Interpolation. Kapitel 3
|
|
- Werner Schräder
- vor 7 Jahren
- Abrufe
Transkript
1 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, entsteht, wenn wir eine Menge von Daten (x i,f i ) für i = 0,,n gegeben haben (zb Messwerte eines Experiments) Die Problemstellung ist nun wie folgt: Gesucht ist eine Funktion F, für die die Gleichung gilt F(x i ) = f i für i = 0,,,n (3) Ein wichtiger Spezialfall dieses Problems ist die Funktionsinterpolation: Nehmen wir an, dass wir eine reellwertige Funktion f : R R gegeben haben, die aber (zb weil keine explizite Formel bekannt ist) sehr kompliziert auszuwerten ist Ein Beispiel einer solchen Funktion ist die in der Stochastik oft benötigte Gauß-Verteilungsfunktion f(x) = 2π für die keine geschlossene Formel existiert x e y2 /2 dy, Das Ziel der Interpolation liegt nun darin, eine Funktion F(x) zu bestimmen, die leicht auszuwerten ist, und für die für vorgegebene Stützstellen x 0, x,,x n die Gleichung gilt Mit der Schreibweise F(x i ) = f(x i ) für i = 0,,,n (32) f i = f(x i ), erhalten wir hier wieder die Bedingung (3), weswegen (32) tatsächlich ein Spezialfall von (3) ist Wir werden in diesem Kapitel zum einen Verfahren zur Lösung von (3) entwickeln, die dann selbstverständlich auch auf den Spezialfall (32) anwendbar sind Die Wichtigkeit dieses Spezialfalls liegt in diesem Zusammenhang darin, dass man bei der Interpolation einer Funktion f in natürlicher Weise einen Interpolationsfehler über den Abstand zwischen f und F definieren kann, und daher ein Maß für die Güte des Verfahrens erhält Bei 37
2 38 KAPITEL 3 INTERPOLATION der Dateninterpolation macht dies keinen rechten Sinn, das es ja keine Funktion f gibt, bezüglich der man einen Fehler messen könnte ZumanderenwerdenwirVerfahrenbetrachten,diespeziellaufdieFunktionsapproximation (32) zugeschnitten sind, da sich bei diesen die Wahl der Stützstellen x i aus dem Verfahren ergibt, also nicht beliebig vorgegeben werden kann 3 Polynominterpolation Eine einfache aber oft sehr effektive Methode zur Interpolation ist die Wahl von F als Polynom, also als Funktion der Form P(x) = a 0 +a x+a 2 x 2 ++a m x m (33) Hierbei werden die Werte a i, i = 0,,m, die Koeffizienten des Polynoms genannt Die höchste auftretende Potenz (hier also m, falls a m 0) heißt der Grad des Polynoms Um zu betonen, dass wir hier Polynome verwenden, schreiben wir in diesem Abschnitt P statt F für die Interpolationsfunktion Den Raum der Polynome vom Grad m bezeichnen wir mit P m Dieser Funktionenraum ist ein m+-dimensionaler Vektorraum über R bzw C mit Basis B = {,x,,x m }, da Addition von Polynomen und Multiplikation mit Skalaren wieder ein Polynom des selben Grads ergeben Andere Basen dieses Vektorraums werden in den Übungen behandelt Das Problem der Polynominterpolation liegt nun darin, ein Polynom P zu bestimmen, das (3) erfüllt Zunächst einmal müssen wir uns dazu überlegen, welchen Grad das gesuchte Polynom haben soll Hier hilft uns der folgende Satz Satz 3 Sei n N und seien Daten (x i,f i ) für i = 0,,n gegeben, so dass die Stützstellen paarweise verschieden sind, dh x i x j für alle i j Dann gibt es genau ein Polynom P P n, also vom Grad n, das die Bedingung erfüllt P(x i ) = f i für i = 0,,,n Beweis: Die Koeffizienten a i des interpolierenden Polynoms erfüllen das lineare Gleichungssystem x 0 x n 0 a 0 f 0 = x n x n n a n f n Die Determinante dieser Matrix ist n n j=i+ (x j x i ) und ist damit ungleich Null, falls die x i paarweise verschieden sind Also ist die Matrix invertierbar und das Gleichungssystem besitzt eine eindeutige Lösung
3 3 POLYNOMINTERPOLATION 39 Für n+ gegebene Datenpunkte (x i,f i ) passt also gerade ein Polynom vom Grad n Nun ist es aus verschiedenen Gründen nicht besonders effizient, dieses lineare Gleichungssystem tatsächlich zu lösen, um die a i zu bestimmen (wir erinnern daran, dass die direkte Lösung des linearen Gleichungssystems den Aufwand der Ordnung O(n 3 ) hat) Wir betrachten daher eine andere Technik zur Berechnung des Polynoms P Beachte, dass diese das gleiche Polynom liefert, auch wenn es auf andere Art dargestellt wird 3 Lagrange-Polynome und baryzentrische Koordinaten Die Idee der Lagrange-Polynome beruht auf einer geschickten Darstellung für Polynome FürdievorgegebenenStützstellenx 0, x,x n definierenwirfüri = 0,,ndieLagrange- Polynome L i als n x x j L i (x) := x i x j j=0 j i Man rechnet leicht nach, dass diese Polynome alle vom Grad n sind, und darüberhinaus die Gleichung { für i = k L i (x k ) = 0 für i k erfüllen Mit Hilfe der L i kann man das Interpolationspolynom einfach explizit berechnen Satz 32 Seien Daten (x i,f i ) für i = 0,,n mit paarweise verschiedenen Stützstellen x i gegeben Dann ist das eindeutige Interpolationspolynom P(x) mit P(x i ) = f i gegeben durch P(x) = f i L i (x) Beweis: Offensichtlich ist die angegebene Funktion ein Polynom vom Grad n Darüberhinaus gilt P(x k ) = f i L i (x k ) = f }{{} k, also gerade die gewünschte Bedingung (3) =0 falls i k =f k falls i=k Beispiel 33 Betrachte die Daten (3, 68), (2, 6), (5, 352) Die zugehörigen Lagrange- Polynome sind gegeben durch L 0 (x) = x 2 x = 2 (x 2)(x 5), L (x) = x 3 x = 3 (x 3)(x 5), L 2 (x) = x x = 6 (x 2)(x 3)
4 40 KAPITEL 3 INTERPOLATION Damit erhalten wir P(x) = 68 2 (x 2)(x 5)+6 3 (x 3)(x 5) (x 2)(x 3) Für x = 3 ergibt sich P(3) = 68 2 (3 2)(3 5) = 68, für x = 2 berechnet man P(2) = 6 3 (2 3)(2 5) = 6 und für x = 5 erhalten wir P(5) = (5 2)(5 3) = 352 Durch Abzählen der notwendigen Operationen sieht man, dass die direkte Auswertung des Polynoms P in dieser Form den Aufwand O(n 2 ) besitzt, also deutlich effizienter als die Lösung eines linearen Gleichungssystems ist Für eine effiziente direkte Auswertung sollte man die Nenner der Lagrange-Polynome vorab berechnen und speichern, damit diese nicht bei jeder Auswertung von P erneut berechnet werden müssen Es geht aber noch effizienter, wenn wir die Auswertung der Lagrange-Polynome geschickt umformulieren Dazu schreiben wir den Zähler von als L i (x) = n j=0 j i l(x) x x i mit l(x) := x x j x i x j n x x j Den Nenner schreiben wir mittels der sogenannten baryzentrischen Koordinaten w i := n j=0 j i j=0 x i x j Dann gilt und damit P(x) = L i (x)f i = w i L i (x) = l(x) x x i w i l(x) f i = l(x) x x i w i x x i f i Beispiel 34 Betrachte wiederum die Daten (3; 68), (2; 6), (5; 352) Das zugehörige l ist gegeben durch l(x) = (x 2)(x 3)(x 5) und die w i berechnen sich zu w 0 = 3 2 w = 2 3 w 3 = = 2, 2 5 = 3, 5 3 = 6
5 3 POLYNOMINTERPOLATION 4 Damit erhalten wir P(x) = l(x) ( ) 2 x x x = 2 (x 2)(x 5)68+ 3 (x 3)(x 5)6+ 6 (x 2)(x 3)352, also wie zu erwarten das gleiche Polynom wie oben Um dieses Verfahren effizient zu implementieren, teilen wir die Berechnung in zwei Algorithmen auf Algorithmus 35 (Berechnung der baryzentrischen Koordinaten) Eingabe: Stützstellen x 0,,x n () für i von 0 bis n: (2) setze w i := (3) für j von 0 bis n: (4) falls j i, setze w i := w i /(x i x j ) (6) Ende der Schleifen Ausgabe: baryzentrische Koordinaten w 0,,w n Durch Abzählen der Operationen sieht man leicht, dass die Berechnung der w i gerade 2(n + )n = 2n 2 + 2n = O(n 2 ) Operationen benötigt Dies entspricht der Ordnung des Aufwandes der direkten Auswertung von P Der Trick liegt nun aber darin, die w i einmal vorab zu berechnen und die gespeicherten Werte in der Auswertung von P zu verwenden Algorithmus 36 (Auswertung des Interpolationspolynoms) Eingabe: Stützstellen x 0,,x n, Werte f 0,,f n, baryzentrische Koordinaten w 0,,w n, Auswertungsstelle x (0) setze l :=, s := 0 (Variablen für l und n () für i von 0 bis n (2) setze y := x x i w i x x i f i ) (3) falls y = 0 ist, setze P := f i und beende den Algorithmus (4) setze l := l y (5) setze s := s+w i f i /y (6) Ende der Schleife (7) Setze P := l s Ausgabe: Polynomwert P = P(x)
6 42 KAPITEL 3 INTERPOLATION Durch Abzählen der Operationen sieht man: die Auswertung benötigt gerade 5(n+)+ = 5n+6 = O(n) Operationen Sind also die w i einmal berechnet, so ist die Auswertung für ein gegebenes x deutlich weniger aufwändig als die direkte Auswertung von P Dies ist zb bei der grafischen Darstellung des Polynoms ein wichtiger Vorteil, da das Polynom dabei für viele verschiedene x ausgewertet werden muss 32 Fehlerabschätzungen Wir betrachten in diesem Abschnitt das Problem der Funktionsinterpolation (32) für eine gegebene Funktion f : R R Wir wollen abschätzen, wie groß der Abstand des interpolierenden Polynoms P von der Funktion f ist Hierbei bezeichnen wir mit [a,b] ein Interpolationsintervall mit der Eigenschaft, dass alle Stützstellen x i [a,b] erfüllen und wir verwenden wieder die Maximumsnorm f := sup f(x) x [a,b] Der folgende Satz gibt eine Abschätzung für den Abstand in Abhängigkeit von den Stützstellen an Hierbei bezeichnet f (k) die k-te Ableitung der Funktion f Satz 37 Sei f (n+)-mal stetig differenzierbar und sei P das Interpolationspolynom zu den paarweise verschiedenen Stützstellen x 0,,x n Dann gelten die folgenden Ausagen (i) Für alle x [a,b] gibt es ein ξ [a,b], so dass die Gleichung gilt f(x) P(x) = f(n+) (ξ) (n+)! (x x 0)(x x ) (x x n ) (ii) Für alle x [a,b] gilt die Abschätzung (iii) Es gilt die Abschätzung f(x) P(x) f (n+) (x x 0 )(x x ) (x x n ) (n+)! f P f (n+) (b a) n+ (n+)! Beweis: (i) Wähle ein x [a,b] mit x x i, i = 0,,n, und setze c = Mit diesem c definieren wir die Funktion f(x) P(x) (x x 0 ) (x x n ) (y) = f(y) P(y) c(y x 0 ) (y x n )
7 3 POLYNOMINTERPOLATION 43 Dann ist (y) wieder (n + )-mal stetig differenzierbar und hat (mindestens) die n + 2 Nullstellen y = x 0,,x n und y = x Wir nummerieren diese Nullstellen aufsteigend mit der Bezeichnung y (0) 0 < y (0) < < y (0) n+ Nach dem Satz von Rolle gilt: Zwischen je zwei Nullstellen der Funktion (y) liegt (mindestens) eine Nullstelle ihrer Ableitung (y) Also liegtfürjedesi = 0,,nzwischendenWerteny (0) i undy (0) i+ einwerty() i mit (y () i ) = 0, undwirerhaltenn+nullstelleny () 0 < y () < < y n () fürdieableitung (y) = () (y) Indem wir induktiv fortfahren, erhalten wir n+2 k Nullstellen y (k) 0 < y (k) < < y (k) n+ k für die Ableitung (k) und damit für k = n+ eine Nullstelle ξ = y (n+) 0 für die Funktion (n+) Da P ein Polynom vom Grad n ist, folgt P (n+) (y) 0, außerdem gilt [(y x 0 ) (y x n )] (n+) = (n+)! für alle y R Damit erhalten wir also 0 = (n+) (ξ) = f (n+) (ξ) c(n+)! = f (n+) (ξ) f (n+) (ξ) = f(x) P(x) (x x 0 ) (x x n ) (n+)! Auflösen nach f(x) P(x) liefert die Gleichung in (i) (ii) Diese Abschätzung folgt aus (i) wegen da ξ [a,b] ist f(x) P(x) (x x 0 ) (x x n ) (n+)!, f (n+) (ξ) f(x) P(x) = (n+)! (x x 0)(x x ) (x x n ) f (n+) (y) max (x x 0 )(x x ) (x x n ) y [a,b] (n+)!, (iii) Für alle x und x i aus [a,b] gilt die Abschätzung Damit erhalten wir aus (ii) also gerade die Behauptung x x i b a f P f (n+) (b a) n+, (n+)! Wir illustrieren diese Abschätzung an einem Beispiel Beispiel 38 Betrachte die Funktion f(x) = sin(x) auf dem Intervall [0,2π] Die Ableitungen von f sind f () (x) = cos(x), f (2) (x) = sin(x), f (3) (x) = cos(x), f (4) (x) = sin(x),
8 44 KAPITEL 3 INTERPOLATION Für alle diese Funktionen gilt f (k) (x) für alle x R Mit äquidistanten Stützstellen x i = 2πi/n ergibt sich damit die Abschätzung f(x) P(x) max f (n+) (y) (b a)n+ y [a,b] (n+)! (2π)n+ (n+)! Dieser Term konvergiert für wachsende n sehr schnell gegen 0, weswegen man schon für kleine n eine sehr gute Übereinstimmung der Funktionen erwarten kann, siehe Abbildung P(x) 0 P(x) x x Abbildung 3: Links: Interpolationspolynom für 4 (links) und 8 (rechts) äquidistante Stützstellen für die Funktion f(x) = sin(x) auf [0,2π] Fügt man jedoch in Beispiel 38 weitere Stützstellen ein, beobachtet man Oszillationen am Rand des Intervalls [0,2π] (siehe Abbildung 32) trotz unser Fehlerabschätzung aus Satz 37 Dies muss ein numerischer Effekt aus, was eine Untersuchung der Kondition des Interpolationsproblems motiviert 33 Kondition In diesem Abschnitt wollen wir die Kondition der Polynominterpolation betrachten, wobei wir das Polynominterpolationsproblem für fest vorgegebene Stützstellen betrachten In diesem Fall ist die Abbildung φ : (f 0,,f n ) f i L i des Datenvektors (f 0,,f n ) auf das interpolierende Polynom P P n eine lineare Abbildung φ : R n+ P n, weshalb wir die (absolute) Kondition κ abs als induzierte Operatornorm κ abs := φ = sup f R n+ f 0 φ(f) f
9 3 POLYNOMINTERPOLATION P(x) 0 P(x) x x Abbildung 32: Links: Interpolationspolynom für 64 (links) und 28 (rechts) äquidistante Stützstellen für die Funktion f(x) = sin(x) auf [0,2π] dieser linearen Abbildung berechnen können Diese induzierte Operatornorm ist die Erweiterung der induzierten Matrixnorm auf lineare Abbildungen, die nicht notwendigerweise durch eine Matrix definiert sind Im Gegensatz zu den linearen Gleichungssystemen verwenden wir hier die absolute Kondition, weil eine relative Definition hier keine anschauliche InterpretationbesitztAufdemPolynomraumP n verwendenwirdabeidiemaximumsnorm P := max x [a,b] P(x), des Raums der stetigen reellwertigen Funktionen C([a,b],R), wobei wir a = min,,n x i und b = max,,n x i wählen (beachte, dass wir keine Ordnung der Stützstellen x i vorausgesetzt haben) Satz 39 Seien x 0, x,, x n paarweise verschiedene Stützstellen und L i die zugehörigen Lagrange-PolynomeDannistdieabsoluteKonditiondesInterpolationsproblemsmitdiesen Stützstellen gegeben durch κ abs = Λ n := L i, wobei Λ n als Lebesgue-Konstante bezeichnet wird Beweis: Es gilt φ(f)(x) = f i L i (x) f i L i (x) f max L i (x) = f L i = f x [a,b] Λ n, für alle x [a,b], woraus φ(f) f Λ n für alle f R n+ und damit φ Λ n folgt Für die umgekehrte Richtung konstruieren wir ein g R n+ so, dass φ(g)(x ) = g L i
10 46 KAPITEL 3 INTERPOLATION für ein x [a,b] gilt Sei dazu x [a,b] die Stelle, an der die Funktion x n L i(x) ihr Maximum annimmt, also L i (x ) = L i = Λ n Wir wählen g R n+ als g i = sgn(l i (x )) Dann gilt g = und g i L i (x ) = L i (x ), also φ(g) φ(g)(x ) = g i L i (x ) = L i (x ) = g L i (x ) = g Λ n, weswegen φ Λ n ist Zusammen erhalten wir also die Behauptung κ abs = φ = Λ n Die Zahl Λ n hängt natürlich von der Anzahl und Lage der Stützstellen ab In der folgenden Tabelle 3 sind die Konditionen für das Intervall [,] und verschiedene Anzahlen äquidistante Stützstellen x i = + 2i/n sowie für die sogenannten Tschebyscheff-Stützstellen x i = cos[(2i+)π/(2n+2)], die wir in Abschnitt 32 näher kennen lernen werden, dargestellt n κ abs für äquidistante Stützstellen κ abs für Tschebyscheff-Stützstellen Tabelle 3: Kondition κ abs für verschiedene Stützstellen Man sieht, dass das Problem für äquidistante Stützstellen und große n sehr schlecht konditioniert ist Dies erklärt die starken Oszillationen bei numerisch erzeugten Interpolationspolynome bei großer Stützstellenanzahl, selbst wenn die zu interpolierende Funktion gutartig ist (vergleiche Abbildung 32) Wir werden daher in den nächsten Abschnitten weitere Möglichkeiten zur Interpolation betrachten, die diese Probleme umgehen, indem sie entweder besser positionierte Stützstellen verwenden oder ohne Polynome hohen Grades auskommen 32 Funktionsinterpolation und Stützstellenwahl In diesem Abschnitt beschäftigen wir uns speziell mit der Frage der Funktionsinterpolation (32) durch Polynome Wie bereits erwähnt, unterscheidet sich diese aus algorithmischer Sicht von der Dateninterpolation (3) dadurch, dass man die Stützstellen x i frei wählen kann Dies führt auf die Frage, wie man diese Stützstellen für ein gegebenenes Interpolationsintervall [a,b] optimal wählen kann Wir wollen dieses Problem lösen ohne die Kenntnis der zu interpolierenden Funktion f vorauszusetzen
11 32 FUNKTIONSINTERPOLATION UND STÜTZSTELLENWAHL 47 Dazu betrachten wir die Fehlerabschätzung aus Satz 37(ii) für die Funktionsinterpolation Dort haben wir die Ungleichung f(x) P(x) f (n+) (x x 0 )(x x ) (x x n ) (n+)! (34) für x [a,b] bewiesen Wir wollen nun untersuchen, wie man die Stützstellen x i wählen muss, so dass diese Fehlerschranke minimal wird Da wir hierbei kein spezielles x vorgeben wollen(dieabschätzungsollfürallexoptimalsein,alsofür f P ),bestehtdieaufgabe also darin, Stützstellen x 0,,x n zu finden, so dass der Ausdruck minimal wird max (x x 0)(x x ) (x x n ) (35) x [a,b] OBdA betrachten wir nun das Intervall [a,b] = [,], denn wenn wir auf [,] die optimalen Stützstellen x i gefunden haben, so sind die mittels x i = a + (x i + )(b a)/2 definierten Stützstellen auf [a,b] ebenfalls optimal und es gilt max (x x 0)(x x ) (x x n ) = x [a,b] ( b a 2 ) n+ max x [,] (x x 0)(x x ) (x x n ) DefinierenwirnunfürbeliebigeStützstellenx 0,,x n daspolynomr n+ (x) = (x x 0 )(x x ) (x x n ) (führender Koeffizient ist a n+ = ) Dann sind die Stützstellen x i gerade die Nullstellen von R n+ und der Ausdruck (35) ist gerade die Maximumsnorm R n+ Die Minimierung von (35) ist also äquivalent zur folgenden Problemstellung: Unter allen Polynomen R n+ vom Grad n + mit führendem Koeffizienten a n+ = finde dasjenige mit kleinster Maximumsnorm auf [,] Der folgende Satz zeigt, dass die bereits in Tabelle 3 aufgeführten Tschebyscheff-Knoten (Nullstellen der zugehörigen normierten Tschebyscheff-Polynoms) gerade das Minimum dieses Optimierungsproblems liefern Satz 30 Die Tschebyscheff-Knoten ( ) 2i+ x i = cos 2n+2 π, i = 0,,n, minimieren den Ausdruck (35) und damit die Fehlerabschätzung (34) Für die Tschebyscheff-Stützstellen x i erhält man damit in (35) max (x x 0)(x x ) (x x n ) = x [,] 2 n Für allgemeine Intervalle [a,b] ergibt sich daraus für die durch x i = a+(x i +)(b a)/2 Ein Beweis findet sich im bereits erwähnten Skript von Prof Grüne Einführung in die numerische Mathematik
12 48 KAPITEL 3 INTERPOLATION gegebenen transformierten Stützstellen ( ) max (x x 0)(x x ) (x x n ) = (b a)n+ b a n+ x [a,b] 2 2n+ = 2 4 Beachte, dass die Randpunkte und des Interpolationsintervalls keine Tschebyscheff- Knoten und damit keine Stützstellen sind Wir interpolieren mit dieser Methode also auch außerhalb des durch die Stützstellen definierten Intervalls Zusammenfassend kann man feststellen, dass die Tschebyscheff-Stützstellen sowohl dafür sorgen, dass das Interpolationsproblem gut konditioniert ist als auch unsere Abschätzung an den Interpolationsfehler minimieren 33 Splineinterpolation Wir haben gesehen, dass die Polynominterpolation aus Konditionsgründen problematisch ist, wenn wir viele Stützstellen gegeben haben und diese nicht wie die Tschebyscheff Stützstellen optimal gewählt sind Dies kann insbesondere bei der Dateninterpolation (3) auftreten, wenn die Stützstellen fest vorgegeben sind und nicht frei gewählt werden können Wir behandeln daher in diesem Abschnitt eine alternative Interpolationstechnik, die auch bei einer großen Anzahl von Stützstellen problemlos funktioniert Wir betrachten dazupaarweiseverschiedenestützstellenundnehmenan,dassdieseaufsteigendangeordnet sind, also x 0 < x < < x n gilt Die Grundidee der Splineinterpolation liegt darin, die interpolierende Funktion (die wir hier mit S für Spline bezeichnen) nicht global, sondern nur auf jedem Teilintervall [x i,x i+ ] als Polynom zu wählen Diese Teilpolynome sollten dabei an den Intervallgrenzen nicht beliebig sondern möglichst glatt zusammenlaufen Eine solche Funktion, die aus glatt zusammengefügten stückweisen Polynomen besteht, nennt man Spline Formal wird dies durch die folgende Definition präzisiert Definition 3 Seien x 0 < x < < x n Stützstellen und k N Eine stetige und (k )-mal stetig differenzierbare Funktion S : [x 0,x n ] R heißt Spline vom Grad k, falls S auf jedem Intervall I i = [x i,x i ] mit i =,,n durch ein Polynom P i vom Grad k gegeben ist, dh für x I i gilt S(x) = P i (x) = a i0 +a i (x x i )++a ik (x x i ) k = k a ij (x x i ) j (36) Den Raum der Splines vom Grad k zur Stützstellenmenge = {x 0,x,,x n } bezeichnen wir mit S,k j=0 Ein solcher Spline aus Definition 3 löst dann das Interpolationsproblem, falls zusätzlich die Bedingung (3) erfüllt ist, also S(x i ) = f i für alle i = 0,,n gilt Bevor wir an die Berechnung von Splines gehen, zeigen wir eine Eigenschaft des Funktionenraums S,k
13 33 SPLINEINTERPOLATION 49 Satz 32 Sei = {x 0,x,,x n } mit x 0 < x < < x n und k N gegeben Dann ist der Raum der Splines S,k ein k +n-dimensionaler Vektorraum über R Beweis: Sicherlich ist mit S und S 2 auch as +bs 2 für a, b R wieder ein Spline, also ist S,k ein Vektorraum Da die Splines linear von den Koeffizienten a ij abhängen, genügt es zur Berechnung der Dimension die Anzahl derfreien Parametera ij zu bestimmen Auf dem ersten Intervall I haben wir freie Wahl für P, also gibt es genau k+ freie Parameter Auf jedem weiteren Intervall I i für i 2 sind die Werte der j-ten Ableitung P (j) i (x i ) = j!a ij für j = 0,,k bereits festgelegt, da die zusammengesetzte Funktion S in x i ja stetig und k -mal stetig differenzierbar ist, es muss also a ij = P (j) i (x i )/j! für j = 0,,k gelten Daher ist hier nur noch der Koeffizient a ik frei wählbar, was auf den n verbleibenden Intervallen gerade n weitere freie Parameter ergibt, also insgesamt k+n Tatsächlichkannmanbeweisen,dassdieSpline-Koeffizientena ij linearvoneinanderabhängen, statt der im Beweis des Satzes verwendeten Koeffizienten a 0,,a k,a 2k,,a nk kann man also auch andere n+k Koeffizienten vorgeben und die übrigen daraus berechnen Von besonderer praktischer Bedeutung in vielen Anwendungen sind die kubischen Splines, also Splines vom Grad k = 3; den Grund dafür werden wir etwas später besprechen Wegen der Darstellung (36) von P i (x) und der Interpolationsbedingung (3) sind für die Splineinterpolation die Koeffizienten a i0, i =,2,,n, bereits festgelegt: a i0 = f i für i =,,n Entsprechend können wir (3) für x = x n sicherstellen, indem wir a n = f n a n0 a n2 (x n x n ) 2 a n3 (x n x n ) 3 x n x n setzen Dann haben wir insgesamt genau n+ Koeffizienten festgelegt und sichergestellt, dass die Interpolationsbedingung (3) für gegebene Daten (x i,f i ) mit x 0 < x < < x n erfüllt ist Da der Vektorraum S,3 Dimension n+3 hat, verbleiben also 2 weitere Koeffizienten, die durch geeignete Bedingungen festgelegt werden müssen, um einen eindeutigen interpolierenden Spline zu erhalten Diese werden typischerweise in Form von Randbedingungen, also Bedingungen an S oder an Ableitungen von S in den Punkten x 0 und x n formuliert: (a) S (x 0 ) = S (x n ) = 0 (b) S (x 0 ) = S (x n ) und S (x 0 ) = S (x n ) (c) S (x 0 ) = f (x 0 ) und S (x n ) = f (x n ) ( natürliche Randbedingungen ) ( periodische Randbedingungen ) ( hermite sche Randbedingungen, nur sinnvoll bei der Funktionsinterpolation) Dann gibt es genau einen kubischen Spline S S 3, der das Interpolationsproblem (3) löst und die entsprechende Randbedingung (a), (b) oder (c) erfüllt
14 50 KAPITEL 3 INTERPOLATION Kubische Splines werden in Anwendungen wie zb der Computergrafik bevorzugt verwendet, und wir wollen als nächstes den Grund dafür erläutern Ein Kriterium zur Wahl der Ordnung eines Splines speziell bei grafischen Anwendungen, aber auch bei klassischen Interpolationsproblemen ist, dass die Krümmung der interpolierenden Kurve möglichst klein sein soll Die Krümmung einer Kurve y(x) in einem Punkt x ist gerade gegeben durch die zweite Ableitung y (x) Die Gesamtkrümmung für alle x [x 0,x n ] kann nun auf verschiedene Arten gemessen werden, hier verwenden wir die L 2 -Norm 2 für quadratisch integrierbare Funktionen, die für g : [x 0,x n ] R durch g 2 := ( xn x 0 g 2 (x)dx gegebenistdiekrümmungeinerzweimalstetigdifferenzierbarenfunktiony : [x 0,x n ] R über dem gesamten Intervall kann also mittels y 2 gemessen werden Hierfür gilt der folgende Satz ) 2 Satz 33 Sei S : [x 0,x n ] R ein die Daten (x i,f i ), i = 0,,n interpolierender kubischer Spline, der eine der Randbedingungen (a) (c) erfüllt Sei y : [x 0,x n ] R eine zweimal stetig differenzierbare Funktion, die ebenfalls das Interpolationsproblem löst und die gleichen Randbedingungen wie S erfüllt Dann gilt S 2 y 2 Beweis: Setzen wir die offensichtliche Gleichung y = S + (y S ) in die quadrierte Norm y 2 2 ein, so folgt y 2 2 = = xn x 0 (y (x)) 2 dx xn x 0 (S (x)) 2 dx }{{} = S 2 2 S 2 2 +J xn +2 x 0 S (x)(y (x) S (x))dx }{{} =:J xn + (y (x) S (x)) 2 dx x } 0 {{} 0 Wir betrachten nun den Term J genauer Aus jeder der drei Randbedingungen folgt die Gleichung [ ] S (x)(y (x) S xn (x)) = S (x n )(y (x n ) S (x n )) S (x 0 )(y (x 0 ) S (x 0 )) = 0 (37) x=x 0 Mit partieller Integration gilt xn x 0 S (x)(y (x) S (x))dx = [ ] S (x)(y (x) S xn xn (x)) S (x)(y (x) S (x))dx x=x 0 x 0 Hierbei ist der erste Summand wegen (37) gleich Null Auf jedem Intervall I i = [x i,x i ] ist S(x) = P i (x) ein kubisches Polynom, weswegen S (x) d i konstant für x I i ist Also
15 33 SPLINEINTERPOLATION 5 folgt für den zweiten Summanden xn S (x)(y (x) S (x))dx = x 0 = = i= xi d i (y (x) S (x))dx x i xi d i y (x) S (x)dx x i d i [(y(x i ) y(x i ) S(x i )+S(x i )] }{{} =0,day(x i )=S(x i )undy(x i )=S(x i ) i= i= = 0 Damit erhalten wir J = 0 und folglich die Behauptung Diese Eigenschaft erklärt auch den Namen Spline: Ein Spline ist im Englischen eine dünne Holzlatte Wenn man diese so verbiegt, dass sie vorgegebenen Punkten folgt (diese also interpoliert ), so ist auch bei dieser Latte die Krümmung, die hier näherungsweise die notwendige Biegeenergie beschreibt, minimal zumindest für kleine Auslenkungen der Latte WirkommennunzurpraktischenBerechnungderSpline-KoeffizientenfürkubischeSplines HierbeigibtesverschiedeneVorgehensweisen:mankannzBdirekteinlinearesGleichungssystem für die 4n Koeffizienten a ij für i =,,n aufstellen, was aber wenig effizient ist Alternativ kann man geschickt gewählte Basis-Funktionen für den Vektorraum S,3 verwenden (sogenannte B-Splines), und S in dieser Basis berechnen; dieser Ansatz wird im Buch von Deuflhard/Hohmann beschrieben Dies führt auf ein n-dimensionales lineares Gleichungssystem mit tridiagonaler Matrix A Es werden bei diesem Verfahren allerdings nicht die Koeffizienten a ij berechnet, sondern die Koeffizienten bezüglich der B-Spline- Basis, die Auswertung von S muss demnach ebenfalls über diese Basisfunktionen erfolgen Hier stellen wir eine weitere Variante vor, mit der direkt die Koeffizienten a ij berechnet werden, so dass S über die Darstellung in Definition 3 ausgewertet werden kann, was zb der Vorgehensweise in matlab entspricht Wir kommen hierbei ebenfalls auf ein n-dimensionales lineares Gleichungssystem mit tridiagonaler Matrix A, so dass der Aufwand der Berechnung von der Ordnung O(n) ist Wir betrachten zuerst die natürlichen Randbedingungen Hierzu definieren wir zunächst die Werte f i := S (x i ) und h i := x i x i für i = 0,,n bzw i =,,n Aus der Interpolationsbedingung und der geforderten Stetigkeit der zweiten Ableitung erhält man 4 Gleichungen für die Teilpolynome P i : P i (x i ) = f i, P i (x i ) = f i, P i (x i ) = f i, P i (x i ) = f i (38) Löst man diese unter Ausnutzung der Ableitungsregeln für Polynome nach den a ij
16 52 KAPITEL 3 INTERPOLATION auf, so erhält man a i0 = f i a i = f i f i h i h i 6 (f i +2f i ) a i2 = f i 2 a i3 = f i f i 6h i Da die Werte h i und f i ja direkt aus den Daten verfügbar sind, müssen lediglich die Werte f i berechnet werden Da aus den natürlichen Randbedingungen sofort f 0 = 0 und f n = 0 folgt, brauchen nur die Werte f,,f n berechnet werden Beachte, dass wir in (38) bereits die Bedingungen an P i und P i in den Stützstellen verwendet haben Aus den noch nicht benutzten Gleichungen für die ersten Ableitungen erhält man nun die Gleichungen für die f i : Aus P i (x i) = P i+ (x i) erhält man a i +2a i2 (x i x i )+3a i3 (x i x i ) 2 = a i+ für i =,,n Indem man hier die Werte f i und h i gemäß den obigen Gleichungen bzw Definitionen einsetzt, erhält man h i f i +2(h i +h i+ )f i +h i+ f i+ = 6 f i+ f i 6 f i f i h i+ h i =: δ i für i =,,n Dies liefert genau n Gleichungen für die n Unbekannten f,,f n In Matrixform geschrieben erhalten wir so das Gleichungssystem 2(h +h 2 ) h h 2 2(h 2 +h 3 ) h 3 f δ 0 h f 2 δ 2 3 = 0 hn f n δ n 0 0 h n 2(h n +h n ) Zur Berechnung des Interpolationssplines löst man also zunächst dieses Gleichungssystem und berechnet dann gemäß der obigen Formel die Koeffizienten a ij aus den f k Für äquidistante Stützstellen, also x k x k = h k = h für alle k =,,n, kann man beide Seiten durch h teilen, und erhält so das Gleichungssystem f f 2 f n = δ δ 2 δ n
17 33 SPLINEINTERPOLATION 53 mit δ k = δ k /h, welches ein Beispiel für ein lineares Gleichungssystem mit (offensichtlich) diagonaldominanter Matrix ist Für andere Randbedingungen verändert sich dieses Gleichungssystem entsprechend ZumAbschlusswollenwirnochkurzaufdenInterpolationsfehlerbeiderSplineinterpolation eingehen Die Analyse dieses Fehlers ist recht langwierig, das Ergebnis, das wir hier ohne Beweis geben, allerdings sehr leicht darzustellen Der folgende Satz wurde von CA Hall und WW Meyer [4] bewiesen Satz 34 Sei S S,3 der interpolierende Spline einer 4 mal stetig differenzierbaren Funktion f mit hermite schen Randbedingungen und Stützstellen = {x 0,,x n } Dann gilt für h = max k (x k x k ) die Abschätzung f S h4 f (4)
5 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)
Mehr6. 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
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
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
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
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)
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
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
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
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) +...
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
MehrDie Interpolationsformel von Lagrange
Die Interpolationsformel von Lagrange Zentrale Aussage: Zu beliebigen n + Stützpunkten (x i,f i ), i =,...,n mit paarweise verschiedenen Stützstellen x i x j, für i j, gibt es genau ein Polynom π n P n
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
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}
Mehr8 Polynominterpolation
8 Polynominterpolation Interpolations-Aufgabe: Von einer glatten Kurve seien nur lich viele Punktewerte gegeben. Wähle einen lichdimensionalen Funktionenraum. Konstruiere nun eine Kurve in diesem Funktionenraum
MehrInhalt Kapitel IV: Interpolation
Inhalt Kapitel IV: Interpolation IV Interpolation IV. Polynom-Interpolation IV. Spline-Interpolation Kapitel IV (InhaltIV) Die Interpolationsformel von Lagrange Zentrale Aussage: Zu beliebigen n + Stützpunkten
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
MehrGrundlagen Kondition Demo. Numerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
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
MehrKurztest zur Numerik I WiR AG, Dep. Mathematik, NT-Fakultät, Universität Siegen
Kurztest zur Numerik I WiR AG, Dep. Mathematik, NT-Fakultät, Universität Siegen Wintersemester 2012/201 Zwischentest Teil 1: 1. Was bedeuten die Bezeichnungen O(h) und o(h)? (Definition) (siehe Skript!)
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
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
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
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
MehrAlgorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen
Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen Rekonstruktion kontinuierlicher Daten Interpolation multivariater Daten Ulrich Rüde Lehrstuhl für Systemsimulation Sommersemester
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
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
Mehr7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012)
Technische Universität München Zentrum Mathematik, M1 Prof. Dr. Boris Vexler Dr. Ira Neitzel Dipl.-Math. Alana Kirchner 7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012) Diese Auswahl
MehrGRUNDLAGEN MATHEMATIK
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik GRUNDLAGEN MATHEMATIK 4. Differentialrechnung Prof. Dr. Gunar Matthies Wintersemester 2015/16 G. Matthies
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
MehrDierentialrechnung mit einer Veränderlichen
Dierentialrechnung mit einer Veränderlichen Beispiel: Sei s(t) die zum Zeitpunkt t zurückgelegte Wegstrecke. Dann ist die durchschnittliche Geschwindigkeit zwischen zwei Zeitpunkten t 1 und t 2 gegeben
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
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
MehrSpline-Räume - B-Spline-Basen
Spline-Räume - B-Spline-Basen René Janssens 4. November 2009 René Janssens () Spline-Räume - B-Spline-Basen 4. November 2009 1 / 56 Übersicht 1 Erster Abschnitt: Räume von Splinefunktionen Grundlegende
Mehr2. Geben Sie für das Jacobi-Verfahren eine scharfe a-priori Abschätzung für den Fehler. x (10) x p
Wiederholungsaufgaben Algorithmische Mathematik Sommersemester Prof. Dr. Beuchler Markus Burkow Übungsaufgaben Aufgabe. (Jacobi-Verfahren) Gegeben sei das lineare Gleichungssystem Ax b = für A =, b = 3.
MehrMATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik MATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE Differentialrechnung für Funktionen mehrerer
MehrInterpolationsproblem. Interpolation. Interpolationsproblem. Interpolationsproblem. Gegeben seien eine Funktion. Φ (x; a 1,...
sproblem Heinrich Voss voss@tu-harburg.de Hamburg University of Technology Institute for Numerical Simulation Gegeben seien eine Funktion Φ (x; a 1,..., a n ) : R I R, die auf einem Intervall I erklärt
MehrMusterlösung. Aufgabe 1 a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [0, 1] R, die folgendermaßen definiert ist:
Musterlösung Aufgabe a) Die Aussage ist falsch. Ein Gegenbeispiel ist die Funktion f : [, ] R, die folgendermaßen definiert ist: f(x) := { für x R \ Q für x Q f ist offensichtlich beschränkt. Wir zeigen,
MehrMathematik für Wirtschaftswissenschaftler im WS 12/13 Lösungen zu den Übungsaufgaben Blatt 12
Mathematik für Wirtschaftswissenschaftler im WS /3 Lösungen zu den Übungsaufgaben Blatt Aufgabe 5 Welche der folgenden Matrizen sind positiv bzw negativ definit? A 8, B 3 7 7 8 9 3, C 7 4 3 3 8 3 3 π 3
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
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
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:
Mehrf(x 0 ) = lim f(b k ) 0 0 ) = 0
5.10 Zwischenwertsatz. Es sei [a, b] ein Intervall, a < b und f : [a, b] R stetig. Ist f(a) < 0 und f(b) > 0, so existiert ein x 0 ]a, b[ mit f(x 0 ) = 0. Wichtig: Intervall, reellwertig, stetig Beweis.
Mehr3 Lineare Differentialgleichungen
3 Lineare Differentialgleichungen In diesem Kapitel behandeln wir die allgemeine Theorie linearer Differentialgleichungen Sie werden zahlreiche Parallelen zur Theorie linearer Gleichungssysteme feststellen,
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
Mehr30 Die Gammafunktion und die Stirlingsche Formel
3 Die Gammafunktion und die Stirlingsche Formel 35 Charakterisierung der Gammafunktion 36 Darstellung der Gammafunktion 38 Beziehung zwischen der Gammafunktion und der Zetafunktion 3 Stirlingsche Formel
MehrSysteme von Differentialgleichungen. Beispiel 1: Chemische Reaktionssysteme. Beispiel 2. System aus n Differentialgleichungen 1. Ordnung: y 1.
Systeme von Differentialgleichungen Beispiel : Chemische Reaktionssysteme System aus n Differentialgleichungen Ordnung: y (x = f (x, y (x,, y n (x Kurzschreibweise: y y 2 (x = f 2(x, y (x,, y n (x y n(x
MehrLösungen der Aufgaben zu Kapitel 9
Lösungen der Aufgaben zu Kapitel 9 Abschnitt 9. Aufgabe a) Wir bestimmen die ersten Ableitungen von f, die uns dann das Aussehen der k-ten Ableitung erkennen lassen: fx) = x + e x xe x, f x) = e x e x
MehrBrückenkurs Rechentechniken
Brückenkurs Rechentechniken Dr. Jörg Horst Technische Universität Dortmund Fakultät für Mathematik SS 2014 1 Vollständige Induktion Vollständige Induktion 2 Funktionenfolgen Punktweise Konvergenz Gleichmäßige
Mehr9 Lineare Gleichungssysteme
9 Lineare Gleichungssysteme Eine der häufigsten mathematischen Aufgaben ist die Lösung linearer Gleichungssysteme In diesem Abschnitt beschäftigen wir uns zunächst mit Lösbarkeitsbedingungen und mit der
MehrÜbungen zur Ingenieur-Mathematik III WS 2011/12 Blatt Aufgabe 25: Berechnen Sie den kritischen Punkt der Funktion
Übungen zur Ingenieur-Mathematik III WS 11/1 Blatt 8 3.11.11 Aufgabe 5: Berechnen Sie den kritischen Punkt der Funktion fx, y 3x 5xy y + 3 und entscheiden Sie, ob ein Maximum, Minimum oder Sattelpunkt
Mehr4.1 Stammfunktionen: das unbestimmte Integral
Kapitel 4 Integration 4. Stammfunktionen: das unbestimmte Integral Die Integration ist die Umkehrung der Differentiation: zu einer gegebenen Funktion f(x) sucht man eine Funktion F (x), deren Ableitung
MehrKapitel 4. Interpolation. 4.1 Allgemeines Normen von Funktionen
Kapitel 4 Interpolation 4 Allgemeines Nähere Funktion/Daten durch einfache Funktionen (eg Polynome) an Brauchbar für: - Integration - Differentiation [zb f(x) sei durch Polynom p(x) approximiert, F(x)
MehrKlausur zur Vordiplom-Prüfung
Technische Universität Hamburg-Harburg SS Arbeitsbereich Mathematik Dr. Jens-Peter M. Zemke Klausur zur Vordiplom-Prüfung Numerische Verfahren. Juli Sie haben Minuten Zeit zum Bearbeiten der Klausur. Bitte
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
MehrInterpolation und Integration mit Polynomen
Interpolation und Integration mit Polynomen Philipp Andrea Zardo Universität Kassel 23. Februar 2006 / Kassel Outline 1 Einleitung Was ist numerische Mathematik? Die eulersche e-funktion Ein Wurzelalgorithmus
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
Mehr6 Extremwerte mit Nebenbedingungen: Die Lagrange-Multiplikatoren-Methode
6 Extremwerte mit Nebenbedingungen: Die Lagrange-Multiplikatoren-Methode In diesem Kapitel orientieren wir uns stark an den Büchern: 1. Knut Sydsæter, Peter Hammond, Mathematik für Wirtschaftswissenschaftler,
MehrVon mathematischer Modellierung und Computeralgebra - Die Lösung eines handfesten mathematischen Problems
Von mathematischer Modellierung und Computeralgebra - Die Lösung eines handfesten mathematischen Problems Universität Paderborn Fakultät für Elektrotechnik, Informatik und Mathematik Institut für Mathematik
MehrMathematik IV für Elektrotechnik Mathematik III für Informatik
Mathematik IV für Elektrotechnik Mathematik III für Informatik Vorlesungsskriptum Stefan Ulbrich Fachbereich Mathematik Technische Universität Darmstadt Sommersemester 2011 Inhaltsverzeichnis 1 Einführung
Mehr8 Extremwerte reellwertiger Funktionen
8 Extremwerte reellwertiger Funktionen 34 8 Extremwerte reellwertiger Funktionen Wir wollen nun auch Extremwerte reellwertiger Funktionen untersuchen. Definition Es sei U R n eine offene Menge, f : U R
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
Mehr4.1. Vektorräume und lineare Abbildungen
4.1. Vektorräume und lineare Abbildungen Mengen von Abbildungen Für beliebige Mengen X und Y bezeichnet Y X die Menge aller Abbildungen von X nach Y (Reihenfolge beachten!) Die Bezeichnungsweise erklärt
Mehr1.6 Implizite Funktionen
1 1.6 Implizite Funktionen Wir werden uns jetzt mit nichtlinearen Gleichungen beschäftigen, f(x) = 0, wobei f = (f 1,..., f m ) stetig differenzierbar auf einem Gebiet G R n und m < n ist. Dann hat man
Mehr23. DIFFERENTIALRECHNUNG VON FUNKTIONEN VON MEHREREN VARIABLEN
204 Dieses Skript ist ein Auszug mit Lücken aus Einführung in die mathematische Behandlung der Naturwissenschaften I von Hans Heiner Storrer, Birkhäuser Skripten. Als StudentIn sollten Sie das Buch auch
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 5. Juni 2016 Definition 5.21 Ist a R, a > 0 und a 1, so bezeichnet man die Umkehrfunktion der Exponentialfunktion x a x als
MehrTechnische Universität Berlin
Technische Universität Berlin Fakultät II Institut für Mathematik WS /5 G. Bärwol, A. Gündel-vom-Hofe..5 Februar Klausur Analysis II für Ingenieurswissenschaften Lösungsskizze. Aufgabe 6Punkte Bestimmen
Mehr$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $
Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit
MehrImplizite Funktionen, der Umkehrsatz und Extrema unter Nebenbedingungen
Kapitel XII Implizite Funktionen, der Umkehrsatz und Extrema unter Nebenbedingungen 53 Implizite Funktionen und allgemeine partielle Differenzierbarkeit 54 Der Umkehrsatz 55 Lokale Extrema unter Nebenbedingungen,
Mehri j m f(y )h i h j h m
10 HÖHERE ABLEITUNGEN UND ANWENDUNGEN 56 Speziell für k = 2 ist also f(x 0 + H) = f(x 0 ) + f(x 0 ), H + 1 2 i j f(x 0 )h i h j + R(X 0 ; H) mit R(X 0 ; H) = 1 6 i,j,m=1 i j m f(y )h i h j h m und passendem
MehrMathematik für Anwender I. Klausur
Fachbereich Mathematik/Informatik 27. März 2012 Prof. Dr. H. Brenner Mathematik für Anwender I Klausur Dauer: Zwei volle Stunden + 10 Minuten Orientierung, in denen noch nicht geschrieben werden darf.
Mehr5. Numerische Differentiation. und Integration
5. Numerische Differentiation und Integration 1 Numerische Differentiation Problemstellung: Gegeben ist eine differenzierbare Funktion f : [a,b] R und x (a,b). Gesucht sind Näherungen für die Ableitungen
Mehr1 Umkehrfunktionen und implizite Funktionen
Mathematik für Physiker III WS 2012/2013 Freitag 211 $Id: implizittexv 18 2012/11/01 20:18:36 hk Exp $ $Id: lagrangetexv 13 2012/11/01 1:24:3 hk Exp hk $ 1 Umkehrfunktionen und implizite Funktionen 13
MehrTopologie und Differentialrechnung mehrerer Veränderlicher, SS 2009 Modulprüfung/Abschlussklausur. Aufgabe Punkte
Universität München 22. Juli 29 Topologie und Differentialrechnung mehrerer Veränderlicher, SS 29 Modulprüfung/Abschlussklausur Name: Aufgabe 2 3 4 Punkte Gesamtpunktzahl: Gesamturteil: Schreiben Sie unbedingt
MehrNichtlineare Gleichungssysteme
Kapitel 5 Nichtlineare Gleichungssysteme 51 Einführung Wir betrachten in diesem Kapitel Verfahren zur Lösung von nichtlinearen Gleichungssystemen Nichtlineares Gleichungssystem: Gesucht ist eine Lösung
MehrNumerische Verfahren zur Lösung unrestringierter Optimierungsaufgaben. Eine kurze Einführung in Quasi Newton Verfahren
Ergänzungen zu dem Buch Numerische Verfahren zur Lösung unrestringierter Optimierungsaufgaben von Carl Geiger und Christian Kanzow (Springer Verlag, 1999) Eine kurze Einführung in Quasi Newton Verfahren
MehrInterpolation, lineare Gleichungen (mit und ohne Lösungen) und lineare Regression
Interpolation, lineare Gleichungen (mit und ohne Lösungen) und lineare Regression Franz Pauer Institut für Mathematik, Universität Innsbruck Technikerstr. 13/7, A-6020 Innsbruck, Österreich franz.pauer@uibk.ac.at
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
Mehre x e x x e x + e x (falls die Grenzwerte existieren), e x e x 1 e 2x = lim x 1
Aufgabe a Hier kann man die Regel von de l Hospital zweimal anwenden (jeweils und die Ableitung des Nenners ist für hinreichend große x ungleich. Dies führt auf e x e x e x + e x e x + e x e x e x e x
MehrMusterlösung zu Blatt 1
Musterlösung zu Blatt Analysis III für Lehramt Gymnasium Wintersemester 0/4 Überprüfe zunächst die notwendige Bedingung Dfx y z = 0 für die Existenz lokaler Extrema Mit x fx y z = 8x und y fx y z = + z
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
Mehr$Id: integral.tex,v /05/05 14:57:29 hk Exp hk $ ln(1 + t) 2 = ln 2 ln 3 + ln 2 = ln
$Id: integral.tex,v.5 2009/05/05 4:57:29 hk Exp hk $ 2 Integralrechnung 2.3 Die Integrationsregeln Wir wollen noch eine letzte kleine Anmerkung zur Substitutionsregel machen. Der letzte Schritt bei der
Mehr6. Vorlesung. Rechnen mit Matrizen.
6. Vorlesung. Rechnen mit Matrizen. In dieser Vorlesung betrachten wir lineare Gleichungs System. Wir betrachten lineare Gleichungs Systeme wieder von zwei Gesichtspunkten her: dem angewandten Gesichtspunkt
MehrImplizite Funktionen. Ist für eine stetig differenzierbare Funktion f : R n R m R n. so lässt sich das Gleichungssystem
Implizite Funktionen Ist für eine stetig differenzierbare Funktion f : R n R m R n f (x, y ) = (0,..., 0) t, det f x (x, y ) 0, so lässt sich das Gleichungssystem f k (x 1,..., x n, y 1,..., y m ) = 0,
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Wintersemester 2014/15 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax
MehrMathematische Grundlagen für die Vorlesung. Differentialgeometrie
Mathematische Grundlagen für die Vorlesung Differentialgeometrie Dr. Gabriele Link 13.10.2010 In diesem Text sammeln wir die nötigen mathematischen Grundlagen, die wir in der Vorlesung Differentialgeometrie
MehrKapitel 1. Vektoren und Matrizen. 1.1 Vektoren
Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren
Mehr(c) (a) X ist abgeschlossen. X = A,wobeiderDurchschnittüberalleabgeschlossenenMengengebildet wird, die X enthalten. (d) (e)
27 15. Metrische Räume Mit Hilfe einer Norm können wir den Abstand x y zweier Punkte x, y messen. Eine Metrik ist eine Verallgemeinerung dieses Konzepts: 15.1. Metriken. Es sei M eine beliebige Menge.
MehrNumerische Integration und Differentiation
Einführung Grundlagen Bemerkung (Numerische Mathematik) a) Im engeren Sinn: zahlenmäßige Auswertung mathematischer Zusammenhänge z B Lösung von linearen und nichtlinearen Gleichungssystemen Numerische
Mehr[5], [0] v 4 = + λ 3
Aufgabe 9. Basen von Untervektorräumen. Bestimmen Sie Basen von den folgenden Untervektorräumen U K des K :. K = R und U R = span,,,,,.. K = C und U C = span + i, 6, i. i i + 0. K = Z/7Z und U Z/7Z = span
MehrMathematik I. k=0 c k(x a) k bilden die Teilpolynome n k=0 c k(x a) k polynomiale Approximationen für die Funktion f
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 30 Zu einer konvergenten Potenzreihe f(x) = c k(x a) k bilden die Teilpolynome n c k(x a) k polynomiale Approximationen für die Funktion
Mehrm 1 Die Bewegung der drei Kugeln wird beschrieben durch das folgende Differentialgleichungssystem x 1 (t) x 2 (t) x 3 (t) k 12 k 12 k 12 k k 23
Kapitel 5 Eigenwerte 5. Definition und Beispiele Wir sehen uns ein System dreier schwingender Kugeln der Massen m, m und m 3 an, die durch Federn aneinander gekoppelt sein sollen. m k m k 3 m 3 x ( t x
MehrMathematik für Anwender I. Beispielklausur I mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Mathematik für Anwender I Beispielklausur I mit en Dauer: Zwei volle Stunden + 10 Minuten Orientierung, in denen noch nicht geschrieben werden darf.
MehrSerie 13. Analysis D-BAUG Dr. Cornelia Busch FS 2016
Analysis D-BAUG Dr. Cornelia Busch FS 2016 Serie 13 1. Prüfungsaufgabe 4, Winter 2014. Bestimmen Sie die Funktion, für die gilt: An jeder Stelle des Definitionsbereichs ist die Steigung des Graphen der
MehrFunktionen mehrerer Variabler
Vektoranalysis Funktionen mehrerer Variabler Wir untersuchen allgemein vektorwertige Funktionen von vektoriellen Argumenten, wobei zunächst nur reelle Vektoren zugelassen seien. Speziell betrachten wir:
MehrExtremwerte von Funktionen mehrerer reeller Variabler
Extremwerte von Funktionen mehrerer reeller Variabler Bei der Bestimmung der Extrema von (differenzierbaren) Funktionen f : R n R ist es sinnvoll, zuerst jene Stellen zu bestimmen, an denen überhaupt ein
MehrVorbereitung für die Prüfung Mathematik II für Informatiker
Technische Universität Ilmenau SS 2010 Institut für Mathematik Inf Prof. Dr. Michael Stiebitz Vorbereitung für die Prüfung Mathematik II für Informatiker 1 Lineare Algebra Aufgabe 1 Schauen Sie sich die
MehrFolgerungen aus dem Auflösungsatz
Folgerungen aus dem Auflösungsatz Wir haben in der Vorlesung den Satz über implizite Funktionen (Auflösungssatz) kennen gelernt. In unserer Formulierung lauten die Resultate: Seien x 0 R m, y 0 R n und
Mehr2 Polynome und rationale Funktionen
Gleichungen spielen auch in der Ingenieurmathematik eine große Rolle. Sie beschreiben zum Beispiel Bedingungen, unter denen Vorgänge ablaufen, Gleichgewichtszustände, Punktmengen. Gleichungen für eine
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof. Dr. M. Keyl M. Kech TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Mathematik für Physiker 3 (Analysis ) MA903 http://www-m5.ma.tum.de/allgemeines/ma903 06S Sommersem. 06 Lösungsblatt 8 (3.6.06)
Mehr