Begleitmaterial zur Vorlesung Numerik I

Transkript

1 Begleitmaterial zur Vorlesung Numerik I Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 1 / 49

2 Inhalte der Numerik I und Numerik II Numerik I 1 Grundlagen der linearen Algebra 2 Lineare Gleichungssysteme 3 Interpolation Numerik II 1 Numerische Integration 2 Nichtlineare Gleichungen 3 Lineare Ausgleichsprobleme 4 Eigenwertprobleme Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 2 / 49

3 Inhalte der Numerik I und Numerik II Numerik I 1 Grundlagen der linearen Algebra 2 Lineare Gleichungssysteme 3 Interpolation Numerik II 1 Numerische Integration 2 Nichtlineare Gleichungen 3 Lineare Ausgleichsprobleme 4 Eigenwertprobleme Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 2 / 49

4 Grundlagen der linearen Algebra Definition 1.2: Sei X ein komplexer beziehungsweise reeller linearer Raum. Eine Abbildung. : X R mit den Eigenschaften (N1) x 0 (Positivität) (N2) x = 0 x = 0 (Definitheit) (N3) α x = α x x X, α C (bzw. R) (Homogenität) (N4) x + y x + y x, y X (Dreiecksungleichung) nennt man eine Norm auf X. Ein linearer Raum X mit einer Norm heißt normierter Raum und wird mit (X,. ) bezeichnet. Falls X = C n beziehungsweise X = R n gilt, so wird die Norm auch als Vektornorm bezeichnet. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 3 / 49

5 Grundlagen der linearen Algebra Definition 1.4: Eine Folge {x n } n N von Elementen aus einem normierten Raum X heißt konvergent mit dem Grenzelement x X, wenn zu jedem ε > 0 eine natürliche Zahl N = N(ε) existiert, so dass x n x < ε n N gilt. Eine Folge, die nicht konvergiert, heißt divergent. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 4 / 49

6 Grundlagen der linearen Algebra Definition 1.6: Zwei Normen. a und. b auf einem linearen Raum X heißen äquivalent, wenn es reelle Zahlen α, β > 0 gibt, so dass α x b x a β x b x X (1.1.1) gilt. Die größte derartige Zahl α und die kleinste derartige Zahl β werden als Äquivalenzkonstanten bezeichnet. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 5 / 49

7 Grundlagen der linearen Algebra Bemerkung 1.9: Der Satz 1.8 ist für die Konvergenzuntersuchungen bei Iterationsverfahren sehr hilfreich. Sind wir in der Lage zu zeigen, dass ein Iterationsverfahren eine Vektorfolge {x m } m N aus dem R n oder dem C n erzeugt, die in einer beliebigen Norm konvergiert, dann besagt der Satz, dass die Folge und somit das Verfahren in jeder Norm konvergiert und Korollar 1.7 liefert anschließend die Übereinstimmung der Grenzwerte. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 6 / 49

8 Grundlagen der linearen Algebra Definition 1.10 Sei X ein normierter Raum. Eine Folge {x n } n N aus X heißt Cauchy-Folge, wenn es zu jedem ε > 0 ein N = N(ε) N derart gibt, dass x n x m < ε n, m N gilt. Definition 1.12 Eine Teilmenge V eines normierten Raumes X heißt vollständig, wenn jede Cauchy-Folge aus V gegen ein Grenzelement aus V konvergiert. Ein vollständiger normierter Raum heißt Banach-Raum. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 7 / 49

9 Grundlagen der linearen Algebra Definition 1.10 Sei X ein normierter Raum. Eine Folge {x n } n N aus X heißt Cauchy-Folge, wenn es zu jedem ε > 0 ein N = N(ε) N derart gibt, dass x n x m < ε n, m N gilt. Definition 1.12 Eine Teilmenge V eines normierten Raumes X heißt vollständig, wenn jede Cauchy-Folge aus V gegen ein Grenzelement aus V konvergiert. Ein vollständiger normierter Raum heißt Banach-Raum. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 7 / 49

10 Grundlagen der linearen Algebra Definition 1.14 Sei X ein komplexer oder reeller linearer Raum. Eine Abbildung (.,.) : X X C mit den Eigenschaften (H1) (x, x) R + 0 x X (Positivität) (H2) (x, x) = 0 x = 0 (Definitheit) (H3) (x, y) = (y, x) x, y X (Symmetrie) (H4) (αx + βy, z) = α(x, z) + β(y, z) x, y, z X α, β C (Linearität) heißt Skalarprodukt oder inneres Produkt auf X. Ein linearer Raum X versehen mit einem Skalarprodukt heißt Prä-Hilbert-Raum. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 8 / 49

11 Grundlagen der linearen Algebra Definition 1.17 Seien X, Y normierte Räume mit den Normen. X beziehungsweise. Y. Ein Operator A : X Y heißt 1 stetig an der Stelle x X, falls für alle Folgen {x n } n N aus X mit x n folgt.. X x für n Ax n. Y Ax für n 2 stetig, falls A an allen Stellen x X stetig ist. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 9 / 49

12 Grundlagen der linearen Algebra Definition 1.17 (Fortsetzung) Seien X, Y normierte Räume mit den Normen. X beziehungsweise. Y. Ein Operator A : X Y heißt 1 linear, falls gilt. A(αx + βy) = αax + βay x, y X α, β C 2 beschränkt, wenn A linear ist und ein C 0 existiert, so dass Ax Y C x X x X gilt. Jede Zahl C mit dieser Eigenschaft heißt Schranke von A. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 10 / 49

13 Grundlagen der linearen Algebra Definition 1.20: Zu einer gegebenen Matrix a a 1n A =..... R m n a m1... a mn heißt die zu A transponierte Matrix. a a m1 A T =..... R n m a 1n... a mn Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 11 / 49

14 Grundlagen der linearen Algebra Definition 1.22: Zu gegebener Matrix a a 1n A =..... C m n a m1... a mn heißt die zu A adjungierte Matrix. a a m1 A =..... C n m a 1n... a mn Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 12 / 49

15 Grundlagen der linearen Algebra Definition 1.23: Eine Matrix A C n n heißt 1 hermitesch, falls A = A gilt, 2 unitär, falls A A = I gilt, 3 normal, falls A A = AA gilt, 4 ähnlich zur Matrix B C n n, falls eine reguläre Matrix C C n n mit B = C 1 AC existiert, 5 linke untere Dreiecksmatrix, falls a ij = 0 j > i gilt, 6 rechte obere Dreiecksmatrix, falls a ij = 0 j < i gilt, 7 Diagonalmatrix, falls a ij = 0 j i gilt. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 13 / 49

16 Grundlagen der linearen Algebra Definition 1.26: Sei X = R n beziehungsweise C n. Eine Matrix A : X X heißt 1 positiv semidefinit, falls (Ax, x) 0 für alle x X gilt, 2 positiv definit, falls (Ax, x) > 0 für alle x X\{0} gilt, 3 negativ semidefinit, falls A positiv semidefinit ist, 4 negativ definit, falls A positiv definit ist. Definition 1.27: Ist A C n n und. a : C n R eine Norm, dann bezeichnet man A a := sup Ax a (1.2.3) x a=1 als die von der Vektornorm induzierte Matrixnorm. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 14 / 49

17 Grundlagen der linearen Algebra Definition 1.26: Sei X = R n beziehungsweise C n. Eine Matrix A : X X heißt 1 positiv semidefinit, falls (Ax, x) 0 für alle x X gilt, 2 positiv definit, falls (Ax, x) > 0 für alle x X\{0} gilt, 3 negativ semidefinit, falls A positiv semidefinit ist, 4 negativ definit, falls A positiv definit ist. Definition 1.27: Ist A C n n und. a : C n R eine Norm, dann bezeichnet man A a := sup Ax a (1.2.3) x a=1 als die von der Vektornorm induzierte Matrixnorm. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 14 / 49

18 Grundlagen der linearen Algebra Definition 1.30: Eine komplexe Zahl λ C heißt Eigenwert der Matrix A C n n, falls ein Vektor x C n \ {0} mit Ax = λx existiert. Der Vektor x heißt Eigenvektor zum Eigenwert λ. Die Menge σ (A) = { λ λ ist Eigenwert von A } wird als Spektrum von A bezeichnet. Die Zahl ρ(a) = max { λ λ σ (A) } heißt Spektralradius von A. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 15 / 49

19 Grundlagen der linearen Algebra Korollar 1.32: Sei A C n n (R n n ) hermitesch (symmetrisch), dann existiert eine unitäre (orthogonale) Matrix U C n n (R n n ), derart, dass U AU = diag{λ 1,..., λ n } R n n gilt. Hierbei stellt für i = 1,..., n jeweils λ i R den Eigenwert der Matrix A mit der i-ten Spalte von U als zugehörigen Eigenvektor dar. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 16 / 49

20 Grundlagen der linearen Algebra Definition 1.36: Sei A C n n regulär, dann heißt cond a (A) := A a A 1 a die Konditionszahl der Matrix A bezüglich der induzierten Matrixnorm. a. Satz 1.38: Seien A regulär, x die Lösung des Gleichungssystems Ax = b und x + x die Lösung von A(x + x) = b + b, dann gilt x x cond(a) b b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 17 / 49

21 Grundlagen der linearen Algebra Definition 1.36: Sei A C n n regulär, dann heißt cond a (A) := A a A 1 a die Konditionszahl der Matrix A bezüglich der induzierten Matrixnorm. a. Satz 1.38: Seien A regulär, x die Lösung des Gleichungssystems Ax = b und x + x die Lösung von A(x + x) = b + b, dann gilt x x cond(a) b b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 17 / 49

22 Grundlagen der linearen Algebra Definition 1.40: Ein Element x einer Menge D X heißt Fixpunkt eines Operators F : D X X, falls F(x) = x gilt. Definition 1.41 Sei X ein normierter Raum. Ein Operator F : D X X heißt kontrahierend, wenn eine Zahl 0 q < 1 mit F (x) F(y) q x y x, y D existiert. Die Zahl q heißt Kontraktionszahl des Operators F. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 18 / 49

23 Grundlagen der linearen Algebra Definition 1.40: Ein Element x einer Menge D X heißt Fixpunkt eines Operators F : D X X, falls F(x) = x gilt. Definition 1.41 Sei X ein normierter Raum. Ein Operator F : D X X heißt kontrahierend, wenn eine Zahl 0 q < 1 mit F (x) F(y) q x y x, y D existiert. Die Zahl q heißt Kontraktionszahl des Operators F. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 18 / 49

24 wobei Andreas Meister q die (Universität Kontraktionszahl Kassel) des Begleitmaterial Operators repräsentiert. Numerik I 19 / 49 Grundlagen der linearen Algebra Banachscher Fixpunktsatz 1.43: Sei D eine vollständige Teilmenge eines normierten Raumes X und F : D D ein kontrahierender Operator, dann existiert genau ein Fixpunkt x D von F, und die durch x n+1 = F(x n ) für n = 0, 1, 2... gegebene Folge konvergiert für jeden Startwert x 0 D gegen x. Es gelten zudem die a priori Fehlerabschätzung x n x und die a posteriori Fehlerabschätzung x n x qn 1 q x 1 x 0 q 1 q x n x n 1,

25 Lösung linearer Gleichungssysteme Definition 2.1: Ein Iterationsverfahren ist gegeben durch eine Abbildung φ : C n C n C n und heißt linear, falls Matrizen M, N C n n derart existieren, dass φ(x, b) = Mx + Nb gilt. Die Matrix M wird als Iterationsmatrix der Iteration φ bezeichnet. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 20 / 49

26 Lösung linearer Gleichungssysteme Beispiel 2.3: Triviales Verfahren m x m,1 x m,2 ε m := x m A 1 b ε m /ε m e e e e e e e e e e e e e e e e e e e-01 Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 21 / 49

27 Lösung linearer Gleichungssysteme Beispiel 2.3: Abbildung: Konvergenzverlauf log 10 ε m des trivialen Verfahrens Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 22 / 49

28 Lösung linearer Gleichungssysteme Definition 2.4: Einen Vektor x C n bezeichnen wir als Fixpunkt des Iterationsverfahrens φ : C n C n C n zu b C n, falls gilt. x = φ( x, b) Definition 2.5: Ein Iterationsverfahren φ heißt konsistent zur Matrix A, wenn für alle b C n die Lösung A 1 b ein Fixpunkt von φ zu b ist, das heißt gilt. A 1 b = φ(a 1 b, b) Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 23 / 49

29 Lösung linearer Gleichungssysteme Definition 2.4: Einen Vektor x C n bezeichnen wir als Fixpunkt des Iterationsverfahrens φ : C n C n C n zu b C n, falls gilt. x = φ( x, b) Definition 2.5: Ein Iterationsverfahren φ heißt konsistent zur Matrix A, wenn für alle b C n die Lösung A 1 b ein Fixpunkt von φ zu b ist, das heißt gilt. A 1 b = φ(a 1 b, b) Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 23 / 49

30 Lösung linearer Gleichungssysteme Definition 2.8: Ein Iterationsverfahren φ heißt konvergent, wenn für alle b C n und alle Startwerte x 0 C n ein vom Startwert unabhängiger Grenzwert existiert. Satz 2.10 x = lim m x m = lim m φ(x m 1, b) Sei φ ein konvergentes und zur Matrix A konsistentes lineares Iterationsverfahren, dann erfüllt das Grenzelement x der Folge x m = φ(x m 1, b) für m = 1, 2,... für jedes x 0 C n das Gleichungssystem Ax = b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 24 / 49

31 Lösung linearer Gleichungssysteme Definition 2.8: Ein Iterationsverfahren φ heißt konvergent, wenn für alle b C n und alle Startwerte x 0 C n ein vom Startwert unabhängiger Grenzwert existiert. Satz 2.10 x = lim m x m = lim m φ(x m 1, b) Sei φ ein konvergentes und zur Matrix A konsistentes lineares Iterationsverfahren, dann erfüllt das Grenzelement x der Folge x m = φ(x m 1, b) für m = 1, 2,... für jedes x 0 C n das Gleichungssystem Ax = b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 24 / 49

32 Lösung linearer Gleichungssysteme Satz 2.13: Erfüllt die reguläre Matrix A C n n mit a ii 0, i = 1,..., n das starke Zeilensummenkriterium n a ik q := max i=1,...,n a ii < 1 k=1 k i oder das starke Spaltensummenkriterium n q 1 := max k=1,...,n oder das Quadratsummenkriterium n q 2 := i,k=1 i k i=1 i k ( aik a ii a ik a ii < 1 ) 2 < 1, dann konvergiert das Jacobi-Verfahren bei beliebigem Startvektor x 0 C n und für beliebige rechte Seite b C n gegen A 1 b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 25 / 49

33 Lösung linearer Gleichungssysteme Beispiel 2.14: Jacobi Verfahren m x m,1 x m,2 ε m := x m A 1 b ε m /ε m e e e e e e e e e e e e e e e e e e e-01 Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 26 / 49

34 Lösung linearer Gleichungssysteme Beispiel 2.14: Abbildung: Konvergenzverlauf log 10 ε m des Jacobi-Verfahrens Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 27 / 49

35 Lösung linearer Gleichungssysteme Definition 2.16: Eine Matrix A C n n heißt reduzibel oder zerlegbar, falls eine Permutationsmatrix P R n n derart existiert, dass ( ) PAP T Ã11 Ã = 12 0 Ã 22 mit Ãii C n i n i, n i > 0, i = 1, 2, n 1 + n 2 = n gilt. Andernfalls heißt A irreduzibel oder unzerlegbar. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 28 / 49

36 Lösung linearer Gleichungssysteme Satz 2.18: Sei die reguläre Matrix A C n n irreduzibel und diagonaldominant, das heißt, es gilt max i=1,...,n n j=1 j i und es existiere ein k {1,..., n} mit n j=1 j k a ij 1, (2.1.8) a ii a kj < 1, (2.1.9) a kk dann konvergiert das Jacobi-Verfahren bei beliebigem Startvektor x 0 C n und für jede beliebige rechte Seite b C n gegen A 1 b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 29 / 49

37 Lösung linearer Gleichungssysteme Satz 2.20: Sei die reguläre Matrix A C n n mit a ii 0 für i = 1,..., n gegeben. Erfüllen die durch p i = i 1 j=1 a ij a ii p j + n j=i+1 a ij für i = 1, 2,..., n a ii rekursiv definierten Zahlen p 1,..., p n die Bedingung p := max i=1,...,n p i < 1, dann konvergiert das Gauß-Seidel-Verfahren bei beliebigem Startvektor x 0 und für jede beliebige rechte Seite b gegen A 1 b. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 30 / 49

38 Lösung linearer Gleichungssysteme Beispiel 2.21: Gauß-Seidel-Verfahren m x m,1 x m,2 ε m := x m A 1 b ε m /ε m e e e e e e e e e e e e e e e e e e e e e e e-01 Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 31 / 49

39 Lösung linearer Gleichungssysteme Beispiel 2.21: Abbildung: Konvergenzverlauf log 10 ε m des Gauß-Seidel-Verfahrens Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 32 / 49

40 Lösung linearer Gleichungssysteme Definition 2.30: Die Zerlegung einer Matrix A R n n in ein Produkt A = LR aus einer linken unteren Dreiecksmatrix L R n n und einer rechten oberen Dreiecksmatrix R R n n heißt LR-Zerlegung. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 33 / 49

41 Lösung linearer Gleichungssysteme Algorithmus Gauß-Elimination I A (1) := A Für k = 1,..., n 1 Wähle aus der k-ten Spalte von A (k) ein beliebiges Element a (k) jk 0 mit j k. Definiere P kj mit obigem j und k gemäß (2.2.4). à (k) := P kj A (k) Definiere L k gemäß (2.2.5) mit l ik = ã (k) ik A (k+1) := L k à (k) /ã(k) kk, i = k + 1,..., n. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 34 / 49

42 Lösung linearer Gleichungssysteme Lemma 2.32: Seien l i = (0,..., 0, l i+1,i,..., l n,i ) T R n und e i R n der i-te Einheitsvektor, dann gilt für L i = I l i e T i R n n 1 L 1 i = I + l i e T i. 2 L 1 1 L L 1 k = I + k l i e T i für k = 1,..., n 1. i=1 Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 35 / 49

43 Lösung linearer Gleichungssysteme Definition 2.35: Sei A R n n gegeben, dann heißt a a 1k A[k] :=..... Rk k für k {1,..., n} a k1... a kk die führende k k-hauptabschnittsmatrix von A und det A[k] die führende k k-hauptabschnittsdeterminante von A. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 36 / 49

44 Lösung linearer Gleichungssysteme Definition 2.40: Die Zerlegung einer Matrix A C n n in ein Produkt A = QR aus einer unitären Matrix Q und einer rechten oberen Dreiecksmatrix R heißt QR-Zerlegung. Satz 2.41 (Existenz der QR-Zerlegung): Sei A C n n (R n n ) eine reguläre Matrix, dann existieren eine unitäre (orthogonale) Matrix Q C n n (R n n ) und eine rechte obere Dreiecksmatrix R C n n (R n n ) derart, dass gilt. A = QR Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 37 / 49

45 Lösung linearer Gleichungssysteme Definition 2.40: Die Zerlegung einer Matrix A C n n in ein Produkt A = QR aus einer unitären Matrix Q und einer rechten oberen Dreiecksmatrix R heißt QR-Zerlegung. Satz 2.41 (Existenz der QR-Zerlegung): Sei A C n n (R n n ) eine reguläre Matrix, dann existieren eine unitäre (orthogonale) Matrix Q C n n (R n n ) und eine rechte obere Dreiecksmatrix R C n n (R n n ) derart, dass gilt. A = QR Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 37 / 49

46 Lösung linearer Gleichungssysteme QR-Zerlegung nach Gram-Schmidt Für k = 1,..., n Für i = 1,..., k 1 r ik = (a k, q i ) q k = a k k 1 i=1 r ikq i r kk = q k 2 q k = q k /r kk Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 38 / 49

47 Lösung linearer Gleichungssysteme Satz 2.43: Sei A C n n regulär, dann existiert zu je zwei QR-Zerlegungen Q 1 R 1 = A = Q 2 R 2 (2.2.15) eine unitäre Diagonalmatrix D C n n mit Korollar 2.44: Q 1 = Q 2 D und R 2 = DR 1. Sei A C n n regulär, dann existiert genau eine QR-Zerlegung der Matrix A derart, dass die Diagonalelemente der Matrix R reell und positiv sind. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 39 / 49

48 Lösung linearer Gleichungssysteme Satz 2.43: Sei A C n n regulär, dann existiert zu je zwei QR-Zerlegungen Q 1 R 1 = A = Q 2 R 2 (2.2.15) eine unitäre Diagonalmatrix D C n n mit Korollar 2.44: Q 1 = Q 2 D und R 2 = DR 1. Sei A C n n regulär, dann existiert genau eine QR-Zerlegung der Matrix A derart, dass die Diagonalelemente der Matrix R reell und positiv sind. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 39 / 49

49 Interpolation Interpolationsproblem Gegeben: n + 1 Stützpunkte (x 0, f 0 ),..., (x n, f n ) R 2 an paarweise verschiedenen Stützstellen x 0,..., x n R Gesucht: p Π n := {p(x) = a 0 + a 1 x + a 2 x , a n x n } mit p(x k ) = f k, k = 0, 1,..., n (3.1.2) Ein Polynom, das das Interpolationsproblem löst, wird als Interpolationspolynom oder interpolierendes Polynom bezeichnet. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 40 / 49

50 Interpolation Theoretische Fragestellungen (A1) Existenz interpolierender Polynome (A2) Eindeutigkeit interpolierender Polynome Algorithmische Fragestellungen (B1) Die Berechnung und Auswertung des Interpolationspolynoms sollen stabil gegenüber auftretenden Rundungsfehlern sein. (B2) Die nachträgliche Integration weiterer Stützpunkte soll effizient bezüglich des Rechenaufwandes sein. (B3) Die Berechnung des Interpolationspolynoms soll O(n 2 ) arithmetische Operationen aufweisen. (B4) Die Auswertung des Interpolationspolynoms an einer beliebigen Stelle soll O(n) Operationen benötigen. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 41 / 49

51 Interpolation Theoretische Fragestellungen (A1) Existenz interpolierender Polynome (A2) Eindeutigkeit interpolierender Polynome Algorithmische Fragestellungen (B1) Die Berechnung und Auswertung des Interpolationspolynoms sollen stabil gegenüber auftretenden Rundungsfehlern sein. (B2) Die nachträgliche Integration weiterer Stützpunkte soll effizient bezüglich des Rechenaufwandes sein. (B3) Die Berechnung des Interpolationspolynoms soll O(n 2 ) arithmetische Operationen aufweisen. (B4) Die Auswertung des Interpolationspolynoms an einer beliebigen Stelle soll O(n) Operationen benötigen. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 41 / 49

52 Interpolation Definition 3.4: Zu gegebenen n + 1 paarweise verschiedenen Sützstellen x 0,..., x n R heißen die durch L j (x) = n s=0 s j x x s x j x s (3.1.9) für j = 0,..., n definierten Polynome L j Π n Lagrangesche Basispolynome. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 42 / 49

53 Interpolation Satz 3.6: (Lagrange Interpolationsformel) Zu beliebigen n + 1 Stützpunkten (x 0, f 0 ),...,(x n, f n ) R 2 mit paarweise verschiedenen Stützstellen x 0,..., x n R besitzt die eindeutig bestimmte Lösung des Interpolationsproblems (3.1.2) die Darstellung p(x) = n f j L j (x) (3.1.11) j=0 mit L j Π n laut Definition 3.4. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 43 / 49

54 Interpolation Definition 3.10: Seien j, m N 0, dann bezeichne p j,j+1,...,j+m Π m das zu den Stützpunkten (x j, f j ),..., (x j+m, f j+m ) mit paarweise verschiedenen Stützstellen x j,..., x j+m gehörende, eindeutig bestimmte Polynom mit p j,j+1,...,j+m (x k ) = f k, k = j, j + 1,..., j + m. (3.1.15) Satz 3.11: Seien (x 0, f 0 ),..., (x n, f n ) vorgegebene Stützpunkte zu paarweise verschiedenen Stützstellen x 0,..., x n, dann gilt mit j, m N 0, j + m n und m 1 für die Interpolationspolynome gemäß Definition 3.4 der Zusammenhang p j,j+1,...,j+m (x) = (x x j)p j+1,...,j+m (x) (x x j+m )p j,...,j+m 1 (x) x j+m x j.(3.1.16) Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 44 / 49

55 Interpolation Definition 3.10: Seien j, m N 0, dann bezeichne p j,j+1,...,j+m Π m das zu den Stützpunkten (x j, f j ),..., (x j+m, f j+m ) mit paarweise verschiedenen Stützstellen x j,..., x j+m gehörende, eindeutig bestimmte Polynom mit p j,j+1,...,j+m (x k ) = f k, k = j, j + 1,..., j + m. (3.1.15) Satz 3.11: Seien (x 0, f 0 ),..., (x n, f n ) vorgegebene Stützpunkte zu paarweise verschiedenen Stützstellen x 0,..., x n, dann gilt mit j, m N 0, j + m n und m 1 für die Interpolationspolynome gemäß Definition 3.4 der Zusammenhang p j,j+1,...,j+m (x) = (x x j)p j+1,...,j+m (x) (x x j+m )p j,...,j+m 1 (x) x j+m x j.(3.1.16) Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 44 / 49

56 Interpolation Schematische Darstellung des Neville-Schemas (3.1.17): f 0 = p 0 (x) f 1 = p 1 (x) p 0,1 (x) f 2 = p 2 (x) p 1,2 (x) p 0,1,2 (x).. f n 1 = p n 1 (x) p n 2,n 1 (x) p 0,...,n 1 (x) f n = p n (x) p n 1,n (x) p n 2,...,n (x) p 1,...,n (x) p 0,...,n (x)... Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 45 / 49

57 Interpolation Definition 3.13: Zu gegebenen Stützpunkten (x 0, f 0 ),..., (x n, f n ) R 2 mit paarweise verschiedenen Stützstellen x 0,..., x n R sind die dividierten Differenzen rekursiv durch für j = 0,..., n und f [x j ] = f j (3.1.20) f [x j,..., x j+m ] = f [x j+1,..., x j+m ] f [x j,..., x j+m 1 ] x j+m x j (3.1.21) für j = 0,..., n 1 mit m N und j + m n definiert. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 46 / 49

58 Interpolation Schematische Darstellung der dividierten Differenzen (3.1.22): f 0 = f [x 0 ] f 1 = f [x 1 ] f [x 0, x 1 ] f 2 = f [x 2 ] f [x 1, x 2 ] f [x 0, x 1, x 2 ].. f n 1 = f [x n 1 ] f [x n 2, x n 1 ] f [x 0,..., x n 1 ] f n = f [x n] f [x n 1, x n] f [x n 2, x n 1, x n] f [x 1,..., x n] f [x 0,..., x n]... Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 47 / 49

59 Interpolation Satz 3.14: (Newtonsche Interpolationsformel) Zu gegebenen Stützpunkten (x 0, f 0 ),..., (x n, f n ) R 2 mit paarweise verschiedenen Stützstellen x 0,..., x n R besitzt das Interpolationspolynom p Π n die Darstellung p(x) = f [x 0 ]+f [x 0, x 1 ](x x 0 )+...+f [x 0,..., x n ](x x 0 )... (x x n 1 ), wobei f [x 0,..., x j ], j = 0,..., n, die dividierten Differenzen laut Definition 3.13 repräsentieren. Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 48 / 49

60 Interpolation Satz 3.16: Sei f : [a, b] R eine (n + 1)-mal stetig differenzierbare Funktion und x 0,..., x n [a, b] paarweise verschiedene Stützstellen. Für das Interpolationspolynom p Π n mit p(x k ) = f (x k ), k = 0,..., n gilt für jede Stelle x [a, b] die Fehlerdarstellung f (x) p(x) = w(x)f (n+1) (ξ) (n + 1)! (3.1.28) mit einer Zwischenstelle ξ = ξ(x) [a, b] und w(x) = (x x 0 )... (x x n ). Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 49 / 49