x 0 x 1 x 2... x n y 0 y 1 y 2... y n Taulukko 1:

Samankaltaiset tiedostot
Numeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35

Numeeriset menetelmät

Numeeriset menetelmät

x j x k Tällöin L j (x k ) = 0, kun k j, ja L j (x j ) = 1. Alkuperäiselle interpolaatio-ongelmalle saadaan nyt ratkaisu

Funktioiden approksimointi ja interpolointi

3.1 Väliarvolause. Funktion kasvaminen ja väheneminen

k=0 saanto jokaisen kolmannen asteen polynomin. Tukipisteet on talloin valittu

Numeeriset menetelmät TIEA381. Luento 7. Kirsi Valjus. Jyväskylän yliopisto. Luento 7 () Numeeriset menetelmät / 43

Numeerinen analyysi Harjoitus 3 / Kevät 2017

1 Rajoittamaton optimointi

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2

x 7 3 4x x 7 4x 3 ( 7 4)x 3 : ( 7 4), 7 4 1,35 < ln x + 1 = ln ln u 2 3u 4 = 0 (u 4)(u + 1) = 0 ei ratkaisua

Numeeriset menetelmät

Polynomit, interpolaatio ja funktion approksimointi

BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018

Antti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.

MS-A0107 Differentiaali- ja integraalilaskenta 1 (CHEM)

Inversio-ongelmien laskennallinen peruskurssi Luento 2

Matematiikan tukikurssi

3 = Lisäksi z(4, 9) = = 21, joten kysytty lineaarinen approksimaatio on. L(x,y) =

13. Taylorin polynomi; funktioiden approksimoinnista. Muodosta viidennen asteen Taylorin polynomi kehityskeskuksena origo funktiolle

3.3 Paraabeli toisen asteen polynomifunktion kuvaajana. Toisen asteen epäyhtälö

Matematiikan tukikurssi

Juuri 12 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty

Derivaatan sovellukset (ääriarvotehtävät ym.)

MS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio.

w + x + y + z =4, wx + wy + wz + xy + xz + yz =2, wxy + wxz + wyz + xyz = 4, wxyz = 1.

Matematiikan peruskurssi (MATY020) Harjoitus 10 to

6*. MURTOFUNKTION INTEGROINTI

DIFFERENTIAALI- JA INTEGRAALILASKENTA I.1. Ritva Hurri-Syrjänen/Syksy 1999/Luennot 6. FUNKTION JATKUVUUS

VASTAA YHTEENSÄ KUUTEEN TEHTÄVÄÄN

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:

4. Funktion arvioimisesta eli approksimoimisesta

Numeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33

Pienimmän neliösumman menetelmä

Matematiikan tukikurssi, kurssikerta 3

Kuva 1: Funktion f tasa-arvokäyriä. Ratkaisu. Suurin kasvunopeus on gradientin suuntaan. 6x 0,2

2 Yhtälöitä ja epäyhtälöitä

Aiheet. Kvadraattinen yhtälöryhmä. Kvadraattinen homogeeninen YR. Vapaa tai sidottu matriisi. Vapauden tutkiminen. Yhteenvetoa.

Numeerinen integrointi ja derivointi

6. Toisen ja korkeamman kertaluvun lineaariset

MATP153 Approbatur 1B Harjoitus 5 Maanantai

Inversio-ongelmien laskennallinen peruskurssi Luento 3

MS-C1340 Lineaarialgebra ja

5 Differentiaalilaskentaa

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n

n. asteen polynomilla on enintään n nollakohtaa ja enintään n - 1 ääriarvokohtaa.

Käänteismatriisi 1 / 14

MAA02. A-osa. 1. Ratkaise. a) x 2 + 6x = 0 b) (x + 4)(x 4) = 9 a) 3x 6x

Luento 9: Yhtälörajoitukset optimoinnissa

Tässä dokumentissa on ensimmäisten harjoitusten malliratkaisut MATLABskripteinä. Voit kokeilla itse niiden ajamista ja toimintaa MATLABissa.

Tekijä MAA2 Polynomifunktiot ja -yhtälöt = Vastaus a)

Pienimm"an neli"osumman sovitus

12. Hessen matriisi. Ääriarvoteoriaa

MS-C1340 Lineaarialgebra ja

y = k 1 x + b 1, x < s y = k 2 x + b 2, x > s

jakokulmassa x 4 x 8 x 3x

Numeeriset menetelmät

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.

MS-A0102 Differentiaali- ja integraalilaskenta 1

1 Lineaariavaruus eli Vektoriavaruus

MS-A010{3,4} (ELEC*) Differentiaali- ja integraalilaskenta 1 Luento 4: Derivaatta

SARJAT JA DIFFERENTIAALIYHTÄLÖT

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi

Matematiikan tukikurssi

VEKTORIANALYYSIN HARJOITUKSET: VIIKKO 4

Matematiikan tukikurssi

MATEMATIIKAN KOE, PITKÄ OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

f(x) f(y) x y f f(x) f(y) (x) = lim

Differentiaalilaskenta 1.

Aiheet. Kvadraattinen yhtälöryhmä. Kvadraattinen homogeeninen YR. Vapaa tai sidottu matriisi. Vapauden tutkiminen. Yhteenvetoa.

Yhtälöryhmät 1/6 Sisältö ESITIEDOT: yhtälöt

Likimääräisratkaisut ja regularisaatio

BM20A5810 Differentiaalilaskenta ja sovellukset Harjoitus 5, Syksy 2016

1 sup- ja inf-esimerkkejä

f(x 1, x 2 ) = x x 1 k 1 k 2 k 1, k 2 x 2 1, 0 1 f(1, 1)h 1 = h = h 2 1, 1 12 f(1, 1)h 1 h 2

Maksimit ja minimit 1/5 Sisältö ESITIEDOT: reaalifunktiot, derivaatta

Luku 4. Derivoituvien funktioiden ominaisuuksia.

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45

Oletetaan, että funktio f on määritelty jollakin välillä ]x 0 δ, x 0 + δ[. Sen derivaatta pisteessä x 0 on

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45

Pienimmän Neliösumman menetelmä (PNS)

Luento 8: Epälineaarinen optimointi

Luento 8: Epälineaarinen optimointi

2 Osittaisderivaattojen sovelluksia

f (28) L(28) = f (27) + f (27)(28 27) = = (28 27) 2 = 1 2 f (x) = x 2

Yhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Ominaisarvot ja ominaisvektorit 140 / 170

Kohdeyleisö: toisen vuoden teekkari

4 Korkeamman kertaluvun differentiaaliyhtälöt

Numeeriset menetelmät

Epälineaaristen yhtälöiden ratkaisumenetelmät

Matematiikan peruskurssi 2

MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I

mplperusteet 1. Tiedosto: mplp001.tex Ohjelmat: Maple, [Mathematica] Sievennä lauseke x 1 ( mplp002.tex (PA P1 s.2011)

Transkriptio:

[?, Luku 10], interpolaatio.tex 6.7.04 1 Interpolaatio Olkoon annettu taulukko x 0 x 1 x 2... x n y 0 y 1 y 2... y n Taulukko 1: Voidaan ajatella, että kyse on annetun funktion taulukoiduista arvoista annetuissa pisteissä x 0,x 1,...,x n. Toisaalta taulukko voi edustaa johonkin havaintoaineistoon tai kokeeseen liittyviä mittaustuloksia, kuten lämpötilaa mitattuna vaikkapa tunnin välein, luokan oppilaiden pituuksia, kun oppilaat numeroidaan aakkosjärjestyksessä, jne. Jos tiedetään, tai on aihetta olettaa, että luvut edustavat jonkin sileän 1 funktion arvoja hyvällä tarkkuudella laskettuna/mitattuna, voi olla järkevää asettaa tehtäväksi määrittää johonkin sopivaan funktioluokkaan kuuluva funktio, jonka kuvaaja kulkee tarkalleen kaikkien annettujen pisteiden kautta. Tällöin puhutaan interpolaatiosta. Toisaalta, jos mittaukset ovat epätarkkoja, tai kaikkien pisteiden kautta kulkemisen vaatimus on muuten tilanteeseen sopimaton, voidaan etsiä aineistoon liittyvää pääsuuntaa, trendiä ns. pienimmän neliösumman approksimaatiolla. Tällöin puhutaan usein käyrän sovittamisesta aineistoon. Tyypillisesti aineistoa on paljon, ja sovitus tehdän alhaista astetta olevalla polynomilla, joskin muitakin funktioluokkia käytetään. Varsin usein otetaan ensimmäisen asteen polynomi, jolloin puhutaan pienimmän neliösumman suorasta. Tässä kohdassa käsittelemme nimenomaan interpolaatiota, ja edellä mainituksi funktioluokaksi otamme polynomifunktiot. Toisin kuin pienimmän neliösumman sovituksessa, polynomi-interpolaatiossa annettujen pisteiden lukumäärän kasvaessa polynomin asteluku yleensä kasvaa, kuten kohta näemme. 1.1 Koulumatematiikan kertausta polynomeista Aloitetaan koulusta tutulla lauseella. Lause 1. Jos polynomilla p(x) = a 0 +a 1 x+a 2 x 2 +...+a n x n on nollakohta x 0, niin p(x) on jaollinen (x x 0 ):lla. Todistus. Muodostetaan erotus p(x) p(x 0 ) = a 1 (x x 0 )+a 2 (x 2 x 2 0)+...+a n (x n x n 0). Jokaisessa termissä (x k x k 0) on (x x 0 ) tekijänä johtuen kaavasta 1 Sileydellä tarkoitamme ao. sovelluksen kannalta riittävän monen derivaatan olemassaoloa. 1

x k x k 0 = (x x 0 )(x k 1 +x k 2 x 0 +...+xx k 2 0 +x k 1 0 ). Saamme heti yksinkertaisen, mutta tärkeän tosiasian. Seuraus 2. Jos kaksi korkeintaan astetta n olevaa polynomia yhtyy (n + 1) :ssä eri pisteessä, niin ne yhtyvät kaikkialla (ts. ovat identtiset). Huomautus 1. Ajattele yksinkertaisinta tapausta n = 1. Geometrisesti on kyse siitä, että tason kaksi pistettä määrää yksikäsitteisesti suoran. Tapaus n = 2 tarkoittaa, että 3 pistettä määrää yksikäsitteisesti paraabelin. (Tämä ei enää ole itsestään selvää, joskin uskottavaa.) Todistus. Olkoot p ja q korkeintaan astetta n olevia polynomeja, jotka saavat samat arvot pisteissä x 0,...,x n. Tällöin erotuspolynomi r(x) = p(x) q(x) on niinikään korkeintaan astetta n. Olkoon tuo astelukud n.erotuspolynomillar onoletuksenmukaand+1(jopan+1)erillistänollakohtaax 0,...,x d. Kun lausetta sovelletaan peräkkäin d kertaa, seuraa erotuspolynomille esitys r(x) = c(x x 0 )...(x x d 1 ), missä c on jokin vakio. Koska myös r(x d ) = 0 ja kaikki tekijät x d x i,i = 0...d 1 ovat nollasta erillisiä, on tulon nollasäännön mukaan oltava c = 0, eli erotuspolynomi r(x) = p(x) q(x) on identtisesti 0. Huomautus 2. Kannattaa panna merkille, että tämä tärkeä johtopäätös seuraa puhtaasti koulussa opetettavasta perusalgebrasta, eikä siis ole mitenkään riippuvainen syvällisestä algebran peruslauseesta. Tällä tarkoitetaan lausetta, jonka mukaan jokaisella astetta n 1 olevalla polynomilla on kompleksitasossa ainakin yksi nollakohta. 1.2 Approksimointi interpolaatiopolynomilla Palataan alussa esitettyyn taulukkoon 1. Polynomi-interpolaatiotehtävä tarkoittaa seuraavaa: Interpolaatiotehtävä. Annettu x- ja y-pisteet (taulukko 1). Määrättävä mahdollisimman alhaista astetta oleva polynomi p siten, että p(x k ) = y k,k = 0,...,n. Jos y k arvot ovat annetun funktion f arvoja pisteissä x k, niin interpolaatiopolynomi siis yhtyy funktion f arvoihin x k -pisteissä, ts. p(x k ) = f(x k ),k = 0,...,n. Ensimmäinen ratkaisuyritys rakennetaan yhtälöryhmä Lasketaanpa esimerkki. Esimerkki 1. Jospa meillä on x pisteet x 0 = 2,x 1 = 1,x 2 = 3 ja vastaavat y arvot y 0 = 1,y 1 = 2,y 2 = 5. Etsimme toisen asteen polynomia p(x) = a 0 +a 1 x+a 2 x 2, joka toteuttaa ehdot p(x k ) = y k,k = 0,1,2. Tosin sanoen tehtävänä on asettaa paraabeli pisteiden ( 2, 1),( 1, 2),(3, 5) kautta. 2

Suoraviivaisinta on muodostaa yhtälöryhmä, jossa annetut x k ja y k - pisteet ovat tunnettuja vakioita ja polynomin kertoimet ratkaistavia tuntemattomia. Esimerkissämme saamme polynomin kertoimien a 0,a 1,a 2 määräämiseksi yhtälöryhmän: a 0 +a 1 ( 2)+a 2 ( 2) 2 = 1 a 0 +a 1 ( 1)x+a 2 ( 1) 2 = 2 a 0 +a 1 3+a 2 3 2 = 5 Tehtävä palautuu siten lineariseen yhtälösysteemiin A c = b, missä 1 2 4 1 A = 1 1 1 ja b = 2 1 3 9 5 Laiskan miehen (naisen) tapa on käyttää Matlab:ia: >> A=[1-2 4;1-1 1;1 3 9] A = 1-2 4 1-1 1 1 3 9 >> b=[1;-2;5] b = 1-2 5 >> c=a\b c = -3.1000-0.1500 0.9500 Koska Matlab antaa ratkaisun ilman varoitteluja, on hyvä syy uskoa, että systeemillä on yksikäsitteinen ratkaisu. Katsotaan vielä kuvaa: Piirretään x- ja y-pisteet >> xdata=[-2-1 3]; % Annettujen pisteiden x-koordinaatit >> ydata=[1-2 5]; % Annettujen pisteiden y-koordinaatit >> plot(xdata,ydata, o ) >> hold on % Seuraavat kuvat nykyisten p\"a\"alle. Lisätään samaan kuvaan saamamme polynomin kuvaaja >> x=linspace(-2.1,3.1,100); % V\"alin [-2.1,3.1] jako 100:aan osaan 3

>> p=c(1)+c(2)*x+c(3)*x.^2; % Miksi.^, lue www-oppaista. % polyval on suositeltavampi komento, mutta % yll\"a oleva lienee helpompi ymm\"art\"a\"a. >> plot(x,p) % Polynomin pisteet (100:n resoluutiolla) >> xlim([-2.1 3.1]) % Asetellaan koordinaatistoa paremmaksi >> grid on % koordinaattiviivat 6 5 4 3 2 1 0 1 2 3 4 2 1.5 1 0.5 0 0.5 1 1.5 2 2.5 3 Kuva 1: Interpolointi 2. asteen polynomilla Yleisessä tapauksessa voimme aina muodostaa samalla tavoin yhtälöryhmän. Jos etsimme polynomia p(x) = a 0 +a 1 x+...+a n x n, saamme yhtälöryhmän matriisiksi 1 x 0... x n 0 1 x 1... x n 1 A =.... 1 x n... x n n Tehtävällä on yksikäsitteinen ratkaisu, mikäli matriisin determinantti 0. Tätä muotoa olevaa matriisia kutsutaan Vandermonden matriisiksi. Voidaan osoittaa, että sen determinantti on aina nollasta poikkeava, kun pisteet x 0,...,x n ovat eri pisteet. Huomautus 3. Tätä tietoa emme tarvitse, itse asiassa saamme sen sivutuloksena toisella menetelmällä johtamastamme ratkaisusta. Huomautus 4. Vandermonden matriisi on ei-singulaarinen (det 0), mutta n:n kasvaessa sen ns. häiriöalttius kasvaa voimakkaasti. 2 2 Lyhyesti sanottuna häiriöalttius tarkoittaa, että pienet virheet datassa ja laskujen pyöristyksissä saattavat aiheuttaa suuria virheitä tuloksissa. Tähän aiheeseen palataan, 4

1.3 Lagrangen interpolaatiomenetelmä Interpolaatiotehtävälle on kaksi nerokkaan yksinkertaista ratkaisutapaa, joihin kumpaankin liittyy kuuluisan matemaatikon nimi: Lagrange ja Newton. Esitämme ratkaisun edellisen mukaan. Olkoon siis annettuna erilliset x pisteet x 0,...,x n ja vastaavat y pisteet (joiden ei tarvitse olla erillisiä), eli annettuna on taulukko 1. Tehtävänä on löytää korkeintaan astetta n oleva polynomi p, joka interpoloi annettua dataa, ts. toteuttaa ehdot Lineaarinen interpolaatio p(x k ) = y k,k = 0...n. Jotta idea tulisi esiin mahdollisimman pelkistetysti, lähdetään yksinkertaisimmasta tilanteesta, jossa pisteitä on kaksi ja kyseessä on siten lineaarinen interpolaatio. Analyyttisen geometrian tiedoilla osaamme muodostaa suoran kahden annetun pisteen (x 0,y 0 ) ja (x 1,y 1 ) kautta. Voimme kirjoittaa interpolaatiopolynomin muotoon: p(x) = y 0 + y 1 y 0 x 1 x 0 (x x 0 ). Jotta saataisiin yleistyskelpoinen muoto, kirjoitetaan kaava painotettuna keskiarvona y arvoista keräämällä y termien kertoimet tekijöiksi: p(x) = y 0 x x 1 x 0 x 1 +y 1 x x 0 x 1 x 0. Merkitään kaavassa esiintyviä ensimmäisen asteen polynomeja L 0 (x) ja L 1 (x), jolloin siis p(x) = y 0 L 0 (x)+y 1 L 1 (x). PolynomeillaL 0 jal 1 onominaisuudetl 0 (x 0 ) = 1,L 0 (x 1 ) = 0jaL 1 (x 0 ) = 0,L 1 (x 1 ) = 1.Niitäkutsutaan 1. asteen Lagrangen kertojapolynomeiksi. Esimerkki 2. Olkoon annettu logaritmitaulukkoarvot ln 9.0 = 2.1972 ja ln 9.5 = 2.2513. Laske lineaarista interpolaatiota käyttäen likiarvo ln 9.2:lle. Ratkaisu. Lasketaan Lagrangen polynomit, kun x 0 = 9.0,x 1 = 9.5. (Huomaa, että Lagrangen polynomit määräytyvät pelkästään x 0 ja x 1 -arvoista.) L 0 (x) = x 9.5 9.0 9.5, L 1(x) = x 9.0 9.5 9.0. Kun sijoitetaan x = 9.2, saadaan L 0 (9.2) = 0.6, L 1 (9.2) = 0.4. Siis p(9.2) = y 0 0.6+y 1 0.4 = 2.19720.6+2.25130.4 = 2.2188. Miten suuri virhe tehdään? Logaritmin arvo 5:n numeron tarkkuudella on 2.2192, joten virhe on 2.2192-2.2188 = 0.0004. (Saamme 4 oikeaa numeroa.) Kvadraattinen interpolaatio 5

1 1 L 0 (x) L 1 (x) 0 0 Kuva 2: 1. asteen Lagrangen polynomit L 0 ja L 1 Miten voisimme edellä olevaa menettelyä yleistää. Kun siirrymme lineaarisesta kvadraattiseen tapaukseen, tulee samalla selvästi näkyviin, miten yleinen tilanne hoidetaan. Nyt on siis annettu 3 pistettä x 0,x 1,x 2 ja vastaavat y 0,y 1,y 2. Jos osaisimme muodostaa toisen asteen polynomit L 0,L 1,L 2 siten, että L 0 (x 0 ) = 1, L 0 (x 1 ) = 0, L 0 (x 2 ) = 0, L 1 (x 0 ) = 0, L 1 (x 1 ) = 1, L 1 (x 2 ) = 0, L 2 (x 0 ) = 0, L 2 (x 1 ) = 0, L 2 (x 2 ) = 1, voisimme kirjoittaa interpolaatiopolynomin heti: p(x) = y 0 L 0 (x)+y 1 L 1 (x)+y 2 L 2 (x). Tällöinhän p on korkeintaan astetta 2 oleva polynomi, ja sijoittamalla x :lle vuorollaan arvot x 0,x 1,x 2 nähdään, että p(x k ) = y k, k = 0,1,2. Miten sitten tuollaiset L k polynomit löydetään? Katsotaan vaikka L 0 :aa. Polynomin pitää saada arvo 0 pisteissä x 1 ja x 2. Sellainen polynomi on c(x x 1 )(x x 2 ), missä c on mielivaltainen vakio. Määrätään vakio c siten, että ehto L 0 (x 0 ) = 1 toteutuu, ts. c(x 0 x 1 )(x 0 x 2 ) = 1, josta saadaan kerroin c = 1/((x 0 x 1 )(x 0 x 2 )), joten Aivan samoin saadaan L 0 (x) = (x x 1)(x x 2 ) (x 0 x 1 )(x 0 x 2 ). L 1 (x) = (x x 0)(x x 2 ) (x 1 x 0 )(x 1 x 2 ), L 2(x) = (x x 0)(x x 1 ) (x 2 x 0 )(x 2 x 1 ). 6

Jos merkitään l 0 (x) = (x x 1 )(x x 2 ),l 1 (x) = (x x 0 )(x x 2 ), l 2 (x) = (x x 0 )(x x 1 ), niin L k (x) = l k(x) l k (x k ),k = 0,1,2. Sanallisesti sanottuna: L k (x) :n osoittajassa on tekijät (x x j ),j k, ja nimittäjä saadaan osoittajasta korvaamalla x arvolla x k. Esimerkki 3. KRE exa 2 s. 850 851. Jatketaan edellistä esimerkkiä siten, että otetaan yksi annettu lisäpiste. ratk. Kuten luonnollista on, tarkkuus paranee, kun annettuja pisteitä lisätään, approksimoitavan funktion kannalta ajatellen on luonnollista, että kun käytettävissämme on yksi lisäparametri, jolla suora voidaan taivuttaa paraabeliksi, niin tarkkuutta saadaan parannetuksi. Yleinen tapaus Annettupisteetx 0,...,x n javastinpisteety 0,...,y n.etsitäänsiiskorkeintaanastettanolevaapolynomia p, jolle p(x k ) = y k,k = 0,...,n. Edellinen yleistyy nyt ilmeisellä tavalla. 1. Muodostetaan n-asteiset Lagrangen kertojapolynomit, joilla on ominaisuus: L k (x j ) = δ i,j. Ne saadaan kaavalla L k (x) = n j=0,j k 2. Interpolaatiopolynomi voidaan kirjoittaa muotoon: Kts, vihko s. 5, ahkä parempi esittää niin... Esimerkki 4. p(x) = x x j x k x j, n y j L j (x). j=0 1.4 Interpolaatiovirhe Edellisissä esimerkeissä saimme ensituntuman virheeseen. Todellisessa tilanteessa oikea arvo ei ole käytettävissä tai sen laskeminen on liian työkästä. Siksi on mitä suotavinta. voida arvioida virhettä lausekkeella, joka riippuu vain annetuista taulukkopisteistä ja interpoloitavan funktion yleisistä ominaisuuksista. Jos kyseessä on riittävän sileä funktio, saadaan tällainen, varin kaunis lauseke johdetuksi Olkoon taas kerran annettu pisteet x 0,...,x n, y 0,...,y n ja olkoon f funktio, jolle f(x k ) = y k,k = 0,...,n. Jos f on astetta n oleva polynomi, niin interpolaatiopolynomi yhtyy siihen,joten virhe on 0. Taylorin lause on opettanut meidät ajattelemaan, että polynomiapproksimoinnissa virhekertoimena on funktion (n+1).derivaattaf (n+1) sopivassapisteessälaskettuna.tämäonsopusoinnussaedelläsanotunhavainnon kanssa, koska n:nnen asteen polynomin (n + 1). derivaatta = 0. Emme ryhdy johtamaan tarkemmin virheen kaavaa, vaikkei se ole yhtään vaikeampaa kuin Taylorin lauseen virhekaavan johto. Itse asiassa se menee vastaavalla tekniikalla, soveltamalla Rollen lausetta n 7

kertaa. (Muistele peruskurssi 1:n asioita). Kaava on helppo muistaa, ja vaadimme sen muistettavaksi (ei siis anneta koepaperissa). Lause 3. Polynomi-interpolaation virhe Olkoon f n + 1 kertaa jatkuvasti derivoituva funktio tarkasteluvälillä, jolle annetut pisteet x 0,...,x n ja laskentapiste x kuulukoot. Olkoon p n vastaava interpolaatiopolynomi. Tällöin virheelle ǫ n (x) = f(x) p n (x) pätee: ǫ n (x) = (x x 0 )(x x 1 )...(x x n ) f(n+1) (t) (n+1)!, missä t on jokin piste välillä, johon kaikki x k pisteet ja x kuuluvat. Huom! Piste t on tuntematon ja se riippuu yleensä x : stä. Virhearvion soveltamiseksi on yleensä ensin etsittävä yläraja f (n+1) :lle ko. välillä. Käytännössä tämä on usein kätevintä tehdä symboliohjelmalla (Maple, Mathematica). Ylärajaa on turha arvioida kovin tarkkaan, kuvaajasta katsomalla saatu tarkkuus on aivan riittävä. Muita periaatteita, kts. KRE ss. 851 852 8