema Esempio Supponiamo che la matrice A sia è simmetrica definita positiva; Si potrebbe fattorizzare con Cholesky; Se A è malcondizionata si ha una amplificazione degli errori. Se Matrice singolare Alternativa 1 Sistema aumentato Alternativa 2 L idea si basa sulle seguenti osservazioni: se Q è una matrice ortogonale, allora E simmetrico Non è definito positivo e ha dimensione doppia rispetto al sistema normale Se A è una matrice mxn (n<m) di rango n, si può fattorizzare mediante trasformazioni di Givens e Q ortogonale mxm R triangolare superiore nxn. 8

Se Matrice singolare Alternativa 1 Sistema aumentato Alternativa 2 L idea si basa sulle seguenti osservazioni: se Q è una matrice ortogonale, allora E

9 Caso degenere Quanto detto prima vale sotto l ipotesi che il rango di A sia n. Se il rango di A è inferiore ad n (succede, ad esempio, quando le funzioni di base non sono lin. Indip.), allora il problema dei minimi quadrati non ha un unica soluzione. Caso degenere Se il rango di A è k (<n), le soluzioni del sistema delle equazioni normali Variante della fattorizzazione QR Ogni matrice di rango k (<n) si può fattorizzare come costituiscono un sottospazio di dimensione n-k. Tra queste infinite soluzioni si vuole determinare quella di minima norma. Dove H è una matrice ortogonale mxm K è una matrice ortogonale nxn dove è triangolare inferiore kxk 9

), allora il problema dei minimi quadrati non ha un unica soluzione.

10 Come di ottiene la fattorizzazione HRK T Se A è una matrice mxn di rango k, allora S è una matrice ortogonale di permutazione nxn che porta k colonne lin. indip. nelle prime posizioni Q è ortogonale mxm è triangolare superiore kxk Fattorizzazione QR della matrice Ortogonale nxn Triangolare superiore Triangolare inferiore Tutti i vettori del tipo sono soluzioni del problema di minimo La soluzione di minima norma si ottiene per 10

nelle prime posizioni Q è ortogonale mxm è triangolare superiore kxk Fattorizzazione QR della matrice

11 Decomposizione ai valori singolari Se A è una matrice mxn di rango k, allora dove U matrice ortogonale mxm; V matrice ortogonale nxn; matrice diagonale Si tratta di trovare il minimo di Soluzione di minima norma Si trova per V è ortogonale La soluzione non è unica La soluzione di norma euclidea minima si trova per 11

tratta di trovare il minimo di Soluzione di minima norma Si trova per V è

12 Applicazione della decomposizione ai valori singolari Compressione di dati Per ottenere A è sufficiente conoscere Diadi Compressione Numero elementi di A Numero elementi di Si ottiene una compressione maggiore se si scartano i valori singolari piccoli 12

Diadi Compressione Numero elementi di A Numero elementi di Si

Documenti analoghi

Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria Elettronica

Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria Elettronica Terzo Appello del corso di Geometria e Algebra II Parte - Docente F. Flamini, Roma, 7/09/2007 SVOLGIMENTO COMPITO III APPELLO