Corso di Calcolo Numerico
|
|
- Alessia Ventura
- 6 anni fa
- Visualizzazioni
Transcript
1 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
2 Approssimazione di funzioni In molti problemi matematici emerge l esigenza di dover approssimare una funzione f C k ([a, b]), [a, b] R, k 0, (C k ([a, b]) spazio delle funzioni derivabili k volte in [a, b] con derivata k esima continua in [a, b]) definita mediante una sua rappresentazione analitica con un altra funzione φ n Φ n C k ([a, b]) di forma più semplice (Φ n sottospazio di C k ([a, b]) di dimensione finita n). La funzione φ n si dice approssimazione della funzione f e naturalmente occorre valutare lo scostamento di φ n da f. Più precisamente si sceglie una successione di sottospazi {Φ n } n di C k ([a, b]) (ciascuno di dimensione finita n) a cui si vuole che le funzioni approssimanti {φ n } n appartengano. Le funzioni approssimanti φ n vengono espresse come combinazione lineare di una base prescelta in tali sottospazi.
3 Per misurare la bontà di φ n, (ovvero la distanza di φ n da f) si valuta la norma f φ n := max x [a,b] f(x) φ n(x). Se si verifica che lim f φ n = 0 n si dice che la successione {φ n } n converge ad f in C k ([a, b]) con la norma uniforme. Naturalmente richiediamo che l ordine di convergenza sia il più grande possibile. Noi prenderemo in considerazione i seguenti sottospazi: P n polinomi algebrici di grado al più n, si parlerà di approssimazione polinomiale algebrica; S n funzioni spline di ordine n, si parlerà di approssimazione polinomiale a tratti.
4 Approssimazione Polinomiale Algebrica Nello studio dell approssimazione polinomiale algebrica ci si chiede se è sempre possibile costruire una successione di polinomi {P n } n che converga uniformemente in [a, b] ad una funzione continua f ivi definita ed arbitrariamente fissata. La risposta ci è fornita dal seguente teorema Teorema 1 (Weierstrass) Per ogni funzione f C 0 ([a, b]), esiste almeno una successione di polinomi {P n } n tale che lim n f P n = 0. La quantità E n (f) = inf P P n f P è chiamato errore di miglior approssimazione della funzione f mediante polinomi algebrici di grado al più n. Se f C 0 ([a, b], esiste uno ed un solo polinomio P P n tale che E n (f) = min P P n f P = f P, ed è detto polinomio di miglior approssimazione della funzione f in P n.
5 Assegnata una funzione f C 0 ([a, b]) non è facile individuare il suo polinomio di miglior approssimazione in un dato sottospazio P n. Tuttavia l errore di miglior approssimazione è un utile strumento perchè ci permette di stabilire qual è la miglior approssimazione che ci si può aspettare per quella funzione mediante polinomi algebrici appartenenti a P n. L errore di miglior approssimazione dipende dalla regolarità della funzione che si vuole approssimare. Vale il seguente teorema Teorema 2 Se f C k ([a, b]) vale la seguente stima per l errore di miglior approssimazione E n (f) C n k dove C è una costante positiva che non dipende da m e k.
6 Polinomio di Taylor Sia f C (n+1) ([a, b]) e sia x 0 [a, b], per ogni punto x [a, b] esiste un punto ξ, interno all intervallo di estremi x 0 e x, tale che f(x) = f(x 0 ) + f (x 0 )(x x 0 ) f (n) (x 0 ) (x x 0 ) n n! + f (n+1) (ξ) (n + 1)! (x x 0) n+1 = T n (x) + R n+1 (f, x), dove T n è il Polinomio di Taylor di grado n della funzione f di punto iniziale x 0 e R n+1 (f) è il Resto di Lagrange. Se x 0 = 0, T n viene detto Polinomio di Mac-Laurin.
7 Se le derivate di f sono equilimitate, cioè l > 0 tale che si ha f (k) (x) l, x [a, b] e k = 0, 1,..., n + 1, R n+1 (f, x) = f(x) T n (x) l x x 0 n+1, x [a, b]\{x 0 } (n + 1)! e dunque lim R n+1(f, x) = 0, x [a, b] \ {x 0 }. n +
8 Esempio 1 f(x) = e x. Si ha f (k) (x) = e x, k N. Inoltre, essendo e x una funzione crescente su R, f (k) (x) < e b, x [a, b] e k N Sia x 0 [a, b], x [a, b] ξ [x 0, x] tale che e x = e x 0 + e x 0 (x x 0 ) e x 0 (x x 0) n n! + e ξ (x x 0) n+1 (n + 1)!. In particolare se x 0 = 0 [a, b] si ha e x = 1 + x xn n! + eξ x n+1 (n + 1)!
9 Supponiamo di voler calcolare il valore approssimato del numero di Nepero e con 6 cifre decimali esatte. Per 0 < ξ < 1 si ha R n+1 (f, 1) = e ξ 1 (n + 1)! < e (n + 1)! < 3 (n + 1)! e poichè per n = 10 si ha otteniamo R n+1 (f, 1) 3 (11)! < e = ! ! = il valore esatto fino alla 6 a cifra decimale.
10 Esempio 2 f(x) = cos x. Si ha f (k) (x) = ± sin x k dispari ± cos x k pari, k N Inoltre f (k) (x) 1, x R e k N In particolare se x 0 = 0 [a, b], x [a, b] ξ [x 0, x] tale che cos x = 1 x2 2 +x4 x2n +...+( 1)n 4! (2n)! +( 1)n+1 sin ξ x2n+1 (2n + 1)! e R 2n+1 (f, x) sin ξ x2n+1 (2n + 1)! x2n+1 (2n + 1)!
11 Problemi Per approssimare una funzione f in [a, b] con il suo polinomio di Taylor T n di punto iniziale x 0 [a, b] è necessario calcolare tutte le n + 1 derivate di f nel punto x 0. Ciò è semplice se f è una funzione elementare. Come si fa se, ad esempio, vogliamo approssimare in [ 1, 1] la funzione f(x) = (x2 + 2) 3 cos x 1 + e x? Come si fa ad approssimare una funzione f solo continua come ad esempio f(x) = 1 x? Inoltre, dal punto di vista implementativo, è necessario scrivere una function per ogni funzione f. Dunque il Polinomio di Taylor è uno strumento di approssimazione molto buono da un punto di vista teorico ma praticamente inutilizzabile da un punto di vista numerico.
12 Interpolazione Polinomiale Algebrica Sia f C 0 ([a, b]), [a, b] R. Supponiamo di conoscere i valori f(x 1 ),..., f(x n ) assunti da f rispettivamente nei punti x 1,..., x n tutti distinti. Lo scopo dell interpolazione polinomiale è quello di cercare un polinomio di grado minimo (eventualmente unico) che coincida con la funzione f nei punti assegnati, cioè tale che P (x i ) = f(x i ), i = 1,..., n.
13 Poichè i punti sono n, è sufficiente considerare il generico polinomio di grado n 1 che ha n coefficienti P n 1 (x) = a 0 + a 1 x + + a n 1 x n 1 ed imporre le condizioni a 0 + a 1 x a n 1 x1 n 1 = f(x 1 ) a 0 + a 1 x a n 1 x2 n 1 = f(x 2 )... a 0 + a 1 x n + + a n 1 xn n 1 = f(x n ). I parametri incogniti a 0, a 1,..., a n 1 sono soluzione del seguente sistema quadrato di ordine n 1 x 1 x n 1 1 a 0 f(x 1 ) 1 x 2 x n 1 2 a 1 f(x 2 ).... = x n x n 1 n a n 1 f(x n ) (1)
14 La matrice del sistema è quella di Vandermonde, il cui determinante 1 x 1 x n x 2 x n 1 n 1 2 n det... = (x i x j )... j=1 i=j+1 1 x n x n 1 n è diverso da zero, avendo assunto i punti x i, i = 1,..., n, tutti distinti. Dunque vale il seguente teorema Teorema 3 Siano x 1,..., x n n punti a due a due distinti. Esiste uno ed un solo polinomio di grado n 1 tale che P n 1 (x i ) = f(x i ), i = 1,..., n. Tale polinomio viene detto polinomio interpolante e i punti x i, i = 1,..., n, vengono detti punti o nodi di interpolazione.
15 Per la costruzione del polinomio interpolante, si potrebbe procedere alla risoluzione del sistema (1). Ma questo approccio non è consigliato sia perché le matrici di Vandermonde sono malcondizionate sia perché necessita di un elevato numero di operazioni aritmetiche. Dunque, una volta stabilita l esistenza e l unicità del polinomio interpolante, per l effettiva costruzione si utilizzano tecniche alternative ben condizionate e, possibilmente, meno costose in termini di operazioni aritmetiche.
16 Espressioni del polinomio interpolante La prima formula interpolatoria fu scoperta da Isaac Newton nel Definendo ricorsivamente le differenze divise di una funzione f nel seguente modo [x; f] = f(x), [x, x 1 ; f] = f(x) f(x 1) x x 1, [x, x 1,..., x i ; f] = [x 1,..., x i ; f] [x, x 1,..., x i 1 ; f] x x i, la formula interpolatoria di Newton può essere scritta nella seguente forma N n (f, x) = f(x 1 ) + n 1 i [x 1,..., x i+1 ; f] (x x k ) i=1 k=1 e viene detta Polinomio di Newton di grado n 1.
17 Quando due argomenti coincidono si ha [x 0, x 0 ; f] = lim x x 0 [x 0, x; f] = lim x x 0 f(x) f(x 0 ) x x 0 = f (x 0 ). Più in generale vale e, così, otteniamo lim [x 0,..., x n ; f] = f (n) (x 0 ), x i x 0 n! lim N n (f, x) = f(x 1 ) + x i x 1 n 1 i=1 (x x 1 ) i f (i) (x 1 ) i! cioè il polinomio di Taylor di ordine n 1 della funzione f relativo al punto x 1. Dunque il polinomio di Taylor è un caso particolare del polinomio di Newton. Esso non è altro che un polinomio che interpola la funzione nel solo punto x 1.,
18 Nel 1795 Joseph Louis Lagrange scoprì la base di polinomi {l n,k } k=1,...,n dove, k = 1,..., n, l n,k (x) = n i=1 i k (x x i ) (x k x i ) è un polinomio di grado n 1 tale che 0 se k i l n,k (x i ) = 1 se k = i, cioè l n,k (x) ha per zeri tutti i punti di interpolazione tranne il k esimo. Utilizzando tale base, detta base dei polinomi fondamentali di Lagrange, diede la seguente espressione del polinomio interpolante L n (f, x) = n l n,k (x)f(x k ) k=1 che viene detta polinomio interpolante di Lagrange.
19 Il polinomio di Lagrange può intendersi come un operatore lineare che ad una funzione continua in [a, b] associa un polinomio di grado n 1 : L n : C 0 ([a, b]) P n 1. Dunque e L n (f + g) = L n (f) + L n (g) L n (λf) = λl n (f), λ R. Si tratta, però, di un operatore non biunivoco, infatti date due funzioni assumenti gli stessi valori nei punti x 1,..., x n, ad esse viene associato lo stesso polinomio interpolante di Lagrange. Inoltre è un proiettore L n (P i, x) = P i (x), i n 1, cioè conserva i polinomi al più di grado n 1. In seguito, chiameremo il polinomio interpolante sempre Polinomio di Lagrange e lo denoteremo con L n (f)
20 Algoritmi per il calcolo del Polinomio di Lagrange Per calcolare il polinomio di Lagrange mediante la formula n L n (f, x) = l n,k (x)f(x k ) (2) i=1 i k k=1 è necessario calcolare i polinomi fondamentali di Lagrange n (x x i ) l n,k (x) =, k = 1,..., n. (x k x i ) Lag=0; for k=1:n l=1; for i=1:n, if i = k, l=l (x x i )/(x k x i ); n-1 operazioni end end Lag=Lag+l*f(x k ); 1 operazione end Il costo computazionale è dell ordine di n 2
21 Per calcolare il polinomio di Lagrange con la formula L n (f, x) = f(x 1 ) + n 1 [x 1,..., x i+1 ; f] i=1 i (x x k ) (3) k=1 dovuta a Newton il costo computazionale è anche dell ordine di n 2. Dunque da un punto di vista computazionale le formule di Lagrange e Newton sono equivalenti ma, mentre l algoritmo per il calcolo del polinomio di Lagrange con la formula (2) è in generale stabile, l algoritmo per il calcolo del polinomio di Lagrange con la formula (3) non lo è. Più precisamente la stabilità dell algoritmo per il calcolo della formula di Newton dipende dalla distribuzione dei punti di interpolazione e diminuisce all aumentare della vicinanza dei punti di interpolazione.
22 Approssimazione uniforme di funzioni mediante il Polinomio di Lagrange Senza perdere la generalità, consideriamo l interpolazione sull intervallo [ 1, 1]. Supponiamo di avere una funzione reale f continua nell intervallo [ 1, 1] e una successione di polinomi algebrici {q n } n tali che per ogni n 1, il polinomio q n ha grado esattamente n e ha n zeri distinti appartenenti all intervallo [ 1, 1] : 1 x n,1 < x n,2 < < x n,n 1. Sia X la matrice tridiagonale infinita corrispondente a questi zeri X = x 1,1 x 2,1 x 2, x n,1 x n,2 x n,n...., cioè l n-esima riga della matrice X consiste degli zeri di q n.
23 Associamo alla matrice X la sequenza di polinomi di Lagrange {L n (X, f)} n dove L n (X, f; x n,k ) = f(x n,k ), k = 1,..., n. La matrice X è chiamata matrice di interpolazione o sistema di nodi di interpolazione. La successione {L n (X, f)} n definisce un processo interpolatorio. Noi siamo interessati ad un processo interpolatorio {L n (X, f)} n per il quale L n (X, f) f per n + e quindi vogliamo individuare la matrice X che verifica tale convergenza. La differenza R n (X, f; x) = f(x) L n (X, f; x) viene detta resto o errore di Lagrange.
24 Osservazione Nel calcolo automatico del polinomio di Lagrange, a causa di errori che si possono commettere nella valutazione della funzione nei punti di interpolazione, calcoliamo L n (X, f + ε) anzichè L n (X, f), cioè calcoliamo f(x n,k ) + ε(x n,k ) al posto di f(x n,k ). Dunque, per la linearità dell operatore di Lagrange, si ha Ma f L n (X, f + ε) R n (X, f) + L n (X, ε) L n (X, ε) = max x 1 dove ε n = n l n,k (X, x)ε(x n,k ) ε nλ n (X) k=1 max ε(x n,k) e k=1,...,n Λ n (X) := max x 1 Λ n(x, x) := max x 1 n l n,k (X, x). k=1 Dunque l errore totale di interpolazione è dato dall errore teorico R n (X, f) più l errore numerico ε n Λ n (X) La funzione Λ n (X, x) è detta funzione di Lebesgue e le quantità Λ n (X) vengono dette costanti di Lebesgue.
25 Le costanti di Lebesgue non dipendono dalla funzione f ma soltanto dalla matrice X di interpolazione e rappresentano il coefficiente di amplificazione dell errore numerico di interpolazione. Questo significa che, per matrici di interpolazione per le quali le costanti di Lebesgue hanno un andamento fortemente crescente, l errore totale del polinomio di Lagrange diverge anche se l errore teorico si mantiene limitato. Quindi la scelta delle costanti di Lebesgue è importante ai fini della convergenza del processo interpolatorio {L n (X, f)} n. Ci chiediamo se esistono matrici di interpolazione per le quali le costanti di Lebesgue sono limitate. La risposta è negativa, infatti vale il seguente Teorema 4 Per ogni matrice di interpolazione X si ha Λ n (X) > 1 12 log n.
26 L individuazione di una matrice di nodi per la quale le costanti di Lebesgue hanno ordine di divergenza più basso è stato per lungo tempo un problema aperto. Successivamente è stato dimostrato che l ordine ottimale delle costanti di Lebesgue è proprio log n. Esempi di matrici di interpolazione le cui corrispondenti costanti di Lebesgue hanno ordine log n sono le matrici degli zeri dei polinomi di Jacobi {p α,β n } n, 1 < α, β 1 2. Tra queste ha particolare rilevanza la matrice degli zeri dei polinomi di Chebyshev di prima specie (α = β = 1 2 ).
27 Diamo ora una stima dell errore teorico di approssimazioni per funzioni analitiche. Vale il seguente Teorema 5 Sia f C n ([ 1, 1]) e sia p n il polinomio monico che ha per zeri gli n punti di interpolazione. Allora per ogni x [ 1, 1] esiste un punto 1 < ξ < 1, tale che Poichè R n (X, f; x) = f (n) (ξ) p n (x). n! p n (x) 2 n, x [ 1, 1], nell ipotesi in cui la funzione f abbia tutte le derivate equilimitate, cioè si ha M := sup n max f (n) (x) < +, x 1 R n (X, f) M2n n! e, quindi, l errore teorico di interpolazione tende a zero per n + qualunque sia la matrice di interpolazione X. Bisogna però osservare che tale convergenza, indipendentemente dalla matrice dei nodi di interpolazione, è soltanto teorica.
28 Se prendiamo come matrice di nodi la matrice T degli zeri dei polinomi di Chebyshev di prima specie, poiché p n (x) = p 1 2, 1 2 n (x) 1, x [ 1, 1], 2n 1 otteniamo la seguente stima dell errore teorico di Lagrange per funzioni f C n ([ 1, 1]) con tutte le derivate equilimitate R n (T, f) M 2 n 1 n!. Dunque, la scelta della matrice T dei nodi di Chebyshev di prima specie, oltre a garantire un errore numerico dell ordine di log n, ci permette di ottenere una migliore stima dell errore teorico.
29 Vediamo ora che, se la funzione è solo continua, la scelta di matrici di interpolazione le cui costanti di Lebesgue hanno ordine ottimale è essenziale anche per la convergenza dell errore teorico di interpolazione. Sia P il polinomio di miglior approssimazione della funzione f in P n 1. Si ha R n (X, f) f P + L n (X, f P ). Poichè L n (X, f P ) max x 1 otteniamo n l n,k (X, x) f(x k ) P (x k ) k=1 f P Λ n (X), R n (X, f) (1 + Λ n (X)) f P = (1 + Λ n (X))E n 1 (f) dove E n 1 (f) denota l errore di miglior approssimazione.
30 Se X è una matrice di interpolazione tale che si ha convergenza se Λ n (X) log n, n 1, lim n E n 1 (f) log n = 0. E questo non è, in generale, vero se la funzione f è solo continua. Ma se f C 1 ([ 1, 1]), poichè per il Teorema 2 si ha E n 1 (f) C n, R n (X, f) C n log n 0 per n In generale, se f C k ([ 1, 1]), poichè per il Teorema 2 si ha E n 1 (f) C n k, R n (X, f) C n k log n 0 per n
31 Costanti di Lebesgue e Matrici di interpolazione Per il Teorema 4, per ogni matrice di interpolazione X si ha Λ n (X) > 1 12 log n. Dunque non esiste alcuna matrice di interpolazione X per la quale le corrispondenti costanti di Lebesgue sono limitate. Successivamente è stato provato che Λ n = Λ n (X ) = min X Λ n(x) 2 π log n, cioè l ordine ottimale delle costanti di Lebesgue è log n e una matrice di interpolazione X per la quale le corrispondenti costanti di Lebesgue hanno ordine ottimale viene detta matrice ottimale di interpolazione.
32 Denotiamo con E la matrice dei nodi equispaziati su [ 1, 1] x n,k = k 1 n 1, k = 1,..., n È stato dimostrato che Λ n (E) 2 n e n log n dunque la matrice E non è una matrice di interpolazione ottimale Figure 1: Grafico della funzione di Lebesgue Λ 5 (E, x)
33 Denotiamo con T la matrice degli zeri dei polinomi di Chebyshev di prima specie ( ) (2k 1)π x n,k = cos, k = 1,..., n 2n È stato dimostrato che Λ n (T ) 2 π log n dunque la matrice T è una matrice di interpolazione ottimale Figure 2: Grafico della funzione di Lebesgue Λ 5 (T, x)
34 Denotiamo con U la matrice degli zeri dei polinomi di Chebyshev di seconda specie con i punti addizionali ±1 ( ) kπ x n,k+1 = cos, k = 0,..., n + 1 n + 1 È stato dimostrato che Λ n (U) log n dunque la matrice U è una matrice di interpolazione ottimale Figure 3: Grafico della funzione di Lebesgue Λ 5 (U, x)
35 I polinomi di Chebyshev di prima specie e di seconda specie sono dei particolari polinomi di Jacobi {p α,β n } n, α, β > 1 Più precisamente, i polinomi di Chebyshev di prima specie sono dei polinomi di Jacobi con α = β = 1 2 mentre i polinomi di Chebyshev di seconda specie sono dei polinomi di Jacobi con α = β = 1 2. In generale, denotata con J la matrice degli zeri dei polinomi di Jacobi, è stato dimostrato che log n 1 < α, β 1 2 Λ n (J ) n 1 2 +max{α,β} α, β > 1 2 Dunque J è una matrice di interpolazione ottimale soltanto se 1 < α, β 1 2. Osservazione La matrice di interpolazione formata dai soli zeri di Chebyshev di seconda specie (α = β = 1 2 ) non è una matrice di interpolazione ottimale ma, se ad ogni riga aggiungiamo i punti addizionali ±1, la matrice risultante U lo è.
36 Osservazione L espressione analitica degli zeri dei polinomi di Jacobi non è in generale nota (tranne in alcuni casi particolari come ad esempio α = β = 1 2 e α = β = 1 2 ). Essi vengono calcolati in maniera approssimata, con un errore dell ordine dell epsilon di macchina, attraverso un opportuno algoritmo Vediamo, ora, attraverso alcuni esempi, come le costanti di Lebesgue influenzano l errore di approssimazione del polinomio di Lagrange
37 Esempio 1 Consideriamo la funzione f(x) = x 3 2 C 1 ([ 1, 1]) L errore teorico di approssimazione soddisfa la seguente stima R n (X, f) C n log n dunque tende a 0 per n + per ogni x [ 1, 1]. Vediamo cosa succede, da un punto di vista numerico, approssimando la funzione f con L n (E, f) e L n (T, f)
38 Figure 4: Grafico della funzione x 3 2
39 Figure 5: Grafico di L 14 (E, f; x) Se n è pari il punto 0 non è incluso tra i punti di interpolazione. Dal grafico si evince che l errore di approssimazione è abbastanza elevato intorno ai punti ±1 e 0
40 Figure 6: Grafico di L 15 (E, f; x) Se n è dispari il punto 0 è incluso tra i punti di interpolazione. Dal grafico si evince che l errore di approssimazione è molto elevato intorno ai punti ±1
41 Figure 7: Grafico di L 14 (T, f : x)
42 Figure 8: Grafico di L 15 (T, f; x) Utilizzando la matrice di interpolazione ottimale T, sia per n pari che per n dispari, l errore di approssimazione è dello stesso ordine in tutti i punti dell intervallo [ 1, 1].
43 Esempio 2 Consideriamo la funzione f(x) = e x C ([ 1, 1]) Utilizzando il Teorema 5, l errore teorico di approssimazione R n (X, f) tende a 0 molto velocemente per n + per ogni x [ 1, 1]. Vediamo cosa succede, da un punto di vista numerico, approssimando la funzione f con L n (E, f) e L n (T, f) n Λ n (E) R n (E, f) e e e e e e e e e e e e e e e e e e+11
44 n Λ n (T ) R n (T, f) e e e e e e e e e-15
45 Interpolazione con funzioni polinomiali a tratti Abbiamo visto che, data una funzione f C k ([a, b]), k 1, di cui si conosce l espressione analitica, e un matrice di nodi X, le cui costanti di Lebesgue hanno ordine ottimale log n, è possibile costruire un processo interpolatorio {L n (X, f)} n tale che L n (X, f) f per n +, x [a, b]. La scelta della matrice di nodi X, le cui costanti di Lebesgue hanno ordine ottimale log n, è fondamentale affinchè tale processo interpolatorio sia stabile e convergente. Se, però, non conosciamo l espressione analitica di f ma conosciamo soltanto i valori che essa assume in alcuni punti x 0, x 1..., x n dell intervallo [a, b], dunque non possiamo scegliere opportunamente i punti di interpolazione, non è consigliabile utilizzare il polinomio interpolante di Lagrange per approssimare la funzione f. Questo è il caso in cui, ad esempio, la funzione f da approssimare descrive l andamento di alcuni dati sperimentali.
46 In questi casi si preferisce utilizzare l interpolazione con funzioni polinomiali a tratti. Definizione 1 Suddividiamo l intervallo [a, b] in n sottointervalli con n + 1 nodi x i, i = 0,..., n, tali che a = x 0 < x 1 <... < x n = b. Una funzione S n si dice polinomiale a tratti su [a, b] se sull i-esimo sottointervallo [x i, x i+1 ] coincide con un polinomio di grado k i. Di solito k i = k i = 0,..., n 1, cioè i polinomi usati nei diversi sottointervalli hanno tutti lo stesso grado k.
47 L esempio più semplice di funzione polinomiale a tratti è la polinomiale lineare. Nell i esimo sottointervallo la funzione S n coincide con il polinomio interpolante della funzione f nei nodi x i e x i+1, cioè per x i x x i+1 si ha S n (f, x) = L 2 (f, x) = (x i+1 x)f(x i ) + (x x i )f(x i+1 ) x i+1 x i. Se f C 2 ([a, b]) e max x 1 f (x) < M usando la stima R 2 (f) M 2! p 2 M 2 h2, dove h := max i h i = max i x i+1 x i, si ha f S n (f) = O(h 2 ). Per la sua semplicità questo metodo è usato spesso nella pratica, ma esso non è adatto per una buona rappresentazione grafica della funzione. Infatti, poichè non stabilisce nessuna condizione sulle derivate dei polinomi nei punti x i, i = 1,..., n 1, il raccordo fra due diversi polinomi presenta in generale un punto spigoloso.
48 Esistono tanti altri esempi di funzioni polinomiali a tratti, ma fra di esse, quelle più usate sono le funzioni spline. Funzioni spline Le funzioni spline sono polinomiali che si ottengono imponendo condizioni di continuità delle derivate, senza utilizzare i valori, in generale non disponibili, delle derivate della funzione nei nodi dell intervallo. Esse sono molto utilizzate nella pratica perché consentono di ottenere ottimi risultati dal punto di vista grafico. Definizione 2 Fissato un intero d 1, S d (f, x) è una funzione spline di ordine d associata alla suddivisione dell intervallo [a, b] se: a = x 0 < x 1 <... < x n = b 1. S d (f, x) è un polinomio di grado d in ogni intervallo [x i 1, x i ], i = 1,..., n; 2. S (k) d (f) è una funzione continua su [a, b] per ogni k = 0,..., d 1. Le funzioni spline più usate sono quelle cubiche, cioè d = 3.
49 Spline cubiche Assegnati n + 1 punti nell intervallo [a, b] tali che a = x 0 < x 1 <... < x n = b, la spline cubica S 3 (f, x) interpola la funzione y = f(x) in tali punti, cioè S 3 (f, x i ) = f(x i ), i = 0,..., n. (4) Inoltre, dalla Definizione 2 risulta S 3 (f, x) = a i + b i x + c i x 2 + d i x 3, x [x i 1, x i ], (5) i = 1,..., n, S (k) 3 (f, x+ i ) = S(k) 3 (f, x i ), i = 1,..., n 1, (6) k = 0, 1, 2. Le condizioni (4) e (6) conducono ad un sistema lineare di 4n 2 equazioni (n + 1 dalla (4) e 3(n 1) dalla (6)) nelle 4n incognite a i, b i, c i, d i definite in (5). Per ottenere un sistema quadrato di ordine 4n, dobbiamo imporre due ulteriori condizioni.
50 Tuttavia, invece di risolvere un sistema di ordine 4n, imponendo due condizioni aggiuntive opportune, possiamo costruire univocamente S 3 (f, x) risolvendo un sistema lineare di ordine al più n + 1, con struttura particolarmente semplice. A tal fine introduciamo le nuove incognite M i = S 3 (f, x i ), i = 0, 1,..., n. Poichè S 3 (f, x) è in ogni intervallo [x i 1, x i ] un polinomio di grado 3, la derivata seconda S 3 (f, x) è in tali intervalli una funzione lineare della seguente forma S 3 (f, x) = (x i x)m i 1 + (x x i 1 )M i h i, i = 1,..., n, dove h i = x i x i 1. Osserviamo che la S 3 (f, x) così definita è continua su tutto [a, b]. Per individuare S 3 (f, x) dobbiamo per prima cosa integrare due volte S 3 (f, x). (7)
51 Integrando la (7) otteniamo S 3(f, x) = (x i x) 2 M i 1 + (x x i 1 ) 2 M i 2h i +C i, i = 1,..., n, e, integrando la (8), abbiamo S 3 (f, x) = (x i x) 3 M i 1 + (x x i 1 ) 3 M i 6h i +C i (x x i 1 )+D i, dove C i, D i, i = 1,..., n, sono costanti arbitrarie. i = 1,..., n, Tuttavia dovendo S 3 (f, x) soddisfare le condizioni (4), cioé (8) (9) S 3 (f, x i 1 ) = f(x i 1 ) e S 3 (f, x i ) = f(x i ), (10) possiamo assegnare alle C i, D i, i = 1,..., n, i seguenti valori e D i = f(x i 1 ) h2 i 6 M i 1 C i = f(x i) f(x i 1 ) h i(m i M i 1 ) h i 6
52 Conseguentemente, le (8) e (9) diventano e S 3(f, x) = (x i x) 2 M i 1 + (x x i 1 ) 2 M i 2h i + f(x i) f(x i 1 ) h i(m i M i 1 ) h i 6 S 3 (f, x) = (x i x) 3 M i 1 + (x x i 1 ) 3 M i (11) 6h i [ f(xi ) f(x i 1 ) + h ] i(m i M i 1 ) (x x i 1 ) h i 6 + f(x i 1 ) h2 i 6 M i 1, per x [x i 1, x i ] e i = 1,..., n.
53 Osservazione Se S 3 (f) soddisfa le condizioni (10) è anche continua nei punti x i 1 e x i. Finora abbiamo imposto la continuità solo a S 3 (f, x) e S 3 (f, x). Affinché S 3 (f, x) sia una spline cubica è sufficiente determinare le quantità {M i } i in modo che le condizioni lim x x i S 3(f, x) = lim x x + i S 3(f, x), i = 1,..., n 1, (12) siano soddisfatte, cosicché anche S 3(f, x) risulti continua in [a, b].
54 Dalla S 3(f, x) = (x i x) 2 M i 1 + (x x i 1 ) 2 M i 2h i + f(x i) f(x i 1 ) h i(m i M i 1 ) h i 6 deduciamo che nell intervallo [x i, x i+1 ] la S 3(f, x) ha la seguente espressione (13) S 3(f, x) = (x i+1 x) 2 M i + (x x i ) 2 M i+1 2h i+1 (14) + f(x i+1) f(x i ) h i+1(m i+1 M i ). h i+1 6 Sostituendo le (13) e (14) in (12) otteniamo il seguente sistema lineare h i M i 1 + 2(h i + h i+1 )M i + h i+1 M i+1 = = 6 h i+1 (f(x i+1 ) f(x i )) 6 h i (f(x i ) f(x i 1 )), (15) i = 1,..., n 1, di (n 1) equazioni nelle (n + 1) incognite M 0, M 1,..., M n. Dobbiamo infine imporre altre due condizioni.
55 Vari criteri possono essere seguiti per individuare queste due condizioni. Le tre possibili scelte più note sono le seguenti: 1. imponiamo le condizioni S 3(f, x 0 ) = f (x 0 ) e S 3(f, x n ) = f (x n ) (16) che si trasformano nelle seguenti equazioni aggiuntive [ ] f(x1 ) f(x 0 ) 2h 1 M 0 + h 1 M 1 = 6 f (x 0 ) h 1 (17) [ h n M n 1 + 2h n M n = 6 f (x n ) f(x ] n) f(x n 1 ). h n Le funzioni spline che si ottengono con le condizioni aggiuntive (16) si dicono spline complete. L unione delle (15) e (17) produce il seguente sistema tridiagonale simmetrico a diagonale dominante
56 2h 1 h 1 h 1 2(h 1 + h 2 ) h 2... = 6... h n 1 2(h n 1 + h n ) h n h n 2. Imponiamo le condizioni 2h n M 0 M 1. M n 1 M n f(x 1 ) f(x 0 ) f (x 0 ) h 1 f(x 2 ) f(x 1 ) f(x 1) f(x 0 ) h 2 h 1 =. f(x n ) f(x n 1 ) f(x n 1) f(x n 2 ) h n h n 1 f (x n ) f(x n) f(x n 1 ) h n (18) M 0 = f (x 0 ) e M n = f (x n ). (19)
57 Combinando le (15) con le (19), anche in questo caso perveniamo ad un sistema tridiagonale simmetrico a diagonale dominante, ma il suo ordine è n 1 2(h 1 + h 2 ) h 2 h 2 2(h 2 + h 3 ) h h n 2 2(h n 2 + h n 1 ) h n 1 = 6 h n 1 2(h n 1 + h n ) M 1 M 2. M n 2 M n 1 (20) f(x 2 ) f(x 1 ) f(x 1) f(x 0 ) h 1 h 2 h 1 6 f (x 0 ) f(x 3 ) f(x 2 ) f(x 2) f(x 1 ) h 3 h 2. f(x n 1 ) f(x n 2 ) f(x n 2) f(x n 3 ) h n 1 h n 2 f(x n ) f(x n 1 ) f(x n 1) f(x n 2 ) h n h n h n 1 6 f (x n )
58 Se poniamo M 0 = M n = 0, indipendentemente dai valori f (x 0 ) e f (x n ), le spline cubiche corrispondenti vengono denominate spline naturali. 3. Se f è periodica di periodo b a, cioè f(a) = f(b) imponiamo le seguenti condizioni di periodicità alla spline: S 3(f, x 0 ) = S 3(f, x n ) (21) S 3 (f, x 0 ) = S 3 (f, x n ). (22) La funzione spline risultante si dice spline periodica. La condizione (21) produce l equazione 2h 1 M 0 + h 1 M 1 + 2h n M n + h n M n 1 = [ f(x1 ) f(x 0 ) = 6 f(x ] n) f(x n 1 ). (23) h 1 h n Poichè f(x 0 ) = f(x n ) e la condizione (22) produce l equazione M 0 = M n, la (23) diventa h 1 M 1 + h n M n 1 + 2M n (h 1 + h n ) = [ f(x1 ) f(x n ) = 6 f(x ] n) f(x n 1 ). (24) h 1 h n
59 L unione delle (15) con la (24) produce il seguente sistema 2(h 1 + h 2 ) h 2 h 1 h 2 2(h 2 + h 3 ) h h n 1 2(h n 1 + h n ) h n h 1 h n 2(h 1 + h n ) = 6 f(x 2 ) f(x 1 ) f(x 1) f(x n ) h 2 h 1 f(x 3 ) f(x 2 ) f(x 2) f(x 1 ) h 3 h 2. f(x n ) f(x n 1 ) f(x n 1) f(x n 2 ) h n h n 1 f(x 1 ) f(x n ) f(x n) f(x n 1 ) h 1 h n M 1 M 2. M n 1 M n (25) Il sistema (25) non è più esattamente tridiagonale, ma è ancora simmetrico e a diagonale dominante.
60 In tutti e tre i casi illustrati i sistemi sono non singolari, dunque la spline cubica cercata esiste ed è unica. Poichè tutte e tre le matrici sono a diagonale dominante, tali sistemi possono essere risolti con il metodo di Gauss senza pivoting. Una volta determinato il vettore M 0, M 1,..., M n, per calcolare la spline cubica cercata in un punto x [a, b], si individua il sottointervallo [x i 1, x i ] di [a, b] a cui x appartiene e si utilizza la formula S 3 (f, x) = (x i x) 3 M i 1 + (x x i 1 ) 3 M i 6h [ i f(xi ) f(x i 1 ) + h ] i(m i M i 1 ) (x x i 1 ) h i 6 + f(x i 1 ) h2 i 6 M i 1. Le spline cubiche sono molto usate nella grafica perché, fra le funzioni con derivata seconda continua che interpolano la funzione f nei nodi x 0,..., x n, sono quelle che hanno minima curvatura, cioè oscillano meno. Il minimo assoluto è raggiunto dalle spline naturali.
61 Per quanto riguarda la convergenza vale il seguente Teorema Sia S 3 (f, x) la spline cubica con condizioni agli estremi di tipo (16) o (19) o (21) e (22) se f è periodica. Definiamo con h = max 1 i n h i. Se f C 2 ([a, b]) allora lim h 0 f (p) S (p) 3 (f) h 2 p = 0, p = 0, 1, 2. Se, invece, f C k ([a, b]), k = 3, 4, ed, inoltre, esiste una costante C tale che h h i C <, allora f (p) S (p) 3 lim (f) h 0 h 3 p = 0, k = 3 p = 0, 1, 2, 3 f (p) S (p) 3 lim (f) h 0 h 4 p < +, k = 4. È stato tuttavia dimostrato che h 4 è il massimo ordine di convergenza che possiamo avere con le spline cubiche considerate, ovvero lim h 0 f S 3 (f) h 4 < + anche quando f C k ([a, b]) con k > 4.
62 Il precedente teorema non solo ci assicura la convergenza uniforme in [a, b] di S 3 (f, x) a f(x), ma ci suggerisce che le spline cubiche sono uno strumento efficace per l approssimazione uniforme in tutto [a, b] anche delle derivate di f.
63 Esempio 1 Sia f(x) = x sin 2 (x) (3 + x 3 ) 2, x [ 1, 1] Vogliamo approssimare la funzione f con 8 cifre decimali esatte utilizzando 1. il polinomio di Lagrange L n (T, f) che la interpola sugli zeri del polinomio di Chebyshev di prima specie p 1 2, 1 2 n ; 2. la spline cubica S 3 (f) che la interpola sui punti equispaziati nell intervallo [ 1, 1] di passo h = 2 n. Poichè f C 4 ([ 1, 1]), da un punto di vista teorico si ha e R n (T, f) C n 4 log n < circa per n > 150 f S 3 (f) C ( ) 4 2 < 1 n 10 9 circa per n > 210
64 Dato il vettore di 41 punti equispaziati x = [ 1 : : 1] Valutiamo sia L n (T, f) che S 3 (f) in tali punti e calcoliamo E 1 = max f(x i) L n (T, f; x i ) i=1,...,41 E 2 = max f(x i) S 3 (f, x i ) i=1,...,41 n E 1 E e e e e e e e e e e e e e e e e e e-9
65 I risultati numerici sono migliori rispetto alle aspettative teoriche, anche perchè, non essendo nota la costante C, il valore di n calcolato teoricamente non è preciso (abbiamo assunto C = 1). I risultati che si ottengono utilizzando il polinomio di Lagrange sono migliori.
66 Esempio 2 Sia f(x) = (x2 + 2) 3 cos x 1 + e x, x [ 1, 1] Vogliamo approssimiamo la funzione f con 10 cifre decimali esatte utilizzando 1. il polinomio di Lagrange L n (T, f) che la interpola sugli zeri del polinomio di Chebyshev di prima specie p 1 2, 1 2 n ; 2. la spline cubica S 3 (f) che la interpola sui punti equispaziati nell intervallo [ 1, 1] di passo h = 2 n. Poichè f C ([ 1, 1]), da un punto di vista teorico si ha e R n (T, f) C 2 n 1 n! < circa per n > 10 f S 3 (f) C ( ) 4 2 < 1 n circa per n > 1000
67 Dato il vettore di 41 punti equispaziati x = [ 1 : : 1] Valutiamo sia L n (T, f) che S 3 (f) in tali punti e calcoliamo E 1 = max f(x i) L n (T, f; x i ) i=1,...,41 E 2 = max f(x i) S 3 (f, x i ) i=1,...,41 n E 1 E e e e e e e e e e e e e e e-10
68 Come da previsioni teoriche i risultati numerici ottenuti con il polinomio di Lagrange sono molto migliori rispetto a quelli ottenuti con la spline cubica. Anche se la funzione è analitica l errore della spline cubica è dello stesso ordine del caso in cui la funzione ha solo 4 derivate continue.
69 Esempio 3 In un giorno del mese di luglio, ad intervalli di 1 ora, per tutte le 24 ore, sono state registrate le seguenti temperature ora temperatura Utilizzare la spline cubica S 3 (f) per stimare le temperature delle ore 12, 30 e delle ore 19, 30.
70 Confrontare i risultati ottenuti con i valori reali riportati nella seguente tabella ora temperatura 12, ,30 26 Denotato con x il vettore avente per componenti le ore e con y il vettore avente per componenti le corrispondenti temperature, con il comando Matlab si ottiene yy = spline(x, y, [ ]) ora temperatura errore 12, ,
71 Valutare, inoltre, la spline S 3 (f) nei punti e disegnarne il grafico. xx = [1.5 : 24.5] Figure 9: Grafico della spline S 3 (f)
Corso 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
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
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
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 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
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 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
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
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. 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
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 Risoluzione di Equazioni Algebriche Le equazioni
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Risoluzione di Equazioni Algebriche Le equazioni algebriche sono equazioni del tipo P(x) = 0 dove P è un polinomio di grado n cioé P(x) = a 1 x n + a 2 x n
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
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
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
DettagliCorso di Matematica per la Chimica. Dott.ssa Maria Carmela De Bonis a.a
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Risoluzione di Equazioni non lineari Sia F C 0 ([a, b]), cioé F è una funzione continua in un intervallo [a, b] R, tale che F(a)F(b) < 0 1.5 1 F(b) 0.5 0 a
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
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 )
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 Risoluzione di Equazioni non lineari Sia
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
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Pivoting e stabilità Se la matrice A non appartiene a nessuna delle categorie precedenti può accadere che al k esimo passo risulti a (k) k,k = 0, e quindi il
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
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Pivoting e stabilità Se la matrice A non appartiene a nessuna delle categorie precedenti può accadere che al k esimo passo risulti a (k) k,k = 0, e quindi il
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
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
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.
DettagliSappiamo che una funzione definita in un intervallo aperto I ed ivi derivabile è anche differenziabile, ossia che, fissato x 0 I, si ha.
La formula di Taylor Sappiamo che una funzione definita in un intervallo aperto I ed ivi derivabile è anche differenziabile, ossia che, fissato x 0 I, si ha dove f(x) = f(x 0 ) + f (x 0 )(x x 0 ) + ω(x)(x
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
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
DettagliEsonero di Analisi Matematica II (A)
Esonero di Analisi Matematica II (A) Ingegneria Edile, 8 aprile 3. Studiare la convergenza del seguente integrale improprio: + x log 3 x (x ) 3 dx.. Studiare la convergenza puntuale ed uniforme della seguente
DettagliMetodi 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 delle Differenze
Carla Guerrini 1 Calcolo delle Differenze Le differenze finite introdotte nel 17-esimo secolo per il calcolo delle funzioni, si prestano bene ad essere utilizzate in procedimenti e problemi discreti: da
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
DettagliCalcolo Numerico con elementi di programmazione
Calcolo Numerico con elementi di programmazione (A.A. 2014-2015) Appunti delle lezioni sui metodi numerici per la soluzione di sistemi lineari Metodi Iterativi la soluzione si ottiene tramite approssimazioni
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
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
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
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
DettagliCorso di Analisi Numerica
Corso di Laurea in Ingegneria Informatica Corso di 5 - INTEGRAZIONE NUMERICA Lucio Demeio Dipartimento di Scienze Matematiche 1 Integrazione numerica: formule di Newton-Cotes semplici 2 3 Introduzione
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
DettagliA =, c d. d = ad cb. c d A =
Geometria e Algebra (II), 271112 1 Definizione D ora innanzi, al posto di dire matrice quadrata di tipo n n o matrice quadrata n n diremo matrice quadrata di ordine n o in breve matrice di ordine n Il
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
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.
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
DettagliPolitecnico di Milano Corso di Analisi e Geometria 1. Federico Lastaria Formule di Taylor Ottobre 2012
Politecnico di Milano Corso di Analisi e Geometria 1 Federico Lastaria federico.lastaria@polimi.it Formule di Taylor Ottobre 2012 Indice 1 Formule di Taylor 1 1.1 Il polinomio di Taylor...............................
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
DettagliCalcolo Numerico per Ingegneria. Corso estivo di Bressanone. Prof. L. Bergamaschi SOLUZIONE DELLA PROVA SCRITTA del
Calcolo Numerico per Ingegneria. Corso estivo di Bressanone. Prof. L. Bergamaschi SOLUZIONE DELLA PROVA SCRITTA del 9.8.2. Data l equazione x x = (a) Mostrare che essa ammette una e una sola soluzione
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
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)
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
Dettagli(x 0, y 0 ),..., (x k, y k ) p(x k ) = a 0 q 0 (x k ) + + a k q k (x k ) = y k ovvero se e solo se la colonna dei coefficienti: R k+1.
3 Interpolazione Se Ω R è un intervallo, si indica con C(Ω) lo spazio vettoriale su R delle funzioni continue da Ω in R 3 Interpolazione polinomiale Siano k un numero intero non negativo, P k (R) lo spazio
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
DettagliCompito numero 2 - Compito intero
Esercitazione 6 - Correzione esame dell 8//3 Lucia Pilleri 9//3 Compito numero - Compito intero Esercizio del parziale - del compito intero Risolvere, mediante la fattorizzazione P A = LU, il sistema lineare
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
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.
DettagliInterpolazione polinomiale
1 Siano dati N + 1 punti x 0,..., x N a due a due distinti e in ordine crescente (cioé x i < x i+1 ), e i valori y 0,..., y N ivi assunti da una funzione y = f (x). Il problema dell interpolazione polinomiale
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
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
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.
DettagliCORSO DI Analisi Numerica
CORSO DI Analisi Numerica Alessandro Iafrati CONTATTI Posta Elettronica: a.iafrati@insean.it Telefono: 06/50299296 A breve sarà disponibile un sito web sulla pagina del Dipartimento di Metodi e Modelli
DettagliRaccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 2 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata, Matematica
DIPARTIMENTO DI MATEMATICA Università degli Studi di Trento Via Sommarive - Povo (TRENTO) Raccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 2 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata,
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
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
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
DettagliDimostrazione. Indichiamo con α e β (finiti o infiniti) gli estremi dell intervallo I. Poniamo
C.6 Funzioni continue Pag. 114 Dimostrazione del Corollario 4.25 Corollario 4.25 Sia f continua in un intervallo I. Supponiamo che f ammetta, per x tendente a ciascuno degli estremi dell intervallo, iti
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
DettagliAnalisi II. Foglio di esercizi n.2 10/10/2017 (Aggiornamento del 17/10/2017)
Analisi II Foglio di esercizi n 10/10/017 (Aggiornamento del 17/10/017) Esercizi su massimi e minimi liberi con studi aggiuntivi 1 Siano K R n compatto e Ω R n un aperto contenente K Si consideri f C 1
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
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 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
DettagliSerie trigonometriche e di Fourier Ci occuperemo di serie le cui ridotte N-esime sono polinomi trigonometrici di grado (o ordine) N:
Serie trigonometriche e di Fourier Ci occuperemo di serie le cui ridotte N-esime sono polinomi trigonometrici di grado (o ordine) N: S N (x) = N n=0 (a n cos (nx) + b n sin (nx)), a n, b n R (periodiche
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
DettagliComplementi di Analisi Matematica. Foglio di esercizi n.8 3/5/2019
Complementi di Analisi Matematica Foglio di esercizi n8 3/5/2019 Esercizi su successioni e serie di funzioni Esercizio 1 Definita g k (x) = e kx2, provare che g k : R R converge puntualmente alla funzione
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
DettagliAnalisi Matematica 1 Secondo appello
Analisi Matematica 1 Secondo appello 11 febbraio 219 Testo A1 Consegnare solo questo foglio Prima parte: 2 punti per risposta corretta, 1 per ogni errore. Soglia minima 12/2. Seconda parte: Domande A e
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
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..
DettagliDerivazione numerica 1
Derivazione numerica 1 A Sommariva Keywords: Derivazione numerica Differenza in avanti Rapporto incrementale simmetrico Estrapolazione Revisione: 5 giugno 019 1 Il problema della derivazione numerica Problema
DettagliCorso di Matematica per la Chimica
Corso di Matematica per la Chimica Dott.ssa Maria Carmela De Bonis Dipartimento di Matematica, Informatica e Economia Università della Basilicata a.a. 2014-15 Propagazione degli errori introdotti nei dati
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.
Dettagli2) Scrivere la soluzione generale del seguente sistema di equazioni differenziali lineari del primo ordine. y 1 = 2y 1 5y 3 y 2
Corso di Laurea in Matematica Analisi Matematica 3/Analisi 4 - SOLUZIONI (8/6/5) Docente: Claudia Anedda ) Trovare il limite puntuale della successione di funzioni f k (t) = cos(kt), t R. Stabilire se
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 =
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
DettagliCenni sui metodi iterativi per sistemi lineari. Analisi Numerica Prof. M. Lucia Sampoli a.a. 2014/2015
Cenni sui metodi iterativi per sistemi lineari Analisi Numerica Prof. M. Lucia Sampoli a.a. 2014/2015 Metodi numerici per sistemi lineari Nei metodi diretti la presenza di eventuali elementi nulli nella
DettagliCapitolo 1. Esercizi a.a Esercizi. Esercizio 1.1 Dimostrare che il metodo iterativo
Capitolo Esercizi a.a. 206-7 Esercizi Esercizio. Dimostrare che il metodo iterativo x k+ = Φ(x k ), k = 0,,..., se convergente a x, deve verificare la condizione di consistenza x = Φ(x ). Ovvero, la soluzione
DettagliSerie di Fourier. Hynek Kovarik. Analisi Matematica 2. Università di Brescia
Serie di Fourier Hynek Kovarik Università di Brescia Analisi Matematica 2 Hynek Kovarik (Università di Brescia) Serie di Fourier Analisi Matematica 2 1 / 37 Polinomi trigonometrici Definizione Si dice
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)
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
DettagliRICHIAMI PER IL CORSO DI ANALISI NUMERICA
RICHIAMI PER IL CORSO DI ANALISI NUMERICA Anno accademico 211 212 1 RICHIAMI: PRECISIONE FINITA (USO DI UN COMPUTER) IN UN COMPUTER UNA QUALUNQUE INFORMAZIONE VIENE RAPPRESENTATA COME UNA SEQUENZA FINITA
DettagliCorso di Analisi Numerica
Corso di Laurea in Ingegneria Informatica Corso di 2 - EQUAZIONI NON LINEARI Lucio Demeio Dipartimento di Scienze Matematiche 1 Elementi introduttivi 2 3 4 Introduzione Problema: trovare le soluzioni di
DettagliEquazioni differenziali
Equazioni differenziali Hynek Kovarik Università di Brescia Analisi Matematica 2 Hynek Kovarik (Università di Brescia) Equazioni differenziali Analisi Matematica 2 1 / 42 Equazioni differenziali Un equazione
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 2 - EQUAZIONI NON LINEARI Introduzione Problema: trovare le soluzioni di un equazione del tipo f() = 0 Esempio sin a = 0 e = 3 1.0 2.0 0.5
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
DettagliAnalisi Matematica 3/Analisi 4 - SOLUZIONI (20/01/2016)
Corso di Laurea in Matematica Docente: Claudia Anedda Analisi Matematica 3/Analisi 4 - SOLUZIONI (//6) ) i) Dopo averla classificata, risolvere l equazione differenziale tẋ x = t cos(t), t >. ii) Scrivere
DettagliAppunti su Indipendenza Lineare di Vettori
Appunti su Indipendenza Lineare di Vettori Claudia Fassino a.a. Queste dispense, relative a una parte del corso di Matematica Computazionale (Laurea in Informatica), rappresentano solo un aiuto per lo
DettagliPreparazione orale analisi numerica:
Preparazione orale analisi numerica: CAPITOLO Errori (1): Ricavare il coefficiente di amplificazione: Sviluppare la serie di Taylor su di centro CAPITOLO Gerschgorin (4): Primo teorema di Gershgorin (Massimizzare
DettagliEquazioni differenziali
4 Equazioni differenziali Determinare le primitive di una funzione f(x) significa risolvere y (x) = f(x) dove l incognita è la funzione y(x). Questa equazione è un semplice esempio di equazione differenziale.
Dettagli