Interpolation und Approximation von Funktionen
|
|
- Hajo Sommer
- vor 5 Jahren
- Abrufe
Transkript
1 Kapitel 6 Interpolation und Approximation von Funktionen Bei ökonomischen Anwendungen tritt oft das Problem auf, dass eine analytisch nicht verwendbare (oder auch unbekannte) Funktion f durch eine numerisch nutzbare Funktion ˆf approximiert werden muss, wobei die Informationen über f begrenzt sind Der erste Schritt bei diesem Interpolationsproblem ist zunächst die analytische Form der Näherungsfunktion zu bestimmen Am einfachsten ist es, sich auf Funktionen zu beschränken, welche sich als Linearkombinationen eines Satzes von n bekannten linear unabhängigen Basisfunktionen φ 1 (x),, φ n (x) schreiben lassen, dh n (61) ˆf(x) = a j φ j (x), j=1 wobei die Koeffizienten a 1,, a n zu bestimmen sind In der Regel verwendet man Polynome mit ansteigender Ordnung als Basisfunktionen, grundsätzlich sind aber auch andere Typen von Basisfunktionen (zb Splines, su) möglich Die Anzahl der unabhängigen Basisfunktionen bestimmt den Grad der Interpolation Im zweiten Schritt muss festgelegt werden, welche Eigenschaften der eigentlichen Funktion f durch die Näherungsfunktion ˆf abgebildet werden sollen Da es n unbekannte Koeffizienten gibt, benötigt man mindestens n Bedingungen, um die Näherungsfunktion zu fixieren Am einfachsten (und deshalb auch am häufigsten so angewandt) ist es deshalb zu fordern, dass die Näherungslösung die originalen Funktionswerte f(x 1 ),, f(x n ) an den Stützstellen x 1,, x n genau replizieren kann Wenn dann n Stützstellen für die Interpolation ebenso wie n Basisfunktionen gegeben sind, lassen sich die Koeffizienten a i ganz einfach mit Hilfe des linearen Gleichungssystems (62) n a j φ j (x i ) = f(x i ) i = 1, 2,, n j=1 bestimmen In Matrixnotation lässt sich dieses System als Φa = y schreiben, wobei a den Koeffizientenvektor, y den Vektor der Funktionswerte an den Stützstellen der Interpolation und Φ ij = φ j (x i ) das Element der Interpolationsmatrix Φ bezeichnet, wenn die j te Basisfunktion an der Stützstelle x i evaluiert wird Wir unterstellen dabei, dass die Interpolationsmatrix Nicht-singulär ist und sich invertieren lässt Dann erhalten wir a = Φ 1 y Die Interpolation kann auch als Spezialfall des Kurvenanpassungsproblems interpretiert werden Letzteres ergibt sich immer dann, wenn weniger Basisfunktionen als Stützstellen 33
2 ! N zur Verfügung stehen In diesem Fall kann nicht an jeder Stützstelle die Interpolationsbedingung genau erfüllt werden Eine Approximation wird dadurch erreicht, indem man die Summe der quadrierten Fehlerterme e i = f(x i ) n a j φ j (x i ) minimiert Dieses Verfahren führt zum bekannten Kleinste-Quadrat Schätzer j=1 a = (Φ Φ) 1 Φ y Die folgende Abbildung verdeutlicht die beiden unterschiedlichen Verfahren für die Stützstellen (x 1, f(x 1 )), (x 2, f(x 2 )), (x 3, f(x 3 )), (x 4, f(x 4 )) Abbildung 61: Interpolation vs Approximation " 1 J A H F = J E ) F F H N E = J E N N N N! " Grundsätzlich sollte das Interpolationsverfahren so gewählt werden, dass: 1 Die originale Funktion f möglichst genau approximiert wird, dh die Güte steigt mit der Anzahl der Basisfunktionen und Stützstellen 2 Die Koeffizienten schnell und genau ermittelt werden können, dh die Interpolationsgleichung (61) sollte zu einer möglichst einfachen Matrix Φ führen 3 Die approximierte Funktion ˆf sollte einfach zu handhaben sein, dh die Basisfunktionen φ j sollten einfach zu evaluieren, zu differenzieren und zu integrieren sein Im Folgenden unterscheiden wir zwischen Polynominterpolation und der stückweisen Polynominterpolation Erstere benutzt Basisfunktionen, welche im gesamten Definitionsbereich der zu approximierenden Funktion positiv sind Letztere verwendet Basisfunktionen, welche in Subintervallen des Definitionsbereiches positiv sind 61 Polynominterpolation Nach dem Weierstraß-Theorem lässt sich jede im Intervall [a, b] stetige Funktion f(x) bis zu einer beliebigen Genauigkeit durch eine Polynomfunktion approximieren Deshalb ist 34
3 die sog Polynominterpolation der intuitivste Ansatz für die Approximation von Funktionen Die Vorgehensweise wurde im Prinzip bereits skizziert Angenommen man hat i = 1,, n Stützstellen (x i, y i = f(x i ) zur Approximation der Funktion Dann kann das Polynom (63) p(x) = c 0 + c 1 x + c 2 x c n 1 x n 1 vom Grade n 1 genau durch diese Stützstellen gelegt werden Für die n Beobachtungen erhält man genau n Gleichungen c 0 + c 1 x 1 + c 2 x c n 1 x n 1 1 = f(x 1 ) c 0 + c 1 x 2 + c 2 x c n 1 x2 n 1 = f(x 2 ) c 0 + c 1 x n + c 2 x 2 n + + c n 1 x n 1 n = f(x n ) In Matrixschreibweise erhält man folglich 1 x 1 x 2 1 x n x 2 x 2 2 x n x n x 2 n x n 1 n c 0 c 1 c n = f(x 1 ) f(x 2 ) f(x n ) Mit der sog Vandermonde Matrix als Interpolationsmatrix können die Koeffizienten c jedoch nur scheinbar einfach ermittelt werden In der Praxis ergeben sich häufig Rundungsfehler und andere Probleme, welche die Invertierung der Vandermonde Matrix erschweren Deshalb können die gesuchten Koeffizienten oft nur mit großer Mühe ermittelt werden Als Ausweg verwendet man deshalb andere Polynomfunktionen (zb Chebychev Polynome) Darauf soll aber im Folgenden nicht weiter eingegangen werden Wir wenden uns lieber einem anderen Problem zu, nämlich der Wahl der Stützstellen x i mit i = 1,, n Am einfachsten könnte man äquidistante Stützstellen nach der Formel (64) x i = a + i 1 (b a) i = 1,, n n 1 ermitteln Allerdings ergeben sich daraus auch oft schlechte Approximationen Es gibt sogar glatte Funktionen, bei denen der Approximationsfehler bei äquidistanten Stützstellen nicht abnimmt, sondern sogar sprunghaft Ansteigt mit der Anzahl der Stützstellen Das klassische Beispiel ist hier die Rungefunktion f(x) = x 2 bei der der Approximationsfehler exponential steigt (vgl Aufgabenblatt) Ursächlich sind dafür vor allem Approximationsfehler an den Rändern des Definitionsbereichs Deshalb lassen sich die Funktionen häufig besser approximieren, wenn die Stützstellen an den Rändern des Definitionsbereichs dichter gestreut sind als in der Mitte Nach diesem Prinzip werden die sog Chebychev-Stützstellen (65) x i = a + b 2 + b a 2 cos( n i + 05 π) i = 1,, n n 35
4 Abbildung 62: Chebychev-Stützstellen N N N! = N " N N N # $ % > konstruiert Diese sind symmetrisch zur Mitte des Definitionsbereichs, aber reduzieren stetig den Abstand in Richtung beider Ränder In Abbildung 62 gibt es im Definitionsbereich n = 7 Stützstellen x 4 ist genau in der Mitte von [a, b], die Abstände [x 3, x 4 ] und [x 4, x 5 ], etc sind symmetrisch Es lässt sich zeigen, dass die Chebychev-Stützstellen bestimmte Optimalitätseigenschaften hinsichtlich des Approximationsfehlers aufweisen Dies soll uns jedoch nicht weiter interessieren Eine Polynominterpolation kann mit Hilfe des Moduls polynomial durchgeführt werden Ein Beispiel dazu liefert unten stehendes Programm program polynomial_test! Module die verwendet werden sollen use polynomial use ESPlot! Daten zu Interpolation und Zeichnung real *8 :: xi (0:5), yi (0:5) real *8 :: xplot (0:100), yreal (0:100), yint (0:100)! Interpolationsdaten xi = grid_cons_cheb (0 d0, 1 d0, 5) yi = xi **025 d0! Daten zum Zeichnen xplot = grid_cons_equi (0 d0, 1 d0, 100) yreal = xplot **025 d0 yint = poly_interpol ( xplot, xi, yi)! Zeichne call plot ( xplot, yreal, x ^025 ) call plot ( xplot, yint, Interpolation ) call execplot () end program polynomial_test 36
5 N 62 Stückweise Polynominterpolation (Splines) Eigentlich ist es nahe liegend, die Funktion f(x) nicht im gesamten Definitionsbereich [a, b] mit einem Polynom zu approximieren, sondern in den Teilintervallen [x i, x i+1 ] jeweils spezielle Polynome zu definieren Man spricht dann allgemein von Splines, welche in ganz unterschiedlicher Form und Dimension auftreten können Im Folgenden werden wir jedoch nur zwei Formen von Splines kennen lernen, welche in der Praxis am häufigsten verwendet werden Die sog linearen Splines verknüpfen Geradensegmente zu einer stetigen Funktion, während die kubischen Splines Segmente mit kubischen Polynomen zu einer zweimal differenzierbaren Funktion verbinden Abbildung 63 zeigt beide Alternativen im Fall von n = 4 Stützpunkten Zu beachten ist, dass bei der stückweisen Approximation immer automatisch für die Randpunkte a = x 1 und b = x n gilt Abbildung 63: Lineare vs kubische Splines N N N N! " Lineare Splines sind sehr einfach zu konstruieren Deshalb werden sie auch sehr häufig verwendet Sie definieren die Approximationsfunktionen ˆf i (x) = a i + b i x im Intervall [x i, x i+1 ] Wenn man mit den äquidistanten Stützpunkten x i = a + (i 1)h wobei h = b a n 1 approximiert, denn erhält daraus über den gesamten Definitionsbereich die die Näherungsfunktion ˆf(x) = (x x i)f(x i+1 ) + (x i+1 x)f(x i ) h sofern man sichergestellt hat, dass x sich im Intervall [x i, x i+1 ] befindet Die erste Ableitung der Näherungsfunktion ist für jeden Bereich durch ˆf (x) = f(x i+1) f(x i ) h gegeben Zu beachten ist, dass diese Ableitung an den Stützpunkten nicht stetig ist Außerdem ist die zweite Ableitung automatisch Null Lineare Splines sind zwar einfach zu konstruieren, aber gerade wegen der speziellen Eigenschaften ihrer Ableitungen haben sie auch verschiedene Nachteile, welche ihre Anwendung häufig behindert So benötigt man bei der Suche nach Extrempunkten der Funktion mit 37
6 Newton-Methoden gerade die Ableitungen der Näherungsfunktion Mit linearen Splines kommt man deshalb hier nicht allzu weit Deshalb bieten sich kubische Splines als Alternative an, wenn eine stetige erste und zweite Ableitung der Näherungsfunktion benötigt wird Ganz allgemein lautet die Formel für die Approximationsfunktion im Intervall [x i, x i+1 ] ˆf i (x) = a i + b i x + c i x 2 + d i x 3 Insgesamt gibt es bei n Stützpunkten genau n 1 Intervalle und damit 4 (n 1) Parameter zu bestimmen Die dazu nötigen Gleichungen ergeben sich durch folgende Bedingungen An den den Randpunkten x i, x i+1 der Teilintervalle muss gelten a i + b i x i + c i x 2 i + d i x 3 i = f(x i ) i = 1,, n 1, a i + b i x i+1 + c i x 2 i+1 + d i x 3 i+1 = f(x i+1 ) i = 1,, n 1 Außerdem sollen die erste und die zweite Ableitung an den (inneren) Stützstellen von beiden Seiten übereinstimmen, dh b i + 2c i x i + 3d i x 2 i = b i+1 + 2c i+1 x i + 3d i+1 x 2 i i = 2,, n 1 2c i + 6d i x i = 2c i+1 + 6d i+1 x i i = 2,, n 1 Insgesamt ergeben sich damit 4 (n 1) 2 Bedingungen um die n 1 Koeffizienten a i, b i, c i, d i zu ermitteln Die beiden fehlenden Bedingungen kann man auf unterschiedliche Weise hinzufügen In der Regel wird die Bedingung für den sog natural Spline verwendet, welche besagt, dass die zweite Ableitung an den Randpunkten des Definitionsbereiches Null sein soll, also 2c 1 + 6d 1 x 1 = 0 2c n + 6d n x n = 0 Dies impliziert, dass die Splinefunktion außerhalb des Definitionsbereichs eine Gerade ist Natürlich gilt auch bei der Stückweisen Interpolation, dass die Wahl der Stützpunkte ganz entscheidend die Güte der Näherungsfunktion verbessern kann Gerade wenn die zu approximierenden Funktionen viele Kurven aufweisen, bleibt eigentlich nur eine stückweise Interpolation, wobei an den Wendepunkten möglichst viele Stützstellen angesetzt werden sollten Splines sind in der Regel ziemlich aufwendig zu berechnen Eine einfache Lösung existiert jedoch für äquidistante Stützstellen Dieser Lösung ist im Modul splines implementiert Dessen Verwendung zeigt nachfolgendes Programm program splines_test! Module die verwendet werden sollen use splines use ESPlot! Daten zu Interpolation und Zeichnung real *8 :: xi (0:5), yi (0:5) real *8 :: xplot (0:100), yreal (0:100), yint (0:100) 38
7 ! Interpolationsdaten xi = grid_cons (0d0, 1d0, 5) yi = xi **025 d0! Daten zum Zeichnen xplot = grid_cons (0 d0, 1 d0, 100) yreal = xplot **025 d0 yint = spline ( xplot, yi, 0d0, 1d0)! Zeichne call plot ( xplot, yreal, x ^025 ) call plot ( xplot, yint, Interpolation ) call execplot () end program splines_test 39
6. Polynom-Interpolation
6. Polynom-Interpolation 1 6.1. Klassische Polynom-Interpolation 2 6.2. Lösung mit Hilfe Lagrange scher Basisfunktionen 3 6.3. Lösung mit Hilfe Newton scher Basisfunktionen 4 6.4. Fehlerabschätzung für
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
MehrÜbungen zu Splines Lösungen zu Übung 20
Übungen zu Splines Lösungen zu Übung 20 20.1 Gegeben seien in der (x, y)-ebene die 1 Punkte: x i 6 5 4 2 1 0 1 2 4 5 6 y i 1 1 1 1 1 + 5 1 + 8 4 1 + 8 1 + 5 1 1 1 1 (a) Skizzieren Sie diese Punkte. (b)
MehrH.J. Oberle Analysis II SoSe Interpolation
HJ Oberle Analysis II SoSe 2012 7 Interpolation 71 Allgemeine Problemstellung Interpolation ist die Kunst, zwischen den Zeilen einer Tabelle zu lesen (Rutishauser) Von f : R R seien Funktionswerte (x j,
MehrKlassische Polynom Interpolation.
Klassische Polynom Interpolation. Bestimme ein Polynom (höchstens) n ten Grades p n (x) = a 0 + a 1 x + a 2 x 2 +... + a n x n, das die gegebenen Daten interpoliert, d.h. p n (x i ) = f i, 0 i n. Erster
Mehr9. Parametrische Kurven und Flächen
9. Parametrische Kurven und Flächen Polylinien bzw. Polygone sind stückweise lineare Approximationen für Kurven bzw. Flächen Nachteile: hohe Zahl von Eckpunkten für genaue Repräsentation erforderlich interaktive
MehrApproximation durch Polynome
durch n Anwendungen: zur Vereinfachung einer gegebenen Funktion durch einen Polynomausdruck. Dann sind übliche Rechenoperation +,,, / möglich. zur Interpolation von Daten einer Tabelle n Beispiel Trotz
MehrNumerisches Programmieren, Übungen
Technische Universität München SoSe 20 Institut für Informatik Prof Dr Thomas Huckle Dipl-Inf Christoph Riesinger Dipl-Math Jürgen Bräckle Numerisches Programmieren, Übungen Musterlösung 6 Übungsblatt:
MehrKAPITEL 8. Interpolation
KAPITEL 8. Interpolation 8.2 Lagrange-Interpolationsaufgabe für Polynome Wir beschränken uns auf die Lagrange-Interpolation mit Polynomen. Der Raum der Polynome vom Grad n: Stützstellen: Π n = { n j=0
Mehr(x x j ) R m [x] (3) x x j x k x j. R m [x]. (4)
33 Interpolation 147 33 Interpolation In vielen praktischen Anwendungen der Mathematik treten Funktionen f auf, deren Werte nur näherungsweise berechnet werden können oder sogar nur auf gewissen endlichen
MehrKAPITEL 9 Splinefunktionen
KAPITEL 9 Splinefunktionen 9.1 Splineräume und Approximationsgüte Bei der Behandlung von Splines ist es bequemer, statt mit dem Grad von Polynomen, mit der Ordnung k := Grad + 1 zu arbeiten. Für eine Knotenmenge
MehrNumerische Verfahren
Numerische Verfahren Interpolation Prof Dr-Ing K Warendorf, Prof Dr-Ing P Wolfsteiner Hochschule für Angewandte Wissenschaften München Fakultät 03 WS 13/14 Prof Dr-Ing K Warendorf (Fakultät 03) Numerische
MehrGitterfreie Methoden. Florian Hewener. 29. Oktober 2013
Gitterfreie Methoden 1D 2D Florian Hewener 29. Oktober 2013 Gliederung 1 Interpolationsprobleme Problemstellung Haar-Räume 2 Mehrdimensionale Polynominterpolation 3 Splines Kubische Splines und natürliche
MehrInterpolation. Heinrich Voss. TUHH Heinrich Voss Kapitel / 49.
Heinrich Voss voss@tu-harburg.de Hamburg University of Technology Institute for Numerical Simulation TUHH Heinrich Voss Kapitel 2 2010 1 / 49 Interpolationsproblem Gegeben seien eine Funktion Φ (x; a 1,...,
MehrÜbungsblatt 3 Musterlösung
Numerik gewöhnlicher Differentialgleichungen MA4 - SS6 Übungsblatt Musterlösung Sei M,N N und f C M+N+ (B) eine komplexe Funktion, B eine kompakte Menge. Die Padé Approximation PN M (f)(x) ist die rationale
MehrNumerik für Ingenieure I Wintersemester 2008
1 / 32 Numerik für Ingenieure I Wintersemester 2008 J. Michael Fried Lehrstuhl Angewandte Mathematik III 23.1.2009 2 / 32 Wiederholung Stückweise Polynominterpolation Stückweise lineare Interpolierende
Mehr1 2 x x x x x x2 + 83
Polynominterpolation Aufgabe 1 Gegeben sei die Wertetabelle i 0 1 2 3 x i 0 1 2 4 f i 3 1 2 7 a) Bestimmen Sie das Interpolationspolynom von Lagrange durch die obigen Wertepaare. b) Interpolieren Sie die
MehrGMA. Grundlagen Mathematik und Analysis. Nullstellen und Fixpunkte Reelle Funktionen 3. Christian Cenker Gabriele Uchida
GMA Grundlagen Mathematik und Analysis Reelle Funktionen 3 Christian Cenker Gabriele Uchida Data Analytics and Computing Nullstellen cos log : 0, 0,? 1 Fixpunkte Beispiel 1 Beispiel 2 1 0 0 und 1 1sin,?
MehrPolynominterpolation mit Matlab.
Polynominterpolation mit Matlab. Die Matlab-Funktion polyfit a = polyfit(x,f,n-1); berechnet die Koeffizienten a = (a(1),a(2),...,a(n)); des Interpolationspolynoms p(x) = a(1)*x^(n-1) + a(2)*x^(n-2) +...
MehrDie Interpolationsaufgabe besteht darin, eine (einfache) Funktion u n U n zu finden,
Kapitel 3 Interpolation 31 Einführung Bemerkung 31 Motivation, Aufgabenstellung Gegeben seien eine Funktion f C([a,b]) und x i [a,b], i = 0,n, mit a x 0 < x 1 < < x n b (31) Die Interpolationsaufgabe besteht
MehrNumerische Verfahren
Numerische Verfahren Jens-Peter M. Zemke zemke@tu-harburg.de Institut für Numerische Simulation Technische Universität Hamburg-Harburg 08.04.2008 TUHH Jens-Peter M. Zemke Numerische Verfahren 1 / 68 Übersicht
MehrHTL Kapfenberg SPLINE Interpolation Seite 1 von 7.
HTL Kapfenberg SPLINE Interpolation Seite von 7 Roland Pichler roland.pichler@htl-kapfenberg.ac.at SPLINE Interpolation Mathematische / Fachliche Inhalte in Stichworten: Polynome, Gleichungssysteme, Differenzialrechnung
MehrNewton-Verfahren für ein Skalarfunktion
Newton-Verfahren für ein Skalarfunktion Für eine Näherungsberechnung von Nullstellen einer reellen Funktion f(x) : R R benutzt man das Newton-Verfahren: x (n+1) = x (n) f(x (n) )/f (x (n) ). Das Newton-Verfahren
Mehr1. Anhang: Spline-Funktionen
C:\D\DOKU\NUM KURS\SPLINE.TEX C:\UG\.AI 20. Juli 1998 Vorbemerkung: Wenn der Satz stimmt, daß jede Formel eines Textes die Leserzahl halbiert, dann brauche ich bei grob geschätzt 40 Formeln etwa 2 40 =
Mehr0.1 Modellierung von Kurven und Flächen mittels B-Splines
Vorlesung vom 28.04.06 Skript erstellt von Antonia Wittmers und Maria Gensel 0.1 Modellierung von Kurven und Flächen mittels B-Splines Das Wort Spline, übersetzt mit längliches, dünnes Stück Holz oder
Mehr(c) Gegeben sei der zweidimensionale Raum L mit den Basisfunktionen. [ φ i, φ j ] 3 i,j=1 =
1. (a) i. Wann besitzt A R n n eine eindeutige LR-Zerlegung mit R invertierbar? ii. Definieren Sie die Konditionszahl κ(a) einer Matrix A bzgl. einer Norm.! iii. Welche Eigenschaften benötigt eine Matrix
MehrInterpolation, numerische Integration
Interpolation, numerische Integration 8. Vorlesung 170 004 Numerische Methoden I Clemens Brand und Erika Hausenblas Montanuniversität Leoben 8. Mai 2014 Gliederung 1 Interpolation polynomial Spline 2 Numerische
Mehr( ) Dann gilt f(x) g(x) in der Nähe von x 0, das heisst. Für den Fehler r(h) dieser Näherung erhält man unter Verwendung von ( )
64 Die Tangente in x 0 eignet sich also als lokale (lineare) Näherung der Funktion in der Nähe des Punktes P. Oder gibt es eine noch besser approximierende Gerade? Satz 4.9 Unter allen Geraden durch den
MehrExtrema multivariater Funktionen
Extrema multivariater Funktionen Ist f (x ) ein Minimum (Maximum) einer stetig differenzierbaren skalaren Funktion f auf einer Umgebung U von x, so gilt grad f (x ) = (0,..., 0) t. Extrema multivariater
MehrNumerische Verfahren und Grundlagen der Analysis
Numerische Verfahren und Grundlagen der Analysis Rasa Steuding Hochschule RheinMain Wiesbaden Wintersemester 2011/12 R. Steuding (HS-RM) NumAna Wintersemester 2011/12 1 / 20 Wiederholung: Fehlerbetrachtung.
MehrPrüfer: Dr. M. Lenz, Prof. Dr. M. Rumpf. Klausurdauer: 180 Minuten. Bitte Namen, Vornamen und Matrikel-Nr. einsetzen. Name:... Vorname:...
Klausur zum Modul Ingenieurmathematik II (B22) 20. März 2014 für den Bachelorstudiengang Geodäsie und Geoinformation In der Klausur können 10 Punkte pro Aufgabe, also insgesamt 100 Punkte erreicht werden.
MehrInterpolation und Approximation
Interpolation und Approximation Fakultät Grundlagen Mai 2006 Fakultät Grundlagen Interpolation und Approximation Übersicht 1 Problemstellung Polynominterpolation 2 Kubische Fakultät Grundlagen Interpolation
MehrMusterlösung zum Übungsblatt Interpolation nach Newton, Nevill, Lagrange.
Angewandte Mathematik Ing.-Wiss., HTWdS Dipl.-Math. Dm. Ovrutskiy Musterlösung zum Übungsblatt Interpolation nach Newton, Nevill, Lagrange. Aufgabe 1 Approximieren Sie cos(x) auf [ /, /] an drei Stützstellen
Mehr3.6 Approximationstheorie
3.6 Approximationstheorie Bisher haben wir uns im Wesentlichen mit der Interpolation beschäftigt. Die Approximation ist weiter gefasst: wir suchen eine einfache Funktion p P (dabei ist der Funktionenraum
MehrIn der Praxis werden wir häufig mit relativ komplexen Funktionen konfrontiert. y
Approximationen In der Praxis werden wir häufig mit relativ komplexen Funktionen konfrontiert. y y = f (x) x Um das Arbeiten mit einer komplizierten Funktion zu vermeiden, können wir versuchen, diese Funktion
MehrKlausur Numerische Mathematik (für Elektrotechniker), 24. Februar 2016
Verständnisfragen-Teil ( Punkte) Jeder der Verständnisfragenblöcke besteht aus Verständnisfragen. Werden alle Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es für diesen Block Punkte.
Mehr1/26. Integration. Numerische Mathematik 1 WS 2011/12
1/26 Integration Numerische Mathematik 1 WS 2011/12 Notation 2/26 Die Abbildung I b a : C([a, b]) R gegeben durch Ia b (f ) := beschreibt die Integration. b a f (x)dx, Um das Integral I(f ) zu approximieren
MehrNachklausur am Donnerstag, den 7. August 2008
Nachklausur zur Vorlesung Numerische Mathematik (V2E2) Sommersemester 2008 Prof. Dr. Martin Rumpf Dr. Martin Lenz Dipl.-Math. Nadine Olischläger Nachklausur am Donnerstag, den 7. August 2008 Bearbeitungszeit:
MehrNumerische Ableitung
Numerische Ableitung Die Ableitung kann angenähert werden durch den Differentenquotient: f (x) f(x + h) f(x) h oder f(x + h) f(x h) 2h für h > 0, aber h 0. Beim numerischen Rechnen ist folgendes zu beachten:
MehrZweite Prüfung zur Vorlesung
Prof O Scherzer P Elbau, L Mindrinos Numerische Mathematik Fakultät für Mathematik Universität Wien 4 Oktober 23 Zweite Prüfung zur Vorlesung Numerische Mathematik Erlaubte Hilfsmittel: Schriftliche Unterlagen
MehrVF-2: 2. Es seien x = 1 3 und y = π Bei der Berechnung von sin(x) sin(y) in M(10, 12, 99, 99) tritt. Auslöschung auf.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H11 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
MehrKAPITEL 10. Numerische Integration
KAPITEL 10. Numerische Integration 10.1 Einleitung Sei Es gilt I Ĩ = b I = b a a f(x) f(x) dx f(x) dx, Ĩ = b b a f(x) dx. a f(x) f(x) dx (b a) f f. I Ĩ I (b a) f f b a f(x) dx = ba f dx b a f(x) dx f f
MehrApproximationsverfahren für die Kurvendarstellung
Approximationsverfahren für die Kurvendarstellung (a) Bézier-Kurven spezielle Form polynomialer Kurven spezifiziert durch n+1 Kontrollpunkte P 0, P 1,..., P n Kurve läuft nicht durch alle Kontrollpunkte,
MehrSpline-Interpolation
Spline-Interpolation Tim Schmölzer 20 November 2009 Tim Schmölzer Spline-Interpolation 20 November 2009 1 / 38 Übersicht 1 Vorbemerkungen 2 Lösbarkeit des Interpolationsproblems 3 Stabilität der Interpolation
MehrCurve Fitting und Replicating Portfolios
Curve Fitting und Replicating Portfolios Robin Weber 27. Juni 2015 Gliederung Curve Fitting (CF) Allgemein Regression Interpolation - Interpolationsproblem - Lineare Interpolation - Kubische Splines Beispiel
MehrApproximationstheorie und Approximationspraxis
Approximationstheorie und Approximationspraxis Martin Wagner Bergische Universität Wuppertal Fachbereich C - Mathematik und Naturwissenschaften AG Optmierung und Approximation 3. Februar 2010 1 / 20 Motivation
MehrNumerisches Programmieren, Übungen
Technische Universität München WiSe 07 / 08 Institut für Informatik Univ-Prof Dr Hans-Joachim Bungartz Michael Obersteiner Philipp Samfass Numerisches Programmieren, Übungen Musterlösung 3 Übungsblatt:
MehrApproximation. E(N) N. Beachte: Der Wert für N = 32 ist vernachlässigt, da er in der Grössenordnung der Rechengenauigkeit liegt.
Approximation Ziel: Approximation der Funktion f(x) = x mit Polynomen (global und stückweise) Experiment: Abhängigkeit des Approximationsfehlers E(N) (in der Maximumnorm) von der Anzahl der Freiheitsgrade
MehrDarstellung von Kurven und Flächen
Darstellung von Kurven und Flächen Technische Universität Dresden Fakultät Informatik Institut für Software- und Multimediatechnik Dozent: Dr. Mascolous Referent: Gliederung / Einleitung 1 / 25 1. Kurven
Mehr6 Polynominterpolation
Vorlesungsskript HM-Numerik (SS 2014): Kapitel 6 Version: 1 Juli 2014 6 Polynominterpolation Gegeben: Wertepaare { (x i,f i ) R 2 i = 0,,n } Gesucht: Einfache Funktion g : R R mit g(x i ) = f i i {0,1,,n}
MehrKapitel 4: Interpolation Sei U eine Klasse von einfach strukturierten Funktionen, z.b.
Kapitel 4: Interpolation Sei U eine Klasse von einfach strukturierten Funktionen, z.b. - Polynome, - rationale Funktionen, - trigonometrische Polynome, - Splines. Interpolationsproblem 4: Sei f : [a,b]
MehrThemen Lagrange-Interpolation Hermite-Interpolation. Splines. Bézier-Kurven. 5 Interpolation. Interpolation Die Lagrangesche Interpolationsaufgabe
5 Themen Lagrange- Bézier-Kurven saufgabe sformel Der sfehler 5.1 saufgabe È n = Raum der reellen Polynome vom Grad n. saufgabe sformel Der sfehler 5.1 saufgabe È n = Raum der reellen Polynome vom Grad
MehrÜbungsblatt 1 Musterlösung
Numerik gewöhnlicher Differentialgleichungen MA234 - SS6 Übungsblatt Musterlösung Aufgabe (Interpolationspolynom) a) Bestimmen Sie die Hilfspolynome L i, i =,,2, für x =, x = 2 und x 2 = 3 nach der Formel
Mehr2. Spezielle anwendungsrelevante Funktionen
2. Spezielle anwendungsrelevante Funktionen (1) Affin-lineare Funktionen Eine Funktion f : R R heißt konstant, wenn ein c R mit f (x) = c für alle x R existiert linear, wenn es ein a R mit f (x) = ax für
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gausling, M.Sc. C. Hendricks, M.Sc. Sommersemester 014 Bergische Universität Wuppertal Fachbereich C Mathematik und Naturwissenschaften Angewandte Mathematik / Numerische Analysis
MehrPolynominterpolation
Polynominterpolation In der numerischen Mathematik versteht man unter Polynominterpolation die Suche nach einem Polynom, welches exakt durch vorgegebene Punkte (z. B. aus einer Messreihe) verläuft. Dieses
MehrMathematik für Sicherheitsingenieure I A
Prof. Dr. J. Ruppenthal Wuppertal, 3.8.8 Dr. T. Pawlaschyk Mathematik für Sicherheitsingenieure I A Aufgabe. (5+5+5+5 Punkte) a) Geben Sie für jede der folgenden Aussagen an, ob sie WAHR oder FALSCH ist.
Mehr19. Januar Universität Erlangen-Nürnberg Department Mathematik PD Dr. Markus Bause. . Danach liefert die Gauss-Elinination. .
Universität Erlangen-Nürnberg Department Mathematik PD Dr Markus Bause Numerik I 9 Januar A Gegeben sei die Matrix A = a Führen Sie eine Zeilenskalierung der Matrix durch Klausur b Bestimmen Sie mit Hilfe
MehrBeispiel für eine periodische Spline-Interpolationsfunktion: Wir betrachten f(x) = sin(πx) und geben die folgenden Stützstellen und Stützwerte vor:
5 Splineinterpolation Beispiel für eine periodische Spline-Interpolationsfunktion: Wir betrachten f(x) sin(πx) und geben die folgenden Stützstellen und Stützwerte vor: x i 3 f i Damit ist n 5, h Forderung
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
MehrT n (1) = 1 T n (cos π n )= 1. deg T n q n 1.
KAPITEL 3. INTERPOLATION UND APPROXIMATION 47 Beweis: Wir nehmen an qx) für alle x [, ] und führen diese Annahme zu einem Widerspruch. Es gilt nach Folgerung ii) T n ) T n cos π n ). Wir betrachten die
Mehr5 Numerische Mathematik
6 5 Numerische Mathematik Die Numerische Mathematik setzt sich aus mehreren Einzelmodulen zusammen Für alle Studierenden ist das Modul Numerische Mathematik I: Grundlagen verpflichtend In diesem Modul
MehrDer Satz von Taylor. Kapitel 7
Kapitel 7 Der Satz von Taylor Wir haben bereits die Darstellung verschiedener Funktionen, wie der Exponentialfunktion, der Cosinus- oder Sinus-Funktion, durch unendliche Reihen kennen gelernt. In diesem
Mehr8 Interpolation. 8.1 Problemstellung. Gegeben: Diskrete Werte einer Funktion f : R R an n + 1 Stützstellen. x 0 < x 1 <... < x n.
8 Interpolation 81 Problemstellung Gegeben: Diskrete Werte einer Funktion f : R R an n + 1 Stützstellen x 0 < x 1 < < x n Eingabedaten: (x 0, f 0 ),(x 1, f 1 ),,(x n, f n ) Gegebene Daten (x j, f j ) Analysis
MehrPolynomiale Approximation. und. Taylor-Reihen
Polynomiale Approximation und Taylor-Reihen Heute gehts um die Approximation von glatten (d.h. beliebig oft differenzierbaren) Funktionen f nicht nur durch Gerade (sprich Polynome vom Grade 1) und Polynome
MehrAusgleichsproblem. Definition (1.0.3)
Ausgleichsproblem Definition (1.0.3) Gegeben sind n Wertepaare (x i, y i ), i = 1,..., n mit x i x j für i j. Gesucht ist eine stetige Funktion f, die die Wertepaare bestmöglich annähert, d.h. dass möglichst
MehrTschebyschow-Polynome
Tschebyschow-Polynome Harald Leisenberger, Robert Trummer 24. April 203 Vorwort: In dieser Arbeit geht es um eine spezielle Art von Polynomen, die nach dem bekannten russischen Mathematiker P. L. Tschebyschow
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 4
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 4 Hausaufgaben Aufgabe 4. Gegeben sei die Funktion f : D R mit f(x) :=
MehrModellierung eines Weinglases mit Hilfe von kubischen Splines D. S.
Modellierung eines Weinglases mit Hilfe von kubischen Splines D S Inhaltsverzeichnis 1 Einleitung 2 11 Grundlagen und Geschichte des Weinglasdesigns 2 2 Splineinterpolation 3 21 Kubische Splines 3 22 Natürlich
Mehr2) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 +bx 2 +c mit a, b, c R.
Übung 6 1) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 + bx 2 + c mit a, b, c R und nennen diesen V. Die Vektoren f 1 (x) = 2x 4 + 2x 2 + 2 und f 2 (x) = 3x 4 + x 2 + 4 sind in diesem Vektorraum
Mehr3.2 Funktionsuntersuchungen mittels Differentialrechnung
3. Funktionsuntersuchungen mittels Differentialrechnung 46 3. Funktionsuntersuchungen mittels Differentialrechnung In diesem Abschnitt betrachten wir Funktionen f: D, welche je nach Bedarf zumindest ein-
MehrNumerik für Ingenieure I Wintersemester 2008
1 / 33 Numerik für Ingenieure I Wintersemester 2008 J. Michael Fried Lehrstuhl Angewandte Mathematik III 16.1.2009 2 / 33 Wiederholung Polynom Interpolation Vandermonde Ansatz Newton Interpolation: Beispiel
MehrGRUNDLAGEN MATHEMATIK
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik GRUNDLAGEN MATHEMATIK 4. Differentialrechnung Prof. Dr. Gunar Matthies Wintersemester 2015/16 G. Matthies
MehrNUMERISCHE MATHEMATIK II 1. (Studiengang Mathematik) Prof. Dr. Hans Babovsky. Institut für Mathematik. Technische Universität Ilmenau WS 2001/2002
NUMERISCHE MATHEMATIK II 1 (Studiengang Mathematik) Prof Dr Hans Babovsky Institut für Mathematik Technische Universität Ilmenau WS 2001/2002 1 Korrekturen, Kommentare und Verbesserungsvorschläge bitte
MehrIntegraldarstellung des Restgliedes; Lagrangesche Restgliedformel;
Kapitel Der Satz von Taylor. Taylor-Formel und Taylor-Reihe (Taylor-Polynom; Restglied; Integraldarstellung des Restgliedes; Lagrangesche Restgliedformel; die Klasse C ; reell analytische Funktionen) In
MehrKapitel 2 Kurvenanpassung
Kapitel 2 Kurvenanpassung 2 2 2 Kurvenanpassung 2.1 Approximation... 26 2.1.1 Approximation mit orthonormalen Funktionensystemen.. 26 2.1.1.1 Approximation mit der Fourier-Reihe... 29 2.1.1.2 Approximation
Mehr9 Differentialrechnung für Funktionen in n Variablen
$Id: diff.tex,v.7 29/7/2 3:4:3 hk Exp $ $Id: ntaylor.tex,v.2 29/7/2 3:26:42 hk Exp $ 9 Differentialrechnung für Funktionen in n Variablen 9.6 Lagrange Multiplikatoren Die Berechnung von Maxima und Minima
MehrPolynome im Einsatz: Bézier-Kurven im CAD
Polynome im Einsatz: Bézier-Kurven im CAD Dipl.-Inform. Wolfgang Globke Institut für Algebra und Geometrie Arbeitsgruppe Differentialgeometrie Universität Karlsruhe 1 / 25 Kurven im Raum Eine Kurve im
MehrAufgaben zu Kapitel 20
Aufgaben zu Kapitel 20 Aufgaben zu Kapitel 20 Verständnisfragen Aufgabe 20 Sind die folgenden Produkte Skalarprodukte? (( R ) 2 ( R 2 )) R : v w,, v v 2 w w 2 (( R ) 2 ( R 2 )) R : v w, 3 v v 2 w w + v
MehrFinite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt
Finite Elemente Methoden (aus der Sicht des Mathematikers) Alfred Schmidt Übersicht Partielle Differentialgleichungen, Approximation der Lösung Finite Elemente, lineare und höhere Ansatzfunktionen Dünn
MehrANGEWANDTE MATHEMATIK POLYNOMFUNKTIONEN. Autor: Wolfgang Kugler
Autor: Wolfgang Kugler Inhaltsverzeichnis Definition Nullstellen und Linearfaktorzerlegung 5. Einfache reelle Nullstellen 5. Reelle Nullstellen mit höherer Vielfachheit 7.3 Komplee Nullstellen. Zusammenfassung
MehrFacharbeit. Mathematik
Albert-Schweitzer-Gymnasium Kollegstufenjahrgang 2001/2003 Erlangen Facharbeit aus dem Fach Mathematik Thema: Splinefunktionen und ihre Anwendung Verfasser: Moritz Lenz Leistungskurs: Mathematik 1 Kursleiter:
MehrDie Rolle von Merging-Units und. Verteilungssystemen
Die Rolle von Merging-Units und der asynchronen Abtastung in Verteilungssystemen Symposium Energieinnovation EnInnov 2010 Verfasser: DI Emanuel Fuchs Projektleiter: Univ.-Prof. DI Dr. Lothar Fickert Technische
MehrInterpolation. Kapitel 3
Kapitel 3 Interpolation Die Interpolation von Funktionen oder Daten ist ein häufig auftretendes Problem sowohl in der Mathematik als auch in vielen Anwendungen Das allgemeine Problem, die sogenannte Dateninterpolation,
Mehr3.1.3 Newtonsche Interpolationsformel / Dividierte Differenzen
KAPITEL 3 INTERPOLATION UND APPROXIMATION 4 33 Newtonsche Interpolationsformel / Dividierte Differenzen Das Verfahren von Neville ist unpraktisch, wenn man das Polynom selbst sucht oder das Polynom an
MehrEinführung in die Gitterfreien Methoden
Einführung in die Gitterfreien Methoden Domenik Beres October 22, 2013 Domenik Beres Einführung in die Gitterfreien Methoden October 22, 2013 1 / 40 Inhaltsverzeichnis 1 Was versteht man unter Datenapproximation?
Mehr3. Lineare Ausgleichsrechnung
3 Lineare Ausgleichsrechnung 1 Ausgleichsrechnung (1) Definition 31 (Ausgleichsproblem) Gegeben sind n Wertepaare (x i,y i ), i = 1,,n mit x i x j für i j Gesucht ist eine stetige Funktion f, die in einem
Mehr7 Integralrechnung für Funktionen einer Variablen
7 Integralrechnung für Funktionen einer Variablen In diesem Kapitel sei stets D R, und I R ein Intervall. 7. Das unbestimmte Integral (Stammfunktion) Es sei f : I R eine Funktion. Eine differenzierbare
MehrAM3: Differenzial- und Integralrechnung im R n. 1 Begriffe. 2 Norm, Konvergenz und Stetigkeit. x 1. x 2. f : x n. aus Platzgründen schreibt man:
AM3: Differenzial- und Integralrechnung im R n 1 Begriffe f : x 1 f 1 x 1, x 2,..., x n ) x 2... f 2 x 1, x 2,..., x n )... x n f m x 1, x 2,..., x n ) }{{}}{{} R n R m aus Platzgründen schreibt man: f
MehrAufgabe zum Thema: Gebrochen - rationale Funktionen
Aufgabe zum Thema: Gebrochen - rationale Funktionen Eine gebrochen-rationale Funktion Z (x) hat als Zähler- N (x) funktion Z (x) eine lineare Funktion und als Nennerfunktion N (x) eine ganz-rationale Funktion
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 11. Juli 2016 Ableitungen im Höherdimensionalen Im Eindimensionalen war die Ableitung f (x 0 ) einer Funktion f : R R die
MehrKLAUSUR zur Numerik I mit Lösungen. Aufgabe 1: (10 Punkte) [ wahr falsch ] 1. Die maximale Ordnung einer s-stufigen Quadraturformel ist s 2.
MATHEMATISCHES INSTITUT PROF. DR. ACHIM SCHÄDLE 9.8.7 KLAUSUR zur Numerik I mit Lösungen Aufgabe : ( Punkte) [ wahr falsch ]. Die maximale Ordnung einer s-stufigen Quadraturformel ist s. [ ]. Der Clenshaw
Mehrgekrümmte Flächen / Freiformflächen (analog zur Kurvendarstellung)
7. Modelle für Flächen gekrümmte Flächen / Freiformflächen (analog zur Kurvendarstellung) man unterscheidet 2 Typen: finite Interpolationen / Approximationen: endliche Zahl von Stützstellen / Kontrollpunkten
MehrÜbungen zur Ingenieur-Mathematik II SS 2017 Blatt Aufgabe 13: Betrachten Sie die Funktion. f(x) =
Übungen zur Ingenieur-Mathematik II SS 2017 Blatt 6 2.5.2017 Aufgabe 1: Betrachten Sie die Funktion Lösung: f(x) = 1, x [, 1]. 1 + 25x2 a) Bestimmen Sie die Interpolationspolynome vom Grad m p m (x) =
MehrÜbungsaufgaben zu den mathematischen Grundlagen von KM
TUM, Institut für Informatik WS 2003/2004 Prof Dr Thomas Huckle Andreas Krahnke, MSc Dipl-Inf Markus Pögl Übungsaufgaben zu den mathematischen Grundlagen von KM 1 Bestimmen Sie die Darstellung von 1 4
MehrLösungen zur Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Winter 6 Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT. Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in das entsprechende
MehrQUASI-SPLINE-INTERPOLATION BEZÜGLICH GLEICHMÄSSIGER UNTERTEILUNGEN
QUASI-SPLINE-INTERPOLATION BEZÜGLICH GLEICHMÄSSIGER UNTERTEILUNGEN IRYNA FEUERSTEIN Es wir ein Verfahren zur Konstruktion einer quasiinterpolierenden Funktion auf gleichmäßig verteilten Konten vorgestellt.
MehrNumerisches Programmieren, Übungen
Technische Universität München WiSe 06 / 07 Institut für Informatik Prof. Dr. Daniel Cremers Dr. Frank Schmidt Nikola Tchipev Michael Rippl Numerisches Programmieren, Übungen Musterlösung 5. Übungsblatt:
Mehr