Sei sulla pagina 1di 110

APPUNTI DEL CORSO DI

CALCOLO NUMERICO6CFU
PROF. R. MORANDI
Anno accademico 2011-2012
P1
ALGORITMI
UN ALGORITMO
`
E:
UNA SUCCESSIONE FINITA DI ISTRUZIONI
ASSEGNATE IN MODO NON AMBIGUO
LA CUI ESECUZIONE CONSENTA DI PASSARE DA UNA
SITUAZIONE INIZIALE (DATI) AD UNA SITUAZIONE
FINALE (RISULTATI)
IN UN TEMPO FINITO
REQUISITI FONDAMENTALI
GENERALIT
`
A(ADATTO A RISOLVERE UNA CLASSE
DI PROBLEMI)
OTTIMALIT
`
A(RISPETTO AL TEMPO, AL NUMERO
DI OPERAZIONI , ALLA STABILIT
`
A, )
ESISTONO MODI DIVERSI PER SCRIVERE UN
ALGORITMO
2
P2
1) CALCOLARE LA SOMMA DI n NUMERI
a
1
, . . . , a
n
1. Leggi : n, a
1
, a
2
, . . . , a
n
2. Poni s = 0
3. Per i = 1, 2, . . . , n
1. Poni s = s + a
i
4. Scrivi s
5. Stop
2) CALCOLARE IL PRODOTTO DI n NUMERI
a
1
, . . . , a
n
1. Leggi n, a
1
, a
2
, . . . , a
n
2. Poni p = 1
3. Per i = 1, . . . , n
1. Poni p = p a
i
4. Scrivi p
5. Stop
3
P3
4) CALCOLO DEL VALORE DI UN POLINOMIO
IN UN PUNTO
P
n
(x) =
n

i=0
a
i
x
i
= a
0
+ a
1
x + a
2
x
2
+ + a
n
x
n
P
n
() =
n

i=0
a
i

i
= a
0
+ a
1
+ a
2

2
+ + a
n

n
ALGORITMO(1)
1. Leggi: n, a
0
, a
1
, . . . , a
n
;
2. Poni p = 1
3. Poni s = a
0
4. Per i = 1, 2, . . . , n
1. Poni p = p
2. Poni s = s + a
i
p
5. Scrivi s
6. Stop
OPERAZIONI: 2n MOLTIPLICAZIONI
n ADDIZIONI
4
P4
FORMULAZIONE DI HORNER
P
n
(x) = a
n
x
n
+ a
n1
x
n1
+ + a
2
x
2
+ a
1
x + a
0
P
n
(x) = x(a
n
x
n1
+ a
n1
x
n2
+ + a
2
x + a
1
) + a
0
= x(x(a
n
x
n2
+ a
n1
x
n3
+ + a
2
) + a
1
) + a
0
.
.
.
= ( ((a
n
x + a
n1
)x + a
n2
)x + + a
1
)x + a
0
ALGORITMO(2)
1. Leggi: n, a
0
, a
1
, . . . , a
n
;
2. Poni s = a
n
3. Per i = n 1, n 2, . . . , 0
1. Poni s = s + a
i
4. Scrivi s
5. Stop
OPERAZIONI: n MOLTIPLICAZIONI
n ADDIZIONI
5
P5
3) DETERMINARE

N, N > 0 MEDIANTE UN
PROCEDIMENTO ITERATIVO
1. Individuare m, n > 0 tali che
m
2
< N < n
2
2. Calcolare c =
m + n
2
3. Se c
2
= N =c =

N Stop
4. Se c
2
< N = Sostituire c a m e tornare a 2.
5. Se c
2
> N = Sostituire c a n e tornare a 2.
m
2
N n
2
m

N n
N.B.
IL PROCEDIMENTO PU
`
O NON FINIRE
(ES. N = 2)
= NON
`
E UN ALGORITMO
6
P6
CRITERIO DI ARRESTO
DECIDIAMO DI FERMARCI SE
|c
2
N| , > 0
`
E UNA TOLLERANZA
= c
`
E UNAPPROSSIMAZIONE DI

N NEI LIMITI DEL


CRITERIO DI ARRESTO SCELTO E DELLA TOLLERAN-
ZA SCELTA
ALGORITMO
1. Leggi: N, m, n,
2. Calcola c = (m + n)/2
3. Se |c
2
N| = Vai a 5.
4. Se c
2
< N poni m = c e vai a 2.
Altrimenti poni n = c e vai a 2.
5. Scrivi c
6. Stop
N.B.
PU
`
O ESSERE UNA BUONA IDEA FISSARE UN
NUMERO MASSIMO DI ITERAZIONI
7
P7
RAPPRESENTAZIONE DEI NUMERI
SISTEMI DI NUMERAZIONE
BINARIO CIFRE 0,1
DECIMALE CIFRE 0, 1, 2, 3, 4, 5, 6, 7, 8, 9
IN UN ELABORATORE I NUMERI SONO RAPPRESEN-
TATI IN UNA BASE DIVERSA DA = 10
SONO NECESSARI ALGORITMI DI CONVER-
SIONE
RAPPRESENTAZIONE ESTERNA RAPP. INTERNA
= 10 = 2
8
P9
RAPPRESENTAZIONE DEI NUMERI
NUMERI INTERI
(a
m
a
m1
. . . a
1
a
0
)

, con a
i
, i = 0, . . . , m CIFRE DEL
SISTEMA DI NUMERAZIONE 0 a
i
< .
RAPPRESENTAZIONE IN MACCHINA DI NU-
MERI INTERI
1
0
BIT PER IL SEGNO

0 N > 0
1 N < 0
N > 0 t BITS t 1 PER LA RAPPRESENTAZIONE
VERA E PROPRIA
SE IL NUMERO DEI BITS DISPONIBILI PER LA RAPPRE-
SENTAZIONE NON
`
E SUFFICIENTE SI PARLA DI
OVERFLOW
9
P10
NUMERI REALI
DATA UNA BASE E UN NUMERO REALE x SI PU
`
O
RAPPRESENTARE x IN BASE NELLA FORMA
a
0
.a
1
a
2
. . . a
m1

b
a
0
= 0
m1
VIRGOLA MOBILE NORMALIZZATA (v.m.n)
a
0
, a
1
, a
2
, . . . , a
m1
CIFRE DEL SISTEMA DI NUMERAZIONE
b UN NUMERO INTERO IN BASE
a
0
, a
1
, a
2
. . . a
m1
MANTISSA
b CARATTERISTICA
ESEMPIO
0.1471 1.471 10
1
37.1 3.71 10
1
0.003 3.0 10
3
10
P11
RAPPRESENTAZIONE IN MACCHINA DI
NUMERI REALI
CARATTERISTICA
MANTISSA
SEGNO
NUMERI REALI DI MACCHINA
NUMERI CON MANTISSE E CARATTERISTICHE RAPPRE-
SENTABILI ESATTAMENTE CON I BITS A DISPOSIZIONE
IL LIMITE SULLA CARATTERISTICA DELIMITA
LORDINE DI GRANDEZZA DEI DATI
=
OVERFLOW
UNDERFLOW
IL LIMITE SULLA MANTISSACARATTERIZZA LA
PRECISIONE
11
P12
PRECISIONE
IL NUMERO DI CIFRE CHE LELABORATORE RISERVA
ALLA MANTISSA DEI NUMERI REALI m DETERMINA LA
PRECISIONE CON LA QUALE LELABORATORE LAVORA
SIAx = 0 UN NUMERO REALE TALE CHE LA SUA RAPPRE-
SENTAZIONE IN v.m.n. RICHIEDE PI
`
U DI m CIFRE DI
MANTISSA
x = a
0
.a
1
a
2
. . . a
m1
a
m
. . . a
m+i
. . .
b

a
0
= 0
IN QUESTO CASO x VIENE APPROSSIMATO CIO
`
E VIENE
SOSTITUITO DA UN NUMERO REALE AD ESSO VICINO
CHE
`
E CHIAMATO (x) (FLOATING DI x)
LA DETERMINAZIONE DI (x) PU
`
O AVVENIRE
MEDIANTE
TRONCAMENTO (x) = a
0
.a
1
a
2
. . . a
m1

b
ARROTONDAMENTO
(x) =

a
0
.a
1
a
2
. . . a
m1

b
a
m
< /2
a
0
.a
1
a
2
. . . a
m1

b
a
m
/2
ESEMPIO
= 10, m = 5
x =9.3457881 10
2
TRONC. (x) = 9.3457 10
2
ARR. (x) = 9.3458 10
2
12
P13
ERRORI NELLA RAPPRESENTAZIONE
SI DEFINISCE
ERRORE ASSOLUTO e
A
= |x (x)|
ERRORE RELATIVO e
R
=
|x (x)|
|x|
ESEMPIO
= 10, m = 5 TRONC/ARR
1) x = 2. 5895
....
4 10
5
(x) = 2.5895 10
5
e
A
= |x (x)| = 0.00004 10
5
= (4.0 10
5
)10
5
= 4.0 10
0
e
R
=
|x (x)|
|x|
=
e
A
|x|
=
4.0 10
0
2.58954 10
5
= c 10
5
2) y = 2. 5895
....
4 10
2
(y) = 2.5895 10
2
e
A
= |y (y)| = 0.00004 10
2
= (4.0 10
5
)10
2
= 4.0 10
7
e
R
=
|y (y)|
|y|
=
e
A
|y|
=
4.0 10
7
2.58954 10
2
= c 10
5
VIENE FATTO LO STESSO TIPO DI OPE-
RAZIONE SU x E y CON LO STESSO RISUL-
TATO
LERRORE RELATIVO
`
E LO STESSO
LERRORE ASSOLUTO NON
`
E LO STESSO
13
P14
LERRORE ASSOLUTO
`
E INFLUENZATO DALLORDINE
DI GRANDEZZA DEL DATO
LERRORE RELATIVO NON
`
E INFLUENZATO DALLOR-
DINE DI GRANDEZZA DEL DATO
LERRORE RELATIVO D
`
A INDICAZIONI SUL-
L APPROSSIMAZIONE OPERATA SULLA MAN-
TISSA DEL DATO
OVVERO
SULLA ACCURATEZZA (O PRECISIONE) CON CUI IL DA-
TO
`
E APPROSSIMATO.
LERRORE RELATIVO NON DIPENDE DAL-
LA CARATTERISTICA
MA
DIPENDE DALLA MANTISSA
SE VOGLIAMO UNA MISURA DELLA PRECISIONE CON
CUI LELABORATORE APPROSSIMA UN QUALUNQUE NU-
MERO REALE DOBBIAMO SVINCOLARCI DA QUESTA
DIPENDENZA
COME?
CONSIDERANDO UNA LIMITAZIONE SUPERIORE DEGLI
ERRORI DI ARROTONDAMENTO/TRONCAMENTO
RELATIVI
14
P15
PRECISIONE DI MACCHINA
LIMITAZIONE SUPERIORE DEGLI ERRORI RE-
LATIVI SE SI OPERA PER TRONCAMENTO
|
x (x)
x
|
1m
x = 0
SE SI OPERA PER ARROTONDAMENTO
|
x (x)
x
|
1
2

1m
x = 0
LA QUANTIT
`
A
1m
O
1
2

1m
`
E DETTA PRECI-
SIONE DI MACCHINA E VIENE DI SOLITO IN-
DICATA CON IL SIMBOLO
m
.
PI
`
U AVANTI VEDREMO UN ALGORITMO PER DETERMI-
NARLA.
15
P16
ARITMETICA FINITA
DATI E RISULTATI SONO MEMORIZZATI CON UN NU-
MERO FINITO DI CIFRE (m) DI MANTISSA E
QUALUNQUE OPERAZIONE VIENE EFFETTUATA CON
UN NUMERO FINITO DI CIFRE (m) DI MANTISSA
N.B.
RISULTATI TEMPORANEI DELLE OPERAZIONI
SONO MEMORIZZATI IN APPOSITE LOCAZIONI
CON PI
`
U CIFRE DI MANTISSA MA IN OGNI
CASO IL NUMERO
`
E FINITO (SI EFFETTUA UN
TRONC./ARR.)
LE 4 OPERAZIONI EFFETTUATE SU NUMERI DI MACCHI-
NA NON PRODUCONO NECESSARIAMENTE UN NUMERO
DI MACCHINAIL RISULTATO DEVE ESSERE TRASFOR-
MATO NEL SUO oating.
QUINDI
x + y si scrive x y `e ((x) + (y))
x y si scrive x y `e ((x) (y))
x y si scrive x y `e ((x) (y))
x/y si scrive x : y `e ((x)/(y))
16
P17
OPERAZIONI IN MACCHINA
SOMMA ALGEBRICA DI DUE NUMERI REALI:
1. SI TRASFORMA IL NUMERO CON CARAT-
TERISTICA MINORE IN MODO CHE I DUE NU-
MERI ABBIANO LA STESSA CARATTERISTICA
(uno dei due perde la forma v.m.n.)
2. SI SOMMANO LE MANTISSE (lasciando invariate le
caratteristiche)
3. SI RICAVA IL FLOATING DEL RISULTATO
(si rinormalizza il numero troncando o arrotondando se neces-
sario)
PRODOTTO/DIVISIONE DI DUE NUMERI
REALI:
1. SI ESEGUE IL PRODOTTO/DIVISIONE DELLE
MANTISSE E SI SOMMANO/SOTTRAGGONO LE
CARATTERISTICHE
2. SI RICAVA IL FLOATING DEL RISULTATO
(si rinormalizza il numero troncando o arrotondando se neces-
sario)
17
P18
ALCUNE CONSEGUENZE DELLA PRECISIONE
FINITA
PER LE OPERAZIONI DI MACCHINA VALGO-
NO ANCORA LE PROPRIET
`
A DELLE QUATTRO
OPERAZIONI
ARITMETICHE? SPESSO NO
VALE LA PROPRIET
`
A COMMUTATIVA
NON VALE LA PROPRIET
`
A ASSOCIATIVA
NON VALE LA PROPRIET
`
A DISTRIBUTIVA
FORMULE O ALGORITMI MATEMATICAMENTE
EQUIVALENTI (CHE PORTANO ALLO STESSO RISUL-
TATO SE APPLICATI IN ARITMETICA ESATTA) POS-
SONO PRODURRE RISULTATI DIVERSI IN AR-
ITMETICA FINITA
LO STUDIO DEGLI ERRORI DI ARROTONDAMENTO E
DELLA LORO PROPOGAZIONE ATTRAVERSO GLI AL-
GORITMI
`
E DI FONDAMENTALE IMPORTANZA PER
POTER INTERPRETARE E VALUTARE I RISULTATI DI
UN QUALUNQUE ALGORITMO CHE OPERI CON NUMERI
REALI
18
P19
ESEMPIO
= 10 m = 4 (x) per TRONCAMENTO

m
= 10
3

m
=
1m
a = 2000 b = 2.5 c = 7.8
(a b) c = (2.000 10
3
2.500 10
0
) 7.800 10
0
=
= (2.000 10
3
0.002(5) 10
3
) 7.800 10
0
=
= 2.002 10
3
7.800 10
0
=
= 2.002 10
3
0.007(8) 10
3
= 2.009 10
3
a (b c) = 2.000 10
3
(2.500 10
0
7.800 10
0
) =
= 2.000 10
3
1.030 10
1
=
= 2.000 10
3
0.010(3) 10
3
= 2.010 10
3
(a + b) + c = a + (b + c) = 2010.3
(a b) c = a (b c)
ERRORI ASSOLUTI

2010.3 2.009 = 1.3


2010.3 2.010 = 0.3
ERRORI RELATIVI

1.3/2010.3 10
3
0.3/2010.3 10
4
N.B.
RISULTATI DIVERSI MA ACCETTABILI NEI
LIMITI DELLA PRECISIONE USATA
19
P20
IMPORTANTE
IL CONCETTO DI UGUAGLIANZA VA MODIFI-
CATO QUANDO SI LAVORA SUI NUMERI RE-
ALI IN PRECISIONE FINITA:
RISULTATI DIVERSI POSSONO ESSERE CON-
SIDERATI UGUALI NEI LIMITI DELLA PRECI-
SIONE USATA
DUE NUMERI SONO UGUALI QUANDO HANNO
UGUALE CARATTERISTICA E UGUALE MANTISSA
MA
DUE NUMERI SONO DA CONSIDERARSI UGUALI
QUANDO LA LORO DIFFERENZA
`
E PICCOLA RISPETTO
ALLA PRECISIONE DI MACCHINA
OVVERO
DUE NUMERI a, b IN PRECISIONE FINITA SONO
DA CONSIDERARSI UGUALI QUANDO
|a b|
DOVE
`
E UN NUMERO, DETTO TOLLERANZA, IL CUI
VALORE DIPENDE DALLA PRECISIONE DI MACCHINA
20
P21
ALGORITMO PER IL CALCOLO DI
m
LA CONOSCENZA DI
m
`
E FONDAMENTALE PER
VALUTARE I RISULTATI
ALGORITMO PER CALCOLARLA
IDEA SU CUI PU
`
O ESSERE BASATO LALGORITMO
= 10, m = 8 TRONCAMENTO
m
= 10
7
=
1m
CALCOLIAMO (1 + 10
6
), (1 + 10
7
), (1 + 10
8
)
(1 + 10
6
) = 1.0000000 10
0
1.0000000 10
6
=
= 1.0000000 10
0
0.0000010 10
0
= 0.1000010 10
1
(1 + 10
7
) = 1.0000000 10
0
1.0000000 10
7
=
= 1.0000000 10
0
0.0000001 10
0
= 1.0000001 10
0
(1 + 10
8
) = 1.0000000 10
0
1.0000000 10
8
=
= 1.0000000 10
0
0.00000001 10
0
= 1.00000001 10
0

m
`
E LA PI
`
U PICCOLA POTENZA DELLA BASE
= 10 CHE VIENE SENTITA IN MACCHINA SE
SOMMATA A 1
21
P22
ALGORITMO PER DETERMINARE

m
IN BASE
(1 +
p
) = (1)
(1 +
p1
) = (1)

m
=
p
1. Poni
m
= 1
2. Poni
m
=
1

m
3. Poni a = 1 +
m
4. Se a > 1 vai a 2.
Altrimenti vai a 5.
5. Poni
m
=
m
6. Stampa
m
22
P23
ERRORI NELLE QUATTRO OPERAZIONI
ARITMETICHE (in aritmetica nita)
SUPPONIAMO DI EFFETTUARE OPERAZIONI ESATTE
PRODOTTO
x
1
x
2

(x
1
)
. .. .
x
1
(1 +
1
)
(x
2
)
. .. .
x
2
(1 +
2
)
x
1
x
2
=
x
1
x
2
(x
1
+ x
1

1
)(x
2
+ x
2

2
)
x
1
x
2
=
=
x
1
x
2
x
1
x
2
x
1
x
2

2
x
1
x
2

1
x
1
x
2

2
x
1
x
2

=
2

1
DIVISIONE
1
,
2

m
x
1
x
2

x
1
(1 +
1
)
x
2
(1 +
2
)
x
1
x
2
= 1
1 +
1
1 +
2
=
1 +
2
1
1
1 +
2
=
=

2

1
1 +
2

2

1
SOMMA ALGEBRICA
(x
1
+ x
2
) x
1
(1 +
1
) x
2
(1 +
2
)
x
1
+ x
2
=
=
x
1
+ x
2
x
1
x
1

1
x
2
x
2

2
x
1
+ x
2
=
=
x
1
x
1
+ x
2

x
2
x
1
+ x
2

2
23
P24
ESAMINANDO GLI ERRORI RELATIVI SI PU
`
O
AFFERMARE CHE LA SOMMA DI DUE NUMERI
DI SEGNO OPPOSTO PU
`
O CAUSARE UNAM-
PLIFICAZIONE DEGLI ERRORI NEI DUE OPERAN-
DI QUANDO x
1
+ x
2
0
N.B.
IL RISULTATO
`
E ANALOGO ANCHE QUANDO
LOPERAZIONE NON
`
E ESATTA
24
P25
RIASSUMENDO
1) SI COMMETTONO ERRORI NELLA RAPP-
RESENTAZIONE DI NUMERI REALI
2) SI COMMETTONO ERRORI NELLESECUZIONE
DELLE OPERAZIONI ARITMETICHE
IDEA (TRANQUILLIZZANTE MA SBAGLIATA):
POICH
`
E GLI ERRORI SONO PICCOLI ANCHE I RISULTATI
SONO AFFETTI DA ERRORI PICCOLI
PROBLEMA SOLUZIONE
SE SI ALTERANO I DATI DEL PROBLEMA, COME SI AL-
TERA LA SOLUZIONE?
(ANALISI DEL CONDIZIONAMENTO DEL PRO-
BLEMA)
PROBLEMA ALGORITMO SOLUZIONE
COME SI PROPAGANO GLI ERRORI DELLE OPERAZIONI
NELLALGORITMO?
(ANALISI DELLA STABILIT
`
A DELL ALGO-
RITMO)
25
P26
ESEMPIO DI CONDIZIONAMENTO
PROBLEMA SOLUZIONE
SI CONSIDERI IL SISTEMA LINEARE

x
1
x
2
= 1
x
1
1.00001x
2
= 0
LA SOLUZIONE
`
E

100001
100000

CONSIDERIAMO IL NUOVO SISTEMA

x
1
x
2
= 1
x
1
0.99999x
2
= 0
LA SOLUZIONE
`
E

99999
100000

UN CAMBIAMENTO DI
0.00002 = 2 10
5
IN UN ELEMENTO DELLA MATRICE HA PROVOCATO UN
CAMBIAMENTO DI
200000 = 2 10
5
NELLE COMPONENTI DELLA SOLUZIONE

ORDINE DI GRANDEZZA
CAMBIAMENTO RISULTATI

ORDINE DI GRANDEZZA
CAMBIAMENTO DATI

10
5
10
5
= 10
10
26
P27
ESEMPIO DI STABILIT
`
A E NON DI UN
ALGORITMO
PROBLEMA ALGORITMO SOLUZIONE
STUDIAMO LA PROPAGAZIONE DEGLI ERRORI DOVU-
TI ALLE OPERAZIONI EFFETTUATE NEL CORSO DELL
ALGORITMO
UN ALGORITMO SI DICE STABILE SE LINFLUS-
SO DEGLI ERRORI RIMANE LIMITATO
LALGORITMO A
`
E PI
`
U STABILE DELL ALGO-
RITMO B SE LINFLUENZA DEGLI ERRORI
`
E
MINORE
ESEMPIO
e
x
= 1 + x +
x
2
2!
+
x
3
3!
+
x
4
4!
+
SI VUOLE STIMARE e
13
METODO 1: e
13
= 1 13 +
13
2
2!

13
3
3!
+
13
4
4!
+

N.B. LA SOTTRAZIONE
`
E PERICOLOSA
METODO 2: e
13
=
1
e
13
= 1/(1 + 13 +
13
2
2!
+ )
n M
1
M
2
30 2.93783393 10
5
2.26036459 10
6
40 9.37448635 10
5
2.26032941 10
6
50 1.32982788 10
5
2.26032941 10
6
58 1.32986125 10
5
27
E1
EQUAZIONI NON LINEARI
IL PROBLEMA
`
E DETERMINARE LE SOLUZIONI
DI UNEQUAZIONE NON LINEARE
f(x) = 0 f : IR IR
IN GENERALE NON SONO DISPONIBILI FORMULE
ESPLICITE PER CALCOLARE LE SOLUZIONI DI f(x) = 0.
=
SI RICORRE A TECNICHE CHE CONSENTANO DI AP-
PROSSIMARE LE SOLUZIONI CON UN PRESTABILITO GRA-
DO DI PRECISIONE
N.B.
UN CASO PARTICOLARE DI f(x) = 0 SONO LE
EQUAZIONI ALGEBRICHE
P
n
(x) =
n

k=0
a
k
x
k
= 0
ESEMPI DI EQUAZIONI NON LINEARI
x + 4 sin(x) = 0, e
x
x
2
= 0,

x log(x) = 3
28
E2
METODO DI BISEZIONE
SUPPONIAMO
1) f(x) CONTINUA NELLINTERVALLO [a, b]
2) f(a) f(b) < 0
ESISTE ALMENO UNA SOLUZIONE DI f(x) = 0,
a < < b, f() = 0
IL METODO PI
`
U ELEMENTARE PER APPROSSIMARE
`
E IL METODO DI BISEZIONE: PROCEDE SUDDIVIDEN-
DO AD OGNI PASSO LINTERVALLO [a, b] A MET
`
A E DE-
TERMINANDO IN QUALE DEI DUE SOTTOINTERVALLI
SI TROVA LA SOLUZIONE, DIMEZZANDO COSI LAMPIEZ-
ZA DELLINTERVALLO CHE CONTIENE
PI
`
U PRECISAMENTE:SIA x IL PUNTO MEDIO DELL IN-
TERVALLO [a, b], CIO
`
E x =
1
2
(a + b) E CONSIDERIAMO
f(a)f(x)
CI SONO TRE POSSIBILIT
`
A:
1. f(a)f(x) < 0 [a, x]
2. f(a)f(x) = 0 f(x) = 0 e quindi = x
3. f(a)f(x) > 0 [b, x]
NEL CASO 2., ABBIAMO TROVATO LA SOLUZIONE E CI
FERMIAMO. NEGLI ALTRI DUE CASI, POSSIAMO CON-
TINUARE IL PROCEDIMENTO DIMEZZANDO L INTER-
VALLO [a, x] OPPURE L INTERVALLO [b, x].
29
E3
METODO DI BISEZIONE
PI
`
U IN DETTAGLIO:
PARTIAMO DALL INTERVALLO [a
0
, b
0
] = [a, b] E PONI-
AMO x
0
=
1
2
(a
0
+ b
0
).
CONFRONTANDO IL SEGNO DI f(x
0
) CON QUELLO DI
f(a
0
) SI INDIVIDUA IN QUALE DEI DUE SOTTOINTER-
VALLI [a
0
, x] o [x, b
0
] CADE . QUESTO NUOVO INTER-
VALLO VIENE CHIAMATO [a
1
, b
1
]. E COS
`
I VIA.
PROCEDENDO ITERATIVAMENTE OTTENIAMO DUE SUC-
CESSIONI
{a
i
}, {b
i
} i 1
con
(b
i
a
i
) =
1
2
i
(b
0
a
0
)
IL METODO PU
`
O ESSERE SCHEMATIZZATO NEL MODO
SEGUENTE.
Dati a
0
= a, b
0
= b tali che f(a
0
)f(b
0
) < 0
Per i = 0, 1, 2, . . . ,
Poni x
i
=
a
i
+b
i
2
Se f(x
i
) = 0, allora poni = x
i
ed esci
altrimenti
Se f(x
i
)f(a
i
) < 0 poni a
i+1
= a
i
; b
i+1
= x
i
altrimenti
poni a
i+1
= x
i
; b
i+1
= b
i
ne ciclo
30
E4
METODO DI BISEZIONE
0.5 0 0.5 1 1.5
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
0.2
0.25
x
0
x
1
x
2
Figura 1: Metodo di bisezione
A QUESTO PUNTO, VOGLIAMO DIMOSTRARE CHE PER
LA SUCCESSIONE {x
i
}
lim
i
x
i
=
OVVERO, DEFINITO e
i
= |x
i
|
lim
i
e
i
= 0
CONSIDERANDO
0 e
i
= |x
i
|
1
2
(b
i
a
i
) = (
1
2
)
2
(b
i1
a
i1
) = = (
1
2
)
i+1
(b
0
a
0
)
POSSIAMO FACILMENTE CONCLUDERE CHE, QUALUNQUE
SIA L AMPIEZZA DELL INTERVALLO INIZIALE,
LA SUCCESSIONE {e
i
} CONVERGE A ZERO
31
E4
AMPIEZZA DELLINTERVALLO ED ERRORE
SE VOGLIAMO OTTENERE UN ERRORE INFERIORE AD
UN VALORE DELLA PRECISIONE, toll, POSSIAMO IM-
PORRE
e
i

1
2
i+1
(b
0
a
0
) toll.
A QUESTO PUNTO RICAVIAMO IL VALORE DI i, (CIO
`
E
IL NUMERO DI ITERAZIONI)
i + 1 log
2
(
b
0
a
0
toll
)
N.B.
QUESTA STIMA, a priori,
`
E UTILE ANCHE SE VOGLIAMO
USARE ALCUNI PASSI DEL METODO DI BISEZIONE PER
AVVICINARSI UN P
`
O AD E POI SCEGLIERE UN AL-
TRO METODO PER CONCLUDERE ED RAFFINARE L
APPROSSIMAZIONE
32
E5
ESEMPIO DEL METODO DI BISEZIONE
ESEMPIO
f(x) = x
3
+ 4x 2, x [0, 1]
1 0
2
f(x)
f(0) = 2, f(1) = 3
(0, 1) ; f() = 0
APPLICANDO IL METODO DI BISEZIONE
i x
i
f(x
i
)
1 0.5000 0.1250
2 0.2500 -0.9843
3 0.3750 -0.4472
4 0.4375 -0.1662
6 0.4843 0.5114 10
1
8 0.4726 -0.3782 10
2
9 0.4746094 0.5344 10
2
10 0.4736328 0.7801 10
3
33
E6
INTERPRETAZIONE GEOMETRICA DEL
METODO DI BISEZIONE
LAPPROSSIMAZIONE DELLA RADICE
`
E OTTENUTA CAL-
COLANDO LINTERSEZIONE CON LASSE DELLE ASCISSE
DI UNA PARTICOLARE RETTA
LA RETTA
`
E PASSANTE PER I PUNTI
(a
i
, sgn f(a
i
)), (b
i
, sgn f(b
i
))
ESEMPIO
sgn f(a
i
) = 1; sgn f(b
i
) = 1
y + 1
2
=
x a
i
b
i
a
i
y =
2(x a
i
)
(b
i
a
i
)
1
y = 0 2(x a
i
) b
i
+ a
i
= 0
2x = b
i
a
i
+ 2a
i
=
i
+a
i

x =
b
i
+ a
i
2
N.B.
LAPPROSSIMAZIONE TIENE CONTO SOLO DEI
SEGNI DEI VALORI DELLA FUNZIONE E NON
DEI SUOI VALORI
34
E7
UTILIZZO DELLA FUNZIONE E DELLA
DERIVATA
METODO DELLE TANGENTI O DI NEWTON
SI BASA SU RETTE TANGENTI ALLA FUNZIONE f NEI
PUNTI (x
i
, f(x
i
)), i = 0, . . .
(x
0
, f(x
0
)), f

(x
0
) = 0 ; y = f(x
0
) + f

(x
0
)(x x
0
)
y = 0 x = x
0

f(x
0
)
f

(x
0
)
x
1
= x
0

f(x
0
)
f

(x
0
)
IN GENERALE
(x
i
, f(x
i
)), f

(x
i
) = 0 ; y = f(x
i
) + f

(x
i
)(x x
i
)
y = 0 x = x
i

f(x
i
)
f

(x
i
)
x
i+1
= x
i

f(x
i
)
f

(x
i
)
x
0
x
1
x
0
( ) f
x
1
( ) f
35
E8
SCHEMATIZZAZIONE DEL METODO DI
NEWTON
IL METODO DI NEWTON PU
`
O ESSERE SCHEMATIZZATO
NEL MODO SEGUENTE
Dato un intervallo [a, b] tale che f(a
0
)f(b
0
) < 0 ed x
0

[a, b] tale che f

(x
0
) = 0
Per i = 1, 2, . . . ,
Se f

(x
i1
) = 0
Poni x
i
= x
i1

f(x
i1
)
f

(x
i1
)
, altrimenti esci
Se f(x
i
) = 0, allora poni = x
i
ed esci
altrimenti prosegui
ne ciclo
36
E9
i x
i
f(x
i
) (x
i+1
)/(x
i
)
1 1.161620884488540 10
0
8.60027679 10
1
1.16162088 10
0
2 8.588963926230877 10
1
7.09636258 10
1
7.39394758 10
1
3 3.742406717585654 10
1
3.58104792 10
1
4.35722719 10
1
4 3.401887344648524 10
2
3.40057594 10
2
9.09010592 10
2
5 2.624025442319461 10
5
2.62402544 10
5
7.71344015 10
4
6 1.204517104005758 10
14
1.20451710 10
14
4.59034080 10
10
ESEMPIO DEL METODO DI NEWTON
RISULTATI OTTENUTI APPLICANDO IL METODO DI NEW-
TON ALLA FUNZIONE
f(x) = arctang(x)
PER APPROSSIMARE = 0 A PARTIRE DA x
0
= 1.3
37
E10
CONVERGENZA DEL METODO DI NEWTON
CONDIZIONI SUFFICIENTI PER LA CONVER-
GENZA DI NEWTON
SIA f(x) DERIVABILE DUE VOLTE IN UN INTORNO DI
SIA f

(x) DI SEGNO COSTANTE IN UN INTORNO DI


SIA f

(x) DI SEGNO COSTANTE IN UN INTORNO DI


SIA x
0
TALE CHE f(x
0
)f

(x
0
) > 0
(UN TALE x
0
`
E DETTO ESTREMO DI FOURIER)
ALLORA IL METODO DI NEWTON A PARTIRE DA UN
TALE x
0
CONVERGE.
38
E11
VARIANTI DEL METODO DI NEWTON
`
E POSSIBILE RIDURRE IL COSTO DEL METODO DI NEW-
TON?
NEWTON STAZIONARIO
PONIAMO f

(x
i
) = f

(x
0
) i, x
i+1
= x
i

f(x
i
)
f

(x
0
)
METODO DELLE SECANTI
PARTIAMO DA DUE PUNTI x
0
, x
1
x
0
x
1
x
2
x
3
x
4
1
2
x
2
`
E LO ZERO DELLA RETTA PASSANTE PER I PUNTI
(x
0
, f(x
0
)), (x
1
, f(x
1
)) x
2
= x
1

f(x
1
)(x
1
x
0
)
f(x
1
) f(x
0
)
x
3
`
E LO ZERO DELLA RETTA PASSANTE PER I PUNTI
(x
2
, f(x
2
)), (x
1
, f(x
1
)) x
3
= x
2

f(x
2
)(x
2
x
1
)
f(x
2
)f(x
1
)
IN GENERALE x
i+1
= x
i

f(x
i
)(x
i
x
i1
)
f(x
i
) f(x
i1
)
39
E12
CRITERI DI ARRESTO
NELLE SCHEMATIZZAZIONI DEI METODI, LA SUCCES-
SIONE DELLE APPROSSIMAZIONI {x
i
} VIENE ARRESTA-
TA PER UN VALORE x
i
TALE PER CUI f(x
i
) = 0
IN PRATICA
LA CONDIZIONE PU
`
O NON RISULTARE MAI VERIFI-
CATA
I METODI PER TROVARE LE RADICI DI UN EQUAZIONE
NON LINEARE SONO DI TIPO ITERATIVO E SE VAN-
NO A CONVERGENZA, QUESTO SUCCEDE ALL IN-
FINITO =
NECESSIT
`
A DI INTRODURRE CONTROLLI CHE AR-
RESTINO LA COSTRUZIONE DELLA SUCCESSIONE
{x
i
} IN UN TEMPO FINITO CON UNA BUONA AP-
PROSSIMAZIONE DELLA RADICE
TALI CONTROLLI PRENDONO IL NOME APPUNTO DI
CRITERI DI ARRESTO
I PI
`
U USATI SONO
|f(x
i
)| toll
1
e/o
|x
i
x
i1
| toll
1
|x
i
| + toll
2
(b
i
a
i
) toll
1
|a
i
| + toll
2
Numero massimo di iterazioni
40
E13
ALGORITMI
OSSERVAZIONE
1) NEGLI ALGORITMI SONO STATE PREVISTE DUE POS-
SIBILIT
`
A DI USCITA, CIO
`
E SE
I)
`
E STATA RAGGIUNTA L ACCURATEZZA RICHIES-
TA PER L APPROSSIMAZIONE
oppure
II)
`
E STATO RAGGIUNTO IL NUMERO MASSIMO DI
ITERAZIONI CONSENTITE
2)
`
E STATO INTRODOTTA VARIABILE INDICATORE iflag
IL CUI VALORE
`
E RESO NOTO ALLA FINE DELL ESE-
CUZIONE
iflag = 0 indica che si `e raggiunta la precisione
oppure
iflag = 1 indica che si `e raggiunto il numero massimo di
iterazioni.
3) NON
`
E SPECIFICATO IL TIPO DI CRITERIO DI AR-
RESTO RIMANDANDO ALLUTENTE LA SUA SCELTA
41
E14
ALGORITMO DEL METODO DI BISEZIONE
Dati: f, a, b, Nmax
Risultati: iflag :indicatore del risultato
iflag = 0 precisione raggiunta
iflag = 1 numero massimo di iterazioni raggiunto
x
i
approssimazione della radice
1. Per i = 1, 2, . . . , Nmax,
x
i
=
a+b
2
Se `e vericato un criterio di arresto, iflag = 0. Fine algoritmo
Se f(a)f(x
i
) > 0, a = x
i
altrimenti b = x
i
Fine ciclo
2. iflag = 1
3. Fine algoritmo
42
E14
ALGORITMO DEL METODO DI NEWTON
Dati:f,f

, x
0
, Nmax
Risultati:iflag :indicatore del risultato
iflag = 0 precisione raggiunta
iflag = 1 numero massimo di iterazioni raggiunto
x
i
approssimazione della radice
1. Per i = 1, 2, . . . , Nmax,
x
i
= x
i1

f(x
i1
)
f

(x
i1
)
Se `e vericato un criterio di arresto, iag=0. Fine algoritmo
Fine ciclo
2. iflag = 1
3. Fine algoritmo
43
E15
ALGORITMO DEL METODO DELLE SECANTI
Dati:f, x
0
,x
1
, Nmax
Risultati:iflag :indicatore del risultato
iflag = 0 precisione raggiunta
iflag = 1 numero massimo di iterazioni raggiunto
x
i
approssimazione della radice
1. Per i = 1, 2, . . . , Nmax,
x
i+1
= x
i

f(x
i
)(x
i
x
i1
)
f(x
i
)f(x
i1
)
Se `e vericato un criterio di arresto, iag=0. Fine algoritmo
Fine ciclo
2. iflag = 1
3. Fine algoritmo
44
E16
CONFRONTO TRA LE VELOCIT
`
A DI
CONVERGENZA
RISULTATI SULLA FUNZIONE
f(x) = (x 1)(x 2)(x 3)
PER = 1 A PARTIRE DA [1.2, 1.2] PER IL METODO DI
BISEZIONE E DELLE SECANTI
A PARTIRE DA x
0
= 1.2 PER IL METODO DI NEWTON
err
b
`
E IL RAPPORTO TRA GLI ERRORI A DUE PASSI
SUCCESSIVI PER IL METODO DI BISEZIONE
err
s
`
E IL RAPPORTO TRA GLI ERRORI A DUE PASSI
SUCCESSIVI PER IL METODO DELLE SECANTI
err
n
`
E IL RAPPORTO TRA GLI ERRORI A DUE PASSI
SUCCESSIVI PER IL METODO DI NEWTON
45
E17
i err
b
err
s
err
n
1 1.00000000 10
0
1.76848875 10
1
1.13043478 10
1
2 4.00000000 10
1
5.37476628 10
1
1.34244440 10
1
3 2.50000000 10
1
2.90241245 10
1
2.19849907 10
2
4 5.00000000 10
1
1.31957597 10
1
5.00059188 10
4
5 5.00000000 10
1
4.29441477 10
2
2.50877701 10
7
6 5.00000000 10
1
5.48295747 10
3
7 5.00000000 10
1
2.34462327 10
4
8 5.00000000 10
1
3.31447031 10
6
9 5.00000000 10
1
10 5.00000000 10
1
15 5.00000000 10
1
20 5.00000000 10
1
25 5.00000005 10
1
30 4.99999776 10
1
31 5.00000447 10
1
32 4.99999255 10
1
33 5.00001192 10
1
34 4.99996424 10
1
CONFRONTO
46
RC1
NORME DI VETTORI E DI MATRICI
IL CONCETTO DI NORMA
`
E UNA GENERALIZZAZIONE
DEL CONCETTO DI LUNGHEZZA DI UN VETTORE x
R
n
O DI UNA MATRICE A R
nn
DEFINIZIONE UNA FUNZIONE DA IR
n
IN IR
x x
TALE CHE
1) x 0 E x = 0 x = 0
2) x = || x IR
3) x + y x + y x, y IR
n
`
E UNA NORMA VETTORIALE
ESEMPI
x
2
=

i=1
x
2
i
=

x
T
x NORMA 2
x
1
=
n

i=1
|x
i
| NORMA 1
x

= max
i=1,...,n
|x
i
| NORMA
47
RC2
NORME MATRICIALI
DEFINIZIONE UNA FUNZIONE DA IR
nn
IR
A A A IR
nn
TALE CHE
1) A 0 E A = 0 A = 0
2) A = || A IR
3) A + B A + B A, B IR
nn
4) A B A B
`
E UNA NORMA MATRICIALE
ESEMPI
A
2
=

max
i=1,...,n
|
i
(A
T
A)| NORMA 2
AUTOVALORI DI A
T
A
A
1
= max
j=1,...,n
n

i=1
|a
ij
| NORMA 1
A

= max
i=1,...,n
n

j=1
|a
ij
| NORMA
48
RC3
PROPRIET
`
A DI NORME MATRICIALI
INDOTTE
AD OGNI NORMA VETTORIALE
`
E POSSIBILE ASSOCIA-
RE UNA CORRISPONDENTE NORMA MATRICIALE
A = sup
xR
n
Ax
x

2
,
1
E

SONO NORME MATRICIALI INDOTTE


DALLE CORRISPONDENTI NORME VETTORIALI.
LE NORME MATRICIALI INDOTTE SODDISFANO INOLTRE:
Ax A x A IR
nn
, x IR
n
I = 1 I R
n
matrice identit`a
(A) A DOVE IL RAGGIO SPETTRALE DI A
`
E
(A) = max
i=1,...,n
|
i
| A
(cio`e il massimo autovalore di A in modulo)
49
RC4
CONDIZIONAMENTO DI A
(nella risoluzione di Ax = b)
SIA A R
nn
, b R
n
; Ax = b ; det(A) = 0 A
1
COME SI RIPERCUOTONO SUI RISULTATI LE
VARIAZIONI SUI DATI?
CASO SEMPLICE: PERTURBAZIONE SOLO SU b.
SIA b LA PERTURBAZIONE SU b
Ax = b DIVENTA A(x + x) = b + b
A(x + x) = b + b Ax + Ax = b + b Ax = b
Ax = b b = Ax A x
x
b
A
Ax = b x = A
1
b x A
1
b
x
x
. .. .
A
1
A
. .. .
(
b
b
. .. .
ERRORE RELATIVO SUI DATI
INDICE DI CONDIZIONAMENTO
ERRORE RELATIVO SUI RISULTATI
50
RC5
CONDIZIONAMENTO DI A
(nella risoluzione di Ax = b)
GENERALIZZIAMO AL CASO DI UNA PERTURBAZIONE
ANCHE SU A.
SIA A LA PERTURBAZIONE SU A
x
x
A
1
A (
b
b
+
A
A
)
x
x
. .. .
K(A)
. .. .
(
b
b
+
A
A
)
. .. .
ERRORE RELATIVO SUI DATI
INDICE DI CONDIZIONAMENTO
ERRORE RELATIVO SUI RISULTATI
51
RC6
ESEMPIO
MATRICE DI HILBERT
H
n
=

1
1
2
1
3

1
n
1
2
1
3
1
4

1
n+1
.
.
.
.
.
.
.
.
.
1
n
1
n+1

1
2n1

n K
2
(H
n
)
2 1.2 10
1
3 1.9 10
2
4 6.5 10
3
5 1.8 10
5
6 4.4 10
6
7 1.3 10
8
52
RC7
ESEMPIO

x
1
0.99999x
2
= 1
x
1
x
2
= 0
SOTTRAENDO LE DUE RIGHE IN PRECISIONE INFINITA
ABBIAMO
(1 0.99999)x
2
= 1 10
5
x
2
= 1 x
2
= 10
5
x
1
= x
2
= 10
5
CONSIDERANDO IL SISTEMA PERTURBATO

x
1
1.00001x
2
= 1
x
1
x
2
= 0
SEMPRE IN PRECISIONE INFINITA ABBIAMO
(1 1.00001)x
2
= 1 10
5
x
2
= 1 x
2
= 10
5
x
1
= 10
5
CALCOLIAMO LE VARIAZIONI SUI DATI E QUELLE SUI
RISULTATI
A =

1 0.99999
1 1


A =

1 1.00001
1 1

A = A

A =

0 2 10
5
0 0

=
2 10
5
2
= 10
5
53
RC8
x =

10
5
10
5

x =

10
5
10
5

x = x x =

2 10
5
2 10
5

=
2 10
5
10
5
= 2
Calcoliamo K(A)

= A

A
1

. Risulta A

= 2
CALCOLIAMO QUINDI LINVERSA DI A

.
A
1
=
1
10
5

1 0.99999
1 1

A
1

= 10
5
2
IN CONCLUSIONE RISULTA K(A)

= 2 2 10
5
= 4 10
5
x

K(A)

; (2 4 10
5
10
5
)
A =

a
11
a
12
a
21
a
22

; A
1
=
1
det(A)

a
22
a
12
a
21
a
11

da usare solo nel caso di matrici 2 2.


54
RC9
OSSERVAZIONI SU K(A)
K(A) = A A
1
A A
1
= I = 1
NON CI SONO RELAZIONI TRA ORDINE DEL
SISTEMA n E K(A)
NON CI SONO RELAZIONI TRA det(A) E K(A)
ESEMPIO
A =

1 1 1 1
0 1 1 1
0 0 1 1 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 1

= n
A
1
=

1 1 2 4 2
n2
0 1 1 2 4 2
n3
0 0 1 1 2 2
n4
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 1

A
1

= 2
n1
(1 +

n2
i=0
2
i
= 1 + (2
n1
1))
K

(A) = n 2
n1
SE n
`
E GRANDE A
`
E
MALCONDIZIONATA MA PER OGNI n RISULTA det(A) = 1
55
RC10
ESEMPIO
A =

1
10
0 0
0
1
10
0
.
.
.
.
.
.
.
.
.
0
1
10

A = diag(
1
10
,
1
10
, . . . ,
1
10
)
A

=
1
10
A
1
=

10 0 0
0 10 0
.
.
.
.
.
.
.
.
.
0 10

A
1
= diag(10, 10, . . . , 10)
A
1

= 10
K(A)

= A

A
1

=
1
10
10 = 1
det(A) = 10
n
n GRANDE DETERMINANTE PICCOLO
N.B.
SI PU
`
O STIMARE K(A) PERTURBANDO I DATI
E CONTROLLANDO LA SOLUZIONE
56
SLD1
SISTEMI LINEARI
SIANO A IR
nn
, b, x IR
n
: IL PROBLEMA
`
E DETER-
MINARE LA SOLUZIONE, SE ESISTE, DI
Ax = b .
LA SOLUZIONE ESISTE ED
`
E UNICA SE E SOLO SE LA
MATRICE A
`
E NON SINGOLARE (det(A) = 0)
METODO NOTO: REGOLA DI CRAMER
x
i
=
det(A
i
)
det(A)
, i = 1, . . . , n
DOVE A
i
`
E LA MATRICE OTTENUTA DA A SOSTITUEN-
DO ALLA i-ESIMA COLONNA IL VETTORE b.
I DETERMINANTI COINVOLTI POTREBBERO ESSERE CAL-
COLATI CON LA REGOLA DI LAPLACE,
det(A) =
n

j=1
(1)
j+1
a
1j
det(A
1j
)
DOVE A
1j
RAPPRESENTA LA MATRICE DI ORDINE n1
OTTENUTA DA A ELIMINANDO LA PRIMA RIGA E LA
j-ESIMA COLONNA.
PROBLEMA: IL NUMERO DI OPERAZIONI
ARITMETICHE COINVOLTE SUPERA (n + 1)!
(10!

= 3.6 10
6
, 20!

= 2.4 10
18
, 50!

= 3 10
64
)
57
SLD2
METODI NUMERICI PER LA RISOLUZIONE DI
SISTEMI LINEARI
METODI DIRETTI COSTRUISCONO LA SOLUZIONE ESATTA,
IN ASSENZA DI ERRORI DI
ARROTONDAMENTO, IN UN NUMERO
FINITO DI PASSI
(PER MATRICI DENSE E DI ORDINE
NON ELEVATO)
METODI ITERATIVI COSTRUISCONO UNA SUCCESSIONE
DI VETTORI, CONVERGENTE SOTTO
OPPORTUNE CONDIZIONI,
ALLA SOLUZIONE
NECESSITANO DI CRITERI
DI ARRESTO
(PER MATRICI SPARSE E DI
ORDINE ELEVATO)
58
SLD3
CASI FACILMENTE RISOLUBILI
1) A DIAGONALE
x
i
= b
i
/a
ii
, i = 1, . . . , n (det(A)) = 0 a
ii
= 0 i
2) A TRIANGOLARE ALGORITMO BASATO SU
SOSTITUZIONI IN AVANTI (INFERIORE)
O ALLINDIETRO (SUPERIORE)
ESEMPIO
A =

a
11
a
21
a
22
a
31
a
32
a
33
.
.
.
a
n1
a
n2
. . . . . . a
nn

x
1
= b
1
/a
11
x
2
= (b
2
a
21
x
1
)/a
22
.
.
.
x
i
= (b
i

i1

k=1
a
ik
x
k
)/a
ii
, i = 3, . . . , n
(det(A) = 0 a
ii
= 0 i)
59
SLD4
ALGORITMO
1. Leggi
2. Calcola x
1
= b
1
/a
11
3. Calcola x
2
= (b
2
a
21
x
1
)/a
22
4. Per i = 3, . . . , n
4.1 Calcola x
i
= (b
i

i1

k=1
a
ik
x
k
)/a
ii
5. Stampa x
6. Stop
60
SLD5
CALCOLO DELLINVERSA DI UNA MATRICE
A R
nn
(AA
1
= A
1
A = I)
n = 2
A =

a
11
a
12
a
21
a
22

A
1
=
1
det(A)

a
22
a
12
a
21
a
11

ESEMPIO n 3

a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33

x
11
x
21
x
31
....
x
1
x
12
x
22
x
32
....
x
2
x
13
x
23
x
33
....
x
3

1
0
0
....
e
1
0
1
0
....
e
2
0
0
1
....
e
3

a
11
x
11
+ a
12
x
21
+ a
13
x
31
= 1
a
21
x
11
+ a
22
x
21
+ a
23
x
31
= 0
a
31
x
11
+ a
32
x
21
+ a
33
x
31
= 0
Ax
1
= e
1
ANALOGO SISTEMA CON LA
SECONDA COLONNA
Ax
2
= e
2
ANALOGO SISTEMA CON LA
TERZA COLONNA
Ax
3
= e
3
61
SLD6
METODO DI GAUSS
DATO IL SISTEMA Ax = b

a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
= b
2
.
.
.
a
n1
x
1
+ a
n2
x
2
+ + a
nn
x
n
= b
n
SE LELEMENTO PIVOT a
11
= 0 RICAVIAMO
x
1
=
1
a
11
(b
1

k=2
a
1k
x
k
)
SOSTITUENDO NELLA SECONDA EQUAZIONE
a
21

1
a
11
(b
1

k=2
a
1k
x
k
) + a
22
x
2
+ + a
2n
x
n
= b
2
(a
22

a
21
a
11
a
12
)x
2
+ (a
23

a
21
a
11
a
13
)x
3
+ = b
2

a
21
a
11
b
1
SOSTITUENDO NELLA i-ESIMA EQUAZIONE
(a
i2

a
i1
a
11
a
12
)x
2
+ (a
i3

a
i1
a
11
a
13
)x
3
+ = b
i

a
i1
a
11
b
1
62
SLD7
QUINDI PERVENIAMO AL SISTEMA

a
(2)
11
x
1
+ a
(2)
12
x
2
+ + a
(2)
1n
x
n
= b
(2)
1
0 a
(2)
22
x
2
+ + a
(2)
2n
x
n
= b
(2)
2
.
.
.
0 a
(2)
n2
x
2
+ + a
(2)
nn
x
n
= b
(2)
n
Se a
(2)
22
= 0 (a
22

a
21
a
11
a
12
) = 0
a
22
a
11
a
21
a
12
a
11
= 0
(a
(2)
22
elemento pivot)
RICAVIAMO x
2
, SOSTITUIAMO ED OTTENIAMO

a
(3)
11
x
1
+ a
(3)
12
x
2
+ + a
(3)
1n
x
n
= b
(3)
1
0 + a
(3)
22
x
2
+ + a
(3)
2n
x
n
= b
(3)
2
0 0 a
(3)
33
x
3
+ + a
(3)
3n
x
n
= b
(3)
3
.
.
.
.
.
.
0 0 a
(3)
n3
x
3
+ + a
(3)
nn
x
n
= b
(3)
n
Se a
(n)
kk
= 0, k = 1, . . . , n 1 DOPO (n 1) PASSI
OTTENIAMO (a
(n)
kk
elemento pivot)

a
(n)
11
x
1
+ a
(n)
12
x
2
+ + a
(n)
1n
x
n
= b
(n)
1
a
(n)
22
x
2
+ + a
(n)
2n
x
n
= b
(n)
2
a
(n)
33
x
3
+ + a
(n)
3n
x
n
= b
(n)
3
.
.
.
a
(n)
nn
x
n
= b
(n)
n
63
SLD8
SE a
(1)
11
= 0 = 1
0
PASSO DI GAUSS

det(A
1
) = 0 A
1
MINORE PRINCIPALE DI A
DI ORDINE 1
SE a
(2)
22
= 0 = 2
0
PASSO DI GAUSS

det(A
2
) = 0 A
2
MINORE PRINCIPALE DI A
DI ORDINE 2
.
.
.
SE a
(k)
kk
= 0 = k
esimo
PASSO DI GAUSS

det(A
k
) = 0 A
k
MINORE PRINCIPALE DI A
DI ORDINE k.....
GAUSS PU
`
O ESSERE APPLICATO SE TUTTI I
MINORI PRINCIPALI DI A FINO ALLORDINE
n 1 HANNO DETERMINANTE = 0.
TEOREMA
SIA A IR
nn
TALE CHE det(A
k
) = 0 k = 1, . . . , n 1 (A
k
MINORE PRINCIPALE DI ORDINE k)
ALLORA IL METODO DI GAUSS
`
E APPLICABILE.
64
SLD9
GAUSS E FATTORIZZAZIONE LU
SE a
(1)
11
= 0 DEFINIAMO LA MATRICE DEI MOLTI-
PLICATORI
M
(1)
=

1 0 0 . . . 0
m
21
1 0 . . . 0
m
31
. . . 1 . . . 0
.
.
.
m
n1
. . . . . . . . . 1

m
21
=
a
(1)
21
a
(1)
11
m
31
=
a
(1)
31
a
(1)
11
m
n1
=
a
(1)
n1
a
(1)
11
A
(1)
=

a
(1)
11
a
(1)
12
. . . a
(1)
1n
a
(1)
21
a
(1)
22
. . . a
(1)
2n
.
.
.
a
(1)
n1
a
(1)
n2
. . . a
(1)
nn

A
(2)
= M
(1)
A
(1)
=

a
(1)
11
a
(1)
12
. . .
a
(1)
21
m
21
a
(1)
11
a
(1)
22
m
21
a
(1)
12
. . .
.
.
.
.
.
.
. . . . . . . . .

A
(2)
=

a
(1)
11
a
(1)
12
. . . a
(1)
1n
0 a
(1)
22
m
21
a
(1)
12
. . . a
(1)
2n
m
21
a
(1)
1n
0
.
.
.
.
.
.
.
.
.
0 . . . . . . . . .

65
SLD10
AL SECONDO PASSO SE a
(2)
22
= 0 DEFINIAMO LA
MATRICE DEI MOLTIPLICATORI
M
(2)
=

1 0 0 . . . . . . 0
0 1
0 m
32
1
.
.
.
.
.
. 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 m
n2
0 . . . . . . 1

A
(3)
= M
(2)
A
(2)
= M
(2)
M
(1)
A
(1)
A
(3)
=

a
(2)
11
a
(2)
12
a
(2)
13
. . .
0 a
(2)
22
a
(2)
23
. . .
.
.
. a
(2)
32
m
(2)
32
a
(2)
22
a
(2)
33
m
32
a
(2)
23
. . .
.
.
.
.
.
.
0
.
.
.

A
(3)
=

a
(2)
11
a
(2)
12
. . . . . .
0 a
(2)
22
. . . . . .
.
.
. 0 . . . . . .
.
.
.
.
.
.
0 0 . . . . . .

66
SLD11
DOPO (n 1) PASSI OVVERO DOPO (n 1) MA-
TRICI DI MOLTIPLICATORI OTTENIAMO
M
(n1)
M
(n2)
. . . M
(2)
M
(1)
A
(1)
= U
DEFINIAMO
E = M
(n1)
M
(n2)
. . . M
(2)
M
(1)
CHE
`
E TRIANG. INF. CON e
ii
= 1 i
E
1

EA
(1)
= U A
(1)
= E
1
U A
(1)
= LU
L = E
1
`
E TRIANG. INF. CON l
ii
= 1 i
APPLICANDO GAUSS AD A OTTENIAMO A = LU
N.B.
det(A) = det(L) det(U) = 1

n
i=1
u
ii
L =

1 0 . . . . . . . . . 0
m
21
1 0 . . . . . . 0
.
.
. m
32
1 0 . . . 0
.
.
.
.
.
.
m
n1
m
n2
. . . . . . . . . 1

67
SLD12
TEOREMA DI FATTORIZZAZIONE LU
SIA A IR
nn
TALE CHE det(A
k
) = 0 k = 1, . . . , n 1
(A
k
MINORE PRINCIPALE DI ORDINE k)
ALLORA ESISTE ED
`
E UNICA LA FATTORIZZAZIONE
A = LU CON L TRIANGOLARE INFERIORE, l
ii
= 1 i E
U TRIANGOLARE SUPERIORE
CALCOLO DEL DETERMINANTE DI A IR
nn
SIANO B, C IR
nn
MATRICI TALI CHE
A = BC det (A) = det
. .. .
BINET
(B) det(C)
CON B = L TRIANG. INF. CON l
ii
= 1 i
C = U TRIANG. SUP.
det(A) = det(L) det(U) =
n

i=1
l
ii
. .. .
1

i=1
u
ii
IL DETERMINANTE DI UNA MATRICE SI
CALCOLA MEDIANTE UNA FATTORIZZAZIONE
LU (METODO DI GAUSS)
68
SLD13
ALGORITMO DI GAUSS
1. Per k = 1, . . . , n 1
1.1 Se a
kk
= 0 stop
1.2 Per i = k + 1, . . . , n
1.2.1 m
ik
= a
ik
/a
kk
1.2.2 Per j = k + 1, . . . , n
1.2.2.1 a
ij
= a
ij
m
ik
a
kj
1.2.3 b
i
= b
i
m
ik
b
k
1.2.4 a
ik
= 0
(risoluzione del sistema triangolare)
2. Se a
nn
= 0 stop
3. x
n
= b
n
/a
nn
4. Per i = n 1, . . . , 1
4.1 x
i
=
1
a
ii
(b
i

k=i+1
a
ik
x
k
)
A
(k)
=

.
.
.
0
. . .
0
.
.
.
. . .
.
.
.
. . .
.
.
.
. . . a
(k)
kk
0
.
.
.
0
.
.
.
0
. . .
.
.
.
.
.
.
.
.
.
.
.
.
.
INVARIATO
. . .
. . .

k
k + 1
k k + 1
69
SLD14
IL METODO DI GAUSS CON PERMUTAZIONE

x
2
+ x
3
= 1
x
1
x
2
+ x
3
= 3
2x
1
+ x
2
x
3
= 0
det(A) = 6 = 0 MA a
(1)
11
= 0
= SCAMBIAMO LA TERZA E LA PRIMA RIGA

2x
1
+ x
2
x
3
= 0
x
1
x
2
+ x
3
= 3
x
2
+ x
3
= 1
ED APPLICHIAMO GAUSS
[A
(1)
| b
(1)
] =

2
1
0
1
1
1
1
1
1
0
3
1

m
21
= 1/2, m
31
= 0
[A
(2)
| b
(2)
] =

2
0
0
1
3/2
1
1
3/2
1
0
3
1

m
32
= 2/3
[A
(3)
| b
(3)
] =

2
0
0
1
3/2
0
1
3/2
2
0
3
3

con soluzione
x = [1, 1/2, 3/2]
70
SLD15
GAUSS IN PRECISIONE FINITA
SIA IL SISTEMA Ax = b
A =

1
1 0

b =

1 +
1

> 0 PICCOLO
LA SOLUZIONE DEL SISTEMA
`
E x =

1
1

IL PROBLEMA
`
E BEN CONDIZIONATO. INFATTI
A
1
=

0 1
1

;
A
1

= 1 +
A

= 1 +
K(A) = (1 + )
2
K(A)
`
E DI POCO SUPERIORE AD 1 PER PIC-
COLO
SUPPONIAMO
= 0.3 10
3
, = 10, m = 3 e arrotondamento.
A PARTIRE DA [A
(1)
| b
(1)
] = [A | b] DOPO UN PASSO OT-
TENIAMO
[A
(2)
| b
(2)
] =

0.3 10
3
0
1
0.333 10
4
1 + 0.3 10
3
0.333 10
4

71
SLD16
DA
[A
(2)
| b
(2)
] =

0.3 10
3
0
1
0.333 10
4
1
0.333 10
4

E PER SOSTITUZIONE ALLINDIETRO OTTENIAMO


x =

0.1000 10
1
0.100 10
1
0.3 10
3
0.333 10
4
0.333 10
4

0
1

LERRORE DI CUI
`
E AFFETTA LA SOLUZIONE
NON DIPENDE DAL MAL CONDIZIONAMEN-
TO DEL PROBLEMA
MA
ALLINSTABILIT
`
A DEL METODO DI GAUSS
RIMEDIO SCAMBIARE LE RIGHE (per aumentare lele-
mento pivot)
[A
(1)
| b
(1)
] =

0
1
1
1 +

[A
(2)
| b
(2)
] =

1
0
0
1
1
1 +

1
0
0
1
1
1

x =

1
1

OTTENIAMO LA SOLUZIONE ESATTA


72
SLD17
STRATEGIA DEL MASSIMO PIVOT
UNA STRATEGIA PER IL METODO DI GAUSS CHE CON-
SENTE DI CONTENERE GLI ERRORI
`
E EVITARE LA SCELTA
DI UN DIVISORE PICCOLO NELLA COSTRUZIONE DEI
MOLTIPLICATORI.
AL PASSO k-ESIMO SI SCAMBIA LA RIGA k-ESIMA CON
LA RIGA i-ESIMA (i k) TALE CHE
|a
(k)
ik
| = max
j=k,...,n
|a
(k)
jk
|
TALE TECNICA SI CHIAMA PIVOTING PARZIALE
(Non richiede il riordinamento delle incognite)
UNA VARIANTE CONSISTE NELLO SCAMBIO OPPORTUNO
DI RIGHE E COLONNE CIO
`
E
AL PASSO k-ESIMO SI SCAMBIA LA RIGA k-ESIMA CON
LA RIGA i-ESIMA (i k) E LA COLONNA k-ESIMA CON
LA COLONNA j-ESIMA (j k) TALE CHE
|a
(k)
ij
| = max
j,t=k,...,n
|a
(k)
j,t
|
TALE TECNICA SI CHIAMA PIVOTING TOTALE
(Richiede il riordinamento delle incognite)
73
SLD18
ESEMPIO
MATRICE DI HANKEL A
n
DI ORDINE n I CUI ELEMENTI
SONO
a
(n)
i,n+ki
=

2
k
k > 0
2
1/(2k)
k 0
, i = 1, . . . , n, k = i+1n, . . . , n
n = 4
A =

2
3

2 2
3

2 2 2
2

2 2 2
2
2
3
2 2
2
2
3
2
4

SI COSTRUISCE IL VETTORE b IN MODO CHE IL SIS-


TEMA Ax = b ABBIA COME SOLUZIONE x = [1, 1, . . . , 1]
TABELLA DEGLI ERRORI
x
x
AL VARIARE DI
n
10
6
n GAUSS PIVOT PARZIALE PIVOT TOTALE
4 1.61 10
5
1.30 10
5
1.60 10
6
6 7.84 10
6
1.83 10
5
2.09 10
5
8 4.96 10
4
3.54 10
4
1.93 10
5
10 1.38 10
2
3.05 10
4
7.52 10
5
12 7.84 10
3
3.08 10
3
1.07 10
4
14 7.48 10
1
3.01 10
3
8.75 10
4
16 2.26 10
1
2.49 10
2
9.15 10
4
74
SLD18
METODI ITERATIVI PER SISTEMI LINEARI
DATO UN SISTEMA LINEARE Ax = b I METODI ITERA-
TIVI SONO USATI NEL CASO IN CUI LA MATRICE A HA
MOLTI ELEMENTI UGUALI A ZERO (MATRICE SPARSA)
ED
`
E DI ORDINE ELEVATO.
L IDEA
`
E COSTRUIRE UNA SUCCESSIONE DI VET-
TORI {x
(k)
} CHE CONVERGA ALLA SOLUZIONE
lim
k
x
(k)
= x
A DIFFERENZA DEI METODI DIRETTI NON ALTER-
ANO I VALORI DEGLI ELEMENTI DELLA MATRICE A
E DEL VETTORE b
ESEMPIO

a
11
x
1
+ a
12
x
2
+ a
13
x
3
= b
1
a
21
x
1
+ a
22
x
2
+ a
23
x
3
= b
2
a
31
x
1
+ a
32
x
2
+ a
33
x
3
= b
3
SUPPONENDO a
11
= 0, a
22
= 0, a
33
= 0 POSSIAMO SCRI-
VERE

x
1
=
b
1
a
12
x
2
a
13
x
3
a
11
x
2
=
b
2
a
21
x
1
a
23
x
3
a
22
x
3
=
b
3
a
31
x
1
a
32
x
2
a
33
QUINDI, PARTENDO DA UN VETTORE ARBITRARIOx
(0)

IR
3
POSSIAMO GENERARE LA SUCCESSIONE {x
(k)
}

x
(k+1)
1
=
1
a
11
(b
1
a
12
x
(k)
2
a
13
x
(k)
3
)
x
(k+1)
2
=
1
a
22
(b
2
a
21
x
(k)
1
a
23
x
(k)
3
)
x
(k+1)
3
=
1
a
33
(b
3
a
31
x
(k)
1
a
32
x
(k)
2
)
75
SLD18
I METODI DI JACOBI E DI GAUSS-SEIDEL
IN GENERALE, PER UNA MATRICE DI DIMENSIONE n
POSSIAMO SCRIVERE
x
(k+1)
i
=
1
a
ii
(b
i

j=1,j=i
a
ij
x
(k)
j
), i = 1, . . . , n
O ANCHE NELLA FORMA SEGUENTE
x
(k+1)
i
=
1
a
ii
(b
i

i1

j=1
a
ij
x
(k)
j

n

j=i+1
a
ij
x
(k)
j
), i = 1, . . . , n.
QUESTO
`
E IL METODO DI JACOBI.
SE AD OGNI PASSO UTILIZZIAMO LE COMPONENTI DEL
VETTORE x
(k+1)
GI
`
A AGGIORNATE (presumibilmente pi` u
precise) OTTENIAMOIL METODO DI GAUSS-SEIDEL
x
(k+1)
i
=
1
a
ii
(b
i

i1

j=1
a
ij
x
(k+1)
j

n

j=i+1
a
ij
x
(k)
j
), i = 1, . . . , n.
76
SLD18
FORMULAZIONE MATRICIALE
CONSIDERIAMO UNO SPLITTING DI A DEL TIPO
A = L + D + U
DOVE L ED U SONO IL TRIANGOLO INFERIORE E SU-
PERIORE DI A E DOVE D
`
E LA SUA DIAGONALE

0 0 . . . 0
a
21
0 . . . 0
.
.
.
a
n1
a
n2
. . . 0

0 a
12
. . . a
1n
0 0 . . . a
3n
.
.
.
0 0 . . . 0

a
11
0 . . . 0
0 a
22
. . . 0
.
.
.
0 0 . . . a
nn

.
SE RISCRIVIAMO LE FORMULE DI JACOBI
a
ii
....
elementi di D
x
(k+1)
i
=
i1

j=1
a
ij
....
elementi di L
x
(k)
j

n

j=i+1
a
ij
....
elementi di U
x
(k)
j
+b
i
,
ARRIVIAMO A JACOBI IN FORMA MATRICIALE
Dx
(k+1)
= (L + U)x
(k)
+ b x
(k+1)
= D
1
(L + U)x
(k)
+ D
1
b .
NEL CASO DI GAUSS-SEIDEL A PARTIRE DA
a
ii
....
elementi di D
x
(k+1)
i
=
i1

j=1
a
ij
....
elementi di L
x
(k+1)
j

n

j=i+1
a
ij
....
elementi di U
x
(k)
j
+b
i
,
ARRIVIAMO A
Dx
(k+1)
= Lx
(k+1)
Ux
(k)
+ b (D + L)x
(k+1)
= Ux
(k)
+ b
OVVERO x
(k+1)
= (D + L)
1
Ux
(k)
+ (D + L)
1
b.
77
SLD18
FORMULAZIONE MATRICIALE
DI UNA MATRICE A DI DIMENSIONE n CONSIDERIAMO
UNO SPLITTING DEL TIPO
Ax = b (M N)x = b
Mx = Nx + b
x = M
1
Nx + M
1
b
DA CUI SI OTTIENE IL METODO ITERATIVO

x
(k+1)
= M
1
Nx
(k)
+ M
1
b
x
(0)
IR
n
arbitrario
TEOREMA
LA SUCCESSIONE {x
(k)
} CONVERGE ALLA SOLUZIONE
SE E SOLO SE LA MATRICE DI ITERAZIONE M
1
N
`
E
CONVERGENTE E CIO
`
E, INDICATA CON 0 LA MATRICE
NULLA, RISULTA
lim
k
(M
1
N)
k
= 0 .
DIM: SIA e
(k)
= x
(k)
x. OVVIAMENTE x
(k)
x SE E
SOLO SE e
(k)
0. POSTO e
(0)
= x
(0)
x RISULTA:
e
(k)
= x
(k)
x = M
1
Nx
(k1)
+ M
1
b M
1
Nx M
1
b
= M
1
Ne
(k1)
= (M
1
N)
2
e
(k2)
= (M
1
N)
k
. .. .
tende a 0
e
(0)
E QUINDI POSSIAMO CONCLUDERE CHE
x
(k)
x (M
1
N)
k
0 .
78
SLD18
CONDIZIONI PER LA CONVERGENZA
DI SEGUITO SONO ELENCATE ALCUNE FRA LE
CONDIZIONI NECESSARIE e/o SUFFICIENTI
PER LA CONVERGENZA DI UN METODO ITERATIVO
BASATO SULLO SPLITTING A = M N.
(M
1
N) `e una matrice convergente (NEC. E SUFF.)
(M
1
N) = max
i=1,...,n
|
i
(M
1
N)| < 1 (NEC. E SUFF.)
(M
1
N) < 1 (SUFF.)
A `e una matrice diagonale dominante in senso forte
|a
ii
| >

n
j=1,i=j
|a
ij
| (SUFF.)
Solo per Gauss-Seidel: A `e una matrice simmetrica e denita
positiva (SUFF.)
N.B.
In generale non si pu`o aermare che il metodo di
Gauss-Seidel converga pi` u velocemente del metodo
di Jacobi (o viceversa). Tuttavia, nel caso di matrici
tridiagonali il metodo di Gauss-Seidel converge se e
solo se converge il metodo di Jacobi e, asinto-
ticamente, sono necessarie met`a iterazioni di Gauss-
Seidel per ottenere la stessa precisione di Jacobi.
79
SLD18
ESEMPI DI CONVERGENZA
NEGLI ESEMPI L ERRORE CON IL METODO DI JACOBI
`
E
RAPPRESENTATO IN BLUE, QUELLO DI GAUSS-SEIDEL
IN ROSSO E QUELLO OTTENUTO CON IL METODO DI
RILASSAMENTO IN VERDE
0 5 10 15 20 25 30 35
2
4
6
8
10
12
14
iterazioni
e
r
r
o
r
e
A =

3 0 4
7 4 2
1 1 2

b =

7
13
4

IN QUESTO CASO (M
1
N
J
) = 1.3375, (M
1
N
GS
) = 0.25
80
SLD18
0 5 10 15 20 25 30 35
5
10
15
20
25
iterazioni
e
r
r
o
r
e
A =

3 3 6
4 7 8
5 7 9

b =

6
5
3

IN QUESTO CASO (M
1
N
J
) = 0.81, (M
1
N
GS
) = 1.111
81
SLD18
0 5 10 15
0.2
0.4
0.6
0.8
1
1.2
1.4
iterazioni
e
r
r
o
r
e
A =

4 1 1
2 9 0
0 8 6

b =

6
7
14

IN QUESTO CASO (M
1
N
J
) = 0.4438, (M
1
N
GS
) = 0.0185
82
SLD18
0 5 10 15
0.5
1
1.5
2
2.5
3
iterazioni
e
r
r
o
r
e
A =

7 6 9
4 5 4
7 3 8

b =

22
5
2

IN QUESTO CASO (M
1
N
J
) = 0.6411, (M
1
N
GS
) = 0.7746
83
SLD18
CRITERI DI ARRESTO
QUANDO COSTRUIAMO UNA SUCCESSIONE {x
(k)
} TALE
CHE x
(k)
x NELLA PRATICADOBBIAMO FERMAR-
CI DOPO UN NUMERO FINITO DI PASSI CIO
`
E
SCEGLIERE DEI CRITERI DI ARRESTO.
I PI
`
U USATI SONO:
x
(k+1)
x
(k)

x
(k+1)
x
(k)

x
(k+1)


r
(k)
= Ax
(k)
b
N.B.
Il vettore r
(k)
= Ax
(k)
b `e detto vettore residuo ed `e
nullo se e solo se x
(k)
`e la soluzione esatta.
Un residuo piccolo non necessariamente implica
vicinanza alla soluzione (dipende dal condizionamen-
to della matrice A)
84
A1
APPROSSIMAZIONE
QUESTO PROBLEMA SI PONE QUANDOCONOSCIAMO
UNA GRANDEZZA SOLO ATTRAVERSO UN IN-
SIEME DISCRETO DEI SUOI VALORI
LA COSTRUZIONE DI UNA FUNZIONE A PARTIRE DA
UNA TABELLA DI DATI VIENE AFFRONTATA SECONDA
DUE APPROCCI
DATI AFFETTI DA UN SENSIBILE ERRORE
I DATI VENGONO APPROSSIMATI NEL LORO INSIEME
MIGLIORE APPROSSIMAZIONE
DATI ESATTI
SI CERCA UNA FUNZIONE CHE PASSA PER I PUNTI
INTERPOLAZIONE
85
A2
CLASSI DI FUNZIONI PI
`
U USATE PER
APPROSSIMARE ED INTERPOLARE
POLINOMI
FUNZIONI RAZIONALI
FUNZIONI TRIGONOMETRICHE
FUNZIONI POLINOMIALI A TRATTI
(FUNZIONI SPLINES)
86
A3
MIGLIORE APPROSSIMAZIONE
DATI (x
i
, f
i
), i = 1, . . . , n AFFETTI DA ERRORE
SI CERCA UNA FUNZIONE APPROSSIMANTE
CHE SI ADATTI ALLANDAMENTO DEI DATI

ABBIAMO BISOGNO DI UN CRITERIO CHE PERMETTA


DI QUANTIFICARE LA BONT
`
A DELLAPPROSSIMAZIONE:
SE SI APPROSSIMANO I DATI CON UNA RETTA
APPROSSIMAZIONE LINEARE
SE SI APPROSSIMANO I DATI CON UN POLINOMIO DI
GRADO m > 1
APPROSSIMAZIONE POLINOMIALE DI GRADO m > 1
87
A4
CRITERI DI VALUTAZIONE DELLA MIGLIORE
APPROSSIMAZIONE
SI LAVORA SUL VETTORE ERRORE
E
i
= f
i
(a
0
+ a
1
x
i
) i = 1, . . . , n
(nel caso della retta)
OPPURE
E
i
= f
i
(a
0
+ a
1
x
i
+ a
2
x
2
i
+ + a
m
x
m
i
) i = 1, . . . , n
(nel caso di un polinomio di grado m)
Per determinare la retta o il polinomio che meglio approssima i
dati si determina la retta o il polinomio che minimizza la distanza
dellapprossimante dai dati (esistono varie distanze in R
n
)
1
0
CRITERIO (errore in norma 1)
min
a
0
,a
1
n

i=1
|E
i
| min
a
0
,a
1
,...,a
m
n

i=1
|E
i
| (E
1
)
2
0
CRITERIO (errore in norma innito)
min
a
0
,a
1
max |E
i
| min
a
0
,a
1
,...,a
m
max |E
i
| (E

)
3
0
CRITERIO (errore in norma 2)
min
a
0
,a
1
n

i=1
|E
i
|
2
min
a
0
,a
1
,...,a
m
n

i=1
|E
i
|
2
(E
2
2
)
Il polinomio di migliore approssimazione ai
minimi quadrati `e quel polinomio che minimizza ler-
rore in norma 2.
88
A5
RETTA DI MIGLIORE APPROSSIMAZIONE AI
MINIMI QUADRATI
SI TRATTA DI MINIMIZZARE
min
a
0
,a
1
n

i=1
(f
i
a
0
a
1
x
i
)
2
= min
a
0
,a
1
S(a
0
, a
1
)
DERIVANDO RISPETTO A a
0
E RISPETTO A a
1

S
a
0
= 2
n

i=1
(f
i
a
0
a
1
x
i
)
S
a
1
= 2
n

i=1
(f
i
a
0
a
1
x
i
)x
i
UGUAGLIANDO A ZERO

i=1
f
i

i=1
a
0

i=1
a
1
x
i
= 0
n

i=1
f
i
x
i

i=1
a
0
x
i

i=1
a
1
x
2
i
= 0
OVVERO

i=1
a
0
+ a
1
n

i=1
x
i
=
n

i=1
f
i
a
0
n

i=1
x
i
+ a
1
n

i=1
x
2
i
=
n

i=1
f
i
x
i
Equazioni normali

na
0
+ a
1
n

i=1
x
i
=
n

i=1
f
i
a
0
n

i=1
x
i
+ a
1
n

i=1
x
2
i
=
n

i=1
f
i
x
i
MATRICE DEI COEFF.
SIMMETRICA E
DEF. POSITIVA
89
A6
POLINOMIO DI MIGLIORE
APPROSSIMAZIONE DI GRADO m > 1
min
a
0
,a
1
,...,a
m
n

i=1
(f
i
a
0
a
1
x
i
a
2
x
2
i
a
m
x
m
i
)
2
min
a
0
,a
1
,...,a
m
S(a
0
, a
1
, . . . , a
m
)
ANALOGAMENTE AL CASO DELLA RETTA
S
a
0
= 0; 2
n

i=1
(f
i
a
0
a
1
x
i
a
m
x
m
i
) = 0
S
a
1
= 0; 2
n

i=1
(f
i
a
0
a
1
x
i
a
m
x
m
i
) x
i
= 0
.
.
.
S
a
m
= 0; 2
n

i=1
(f
i
a
0
a
1
x
i
a
m
x
m
i
) x
m
i
= 0
OTTENIAMO IL SISTEMA LINEARE

na
0
+ a
1

x
i
+ a
2

x
2
i
+ + a
m

x
m
i
=

f
i
a
0

x
i
+ a
1

x
2
i
+ a
2

x
3
i
+ + a
m

x
m+1
i
=

f
i
x
i
.
.
.
a
0

x
m
i
+ a
1

x
m+1
i
+ a
2

x
m+2
i
+ + a
m

x
2m
i
=

f
i
x
m
i
LA MATRICE DEI COEFFICIENTI
`
E SIMMETRICA E DEFINI-
TA POSITIVA
90
I1
INTERPOLAZIONE
DATI (x
i
, f
i
), i = 0, . . . , n, x
i
[a, b]
(x
i
SONO CHIAMATI PUNTI FONDAMENTALI E SONO AS-
SUNTI DISTINTI x
i
= x
j
i = j)
SI SUPPONE CHE I DATI NON SIANO AFFETTI DA SEN-
SIBILE ERRORE
SI VUOLE DETERMINARE UN POLINOMIO DI GRADO AL
MASSIMO n TALE CHE
P
n
(x
i
) =
n

j=0

j
x
j
i
= f
i
, i = 0, . . . , n

0
+
1
x
0
+
2
x
2
0
+ +
n
x
n
0
= f
0

0
+
1
x
1
+
2
x
2
1
+ +
n
x
n
1
= f
1
.
.
.

0
+
1
x
n
+
2
x
2
n
+ +
n
x
n
n
= f
n
IL PROBLEMA CONSISTE QUINDI NEL RISOL-
VERE UN SISTEMA LINEARE NELLE INCOG-
NITE
0
,
1
, . . . ,
n
91
I2
ESISTENZA ED UNICIT
`
A DEL POLINOMIO
INTERPOLANTE
LA MATRICE DEI COEFFICIENTI
A =

1 x
0
x
2
0
. . . x
n
0
1 x
1
x
2
1
. . . x
n
1
.
.
.
.
.
.
.
.
.
.
.
.
1 x
n
x
2
n
. . . x
n
n

matrice di Vandermonde
RISULTA ESSERE NON SINGOLARE SE E SOLO SE
x
i
= x
j
, i = j ESSENDO
det(A) =

i>j
(x
i
x
j
)
POSSIAMO ALLORA AFFERMARE
TEOREMA
ESISTE UN UNICO POLINOMIO DI GRADO MASSIMO
n CHE ASSUME VALORI f
i
, i = 0, . . . , n IN CORRISPON-
DENZA DI (n + 1) PUNTI DISTINTI x
i
, i = 0, . . . , n
PROBLEMI DI A
MAL CONDIZIONAMENTO
92
I3
ESEMPIO
ASSEGNATI I PUNTI
x
0
= 1 x
1
= 2 x
2
= 3 x
3
= 4 x
4
= 5
f
0
= 2 f
1
= 3 f
2
= 4 f
3
= 5 f
4
= 6
SI VUOLE DETERMINARE IL POLINOMIO INTERPOLANTE
ESSENDO 5 DATI IMPONIAMO 5 CONDIZIONE DI INTER-
POLAZIONE
P
5
(x
i
) = f
i
, i = 1, . . . , 4. (1)
OTTENIAMO IL SISTEMA LINEARE DI 5 EQUAZIONI IN
5 INCOGNITE

0
+
1
+
2
+
3
+
4
= 2

0
+ 2
1
+ 4
2
+ 8
3
+ 16
4
= 3

0
+ 3
1
+ 9
2
+ 27
3
+ 81
4
= 4

0
+ 4
1
+ 16
2
+ 64
3
+ 256
4
= 5

0
+ 5
1
+ 25
2
+ 125
3
+ 625
4
= 6
IL DETERMINANTE DELLA MATRICE DEI COEFFICI-
ENTI
`
E 288
LA SOLUZIONE DEL SISTEMA ESISTE ED
`
E UNICA
ED
`
E [1 1 0 0 0]
t

IL POLINOMIO INTERPOLANTE
`
E P
1
(x) = x + 1
IL VALORE DEL CONDIZIONAMENTO DI A
`
E DELL
ORDINE DI 10
4
93
I4
FORMULAZIONE DI LAGRANGE DEL
POLINOMIO INTERPOLANTE
ASSEGNATI (x
i
, f
i
), i = 0, . . . , n SI DEFINISCONO LE BASI
DI LAGRANGE l
0
(x), l
1
(x), . . . , l
n
(x) TALI CHE
l
j
(x)
`
E UN POLINOMIO DI GRADO n E
l
j
(x
i
) =

1 i = j
0 ALTRIMENTI
P
n
(x) =
n

j=0
l
j
(x)f
j
`
E IL POLINOMIO DI GRADO n INTERPOLANTE
I DATI.
Infatti
P
n
(x
i
) =
n

j=0
l
j
(x
i
)f
j
= l
0
(x
i
)f
0
+ l
1
(x
i
)f
1
+ +
+ l
i
(x
i
)f
i
+ + l
n
(x
i
)f
n

P
n
(x
i
) = f
i
BASI DI LAGRANGE l
j
(x)
l
j
(x) =
(x x
0
)(x x
1
) (x x
j1
)(x x
j+1
) (x x
n
)
(x
j
x
0
)(x
j
x
1
) (x
j
x
j1
)(x
j
x
j+1
) (x
j
x
n
)
CIO
`
E
l
j
(x) =

n
i=1, i=j
(x x
i
)

n
i=1, i=j
(x
j
x
i
)
94
I5
DIFFERENZE DIVISE
DATI {x
0
, x
1
, . . . , x
n
} SI DEFINISCONO LE DIFFEREN-
ZE DIVISE (DD) DI f SUI NODI {x
0
, x
1
, . . . , x
n
} COME
SEGUE
DD DI ORDINE 0 RELATIVA A x
i
f[x
i
] = f(x
i
)
DD DI ORDINE 1 RELATIVA A x
i
, x
i+1
f[x
i
, x
i+1
] =
f(x
i+1
) f(x
i
)
x
i+1
x
i
DD DI ORDINE 2 RELATIVA A x
i
, x
i+1
, x
i+2
f[x
i
, x
i+1
, x
i+2
] =
f[x
i+1
, x
i+2
] f[x
i
, x
i+1
]
x
i+2
x
i
DD DI ORDINE n RELATIVA A x
0
, . . . , x
n
f[x
0
, . . . , x
n
] =
f[x
1
, . . . , x
n
] f[x
0
, . . . , x
n1
]
x
n
x
0
N.B.
f[x
0
, . . . , x
n
]
`
E INVARIANTE RISPETTO A PER-
MUTAZIONE DEGLI ARGOMENTI
95
I6
ORGANIZZAZIONE IN TABELLA DELLE DD
x
i
f
i
f[x
i
] f[x
i
, x
i+1
] f[x
i
, x
i+1
, x
i+2
]
x
0
f
0
f
0
f[x
0
, x
1
] =
f
1
f
0
x
1
x
0
x
1
f
1
f
1
f[x
1
, x
2
] f[x
0
, x
1
]
x
2
x
0
f[x
1
, x
2
] =
f
2
f
1
x
2
x
1
x
2
f
2
f
2
ESEMPIO
x
i
f
i
f[ ] f[ , ] f[ , , ]
2 2 2
3 2
1 + 2
= 1
1 3 3
2 1
0 + 2
=
3
2
1 3
0 + 1
= 2
0 1 1
96
I7
FORMULAZIONE DI NEWTON DEL
POLINOMIO INTERPOLANTE
`
E UNA FORMULAZIONE BASATA SU UNA NUO-
VA BASE
ESEMPIO ASSEGNATI (x
0
, f
0
) (x
1
, f
1
) (x
2
, f
2
)
BASE
P
(1, x, x
2
)
BASE
L
(l
0
(x), l
1
(x), l
2
(x))
BASE
N
{1, (x x
0
), (x x
0
)(x x
1
)}
P
2
(x) = A
0
+ A
1
(x x
0
) + A
2
(x x
0
)(x x
1
)
IMPONIAMO LINTERPOLAZIONE
x = x
0
x = x
1
x = x
2

A
0
= f
0
A
0
+ A
1
(x
1
x
0
) = f
1
A
0
+ A
1
(x
2
x
0
) + A
2
(x
2
x
0
)(x
2
x
1
) = f
2
A
0
= f
0
A
1
=
f
1
A
0
x
1
x
0
=
f
1
f
0
x
1
x
0
A
2
=
1
x
2
x
0

f
2
f
1
x
2
x
1

f
1
f
0
x
1
x
0

97
I8
N.B.
A
0
= f
0
DD DI ORDINE 0
RELATIVA A x
0
A
1
=
f
1
f
0
x
1
x
0
DD DI ORDINE 1
RELATIVA A x
0
, x
1

A
1
=
f
2
f
1
x
2
x
1
DD DI ORDINE 1
RELATIVA A x
1
, x
2
A
2
=
1
x
2
x
0

A
1
A
1

DD DI ORDINE 2
RELATIVA A x
0
, x
1
, x
2
98
I9
FORMULAZIONE DI NEWTON DEL
POLINOMIO INTERPOLANTE
ASSEGNATI (x
i
, f
i
), i = 0, . . . , n
P
2
(x) = A
0
+ A
1
(x x
0
) + A
2
(x x
0
)(x x
1
)
P
2
(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
]
P
3
(x) = f[x
0
] + (x x
0
)f[x
0
, x
1
] + (x x
0
)(x x
1
)f[x
0
, x
1
, x
2
]+
+ (x x
0
)(x x
1
)(x x
2
)f[x
0
, x
1
, x
2
, x
3
]
P
3
(x) = P
2
(x) + (x x
0
)(x x
1
)(x x
2
)f[x
0
, x
1
, x
2
, x
3
]
... =
... =
P
n
(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
n1
)f[x
0
, x
1
, x
2
, . . . , x
n
]
P
n
(x) =
n

j=0
A
j

j
(x)
A
j
DD DI ORDINE j

j
(x) = (x x
0
)(x x
1
) (x x
j1
) j > 0

0
(x)
def
= 1
IN GENERALE
P
n+1
(x) = P
n
(x)+(xx
0
)(xx
1
) (xx
n
)f[x
0
, x
1
, . . . , x
n
, x
n+1
]
99
I10
ESEMPIO
SUPPONIAMO DI VOLER INTERPOLARE I DATI
(1, 2) (1, 1) (2, 1)
CERCHIAMO UN POLINOMIO DEL TIPO
P
2
(x) =
0
+
1
x +
2
x
2
IMPONENDO LE CONDIZIONI DI INTERPOLAZIONE OT-
TENIAMO

1
+
2
= 2

0
+
1
+
2
= 1

0
+ 2
1
+ 4
2
= 1
det(A) = 6 = 0
SVOLGENDO I CALCOLI OTTENIAMO
P
2
(x) =
1
6
x
2

1
2
x +
4
3
100
I11
ESEMPIO
CON LA FORMULAZIONE DI LAGRANGE
CERCHIAMO UN POLINOMIO DEL TIPO
P
2
(x) =
2

j=0
l
j
(x)f
j
l
0
(x) =
(x x
1
)(x x
2
)
(x
0
x
1
)(x
0
x
2
)
=
(x 1)(x 2)
(1 1)(1 2)
=
1
6
(x1)(x2)
l
1
(x) =
(x x
0
)(x x
2
)
(x
1
x
0
)(x
1
x
2
)
=
(x + 1)(x 1)
(1 + 1)(1 2)
=
1
2
(x+1)(x2)
l
2
(x) =
(x x
0
)(x x
1
)
(x
2
x
0
)(x
2
x
1
)
=
(x + 1)(x 1)
(2 + 1)(2 1)
=
1
3
(x+1)(x1)
IN CONCLUSIONE:
P
2
(x) =
1
6
(x 1)(x 2)2
1
2
(x + 1)(x 2)1 +
1
3
(x + 1)(x 1)1
=
1
6
x
2

1
2
x +
4
3
N.B.
UNICIT
`
A DEL POLINOMIO INTERPOLANTE
101
I12
ESEMPIO
CON LA FORMULAZIONE DI NEWTON
P
2
(x) = f
0
+ (x x
0
)f[x
0
, x
1
] + (x x
0
)(x x
1
)f[x
0
, x
1
, x
2
]
x
i
f
i
= f[ ] f[ , ] f[ , , ]
1 2
1 2
1 + 1
=
1
2
1 1
0 +
1
2
2 + 1
=
1
6
1 1
2 1
= 0
2 1
P
2
(x) = 2 + (x + 1)(
1
2
) +
1
6
(x 1)(x + 1)
=
1
6
x
2

1
2
x +
4
3
N.B.
UNICIT
`
A DEL POLINOMIO INTERPOLANTE
102
I13
ESEMPIO DI DEGENERAZIONE DEL GRADO
DEL POLINOMIO
DATI (1, 1), (1, 3), (2, 4)
P
2
(x) = f
0
+ (x x
0
)f[x
0
, x
1
] + (x x
0
)(x x
1
)f[x
0
, x
1
, x
2
]
x
i
f
i
= f[ ] f[ , ] f[ , , ]
1 1
3 1
1 + 1
= 1
1 3
1 1
2 + 1
= 0
4 3
2 1
= 1
2 4
P
2
(x) = 1 + (x + 1) 1 + (x + 1)(x 1) 0
= 1 + x + 1 = x + 2
103
I14
ERRORE NELLINTERPOLAZIONE
SI TRATTA DI STIMARE LERRORE COMMES-
SO NELLAPPROSSIMAZIONE CON IL POLINOMIO
INTERPOLANTE FUORI DAI PUNTI FONDAMEN-
TALI
(x
1
, f
i
) = (x
i
, f(x
i
)), i = 0, . . . , n
E
n
( x) = f( x)P
n
( x), x = x
i
i SUPPONIAMO f(x) NOTA
SOLO PER PUNTI
(x
i
, f(x
i
)), i = 0, . . . , n SIA P
n
(x) IL POLINOMIO INTER-
POLANTE. AGGIUNGIAMO ( x, f( x))
P
n+1
(x) = P
n
(x)+(xx
0
)(xx
1
) (xx
n
)f[x
0
, x
1
, . . . , x
n
, x]
f( x) = P
n+1
( x) = P
n
( x)+( xx
0
)( xx
1
) ( xx
n
)f[x
0
, x
1
, . . . , x
n
, x]
E
n
( x) = f( x)P
n
( x) = ( xx
0
)( xx
1
) ( xx
n
)f[x
0
, x
1
, . . . , x
n
, x]
N.B.
NEL CALCOLO DI f[x
0
, x
1
, . . . , x
n
, x] DOBBIAMO AP-
PROSSIMARE f( x)
AD ESEMPIO UTILIZZANDO L INTERPOLAZIONE
LINEARE: (f( x) PU

O ESSERE APPROSSIMATO
CON IL VALORE DELLA RETTA PASSANTE PER
(x
i
, f(x
i
)), (x
i+1
, f(x
i+1
)))
104
I15
ESEMPI ALL AUMENTARE DEL NUMERO
DEI PUNTI
CONSIDERIAMO LA FUNZIONE
f(x) = sin(x)
PRENDIAMO 5 PUNTI PER L INTERPOLAZIONE
4 3 2 1 0 1 2 3 4
1.5
1
0.5
0
0.5
1
1.5
Figura 2: Polinomio interpolante di grado 4
PRENDIAMO 11 PUNTI PER L INTERPOLAZIONE
4 3 2 1 0 1 2 3 4
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
Figura 3: Polinomio interpolante di grado 10
105
I16
ESEMPIO FUNZIONE DI RUNGE
CONSIDERIAMO ORA LA FUNZIONE f(x) =
1
1 + 25x
2
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2
Figura 4: Polinomio interpolante di grado n = 4
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
0.5
0
0.5
1
1.5
2
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
60
50
40
30
20
10
0
10
Figura 5: Polinomio interpolante di grado n = 10 e n = 20
106
I17
PUNTI NON EQUIDISTANTI
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
0.2
0
0.2
0.4
0.6
0.8
1
1.2
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
0.2
0
0.2
0.4
0.6
0.8
1
1.2
Figura 6: Polinomio interpolante di grado n = 4 e n = 10 con nodi di Chebyshev
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Figura 7: Polinomio interpolante di grado n = 20 e n = 30 con nodi di Chebyshev
107
S1
FUNZIONI POLINOMIALI A TRATTI
ES. LINEARE
- METODO MOLTO SEMPLICE MOLTO SPESSO USATO
- NON ADATTO PER UNA BUONA RAPPRESENTAZIONE
GRAFICA (PUNTI ANGOLOSI)
- IN CERTI CASI COMUNQUE VANTAGGIOSO RISPET-
TO AL POLINOMIO INTERPOLANTE
- POLINOMIO DI GRADO
12
- POLINOMIALE A TRATTI
LINEARE
108
S2
FUNZIONI SPLINES
ASSEGNATI LINTERVALLO [a, b] ED I NODI y
0
, . . . , y
n+1
a = y
0
< y
1
< y
n
< y
n+1
= b
UNA FUNZIONE SPLINE DI GRADO m E NODI
y
`
E DEFINITA

S
m,y
(x) P
m
x [y
i
, y
i+1
]
S
m,y
(x) C
m1
[a, b]
SI DIMOSTRA CHE UNA FUNZIONE SPLINE PU
`
O
ESSERE SCRITTA NELLA FORMA
S
m,y
(x) =
m

k=0
a
k
x
k
+
n

i=1
a
m+i
(x y
i
)
m
+
DOVE
(x y
i
)
m
+
def
=

0 x < y
i
(x y
i
)
m
x y
i
N.B.
PER DETERMINARE LA SPLINE DEVONO ES-
SERE DETERMINATI (m + n + 1) COEFFICIENTI
a
0
, a
1
, . . . , a
m+n
RISOLVENDO UN PROBLEMA DI
INTERPOLAZIONE O DI MIGLIORE APPROSSI-
MAZIONE
109
S2
FUNZIONI SPLINES
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
data 1
spline
Figura 8: Interpolante lineare a tratti e splines cubiche
110

Potrebbero piacerti anche