3: APPROSSIMAZIONE DI
DATI E FUNZIONI
Nota: I box in rosso non sono da
sapere per l’esame
ESEMPI
Esempio 1:
Supponiamo di aver effettuato un esperimento eseguito per individuare il
legame fra lo sforzo (in Pascal) e la deformazione di un disco intervertebrale
Ci chiediamo se sia possibile ottenere una informazione sulla deformazione
corrispondente ad uno stato di sforzo per cui non si sia effettuata alcuna
misura sperimentale, senza dover effettuare un nuovo esperimento
Sappiamo che, nonostante le misure non stiano su una retta a causa degli
errori sperimentali, il legame sforzi-deformazioni in questo caso, per
deformazioni non troppo grandi, è lineare
L’idea è quindi quella di introdurre una
funzione lineare (retta) che approssimi
bene (in un senso che specificheremo in
seguito) le misure a disposizione e di usare
questa per ottenere un’approssimazione di
valutando la funzione approssimante
nel punto
In questo caso la funzione
approssimante non passa per le misure
(approssimazione ai minimi quadrati)
Esempio 3:
Consideriamo una funzione e supponiamo di conoscerla solo in
alcuni punti (i pallini in figura)
Ci chiediamo in questo caso se sia
possible costruire una nuova
funzione che, utilizzando le
informazioni su disponibili,
sia una buona approssimazione di
anche altrove
funzione approssimante
funzione
Anche in questo caso si è scelto di
usare una funzione che passa per
i dati a disposizione
(interpolazione Lagrangiana)
POSIZIONE DEL
PROBLEMA
Supponiamo di conoscere n+1 coppie di dati
Queste possono in generale costituire:
1) Misure di una certa quantità fisica effettuate sperimentalmente in
corrispondenza dei punti (nodi)
Ad esempio, nell’esempio 1 abbiamo la deformazione del disco
intervertebrale misurata per alcuni stati di sforzo. In tal caso abbiamo 8
coppie di dati (n=7) e , riferendosi alla tabella riportata, si ha:
2) Valori di una funzione in corrispondenza
dei punti
Ad esempio, nell’esempio 3 avevamo 9 coppie di
dati (n=8).
In tal caso si pone
Il problema dell’approssimazione di dati (o di una funzione) consiste
nel determinare una funzione che abbia delle buone proprietà
di approssimazione (in un senso da specificare) dei dati
che permettano di avere carattere predittivo
anche non in corrispondenza dei nodi
INTERPOLAZIONE
LAGRANGIANA
Approssimante di tipo interpolatorio
Date n+1 coppie di dati , diciamo che un’approssimante
è di tipo interpolatorio se vale la seguente relazione:
Un interpolatore è quindi una funzione che assume il valore dei dati in
corrispondenza dei nodi
Nei precedenti esempi, abbiamo
introdotto una funzione
approssimante interpolatoria negli
esempi 2 e 3. Invece nell’esempio 1
la funzione approssimante non è di
tipo interpolatorio
Polinomi caratteristici di Lagrange
Si introducono di seguito le seguenti n+1 funzioni, associate agli n+1 dati
, che prendono il nome di polinomi caratteristici di
Lagrange:
cioè:
Essi sono dati dal prodotto di n termini di primo grado, perciò sono dei
polinomi di grado n
Polinomi caratteristici di Lagrange
Se inoltre li valutiamo in corrispondenza di uno dei nodi otteniamo:
Notiamo che il denominatore è sempre diverso da 0 per costruzione
Se i≠k, allora uno dei termini a numeratore è nullo e quindi
Se i=k, allora il numeratore è uguale al denominatore. Perciò abbiamo:
Esempio di polinomi caratteristici di Lagrange - n=2
Prendiamo
Allora i 3 polinomi caratteristici di Lagrange sono dati da:
Notiamo, come atteso, che i 3 polinomi caratteristici di Lagrange sono dei
polinomi di grado 2 e soddisfano la proprietà
Esempio di polinomi caratteristici di Lagrange - n=6
Come atteso, in questo
caso che i polinomi
caratteristici di
Lagrange sono
polinomi di grado 6 e
soddisfano ancora la
proprietà
Interpolatore Lagrangiano
Siamo pronti per introdurre l’interpolatore Lagrangiano degli n+1 dati
. Esso è dato dalla seguente espressione:
Quando stiamo approssimando i valori di una funzione , si è soliti
indicare l’interpolatore Lagrangiano con
Proprietà dell’interpolatore Lagrangiano
Valgono le seguenti proprietà:
1) è un interpolatore
Infatti, valutandolo per un generico nodo , si ottiene:
2) è un polinomio di grado n
Infatti, esso è dato dalla somma dei polinomi di grado n
3) è l’unico polinomio di grado n interpolante gli n+1 dati
Infatti, supponiamo esista un altro interpolatore polinomiale di grado n
che interpola i dati
Introduciamo il seguente polinomio di grado n:
Vale che:
Allora, ha n+1 zeri. Essendo un polinomio di grado n si deve avere
, da cui segue l’unicità
Accuratezza dell’interpolatore Lagrangiano nel caso di
approssimazione di funzioni
Si consideri il caso di approssimazione dei valori di una funzione
Si ha il seguente risultato:
Si noti come la funzione
si annulli in corrispondenza dei
nodi
Il suo valore è invece in generale
diverso da zero lontano dai nodi,
cioè per
Al fine di ottenere
un’informazione più compatta
sull’errore, nel seguito deriviamo
una stima del suo massimo valore
Nel caso di nodi equispaziati con
vale la seguente disuguaglianza:
Polinomio
nodale
Infatti si ha che la funzione
ammette massimo in prossimità degli
estremi. Supponiamo, senza perdita di generalità, che il massimo sia in
dimostrazione
. Allora, per tale x vale:
Dall’espressione dell’errore nella proposizione, abbiamo:
Introducendo la stima
si ottiene che nel caso di nodi equispaziati vale
la seguente stima dell’errore massimo:
Convergenza dell’interpolatore Lagrangiano
Vorremmo che aumentando le informazioni a disposizione (cioè n+1) l’accuratezza
di una funzione approssimante migliori. Nello specifico, per l’interpolatore
Lagrangiano, vorremmo quindi che
Tornando alla stima
notiamo che i termini in verde sono “buoni” nel senso
che vanno a 0 per
Infatti si ha che con l’intervallo in cui sono presi i nodi
Tuttavia, non abbiamo alcuna certezza a priori che il termine in rosso
sia limitato per , cosa che garantirebbe la convergenza
Esistono infatti dei casi per cui
che portano a
ovvero alla non convergenza dell’interpolatore Lagrangiano
Fenomeno di Runge
La possibile mancata convergenza dell’interpolatore Lagrangiano prende il
nome di fenomeno di Runge
In particolare, in presenza di questo fenomeno, la funzione errore presenta
delle oscillazioni ai nodi estremi che crescono con il crescere di n
Esempio:
Oscillazioni crescenti
al crescere di n
INTERPOLAZIONE
LAGRANGIANA
COMPOSITA
Interpolazione Lagrangiana composita
Per superare i limiti della interpolazione Lagrangiana, una possible strategia
consiste nell’introdurre un interpolatore continuo dato dalla unione di tanti
interpolatori Lagrangiani di basso ordine, diciamo k<<n
Tali interpolatori locali sono costruiti sugli intervalli disgiunti ognuno
composto da k+1 nodi e di lunghezza H=kh
Tale interpolatore globale viene indicato con
Quando vogliamo enfatizzare che esso è stato costruito per approssimare
una funzione useremo la notazione
Esempio di interpolatore Lagrangiano composito lineare
Consideriamo nel seguente
esempio il caso k=1
Vista la sua semplicità
questo interpolatore è
molto utilizzato nelle
applicazioni
Interpolatore locale lineare
Accuratezza dell’interpolatore Lagrangiano composito
In questo caso ci aspettiamo che le cose funzionino bene, cioè che quando
aumentiamo il numero di informazioni n+1 che abbiamo a disposizione,
l’accuratezza dell’interpolatore Lagrangiano composito migliori sempre
Infatti, questa volta, quando aumenta n faremo aumentare il numero degli
intervalli su cui costruire gli interpolatori locali, senza variare il grado locale
k che rimane costante
Se perciò si lavora con k piccolo (di solito 1, 2 o 3), non si incorrerà più
quando n cresce nel fenomeno di Runge
Introducendo l’errore puntuale e notando
che esso è dato dal massimo degli errori degli interpolatori Lagrangiani di
grado k su ogni , otteniamo nel caso di nodi equispaziati:
(**)
Costante indipendente da H
avendo usato h=H/k
Questo dimostra la convergenza dell’interpolatore Lagrangiano composito
Ad esempio, considerando l’interpolatore Lagrangiano composito di ordine 1,
la convergenza rispetto ad H per la funzione di Runge si comporta come segue
Al decrescere di H,
l’errore decresce
quadraticamente
Ad esempio:
A=(0.24,0.016)
B=(0.06,0.001)
H si è ridotto di un
fattore 4
Errore si è ridotto di un
fattore 16
Sulla scelta di H e k
a) Nel caso di funzione f(x) nota sull’intervallo [a,b] che genera i valori
- si decide il valore di k da utilizzare (al massimo k=3 per evitare il
fenomeno di Runge)
- si sceglie il valore dell’ampiezza degli intervalli H in modo da avere l’errore
desiderato in base alla stima dell’errore (**)
- si partiziona [a,b] in intervalli di ampiezza H e su ognuno di essi si
considerano k+1 nodi
b) Nel caso di dati provenienti da misure, il numero di questi n+1 è fissato
In questi casi di solito si opta per:
- Un’interpolazione composita lineare (k=1, H=(b-a)/n)
- Un’interpolazione composita quadratica (k=2, 2(b-a)/n)
INTERPOLAZIONE CON
UBICAZIONE SPECIFICA
DEI NODI
Per ovviare ai possibili problemi di stabilità
dell’interpolatore Lagrangiano all’aumentare del
numero di informazioni disponibili n+1, si può
considerare di ubicare i nodi in precise posizioni
che garantiscono la stabilità al crescere di n
Questo permette di usare sempre con
successo il polinomio interpolatore
Lagrangiano di grado n Instabilità dell’interpolatore Lagrangiano
In generale, queste scelte particolari prevedono l’addensamento dei
nodi in prossimità degli estremi del dominio di analisisi, dove, come
visto, insorgono le oscillazioni che portano a instabilità
Nodi di Chebyshev
Consideriamo dapprima il caso in cui il dominio di interesse dato da [-1,1]
Al solito abbiamo n+1 dati, ubicati in corrispondenza delle seguenti ascisse:
Questi nodi sono ottenuti come proiezioni
sull’asse x di punti sulla circonferenza unitaria
individuati da settori circolari ottenuti con lo
stesso angolo
Si nota come essi siano effettivamente più
addensati verso le estremità
L’interpolatore Lagrangiano sui nodi di Chebyshev
Consideriamo ora l’interpolatore Lagrangiano di grado n costruito sui
nodi di Chebyshev. Questo viene costruito esattamente come fatto in
precedenza, a patto di prendere come nodi su cui costruire gli n
polinomi caratteristici di Lagrange
Esso viene indicato usualmente con
Indicheremo l’interpolatore con quando applicato a dati
ottenuti dalla valutazione di una funzione f , ovvero
Confronto polinomi caratteristici
(da [Link]
Consideriamo 11 nodi (n=10) e i corrispondenti polinomi caratterisitici di Lagrange
Nodi di Chebyshev Nodi equispaziati
Si notano le assenze di oscillazioni nel caso Chebyshev in prossimità degli estremi,
dovute ad un infittimento dei nodi in quelle regioni
Convergenza dell’interpolazione sui nodi di Chebyshev
Teorema: Supponiamo che la funzione ammetta derivata continua fino
all’ordine s+1 compreso, ovvero
Allora, si ha il seguente risultato di convergenza:
per un’opportuna costante C
Il precedente risultato ci dice che:
i) Se , allora si ha sempre convergenza
ii) La velocità di convergenza è tanto più alta tanto più è alto s
iii) Se l’ipotesi del Teorema vale per ogni s>0, tale velocità è esponenziale,
che è la stima migliore che si può ottenere, essendo più veloce di
qualsiasi 1/ns:
Nodi di Chebyshev su un intervallo generale
Nel caso in cui il dominio di interesse sia [a,b], è sufficiente mappare i nodi
da [-1,1] ad [a,b], ottenendo i nodi
A questo fine introduciamo la seguente mappa
che agisce dal dominio [-1,1] nella variabile al dominio corrente [a,b]
I nodi di Chebyshev su intervallo generico [a,b] sono quindi dati da:
Nodi di Chebyshev su un intervallo generale
I polinomi caratteristici di Lagrange
seguono al solito modo:
Seguono in maniera analoga al caso di dominio [-1,1] la definizione dei
polinomi caratteristici di Lagrange, dell’interpolatore Lagrangiano e delle sue
proprietà di convergenza
Esempio: funzione di Runge
Interpolatori Lagrangiani su nodi
Chebichev di ordine 8 e 12 per la
funzione di Runge
In questo caso l’interpolatore
Lagrangiano è stabile e le
oscillazioni si smorzano al
crescere di n
IL METODO DEI
MINIMI QUADRATI
Estrapolazione di dati
Supponiamo al solito di conoscere n+1 coppie di dati
e di cercare un’approssimante di basso grado m<<n però globale, cioè su
tutto l’intervallo [a,b] che contiente i nodi
Questo è ad esempio il caso in cui si voglia fare un’estrapolazione dei dati a
disposizione, cioè una “previsione” al di fuori dell’intervallo [a,b]
Ad esempio, si conosce l’andamento del
prezzo di un’azione negli ultimi 30 mesi e june02?
si vuole fare una previsione su quale sia
il prezzo il prossimo mese (giugno 2002)
Prezzo di un’azione negli ultimi 30 mesi
Relazione analitica semplice
Un altro ambito di interesse per la ricerca di un’approssimante di basso grado
m<<n globale è dato dalla necessità, spesso necessaria nei problemi
ingegneristici, di determinare una legge fra due quantità (ad esempio fra sforzi
e deformazioni) che sia semplice dal punto di vista analitico (retta, parabola, ….)
In questi due casi, nessuna delle strategie viste in precedenza va bene. Infatti:
- L’interpolazione Lagrangiana potrebbe andare incontro al fenomeno di
Runge, essendo i dati in numero elevato
- L’interpolazione Lagrangiana composita terrebbe in conto solo degli ultimi
k+1 dati, quindi non utilizzerebbe tutta la storia a disposizione e non
darebbe un’espressione analiticamente semplice
- L’interpolazione su nodi Chebyshev non è in generale possible perché i
dati a disposizione sono equispaziati
Il metodo dei minimi quadrati
Si cerca quindi un polinomio globale di basso grado m<<n (in modo che sia
stabile) che verrà poi valutato all’interno o al di fuori dell’intervallo [a,b]
Per fare questo devo però abbandonare il vincolo di interpolazione
Esempio del disco intervertebrale con k=1
Metodo dei minimi quadrati
Abbandonato il vincolo di interpolazione, dobbiamo introdurre un nuovo
concetto di approssimazione
In particolare, si cerca il polinomio di grado m che mediamente minimizza lo
scarto quadratico medio, ovvero la somma dei quadrati degli errori nei nodi
Il quadrato è preso per pesare in egual modo
gli errori dall’alto e dal basso
Errore in un nodo
Questa approssimazione è chiamata ai minimi
quadrati
Introduciamo lo spazio dei polinomi di grado m
Allora, il problema ai minimi quadrati consiste nel cercare il polinomio
tale che
Abbiamo quindi da determinare m+1 coefficienti per individuare il
polinomio di miglior approssimazione nel senso dei minimi quadrati
Indicheremo con i valori di che ci danno il minimo del
precedente problema:
Retta di regressione
Nel caso in cui si cerchi la retta di miglior approssimazione nel senso dei
minimi quadrati, si parla di retta di regressione (m=1)
Il problema di determinare b0 e b1 si imposta nel seguente modo
Introduciamo la funzione
Il minimo di questa funzione al variare di b0 e b1 mi darà proprio la
retta di regressione:
Retta di regressione
Abbiamo quindi, svolgendo I quadrati:
Il punto di minimo è quindi dato imponendo
Le precedenti portano al seguente sistema in 2 equazioni e incognite:
Retta di regressione
Il precedente sistema ha per soluzione:
con
Caso generale
In generale, abbiamo la seguente funzione da minimizzare:
Per trovare gli m+1 coefficienti che determinano il polinomio di miglior
approssimazione (nel senso dei minimi quadrati):
Ciò porta al seguente sistema lineare in m+1 equazioni e m+1 incognite:
Nel caso m=n si ritrova l’interpolatore Lagrangiano
Di seguito, si riportano le approssimazioni ai minimi quadrati per il problema
di finanza precedentemente introdotto per m=1,2,4
m=4
m=1 m=2
