ˇ ˇ SVEUCILISTE U ZAGREBU ˇ PMF – MATEMATICKI ODJEL

Zlatko Drmaˇ c Miljenko Maruˇi´ sc Sanja Singer

Vjeran Hari Mladen Rogina Saˇa Singer s

Numeriˇka analiza c
Predavanja i vjeˇbe z

Zagreb, 2003.

NUM ANAL – i

Predgovor
Ova elektroniˇka knjiga nastala je zalaganjem grupe znanstvenika okupljenih c na Projektu primjene informatiˇke tehnologije 2001–96 , “Numeriˇka matematika: c c osnovni udˇbenik”, Ministarstva znanosti i tehnologije Republike Hrvatske. Pisana z je u 2002. i 2003. godini. Knjiga je prvenstveno namijenjena studentima matematike i fizike te boljim studentima tehnike i ekonomije. Knjiga daje ˇiri pregled podruˇja numeriˇke mas c c tematike i predstavlja centralnu toˇku i osnovu za pisanje nadovezuju´ih knjiga c c iz srodnih podruˇja: numeriˇke linearne algebre, numeriˇkog rjeˇavanja obiˇnih i c c c s c parcijalnih diferencijalnih jednadˇbi, raˇunalne geometrije, raˇunalne grafike, itd. z c c Knjiga takoder sluˇi kao izvor dovoljno opseˇnih informacija za pisanje jednostavz z nijih udˇbenika iz numeriˇke matematike, prilagodenih pojedinim fakultetima, npr. z c tehniˇkim, ekonomskim ili prirodoslovnim. Ona je zamiˇljena i kao zaˇetak inforc s c macijskog portala za numeriˇku matematiku u Hrvatskoj, na kojem bi studenti, c znanstvenici i svi zainteresirani mogli na´i sadrˇaj ve´ine disertacija, magistarskih c z c i diplomskih radova iz ˇireg podruˇja numeriˇke matematike, software, kao i pokas c c zivaˇe na najpoznatije svjetske web-portale iz numeriˇke matematike. Knjiga ´e se c c c iz godine u godinu poboljˇavati, dodavat ´e se novi primjeri, zadaci, slike, reference s c i pokazivaˇi na druge sadrˇaje. c z Knjiga je podijeljena u jedanaest poglavlja. U uvodnom dijelu dani su neki osnovni rezultati iz analize, kao npr. teoremi o srednjoj vrijednosti koji ´e se korisc titi kasnije. U drugom poglavlju dana je opseˇna i moderna analiza greˇaka koje z s prate raˇunanje na modernim raˇunalima. U tre´em poglavlju uvode se glavni pojc c c movi iz linearne algebre kao ˇto su vektorski prostori, matrice i norme. U ˇetvrtom s c poglavlju dana je teorija sustava linearnih jednadˇbi i nekoliko osnovnih metoda za z njihovo rjeˇavanje. Peto poglavlje bavi se teorijom i algoritmima za nalaˇenje vlastis z ˇ tih vrijednosti matrica. Sesto poglavlje bavi se izraˇunavanjem vrijednosti funkcija. c Sedmo, najopseˇnije poglavlje, bavi se teorijom aproksimacije koja ukljuˇuje inz c terpolaciju, numeriˇko deriviranje, aproksimaciju spline funkcijama i ortogonalnim c polinomima i metodu najmanjih kvadrata. Osmo poglavlje bavi se numeriˇkim c nalaˇenjem nultoˇaka funkcija, a deveto numeriˇkim integriranjem. U desetom z c c poglavlju, opisane su glavne metode za numeriˇko rjeˇavanje obiˇnih diferencijalc s c nih jednadˇbi, a u kra´em jedanaestom poglavlju dan je uvod u optimizaciju. z c Posao pisanja knjige bio je podijeljen tako da je svaki suradnik (ili grupa) napisao jedno ili viˇe poglavlja. Voditelj grupe Vjeran Hari napisao je prva dva i s dio (odjeljci 1., 2. i 3.) tre´eg poglavlja. Zlatko Drmaˇ napisao je ˇetvrto, a Ivan c c c Slapniˇar (uz malu pomo´ voditelja) peto poglavlje. Sanja i Saˇa Singer napisali c c s velik dio knjige, ˇesto, osmo, deveto i dio tre´eg poglavlja. Sedmo poglavlje napisali s c su zajedniˇkim snagama Mladen Rogina (dio odjeljka 2. i odjeljak 4.) te Sanja i Saˇa c s Singer. Miljenko Maruˇi´ napisao je deseto i jedanaesto poglavlje. Postoje i Sanjini i sc

NUM ANAL – ii

Saˇini dodatni sadrˇaji do kojih se dode preko pokazivaˇa. Sanja je takoder preuzela s z c teˇak posao uredivanja knjige, nakon ˇto su suradnici napisali svoje dijelove. z s a Knjiga je napisana u L TEX-u, ˇiji lijepi stil su definirali Sanja i Saˇa. U HTML c s je prevedena na FESB-u Sveuˇiliˇta u Splitu zahvaljuju´i grupi oko Ivana. Mladen c s c vodi brigu oko administriranja knjige ˇto ukljuˇuje ugradivanje novih sadrˇaja. s c z Osim DVI formata koji se ˇita pomo´u posebnih programa (tzv. dvi-preglednika), c c postoje i verzije knjige u jeziku Postscript i PDF (portable document format), tako da se moˇe ˇitati npr. pomo´u rasprostranjenog Acrobat readera. Nalazi se na web z c c adresi: www.math.hr/znanost/iprojekti/numat. Na kraju, ˇelim zahvaliti suradnicima na zalaganju i Ministarstvu na pomo´i. z c Vjeran Hari Redoviti profesor na PMF-MO Sveuˇiliˇta u Zagrebu c s

Sadrˇaj z
1. Uvodni dio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1. 2. Pomo´ni rezultati iz analize . . . . . . . . . . . . . . . . . . . . . c 1 2 11 11 12 14 15 17 18 19 21 22 23 27 29 30 31 32 42 50 50 54 57

Kratki uvod u linearnu algebru . . . . . . . . . . . . . . . . . . . . 2.1. Vektorski prostor . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.1. 2.1.2. 2.1.3. 2.1.4. 2.1.5. 2.1.6. 2.2. Osnovna svojstva vektorskog prostora . . . . . . . . . . . . Norma u vektorskom prostoru . . . . . . . . . . . . . . . . Skalarni produkt u vektorskom prostoru . . . . . . . . . . Dimenzija vektorskog prostora . . . . . . . . . . . . . . . . Baza vektorskog prostora . . . . . . . . . . . . . . . . . . . Linearni operatori . . . . . . . . . . . . . . . . . . . . . . .

Matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.1. 2.2.2. 2.2.3. 2.2.4. 2.2.5. 2.2.6. 2.2.7. 2.2.8. Zbrajanje matrica i mnoˇenje matrica skalarom . . . . . . z Mnoˇenje matrica . . . . . . . . . . . . . . . . . . . . . . . z Kompleksne matrice . . . . . . . . . . . . . . . . . . . . . Rang matrice . . . . . . . . . . . . . . . . . . . . . . . . . Sustav linearnih jednadˇbi i inverz matrice . . . . . . . . . z Lijevi i desni inverz, regularne i singularne matrice . . . . . Specijalne klase matrica . . . . . . . . . . . . . . . . . . . Vlastite vrijednosti i vektori . . . . . . . . . . . . . . . . .

2.3.

Singularna dekompozicija matrice . . . . . . . . . . . . . . . . . . 2.3.1. 2.3.2. 2.3.3. Definicija i osnovni teoremi . . . . . . . . . . . . . . . . . . Izravne posljedice singularne dekompozicije . . . . . . . . . Aproksimacija matrice matricom manjeg ranga . . . . . . . iii

ˇ SADRZAJ

NUM ANAL – iv

2.3.4. 2.3.5. 2.3.6. 2.4.

Wielandtova matrica . . . . . . . . . . . . . . . . . . . . . Neke nejednakosti sa singularnim vrijednostima . . . . . . Generalizirani inverz . . . . . . . . . . . . . . . . . . . . .

59 61 62 65 65 68 72 72 72 74 76 78 78 81 88 89 91 93 97 99 101 103 104 106 106 108 109 114 119 121

Vektorske i matriˇne norme . . . . . . . . . . . . . . . . . . . . . c 2.4.1. 2.4.2. Vektorske norme . . . . . . . . . . . . . . . . . . . . . . . Matriˇne norme . . . . . . . . . . . . . . . . . . . . . . . . c

3.

Greˇke u numeriˇkom raˇunanju . . . . . . . . . . . . . . . . . . . s c c 3.1. Tipovi greˇaka . . . . . . . . . . . . . . . . . . . . . . . . . . . . s 3.1.1. 3.1.2. 3.1.3. 3.2. Greˇke zbog polaznih aproksimacija . . . . . . . . . . . . . s Greˇke zaokruˇivanja . . . . . . . . . . . . . . . . . . . . . s z Apsolutna i relativna greˇka, znaˇajne znamenke . . . . . . s c

Aritmetika s pomiˇnom toˇkom . . . . . . . . . . . . . . . . . . . c c 3.2.1. 3.2.2. Pretvaranje decimalne u binarnu reprezentaciju . . . . . . Reprezentacija brojeva u raˇunalu . . . . . . . . . . . . . . c

3.3.

IEEE Aritmetika . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.1. 3.3.2. 3.3.3. 3.3.4. 3.3.5. 3.3.6. 3.3.7. 3.3.8. Jednostruki format . . . . . . . . . . . . . . . . . . . . . . Dvostruki format . . . . . . . . . . . . . . . . . . . . . . . BSPT i zaokruˇivanje u BSPT . . . . . . . . . . . . . . . . z Korektno zaokruˇene osnovne raˇunske operacije . . . . . . z c Implementacija operacija na raˇunalu . . . . . . . . . . . . c Drugi korijen, ostatak pri dijeljenju i konverzija formata . . Izuzeci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Prekoraˇenje, potkoraˇenje i postupno potkoraˇenje . . . . c c c

3.4.

Stabilnost numeriˇkog raˇunanja . . . . . . . . . . . . . . . . . . c c 3.4.1. 3.4.2. 3.4.3. 3.4.4. 3.4.5. 3.4.6. Greˇke unazad i unaprijed . . . . . . . . . . . . . . . . . . s Uvjetovanost . . . . . . . . . . . . . . . . . . . . . . . . . . Akumulacija greˇaka zaokruˇivanja . . . . . . . . . . . . . s z Kra´enje . . . . . . . . . . . . . . . . . . . . . . . . . . . . c Kra´enje greˇaka zaokruˇivanja . . . . . . . . . . . . . . . c s z Rjeˇavanje kvadratne jednadˇbe . . . . . . . . . . . . . . . s z

ˇ SADRZAJ

NUM ANAL – v

3.4.7. 3.5.

Kako dizajnirati stabilne algoritme . . . . . . . . . . . . .

123 124 130 133 137 140

Osnove analize greˇaka zaokruˇivanja . . . . . . . . . . . . . . . . s z 3.5.1. 3.5.2. 3.5.3. 3.5.4. 3.5.5. Propagiranje greˇaka zaokruˇivanja . . . . . . . . . . . . . s z Stabilnost produkta od n brojeva . . . . . . . . . . . . . . Stabilnost sume . . . . . . . . . . . . . . . . . . . . . . . . Kompenzirano sumiranje . . . . . . . . . . . . . . . . . . .

Stabilnost skalarnog produkta i osnovnih matriˇnih operacija 142 c

4.

Sustavi linearnih jednadˇbi . . . . . . . . . . . . . . . . . . . . . . . 145 z 4.1. 4.2. 4.3. Vodiˇ kroz ovo poglavlje . . . . . . . . . . . . . . . . . . . . . . . c Primjeri: Kako nastaje linearni sustav jednadˇbi . . . . . . . . . z Gaussove eliminacije i trokutaste faktorizacije . . . . . . . . . . . 4.3.1. 4.3.2. 4.3.3. 4.3.4. 4.4. Matriˇni zapis metode eliminacija . . . . . . . . . . . . . . c Trokutasti sustavi: rjeˇavanje supstitucijama unaprijed i s unazad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . LU faktorizacija . . . . . . . . . . . . . . . . . . . . . . . . LU faktorizacija s pivotiranjem . . . . . . . . . . . . . . . 146 147 150 151 155 156 163 171 172 181 182 183 185 186 192 194 196 197 200 201 203

Numeriˇka svojstva Gaussovih eliminacija . . . . . . . . . . . . . c 4.4.1. 4.4.2. 4.4.3. 4.4.4. Analiza LU faktorizacije. Vaˇnost pivotiranja. . . . . . . . z Analiza numeriˇkog rjeˇenja trokutastog sustava . . . . . . c s Toˇnost izraˇunatog rjeˇenja sustava . . . . . . . . . . . . c c s Dodatak: Osnove matriˇnog raˇuna na raˇunalu . . . . . . c c c . . . . . . .

4.5.

Numeriˇko rjeˇavanje simetriˇnog sustava jednadˇbi c s c z 4.5.1.

Pozitivno definitni sustavi. Faktorizacija Choleskog . . . .

4.6.

Teorija perturbacija za linearne sustave . . . . . . . . . . . . . . 4.6.1. 4.6.2. 4.6.3. 4.6.4. Perturbacije male po normi . . . . . . . . . . . . . . . . . Rezidualni vektor i stabilnost . . . . . . . . . . . . . . . . Perturbacije po elementima . . . . . . . . . . . . . . . . . Dodatak: Udaljenost matrice do skupa singularnih matrica

4.7.

Iterativne metode . . . . . . . . . . . . . . . . . . . . . . . . . . 4.7.1. Jacobijeva i Gauss–Seidelova metoda . . . . . . . . . . . .

ˇ SADRZAJ

NUM ANAL – vi

4.8.

Matematiˇki software za problem Ax = b . . . . . . . . . . . . . c 4.8.1. 4.8.2. 4.8.3. Pregled biblioteke BLAS . . . . . . . . . . . . . . . . . . . Pregled biblioteke LAPACK . . . . . . . . . . . . . . . . . Rjeˇavanje linearnih sustava pomo´u LAPACK-a . . . . . . s c

207 208 212 213

5. 6.

Raˇunanje vlastitih vrijednosti i vlastitih vektora . . . . . . . . 220 c Izvrednjavanje funkcija . . . . . . . . . . . . . . . . . . . . . . . . . 221 6.1. Hornerova shema . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.1. 6.1.2. 6.1.3. 6.1.4. 6.1.5. 6.1.6. 6.1.7. 6.1.8. 6.2. Raˇunanje vrijednosti polinoma u toˇki . . . . . . . . . . . c c Hornerova shema je optimalan algoritam . . . . . . . . . . Stabilnost Hornerove sheme . . . . . . . . . . . . . . . . . Dijeljenje polinoma linearnim faktorom oblika x − x0 . . . Potpuna Hornerova shema . . . . . . . . . . . . . . . . . . “Hornerova shema” za interpolacijske polinome . . . . . . Hornerova shema za realni polinom i kompleksni argument Raˇunanje parcijalnih derivacija kompleksnog polinoma . . c 223 224 225 227 228 230 231 232 236 238 240 244 248 254 256 256 257 265 274 275 276 280

Generalizirana Hornerova shema . . . . . . . . . . . . . . . . . . 6.2.1. 6.2.2. 6.2.3. Izvrednjavanje rekurzivno zadanih funkcija . . . . . . . . . Izvrednjavanje Fourierovih redova . . . . . . . . . . . . . . Klasiˇni ortogonalni polinomi . . . . . . . . . . . . . . . . c

6.3. 6.4.

Stabilnost rekurzija i generalizirane Hornerove sheme . . . . . . . Besselove funkcije i Millerov algoritam . . . . . . . . . . . . . . . 6.4.1. 6.4.2. Op´a forma Millerovog algoritma . . . . . . . . . . . . . . c Izvrednjavanje Besselovih funkcija . . . . . . . . . . . . . .

6.5. 6.6.

Asimptotski razvoj . . . . . . . . . . . . . . . . . . . . . . . . . . Veriˇni razlomci i racionalne aproksimacije . . . . . . . . . . . . . z 6.6.1. 6.6.2. 6.6.3. Brojevni veriˇni razlomci . . . . . . . . . . . . . . . . . . . z Uzlazni algoritam za izvrednjavanje brojevnih veriˇnih raz zlomaka . . . . . . . . . . . . . . . . . . . . . . . . . . . . Eulerova forma veriˇnih razlomaka i neki teoremi konverz gencije . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

ˇ SADRZAJ

NUM ANAL – vii

6.6.4. 6.6.5. 7.

Silazni algoritam za izvrednjavanje brojevnih veriˇnih raz zlomaka . . . . . . . . . . . . . . . . . . . . . . . . . . . . Funkcijski veriˇni razlomci . . . . . . . . . . . . . . . . . . z

284 284

Aproksimacija i interpolacija . . . . . . . . . . . . . . . . . . . . . 288 7.1. Op´i problem aproksimacije . . . . . . . . . . . . . . . . . . . . . c 7.1.1. 7.1.2. 7.1.3. 7.2. Linearne aproksimacijske funkcije . . . . . . . . . . . . . . Nelinearne aproksimacijske funkcije . . . . . . . . . . . . . Kriteriji aproksimacije . . . . . . . . . . . . . . . . . . . . 288 289 290 290 293 294 295 301 302 304 308 345 346 351 352 354 358 359 364 368 376 377 382 387 398 399

Interpolacija polinomima . . . . . . . . . . . . . . . . . . . . . . 7.2.1. 7.2.2. 7.2.3. 7.2.4. 7.2.5. 7.2.6. 7.2.7. 7.2.8. Egzistencija i jedinstvenost interpolacijskog polinoma . . . Kako na´i prave algoritme? . . . . . . . . . . . . . . . . . . c Lagrangeov oblik interpolacijskog polinoma . . . . . . . . . Ocjena greˇke interpolacijskog polinoma s . . . . . . . . . .

Newtonov oblik interpolacijskog polinoma . . . . . . . . . Koliko je dobar interpolacijski polinom? Konvergencija interpolacijskih polinoma . . . . . . . . . . . . . . . . . . . .

Hermiteova i druge interpolacije polinomima . . . . . . . . . . . . . . . . . . . . . .

7.3.

Interpolacija po dijelovima polinomima 7.3.1. 7.3.2. 7.3.3. 7.3.4. 7.3.5. 7.3.6.

Po dijelovima linearna interpolacija . . . . . . . . . . . . . Po dijelovima kubiˇna interpolacija . . . . . . . . . . . . . c Po dijelovima kubiˇna Hermiteova interpolacija . . . . . . c Numeriˇko deriviranje . . . . . . . . . . . . . . . . . . . . c Po dijelovima kubiˇna kvazihermiteova interpolacija . . . . c Kubiˇna splajn interpolacija . . . . . . . . . . . . . . . . . c

7.4.

Interpolacija polinomnim splajnovima — za matematiˇare . . . . c 7.4.1. 7.4.2. 7.4.3. Linearni splajn . . . . . . . . . . . . . . . . . . . . . . . . Hermiteov kubiˇni splajn . . . . . . . . . . . . . . . . . . . c Potpuni kubiˇni splajn . . . . . . . . . . . . . . . . . . . . c

7.5.

Diskretna metoda najmanjih kvadrata . . . . . . . . . . . . . . . 7.5.1. Linearni problemi i linearizacija . . . . . . . . . . . . . . .

ˇ SADRZAJ

NUM ANAL – viii

7.5.2. 7.5.3. 7.5.4. 7.6.

Matriˇna formulacija linearnog problema najmanjih kvadrata 404 c Karakterizacija rjeˇenja . . . . . . . . . . . . . . . . . . . . s Numeriˇko rjeˇavanje problema najmanjih kvadrata . . . . c s 405 408 412 412 413 413 418 419 427 432 433 437 438 441 444

Op´i oblik metode najmanjih kvadrata . . . . . . . . . . . . . . . c 7.6.1. Teˇinski skalarni produkti . . . . . . . . . . . . . . . . . . z

7.7. 7.8. 7.9.

Familije ortogonalnih funkcija . . . . . . . . . . . . . . . . . . . . Neka svojstva ortogonalnih polinoma . . . . . . . . . . . . . . . . Trigonometrijske funkcije . . . . . . . . . . . . . . . . . . . . . . 7.9.1. Diskretna ortogonalnost trigonometrijskih funkcija . . . . .

7.10. Minimaks aproksimacija . . . . . . . . . . . . . . . . . . . . . . . 7.10.1. Remesov algoritam . . . . . . . . . . . . . . . . . . . . . . 7.11. Skoro minimaks aproksimacije . . . . . . . . . . . . . . . . . . . ˇ s 7.12. Interpolacija u Cebiˇevljevim toˇkama . . . . . . . . . . . . . . . c ˇ s 7.13. Cebiˇevljeva ekonomizacija . . . . . . . . . . . . . . . . . . . . . 7.14. Diskretne ortogonalnosti polinoma Tn . . . . . . . . . . . . . . . 7.15. Thieleova racionalna interpolacija . . . . . . . . . . . . . . . . . . 8.

Rjeˇavanje nelinearnih jednadˇbi . . . . . . . . . . . . . . . . . . . 449 s z 8.1. 8.2. 8.3. 8.4. 8.5. 8.6. 8.7. 8.8. 8.9. Op´enito o iterativnim metodama . . . . . . . . . . . . . . . . . c Metoda raspolavljanja (bisekcije) . . . . . . . . . . . . . . . . . . Regula falsi (metoda pogreˇnog poloˇaja) . . . . . . . . . . . . . s z Metoda sekante . . . . . . . . . . . . . . . . . . . . . . . . . . . . Metoda tangente (Newtonova metoda) . . . . . . . . . . . . . . . Metoda jednostavne iteracije . . . . . . . . . . . . . . . . . . . . Newtonova metoda za viˇestruke nultoˇke . . . . . . . . . . . . . s c Hibridna Brent–Dekkerova metoda . . . . . . . . . . . . . . . . . Primjeri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 449 450 454 456 460 466 471 473 473

9.

Numeriˇka integracija . . . . . . . . . . . . . . . . . . . . . . . . . . 478 c 9.1. 9.2. Op´enito o integracijskim formulama . . . . . . . . . . . . . . . . c Newton–Cotesove formule . . . . . . . . . . . . . . . . . . . . . . 478 480

ˇ SADRZAJ

NUM ANAL – ix

9.2.1. 9.2.2. 9.2.3. 9.2.4. 9.2.5. 9.3. 9.4. 9.5.

Trapezna formula . . . . . . . . . . . . . . . . . . . . . . . Simpsonova formula . . . . . . . . . . . . . . . . . . . . . . Produljene formule . . . . . . . . . . . . . . . . . . . . . . Primjeri . . . . . . . . . . . . . . . . . . . . . . . . . . . . Formula srednje toˇke (midpoint formula) . . . . . . . . . c

480 486 491 494 497 498 507 510 515 526

Rombergov algoritam . . . . . . . . . . . . . . . . . . . . . . . . Teˇinske integracijske formule . . . . . . . . . . . . . . . . . . . . z Gaussove integracijske formule . . . . . . . . . . . . . . . . . . . 9.5.1. 9.5.2. Gauss–Legendreove integracijske formule . . . . . . . . . . Druge Gaussove integracijske formule . . . . . . . . . . . .

10. Obiˇne diferencijalne jednadˇbe . . . . . . . . . . . . . . . . . . . . 534 c z 10.1. Uvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.2. Inicijalni problem za obiˇnu diferencijalnu jednadˇbu. Eulerova c z metoda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.3. Runge–Kuttine metode . . . . . . . . . . . . . . . . . . . . . . . 10.3.1. Joˇ o koeficijentima za Runge–Kuttine metode . . . . . . . s 10.3.2. Konvergencija jednokoraˇnih metoda . . . . . . . . . . . . c 10.3.3. Runge–Kutta–Fehlbergove metode. Odredivanje koraka integracije. . . . . . . . . . . . . . . . . . . . . . . . . . . . 10.4. Linearne viˇekoraˇne metode . . . . . . . . . . . . . . . . . . . . s c 10.4.1. Konzistencija i stabilnost . . . . . . . . . . . . . . . . . . . 10.4.2. Prediktor-korektor par . . . . . . . . . . . . . . . . . . . . 10.4.3. Linearne diferencijske jednadˇbe . . . . . . . . . . . . . . . z 10.4.4. Konvergencija linearnih viˇekoraˇnih metoda . . . . . . . . s c 10.5. Gearova metoda . . . . . . . . . . . . . . . . . . . . . . . . . . . 534 535 536 541 543 547 550 554 559 560 563 570

11. Optimizacija . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 579 11.1. Uvod u optimizaciju . . . . . . . . . . . . . . . . . . . . . . . . . 11.2. Metoda zlatnog reza . . . . . . . . . . . . . . . . . . . . . . . . . 11.3. Viˇedimenzionalna minimizacija . . . . . . . . . . . . . . . . . . . s 11.3.1. Gradijentna metoda . . . . . . . . . . . . . . . . . . . . . . 579 580 582 584

ˇ SADRZAJ

NUM ANAL – x

11.3.2. Modificirana Newtonova metoda . . . . . . . . . . . . . . . 11.4. Kvazi–Newtonove metode . . . . . . . . . . . . . . . . . . . . . . 11.5. Konvergencija minimizacijskih metoda . . . . . . . . . . . . . . . 11.5.1. Konvergencija modificirane Newtonove metode . . . . . . .

584 587 595 600

Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 603

1. UVODNI DIO

UVODNI DIO – 1

1. Uvodni dio
Numeriˇka matematika je disciplina koja prouˇava i numeriˇki rjeˇava matec c c s matiˇke probleme koji se javljaju u znanosti, tehnici, gospodarstvu, itd. Iako se ta c disciplina najˇeˇ´e povezuje s numeriˇkim metodama, treba znati da bez dubljeg c sc c poznavanja samog problema kojeg rjeˇavamo, nije mogu´e procijeniti je li neka s c metoda dobra u smislu da daje zadovoljavaju´e toˇna rjeˇenja u dovoljno kratkom c c s vremenskom intervalu. O problemu koji se rjeˇava treba znati barem neka svojstva: s • postoji li barem jedno rjeˇenje, ako da, je li rjeˇenje jedinstveno, s s • kako se rjeˇenje (ili rjeˇenja) ponaˇaju kad se polazni podaci malo promijene s s s (teorija perturbacije). Kad se konstruira neka metoda za dani problem otvara se mnoˇtvo pitanja: s • konvergencije (konvergira li niz aproksimacija prema rjeˇenju), s • brzine konvergencije (tu se koriste termini linearna, kvadratiˇna, kubiˇna konc c vergencija), • adaptibilnost metode za specijalna raˇunala (paralelna, vektorska), c • sloˇenost metode (broj raˇunskih operacija, zauze´e memorije, dohvat operaz c c nada, prijenos podataka, . . . ) • toˇnost, odnosno stabilnost metode (koliko znaˇajnih znamenaka izraˇunatog c c c rjeˇenja je toˇno, te o ˇemu to ovisi). s c c s z Uz odredivanje stabilnosti algoritma vezana je i analiza greˇaka zaokruˇivanja koja pokazuje mogu li greˇke koje aritmetika raˇunala generira u procesu raˇunanja s c c bitno naruˇiti toˇnost izlaznih podataka. s c U prvom poglavlju knjige uvest ´emo oznake osnovnih pojmova koji se koriste c u knjizi. Neke pojmove ´emo definirati, a za neke ´emo dati najvaˇnije tvrdnje. c c z

S Q oznaˇavamo skup racionalnih. nekoliko vaˇnih teorema iz analize.1. b] i diferencijabilna na otvorenom intervalu (a. dakle pozitivnih. takav da je f (α) = β. dakle {1. b]. Int S ili interior od S je najve´i otvoren skup sadrˇan u S. 2. z c U numeriˇkoj matematici posebno su vaˇni sljede´i teoremi o srednjim vrijedc z c nostima kojima se dokazi mogu prona´i u knjigama iz elementarne analize.1.1. Ako je S ⊆ C (ili S ⊆ R). za cijeli C (ili R).}. takvi da je m = f (x). Teorem 1. tada je zatvaraˇ Cl S skupa S. . c s Zatvaraˇ Cl S je najmanji zatvoren skup koji sadrˇi S. otvoreni krug s bilo kojim toˇkama na rubu. Teorem 1. Ako je c recimo.3 (Integralna srednja vrijednost) Neka je w nenegativna i integrabilna funkcija na segmentu [a. postoje brojevi x i x iz [a. Tada postoji c barem jedna toˇka ξ ∈ (a.1. b). b]. b]. S N oznaˇavamo skup prirodnih brojeva. skup svih gomiliˇta c s od S. Pomo´ni rezultati iz analize c Ovdje navodimo. S druge strane. postoji barem jedan realni broj α iz [a. Jasno je da c z je Int S ⊆ S ⊆ Cl S pri ˇemu jednakosti vrijede npr. S R (C) oznaˇavamo skup realnih c (kompleksnih) brojeva. S obzirom da je svaka toˇka od S ujedno i gomiliˇte od S. N0 = N ∪ {0}. S N0 oznaˇavamo c c c skup nenegativnih cijelih brojeva. UVODNI DIO UVODNI DIO – 2 1. takva da je c f (b) − f (a) = f (ξ)(b − a). Tada za svaki realni broj β iz segmenta [m. negativnih i nule. vrijedi S ⊆ Cl S. Najprije z moramo uvesti oznake za osnovne skupove koji se koriste u analizi. .1. b]. b]. M = f (x). Sa Z oznaˇavamo skup svih cijelih brojeva. unutraˇnjost c z s skupa S. . Cl S zatvoreni krug. Tada postoji toˇka ξ ∈ [a. Neka je f neprekidna na [a. . Specijalno. c Teorem 1.1 (Meduvrijednost) Neka je f realna neprekidna funkcija na konaˇnom segmentu [a. bez dokaza.2 (Srednja vrijednost) Neka je f realna funkcija neprekidna na konaˇnom segmentu [a. onda je Int S otvoreni krug (krug bez rubne kruˇnice). M]. b] takva da je c b b f (x)w(x) dx = f (ξ) a a w(x) dx. c a s Q0 skup nenegativnih racionalnih brojeva. Neka su c m = inf f (x) a≤x≤b i M = sup f (x) a≤x≤b infimum i supremum funkcije f . b). z a S moˇe biti npr.

2) (1.1.1. Da bismo mogli koristiti taj c c pristup u aproksimaciji funkcije. Izvod relacija (1. polaze´i c od identiteta x f (x) = f (x0 ) + x0 f (t) dt. + (−1)n+1 (2n + 2)! x3 x5 x2n−1 sin(x) = x − + − · · · + (−1)n−1 3! 5! (2n − 1)! 2n+1 x sin(ξx ).1)–(1.1. Polinom pn se naziva Taylorov razvoj funkcije f u toˇki x0 . Ako je f beskonaˇc c n c c no puta derivabilna. b]. tada je f (x) = pn (x) + Rn+1 (x).3) koristi n puta parcijalno integriranje.4 (Taylorov teorem) Neka funkcija f ima neprekidne derivacije do reda n + 1. x0 ∈ [a.5) (1. polinom pn prelazi u red potencija.1.1. n + 1 > 0. b]. Uz pomo´ Taylorovog reda lako se dobivaju poznate formule: c xn xn+1 ξx x2 +···+ + e .1.6) . Rn+1 (x) = n! x (n + 1)! 0 (1. s op´im ˇlanom (x − x0 ) .1. Puni dokaz se moˇe na´i u ve´ini knjiga iz elementarne analize. dobivamo naˇin s c izraˇunavanja vrijednosti funkcije f u danoj toˇki x. Kako se c vrijednost polinoma odreduje koriˇtenjem Hornerovog algoritma. Dokaz. 2 n! (n + 1)! x2 x4 x2n cos(x) = 1 − + − · · · + (−1)n 2! 4! (2n)! 2n+2 x cos(ξx ). Teorem 1. + (−1)n (2n + 1)! ex = 1 + x + (1. Ako su x. (x − x0 ) (x − x0 )2 pn (x) = f (x0 ) + f (x0 ) + f (x0 ) + · · · 1! 2! (x − x0 )n (n) f (x0 ).3) za neki ξ izmedu x0 i x.1. s Drugi oblik ostatka Rn+1 (x) dobije se koriˇtenjem teorema integralne srednje vrin z c c jednosti za funkciju w(t) = (x − t) .1) (1.1. na segmentu [a.4) (1.1. a zove se Taylorov red. + n! x 1 (x − x0 )n+1 (n+1) f (x − t)n f (n+1) (t) dt = (ξ). UVODNI DIO UVODNI DIO – 3 Jedan od najvaˇnijih alata u numeriˇkoj matematici je Taylorov teorem jer z c daje jednostavnu metodu aproksimacije funkcije f pomo´u polinoma. ona mora biti dovoljno glatka.

uvrstimo −x2 .1 Da bismo dobili razvoj funkcije f (x) = e−x 2 oko 0.4). z e−x = 1 − x2 + pri ˇemu je −x2 ≤ ξx ≤ 0. zapis razvoja (1. (1. 3.1. U takvim sluˇajevima.1. formula (1. 2.3) vrlo korisne za dobivanje razvoja funkcije f oko toˇke x0 .1. c c z c Sljede´i primjeri pokazuju kako se to moˇe naˇiniti. cos(x) i sin(x).1. . umjesto x.1.9) ˇto je drugi. moˇemo se koristiti ve´ dobivenim razvojima. Kad s pustimo da n proizvoljno raste i ako je x iz (−1. (1. moˇemo se koristiti razvojem (1. 1−x (1.1. 1−x |x| < 1. c 2 x4 x2n+2 ξx − · · · + (−1)n+1 e . (1 + ξx )n+1−α (1.1. 1−x 1−x x = 1. . te dio s potencijom z xn+1 prebacimo na drugu stranu jednakosti.1)–(1.1.1.7) pri ˇemu je c α α(α − 1) · · · (α − k + 1) . jednostavniji. Iako su formule (1. u koji. 2! (n + 1)! . . ne trebamo ograniˇiti x jer c c pripadni redovi konvergiraju apsolutno za svaki x. Sjetimo se formule za n-tu parcijalnu sumu geometrijskog reda 1 + x + x2 + · · · + xn = 1 − xn+1 .7) uz α = −1 i −x umjesto x. za proizvoljni realni broj α. UVODNI DIO UVODNI DIO – 4 (1 + x)α = 1 + α α 2 α n α x+ x +···+ x + 1 2 n n+1 n+1 x + . U svim sluˇajevima nepoznata toˇka ξx smjeˇtena je c c s izmedu 0 i x. dobivamo 1 xn+1 = 1 + x + x2 + · · · + xn + . c z c Primjer 1.10) Kad isto naˇinimo u formulama za ex . = k! k k = 1.8) Prikaˇemo li razlomak na desnoj strani kao razliku razlomaka. 1). ˇesto puta raˇunanje viˇih derivacija predstavlja problem zbog sloˇenosti c c c s z raˇunanja.1.1.9) prelazi u 1 = 1 + x + x2 + · · · + xn + · · · .

moˇemo se koristiti razvojem (1. c ali se moˇe dovesti i na jednostavniji oblik. s dobivamo 1 f (x) = 0 n xt − x3 t3 (xt)2n−1 (xt)2n+1 + · · · + (−1)n−1 + (−1)n dt 3! (2n − 1)! (2n + 1)! x2n+1 + (−1) (2j)! (2n + 1)! n 1 = (−1) j=1 2j−1 j−1 x t2n+1 cos(ξxt ) dt. UVODNI DIO UVODNI DIO – 5 Primjer 1.3 Neka je f (x) = 0 sin(xt) dt.1. x1 ] x2 − x0 (1.1. moˇe se pokazati da je t → ξxt z z neprekidna funkcija.1. Koriˇtenjem razvoja funkcije sin u Taylorov red oko nule (vidi relaciju (1. dobivamo x2n+1 x3 x5 + − · · · + (−1)n + (−1)n+1 arctg(x) = x − 3 5 2n + 1 Primjena teorema o integralnoj srednjoj vrijednosti daje x x 0 t2n+2 dt. pa se moˇe primijeniti integralni teorem srednje vrijednosti i z dobiti 1 n sin(xt) dt = 0 (−1)j−1 j=1 x2j−1 x2n+1 + (−1)n cos(ξx ). 1 + t2 0 1 t2n+2 x2n+3 · dt = . uvrstimo −t2 .1. Veliˇine z c c f [x0 .1. Naime.1.9). 0 pri ˇemu je ξxt izmedu 0 i xt. (2j)! (2n + 2)! ξx izmedu 0 i x. x2 ] − f [x0 . x1 . 2 1 + t2 2n + 3 1 + ξx 1 ξx izmedu 0 i x. Primjer 1. x1 . u koji. c Primjer 1.1.2 Da bismo dobili razvoj funkcije f (x) = arctg(x) oko 0. umjesto x. x].11) . x2 ] = f [x1 . x2 razliˇiti realni brojevi i f realna funkcija definirana na intervalu koji sadrˇi te toˇke.6)). Integral u ostatku se jednostavno ocijeni s 1/(2n + 2). x1 ] = f (x1 ) − f (x0 ) x1 − x0 i f [x0 . z t2n+2 1 = 1 − t2 + t4 − · · · + (−1)n t2n + (−1)n+1 . 1 + t2 1 + t2 Integriranjem po t na intervalu [0.4 Neka su x0 .

1. 2 (1. x1 . f : R2 → R. k niza (0. moˇe se pokazati da je c z f [x0 . x1 ] = f [x1 . Kako vrijedi i obrat. y1 ) skup svih toˇaka na pravcu koji prolazi toˇkama c c c c c z (x0 . x1 ] = f (ξ). Pokuˇajte pokazati da je f [x0 . c Prva tvrdnja lako slijedi iz teorema o srednjoj vrijednosti. y0 + η). 2). x1 . moˇemo svakom paru realnih brojeva (x. y) = ξ 2 + 2ξη . UVODNI DIO UVODNI DIO – 6 zovu se podijeljene razlike prvog i drugog reda od f . y0 ). y0 . Pritom je (x0 + θξ. y) se poistovje´uje s toˇkom ravnine. Tada je f (x0 + ξ. a η izmedu minimuma i maksimuma skupa {x0 . j. Kasnije ´emo pokazati c op´a svojstva podijeljenih razlika proizvoljnog reda. y0 + θη) nepoznata toˇka na segmentu c L(x0 . a ordinata ima vrijednost y). y) (1. y) u okolini toˇke (x0 . x0 ]. 1. par realnih brojeva (x. c Teorem 1. y). Neka je sada f realna funkcija dviju varijabli. a time i drugu tvrdnju. y) (apscisa te toˇke ima c c c vrijednost x. x0 + ξ.13) za neki 0 ≤ θ ≤ 1. y0. f [x0 . c c Postoji generalizacija Taylorovog teorema za f (x. x2 }. y0 + η) = f (x0 . y0 . c Jasno. y0 ) + + ∂ j 1 ∂ +η ξ f (x. xk ] za bilo koju permutaciju i. +η ∂x ∂y . y) ∂ ∂ 2 f (x. y0. i taj teorem se moˇe dalje generalizirati za funkcije od tri i viˇe varijabli. y) ∂ 2 f (x. y) pridruˇiti toˇno z z c jednu toˇku u Kartezijevoj ravnini koju oznaˇimo s (x. Takoder.12) pri ˇemu je ξ izmedu x0 i x1 . Prvo se prisjetimo znaˇenja oznake c ξ ∂ 2 f (x. y) ∂ 2 f (x. Ako je f jedanput odnosno dvaput diferencijabilna na odgovaraju´em intervalu. c Oznaˇimo s L(x0 . a nalaze se izmede tih toˇaka (kra´e kaˇemo da je L(x0 . x0 + ξ.1. x1 . xj . x2 ] = s f [xi .5 Neka su (x0 . ali z s nam to za potrebe ove knjige ne´e trebati. x1 . +η + η2 ∂x ∂y ∂x2 ∂x∂y ∂y 2 a po analogiji s razvojem od (x + y)j definira se i ξ ∂ ∂ j f (x. Dokaz. y0 + η). c odmah se vidi da je f [x0 .1. x2 ] = 1 f (η). y0 ) i (x0 + ξ. y) ∂x ∂y j=1 j! n+1 n x=x0 y=y0 x=x0 +θξ y=y0 +θη ∂ 1 ∂ +η ξ (n + 1)! ∂x ∂y f (x. y0 + η) dvije toˇke u ravnini i neka je 2 funkcija f : R → R n + 1 puta neprekidno diferencijabilna u nekoj okolini segmenta L(x0 . Koriste´i Kartezijev c koordinatni sustav Oxy. y1 ) c segment izmedu tih dviju toˇaka).1. x1 . y1 ). y0) i (x1 .

Uoˇimo da je F (0) = f (x0 . c Imamo ξ = x − 2. 1. 1).5 Odredimo razvoj funkcije f (x. tada je c segment L(2. y0) = (2. ∂f (2. s c c Primjer 1. y) = x y c c oko toˇke (x0 . y0 + tη). β) blizu (2. β) na segmentu L(2. F zadovoljava uvjete teorema 1. 2). UVODNI DIO UVODNI DIO – 7 Indeksi oblika x = x0 i y = y0 oznaˇavaju da se sve prisutne parcijalne derivacije c izvrednjavaju u toˇki (x0 . x.1. y0) i F (1) = f (x0 + ξ.1. β β gdje je toˇka (α. 1. 1. y). 1) + ξ +η y ∂x ∂y 2 1 2 ∂ f (x. y) ∂ 2 f (x. y.1. 1) i vrijedi x ≈ x − 2y + 2. y0 + η). 1) ∂f (2. t ∈ [0. y Graf funkcije z = x − 2y + 2 je ravnina tangencijalna na graf funkcije z = x/y u toˇki (x. = ξ 0 ∂x ∂y y=y0 +tη Derivacije viˇeg reda se dobiju na sliˇan naˇin. 1) x = f (2. 1) do ukljuˇivo ˇlana odredenog s n = 1.1. η = y − 1. c Dokaz relacije (1. Naime. y) kratak pa je i (α. 1]. y) ∂ 2 f (x.4. z) = (2. x. y0 + tη) +η ∂x ∂y ∂ ∂ +η f (x. y) blizu (2. y0 ). y) + + η2 ξ + 2ξη x=α 2 ∂x2 ∂x∂y ∂y 2 y=β = 2 + (x − 2) · 1 + (y − 1) · (−2) 1 −1 2α + (x − 2)2 · 0 + 2(x − 2)(y − 1) + (y − 1)2 3 2 2 β β 1 α = x − 2y + 2 − 2 (x − 2)(y − 1) + 2 3 (y − 1)2 .13) baziran je na Taylorovom teoremu za funkciju jedne varijable F (t) = f (x0 + tξ. pa je F (1) = f (0) + F (n) (0) F (n+1) (θ) F (0) +···+ + 1! n! (n + 1)! za neki 0 ≤ θ ≤ 1. y0 + tη) ∂f (x0 + tξ. Ako je (x. Za c prvu derivaciju vrijedi F (t) = ξ ∂f (x0 + tξ. c . y) x=x +tξ .

Pretpostavljamo da su ˇitatelji upoznati s pojmovima kao ˇto su vektori. ⎣ ⎦ xn + yn ⎡ ⎤ αx1 ⎢ . norme i skalarni produkti. Ta ekvivalentnost se logiˇki zapisuje c (T1 =⇒ T2 ) i zove obrat po kontrapoziciji. Iz konteksta ´emo razlikovati c c je li 0 broj (skalar) nula ili nul-vektor.1. yi . Uz tako definirane operacije skupovi Rn i Cn imaju cijeli niz lijepih svojstava koje ih ˇine vektorskim prostorima. UVODNI DIO UVODNI DIO – 8 Matematiˇke tvrdnje ˇesto imaju oblik implikacije: iskaz T1 povlaˇi iskaz T2 . y = [yi ]) i α ∈ R realni broj (skalar). S Rn oznaˇavamo skup svih jednostupˇanih realnih matrica (koje joˇ zovemo c c s realni vektori) Rn = ⎧⎡ ⎪ x1 ⎪ ⎨⎢ ⎢ . dobro bi doˇlo za lakˇe ˇitanje ove knjige. 1 ≤ i ≤ n. Ako je z = [zi ] ∈ C. ⎦ ⇐⇒ (¬T2 =⇒ ¬T1 ) (1. ⎪ ⎩ ⎤ ⎥ ⎥. (kra´e piˇemo x = [xi ]. uvodimo ovdje neke oznake i pojmove da bi lakˇe razumjeli izreke mnogih tvrdnji koje moˇda nemaju s z veze s linearnom algebrom. x+y =⎢ . Neˇto dublje znanje iz linearne algebre koje s ukljuˇuje osnovne informacije o grupama. ⎦ αxn ⎡ ⎤ Ako je α = 0. baze. tada c se konjugirano kompleksni vektor z = [¯i ] dobije tako da mu se svaka komponenta ¯ z kompleksno konjugira. s Za one koji nisu upoznati s osnovama linearne algebre. ⎪⎣ . Ako su x. y ∈ Rn vektori c c s s komponentama xi .14) xi ∈ R za sve 1≤i≤n . gdje ¬T oznaˇava suprotni iskaz od iskaza c c T . Pritom je s s c posebno vaˇan pojam linearne nezavisnosti vektora jer se koristi u pojmovima kao z ˇto su rang i inverz matrice ili operatora. linearnim opec ratorima. vektorskim prostorima. ali koriste oznake odatle. itd. ⎣ . Jednako kao gore definira se i zbroj kompleksnih vektora kao i umnoˇak kompleksnog broja (skalara) i komz pleksnog vektora. c s matrice. determinantama. . Takav vektor se zove nul-vektor i oznaˇava s 0. kadkad je zgodnije dokazati ekvivalentnu implikaciju: iskaz ¬T2 povlaˇi iskaz ¬T1 . ⎪ ⎪ ⎭ ⎫ ⎪ ⎪ ⎬ xn Elemente tog skupa oznaˇavamo malim slovima abecede. tada se vektori x + y i αx definiraju formulama x1 + y1 ⎢ ⎥ .1. Na isti naˇin definira se Cn kao skup kompleksnih vektora koji osim realnih c mogu imati i kompleksne brojeve kao komponente. . ⎥ . ⎥ i αx = ⎢ . c c c Umjesto da se dokazuje ta implikacija. ⎥ . tada je u zadnjem izrazu αx vektor koji ima sve komponente jednake nuli.

oznaka |a| = [ |ai | ] oznaˇava apsoc lutnu vrijednost vektora po komponentama vektora a. (iii) |a + b| ≤ |a| + |b|. c (iii) αa = |α| a za sve vektore a i skalare α. Sliˇna svojstva ima i funkcija norma koja svakom vektoru pridruˇuje broj. norma beskonaˇno i norma c n n jedan. (ii) |αa| = |α| |a|. 1≤i≤n = max |ai |. p-norme c a p = p |a1 |p + · · · + |an |p . (iv) a + b ≤ a + b za sve vektore a i b. pa zato vrijede sljede´a jednostavna c c svojstva: (i) |a| = 0 ako i samo ako je a = 0. 1 ≤ p ≤ ∞. pozitivna c homogenost i nejednakost trokuta) koja funkciju · ˇine normom. (ii) a = 0 ako i samo ako je a = 0. z Ista svojstva koja imaju skupovi Rn i Cn zajedno s operacijama zbrajanja i mnoˇenja skalarom mogu imati i drugaˇiji skupovi. α je skalar. Malo op´enitije su tzv. pri ˇemu je 0 nul-vektor. = |a1 | + |a2 | + · · · + |an |. Npr. b] = {f | f realna i neprekidna funkcija definirana na [a.1. c (i) a ≥ 0 za sve vektore a. i mnoˇenja funkcija realnim brojem: z (αf )(t) = αf (t). Za a ∈ C (ili R ) je a a a 2 ∞ 1 = |a1 |2 + |a2 |2 + · · · + |an |2 . skup c C[a. |a| je vektor ˇije komponente su nenegativni realni brojevi. b]. t ∈ [a. Sve te norme zadovoljavaju ˇetiri svojstva (nenegativnost. b] . a i b su vektori. definitnost. b]} s operacijom zbrajanja funkcija: (f + g)(t) = f (t) + g(t). t ∈ [a. c z Najpoznatije norme su euklidska (ili 2-norma). Dakle. a a vektor. UVODNI DIO UVODNI DIO – 9 Za realni ili kompleksni vektor a = [ai ].

ako je a11 a12 · · · ⎢ ⎢ a21 a22 · · · A=⎢ . A. Tipiˇna norma na z c c tom prostoru je f ∞ = max |f (t)|. Norme postoje i za matrice. a≤x≤b Lako se provjeri da ona zadovoljava svojstva (i)–(iv) za norme. ∞ ∞ ≤ A ∞ B ∞. vrijedi i Ax gdje je x ∈ Rn . B reda n. ≤ A ∞ x ∞. . ··· an1 an2 · · · onda je A ∞ n ⎡ a1n a2n ⎥ ⎥ . ⎢ . Npr. y produkt xy nije definiran).1. ⎣ . za normu beskonaˇno to svojstvo se zapisuje kao c AB Specijalno. Npr. UVODNI DIO UVODNI DIO – 10 ima ista poˇeljna svojstva koja ga ˇine vektorskim prostorom. ⎥. j=1 Norme na matricama obiˇno zadovoljavaju dodatno svojstvo (konzistentnost) vezac no uz produkt dviju matrica (za vektore x. ⎥ . . ⎦ ann ⎤ = max 1≤i≤n |aij |.

posebno tzv. 1-normu i ∞-normu.math. singularna dekompoziz cija matrica.2. s c 2.1. Definiraju se pojmovi linearno nezas c visnih vektora. baze i dimenzije vektorskog prostora. Vektorski prostor Vektorski ili linearni prostor je algebarska struktura koja se sastoji od dva skupa: X ˇije elemente zovemo vektori i Φ ˇije elemente zovemo skalari. Za operaciju zbrajanja moraju . npr. Na toj adresi se mogu na´i svi dokazi koji c ovdje nisu dani. te linearnog operatora. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 11 2. kompresija slika u raˇunalnoj grafici i op´enito probleme aproksimacije matrice pomo´u c c c matrica manjeg ranga. Lijep primjer vektorskog prostora ˇine matrice odredenog tipa. norme i skalarnog produkta. Pritom je vaˇno da su na c sc z skupu Φ definirane dvije operacije. Prva dva dijela su saˇeti prikaz prec z davanja iz linearne algebre. Skup c c skalara je najˇeˇ´e skup realnih ili kompleksnih brojeva. Jedan od najvaˇnijih rezultata iz teorije matrica je tzv. c c Prva cjelina definira pojam vektorskog prostora i njegovih elemenata koje nazivamo vektorima u ˇirem znaˇenju tog pojma. Kratki uvod u linearnu algebru U ovom poglavlju uvodimo osnovne pojmove i rezultate iz linearne algebre koji ´e se koristiti u kasnijim poglavljima.pdf. Te norme ukljuˇuju najˇeˇ´e c o c c sc koriˇtene matriˇne norme: spektralnu (ili 2-normu). Stoga se kratka c s teorija matrica opisuje u drugom odjeljku. H¨lderovih p-normi. Tre´i i ˇetvrti odjeljak imaju glavne tvrdnje dokazane. nalaˇenje generaliziranog inverza. Kvadratne c matrice reda n ˇine joˇ bogatiju strukturu koja se zove algebra. koje zovemo zbrajanje i mnoˇenje skalara i da je z rezultat primjene tih operacija na skalare uvijek u Φ. radeni po internoj skripti koja se nalazi na adresi http://www. odredivanje ranga matrice. Njene primjene seˇu u razne numeriˇke probleme.hr/~hari/la. problem najz c z manjih kvadrata. U zadnjem odjeljku prikazuju se osnovni rezultati iz teorije vektorskih i matriˇnih normi.

zove se polje. z Na skupu X su definirane operacije zbrajanja vektora ⊕ i mnoˇenja ⊗ vektora z skalarom iz Φ. Pritom za operaciju ⊕ vrijede ista svojstva kao i za + u Φ: asocijativnost. y ∈ X. • Za svaki x ∈ X inverzni element od x s obzirom na ⊕ je jedinstven. obostrane distributivnosti prema zbrajanju te postojanje jedinice i postojanje reciproˇnog skalara (osim za nulu). • Neutralni element za zbrajanje u X je jedinstven.1. . z (b) (α + β) ⊗ x = α ⊗ x ⊕ β ⊗ x za bilo koje x ∈ X. Ako je X vektorski prostor nad poljem realnih (kompleksnih) brojeva. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 12 vrijediti svojstva asocijativnosti. α ∈ Φ (distributivnost mnoˇenja prema zbrajanju u X). X se naziva realni (kompleksni) vektorski prostor. Osnovna svojstva vektorskog prostora Jednostavno je pokazati da u svakom vektorskom prostoru vrijede sljede´e c tvrdnje. postojanja nul-vektora. +. tj. postojanje suprotnog elementa (za svaki element) i komutativnosti. postojanje suprotnog vektora i komutativnosti. U daljem tekstu Φ ´e uvijek biti polje realnih (Φ = R) ili kompleksnih (Φ = C) c brojeva. tada je 1 ⊗ x = x za svako z x∈X (netrivijalnost mnoˇenja). postojanja nule. z (c) α ⊗ (β ⊗ x) = (α · β) ⊗ x za bilo koje x ∈ X. a o ∈ X neutralni element s obzirom na ⊕. z Za tako definiranu strukturu kaˇemo da je vektorski prostor nad tijelom (ili poz ljem) Φ. β ∈ Φ (distributivnost mnoˇenja prema zbrajanju u Φ). a ako vrijedi i komutativnost mnoˇenja. ·) se zove c tijelo. tada za svako α ∈ Φ vrijedi α ⊗ o = o. Takva struktura (Φ. neutralni element s obzirom na +. 2. Za operaciju ⊗ moraju vrijediti sljede´a svojstva kompatibilnosti: c (a) α ⊗ (x ⊕ y) = α ⊗ x ⊕ α ⊗ y za bilo koje x. α. • Ako je 0 ∈ Φ nula. α.1. z (d) ako je 1 ∈ Φ neutralni element za mnoˇenje u Φ. Za produkt trebaju vrijediti barem svojstva asocijativnosti. β ∈ Φ (kompatibilnost mnoˇenja).2. • Ako je o ∈ X neutralni element s obzirom na ⊕. tada za svako x ∈ X vrijedi 0 ⊗ x = o.

Da bi c neki skup S ⊆ X bio potprostor nuˇno je i dovoljno da su ispunjeni sljede´i uvjeti: z c (a) x ⊕ y ∈ S za svaka dva vektora x. . . z Potprostor vektorskog prostora (X. onda drugi faktor mora biti nula. • u jednadˇbi α ⊗ x = β ⊗ x. a2 . α. y ∈ X. vektor x = o. ⊗) potprostor od (X. β ⊗ x. β ∈ Φ. ⊕. ap vektori iz (X. . ⊗). tada vrijedi z vektorska jednadˇba x = y. ⊗. skalar α = 0. ako je • produkt α ⊗ x skalara α i vektora x nul-vektor i jedan od faktora nije nula. . β ∈ Φ. Npr. . Na vektorskom prostoru X moˇemo definirati razliku vektora formulom z x i lako se pokazuje da vrijedi (α − β) ⊗ x = α ⊗ x α ⊗ (x y) = α ⊗ x β ⊗ x. vektorski potprostor je definiran upravo onim operacijama koje su nasljedene od prostora. β ∈ Φ x. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 13 • Ako je 1 ∈ Φ jedinica. ap (ili skupa vektora {a1 . Neka su a1 . Zaista. α ∈ Φ. ako je podskup S ⊆ X zatvoren u odnosu na operacije ⊕. tj. y ∈ S. ap }) je svaki vektor y oblika y = α1 ⊗ a1 ⊕ α2 ⊗ a2 ⊕ · · · ⊕ αp ⊗ ap . z • u jednadˇbi α ⊗ x = α ⊗ y. Dakle. a −1 njegov suprotni element u Φ s obzirom na +. a2 . tada za svako x ∈ X vrijedi (−1) ⊗ x = −x. . . α. . ⊕.2. a2 . ⊗. ako je (S. . y ∈ X. ⊗) je svaki podskup od X koji je uz operacije ⊕ i ⊗ i sam vektorski prostor nad istim poljem. y ∈ S i α. y = x ⊕ (−1) ⊗ y = x ⊕ (−y) U vektorskom prostoru smijemo vektorske jednadˇbe “kratiti” i sa skalarom i vekz torom. Naime. (b) α ⊗ x ∈ S za sve α ∈ Φ i x ∈ S. tada za njega automatski vrijede (jer je podskup od X) svi uvjeti iz definicije vektorskog prostora. . x. Da bi to vrijedilo dovoljno je dokazati da je zatvoren u odnosu na operacije ⊕. x ∈ X. . α ∈ Φ. gdje je −x inverzni element od x u X s obzirom na ⊕. Linearna kombinacija vektora a1 . . ⊕. neutralni element s obzirom na ·. x ∈ X. Lako se pokaˇe da su uvjeti (a) i (b) ekvivalentni uvjetu z (ab) α ⊗ x ⊕ β ⊗ y ∈ S za sve x. tada vrijedi z skalarna jednadˇba α = β. Trivijalni vektorski potprostori su jednoˇlan skup {o} i cijeli X. ⊗) (kra´e piˇemo S je potprostor od X). . Obratno. to su nuˇni i dovoljni uvjeti za zatvorenost skupa S u odnosu na operacije z ⊕ i ⊗. tada je nuˇno (po c s z definiciji vektorskog prostora) zatvoren u odnosu na te operacije. ⊕.

jer za svaku polunormu pa zato i normu vrijedi x ± y ≥ | x − y |. Takoder. x ∈ X. .2. skup z + Y = {x ∈ X | x = z + y. y ∈ Y } naziva se linearna mnogostrukost (ili viˇestrukost). U daljem tekstu. Ako je iz konteksta jasno c da se radi o vektorskom prostoru ili potprostoru. α1 . ap ) joˇ se koristi i oznaka span{a1 . . (ii) i (iii) zove se polunorma ili seminorma. . . ⊕. αp skalari iz Φ. ⊗) kojemu su elementi linearne kombinacije skupa {a1 . c c tj. Norma u vektorskom prostoru : U vektorskom prostoru se definira norma ili duljina vektora kao funkcija X → R za koju vrijede sljede´a svojstva c (i) x ≥ 0.2. . a kad je Y = {0}.1. . i ⊗ koristit ´emo jednostavnije oznake c +. ap }. . umjesto oznaka ⊕. (2. . ap }. za sve x. . s Osim oznake L(a1 . . za svaki x ∈ X. . − i ·. umjesto (X. jasne iz konteksta. Operaciju zbrajanja n-torki i mnoˇenja n-torki skalarom definiramo po komz ponentama: ako su x = (x1 . Ako je Y ⊆ X potprostor i z ∈ X proizvoljni vektor. . . . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 14 gdje su α1 . vrijedi z + Y = {z}. . . ⊗) pisat ´emo X. y ∈ X. . . L(a1 . ap je potprostor (L(a1 . xn ) i y = (y1 . . . atribut “vektorski” ili “linearni” katkad ´emo izostavljati. Kad je z ∈ Y . ako i samo ako je x = 0 (nenegativnost) (homogenost) (nejednakost trokuta) (definitnost). . ⊕. . . . .1. onda je s z + Y = Y . . (iii) x + y ≤ x + y .1 Neka je Vn (Cn ) skup uredenih n-torki realnih (kompleksnih) brojeva. Najmanji vektorski potprostor koji sadrˇi sve z vektore a1 .1) Primjer 2. . . za sve α ∈ Φ. αp ∈ Φ}. . . yn ) . Funkcija : X → Φ koja zadovoljava samo svojstva (i). . . . α2 . (ii) αx = |α| x . . Vektorski prostor na kojem je definirana norma zove se normirani vektorski prostor. (iv) x = 0. norma sume ili razlike vektora moˇe se z ocijeniti odozdo. . pri ˇemu ´emo · izostavljati. kad god su operacije ⊕ i ⊗ poznate. ap ) = {α1 ⊗ a1 ⊕ · · · ⊕ αp ⊗ ap . U normiranom vektorskom prostoru. ap ).1. . . c 2. . .

Lako se pokaˇe da je (Vn . y ∈ X. y. ·) kompleksni vektorski prostor. . (ii) (x | x) = 0 ako i samo ako x = 0. xn + yn ) i α · x = (αx1 .3. Za op´u. y ∈ X i svaki α ∈ Φ. potrebno je u vektorski prostor uvesti joˇ jednu funkciju. ako postoje pozitivni realni brojevi c1 i c2 takvi da vrijedi c1 x α ≤ x β ≤ c2 x α . . |x2 |. Lako je provjeriti da su funkcije x 1 i x ∞ norme. +. +. +. H¨lderova 2-norma x 2 se joˇ zove euklidska norma. ·) realni. = = p |x1 |2 + |x2 |2 + · · · + |xn |2 . . tzv. 1 i ∞ u vektorskom prostoru Vn medusobno ekvivalentne. Funkcija (· | ·) : X × X → Φ zove se skalarni produkt ako vrijedi (i) (x | x) ≥ 0 za sve x ∈ X. ·) vektorski prostor nad Φ. = max{|x1 |. . (v) (x + y | z) = (x | z) + (y | z) za sve x. U z tim vektorskim prostorima moˇemo definirati sljede´e funkcije z c x x x x 1 2 ∞ p = |x1 | + |x2 | + · · · + |xn |. . s c c Moˇe se pokazati da su u vektorskim prostorima Vn i Cn sve norme medusobno z ekvivalentne. . . |xn |}. αxn ). Pokuˇajte na´i odgovaraju´e konstante c1 i c2 za svaki par normi. 2. z ∈ X. tada su operacije zbrajanja i mnoˇenja skalarom definirane s z x + y = (x1 + y1 . a (Cn . . (iii) (x | y) = (y | x) za sve x. H¨lderovu normu c o z o s x p dokaz je sloˇeniji. s Neka je (X. . .2. Lako se pokaˇe da su norme z 2. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 15 dvije n-torke iz Vn (ili Cn ) i α ∈ R (ili α ∈ C). . Skalarni produkt u vektorskom prostoru Da bismo definirali ortogonalnost vektora kao i kut izmedu vektora. gdje je Φ = C. 1 ≤ p ≤ ∞. (iv) (αx | y) = α(x | y) za sve x. . Dvije norme α i β vektorskog prostora X su ekvivalentne. |x1 |p + |x2 |p + · · · + |xn |p . .1.

osim ako norma ne zadovoljava relaciju paralelograma. pridruˇena ili z z inducirana norma. Stoga je kut u kompleksnom prostoru definiran samo za segment [0. x y (x | y) x y moˇemo definirati kut θ izmedu vektora x i y. takoder je i normiran vektorski prostor.4) Postavlja se pitanje da li vrijedi i obratno. tj.4) pokazuje da vrijedi −1 ≤ pa relacijom (x | y) ≤ 1. (2.1.2) definirana funkcija za koju se moˇe pokazati da je norma.1. a tada je skalarni produkt odreden formulom (x | y) = 1 ( x+y 4 2 − x − y 2). tj.1. jer je formulom x = (x | x).2. π/2]. moˇemo li svakoj normi z jednog normiranog vektorskog prostora pridruˇiti neki skalarni produkt (· | ·). U svakom unitarnom vektorskom prostoru za pridruˇenu normu z vrijedi relacija paralelograma. Svaki unitarni vektorski prostor. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 16 Ako je Φ = R. za realni normirani prostor i formulom (x | y) = 1 ( x+y 4 2 − x−y 2 + i x + iy 2 − i x − iy 2 ) za kompleksni normirani prostor. Za kompleksni unitarni prostor. tada u svojstvu (iii) treba ispustiti operaciju kompleksnog konjugiranja.3) Takoder. To je tzv. z . vrijedi i Cauchy–Schwarzova nejednakost koja povezuje skalarni produkt i induciranu normu |(x | y)| ≤ x y . (2. ako je (x | y) = 0.1. (2. z u brojniku moramo uzeti apsolutnu vrijednost skalarnog produkta jer je (x | y) kompleksni broj. Nejednakost (2. Vektorski prostor na kojem je definiran skalarni produkt zove se unitarni vektorski prostor. cos θ = Za dva vektora kaˇemo da su ortogonalni ako je cos θ. tako da z vrijedi x = (x | x)? Odgovor je ne. x+y 2 + x−y 2 =2 x 2 + 2 y 2.

Skup vektora {x1 . Sada se prvi uvjet zapisuje kao L(u1 . . 2. . . tada je M minimalni razapinju´i c podskup od S. . Dakle. Takav podskup ima odredeno svojstvo minimalnosti koje se definira na sljede´i naˇin. ap }. . . . . . s c Npr. ur ) = L(a1 . . . koji moˇe z biti i cijeli vektorski prostor. . ap ). . ako zadovoljava sljede´a dva svojstva: c 1. . . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 17 2.1. ako su . . ap ) tek kra´a oznaka za L(S) = L({a1 . tada je svaki njegov nadskup takoder linearno zavisan. Moˇe ih biti mnogo. xr takvi. ur } linearno zavisan. . ur } linearno nezavisan. . . tada se s vektori x1 . Niti jedan pravi podskup skupa M ne razapinje L(S). tada je i svaki njegov podskup linerano nezavisan. ve´ od vektorskog potprostora. . L(M) = L(S). . ap }). . ap (odnosno u1 . Ali ako podemo ne od konaˇnog skupa. Vektori koji nisu linearno nezavisni nazivaju se linearno zavisni. . . . Dimenzija vektorskog prostora Svaki skup vektora vektorskog prostora razapinje neki potprostor. z Skup linearno nezavisnih vektora {u1 . jer je L(a1 . . ako je S = {a1 . . . . xr } je linearno nezavisan (zavisan) ako su vektori x1 . xr elementi vektorskog prostora X. Uoˇimo da u zadnjoj jednakosti poredak vektora a1 . tada je M = {u1. ur }. . . . . . . . . . . . . . ali koji je u nekom smislu minimalan. a2 . ur } ne sadrˇi nul-vektor. xr nazivaju linearno nezavisnim. . . . . Poˇeljno je izdvojiti iz danog skupa vektora jedan z njegov podskup koji razapinje isti potprostor. . Ipak svi oni imaju jednu vaˇnu zajedniˇku karakteristiku: c z c broj vektora u svakom ovisi samo o potprostoru kojeg razapinju.2. . minimalni razapinju´i skup nije jedinstveno c c z c c odreden. . Ako jednadˇba z α1 x1 + · · · + αr xr = 0 u nepoznanicama α1 . . M se joˇ zove i minimalni razapinju´i skup od L(S). . Za dani konaˇni skup vektora. . z Linearno nezavisni vektori Pokazuje se da elementi minimalnog razapinju´eg skupa imaju svojstvo linc earne nezavisnosti. Ako je skup {u1 . Neka su x1 . αr ima samo trivijalno rjeˇenje α1 = · · · = αr = 0. c c Ako je S podskup vektorskog prostora X. . . ur ) nije c c vaˇan. . u2 . . r ≤ p. gdje je svaki ui neki od vektora iz S. . . . . . . Ako je skup {u1. tada za njega uvijek imamo beskonaˇno mnogo minimalnih c razapinju´ih skupova.4. . .

. tj. . Iz prvog svojstva minimalnog razapinju´eg skupa M za X (tj. . . .1. . . . gdje su ui bazni vektori. zakljuˇujemo da je svaki uredeni minimalni c razapinju´i skup i baza od X. c onda vrijedi r = s. . Svaki se niz linearno nezavisnih vektora u1 . . . . c Pritom se broj r naziva dimenzijom prostora X i oznaˇava s c r = dim X. Broj vektora minimalnog razapinju´eg skupa nekog potprostora c je invarijanta (konstanta) tog potprostora. bazu katkad c zapisujemo kao (u1 .1. . . 0. en ). . . . . u2 . 0. . . 0)T s jedinicom na i-tom mjestu. sigurno ih je manje ili jednako od dimenzije prosotra X. dimenzije n. Pritom je {e1 . .2 Vektorski prostor Vn je konaˇno dimenzionalan. onda je X = X. za svako i. Zbog uredenosti skupa. Primjer 2. Ako za vektorski prostor ne postoji konaˇni minimalni razapinju´i skup vektora on se naziva beskonaˇno-dimenzic c c onalni vektorski prostor. . . ur u X moˇe nadopuniz ti s n − r vektora do baze od X. . . Dimenzija trivijalnog prostora {0} je nula. Tako dolazimo do pojma dimenzije vektorskog prostora. L(M) = X) c i svojstva linearne nezavisnosti od M.2. a vrijedi i obrat. . . Baza vektorskog prostora Neka je X vektorski prostor. Uredeni skup vektora B iz X zove se baza vektorskog prostora X ako zadovoljava sljede´a dva uvjeta: c (i) B je linearno nezavisan skup. vs } dva minimalna razapinju´a skupa istog potprostora. u2. . ur } i {v1 . c 2. e2 . Ako su u1 . . . . v2 . . 1. ur linearno nezavisni vektori u n-dimenzionalnom vektorskom prostoru X. .5. . ur } on se naziva konaˇno-dimenzionalnim vektorskim prostorom. . . e2 . . . . . gdje je ei = (0. Ako za vektorski prostor X postoji konaˇni minimalni razapinju´i skup vektora c c {u1 . . . Lako se pokaˇe da je skup vektora {e1 . en } linearno nezavisan. Odatle odmah slijedi da ako je X potprostor n-dimenzionalnog vektorskog prostora X i ako je X dimenzije n. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 18 {u1 . Dimenzija linearne viˇestrukosti jednaka je dimenziji s vektorskog potprostora koji ju gradi. u2. un ). (ii) L(B) = X. To se c vidi iz relacije Vn = L(e1 . u2 . . tada je r ≤ n. en } minimalni razapz inju´i skup za Vn . . .

Najzanimljivije su one baze koje se sastoje od ortonormiranih vektora. Pretpostavimo da postoji joˇ jedan prikaz s x = β1 u1 + β2 u2 + · · · + βn un . . . Vaˇnost baze dolazi od jedinstvenosti prikaza vektora po baznim vektorima. un ). un ) = X. . α2 = β2 . . . . 2. . Gram–Schmidtovim postupkom moˇe se u unitarnom prostoru od svake baze dobiti z ortonormirana baza. αn = βn .6. Preslikavanje A : X → Y je linearni operator ako vrijedi (i) A(x + y) = A(x) + A(y) za sve x. sljede´e tvrdnje su ekvivalentne: c 1. Prema svojstvu baze L(B) = X. . . prikaz svakog vektora x po baznim vektorima je jedinstven. . . svaki vektor x dopuˇta prikaz s x = α1 u1 + α2 u2 + · · · + αn un . Svi vektori takvih baza su norme jedan i ortogonalni su jedan prema drugome. y ∈ X. . . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 19 U n-dimenzionalnom vektorskom prostoru X. vektori ui su linearno nezavisni. . . Za svaki niz vektora a1 . .1. Linearni operatori Neka su X i Y vektorski prostori. . . un ) je baza od X. z Propozicija 2. 2. un } je linearno nezavisan skup. 3. a2 . c Po drugom svojstvu baze.1 Neka je X vektorski prostor i B baza u X. . ap . . . Tada se svaki vektor x ∈ X na jedinstven naˇin moˇe prikazati kao linearna kombinacija vektora baze B. . . Izjednaˇavanjem α1 u1 + α2 u2 + · · · + αn un = β1 u1 + β2 u2 + · · · + βn un . tj. . Neka je B = (u1 . .2. Stoga zakljuˇujemo da vrijedi α1 = β1 . . (u1 . . {u1 . . c z Dokaz. dobivamo c (α1 − β1 )u1 + (α2 − β2 )u2 + · · · + (αn − βn )un = 0.1. L(u1 . a2 . (ii) A(αx) = αA(x) za sve x ∈ X i sve skalare α (aditivnost) (homogenost). ap ) ≤ p. vrijedi dim L(a1 . . Tzv.

Posebno vaˇnu klasu linearnih operatora ˇine izomorfizmi. znaˇe isto). onda α moˇe biti samo realan broj. a R(A) je slika (ili podruˇje vrijednosti) operatora A. implicitno ´emo pretpostavljati da su polazni i c c dolazni vektorski prostori definirani nad istim poljem. Y ) oznaˇavamo skup svih linearnih preslikavanja vektorskog prostora c X u vektorski prostor Y . Iz svojstva (ii) vidi se da X i Y moraju biti definirani nad istim poljem. y ∈ X i sve skalare α. Iz uvjeta (l) se vidi da je linearni operator c ono preslikavanje koje linearni spoj vektora iz X prevodi u isti linearni spoj slika u Y. N (A) je nul-potprostor (ili jezgra). Linearni operator prevodi linearnu kombinaciju proizvoljnog broja vektora u istu linearnu kombinaciju slika A(α1 x1 + α2 x2 + · · · + αk xk ) = α1 A(x1 ) + α2 A(x2 ) + · · · + αk A(xk ). Izomorfizam . Dakle su uvjeti (i) i (ii) c ekvivalentni uvjetu (l) (tj. onda α moˇe biti i realan i kompleksan broj. dobivamo s c c A(αx) = A(αx + 0y) = αA(x) + 0A(y) = αA(x) + 0 = αA(x). za sve x i sve skalare α. S L(X. Ako su X i Y realni vektorski prostori. Uvjeti (i) i (ii) mogu se zamijeniti jednim uvjetom (l) A(αx + βy) = αA(x) + βA(y) za sve x. Ako je A ∈ L(X. Pokaˇimo prvo da aditivnost i homogenost povlaˇe linz c earnost. Dimenzija jezgre se zove c defekt. Doista. β. vezana su dva vaˇna potprostora. izomorfizam). uzimanjem α = 0. z N (A) = {x ∈ X | A(x) = 0} i R(A) = {A(x) | x ∈ X}. A(0) = 0. Iz svojstva (ii) odmah slijedi. Ako su X i z Y kompleksni vektorski prostori. z c uvrˇtavaju´i u (l) α = β = 1 dobivamo (i). onda ga zovemo i izomorfizam vektorskih prostora X i Y . Uzimaju´i u (l) β = 0.2. koji zovemo linearnost. Y ) izomorfizam. tada postoji inverzno preslikavanje A−1 koje je takoder linearni operator (tj. a dimenzija slike rang operatora A. Kad z god ´emo koristiti linearni operator. N (A) i R(A) su vektorski potprostori. To su linearni opez c ratori koji su bijekcije. Dokaz je tek vjeˇba za koriˇtenje matematiˇke indukcije. Uz svaki linearni operator z s c A : X → Y . A(αx + βy) = A(αx) + A(βy) (jer vrijedi (i)) = αA(x) + βA(y) (jer vrijedi (ii)). KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 20 Ako je A bijekcija. Pokaˇimo da linearnost preslikavanja povlaˇi aditivnost i homogenost. Time je pokazano da (l) povlaˇi (ii).

⎥ = [ aij ] . Pritom je [ aij ] tek kra´i zapis za pravoktnu shemu iz gornje relacije. A je izomorfizam ako i samo ako je N (A) = {0}. odnosno svaki skup linearno nezavisnih vektora u linearno nezavisan skup slika. am1 ⎡ a12 a22 . koje ´e z c . ⎦ . mislimo na cijelu shemu brojeva koji ˇine matricu s c c A. Matrica A sa m redaka. a matricu sa samo jednim stupcem zovemo matrica stupac ili jednostupˇana c matrica. · · · amn ⎤ Takvu matricu zovemo m × n (ˇitaj: m puta n) matrica ili matrica tipa (reda. . Ako piˇemo A = [ aij ]. dok aij (ili [A]ij ili (A)ij ). . Matricu. . c c dimenzije) m × n. . . am3 ··· ··· a1n a2n ⎥ ⎥ . amj poredanih jedan ispod drugog.2. zovemo realna matrica. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 21 takoder preslikava bazu polaznog prostora u bazu dolaznog prostora. ai3 .2. Dakle. Kako razlikovati izomorfizam od op´eg linearnog operatora? Koje svojstvo ga c izdvaja? Sljede´a tvrdnja daje jedno takvo svojstvo. Izomorfizam je relacija ekvivalencije (ili klasifikacije) u skupu vektorskih prostora. svaki element jedne matrice jednak je odgovaraju´em elementu druge matrice. c c c ˇiji su elementi realni brojevi. ai2 . Y ). Jednostupˇane i jednoretˇane matrice kra´e zovemo vektorima. . . . am2 a13 a23 . . Pritom niz brojeva ai1 . S Rm×n (Cm×n ) c oznaˇavamo skup svih realnih (kompleksnih) m × n matrica. za sve i i j. a niz brojeva a1j . Ukratko ´emo opisati c c m×n kako se u R uvode operacije zbrajanja i mnoˇenja realnim brojem. oznaˇava samo element koji se nalazi na presjeku i−tog retka i j−tog stupca matrice A. 2. Zapisuje se u obliku pravokutne sheme. Ako vrijedi m = n. c Neka je dim(X) = dim(Y ) i A ∈ L(X. . . Matrica A je jednaka matrici B ako imaju isti broj redaka i isti broj stupaca i za njihove elemente vrijedi aij = bij . kaˇemo da je A kvadratna matrica reda n. n stupaca i s elementima aij zapisuje se kao a11 ⎢ a21 ⎢ A=⎢ . ˇiji su elementi c c kako realni tako i kompleksni brojevi. j-ti stupac matrice A. . z Matricu sa samo jednim retkom zovemo matrica redak ili jednoretˇana mac trica. . ⎣ . zovemo kompleksna matrica. Matrice Matrica je matematiˇki objekt koji se sastoji od (realnih ili kompleksnih) c brojeva koji su rasporedeni u retke i stupce. a2j . . c Praktiˇno je imati oznaku za skup svih m puta n matrica. a brojeve od kojih se sastoji zovemo elementima matrice. a matricu. ain zovemo iti redak.

Zbrajanje je s definirano za svaki par matrica iz Rm×n i rezulat je uvijek u Rm×n . Svi elementi matrice O jednaki su nuli. mora B = cA opet biti u je da za svaki realni skalar c i svaku matricu A ∈ R Rm×n .2. . (d) Za svaki A ∈ Rm×n postoji jedna i samo jedna matrica koju oznaˇavamo s −A c (inverzni element). oznaˇit ´emo s odgovaraju´im malim c c c c slovima aij . 1≤j≤n zovemo zbrojem ili sumom matrica A i B i piˇemo C = A + B. onda je −A = [ −aij ]. Zbrajanje u Rm×n ima ova svojstva: (a) A + (B + C) = (A + B) + C. bij . takva da vrijedi A + (−A) = O. . Sljede´a operacija koju moˇemo jednostavno definirati je mnoˇenje matrica sa c z z m×n m×n i c ∈ R. B. . . cij . B ∈ Rm×n i α. Iz navedenih svojstava moˇemo zakljuˇiti. z . Za proizvoljne A. +. Zatim ´emo definirati mnoˇenje (ulanc c z ˇanih) matrica. pa je Rm×n zatvoren u odnosu na tu operaciju. Zbrajanje matrica i mnoˇenje matrica skalarom z Neka su A. ·) vektorskim prostorom. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 22 naˇiniti (Rm×n . Ako je A ∈ R bij = caij . 1≤j≤n zovemo umnoˇak ili produkt matrice A sa skalarom c i oznaˇavamo B = cA. 1 ≤ i ≤ m. β. 2. c ∈ R vrijedi (a) c(A + B) = cA + cB (b) (α + β)A = αA + βA (c) (αβ)A = α(βA) (d) 1A = A (distributivnost mnoˇenja prema zbrajanju u Rm×n ) z (distributivnost mnoˇenja prema zbrajanju u R) z (kompatibilnost mnoˇenja) z (netrivijalnost mnoˇenja). (b) A + B = B + A. da skup matrica Rm×n zajedno s operaciz c jom zbrajanja ˇini komutativnu aditivnu grupu. .1. neutralni element za zbrajanje) sa svojstvom da je A + O = A za svaku matricu A ∈ Rm×n . C. Elemente matrica A. Ako je A = [ aij ]. matricu B ∈ R s elementima skalarom. . Jasno z c m×n . (asocijativnost) (komutativnost) (c) Postoji matrica O ∈ Rm×n (tzv. 1 ≤ i ≤ m. Matricu C ∈ Rm×n s elementima cij = aij + bij . B ∈ Rm×n . jer je ona definirana upravo c tim svojstvima.2.

. an njeni stupci u redoslijedu u kojem su napisani. . asocijativnost mnoˇenja i kompatibilnost z mnoˇenja matrica s mnoˇenjem skalarom. . . tada notacija A = [a1 . . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 23 Za svaki par prirodnih brojeva m i n dobili smo strukturu (Rm×n . ako su a1 . . c c 2. a BA ne postoji c (ili obratno). . ali su razliˇitih dimenzija. Uoˇimo da ne vrijedi zakon komutaz z c tivnosti. . . . a ona c druga particija po retcima.2. am retci. an ] znaˇi da c je matrica A tako izgradena da su a1 . ⎥ A=⎢ . Produkt matrica A i B definiran je samo onda kad je broj stupaca matrice A jednak broju redaka matrice B. . . Za takve dvije matrice kaˇemo da su ulanˇane. . . m×n Neka je A ∈ Rm×n i B ∈ Rn×p . . u redosljedu koji je s naznaˇen. Lako je na´i primjere matrica kad produkt AB postoji. Za mnoˇenje matrica vrijede svojstva z (a) A(B + C) = AB + AC. . an ∈ Rm neki vektori. (c) A(BC) = (AB)C. an ] se joˇ zove particija matrice po stupcima. dakle AB. . 1 ≤ j ≤ p. Umnoˇak ili produkt matrica A i B je matrica z C = A · B ∈ Rm×p kojoj su elementi odredeni formulom n cij = k=1 aik bkj za sve 1 ≤ i ≤ m. am ∈ R1×n jednoretˇane matrice (joˇ se zovu: c c s vektori retci). .2. . +. tada oznaka ⎡ ⎤ a1 ⎢ ⎥ ⎢ a2 ⎥ ⎢ . . Produkt matrica obiˇno se piˇe (kao i produkt skalara) bez znaka c s z mnoˇenja izmedu faktora. . . . . koja zovemo lijeva i desna distributivnost. Sliˇno. ali ne vrijedi AB = BA. . (d) α(AB) = (αA)B = A(αB). ·) za koju iz svojstava zbrajanja i mnoˇenja matrica skalarom zakljuˇujemo da ˇini realni vektorski z c c prostor. Mnoˇenje matrica z Ako su a1 . · : Rm×n × n×p m×p R →R .2. Vektorski prostor jednostupˇanih matrica Rn×1 oznaˇava se s Rn . (b) (B + C)A = BA + CA. Operacija z c mnoˇenja matrica · moˇe se sagledati kao preslikavanje koje uredenom paru matrica z z z odredenih dimenzija pridruˇuje matricu takoder odredenih dimenzija. ⎥ ⎣ . ili kad oba produkata postoje. ⎦ am ukazuje da je A ∈ R tako gradena da su joj a1 . ili kad oba c produkta postoje i istih su dimenzija. Oznaka A = [a1 .

Sliˇno. ⎢. 0 0⎥ ⎥ . moˇe biti nul-matrica.. . . . Najpoznatiji primjer dijagz c onalne matrice je jediniˇna matrica c 1 ⎢ ⎢0 ⎢. c α1 ⎢ ⎢ 0 ⎢ ⎢ . . Neka je D = diag(α1 . α2 . diag(1. . 0). αn oznaˇavamo s diag(α1 . onda je DA = αA. .. αn ). . . ⎥ ∈ Rn×n .. . ako z p×n z je A ∈ R .2. ˇim su dimenzije matrica takve da su c produkti definirani. . . . . Dijagonalnu matricu kojoj su dijagonalni elementi α1 . ⎢ . Zbog toga ˇto je I reda n koristi joˇ i oznaka In . a. one oblika αI) nazivamo skalarne matrice. 0) = diag(0. takoder. . . 0 ··· . ima istu ulogu kod mnoˇenja matrica kao ˇto je ima broj 1 kod mnoˇenja realnih brojeva. Malo op´enitija. . ⎥ ⎥ 0 ⎦ αn ⎤ Odmah vidimo da produkt dviju netrivijalnih dijagonalnih matrica npr. . I =⎢. pripada klasi dijagonalnih matrica. α2 . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 24 Jediniˇna matrica i dijagonalna matrica c Vaˇnu klasu matrica ˇine dijagonalne matrice. 1 0 . αn−1 ··· 0 0 ⎥ 0 ⎥ ⎥ . tj. −1. 0 ··· 0 . .. Tada je i-ti redak od c z c c DA jednak i-tom retku od A pomnoˇenom s αi . ⎥.. Ako su dijagonalni elementi od D pozitivni. αn ) = ⎢ . . Ako je D = αI. Malo op´enitije. tada je i-ti stupac od AD jednak i-tom stupcu od A pomnoˇenom s αi .. . diag(α1 . . pri ˇemu je 1 ≤ i ≤ n. . 0. . αn ) i A ∈ Rn×p . ··· 0 . .. .⎥ . Nul-matrica (koja ima sve elemente nula) kra´e se oznaˇava z c c s O ili 0 i.⎥ ⎥ 0⎦ 1 ⎤ z Ona je jediniˇni element skupa Rn×n s obzirom na mnoˇenje. operacija DA (AD) naziva se skaliranje redaka (stupaca). Dijagonalne matrice koje dobivamo mnoˇenjem jediniˇne z c matrice skalarom (tj. 2) · diag(0. .. 0. . .. ⎢ ⎣0 0 ⎡ 0 1 .. . jer vrijedi c AI = IA = A z s za svako A ∈ Rn×n . α2 . . . Dijagonalne matrice ˇine vektorski prostor koji je zatvoren i u odnosu na mac triˇno mnoˇenje. . . ⎢ ⎣ 0 0 ⎡ 0 α2 . dijagonalna matrica je ona kod koje su svi izvandijagonalni c (to su oni koji nisu dijagonalni) elementi jednaki nuli. i AD = αA.. Dakle. vrijede relacije: IA = A za z c s s svako A ∈ Rn×p i AI = A za svako A ∈ Rp×n . takoder. ⎥ .

⎦ . c Transponiranje matrica Postoji joˇ jedna vrlo korisna operacija na matricama. Ako je A = O i Ak = O za neko k ∈ N. c c z Sljede´e iznenaduju´e svojstvo matriˇnog mnoˇenja daje matrica c J= 0 1 −1 0 jer je J 2 = −1 0 = −I. Stoga je dobro definiran matriˇni polinom c p(A) = αk Ak + αk−1 Ak−1 + · · · + α1 A + α0 I. tada se A naziva nilpotentna matrica. 0 −1 U aritmetici ne postoji realan broj ˇiji kvadrat je −1. ⎣ . . ⎦ 0 0 0 pa je A3 = O. . nilpotentna matrica Potencije kvadratne matrice A definiraju se induktivno: A0 = I. transponiranu matricu dobivamo tako da stupce (retke) matrice zamijenimo njenim retcima (stupcima). Ako je a11 ⎢ a21 ⎢ A=⎢ . . . αk realni brojevi. pri ˇemu su α0 . . . ··· · · · amn ⎤ a11 ⎢ a12 ⎢ onda je AT = ⎢ . ··· · · · amn ⎤ . . U matriˇnoj algebri postoji c c realna matrica. . Prema tome. am2 · · · a1n · · · a2n ⎥ ⎥ . Naziva se operacijom s transponiranja. a1n ⎡ a21 a22 . za z 0 1 0 ⎢ A = ⎣0 0 1⎥ ⎦ 0 0 0 ⎡ ⎤ ⎡ ⎤ Ar+1 = A Ar za r ≥ 0. ⎥ . a2n · · · am1 · · · am2 ⎥ ⎥ . am1 ⎡ a12 a22 . Matrica AT ∈ Rn×m se naziva transponirana matrica c matrici A. ali vrijedi c An = O. ako je svaki redak od AT jednak odgovaraju´em stupcu matrice A. ˇiji kvadrat je jednak −I. ⎦ . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 25 Potencije matrice. .2. . Postoje i n × n matrice za koje je prvih n − 1 potencija razliˇito od O. Lako se pokaˇe da vrijedi z Ap Aq = Aq Ap = Ap+q za sve nenegativne cijele brojeve p i q. Neka je A ∈ Rm×n . 0 0 1 ⎢ 2 je A = ⎣ 0 0 0 ⎥ . Npr. c c Monoˇenje matrica katkad daje iznenaduju´e rezultate. . ⎣ . ⎥.

B ∈ Rn×p . ⎥ . ⎥ ⎦.2. . z Glavna svojstva operacije transponiranja su (a) (AT )T = A. . .2. .1) retˇana particija od B. z c Zadatak 2. (b) (A + B)T = AT + B T . . . Primijetimo da su u svojstvu (c) matrice A i B zamijenile poredak. . (iv) Ako je y ∈ Rn . ⎦ . onda je AT = [ aji ]. (c) (AB)T = B T AT . . tada je c y T B = y1 bT + · · · + yn bT . xn komponente vektora x.2. . . + an bT . bT n 1 (2. . Operacija transponiranja c je unarna operacija koja matrici pridruˇuje njoj transponiranu matricu. 1 n Pritom je svaka matrica ai bT ∈ Rm×p . . . . 1 n c c (v) Ako je A = [a1 . . .1) retˇana particija od B. . .2. y T = [y1 . . ⎥ . bp ] stupˇana particija matrice B. . . . yn ] i ako je ⎡ T⎤ b B= ⎢ ⎣ . aT m 1 ⎡ T ⎤ a B =⇒ AB = ⎢ ⎣ 1 . Dokaˇite sljede´e tvrdnje. an ] stupˇana particija matrice A i x ∈ Rn . c (ii) Za retˇane particije matrica A i AB vrijedi implikacija c ⎡ T ⎤ a ⎢ ⎣ A= . Abp ] stupˇana particija matrice AB. . i . . an ] stupˇana particija od A i ako je (2. (i) Ako je B = [b1 . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 26 Kra´e to zapisujemo: ako je A = [ aij ]. . tada je c Ax = x1 a1 + · · · + xn an . gdje su x1 . . tada je c AB = [Ab1 . . ⎦ .1 Neka su A ∈ Rm×n . . aT B m (iii) Ako je A = [a1 . tada je AB = a1 bT + .

+. Neutralni element z c je matrica O ∈ Cm×n ˇiji su elementi same nule. pa je skup C ve´i od R c . +. B ∈ Cm×n je definiran na isti naˇin kao i u Rm×n . +. Takva struktura se zove algebra. Oznaku Cn×1 zamjenjujemo oznakom Cn . ·). ·) je zatvorena u odnosu na operacije + i ·. +) je c s m×n netrivijalna podgrupa od (C .3.2. Uoˇimo da (Rm×n . MR = m.2. da je zatvoren s obzirom na te dvije operacije uvijek kad je rezultat tih dviju matrica definiran. c Zbroj dviju matrica A. Na njoj je definirana i unarna opc eracija transponiranja. ×). jednostupˇane matrice ili vektori. Mnoˇenje matrica iz Rm×n definirano je tek ako z z c je m = n. Skup c z z MR je sigurno zatvoren u odnosu na operaciju mnoˇenja matrice skalarom. skup matrica reda n ˇini algebru c s jedinicom. c c Lako se pokaˇe da je (Cm×n . Ipak. pri ˇemu je operacija + na nivou matriˇnih elemenata zbrajanja kompleksnih brojeva. +) komutativna aditivna grupa. Ona op´enito nije komutativna. ·) vektorski prostor. U taj skup je ukljuˇen c c m×n m×n m×n i skup realnih matrica R . +. +. a mnoˇenje × zadovoljava c z svojstva (a)–(d) s poˇetka ovog odjeljka. pri ˇemu je (R . Promotrimo joˇ skup MR svih realnih matrica. kaˇe se da je n×n (R . a za sam vektorski prostor tih vektora koristimo oznaku (Cn . ×) algebra s jedinicom. ·. ·) jer ti vektorski prostori nisu definirani nad istim poljem. ·) nije vektorski potprostor c c m×n . struktura (Rm×n . moramo dozvoliti mnoˇenje komz m×n i ω ∈ C. c z z Kako u Rn×n postoji i neutralni element I za mnoˇenje ×. j. moˇemo pisati z c z z n×n n×n (R . Suprotni element od A ∈ Cm×n ˇ je matrica −A = [ −aij ]. Uoˇimo da je O takoder u Rm×n . Neka × s oznaˇava operaciju mnoˇenja matrica. Kompleksne matrice S Cm×n oznaˇili smo skup kompleksnih m × n matrica. Takoder je vaˇno da je skup Rn×n zatvoren u odnosu na matriˇno mnoˇenje. +. +. 2. Medutim. +. Stoviˇe. Neka je A ∈ C B = ωA) ako je bij = ωaij za sve i. Operacija mnoˇenja kompleksnih matrica definirana je samo za parove ulanˇaz c .n∈Æ Rm×n . Tada je B = ω · A (ili kra´e c pleksnim brojevima. Ova operacija ima ista svojstva kao i operacija mnoˇenja realnim skalarom u Rm×n . postoji lijepo svojstvo skupa MR . ·. z Kod mnoˇenja matrica iz Cm×n skalarom. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 27 Za svaki par prirodnih brojeva m i n. Dakle. ostale dvije operacije nisu definirane za svaki par matrica iz MR . ·). Stoga Cm×n uz operaciju zbrajanja i z mnoˇenja skalarom iz C postaje vektorski prostor (nad poljem kompleksnih brojeva). +). z koji oznaˇavamo s (Cm×n . od (C c Elemente od Cn×1 opet zovemo matrice stupci. Isto tako je zatvoren u odnosu na operaciju transponiranja. (Rm×n . Oznaˇimo li privremeno operaciju mnoˇenja matrica s ×. a T operaciju transponiranja matrica.

α + β = α + β. operacija tranponiranja je definirana za svaku kompleksnu matricu na isti naˇin kao i u sluˇaju realnih matrica. W ∈ Cm×n i α ∈ C. (Z + W )∗ = Z ∗ + W ∗ . Naime. . x. ¯ (iv) ZW = ZW . gdje smo naˇas matriˇno mnoˇenje c c z oznaˇili s ×. Skalarni z produkt dva realna vektora stupca x i y se zapisuje u obliku (x | y) = xT y. ¯ Sve tvrdnje izlaze iz osnovnih svojstava konjugiranja kompleksnih brojeva: z = z. αβ = αβ i osnovnih svojstava operacije transponiranja. ×) algebra s jedinicom. (αZ)∗ = αZ ∗ . Neutralni z c element s obzirom na matriˇno mnoˇenje je opet identiteta. tj. ¯ ¯ ¯¯ Uoˇimo da vrijedi c ¯ ¯ ¯ ¯ ¯ (x | y) = x1 y1 + · · · + xn yn = y1 x1 + · · · + yn xn = y T x = y ∗ x. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 28 nih matrica. a onda i c c kompleksno transponiranu matricu. c Neka su Z. Neka je Z ∈ Cm×n i Z = Z1 + iZ2 . pri ˇemu su Z1 . Time smo zapravo c c pokazali da je (Cn×n . Operacije kompleksnog konjugiranja i kompleksnog transponiranja imaju sljede´a svojstva. Z = Z. y ∈ Cn . ·. c Glavna razlika u definicijama vezanim uz algebre Rn×n i Cn×n dolazi u momentu kad se ˇeli u njima definirati skalarni produkt odnosno norma. (iii) αZ = αZ. ¯ ¯ z pa zato u Cn ne moˇemo pisati (x | y) = xT y. +. Evo definicija. Uoˇimo da su obje operacije definirane za svaku kompleksnu matricu i pritom c je Z ∈ Cm×n i Z ∗ ∈ Cn×m ako je Z ∈ Cm×n . Kompleksno transponirana ili hermitski adjungirana matrica matrici Z je T T matrica Z ∗ = Z1 − iZ2 . Ako je z = z1 + iz2 kompleksni broj. Mnoˇenje je definirano na isti naˇin kao kod realnih matrica.2. Tada je (i) Z ∗ = (Z)T = Z T . Z2 ∈ Rm×n . ako je reda n). Na sliˇan naˇin definiramo i kompleksno konjugiranu matricu. Da bismo ipak (x | y) napisali pomo´u operacije matriˇog mnoˇenja moramo uvesti operaciju kompleksnog c c z konjugiranja i kompleksnog transponiranja. Ako su vektori stupci kompleksni taj zapis prelazi u (x | y) = x1 y1 + · · · + xn yn . ¯ (ZW )∗ = W ∗ Z ∗ . (ii) Z + W = Z + W . (Z ∗ )∗ = Z. Tada c c se Z1 − iZ2 zove kompleksno konjugirana matrica matrici Z i oznaˇava s Z. jediniˇna matrica I c z c (koja je i u Rn×n i u Cn×n . tada je z = z1 − iz2 kompleksno konju¯ girani broj. Mnoˇenje matrica ima ista svojstva z kao i kod realnih matrica.

. Uoˇite da tvrdnje (i)–(v) iz zadatka 2.2. . . X je punog ranga. Broj linearno nezavisnih vektora stupaca c matrice A naziva se stupˇani rang matrice A. . . tada linearnu kombinaciju α1 x1 + α2 x2 + · · · + αk xk moˇemo napisati kao produkt matrice X i vektora α. ⎥ ⎦ A= ai ∈ Rn . bn ]. Vaˇno svojstvo tih potprostora je da imaju istu dimenziju. .2. Skup vektora-redaka (vektora-stupaca) matrice A razapinje vektorski potprostor od c c z R1×n (Rm ). c 2. . xk iz Rn linearno nezavisni. uvjet Xα = 0 ˇim je α = 0 kaˇe da je c z linearni operator α → Xα injekcija. α1 x1 + α2 x2 + · · · + αk xk = 0. tada je za svaki izbor od k realnih skalara α1 . ⎣ . Stoga uvjet linearne nezavisz c nosti vektora xj ima drugi zapis: Xα = 0 ˇim je α = 0. . . . . ⎢ .1 Ako su vektori stupci x1 . To pokazuje da je jezgra matrice X nul-vektor. α2 .1 vrijede i za kompleksne matrice. U terminima linearnih operatora. . x2 . . ako je r(A) jednak broju stupaca ili redaka matrice c c A.4. koji zovemo retˇani (stupˇani) potprostor od A. αk ] . . αk koji nisu svi jednaki nuli. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 29 pa smo uspjeli skalarni produkt prikazati pomo´u produkta matrica. . Matrica A je punog c (stupˇanog ili retˇanog) ranga. c O ostalim vektorskim i matriˇnim normama viˇe ´emo re´i u jednom od c s c c sljede´ih odjeljaka. x2 . tj.2. ⎤ Svaku matricu A ∈ Rm×n moˇemo promatrati kao niz njenih vektora-redaka z ⎥ ⎥ ⎥. c c Ako iz vektora xj naˇinimo matricu X = [x1 . Zato za normu c vektora vrijedi √ x = |x1 |2 + · · · + |xn |2 = x∗ x. a iz skalara αj naˇinimo T vektor stupac α = [α1 . . aT m ili kao niz njenih vektora stupaca A = [b1 . bi ∈ Rm . pa teorem o rangu i defektu daje r(X) = k. . . Kako se radi o istom broju izbacuje se c pridjev retˇani ili stupˇani. Rang matrice ⎡ T a1 ⎢ T ⎢ a2 ⎢ . . . Broj linearno nezavisnih vektora redaka matrice A naziva se retˇani rang matrice A. .2. xk ]. Primjer 2. pa se broj linearno nezavisnih vektora redaka (stupaca) c c matrice A naziva rang matrice A i oznaˇava s r(A) ili rang(A).

b] = [a1 . pa je R(A) stupˇani potprostor od A.2) prelazi u matriˇni problem c Ax = b. . . ⎦ x1 ⎢ x2 ⎥ ⎢ ⎥ x = ⎢ . . bm ⎤ ⎥ ⎥ ⎥. bn ] ∈ Rm×n vrijedi R(A) = L(b1 . . . . b] gdje su a1 . . . . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 30 Uz svaku matricu A ∈ Rm×n vezana su dva vaˇna potprostora: slika i jezgra z matrice. (2. xn ⎡ ⎤ ⎡ b=⎢ ⎢ ⎢ ⎣ b1 b2 . ⎤ ⎥ ⎥ ⎥. . da je r(A) + d(A) = n. .2) Uvodenjem matrice sustava A ∈ Rm×n . an . ⎣ . Nuˇne i dovoljne uvjete za rjeˇivost sustava Ax = b daje z s . . .2. ⎦ . am2 a13 a23 ··· am3 ··· ··· a1n a2n . bn ). . 2. . c Skup rjeˇenja jednadˇbe Ax = 0 ˇini vektorski potprostor koji se zove jezgra s z c ili nul-potprostor od A. . . . Sustav linearnih jednadˇbi i inverz matrice z Jedan od najvaˇnijih problema linearne algebre jest rjeˇavanje sustava linez s arnih jednadˇbi z a11 x1 + a12 x2 + · · · + a1n xn = b1 a21 x1 + a22 x2 + · · · + a2n xn = b2 . ⎥. an1 x1 + an2 x2 + · · · + ann xn = bn . . . Postavlja se c pitanje kolika je dimenzija jezgre? Teorem o rangu i defektu kaˇe da je da N (A) ⊆ z Rn ima dimenziju n − r(A). . a11 ⎢ a21 ⎢ A=⎢ . Skup R(A) = {Ax | x ∈ Rn } z se zove slika matrice A ∈ Rm×n u Rm . ⎦ · · · amn sustav (2. . .2.2. . an stupci od A. Dimenzija od N (A) se naziva defekt matrice A i oznaˇava s d(A). vektora rjeˇenja x ∈ Rn i vektora desne s m strane sustava b ∈ R .5. am1 ⎡ a12 a22 . .2) dobije se tako da matricu napiˇemo pomo´u stups s c ˇane blok-particije i dodamo vektor b kao (n + 1)-vi stupac.2. Proˇirena matrica sustava (2. Stoga je dimenzija od R(A) jednaka r(A). c A = [A. . Lako se pokaˇe da je R(A) potprostor od m R . . ⎣ . . Za svako A = [b1 .2. Oznaˇimo taj potprostor s c N (A) = {x ∈ Rn | Ax = 0}. . . . . tj. . .

2. xn ]T . . . ako i .2. regularne ili nesingularne. . U tom sluˇaju skup svih s c rjeˇenja sustava Ax = b ˇini linearnu mnogostrukost u Rn dimenzije n − r(A). . . Kvadratne c matrice koje nisu regularne nazivaju se singularne. z c pa vrijedi: x1 a1 + · · · + xn an = b. . U specijalnom sluˇaju. Lijevi i desni inverz. jedinstveni desni inverz X i vrijedi X = Y . 1 ≤ j ≤ n matrice A. . .1 (Kronecker–Cappeli) Neka je A ∈ Rm×n i b ∈ Rm . odnosno barem jedan lijevi inverz ako i samo ako ˇ vrijedi r(A) = n ≤ m. b). . pa je b = x1 b1 + · · · + xn bn za neke skalare x1 . (vidi zadatak 2. .6. pa je b ∈ L(a1 . . . Matrica A ∈ Rn×n je singularna ako i samo ako postoji netrivijalan vektor x ∈ Rn takav da je Ax = 0. . 2. . . Matrice za koje postoji c inverz obiˇno se nazivaju invertibilne. . . . Posebno. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 31 Teorem 2. ako je A ∈ Rn×n i r(A) = n. . koja s c s je oblika x(P ) +N (A) gdje je N (A) nul-potprostor matrice. xn . a x(P ) je bilo koje rjeˇenje sustava. .1(iii)). Stoga je b linearna kombinacija vektora aj . . To znaˇi da je L(a1 . Zadnja jednakost c se moˇe zapisati kao R(A) = R([A. an ). Uzimanjem dimenzija potprostora na obje z strane. Ako tim skalarima s definiramo vektor x = [x1 . B]). zakljuˇujemo da postoji samo jedan c lijevi inverz i samo jedan desni inverz i da su oni jednaki. odmah se dobiva jednakost ranga polazne i proˇirene matrice. . gdje smo proˇirenu s s matricu definirali pomo´u svih stupaca od B. . moˇe se pokazati da su sljede´e tvrdnje ekvivalentne: s z c (i) m = n i r(A) = n (ii) A ima barem jedan lijevi i barem jedan desni inverz. . an ) = c L(a1 . svako rjeˇenje matriˇne jednadˇbe XA = I zove se lijevi c s c z m×n inverz od A. pa je b ∈ L(a1 . Sustav Ax = b ima rjeˇenje ako i samo ako vrijedi r(A) = r([A.2. xn ]T sustava Ax = b. . ako i samo ako je r(A) < n odnosno ako i samo ako je defekt(A) = n − r(A) ≥ 1. an . . .2. b]). . b]). pa imamo rjeˇenje sustava. an ). . te (iii) A ima jedinstveni lijevi inverz Y . Prirodno je tu matricu zvati jednostavno inverz matrice A i oznaˇiti je s A−1 . an . imamo problem AX = I. Svako rjeˇenje te jednadˇbe zove se c s z desni inverz od A. A ∈ Rn×n je singularna. . Stoga je b neka linearna kombinacija stupaca. . s Drugi smjer polazi od uvjeta r(A) = r([A. . Ako postoji rjeˇenje x = [x1 . Dokaz. Dakle. Doista. b]). kad je B c c jediniˇna matrica. . koji povlaˇi L(a1 . tada vrijedi Ax = b. b). Sliˇno. . . tada produkt Ax s moˇemo zapisati pomo´u stupaca aj . . an ) = L(a1 . Stoviˇe. Moˇe se pokazati da matrica A ∈ R z ima barem jedan desni inverz ako i samo vrijedi r(A) = m ≤ n. regularne i singularne matrice Prvo poop´enje Kronecker–Cappelijeva teorema kaˇe da matriˇna jednadˇba c z c z AX = B ima rjeˇenje ako i samo ako je r(A) = r([A.

. Konaˇno. jer uz operaciju matriˇnog mnoˇenja on postaje grupa. U = U. V = −V . ako nije izriˇito drugaˇije naznaˇeno. ako i samo ako x = 0 povlaˇi Ax = 0.7. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 32 samo ako je dimenzija nul-potprostora N (A) barem jedan. Vrlo je jednostavno pokazati. kaˇemo da su matrice A i B z ekvivalentne. z ono je i bijekcija skupa Rn na sebe. 2 2 . c c Kod simetriˇnih (antisimetriˇnih) matrica je antisimetriˇni (simetriˇni) dio jednak c c c c ˇ s nul-matrici. Matrica A je antisimetriˇna c ako vrijedi AT = −A. Ako su c z A1 . a Xa uvijek antisimetriˇna matrica i vrijedi X = Xs + Xa . Skup regularnih matrica ima posebnu vaˇnost u primjenama. kaˇemo da su A i B sliˇne z c T ∗ matrice. .2. x = 0. z 2. ako vrijedi B = S AS (za kompleksne matrice B = S AS) c kaˇemo da su A i B kongruentne. ako i samo ako postoji x ∈ N (A). Cak ˇtoviˇe. koriˇtenjem matriˇnog mnoˇenja lako pokazujemo s c z da je (A1 A2 · · · Ak )−1 = A−1 · · · A−1 A−1 . Drugim naˇinom to vidimo ovako: r(A) = n ako i c samo ako je N (A) = {0}. ˇto je i trebalo dokazati. Simetriˇne i antisimetriˇne matrice c c c Matrica A je simetriˇna ako vrijedi AT = A. Ak regularne matrice. . tj. Xs uvijek simetriˇna. Za proizvoljnu kvadratnu matricu X. tj. k 2 1 Ako su S i T regularne matrice i vrijedi B = SAT . Ako je veza izmedu A i B. s Obrat po kontrapoziciji implicira da je matrica A nesingularna ako i samo ako za svaki x = 0 vrijedi Ax = 0. podrazumijevamo da se c c c radi o kvadratnoj matrici iz skupa Rn×n . a matrica c Xs = 1 (X − X T ) 2 antisimetriˇni dio matrice X. za regularne matrice je preslikavanje x → Ax injekcija. A2 . a zbog dim(R(A)) = r(A) = n − d(A) = n. .2. c Dakle. tada je Xa = U= 1 1 (X + X T ) i V = (X − X T ). ovakav rastav matrice X na simetriˇni i antisimetriˇni dio s c c T T je jedinstven. B = S −1 AS. Specijalne klase matrica U ovom dijelu. da je za svaku matricu c X. ako vrijedi X = U + V . tj. matrica 1 (X + X T ) 2 naziva se simetriˇni dio matrice X.

Neosjetljivost traga na operaciju transponiranja je jasna jer se dijagonala matrice ne mijenja transponiranjem matrice. Funkcija tr ima sljede´a svojstva: c (i) tr(A + B) = tr(A) + tr(B). x = 0. (ii) tr(cA) = c tr(A). za simetriˇnu pozitivno z c semidefinitnu (pozitivno definitnu) matricu A vrijedi qA (x) ≥ 0 za svako x (qA (x) > . Trag matrice A je suma njezinih dijagonalnih elemenata: n tr(A) = i=1 aii . (iv) tr(AB) = tr(BA). Invarijantnost traga u odnosu na komutaciju u produktu matrica je vaˇno svojstvo koje trag ˇini privlaˇnim kako u z c c teoretskim razmatranjima tako i u praktiˇnim numeriˇkim primjenama. Dakle. (v) tr(ABC) = tr(BCA) = tr(CAB). Prva dva svojstva pokazuju da je trag linearna funkcija pa se joˇ naziva linearni s funkcional.2. a ima korisna svojstva. c Trag matrice i kvadratna forma Trag matrice je jednostavna skalarna funkcija na vektorskom prostoru kvadratnih matrica reda n. nazivamo kvadratna forma. Ako vrijedi xT Ax > 0 za svaki x ∈ Rn . V = Xa . tada je i B c simetriˇna. ako vrijedi c z xT Ax ≥ 0 za svaki x ∈ Rn . onda funkciju qA . Ako je A simetriˇna i B je kongruentna s A. onda kaˇemo da je A pozitivno definitna matrica. on ima lijepa svojstva ako je A simetriˇna matrica. c Pozitivno definitne matrice Za simetriˇnu matricu A kaˇemo da je pozitivno semidefinitna. (iii) tr(AT ) = tr(A). Iako je qA (x) dobro definiran za proizvoljnu kvadratnu matricu A. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 33 tj. c R → R formulom: ako je A ∈ R qA (x) = xT Ax. U = Xs . c c z c Na vektorskom prostoru Rn moˇemo definirati i kvadratiˇni funkcional qA : n n×n simetriˇna matrica. x ∈ Rn .

(ii) ako je B punog stupˇanog ranga. tj. Ortogonalne matrice su jedine kvadratne c matrice koje posjeduju to svojstvo. QQT = I. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 34 0 za svako x = 0). Dakle je QT inverz od Q. ali uz neke uvjete jest. Stoga vrijedi i QQT = I. lijevi inverz je inverz. cos θ = x y . Matrica B se moˇe c z odabrati gornje ili donje trokutastom i u tom sluˇaju je B jedinstveno odredena c uvjetom regularnosti matrice A i pozitivnoˇ´u dijagonalnih elemenata od B. c z Q Q = I kaˇe da Q ima lijevi inverz pa je r(Q) = n. x = 0. Pritom je B regularna ako i samo ako je takva A. a kako je kvadratna vrijedi m = n = r(A). c z T Za ortogoinalne matrice Q vrijedi Qx = x . dovoljno traˇiti uvjet QT Q = I ili QT Q = I. Matrica B op´enito nije jedinstvena. y = 0. Stoga zakljuˇujemo da je Q nuˇno kvadratna i regularna. da za svaku pozitivno semidefinitnu matricu A postoji kvadratna z matrica B. Na sliˇan naˇin se pokazuje da QQT = I i uvjet m = n daje QT Q = I. Prisjetimo se definicije kuta izmedu dvaju vektora iz dijela o vektorskim prostorima: (x | y) . da je regularna matrica. Moˇe se pokazati. Pritom je lijevi c z inverz isto ˇto i desni inverz i to je baˇ inverz matrice. tj. onda je BB T ∈ Rm×m pozitivno definitna c matrica. Ova definicija je dovoljna da se zakljuˇi kako vrijedi i relacija QQT = I. uz kvadratiˇnost. onda je B T B ∈ Rn×n pozitivno definitna c matrica. tj. Za B ∈ Rm×n moˇe se pokazati. a iz druge da je QT desni inverz z od Q. sc Ortogonalne matrice Promotrimo sada matrice Q koje istovremeno zadovoljavaju jednadˇbe z QT Q = I. Iz prve jednadˇbe slijedi da je QT lijevi inverz od Q. (iii) ako je B punog retˇanog ranga. pa je regularna. pa je za c c ortogonalnost.2. takva da je A = B T B. z (i) matrice B T B ∈ Rn×n i BB T ∈ Rm×m su pozitivno semidefinitne. s s Kvadratna matrica Q koja ima svojstvo QT Q = I zove se ortogonalna matrica. Doista. ortogonalne matrice ˇuvaju euklidsku duljinu vektora. 0 ≤ θ ≤ π. Moˇe se pokazati da je svaka pozitivno definitna simetriˇna z c matrica punog ranga.

Neka su Q = [ q1 q2 · · · qn ] i Q= ⎡ T q1 ˜ ⎢ T ˜ ⎢ q2 ⎢ . Tada je Q ortogonalna ako i samo c c vrijedi T (qi | qj ) = qi qj = 1 i = j. tvrdnja je c dokazana. 0 i = j. i i. c Doista. ⎣ . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 35 Ako je Q ortogonalna matrica. vrijedi (Qx | Qy) xT QT Qy xT y (x | y) = = = .2. gdje je δij Kroneckerova delta. n}. . tj. ako i samo ako ima ortonormirane retke i stupce. ⎤ ⎥ ⎥ ⎥ ⎥ ⎦ qn ˜T stupˇana i retˇana particija kvadratne matrice Q. . π]. ortogonalne matrice ˇuvaju kut medu vektorima. Drugim rijeˇima QT Q = I je ekvivalentno s tvrdnjom da Q ima ortonormirane stupce. Jer je T [ QT Q ]ij = eT QT Qej = (Qei )T (Qej ) = qi qj . Posebno su znaˇajne ortogonalne matrice tipa c cos θ sin θ − sin θ cos θ kojima su stupci rotirani kanonski vektori e1 i e2 rotirani za kut θ (u pozitivnom smjeru) oko ishodiˇta. tj. QT Q = I je ekvivalentno s [ QT Q ]ij = δij . 0 i=j i (˜i | qj ) = qi qj = q ˜ ˜T ˜ 1 i = j. Doista. Qx Qy x y x y x y Budu´i da se kut izmedu dvaju vektora uvijek nalazi u intervalu [0. ˜T ˜ Na sliˇan naˇin se pokazuje da je QQT = I ekvivalentno s qi qj = δij . Zakljuˇujemo da Q zadovoljava obje relacije QT Q = I i QQT = I ako i samo c ako ima ortonormirane stupce i retke. onda je kut izmedu vektora Qx i Qy jednak kutu izmedu vektora x i y. . ⎢ . . Zato se matrice tog s oblika zovu matrice rotacije u R2 za kut θ. u ravnini odredenoj vektorima e1 i e2 . . T c QT Q = I je ekvivalentno s qi qj = δij . j ∈ {1. odnosno c c s tvrdnjom da Q ima ortonormirane retke.

q ∈ Πn . Specijalno. 3. 4 oznaˇimo s c 1 2 3 4 5 . matrice iz Pn su regularne. 2. . Skup svih matrica permutacija reda n oznaˇit ´emo s Pn . 3. definiramo kompoziciju permutacija ◦.2. 2. 5 preslikava u niz 5. z z Svakoj permutaciji p ∈ Πn moˇemo pridruˇiti matricu permutacije P formulom P ei = ep(i) . 1 2 3 4 5 a zapisana na uobiˇajeni naˇin (elementi koje permutiramo u rastu´em poretku) c c c p−1 = pa je ⎡ 1 2 3 4 5 . c gdje su ei stupci jediniˇne matrice reda n. Npr. permutaciju koja niz brojeva 1. Skup svih permutacija na Sn oznaˇimo s Πn . ◦) i (Pn . Ako. 2. . . ·). 4. Tom relacijom definirano je preslikavanje J : Πn → Pn . ⎥ 1⎦ 0 ⎤ 0 ⎢0 ⎢ ⎢ J (p) = ⎢ 0 ⎢ ⎣0 1 0 0 1 0 0 1 0 0 0 0 0 1 0 0 0 0 ⎢0 ⎢ ⎢ J (p−1 ) = ⎢ 1 ⎢ ⎣0 0 ⎡ 0 0 0 1 0 0 1 0 0 0 0 0 0 0 1 1 0⎥ ⎥ ⎥ 0⎥. Pn je podskup skupa ortogonalnih matrica. Matrica permutacije je matrica kojoj su elementi nule ili jedinice i koja u svakom retku i u svakom stupcu ima toˇno jednu jedinicu. p= 5 3 1 2 4 Njena inverzna permutacija je p−1 = 5 3 1 2 4 .. jer vrijedi J (p ◦ q) = J (p)J (q) za sve p. kao bic narnu operaciju na Πn . c Iz definicije odmah slijedi da je svaka matrica permutacije kvadratna. n}. . . 1. tada (Πn . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 36 Matrice permutacije Sljede´a klasa ortogonalnih matrica je u bliskoj vezi s permutacijama skupa c Sn = {1. ⎥ 0⎦ 0 ⎤ z c Skup Pn zajedno s operacijom mnoˇenja matrica ˇini grupu. Preslikavanje J je tzv. Kako svaka matrica permutacije c c ima ortonormirane stupce i retke. 3 4 2 5 1 0 0⎥ ⎥ ⎥ 0⎥. 1 ≤ i ≤ n. takvo da je J (p) = P . izomorfizam grupa (Πn . ◦) postaje multiplikativna grupa.

c pa je pomo´u nje definirana pozitivno definitna i semidefinitna matrica. j-ti stupac od AQ je q(j)-ti stupac od A. Napomenimo joˇ da simetriˇne. uloge simetriˇne. Ako je P = Q. I(p) je ukupni broj inverzija u permutaciji p. Dakle. Kompleksne norc c malne matrice definirane su uvjetom A∗ A = AA∗ i one ukljuˇuju klase hermitskih. Unitarne c matrice ˇuvaju euklidsku normu vektora i kuteve medu vektorima. Za funkciju parnosti vrijedi π(p) = p(j) − p(i) . antisimetriˇne i ortogonalne matrice pripadaju s c c ˇiroj klasi tzv. antisimetriˇne i ortogonalne c c matrice imaju hermitske. Permutacija p je parna (neparna) ako je I(p) paran (neparan) broj. p(i) Specijalno. antihermitske i unitarne matrice U skupu kompleksnih matrica. i-ti redak od P T A je p(i)-ti redak od A. Za element aij matrice A vrijedi aij = eT A ej = eT (P T AQ)ej = (eT P T )A(Qej ) = (P ei )T A(Qej ) i i i = eT Aeq(j) = ap(i)q(j) .2. pa je dijagonala od A . 1} z c definirana s π(p) = (−1)I(p) . p(j)) za koji vrijedi p(i) > p(j) kad je i < j. Njihove su definicije: A∗ = A za hermitsku. Dijagonalni elementi hermitske matrice su realni. dok su kod antihermitske imaginarni (a ne nule kao kod antisimetriˇne matrice). normalnih matrica koje su karakterizirane uvjetom AAT = AT A. antisimetriˇnih i ortogonalnih mac c c trica prenosi se na hermitske. Ve´ina lijepih svojstava simetriˇnih. retci od P T A su (permutacijom p) ispermutirani retci od A. j−i 1≤i<j≤n n ≥ 2. Dakle. A∗ = −A za antihermitsku i U ∗ U = I za unitarnu matricu. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 37 Koju ulogu u matriˇnom raˇunu imaju matrice permutacije? Neka za matrice c c P. Trag je na kompleksnim matricama definiran na c isti naˇin kao i na realnim matricama. Parnost je funkcija π : Πn → {−1. Promotrimo elemente matrice A = P T AQ. . antihermitske i unitarne matrice. ako je Q = I. stupci od AQ su (permutacijom q) ispermutirani stupci od A. Medutim. antihermitskih i unitarnih matrica. ispermutirana (permutacijom p) dijagonala od A. tada vrijedi aij = ap(i)p(j) . Parnost se moˇe definirati i pomo´u algebarskog izraza. kvadratna forma ima oblik x∗ Ax. s Hermitske. antihermitske i unitarne matrice. gledana kao niz brojeva. Inverzija u permutaciji p je svaki par (p(i). Q ∈ Pn vrijedi P = J (p) i Q = J (q). Determinanta U definiciji determinante se pojavljuje broj inverzija u permutaciji skupa Sn . Ako je P = I.

• Ako u determinanti zamijenimo dva retka (stupca). . an ]. bi . . . retcima. praktiˇno neupotrebljiva. . ai−1 . . Naime. determinanta matrice se ne mijenja. . Umjesto det(A) joˇ se koristi oznaka s det A. cijela dez terminanta se mnoˇi s α. c • det(AT ) = det(A). Sliˇna tvrdnja vrijedi i za retke. . strahovito brzo raste s n. . tada vrijedi c det(C) = det(A) + det(B). . govorit ´emo o elementima. . ai . pa zato i c c c broj raˇunskih operacija. ai + bi . an ]. B = [a1 . . Uoˇimo da se u svakom ˇlanu sume nalazi po jedan element iz svakog c c stupca i po jedan element iz svakog retka matrice. c Za determinantu vrijede sljede´a svojstva. ai−1 . . . Determinanta det(A) je reda n ako je A reda n. . samo jedan je razliˇit od nule. . za A ∈ Rn×n vrijedi det(αA) = αn det(A). |A| ili a11 · · · a1n . Definicija determinante je matematiˇki jasna. . c • Ako jednom retku (stupcu) determinante dodamo neki drugi redak (stupac) pomnoˇen proizvoljnim skalarom. z . . Specijalno. . Stoga. ako determinanta ima jedan nul-redak ili z nul-stupac. ai+1 . njena vrijednost je nula. . ali je za raˇunanje determinante c c reda ve´eg od tri. ai+1 . broj ˇlanova u sumi. . u sluˇaju jediniˇne matrice. ai+1 . . • Ako se jedan redak (stupac) determinante pomnoˇi skalarom α. . . • Ako su A = [a1 .2. . pa je c c det(In ) = [ In ]11 [ In ]22 · · · [ In ]nn = 1 · · · 1 = 1. . ona mijenja predznak. ··· an1 · · · ann Sliˇno kao kod matrice. C = [a1 . . Stoga. ima vrijednost nula. . c c od n! ˇlanova sume. ai−1 . an ] stupˇane particije kvadratnih matrica A. . B i C. respektivno. . stupcima i dijagonali c c determinante. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 38 Determinanta matrice A = [ aij ] ∈ Rn×n ili Cn×n je skalar det(A) = p∈Πn π(p)a1p(1) a2p(2) a3p(3) · · · anp(n) . . Stoga determinanta s dva jednaka retka ili stupca.

· · · ai−1.j−1 · · · ai. . ai−1. ⎥ . . . ij j=1 1 ≤ i ≤ n. a1. .1 ⎢ ⎢ ai.j+1 . S Ac ∈ R(n−1)×(n−1) oznaˇit ´emo podmatricu od A koja c c ij nastaje izbacivanjem njenog i-tog retka i j-tog stupca. ⎥ .j+1 · · · ann n×n je determinanta matrice Ac . A= ··· ⎢ ⎢ ⎢ ai−1. ⎥ . . c Za A = [ aij ] ∈ Rn×n vrijedi n det(A) = (−1)i+j aij det(Ac ). a1j .n ⎥ ⎥ ⎥. ⎥ · · · ai+1. · · · ai+1.j−1 ··· · · · ai−1. . ai−1.j+1 . .2. Npr. .j−1 .1 ⎢ ⎢ ⎢ ai+1. Razvoj determinante po retku i stupcu Da bi se izraˇunala vrijednost determinante moˇe se iskoristiti tzv. koji se joˇ naziva i Laplaceov razvoj des terminante. koja nastaje iz Minora elementa aij matrice A ∈ R ij A izbacivanjem i-tog retka i j-tog stupca.j+1 ai. . ai−1.n ⎥ .j .j+1 ai+1.j+1 ai+1.j−1 · · · ai+1. razvoj c z determinante po retku ili stupcu. . ⎥ . ⎢ .j+1 . . ⎣ . . ⎦ ··· ann a1n .j−1 . . an1 · · · an. . ⎦ .1 ⎢ ⎢ ai+1. .j−1 · · · ai+1. anj a1. . ··· an. sam pojam minore je op´enitiji c c i oznaˇava determinantu proizvoljne kvadratne podmatrice zadane matrice.j−1 .j−1 an. ⎢ . ako je ⎡ a11 ⎢ . ⎥ . .n ⎥ ⎥ . ij Dakle algebarski komplement se razlikuje od odgovaraju´e minore tek u fakc toru (−1)i+j .1 ⎢ ⎢ . . eventualno do na predznak.1 ⎢ ⎢ . a1. . ⎣ . Ac ij = ⎢ ⎢a ⎢ i−1.j aij ai+1. · · · ai−1. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 39 • Kvadratna matrica A je regularna ako i samo ako je det(A) = 0. • Za kvadratne matrice A i B vrijedi det(AB) = det(A) det(B) (to je poznati Binet–Cauchyjev teorem). an.n ⎥ ⎥ · · · ai. . Algebarski komplement ili kofaktor elementa aij je skalar (−1)i+j det(Ac ). Inaˇe. .j+1 .n ⎥ ⎥ . ⎥ . ··· ··· a1n . tj. ⎥ ⎥ ⎤ · · · ai−1. ⎥ .j+1 a1. . .j−1 . Odatle odmah slijedi da je produkt dviju kvadratnih matrica singularan ako i samo ako je bar jedna od matrica u produktu singularna. . . ⎥ ⎤ an1 onda je ⎡ a11 ⎢ . Neka je A ∈ Rn×n .

x4 ). Na isti naˇin se op´enito pokazuje da vrijedi c c V (x1 . . Isto tako vrijedi formula n det(A) = i=1 (−1)i+j aij det(Ac ). . Da bismo odredili formulu za njeno raˇunanje. mogu se izvesti neke korisne formule za vric jednost specijalnih determinanata. Vandermondeova determinanta reda 4. x3 . . x2 . xn ). Primjer 2. Pomo´u svojstva determinante. . stupac. ij 1≤j≤n koju nazivamo razvoj determinante po j-tom stupcu. x3 . x2 . x2 . x4 ) = 1 −x1 1 1 0 = 0 0 1 x2 − x1 x2 (x2 − x1 ) x2 (x2 − x1 ) 2 1 x3 − x1 x3 (x3 − x1 ) x2 (x3 − x1 ) 3 1 x4 − x1 . Razvojem determinante po stupcu ili retku. x2 . . x4 (x4 − x1 ) x2 (x4 − x1 ) 4 Razvojem determinante po prvom stupcu dobivamo determinantu reda tri. x4 ) = 2 x1 x3 1 1 x2 x2 2 x3 2 1 x3 x2 3 x3 3 1 x4 x2 4 x3 4 tzv. x3 . . U toj determinanti moˇemo izluˇiti ispred determinante faktore (x2 − x1 ).. lako se pokaˇe da je determinanta z trokutaste matrice jednaka produktu njenih dijagonalnih elemenata.2 Neka je 1 x1 V (x1 . x3 .2. (x3 − x1 ) i z c z (x4 − x1 ) koji mnoˇe 1. x4 ) = (x2 − x1 )(x3 − x1 )(x4 − x1 ) x2 x2 2 1 x3 x2 3 1 x4 x2 4 = (x2 − x1 )(x3 − x1 )(x4 − x1 )V (x2 . xn ) = (xn − x1 )(xn−1 − x1 ) · · · (x2 − x1 )V (x2 . i 3. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 40 Ovu formulu nazivamo razvoj determinante po i-tom retku.2. . . . Tako dobijemo 1 V (x1 . pomnoˇimo ju s lijeva s pogodnom matricom poznate determinante i iskoc z ristimo Binet–Cauchyjev teorem: 1 −x1 1 −x1 1 x1 x2 1 x3 1 1 x2 x2 2 x3 2 1 x3 x2 3 x3 3 1 x4 x2 4 x3 4 V (x1 . 2.

. . an ] stupˇana particija od A. vrijedi A−1 = adj(A) . . Definirajmo matrice Ai = [a1 . . ··· . xi = det(A) . . adj(A) = ⎣ . x2 . tada je det(Ai ) . . . Adjunkta ima vrlo specijalno svojstvo: A adj(A) = adj(A)A = det(A) In . lako se pokaˇe da vrijedi c z V (x1 . . x4 ). xn ]T ) rjeˇenje sustava Ax = b. pa je V (x1 . ai+1 . xn ) = i<j (xj − xi ). x4 ) = (x3 − x2 )(x4 − x2 )V (x3 . x3 . 1 ≤ i ≤ n. det(A) ⎡ · · · α1n . . je matrica α11 ⎢ . Ovaj rezultat kaˇe da su vektori ˇije su komponente (iste) potencije medusobno raz c zliˇitih brojeva x1 . . ako je A nesingularna. . . ⎦. . . ⎥ . . b. . . 1 ≤ i ≤ n. . c pri ˇemu je A = [a1 . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 41 Posebno. x4 ) = (x2 − x1 )(x3 − x1 )(x4 − x1 ) · (x3 − x2 )(x4 − x2 ) · (x4 − x3 ). . ai−1 . xn . x3 . . vrijedi V (x2 . c Adjunkta i Cramerovo pravilo Adjunkta kvadratne matrice A reda n. . Op´enitije. an ]. . . · · · αnn ⎤ Promotrimo sada sustav Ax = b gdje je A ∈ Rn×n nesingularna matrica. Stoga. αn1 pri ˇemu su c αij = (−1)j+i det(Ac ) ji algebarski komplementi elemenata aji matrice A. x2 . x4 ) = (x4 − x3 )V (x4 ) = (x4 − x3 ) · 1 = x4 − x3 . linearno nezavisni. Cramerovo c s pravilo: ako je A ∈ Rn×n nesingularna.2. b ∈ Rn i ako je x = [x1 . Tada vrijedi tzv. . V (x3 . .

U tom sluˇaju. Takva je npr. svakom c sc linearnom operatoru u bilo kojem paru baza (“polaznog” i “dolaznog” vektorskog prostora) pripada matrica. Vlastite vrijednosti i vektori Iako se vlastite (ili svojstvene) vrijednosti i vektori mogu definirati na nivou linearnih operatora. Ako linearne jednadˇbe glase z ax1 + bx2 = e cx1 + dx2 = f tada mnoˇenjem prve jednadˇbe s d i druge jednadˇbe s −b i sumiranjem dobivenih z z z jednadˇbi (eliminacija nepoznanice x2 ). λ je vlastita vrijednost.2. x2 = = a b ad − bc det(A) c d 2. osim ako je kut viˇekratnik od π. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 42 Provjerimo formule kad je n = 2. Vektor x ∈ Cn . S druge strane. a par (x. Neka je A ∈ Cn×n . tada je svaki netrivijalni vektor vlastiti vektor koji pric pada vlastitoj vrijednosti nula odnosno jedan. λ) je vlastiti par matrice A. Naime.8. ako je A nul-matrica odnosno jediniˇna matrica. u praksi se najˇeˇ´e koriste na nivou matrica. pa se zapravo radi o smjerovima koji se ne mijenjaju djelovanjem matrice (na vektore tih smjerova). x = 0 je vlastiti vektor od A ako postoji skalar λ takav da je Ax = λx. rotacija u R2 koja mijenja sve netrivijalne vektore (smjerove). a vlastita vrijednost skalar iz R. Za neke matrice se lako odrede pripadni vlastiti parovi. Vidimo da se zahtijeva netrivijalnost vlastitog vektora. Npr. s . neke realne matrice nemaju vlastite vrijednosti pa ni vlastite vektore.2. dolazimo do z a e af − ce det(A2 ) c f = . dolazimo do z e b ed − bf det(A1 ) f d = . Ako c n×n je A ∈ R . vlastiti vektor od A je netrivijalni vektor iz Rn . mnoˇenjem prve jednadˇbe s −c i druge jednadˇbe s a i sumiranjem dobivenih c z z z jednadˇbi (eliminacija nepoznanice x1 ). pa se problem vlastitih vrijednosti operatora moˇe rez ducirati na problem vlastitih vrijednosti matrica. = x1 = a b ad − bc det(A) c d Sliˇno.

z c vidimo da sliˇne matrice imaju isti karakteristiˇni polinom. Budu´i da je c A − λI singularna.3) Determinanta matrice zI − A je polinom n-tog stupnja u z. Ako je r = n. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 43 Neka je λ vlastita vrijednost matrice A. Vrijednost λ je bila proizvoljna vlastita vrijednost. . respektivno. . takav da je Ax = λx. · · · λ − ann (2. det(zI − A) = z n − σn−1 z n−1 − · · · − σ1 z − σ0 koji se zove karakteristiˇni polinom matrice A. . Zadnja jednadˇba se moˇe zapisati u obliku Ax−λx = 0 z z ili (A − λI)x = 0. . det(µI − A) = 0. Ako vrijedi λi = λj ˇim je i = j. onda u + v nije vlastiti vektor. . .2. . imamo λ − a11 . c onda je skup vektora {u1 . . Stoga je c c . . Neka su u1 . To znaˇi da koeficijenti c c c c σi ovise o cijeloj klasi sliˇnih matrica matrici A. −an1 n · · · −ann . postoji x = 0. . takav da je Ax = λx. det(λI − A) = (−1) det(A − λI) = . . S obzirom da B = S −1 AS povlaˇi B − zI = S −1 (A − zI)S.2. To osigurava sljede´i rezultat. Pokaˇimo da vrijedi i obrat. Karakteristiˇni polinom c Neka je λ vlastita vrijednost matrice A reda n. c Ako su u i v vlastiti vektori koji pripadaju medusobno razliˇitim vlastitim vrijednostima λ i µ. = 0. tvrdnja se moˇe interpretirati na sljede´i naˇin: ako matrica A z c c reda n ima n medusobno razliˇitih vlastitih vrijednosti. λr pripadne vlastite vrijednosti. Tada postoji (vlastiti) vektor x = 0. det(A − λI) = 0. ur vlastiti vektori od A i λ1 . Po definiciji. pa je singularna. . Dakle matrica A − λI prebacuje netrivijalan vektor u nulu.2. . ur } linearno nezavisan. Ima li osim x i drugih vlastitih vektora za λ? Odgovor je povrdan jer se lako provjeri da je skup Xλ = {x | Ax = λx} vektorski potprostor od Cn (ili Rn ako je A realna). c Neka je A kvadratna matrica reda n. Dakle. tada postoji baza prostora c (Rn ili Cn ) koja se sastoji od vlastitih vektora matrice A. . a (2. a nije to niti bilo koja linearna kombinacija αu + βv koja zadovoljava uvjet α = 0 i β = 0. . .3) je karakteristiˇna c c jednadˇba matrice A.. . Stoga je njegova determinanta nula. c c z Neka je µ nultoˇka karakteristiˇnog polinoma. pa smo pokazali da je svaka vlastita vrijednost nultoˇka karakteristiˇnog polinoma.

a takvo je) C ima n nultoˇaka. ako karakteristiˇni polinom ima realne koc c eficijente. Time smo c c naˇli jednu karakterizaciju vlastitih vrijednosti i dokazali s Teorem 2. pa karakteristiˇni polinom ima prema osnovnom teoremu algebre n nultoˇaka koji su c c op´enito kompleksni brojevi. Geometrijska viˇestrukost s c c s vlastite vrijednosti λ je defekt matrice λI − A. Dakle. odnosno mogu ih imati manje od n. polinom p(t) = t2 + 1 uop´e nema realnih korijena. Polinom stupnja n nad poljem realnih brojeva (koje nije zatvoreno) ne mora imati n nultoˇaka.2. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 44 matrica µI − A singularna. pa joj jezgra nije samo nul-vektor.2 Neka je A kvadratna matrica. zakljuˇujemo da su vlastite vrijednosti neprekidne c funkcije matrice. tada moˇe. Pritom je zbroj kratnosti (ili c viˇestrukosti) svih nultoˇaka jednak stupnju polinoma. tada ´emo u razvoju determinante det(zI − A) imati uz c potencije od z uvijek realne brojeve. Skalar λ je vlastita vrijednost matrice A onda i samo onda ako je nultoˇka karakteristiˇnog polinoma. koeficijenti karakteristiˇnog polinoma ´e biti c c realni. tada znamo da postoji i baza vektorskog prostora Cn koja se sastoji od vlastitih vektora matrice A. kod raˇunanja vlastic tih vrijednosti realne matrice A. postoji netrivijalan vektor x. zac c s c kljuˇujemo da svaka matrica iz Cn×n ima toˇno n vlastitih vrijednosti. Ako postoje vlastite vrijednosti kratnosti ve´e od jedan. Nultoˇke polinoma mogu biti viˇestruke. Koriste´i fundamentalni teorem algebre. Zakljuˇujemo da je c svaka nultoˇka karakteristiˇnog polinoma vlastita vrijednost matrice A. koji kaˇe da polinom stupnja n nad c z (zatvorenim poljem. Kako su nultoˇke polinoma neprekidne c funkcije koeficijenata polinoma. broje´i ih s viˇestrukostima. S druge strane. takav da je (µI − A)x = 0 ili Ax = µx. pa neprekidno ovise o matrici. npr. njegove nultoˇke mogu biti ili realni brojevi ili kompleksni brojevi koji se c javljaju kao parovi konjugirano kompleksnih brojeva. u pravilu se raˇunaju sve vlastite vrijednosti od A c . Ako pritom c sve vlastite vrijednosti imaju algebarsku kratnost jedan. tj. Ako je matrica realna. jer su realni brojevi takoder kompleksni brojevi. ali i ne mora postojati c z baza vlastitih vektora. c s p(z) = z 3 (z − 2)2 ima dvije nultoˇke: 0 kratnosti tri i 2 kratnosti dva. s c Algebarska viˇestrukost vlastite vrijednosti λ kvadratne matrice A je njena s viˇestrukost kao nultoˇke karakteristiˇnog polinoma. svaka realna matrica A se moˇe promatrati kao da je komz pleksna.2. Peciznije. Sada je A ∈ Cn×n . Stoga c c matrice nad realnim poljem ne moraju imati vlastite vrijednosti. Stoga. c c c Koeficijenti karakteristiˇnog polinoma su odredene sume produkata matriˇnih c elemenata. x = 0. Npr.

. . Vaˇnu klasu dijagoz nalizibilnih matrica ˇine tzv. Postavlja se pitanje kada kvadratna matrica ima bazu koja se sastoji od vlastitih vektora. pa ´emo im z c c posvetiti duˇnu paˇnju. . a kad nema takvu bazu.2. . . . dakle da postoji regularna matrica S. Teorem 2. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 45 gledaju´i na A kao da je iz Cn×n . . . normalne matrice za koje vrijedi A∗ A = AA∗ . λn ). pa vrijedi Λk = diag(λk . c Matrice koje dopuˇtaju rastav (2. takva da je A = GΛG−1 pri ˇemu je Λ dijagonalna matrica. vrijedit ´e i c ⎡ ⎤ p(λ1 ) ⎢ ⎥ . λk ). . Svaka c z c normalna matrica iz Cn×n se moˇe dijagonalizirati transformacijom sliˇnosti s unitarnom matricom G.2. Nakon toga se odbace sve vlastite vrijednosti (i c pripadni vlastiti vektori) koje nisu realni. (2. takva da je S −1 AS = Λ = diag(λ1 . . imamo A2 = (SΛS −1 )(SΛS −1) = SΛΛS −1 = SΛ2 S −1 A3 = A2 A = (SΛ2 S −1 )(SΛS −1 ) = SΛ3 S −1 .3 Neka je A ∈ Cn×n . . Matrica Λ je dijagonalna.4) . z z Matriˇni polinomi c Pretpostavimo da se matrica A dade dijagonalizirati.4) zovu se dijagonalizibilne. p(Λ) = ⎣ ⎦. Matrica A ima n linearno nezavisnih vlastitih vektora ako i samo ako postoji regularna matrica G. Ak = Ak−1 A = (SΛk−1S −1 )(SΛS −1 ) = SΛk S −1 .2. .2. p(λn ) gdje je p(λ) bilo koji polinom. Ako je A = SΛS −1 . Mogu se dijagonalc c izirati samo one za koje postoji pun sistem vlastitih vektora. Ne mogu s se sve matrice dijagonalizirati pomo´u transformacije sliˇnosti. U praksi su najvaˇnije simetriˇne realne matrice. 1 n Kako je linearna kombinacija dijagonalnih matrica opet dijagonalna matrica.

c Neka je A ∈ Cn×n . matrica poniˇtava svoj karakteristiˇni c s c polinom. vrijedi s µ(A) = 0. tj. c Teorem 2. on je djeljiv (to znaˇi djeljiv c s c bez ostatka) s minimalnim polinomom. . To znaˇi da nultoˇke minimalnog polinoma leˇe u skupu c c c z . Dakle. pa u nizu I. podemo li od s 2 z c z I. tj. koja se moˇe prikazati kao linearna kombinacija prethodnih potencija.2. f (λn ) ⎤ ⎥ −1 ⎦S . A. . Tada je χ(A) = 0. . . Ovi uvjeti najmanjeg stupnja s i normiranosti vode´eg koeficijenta. Ak = Ak−1 · A. minimalni polinom ima stupanj koji je manji ili jednak stupnju karakteristiˇnog polinoma. A..4 (Hamilton–Cayley) Neka je A ∈ Cn×n i neka je χ(z) karakteristiˇni polinom od A. koeficijent uz najviˇu potenciju mu je jedan. On ima vaˇno svojstvo da dijeli svaki z polinom koji poniˇtava matricu A. on ima svojstvo da je polinom najmanjeg stupnja koji poniˇtava matricu A. Npr. A2 = A · A. .2. . moˇemo pisati z Ar = µr−1 Ar−1 + µr−2 Ar−2 + · · · + µ1 A + µ0 . . Ako definiramo polinom µ(z) = z r − µr−1 z r−1 − µr−2 z r−2 − · · · − µ1 z − µ0 . Tada se mogu izraˇunati potencije A0 = I. . Dakle. Matrice I. c Iz Hamilton-Cayleyjeva teorema zakljuˇili smo da minimalni polinom dijeli c karakteristiˇni polinom. nema viˇe od n2 linearno nezavisnih matrica. A . su elementi vektorskog prostora Cn×n dimenzije n2 . pa c se on zove minimalni polinom matrice A. A. . . f (A) se moˇe ovako definirati z ⎡ f (A) = Sf (Λ)S −1 = S ⎣ ⎢ f (λ1 ) . gdje su µi skalari.. . . Sljede´i teorem kaˇe da stupanj minimalnog s c z polinoma nije ve´i od n. A1 = A. . A2 . . . osiguravaju jedinstvenost takvog polinoma. moˇemo na´i prvu potenciju Ar . . Kako karakteristiˇni polinom poniˇtava matricu. . p(λn ) ⎤ ⎥ −1 ⎦S . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 46 pa odmah slijedi ⎡ p(A) = Sp(Λ)S −1 = S ⎢ ⎣ p(λ1 ) . ako c c je f : R → R beskonaˇno puta diferencijabilna funkcija i ako A ima realne vlastite c vrijednosti. Stoga. funkcija matrice se definira na sliˇan naˇin. . Na osnovu formule za polinom. A2 .

2. Jk (ν) = ⎢ . ⎢. J(λp ) ⎤ ⎥ ⎥ ⎥ ⎥ ⎦ S −1 AS = }n1 }n1 . .. ⎥ ⎥ 1⎦ ν ⎤ zove se elementarna Jordanova klijetka (ili blok) dimenzije k. . . To znaˇi da moˇemo pisati c c z µ(z) = (z − λ1 )m1 (z − λ2 )m2 · · · (z − λp )mp . Pomo´u elemenc tarnih Jordanovih klijetki gradena je Jordanova klijetka (ili blok) ⎡ ⎢ ⎢ ⎢ ⎢ ⎣ Jk1 (ν) Jk2 (ν) .2.2. . . (2. . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 47 vlastitih vrijednosti matrice. Tada postoji regularna matrica S.6) Pritom je n1 + · · · + np = n.. a za mnoge matrice vrijedi jednakost mi = ni za sve 1 ≤ i ≤ p. χ(z) = (z − λ1 )n1 (z − λ2 )n2 · · · (z − λp )np pri ˇemu je p broj medusobno razliˇitih vlastitih vrijednosti matrice. . . . s Matrica oblika ν ⎢ ⎢0 ⎢.⎥ . 0 . . ⎣. . np . λp zadani uredaj c medusobno razliˇitih vlastitih vrijednosti od A.2.. Jkr (ν) ⎤ ⎥ ⎥ ⎥ ⎥ ⎦ J(ν) = ∈ Cl×l .5 (Jordan) Neka je A ∈ Cn×n i neka je λ1 . c Teorem 2.⎥ . }np (2. . . ⎢. ⎥ 0 ⎥ ∈ Ck×k . . Jordanova forma matrice Da bismo dobili uvid u doseg transformacija sliˇnosti kao alata za rjeˇavnje c s problema vlastitih vrijednosti navest ´emo op´i teorem o redukciji kvadratne matrice c c na oblik koji je onoliko blizak dijagonalnom obliku. . Pritom uvijek c c vrijedi mi ≤ ni za sve 1 ≤ i ≤ p.. s algebarskim kratnostima n1 . .. . Pomnija analiza pokazuje da je svaka vlastita vrijednost matrice nultoˇka minimalnog polinoma... . .. 0 . 0 ⎡ ··· . .5) pri ˇemu je k1 ≥ k2 ≥ · · · ≥ kr ≥ 1 i k1 + k2 + · · · + kr = l ≤ n. . ν ··· ··· 0 1 ν . respektivno. . takva da je ⎡ ⎢ ⎢ ⎢ ⎢ ⎣ J(λ1 ) J(λ2 ) . . koliko matrica dopuˇta. .

µ(z) = (z − λ1 )m1. Pomo´u unitarne transformacije sliˇnosti matrica se moˇe svesti na trokuc c z tasti oblik. Kako elementarne Jordanove klic c jetke imaju samo jedan vlastiti vektor e1 . .6 (Schur) Za proizvoljnu matricu A postoji unitarna matrica U.1 + · · · + mp.rp .2. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 48 Teorem 2.1 = 1. Dijagonalizacija simetriˇne matrice c Vidjeli smo da se transformacijom sliˇnosti matrica moˇe svesti na Jordanovu c z formu. oblik koji je dosta blizak dijagonalnoj fromi.rk . . pa je matrica dijagonalizibilna. U drugoj krajnosti kad je p = n. pri ˇemu je mk. U ostalim sluˇajevima ´e op´enito vrijediti c c c n = n1 + · · · + np n1 = m1. ˇto znaˇi da je Jordanova klijetka J(λk ) jedna elementarna s c Jordanova klijetka. r1 = 1 i tada je Jordanov oblik od A jedna elementarna Jordanova z klijetka reda n.1 najve´i red elementarne klijetke unutar Jordanove klijetke J(λk ). c gdje je za svako k.2.j ≤ nk ≤ n.1 · · · (z − λ1 )mp. mk.j dimenzija j-te po redu elementarne Jordanove klijetke u J(λk ). Iz teorema 2.5 kaˇe da se svaka matrica pomo´u transformacije sliˇnosti moˇe z c c z svesti na oblik koji je blizak dijagonalnom. Dakle.r1 .1 + · · · + m1. . a za dimenzije elementarnih Jordanovih klijetki mk. mora za svako k biti nk = 1.1 +· · ·+mk.2. Teorem 2. pa je rk = 1 i mk.5 takoder slijedi da je minimalni polinom od A. Medutim ako zahtijevamo da sliˇnost bude naˇinjena pomo´u unitarne matrice.j vrijedi c 0 ≤ mk. Za broj rk elementarnih Jordanovih klijetki unutar Jordanove klijetke J(λk ) vrijedi ograniˇenje 1 ≤ rk ≤ n. Naime. svaki Jordanov blok J(λk ) je c oblika (2. Zbog det(zI − S −1 AS) = det(S −1 (zI − A)S) = det(zI − A) zakljuˇujemo da je ni algebarska kratnost od λi .1 (z − λ1 )m2.1 . postoji rastav nk = mk.2. tada je doseg dijagonalizacije c c c slabiji. sve jordanove klijetke u Jordanovoj formi matrice su reda 1. U teoremu moˇe biti p = 1.2.5). Matrica U moˇe biti izabrana tako z da se na dijagonali matrice T pojave vlastite vrijednosti od A u bilo kojem zadanom poretku. pa za svako 1 ≤ k ≤ p. takva da je T = U ∗ AU gornjetrokutasta matrica. zakljuˇujemo da je geometrijska kratnost od λi broj ri . np = mp.

tada je T dijagonalna matrica. Ponekad ´emo koristiti i zapis c H= i λi u i u ∗ . hermitska matrica H moˇe se prikazati u obliku z H = UΛU ∗ . Hermitska matrica je normalna matrica koja ima realne vlastite vrijednosti.2. pa je B normalna.7.2. Tada je B ∗ B = U ∗ A∗ UU ∗ AU = U ∗ A∗ AU = U ∗ AA∗ U = U ∗ AUU ∗ A∗ U = BB ∗ .2. i 1 . a vrijedi i za neprekidne funkcije c realnog argumenta. kao ˇto je naredni teorem z s koji kaˇe da je Schurova dekompozicija normalnih matrica dijagonalna. (2.2.2. Sljede´i teorem pokazuje da se normalne matrice mogu dijagoc nalizirati pomo´u unitarne transformacije sliˇnosti. Pokaˇimo da je unitarno sliˇna z c ∗ matrica normalnoj matrici opet normalna. .2. Jedna od posljedica ovog teorema jest tvrdnja da normalna matrica reda n ima sustav od n ortonormiranih (ortogonalnih i normiranih tj.7). Dakle.2.8) moˇemo proˇiriti pojam skalarne funkcije c z s na hermitske matrice. c c Teorem 2.9) Uoˇimo da formula (2.8) koji je ekvivalentan s (2.1(v) u kojem uzmite A = UΛ. Neka je A normalna i B = U AU za neku unitarnu matricu U. un ] unitarna matrica kojoj su stupci vlastiti vektori od H.2. c Unitarna matrica je normalna matrica kojoj vlastite vrijednosti imaju modul jedan. Taj oblik zovemo spektralna dekompozicija od H. i (2. matrica A je normalna ako je A∗ A = AA∗ . . . Jedna od najˇeˇ´e koriˇtenih funkcija je drugi korijen.2.7) gdje je U = [u1 . To odmah slijedi iz zadatka 2. Pomo´u formule (2. Ako je c sc s H pozitivno definitna matrica. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 49 Schurov teorem ima neke vrlo vaˇne posljedice. onda se drugi korijen matrice H dobiva formulom H2 = i 1 λi2 uiu∗ . Spomenuli smo dvije najznaˇajnije klase normalnih matrica: unitarne i herc mitske matrice. i (2. euklidske norme jedan) vlastitih vektora koji razapinju Cn .2. B = U ∗ . a Λ je dijagonalna matrica s realnim vlastitim vrijednostima od H na dijagonali. To se ˇini na slijede´i naˇin c c c ϕ(H) = i ϕ(λi )ui u∗ .7 Ako je A normalna matrica i T = U ∗ AU Schurova dekompozicija od A. Sjetimo z se. .9) vrijedi za polinome. Sljede´e tvrdnje proizlaze iz teorema 2.

Definicija i osnovni teoremi Ako je H hermitska pozitivno definitna (semidefinitna) matrica onda su njene vlastite vrijednosti pozitivne (nenegativne).3. c 2. . gdje je Λ dijagonalna matrica vlastitih vrijednosti od A.3. 2. . Funkcija z c f (x) = Cx 2 je neprekidna. pri ˇemu vrijedi c σ1 ≥ σ2 ≥ · · · ≥ σmin{m. a Q je ortogonalna matrica ˇiji su stupci vlastiti vektori od A. tada postoje unitarne matrice U ∈ Cm×m i V ∈ Cn×n . s c pa svaka neprekidna funkcija na njemu dostiˇe minimum i maksimum. = max{ Cx 2 | x 2 = 1. Ako je m = n. Uskoro ´emo pokazati vezu vlastitih vrijednosti ovih matrica sa singularnim c vrijednostima od C. . zove se simetriˇna. c Dokaz. σmin{m. Ako je C ∈ Cm×n onda su obje matrice C ∗ C i CC ∗ hermitske i pozitivno semidefinitne.n} zovemo singularne vrijednosti matrice C. Pritom su netrivijalne vlastite vrijednosti ovih matrica jednake. on je kompaktan. .1. matrica C ∗ C (CC ∗ ) ima n (m) vlastitih vrijednosti. σ2 . Pomo´u njega ´e se jednostavno dokazati c c spomenuta tvrdnja o vlastitim vrijednostima matrica C ∗ C i CC ∗ . Teorem 2. σmin{m. takve da je U ∗ CV = Σ. . takav da je Cv 2 Σ = diag(σ1 . .3. . . Singularna dekompozicija matrice Singularna dekompozicija matrice jedna je od najkoriˇtenijih dekompozicija u s numeriˇkoj linearnoj algebri. Stoga ´emo dokazati glavne rezultate vezane uz tu c c dekompoziciju. σ2 . pa se njena spektralna c c dekompozicija zapisuje u obliku A = QΛQT .1 (Singularna dekompozicija matrice) Ako je C ∈ Cm×n .2. x ∈ Cn }. Ona se moˇe dijagonalizirati c z pomo´u transformacije sliˇnosti s ortogonalnom matricom. Sljede´i teorem o egzistenciji singularne dekompozicije sluˇi i kao definicija c z singularnih vrijednosti i vektora matrice. . pa postoji jediniˇni vektor v ∈ Cn . Stupce matrice U zovemo lijevi.n} ≥ 0. vlastite vrijednosti matrica C ∗ C i CC ∗ se podudaraju. Brojeve σ1 .n} ). Ako je m = n. Poˇto je jediniˇna sfera u Cn ograniˇen i zatvoren skup. a stupce matrice V desni singularni vektori matrice C. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 50 Ako je Hermitska matrica realna.

u2 . . 0. Tada je ⎡ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ ⎢ ⎢ ⎢ ⎢ ⎣ C1 = ∗ U1 CV1 = u∗ 1 u∗ 2 . um ⎤ ⎥ ⎥ ⎥ ⎥ ⎦ [ σ1 u1 Cv2 · · · Cvn ] σ1 0 = . c c n za v1 = v postoji n − 1 ortonormiranih vektora v2 . . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 51 Ako je Cv 2 = 0. . takva da je Cm Vm = [ Cm 2 . . . C2 u∗ Cv2 m c gdje je z ∈ Cn−1 . Moˇe z se pokazati da za Cm postoji unitarna matrica. 2 s sc a ovo je striktno ve´e od σ1 ako je z = 0.3. tako da dobijemo ortonormiranu bazu u1 . σ1 Nadopunimo u1 s m − 1 vektora do baze u Cm i onda primijenimo npr. Ako je Cv 2 > 0. zakljuˇujemo da je z = 0. Sliˇno. vrijedi C(V1 y) 2 2 ∗ = (U1 CV1 )y 2 2 = C1 y 2 2 = 2 (σ1 + z ∗ z)2 + C2 z σ1 + z ∗ z 2 2 2 ≥ σ1 + z ∗ z. . Za jediniˇni vektor y= 1 2 σ1 + z∗z σ1 . . Drugim rijeˇima. . C2 (2. Cv2 ··· ··· ··· · · · Cvn ] = u∗ Cvn 1 u∗ Cvn ⎥ ⎥ 2 u∗ Cvn m ··· ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ u∗ 1 u∗ 2 . . Stoga je ∗ C1 = U1 CV1 = σ1 0 0 . . . . . . onda je C = 0 i faktorizacija u iskazu teorema je trivijalna uz Σ = 0 i s proizvoljnim unitarnim matricama U i V reda m i n. C2 ∈ C(m−1)×(n−1) . . . Gramm– Schmidtov proces ortogonalizacije. um za Cm . Poˇto je to u suprotnosti sa maksimalnoˇ´u c c od σ1 . dobili smo unitarnu matricu U1 = [u1 . . Ako je m ≥ n taj postupak vodi do dijagonalne matrice Σ. um]. Na taj taj naˇin dobivamo unitarne matrice U i V kao produkt unitarnih matrica koje su dobijene nakon svakog koraka.2) c Sada ponavljamo isti argument za matricu C2 ∈ C(m−1)×(n−1) . um ⎤ ⎥ ⎥ ⎥ ⎥ ⎦ ⎡ [ Cv1 u∗ Cv2 1 u∗ Cv2 2 . .1) zbog unitarne invarjantnosti euklidske norme. takvih je da matrica V1 = [v1 . · · · . vn ] unitarna. respektivno. .3. .2. u zadnjem koraku radimo s matricom Cm ∈ C1×(n−m+1) . z (2. 0 = σ1 0 z∗ . . . vn ∈ C . . v2 . Ako je m ≤ n. . 0 ] . stavimo σ1 = Cv u1 = 2 i formirajmo jediniˇni vektor c Cv ∈ Cm . . v3 .

Iz relacije Cx = UΣV ∗ x = U(Σ(V ∗ x)). vn s matricom C. .3. Naime. . respektivno. . Ako je s m > n (n > m) onda CC ∗ (C ∗ C) ima joˇ dodatnih m − n (n − m) vlastitih . U u V i ΣT u Σ. .8 = UΣV T = 2.n} ) singularna dekompozicija matrice C. Singularne vrijednosti su unitarno invarijantne. pri ˇemu moramo joˇ preimenovati V s z c s u U. Neka je U ∗ CV = Σ. . primijenimo postupak opisan z c c u dokazu teorema na matricu C ∗ . . vidimo da se djelovanje matrice na vektor moˇe opisati kao niz od tri jednosz tavnije transformacije: rotacije. koje otkrivaju vezu ortonormiranih baza ui . I 2 2 2 Dakle. σmin{m. . zadnji dio dokaza teorema c moˇemo premostiti na sljede´i naˇin.96 1. . n} kvadratni korijeni vlastitih vrijednosti matrica C ∗ C i CC ∗ . kompleksno transponirajmo obje matrice u toj jednakosti. .6 −0. (W1 U)Σ(W2 V )∗ singularna dekompozicija od W1 CW2 . Iz teorema 2.28 0. Tada je Σ∗ = V ∗ C ∗ U. ˇto je traˇena singularna dekompozicija od C.6 −0. um i v1 . σ1 .3. C ∗ ui = σi vi .1.6 3 0 0 1 0. produljivanje/skra´ivanje komponenata vektora i c opet jedne rotacije.72 0. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 52 (to tzv.1 odmah slijede vaˇne relacije z Cvi = σi ui. pa je njen geometrijski smisao rotacija. pa je Σ∗ Σ = V ∗ C ∗ UU ∗ CV = V ∗ C ∗ CV ∈ Cn×n I ΣΣ∗ = U ∗ C V V ∗ C ∗ U = U ∗ CC ∗ U ∈ Cm×m . . σmin{m. Dobijemo C = V ΣT U ∗ . Ako je m < n. .3.8 0. Primjer 2. tada je za proizvoljne unitarne matrice W1 ∈ Cm×m i ∗ W2 ∈ Cn×n .2. za koju je broj redaka n ve´i od broja stupaca c ∗ ∗ m. Σ = diag(σ1 . Polaze´i od definicije singularnih vrijednosti iz teorema 2. .6 0. unitarna matrica ne mijenja normu vektora.8 T . Nakon dobivene dekompozicije C = UΣV . pa ´e lijeve i desne komponentne unitarne matrice c u zadnjem koraku biti Um = I1 i Vm . Ako ˇitatelju nije jasan pojam LQ faktorizacije. jer ako je C = UΣV ∗ singularna dekompozicija od C. .96 0. σ2 .n} su (neke) vlastite vrijednosti od C ∗ C i CC ∗ .8 0. LQ faktorizazija od Cm ). pokaˇimo da c z su σi . 1 ≤ i ≤ min{m. σ2 .1 Evo primjera singularne dekompozicije matrice reda dva: C= 0. . . .

1 ≤ j ≤ k jediniˇne matrice. Veza izmedu singularnih vrijednosti od C i vlastitih vrijednosti od C ∗ C pokazuje da su singularne vrijednosti jedinstvene. . c Na sliˇan naˇin. Ako su U ∈ Cm×m i C n×n V ∈C unitarne matrice za koje je C = U ΣV ∗ . vrijedi s σ1 > σ2 > · · · > σk > 0 i respektivno. Tada je C = UΣV ∗ onda i samo onda ako postoje unitarne matrice U0 ∈ C(m−r)×(m−r) . Neka je C = UΣV ∗ . a 0m−r ∈ C(m−r)×(m−r) i 0n−r ∈ (n−r)×(n−r) nul-matrice. Pritom su S1 i S2 dijagonalne. S1 (U ∗ U) = (U ∗ U )S1 . . relacija C = U ΣV ∗ povlaˇi c c . Σ = diag(σ1 Iµ1 .n}−r ) µ1 + µ2 + · · · + µk = r.2 Neka je C definirana kao u teoremu 2. Iz singularne dekompozicije C = UΣV ∗ slijedi 2 2 2 CC ∗ = UΣΣ∗ U ∗ = U[σ1 Iµ1 ⊕ σ2 Iµ2 ⊕ · · · ⊕ σk Iµk ⊕ 0m−r ]U ∗ ≡ US1 U ∗ . σ2 Iµ2 . . da je matrica Σ odredena na jedinstven naˇin matricom C. . . Teorem 2. tj.1. V0 ∈ C(n−r)×(n−r) i Ui ∈ Cµi ×µi . C ∗ C = V S2 V ∗ . c gdje su Iµj ∈ Cµj ×µj .3.3. . Sljede´i teorem govori o tome koliko su U i V jedinc c stvene. tada vrijedi CC ∗ = U S1 U ∗ . 0min{m. . σk Iµk . Dokaz. pa je Odavde slijedi US1 U ∗ = U S1 U ∗ . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 53 vrijednosti koje su jednake nuli. Pretpostavimo da za netrivijalne singularne vrijednosti matrice C i za pripadne viˇekratnosti. 1 ≤ i ≤ k. Uk . takve da je U = U(U1 ⊕ U2 ⊕ · · · ⊕ Uk ⊕ U0 ) V = V (V1 ⊕ V2 ⊕ · · · ⊕ Vk ⊕ V0 ). singularna dekompozicija od C i neka su U ∈ Cm×m i V ∈ Cn×n unitarne matrice. U0 ). U njemu oznaka ortogonalne sume matrica U1 ⊕ U2 ⊕ · · · ⊕ Uk ⊕ U0 oznaˇava c blok-dijagonalnu matricu diag(U1 . U tom smislu kaˇemo da su singularne vrijednosti z ∗ matrice C korijeni vlastitih vrijednosti od C C i CC ∗ .2. 2 2 2 C ∗ C = V Σ∗ ΣV ∗ = V [σ1 Iµ1 ⊕ σ2 Iµ2 ⊕ · · · ⊕ σk Iµk ⊕ 0n−r ]V ∗ ≡ V S2 V ∗ . .

a Λ dijagonalna. |λn |) i Φ = diag(eiφ1 . slijedi Ui = Vi . c m×n R umjesto Cm . Izravne posljedice singularne dekompozicije Zanimljiv je odnos izmedu vlastitih i singularnih vrijednosti normalne matrice. Pritom je V unitarna matrica. U |λ1 | ≥ |λ2 | ≥ · · · ≥ |λn |. . . Λ = diag(λ1 . Na svim mjestima c c z gdje se koristi znak kompleksnog transponiranja treba staviti znak transponiranja. . unitarne. µk . Nadalje. respektivno. . . pri ˇemu je Σ kao i dosad. . m − r i µ1 . µk . a rijeˇ unitarna zamijeniti s ortogonalna. Ako je polazna matrica realna. Rn . Kako su σi > 0. 1 ≤ i ≤ k. Cn . V = V [V1 ⊕ V2 ⊕ · · · ⊕ Vk ⊕ V0 ]. . Vi ∈ Cµi ×µi . . V0 ∈ C(n−r)×(n−r) i Ui . odnosno σi Ui = σi Vi 1 ≤ i ≤ k. . Neka je N ∈ Cn×n normalna matrica i neka je N = V ΛV ∗ njena spektralna dekompozicija. |λ2|. µ2 . eiφ2 . . To povlaˇi da su one unitarne blok dijagonalne s dimenzijama dijagonalnih blokova c µ1 . 1 ≤ i ≤ k. . . . eiφn ). singularna dekompozicija se zapisuje kao C = c z UΣV T . Stoga vrijedi U = U[U1 ⊕ U2 ⊕ · · · ⊕ Uk ⊕ U0 ].2. n − r. Tada je N = V ΛV ∗ = V ΦΣV ∗ = V Φ ΣV ∗ = UΣV ∗ .2. treba koristiti prostore Rm . µ2 . Dakle U ∗ U i V ∗ V komutiraju s dijagonalnim matricama S1 i S2 .3. respektivno. ta tvrdnja se lako dokaˇe. Cm×n . 2. . Sada iz relacije UΣV ∗ = UΣV ∗ slijedi Ui σi Vi∗ = σi Iµi . λ2 . . tako da je Λ = ΦΣ. . respektivno. Paˇljivo ˇitaju´i dokaze prethodnih teorema. . . . λn ). Definirajmo Σ = diag(|λ1 |. S2 (V ∗ V ) = (V ∗ V )S2 . . a U ∈ Rm×m i V ∈ Rn×n su ortogonalne. . gdje su U0 ∈ C(m−r)×(m−r) . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 54 odnosno pa je V S2 V ∗ = V S2 V ∗ .

σ2 . um} (iii) R(C) = span{u1 . . . . . . Vr = [v1 . ur } (iv) R(C ∗ ) = span{v1 . Tada je rang(C) = r i (i) N (C) = span{vr+1 . .1 Neka je C = UΣV ∗ singularna dekompozicija matrice C ∈ Cm×n za koju vrijedi σ1 ≥ σ2 ≥ · · · ≥ σr > σr+1 = · · · = σmin = 0. . . . . c (i) Poˇto je Cvi = 0. . vr ] ∈ Cn×r gdje su ui i vi stupci od U i V . . . . . σmax (C) = σ1 (C) je najve´a. . . . r + 1 ≤ i ≤ n. zakljuˇujemo da je s c span{vr+1 .2. . . . . ur ] ∈ C m×r . . . vn } ista kao i dimenzija od N (C). u2. Iz defekt(C) = n − rang(C) = n − r izlazi da je dimenzija potprostora span{vr+1 . vn } ⊆ N (C). oˇito je rang(Σ) = r. . Neka su Σr = diag(σ1 . . . a σmin (C) = σmin{m. vr } (v) R(C ∗ ) = N (C)⊥ (vi) N (C ∗ ) = R(C)⊥ (vii) R(C ∗ C) = R(C ∗ ). v2 . . R(CC ∗ ) = R(C) (viii) C = (ix) C (x) C 2 F 2 r i=1 ∗ σi ui vi = Ur Σr Vr∗ 2 2 2 = σ1 + σ2 + · · · + σmin = σ1 . (ii) N (C ∗ ) = span{ur+1 . Stoga je rang(C) = rang(Σ). Pritom ´emo koristiti oznake: σi (C) je i-ta najve´a singularna c c vrijednost matrice C.3. Ako znamo da se radi o matrici C. Zakljuˇujemo da su singularne vrijednosti c normalne matrice apsolutne vrijednosti njenih vlastitih vrijednosti. . To znaˇi da pretpostavljamo nerastu´i uredaj singularnih vrijednosti. umjesto c c c c σi (C) koristit ´emo kra´u oznaku σi . Dokaz. . u2. v2 . respektivno. . σr ) ∈ Cr×r . Rang matrice se ne mijenja ako pomnoˇimo matricu slijeva ili zdesna nesinz gularnom matricom. . .3. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 55 singularna dekompozicija matrice N. kako je to u teoremu 2. Korolar 2. . Ur = [u1 . .1 i definirano. Sljede´i korolar pokazuje neke od pogodnosti koje pruˇa singularna dekomc z pozicija matrice. . . vn }. Kako je rang broj linearno nezavisnih stupaca (ili redaka) matrice.n} (C) najc manja singularna vrijednost matrice C.

Um−r ] = Ur Σr Vr∗ = r i=1 i σi > 0. . σr ur ) = span(u1 . . Σ 0 Vr∗ [ Vr . . (x) Sliˇno kao u (ix). . imamo s R(C ∗ ) = span{v1 . pa je c C 2 = UΣV ∗ 2 = Σ 2 = σmax (C). . .2. 2-norma je unitarno invarijantna. pa span(σ1 u1 . (viii) Tvrdnja slijedi izravno pomnoˇimo li odgovaraju´e matrice: z c C = [ Ur . . . . . . . . za 1 ≤ i ≤ r vrijedi Cvi = UΣV ∗ vi = UΣei = σi Uei = σi ui Vektori ui su linearno nezavisni. Medutim. vn baza. . ur } = R(C)⊥ . tvrdnja (vii) slijedi iz tvrdnji (iv) i (iii). . (ix) Tvrdnja slijede iz ˇinjenice da je euklidska norma unitarno invarijantna c C 2 F = UΣV ∗ r 2 F = Σ 2 F = i=1 2 σi . vr } = N (C)⊥ . (vi) Koriˇtenjem tvrdnji (ii) i (iii). Cvr ) ⊆ R(C). . . . Vn−r ]∗ = [ Ur Σr . (iv) Dokaz ove tvrdnje koristi isti argument kao i dokaz tvrdnje (ii). . ur ) ima dimenziju r kao i R(C). respektivno. Cvn ) jer je v1 . (v) Koriˇtenjem tvrdnji (iv) i (i). . 0 ] ∗ 0 0 Vn−r ∗ σi ui vi . . a C i C ∗ imaju isti rang. . te je R(C) = span(u1 . pa je tvrdnja (ii) je tvrdnja (i) za C ∗ . (vii) Zbog toga ˇto su s R(C ∗ C) = R(V Σ∗ ΣV ∗ ) i R(C ∗ C) = R(UΣΣ∗ U ∗ ) singularne dekompozicije matrica C ∗ C i CC ∗ . Stoga je span(Cv1 . ur ). . . . . (iii) Znamo da je R(C) = span(Cv1 . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 56 (ii) Singularna dekompozicija od C ∗ je C ∗ = V ΣU ∗ . . . . . . . izlazi s N (C ∗ ) = span{u1 . .

Tada je rang(K)=k min C −K 2 = C − Ck 2 = σk+1 .2. onda vrijedi to i to svojstvo”. Aproksimacija matrice matricom manjeg ranga Jedna od vaˇnijih upotreba singularne dekompozicije matrice je odredivanje z ranga matrice.3. 0). Ona se dobije izravno od singularne dekompozicije matrice. 0. σ2 . Neka je k < r i k Ck = i=1 ∗ σi uivi . Brojni teoremi u linearnoj algebri imaju oblik : “ako je ta i ta matrica punog ranga. 2. . Zbog pogreˇaka zaokruˇivanja s z i eventualnih pogreˇaka ulaznih podataka. . σk . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 57 Dekompoziciju opisanu u tvrdnji (viii) korolara 2. Teorem 2. Mirsky) Neka je C = UΣV ∗ singularna dekompozicija matrice C ∈ Cm×n ranga r. Dokaz. Jedna od vaˇnijih posljedica singularne dekompozicije matrice je i polarna z dekompozicija.3 Svaka kvadratna matrica C dopuˇta prikaz s C = QH1 = H2 Q. Young. . Stoga se.1 zvat ´emo skra´ena c c singularna dekompozicija matrice C. Sljede´i teorem nam govori o aproksimaciji matrice pomo´u matrica manjeg c c ranga. Poˇto je s U ∗ Ck V = diag(σ1 . odredivanje ranga postaje netrivijalan s zadatak. . rang matrice najsigurnije raˇuna iz z c singularne dekompozicije. . Za singularnu dekompoziciju matrice postoje pouzdane i priliˇno toˇne c c metode.4 (Ekhard.3. Iz singularne dekompozicije matrice C odmah slijedi C = UΣV ∗ = UV ∗ V ΣV ∗ = (UV ∗ )(V ΣV ∗ ) = QH1 = UΣV ∗ = UΣU ∗ UV ∗ = (UΣU ∗ )(UV ∗ ) = H2 Q. iako postoje brˇe metode. . . . Dokaz. Teorem 2.3. a H1 i H2 su hermitske pozitivno semidefinitne matrice kojima su vlastite vrijednosti upravo singularne vrijednosti od C.3. . gdje je Q unitarna.3.

. . .6 3 0.8 0. . . pa je rang(C) = 3.8 0.2 ⎦ = ⎣ 0. 1 ≤ i ≤ k + 1.0 0. . . .0 −2.0 0.4 2.4 1. Poˇto je Kz = 0 i z c c s Cz = i=1 ∗ σi (vi z)ui . .4 2. Zadnji teorem nam specijalno kaˇe da je najmanja singularna vrijednost maz trice jednaka udaljenosti (u spektralnoj normi) izmedu matrice i skupa singularnih matrica.0 2.8 ⎡ 6.0 0.0 0. ∗ a konveksnost sume slijedi iz ˇinjenice da je 0 ≤ |vi z|2 ≤ 1 i c k+1 i=1 ∗ |vi z|2 = z 2 2 = 1. .6 ⎥ ⎢ 3.8 ⎤ Iz singularne dekompozicije od C 6.0 ⎥ .4 ⎣ 0.2.6 0.4 0.8 0. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 58 lako se dobije C − Ck 2 = U ∗ (C − Ck )V 2 = diag(0.0 0. . k+1 moˇemo prona´i jediniˇni vektor z koji pripada ovom presjeku. c Primjer 2.8 c zakljuˇujemo da je σ1 (C) = 8.8 2. To znaˇi da moˇemo na´i ortonormirane vektore x1 .8 ⎦ ⎣ 0 1.0 ⎤ 0.8 2.0 5 ⎢ ⎥ ⎢ ⎥ ⎢ 0. . .0 ⎤ ⎡ 0.0 0. . −0.2 ⎥ .8 0.8 0. xn−k }. ⎦ 1.8 ⎦ . 0.0 0. 0. xn−k takve da je N (K) = span{x1 . Uoˇimo da c je rang(K) = 2. .0 −0.6 ⎦ .8 0.4 0.4 1. σ3 (C) = 3.0 Dakle imamo C − K 2 ⎤ ⎡ ⎤ ⎡ 0. .8 0. σk+1 .0 1. . Zadnja nejednakost vrijedi jer se radi o konveksnoj sumi brojeva σi .6 ⎥ ⎢ 0.0 0.0 ⎡ ⎡ ⎤ ⎡ ⎤ 1.0 ⎦ ⎣ 0 ⎣ 0.4 ⎢ C = ⎣ −4.0 ⎤ = 5 > 3 = σ3 (C).0 8 ⎥ ⎢ 0.8 ⎢ −4. σmin{m. .4 −0.4 3.0 0.4 ⎤ ⎡ ⎤ ⎡ 0. .2 ⎦ = ⎣ 0. Zbog span{x1 .0 −2.8 2.4 3. .0 ⎢ K = ⎣ −4. . Spektralnu normu od C − K dobijemo opet preko njene singularne dekompozicije ⎡ 0.0 1.0 0.0 0. imamo C −K 2 2 ≥ (C − K)z k+1 2 2 = Cz 2 2 = i=1 2 ∗ 2 σi |vi z|2 ≥ σk+1 .n} ) 2 = σk+1 . Sljede´i primjeri ilustriraju tvrdnju teorema. . . xn−k } span{v1 . σ2 (C) = 5.8 1.2 Neka se 6.0 ⎦ ⎣ 5 −1.6 0.8 ⎥ 0.0 ⎥ ⎢ ⎦ ⎣ 0. ⎦ −2.0 −1. vk+1} = {0}.0 ⎥ 0. .3.0 0. c z c Neka je K ∈ Cm×n proizvoljna matrica ranga k.6 −0. .

σ3 (C) = 2. . imamo C − K 2 = σ4 (C).00 1. .0 0.2.3.0 0.08 1.0 0. 0. Dakle. singularna dekompozicija matrice C ∈ Cm×n .00 0.0 0.0 ⎡ C −K 2 0. .40 1.6 ⎤ = 1.0 0. −σ1 .5 (Jordan–Wielandt) Neka je C = UΣV ∗ .0 0. z Neka je Σ U ∗ CV = 0 . . 0).8 0. singularnom dekompozicijom matrice C dobic vamo σ1 (C) = 4.96 ⎦ 0.00 2.44 0. σmin .80 2. 0. Moˇemo pretpostaviti da je m ≥ n.08 1. Σ = diag(σ1 .0 0. takva da vrijedi Q∗ AQ = diag(σ1 .40 ⎢ 1. U protivnom radimo s matricom C ∗ . . .72 0. . pa se udaljenost matrice C do skupa singularnih matrica dostiˇe na matrici K.0 ⎢ = ⎢ ⎣ 0. z 2. 2 Dakle. . −σmin . σn ).0 0.3. .96 0.0 ⎦ 0. σ4 (C) = 1. a spektralna norma od C − K je c 0. 0 Tada postoji unitarna matrica Q.00 ⎤ Sliˇno kao u prethodnom primjeru.3.00 ⎡ 0. . 0.28 ⎥ ⎥ ⎥.00 ⎡ 0.4.00 0. On nam daje svezu imedu singularnih vrijednosti (i vektora) matrice i vlastitih vrijednosti (i vektora) jedne hermitske matrice koja je usko povezana uz danu matricu. |m−n| Dokaz. .00 1. .96 0.40 1.44 0.0 ⎥ ⎥ ⎥ 0. σ2 (C) = 3.92 ⎢ K=⎢ ⎣ 2. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 59 Primjer 2.40 ⎢ 1. Neka je A= 0 C C∗ ∈ C(m+n)×(m+n) .92 ⎢ C=⎢ ⎣ 2. vrijedi rang(C) = 4.60 ⎤ 2.72 0.56 0. . .96 ⎦ 0. .3 Neka su 2.56 0.0 ⎢ 0. Wielandtova matrica Sljede´i teorem je jedan od znaˇajnijih rezultata vezanih uz singularnu dekomc c poziciju matrice.00 0. Oˇito je rang(K) = 3.0 0.28 ⎥ ⎥ ⎥. .00 0. Teorem 2.

.2. σn ) ∈ Cn×n . . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 60 singularna dekompozicija matrice C. . . U2 ]. Neka je 1 Q= √ 2 Q je unitarna matrica jer vrijedi V∗ 1 ⎢ ∗ Q∗ Q = ⎣ V 2 0 ⎡ ∗ V V 1 ⎢ = ⎣ V ∗V √ 2 ∗ U1 V ⎥ V √0 −U ∗ √ 1∗ ⎦ U1 −U1 2U2 2U2 √ ∗ ⎤ ∗ ∗ + U1 U1 V ∗ V − U1 U1 2U1 U2 √ ∗ ⎥ ∗ ∗ − U1 U1 V ∗ V + U1 U1 − 2U1 U2 ⎦ √ ∗ ∗ ∗ 2U2 U1 − 2U2 U1 2U2 U2 ⎡ ⎤ 2I 0 0 1 ⎢ n ⎥ = ⎣ 0 2In 0 ⎦ = I. . m−n Oznaˇimo matricu prvih n stupaca matrice U s U1 . 2 0 0 2Im−n V U1 ⎤ V −U1 √0 . 0 ] . ⎣ −U1 CV + V ∗ C ∗ U1 −U1 CV − V ∗ C ∗ U1 ⎦ √ ∗ √ ∗ 2U2 CV 2U2 CV 0 ⎤ Produkt V ∗ C ∗ U2 je nul-matrica jer je V ∗ C ∗ U2 = V ∗ C ∗ UU ∗ U2 = [ Σ. . . 0 ] I 0 Im−n = 0. 2U2 ⎡ Izraˇunajmo joˇ c s ⎡ Q∗ AQ = 1 2 1 2 1 2 = = ∗ V∗ U1 0 C∗ V V ⎢ ∗ ∗ ⎥ √0 −U1 ⎦ ⎣V √ ∗ U1 −U1 C 0 2U2 0 2U2 ⎡ ⎤ ∗ U1 C V ∗C ∗ V ⎢ ⎥ V ∗ √0 −U V ∗C ∗ ⎦ ⎣√ 1C U1 −U1 2U2 ∗ 2U2 C 0 √ ⎡ ⎤ ∗ ∗ U1 CV + V ∗ C ∗ U1 U1 CV − V ∗ C ∗ U1 √2V ∗ C ∗ U2 ⎢ ∗ ∗ 2V ∗ C ∗ U2 ⎥ . Mnoˇenjem lijevih i desnih strana posljednje dvije jednakosti slijedi z 2 2 V ∗ (C ∗ C)V = diag(σ1 . Konjugiranjem i transponiranjem dobivamo V ∗ C ∗ U = [ Σ. Dakle U = [ U1 . 0. a matricu preostalih m − n c stupaca s U2 . . . 0) ∈ Cm×m . . . . . σn . odnosno 2 2 U ∗ (CC ∗ )U = diag(σ1 .

n. .3. Poˇto su U1 CV = Σ i V ∗ C ∗ U1 = Σ∗ s kvadratne realne i dijagonalne. teorem 3. . 25–26)]. σn . Tada vrijedi ˜ λi + µ n ≤ λi ≤ λi + µ 1 . µ1 ≥ µ2 ≥ · · · ≥ ˜ ˜ ˜ µn i λ1 ≥ λ2 ≥ · · · ≥ λn . . a njegov dokaz se moˇe prona´i c z c u poglavlju o vlastitim vrijednostima. dok se iz matrice Q lako odrede lijevi i desni singularni vektori od C i obratno.7 Neka matrica C ∈ Cm×n ima particiju C= Tada vrijedi C1 }k . . k} 1 ≤ j ≤ min{n. Teorem 2. . m − k}. Vidi npr.6 ima mnogo vaˇnih posljedica. −σ1 . σi (C1 ) ≤ σi (C). .3. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 61 ∗ ∗ Zbog toga vrijedi U2 CV = (V ∗ C ∗ U2 )∗ = 0. [8. C2 }m − k 1 ≤ i ≤ min{n.2. . Stoga dobivamo Σ+Σ 0 0 Σ 0 0 1 ⎢ ⎥ ⎢ ⎥ ∗ Q AQ = ⎣ 0 −Σ − Σ 0 ⎦ = ⎣ 0 −Σ 0 ⎦ 2 0 0 0 0 0 0 = diag(σ1 . . −σ2 . . 0).14 (str. 0. m−n ⎡ ⎤ ⎡ ⎤ Dakle. 2. Neke nejednakosti sa singularnim vrijednostima U ovom odjeljku prikazat ´emo dva teorema. Ovdje ´emo dokazati tek dvije. . Rezultat prvog teorema je jedna c od mnogobrojnih posljedica Fischerove karakterizacije vlastitih vrijednosti hermitskih matrica. Prethodni teorem omogu´ava da mnoge rezultate o vlastitim vrijednostima c hermitske matrice formuliramo. netrivijalne vlastite vrijednosti matrice A su pozitivne i negativne netrivijalne singularne vrijednosti matrice C. .3. uz prirodne modifikacije. Neka su redom vlastite vrijednosti matrica H. . z c Teorem 2. Dokaz. . M.6 Neka su H i M hermitske matrice i neka je H = H + M. σ2 . Teorem 2.3. . i = 1. σj (C2 ) ≤ σj (C). i H λ1 ≥ λ2 ≥ · · · ≥ λn . . za singularne vrijednosti proizvoljne matrice. one su i jednake. −σn . . Prvo ´emo formulirati Weylov teorem. .5.

Tada vrijedi σi (AB) ≤ σ1 (A)σi (B). Tada je M = Q( A 2 I − Λ2 )Q∗ 2 hermitska pozitivno semidefinitna matrica za koju je A∗ A + M = A 2 I.3.3. Na osnovu teorema 2.6 zakljuc ˇujemo da su vlastite vrijednosti od A 2 B ∗ B = σ1 (A)2 B ∗ B ve´e ili jednake od c ∗ odgovaraju´ih vlastitih vrijednosti od C C. takoder. Generalizirani inverz koristan je alat u raznim podruˇjima lic c nearne algebre.8 Neka su A ∈ Cm×k . O tome govori sljede´i teorem. c Zanimljivo je vidjeti koji je odnos izmedu singularnih vrijednosti produkta dviju matrica i singularnih vrijednosti samih matrica. a kvadrati singularnih vrijednosti od C1 (C2 ) su vlastite vrijednosti od ∗ ∗ C1 C1 (C2 C2 ).2. n. σi (AB) ≤ σi (A)σ1 (B).3.3. n. Dokaz. k}. Kvadrati singularnih vrijednosti od C jednaki su vlastitim vrijednostima od C ∗ C. 1 ≤ i ≤ min{m. Prvu tvrdnju dokazat ´emo usporedivanjem vlastitih vrijednosti matrica C ∗ C s c vlastitim vrijednostima od A 2 B ∗ B. Generalizirani inverz Singularna dekompozicija ima direktnu primjenu u raˇunanju generaliziranog c inverza op´e matrice. c Teorem 2.6 slijedi da c c su vlastite vrijednosti od C ∗ C. uzete u nepadaju´em poretku. Neka je A∗ A = QΛ2 Q∗ spektralna dekom2 pozicija od A∗ A. 2 x∗ B ∗ MBx = (Bx)∗ M(Bx) ≥ 0. 1 ≤ i ≤ min{m. Prema teoremu 2. linearnom problemu najmanjih kvadrata. ve´e ili jednake od ∗ ∗ odgovaraju´ih vlastitih vrijednosti matrice C1 C1 (C2 C2 ). 2 Vrijedi Uoˇimo da je c A 2 B ∗ B = B ∗ (A∗ A + M)B = C ∗ C + B ∗ MB. npr. Zamijetimo da je ∗ ∗ C ∗ C = C1 C1 + C2 C2 . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 62 Dokaz. pozitivno semidefinitna. B ∈ Ck×n i C = AB. Na ovom mjestu uvest . Druga tvrdnja slijedi iz prve zbog σi (C) = σi (C ∗ ) = σi (B ∗ A∗ ) ≤ σ1 (B ∗ )σi (A∗ ) = σ1 (B)σi (A). pa je B ∗ MB. k}. ∗ ∗ Matrica C2 C2 (C1 C1 ) je pozitivno semidefinitna.6. c 2.

Pokazat ´emo da prethodna ˇetiri uvjeta na jedinstven naˇin odreduju matricu X c c c † c koju onda oznaˇavamo s A .3. pa ´e ta matrica biti c generalizirani inverz matrice A. A(1. 2. Moore–Penroseov inverz koji je odreden sa sljede´a ˇetiri uvjeta (tzv. Za matricu X koja zadovoljava. na primjer. j)-inverz.2.2. Ta matrica ima oblik A† = V pri ˇemu je c A=U singularna dekompozicija matrice A. Tada postoji jedinstvena matrica X ∈ Cn×m . AXA = A. 3. Dobro je poznato.3). Budu´i da je A(1) ∈ Cn×m matricu A(1) moˇemo zapisati u obliku c z A(1) = V T L K M U ∗. zadovoljavat ´e prvi. c Prirodno je pokuˇati proˇiriti pojam inverza i na matrice koje nisu regularne ili s s ˇak nisu niti kvadratne. 0 . a (1. Dakle A(1. (XA)∗ = XA. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 63 ´emo pojam generaliziranog inverza A† matrice A i navesti neka njegova osnovna c svojstva. drugi i c c c c ˇetvrti uvjet. Teorem 2. Σ+ 0 0 V∗ 0 Σ−1 + 0 0 U ∗.4) ´e zadovoljavati sva ˇetiri uvjeta.3) Matrica X je inverz matrice matrice A i oznaˇava se s A−1 . koja zadovoljava Penroseove uvjete 1–4. (AX)∗ = AX. (2.j) (1) oznaku A i zvati ga (i.3. 2. 4)-inverz. (1)-inverz A zadovoljavati c samo prvi Penroseov uvjet. Dokaz. da za regularnu matricu A ∈ Cn×n postoji jedinstvena matrica X koja zadovoljava AX = XA = I.3. Tako ´e. npr.4) . i-ti i j-ti Penroseov uvjet koristit ´emo c (i. To je mogu´e posti´i zahtijevaju´i da matrica X zadovoljava c c c c poneˇto drugaˇije (oslabljene) uvjete nego ˇto je (2. XAX = X.3. 4. U slijede´em teoremu odredujemo eksplicitnu formulu c † za generalizirani inverz A . Najpoznatiji generalizirani s c s c c inverz je tzv. Penroseovi uvjeti [8]): 1.2.9 Neka je A ∈ Cm×n .

4) Σ−1 + L 0 U ∗. 3)-inverz ima oblik c A(1. tj. Na isti naˇin.2.3. 4)-inverza zakljuˇujemo da je c c c A† = A(1.2. 0 Dakle je T = Σ−1 . 2. odakle zakljuˇujemo da svaki (1. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 64 Uvrˇtavanjem ovog izraza za A(1) u prvi Penroseov uvjet. dok su K i L joˇ uvijek proizvoljne matrice. 2.2. 0 z Dakle. svaki (1)-inverz ima oblik + A(1) = V Σ−1 + L K M U ∗. 0 (2.3. s pa zakljuˇujemo da je M = LΣ+ K. 3)-inverz. L i M proizvoljne.2.2.4) .2) AA(1.3) = V Pritom je L proizvoljna podmatrica.4) zadovoljava sve sve Penroseove uvjete pa je A† = A(1.4) = V Σ−1 + 0 0 U ∗.4) na jedinstven naˇin s . iz ˇetvrtog Penroseovog uvjeta zakljuˇujemo da svaki (1. 3)-inverza i (1. Konaˇno.3.2. c Na isti naˇin odredit ´emo i (1. 2)-inverz. 2. 4)c c c inverz ima oblik Σ−1 K + U ∗.2. 2.2) = V Σ−1 + L K LΣ+ K U ∗. Izraˇunajmo sada (1. Kako c u dokazu niˇta nije proizvoljno. Tre´i Penroseov uvjet se zapisuje u obliku c (AA(1.2) = V Σ−1 + L K M U ∗ = A(1.2. A(1. Iz dokaza medutim slijedi da A(1. iz op´eg oblika (1. gdje su K. ako A† postoji nuˇno ima oblik kao u relaciji (2.3. 2. On je i (1)-inverz pa c polazimo od te matrice.4) = V 0 0 gdje je K proizvoljna podmatrica.3. Polazimo od c c A(1. slijedi da je A† relacijom (2.3) A = U 0 I Σ+ K 0 0 U ∗. dobivamo s AA(1) A = U Σ+ T Σ+ 0 0 V∗ = A =U 0 Σ+ 0 0 V ∗.4).3) = V Σ−1 + L K LΣ+ K U ∗.3.3) )∗ = U I K Σ+ ∗ 0 U ∗ = A(1. Iz drugog Penroseovog uvjeta slijedi A(1.2.

2. 8. Medutim. i A† = (G† )∗ F † . · : .3. posebno u numeriˇkoj linearnoj algebri. ¯ 2.4. 5. tada je (UAV )† = V ∗ A† U ∗ . ∀x ∈ Cn . (AA∗ )† AA∗ = AA† . (AT )† = (A† )T . Sama singularna dekompozicija je prema teoremu 2. αx = |α| x . (A† )† = A.2. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 65 odredena iz singularne dekompozicije matrice A. tada je A† = A∗ (AA∗ )−1 i AA† = Im . (AA∗ )† = (A∗ )† A† . ∀x ∈ Cn . ∀α ∈ R.10 Za proizvoljnu matricu A vrijedi: 1. (A∗ A)† A∗ A = A† A. 6.4. rang(A) = rang(A† ) = rang(AA† ) = rang(A† A).3.4). Ako matrica A ∈ Cm×n ima rang m.2 odredena do na mnoˇenje matrica U i V s desna s blokz s dijagonalnim unitarnim matricama. 4. Teorem 2.1.3. Ako je A = F G∗ i rang(A) = rang(F ) = rang(G). x ≥ 0. (A∗ A)† = A† (A∗ )† . Ako matrica A ∈ Cm×n ima rang n. a jednakost vrijedi ako i samo ako je x = 0.1 (Vektorska norma) Vektorska norma je svaka funkcija Cn → R koja zadovoljava sljede´a svojstva: c 1. Sada ´emo navesti neka osnovna svojstva generaliziranog inverza koja se lako c dokazuju ili direktno iz Penroseovih uvjeta ili iz relacije (2. Vektorske i matriˇne norme c Vektorske norme Vektorske i matriˇne norme osnovno su sredstvo koje koristimo kod ocjene c greˇaka vezanih uz numeriˇke metode. kao ˇto A ne ovisi o toj slobodi u † matricama U i V . tada je A† = G(F ∗ AG)−1 F ∗ 10. (A)† = (A† ). tako ne ovisi ni A .4. 7. 9. 3. s c c Definicija 2. tada je A† = (A∗ A)−1 A∗ i A† A = In . 2. Ako su U i V unitarne matrice. 2.

. 2-norma ima dva bitna svojstva koje je ˇine posebno korisnom. . Za H¨lderove p-normu vrijedi i poznata H¨lderova nejednakost o o |x∗ y| ≤ x p y q. ili. u oznaci x = c c c sc (x1 . i = 1. . Ova je nejednakost poznatija pod imenom nejednakost trokuta (zbroj duljina bilo koje dvije stranice trokuta ve´i je od c duljine tre´e stranice). x 2 p Sve ove tri norme specijalni su sluˇaj H¨lderove p-norme ( c o rane s: n x p norme) defini- = i=1 |xi |p 1/p . ... p q . Neka je x vektor iz Cn s komponentama xi .n Primijetite da je samo 2-norma izvedena iz skalarnog produkta. 1 1 + = 1. Takoder ona je diferencijabilna za sve x = 0. skra´eno x = [xi ]. . dok ostale dvije to nisu. ako je Q unitarna matrica (Q∗ Q = QQ∗ = I).. onda je Qx 2 = (x∗ Q∗ Qx)1/2 = (x∗ x)1/2 = x 2 . c Analogno se definira vektorska norma na bilo kojem vektorskom prostoru V nad poljem F = R ili C. . norma ili euklidska norma x 2 = (x x) ∗ n 1/2 = i=1 |xi |2 . U numeriˇkoj linearnoj algebri najˇeˇ´e se koriste sljede´e tri norme: c 1. Ona je inc varijantna na unitarne transformacije vektora x. . 3. ∀x. x + y ≤ x + y . i=1. n. .2. p ≥ 1. s gradijentom ∇ x 2 = x . xn )T . u engleskom govornom podruˇju poznatija kao “Manc hattan” ili “taxi-cab” norma n x 2. . ∞-norma ili ∞ norma x ∞ = max |xi |. 2-norma ili 2 1 = i=1 |xi |. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 66 3. tj. y ∈ Cn . 1-norma ili 1 norma.

pokazuje sljede´a nejednakost. . |x| = [|xi |]. Neka su α i β dvije p norme takve da je α ≤ β. . Tada vrijedi z c x β ≤ x α ≤ n(1/α−1/β) x β . c pa je p-norma rastu´a funkcija apsolutnih vrijednosti komponenti xi . y ∈ Cn . α Ova se nejednakost ˇesto proˇiruje i zapisuje tablicom x c s CM -ovi α\β 1 2 ∞ √ 1 1 n n √ 1 1 n 2 ∞ 1 1 1 ≤ CM x β . norme definirane na vekc torskom prostoru neprekidnih funkcija na [a. ∀x ∈ Cn .2 (Monotona i apsolutna norma) Norma na Cn je monotona ako vrijedi |x| ≤ |y| =⇒ x ≤ y . Stoer i Witzgall dokazali su netrivijalni teorem koji pokazuje da su ta dva svojstva ekvivelentna. tj. . Za vektore apsolutnih vrijednosti (u Rn ) moˇemo uvesti parcijalni uredaj relacijom z |x| ≤ |y| ⇐⇒ |xi | ≤ |yi|. L1 norma b f 1 = a |f (t)| dt.4. Definicija vektorskih normi u sebi ne sadrˇi zahtjev da je vektorski prostor z iz kojeg su vektori konaˇno dimenzionalan. b]) definiraju se sliˇno c n normama na C : 1. b] (u oznaci C[a.2. gdje su Primijetite da sve p-norme ovise samo o apsolutnoj vrijednosti komponenti xi . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 67 Posebni sluˇaj H¨lderove nejednakosti za p = q = 2 je Cauchy-Schwarzova nejedc o nakost |x∗ y| ≤ x 2 y 2. Norma na Cn je apsolutna ako vrijedi |x| = x . Oznaˇimo s c |x| vektor apsolutnih vrijednosti komponenti vektora x. Bauer.1 Norma na Cn je monotona ako i samo ako je apsolutna. koja se moˇe dosti´i. ∀i = 1. Definicija 2. c Koliko se dvije p-norme medusobno razlikuju. Teorem 2.4. Na primjer. n. . ∀x. .

onda to zovu generalizirana matriˇna norma. c Definicija 2.2. ∀A ∈ Cm×n . ∀A. A ≥ 0. 2. L2 norma b f 3. Za matriˇnu normu ´emo re´i da je konzistentna ako vrijedi c c c 4.4. AB ≤ A B · : kad god je matriˇni produkt AB definiran.4. a jednakost vrijedi ako i samo ako je A = 0. direktna primjena vektorskih normi (uz oznaku aij matriˇnog elementa u i-tom retku i j-tom stupcu) daje sljede´e definicije: c c 1.4. Oprez. dobivamo matriˇnu normu. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 68 2. . Ako matricu A promac c c tramo kao vektor s m × n elemenata. norme od A. Ako su ispunjena c c samo prva tri svojstva. B ∈ Cm×n . p ≥ 1. αA = |α| A . L∞ norma f 4. ∀A ∈ Cm×n . ∀α ∈ R. b]}.2.1 vektor x ∈ Cn matricom A ∈ Cm×n . Matriˇne norme c Zamijenimo li u definiciji 2. = max{|f (x)| | x ∈ [a. A + B ≤ A + B . c Matriˇne norme mogu nastati na dva razliˇita naˇina. 2. 3. Lp norma ∞ 2 = a |f (t)|2 dt 1/2 . b 1/p f p = a |f (t)|p dt .3 (Matriˇna norma) Matriˇna norma je svaka funkcija c c m×n → R koja zadovoljava sljede´a svojstva: c C 1. B i AB ne moraju c biti definirane na istom prostoru (dimenzije)! Neki autori smatraju da je i ovo posljednje svojstvo sastavni dio definicije matriˇne norme (tada to svojstvo obiˇno zovu submultiplikativnost). 1 norma | A |1 := A S m n = i=1 j=1 |aij |. onda.

..m j=1. Hilbert–Schmidtova.m j=1. Frobeniusova.m j=1. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 69 2... je AB = A M B M se moˇe napraviti konzistentna norma....... 2 2 = 1. vrijedi | AB | = m max n ≤ m max i=1... Vrijedi m s n ∞ norma AB S = ≤ i=1 j=1 k=1 m n i=1 k=1 m s n |aik bkj | ≤ n s m s n n |aik b j | S.2.....n tr je oznaka za trag matrice – zbroj dijagonalnih elemenata matrice..s k=1 n i=1.. i=1 j=1 3. 2 norma (euklidska.. Pokaˇimo na jednom primjeru da z tentnosti. Definiramo li z | A |=m A M. ... Pokaˇimo da 1 i 2 norma zadovoljavaju svojstvo konzistentnosti... i=1.. n =1 2 F i=1 j=1 k=1 =1 |aik | |b j | = A ≤ n m s S n B =1 j=1 2 AB 2 F = i=1 j=1 k=1 m n aik bkj |aik |2 |aik |2 B |b j |2 i=1 j=1 s k=1 = i=1 k=1 |b j |2 = A 2 F. a z ga ne zadovoljava. Za matrice A=B= pa je AB Ipak i od · M M ∞ norma ne zadovoljava svojstvo konzis2 2 .... ∞ norma | A |∞ := A M = max |aij |. =1 j=1 Primijetite da se u dokazu da je Frobeniusova norma konzistentna koristila CauchySchwarzova nejednakost. 1 1 1 1 = 2... Schurova) | A |2 := A F = (tr(A∗ A))1/2 = m n |aij |2 ...s k=1 aik bkj ≤ m max A B n i=1.s k=1 |aik bkj | M ) (n M M = (m A B M) = | A | | B |..m j=1.

m |aij |.. matriˇne norme moˇemo dobiti kao operatorske norme iz c z odgovaraju´ih vektorskih koriˇtenjem definicije c s A = max x=0 Ax (ili = max Ax ).. Matriˇna 2-norma se teˇko raˇuna. matriˇna 2-norma. dobit ´ete u poglavlju koje ´e se baviti dekompozis c c cijom singularnih vrijednosti. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 70 S druge strane. matriˇna 1-norma.4. (trebalo bi na´i po apsolutnoj vrijednosti c s c c najve´u svojstvenu vrijednost). singularnu vrijednost matrice. “maksimalna retˇana norma” c c n A ∞ = max i=1. dobivamo c 1.2) a σ je standardna oznaka za tzv..1). matriˇna ∞-norma. pa je uobiˇajeno da se ona procjenjuje koriˇtenjem c c s ostalih normi. (2.n |aij |. x =1 x (2. spektralna norma c A 2 = (ρ(A∗ A))1/2 = σmax (A). Detaljnu definiciju ˇto je to singularna vrijednost. c Tablica ovisnosti koja vrijedi medu matriˇnim normama je: A gdje su CM -ovi α\β 1 2 ∞ F M S 1 1 √ n n √ n 1 n 2 √ m 1 √ n rang(A) 1 mn rang(A) ∞ m √ m 1 √ m 1 m F √ m 1 √ n 1 √ 1 mn M m √ mn √ n mn 1 mn α ≤ CM A β .. S 1 1 1 1 1 1 . (B kvadratna!). i=1 2.2.4...4.1) Kad se uvrste odgovaraju´e vektorske norme u (2.. “maksimalna stupˇana norma” c c m A 1 = max j=1. j=1 pri ˇemu je ρ oznaka za spektralni radijus kvadratne matrice (maksimalna po apsoc lutnoj vrijednosti svojstvena vrijednost) ρ(B) = max{|λ| | det(B − λI) = 0}.. 3.

Pokaˇimo to. = AV 2 F = V ∗ A∗ 2 F = A∗ 2 F = A 2 F. Primijetite da za unitarne matrice vrijedi V ∗ = V −1 . dobivamo n n UA Konaˇno. potrebno je c pokazati da transformacije sliˇnosti ˇuvaju svojstvene vrijednosti matrice. a B kvadratna. tj. Ako je spektralna faktorizacija matrice S BS S −1 BSX = XΛ. Ako je c c c S nesingularna (kvadratna) matrica. vrijedi c UAV 2 F 2 F = j=1 Uaj 2 = j=1 aj 2 = A 2 F. one za koje vrijedi z UAV = A . S druge strane. za svaku unitarnu matricu U vrijedi Uaj 2 2 = a∗ U ∗ Uaj = a∗ aj = aj 2 .2. onda je matrica S −1 BS sliˇna −1 matrici B. matrica svojstvenih vektora je SX. onda vrijedi c UAV 2 = (ρ(V ∗ A∗ U ∗ UAV ))1/2 = (ρ(V ∗ A∗ AV ))1/2 . Za matriˇnu 2-normu. Mnoˇenjem c z sa S slijeva. j j 2 Objedinimo li te relacije. A∗ A i V ∗ A∗ AV su unitarno ekvivalentne. dok su svojstvene vrijednosti ostale nepromijenjene. dobivamo B(SX) = (SX)Λ. tj.4.3) A 2 F = j=1 aj 2 . pri ˇemu je X matrica svojstvenih vektora. Budu´i da je V unitarna. Dvije najpoznatije unitarno invarijantne norme su Frobeniusova i spektralna norma. za sve unitarne matrice U i V . pa je c UAV 2 = (ρ(A∗ A))1/2 = A 2 . a Λ svojstvenih vrijednosti. Da bismo dokazali da je matriˇna 2-norma unitarno ekvivalentna. . Kvadrat Frobeniusove norme matrice A moˇemo promatrati z z kao zbroj kvadrata normi stupaca aj : n (2. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 71 Posebno su vaˇne unitarno invrijantne norme.

Greˇke zbog polaznih aproksimacija s Taj tip greˇaka ˇesto se javlja kod rjeˇavanja praktiˇnih problema. Tipovi greˇaka s U praktiˇnom raˇunanju postoje dvije osnovne vrste greˇaka: greˇke zbog c c s s polaznih aproksimacija i greˇke zaokruˇivanja. u svakidaˇnjem s s ˇivotu: od sustava koji odreduje prognozu vremena do sustava koji daje kretanje z cijena na burzama) jednostavnijima koje moˇemo opisati matematiˇkim zapisom. c s z s Stoga se vrˇe razna pojednostavljenja. z c ˇ Cesto su stvarni fenomeni takvi da ih ni pribliˇno ne moˇemo opisati danaˇnjim z z s matematiˇkim teorijama. kemijskih i bioloˇkih fenomena u stanicama raka. Greˇke modela s Najˇeˇ´e nastaju zamjenom sloˇenih sustava (u skali veliˇina. Greˇke u s numeriˇkom raˇunanju c c Da bismo mogli ocjenjivati izraˇunava li neki algoritam.1.1. u skali sloˇenosti. greˇke unaprijed i unazad. Svi ti pojmovi nastajali su vremenski postupno. greˇke metode i greˇke u polaznim z c s s s podacima. ili su previˇe sloˇeni za danaˇnji stupanj matematike. od reakcija u atomskim cenz tralama do npr.1. a uglavnom su vezani uz raˇunanje na raˇunalima. implementiran na c raˇunalu (kao program). Te greˇke s c s c s moˇemo podijeliti u sljede´e klase: greˇke modela. potrebno c z s c sc je upoznati pojmove apsolutne i relativne greˇke.ˇ ˇ ˇ 3. od svemirskih c sc z c sustava do atomskih struktura. traˇeno rjeˇenje problema s dovoljnom toˇnoˇ´u. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 72 3. uvjetovanosti problema itd. s z 3. c c 3. a s druge strane da bismo i njih pojednostavili kako bismo c . s jedne strane da bismo uop´e opisali fenomes c ne matematiˇkim zapisom. stabils s nosti algoritma.

mreˇi) c c z {x1 . Velik broj numeriˇkih metoda za aproksimaciju funkcija i rjeˇavanje jednadˇbi upravo je tog c s z oblika. kod gibanja u zemaljskim uvjetima ˇesto se zanemaruje c s c ˇ utjecaj otpora zraka.ˇ ˇ ˇ 3. Definitivan odgovor. te greˇke nastaju kad se s derivacija zamijeni podijeljenom razlikom. Greˇke koja nastaju zamjenom beskonaˇnog neˇim konaˇnim. kao odgovor davala su prednost “teoretskoj” strukturi. xn } ⊂ [a. Prijaˇnja istraˇivanja kvantnih kemiˇara dala su dvije mogu´e strukture tog s z c c spoja. c Primjer 3. recimo i za ve´e s c ◦ kutove npr. i na korisnicima je da procijene s dobivaju li primjenom danog modela oˇekivane rezultate.1 Medu prvim primjenama trenutno jednog od najbrˇih raˇunala na z c svijetu bilo je odredivanje trodimenzionalne strukture i elektronskog stanja ugljik-36 fulerena (engl. Na primjer. . Primjena tog spoja moˇe biti viˇestruka. Pogreˇke u modelu mogu nastati i kod upotrebe z s modela u graniˇnim sluˇajevima. ˇto vrijedi samo za male kuteve. diferencijalna jednadˇba diferencijskom z jednadˇbom. a upotrebljava se. b]. Greˇke diskretizacije nastaju zamjenom kontinuuma konaˇnim diskretnim s c skupom toˇaka. . vrijednostima te funkcije na konaˇnom skupu toˇaka (tzv. tipiˇni z s c primjer greˇke diskretizacije je aproksimacija funkcije f na intervalu (segmentu) s [a. a teoretiˇari su tvrdili da bi to trebala biti druga struktura. za 15 . Takoder. Greˇke metode s Te greˇke nastaju kad se beskonaˇni procesi zamjenjuju konaˇnim. od supravodljivosti na visokim temperaturama do preciznog z s doziranja lijekova u stanice raka. Naravno. koji je proveden raˇananjem bez pojednostavljivanja pokazao je c da je “eksperimentalna” struktura stabilnija. buckminsterfullerene). poput derivacija i inc c tegrala ili su definirane limesima konvergentnih nizova ili produkata. ili kad se “beskonaˇno” mala veliˇina (najˇeˇ´e u oznaci h ili ε) c c c c sc zamijeni nekim konkretnim malim brojem.1. Pogreˇke modela su neuklonjive. Prijaˇnja raˇunanja. Cesto se dobri modeli zamjenjuju slabijim da bi se mogle primijeniti numeriˇke metode (na primjer. ali i najstabilnijih ˇlac nova iz redova jedne vrste spojeva (engl. . . Joˇ jednostavniji. b]. Eksperimentalna mjerenja pokazivala su da bi jedna struktura trebala biti stabilnija. Npr. integral nekom kvadraturnom formulom. kod matematiˇkog njihala se sin x c c c aproksimira s x. . obiˇno dijelimo s c c c c u dvije kategorije. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 73 ih uop´e mogli rijeˇiti. s c c nastaju kod raˇunanja veliˇina koje su definirane limesom. Takoder. sustavi nelinearnih parcijalnih diferencic jalnih jednadˇbi se lineariziraju). zbog pojedc s c nostavljivanja i interpolacije. carbon-36 fullerene) — jednog od najmanjih. te c dvije strukture imaju razliˇita kemijska svojstva.

s c Kroz polustoljetni razvoj. produkta). produktom (tada kaˇemo da odbacujemo ostatak niza. s s Greˇke u polaznim podacima s Te greˇke imaju izvor u mjerenjima fiziˇkih veliˇina. pa je potrebno upoznati osnovne pojmove c s i rezultate u toj grani numeriˇke matematike. z s z Ako je algoritam sloˇeniji. Cilj ovog poglavlja je svladati tehniku c ocjenjivanja greˇaka zaokruˇivanja. Pri analizi greˇaka koje nastaju u toku raˇunanja koristimo se c s s c teorijom greˇaka zaokruˇivanja.2. Grubo reˇeno. c a odbacivanje za diskretnu beskonaˇnost (N. produkta s c konaˇnim nizom. tada govorimo o stabilnom algoritmu. ukazati na opasnosti i neˇeljene efekte koji mogu s z z nastupiti kod raˇunanja na raˇunalima i kalkulatorima. Kod gotovo z c c svake raˇunske operacije postojat ´e greˇka zaokruˇivanja. tada je rezultat te operacije na danim operandima z egzaktano izraˇunat. Ako je nula. pa se postavlja pitanje s c c s z kojom toˇnoˇ´u ´emo dobiti traˇeno rjeˇenje? Da bi se dobio odgovor na to pitanje c sc c z s potrebno je istraˇiti i sam matematiˇki problem i algoritam koji je odabran za z c raˇunanje rjeˇenja. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 74 Greˇke odbacivanja nastaju zamjenom beskonaˇnog niza. Ako nije nula. Ako moˇemo re´i da je toˇnost izraˇunatih s c z c c c podataka pribliˇno jednaka toˇnosti polaznih podataka (koje dolaze npr. te pokazati kako se dokazuje c c . od mjernih z c uredaja ili od smjeˇtanja u raˇunalo). koji je koriˇten na raˇunalu. jer ona koriste konaˇnu aritmetiku ili pres c c ciznije binarnu aritmetiku s pomiˇnom toˇkom. Greˇke mjerenja c c s ili smjeˇtanja u raˇunalo daleko je jednostavnije ocijeniti od greˇaka koje nastaju s c s uslijed brojnih zaokruˇivanja u toku raˇunanja. skupovi R i C). te smjeˇtanju podataka u s c c s raˇunalo. bit ´e mnogo raˇunskih operacija. c z reda. diskretizacija je vezana za kontinuum (npr. Njihovom uskladenom uporabom ˇesto je mogu´e procijeniti toˇnost c c c algoritma. a takoder i u prethodnim raˇunanjima. sumom. koja c s moˇe biti i nula. z c 3. teorija greˇaka zaokruˇivanja i teorija stabilnosti s z numeriˇkih algoritama uˇle su u zrelu fazu. ˇesto su izlazne vrijednosti c c c iz nekog prethodnog raˇunanja. tada je izraˇunat s nekom malom greˇkom koju c c s moˇemo precizno ocijeniti i koju zovemo greˇka zaokruˇivanja.1. kod koje je unaprijed rezerviran c c odreden broj binarnih mjesta za eksponent i za mantisu. a osjetljivoˇ´u rjeˇenja matematiˇkog problema s z sc s c koji rjeˇavamo na pomake u polaznim podacima bavi se teorija perturbacije za s dani problem.ˇ ˇ ˇ 3. Objekti koji nedostaju pri tim c zamjenama tvore tip greˇaka koji se zovu greˇke metode. Greˇke zaokruˇivanja s z Te greˇke nastaju u raˇunalima. Naime. reda. Z). Stoga se svaka raˇunska c operacija u kojoj sudjeluju dva broja izraˇunava s nekom malom greˇkom. ulazni podaci za novo raˇunanje.

Ako smjeˇtaj u c z s raˇunalu dopuˇta p binarnih mjesta za mantisu. 4]) pokazuje da je kod svake operacije u raˇunalu prisutna greˇka. Da bi se to ostvarilo. c c z Ako je x realni broj. c .000110011001100110 . Taj zakljuˇak se zapisuje u obliku s c c f (x ◦ y) = (x ◦ y)(1 + ε). jer raˇunala koriste konaˇnu aritmetiku. a u je tzv. algoritam za c c dijeljenje u raˇunalu takoder daje rezultat koji nije toˇan. treba imati s s c pod kontrolom sve tipove greˇaka koje smo nabrojali. c c ne moraju biti toˇno reprezentirani u raˇunalu. kod dijeljenja kao najkompliciranije operacije. a umnoˇak ´e imati mantisu duljine 2p ili 2p − 1. ˇak i oni umjerene veliˇine i s malo dekadskih znamenaka. ∗. to uglavnom nisu njihove toˇne. Tipiˇni sluˇaj je mnoˇenje koje u pravilu daje mantisu c c c z rezultata ˇija je duljina pribliˇno zbroj duljina mantisa faktora. Konaˇno.1). c c c Ve´ samo uskladiˇtavanje podataka u raˇunalo dovodi do greˇaka jer se svaki c s c s broj mora reprezentirati konaˇnim brojem binarnih znamenaka.1. tada ´e svaki od faktora imati c s c mantisu duljine p. zadrˇat ´e se samo prvih p znamenaka. |ε| ≤ u ◦ ∈ {+. [9. mantisa jednog od njih (onog s manjom apsolutnom vrijednosti) bit ´e c pomaknuta za jedno ili viˇe mjesta. a ostale ´e z c c se odbaciti (s korektnim zaokruˇivanjem na posljednjem znaˇajnom mjestu). c c c Pretpostavimo sada da su x i y brojevi koji su smjeˇteni u raˇunalo (to s c matematiˇki zapisujemo x = f (x) i y = f (y)). c Glavna zada´a osobe koja se bavi numeriˇkim raˇunanjima. dok u ovisi s o raˇunalu (ili toˇnije o IEEE standardu ako ga raˇunalo podrˇava). ve´ i c mnogi racionalni brojevi. c s Ako je greˇka nula rezultat je toˇan. y i operaciji ◦. c 1/10 ima u binarnom sustavu prikaz s beskonaˇno nula i jedinica: (1/10)2 = c 0. u procesu izvrˇavanja c s operacija. njegova reprezentacija u raˇunalu se obiˇno oznaˇava sa f (x). (vidi primjer 3. pa ´e rezultat opet imati mantisu duljine koja s c je ve´a od p. Detaljno prouˇavanje c c c (vidjeti npr. Dakle. Pritom greˇka ε ovisi o operandima x. Iz zadnje c c c z relacije vidi se da je u uniformna gornja ograda za sve greˇke ε na danom raˇunalu. a to znaˇi da treba poznavati s c sve fenomene koji mogu nai´i prije ili u tijeku raˇunanja.ˇ ˇ ˇ 3. /} (3. preciznost raˇunanja c c c ili strojni u. Tada ´e svaka aritmetiˇka operacija c c c u raˇunalu izmedu ta dva broja rezultirati brojem koji je najˇeˇ´e tek aproksic c sc macija toˇnog rezultata. −. Zna se da npr. a vezani su uz netoˇnosti c c c polaznih podataka. ∗. . vrijedi u = 2−p+1 ili u = 2−p ovisno o naˇinu zaokruˇivanja c z koje raˇunalo koristi. . Kod z c zbrajanja i oduzimanja brojeva koji nisu istog reda veliˇine. ne samo iracionalni. s c Kasnije ´emo obrazloˇiti da za raˇunala koja koriste binarnu aritmetiku sa p binarnih c z c znamenaka u mantisi. Kad se jednom polazni brojevi smjec c ste u raˇunalo.1) pri ˇemu su +. je odredivanje ˇto c c c s bolje aproksimacije rjeˇenja u ˇto kra´em vremenu. medurezultata te konaˇnog rezultata. / operacije u raˇunalu. Kako se rezulz c tat opet sprema u memoriju. nego pribliˇne binarne reprezentacije. −. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 75 stabilnost algoritama.2. Greˇke zaokruˇivanja su neizbjeˇne pri svakom zahtjevnijem s z z raˇunanju.

u broju 6.9990 imamo pet znaˇajnih znamenaka.00000.1.12 · 10−4. ˆ Ako je x poznat ili se zna da je “reda veliˇine jedan”. veliˇine vezane uz svemir i njegove objekte) vrijednosti. razliˇite od nule) znamenke i one c c koje slijede iza njih u zapisu. vidimo da se x slaˇe s odgovaraju´im x na tri znaˇajne znamenke.ˇ ˇ ˇ 3. apsolutna greˇka je c s dobra mjera za udaljenost aproksimacije od toˇne vrijednosti. Grel = 1. ˆ z c Zaokruˇiti broj na p znaˇajnih znamenaka znaˇi zamijeniti ga s najbliˇim brojem z c c z koji ima p znaˇajnih znamenaka. |αx − αˆ| x |x − x| ˆ = . x = 9. s Time se daje (ili zahtijeva) dodatna informacija o predznaku greˇke. no tada je s c c c pridjev “apsolutna” suviˇan. |x| |αx| α ∈ R.00000. Relativna greˇka povezana je s “brojem toˇnih znaˇajnih znamenaka”.2) Neki autori izostavljaju u definiciji apsolutne greˇke znak apsolutne vrijednosti. Drugi naˇin zapisivanja relativne greˇke je c s Grel (ˆ) = |ρ|. prema toj definiciji. ve´ s se tek zna neka ograda za |x − x|. Znas c c ˇajne znamenke u broju su prve netrivijalne (tj. c Tada je relativna greˇka ˇesto primjerenija. a ipak je relativna ˆ z c c greˇka za ta dva sluˇaja razliˇita ˇak za faktor 44. ˆ x = 8. c ˇ znaˇi broj “toˇnih” ili “korektnih” znaˇajnih dok ih u broju 0. brojevi x = 0. Npr. znaˇajne znamenke s c Neka je x neka aproksimacija realnog broja x. x = 1.3. veliˇine vezane uz atomsku ili molekularnu c c strukturu) i velikih (npr. ako je x = 1. Medutim. c x ˇesto varira izmedu vrlo malih (npr.99 · 10−3. Medutim. Sto c c c znamenaka? Npr.9949 c . ˆ Grel = 4.00499. Apsolutna i relativna greˇka. Najkorisnije mjere za toˇnost ˆ c broja x kao aproksimacije od x su apsolutna greˇka ˆ s Gaps (ˆ) = |x − x| x ˆ i relativna greˇka s x Grel (ˆ) = |x − x| ˆ . ˇesto toˇna vrijednost x nije poznata. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 76 3. Ona ima dodatno lijepo svojstvo da je s c nezavisna od skaliranja.99899. U znanosti medutim. s c c c Evo jedne mogu´e definicije: x kao aproksimacija od x ima p korektnih znaˇajc ˆ c nih znamenaka ako se x i x zaokruˇuju na isti broj od p znaˇajnih znamenaka.1. x x = x(1 + ρ). |x| koja nije definirana za x = 0. ˆ (3.0832 imamo tri.

Dakle.9951. pa kad ih ve´ imamo. ista rijeˇ ´e se koristiti i za broj bitova u mantisi. euklidske) c Gaps (ˆ) = x − x 2 . apsolutna greˇka vektora x kao aproksimacije vektora s ˆ x. x 1 x−x ˆ < · 10−p x 2 implicira da komponente xi za koje vrijedi |xi | ≈ ˆ znaˇajnih znamenaka. Preciznost je toˇnost kojom se izvrˇavaju osnovne c c s raˇunske operacije. Stoga pretpostavljamo da se dana konaˇna aritmetika ne koristi c z c za simulaciju aritmetike ve´e preciznosti. iako ´e mnogi tvrditi da se slaˇu u tri.127 slaˇu u dvije c z znaˇajne znamenke. definicija nije dobra. moˇemo naˇiniti c c c z c sljede´u distinkciju. c .123 i 0. pa bi je trebalo preferirati. cc Napomenimo da toˇnost op´enito nije limitirana preciznoˇ´u. x ˆ Relativna greˇka je s x Grel (ˆ) = a relacija x−x ˆ . Naime. Medutim takve simulacije su skupe (u raˇunskom vremenu) pa nisu od c praktiˇne vaˇnosti. pomoc c sc ´u aritmetike dane preciznosti moˇe se simulirati raˇunanje u (proizvoljno) ve´oj c z c c preciznosti. definira se pomo´u prikladne norme (npr. s Preciznost i toˇnost c Ove dvije rijeˇi se ˇesto zamijenjuju. Kod raˇunanja u aritmetici pomiˇne toˇke. tada koristimo relaz tivne greˇke po komponentama. c Pokuˇajmo zato s ovakvom definicijom: x kao aproksimacija od x ima p kos ˆ rektnih znaˇajnih znamenaka ako je |x − x| manja od jedne polovine jedinice u p-toj c ˆ znaˇajnoj znamenci od x. c x imaju pribliˇno p toˇnih z c Ako ˇelimo sve komponente vektora x staviti u isti plan. Ova definicija implicira da se 0. Kako je preciznost odredena brojem bitova u c c reprezentaciji mantise. a veliˇinu s c max i |xi − xi | ˆ |xi | zovemo (maksimalna) relativna greˇka po komponentama. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 77 i x = 0. c c z Vidimo da je relativna greˇka preciznija mjera od “slaganja u p znaˇajnih s c znamenaka”.ˇ ˇ ˇ 3. Toˇnost se odnosi na apsolutnu ili relativnu greˇku kojom c c s se aproksimira neka veliˇina. preciznost mjerimo c c c c pomo´u preciznosti raˇunanja u. ali se slaˇu u jednoj i u tri ˆ z c z znaˇajne znamenke. Kad su u pitanju vektori. se ne slaˇu u dvije znaˇajne znamenke.

Vrijedi li i obrat? c Da bismo se u to uvjerili.2941176470588235. .777 je mantisa. npr.ˇ ˇ ˇ 3.77 = −2. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 78 3. izvedimo prvo algoritam za pretvaranje decimalnog oblika u binarni oblik. koja se joˇ zove signifikantni ili c s razlomljeni dio broja.77 prikazuje kao −2. Aritmetika s pomiˇnom toˇkom c c Na kalkulatorima se ˇesto moˇe izabrati tzv.749.777·101 je kra´a oznaka za prikaz broja c x = −(2 · 101 + 7 · 100 + 7 · 10−1 + 7 · 10−2) = −(2 · 100 + 7 · 10−1 + 7 · 10−2 + 7 · 10−3 ) · 101 . Npr. 1/3 ima prikaz 0. pri ˇemu se znamenke koje su oznaˇene izmedu toˇaka c c c periodiˇki ponavljaju. Ovdje je (11. Pretvaranje decimalne u binarnu reprezentaciju Ne samo iracionalni. s c z 3. . Raˇunala za spremanje realnih brojeva koriste sliˇnu reprezentaciju broja koja c c se zove pomiˇna toˇka.1011)2 = 1 · 21 + 1 · 20 + 1 · 2−1 + 0 · 2−2 + 1 · 2−3 + 1 · 2−4 = (1 · 20 + 1 · 2−1 + 1 · 2−2 + 0 · 2−3 + 1 · 2−4 + 1 · 2−5 ) · 21 = (1.625. predznak broja je ujedno i predznak mantise. c c y = (11. ˇto se uobiˇajeno kaˇe da je y broj 3.2. zanimljivo je da mnogi racionalni brojevi imaju u dekadskom sustavu konaˇni prikaz.11011)2 · 21 . a 1 je eksponent. Zapis x = −27. svaki se realni broj moˇe na jednoznaˇan naˇin zapisati u obliku c z c c ±m × 10e gdje je 1 ≤ m < 10.1.777 · 101 pri ˇemu je − predznak broja (ili c mantise).2.75 = 32. “znanstvena notacija” brojeva. Op´enito. Sliˇna je situacija c c i s brojevima zapisanim u binarnom sustavu. a njen oblik u prikazu s pomiˇc c nom toˇkom (1. Medutim. Tako je npr.625)10 . x = 32. 10 je baza. ali se ne uzima baza 10 ve´ baza 2 (s iznimkom baze 16 c c c kod raˇunala IBM 370 i baze 10 kod ve´ine kalkulatora). a kako vrijedi x = [(−1) · (2 · 100 + 7 · 10−1 + 7 · 10−2 + 7 · 10−3 )] · 101 .11011)2 · 21 . Lako se izraˇuna da y ima decimalnu reprezentaciju c (3.3. Uoˇimo da se i svaki konaˇni decimalni prikaz broja moˇe c c c z ˙ napisati s beskonaˇno znamenaka. c z koja npr. je decimalna toˇka.1011)2 binarna reprezentacija broja y. dok 5/17 ima ˙ ˙ prikaz 0. 2. dok u binarnom susc tavu imaju beskonaˇni prikaz. broj −27. ve´ i mnogi racionalni brojevi imaju beskonaˇno mnogo c c ˙ znamenaka u decimalnom brojnom sustavu.

b1 b2 · · · bl−1 bl )2 = b1 · 2−1 + b2 · 2−2 + · · · + bl−1 · 2−(l−1) + bl · 2−l . c s c a1 . .2) Ako je zadan cijeli broj xc u decimalnom obliku. Ako xc ima c c c p−1 p decimalnih znamenaka (decimala). koriste´i nama razumljivu decimalnu aritmetiku? Iz relacije (3. Tada x moˇemo prikazati kao sumu njec z govog cijelog i razlomljenog dijela.2). x = (ak ak−1 · · · a1 a0 .3219.2. s . xr = (. binarna reprezentacija zahtijeva oko 3.1) vidimo da cjelobrojno dijeljenje broja xc s 2 daje novi cijeli broj xc = ak · 2k−1 + ak−1 · 2k−2 + · · · + a1 · 20 i ostatak a0 . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 79 Neka x ima konaˇni binarni prikaz. (3.1) (3. Zbog jednostavnosti postupka. Nastavljanjem postupka (l puta) lako dobivamo sve binarne znamenke broja xr . c odmah zakljuˇujemo da postupak vrijedi i u sluˇaju kad xr nema konaˇni binarni c c prikaz. a0 . c U sljede´em algoritmu za pretvaranje decimalne reprezentacije brojeva u bic narnu.2. Primjenom s funkcije log2 i koriˇtenjem njene monotonosti. dobivamo binarnu znamenku b2 .ˇ ˇ ˇ 3. dakle oko 3. Ponavljaju´i isti postupak s ostatkom c xr = b2 · 2−1 + · · · + bl−1 · 2−(l−2) + bl · 2−(l−1) . on ´e i u binarnom sustavu imati konaˇni prikaz. Kako je log2 (10) ≈ 3. odnosno (p − 1) log2 (10) ≤ log2 (xc ) < p log2 (10).b1 b2 · · · bl−1 bl )2 = xc + xr . zadnje nejednakosti daju log2 (10p−1) ≤ log2 (xc ) < log2 (10p ). Ponavljanjem tog postupka (u naˇem sluˇaju k puta) dobivamo sve binarne znameke broja xc u redosljedu od a0 do ak . Pritom ´e binarni prikaz imati [log2 (xc )] + 1 binarnih znamenaka (bitova). pretpostavljamo koriˇtenje decimalne aritmetike. . u redosljedu od b1 do bl . Oznaka c [z] za realni broj z oznaˇava najve´i cijeli broj koji nije ve´i od z. tada vrijedi 10 ≤ xc < 10p . Ako postupak ponovimo na broju xc .2. Tada mnoˇenjem broja xr s dva i uzimanjem cijelog dijela rezultata dobivamo b1 .3p znamenka. . . kako odrediti njegove binarne c znamenke ak . xc = (ak ak−1 · · · a1 a0 )2 = ak · 2k + ak−1 · 2k−1 + · · · + a1 · 21 + a0 · 20 . s z Neka je sada xr kao u relaciji (3. c c S obzirom da je xc cijeli broj.2. dobivamo sljede´u znamenku.3 puta viˇe nego decimalna reprezentacija. ali tada imamo beskonaˇno koraka.

Binarna toˇka z z c prethodi raˇunanju i piˇemo je ispod polaznog decimalnog broja c s 0.1 u binarni broj. Algoritam koristi operaciju div za cjelobrojno dijeljenje.1 Koriˇtenjem algoritma 3. k := −1.6 1 1.2. zz := 2 ∗ z. kod pretvaranja decimalnog dijela broja. a(k) := mod(y.2.1 u s c binarni. int je funkcija z koja odgovara matematiˇkoj funkciji x → [x] koju smo ve´ spomenuli. until z = 0 or l > lmax Pritom lmax oznaˇava najve´i dopuˇteni broj binarnih znamenaka u binarnoj c c s mantisi (sjetimo se da 1/10 ima beskonaˇno nula i jedinica). 2). Algoritam raˇuna binarc nu reprezentaciju decimalnih brojeva xc i xr . Kad radimo “ruˇno” zgodno je nacrtati tablicu. a s ispod crte rezultat zaokruˇivanja do cijelog s z z broja u smjeru nule. 0. u sljede´em c c mnoˇenju. Sliˇno. Ako je rezultat dijeljenja ve´i ili jednak jedan.1 . prije samog mnoˇenja automatski oduzimamo jedinicu. Toˇka na kraju oznaˇava kraj. 0.2.8 0 1. z := xr . tako da kod pretvaranja c broja 111 za svaki korak piˇemo s desne strane rezultat cijelobrojnog dijeljenja. z := zz − b(k). repeat l := l + 1. a xr razlomljeni dio takav da je 0 ≤ xr < 1.6 1 1.8 0 1.4 0 0. 2). until y = 0. c c y := xc .4 0 0. 55 1 27 1 13 1 6 0 3 1 1 1 0 . c Primjer 3. mod za dobivanje ostatka kod cjelobrojnog dijeljenja i int za zaokruˇivanje realnog broja do cijelog broja u smjeru nule. c c 111 1 ˇto daje s 111 = (110111)2. b(k) := int(zz).2 0 0. s desne c strane piˇemo rezultat mnoˇenja s dva. l := 0. Dakle.ˇ ˇ ˇ 3.1 pretvorit ´emo decimalni broj 111.1 Neka je zadan racionalan broj x = xc + xr pri ˇemu je xc cijeli c dio broja x. y := div(y. a s ispod djeljenika ostatak pri dijeljenju. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 80 Algoritam 3.2 1 . repeat k := k + 1. .2 1 0.

Najoˇitija mogu´anost c c je uzeti jedan bit za predznak. Konaˇno. . . . odnosno ˙ ˙ (111. tako da je taj bit 0 ako je broj pozitivan i 1 ako je negativan. 3. Danaˇnja raˇunala c s c imaju ´elije od 32 bita pa su tome prilagodeni grada procesora. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 81 Primijetite da se parovi znamenki 0011 ponavljaju.00011)2 . I pripadna aritmetika s je drukˇija od realne aritmetike (jer je viˇe nego dvostruko preciznija).ˇ ˇ ˇ 3. implementacije c aritmetika kao i cijeli operacioni sustav. Broj 232 je prevelik.2. Cjelobrojna aritmetika koristi cjelobrojni tip podataka koji ˇine konaˇni interval u skupu cijelih brojeva. ako unutar 32 bita moramo spremati i pozitivne i negativne brojeve. s . S obzirom da na raspolaganju imamo joˇ 31 bit.2. Njegova binarna reprezentacija zahtijeva jednu jedinicu i 32 nule.)2 = (1101111. koji su dostatni za reprezentaciju jednog znaka. Reprezentacija brojeva u raˇunalu c U programskim jezicima postoji nekoliko vrsta aritmetika koje koriste posve odredene tipove podataka. c s c konaˇni podskup skupa kompleksnih brojeva reprezentiran je tipom kompleksnih c brojeva (koji nije prisutan kod svih programskih jezika) nad kojim je definirana pripadna kompleksna aritmetika.1)10 = (1101111.0001100110011001100 . Jedan bajt (engl. broj 111 bit ´e smjeˇten ovako c s 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 1 1 Na taj naˇin moˇemo smjestiti sve brojeve od 0 (koja je reprezentirana s 32 nule) c z 32 do 2 − 1 (koji je reprezentiran s 32 jedinice). na primjer prvi. realna aritmetika koristi takozvani c c realni tip podataka kojem pripada tek konaˇni podskup racionalnih brojeva. Neˇto c s ve´i skup racionalnih brojeva ˇini tip brojeva u dvostrukoj preciznosti kojima c c su mantise viˇe od dvostruko dulje od mantisa realnog tipa.0001100110011001100 . . byte) c ˇini 8 bitova.00011)2 . pa dobivamo ˙ ˙ 0. c Reprezentacija cijelih brojeva u raˇunalu c Pozitivni cijeli brojevi reprezentiraju se u 32 bitnoj ´eliji kao desno pozicionic rani binarni brojevi. Npr. Medutim.1 = (0. Svaki od tih glavnih tipova obiˇno ima svoje c podtipove (ili ekstenzije) koje obiˇno odreduje broj bajtova.)2 = (0. prvo moramo vidjeti kako spremiti negativne cijele brojeve. Neki programski jezici imaju tip podataka cijeli broj bez predznaka i spomenuta reprezentacija je odgovaraju´a c za njih. Danas su dostupna i raˇunala bazirana na c 64 bitnim ´elijama.

4 bytea. s U sustavu koji koristi drugi komplement. 1 ≤ x ≤ 231 − 1 s smjeˇta kao binarna reprezentacija broja 232 − x. tj. ˇime je reprezentiran broj −111. Joˇ se koristi naziv dvojni komplement. . 2 bytea. Ime dolazi odatle ˇto se je izmedu 1960. komplement? Koristite potencije od 2. komplement 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 0 0 0 0. (iv ) 64 bita.ˇ ˇ ˇ 3. Dodamo li 1 toj reprezentaciji. i 1980.2. pa se odbacuje. 1. na s s nekim superraˇunalima koristio tzv. 1 (ii ) 16 bita. jer je na 33. tj. nenegativni cijeli broj x.2 Zbrojimo u binarnoj aritmetici brojeve 111 i −111 koriˇtenjem 32s bitne reprezentacije i drugog komplementa. 1. komplement broja dobiva se s jednostavnim komplementiranjem znamenki. tj. komplement kod kojeg se negativni broj −x smjestio kao c binarna reprezentacija od 232 − x − 1. Preostaje 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ˇto je reprezentacija broja nula. 1 byte.1 Koliko se razliˇitih cijelih brojeva moˇe reprezentirati ako se koristi c z sustav (a) predznak i modul. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 82 raspon tako reprezentiranih brojeva je od od −231 + 1 do 231 − 1. Imamo 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 1 1 + 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Ovdje je vode´a jedinica u rezultatu tzv. 16 bytea.2. nema c se gdje spremiti. s Zadatak 3. mjestu. komplement. pa je za 111 1. Medutim. c Primjer 3. (b) 2. Za koji od ovih sustava je reprezentacija nule jedinstvena? Promotrite sluˇajeve kad za reprezentaciju cijelih brojeva imate na raspolaganju c (i ) 32 bita. 0 ≤ x ≤ 231 − 1 smjeˇta se kao binarna reprezentacija tog broja. dok se −x. prekobrojni bit. dobili smo dvojni komplement 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 0 0 0 1. gotovo sva danaˇnja raˇunala koriste pametniji naˇin reprezentacije negativnih brojeva koji s c c se zove drugi komplement1 i piˇe 2. tj. (iii ) 8 bita.

.00000000000000e+00) (2. .) end.20000000000000e+02) (5. begin f act := f act ∗ i. jer je matematiˇki c c s c gledano.00000000000000e+00) (2. u zagradi c u realnoj): 1! = 2! = 3! = 4! = 5! = 6! = 7! = 8! = 9! = 1 2 6 24 120 720 5040 40320 362880 (1. Rezultati programa bit ´e (lijevo rezultati u cjelobrojnoj aritmetici. 231 − 1. c Napiˇimo jednostavni program koji raˇuna n!.2. . −1. kontrole radi stavimo varijablu f act da pripada relnim brojevima (u barem dvostrukoj toˇnosti).2. 0.03200000000000e+04) (3.2 Pokaˇite da je u sustavu reprezentacije cijelih brojeva pomo´u 2. tj. c z c Primjer 3. 1.3 U cjelobrojnoj aritmetici izraˇunajmo n! za sve n ≤ 34. Zadatak 3. c s Prvi je promijeniti svaku 0 u 1 i svaki 1 u 0. c −231 .2. . aritmetika cijelih brojeva u raˇunalu modularna aritmetika u prstenu osc tataka modulo 232 . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 83 Zadatak 3. for i := 1 to 34 do.3 Da bi u sustavu reprezentacije cijelih brojeva pomo´u 2. najljeviji bit 1 ako i samo ako je x negativan. . Brojeve izvan tog raspona uop´e ne moˇemo spremiti u raˇunalo.62880000000000e+05) . (stvarni) rezultat moˇe biti broj koji je ve´i od maksimalnog prikazivog broja. Ako se zbroje dva pozitivna cijela broja ili dva negativna cijela broja. c f act := 1. Koji je drugi korak? Sva raˇunala imaju ugradene (“hardverske”) instrukcije za zbrajanje cijelih c brojeva. u 32 bitnom formatu). od ve´ uskladiˇtenog broja x dobili −x treba poduzeti dva koraka. (ispis i! = f act.04000000000000e+03) (4. s tim da su sve varijable u pros c gramu prvo cijeli brojevi.40000000000000e+01) (1. z c Zanimljivo je da tada raˇunalo ne´e javiti nikakvu greˇku.20000000000000e+02) (7.ˇ ˇ ˇ 3. samo je sistem ostataka simetriˇan oko 0. . . z c komplementa (npr. a zatim. .00000000000000e+00) (6. komplec menta s 32 bita.

99168000000000e+07) (4.4 Pokaˇite.21645100408832e+17) (2.ˇ ˇ ˇ 3. Primijetite da razlike poˇinju kod 13!. da bez obzira kolika je duljina ´elija u koju spremamo z c cijeli broj. komplementa ima binarni prikaz od 232 −y.43290200817664e+18) (5.62880000000000e+06) (3.65252859812191e+32) (8. gdje su 0 ≤ x ≤ 231 − 1 i 0 ≤ y ≤ 231 .08888694504184e+28) (3.22702080000000e+09) (8.09227898880000e+13) (3.40237370572800e+15) (1.63130836933694e+35) (8.55112100433310e+25) (4.12400072777761e+21) (2. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 84 10! = 3628800 11! = 39916800 12! = 479001600 13! = 1932053504 14! = 1278945280 15! = 2004310016 16! = 2004189184 17! = −288522240 18! = −898433024 19! = 109641728 20! = −2102132736 21! = −1195114496 22! = −522715136 23! = 862453760 24! = −775946240 25! = 2076180480 26! = −1853882368 27! = 1484783616 28! = −1375731712 29! = −1241513984 30! = 1409286144 31! = 738197504 32! = −2147483648 33! = −2147483648 34! = 0 (3. S obzirom da je broj −y u reprezentaciji 2.22283865417792e+33) (2.30767436800000e+12) (2.20448401733239e+23) (1.03291461126606e+26) (1. Zadatak 3.68331761881189e+36) (2. . primijetite da n! u cjelobrojnoj aritmetici moˇe biti negativan z broj ili 0.79001600000000e+08) (6.58520167388850e+22) (6.10909421717094e+19) (1. zbroj ´emo zapisati kao c 232 + x − y = 232 − (y − x).71782912000000e+10) (1.2.04888344611714e+29) (8.95232799039604e+38). kad u cjelobrojnoj aritmetici dobijemo da c je 13! < 12!. postoji k takav da je za svaki n > k uvijek n! = 0.84176199373970e+30) (2. Nadalje.55687428096000e+14) (6. Promotrimo operaciju x + (−y).

1011111)2 × 26 .3) . Stoga je m = (b0 .ˇ ˇ ˇ 3.3) i (3.2.2. kad se jednom broj −y reprezentira. Kako se zahtijeva da je b0 = 1.b1 b2 b3 . c (3.1)2 se moˇe napisati kao (1. x = ±m × 2e . c a pritom se eksponent pove´ao za 6. postoje joˇ dvije standardne (hardverske) operacije za cjelos brojne operande: cjelobrojno mnoˇenje i cjelobrojno dijeljenje.5 Ako cijele brojeve prikazujemo 8-bitnom reprezentacijom. a relacije (3. pokaˇite z detalje kako nastaju cjelobrojne sume: 50 + (−200). komplementom: nije potrebna nikakva posebna (hardverska) operacija za cjelobrojno oduzimanje. Polje za eksponent ima osam bitova pa moˇe reprezentirati ekponent e koji je izmedu granica −128 i 127 (npr. (3. Jer. .2. Pored zbrajanja.5 = (1101111. bp−1 )2 pri ˇemu je b0 = 1. Bit za predznak je 0 (1) ako je broj pozitivan (negativan).b1 b2 b3 . 200 + (−50) i 200 − 200. jer je uvijek b0 = 1. . pa ´e ostati toˇan rezultat x − y. pa ga ne s c treba spremati. z Reprezentacija realnih brojeva u raˇunalu c U raˇunalu se realni brojevi reprezentiraju pomo´u binarne reprezentacije u c c “znanstvenoj notaciji”. Kod 32-bitnih raˇunala. Preostala 23 bita za smjeˇtaj mantise s koriste se za smjeˇtaj razlomljenog dijela mantise. Zadatak 3. Realni broj x nazivamo egzaktno reprezentabilnim u raˇunalu ili brojem s pomiˇnom toˇkom ako c c c se na opisani naˇin moˇe bez greˇke smjestiti u raˇunalo. moˇemo pisati c z m = (1. c s c z gdje je 1 ≤ m < 2. podijelimo memorijsku c rijeˇ (sadrˇaj jedne ´elije) u tri dijela koja zovemo polja. Vidimo da je u znanstvenom prikazu binarna toˇka pomaknuta za 6 mjesta ulijevo. . Ako broj nije egzaktno c z s c reprezentabilan u raˇunalu. U tom prikazu. 8 bita za eksponent e i 23 bita za mantisu. binarne znamenke desno od binarne toˇke ˇine razlomljeni dio manc c tise. Zato se b0 obiˇno naziva skriveni bit. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 85 Ako je x ≥ y najljeviji bit u reprezentaciji od 232 + (x − y) bit ´e jedinica (na c 32 poziciji potencije 2 ) i ona ´e se odbaciti.2. pomo´u z c reprezentacije s drugim komplementom). c z c c rijeˇ uobiˇajeno ima 32 bita pa se obiˇno dijeli na sljede´i naˇin (tip single): 1 c c c c c bit za predznak.2. rezultat 232 − (y − x) stane unutar 32-bitne reprezentacije i reprezentira broj −(y − x). . Sam proces dobivanja tog oblika se zove normalizacija. dovoljno je koristiti samo operaciju hardverskog zbrajanja. broj 111. on se mora prije smjeˇtanja u raˇunalu zaokruˇiti. Ovo razmatranje pokazuje jedno vaˇno svojstvo sustava reprezentacije s z 2.4) z Na primjer. Ako je c c c x < y. Da bismo spremili normalizirane brojeve u raˇunalo.4) predstavljaju normalizirani oblik ili reprezentaciju broja x. bp−1 )2 .

7 Pretpostavimo da umjesto oblika (3. U tom sluˇaju dolazi do tzv. Zadatak 3. S druge strane broj y = −222 = −4194304. Oˇito je da se u raˇunalo moˇe pohraniti samo konaˇan broj znamenki iza binarne c c z c toˇke. raspon za eksponent −128 ≤ e ≤ 127.6 Koji su najve´i i najmanji pozitivni brojevi koji se mogu reprezenc tirati kao realni brojevi u raˇunalu (brojevi zapisani s pomiˇnom toˇkom.00011)2 . overflow). Sto c c c c ovisi o prevodiocu (engl. pri ˇemu je b1 = 1.2. . . ˇto ´emo kra´e oznaˇavati eksp(6). pa x = 111.2.2.b1 b2 b3 . c . bit za predznak.10111100011)2 · 26 . 127] za eksponent. Na primjer. Pretpostavimo da se u polje za mantisu smjeˇtaju binarne c s znamenke b2 b3 .4) u relaciji (3.3) zahtijevamo S = (0.2. U sluˇaju mantise duljine 23 bita. U polje eksponenta sprema se broj c s c c c 6 u binarnom zapisu (110)2.1)10 = (1101111. Koji je najve´i i najmanji pozitivni broj u tom formatu? Koji je najmanji pozitivni broj c koji nije egzaktno reprezentabilan? Primijetite da u realnom formatu postoje brojevi koji su “preveliki” da bi se mogli smjestiti u odgovaraju´i format. kao i prije. mnoˇenjem dva velika broja c z rezultat moˇe biti takav da se ne moˇe spremiti.4 U primjeru 3. compiler) za odgovaraju´i programski jezik. sprema se predznak: 0 eksponent: 0 0 0 0 0 1 1 0 = eksp(6) mantisa: 1 0 1 1 1 1 0 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 . Normalizirajmo taj broj c ˙ ˙ x = (1.1 nije egzaktno reprezentabilan u raˇunalu. 8 bitova za eksponent i 23 bita za mantisu)? Ne zaboravite na skriveni bit i na ograniˇen interval [−128. ´e imati egzaktnu reprezentaciju c predznak: 1 eksponent: eksp(22) mantisa: 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 . Najˇeˇ´e c c sc se prekida raˇunanje uz adekvatnu poruku. bp−1 )2 .ˇ ˇ ˇ 3. Koji je najmanji cijeli c pozitivni broj koji nije egzaktno reprezentabilan? Zadatak 3.1 pokazano je da je ˙ ˙ (111. Dakle. b24 i da je. . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 86 Primjer 3. broj se zaokruˇuje na 23 znamenke iza c c z decimalne toˇke i sprema u prostor za mantisu. gdje je c c c 1. . z z c ˇ raˇunalo u takvom sluˇaju naˇini preljeva ili prekoraˇenja (engl.2.2.

1}. Tomu ´emo posvetiti viˇe s c s paˇnje kod opisa IEEE standarda.5)10 . b0 . Ako je x > 0 (x < 0). . .8 Neka je p = 24.5) definira se c ulp(x) = (0. normalizirani broj s pomiˇnom toˇkom ima sc c c oblik x = ±(1. . c c U brojevnom sustavu s preciznoˇ´u p. Ako promatramo sve brojeve u BSP-u za koje je e = 0. 1. Razmak izmedu ta dva broja se zove strojni epsilon (engl. 3. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 87 Strojni epsilon. koji se sastoji od brojeva oblika c ±(b0 .125. najve´i prikazivi broj je c (1.b1 b2 )2 × 2e .00)2 × 2−1 = (0. postavlja se pitanje kako spremiti nulu u raˇunalo? To se postiˇe c z koriˇtenjem specijalnog niza bitova u polju za eksponent.00 . 1}. z BSP ili brojevni sustav za prikazivanje Da bismo shvatili koje toˇke na brojevnom pravcu odgovaraju reprezentabilc nim brojevima. . definirat ´emo pojednostavljeni brojevni sustav za prikazivanje c ili kra´e BSP.ˇ ˇ ˇ 3. 01)2 = 1 + 2−(p−1) . 10. c . . ulp(x) c je razmak izmedu x i sljede´eg ve´eg (manjeg) reprezentabilnog broja.5. bp−2 bp−1 ) × 2e . za x kao u relaciji (3.25.25.5) Najmanji takav x koji je ve´i od 1 je c (1. 8. . a najmanji (1.b1 b2 . 0. e ∈ {−1.5)10 . U opisanom brojevnom sustavu je p = 24. Kako je desni susjed od 1 u BSP-u 1. M = 2−23 .2.00 . 100. (3.6) Ulp je kratica engleskih rijeˇi unit in the last place.11)2 × 21 = (3. machine epsilon) i zapisuje −(p−1) . vidjet ´emo da su to brojevi 1. M = 2 Op´enitije. (3. c c Zadatak 3. ulp i preciznost Preciznost p moˇemo u danom brojevnom sustavu definirati brojem bitova u z mantisi pri ˇemu se raˇuna i skriveni bit. Odredite ulp(x) redom za Nadalje. tako da je x = 0. 0. 125. strojni epsilon je M = 0.2.2.2. b1 .25. 01)2 × 2e = 2−(p−1) × 2e = M × 2e . b2 ∈ {0. Preciznost je p = 3.

5 mnogo ve´i od razmaka brojeva c c z izmedu ±0.825 i za njih je ulp(x) = M /2. Sliˇno. c (ii) korektno zaokruˇene raˇunske operacije u svim naˇinima rada i z c c (iii) konzistentno tretiranje izvanrednih situacija kao ˇto je npr. IEEE Aritmetika U kasnim 70-tim i ranim 80-tim godinama. doˇlo je do izuzetne suradnje s eksperata iz industrije i sa sveuˇiliˇta.2.ˇ ˇ ˇ 3.3.75. tzv.625. pa je zato potrebc na specijalna reprezentacija broja nula. s U tom standardu je vode´a jedinica normalizirarog broja skrivena. isti c c . struˇnjaci iz raˇunarstva i dizajneri mikroˇipova uspjeli su se c s c c c dogovoriti oko standarda smjeˇtanja brojeva u raˇunalo i standarda aritmetike.5.1 BSP brojevni sustav c Uoˇimo da je razmak izmedu nule i ±0. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 88 1. dijeljenje s nulom. handheld raˇunala koja c koriste decimalnu aritmetiku utjecao je na razvoj standarda IEEE 854 koji vrijedi za svaku bazu i konzistentan je s prethodnim standardom za binarnu aritmetiku. brojevi iz BSP-a za koje je e = −1 c su 0. pa su to brojevi z 2. brojeva ±0 (to je za razliku od matematiˇki gledano razliˇitih +∞ i −∞. Predvodeni W. 2. i c spominje se kao IEEE 754.5 moˇe ispuniti tzv.5.5 i 1. 0. Vidimo da je razmak izmedu broja x ∈ BSP i njegovog desnog susjeda u BSP-u jednak ulp(x) = M × 2e .75 i 0. 3. Razvoj kalkulatora i malih. To s c je bilo vrijeme naglog razvoja osobnih raˇunala s Intelom i Motorolom kao glavnim c proizvodaˇima procesora.5 i ±1. Brojevi u BSP-u za koje je e = 1 dobiju se mnoˇenjem s dva onih brojeva za koje je e = 0. Kad se spominje “IEEE aritmetika” podrazumijeva se da ta aritmetika udovoljava spomenute standarde. Kahanom sa kalifornijskog c s sveuˇiliˇta u Berkeleyu. subnormalnim brojevima. Uskoro ´emo vidjeti da se razmak izmedu nule i ±0. Bitni zahtjevi IEEE standarda su: (i) konzistentna reprezentacija brojeva s pomiˇnom toˇkom na svim raˇunalima c c c koja prihva´aju standard. 3. −3 −2 −1 0 1 2 3 Slika 3. Uvodi se i specijalna reprezentacija brojeva ±∞. IEEE standard za binarnu aritmetiku je publiciran 1985.5 i za njih je ulp(x) = 2 M . 3. 0. Izmedu svih njih je isti razmak ulp(x) = M .

b1 b2 . . broj 1 c c reprezentira se kao 0 01111111 00000000000000000000000 . b23 )2 × 2−126 ±(1. . . . Ovaj format opisan je tablicom 3. Jednostruki format Broj u jednostrukom formatu sprema se u ´eliju koja ima tri polja: polje c za predznak (1 bit. (11111100)2 = (252)10 (11111101)2 = (253)10 (11111110)2 = (254)10 (11111111)2 = (255)10 onda je numeriˇka vrijednost c ±(0. . . . . ni kao drugi komplement. . koji je oznaka za. reprezentiraju normalizirane brojeve. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 89 broj). . . b23 )2 × 2127 ±∞ ako su svi bi = 0. inaˇe NaN c Tablica 3. . . b23 . a8 (00000000)2 = (0)10 (00000001)2 = (1)10 (00000010)2 = (2)10 (00000011)2 = (3)10 . . b23 )2 × 2−125 ±(1. ve´ kao 127 + e. . .3. Iz prvog reda vidimo da je nula reprezentirana s ± 00000000 00000000000000000000000 . . b23 )2 × 2−126 ±(1. Svi retci u tablici 2.1 IEEE jednostruki format predznak broja + i 1 ako je −.b1 b2 . . b23 ) i prikazat ´emo ih na sljede´i naˇin: c c c ± a1 a2 . b23 )2 × 20 ±(1. .b1 b2 .1.ˇ ˇ ˇ 3. Broj 127 + e zvat ´emo karakteristika. . 3. . kvocijent 0/0). ±(1. b23 )2 × 2−124 . Vidimo da eksponent nije prikazan. osim prvog i zadnjeg. . .3. s npr. b23 )2 × 2126 ±(1. . . a8 ) i polje za mantisu (23 bita.b1 b2 . . b23 )2 × 21 .b1 b2 . . bitovi a1 a2 .b1 b2 . . Pritom znak ± u nizu bitova znaˇi 0 ako je c ako je niz a1 a2 .b1 b2 . .b1 b2 . polje za eksponent (8 bitova. .b1 b2 . .3. niti u obliku predznak plus modul. ±). bitovi b1 b2 . . b23 )2 × 2125 ±(1. . Npr. IEEE format specificira dva osnovna formata: jednostruki i dvostruki. (01111111)2 = (127)10 (10000000)2 = (128)10 .1. ±(1. a8 b1 b2 . . . . te specijalnih izmiˇljenih brojeva “NaN” (“Not a number”. .

Nmin pa inverz najmanjeg normaliziranog broja ne dovodi do prekoraˇenja gornje granice c (overflow). ili −0 ovisno o prvom bitu. Iz zadnjeg retka tablice vidimo da niz bitova 1111111 u eksponencijalnom dijelu reprezentacije vodi ili do ±∞ (samo ako su svi bi jednaki 0) ili do NaN.1755 × 10−38 reprezentira se s 0 00000001 00000000000000000000000 . dobit ´emo tzv. Konaˇno. . Ako nisu svi c bi nula. . . . .10011)2 · 2−4 .000 .1 = (1. .1. . pogledajmo joˇ jednom prvi redak tablice 3.111 . 0)2 × 2−126 = 2−126 ≈ 1.3. reprezentira kao s 0 01111011 10011001100110011001100 . c 0 01111011 10011001100110011001101 . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 90 dok se broj ˙ ˙ 0. ako se “viˇak” znamenki odbacuje. 01) × 2−126 . a vrijednost mu je 2−149 = (0.ˇ ˇ ˇ 3. dok se najve´i broj c Nmax = (1. Odmah vidimo da je 1 < Nmax . U njemu je ekspoc s nencijalni dio uvijek 0000000. imat ´emo +0.4028 × 1038 reprezentira s 0 11111110 11111111111111111111111 . Ako su svi bi nula. s z c jer su prve dvije odbaˇene znamenke 11. a ako se “viˇak” znamenki korektno zaokruˇuje (tako to rade sva moderna raˇunala).000 . dok razlomljeni dio moˇe imati bilo koji izbor jedinica z i nula. Najmanji i najve´i eksponent od 2 u tom formatu su emin = −126 i emax = 127. c Najmanji normalizirani broj Nmin = (1. Najmanji pozitivni subnormalni broj reprezentiran je kao 0 00000001 00000000000000000000001 . subnormalne ili denormalizirane brojeve koji ekvidisc tantno ispunjavaju razmak izmedu −Nmin i +Nmin . 1)2 × 2127 = (2 − 2−23 ) × 2127 ≈ 2128 ≈ 3.

a11 b1 b2 . jednostruki format nije adekvatan. y zapisanih s u jednostrukom IEEE formatu ve´i od drugoga. Zadatak 3. .3.1 BSP brojevni sustav sa subnormalnim brojevima Subnormalni brojevi su manje toˇni od normaliziranih. Treba usporedivati bitove slijeva c ˇ nadesno i donijeti zakljuˇak na prvom mjestu na kojem se razlikuju. b52 .3.2 Napiˇite algoritam koji odreduje koji je od dva broja x.1 U jednostrukom IEEE formatu odredite reprezentacije sljede´ih broc 100 −142 . 11. samo su polja za mantisu i eksponent ve´a: 11 bitova za eksponent i 52 bita za razlomljeni c dio mantise. .ˇ ˇ ˇ 3.3. Sve reprezentabilne brojeve u brojevnom sustavu za prikazivanje. c 3. .1 × 2 c c Zadatak 3.225 × 10−308 . c ± a1 a2 . 2000.5. kako zbog neizc bjeˇnih greˇaka zaokruˇivanja. Cinjenica da c se to moˇe uˇiniti tako jednostavno utjecala je na to da se eksponent smjesti u polje z c pomo´u karakteristike. 11)2 × 2−126 i on je za 2−149 manji od Nmin .5 × 2 i 0. Npr. jeva s pomiˇnom toˇkom: 3. . c c z −3 −2 −1 0 1 2 3 Slika 3. Ideje su iste kao kod jednostrukog formata. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 91 To je najmanji broj koji se moˇe reprezentirati pomo´u jednostrukog formata.3. Detalji su vidljivi u tablici 3. Dvostruki format Kod zahtjevnijih raˇunanja.111 . 11.1100)2 × 2−139 ima reprezentaciju 0 00000000 00000000000001100110011 . te Nmin = 2−1022 =≈ 2.2.1. c ˙ ˙ (1/10) × 2−136 = (0. dvostruki format koji koristi 64-bitnu rijeˇ. pa su zato emin = −1022 i emax = 1023. .3.2. Naz c jve´i subnormalni broj je c (0. z s z Zato IEEE standard specificira i drugi tzv.3. . ukljuˇuju´i i subnormalne brojeve sada moˇemo prikazati slikom 3. tako zbog premalog raspona brojeva u tom formatu.

exz c s s tended) format koji bi trebao imati barem 15 bitova za eksponent i barem 63 bita za . Podrˇka na zahtjeve standarda moˇe biti programz s z ska (“softverska”) ili elektroniˇka (“hardverska”). . . .b1 b2 .2 × 10−308 Nmax ≈ 2128 ≈ 3. . c c proizvodaˇi raˇunala najˇeˇ´e daju hardversku podrˇku standardu. a11 (00000000000)2 = (0)10 (00000000001)2 = (1)10 (00000000010)2 = (2)10 (00000000011)2 = (3)10 .2 × 10−38 2−1022 ≈ 2. . Dvoc c struki format se zahtijeva tek kao mogu´nost. . . . . c c c sc s U sljede´oj tablici prikazani su karakteristiˇni podaci za jednostruki i dvostruki c c format.b1 b2 . b52 )2 × 2−1022 ±(1.b1 b2 . ±(1.8 × 10308 Tablica 3. . .4 × 1038 ≈ 21024 ≈ 1. . .b1 b2 . inaˇe NaN c Tablica 3. b52 )2 × 2−1020 . b52 )2 × 21 .b1 b2 . . . . (11111111100)2 = (2044)10 (11111111101)2 = (2045)10 (11111111110)2 = (2046)10 onda je numeriˇka vrijednost c ±(0. . . . iako ga gotovo sva raˇunala koja c c podrˇavaju standard imaju.b1 b2 . .b1 b2 . b52 )2 × 21022 ±(1. proˇireni (engl.3. b52 )2 × 21021 ±(1. ±(1. . . format jednostruki dvostruki emin −126 −1022 emax 127 1023 Nmin 2−126 ≈ 1. . . . b52 )2 × 2−1022 ±(1. . iako zbog brzine rada raˇunala.2 IEEE dvostruki format i Nmax = (2 − 2−52 ) × 21023 ≈ 1. b52 )2 × 21023 (11111111111)2 = (2047)10 ±∞ ako su svi bi = 0.b1 b2 . . b52 )2 × 2−1021 ±(1. (01111111111)2 = (1023)10 (10000000000)2 = (1024)10 .ˇ ˇ ˇ 3. .3 Raspon brojeva s pomiˇnom toˇkom u IEEE formatima c c Standard takoder snaˇno preporuˇa i podrˇku za tzv.797693 × 10308 . IEEE standard zahtijeva da raˇunalo omogu´ava jednostruki format. b52 )2 × 20 ±(1.3. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 92 ako je niz a1 a2 .b1 b2 .

s ali kako se on ne moˇe reprezentirati jer nema skrivenog bita. ali softverski. koriˇtenjem 80-bitnih regisatra. BSPT i zaokruˇivanje u BSPT z Brojevni sustav s pomiˇnom toˇkom kra´e ´emo oznaˇavati s BSPT. prvi desni susjed z je 1 + 2−63 .4 Preciznost kod IEEE formata Moderna raˇunala adresiraju memoriju po byte-ovima. nazovimo ih B1 . To znaˇi da kod transfera podataka s c jednog raˇunala na drugo traba biti oprezan. a p = 64 odgovara pribliˇno 19 znaˇajnih decimalnih z z c znamenki. c c c c c a skup brojeva s pomiˇnom toˇkom s BPT. najvaˇniji je byte u kojem su smjeˇteni σ. log10 (224 ) ≈ 7. . dok Intel koristi Small Endian (neki procesori kao DEC Alpha mogu raditi s oba sustava). tada se takav adresni sustav zove Big (Small) Endian. Intelovi mikroprocesori implementiraju aritmetiku s proˇirenim formatom s u hardware-u. ako drugaˇije ne naznaˇimo.3. a 64 bita za mantisu. . pri ˇemu je B4 = B1 +3. preciznost p = 24 odgovara pribliˇno 7 znaˇajnih decimalnih znamenki.3. ±∞ i subnormalni brojevi nisu u tom intervalu. U jednostrukom formatu. S obzirom da je log10 (223 ) ≈ 6. . Drugi strojevi (npr. . Dakle. pa 32-bitnu rijeˇ adrec c c siraju sa 4 byte-a. a7 (σ je predznak). a1 . .3. pa je aritmetika ovdje s sporija. . ako vrijedi c c Nmin ≤ |x| ≤ Nmax .1 × 10−19 Tablica 3. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 93 mantisu. vode´i bit (jedinica) nije skriven. Sliˇno. Npr. brojevi ±0. Ako z s je taj byte adresiran s B1 (B4 ). Te oznake se odnose na razmatrani c c sustav/skup brojeva za koji ´emo smatrati. prvi desni susjed od 1 bio bi 1 + 2−64 . . IBM i Sun koriste BIG.2 × 10−16 2−63 ≈ 1.2247. za razliku od jednostrukog i dvostrukog c formata. .ˇ ˇ ˇ 3. od ˇega se 15 bitova koristi za eks c sponent. c 3. . pri ˇemu. iako pripadaju spomenutom brojevnom sustavu.9236. da zadoc c c voljavaju IEEE standard. B4 .2 × 10−7 2−52 ≈ 2. Za realni broj x re´i ´emo da leˇi u intervalu normaliziranih brojeva susc c z tava s pomiˇnom toˇkom. preciznost z c c p = 53 odgovara pribliˇno 16. Sun i Sparc) imc plementiraju proˇireni format sa 128 bitova. format jednostruki dvostruki proˇireni (Intel) s preciznost (p) 24 53 64 strojni epsilon ( M) 2−23 ≈ 1. Kod Intelovog proˇirenog formata.

z pri ˇemu su brojevi s pomiˇnom toˇkom x− i x+ najbliˇi broju x (vidi sliku ). tada je situacija analogna (zrcalna slika u odnosu na ishodiˇte). onda su x− = (1. z s z • zaokruˇivanje prema nuli: z round(x) = x− x+ ako je x > 0. . 01)2 ] × 2e . a x+ je subnormalni ili Nmin . . • binarna reprezentacija od x zahtijeva viˇe od p bitova za egzaktnu reprezens taciju (npr. Ako je x > Nmax . z s z • zaokruˇivanje prema gore (joˇ se kaˇe prema ∞): round(x) = x+ . ako je x < 0.2 Zaokruˇivanje u BSPT brojevnom sustavu z Ako pretpostavimo da je x = (1. bp−1 bp bp+1 .1). U oba sluˇaja porebno je X zamijeniti brojem iz sustava brojeva s pomiˇnom c c toˇkom. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 94 Neka je x realni broj koji nije reprezentabilan u sustavu brojeva s pomiˇnom c toˇkom.ˇ ˇ ˇ 3. x = 0. .b1 b2 .00 . IEEE standard s definira korektno zaokruˇenu vrijednost od x. Ako je x broj s pomiˇnom toˇkom. bp−1 )2 × 2e x+ = [(1. (3. c z Postoje ˇetiri naˇina: c c • zaokruˇivanje prema dolje (joˇ se kaˇe prema −∞): round(x) = x− . . c c c c onda vrijednost od round(x) ovisi o naˇinu (modu) zaokruˇivanja koji je aktivan. x = 2129 u jednostrukom z formatu).1) i razmak izmedu x− i x+ je 2p−1 × 2e = ulp(x− ). Ako je 0 < x < Nmin . tada je x− ili nula ili subnormalni broj.b1 b2 . . bp−1 )2 + (0. tada je round(x) = x.3. . c c c x− x+ −3 −2 −1 0 1 2 3 x Slika 3. . Ako je x negativan.b1 b2 . . .3. . Ako nije.)2 × 2e . tada je x− = Nmax i x+ = ∞. Tada je barem jedna od sljede´ih tvrdnji istinita: c c • x leˇi izvan intervala normaliziranih brojeva (npr. Neka je c x− ≤ x ≤ x+ . koja se oznaˇava s round(x) na z c sljede´i naˇin. .

onda vrijedi jaˇa ocjena z c | round(x) − x| ≤ 2−p × 2e . U praksi se gotovo uvijek koristi zadnji naˇin zaokruˇivanja. Tada je x = (0.ˇ ˇ ˇ 3. brojeve 2 Ako broj x. tada se uzima x− . Pritom z s z se misli na ulp(x− ) ako je x > 0 i ulp(x+ ) ako je x < 0.3. Ako je bp = 1 i svi preostali bitovi od x su 0.4 Konstruirajte x za koji su x− i x+ jednako udaljeni od x i nadite pripadnu reprezentaciju broja x. c z Zadatak 3. ako je |x − x− | > |x − x+ |. ˇ pri ˇemu je bar jedan od brojeva bp bp+1 .1).5 Neka x. bez obzira na naˇin zaokruˇivanja. tada je round(x) = x+ .3 Napiˇite u jednostrukom IEEE formatu reprezentacije zaokruˇenih s z 24 131 vrijednosti (u naˇinu do najbliˇeg) brojeva: 1/10. z tada je round(x) = x− .3. pa ´e jedan sigurno biti izabran. . (Pretpostavka je jednostruki format i emin = −126). Kad je prisutno zaokruˇivanje z do najbliˇeg. bp−1 bp bp+1 . ve´ prema tome je li u x− ili u x+ najmanje znaˇajni bit bp−1 nula. pa kaˇemo da je apsolutna greˇka kod zaokruˇivanja manja od jednog ulp-a.b1 b2 . pa ´e se nadalje. bp jednak 0.3. default) naˇin uzima zaokruˇivanje c c z prema najbliˇem. . 2 · 2 i 2 . c a ako je x < Nmin uzima se round(x) = −∞. . Sto je x− ? Uzmi kao primjere c −130 −150 i2 . round(x) koristiti z c c u tom smislu. pa kaˇemo da je apsolutna greˇka zaokruˇivanja pola ulp-a. . c z Stoga je | round(x) − x| < 2−(p−1) × 2e .)2 × 2e nije reprezentabilan jasno je da je x− ≤ x ≤ x+ . Ako je x > Nmax i naˇin zaokruˇivanja je prema najbliˇem. tada je c z z round(x) = ∞ iako je x naravno bliˇe Nmax nego ∞. x = (1. Uoˇimo c c c da se x− i x+ razlikuju samo u zadnjem bitu. Ako je bp = 1 i joˇ barem jedan od sljede´ih bitova nije s c nula. z Zadatak 3. . IEEE standard zahtijeva da se kao prvi (uobiˇajen. z s z . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 95 • zaokruˇivanje prema najbliˇem: z z round(x) = x− x+ ako je |x − x− | < |x − x+ |. bp−1 bp bp+1 . Zadatak 3. . 0 < x < Nmin nije subnormalni broj. c Ako je |x−x− | = |x−x+ | uzima se x− ili x+ . Neka c c c s je x opet kao u (3. prema najbliˇem c z z susjedu u sustavu brojeva s pomiˇnom toˇkom i njega ´emo joˇ malo pojasniti.b1 . jednak 1. . ili x+ ovisno o tome koji od njih ima najmanje znaˇajan bit 0. Ako je prvi bit koji se ne moˇe reprezentirati. Ako je x > Nmax uzima se round(x) = +∞. . .)2 × 2emin . ako se ne spomene drugaˇije. .3.

promos z trimo relativnu greˇku od round(x) kao aproksimaciju od x.3.3.3. Zadatak 3.1. Uoˇimo da δ = δ(x) c z c c ovisi o x i naˇinu zaokruˇivanja.1) moˇemo za realne brojeve koji leˇe u s z z normaliziranom intervalu napisati round(x) = x(1 + δ). S obzirom da je 2−p+1 × 2e | round(x) − x| < = 2−p+1 ≡ u.3.6 Odredite apsolutnu greˇku prikaza 1/10 u jednostrukom IEEE fors matu. (3. |x| 2e Kod zaokruˇivanja do najbliˇeg vrijedi malo bolja ocjena z z 2−p × 2e | round(x) − x| = 2−p ≡ u. pri ˇemu je z z c c c c p = 24 za jednostruki.10 Vrijedi li ocjena (3. Stoga za sve naˇine zaokruˇivanja vrijedi c z | round(x) − x| 2−(p−1) × 2e < = 2−(p−1) ≡ u.2) i (3.3. u = 2−p . S obzirom da raˇunala u normalnom radu koriste c z c zaokruˇivanje do najbliˇeg. ≤ |x| 2e Koriˇtenjem oznaka iz relacija (3. ako ne´e biti drugaˇije naznaˇeno.9 Nadite x u normaliziranom intervalu BPT za koji je δ = 2−p ako se koristi uobiˇajeni naˇin zaokruˇivanja do najbliˇeg. | round(x)| 2e .2) za |x| < Nmin? c c S obzirom da je − log2 (δ(x)) > p (odnosno p − 1 ako nije uobiˇajeni naˇin zaokruˇivanja). c c z z Zadatak 3. Koristite svaki od ˇetiri naˇina zaokruˇivanja.1) znamo s e da je |x| ≥ 2 . s Zadatak 3.3. |δ| ≤ u. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 96 Zadatak 3. Pritom je p preciznost raˇunala. vidimo da mjera − log2 (δ(x)) daje broj binarnih znamenaka do koz jeg se x i round(x) podudaraju.7 Vrijede li gornje ocjene za apsolutnu greˇku zaokruˇivanja ako je s z |x| < Nmin ? Objasnite. Iz relacije (3. S obzirom da apsolutna greˇka kod zaokruˇivanja raste kad |x| raste. Pazite na definiciju round(x).ˇ ˇ ˇ 3.2) z z gdje je u = 2−p ako se koristi zaokruˇivanje do najbliˇeg i u = 2−p+1 ako se koriste ostali naˇini zaokruˇivanja.8 Kolika je apsolutna greˇka za svaki od naˇina zaokruˇivanja ako je s c z |x| < Nmin . c c z Zadatak 3.3.3.1. Sliˇno ´e − log10 (δ(x)) > − log10 (u) mjeriti broj c c decimalnih mjesta u kojima se x i round(x) podudaraju. p = 53 za dvostruki i p = 64 za proˇireni format.

(3. .5 ⊗ x = x 2 kao i vaˇno svojstvo: ako su x i y brojevi u skupu BPT i vrijedi z x y = 0.3. . f (x × y). 0.5) pri ˇemu zadnji δ nije op´enito jednak δ iz relacije (3. ×. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 97 odnosno. 2−p × 2e | round(x) − x| ≤ = 2−p ≡ u. Relacije (3.2). −.3.3) su osnova za analizu greˇaka zaokruˇivanja koju ´emo upoznati s z c kasnije. f (x − c z y).4.3) round(x) = 1+δ Pritom δ iz relacije (3. pa vrijedi: 1 ⊗ x = x. tada je x = y. f (izraz) oznaˇava izraˇunatu vrijednost izraza pomo´u operacija ⊕.4) vrijedi i za unarnu c c operaciju drugog korijena.3. Konaˇna aritmetika koja zadovoljava (3.3. a x i y su reprezentabilni brojevi.3.1 U numeriˇkoj matematici uvrijeˇila se notacija f (x + y). Takoder. (3. /}. c c c tada IEEE standard zahtijeva da vrijedi x y = f (x ◦ y) = round(x ◦ y) = (x ◦ y)(1 + δ). |δ| ≤ u. |δ| ≤ u. Koriˇtenjem izvoda i same relacije (3.3) ne mora biti jednak onom iz relacije (3. x x = 1. }. Korektno zaokruˇene osnovne raˇunske operacije z c Jedna od najznaˇajnijih znaˇajki IEEE standarda je da zahtijeva vrlo poˇeljnu c c z preciznost osnovnih raˇunskih operacija: rezultat mora biti takav kao da je izraˇunat c c toˇno i tek onda zaokruˇen. ⊗. 1+δ |δ| ≤ u.2) i (3. (3. i / kako su stvarno implementirane c u raˇunalu.3. −. odmah vidimo da vrijedi i ocjena s x y = f (x ◦ y) = x◦y .ˇ ˇ ˇ 3. ⊗ i operacije +.2) koristiti i z z z relaciju x . .3.3. ⊗ i .4) je broj u skupu BPT. Osim za ˇetiri osnovne raˇunske operacije.4).3. ∈ {⊕.3. Sliˇno. c c c c f (f (x)) oznaˇava izraˇunatu vrijednost funkcije f u toˇki x. 3. ×. c z Oznaˇimo sa ⊕. x y.3. Ako s ◦ i c oznaˇimo odgovaraju´e operacije u algebri i u raˇunalu.3.3. moˇemo pored relacije (3.3). f (x/y) za operacije x ⊕ y. c c c .4) gdje su ◦ ∈ {+. standard zahtijeva da (3. | round(x)| 2e ako je prisutno zaokruˇivanje do najbliˇeg.4) katkad se c naziva aritmetika s korektim zaokruˇivanjem. z Lijeva strana u (3.3.3. x ⊗ y i x y. c c Napomena 3.

y = 2−25 . Pokaˇite da a i b nisu jednaki! z Rjeˇenje s x ⊕ y = 1. b ≡ x ⊕ (y ⊕ z). z=1 z = 0. x ⊕ (y ⊕ z) = 1 ⊕ 2. i ⊗ slijedi x ⊕ y = y ⊕ x. x y = −(y x) i x ⊗ y = y ⊗ x. c Primjer 3. Kako je y = 1. y = 2−25 . asocijativnost zbrajanja i distributivnost mnoˇenja prema zbrajanju. 1 ⊕ round(10−10 ).3. y ⊕ z = 2. pa vrijedi round((x + y) − z) = 2−25 . c z ne´e u IEEE aritmetici uvijek vrijediti.0 × 2−25 . Sliˇno.ˇ ˇ ˇ 3.1 × 2−25 = 1 + 2−23 . egzaktni je rezultat (x + y) − z = 2−25 reprezentabilan u sustavu brojeva BPT.12 Neka su x = 1. Pretc postavke su: IEEE jednostruki format i zaokruˇivanje do najbliˇeg.1 × 2−25 . . Stoga ´e vrijediti c (x ⊕ y) S druge strane. pa za taj izraz ne vrijedi pravilo koje je aksiom IEEE standarda za osnovne raˇunske c operacije. suma x + y = 1.1 Neka je x = 1. (x ⊕ y) ⊕ z = 1 ⊕ z = 1.3. izraˇunajte z z c a ≡ (x ⊕ y) ⊕ z. Medutim.11 Koji je najve´i broj x iz skupa BPT za koji je 1 ⊕ x = 1.1 × 2−25 . c z s ne vrijedi u konaˇnoj algebri s IEEE standardom. ve´ za malo sloˇenije izraze. ono ˇto vrijedi u aritmetici. Pokazali smo da je f ((x + y) − z) = 0. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 98 Zadatak 3. Ti brojevi su u skupu BPT.0000000000000000000000001 se ne moˇe egzaktno reprezemtirati u IEEE jednostrukom formatu. iako je round((x + y) − z) = 2−25 .3. z = 1. Uz iste uvjete. c Zadatak 3. pa ´e uz zaokruz c ˇivanje prema najbliˇem biti z z x ⊕ y = 1. Uz pretpostavku IEEE jednostrukog formata i zaokruˇivanja do najbliˇeg. 1 ⊕ round(10−15 )? Iz same definicije operacija ⊕. z = 1. z z koliko je 1 ⊕ round(10−5 ).

11111111111111111111111|1011111111111111111111111)2 × 2−1 normalizacija: i y = (1. To znaˇi da mu se mantisa c c pomakne udesno za onoliko binarnih mjesta kolika je na poˇetku bila razlika u c eksponentima operanada.00000000000000000000000|1)2 × 20 normalizacija: = (1. pri ˇemu je c c x = (1. Poˇnimo od zbrajanja i oduzimanja. rezervni) bitovi. Zatim se rezultat svede na normalizirani oblik.0)2 × 20 brojevi iz BSPT. Sigurnosni i zalijepljeni bitovi Da bi se implementirala IEEE aritmetika potrebni su i tzv. Izjednaˇavanjem eksponenata. Ovo je primjer kra´enja. onda se (po modulu) manji operand napiˇe s u obliku nenormaliziranog broja s eksponentom ve´eg. ako je z nakon zaokruˇivanja potrebno. . 01)2 × 2−24 . Koriˇtenjem (ˇak!) 25 dodatnih bitova. . zaˇtitni. . opet se pomakne.0)2 × 20 i y = (1. To znaˇi da aritmetika u raˇunalu koristi registre s c c koji sadrˇe rijeˇ s viˇe bitova nego ˇto zahtijeva standard za reprezentaciju brojeva.111 . pri ˇemu su c z z c x = (1.000 . z c s s Promotrimo raˇunanje razlike x − y u jednostrukom formatu. pri ˇemu c se prvo mantisa pomakne ulijevo ili udesno ako je potrebno. dobije se c (1. koje ne´emo posebno razlikovati. jer se skoro svi bitovi rezultata pokrate.00000000000000000000000| )2 × 2 0 − (0. sigurnosni (dodatni. Implementacija operacija na raˇunalu c x − y = x + (−y). c Sljede´i primjer pokazuje da katkad nije dovoljan jedan bit.00000000000000000000000|0)2 × 2−24 . Ovdje smo koristili jedan dodatni bit (iza okomite crte | koja prikazuje granicu). 1)2 × 2−1 .00000000000000000000000|0100000000000000000000001)2 × 20 = (0. .3. dobivamo s c (1. jer je c c Ako operandi nemaju isti eksponent.00000000000000000000000| )2 × 20 − (0.ˇ ˇ ˇ 3.11111111111111111111111|1)2 × 20 = (0. Promotrimo c raˇunanje x − y u jednostrukom formatu uz zaokruˇivanje do najbliˇeg.5. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 99 3. Svako pomicanje mantise rezultira z istovremenim pomakom eksponenta. zaokruˇi i.

.11111111111111111111111|0111111111111111111111110)2 × 2−24 zaokruˇivanje: z = (1. • i normalizaciju sa zaokruˇivanjem. Isti (pogreˇan) rezultat dobis vamo koriˇtenjem 3. 4. . z i y = my × 2ey . Dakle. • razliku eksponenata.11111111111111111111111|01 )2 × 2−24 zaokruˇivanje: z = (1. Zovemo ga zac s lijepljeni jer kad ga aktiviramo. . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 100 = (1. 24 dodatna bita. dva zaˇtitna i jedan zalijepljeni bit. toˇnije. prije oduzimanja treba dodati zalijes pljenu jedinicu iza drugog zaˇtitnog bita: s (1. .00000000000000000000000|011)2 × 20 = (0. Da smo koristili samo dva dodatna bita. Kod dijeljenja isto ´emo tako raˇunati c c • kvocijent mantisa. On se aktivira onda kad je s potrebno pomaknuti mantisu za viˇe od dva bita i ta jedinica se stavlja iza drugog s zaˇtitnog bita. Na sre´u.11111111111111111111111| Mnoˇenje i dijeljenje z Mnoˇenje i dijeljenje u BSPT ne zahtijeva poravnavanje eksponenata.00000000000000000000000| )2 × 20 − (0. pa pri implementaciji mnoˇenja u BSPT postoje tri koraka: z • mnoˇenje mantisa. u zadnjem primjeru. umjesto 25 (ili u sliˇnim s c c namjeˇtenim sluˇajevima po volji veliki broj) dodatnih bitova. dovoljno je koristiti s c tek tri dodatna bita.11111111111111111111111|101)2 × 2−1 normalizacija: = (1.00000000000000000000000)2 × 20 . )2 × 2−24 . Ako je z x = mx × 2ex tada je z = x · y = (mx · my ) × 2ex +ey . • ako je potrebno normalizacija produkta mantisa i pravilno zaokruˇivanje rezulz tata. z • zbrajanje eksponenata. rezultat bi (nakon dodatne renormalizacije) bio (1.ˇ ˇ ˇ 3. on se viˇe ne mijenja.11111111111111111111111| )2 × 2−24 . .

• BSPT u jednostrukom IEEE formatu. ostatak pri dijeljenju i konverzija formata Pored zahtjeva da su osnovne aritmetiˇke operacije korektno zaokruˇene. s c Kod dijeljenja ´e vrijediti c 1 mx < 2.3.25. uz dovoljnu rezervu memorije.3. c s Zadatak 3. −1 ≤ e ≤ 1) i 3. a koliko 2/3 < x ≤ 1? (iii) Moraju li postojati dva razliˇita broja s pomiˇnom toˇkom izmedu 1 i 2 za koje c c c su izraˇunate reciproˇne vrijednosti 1 x1 i 1 x2 jednake (zaokruˇene u istom c c z formatu)? Odnosi li se to na x1 i x2 imedu 1 i 3/2 ili izmedu 3/2 i 2? Vrijedi li to bez obzira na naˇin zaokruˇivanja? c z (iv) Postoje li brojevi s pomiˇnom toˇkom za koje (1 x)⊗x nije jednako 1? Vrijedi c c li to za svaki naˇin zaokruˇivanja? Postoje li brojevi s pomiˇnom toˇkom za c z c c koje 1 (1 x) nije jednako x? M = 0.13 Odgovorite na sljede´a pitanja u sluˇaju: c c • brojevnog sustava za prikazivanje (p = 3. < 2 my pa ´e pomicanje kod normalizacije biti najviˇe jedan bit ulijevo ili udesno. Stoga se mogu´i izbor pomaka mantise svodi c najviˇe za jedno mjesto ulijevo uz istodobno pove´anje eksponenta za 1. Drugi korijen. 10 ili 01 tj 1. lijevo od binarne toˇke u binarnoj reprezentaciji od mz mogu biti samo c kombinacije bitova 11. z Jedino treba voditi raˇuna da je dijeljenje joˇ uvijek nekoliko puta sporije od mnoc s ˇenja. odnosno oduzimanje. toliko s c ubrzati mnoˇenje da je gotovo jednako brzo kao i zbrajanje.ˇ ˇ ˇ 3. Drugi korijen je unarna operacija (jer je funkcija) definirana za . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 101 Danaˇnji dizajneri ˇipova uspjeli su. Dijeljenje s nulom razmotrit ´emo kasnije. Dakle. IEEE c z standard zahtijeva da su korektno zaokruˇene i operacija drugog korijena i ostatak z pri dijeljenju. a koliko 3/2 ≤ x < 2? (ii) Koliko brojeva y s pomiˇnom toˇkom zadovoljava 1/2 < y ≤ 1? Koliko od njih c c aproksimativno zadovoljava 1/2 < x ≤ 2/3. (i) Koliko brojeva x s pomiˇnom toˇkom zadovoljava 1 ≤ x < 2? Koliko od njih c c zadovoljava 1 ≤ x < 3/2. z c Uoˇimo da nejednakosti 1 ≤ mx < 2 i 1 ≤ my < 2 povlaˇe c c 1 ≤ mz = mx · my < 4.6.

prije nego ˇto ´e se pozvati operacija dijeljenja. zahtijeva se zaokruˇivanje broja iz skupa BSPT u z z cijeli broj reprezentiran istim formatom. Te rutine generiraju strojne instrukcije koje prevode decimalni broj. Pritom se koristi naˇin c zaokruˇivanja koji je aktivan. z Brojevi ulaze u raˇunalo na nekoliko naˇina. z c z • Konverzija iz BSPT u cjelobrojni format zahtijeva zaokruˇivanje do najbliˇeg z z cijelog broja uz trenutno aktivni naˇin zaokruˇivanja.4. U svakom sluˇaju. npr. Takoder. Nakon 1985. koje smo navikli prepoznavati. Tu spadaju sljede´e pretvorbe ili konverzije. mogu´e je 0. osim ako se taj cijeli broj ne moˇe reprezentirati u danom cjelobrojnom formatu. Kod raˇunanja na raˇunalu c c c c najˇeˇ´e se koriste viˇi programski jezici koji procesiraju naredbe kao prevoditelji ili c sc s interpreteri. Konverzije iz duˇeg u kra´i zahtijeva zaokruˇivanje. dakle unijeti (cijele ili realne) brojeve 4 i 10. Isto tako. E. IEEE standard zahtijeva podrˇku za korektno prevodenje izmedu raznih fors mata. iz neke tekst datoteke na disku. a x moˇe dobiti vrijednost i uˇitavanjem broja z z c 0. c c c c • Konverzije izmedu formata brojeva s pomiˇnom toˇkom. npr. broj 0. tj. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 102 nenegativni operand pri ˇemu u implementaciji (koja je najˇeˇ´e hardverska) vrijedi c c sc √ −0 = −0. Ostatak pri dijeljenju realnih brojeva x i y je realni broj x − y × n.4 sudjeluje u raˇunu. d. Ako npr.4 s neke vanjske memorije.4 unijeti z c kao razlomak 4/10. Obrnuta konverzija. njega moˇemo u programu uvesti c z kao konstantu ili pridruˇiti tu vrijednost nekoj varijabli. • Konverzija iz decimalnog u binarni sustav i obrnuto. kad je uveden IEEE 754 standard. c s . iz jednostrukog u dvostruki) mora biti egzaktna. gdje je n cijeli broj najbliˇi kvocijentu x/y.4. Pridruˇivanje varijabli z z moˇe biti u naredbi oblika x = 0. toˇka i moˇda slova kao e. prevodilac ili interpreter (kra´e kaˇemo – raˇunalo) generira c z c instrukcije za konverziju binarnih formata u decimalne brojeve. Ako se 4 i 10 unose kao c cijeli (realni) brojevi. niz znakova (koji su: decimalne znamenke.ˇ ˇ ˇ 3. z pronadeni su novi i/ili efikasniji algoritmi za korektnu konverziju izmedu svih tipova formata i oni ˇesto imaju bolja svojstva nego ˇto to standard zahtijeva. kod ispisa ili spremanja rezulc tata u tekst datoteku. konverzija mora dati isti cijeli broj. Kod izlaza podataka iz raˇunala. Konverzija iz kra´eg u dulji format (npr. Prevodilac ili interpreter tada poziva standardne rutine odnosno potprograme za ulaz podataka. Ako je broj u BSPT c z cijeli broj. prevodilac ili interpreter ´e generirati strojne instrukcije koje c ´e nizove znakova ‘4’ i ‘10’ pretvoriti u njihove cjelobrojne (ili realne IEEE) binarne c reprezentacije. z iz cjelobrojnog formata u format s pomiˇnom toˇkom moˇda ´e zahtijevati c c z c zaokruˇivanje. a zatim unutar programa koristiti operaciju dijeljenja da bismo izraˇunali 0. D koje oznaˇavaju c z c poˇetak eksponencijalnog dijela broja) u binarni format i pretvore ga kao korektno c zaokruˇeni broj u varijablu memorije ili registra. c s c operandi moraju biti u binarnoj reprezentaciji pomiˇne toˇke jer ´e rezultat biti u c c c tom formatu.

Predikat 0 = −0 je istinit. spominjemo ∞ i −∞ kao brojeve. Dakle je 0/0 = NaN i ∞/∞ = NaN. c To se lako pokaˇe pomo´u konvergiraju´ih (prema a) i divergiraju´ih (prema ∞) z c c c nizova. 0/0. s pogotovo ako se takva stvar dogodila usred sloˇenijeg raˇunanja. Obrazlagali su to tvrdnjom da kada c korisnik primijeti vrlo velike brojeve. Na kraju ´e. −a/∞ = −0. −a/0 = −∞ kao i a/∞ = 0. op´i ˇlan niza brojeva) teˇi z c c c c z prema sve ve´im ili manjim brojevima. ∞/0 = ∞. jer c imaju razliˇitu reprezentaciju. dok 0/0 i ∞/∞ nemaju smisla jer mogu u interpretaciji nizova biti bilo koji brojevi. Na taj s naˇin je bilo oteˇano programiranje. U ovom dijelu teksta. −∞ + (−∞) = −∞. a/0 = ∞ c c za svaki pozitivni broj a. varijable s c z izlaznim vrijednostima imati sadrˇaj NaN. −a/−0 = ∞. jer se smatralo da je odgovornost programera c z da ne dode do djeljenja s nulom.ˇ ˇ ˇ 3. Ako je a pozitivni konaˇni broj. znat ´e da je neˇto krenulo loˇe. Na taj naˇin do´i ´e poruka programeru z c c c da je neˇto krenulo loˇe. proizvodaˇi raˇunala usvojili pravilo da se izvrˇavanje programa prekida ako c c s se broj dijeli s nulom. c 0/∞ = 0. spominjemo kao dva razliˇita broja. Ako se NaN pojavi u nekom z izrazu. stavljamo a/0 = ∞. misle´i na brojeve c c s kojima raˇunalo radi. Kako je to razrijeˇio IEEE standard? s Matematiˇki je jasno da vrijedi: a × 0 = 0 za svaki konaˇni broj a. pa je najbolje da raˇunalo to tretira kao c nepravilnu operaciju. s s Zbrajanja u kojima se pojavljuje ∞ uglavnom imaju smisla: a + ∞ = ∞. c a/−0 = −∞. pa to korisnik vjerojatno ne bi primijetio. Tada bi c s s rezultat operacije kao ˇto je 1/0−1/0 bio 0. a × ∞ = ∞ za svaki pozitivni a. uz poruku oblika: “fatalna greˇka – dijeljenje s nulom”. ∞/∞ nemaju smisla.7. iako imaju istu c c vrijednost 0. . −a/ − ∞ = 0. +∞ je isto ˇto i ∞ pa koristimo ∞ i −∞. a − ∞ = −∞ za svaki konaˇni broj a. tada cijeli izraz dobiva vrijednost NaN. Najjednostavniji primjer jedne izuzetne situacije je dijeljenje s nulom. Izuzeci U matematici su realni ili cijeli brojevi uvijek konaˇni. Stoga su nakon z c 1960.3. Stoga IEEE standard zahtijeva da se svakoj takvoj operaciji pridruˇi vrijednost NaN (Not a Number . S druge strane izrazi poput 0 × ∞. S obzirom da standard uvodi predznake ispred posebnih brojeva 0 i ∞: +0 je isto ˇto i 0 pa koristimo 0 i −0. s s Pogledajmo kako ih iskoristiti. a/−∞ = −0. Oznake ∞ ili −∞ tek c sluˇe za naznaˇavanje da vrijednost neke veliˇine (npr. Sliˇno. moˇda sve. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 103 3.nije broj). pa je i ∞ + ∞ = ∞. ∞ − ∞ nema smisla pa je ∞ − ∞ = NaN. Medutim. dok je predikat ∞ = −∞ laˇan. Prije IEEE standarda neki su proizvodaˇi raˇunala rezultat dijeljenja pozitivnog broja s c c nulom definirali najve´im prikazivim brojem. Isto tako +0 i −0. Na taj z naˇin smo doˇli do toga da implikacija c s 1 1 = a = b =⇒ a b ne vrijedi ako je a = 0 i b = −0.

Prije IEEE standarda tipiˇni c c odgovor raˇunala je bio stavljanje broja–rezultata na nulu. Razlog je praktiˇne naravi. z c z Ako je broj koji prekoraˇuje pozitivan.2 ´e biti NaN. c Takoder. tada ´e zaokruˇivanje prema gore zaokruˇiti c c z z broj na ∞. kojeg oznaˇavamo s Nmin . Taj dogadaj se naziva postupno potkoraˇenje (engl. jer ´e nam to otkriti greˇku njihova preranog koriˇtenja (prije no c s s ˇto dobiju neku vrijednost) u programu. potkoraˇenje i postupno potkoraˇenje c c c O prekoraˇenju (engl. overflow) govori se kad je egzaktni rezultat neke oc peracije konaˇan broj.3. . zgodno je polazne vrijednosti varijabli koje nemaju polazne vrijednosti definirati s NaN. i to je u ve´ini sluˇajeva bolje c c c c c nego definirati rezultat nulom i tako potpuno izgubiti relativnu toˇnost. rezultat operacije −3. ali po modulu je ve´i od najve´eg prikazivog broja u BSPT c c c kojeg oznaˇavamo s Nmax . Naime. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 104 Upotreba NaN-ova prikladna je ako se zahtijeva vrijednost funkcije za ar√ gument koji nije u domeni funkcije.3. Prekoraˇenje. npr.ˇ ˇ ˇ 3. NaN nije u uredaju ni s jednim brojem. raˇunanje bi moglo dati rezultat koji zavarava – izgleda kao da je sve c u redu. Zadatak 3. a s rezultat operacije a NaN je NaN za svaki reprezentabilni broj i svaku aritmetiˇku c operaciju . Prema IEEE c c standardu. U IEEE aritmetici. radi se o osnovnom modu zaokruˇivanja z c z koji se gotovo uvijek koristi. Potkoraˇenje (engl.8. Medutim. stanc dardni odgovor je pravilno zaokruˇeni broj (prema aktivnom naˇinu u BSPT) koji z c je moˇda subnormalni broj. underflow) nastaje kada je egzaktni rezultat neke oc peracije broj razliˇit od nule koji je po modulu manji od najmanjeg pozitivnog c broja prikazivog u BSPT. Osim toga c postupno potkoraˇenje osigurava da za brojeve u BSPT vrijedi implikacija c x y=0 =⇒ x = y. a kad bi se broj zaokruˇio na (matematiˇki najbliˇi z c z BPT) Nmax . z c gradual underflow) i on je i danas najkontraverzniji dio IEEE standarda. takav broj treba zaokruˇiti prema naˇinu zaokruˇivanja koji se koristi. c z z Zaokruˇivanje prema najbliˇem.14 Ima li joˇ sluˇajeva kad implikacija s c a=b =⇒ 1 1 = a b ne vrijedi? Koje su vrijednosti izraza: 0/ − 0. odudara od ove matematiˇke logike jer ´e broj z z c c zaokruˇiti na ∞. a nije. postupno potkoraˇenje daje rezultate koji imaju manju (to manju ˇto c s je potkoraˇenje ve´e) relativnu toˇnost. ∞/ − ∞ i −∞/ − 0? 3. dok ´e zaokruˇivanje prema dolje i prema nuli broj zaokruˇiti na Nmax . Uoˇimo da Nmax ovisi o binarnom formatu.

s c izgubio zadnja ˇetiri bita ˇto odgovara pribliˇno jednoj decimalnoj znamenki. Koji je rezultat. x. c iskoristiti za pravljenje programa (vidi sljede´i primjer) ili pustiti raˇunalo da daje c c standardne ispise kao u zadnjoj tablici. c Zadatak 3. 2 y Pokaˇite da je tada x − y broj u BSPT.3.2 Neka je y = 0.10010000000000000000000)2 × 2−127 = (0. c Uoˇimo da je 25 = (11001)2.1 × 2−123 . statusnog signala (engl. pri ˇemu rezultat prve operacije c potkoraˇuje.16 Neka su x i y brojevi u BSP T za koje vrijedi 1 x ≤ ≤ 2.ˇ ˇ ˇ 3.10011001100110011001101)2 × 2−127 − (1. Bez c s z postupnog potkoraˇenja. Zadatak 3. z Vidimo da je rezultat subnormalni broj. x = 25 × 2−131 i z = y daje (1.5 IEEE odgovor na izuzetne situacije IEEE standard specificira da se svaki izuzetni dogadaj mora signalizirati pomo´u tzv. Raˇunaje broja z u jednostrukom IEEE formatu c Pritom je zadnja jedinica u binarnom prikazu broja x nastala zbog zaokruˇivanja. rezultat bi bio nula. za vrijeme izvrˇavanja programa.3. s . ˇto se relativne preciznosti tiˇe. koji je. c pogreˇna operacija s dijeljenje s nulom prekoraˇenje c potkoraˇenje c neegzaktni rezultat rezutat je NaN rezultat je ±∞ rezultat je ±∞ ili ±Nmax rezultat je ±0 ili ±Nmin ili subnormalni broj rezultat je korektno zaokruˇeni broj z Tablica 3.00001001100110011001101)2 × 2−127 normalizacija: = (1. ili ako ne postoji postupno potkoraˇenje? c c Koristite prethodni primjer.3.15 Promotrimo operaciju (y x)⊕x.10011001100110011010000)2 × 2−132 . ako postoji. da je tada oduzimanje egzaktno. tj. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 105 Primjer 3. status flag) kojeg bi programer mogao dohvatiti tj. z IEEE standard ukupno definira pet vrsta izuzetnih situacija koje su ukratko opisane u sljede´oj tablici.3.

4. |y|). √ S IEEE aritmetikom. Kako moˇemo mjeriti kvalitetu y c ˆ z ˆ kao aproksimacije od y? U ve´ini sluˇajeva bit ´emo sretni ako postignemo malu relativnu greˇku u c c c s c c c z rezultatu. za koji ∆x s . Erel ≈ ε.3. Kroz primjere z z c upoznat ´emo neke neugodne fenomene koji se mogu pojaviti kod koriˇtenja konaˇne c s c odnosno aritmetike raˇunala. a ako dode do izuzetne situacije.4. do´i ´e do prekoraˇenja. c c 3. Ako se pojavi c izuzetna situacija s prekoraˇenjem (ˇto je vrlo rijedak sluˇaj). Pokaˇite da je sporiji algoritam prikladan i za sluˇaj z c √ √ |x| < Nmin i y < Nmin . v := min(|x|. Umjesto toga moˇemo se zapitati za koji skup podataka smo zapravo rijeˇili problem? Dakle. if u = 0 then z := 0 else z := u 1 + (v/u)2.3 Raˇunanje izraza x2 + y 2 daje jednostavan primjer kako se koric ˇtenjem IEEE standarda za izuzetne situacije mogu naˇiniti brzi i pouzdani programi.1. tj. |y|).5. ali sporiji naˇin. Ovaj algoritam zahtijeva kao i onaj direktni dva mnoˇenja. max s i min i jedno dijeljenje. jedno zbrajanje i z jedan korijen. s c Pravilo je: pokuˇaj prvo na jednostavan i brz naˇin.1). 3. U ovom primjeru. Pretpostavimo da se u aritmetici preciznosti u vrijednost y = f (x) izraˇuna kao y . Greˇke unazad i unaprijed s Neka je f realna funkcija realne varijable. ako je |x| ili |y| c √ ve´i od Nmax . medutim dodatno zahtijeva izvrˇavanje nekoliko funkcija: | · |.ˇ ˇ ˇ 3. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 106 √ Primjer 3. Susrest ´emo niz pojmova koji odreduju s c ili opisuju toˇnost kojom algoritam raˇuna izlazne podatke. Tada se z = x2 + y 2 raˇuna pomo´u c c c c c c algoritma: u := max(|x|. s c raˇunaj √ c ponovo na siguran. pojmom usko c sc c vezanim uz pozdanost dobivenih rjeˇenja. prvo se izraˇuna z = x2 + y 2 direktno. Ve´ina primjera je uzeta iz knjige [5]. u prisustvu greˇaka c c s zaokruˇivanja koje su neizbjeˇne kad se koristi konaˇna aritmetika. pa je nekoliko puta sporiji i neˇto netoˇniji (vidi prims c jer 3. Stabilnost numeriˇkog raˇunanja c c U ovom dijelu bavit ´emo se stabilnoˇ´u numeriˇkih algoritama. ali to se ne´e mo´i uvijek posti´i. tek tada treba ukljuˇic s c c ti sofisticiraniji algoritam.

ako ona za svako x producira izraˇunati y s malom c ˆ povratnom greˇkom. U naˇelu. a neke ne´e. Medutim. Druga privlaˇnost povratne analize greˇaka z c c s je ˇto ona reducira problem omedivanja greˇke unaprijed na primjenu teorije perturs s bacije za dani problem. Ako povratna greˇka nije ve´a od tih polaznih c s c netoˇnosti.4. Dakle.1. a motivacija za taj postupak je dvostruka. c Npr. Podaci s z s ˇesto kriju netoˇnosti nastale zbog prethodnih izraˇunavanja. backward error analysis). GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 107 imamo y = f (x + ∆x)? ˆ Op´enito. tj. za dani problem moˇe postojati viˇe metoda od kojih ´e neke c z s c biti povratno stabilne. ona interpretira greˇke zaokruˇivanja kao greˇke u podacima. Prvo. a ne o pojedinoj metodi za dani problem. ve´ samo slabiji rezultat: ˆ c y + ∆y = cos(x + ∆x) ˆ . Teorija perturbacije je dobro poznata za ve´inu problema i c vaˇno je da ona ovisi o problemu. Vrijednost |∆x| (ili c c s c c max |∆x|) moˇda podijeljena sa |x| zove se greˇka unazad (engl. zbog spremanja u c c c raˇunalo ili kao rezultat mjerenja. Kada z dobijemo ocjenu za povratnu greˇku rjeˇenja kod primjene odredene metode. backward stable).1 Greˇke unaprijed i unazad s Metoda za raˇunanje vrijednosti y = f (x) je povratno stabilna ili stabilna c unazad (engl. vrijedi y = f (x + ∆x) za malo ∆x. ve´ina metoda za raˇunanje funkcije cos(x) ne zadovoljava relaciju c c y = cos(x + ∆x) za malo ∆x. s x greˇka unazad s x + ∆x f y = f (x) greˇka unaprijed s f y = f (x + ∆x) ˆ Slika 3. bit ´e viˇe takvih ∆x pa ´e nas zanimati najve´i. sve osnovne raˇunske operacije u raˇunalu zadovoljavaju relaciju (3. Proces omedivanja (tj. Oznaka mala ovisi o s ˆ kontekstu.1) c c pa daju rezultat koji je toˇan za malo pomaknute polazne podatke: x → x(1 + δ) c i y → y(1 + δ) uz |δ| ≤ u. sve su osnovne operacije u raˇunalu povratno c stabilne. tada se izraˇunato rjeˇenje ne moˇe mnogo kritizirati jer je to rjeˇenje c c s z s koje traˇimo do na “ulaznu” netoˇnost. backward error) z s ili povratna greˇka. traˇenja ograda za) povratne greˇke c s z s izraˇunatog rjeˇenja zove se analiza povratne greˇke ili povratna analiza greˇke c s s s (engl. tada s s dodatnom primjenom op´e teorije perturbacije za dani problem lako dolazimo do c ocjene za greˇku unaprijed.ˇ ˇ ˇ 3. Apsolutna i relativna greˇka od y zovu se greˇke unapris s ˆ s jed ili kra´e greˇke.

Algoritam je numeriˇki stabilan ako je stabilan u smislu relacije (3.ˇ ˇ ˇ 3. ˆ razvoj u Taylorov red daje y − y = f (x + ∆x) − f (x) = f (x)∆x + ˆ i moˇemo mu ocijeniti desnu stranu. y f (x) 2f (x) imamo xf (x) ∆x y−y ˆ = + O((∆x)2 ). Pretpostavimo da je dano pribliˇno rjeˇenje y problema y = f (x) koje zadoz s ˆ voljava y = f (x + ∆x). Ako pretpostavimo da je f dvaput neprekidno derivabilna.1) mali. 2! Θ ∈ (0. Inaˇe. Greˇka u rezultatu koji se zapisuje s y + ∆y = f (x + ∆x). ˆ |∆y| ≤ η|y|. Uvjetovanost Odnos izmedu greˇke unaprijed i greˇke unazad za dani problem u velikoj mjeri s s odreden je uvjetovanoˇ´u problema. za f (x) = ln(x) imamo c(x) = 1/| ln(x)|. Zato c(x) moˇemo zvati z (relativni) broj uvjetovanosti od f .4. ili kra´e uvjetovanost od f . |∆x| ≤ ξ|x| (3. pa . Ova definicija uglavnom se odnosi na izraˇunavanja u kojima su greˇke c s zaokruˇivanja (osnovnih aritmetiˇkih operacija) dominantni oblici greˇaka.1) s c malim ξ i η.4. c c s Uvjetovanost sluˇi za mjerenje najve´e relativne promjene koja se dostiˇe za neku z c z vrijednost broja ili vektora x. Ako su f ili c x vektori. tj. Ako su ξ i η u (3. 1) pa veliˇina c mjeri relativnu promjenu y za malu relativnu promjenu x. 3.4. Zbog z f (x) f (x + Θ∆x) y−y ˆ = ∆x + (∆x)2 . osjetljivoˇ´u rjeˇenja problema na ulazne sc sc s podatke.2. Npr.4. z c s c pojam stabilnosti ima razliˇita znaˇenja u drugim podruˇjima numeriˇke matemac c c c tike. tada se broj uvjetovanosti definira na sliˇan naˇin koriˇtenjem norme. y f (x) x c(x) = xf (x) f (x) f (x + Θ∆x) (∆x)2 . moˇe se s s z re´i: izraˇunato rjeˇenje y se jedva razlikuje od vrijednosti y + ∆y koje se dobije c c s ˆ ˆ egzaktnim raˇunom na ulaznoj vrijednosti x + ∆x koja se jedva razlikuje od c stvarnog ulaznog podatka x. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 108 uz male ∆x i ∆y.1) naziva se mijeˇana naprijed-nazad greˇka.

tada je budu´a vrijednost uloˇenog novca c c z nakon jedne godine.05). prijelazom na greˇku c s s s unaprijed.ˇ ˇ ˇ 3. To znaˇi da mala relativna promjena u x uvijek c izazove malu apsolutnu promjenu promjenu u f (x) = ln(x). To je tzv. < ∆x . a u rijetkim sluˇajevis c c ma kada dolazi do ve´ih greˇaka u rezultatu. dana formulom Cn (x.3. Na sre´u. koja su sliˇnog s s c reda veliˇine kao ona koja se dobiju primjenom povratno stabilne metode. kriva je jedna. Kad se greˇke unaprijed. unazad.4. jer je f (x + ∆x) − f (x) ≈ f (x)∆x = ali i veliku relativnu promjenu za neke x.4. formula sloˇenog ukama´ivanja.4. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 109 je uvjetovanost velika za x ≈ 1. gdje je Cn (x) = 1 + x n n . uz n ukama´ivanja s c (npr. Cramerovo pravilo za 2 × 2 linearne sustave). x 3. s Dakle. c Definicija 3. za kvartalno ukama´ivanje je n = 4). ta tvrdnja uglavnom nije istinita. z Dakle. s z Primjer 3. tada se za c metodu kaˇe da je stabilna unaprijed. Povratna stabilnost implicira stabilnost unaprijed. ili tek nekoliko. x = 0. sama metoda ne treba biti povatno stabilna da bi bila stabilna unaprijed. te uvjetovanost za dani problem definiraju s na konzistentan naˇin. Cak i kad izraˇunato rjeˇenje ima malu greˇku unazad.1 (Sluˇaj sloˇenih kamata. Zato se uvodi z c sljede´a definicija. a) = aCn (x). podmuc s klih greˇaka zaokruˇivanja. Poznato je da kad broj ukama´ivanja z c c x c tijekom godine n raste. Akumulacija greˇaka zaokruˇivanja s z Dosta je rasprostranjeno miˇljenje da velike brzine modernih raˇunala koje s c omogu´avaju u svakoj sekundi izvrˇavanje nekoliko milijardi raˇunskih operacija c s c imaju pri zahtjevnim proraˇunima za posljedicu potencijalno zastraˇuju´e velike c s c greˇke u rezultatu.) Ako se a novˇanih jedinica investira c z c na godinu dana po godiˇnjoj kamatnoj stopi x (npr. U graniˇnom . vrijedi jednostavno pravilo: c s greˇka unaprijed ≈ uvjetovanost × greˇka unazad. dok obrat ne vrijedi (primjer je npr. ona se moˇe pove´ati za faktor velik kao broj uvjetovanosti.1 Ako metoda daje rjeˇenja s greˇkama unaprijed. Cn (x) monotono raste prema vrijednosti e . izraˇunato rjeˇenje loˇe uvjetovanog problema moˇe imati veliku greˇku unc s s z s ˇ aprijed.

0 + x/n. U FORTRANU se xn piˇe x∗∗n.0. U Matlabu je oblika xˆn. 5 mnoˇenja). Nas ´e ovdje zanimati ulaganje novca pa ´emo pretpostaviti da je n c c konaˇan. Taj sluˇaj se u praksi c c c manje susre´e u bankarstvu. U tablici su prikazani rezultati koje daju sva ˇetiri algoritma za x = 0.3 z := 1. bit ´e i manje greˇaka zaokruˇivanja. for i := 1 to n w := w ∗ z. dok se u jeziku C poziva funkcija pow(x. c c c c prvo ´emo odrediti uvjetovanost za Cn (x). Prednost je u tome ˇto algoritam koji stoji s iza operacije ili funkcije potenciranja zahtijeva oko log2 (n) mnoˇenja.ˇ ˇ ˇ 3. C := exp(n ∗ w). x se raˇuna kao x · (((x ) ) ) . No. Imamo c κ(Cn (x)) = xCn (x) x = Cn (x) 1+ x n = |x| x . C := pow(z. kad n → ∞. Dakle. w := log(z). c Algoritam 3. pa koristi z ˇ je manje mnoˇenja. govorimo o neprekidnom ukama´ivanju.0 + x/n. Programi c su napisani u jeziku FORTRAN 77 i koriˇten je Digital Visual Fortran 6. pametno je iskoristiti operaciju (ili funkciju) potenciranja. U sljede´oj tablici c . n). Promotrimo sljede´e algoritme za c raˇunanje Cn (x). Kako n moˇe biti velik.4.2 z := 1. z s ako postoji. w := 1. Tada se c s s c govori o prirastu ˇume. razmnoˇavanju kuni´a u nekoj populaciji ili ˇirenju zaraze s z c s u medicini. C := w.4.0 prevodilac s za PC raˇunala.4. velika je tek kad je |x| veliko.0 + x/n)). a da bismo dobili c s referentne (gotovo toˇne) podatke koriˇten je i potprogram za raˇunanje sloˇenih c s c z kamata u dvostrukom realnom formatu (DOUBLE PRECISION). GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 110 sluˇaju. Pritom moˇemo korisc c z titi sljede´a dva algoritma c Algoritam 3. Koriˇten je jednostruki realni format (REAL).1 z := 1. Prouˇit ´emo stabilnost nekoliko algoritama za raˇunanje Cn (x). |1 + n | pa uvjetovanost konvergira prema |x| (provjerite da je to uvjetovanost od ex ) kad n raste. a viˇe u bioloˇkim i medicinskim podruˇjima. Algoritam 3.05. umjesto n z 17 2 2 2 2 c mnoˇenja kao u prvom algoritmu (npr.4 C := exp(n ∗ log(1.4.0 + x/n. n). Algoritam 3. Sto z z c s z Sljede´a je mogu´nost iskoristiti identitet z n = en ln(z) .

ˇ ˇ ˇ 3. GRESKE U NUMERICKOM RACUNANJU

ˇ GRESKE – 111

dani su izlazni rezultati. Algoritam 3.4.2 3.4.3 1.050946 1.050946 1.051163 1.051163 1.051262 1.051262 1.051216 1.051216 1.051342 1.051342 1.048839 1.048839 1.000000 1.000000

n 4 12 365 1000 10000 100000 1000000

3.4.1 1.050946 1.051163 1.051262 1.051215 1.051331 1.047684 1.000000

3.4.4 1.050945 1.051162 1.051268 1.051270 1.051271 1.051271 1.051271

Usporedbom s rezultatima izraˇunatim u dvostrukoj preciznosti, zakljuˇili smo c c da zadnji stupac daje toˇne rezultate u danom jednostrukom formatu. To je zato c jer zadnji algoritam koristi naredbu C := exp(n ∗ log(1.0 + x/n)) koja se zapravo izvrˇava u registrima aritmetiˇke jedinice. Kako su na Intel-ovim ˇipovima registri s c c duljine 80 bitova, rezultat je izraˇunat u proˇirenoj toˇnosti, a zaokruˇen je tek kod c s c z spremanja u varijablu C. Do netoˇnosti u ostalim algoritmima dolazi u prvom redu zbog greˇke u varijabli c s z. Iako je greˇka tek u zadnjoj decimali, potenciranjem na visoku potenciju, prisutna s greˇka se moˇe bitno pove´ati. Npr. za n = 100000, = 2−24 imamo s z c (1 + )n ≈ 1 + n = 1.005960464477539. S druge strane, za n = 1000000 imamo z = 1 + 0.05/106 = 1 + 5 × 10−8 , pa je f (z) = 1 ˇto se vidi iz zadnjeg retka tablice. Dakle, do greˇke dolazi jer funkcija s s pot : z → z n nije dobro uvjetovana za veliko n. Provjerimo njezinu uvjetovanost: |z · nz n−1 | = n. κ(pot) = |z n | Joˇ je jedan fenomen zanimljiv. U prvom stupcu je rezultat za n = 10000 toˇniji s c nego u drugom stupcu, dok je za n = 100000 manje toˇan. To dolazi od toga ˇto su c s greˇke zaokruˇivanja i pozitivne i negativne, pa u rezultatu moˇe biti stvarna greˇka s z z s mnogo manja od oˇekivane. c Primjer 3.4.2 Izraˇunajmo aproksimaciju broja e koriˇtenjem relacije c s e = n→∞ 1 + lim 1 n
n

,

ˇ ˇ ˇ 3. GRESKE U NUMERICKOM RACUNANJU

ˇ GRESKE – 112

tako da se za n uzmu potencije broja 10. Sljede´a tablica izraˇunata je koriˇtenjem c c s −24 jezika FORTRAN 77 u jednostrukoj preciznosti (u = 2 ): n 101 102 103 104 105 106 107 pri ˇemu je c en 2.593743 2.704811 2.717051 2.718597 2.721962 2.595227 3.293968 |en − e| 1.24539e − 01 1.34705e − 02 1.23104e − 03 , 3.15107e − 04 3.68039e − 03 1.23055e − 01 5.75686e − 01

1 n . n Kako dolazi do greˇke? Uoˇimo da svaka negativna potencija od 10 ima greˇku jer s c s njen binarni prikaz ima beskonaˇno mnogo znamenki. Kad se formira 1+1/n za ve´e c c 6 7 n (npr. za n = 10 ili 10 ), samo nekoliko znaˇajnih binarnih znamenaka od 1/n c ostaje u konaˇnom prikazu od 1 + 1/n. Nadalje, potenciranje broja 1 + 1/n, makar c izraˇunato posve toˇno, mora bitno pove´ati polaznu greˇku. Lako se provjerava da c c c s raˇunanje potencija od 1 + 1/n u dvostrukoj preciznosti (u = 2−53 ), nakon ˇto je c s broj 1 + 1/n prvo smjeˇten u jednostruki format, a zatim pretvoren iz jednostrukog s u dvostruki format, daje iste brojeve u tablici. Zakljuˇujemo da za netoˇan rezultat c c nije kriv veliki broj raˇunskih operacija ve´ jedna podmukla greˇka. c c s en = 1 + Ovaj problem, kao i prethodni, moˇe se rijeˇiti mnogo toˇnije koriˇtenjem forz s c s 1 n 1 = exp n · ln 1 + n n pri ˇemu se ln(1 + 1/n) raˇuna tako da se za c c 1+ x= 1 n mule ,

prvo izraˇuna y = 1 + x, a onda vrijednost funkcije c f (x) = ⎪ x ln(x) , ⎩ y−1
⎧ ⎪ x, ⎨

y = 1, y = 1.

Detaljna analiza greˇaka zaokruˇivanja pokazuje da ´e f (f (x)) biti vrlo toˇna aproks z c c simacija za ln(1 + 1/n).

ˇ ˇ ˇ 3. GRESKE U NUMERICKOM RACUNANJU

ˇ GRESKE – 113

Primjer 3.4.3 Za x ≥ 0 sljede´i algoritam ne bi smio promijeniti x: c za i = 1 do 60 raˇunaj c √ x := x; za i = 1 do 60 raˇunaj c x := x2 ; z Ovaj algoritam ne ukljuˇuje oduzimanje i svi medurezultati leˇe izmedu 1 i x, c pa moˇemo oˇekivati da je na kraju raˇunanja, izraˇunati x dobra aproksimacija od z c c c ˆ x. Na kalkulatoru HP48G, polaze´i od x = 100, algoritam daje x = 1.0. Zapravo, c ˆ za svaki x, kalkulator izraˇuna umjesto f (x) = x, funkciju c ˆ f(x) = 0, 0 ≤ x < 1, 1, x ≥ 1.

Dakle, kalkulator daje posve pogreˇan rezultat na bazi samo 120 operacija, od kojih s svaka ponaosob ima malu relativnu greˇku. Zaˇto je to tako? s s Reprezentabilni brojevi na kalkulatoru HP48G zadovoljavaju nejednakost 10−499 ≤ x ≤ 9.99999999999 · 10499 . Definirajmo funkciju r(x) = x 260
1

za

x ≥ 1,

koja odgovara medurezultatu nakon prve petlje. Vrijedi 1 ≤ r(x) < r(10500 ) = 10 260 ≈ e500·2
500 −60

ln(10)

< e10

−15

= 1 + 10−15 +

1 −30 10 +··· 2

pa se u kalkulatoru koji radi na 12 decimala r(x) zaokruˇi na 1. U drugoj petlji 60 z kvadriranja jedinice opet daje jedinicu. Za 0 < x < 1 imamo x ≤ 0.999999999999 jer je x reprezentabilan. Stoga za √ x vrijedi √ x≤ √ 1 1 1 − 10−12 = 1− 10−12 − 10−24 −· · · = 0.99999999999949999999999987 . . . 2 8

Ova gornja granica se zaokruˇuje na broj 0.999999999999. I nakon 60 vadenja druz gog korijena u kalkulatoru ´e biti broj koji nije ve´i od 0.999999999999. Promotrimo c c sada kvadriranja. Neka je 60 s(x) = x2 . Imamo s(x) ≤ s(0.999999999999) = (1 − 10−12 )2 = 102 = 102
60 60 60

log(1−10−12 )

ln(1−10−12 ) log(e)

≈ 10−2

60 ·10−12

log(e)

≈ 3.568 · 10−500708 .

ˇ ˇ ˇ 3. GRESKE U NUMERICKOM RACUNANJU

ˇ GRESKE – 114

Gornja granica je manja od najmanjeg reprezentabilnog broja na kalkulatoru. Isto vrijedi i za svaki 0 < x ≤ 1 − 10−12 . Zato dolazi do zamjene broja s nulom (tzv. underflow). Zakljuˇak je jasan: niˇta nije loˇe u kalkulatoru. Ovo na prvi pogled neduˇno c s s z raˇunanje iscrpljuje preciznost i rang brojeva u raˇunalu (12 znaˇajnih dekadskih c c c znamenki i eksponent s tri dekadske znamenke). Primjer 3.4.4 Poznato je da vrijedi 1+
∞ 1 π2 1 1 1 = + + +··· = ≈ 1.644934066848. 2 4 9 16 6 k=1 k

Pretpostavimo da ne znamo taj indentitet i da ˇelimo numeriˇki izraˇunati tu sumu. z c c Najjednostavnija strategija je izraˇunati parcijalne sume c sn = 1 2 k=1 k
n

sve dok se vrijednost od sn ne ustali. U FORTRANU 77, u jednostrukoj preciznosti dobiva se 1.64472532 za n = 4096. Ta vrijednost se slaˇe sa π 2 /6 tek u prve 4 z znaˇajne znamenke. Objaˇnjenje tako netoˇnog rezultata leˇi u ˇinjenici da se zbrac s c z c janje vrˇi od ve´ih prema manjim ˇlanovima reda. Za n = 4096 ˇini se sljede´i s c c c c doprinos parcijalnoj sumi: sn = sn−1 + 1 = sn−1 + 2−24 , n2

c pri ˇemu je sn−1 ≈ 1.6. U jednostrukoj preciznosti raˇunalo radi s mantisama od 24 c bita pa ˇlan koji se dodaje ne daje nikakav doprinos, isto kao i svi sljede´i ˇlanovi. c c c Najjednostavniji naˇin za popravku te netoˇnosti je zbrajanje u obrnutom rec c doslijedu. Naˇalost, taj pristup zahtijeva znanje koliko ˇlanova zbrojiti. Koriˇtenjem z c s c c 109 ˇlanova dobije se suma 1.66493406 koja je korektna na 8 znaˇajnih znamenaka. Detaljnija analiza o tome kako ˇto toˇnije raˇunati sumu brojeva moˇe se na´i s c c z c u [5, 4. pogl.].

3.4.4.

Kra´enje c

Kra´enje nastaje kad se oduzimaju dva pribliˇno jednaka broja. To najˇeˇ´e, c z c sc iako ne uvijek, ima kao posljedicu netoˇan rezultat. Promotrimo npr. funkciju c f (x) = 1 − cos(x) . x2

ˇ ˇ ˇ 3. GRESKE U NUMERICKOM RACUNANJU

ˇ GRESKE – 115

Za x = 1.2 · 10−5 , vrijednost cos(x), zaokruˇena na 10 znaˇajnih znamenki iznosi z c c = 0.9999999999, tako da je 1 − c = 0.0000000001. Dakle, aproksimacija za funkciju f u x = 1.2 · 10−5 je 1−c 10−10 = ≈ 0.6944, x2 1.44 × 10−10 ˇto je oˇito loˇe, jer je 0 ≤ f (x) ≤ 1/2 za sve x = 0. Dakle, desetoroznamenkasta s c s aproksimacija za cos(x) nije dovoljno toˇna da bi izraˇunata vrijednost funkcije c c imala barem jednu toˇnu znamenku. Problem je u tome ˇto 1 − c ima samo jednu c s znaˇajnu znamenku. Oduzimanje 1 − c je egzaktno, ali to oduzimanje proizvodi c rezulat koji je veliˇine kao i greˇka u c. Drugim rijeˇima oduzimanje podiˇe c s c z znaˇaj prethodne greˇke. U ovom primjeru f (x) se moˇe napisati tako da se c s z izbjegne kra´enje, jer uvrˇtavanjem c s cos(x) = 1 − 2 sin2 dobivamo f (x) = 1 sin(x/2) 2 x/2 x , 2
2

.

Izraˇunavanje f (1.2 · 10−5 ) pomo´u ove formule, koriˇtenjem desetoroznamenkaste c c s aproksimacije za sin(x/2), daje vrijednost 0.5, koja je toˇan rezultat na deset c znaˇajnih znamenki. c Da bismo dobili dodatni uvid u fenomen kra´enja promotrimo oduzimanje (u c egzaktoj aritmetici) x = a−ˆ ˆ ˆ b, gdje su a = a(1 + ∆a ), ˆ ˆ = b(1 + ∆b ). b ˇ s c Clanovi ∆a i ∆b su relativne greˇke ili netoˇnosti u podacima, koje, recimo, dolaze od prethodnih raˇunanja. Izraz za relativnu greˇku daje c s x−x ˆ −a∆a + b∆b |a| + |b| . = ≤ max{|∆a |, |∆b|} x a−b |a − b| Ograda za relativnu greˇku od x je velika ako je s ˆ |a − b| |a| + |b|,

ˇ ˇ ˇ 3. GRESKE U NUMERICKOM RACUNANJU

ˇ GRESKE – 116

a to je istina ako postoji bitno kra´enje u oduzimanju. Ova analiza pokazuje da c se zbog kra´enja (u oduzimanju), postoje´e greˇke ili netoˇnosti u a i ˆ pove´aju. c c s c ˆ b c Drugim rijeˇima, kra´enje dovodi prethodne greˇke na vidjelo. c c s Vaˇno je znati da kra´enje nije uvijek loˇa stvar. Ima nekoliko razloga. Prvo, z c s brojevi koji se oduzimaju mogu biti bez prethodnih greˇaka, dakle toˇni ulazni s c podaci. Npr. raˇunanje podijeljenih razlika ukljuˇuje mnogo oduzimanja, ali pola tih c c oduzimanja ukljuˇuje polazne podatke, pa su bezopasna za pogodni uredaj toˇaka. c c Drugi je razlog ˇto kra´enje moˇe biti simptom loˇe uvjetovanosti problema pa zato s c z s mora biti prisutno. Tre´e, efekt kra´enja ovisi o ulozi koji taj rezultat (zapravo c c medurezultat) igra u preostalom raˇunanju. Npr. ako je x c y ≈ z > 0, tada je kra´enje u izrazu x + (y − z) bezopasno. c Promotrimo jedan vaˇan primjer kra´enja koji je karakteristiˇan za podruˇje z c c c numeriˇkog rjeˇavanja diferencijalnih jednadˇbi. c s z Primjer 3.4.5 Kako odrediti pribliˇnu vrijednost derivacije neke realne funkcije rez alnog argumenta. Ako funkciju oznaˇimo s f , tada je c f (x + h) − f (x) . h→0 h U xy koordinatnom sustavu, derivacija je koeficijent smjera tangente na graf funkcije f u toˇki (x, f (x)) tj. tangens kuta kojeg taj pravac zatvara s apscisom. U ovoj c definiciji h moˇe biti i pozitivan i negativan (osim ako se promatra tzv. derivacija z slijeva ili zdesna za rubne vrijednosti od x). ˇ Sto je h po modulu manji to ´e kvocijent (f (x + h) − f (x))/h biti toˇnija c c aproksimacija f (x). Za funkcije koje nisu zadane analitiˇki (svojom formulom), c nego nekim moˇda kompliciranim algoritmom ili tabliˇnim vrijednostima, kvocijent z c f (x) = lim f (x + h) − f (x) h koji se joˇ zove podijeljena razlika ili podijeljena diferencija mo´i ´e se izraˇus c c c nati barem za neke male vrijednosti h, pa ´emo imati neku informaciju o derivaciji. c ˇ je korak ili pomak h manji, dobit ´emo toˇniju aproksimaciju za f (x). Sto c c Pretpostavimo sada da je f dva puta diferencijabilna. Koriˇtenjem Taylorovog s razvoja funkcije f oko toˇke x, dobivamo c h2 f (¯), x 2 gdje je x ∈ [x, x + h] ako je h ≥ 0 i x ∈ [x + h, x] ako je h < 0. To nam daje ocjenu ¯ ¯ f (x + h) = f (x) + hf (x) + h f (x + h) − f (x) − f (x) = f (¯), x (3.4.2) h 2 pa moˇemo oˇekivati da je aproksimacija to bolja ˇto je |h| manje. Greˇka (3.4.2) z c s s se zove greˇka diskretizacije. s

ˇ ˇ ˇ 3. GRESKE U NUMERICKOM RACUNANJU

ˇ GRESKE – 117

ˇ Sto se medutim dogada ako koristimo konaˇnu aritmetiku? c Primjer 3.4.6 Odaberimo funkciju koja je eksplicitno zadana i kojoj ˇelimo nuz meriˇki izraˇunati derivaciju. Neka je to npr. c c ch(x) = Derivacija te funkcija je ex + e−x . 2

ex − e−x . sh(x) = 2 Promotrimo aproksimacije derivacije u toˇki x = 1. Raˇunat ´emo na raˇunalu, c c c c koriste´i dvostruki IEEE format. Kako je c ch(1) = i ch (1) = sh(1) = e2 + 1 ≈ 1.5431 2e e2 − 1 ≈ 1.1752, 2e

znamo vrijednosti funkcije i derivacije u toˇki 1. Za h ´emo uzeti padaju´i niz c c c −20 vrijednosti 0.1, 0.01, 0.001, . . . , 10 . Za raˇunaje izraza (f (x+h)−f (x))/h koristit c ´emo sljede´i niz naredbi jezika FORTRAN c c x = 1.0; fx = f (x); der = (exp(x) − exp(−x))/2.0; do i = 1, 17 h = 10∗∗(−i); xh = x + h; fh = f (xh); dif = fh − fx ; g = dif /h; apsgr = g − der ; relgr = (g − der)/der enddo gdje je f (x) = (exp(x) + exp(−x))/2. Vrijednosti dobivene koriˇtenjem prevodioca s

ˇ ˇ ˇ 3. GRESKE U NUMERICKOM RACUNANJU

ˇ GRESKE – 118

DV Fortran 6.0, dane su u sljede´oj tablici: c h 0.10e + 00 0.10e − 01 0.10e − 02 0.10e − 03 0.10e − 04 0.10e − 05 0.10e − 06 0.10e − 07 0.10e − 08 0.10e − 09 0.10e − 10 0.10e − 11 0.10e − 12 0.10e − 13 0.10e − 14 0.10e − 15 0.10e − 16 der 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 g 0.12543792e + 01 0.11829362e + 01 0.11759729e + 01 0.11752783e + 01 0.11752089e + 01 0.11752020e + 01 0.11752013e + 01 0.11752012e + 01 0.11752013e + 01 0.11752022e + 01 0.11752155e + 01 0.11752821e + 01 0.11746160e + 01 0.11768364e + 01 0.13322676e + 01 0.00000000e + 00 0.00000000e + 00 apsgr 0.79e − 01 0.77e − 02 0.77e − 03 0.77e − 04 0.77e − 05 0.77e − 06 0.78e − 07 0.94e − 08 0.76e − 07 0.96e − 06 0.14e − 04 0.81e − 04 −0.59e − 03 0.16e − 02 0.16e + 00 −0.12e + 01 −0.12e + 01 relgr 0.67e − 01 0.66e − 02 0.66e − 03 0.66e − 04 0.66e − 05 0.66e − 06 0.67e − 07 0.80e − 08 0.65e − 07 0.82e − 06 0.12e − 04 0.69e − 04 −0.50e − 03 0.14e − 02 0.13e + 00 −0.10e + 01 −0.10e + 01

Iz tablice vidimo da su aproksimacije sve bolje do odredene vrijednosti h, koja √ s s je pribliˇno jednaka z M . Apsolutna i relativna greˇka smanjuju se za faktor 10 ˇto je sukladno formuli (3.4.2). Medutim, kad h postaje sve manji, vrijednosti f (x + h) i f (x) postaju sve bliskije, pa dolazi do jakog kra´enja. Npr. za h = 10−10 imamo c f (x + h) − f (x) ≈ 1.543080634932764 − 1.543080634815244 = 1.1752 · 10−10 , pa je izgubljeno 10 decimalnih znamenka, ˇto znaˇi da relativna greˇka aproksimacije s c s ne moˇe biti bitno bolja od 10−6. Svakim smanjivanjem koraka 10 puta, pojaˇava z c se kra´enje za jednu decimalnu znamenku, ˇto rezultira relativnom greˇkom koja c s s je pribliˇno 10 puta ve´a. Apsolutna greˇka je istog reda veliˇine jer se dobije iz z c s c relativne greˇke mnoˇenjem s |f (x)| ≈ 1.1752. s z Dokle god je f dovoljno glatka, postoji mogu´nost dobivanja bolje aproksic s s c macije za f (x) no ˇto je to koriˇtenjem obiˇne podijeljene razlike. Jedno takvo poboljˇanje je simetriˇna ili centralna podijeljena razlika s c f (x + h) − f (x − h) . 2h Razvojem u Taylorov red f (x + h) i f (x − h) oko toˇke x, pokaˇite da vrijedi c z f (x + h) − f (x − h) h2 − f (x) = (f (¯1 ) + f (¯2 )), x x 2h 12 (3.4.3)

ˇ ˇ ˇ 3. GRESKE U NUMERICKOM RACUNANJU

ˇ GRESKE – 119

gdje su x1 i x2 u intervalima [x, x + h] i [x − h, x]. Dakle, diskretizacijska greˇka ¯ ¯ s 2 pada s faktorom h . Uoˇite da to vrijedi samo za ekvidistantne mreˇe ˇvorova, tj. c z c kad je h isti za cijeli promatrani interval. Zadatak 3.4.1 Naˇinite program sliˇan prethodnom, koji ispisuje apsolutnu i relac c tivnu greˇku za simetriˇnu podijeljenu razliku kao aproksimaciju derivacije za s c f (x) = ch(x) u toˇki x = 1. c Rezultat bi trebala biti tablica oblika h 0.10e + 00 0.10e − 01 0.10e − 02 0.10e − 03 0.10e − 04 0.10e − 05 0.10e − 06 0.10e − 07 0.10e − 08 0.10e − 09 0.10e − 10 0.10e − 11 0.10e − 12 0.10e − 13 0.10e − 14 0.10e − 15 0.10e − 16 der 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 g 0.11771608e + 01 0.11752208e + 01 0.11752014e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752012e + 01 0.11752010e + 01 0.11752044e + 01 0.11751711e + 01 0.11746160e + 01 0.11768364e + 01 0.12212453e + 01 0.00000000e + 00 0.00000000e + 00 apsgr 0.20e − 02 0.20e − 04 0.20e − 06 0.20e − 08 0.16e − 10 −0.62e − 10 −0.62e − 09 −0.17e − 08 −0.35e − 07 −0.15e − 06 0.32e − 05 −0.30e − 04 −0.59e − 03 0.16e − 02 0.46e − 01 −0.12e + 01 −0.12e + 01 relgr 0.17e − 02 0.17e − 04 0.17e − 06 0.17e − 08 0.13e − 10 −0.53e − 10 −0.53e − 09 −0.15e − 08 −0.30e − 07 −0.12e − 06 0.27e − 05 −0.26e − 04 −0.50e − 03 0.14e − 02 0.39e − 01 −0.10e + 01 −0.10e + 01

Uvjerite se da greˇke padaju s faktorom 100, a ne s 10 kako je to bilo prije. s Nakon vrijednosti h = 0.10e − 05 greˇke rastu, kao i prije, s faktorom oko 10. Za to s vrijedi isti argument kao u prethodnm primjeru. Kako objaˇnjavate ˇinjenicu da je s c minimalna greˇka manja nego u prethodnom sluˇaju? s c

3.4.5.

Kra´enje greˇaka zaokruˇivanja c s z

Nije neobiˇno da se u stabilnim algoritmima greˇke zaokruˇivanja krate na c s z c taj naˇin da konaˇni rezultat bude mnogo toˇniji od medurezultata (tj. veliˇina c c c

ˇ ˇ ˇ 3. GRESKE U NUMERICKOM RACUNANJU

ˇ GRESKE – 120

koje se koriste u algoritmu). Ovaj fenomen nije toliko poznat jer se medurezultati obiˇno gledaju tek kad se otkrije da krajnji rezultat nije dovoljno toˇan. Evo jednog c c primjera. Promotrimo raˇunanje funkcije c f (x) = ex − 1 x x2 x3 =1+ + + +··· = x 2! 3! 4! xi . i=0 (i + 1)!

Uoˇimo da f (x) → 1 kad x → 0, ˇto se vidi i iz redova na desnoj strani. Pogledajmo c s sljede´a dva algoritma koji raˇunaju tu funkciju. c c Algoritam 3.4.5 y = exp(x) if (x .eq. 0.0) then f = 1.0 else f = (y − 1.0)/x endif Algoritam 3.4.6 y = exp(x) z = alog(y) if (y .eq. 1.0) then f = 1.0 else f = (y − 1.0)/z endif

Loˇa strana prvog algoritma je ˇto dolazi do jakog kra´enja za male vrijednosti s s c |x|. Drugi algoritam, izgleda ˇudno jer izraˇunava dvije funkcije exp i ln (funkcija c c alog) umjesto samo jedne exp, kao ˇto to ˇini prvi algoritam. s c Medutim ako se pogledaju rezulati za x = 10−k , k = 0, 1, . . . , 15 u Tablici 3.4.1, vidi se da Algoritam 2 daje za sve x vrlo toˇne rezultate dok Algoritam 1 daje za c rastu´e k sve netoˇnije podatke. c c Da bismo dobili uvid ˇto se to dogada s Algoritmom 3.4.6, promotrimo raˇus c c nanje za x = 9 · 10−8 uz u = 2−24 ≈ 6 · 10−8. Toˇan rezultat je (do na broj prikazanih znamenki) 1.000000005. Algoritam 3.4.5 daje posve netoˇan rezultat, kao ˇto se i c s oˇekuje c ex − 1 1.19209290 · 10−7 f ≡f = 1.32454766. x 9.0000000 · 10−8 Algoritam 3.4.6 daje rezultat koji je toˇan u svim osim u zadnjoj znamenci (ˇto c s se i oˇekuje jer se radi o 9-toj znaˇajnoj znamenki, a aritmetika radi s nepunih 8 c c znamenki) ex − 1 1.19209290 · 10−7 f ≡f = 1.00000006. ln(ex ) 1.19209282 · 10−7 Evo sada veliˇina koje bismo dobili Algoritmom 3.4.6 u egzaktnoj aritmetici (korekc tno na onoliko decimala koliko se koristi u prikazu) ex − 1 9.00000041 · 10−8 = = 1.00000005. ln(ex ) 9.00000001 · 10−8

ˇ ˇ ˇ 3. GRESKE U NUMERICKOM RACUNANJU

ˇ GRESKE – 121

Algoritam x 0.1000000e + 00 0.1000000e − 01 0.1000000e − 02 0.1000000e − 03 0.1000000e − 04 0.1000000e − 05 0.1000000e − 06 0.1000000e − 07 0.1000000e − 08 0.1000000e − 09 0.1000000e − 10 0.1000000e − 11 0.1000000e − 12 0.1000000e − 13 0.1000000e − 14 0.1000000e − 15 3.4.5 0.1051710e + 01 0.1005018e + 01 0.1000524e + 01 0.1000166e + 01 0.1001358e + 01 0.9536742e + 00 0.1192093e + 01 0.0000000e + 00 0.0000000e + 00 0.0000000e + 00 0.0000000e + 00 0.0000000e + 00 0.0000000e + 00 0.0000000e + 00 0.0000000e + 00 0.0000000e + 00 3.4.6 0.1051709e + 01 0.1005017e + 01 0.1000500e + 01 0.1000050e + 01 0.1000005e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01 Egzaktno 0.1051709e + 01 0.1005017e + 01 0.1000500e + 01 0.1000050e + 01 0.1000005e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01 0.1000000e + 01

Tablica 3.4.1 Primjena algoritama za x = 10−k , k = 0, 1, . . . , 15 Vidimo da Algoritam 3.4.6 izraˇunava vrlo netoˇno vrijednosti ex − 1 i ln(ex ), ali c c je kvocijent tih vrijednosti vrlo toˇan rezultat. Zakljuˇak: dijeljenjem u Algoc c ritmu 3.4.6 greˇke se pokrate (dokinu). Koriste´i analizu greˇaka zaokruˇivanja s c s z moˇe se objasniti to zaˇuduju´e kra´enje greˇaka (vidjeti [5]). z c c c s

3.4.6.

Rjeˇavanje kvadratne jednadˇbe s z

Rjeˇavanje kvadratne jednadˇbe s z ax2 + bx + c = 0 je matematiˇki trivijalan problem (ako je jednadˇba zaista kvadratna, tj. ako je c z a = 0): postoje dva rjeˇenja s √ −b ± b2 − 4ac x± = . (3.4.4) 2a Ako je a = 0, postoji samo jedno rjeˇenje x = −c/b jer je jednadˇba linearna. s z

ˇ ˇ ˇ 3. GRESKE U NUMERICKOM RACUNANJU

ˇ GRESKE – 122

Numeriˇki, problem je izazovniji, jer niti izraˇunavanje izraza (3.4.4), niti c c toˇnost izraˇunatog rjeˇenja nije garantirana. c c s Najjednostavniji aspekt rjeˇavanja kvadratne jednadˇbe je izbor formule za s z √ 2 2 − 4ac ≈ |b|, pa se za jedan izbor raˇunanje rjeˇenja. Ako je b c s |4ac| tada je b predznaka u formuli (3.4.4) dogada kra´enje. To je opasno kra´enje jer je jedan od c c √ 2 − 4ac) netoˇan zbog koriˇtenja konaˇne aritmetike, pa kra´enje c s c c argumenata, f ( b √ pojaˇava greˇku u f ( b2 − 4ac) (takoder i u f (b) ako i on nosi greˇku u odnosu na c s s b). Kako izbje´i greˇku je dobro poznato: treba prvo izraˇunati ve´e (po modulu) c s c c rjeˇenje, nazovimo ga s x1 , pomo´u formule s c √ −(b + sign(b) b2 − 4ac) . (3.4.5) x1 = 2a Drugo rjeˇenje dobije iz Vi`teove formule s e c x1 · x2 = , a uz prethodno izraˇunato rjeˇenje x1 c s x2 = c −2c √ , = a · x1 b + sign(b) b2 − 4ac (3.4.6)

c pri ˇemu se obje formule u (3.4.6) mogu koristiti. Formula c/(a · x1 ) je vrlo toˇna, c c s c tj. ako se x1 izraˇuna s relativnom greˇkom εx1 , tada se x2 izraˇuna s relativnom greˇkom ne ve´om od εx1 + 2u. Druga formula za x2 u (3.4.6) je direktnija jer koristi s c samo koeficijente kvadratne jednadˇbe, ali zato ima neˇto viˇe operacija od prve. z s s Ocjena greˇke za x2 po toj formuli bit ´e jednaka ocjeni greˇke za x1 po formuli s c s (3.4.5). Stoga se moˇemo posvetiti prouˇavanju toˇnosti formule (3.4.5) za x1 . z c c Naˇalost, postoji mnogo opasniji izvor kra´enja, onaj u izrazu b2 −4ac. Toˇnost z c c 2 c se gubi ako je b ≈ 4ac (sluˇaj bliskih korijena) i nikakva algebarska transformacija ne´e izbje´i kra´enje. Jedini naˇin da se garantira toˇno izraˇunata diskriminanta c c c c c c je koriˇtenje pove´ane preciznosti (ili trikova u postoje´oj aritmetici koji su ekvivas c c lentni u rezultatu, koriˇtenju dvostruke preciznosti) u izraˇunavanju izraza b2 − 4ac. s c Zbog vaˇnosti koju kvadratna jednadˇba ima u numeriˇkom raˇunanju, cjeloz z c c vitu analizu greˇaka koje nastaju kod traˇenja korijena naˇinit ´emo kad se upozs z c c namo s osnovama analize greˇaka zaokruˇivanja. s z Umjesto zakljuˇka, pokuˇat ´emo ukratko dati upute kako dizajnirati stabilne c s c (tj. toˇne u okruˇenju aritmetike raˇunala) algoritme, te pokuˇati svratiti paˇnju c z c s z na ˇesto prisutna kriva uvjerenja vezana uz raˇunanje na raˇunalima. Neke od c c c tvrdnji koje ´emo sada susresti obrazloˇit ´emo u sljede´im poglavljima jer se tiˇu c z c c c specijalnih podruˇja numeriˇke matematike. c c

c . To znaˇi da nije povoljno cijepati sloˇenije formule u viˇe proc z s gramskih linija koriˇtenjem pomo´nih varijabla. z s S vremenom se nakupilo podosta krivih uvjerenja u vezi raˇunanja na raˇuc c nalima. z c c 4. . Koristite samo dobro uvjetovane transformacije za dobivanje rjeˇenja. Poduzmite mjere opreza da biste sprijeˇili mogu´a prekoraˇenja granice konac c c ˇne aritmetike (overflow i underflow). po stabilnost c c vaˇnih. 1. broj raˇunskih operacija. Kratki raˇun bez kra´enja i bez prekoraˇenja granica (underflow i overflow) c c c uvijek mora dati toˇan rezultat (vidjeti [5]). c s 2. ako se mala korekcija moˇe izraˇunati na dovoljan broj znaˇajnih znamenki z c c (Eulerova metoda. . s c Evo nekih op´ih uputa u redosljedu kako se spominju u [5]: c 1.4. To je c c vaˇno da konaˇni rezultat ne bi bio dobiven opasnim oduzimanjem velikih z c vrijednosti koje nose u sebi greˇke. s 3. Kra´enje pri oduzimanju je uvijek loˇa stvar. veliˇina. c 7. s z 3. s 6. Greˇke zaokruˇivanja mogu “nadvladati” rezultat samo ako ih ima veliki broj. Kod nekih raˇunala centralna aritmetiˇka jedinica koristi precizniju aritmetiku c c za operande u registrima.ˇ ˇ ˇ 3. Pokuˇajte izbje´i oduzmanje veliˇina bliskih vrijednosti koje nose greˇke. c 2. kao ˇto su npr. a zaokruˇivanje nastupa tek kod spremanja podatka z u memoriju. ). te dobra vektorizacija ili pas c ralelizacija (prilagodljivost algoritma vektorskim ili viˇeprocesorskim raˇunalima). s c U tijeku raˇunanja uvijek je dobro imati odredeno pra´enje nekih. . 5. iako s c c s je to katkad nemogu´e. Newtonova metoda. Nabrojimo neka. ali najbolji je savjet spoznaja da je numeriˇka stabilnost vaˇnija od drugih karakteristika alc z goritma. Kod s matrica to znaˇi koristiti ortogonalne matrice kad god je to mogu´e. Kako dizajnirati stabilne algoritme Nema jednostavnog recepta za dizajniranje stabilnih algoritama. Potraˇite drugaˇije formulacije istog problema ili druge formule za isti raˇun. Minimizirajte veliˇinu medurezultata u odnosu na konaˇni rezultat. Ako se u tijeku raˇunanja pamti i aˇurira najve´i po modulu broj z c c z c on moˇe biti indikacija ˇto se dogada s algoritmom. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 123 3. Koristite prednosti jednostavnih formula za aˇuriranje tipa z nova vrijednost = stara vrijednost + mala korekcija.7. jer neorc c togonalne matrice mogu biti loˇe uvjetovane.

stupnja polinoma. Osnove analize greˇaka zaokruˇivanja s z U ovom dijelu.5. 2−52 .2) To znaˇi. moramo osigurati s z z s c koriˇtenje raˇunanja u proˇirenoj toˇnosti. maksimalna vrijednost od n ´e biti c 217 = 131072. Greˇke zaokruˇivanja mogu samo pogorˇati. Ako ˇelimo raditi s joˇ ve´im dimenzijama. greˇke se ne mogu pokratiti. broja sumanada u konaˇnoj sumi. (3. ali ne i pomo´i u uspjehu raˇunas z s c c nja.5. s 6. Izlazni rezultat kod nekog algoritma ne moˇe biti toˇniji od bilo kojeg medurez c zultata. ako radimo u jednostrukoj preciznosti i koristimo bilo koji naˇin zaokruˇic c z vanja. tada c c ´emo pretpostaviti da vrijedi c u∈P =⇒ nu ≤ 2−6 . 3.. ili broja faktora u konaˇnom produktu i sl. 10−12 ). Konaˇno. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 124 4. 5. Ovdje je tipiˇni primjer metoda inverznih iteracija za raˇunanje vlastitih c c vektora matrice (vidjeti [9. Ako koristimo standardni naˇin zaokruˇivanja do najbliˇeg. mo´an alat za analiziranje pa zato i dizajs c niranje numeriˇkih algoritama. dozvoljavamo c z z n ≤ 262144.037 · 10 . pozabavit ´emo se osnovnim alatom za analiziranje stabilnosti c numeriˇkih algoritama. (3.1) Ako je n cijeli broj koji ima ulogu dimenzije vektora ili matrice. Pove´anje preciznosti aritmetike koja se koristi uvijek pove´ava toˇnost rezulc c c tata (vidjeti [5]). tada u skup P moˇemo ubaciti i neke negativne potencije od c z 10 (npr.5.ˇ ˇ ˇ 3. n najviˇe moˇe biti 1. za n dozvoljavamo gornju c 46 13 s c z granicu 2 ≈ 7. tj. Analiza greˇaka zaokruˇivanja je zajedno sa perturbacijc s z skom analizom problema koji se rjeˇava. . 2−63 }. ako u razmatranje ˇelimo s c s c c z ukljuˇiti i kalkulatore. 2−24 .40737488355328 · 1014 . 5]). 2−53 . U tom sluˇaju. a ako joˇ koristimo standardni naˇin zaokruˇivanja. jer kalkulatori koriste decimalnu aritmetiku. c Oznaˇimpo sa P skup negativnih potencija broja 2 koje ulaze u definiciju prec ciznosti aritmetike raˇunala po IEEE standardu: c P = {2−23 . Sljede´a “tehniˇka” lema ˇesto ´e se koristiti u ocjenjivanju greˇaka zaokruˇivac c c c s z nja. Ako ˇelimo joˇ ve´i n. pretpostavka je da ´emo koristiti dvostruz s c c ku preciznost (IEEE dvostruki format).

008nu. (vi) (1 + ε)−n = 1 + εn . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 125 Lema 3.ˇ ˇ ˇ 3. (vii) (1 + ε) 2 = 1 + ε√ . (v) (1 + ε)n = 1 + εn . |ε3| ≤ 3. (ii) (1 + ε)3 = 1 + ε3 . (iii) Zbog |ε| < 1.008nu. |ε1| ≤ 1. (iv) (1 + ε)−2 = 1 + ε2 . ≤ nu 1 + ≤ nu 1 + = −6 (n−2)u 382 1 − 23 1− 3 1 Joˇ treba iskoristiti da je s .2). Ako je |ε| ≤ u. pa je c |ε3 | ≤ (3 + 3 · 2−23 + 2−46 )u ≤ 3. |ε√ | ≤ 0.00000012u. (ii) Sliˇno.00000012u.00000012u. tada vrijedi (i) (1 + ε)2 = 1 + ε2 .00000036u. |εn | ≤ 1. imamo |ε| 1 1 =1+ ≤ 1 + (1 − 2−23 )−1 u ≤ 1. |ε2| ≤ 2.00000035762793.5.008nu. (iii) (1 + ε)−1 = 1 + ε1 . (v) Razvoj binoma na n-tu potenciju daje |εn | = n ε 1 + (n − 1)(n − 2) 2 n−1 1 ε+ ε + · · · + εn−2 + εn−1 2 2·3 n −6 2 3 n−2 n−2 2 n−2 u+ u + u +··· ≤ nu 1 + 1+ 2 3 3 3 2−7 2−7 385 nu ≤ 1.500000015 u.1 Neka u ∈ P i n zadovoljavaju uvjet (3. |ε2| ≤ 2. (1 + ε)3 = 1 + ε(3 + 3ε + ε2 ). 2 + 3|ε| + 4|ε|2 + 5|ε|3 + · · · ≤ 2.00000036u. ≤ 1+ε 1 − |ε| 1 − |ε| (iv) Koriˇtenjem Taylorovog razvoja s (1 + t)−2 = 1 + 2t + 3t2 + · · · ktk−1 + · · · . odmah slijedi (1 + ε)−2 = 1 + ε(2 + 3ε + 4ε2 + · · ·).00000036u.00000012u. Dokaz. |εn | ≤ 1.5. (i) Zbog (1 + ε)2 = 1 + ε(2 + ε) je |ε2 | = |2 + ε| · |ε| ≤ (2 + 2−23 )u ≤ 2.500000015 |ε| ≤ 0.

S √ kolikom relativnom greˇkom ´e raˇunalo koje koristi IEEE standard s c c izraˇunati z = x2 + y 2 ? c Da bismo rijeˇili problem. (vii) Ako su η i η√ povezani relacijom 1 + η = 1 + η√ .5. Time je dokaz lemme 3.5.007854. imamo |εn | = n ε 1 + n−1 (n − 1)(n − 2) 2 1 n−1 n−2 ε + ε +···+ε + ε 2 2·3 n −6 2 2 α n−2 n−2 ≤ nαu 1 + 1+ αu + αu + · · · 2 3 3 2−7 α ≤ nαu 1 + .1 zavrˇen. |y|} ≥ Nmin .5.3) 1+η−1= √ η . Kako je. s Za prvi dojam o korisnosti leme 3. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 126 (vi) Dokaz je posve analogan prethodnom. tako da vrijedi x = f (x) c i y = f (y).00000012.1. Kako je α 1+ dokaz je gotov.500000015|η| ≤ 0. pretpostavimo prvo da je s f (x2 ) + f (y 2 ) < Nmax i min{|x|.ˇ ˇ ˇ 3. ≤ 0. 1 − (n−2) αu 3 gdje je α = 1. (1 + ε)−n = (1 + ε )n = 1 + εn . tada je η√ = pa je |η√ | ≤ |η| 1 − |η| + 1 ≤√ |η| |η| ≤√ 1−u+1 1 − 2−23 + 1 (3.1 Neka su x i y reprezentabilni u raˇunalu.500000015u. s c Primjer 3. 1+η+1 2−7 α −6 1− 2 3α < 1. rijeˇimo sljede´i problem.5. zbog (iii). .

te za svako i.ˇ ˇ ˇ 3. |ε1 | ≤ u y2 = y ⊗ y = f (y 2 ) = y 2(1 + ε2 ). moˇemo pisati z x2 = x ⊗ x = f (x2 ) = x2 (1 + ε1 ). To opet znaˇi da vrijedi |ε5 | ≤ max{|ε1|. Ocijenimo prvo ε5 . . |ε2 |} ≤ u. Umjesto f (f (x2 ) + f (y 2)) = f (x2 ) ⊕ f (y 2). |ε2| ≤ u. |ε3 | ≤ u √ √ z = f ( z2 ) = z2 (1 + ε4 ). Poveˇimo sve te jednadˇbe: z z √ z = (1 + ε4 ) z2 = (1 + ε4 ) (x2 + y2 )(1 + ε3 ) √ = (1 + ε4 ) 1 + ε3 x2 (1 + ε1 ) + y 2 (1 + ε2 ) √ x2 ε1 + y 2ε2 = (1 + ε4 ) 1 + ε3 x2 + y 2 1 + x2 + y 2 √ √ = (1 + ε4 ) 1 + ε3 1 + ε5 x2 + y 2 . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 127 Tada. pa se nalazi u zatvorenom intervalu [ε1 . |ε4| ≤ u. Sada imamo. |εz | = |(1 + ε4 ) (1 + ε3 )(1 + ε5 ) − 1| ≤ (1 + u) (1 + u)(1 + u) − 1 ≤ (1 + u)(1 + u) − 1 ≤ (2 + u)u ≤ 2. ε2 ] c (ili [ε2 .00000012u. 1 suma α1 x1 + α2 x2 + · · · + αk xk je konveksna ako vrijedi i αi = 1. x2 + y 2 1 + εz = (1 + ε4 ) (1 + ε3 )(1 + ε5 ). Sada imamo c s z2 = f (x2 + y2 ) = (x2 + y2 )(1 + ε3 ). Kako je x2 ε1 + y 2 ε2 x2 y2 = 2 ε1 + 2 ε2 . = pri ˇemu je c ε5 = x2 ε1 + y 2 ε2 . 0 ≤ αi ≤ 1. x2 + y 2 (1 + εz ). kra´e piˇemo f (x2 + y 2). x2 + y 2 x + y2 x + y2 ε5 je konveksna suma1 brojeva ε1 i ε2 . ε1] ako je ε2 < ε1 ).

sluˇaj prekoraˇenja ´e biti dojavljen2. Nadalje. c sc s .3. |y|}. z5 = f (µ · z4 ) = (µ · z4 )(1 + ε5 ). U ovom sluˇaju je prekoraˇenje mogu´e tek ako je c c c µ ≤ Nmax < µ 1 + ν µ 2 ≤ √ 2µ. ν = min{|x|. Zamislimo da se koristila egzaktna (joˇ s z s kaˇemo i beskonaˇna) aritmetika. s s Da bismo pokazali druge mogu´nosti. relac s c tivne greˇke koje sadrˇe svi medurezultati. Naˇinimo uz te pretpostavke analizu greˇaka zaokruˇivanja za c c s z taj drugi algoritam.ˇ ˇ ˇ 3. postoji mogu´nost c da programer ugradi u kˆd programa grananje koje u sluˇaju prekoraˇenja nastavlja o c c s raˇunanjem po formuli (vidi primjer 3. η3 z c c s i η4 u redosljedu kako su napisane. √ √ z4 = f ( z3 ) = z3 (1 + ε4 ). 1 ≤ i ≤ 5. z1 = f ν ν = (1 + ε1 ). Kod s c c c najnovijih prevodioca (npr. imamo 2 w2 (1 + η2 ) = [w1 (1 + η1 )]2 (1 + ε2 ) = w1 (1 + η1 )2 (1 + ε2 ). z3 = f (1 + z2 ) = (1 + z2 )(1 + ε3 ). Ako piˇemo zi = wi (1 + ηi ). Pretpostavimo da to nije sluˇaj kao i da ne´e do´i do potkoraˇenja medurezultata (o c c c c tome ´emo kasnije). 2 2 z2 = f (z1 ) = (z1 )(1 + ε2 ). Do ocjene za |η5 | moˇemo do´i ocjenjuju´i greˇke η1 . za programski jezik FORTRAN 90). Tada bismo umjesto vrijednosti zi dobili neke z c s druge vrijednosti. |ε3 | ≤ u. S obzirom da je η1 = ε1 . Postupak moˇemo nastaviti kao i prije poˇevˇi “od kraja”: z c s z5 = (µ · z4 )(1 + ε5 ) = µ · Pokuˇajte zavrˇiti taj postupak. z=f µ 1+ ν µ 2 .3) c µ = max{|x|. tada trebamo ocijeniti η5 . |ε4 | ≤ u. nazovimo ih sa wi . Ova formula je sigurna jer nam podaci x = f (x) i y = f (y) ukazuju da su µ i ν reprezentabilni brojevi. 1 ≤ i ≤ 5. |y|}. c Da bi analiza bila jasnija uvest ´emo niz pomo´nih varijabli zi ˇije vrijednosti c c su reprezentabilni brojevi. ocijenimo. krenuvˇi “od poˇetka”. |ε5 | ≤ u. imamo |η1 | ≤ u. 2 (1 + z2 )(1 + ε3 )(1 + ε4 )(1 + ε5 ) = · · · Najˇeˇ´e tako da se program prekida nakon javljanja greˇke. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 128 Kod koriˇtenja IEEE aritmetike. η2 . µ µ |ε1 | ≤ u. |ε2 | ≤ u.

w2 η2 (1 + ε3 ). ≤ 1+ 1 + 1 − 4. To je dosta vaˇno kako bi se izbjeglo prekoraˇenje i prekid rada f ( x +y z c raˇunala ili mogu´a relativna netoˇnost ako je rezultat mali broj. dobivamo c 1 + η4 = pa je |η4 | ≤ | 1 + η3 (1 + ε4 ) − 1| 4. c c c Ostalo je joˇ promotriti ˇto se dogada ako su x ili y takvi da ili x2 ili y 2 s s √ potkoraˇuje. y) pridruˇuje s z √ 2 2 ). vrijedi 2 2 |η2 | = |(1 + η1 )2 (1 + ε2 ) − 1| = |ε2 + 2η1 + η1 + ε2 (2η1 + η1 )| ≤ u + 2u + u2 + u(2u + u2 ) = 3u + 3u2 + u3 = (3 + 3u + u2 )u ≤ 3. ako z postaje nula. Koriˇtenjem sofisticiranije formule.00000036(1 + u)]u ≤ 4. Ako samo x (y ) potkoraˇuje u nulu ili subnormalni broj.ˇ ˇ ˇ 3.0000012u.00000072 · 2−23 Konaˇno. rezultat ´e imati 1 + η3 (1 − ε4 ). dobivamo i rezuls s tat koji je generalno neˇto netoˇniji (iako se joˇ uvijek radi o greˇci u zadnjoj sis c s s gurnoj decimali kad se egzaktni rezultat smjesti u raˇunalo). . 1 + w2 Piˇu´i s c z4 = √ z3 (1 + ε4 ) = w3 (1 + η3 )(1 + ε4 ) = w4 1 + η3 (1 + ε4 ). koja zahtijeva viˇe instrukcija.0000012u. Sljede´a jednadˇba c z z3 = (1 + z2 )(1 + ε3 ) = [1 + w2 (1 + η2 )](1 + ε3 ) = (1 + w2 ) 1 + zbog w2 ≥ 0. i koriste´i relaciju (3. dobitak je c u proˇirenju domene funkcije koja paru reprezentabilnih brojeva (x.000000837u.5.3).00000036u. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 129 2 a kako je w2 = w1 . Medutim. daje |η3 | = w2 w2 η2 + ε3 + η2 ε3 ≤ |ε3 | + |η2 | + |ε3η2 | 1 + w2 1 + w2 ≤ [1 + 3. c 1 + η5 = (1 + η4 )(1 + ε5 ). pa je |η5 | ≤ |η4 | + |ε5 | + |η4 ε5 | ≤ 4.00000072u √ (1 + u) − 1 ≤ 3. ili ako x2 + y 2 padne u podruˇje subnormalnih c c 2 2 c c brojeva.

kad prijeti potkoraˇenje ili postupno potkoraˇenje. direktna formula ne´e dati c c c ˇ c toˇan rezultat. Sto ´e dati druga kompliciranija formula? c Ako je |µ| ≥ Nmin . Ako izraˇunati f (x2 + y 2 ) padne u s c c 2 2 podruˇje subnormalnih brojeva. Jedini lijek je da se ulazni podaci x i y. ali ´e ona i dalje ostati s velika. da je i |εx εy | manje od u i taj ˇlan moˇemo zanemariti. s Za operaciju mnoˇenja vrijedi z f (ˆ · y ) = (ˆ · y )(1 + ε× ) = xy(1 + εx )(1 + εy )(1 + ε× ) x ˆ x ˆ = xy(1 + εx + εy + εx εy + ε× + α). uz skretnicu koja u sluˇaju izuzetne situacije vodi kontrolu na kompliciraniji c algoritam. respektivno. tada je najbolje koristiti jednostavniji algoritam. tada ´e se f (µ 1 + (ν/µ)2 ) izraˇunati s malom relativnom c c greˇkom (kako je gore izraˇunato) bez obzira na to je li ν subnormalan broj ili ne. subnormalna i kod smjeˇtanja brojeva u raˇunalo doˇlo je do gubljenja relativne toˇnosti. Zakljuˇujemo da se relativna c z c greˇka kod mnoˇenja propagira tako da se zbroju relativnih greˇaka faktora s z s .5. skaliraju potencijom od 2 tako da µ ne bude subnormalni broj. Oni aproksimiraju toˇne podatke x i y s relativnim c c greˇkama εx i εy . takoder. s c Ako je pak µ subnormalan broj.1. Potkoraˇenje obaju brojeva u nulu ´e dati maksimalnu relativnu greˇku −1. Nakon c raˇunanja. z treba skalirati inverznom (negativnom) potencijom broja 2. tada su oba polazna broja. Pretpostavit ´emo da su c s c ˆ x = x(1 + εx ) i y = y(1 + εy ) ˆ podaci spremljeni u raˇunalo.ˇ ˇ ˇ 3. ne ve´u od nekoliko u. Propagiranje greˇaka zaokruˇivanja s z Promotrimo prvo kako jedna raˇunska operacija na raˇunalu pove´ava posc c c toje´e greˇke u podacima. Ako su |εx | i |εy | tako mali. c U zakljuˇku moˇemo re´i da kompliciraniju formulu treba koristiti ako u proc z c gramskom jeziku nije implementirano signaliziranje da je doˇlo do izuzetne situacije. prije s c uˇitavanja. Pritom je |ε× | ≤ u i |α| = |(εx + εy + εx εy )ε× | ≈ |(εx + εy )ε× | ≤ u(|εx | + |εx |) po pretpostavci manje od u pa nas dalje ne zanima. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 130 malu relativnu greˇku. tada ´e f (x + y ) moˇda nositi veliku relativnu c c z c s z c greˇku. Vadenje korijena ´e tu greˇku pribliˇno prepoloviti. s Ako je signaliziranje implementirano. 3. Tada ´e i s c s c c egzaktni kvocijent ν/µ i izraˇunati kvocijent f (ν/µ) imati ve´u (ili veliku) relativnu c c greˇku pa ´e isto vrijediti i za z. c c s Dakle.

. nova greˇka ε/ ima utjecaj tek na zadnju decimalu binarnog (pogotovo z s decimalnog) prikaza kvocijenta. smatraju´i da je manja od osnovne greˇke zaokruˇivanja u. z s Za dijeljenje imamo f ε2 x ˆ x ˆ x 1 + εx x y = (1 + ε/ ) = (1 + ε/ ) = (1 + εx ) 1 − εy + (1 + ε/ ) y ˆ y ˆ y 1 + εy y 1 + εy ε2 x y 1 + εx − εy − εx εy + + ε/ + β . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 131 pridoda greˇka nastala mnoˇenjem. ako εx i εy c da je relativna greˇka dominirana ˇlanom εx −εy −εx εy + s c 1 + εy ε2 y nisu skoro jednaki. Kod aditivnih operacija imamo f (ˆ ± y ) = (ˆ ± y )(1 + ε± ) = (x(1 + εx ) ± y(1 + εy ))(1 + ε± ) x ˆ x ˆ = x ± y + xεx ± yεy + xε± ± yε± + xεx ε± ± yεy ε± x y (εx + ε± + εx ε± ) ± (εy + ε± + εy ε± ) . = (x ± y) 1 + x±y x±y Ako piˇemo s f (x ± y) = (x ± y)(1 + εs ).ˇ ˇ ˇ 3. moˇe εx εy utjecati na ukupnu greˇku. Vidimo c c s z ε2 y . tada je εs relativna greˇka u f (x ± y) kao aproksimaciji za x ± y. s Neka su x i y takvi da je x ± y = sign(x)(|x| + |y|). sign(x) = sign(y). Veliˇinu c β = εx − εy − εx εy + (1 + εx ) ε2 εx ε2 y y ε/ + 1 + εy 1 + εy ´emo zanemariti. Kao i kod 1 + εy mnoˇenja. Tek ako su εx i εy pribliˇno istih modula i s z z suprotnih predznaka. moˇemo zanemariti ˇlanove viˇeg reda εx εy i z c s . To ´e vrijediti ako je c ±=+ i ili ako je ±=− i sign(x) = − sign(y). pri ˇemu. = y 1 + εy pritom je |ε/ | ≤ u.

potreban je ogroman broj operacija tih vrsta da bi greˇka u “zadnjem s s c medurezultatu” bitnije narasla. Finije razs c s matranje koristit ´e relaciju (3. Ako su b1 i b2 c c brojevi reda veliˇine jedan.ˇ ˇ ˇ 3. Medutim joˇ nismo razmatrali preostali sluˇaj.4) koja pokazuje da se εx mnoˇi s |x|/(|x| + |y|) c z z |y| i |εx | |εy |. b1 = |x| − |y| |x| − |y| Taj fenomen smo ve´ upoznali kao opasno/katastrofalno “kra´enje”. |εy |} + u. onda ne´e do´i do opasnog kra´enja.5. |εy |} + |ε± |(1 + max{|εx |.5. c c c c |x| |y| (εx + ε± + εx ε± ) − (εy + ε± + εy ε± ).4).4) konveksna suma realnih brojeva εx + ε± + εx ε± i εy + ε± + εy ε± . koji ´e vrijediti ako je c ±=+ i ili ako je ±=− i Umjesto relacije (3. tada ´e |εs | biti c dok se εy mnoˇi s |y|/(|x| + |y|). Stoga je |εs | ≤ max{|εx + ε± + εx ε± |. pa je εs izmedu tih brojeva.5. |εy + ε± + εy ε± |} ≤ max{|εx |. |εy |}) ≈ max{|εx |. Ako je npr.5.5) pa na relativnu greˇku rezultata utjeˇu obje “donesene” greˇke εx i εy . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 132 Tada je εs = = x y (εx + ε± + εx ε± ) ± (εy + ε± + εy ε± ) x±y x±y |y| |x| (εx + ε± + εx ε± ) + (εy + ε± + εy ε± ) |x| + |y| |x| + |y| (3. sign(x) = − sign(y). x ± y = sign(x)(|x| − |y|). imat ´emo c εs = Ako je |x| ≈ |y| greˇke εx + ε± + εx ε± i εy + ε± + εy ε± mnoˇit ´e se s potencijalno vrlo velikim s z c brojevima |x| |y| odnosno b2 = − . .5.6) sign(x) = sign(y). s Kod svih dosadaˇnjih sluˇajeva relativna greˇka u rezultatu nije bitno ve´a s c s c od relativnih greˇaka u polaznim podacima. |x| − |y| |x| − |y| (3. (3. |x| blizu manje greˇke |εx |. Ako polazimo od toˇnih polaznih s c podataka.

pa moˇemo tek birati izmedu algoriatma koji ´e dati katastrofalno kra´enje z c c u jednoj ili nekoliko operacija. .7) . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 133 U zakljuˇku moˇemo re´i da su operacije mnoˇenja i dijeljenja. tada vrijedi pravilo: ˇto s c s c s jaˇe kra´enje u operandima. Promotrimo sada akumulaciju greˇaka kod raˇunanja produkta i sume n s c brojeva. . . Dokaz. to je ve´a relativna greˇka u rezultatu. (3. sljede´i iteracije algoritma za mnoc c ˇenje brojeva x1 x2 · · · xn u redoslijedu kako je napisano. ili algoritama koji ´e postupno.008(n − 1)u.2.3. 1 ≤ i ≤ n i neka je | f (x1 · x2 · · · xi )| ≤ Nmax . Mnoˇe´i lijeve i desne strane svih jednakosti. .4). dobit ´emo. . Tada je f (x1 · · · xn ) = (x1 · · · xn )(1 + ε). |ε| ≤ 1. Definiramo li 1 + ε = (1 + ε2 )(1 + ε3 ) · · · (1 + εn ). 1 ≤ i ≤ n. z s imat ´emo c z1 = x1 z2 = f (z1 · x2 ) = (z1 · x2 )(1 + ε2 ) z3 = f (z2 · x3 ) = (z2 · x3 )(1 + ε3 ) . Ako je doˇlo do kra´enja. koriˇtenjem relacije (3.5. Ako definiramo pomo´ne varijable zi .5.5. te zbrajanja c z c z sumanada istog predznaka “dobre” operacije koje ne´e bitnije pogorˇati relativnu c s pogreˇku operanada. kao i kod osnovnih vektorskih i matriˇnih operacija. c 3. Stabilnost produkta od n brojeva Za produkt brojeva vrijedi Lema 3. dobivamo (1 − |ε2 |)(1 − |ε3 |) · · · (1 − |εn |) − 1 ≤ ε ≤ (1 + |ε2|)(1 + |ε3 |) · · · (1 + |εn |) − 1. c kratiti medurezultate kroz mnogo aditivnih operacija.ˇ ˇ ˇ 3. zn = x1 · · · xn (1 + ε2 )(1 + ε3 ) · · · (1 + εn ). nakon kra´enja pomo´nih z c c c c varijabli.2 Neka je xi = f (xi ). jedva primjetno. c c c s Koji puta je kra´enje neizbjeˇno zbog naravi problema (loˇe uvjetovani proc z s blemi). zn−1 = f (zn−2 xn−1 ) = (zn−2 xn−1 )(1 + εn−1) zn = f (zn−1 xn ) = (zn−1 xn )(1 + εn ). dok za operaciju oduzimanja brojeva istog predznaka to vrijedi s tek ako nije doˇlo do kra´enja.

|ε| ≤ (n − 1)u + O(u2 ). Npr. Formalno. a uz zaokruˇivanje prema najbliˇem moˇe c c c z z z se oˇekivati barem 13 toˇnih znaˇajnih znamenaka (to ´e biti jasnije nakon odjeljka c c c c o sumiranju). Iz dokaza leme vidimo da rezultat moˇemo zapisati u z obliku f (x1 · · · xn ) = x1 [x2 (1 + ε2 )][x3 (1 + ε3 )] · · · [xn (1 + εn )]. Medutim.5. 2 ≤ i ≤ n. vidimo da je algoritam mnoˇenja n brojeva savrˇeno stabilan unazad. umnoˇak milijun brojeva raˇunan u dvostrukoj toˇnosti. c c c a zatim ih egzaktno pomnoˇimo! z Iz relacije (3. Iz dokaza slijedi da ocjena vrijedi za proizvoljan poredak faktora (svaki algoritam koji u nekom poretku mnoˇi faktore) ako svi parcijalni produkti ne prekoraˇuju z c (tj.1(v) uzimanjem ε = u. Izraˇunati z s c produkt je jednako toˇan kao kad polazne brojeve koji nisu BPZ uˇitamo u raˇunalo. zakljuˇujemo da je c |ε| ≤ (1 + u)n−1 − 1 ≤ 1.5. pa ´e ukupna greˇka c c s (1 + ε2 )(1 + ε3 ) · · · (1 + εn ) − 1 ≈ ε2 + ε3 + · · · + εn biti joˇ manja. ako se taj rezultat koristi kao dio analize nekog sloˇenijeg izraza ili c .008(n − 1)u. Zadnja nejednakost slijedi iz leme 3. pa se iskaz leme joˇ zapisuje u obliku s f (x1 · · · xn ) = (x1 · · · xn )(1 + ε).ˇ ˇ ˇ 3.2 pokazuje da je svaki algoritam koji uzastopce mnoˇi z brojeve stabilan unaprijed. Ako se koristi naˇin zaokruˇivanja prema najbliˇem. lema 3. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 134 Kako je 1 − (1 − |ε2|)(1 − |ε3|) · · · (1 − |εn |) ≤ (1 + |ε2 |)(1 + |ε3|) · · · (1 + |εn |) − 1.5. c Ovaj rezultat pokazuje da mnoˇenje viˇe faktora sporo akumulira relativnu z s greˇku u rezultatu.7) slijedi ε = (1 + ε2 )(1 + ε3 ) · · · (1 + εn ) − 1 = ε2 + ε3 + · · · + εn + = ε2 + ε3 + · · · + εn + O(u ).8) 2≤i<k≤n 2 εi εk + · · · + ε2 ε3 · · · εn Prednost takvog zapisa je u tome ˇto daje najmanju mogu´u konstantu uz linearni s c z ˇlan u. |εi| ≤ u. za pomo´ne varijable vrijedi zk ≤ Nmax ). (3. Ako interpretiramo faktore xi (1 + εi ) kao malo perturbirane polazne podatke xi . greˇke εi s c z z s iz dokaza ´e biti i pozitivne i negativne.5. imat s z c c ´e barem 10 toˇnih znaˇajnih znamenaka.

GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 135 algoritma. postoje dvije neugodnosti.5. ako u nejednakosti postoji ˇlan oblika c 2 2 O(u ). c pa je 1 + δi > 0 za sve 1 ≤ i ≤ n.5. c Pretpostavimo da tvrdnja leme vrijedi za neko n ≥ 1.10) Dokaz. Ako su svi |δi | ≤ u. .7) javlja se produkt faktora koji su oblika 1+εk . Iz pretpostavke z (n + 1)u < 1 |δ1 | u . produkt na lijevoj strani relacije (3. . onda vrijedi n (1 + δi )pi = 1 + θn .5. viˇe nemamo ˇistu ocjenu ve´ tek ocjenu “do na veliˇinu reda u ”. To znaˇi da je nu < 1. Neka su za i = 1. Prema tome. 1 + δ1 1 + δ1 S obzirom da je 1 + δ1 ≥ 1 − u > 0. onda je θ1 = δ1 .5. ≤ 1 + δ1 1−u . 1}. s Jedan koristan pomo´ni rezultat c U formuli (3.3 Neka je u > 0 realni broj i n cijeli pozitivni broj takav da vrijedi nu < 1. δi realni brojevi.9) uz ocjenu |θn | ≤ γn := nu . pa je θn dobro definiran i zadovoljava ocjenu (3. viˇe c nismo sigurni je li postao O(u) ili moˇda ˇak O(1). 1 − nu (3. i pi ∈ {−1. .9) je pozitivan. z c s Stoga se oblik (3. Drugo.5. Za n = 1 vrijedi u < 1.5.5. pa je svrha analize naruˇena. 1 + θ1 = 1 + δ1 pa je 1 δ1 θ1 = −1=− .8) uglavnom koristi kod jednostavnijih izraza u svrhu dobivanja ˇto povoljnije konstante uz u. z z z c Lema 3. Dokaz se provodi indukcijom po n. pa je u . i=1 (3. Ako je p1 = 1. Pokaˇimo da tvrdnja leme vrijedi za n + 1. Za ocjenjivanje izraza koji sadrˇe samo mnoˇenja i dijeljenja moˇemo koristiti sljede´u lemu. . n. onda je 1 .10). |θ1 | ≤ u ≤ 1−u Ako je p1 = −1.ˇ ˇ ˇ 3. s c c c z s ako se u kasnijoj analizi ˇlan O(u2 ) mnoˇi s potencijalno velikim brojevima. Prvo. dobivamo |θ1 | = ˇime je lema dokazana za n = 1.

5.10). s Brojevi γn . 1 + δn+1 1 + δn+1 |θn | + |δn+1 | .ˇ ˇ ˇ 3. Za pn+1 = 1 dobivamo θn+1 = θn + δn+1 + θn δn+1 . Takoder. pa je 1 + θn+1 = n i=1 (1 + δi )pi · (1 + δn+1 )pn+1 = (1 + θn )(1 + δn+1 )pn+1 . 1 ≤ i ≤ n + 1 slijedi nu < 1 i |δi | ≤ u. lako slijedi nu +u (n + 1)u − nu2 (n + 1)u |θn+1 | ≤ 1 − nu = .5.3 na relaciju (3.5.11) . < 1−u 1 − (n + 1)u + nu2 1 − (n + 1)u Time je dokaz indukcijom zavrˇen. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 136 i |δi | ≤ u. Zadatak 3. 1 − nu 1 − nu 1 − nu 1 − (n + 1)u 1 + θn θn − δn+1 −1= . n ≥ 1 imaju vrlo praktiˇno svojstvo.1 (i) Dokaˇite nejednakost (3. c γm + γn + γm γn ≤ γm+n . pa je |θn+1 | ≤ nu2 (n + 1)u (n + 1)u nu +u+ = < .9) i ocjenu (3. prouˇimo stabilnost sume brojeva. pa moˇemo koristiti z relaciju (3. 1 ≤ i ≤ n. Je li dobivena konstanta uz u ve´a c ili manja od 1.008? Nakon analize stabilnosti produkta brojeva. 1 + δn+1 Za pn+1 = −1 dobivamo θn+1 = pa je |θn+1 | ≤ Kako je 1 + δn+1 ≥ 1 − u > 0.11). c (3. z (ii) Primijenite lemu 3.5.7).5.5. broj θn+1 je dobro definiran relacijom n+1 1 + θn+1 = i=1 (1 + δi )pi .5.

Tada prethodnu relaciju moˇemo zapisati u obliku z sn = x1 (1 + η1 ) + x2 (1 + η2 ) + · · · + xn (1 + ηn ).5. c s s s3 = f (ˆ2 + x3 ) = (ˆ2 + x3 )(1 + ε2 ) ˆ = x1 (1 + ε1 )(1 + ε2 ) + x2 (1 + ε1 )(1 + ε2 ) + x3 (1 + ε2 ). vrijedi c ˆ s2 = f (x1 + x2 ) = (x1 + x2 )(1 + ε1 ) = x1 (1 + ε1 ) + x2 (1 + ε1 ). Nastavljaju´i na taj naˇin. prema relaciji (3. xi = f (xi ). gdje su svi |εi| ≤ u. (n − i + 1)u. 2 ≤ i ≤ n. c z c s s c |ηi | ≤ 1. dobivamo c c sn = f (ˆn−1 + xn ) = (ˆn−1 + xn )(1 + εn−1 ) ˆ s s = x1 (1 + ε1 )(1 + ε2 ) · · · (1 + εn−1) + x2 (1 + ε1 )(1 + ε2 ) · · · (1 + εn−1 ) + x3 (1 + ε2 ) · · · (1 + εn−1 ) + · · · + xn−1 (1 + εn−2 )(1 + εn−1 ) + xn (1 + εn−1 ). 1 + ηn−1 = (1 + εn−2 )(1 + εn−1 ) 1 + ηn = 1 + εn−1.5. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 137 3. i = 1. ˆ (3. c Oznaˇimo s si izraˇunatu vrijednost si .5. Stabilnost sume sn = x1 + x2 + · · · + xn . pri ˇemu ηi moˇemo ocijeniti pomo´u leme 3. Zadnju relaciju moˇemo pojednostaviti uvodenjem novih variz jabli 1 + η1 = (1 + ε1 )(1 + ε2 ) · · · (1 + εn−1) 1 + η2 = (1 + ε1 )(1 + ε2 ) · · · (1 + εn−1) 1 + η3 = (1 + ε2 ) · · · (1 + εn−1 ) .4).13) . for i := 2 to n do si := si−1 + xi .008 · (n − 1)u.5. kao i prije. ˆ Sliˇno. .12) |ε1 | ≤ u.3. Promotrimo prvo najjednostavniji rekurzivni z c c algoritam: s1 := x1 .5. Suma sn c moˇe se raˇunati na razne naˇine. .ˇ ˇ ˇ 3. 1 ≤ i ≤ n. Neka je pri ˇemu za brojeve xi vrijedi.3 ili joˇ oˇtrije pomo´u leme 3. Tada.1(v). (3.3.

s c Isti zakljuˇak vrijedi kadgod cond(sn ) nije veliki broj. Nejednakost (3. stabilan unaprijed? Da bismo odgovorili na to pitanje oduzmimo od sn egzaktnu sumu sn . moˇemo koristiti bilo koji s (sekvencijalni) redoslijed sumiranja. a to znaˇi da je algoritam stabilan unaprijed. kao ˇto znamo iz odjeljka o uvjetovanosti.12) i (3. Ocjene za relativnu greˇku svakog perturbiranog polaznog s podatka xi (1 + ηi ) su manje od nu.008(n − 1)u. Ocjene ´e nakon odgovaraju´e analize greˇaka c c s zaokruˇivanja biti posve analogne. Je li algoritam. pa je i greˇka unaprijed mala. brojeve 1. Stoga s s s je cond(sn ) broj uvjetovanosti za sn i on. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 138 Relacije (3. ako svi xi imaju isti predznak. onda je cond(sn ) = 1. algoritam nije op´enito c stabilan unaprijed.008(n − 1)u. Kako cond(sn ) moˇe biti proizvoljno s s z velik (uzmimo npr. .5.15) pokazuje kako se ponaˇa relativna greˇka funkcije sn pri relativnim greˇkama njenih argumenata xi .5. s z s za pozitivne xi i η1 = η2 = · · · = ηn .ˇ ˇ ˇ 3. ocijenjena s s ˆ |ˆn − sn | s ≤ cond(sn )1.13) pokazuju da je rekurzivni algoritam za sumiranje brojeva povratno stabilan.14) daje oˇtru ocjenu jer se jednakost dostiˇe npr. −1 i t. Pritom ´e vrijediti relacija (3. z s a sn ne ovisi o redoslijedu sumiranja). takoder. |sn | gdje je (3. Ipak.5. (3. Dakle.5. Tada se postavlja pitanje u kojem redoslijedu treba sumirati da bi relativna greˇka u sn bila ˇto manja? Prvo uoˇimo da je traˇenje najmanje relativne greˇke za s ˆ s c z s taj problem ekvivalentno traˇenju najmanje apsolutne greˇke (jer nju dijelimo sa sn . . pa pustite da t → 0). j2 . umjesto x3 onaj sumand koi se sljede´i dodaje sumi itd.14) ≤ (|x1 | + |x2 | + · · · + |xn |) · 1. jn z za koji je |xj1 η1 + xj2 η2 + · · · + xjn ηn | .12) s tim da z c umjesto x1 i x2 stoje oni sumandi koji se prvi zbrajaju. . ˆ sn − sn = x1 η1 + x2 η2 + · · · + xn ηn ˆ i ocjenjujemo apsolutnu vrijednost razlike |ˆn − sn | ≤ |x1 | |η1| + |x2 | |η2| + · · · + |xn | |ηn | s ≤ max{|ηi|}(|x1 | + |x2 | + · · · + |xn |) i (3.5.16) |x1 + x2 + · · · + xn | Ako na trenutak pretpostavimo da je ηi xi proizvoljna perturbacija od xi za svako i.5. .5. c Katkad su svi ˇlanovi sume istog predznaka i pritom joˇ uredeni u monotoni c s niz. c cond(sn ) = z Umjesto da sumiranje vrˇimo redom od x1 do xn . onda vidimo da formula (3. traˇimo redoslijed indeksa j1 .15) |x1 | + |x2 | + · · · + |xn | .5. povezuje greˇku unaprijed s greˇkom unazad. Stoga je relativna greˇka od sn kao aproksimacije za sn .

. c c pa se u k-tom koraku oni zbroje daju´i sn .2 Ako je n = 2k . spomenimo joˇ jedan koji s daje najmanju ocjenu greˇke. . Problem je teˇak jer greˇke εk koje definiraju svaki ηi mogu biti i pozitivne z s i negativne. 3 ≤ j ≤ n. Pokuˇajte napisati algoritam s za op´i sluˇaj kad n nije potencija od 2. . 10. z2 = x3 + x4 . . Zovemo ga sumiranje po parovima ili kaskadno sumiranje. . . . 14.. . a pribliˇno tolika ´e biti i z k ograda za svaki |ηi | iz relacije (3. sumiramo u smjeru od apsolutno najmanjeg do apsolutno najve´eg ˇlana. Ako je niz |x1 |. .5. w1 = z1 + z2 . . . .12) svaki |ηi | omeden sa 1. z c Algoritam ima pribliˇno log2 (n) glavnih koraka. 9. zm1 = xn−1 + xn . z1 = x1 + x2 . dokaˇite da svaki xi sudjeluje u toˇno k zbrajanja. ako ˇelite saˇuvati vrijednosti polaznog niza u polaznom polju? z c Jedna generalnija analiza sumacijskih metoda i pripadnih greˇaka zaokruˇivas z nja (vidi [5]) daje sljede´u generalnu uputu. |x2 |.. w2 = z3 + z4 . 16.3 Prije primjene zadnjeg algoritma moˇemo sortirati elemente niza z (xi ). c c Kaskadno sumiranje Osim danog jednostavnog algoritma za sumiranje. nakon k − 1 glavnih koraka imamo 2(k−(k−1)) = 2 ˇlana.5. jn daje najbolju ocjenu za |xj1 η1 + · · · + xjn ηn |? Tako dolazimo do jednostavnog pravila. Koju strategiju biste izabrali? Npr. . ali na raˇunalu traˇi cijelo polje dodatnih lokacija u s c z memoriji. Ako je n = 2 . z c pa je u relaciji (3. c Nastavljaju´i na taj naˇin.008ku. c Kod odabiranja sumacijske metode s ciljem dobivanja ˇto toˇnije s c sume sn . |xn | monoton. m1 = n/2 = 2k−1..ˇ ˇ ˇ 3. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 139 najmanje. 13. k ≥ 2 algoritam ima k glavnih koraka.. Koliko prolaza ima glavna petlja kad je n c c jednako 8.. c Koliko zbrajanja prolazi svaki xi ? Koliki je ukupni broj raˇunskih operacija? Koliko c dodatne memorije (dodatnih ´elija za pomo´ne varijable) bi koristili za realizaciju c c algoritma. U prvom zbrajamo u parovima zi = x2i−1 + x2i . 12.12). . 15? Generalizirajte zaljuˇak za n izmedu 2k i 2k+1 . zm1 ..5. m2 = m1 /2 = 2k−2 .5. U drugom ponavljamo istu operaciju nad z1 . y1 = xmin + xmax . c Zadatak 3. Zadatak 3. pa |η1 | moˇe biti manji od bilo kojeg ηj . Stoga moramo zaz htjev malo oslabiti pitanjem koji redoslijed indeksa j1 . j2 . 1 ≤ i ≤ [n/2]. 11. treba izabrati onu koja daje ˇto manje apsolutne vrijednosti s medurezultata. wm2 = zm1 −1 + zm1 .

i kako dalje? Napomena 3.4. ˆ Promotrimo sljede´u ilustraciju. ˇto je mnogo povoljnije od (n − 1)u). c Isplati li se investirati dodatnu memoriju i raˇunsko vrijeme da bismo imali c osigurane bitno manje ograde za svaki ηi . gdje su xmin1 i xmin2 dva najmanja broja. Radi se c o rekurzivnom algoritmu s korektivnim sumandom koji je tako odreden da gotovo poniˇti greˇke zaokruˇivanja.5. uz jasno poznavanje kako koristi brzu memoriju. Ne radi se o ve´em broju zbrajanja. a ako je pritom doˇlo do prekoraˇenja vrijednosti. Prije zbrajanja operanada moderna raˇunala zahvate cijeli blok poc dataka (onih u uzastopnim ´elijama) oko teku´ih operanada u brzu cache memoc c riju. zaokruˇe na t bitova (koliko mantisa z dopuˇta). Ako se binarni algoritam ne programira vrlo precizno. Analiza koja pretpostavlja da su osnovne z greˇke nezavisne sluˇajne varijable s oˇekivanjem nula i konaˇnom standardnom s c c c √ devijacijom. ili y1 = xmin1 + xmin2 . Kompenzirano sumiranje Kompenzirano sumiranje je posebno atraktivno ako ve´ koristimo najprecizniju c aritmetiku u raˇunalu (npr. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 140 i kako dalje. mogao bi zahtijevati daleko ve´i broj dohva´anja c c ˇlanova niza xi nego standardni algoritam. mantisa se normalizira. Malo viˇe svjetla na tu zagonetku baca i statistiˇka analiza osnovnih greˇaka s c s zaokruˇivanja za sumu ε1 + · · · + εn . Zatim se mantise zbroje. dohva´aju se po s c blokovima. Pri zbrajanju u akumulatoru (aritmetiˇkoj jedinici procesora) mantisa manjeg c po modulu broja se prvo pomakne u desno za broj bitova koji odgovara razlici eksponenata brojeva a i b. . s s z Neka su a = f (a) i b = f (b) takvi da je |a| ≥ |b|. Usprkos mnogo ve´im ogradama stvarne greˇke ηi kod stanc c s dardnog algoritma su bitno manje. 3. oˇekivana vrijednost za η1 je s √ c s oko n − 1u. s s c a eksponent podesi.ˇ ˇ ˇ 3. nego o naˇinu c c c c c dohva´anje elemenata polja u raˇunalo kod izvodenja aritmetiˇkih operacija s elec c mentima polja. Ako je elemenata xi previˇe da bi svi stali u brzu memoriju. pokazuje da je oˇekivana vrijednost za njihovu sumu omedena s nu c ˇto je daleko povoljnije od teoretske granice nu (npr.1 Prednost standardnog algoritma prema “binarnom” je i u kra´em trajanju na raˇunalu. koja koristi izduˇene pravokutnike za prikaz manc z tise. dvostruku preciznost podataka i aritmetike). Neka je s = f (a + b).5. nego kod standardnog algoritma? Kod ve´ine aplikacija ne.

1 moˇemo zakljuˇiti da je greˇka e. ˆ s Sljede´i Kahanov algoritam koristi korekciju e u svakom koraku standardnog c rekurzivnog sumacijskog algoritma. za standardni naˇin zaokruˇivanja s ˆ c z u IEEE aritmetici moˇe se pokazati da je z a + b = s + e. z c s e = −[((a + b) − a) − b] = (a − s) + b. koja je mala. s := 0. Nakon ˇto je izraˇunata parcijalna suma si−1 . z := xi + e. s := temp + z.5. ali ne moˇe mijenjati z z c si−1 koja je ve´ najbolja strojna aproksimacija od si−2 + xi−1 . moˇe mijenjati element xi . e := 0. pa korekcija e. ˆ ˆ pa e reprezentira pravu greˇku. e := (temp − s) + z end {vaˇan je redoslijed izvrˇavanja} z s .1 Izvlaˇenje greˇke zaokruˇivanja c s z Iz slike 3.ˇ ˇ ˇ 3. koja se u sljede´em koraku dodaje ˇlanu xi prije c c c njegova dodavanja parcijalnoj sumi si−1 . dobra aproksimacija greˇke (a + b) − s.5. Zapravo. for i := 1 to n do begin temp := s. s c odmah se raˇuna njena korekcija. ˆ ako se izraˇuna na raˇunalu u redoslijedu naznaˇenom zagradama c c c e = (((a ⊕ b) ˆ a) b). Gotovo uvijek je parcijalna suma po modulu ve´a od elementa koji joj se c dodaje. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 141 a +b =s ˆ −a −b a1 a2 b1 b2 a1 a1 a2 + b1 a2 = − b1 b1 0 b2 = −b2 0 = −e Slika 3. Evo algoritma.

moˇemo preuzec s z ti neke dijelove izvoda ocjena greˇaka zaokruˇivanja. y = [y1 .5. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 142 Ova metoda ipak ima dva manja nedostatka. te za svako i parcijalne sume si = x1 y1 + · · · + xi yi. . Zbog sliˇnosti s prijaˇnjim algoritmom za sumiranje n brojeva. e nije nuˇno toˇna korekcija. oznaˇimo c s = sn = xT y = x1 y1 + x2 y2 + · · · + xn yn . xn ]T . Stabilnost skalarnog produkta i osnovnih matriˇnih c operacija Neka su x. . Prvo. .ˇ ˇ ˇ 3. . moˇemo definirati viˇe algoritama za skalarni produkt. x = [x1 . for i := 2 to n do si := si−1 + xi · yi . Da bismo analizirali skalarni produkt vektora x i y. yn ]T . jer ˆ z c uvjet |si−1 | ≥ |xi | (u algoritmu: |temp| ≥ |y|) ne´e uvijek biti zadovoljen. . .5.5. Kao i kod sumacije. . . . y ∈ Rn .12) za kompenziranu sumaciju zadovoljava |ηi | ≤ 2u + O(nu2 ). . . Drugo. moˇe se pokazati da ηi iz c c formule (3. Ipak. sn = f (ˆn−1 + xn yn ) = [ˆn−1 + xn yn (1 + δn )](1 + εn−1) ˆ s s = x1 (1 + δ1 )(1 + ε1 )(1 + ε2 ) · · · (1 + εn−1) + x2 (1 + δ2 )(1 + ε1 )(1 + ε2 ) · · · (1 + εn−1) + x3 (1 + δ3 )(1 + ε2 ) · · · (1 + εn−1 ) + · · · + xn−1 (1 + δn−1 )(1 + εn−2 )(1 + εn−1 ) + xn (1 + δn )(1 + εn−1 ). ˇto je gotovo nedostiˇan rezultat. Tada imamo. c s1 = f (x1 y1 ) = x1 y1 (1 + δ1 ) ˆ s2 = f (ˆ1 + x2 y2 ) = [ˆ1 + x2 y2 (1 + δ2 )](1 + ε1 ) ˆ s s = x1 y1 (1 + δ1 )(1 + ε1 ) + x2 y2 (1 + δ2 )(1 + ε1 ) s3 = x1 y1 (1 + δ1 )(1 + ε1 )(1 + ε2 ) + x2 y2 (1 + δ2 )(1 + ε1 )(1 + ε2 ) ˆ + x3 y3 (1 + δ3 )(1 + ε2 ) . Kao i prije. c z u raˇunalu se raˇuna z := xi ⊕ e a ne z := xi + e. ali ´emo z s c zbog jednostavnosti analizirati samo iterativni algoritam s1 := x1 · y1 . sa si oznaˇimo s z ˆ c izraˇunate vrijednosti. s z 3.

504(n + 1)u za n ≥ 2. . Dakle. . .504n)u ˇto je manje od 0. (3. 2 ≤ i ≤ n. ˆ (3. . s z Izraˇunati skalarni produkt f (xT y) je egzaktan skalarni produkt mac lo perturbiranih vektora x i y. pa je sn = x1 y1 (1 + η1 ) + x2 y2 (1 + η2 ) + · · · + xn yn (1 + ηn ).5. ali i x + δx = [x1 1 + η1 .5. Da bismo dobili ocjenu za greˇku unaprijed. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 143 gdje je |δ1 | ≤ u.17) z c s s c pri ˇemu ηi moˇemo ocijeniti pomo´u leme 3. (3.008nu(1 + u) − 1 ≤ (1 + 0. |x1 y1 | + |x2 y2 | + · · · + |xn yn | |ˆn − sn | s ≤ max{|ηi |} i |sn | |x1 y1 + x2 y2 + · · · + xn yn | ≤ cond(sn )1.1(v) c |ηi | ≤ 1. vrijedi z c f (x2 + · · · + x2 ) = (x2 + · · · + x2 )(1 + ε). . (n − i + 2)u. i = 1. ili joˇ oˇtrije pomo´u leme 3.008nu. |ε · | ≤ √ 1 + 1. S obzirom da je za taj sluˇaj broj uvjetovanosti 1. . zasluˇuje razmatranje.5. takoder. . raˇunanje norme je stabilno (uns c aprijed i unazad).3.5.14). . z x + δx = [x1 (1 + η1 ). . . . Zakljuˇak je isti kao i kod sumiranja: greˇka c s unaprijed moˇe biti velika. yn (1 + ηn )]. . x i y + δy = [y1 (1 + η1 ). z To se dogada kad je |xT y| |x|T |y|.5.ˇ ˇ ˇ 3. xn 1 + ηn ] i y + δy = [y1 1 + η1 . xn (1 + ηn )] i y.19) Vidimo da broj uvjetovanosti cond(sn ) za skalarni produkt moˇe biti po volji velik. koristimo analogne ocjene kao u relaciji s (3. .17) je rezultat analize povratne greˇke koji se moˇe ovako interpretirati. . Ipak on je stabilan z unaprijed kad su svi produkti xi yi istog predznaka (tada je cond(sn ) = 1). c x = x2 + · · · + x2 1 n |ε| ≤ 1.008 · nu. . Algoritam je povratno stabilan. .18) Relacija (3. 1 n 1 n pa se jednostavno dobije f ( x ) = x (1 + ε · ). yn 1 + ηn ]. pa algoritam nije stabilan unaprijed.008nu. .5.5. Kao perturbirane vektore moˇemo uzeti npr. Raˇunanje 2-norme.

x c ∞. pa je raˇunanje vanjskog produkta operacija stabilna unaprijed. stabilno? Za razliku od skalarnog (unutraˇnjeg) produkta. pa vrijedi |E| ≤ u|xy T | = u|A|. Ovdje ˇak x i y ne trebaju biti iste dimenzije. ˆ za sve i. pa je c aij = f (aij ) = aij (1 + εij ). Ako elemente c matrice A oznaˇimo s aij . odnosno. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 144 Zadatak 3. Stoga je ˆ A = f (xy T ) = A + E. x 1 . Razlika izmedu c tipova stabilnosti unutraˇnjeg i vanjskog produkta izraˇava op´i princip: numeriˇki s z c c proces ´e prije biti stabilan unazad (unaprijed) ako ima viˇe (manje) c s ulaznih nego izlaznih podataka. vanjski produkt vektora s A = xy T nije povratno stabilan. onda vrijedi aij = xi xj . ˆ |A − A| ≤ u|A|. j.4 Je li raˇunanje ostalih normi.5. |εij | ≤ u .ˇ ˇ ˇ 3. npr. E = [ εij ] . x p .

Vektor b = [ bi ]i=1 ∈ Rn je vektor desne strane sustava. posebno u numeriˇkoj linearnoj algebri (grana c numeriˇke matematike koja se bavi problemima linearne algebre) je situacija puno c kompliciranija. . a njeni elementi su koeficijenti i. Zaˇto? U numeriˇkoj matematici danas rijeˇiti problem znaˇi biti s c s c u stanju u konkretnoj situaciji sa konkretnim podacima. ili su dane 3 Ovdje elementarna operacija oznaˇava zbrajanje. oduzimanje. . i to samo jedno. . . Sustavi linearnih jednadˇbi z Jedan od osnovnih problema numeriˇke matematike je rjeˇavanje linearnih susc s tava jednadˇbi. . . . . situacija je potpuno jasna: rjeˇenje s −1 s x = A b postoji. . . + · · · + ain xn . c c c U primijenjenoj matematici. . Na primjer. . + · · · + ann xn = b1 = b2 . koriste´i raˇunalo. c z . . . Rjeˇenje x je dano formulom x = A−1 b u kojoj je A−1 ins verzna matrica od A (AA−1 = A−1 A = I). U ovom poglavlju istraˇivat ´emo metode za rjeˇavanje kvadratnih z z c s n × n sustava.j=1 ∈ R n sustava. . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 145 4. an1 x1 + an2 x2 + · · · + anj xj + · · · + a1n xn + · · · + a2n xn . . . ako c c c s su n × n matrica A i vektor b zapisani u nekim datotekama na disku. tj. Treba odrediti vektor nepoznanica x = [ xi ]n ∈ Rn tako da vrijedi Ax = b. . . i znamo jednostavan algoritam koji to rjeˇenje eksplicitno raˇuna koriste´i samo jednostavne aritmetiˇke operacije. = bn n×n Matrica A = [ aij ]n je matrica sustava. . posebno u sluˇaju kada je matrica sustava c kvadratna i regularna. = bi . ai1 x1 + ai2 x2 + · · · + aij xj . za teorijsku matematiku je rjeˇavanje suss tava Ax = b gotovo trivijalan problem. i=1 Kako znamo iz linearne algebre. . z a11 x1 + a12 x2 + · · · + a1j xj a21 x1 + a22 x2 + · · · + a2j xj . Dakle. .ˇ 4. s Osim toga. . . Pri tome postoje eksplicitne formule i za elemente matrice A−1 i za samo rjeˇenje x. brzo c c do´i do dovoljno toˇne numeriˇke aproksimacije rjeˇenja. mnoˇenje ili dijeljenje. svima dobro poznata Gaussova metoda eliminacija dolazi do rjes ˇenja u O(n3 ) elementarnih operacija3 . sustava s n jednadˇbi i n nepoznanica.

Ono po ˇemu su raˇunala poznata je brzina – dobro jednoprocesorsko raˇunalo c c c 9 s c moˇe napraviti npr. s s s U ozbiljnim primjenama treba u procesu projektiranja puno puta rjeˇavati s takve sustave. z c c 4 . s 2. Paˇljivo. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 146 procedure (potprogrami) koji generiraju A i b. svladati algoritme za rjeˇavanje trokutastih sus stava. obraditi primjere i opis Gaussovih eliminacija na primjeˇ ru male dimenzije. i 4. itd. Analizirati i shvatiti sve primjere. Ipak. problem koji je matematiˇki posve jeds c nostavan u praksi moˇe biti puno izazovniji i netrivijalniji. nivo : Prouˇiti i shvatiti barem jedan primjer iz odjeljka 4. z c Ovdje namjerno pojednostavljujemo ocjenu vremena izvrˇavanja. . raˇunalo c c reprezentira brojeve i izvrˇava raˇunske operacije koriste´i fiksni broj znamenki – to s c c znaˇi da se rezultati operacija zaokruˇuju. Koliko onda s s z moˇemo vjerovati izraˇunatom rjeˇenju? z c s 4. ono ˇto je osnovna znaˇajka z moderne numeriˇke matematike je da joj u primjenama dolaze problemi sve ve´ih c c 3 dimenzija.4. svladati u potpunosti. Dakle. o primjeni linearnih c sustava jednadˇbi. uoˇiti vezu izmedu procesa eliminacija i faktorizacije c matrice koeficijenata sustava. svladati u potpunosti. ˇto je viˇe od deset dana.1. . Medutim. Citatelj na ovom nivou treba nauˇiti kako funkcioniraju c Gaussove eliminacije. z U divljenju brzini kojom raˇunalo zbraja. organiziran je u c viˇe nivoa tako da ga mogu ˇitati i poˇetnici i napredniji ˇitatelji. veliˇinu tzv. Vodiˇ kroz ovo poglavlje c Materijal u ovom poglavlju je prije svega namijenjen naprednom studiranju numeriˇke matematike i usvajanju nekih osnovnih principa.3. onda je zadatak izraˇunati numeriˇke c c vrijednosti xi . . 3.3. za n = 105 broj operacija reda veliˇine 1015 pa brzinom od 109 operacija u c sekundi dobivamo vrijeme izvrˇavanja4 oko 106 sekundi. to znaˇi da c je npr. U ovom trenutku vaˇno je dobiti osje´aj za red veliˇine. Sjetimo se. mogu´e je da je svaka od O(n3 ) c z c operacija u Gaussovom algoritmu izvrˇena s greˇkom zaokruˇivanja. 10 operacija u sekundi. Za precizniju procjenu je s potrebno uraˇunati i vrijeme pristupa memoriji i dohva´anje podataka. ˇitati do iskaza teorema. Kako je broj operacija u Gaussovim eliminacijama O(n ). c c c 1. z c z uz papir i olovku. . oduzima ili mnoˇi brojeve ˇesto c z c zaboravljamo da su rezultati tih operacija uglavnom netoˇni. Dakle. nivo : Sekcije 4. Po potrebi se sluˇiti materijalom z iz dodataka ili druge literature. Shvatiti vaˇnost pivotiranja za numeriˇku stabilnost Gaussovih eliminacija. te biti u stanju na ruke rijeˇiti sustave manje dimenzije. nivo : Materijal iz odjeljka 4. Tada je brzina raˇunala samo jedan faktor u razumno (ili dovoljno) c brzom rjeˇavanju linearnog sustava.3. Sljede´i pregled s c c c c bi trebao pomo´i ˇitatelju pri planiranju prouˇavanja ponudenog materijala. cache memoc c c rije.ˇ 4.2. i = 1. Materijal iz odjeljka 4. n.

xn ⎥ ⎢ . . . .2. . . s c 4. Primjeri: Kako nastaje linearni sustav jednadˇbi z U ovom odjeljku dajemo niz primjera problema iz primijenjene matematike ˇije rjeˇavanje je bazirano na sustavima linearnih jednadˇbi. ··· . . Pretpostavljamo i da je xi = xj za i = j. ⎥ i ⎥⎢ . ⎥ ⎢ . a0 + a1 x0 + a2 x2 + · · · + an−1 xn−1 + an xn 0 0 0 n−1 2 a0 + a1 x1 + a2 x1 + · · · + an−1 x1 + an xn 1 . c . tj.2.1 Zadani su parovi toˇaka (xi . Vidimo da svaki uvjet interpolacije daje jednu jednadˇbu u kojoj se nepoznati koz eficijenti pojavljuju linearno. . mogu´e je efikasno odrediti a = V y. .) Ako p(x) prikaˇemo u kanonskom obliku p(x) = a0 + a1 x + a2 x2 + · · · + an xn = n aj xj j=0 onda treba odrediti koeficijente a0 . . . . c s z Primjer 4. an tako da vrijede uvjeti interpolacije p(xi ) = yi . . . tj. . . gdje su yi = f (xi ) c izmjerene (ili na neki drugi naˇin dobivene) vrijednosti funkcije f (x) koju ˇelimo c z aproksimirati polinomom p(x) stupnja n. . .2 ⎥ . z c ⎡ 1 ⎢ ⎢1 ⎢ ⎢ ⎢ ⎢1 ⎢ ⎢ ⎣ x0 x1 xi 1 xn x2 x3 0 0 x2 x3 1 1 ··· x2 x3 i i ··· x2 x3 n n V ··· ··· ··· ··· ··· ··· xn−1 0 xn−1 1 xn−1 i xn−1 n y0 a0 xn 0 ⎥ ⎢ y ⎥ n⎥⎢ a x1 ⎥ ⎢ 1 ⎥ ⎢ 1 ⎥ ⎥⎢ ⎥ ⎢ ⎥ ⎥ ⎢ a2 ⎥ ⎢ y ⎥ ⎥ ⎢ . nivo : Na ovom nivou ˇitatelj bez poteˇko´a ˇita sav materijal i sluˇi se proc s c c z gramima za rjeˇavanje sustava na raˇunalu. (Govorimo o interpolacijskom polinomu. i = 0. ⎥ ⎥⎢ ⎥ ⎢ ⎥ ⎦ ⎣ an−1 ⎦ ⎣ yn−1 ⎦ xn an yn n a y ⎤⎡ ⎤ ⎡ ⎤ (4. yi ). ⎥ = ⎢ . Kriterij za odabir polinoma p(x) je da u toˇkama xi ima vrijednost p(xi ) = c z yi = f (xi ). SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 147 4. .2. n. Sve jednadˇbe ˇine sustav linearnih jednadˇbi kojeg z c z moˇemo matriˇno zapisati u obliku V a = y.ˇ 4. . Zahvaljuju´i njenom specijalnom obc −1 liku. .1) Matrica V zove se Vandermondeova matrica. = yi = yn . . n. i = 0. . . . . . . n−1 2 a0 + a1 xi + a2 xi + · · · + an−1 xi + an xn i 2 n−1 a0 + a1 xn + a2 xn + · · · + an−1 xn + an xn n = y0 = y1 . ⎥ ⎢ .

n dobivamo ui+1 + ui−1 = 2ui + u (xi )h2 + (u(4) (xi + αi ) + u(4) (xi + ζi )) tj. dx2 u(0) = u(1) = 0. e1 e2 e3 .2.2. ⎤ (4. (4. .5) i (4. i = 0. ⎥ ⎥⎢ .2. 24 (4.2. Odaberimo prirodan broj n i definirajmo c h= 1 . ζi ∈ (xi − h. .3) Rjeˇenje u problema (4. . .7) −ui−1 + 2ui − ui+1 − ei . Primijetimo da pod odredenim uvjetima moˇemo oˇekivati c s da je e 2 mali broj. .2.9) 2 Tn un u fn f en e U jednadˇbi Tn u = h2 f + h2 e ˇlan e ne znamo. .2 Promotrimo sljede´i rubni problem: c − d2 u(x) = f (x). .6) za i = 1. 1]. pokuˇat z c s ˆ z c ´emo rijeˇiti Tn u = h2 f . . .8) 2 −1 ⎢ −1 2 −1 ⎢ ⎢ ⎢ −1 2 −1 ⎢ ⎢ ··· ··· ⎢ ⎢ −1 ⎢ ⎢ ⎣ ⎡ ··· 2 −1 −1 2 −1 = ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎥ ⎥ 2⎢ 2⎢ ⎥ +h ⎢ ⎥.ˇ 4.2) (4. tj. . −u (xi ) = gdje je ei = −(u(4) (xi + αi ) + u(4) (xi + ζi )) Matriˇno to moˇemo zapisati kao c z ⎡ ⎤ ⎤⎡ u1 ⎥ ⎢ u2 ⎥ ⎥ ⎥⎢ ⎥⎢ u ⎥ ⎥⎢ 3 ⎥ ⎥⎢ .2. n + 1. n + 1. Iz uvjeta (4. Iz Taylorovog teorema je u (xi ) 2 u h + 2 u (xi ) 2 u u(xi − h) = u(xi ) − u (xi )h + h − 2 u(xi + h) = u(xi ) + u (xi )h + (xi ) 3 u(4) (xi + αi ) 4 h + h . xi + h).2.2.3) odmah vidimo da je u0 = un+1 = 0. 4. ⎥ ⎥⎢ . pa ga zanemarujemo. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 148 Primjer 4.6) 6 24 z gdje su αi ∈ (xi . . . .2. .2. . i = 0. e 2 = O(h2 ). n+1 xi = ih.2. .2.4) Sada promatramo vrijednosti ui = u(xi ). h2 h2 . 0 < x < 1. . xi ). Zbrajanjem jednadˇbi (4. (4.3) aproksimirat ´emo na skupu od konaˇno mnogo s c c toˇaka iz segmenta [0. (4. h ⎢ ⎢ ⎥ ⎢ ⎥ ⎢f ⎥ ⎢e ⎥ ⎢ n−2 ⎥ ⎢ n−2 ⎥ ⎢ ⎥ ⎢ ⎥ ⎣ fn−1 ⎦ ⎣ en−1 ⎦ f1 f2 f3 .5) 6 24 (xi ) 3 u(4) (xi + ζi ) 4 h + h .2. ⎥ ⎥ ⎥⎢ ⎥ ⎢ un−2 ⎥ ⎥ ⎥⎢ ⎥ −1 ⎦ ⎢ u ⎣ ⎦ n−1 h4 . 24 ⎤ ⎡ (4. (4.2.2.

uzmimo npr.ˇ 4.8 1 Egzaktno rjeˇenje i numeriˇka rjeˇenja dobivena s n = 10 i n = 50 ˇvorova.4 0. za kojeg znamo toˇno c rjeˇenje u(x) = sin 4πx. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 149 Tek da ilustriramo. f (x) = 16π 2 sin 4πx.5 0 -0. c Numericko rjesenje od -u’’=f 1.2 0.6 0. Rezultati su dani na sljede´oj slici.5 -1 -1. s c s c .5 "egzaktno_rjesenje" "numericka_aproksimacija_50" "numericka_aproksimacija_10" 1 0. Uzet ´emo n = 10 i n = 50 i vidjeti koliko su dobre s c dobivene aproksimacije.5 0 0.

x2 = 1. ˇto znaˇi da je relacija (4. (4.11) Pri tome smo koristili sljede´e nejednakosti: c −1 Tn e 2 −1 Tn f ≤ ≥ −1 Tn 2 2 f Tn 2 2 −1 Tn x 2 e 2 (jer je = max ). z z .2.) Lako se pokaˇe da je matrica Tn regularna.10) pa je u−u ˆ u 2 ˆ 2 = −1 Tn e −1 Tn f 2 2 ≤ Tn 2 −1 Tn 2 e f 2 2 . Pitanje je koliku toˇnost ˜ c ˆ c aproksimacije treba imati u. Neka je u izraˇunata aproksimacija vektora u. tj. Iz relacije (4. Gaussove eliminacije i trokutaste faktorizacije Metoda Gaussovih eliminacija je svakako najstariji. 2 Vidimo da nejednakost u relaciji (4. x2 = .11) moˇe za neke izbore vektora e i f prije´i z c u jednakost.3). ˆ (4. (Osc c s tali mogu preskoˇiti sljede´u diskusiju.ˇ 4.2. Ideja je jednos z stavna.2)–(4.11) realistiˇna ocjena greˇke diskretizacije s c c s e na aproksimaciju rjeˇenja polaznog rubnog problema (4. x=0 x 2 Tn x 2 y 2 (jer je Tn 2 = max = max −1 x=0 y=0 x 2 Tn y −1 Tn 2 ).2. z 4.2. tj. c c z −1 Neka je u = h2 Tn f . 2 2 2 x1 odakle je x1 = 1. Da bismo rijeˇili sustav s 2x1 − x2 = 1 −x1 + 2x2 = 1 1 dovoljno je primijetiti da zbog prve jednadˇbe vrijedi x1 = (1 + x2 ).2.2. Kaˇemo da smo x1 eliminirali iz druge jednadˇbe. najjednostavniji i najpoznatiji algoritam za rjeˇavanje sustava linearnih jednadˇbi Ax = b. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 150 Za iskusnije ˇitatelje odmah ´emo malo prodiskutirati dobiveno rjeˇenje.3. pa je druga z 2 jednadˇba z 3 3 1 − (1 + x2 ) +2x2 = 1. s Mi ne moˇemo toˇno odrediti niti u jer raˇunamo u aritmetici s konaˇnom z c ˆ c c preciznosti.11) slijedi da je zadovoljavaju´a toˇnost ˜ c c postignuta ako je u − u 2 / u 2 najviˇe reda veliˇine κ2 (Tn ) e 2 / f 2 (sjetimo se ˆ ˜ ˜ s c da mi zapravo ˇelimo aproksimirati u). Imamo ˆ −1 −1 −1 u − u = Tn (h2 f + h2 e) − h2 Tn f = h2 Tn e.2.

Dobivamo z 1 x1 = (19 − x2 − 4x3 ).1 4.j=1 Koristimo metodu supstitucija.j=1 ⎤ A(1) = a(1) ij 1 Takav koncept je prvi uveo Alan Turing. te to uvrstimo u zadnje dvije jednadˇbe. 5 5 Dakle. efekt ove transformacije je ekvivalentno prikazan kao rezultat mnoˇenja prve z jednadˇbe s z 10 a21 = − = −2 − a11 5 i zatim njenim dodavanjem (pribrajanjem) drugoj jednadˇbi. Prvo iz prve jednadˇbe izraziz c z mo x1 pomo´u x2 i x3 .3. Ako ovu transformaciju sustava zapiˇemo matriˇno.3. 5 tj. Kvalitativno novi moment u analizi metode eliminacija nastaje c kada sam proces eliminacija interpretiramo kao faktorizaciju matrice sustava A na produkt trokutastih matrica. koje postaju dvije jednadˇbe s dvije nepoznanice (x2 i x3 ). SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 151 Ovu ideju moˇemo lako generalizirati na dimenziju n > 1. gdje sustavno eliz miniramo neke nepoznanice iz nekih jednadˇbi. 5 −9 3 i.1 Rijeˇimo sljede´i sustav jednadˇbi: s c z 5x1 + x2 + 4x3 = 19 10x1 + 4x2 + 7x3 = 39 −15x1 + 5x2 − 9x3 = −32 ≡ 5 ⎢ 10 ⎣ −15 1 4 5 4 x1 19 ⎥⎢ ⎥ ⎢ ⎥ 7 ⎦ ⎣ x2 ⎦ = ⎣ 39 ⎦ . 10 10 − (x2 + 4x3 ) + 4x2 + 7x3 = 39 + − 19 . 5 pa druga jednadˇba sada glasi z 10 (19 − x2 − 4x3 ) + 4x2 + 7x3 = 39. Druga jednadˇba sada z z glasi 2x2 − x3 = 1. Pokazuje se da takav algoritam z ima dosta zanimljivu strukturu i da ga se moˇe ekvivalentno zapisati u terminima z matriˇnih operacija.1. . odnosno eliminacija. imamo s c ⎡ 5 ⎢ ⎣ 10 −15 1 4 ⎥ 4 7⎦ 5 −9 A ⎤ ⎡ → 1 0 ⎢ ⎣ −2 1 0 0 L(2. −9 −32 x3 b = [ bi ]3 i=1 (4.3.ˇ 4.1) 0 5 ⎥⎢ 0 ⎦ ⎣ 10 1 −15 ⎤⎡ 1 4 5 ⎥ ⎢ 4 7⎦ = ⎣ 0 5 −9 −15 A ⎤ ⎡ 1 4 ⎥ 2 −1 ⎦ .1) A = [ aij ]3 i. Matriˇni zapis metode eliminacija c ⎡ ⎤⎡ ⎤ ⎡ ⎤ Primjer 4.

ˇ 4.1) i L(3.3.1). dobijemo drugu jednadˇbu sustaz z va (4. izraˇavanja nepoznanice z x1 pomo´u x2 i x3 i eliminiranjem x1 iz zadnje dvije jednadˇbe) jednostavno opisali c z matriˇnim operacijama. tj.1) Novi. U tom smislu kaˇemo da sustavi (4.3.2). ekvivalentni.2). Na sliˇan naˇin iz prve i tre´e jednadˇbe sustava (4. sustav je A(2) x = b(2) . onda mnoˇenjem prve jednadˇbe u (4. c s z z Obratno.3. x2 .3. To znaˇi sljede´u promjenu matrice koeficijenata: c c ⎡ 5 1 ⎢ 0 2 ⎣ −15 5 A(1) 4 −1 ⎥ ⎦ −9 ⎤ ⎡ → 1 ⎢ ⎣0 3 0 0 5 1 4 5 1 1 0 ⎥ ⎢ 0 2 −1 ⎥ = ⎢ 0 2 ⎦⎣ ⎦ ⎣ 0 1 −15 5 −9 0 8 L(3. . 3 0 1 −32 25 L(3.1) A(1) ⎤⎡ 4 −1 ⎥ .3. ⎦ 3 3 i. s Nadalje. ako trojka x1 . Eliminaciju nepoznanice x1 smo prikazali kao rezultat c mnoˇenja matrice koeficijenata i vektora desne strane s lijeva jednostavnim maz tricama L(2.1) . x2 . c z z Oˇito je da rjeˇenje x = (x1 .2) ekvivalentni: imaju isto rjeˇenje.2) u kojem su druga i tre´a jednadˇba sustav od dvije jednadˇbe s dvije nepoznanice.3.1) zadovoljava i sustav (4.3.2) s 2 i zatim pribrajanjem drugoj jednadˇbi.3.1) 1 0 0 19 19 ⎢ ⎥⎢ ⎥ ⎢ ⎥ → ⎣0 1 0⎦⎣ 1⎦ = ⎣ 1⎦. 5x1 + x2 + 4x3 = 19 2x2 − x3 = 1 8x2 − 3x3 = 25. primijetimo da smo proces eliminacija (tj.1).j=1 A(2) = a(2) ij ⎤ ⎡ ⎤ Vektor desne strane je u ove dvije transformacije promijenjen u ⎡ 19 1 0 ⎢ ⎥ ⎢ ⎣ 39 ⎦ → ⎣ −2 1 −32 0 0 b ⎡ ⎤ ⎡ 0 19 19 ⎥⎢ ⎥ ⎢ ⎥ 0 ⎦ ⎣ 39 ⎦ = ⎣ 1 ⎦ 1 −32 −32 b(1) ⎤⎡ ⎤ ⎡ ⎤ ⎤⎡ L(2.3. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 152 Nepoznanicu x1 eliminiramo iz zadnje jednadˇbe ako prvu pomnoˇimo s z z − a31 (1) (1) a11 =− 15 = −3 5 ⎤ ⎡ ⎤ i onda je pribrojimo zadnjoj.3.1) c z z i (4. x3 zadovoljava (4. x3 )T sustava (4.2) rekonstruiramo c c c z tre´u jednadˇbu polaznog sustava (4. b(2) (4.

1) )−1 (L(3.1) L(2.3) 7x3 = 21. Matrica A(3) je gornjetrokutasta. .2) L(3. 1 25 21 b(2) b(3) = (bi )3 i=1 (3) (4.2) i transformaciju vektora desne strane ⎡ 19 ⎢ ⎥ ⎣ 1⎦ 25 b(2) ⎤ ⎡ → 1 ⎢ ⎣0 0 0 19 19 ⎥⎢ ⎥ ⎢ ⎥ 0⎦⎣ 1⎦ = ⎣ 1⎦ .3.5) Sustav (4.2) ⎤⎡ ⎤⎡ 4 5 1 ⎥ ⎢ −1 ⎦ = ⎣ 0 2 3 0 0 A(3) ⎤ ⎡ ⎤ ⎤ ⎡ 4 ⎥ −1 ⎦ 7 ⎤ (4. Iz prve jednadˇbe je x1 = (19 − x2 − 4x3 ) = 1.3. koji je ekvivalentan polaznom. Iz druge jednadˇbe je x2 = (1 + x3 ) = 2. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 153 Jasno je da je sustav (4.ˇ 4. x3 rjeˇenja polaznog sustava (4. Dakle. polaznu matricu A smo mnoˇenjem slijeva donjetrokutastom matricom z naˇinili gornjetrokutastom. 7 1 2.1). To moˇemo proˇitati i ovako: c z c A = LA(3) .2) jednostavniji od polaznog. a produkt L(3.1) )−1 (L(3.3.3.2) )−1 . lako rijeˇimo.2) L(3.3. Analizirajmo postupak rjeˇavanja u prethodnom primjeru.1) A.3.3). z 2 1 3. Paˇljivo pogledajs z mo oblik matrica u realaciji A(3) = L(3. s 21 = 3.1) L(2. Tako tre´a jednadˇba postaje 7x3 = 21. x2 . Zato sada nastavljamo s primjenom iste strategije: iz tre´e jednadˇbe eliminiramo x2 tako ˇto drugu jednadˇbu c z s z pomnoˇimo s z (2) a − 32 = −4 (2) a22 i pribrojimo je tre´oj. L = (L(2.1) je donjetrokutasta matrica. z 5 1.4) A(2) L(3. Iz tre´e jednadˇbe je x3 = c z s Jednostavna provjera potvrduje da su x1 . a cijeli sustav ima c c z oblik 5x1 + x2 + 4x3 = 19 2x2 − x3 = 1 (4. c z z c Transformaciju eliminacije x2 iz tre´e jednadˇbe moˇemo matriˇno zapisati kao transformaciju matrice koeficijenata ⎡ 5 1 ⎢ ⎣0 2 0 8 4 ⎥ −1 ⎦ 3 ⎤ ⎡ → 1 ⎢ ⎣0 0 0 1 −4 0 5 1 ⎥⎢ 0⎦⎣0 2 1 0 8 A(2) 0 1 −4 L(3.

u terminima matrice A i vektora b. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 154 gdje je L donjetrokutasta matrica. gdje je L donjetrokutasta.1) i L(3. Ovakav zapis metode opisane u primjeru 4. s 1.2) dobijemo samo promjenom predznaka netrivijalnih elemenata u donjem trokutu. Dakle. . Dakle. x = A−1 b = (LU)−1 b = U −1 L−1 b. c L(3. Uoˇimo da c je raˇunanje produkta koji definira matricu L jednostavno.1) )−1 (L(3. Umjesto “x1 izrazimo pomo´u z c x2 . Gornjetrokutastu matricu u ovom kontekstu obiˇno oznaˇavamo (3) s U = A . Rjeˇavanjem donjetrokutastog sustava Ly = b treba odrediti vektor y = L−1 b.3. c . Inverze matrica L(2.1 rijeˇen je metodom koja se sastoji od tri glavna koraka. linearni sustav u primjeru 4. a U gornjetrokutasta matrica. pa je A rastavljena na produkt A = LU.1) )−1 (L(3. ali s nizom razliˇitih desnih strana b. a ne u terminima c izraˇavanja neke nepoznanice pomo´u ostalih. Jasno.ˇ 4. . Lako se provjerava da je 1 0 0 1 0 0 1 0 0 1 0 0 ⎢ ⎥⎢ ⎥⎢ ⎥ ⎢ ⎥ L = ⎣2 1 0⎦⎣ 0 1 0⎦⎣0 1 0⎦ = ⎣ 2 1 0⎦.3. Govorimo o LU faktorizaciji matrice A (neki tu faktorizaciju zovu i LR faktorizacija matrice). z To omogu´uje jednostavnu i sustavnu primjenu opisane metode na sustav s c proizvoljnim brojem nepoznanica.. matricu A smo napisali kao produkt donjetrokutaste i gornjetrokutaste mac c trice.1 ima niz prednosti: • Operacije su iskazane u terminima matrice A i desne strane b.1) L(2.1) . Vidimo da je u tom sluˇaju transforc c macije na matrici A dovoljno napraviti jednom (prvi korak u gornjem zapisu metode).2) )−1 ⎡ ⎤⎡ ⎤⎡ ⎤ ⎡ ⎤ Dakle. Sada joˇ primijetimo da je relacija (4. x3 . a zatim za razliˇite desne strane provesti samo zadnja dva koraka.2) L(3. Matricu sustava A treba faktorizirati u obliku A = LU.3. operacije izraˇavamo operacijama s matricama i vektorima.” i sl.1) b = L−1 b. 0 0 1 −3 0 1 0 4 1 −3 4 1 (L(2. ovakav zapis metode eliminacija je prirodan. a cijeli produkt jednostavno je stavljanje tih elemenata na odgovaraju´e c pozicije u matrici L. Rjeˇavanjem gornjetrokutastog sustava Ux = y treba odrediti vektor x = s U −1 y = U −1 (L−1 b). gdje je b = L(3. Sam linearni sustav je u raˇunalu pohranjen c kao matrica koeficijenata A i vektor desne strane b. A = LA(3) . 2.3) zapravo linearni s (3) (3) sustav Ux = b . . s 3. • Ponekad u primjenama rjeˇavamo nekoliko linearnih sustava s istom matricom s A.

2. i-tog retka matrice L i nepoznanica x1 .3. . . . /∗ Supstitucija unaprijed za Lx = b ∗/ b1 x1 = .3.2. . . itd. Algoritam 4.ˇ 4. n { xi = bi − i−1 ij xj j=1 ii . 2 1 n(n − 1). Trokutasti sustavi: rjeˇavanje supstitucijama unaps rijed i unazad Trokutasti sustavi jednadˇbi lako se rjeˇavaju. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 155 4. 4. Pogledajmo. prvo izraˇunamo x1 . donjez s trokutasti sustav Lx = b dimenzije n = 4: ⎡ ⎢ ⎢ 21 ⎢ ⎣ 31 41 11 0 22 32 42 0 0 33 43 0 0 0 x1 b1 ⎥⎢x ⎥ ⎢b ⎥ ⎥⎢ 2⎥ ⎢ 2⎥ ⎥⎢ ⎥ = ⎢ ⎥. na primjer. zatim x1 c i x2 uvrstimo u izraz za x3 . } Prebrojimo operacije u gornjem algoritmu: • dijeljenja: n . . c c Dakle. a za i > 1 formula za xi je funkcija od bi . 3. 11 za i = 2. 2 • zbrajanja i oduzimanja: 1 + 2 + · · · + (n − 1) = . . Oˇito je c 1 22 (b2 − (b3 − (b4 − 21 x1 ) 1 33 31 x1 − − 32 x2 ) 1 44 41 x1 42 x2 − 43 x3 ). To znaˇi da su c x1 = x2 = x3 = x4 = b1 11 = 0 za i = 1. xi−1 koje su prethodno ve´ izraˇunate. ⎦ ⎣ x3 ⎦ ⎣ b3 ⎦ x4 b4 44 ii ⎤⎡ ⎤ ⎡ ⎤ Neka je matrica L regularna. pa tu vrijednost uvrstimo u izraz koji daje x2 . . Ovakav postupak zovemo supstitucija unaprijed.1 Rjeˇavanje linearnog sustava jednadˇbi Lx = b s regularnom dos z njetrokutastom matricom L ∈ Rn×n . z c Vidimo da x1 moˇemo odmah izraˇunati. • mnoˇenja: 1 + 2 + · · · + (n − 1) = z 1 n(n − 1).

ostaje nam posebno prouˇiti faktorc n×n izaciju matrice A ∈ R na produkt donje i gornjetrokutaste matrice. ⎢ ⎥⎢ ⎥ = ⎢ ⎥.ˇ 4. Zanima nas proizvoljna dimenzija n. u11 x4 = Ovakav postupak zovemo supstitucija unazad.3. ⎣ 0 0 u33 u34 ⎦ ⎣ x3 ⎦ ⎣ b3 ⎦ i=1 0 0 0 u44 x4 b4 onda. z Gornjetrokutaste sustave rjeˇavamo na sliˇan naˇin. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 156 Dakle. Ako je sustav Ux = b s c c oblika ⎡ ⎤⎡ ⎤ ⎡ ⎤ u11 u12 u13 u14 x1 b1 4 ⎢ 0 ⎥⎢x ⎥ ⎢b ⎥ u22 u23 u24 ⎥ ⎢ 2 ⎥ ⎢ 2 ⎥ ⎢ uii = 0. sloˇenost ovog algoritma je O(n2 ). . 1 { xi = bi − n uij xj j=i+1 uii. z 4. xn = unn za i = n − 1. ali ´emo zbog jednostavnosti razmatranja na poˇetku sve c c . . } Kao i kod supstitucija naprijed. Algoritam 4. /∗ Supstitucija unazad za Ux = b ∗/ bn .3.2 Rjeˇavanje linearnog sustava jednadˇbi Ux = b s regularnom s z n×n gornjetrokutastom matricom U ∈ R . polaze´i od zadnje jednadˇbe unazad. LU faktorizacija Sada kad smo uoˇili da se rjeˇavanje linearnog sustava Ax = b faktoriziranc s jem matrice A svodi na trokutaste sustave. imamo c z b4 u44 1 x3 = (b3 − u34 x4 ) u33 1 x2 = (b2 − u23 x3 − u24 x4 ) u22 1 x1 = (b1 − u12 x2 − u13 x3 − u14 x4 ). ukupna sloˇenost je O(n2 ). .3. .

. c Primijetimo da je transformaciju A → A(1) mogu´e izvesti samo ako je a11 = 0. 2 (4. To moˇemo napraviti u jednom potezu2 .6) U primjeru 4. eliminacija prve nepoznanice manifestira se poniˇtavanjem koeficijenata s na pozicijama (2.1 smo zbog jednostavnosti poniˇtavali koeficijente jedan po jedan. pa smo to eksplicitno naznaˇili u zapisu c (1) matrice A . . Op´enito. (3. a1j = a1j . elementi prvog retka u A(1) jednaki su c (1) prvom retku u A. ⎡ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ a11 0 0 0 0 a12 a22 a32 (1) (1) a13 a23 a33 (1) (1) a14 a24 a34 (1) (1) a15 ⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ (1) a25 ⎥ ⎥ A(1) ≡ L(1) A = (1) a35 ⎥ . elementi A(1) (1) oznaˇeni su s aij .3. (n. ⎥ a45 ⎦ a55 ⎤ Sjetimo se. ⎥ (1) a45 (1) a42 (1) a43 (1) a44 a52 (1) a53 (1) a54 (1) a55 (1) c Objasnimo oznake koje koristimo za elemente matrice A(1) .3. Neka je a11 ⎢a ⎢ 21 ⎢ A = ⎢ a31 ⎢ ⎣ a41 a51 ⎡ a12 a22 a32 a42 a52 a13 a23 a33 a43 a53 a14 a24 a34 a44 a54 a15 a25 ⎥ ⎥ ⎥ a35 ⎥ . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 157 ideje ilustrirati na primjeru n = 5. . Medutim. 1 ≤ i. 1). 1 ≤ j ≤ n. j ≤ n. Ako z definiramo matricu ⎡ ⎤ 1 0 0 0 0 ⎢ a ⎥ 21 ⎢ ⎥ 1 0 0 0⎥ ⎢− ⎢ a11 ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ a31 ⎥ ⎢− 0 1 0 0⎥ (1) ⎢ a ⎥. s . 1). 1). tj. .ˇ 4. L =⎢ 11 ⎥ ⎢ ⎥ ⎢ a41 ⎥ ⎢− 0 0 1 0⎥ ⎢ a ⎥ ⎢ ⎥ 11 ⎢ ⎥ ⎣ a51 ⎦ 0 0 0 1 − a11 z onda je x1 eliminiran iz svih jednadˇbi osim prve.

⎥ ⎥ ⎥ 0⎥ ⎥ ⎥ ⎥ ⎦ te da iz A = (L(1) )−1 A(1) slijedi a11 a21 1 a12 ⎣ a21 = a22 a11 0 1 ⎤⎡ ⎦⎣ a11 0 a12 a22 (1) ⎤ ⎦.6). onda je i a22 = 0 pa je dobro definirana matrica ⎡ 1 ⎢ ⎢0 ⎢ ⎢ ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ 0 1 − a32 a22 (1) (1) 0 0 0 ⎥ 0 0 0⎥ ⎥ ⎥ 1 0 ⎥ ⎥ 0⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ 0⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ (2) −1 ⎤ 1 ⎢ ⎢0 ⎢ L (2) = (1) a − 42 (1) a22 i njen inverz (L ) = 0 1 0 − a52 a22 (1) (1) 0 0 1 ⎢ ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ 0 1 a32 a22 (1) (1) 0 0 0 ⎥ 0 0 0⎥ ⎥ ⎥ 1 0 0⎥ ⎥ ⎥ 0 1 ⎥ ⎥ ⎥ ⎥.3. Uvjet za izvod c ove faktorizacije bio je (4. ⎥ ⎥ (2) ⎥ a45 ⎥ ⎥ ⎦ (4. a22 ⎡ ⎤ Ako je α2 = 0. ⎥ ⎥ 0⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ (1) a42 (1) a22 0 a52 a22 a15 ⎤ ⎥ ⎥ ⎥ (1) (1) 0 0 1 Vrijedi ⎡ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ a11 0 0 0 0 a12 a22 0 0 0 (1) a13 a23 a33 a43 a53 (1) (2) (2) (2) a14 a24 a34 a44 a54 (1) (2) (2) (2) (1) a25 ⎥ ⎥ A(2) ≡ L(2) A(1) = L(2) L(1) A = (2) a35 ⎥ .7) a55 (2) .ˇ 4. Jednostavno. Stavimo α2 ≡ det (1) a11 a21 a12 (1) = a11 a22 . dobili smo faktorizaciju vode´e 2 × 2 podmatrice od A.3. lako se uvjerimo da je 1 ⎢a ⎢ 21 ⎢ ⎢ a11 ⎢ ⎢ ⎢ a31 ⎢ = ⎢ a11 ⎢ ⎢ ⎢ a41 ⎢ ⎢a ⎢ 11 ⎢ ⎣ a51 a11 ⎡ ⎡ 0 0 0 0 ⎤ 1 0 0 0⎥ 0 1 0 0 0 1 (L(1) )−1 0 0 0 1 ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ 0⎥ ⎥. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 158 Takoder.

onda smo dobili trokutastu faktorizaciju vode´e 3 × 3 c podmatrice od A. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 159 Uoˇimo da oznake u relaciji (4. Stavimo a11 ⎢ α3 ≡ det ⎣ a21 a31 (2) ⎡ a12 a22 a32 a13 (1) (2) ⎥ a23 ⎦ = a11 a22 a33 . ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ 1 0 ⎢ ⎢0 1 ⎢ ⎢0 0 ⎢ (L ) (3) −1 = ⎢ ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ 0 0 1 a43 a33 a53 a33 (2) (2) (2) (2) 0 0 0 0⎥ ⎥ ⎥ 0 0⎥ ⎥ 1 ⎤ 0 0 0 0 1 ⎥ ⎥ ⎥ 0⎥.3.7) naglaˇavaju da je u matrici A(2) = a(2) c s ij i. ⎥ 0 a11 Dakle. ako je a11 = 0 i α2 = 0.3. a33 ⎤ Ako je α3 = 0 onda je i a33 = 0 pa su dobro definirane matrice ⎡ 1 0 ⎢ ⎢0 1 ⎢ ⎢0 0 ⎢ L (3) = ⎢ ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ 0 0 1 a43 a33 a53 a33 (2) (2) (2) (2) 0 0 0 0⎥ ⎥ ⎥ 0 0⎥ ⎥ 1 ⎤ ⎡ 0 − 0 0 − 0 1 ⎥ ⎥ ⎥ 0⎥.j=1 prvi redak jednak prvom retku matrice A. ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ .ˇ 4. a drugi redak jednak drugom retku c matrice A(1) . ⎥ ⎥ (2) ⎥ a45 ⎥ ⎥ ⎦ (4.8) a55 (2) odakle zakljuˇujemo da vrijedi c ⎡ ⎢ ⎣ a21 a11 a31 a12 a22 a32 1 ⎢ a21 ⎤ ⎢ a13 ⎢ ⎢ ⎥ a ⎦ = ⎢ a11 23 ⎡ 0 1 a32 a22 (1) (1) a33 ⎢ ⎢ ⎣ a31 0 ⎡ ⎥ a11 0⎥⎢ ⎥ ⎥⎢ ⎥⎢ 0 1 ⎥⎣ ⎥ ⎦ ⎤ a12 a22 0 (1) a13 (2) a33 ⎤ ⎥ ⎦ (1) a23 ⎥ . Ako sada u relaciji A = (L(1) )−1 (L(2) )−1 A(2) izraˇunamo produkt (1) −1 (2) −1 (L ) (L ) dobivamo ⎡ n 1 ⎢a ⎢ 21 ⎢ ⎢ a11 ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ 0 1 a32 a22 (1) (1) 0 0 0 ⎤ ⎥ ⎤ ⎥ ⎥ ⎥ 0 0 0⎥⎡ ⎥ ⎥ 1 0 A= a31 a11 a41 a11 a51 a11 (1) a42 (1) a22 (1) a52 (1) a22 0 1 0 0 1 ⎥ a11 ⎥⎢ ⎥⎢ ⎥⎢ 0 0⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ 0 ⎥⎢ ⎥⎢ ⎥⎢ 0⎥⎢ 0 ⎥⎣ ⎥ ⎥ 0 ⎥ ⎥ ⎦ a12 a22 0 0 0 (1) a13 a23 a33 a43 a53 (1) (2) (2) (2) a14 a24 a34 a44 a54 (1) (2) (2) (2) a15 (1) a25 ⎥ ⎥ (2) a35 ⎥ .

a34 ⎦ a44 ⎤ . ⎥ ⎥ (3) ⎥ a45 ⎥ ⎦ (1) a25 a15 a55 (3) te da je ⎡ ⎡ ⎤ ⎢a ⎢ 21 ⎢ ⎣ a31 a11 a41 a12 a22 a32 a42 a13 a23 a33 a43 a14 ⎢ a24 ⎥ ⎢ a31 ⎥ ⎥=⎢ a34 ⎦ ⎢ a ⎢ ⎢ 11 ⎢ a44 ⎢ ⎢ ⎣ a41 a11 ⎡ 1 ⎢a ⎢ 21 ⎢ ⎢ a11 ⎢ 0 1 a32 a22 a42 a22 (1) (1) (1) (1) 0 0 1 a43 a33 (2) (2) 0 ⎤ ⎥⎡ 1 ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ ⎥ 0⎥⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎥ ⎥ ⎦ 0 ⎥ a11 ⎥ 0 0 0 a12 a22 0 0 (1) a13 a23 a33 0 (1) (2) ⎥ ⎥ ⎥ ⎥. (2) ⎥ a34 ⎥ ⎦ a14 ⎤ a24 ⎥ (3) (1) a44 Ponovo zakljuˇujemo na isti naˇin: definiramo c c a11 ⎢a ⎢ α4 ≡ det ⎢ 21 ⎣ a31 a41 a12 a22 a32 a42 a13 a23 a33 a43 a14 a24 ⎥ (1) (2) (3) ⎥ ⎥ = a11 a22 a33 a44 .ˇ 4. ⎥ (3) a45 (3) a44 a54 (3) a55 (3) Ako izraˇunamo produkt (L(1) )−1 (L(2) )−1 (L(3) )−1 . onda vidimo da vrijedi c ⎡ 1 ⎢a ⎢ 21 ⎢ ⎢ a11 ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ 0 1 a32 a22 a42 a22 (1) (1) (1) (1) 0 0 1 a43 a33 (2) (2) 0 0 ⎤ ⎥ ⎤ 0 0⎥⎡ ⎥ 0 A= a31 a11 a41 a11 a51 a11 1 (1) a52 (1) a22 (2) a53 (2) a33 0 1 ⎥ a11 ⎥ ⎥⎢ ⎥⎢ ⎥⎢ 0 0⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ 0 ⎥⎢ ⎥⎢ ⎥⎢ 0⎥⎢ 0 ⎥⎣ ⎥ ⎥ 0 ⎥ ⎥ ⎦ a12 (1) a22 a13 (1) a23 (2) a14 (1) a24 (2) (3) (3) 0 0 0 a33 0 0 a34 a44 a54 ⎥ ⎥ ⎥ ⎥ ⎥ (2) ⎥ a35 ⎥ . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 160 i vrijedi ⎡ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ a11 0 0 0 0 a12 a22 0 0 0 (1) a13 a23 a33 0 0 (1) (2) a14 a24 a34 (1) (2) a15 ⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ (1) a25 ⎥ ⎥ A(3) ≡ L(3) A(2) = L(3) L(2) L(1) A = (2) a35 ⎥ .

a22 = 0. ⎥ ⎥ (3) a45 ⎥ ⎥ (4) a55 te da je. α3 . c Takoder. onda je i a44 = 0. ⎥ ⎥ (3) ⎥ a45 ⎥ ⎥ ⎦ (4. uoˇili smo da su ti uvjeti osigurani ako su u matrici A determinante glavnih podmatrica dimenzija 1. c ⎡ 1 ⎢a ⎢ 21 ⎢ ⎢ a11 ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ 0 1 a32 a22 (1) (1) 0 0 1 (2) a43 (2) a33 (2) a53 (2) a33 0 0 0 0 ⎤ ⎥ A= a31 a11 a41 a11 a51 a11 (1) a42 (1) a22 (1) a52 (1) a22 1 (3) a54 (3) a44 1 ⎥ a11 ⎥ ⎥⎢ ⎥⎢ ⎥⎢ 0 0⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ 0 ⎥⎢ ⎥⎢ ⎥⎢ 0⎥⎢ 0 ⎥⎣ ⎥ ⎥ 0 ⎥ ⎥ ⎦ 0⎥⎡ ⎥ a12 a22 0 0 0 (1) a13 a23 a33 0 0 U (1) (2) a14 a24 a34 a44 0 (1) (2) (3) a15 ⎤ ⎥ ⎥ ⎥ (1) a25 ⎥ ⎥ (2) a35 ⎥ . . ⎥ 1 ⎥ ⎥ ⎦ ⎤ (4. To je u naˇem primjeru znaˇilo c s c uvjete α1 ≡ a11 = 0. Dakle. moˇemo zakljuˇiti sljede´e: z c c (1) (2) (3) . 2. α4 su glavne minore matrice A. .3. Brojevi α1 . α2 = 0. ⎥ 1 ⎥ ⎥ ⎦ ⎤ (L(4) )−1 1 ⎢0 ⎢ ⎢ ⎢0 ⎢ = ⎢0 ⎢ ⎢ ⎢ ⎣ ⎡ 0 1 0 0 0 0 1 0 0 0 0 1 a54 a44 (3) (3) 0 0⎥ ⎥ ⎥ 0⎥ ⎥ 0⎥. a44 zovemo pivotni elementi ili kratko pivoti. α2 . Brojeve a11 . a33 = 0. nakon raˇunanja produkta (L(1) )−1 (L(2) )−1 (L(3) )−1 (L(4) )−1 . pa su dobro definirane matrice 1 ⎢0 ⎢ ⎢ ⎢0 ⎢ = ⎢0 ⎢ ⎢ ⎢ ⎣ ⎡ (3) L(4) 0 1 0 0 0 0 1 0 0 0 0 1 a54 (3) (3) 0 0⎥ ⎥ ⎥ 0⎥ ⎥ 0⎥. n−1 razliˇite od nule. . a22 . α4 = 0. α3 = 0. a44 = 0. . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 161 Ako je α4 = 0.ˇ 4.9) a44 Lako provjerimo da vrijedi 0 0 0 − 0 0 0 ⎡ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ a11 0 0 0 0 a12 a22 0 0 0 (1) a13 a23 a33 0 0 (1) (2) a14 a24 a34 a44 0 (1) (2) (3) a15 ⎤ ⎥ ⎥ ⎥ ⎦ (1) ⎥ a25 ⎥ ⎥ A(4) ≡ L(4) A(3) = L(4) L(3) L(2) L(1) A = (2) a35 ⎥ . a33 .10) a55 (4) L Vidimo da je izvedivost operacija koje su dovele do faktorizacije A = LU ovisila o uvjetima (1) (2) (3) a11 = 0.3.

. tako da vrijedi A = LU.ˇ 4. Tada je i n det(A) = i=1 uii . . regularne matrice pa vrijedi L−1 L = U(U )−1 . 1 : k) razliˇite od nule za k = 1. A = LU = L U . . n − 1.3. U tom sluˇaju sljede´i algoritam raˇuna faktorizaciju A = LU. n { za i = k + 1. ij Sljede´i teorem i formalno dokazuje egzistenciju i jedinstvenost LU faktorc izacije. . 2. . Neka postoje dvije takve z faktorizacije. a one mogu biti jednake samo ako su obje dijagonalne matrice. . . . U gornjoj relaciji imamo jednakost donjetrokutaste i gornjetrokutaste matrice. onda je s faktorizacija jedinstvena: postoji toˇno jedna matrica L i toˇno jedna matrica U s c c ovim svojstvima. .3 Raˇunanje LU faktorizacije matrice A. Ako faktorizacija A = LU postoji i ako je joˇ matrica A regularna. . Tada postoji donjetrokutasta matrica c L s jedinicama na dijagonali i gornjetrokutasta matrica U. Dokaˇimo prvo jedinstvenost LU faktorizacije.1 Neka je A ∈ Rn×n i neka su determinante glavnih podmatrica A(1 : k.3. c L = I. } za j = k + 1. ik akj }}} U = A(n−1) = a(n−1) . . L . n { jk = ajk (k−1) (k−1) akk . n − 1 { za j = k + 1. . U. . . n { aij = aij (k) (k−1) (k) − (k−1) . a zbog ˇinjenice da se na dijagonali produkta c donjetrokutastih matrica nalaze produkti dijagonalnih elemenata matrica koje se . za k = 1. . Nadalje. onda su i svi pic votni elementi razliˇiti od nule i Gaussove eliminacije daju LU faktorizaciju c matrice A. Dokaz. . U . . c c c Algoritam 4. takoder. . Ako je A regularna onda su i L. Teorem 4. . ajk = 0. . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 162 • Ako je prvih n − 1 minora matrice A razliˇito od nule. L i L po pretpostavci imaju jedinice na dijagonali.

. akk (k−1) ··· ··· ··· ··· ··· ··· ··· ··· ··· 0 . 1 : k) regularne. an. . tj. L−1 L = I. ⎥ .n ⎥ ⎥ .1 Primijetimo. . Sljede´i primjer ilustrira taj problem. . LU faktorizacija s pivotiranjem Jedan. ak. ⎥. ⎥ ⎥ (k−1) ⎥ akn ⎥ ⎥ ⎥ ⎥ (k) ak+1. Dakle. 0 .3. k = 1.. . . ⎥ . Dokaˇimo sada egzistenciju LU faktorizacije. .. . . gdje je c ⎡ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ a11 0 . z c s Odavde je i ak+1. .k+1 (1) a2.k+1 . 0 ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ (2) ⎥ a3n ⎥ ⎥ ⎥ . . . oˇit problem. . . 4. . 0 a12 (1) a22 a13 (1) a23 ··· ··· a1k .ˇ 4.k+1 ak+1. n. c . . .k+1 (k) (k) (k−1) (2) A(k) = L(k) · · · L(1) A = . ⎦ (1) a2n (k) ann a1n ⎤ Kako je produkt (L(k) · · · L(1) )−1 donjetrokutasta matrica s jedinicama na dijagonali. . onda su nuˇno i sve glavne podmatrice A(1 : k. (2) a3. s LU faktorizacijom koju smo opisali u prethodnom c odjeljku je da za njeno raˇunanje. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 163 mnoˇe.3. 1 : k + 1) = a11 a22 a33 · · · akk (k) (1) (2) (k−1) (k) ak+1. . zakljuˇujemo da je c det A(1 : k + 1.k+1 ··· ··· ··· .. Jasno je elemente ispod dijagonale u (k + 1)-om stupcu i dati A (n−1) koja je gornjetrokutasta. . a33 . . z Tada je i U = U .k+1 . matrica A mora c imati specijalnu strukturu: sve njene glavne podmatrice do ukljuˇivo reda n − 1 c moraju biti regularne. prema opisanom algoritmu. ako je A regularna i ako ima LU faktorizaciju. Pogledajmo kako uvjeti c teorema omogu´uju prijelaz s A(k) na A(k+1) . . a1. . . na dijagonali produkta L−1 L su jedinice. L = L . 0 0 .k+1 = 0 pa moˇemo definirati matricu L(k+1) koja ´e poniˇtiti (k+1) (k+1) (k) =L A . .k+1 = 0. To slijedi iz ˇinjenice z c da je k det A(1 : k. . da nakon konaˇnog broja koraka dobijemo matricu A c Napomena 4. 1 : k) = i=1 uii. .4. . Induktivni dokaz je zapravo ve´ z c skiciran u opisu raˇunanja faktorizacije 5 × 5 matrice. ⎥ .

3 Zamjena redoslijeda jednadˇbi ne mijenja rjeˇenje sustava.3. 1 1 Ova matrica je regularna. a iz tre´e slijedi da z ˇto je nemogu´e. Njeno djelovanje na matricu A je jednostavno permutiranje redaka. koji uvijek ima rjeˇenje x1 = b2 − b1 . ali A oˇito s c nema LU faktorizaciju. det A = −1. pa sustav uvijek ima rjeˇenje. matrica A reprezentira linearni sustav 0x1 + x2 = b1 x1 + x2 = b2 21 · 0 = 1. Vezu izmedu A i A c zapisujemo matriˇno: c A = 1 1 0 1 = 0 1 1 0 P 0 1 .2 Neka je matrica sustava Ax = b dana s A= 0 1 . z s .ˇ 4. x2 = b1 . i kojeg moˇemo ekvivalentno zapisati s z kao3 x1 + x2 = b2 0x1 + x2 = b1 . 0 1 i oˇito ima jednostavnu LU faktorizaciju s L = I. U = A . jer 0 1 = 1 1 povlaˇi da je c 1 21 0 1 u11 0 =0 =1 =1 = 1. u12 u22 1 · u11 1 · u12 21 · u11 21 · u12 + u22 c Iz prve jednadˇbe odmah vidimo da mora biti u11 = 0. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 164 Primjer 4. Matrica ovog sustava je A = 1 1 1 0 = 0 1 0 1 1 1 . 1 1 A Matricu P zovemo matrica permutacije ili jednostavno permutacija. s c S druge strane.

Pogledajmo (2) (2) elemente a43 i a53 . (4. vratimo se naˇem 5 × 5 primjeru i pogledajmo npr. ⎥ (2) a45 (2) a43 (2) a44 a53 (2) a54 (2) a55 (2) s z Neka je a33 = 0.8): s ⎡ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ a11 0 0 0 0 a12 a22 0 0 0 (1) a13 a23 a33 (1) (2) a14 a24 a34 (1) (2) a15 ⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ (1) a25 ⎥ ⎥ A(2) ≡ L(2) A(1) = L(2) L(1) A = (2) a35 ⎥ . Dakle. viˇe ne moˇemo kao ranije definirati L(3) . relacije (4. onda moˇemo staviti L(3) = I i z (2) (2) (3) nastaviti dalje.3. Ako definiramo matricu c ⎡ (2) P (3) 1 ⎢0 ⎢ ⎢ = ⎢0 ⎢ ⎣0 0 ⎡ 0 1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0⎥ ⎥ ⎥ 1⎥.ˇ 4. a53 = 0. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 165 Da bismo ilustrirali kako zamjenama redaka uvijek moˇemo dobiti LU faktoz rizaciju. jer je cilj transformacije L poniˇtiti a43 i a53 . ⎥ (2) a45 (2) a43 (2) a44 a33 (2) a34 (2) a35 (2) .7). ⎥ 0⎦ 0 ⎤ onda je P (3) A(2) = ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ a11 0 0 0 0 a12 a22 0 0 0 (1) a13 a23 a53 (1) (2) a14 a24 a54 (1) (2) a15 ⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ (1) a25 ⎥ ⎥ (2) a55 ⎥ . ⎥ (2) a45 (2) a43 (2) a44 a53 (2) a54 (2) a55 (2) ⎡ 1 ⎢ a21 ⎢ ⎢ a11 ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ 0 1 a32 a22 a42 a22 (1) (1) (1) (1) 0 0 0 0 0 0⎥⎡ ⎥ ⎥ 1 0 ⎤ A= a31 a11 a41 a11 a51 a11 0 1 (1) a52 (1) a22 0 0 1 ⎥ a11 ⎥⎢ ⎥⎢ ⎥ 0⎥⎢ 0 ⎥⎢ ⎥⎢ ⎥⎢ 0 ⎥⎢ ⎥⎢ ⎥⎢ 0⎥⎢ 0 ⎥⎢ ⎥⎣ ⎥ 0 ⎥ ⎥ ⎦ a12 a22 0 0 0 (1) a13 a23 a33 (1) (2) a14 a24 a34 (1) (2) a15 ⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ (1) a25 ⎥ ⎥ (2) a35 ⎥ . Ako su oni ve´ s c jednaki nuli onda u ovom koraku ne treba niˇta raditi pa je transformacija jednaka s (2) jediniˇnoj matrici.3. Ako su oba jednaka nuli. Neka je sada npr.

z z Medutim. ali a54 = 0.ˇ 4.9). Ako je a44 = a54 = 0. vrijedi relacija U = L(4) P (4) L(3) P (3) L(2) L(1) A. Za c (3) (3) sljede´i korak eliminacija provjeravamo vrijednost a44 . tako da L(4) nije definirana. postupamo c (3) (3) kao i ranije. jer je u tom sluˇaju A(3) ve´ gornjetrokutasta. mi sada imamo permutacijske matrice izmedu. moˇemo staviti L(4) = I i matrica U = L(4) P (4) A(3) je gornjetrokutasta. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 166 Sada moˇemo definirati matrice z ⎡ 1 0 ⎢ ⎢0 1 ⎢ ⎢0 0 ⎢ L (3) = ⎢ ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ 0 0 1 a43 a33 a53 (2) (2) a53 (2) (2) 0 0 0 0⎥ ⎥ ⎥ 0 0⎥ ⎥ 1 ⎤ ⎡ 0 − 0 0 − 0 1 ⎥ ⎥ ⎥ 0⎥. pa ostaje istraˇiti kako . tj. Lako provjerimo da permutacijska matrica ⎡ P (4) 1 ⎢0 ⎢ ⎢ = ⎢0 ⎢ ⎣0 0 ⎡ 0 1 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0⎥ ⎥ ⎥ 0⎥ ⎥ 1⎦ 0 (3) ⎤ daje P (4) A(3) = ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ a11 0 0 0 0 a12 a22 0 0 0 (1) a13 a23 a53 0 0 (1) (2) a14 a24 a54 (1) (2) a15 ⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ (1) a25 ⎥ ⎥ ⎥ (2) a55 ⎥ . Neka je z (3) (3) a44 = 0. ⎥ (3) a45 (3) a44 a54 (3) a55 (3) Primijetimo da je tre´i redak matrice A(3) jednak petom retku matrice A(2) . Sve zajedno. Ako je a44 = 0. definiramo matricu L(4) kao u relaciji (4.3. ⎥ (3) a55 (3) a54 a44 (3) a45 (3) z Kako je po pretpostavci a44 = 0. ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ 1 0 ⎢ ⎢0 1 ⎢ ⎢0 0 ⎢ (L ) (3) −1 = ⎢ ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ 0 0 1 a43 a53 a33 a53 (2) (2) (2) (2) 0 0 0 0⎥ ⎥ ⎥ 0 0⎥ ⎥ 1 ⎥ ⎥ ⎥ 0⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ 0 0 0 0 1 i posti´i c ⎡ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ a11 0 0 0 0 a12 a22 0 0 0 (1) a13 a23 a53 0 0 (1) (2) a14 a24 a54 (1) (2) a15 ⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ (1) a25 ⎥ ⎥ A(3) ≡ L(3) P (3) A(2) = L(3) P (3) L(2) L(1) A = ⎥ (2) a55 ⎥ . c c onda moˇemo staviti L(4) = I. Vidjeli smo ranije da je mnoˇenje inverza trokutastih matrica L(k) jednostavno.

P (4) moˇemo prebaciti s lijeve na desnu stranu od L(3) . imamo jednostavno slaganje odgovaraju´ih elemenata. Tako dobivena matrica c (3) (3) L ima istu strukturu kao i L . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 167 one djeluju na strukturu produkta. Nadalje matrica c 1 ⎢0 ⎢ ⎢ = ⎢0 ⎢ ⎣0 0 ⎡ P = P (4) P (3) 0 1 0 0 0 0 0 1 0 0 0 0 0 0 1 0 1 ⎥⎢0 0⎥⎢ ⎥⎢ 0⎥⎢0 ⎥⎢ 1⎦⎣0 0 0 ⎤⎡ 0 1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 1 ⎥ ⎢0 0⎥ ⎢ ⎥ ⎢ 1⎥ = ⎢0 ⎥ ⎢ 0⎦ ⎣0 0 0 ⎤ ⎡ 0 1 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0⎥ ⎥ ⎥ 1⎥ ⎥ 0⎦ 0 ⎤ je opet matrica permutacije. Na isti naˇin je P (3) L(2) L(1) = L(2) L(1) P (3) i c (4) (2) (1) (2) (1) (4) P L L = L L P pa je U = L(4) P (4) L(3) P (3) L(2) L(1) A = L(4) L(3) L(2) L(1) P (4) P (3) A. ⎥ 1⎦ 0 ⎤ L(3) z Dakle. P L Produkt koji definira matricu L je iste strukture kao i ranije. Primijetimo. 1 ⎢ ⎤⎢0 0 ⎢0 ⎢ ⎢ 0⎥⎢ ⎥⎢ ⎥ 0⎥⎢0 ⎥⎢ 1⎦⎢ ⎢ ⎢ 0 ⎢ ⎢ ⎣ 0 ⎤ ⎡ ⎡ P (4) L (3) = ⎢0 ⎢ ⎢ ⎢0 ⎢ ⎣0 1 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 1 0 0 − 0 − 0 0 1 a43 a53 a33 a53 (2) (2) (2) (2) 0 0 0 0⎥ ⎥ ⎥ 0 0⎥ ⎥ 1 ⎥ ⎥ ⎥ 0⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎡ 1 0 ⎢ ⎢0 1 ⎢ ⎢0 0 ⎢ = ⎢ ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ 0 0 1 a33 a53 a43 a53 (2) (2) (2) (2) 0 0 0 0⎥ ⎥ ⎥ 0 0⎥ ⎥ 0 ⎥ ⎥ ⎥ 1⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ 0 − 0 1 0 0 − 1 0 ⎡ 1 0 ⎢ ⎢0 1 ⎢ ⎢0 0 ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ 0 0 1 (2) = ⎢ 0 0 − a33 ⎢ (2) ⎢ a53 ⎢ 0 0 − a43 a53 (2) (2) 0 0 0 0⎥⎡ ⎥ ⎥ 0 0⎥ 1 ⎥⎢ ⎥⎢0 ⎥⎢ ⎥ 1 0⎥⎢0 ⎥⎢ ⎥⎣0 ⎥ ⎥ 0 ⎥ 0 1⎦ 0 1 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0⎥ ⎥ ⎥ 0 ⎥ = L(3) P (4) . dakle. P (4) P (3) A = (L(4) )−1 (L(3) )−1 (L(2) )−1 (L(1) )−1 U.ˇ 4. . tj. ako u L(3) permutiramo elemente ispod dijagonale u tre´em stupcu.

Na kraju eliminacija bi c vrijedilo U = A(n−1) = L(n−1) P (n−1) ( · · · (L(3) P (3) (L(2) P (2) (L(1) P (1) A))) · · · ). c Primjer 4.3. 1⎥ ⎥ ⎥ ⎥ ⎦ 6 . 1⎥ ⎥ ⎥ ⎥ ⎦ 3 5 P (2) 1 ⎢0 ⎢ =⎢ ⎣0 0 0 0 0 1 0 0 1 0 0 1⎥ ⎥ ⎥.11) 0 1 0 0 ⎤ 1 0 0 0 0 0⎥ ⎥ ⎥. A(1) A(2) A(3) i P = P (n−1) P (n−2) · · · P (2) P (1) . Tu zamjenu realizira perc mutacija P (1) . gdje je c ⎡ ⎡ ⎤ ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎣ ⎡ 1 3 5 19 5 4 5 0 ⎤ ⎥ ⎥ 6⎥ ⎥ ⎥ ⎥ ⎥. pa je A = L P A = ⎢ ⎢− ⎥ ⎢0 0 1 0⎥ ⎢ ⎢ ⎢ 5 ⎥ ⎢ ⎢ ⎥ ⎢ ⎣ 1 ⎦ ⎣ − 0 0 0 1 5 Sljede´i pivot je maksimiziran permutacijom P (2) . c Ilustrirajmo opisanu proceduru jednim numeriˇkim primjerom. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 168 Jasno je kako bi ovaj postupak izgledao op´enito. 1) – to znaˇi da prvi pivot c c maksimiziramo ako zamijenimo prvi i tre´i redak od A.3.ˇ 4. gdje je P (1) 0 ⎢0 ⎢ =⎢ ⎣1 0 ⎡ ⎡ ⎤ (4. 1⎦ 3 1 3 5 4 5 19 5 0 ⎤ ⎥ ⎥ ⎤ Sada definiramo 1 0 0 0 5 ⎢ ⎥ ⎢ ⎢ 2 ⎥ ⎢ ⎢− ⎥ ⎢0 ⎢ 5 1 0 0⎥ ⎢ ⎢ ⎥ ⎢ ⎢ ⎥ ⎢ (1) (1) (1) (1) L =⎢ 1 ⎥ . gdje neke od permutacija P (k) mogu biti jednake identitetama (jediniˇnim matricama). A=⎢ ⎣5 1 1 0⎦ 1 4 1 3 Najve´i element u prvom stupcu od A je na poziciji (3. 0⎦ 0 P (2) A(1) = 0 1 19 5 4 5 3 5 1 4 5 19 5 3 5 3⎥ ⎥ ⎥ ⎥ ⎥. 0⎦ 1 ⎤ 5 ⎢2 ⎢ P (1) A = ⎢ ⎣1 1 ⎡ 1 1 1 4 1 1 4 1 ⎡ 0 6⎥ ⎥ ⎥.3 Neka je 1 1 4 1 ⎢2 1 1 6⎥ ⎥ ⎢ ⎥.

⎥ ⎥ 19 ⎥ ⎥ 105 ⎦ 19 ⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥. ⎥ ⎥ ⎥ ⎥ ⎦ Sljede´a permutacija je identiteta. Dakle.ˇ 4. P (3) = I. U ≡ A(3) = L(3) L(2) L(1) P (2) P (1) A. onda vrijedi 0 ⎢0 PA = ⎢ ⎢ ⎣1 0 1 ⎢ ⎢1 ⎢ ⎢5 ⎢ ⎢ =⎢1 ⎢ ⎢ ⎢5 ⎢ ⎣2 5 ⎡ 0 0 0 1 0 1 0 0 1 0 0 0 0 1 1⎥⎢2 ⎥⎢ ⎥⎢ 0⎦⎣5 0 1 ⎤ ⎥ 1 ⎥ 0⎥⎢0 ⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢0 ⎢ 0⎥⎢ ⎥⎢ ⎥⎣ ⎥ ⎦ 0 1 1 1 4 0 1 4 19 3 19 4 1 1 1 1 5 6⎥ ⎢1 ⎥ ⎢ ⎥=⎢ 0⎦ ⎣1 3 2 ⎤ ⎤ ⎡ 1 4 1 1 1 1 4 1 0 0 1 9 69 0 3⎥ ⎥ ⎥ 1⎦ 6 0 0⎥ ⎥ ⎥ 0⎥U ⎥ ⎦ ⎤ ⎤ 0 0 ⎡ 0 1 0 0 ⎡ 0 0⎥⎢1 0 ⎥ ⎥⎢0 1 ⎥⎢ 1 0⎥⎢0 0 ⎥⎢ 0 1 ⎥⎣ ⎥ ⎦ 0 0 1 0 1 . ⎥ ⎦ 1 19 5 0 0 A(3) = L(3) P (3) A(2) = 1 1 4 5 69 19 0 0 3 7 19 7182 1311 0 Sada primijetimo da je A(3) = L(3) IL(2) P (2) L(1) P (1) A. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 169 Sljede´i korak eliminacija glasi c ⎡ L (2) = ⎢0 ⎢ ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎣ 1 0 1 4 − 19 3 0 − 19 0 0 0 0⎥ ⎥ 1 ⎤ ⎡ ⎥ ⎥ 0⎥. pa u zadnjem koraku imamo c ⎡ ⎡ ⎤ ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎣ 5 L(3) 1 ⎢0 ⎢ ⎢ = ⎢0 ⎢ ⎣ 0 1 0 0 0 0 1 9 0 − 69 0 0⎥ ⎥ ⎥ 0⎥. ⎥ ⎥ ⎥ ⎦ A(2) = L(2) P (2) A(1) = 0 1 ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎣ 5 1 19 5 0 0 0 1 4 5 69 19 9 19 0 ⎤ ⎥ ⎥ ⎥ ⎥ 3 ⎥ ⎥ 7 ⎥. Ako stavimo P = P (2) P (1) . gdje je 1 ⎢ ⎢ 1 ⎢− ⎢ 5 ⎢ ⎢ =⎢ 1 ⎢− ⎢ ⎢ 5 ⎢ ⎣ 2 − 5 ⎡ ⎡ 0 0 0 0 0 1 1 0 P (2) L(1) 1 ⎥ ⎢ ⎥ ⎢ 1 1⎥ ⎢− ⎥ ⎢ 5 ⎥ ⎢ ⎥ ⎢ ⎥=⎢ 1 ⎥ 0⎥ ⎢− ⎢ ⎥ ⎢ 5 ⎥ ⎢ ⎦ ⎣ 2 0 − 5 ⎤⎡ 0 ⎤ ⎡ 0 1 0 0 0 0 ⎤ ⎥ ⎥ 0 0⎥ ⎥ 1 0 1 ⎥ ⎥ (2) ⎥P 0⎥ ⎥ ⎥ ⎥ ⎦ = L(1) P (2) .

⎥ ⎣ . Ako su matrice P (k) odabrane tako da vrijedi |(P (k) A(k−1) )kk | = max |(P (k) A(k−1) )jk | k≤j≤n onda je 1≤k≤n 1≤i.2 Neka je A ∈ Rn×n proizvoljna matrica. a U je gornjetrokutasta. Pri tome. vrijedi sljede´i teorem. moˇemo zakljuˇiti sljede´e: z c c • Za proizvoljnu n × n matricu A postoji permutacija P tako da Gaussove eliminacije daju LU faktorizaciju od P A.j≤n max max |(L(k) )ij | = max | 1≤i. Matrica L = [ ij ] je donjetrokutasta s jedinicama na dijagonali. P A = LU. Na poˇetku. In−k ⎡ (k) ⎤ ⎢ k+1. U tom sluˇaju faktorizaciju P A = LU zovemo LU faktorizacijom s (standardnim) c pivotiranjem redaka.k ⎥ ⎢ . tj. a U je gornjetrokutasta matrica. Permutaciju P moˇemo odabrati tako da su svi elementi matrice L po apsolutnoj z vrijednosti najviˇe jednaki jedinici. ako je P produkt od p inverzija.j≤n ij | = 1. ⎦ . Dokaz. vrijedi da je n det A = (−1) p i=1 uii.ˇ 4. c Teorem 4.3. s Preciznije. gdje je L donjetrokutasta matrica s jedinicama na dijagonali. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 170 1 ⎢ ⎢1 ⎢ ⎢5 ⎢ ⎢ =⎢1 ⎢ ⎢ ⎢5 ⎢ ⎣2 5 ⎡ 0 1 4 19 3 19 0 0 1 9 69 0 ⎤⎡ ⎥⎢ ⎥⎢ 5 1 ⎥⎢ ⎥⎢ ⎥⎢ 0⎥⎢0 ⎥⎢ ⎥⎢ ⎥⎢ ⎦⎣ 0⎥⎢0 ⎥⎢ 1 19 5 0 0 1 4 5 69 19 0 0 3 7 19 7182 1311 ⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥. ⎥ ⎥ ⎥ ⎥ ⎦ 0 Dakle. Tada postoji permutacija P takva da Gaussove eliminacije daju LU faktorizaciju P A = LU matrice P A. primijetimo da za matricu c L(k) = i permutaciju Π ∈ Sn oblika Π= Ik 0 0 . (k) nk v= . Πn−k Π ∈ Sn−k Ik 0 v 0 .

nismo razmatrali praktiˇne detalje realizacije izvedenih c algoritama na raˇunalu. Jasno je da strategija odabira permutacija iz iskaza teorema osigurava da su svi elementi od L po apsolutnoj vrijednosti najviˇe s jednaki jedinici. onda je U = L(n−1) L(n−2) · · · L(2) L(1) P A. ˇto znaˇi da P (n−1) prolazi kroz L(n−2) . itd. Zapravo. Dakle. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 171 vrijedi ΠL(k) = Ik 0 Πn−k v 0 Πn−k = Ik 0 Πn−k v 0 In−k Π = L(k) Π. Zaˇto? s .4. s c produkt P (n−1) P (n−2) P (n−3) prolazi kroz L(n−4) . termin praktiˇni detalji bi trebalo ˇitati kao c c c problemi. Kratko kaˇemo da “Π prolazi kroz L(k) ”. jasno je da u svakom koraku moˇemo odrediti permutaciju P (k) tako z (k) da postoji donjetrokutasta transformacija L s jedinicama na dijagonali za koju L(k) P (k) A(k−1) ima sve nule ispod dijagonale u k-tom stupcu. moˇemo posti´i da je U = A(n−1) gornjetrokuz c tasta matrica. Numeriˇka svojstva Gaussovih eliminacija c U prethodnim odjeljcima Gaussovim smo se eliminacijama bavili u okvirima linearne algebre. Nadalje.11). Π ∈ Sn−m pa je mnoˇenje analogno sluˇaju m = k.ˇ 4. odakle kao i ranije dobijemo P A = LU.3. produkt P (n−1) P (n−2) prolazi kroz L(n−3) . Πn−k = Im−k 0 0 Πn−m ∈ Sn−k . kao u relaciji (4. z c z Nadalje. Preciznije. Πn−m m > k. Im 0 0 . Ako stavimo P = P (n−1) P (n−2) · · · P (2) P (1) . svaka permutacija Π oblika Π= je trivijalno oblika i Π= Ik 0 0 Πn−k . Π ∈ Sn−k . 4. U produktu U = L(n−1) P (n−1) L(n−2) P (n−2) L(n−3) P (n−3) L(n−4) P (n−4) · · · L(2) P (2) L(1) P (1) A je P (k+1) oblika P (k+1) = Ik 0 0 Πn−k .

c c c 4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 172 Raˇunalo je ograniˇen. pogledajmo kako ga c moˇemo implementirati na raˇunalu s minimalnim koriˇtenjem dodatnog memorijz c s skog prostora. te elemente 1 Svaka operacija zahtijeva izvjesno vrijeme izvrˇavanja pa je ukupno trajanje algoritma takoder s vaˇan faktor. U ovom odjeljku prvenstveno ´emo analizirati problem toˇnosti. Kako matrica L po definiciji ima jedinice na dijagonali. Prisjetimo se naˇeg 5 × 5 primjera i relacije (4. Preporuˇamo da ˇitatelj svakako “baci pogled’ na taj c c odjeljak prije nastavka ˇitanja ovog materijala. konaˇan stroj. Analiza LU faktorizacije. Ako paˇljivo pogledamo proces raˇunanja LU faktorizacije. uoˇavamo da ga moˇemo z c c z izvesti tako da matrica U ostane zapisana u gornjem trokutu matrice A.4. z c c . Poˇinjemo s LU faktorizacijom. dakle onoliko koliko zauzima originalna matrica A. kao i za one koji taj materijal ˇele ponoviti. osnovne ˇinjenice su dane c z c u dodatku u odjeljku 4.4. medurezultate i rezultate z z c raˇunanja1 . Umjesto skupa realnih brojeva R imamo njegovu aproksimaciju pomo´u c konaˇno mnogo prikazivih brojeva (realni brojevi koje raˇunalo koristi su zapravo c c konaˇan skup razlomaka) ˇto znaˇi da raˇunske operacije ne moˇemo izvrˇavati niti c s c c z s toˇno niti rezultat moˇemo po volji dobro aproksimirati. z Prije nego prijedemo na numeriˇku analizu algoritma.1. Imamo ograniˇenu koliˇinu memorijc c c c c skog prostora u kojem moˇemo drˇati polazne podatke.ˇ 4.. c z Za one ˇitatelje koji nisu svladali osnove numeriˇkih operacija linearne algebre c c na raˇunalu. a strogo donji trokut matrice L bude napisan na mjestu elemenata strogo donjeg trokuta polazne matrice A.3. gdje nas oˇekuje niz zanimljivih zakljuˇaka.4.10): s ⎡ 1 ⎢a ⎢ 21 ⎢ ⎢ a11 ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ 0 1 a32 a22 a42 a22 a52 a22 (1) (1) (1) (1) (1) (1) 0 0 1 a43 a33 a53 a33 L (2) (2) (2) (2) 0 0 0 0 ⎤ ⎥ ⎤ A= a31 a11 a41 a11 a51 a11 1 a54 a44 (3) (3) 1 ⎥ a11 ⎥ ⎥⎢ ⎥⎢ ⎥⎢ 0 0⎥⎢ ⎥⎢ ⎥⎢ ⎥⎢ 0 ⎥⎢ ⎥⎢ ⎥⎢ 0⎥⎢ 0 ⎥⎣ ⎥ ⎥ 0 ⎥ ⎥ ⎦ 0⎥⎡ ⎥ a12 (1) a22 a13 (1) a23 (2) a14 (1) a24 (2) (3) 0 0 0 a33 0 0 U a34 a44 0 ⎥ ⎥ ⎥ ⎥ ⎥ (2) ⎥ a35 ⎥ . Vaˇnost pivotiranja. ⎥ (3) ⎥ a45 ⎥ ⎥ ⎦ (1) a25 a15 a55 (4) Vidimo da je za spremanje svih elemenata matrica L i U dovoljno n2 varijabli (lokacija u memoriji). c Praktiˇno je odvojeno analizirati LU faktorizaciju i rjeˇenje trokutastog susc s tava.

Algoritam 4. n − 1 { za j = k + 1. .3. tehniˇki komplicirana. . . Vaˇno je s z c z uoˇiti da cilj takve analize nije jednostavno tehniˇko prebrojavanje svih greˇaka c c s z c c zaokruˇivanja nego izvodenje sloˇenijih i dubljih zakljuˇaka o numeriˇkoj stabilnosti z algoritma i o pouzdanosti koriˇtenja dobivenih rezultata.3 postaje joˇ c z c s jednostavniji i elegantniji. Na taj naˇin se elementi polazne matrice gube. . n { za i = k + 1.} A(k. c a raˇunanje moˇemo shvatiti kao promjenu sadrˇaja polja A koje sadrˇi matricu A: c z z z ⎡ a11 ⎢a ⎢ 21 ⎢ A = ⎢ a31 ⎢ ⎣ a41 a51 ⎡ a12 a22 a32 a42 a52 a13 a23 a33 a43 a53 a14 a24 a34 a44 a54 a15 a25 ⎥ ⎥ ⎥ a35 ⎥ ⎥ a45 ⎦ a55 ⎤ a11 ⎢a ⎢ 21 ⎢ ⎢ a11 ⎢ → ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ a12 (1) a22 a13 (1) a23 a14 (1) a24 a31 a11 a41 a11 a51 a11 a32 a42 a52 a22 (1) (1) a22 (1) a33 a43 a53 a33 (2) a34 a44 a54 a44 (2) (2) (3) (1) a22 (1) (1) (2) a33 (2) (2) (3) (3) ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ (2) ⎥ a35 ⎥ ⎥ ⎥ ⎥. . c za k = 1. k) za j = k + 1. s . . . ⎥ ⎥ (3) ⎥ a45 ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ (4) ⎦ (1) a25 a15 ⎤ a55 Sve matrice A(k) . ponekad. . n { A(i. j) = A(i. . . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 173 ne treba nigdje posebno zapisivati. n { A(j. z Analiza greˇaka zaokruˇivanja je. vidimo da c konkretna realizacija algoritma na raˇunalu ukljuˇuje dodatne trikove i modifikacije c c kako bi se ˇto racionalnije koristili resursi raˇunala (npr. . . . . . k) . n − 1 su pohranjene u istom n × n polju koje na poˇetku sadrˇi matricu A ≡ A(0) .4. k)A(k. . } } } Primijetimo da smo koristili oznake uobiˇajene u programskim jezicima – element c matrice (dvodimenzionalnog polja) oznaˇili smo s A(i. j). . . k = 1.1 Raˇunanje LU faktorizacije matrice A bez dodatne memorije. . j) − A(i. Dodatnu s c paˇnju zahtijeva izvodenje aritmetiˇkih operacija pri ˇemu ne moˇemo izbje´i greˇke z c c z c s zaokruˇivanja. memorija). j). k) = A(j. 2.ˇ 4. Na ovaj naˇin zapis algoritma 4. Isto tako. .

. i = 1. a34 ⎦ a44 ⎤ Izraˇunate aproksimacije matrica L = [ ij ] i U = [ uij ] oznaˇiti ´emo s L = [ ˜ij ] i c c c U = [ uij ]. ⎦ A(1) a12 ˜21 ˜31 ˜41 u13 ˜ u23 ˜ a23 a33 a43 a13 ˜21 ˜31 ˜41 u13 ˜ u13 ˜ u13 ˜ a24 a34 a44 ˜21 a14 ˜21 ˜31 ˜41 ⎤ u14 ⎥ ˜ ⎥ ⎥ u14 ⎦ ˜ u14 ˜ u2j = a2j ˜ u1j . Ovdje smo sa oznaˇili one elemente koje ´emo mijenjati u sljede´em koraku. Kao u opisu algoritam za raˇunanje LU faktorizacije u odjeljku 4. c c Primijetimo da je prvi redak matrice U jednak prvom retku polazne matrice A. 4. ˜ c (i) koristit ´emo matrice L i transformacije oblika A(i) = L(i) A(i−1) . c Izraˇunate aproksimacije oznaˇavamo s L(i) i A(i) . ˜ j = 1. . Pric c c (1) c c mijetimo da su u prva dva retka matrice A ve´ izraˇunata prva dva retka matrice U .ˇ 4. . u34 ⎦ ˜ u44 ˜ u1j = a1j . c Sada umjesto matrica L(1) i A(1) = L(1) A imamo izraˇunate matrice 1 ⎢ −˜ ⎢ = ⎢ ˜21 ⎣ − 31 − ˜41 a11 ⎢ 0 ⎢ =⎢ ⎣ 0 0 u11 ˜ ⎢ 0 ⎢ =⎢ ⎣ 0 0 ⎡ ⎡ ⎡ L(1) 0 1 0 0 a22 a32 a42 u12 ˜ u22 ˜ 0 0 1 0 0 0⎥ ⎥ ⎥ 0⎦ 1 u12 ˜ u12 ˜ u12 ˜ u14 ˜ u24 ⎥ ˜ ⎥ ⎤ ⎥. .3. . n − 1. . U sljede´em koraku raˇunamo c c 1 0 ⎢0 1 ⎢ =⎢ ⎣ 0 − ˜32 0 − ˜42 ⎡ L(2) 0 0 1 0 0 0⎥ ⎥ ⎥ 0⎦ 1 ⎤ . . analizirat ´emo pric c mjer faktorizacije 4 × 4 matrice a11 ⎢a ⎢ A = ⎢ 21 ⎣ a31 a41 ⎡ a12 a22 a32 a42 a13 a23 a33 a43 a14 a24 ⎥ ⎥ ⎥. . 3. . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 174 Da bismo dobili ideju o kvaliteti izraˇunate faktorizacije.3. ˜ j = 2. 4. u11 ˜ ⎢ 0 ⎢ U =⎢ ⎣ 0 0 ⎡ ⎤ ⎡ ⎤ u12 ˜ u22 ˜ 0 0 u13 ˜ u23 ˜ u33 ˜ 0 u14 ˜ a11 ⎥ ⎢ 0 u24 ⎥ ⎢ ˜ ⎥=⎢ u34 ⎦ ⎣ 0 ˜ u44 ˜ 0 ⎤ a12 u22 ˜ 0 0 a13 u23 ˜ u33 ˜ 0 a14 u24 ⎥ ˜ ⎥ ⎥.

˜ j = 3. . i ≤ j ≤ n. pri ˇemu se koristi algoritam c uij = aij . 4. m=1 2 ≤ i ≤ n.1) uij = aij (1 + ξij ) − ˜ i−1 m=1 ˜im umj (1 + ζijm ).3. ˜ c Uoˇavamo da se elementi uij raˇunaju prema formuli c uij = aij − i−1 im umj .i−1 ui−1. u44 = ((a44 ˜ ˜41 u14 ) ˜ ˜42 u24 ) ˜ ˜43 u34 . . u zadnjem koraku je ostala transformacija 1 ⎢0 ⎢ =⎢ ⎣0 0 ⎡ L(3) 0 0 1 0 0 1 0 − ˜43 0 0⎥ ⎥ ⎥. 1 ≤ j ≤ n.4. .4.ˇ 4. ˜ za m = 1. U naˇem algoritmu. . i − 1 { uij = uij ˜im umj .j .2) .1) je samo specijalan sluˇaj raˇunanja op´enitog izraza oblika c c c s = v1 w1 ± v2 w2 ± v3 w3 ± · · · ± vp wp . zakljuˇujemo da postoje ξij . 0⎦ 1 ⎤ koja primjenom na A(2) . daje i preostali element matrice U. pri ˇemu je u1j = a1j . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 175 A(2) a11 ⎢ 0 ⎢ =⎢ ⎣ 0 0 u11 ˜ ⎢ 0 ⎢ =⎢ ⎣ 0 0 ⎡ ⎡ a12 u22 ˜ 0 0 u12 ˜ u22 ˜ 0 0 (a33 (a43 u13 ˜ u23 ˜ u33 ˜ ˜31 ˜41 u14 ˜ u24 ⎥ ˜ ⎥ ⎥. Ovu formulu je lako provjeriti raspisivanjem c produkta A = LU po elementima. ˜ (4. s s z vrijedi uij = ( · · · ((aij ˜ ˜i1 u1j ) ˜ ˜i2 u2j ) ˜ ···) ˜i. I.1) Formula (4. } ˜ ˜ ˜ Koriˇtenjem propozicije 4.4. u34 ⎦ ˜ ⎤ a13 u23 ˜ u13 ) ˜ u14 ) ˜ ˜32 ˜42 u23 ˜ u23 ˜ (a34 (a44 ˜31 ˜41 ˜32 a14 u24 ˜ u14 ) ˜ u14 ) ˜ ⎤ ˜32 ˜42 ⎥ ⎥ ⎥ u24 ⎦ ˜ u24 ˜ u3j = (a3j ˜ ˜31 u1j ) ˜ u2j . ˜ (4. ζijm takvi da je s c u (4. zbog greˇaka zaokruˇivanja.4.4.

Ovu situaciju moˇemo ilustrirati komutativnim z dijagramom na slici 4.4. ˜ δaij = m=1 ˜im umj ζijm − ξij aij . ˜ (4. Dobiveni rezultat je u praksi od izuzetne vaˇnosti. U faktorizacija c        egzaktna     A + δA Slika 4. a druga za 2nε < 1. Umjesto toga.3) ˜ gdje smo uij napisali kao ˜ii uij (1 + ζiji).4. |δA| ≤ nε 2nε (|A| + |L| |U|) ≤ |L| |U|. dakle netoˇna. 1 − nε 1 − 2nε gdje prva nejednakost vrijedi za nε < 1.4. c Izraˇunati rezultat je ekvivalentan egzaktnom raˇunu s promijenjenim polaznim c c podacima. dobili bismo upravo L i U .1 Komutativni dijagram LU faktorizacije u aritmetici konaˇne preciznosti.1. Naˇa analiza nije z s c dala odgovor na pitanje koliko su L i U daleko od toˇnih matrica L i U. s s onda je LU = A + δA.4. . ako bismo A promijenili u A + δA i zatim uzeli egzaktnu faktorc izaciju. 1 − nε i aij = m=1 ˜im umj + δaij . |ζijm| ≤ Relaciju (4. c z Ako su δA i δ A usporedivi po veliˇini.4.4.1 primijenjen na matricu A ∈ Rn×n i neka su c uspjeˇno izvrˇene sve njegove operacije. onda je LU = A + δ A + δA i LU = A + δ A.2) moˇemo proˇitati i kao z c i nε . j. Napomena 4. c Teorem 4. onda moˇemo u mnogim primjenama L i U smatrati jednako dobrim kao i L i U. c c Drugim rijeˇima.1 Neka je algoritam 4. jer z ˇesto je u primjenama nemogu´e raditi s egzaktnim podacima – matrica A moˇe biti c c z rezultat mjerenja ili nekih prethodnih proraˇuna. dobili smo zakljuˇak da L i U ˇine egzaktnu LU faktorizaciju matrice A + δA. Ako su L i U izraˇunati trokutasti faktori.1 Rezultat teorema zasluˇuje poseban komentar. Ako je egzaktna c c (nepoznata) matrica A i A = A + δ A. izraˇunato c E A perturbacija podataka L. ˜ Time smo dokazali sljede´i teorem. m |ξij |.ˇ 4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 176 Pri tome je za sve i. uz ˜ii = 1 i ζiji = 0.4.

c s Sjetimo se da je ovaj primjer najavljen kao primjer numeriˇke nestabilnosti procesa c eliminacija. | 1 | ≤ ε. vrijedi ˜21 = 21 (1 + u11 = u11 . npr. ˜ u12 = u12 . |α| A= U egzaktnom raˇunanju imamo c L(2. ˜ u22 = 1 ˜ Primijetimo da je 1 1 ). 1 ⎡ ⎤ 0 1 ⎤ ⎦. Sljede´i primjer z c pokazuje numeriˇku nestabilnost algoritma. neka je α = 10−10 . Neka je |α| < ε.1 Neka je α mali parametar.1) A = ⎣ α 0 1 1− 1 ⎦.1) 1 ⎣ 1 = − α ⎡ 1. ≤ u22 1−ε Dakle svi elementi matrica L i U izraˇunati su s malom relativnom pogreˇkom. α Pretpostavimo sada da ovaj raˇun provodimo na raˇunalu u aritmetici s 8 decimalnih c c −8 znamenki. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 177 Iz prethodne analize jasno je da je δA mala ako produkt |L| |U| nije prevelik u usporedbi s |A|. i neka je matrica A definirana s α 1 1 . Gdje je tu nestabilnost ako su svi izraˇunati c elementi matrica L i U gotovo jednaki toˇnim vrijednostima? Odstupanje (relativna c greˇka) je najviˇe reda veliˇine dvije greˇke zaokruˇivanja – gdje je onda problem? s s c s z Izraˇunajmo (egzaktno) LU: c LU = 1 1 α 0 1 α 0 1 −1 α = α 1 1 α = 0 1 A 1 0 + 1 0 0 . α = −1 1 α = − (1 + α 1 ). c Primjer 4. u22 − u22 ˜ 2ε . To na ˇalost nije osigurano u LU faktorizaciji. odnosno LU faktorizacije. −1 δA . tj.4. toˇnosti ε ≈ 10 . Kako je c problem jednostavan.ˇ 4. L(2. α pa je LU faktorizacija matrice A dana s α 1 A 1 1 =⎣1 1 α L ⎡ 0 1 ⎤⎡ ⎦⎣ α 0 1 1− U ⎤ 1 ⎦.

ako izraˇunamo |L| |U| dobijemo c |L| |U| = |α| 1+ 1 2|1 α| . 2 x2 α 1 1 0 x1 ˜ 1 = . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 178 Primijetimo da δA ne moˇemo smatrati malom perturbacijom polazne matrice A z – jedan od najve´ih elemenata u matrici A. Vidimo da katastrofalno vez lika greˇka nije uzrokovana akumuliranjem velikog broja greˇaka zaokruˇivanja. Primjer 4. Zamijenimo joj poredak redaka. zbog nenegativnosti matrica |L| i |U|. je promijenjen u nulu.4. c Napomena 4. c s z Cilj numeriˇke analize algoritma je da otkrije mogu´e uzroke nestabilnosti. Cis s z jeli problem je u samo jednoj aritmetiˇkoj operaciji (pri raˇunanju u22 ) koja je zac c ˜ pravo izvedena jako toˇno.1.4. s malom greˇkom zaokruˇivanja. gdje je 1 + = α(1 α). Kako je na poziciji (2.4. Ako c s s bismo koriste´i L i U pokuˇali rijeˇiti linearni sustav Ax = b. x2 ˜ 1 − 2α ˜ c Vidimo da se x1 i x1 potpuno razlikuju. pogledajmo linearne sustave z α 1 Njihova rjeˇenja su s x1 x2 −1 ⎤ ⎢ α−1 ⎥ 1 ⎢ ⎥ ⎥≈ =⎢ . a22 = 1. A = PA = 1 0 1 1 α 1 .4. 2) u matrici |L| |U| element koji je reda veliˇine 1/|α| > 1/ε. 2 x2 ˜ x1 ˜ 2 = . zapravo bismo radili c na sustavu (A + δA)x = b. Pogledajmo c nastavak primjera 4. Tek da dobijemo osje´aj kako katastrofalno loˇ rezultat c s moˇemo dobiti. Nestabilnost ilustrirana primjerom u skladu je s teoremom 4. Naime.ˇ 4. c c objasni fenomene vezane za numeriˇku nestabilnost i ponudi rjeˇenja za njihovo c s uklanjanje.2 Neka je A matrica iz primjera 4. Jasno nam je da je. vidimo da nam teorem ne moˇe garantirati mali c z δA. 0 1 α 1 1 1 = .4. Zakljuˇujemo da Gaussove eliminacije mogu biti numeriˇki nestabilne – dovoljna je jedna greˇka zaokruˇivanja “u krivo vrijeme c s z na krivom mjestu” pa da dobiveni rezultat bude potpuno netoˇan.2 I ovaj primjer zasluˇuje komentar. mali produkt |L| |U| mogu´ samo ako su elementi od L i U mali po apsolutnoj vrijednosti. | | ≤ ε.1. ⎣ 2α − 1 ⎦ 1 α−1 ⎡ 1 1 x1 1 = .1.

pa je broj ˜ max aij ρ= i. Ako je pri tome koriˇtena permutacija P . .4) dobra mjera za relativni rast (u odnosu na A) elemenata u produktu |L| |U|. .4.4. Dakle. . 1 U= 1 1 . koje osigurava da su u matrici L svi elementi po apsolutnoj vrijednosti najviˇe s 2 c jednaki jedinici . lako se vidi da su tada i svi elementi matrice |L| manji ili jednaki od jedan.2 Neka je LU faktorizacija n × n matrice A izraˇunata s pivotiranjem c redaka u aritmetici s relativnom toˇnosti ε i neka su L i U dobivene aproksimacije c za L i U. Iz prethodnih primjera i diskusija jasno je da standardno pivotiranje redaka. .k ij (k) max aij (4.j. elementi matrice U su dobiveni iz matrica A(k) . S druge strane. 1−α Ako je |α| < ε. Broj ρ zovemo faktor rasta elemenata u LU faktorizaciji i definiran je bez obzira da li koristimo pivotiranje redaka. Primijetimo da u analizi greˇaka zaokruˇivanja pivotiranje ne predstavlja dos z datnu tehniˇku poteˇko´u. . 2 |δA| ≤ 2nε P T |L| |U|. c s c z c Teorem 4. Naime. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 179 LU faktorizacija matrice A = LU je 1 α 1 1 = 1 α 0 1 1 0 1 . pa odmah moˇemo iskazati sljede´i teorem. 1 − 2nε Vidi teorem 4. k = 0. u ovom primjeru je bilo dovoljno c zamijeniti poredak redaka u A (redoslijed jednadˇbi) pa da imamo garantirano dobru z faktorizaciju u smislu da je LU = A + δA s malom perturbacijom δA . 0 1 δA po elementima istog reda veliˇine kao i |A |.2. U tom sluˇaju veliˇina produkta c c |L| |U| bitno ovisi o elementima matrice U. onda je s LU = P (A + δA). onda su izraˇunate matrice c L= i vrijedi LU = 1 α 1 1 = 1+α α A Primijetimo i da je produkt |L| |U| = 1 1 |α| 1 + α 1 0 + 1 0 0 .ˇ 4. 1 α 0 . n − 1. α |δA | ≤ ε|A|.3. 1. doprinosi numeriˇkoj stabilnosti.

Ipak.1 Ako LU faktorizaciju raˇunamo s pivotiranjem redaka u aritc metici s maksimalnom greˇkom zaokruˇivanja ε. valja u praksi uvijek raditi s pivotiranjem redaka. Nakon ponovnog ˇitanja dokaza teorema 4. δA ≤ 2nε 1 − 2nε n(n + 1) 2 n(n + 1) ρ A 2 F. . U primjeru 4. δA F ≤ O(n3 )ερ A F. Specijalno. tj. u sluˇaju egzaktnog raˇunanja je ρ ≤ 2n−1 . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 180 Specijalno je. Dakle. Postoje primjeri na kojima se ta gornja ograda i dostiˇe. c c Dokaz.ˇ 4. Moˇemo s z z zakljuˇiti i preporuˇiti sljede´e: c c c • Gaussove eliminacije. pivotiranjem moˇemo osigurati umjeren rast elemenata u toku s z LU faktorizacije. moˇemo zakljuˇiti da ˇak i raˇus z z c c c nanje faktorizacije s pivotiranjem na raˇunalu odgovara raˇunu bez pivotiranja ali c c s polaznom matricom A = P A. 1 − 2nε Kako je A + δA = P (A + P T δA ). Primijetimo i da je. bez obzira da li pivotiramo retke ili ne.3. Sada primjenom teorema 4. Dokaz ostavljamo ˇitatelju za vjeˇbu.1 dobijemo da vrijedi LU = A + δA . ˇto brzo raste kao c s funkcija od n.4.4. |δA | ≤ 2nε |L| |U|. F Razlika u numeriˇkoj stabilnosti koju donosi pivotiranje redaka je bolje ponac ˇanje parmetra ρ. Sljede´a propozicija z c pokazuje da u sluˇaju pivotiranja redaka faktor ρ ima gornju ogradu koja je funkcija c samo dimenzije problema.2 bi trebalo biti jasno da perc mutacije prolaze kroz elementarne transformacije L(i) neovisno o toˇnosti raˇunanja c c (egzaktno ili do na greˇke zaokruˇivanja). z iskustvo iz prakse govori da su takvi primjeri rijetki i da je LU faktorizacija s pivotiranjem redaka dobar algoritam za rjeˇavanje sustava linearnih jednadˇbi. onda je s z ρ ≤ 2n−1 (1 + ε)2(n−1) . Dokaz. odnosno LU faktorizaciju. stavljanjem δA = P T δA dobivamo tvrdnju teorema.1 smo vidjeli da u LU faktorizaciji bez pivotiranja rast elemenata tokom faktorizacije moˇe biti po volji velik.4. c z Primijetimo da je gornja ograda za ρ reda veliˇine 2n . Propozicija 4. bez obzira na pivotiranje.

i − 1 { ˜ ˜ vi = vi ⊕ Tij vj . trokutaste sustave rjeˇavamo jednostavnim s i elegantnim supstitucijama unaprijed ili unazad. . . ˜ za j = 2.. z Propozicija 4. 2.i )(1 + . Pojednostavljeno govore´i. onda postoji donjetrokutasta (gornjetrokutasta) matrica δT takva da vrijedi nε (T + δT )˜ = d. Ako je v rjeˇenje dobiveno primjenom aritmetike raˇunala pre˜ s c ciznosti ε. Sljede´a c c c propozicija opisuje kvalitetu numeriˇki izraˇunatog rjeˇenja trokutastog sustava jedc c s nadˇbi.3 Koliko god da je prethodni rezultat tehniˇki jednostavan. .2 Neka je T donjetrokutasta (gornjetrokutasta) matrica reda n i neka je sustav T v = d rijeˇen supstitucijama unaprijed (unazad) kako je opisano s u odjeljku 4. 1 − (i − 1)ε | 1. . valja c naglasiti da je zakljuˇak o toˇnosti rjeˇenja trokutastog sustava vaˇan: izraˇunato c c s z c rjeˇenje zadovoljava trokutasti sustav sa matricom koeficijenata koja se po elemens tima malo razlikuje od zadane. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 181 4.i | ≤ ε. .i ) |ζj | ≤ (i − 1)ε . .2. |δT | ≤ η |T |. | 2.ˇ 4. ako radimo s ε ≈ 10−8 i c ˜ ako je n = 1000. 1 − nε Dokaz. | 1 | ≤ ε. Pretpostavljamo da se i-ta komponenta rjeˇenja za i > 1 raˇuna na sljede´i naˇin: s c c c ˜ vi = Ti1 v1 .3. gdje se elementi od T c ˜ i T poklapaju u barem 5 decimalnih znamenki (od 8 na koliko je zadana matrica T ). Analiza numeriˇkog rjeˇenja trokutastog sustava c s Kako smo vidjeli u odjeljku 4.4.2. .4.i | ≤ ε. Ta jednostavnost se odraˇava i z na dobra numeriˇka svojstva supstitucija. . 3 Vidi odjeljak 4. Dokaz zbog jednostavnosti provodimo samo za donjetrokutastu matricu T . } ˜ vi = (di vi ) Tii .3. 0 ≤ η ≤ v . ˜ ˜ Primjenom pravila aritmetike raˇunala dobijemo3 c v1 = ˜ te za i = 2. Napomena 4. n di − vi = ˜ i−1 d1 (1 + T11 1 ). onda izraˇunati vektor v zadovoljava T v = d. kada ih provedemo na raˇunalu.4.4.. .2.. Tij (1 + ζj )˜j v j=1 Tii (1 + 1.4.

permutacija P se moˇe (za potrebe z analize) odmah primjeniti na polazne podatke i numeriˇku analizu moˇemo provesti c z bez pivotiranja. Izraˇunato rjeˇenje y sustava Ly = b zadovoljava (prema propozic s ˜ ciji 4.ˇ 4.4. Tako dobijemo sljede´u implementaciju Gaussovih eliminacija: c .1. Kako to pojednostavljuje oznake. c Teorem 4. |δ L| ≤ 1 − nε ˜ Na isti naˇin rjeˇenje x sustava U x = y zadovoljava c s ˜ x ˜ (U + δ U )˜ = y .2) nε |L|. Takoder pretpostavljamo da je 2nε < 1. gdje je LU = A + δA. x E = Lδ U + δ LU + δ Lδ U . x |∆A| ≤ 5nε P T |L| |U|. Kako smo vidjeli u prethodnim odjeljcima. c Neka su L i U izraˇunate trokutaste matrice. pokaˇimo kako cijeli algoritam na raˇunalu moˇemo z c z implementirati bez dodatne memorije.4. LU faktorizaciju moˇemo napraviti tako da L i U smjestimo u matricu A. Tada postoji perturbacija ∆A za koju vrijedi (A + ∆A)˜ = b.4. do˜ s z biveno Gaussovim eliminacijama s pivotiranjem redaka. y (L + δ L)˜ = b.3. Time smo dokazali sljede´i teorem. (L + δ L)(U + δ U )˜ = b. Kako smo prije vidjeli. Na kraju ovog odjeljka. 1 − 2nε |δ U| ≤ nε |U|. |E| ≤ |L| |δ U| + |δ L| |U| + |δ L| |δ U|. 1 − nε Ovdje je P permutacija koja realizira zamjenu redaka. Toˇnost izraˇunatog rjeˇenja sustava c c s Sada nam ostaje napraviti kompoziciju dobivenih rezultata i ocijeniti koliko toˇno moˇemo na raˇunalu rijeˇiti linearni sustav Ax = b u kojem smo izraˇuali LU c z c s c faktorizaciju P A = LU i supstitucijama naprijed i unazad izraˇunali c x = U −1 (L−1 (P b)). kao u teoremu 4. Sada joˇ primijetimo da z s sustave Ly = b i Ux = y moˇemo rijeˇiti tako da y i x u memoriju zapisujemo na z s mjesto vektora b. x (A + δA + E)˜ = b. Dakle.4. tj. mi ´emo pretpostaviti da su c na polazne podatke A i b ve´ primijenjene zamjene redaka. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 182 4. tako da su formule c jednostavno A = LU i x = U −1 (L−1 b)).3 Neka je x rjeˇenje regularnog n × n sustava jednadˇbi Ax = b.

n { za i = k + 1.} A(k.2 Rjeˇavanje trokutastog sustava jednadˇbi Ax = b Gaussovim elis z minacijama bez dodatne memorije. Na primjer. k) . n { A(i. . . } b(i) = b(i)/A(i. . . A = LU ∗/ za k = 1. odnosno kvocijentu x i y. . } } } /∗ Rjeˇavanje sustava Ly = b. . j)b(j).4. . k)A(k. n { za j = 1. . . /∗ LU faktorizacija. . . . j). . . i − 1 { b(i) = b(i) − A(i. Pri tome je relativna greˇka tako izves s denih operacija manja ili jednaka polovini najve´eg relativnog razmaka dva susjedna c broja u raˇunalu. . k) = A(j. u standardnoj jednostrukoj preciznosti (32-bitna c reprezentacija) je relativni razmak susjednih brojeva omeden s 2−23 pa je relativna greˇka aritmetiˇkih operacija najviˇe ε ≈ 10−8 . x napisan na mjesto b. . } } /∗ Rjeˇavanje sustava Ux = y. . mnoˇenja ili dijeljenja dva broja x i y prikaziva z u raˇunalu je po definiciji broj u raˇunalu koji je najbliˇi egzaktnom zbroju. . Dodatak: Osnove matriˇnog raˇuna na raˇunalu c c c Na raˇunalu op´enito ne moˇemo egzaktno izvrˇavati aritmetiˇke operacije. k) za j = k + 1. ∗/ s b(n) b(n) = . n) za i = n − 1.ˇ 4. rac c z zlici. .4. umnoˇku. . oduzimanja. .4. . . } 4. . ∗/ s za i = 2. A(n. . . . j) = A(i. j) − A(i. . 1 { za j = i + 1. s c s Navedena pravila za izvrˇavanje elementarnih aritmetiˇkih operacija lako zas c . j)b(j). . . n { A(j. i). SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 183 Algoritam 4. y napisan na mjesto b. n { b(i) = b(i) − A(i. . . n − 1 { za j = k + 1. c c z s c Rezultat zbrajanja.

(U c dvostrukoj preciznosti (64-bitna reprezentacija brojeva) je µ ≈ 10−308 .ˇ 4. . npr. . . norma. lako se provjeri da je s = (((x1 y1 (1 + 1 ) + x2 y2 (1 + 2 ))(1 + ξ2 ) + x3 y3 (1 + 3 ))(1 + ξ3 ) ˜ + x4 y4 (1 + 4 ))(1 + ξ4 ) = x1 y1 (1 + 1 )(1 + ξ2 )(1 + ξ3 )(1 + ξ4 ) +x2 y2 (1 + 2 )(1 + ξ2 )(1 + ξ3 )(1 + ξ4 ) 1 + ζ1 + x3 y3 (1 + 3 )(1 + ξ3 )(1 + ξ4 ) +x4 y4 (1 + 1 + ζ3 m=4 1 + ζ2 4 )(1 + ξ4 ) 1 + ζ4 = i=1 xi yi (1 + ζi ). vrijedi |ζk | ≤ mε . . s c c c c m = 4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 184 piˇemo na sljede´i naˇin: s c c zbrajanje: x ⊕ y = (x + y)(1 + 1 ). linearne kombinacije. gdje su xi . u raˇunalu dobijemo. u 32-bitnoj reprezentaciji µ = 2−126 ≈ 10−38 najmanji a M = (1 + 2−1 + · · · + 2−23 )2127 ≈ 1038 najve´i normalizirani strojni broj. | 1 | ≤ ε oduzimanje: x y = (x − y)(1 + 2 ). | 2 | ≤ ε mnoˇenje: x y = xy(1 + 3 ). 1 − mε tj. ξi po modulu manje od ε. | 3 | ≤ ε z x dijeljenje: x y = (1 + 4 ). m. yi skalari (realni ili kompleksni brojevi ili njihove aproksimacije na raˇunalu). Primijetimo da 1+ζk moˇemo ocijeniti s z 1 − mε ≤ 1 + ζk ≤ 1 . y = 0. 2. M) gdje je npr. | 4 | ≤ ε. gdje su sve vrijednosti i . y Ove relacije vrijede ako su rezultati navedenih operacija po apsolutnoj vrijednosti u intervalu (µ.) Analiza za rezultate izvan intervala (µ. M ≈ 10308 . Sustavnom primjenom osnovnih svojstava aritmetike na stroju. 1 − mε k = 1. M) je neˇto sloˇenija pa je ne´emo raditi. . izraz oblika s = ((((x1 ˜ y1 ) ⊕ x2 y2 ) ⊕ x3 y3 ) ⊕ x4 y4 ). matriˇne c c operacije) bazirana na raˇunanju c m s= i=1 xi yi. s z c Kako na raˇunalu izgledaju osnovne operacije linearne algebre? Lako se uvjeric mo da je ve´ina operacija (skalarni produkt. Sada je jasno kako bi izgledala formula za proizvoljan broj od m sumanada. Ako s raˇunamo na standardan naˇin.

xm .5. posebno u inˇenjerskim znanostima. 2. za sve i. Numeriˇko rjeˇavanje simetriˇnog sustava c s c jednadˇbi z U mnogim vaˇnim primjenama. . Da bismo dobili ideju zaˇto je s to tako. ˜ za i = 2.4. . gdje je R gornjetrokutasta matrica. . m { s = s ⊕ xi yi . A = A . . takvi da vrijedi m s= ˜ i=1 xi yi (1 + ζi ). |ω2 | ≤ ε. linearni z z sustav jednadˇbi je simetriˇan. . y1 . i = 1. . 1 − mε i = 1. Dokaz. . te da je 1 − (m + 1)ε ≤ (1 − ε)(1 − mε) i (m + 1)ε 1+ε ≤1+ . . Oˇito je formalni dokaz najc c lakˇe izvesti matematiˇkom indukcijom po m. . . tj. a J = diag(±1). m. m ≥ 1. onda Gaussove eliminacije moˇemo provesti puno efikasnije. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 185 Propozicija 4. j je aij = aji .3 Neka su x1 . pogledajmo LU faktorizaciju A = LU simetriˇne regularne matrice A.j=1 simetriˇna. Dovoljno je primijetiti da je u koraku s c indukcije s ⊕ xm+1 ˜ ym+1 = (˜ + xm+1 ym+1 (1 + ω1 ))(1 + ω2 ) s = s(1 + ω2 ) + xm+1 ym+1 (1 + ω1 )(1 + ω2 ). . Ako c vrijednost m s= i=1 xi yi raˇunamo kao c s = x1 y1 . . . Dokaz smo ve´ skicirali na primjeru m = 4. } ˜ ˜ onda postoje brojevi ζi . To znaˇi da je u sustavu Ax = b matrica A = z c c T [ aij ]n c i. Pokazuje se da u sluˇaju simetriˇne matrice z c c LU faktorizacija ima op´eniti oblik c A = RT JR. . . . ˜ |ω1 | ≤ ε. ym brojevi u raˇunalu. . 1 − mε 1 − (m + 1)ε 4. |ζi | ≤ mε . A = AT . Naravno. . m. Iz c .ˇ 4. . ako pametno iskoristimo simetriju. .

Dakle. x = 0. pa je L = U T D. i-ti stupac jediniˇne matrice. uzmemo x = ei . Kako nam je cilj saˇuvati simetriju. ako je S bilo koja regularna matrica i x = 0. Postojanje LU faktorizacije je uvijek osigurano ako pivotiramo. 4. onda je a11 > 0 i prvi korak eliminacija je ⎡ 1 ⎣ a − a11 0 In−1 ⎤ ⎦ ⎡ a11 a a A T =⎣ ⎢ a11 0 aT ⎤ ⎥ aaT ⎦ . A A ∈ R(n−1)×(n−1) . Pozitivno definitni sustavi. kod simetriˇne matrice ´emo istovremeno permutirati retke i c c c T stupce. Ako A particioniramo tako da je A= a11 a aT . tj. onda je i y = Sx = 0 i vrijedi xT (S T AS)x = (Sx)T A(Sx) = y T Sy > 0. i=1 onda definiramo |D|1/2 = diag(|di|1/2 ). D = U L je dijagonalna matrica. onda je aii = eT Aei > 0. tj. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 186 A = LU slijedi da je U −τ AU −1 = U −τ L istovremeno simetriˇna i gornjetrokutasta c −τ matrica. Ako npr. A− a11 . vrijedi xT Ax > 0. pa zakljuˇujemo da je i S T AS pozitivno definitna matrica. A− a11 ⎡ ⎤ ⎥ Sada primijetimo da vrijedi i ⎡ 1 ⎣ a − a11 0 In−1 ⎤ ⎦ a11 a aT a11 a ⎢1 − ⎥ ⎢ a11 ⎦ = ⎣ ⎣ A 0 0 In−1 T ⎡ ⎤ 0 aaT ⎦ . A = U T DU.5. c i dijagonalni elementi pozitivno definitne matrice su uvijek pozitivni. Slijedi da je A = RT JR. c Pozitivna definitnost osigurava egzistenciju LU faktorizacije bez pivotiranja. gdje je P matrica permutacije.1. radit ´emo s P AP . Pogledajmo kako. Faktorizacija Choleskog Kaˇemo da je simetriˇna n × n matrica A pozitivno definitna ako za sve z c n x ∈ R . c J = diag(sign(di )) i R = |D|1/2 U. Ako je D = diag(di )n .ˇ 4. tj. Nadalje.

Raspiz c sivanjem relacije r11 ⎢r ⎢ 12 ⎢ . rn−1. z T s pozitivno definitna matrica. Time je pokazana c z T egzistencija faktorizacije A = R R u kojoj je R gornjetrokutasta matrica. n { rij = aij − i−1 rki rkj k=1 rii . a zatim rijeˇimo z sustav Rx = y.ˇ 4. ⎣ . . dakle. .n 0 r11 ⎥⎢ 0 0 ⎥⎢ . ⎥⎢ . . . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 187 pri ˇemu je dobivena matrica takoder pozitivno definitna. c c Algoritam 4.. Faktorizaciju A = RT R zovemo faktorizacija Choleskog ili trokutasta faktorizacija simetriˇne pozitivno definitne matrice. . r2n ··· 0 0 ··· . ⎥⎢ . c Elemente matrice R moˇemo izraˇunati jednostavnim nizom formula. za i ≤ j. . k=1 √ /∗ za i = 1. . T A=R R=⎢ .1 Raˇunanje faktorizacije Choleskog simetriˇne pozitivno definitne c c n×n matrice A ∈ R . . ⎢ . . . onda rjeˇenje x = A−1 b = R−1 R−τ b s s moˇemo dobiti tako da prvo nademo rjeˇenje y sustava RT y = b. .n−1 · · · rn−1. . r1n ⎡ 0 r22 . Sada se lako provjeri da c aaT je i matrica A − pozitivno definitna. . Kako je R gornjetrokutasta matrica. .. njen prvi dijagonalni element je a11 strogo ve´i od nule pa se postupak eliminacija moˇe nastaviti. . n { rii = aii − i−1 2 rki. . cijeli postupak je vrlo jednostavan i moˇemo ga zapisati na sljede´i naˇin: z c c . . . . . . ⎢ . Ako je A = R R trokutasta faktorizacija. . . 0 ··· ··· ··· ··· . . dobijemo i aij = k=1 rkirkj odakle direktno slijedi sljede´i algoritam za raˇunanje matrice R. ⎥⎢ 0 ⎦⎣ 0 rnn 0 ⎤⎡ r12 r22 0 . rii = aii ∗/ za j = i + 1. . . ⎥⎢ . . . rn−1. } } c Promotrimo sada linearni sustav jednadˇbi u kojem je A ∈ Rn×n simetriˇna. ⎤ rnn po komponentama.5. . ..n ⎦ r1n r2n .. za i = 1.. .n−1 ··· 0 ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ rn−1.

u algoritmu 4.1) Dokaz. U i-tom koraku. .1 vrijedi1 rii = (1 + ε2 ) (1 + ε1 ) aii − ˜ 1 i−1 rki(1 + ζk ) . .5.5. c ˜ . j ≤ n vrijedi √ |δaij | ≤ ηC aii ajj . 1 { xi = yi − n rij xj j=i+1 rii .1 uspjeˇno izvrˇio sve operacije u konaˇnoj aritmetici s greˇkom zaokruˇis s c s z T vanja ε. k=1 √ /∗ za i = 1. 1 − 2c(n)ε c(n) = max{3. onda je R R = A + δA.2 Rjeˇavanje linearnog sustava jednadˇbi Ax = b s pozitivno defis z n×n nitnom matricom A ∈ R . . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 188 Algoritam 4. c c Propozicija 4.ˇ 4.5. . . . (4.5. } /∗ Supstitucije unazad za Rx = y ∗/ yn . da je uspjeˇno s s s izraˇunao rii > 0 za sve i. n { rii = aii − i−1 2 rki. } Naˇ je cilj ispitati numeriˇka svojstva algoritma 4. n { rij = aij − i−1 rki rkj k=1 rii . . } } /∗ Supstitucije naprijed za RT y = b ∗/ b1 y1 = .5. .1 Neka je za zadanu n × n pozitivno definitnu matricu A algoritam 4. n}. tj. r11 za i = 2. . . .5. xn = rnn za i = n − 1. c c gdje je δA = [ δaij ] simetriˇna matrica i za sve 1 ≤ i. ako njegove operacije s c izvedemo na raˇunalu u aritmetici konaˇne preciznosti ε. ˜2 k=1 (4. n { yi = bi − i−1 rjiyj j=1 rii . Ako je R izraˇunata aproksimacija matrice R. 2 ≤ i ≤ n.2) Ovdje koristimo pretpostavku da je algoritam uspjeˇno zavrˇio sve operacije. rii = aii ∗/ za j = i + 1. . . . . .1. /∗ Trokutasta faktorizacija A = RT R ∗/ za i = 1. ηC = c(n)ε .5.

5) rkj rki = aij + ˜ ˜ k=1 i−1 τ rkj rki ζk = aij + δaij = aji + δaji. ˜2 k=1 (4. .5.5.4) |η| .5.5. max |ζk | . ˜ ˜ rij rii − ˜ ˜ 1+τ k=1 Ovu relaciju moˇemo proˇitati i na drugi naˇin kao z c c aij + δaij − rij = ˜ Ako sada definiramo τi = max moˇemo pisati da je z |δaij | ≤ τi ≤ i k=1 i−1 rkj rki ˜ ˜ k=1 rii ˜ .6) |τ | .ˇ 4. Imamo c c ˜ aij − rij = (1 + ˜ 1 )(1 i−1 rkj rki (1 + ζk ) ˜ ˜ k=1 + 2) 1 )(1 rii ˜ + 2) . 1 − c(n)ε (1 − ηi )(1 − ηj ) aii ajj .3) Ovu relaciju moˇemo zapisati i u obliku z rii = ˜ Za i = 1 oˇito je c r11 = ˜ Definirajmo (1 + ε2 )2 a11 = a11 + δa11 . 1 − ηi ηi ≤ c(n)ε . (4. 1 − c(n)ε Na isti naˇin analiziramo raˇunanje vrijednosti rij .4) vrijedi ηi = max |δaii | ≤ ηi i k=1 rki ≤ ˜2 ηi aii . lako provjerimo da u relaciji (4. max |ζ | . 1 − (i − 1)ε pa stavljanjem 1 + τ = (1 + i lako dolazimo do relacije (4.5. |ζk | ≤ (i − 1)ε . ˜2 1+η k=1 (4. aii + δaii − i−1 rki . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 189 pa kvadriranjem i uz oznaku 1 + η = (1 + ε1 )(1 + ε2 )2 dobijemo i rki = aii + ˜2 k=1 i−1 η rii − ˜2 rki ζk = aii + δaii . j > i. 1 + η 1≤k≤i−1 Uz prethodnu definiciju. 1 + τ 1≤k≤i−1 k i i |˜kj | |˜ki| ≤ τi r r τi √ rkj ˜2 k=1 k=1 rki ˜2 τi ≤ c(n)ε .

gdje je F = δA + E.j aii ajj ξ = ηC + (2η + η 2 )(1 + ηC ).5. x ˜ Pri tome je |δ1 R| ≤ η |R| i |δ2 R| ≤ η |R|. Primijetimo i da je √ |Eij | ≤ (2η + η 2 ) aii ajj ≤ (2η + η 2 )(1 + ηC ) aii ajj .5) pokazuju da je RT R = A + δA. RT y = b i Rx = y. redom izraˇunati vektori rjeˇenja.4. x c s Kako je A = A + δA. i. Neka su c s y ≈ y i x ≈ x. Da smo. Prema propoziciji 4. (RT R + RT δ2 R + (δ1 R)T R + (δ1 R)T δ2 R)˜ = b. Time je tvrdnja propozicije dokazana. x Definiramo li E = RT δ2 R + (δ1 R)T R + (δ1 R)T δ2 R dobivamo da je |E| ≤ (2η + η 2 )|R|T |R|. ˜ (R + δ2 R)˜ = y .5. c gdje je δA = [ δaij ]n . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 190 Konaˇno. i. x Pri tome su i E i δA ocijenjeni po elementima.5.ˇ 4. x pa zakljuˇujemo da x zadovoljava sustav (RT R + E)˜ = b.j aii ajj U sljede´em koraku rjeˇavamo dva trokutasta sustava. nakon faktorizacije A + δA = RT R trokutaste sustave po y i x rijeˇili egzaktno. ˇto moˇemo re´i o x? Iz propozicije 4. slijedi da izraˇunati x zadovoljava c ˜ (R + δ1 R)T (R + δ2 R)˜ = b. ˜ ˜ 1 ≤ i. Ako je x izraˇunata c ˜ c −1 s z c ˜ aproksimacija toˇnog rjeˇenja x = A b. |δaij | max √ ≤ ηC .5. s . primijetimo da relacije (4. postoje ˜ ˜ c s gornjetrokutaste matrice δ1 R i δ2 R tako da vrijedi (R + δ1 R)T y = b.1 c s znamo da izraˇunata matrica R zadovoljava c RT R = A + δA. 1 − nε Nadalje. tj.3) i (4. na isti naˇin i s pribliˇno istom c z gornjom ogradom. imali bismo F = δA i ξ = ηC .2. gdje je η = nε .j=1 Sad nas zanimaju numeriˇka svojstva algoritma 4. na primjer. u kojem je E po elemenc ˜ T tima mala perturbacija matrice sustava A = R R. Moˇemo re´i da smo rijeˇili sustav s matricom A + F koja je z c s blizu zadane matrice A u smislu da je |Fij | max √ ≤ ξ. i. j ≤ n.2. dobivamo vezu izmedu polaznog sustava i izraˇunatog rjeˇenja x: ˜ (A + F )˜ = b.

Fs. Primijetimo da ∆A mora zadovoljavati jednadˇbu ∆A˜ = F x.2 Neka je (A+F )˜ = b.p )˜ = P T D −1 b.5. z c c gdje je As. max √ i=j aii ajj max i |∆aii | ≤ (2n − 1)ξ. Stavimo √ D = diag( aii )n i=1 i promotrimo skalirani sustav D −1 (A + F )D −1 D˜ = D −1 b. z Gornji sustav zapisat ´emo u ekvivalentnom obliku c ˜ P T (As + Fs )P z = P T D −1 b. Simetrija matrice A sustava je posljedica strukture problema kojeg opisujemo sustavom Ax = b. Fs = D −1 F D −1. pa niti c c c c s c c A+F nije simetriˇna. Pri tome je c x |∆aij | ≤ ξ. c Propozicija 4. gdje je A simetriˇna i pozitivno definitna x c i neka vrijedi |Fij | max √ ≤ ξ. As = D −1 AD −1 . Definirajmo mij = (Fs.p = P T As P . x (As + Fs )z = D −1 b. s istom strukturom. i. (As.j aii ajj Tada postoji simetriˇna perturbacija ∆A takva da je (A + ∆A)˜ = b. tj. nismo sasvim zadovoljni zakljuˇkom.p = P T Fs P .p )ij (Fs. postoji li simetriˇna perturbacija ∆A tako da je (A + x c ∆A)˜ = b i tako da za veliˇinu od ∆A postoje ocjene analogne onima za F ? x c Sljede´a propozicija daje potvrdan odgovor na to pitanje.ˇ 4. za j < i . tj. ali smo izgubili vaˇnu c s z strukturu polaznog sustava – simetriju. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 191 Ipak.p )ji za i < j. simetrijom. To nas ˜ s vodi do sljede´eg problema: c • Ako je (A + F )˜ = b. koja daje n z x ˜ uvjeta za n(n + 1)/2 stupnjeva slobode u ∆A. Konstruirat ´emo simetriˇnu matricu M = ˜ ˜ [ mij ] za koju je M z = Fs. Mi jesmo rijeˇili sustav blizak zadanom. Zaˇto? Paˇljivi ˇitatelj je sigurno c s z c ve´ uoˇio da op´enito E nije simetriˇna. tj.p + Fs. aii Dokaz.p z . ˇto povlaˇi da F nije simetriˇna. pa nam je vaˇno znati da z x odgovara rjeˇenju bliskog problema. Neka je P permutacija takva da vektor z = P T z zadovoljava ˜ z z |˜1 | ≤ |˜2 | ≤ · · · ≤ |˜n |.

p )ji ) j=1 zj ˜ . . te max |mij | ≤ ξ. z j=1 Ako je zi = 0. n. ∆A = D(P MP T )D. i formiranje samog sustava (raˇunanje koefis c cijenata sustava i desne strane) i njegovo rjeˇavanje na raˇunalu. ekvivalentno.5.p + M)˜ = P T D −1 b ili.7) dobijemo (A + ∆A)˜ = b. stavimo mii = 0. (4.1 Rezultat ovog odjeljka moˇemo saˇeti u jednostavan zakljuˇak. i Skaliranjem sustava (4. uzrokuju greˇke. Oˇito je |mii | ≤ (2i − 1)ξ.p )ii + ((Fs. c s Napomena 4. Po konstrukciji matrice As c i=j vrijedi z (As. ˜ Iskoristimo li definiciju izvandijagonalnih elemenata matrice M.p )11 .ˇ 4.p )ij − (Fs. jer. (A + δA)(x + δx) = b + δb. Inaˇe. Teorija perturbacija za linearne sustave Iz prethodnih razmatranja jasno je da u primjenama rijetko moˇemo izraˇunati z c egzaktno rjeˇenje sustava Ax = b. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 192 i odredimo dijagonalne elemente mii tako da je ˜ mii zi + j=i mij zj = (Fs.5.p )ij zj . za sve i. .p )ii zi + ˜ ˜ j=i (Fs. Sada se ˜ . z z c Pozitivno definitne sustave na raˇunalu moˇemo rijeˇiti s pogreˇkom koja je ekvivac z s s lentna malim promjenama koeficijenata u matrici sustava.6. s c s Analizom tih greˇaka dolazimo do zakljuˇka da izraˇunata aproksimacija rjeˇenja s c c s x = x + δx zadovoljava tzv. perturbirani sustav. . Pri tome je max |(P MP T )ij | ≤ ξ i=j (As + P MP T )z = D −1 b. zi ˜ i = 2. definiramo ˜ c i−1 m11 = (Fs.p )ij − (Fs. 4. x ˇime je dokaz zavrˇen.p )ji )˜j . mii = (Fs.7) i max |(P MP T )ii | ≤ (2n − 1)ξ.5. .p )ii zi + ˜ ˜ ((Fs. dobivamo relaciju i−1 mii zi = (Fs.

Dakle. onda moˇemo pisati c (I − X)Sm = Sm (I − X) = I − X m+1 . o tipu informacije o δA ili o teorijskim rezultatima koje koristimo u analizi. c ∞ k=0 = I +X +X +··· = Xk. npr.1 vidjeli smo da ˇak i mala perturbacija δA moˇe potpuno c z promijeniti rjeˇenje x. cilj je s c s otkriti kako moˇemo iz matrice A i vektora b dobiti ne samo (ˇto je mogu´e bolju) z s c aproksimaciju x. Izbor matriˇne norme · ovisi o konkretnoj c situaciji. c s U primjeru 4.ˇ 4. z Ako oznaˇimo Sm = I + X + · · · + X m .j=1 |Xij |2 = tr(X T X). Koriˇtenjem ove propozicije. kada m → ∞.1 Neka je X n × n matrica i · Ako je X < 1 onda je I − X regularna matrica i (I − X) −1 2 proizvoljna matriˇna norma. Neka je izabrana matriˇna norma jednaka Frobeniusovoj normi. Kako je. Uvjet pod kojim moˇemo garantirati −1 c regularnost matrice I + A δA daje sljede´a propozicija. Dokaz. ako je poznata informacija c s ˜ o veliˇini greˇaka δA i δb. Primijetimo da za svaki prirodan broj m vrijedi (I − X)(I + X + · · · + X m ) = I + X + · · · + X m − X − · · · − X m − X m+1 = I − X m+1 . Kako mi u realnoj primjeni ne znamo toˇno rjeˇenje. ˜ Na poˇetku teorijske analize. Propozicija 4. zbog X < 1. pa je x + δx jedinstveno odreden.6. tj. Zbog jednostavnosti promatrat ´emo samo (inaˇe. X m+1 zakljuˇujemo da je za dovoljno veliki indeks m matrica Sm po volji blizu matrici c (I − X)−1 . nego i procjenu koliko je ta aproksimacija dobra. . promotrimo jednostavniji sluˇaj u kojem je δb = c c 0. Sm = (I − X)−1 − (I − X)−1 X m+1 . Iz jednakosti A + δA = A(I + A−1 δA) vidimo da je regularnost matrice A + z δA osigurana ako je I + A−1 δA regularna.4. c n X F = i. · = · F . regularnost matrice A + δA obiˇno osiguravamo s c −1 tako da zahtijevamo da je A δA < 1. vaˇan) sluˇaj u kojem je matrica koeficijenata A + δA c c z c i dalje regularna. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 193 postavlja pitanje kako ocijeniti veliˇinu greˇke δx = x −x. jedina perturbacija je ona koja A promijeni u A+δA. (I − X)−1 X m+1 ≤ (I − X)−1 −→ 0.

1 − A−1 A A . onda je δx ≤ x 1− A−1 A A−1 b + A−1 x A ≤2 A−1 A .1) pokazuje da relativna greˇka u izraˇunatom rjeˇenju x moˇe biti s c s ˜ z uve´ana najviˇe s faktorom κF (A) = A−1 F A F u odnosu na relativnu promjenu c s = δA F / A F u polaznoj matrici A. Ako je A−1 A < 1. pa je c ˜ x−x ˜ Kako je A−1 δA F 2 F. postoje δA i δb takvi da je δA = A . 4. (I + A−1 δA)˜ = x. c s Op´enito ´emo promatrati i δA i δb. c Teorem 4.6.1 Neka je Ax = b. na primjer. x ≤ A−1 δA dobivamo A F F x 2. Pri tome postoje perturbacije δA i δb za koje je gornja nejednakost skoro dostignuta. (A + δA)(x + δx) = b + δb. Informacija o perturbaciji δA je vaˇan faktor c z u razvoju analize. x − x = A−1 δA˜.ˇ 4.1) Relacija (4. δb = b . Regularnost matrice A + δA je osigurana ako je npr.6. Preciznije.6. A−1 F δA F F = ( A F A−1 F) < 1. (4. da je perturbacija mala po normi. < A F 1 A−1 . Perturbacije male po normi Sljede´i teorem daje potpuni opis greˇke ako je perturbacija dana po normi. tj. te δx ≥ x 1+ A−1 A A−1 b + A−1 x A .1. ˜ ≤ A−1 2 F δA x−x ˜ x 2 ˜ ≤ A−1 F δA F = A F A−1 F A F.6. zadano (poznato) da je ≡ δA F A F 1 mali broj. a mjerenja perturbacija ´e biti u proizvoljnoj c c c vektorskoj normi · i pripadnoj matriˇnoj normi · . ˜ x Znaˇi. . tj. Neka je. gdje je δA ≤ δb ≤ b . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 194 pri ˇemu je tr oznaka za trag matrice. F Tada je A−1 δA <1i (A + δA)−1 = (I + A−1 δA)−1 A−1 . tj. z pa x = (A + δA)−1 b moˇemo pisati kao ˜ x = (I + A−1 δA)−1 A−1 b = (I + A−1 δA)−1 x.

Ovaj zadnji uvjet znaˇi da A−1 δb i −A−1 δAx moraju biti kolinearni. te da je |v T x| = x . δA i δb treba odabrati tako da je δA ≤ b .6. onda δb = b u c zadovoljava δb = b i A−1 δb = A−1 b . pa uzimanjem norme dobijemo δx ≤ A−1 b + A−1 A x + A−1 A δx . c s Vidimo da teorem 4.6. (4.1 iz zadane informacije o veliˇini perturbacija po normi c ( δA ≤ A . δb ≤ A A−1 δAx = te da je norma razlike A−1 δb − A−1 δAx jednaka sumi normi vektora. konstruirali smo δA i δb za koje je δx ≥ A−1 b + A−1 A x − A−1 A δx .2) odakle. x . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 195 Dokaz.2). |v T xz| ≤ z . x . (ii ) A−1 δAx = A A−1 |v T x| treba postati A−1 δAx = Dakle. b . pogledajmo desnu stranu jednakosti (4. s 1 . za sve z. Iz pretpostavki teorema je δx = A−1 δb − A−1 δAx − A−1 δAδx. ˇime je dokaz druge tvrdnje teorema zavrˇen. A .3) odluˇuju´i faktor u donoˇenju suda o numeriˇkoj kvaliteti izraˇunate aproksimacije c c s c c x = x + δx sustava Ax = b. Dakle. treba nam vektor v sa svojstvom da je. Sada stavimo δA = A uv T . c Ako je u jediniˇni vektor za kojeg je A−1 u = A−1 . Dakle. δb tako da vrijedi s A−1 δb − A−1 δAx = A−1 δb = A−1 A−1 b + A−1 A−1 A x . Vrijedi δx ≥ A−1 δb − A−1 δAx − A−1 δAδx . s Da bismo konstruirali perturbacije za koje dobivena nejednakost skoro postaje jednakost. Pravilo je jednostavno: ˜ Ovdje pod optimalnosti podrazumijevamo ˇinjenicu da je gornju ogradu za δx / x nemogu´e c c bitno poboljˇati.6. gdje je v ∈ Rn vektor kojeg ´emo odrediti da postignemo ˇeljene relacije: c z (i ) δA = A max z=0 uv T z = z A max z=0 |v T z| treba postati δA = z A A−1 A .ˇ 4.6. Postojanje takvog vektora je rezultat Hahn–Banachovog teorema: takav vektor v postoji. rjeˇavanjem nejednakosti po δx slijedi tvrdnja. δb ≤ b ) izvodi optimalnu1 ocjenu iz koje se jasno vidi da je broj κ(A) = A−1 A (4. Pokuˇajmo odrediti perturbacije δA.

(A + δA)˜ = b + δb. x x Tada je β(˜) = x δA ≤ A . s s s 4.6. A x + b ˜ Dokaz. Rezidualni vektor i stabilnost Postoji joˇ jedan jednostavan i koristan naˇin kako prosuditi kvalitetu aproksis c macije x rjeˇenja sustava Ax = b. Radi se o rezidualnom vektoru ˜ s r = b − A˜. x (4. onda moˇemo x prihvatiti kao zadovoljavaju´u aproksimaciju. x + b ˜ A i A x ˜ r. A x + b ˜ b . Neka je r = b − A˜ rezidualni vektor. kao A˜ = b + δb. δb ≤ b }. ˜ tj. ≥ ≡ b − A˜ x . x tj. c Teorem 4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 196 • Ako je relativna greˇka (po normi) u podacima najviˇe . A x + b ˜ b r. Ako relaciju (4. Ako je ≡ r b dovoljno mali broj. Ako je ≥ 0 takav da postoje δA.ˇ 4. z ˜ c Zaˇto? Recimo da su naˇa polazna matrica A i vektor b rezultati mjerenja ili nekih s s prethodnih proraˇuna.4) proˇitamo kako c A˜ = b − r. x + b ˜ tj.4) Kako je b−Ax = 0.2 Neka je x aproksimacija rjeˇenja sustava Ax = b i neka je ˜ s β(˜) = min{ : (A + δA)˜ = b + δb. onda vrijedi x r = δA˜ − δb. x gdje je δb = −r. b − A˜ x . δA˜ = x (A + δA)˜ = b − x . x δb takvi da je δA ≤ A .2. Odredimo δA tako da je δA = A b r. onda se relativna s s greˇka u rjeˇenju ponaˇa kao κ(A) . x Stavimo sada δb = − Oˇito je δb = c A pa je r ≤ ( A x + b ). onda vidimo da je x egzaktno rjeˇenje sustava koji je dobiven iz originalnog sustava ˜ s promjenom desne strane u b + δb.6.6.6. δb ≤ b . jasno je da bi za dobru aproksimaciju x pripadni rezidual trebao ˜ biti mali po normi.

. . c . . ove perturbacije su neizbjeˇne pri pohranjivanju z podataka u raˇunalo. Ove nejednakosti jednostavno zapisujemo kao |δA| ≤ ε|A|. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 197 Slika 4. |δb| ≤ ε|b|) ˇuvaju strukturu u smislu da nule u matrici A i vektoru c b ostaju nepromijenjene.6.ˇ 4.j=1 i A + δA = [ aij + δaij ]i. Perturbacije po elementima Najpreciznija ocjena perturbacije u matrici A je kada imamo informaciju o perturbaciji svakog njenog elementa. j = 1.j=1. onda je takva ocjena dana relacijama |δaij | ≤ ε|aij |. z 4.6. i. gdje je 0 ≤ ε 1. 2. . x + b ˜ Takav vektor v postoji po Hahn–Banachovom teoremu i lako provjerimo da δA ima sva traˇena svojstva.3. tj. Na isti naˇin piˇemo |δb| ≤ ε|b|. Nadalje. Ako z n n je A = [ aij ]i. svakog koeficijenta u sustavu jednadˇbi. Primijetimo da ovakve perturbacije c s (|δA| ≤ ε|A|. tj. n. z Definirajmo δA = gdje je v vektor sa svojstvima vT x = x ˜ ˜ i za sve z vrijedi |v T z| ≤ z .1 Interpretacija izraˇunatog rjeˇenja x kao egzaktnog rjeˇenja promijenc s ˜ s jenog sustava jednadˇbi. A A rv T . apsolutne vrijednosti matrica i nejednakost medu matricama shva´amo po elc ementima.

3 Neka je Ax = b i (A + δA)(x + δx) = b + δb.7) δx . pa je ε |A−1| |A| |x| + |A−1 | |b| ∞ j=1 i=1 −1 j=1 ≤ δx ∞ + ε |A−1| |A| ∞ δx ∞. . δb = −εD1 |b|. (4. Neka je m ∈ {1. Tada vrijedi δx |A−1| |A| |x| + |A−1 | |b| ≤ε . uvjet ε |A−1| |A| < 1 osigurava da je A + δA regularna matrica.6. Uzmimo proizvoljnu apsolutnu vektorsku normu · i njenu induciranu matriˇnu c −1 c normu.ˇ 4. . pa primjenom nejednakosti trokuta (mnogokuta) dobijemo da je |δx| ≤ |A−1 | |δA| |x| + |A−1 | |δA| |δx| + |A−1 | |δb| ≤ ε|A−1 | |A| |x| + ε|A−1 | |A| |δx| + ε|A−1 | |b| pa je δx ≤ ε( |A−1| |A| |x| + |A−1 | |b| ) + ε |A−1| |A| (|A−1 | |A| |x| + |A−1 | |b|)m = |A−1| |A| |x| + |A−1 | |b| Definirajmo dijagonalne matrice D1 = diag(sign((A−1 )mi ))n . . iz relacije (4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 198 Teorem 4.6.6. postoje perturbacije δA i δb takve da je |δA| = ε|A|. D2 = diag(sign(xi ))n . Prije svega. Neka je ε |A ||A| < 1.6. |δb| ≤ ε|b|. pa je x + δx jedinstveno odreden. . |δb| = ε|b| i da za rjeˇenje x + δx = (A + δA)−1 (b + δb) vrijedi s δx ∞ |A−1| |A| |x| + |A−1 | |b| ≥ε x ∞ (1 + ε |A−1 | |A| ∞) x ∞ ∞ . x (1 − ε |A−1| |A| ) x (4. n} odabran tako da je ∞. takoder oznaˇenu s · . S druge strane. Sada lako raˇunamo c (A δAx − A δb)m = −1 −1 (A )mj (δA)ji xi − −1 −1 (A−1 )mj δbj = ε(|A | |A| |x| + |A | |b|)m = ε |A−1| |A| |x| + |A−1 | |b| ∞. Sada lako provjerimo da vrijedi δx = −A−1 δA(x + δx) + A−1 δb.5) Nadalje. .7) lako izvedemo da je (A−1 δAx − A−1 δb)m = −(δx + A−1 δAδx)m .6. i=1 n i perturbacije δA = εD1 |A|D2 .6) Dokaz. i=1 n n (4. gdje je |δA| ≤ ε|A|. 2.

|δb| ≤ ε|b|⎪ = |A−1 | |A| |x| + |A−1 | |b| x ∞ ∞ . −β U . gdje je |ri | D1 = diag (|A| |˜| + |b|)i x n .6. x |δA| ≤ ε|A|. i=1 D2 = diag(sign(˜i ))n .1 U ovom primjeru istraˇujemo stabilnost Gaussovih eliminacija po z elementima matrice. (|A| |˜| + |b|)i x Optimalna perturbacija polaznih podataka koja reproducira izraˇunato rjeˇenje dana c s je s δA = D1 |A|D2 . |δb| ≤ ε|b|} = max i |ri | . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 199 Korolar 4. lim sup ⎪ ε→0 ε ⎪ ⎪ ⎪ ⎩ ⎧ ⎪ ⎪ ⎪ ⎪ ⎨ ⎫ ⎪ ⎪ ⎪ ⎪ ⎬ ⎪ ⎪ ⎪ ⎭ |δA| ≤ ε|A|. Vrijedi x c min{ε ≥ 0 : (A + δA)˜ = b + δb. Primijetimo da je |A−1 | |A| |x| ∞ ≤ |A−1| |A| |x| + |A−1 | |b| ∞ ≤ 2 |A−1| |A| |x| ∞. Neka su α = 0 i β = 0 zadani i neka je α A= α β .6. Zato kao koeficijent osjetljivosti moˇemo koristiti veliˇinu z c κ∞ (A. 0 1 b= .1 Relativni faktor osjetljivosti je dan relacijom δx ∞ x ∞ : (A + δA)(x + δx) = b + δb. x) = |A−1 | |A| |x| x ∞ ∞ . x i=1 Primjer 4. β ⎡ ⎤ Trokutasta LU faktorizacija matrice A je α α A β 1 = 0 1 L 0 1 α 0 β . 0 0 x = A−1 b = ⎣ 1 ⎦ .ˇ 4.4 Neka je x izraˇunata aproksimacija rjeˇenja sustava Ax = b i neka ˜ c s je r = b − A˜ izraˇunati rezidual. Teorem 4. δb = −D1 |b|.6.

8) α(1 + 21 ) 0 x2 ˜ 0 Ako je x1 = 0. jasno je da je za zadovoljavanje druge jednadˇbe u gornjem sustavu ˜ z s c c nuˇno uzeti 21 = −1. Znaˇi da z imamo veliku promjenu elementa. c ˜ Na primjer. prelaze u Vektor y = L−1 b = x2 = ˜ 1 (1 + ξ1 ). op´enito ne moˇemo garantirati da ´e izraˇunato rjeˇenje c c c z c c s x biti toˇno rjeˇenje sustava A˜ = ˜ u kojem su A i ˜ nastali malim relativnim ˜ c s x b b perturbacijama koeficijenata u A i b.4. β 1 1 ˜ x1 = (1 − β x2 (1 + ξ2 ))(1 + ξ3 )(1 + ξ4 ) = (−ξ1 − ξ2 − ξ1 ξ2 )(1 + ξ3 )(1 + ξ4 ). c c −1 Iz A + ∆A = A(I + A ∆A) slijedi da je I + A−1 ∆A singularna. ˜ α α s c c c gdje su ξ1 . Primijetimo da c op´enito ne moˇemo garantirati x1 = 0. n. treba odrediti ij .057062130620955e−001. ξ4 male greˇke reda veliˇine toˇnosti raˇunala. . Ako pogledamo proces supstitucija c s −1 unazad. ≥√ A F 2 3|α| Iz prethodnog primjera zakljuˇujemo da bez obzira na toˇnost koju koristimo c c u raˇunanju na raˇunalu.999999999999999e−001. β = 4. Pokuˇajmo joj na´i najbliˇu singularnu s c z matricu.6. Drugim rijeˇima. pri ˇemu mjerimo u nekoj matriˇnoj normi · . ξ2 . ˇto znaˇi da element a21 treba promijeniti u nulu. ˇ pri ˇemu je β (1 β) = 9. .ˇ 4. Neka je A+∆A singularna. bit ´e x1 = 0. δa21 = −a21 . A + ∆A s . i. (4. gdje su elementi matrice δA oblika aij (1+ ij ). x2 interpretirati kao egzaktno rjeˇenje s c s ˜ ˜ sustava (A+δA)˜ = b+δb. . pa je i 1 |α| δA F > .6. j = 1. Dodatak: Udaljenost matrice do skupa singularnih matrica Neka je A n × n regularna matrica. (δA)22 = −α. 4.) s c s s Pokuˇajmo sada izraˇunato rjeˇenje x1 . (Citatelju za vjeˇbu ostavljamo c z da pokuˇa na´i joˇ takvih brojeva. . egzaktne formule x2 = 1/β. tj. npr. ξ3 . x1 = 0. u IEEE aritmetici je takav broj. tako da vrijedi α(1 + 11 ) β(1 + 12 ) x1 ˜ 1 + ε1 = . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 200 1 je izraˇunat bez greˇke. Ako je β broj u raˇunalu takav da je c z ˜ β (1 β) = 1. a elementi x c od δb su bi (1 + εi ). (I viˇe. εi .

c mogu´e je da samo spremanje matrice koeficijenata u memoriju raˇunala predc c stavalja poteˇko´u – ponekad matricu drˇimo na vanjskoj. Dakle. c Nadalje. Moderne primjene matematike zahtijevaju s rjeˇenja sustava velikih dimenzija.2 ima broj 2 .) Tada je nuˇno A−1 ∆A ≥ 1. svaka barem 4 bajta (veliˇina reprezentacije realnog broja u jednostrukoj preciznosti). Gaussove c ˜ x eliminacije. npr. Dakle. onda se koriˇtenjem SVD dekompozicije matrice s A. n > 105 . blizak polaznom. 1 ≤ A−1 ∆A ≤ c A−1 ∆A .6. Takoder. z c Kako u takvim uvjetima implementirati Gaussove eliminacije? U puno vaˇnih primjena matrica sustava A je velike dimenzije. A−1 ∆A < 1 z povlaˇi (zbog propozicije 4. c s ˜ gdje obiˇno x zadovoljava sustav (A + δA)˜ = b. Na primjer.6. mac c trica dimenzije n = 105 zahtijeva n2 = 1010 lokacija u memoriji. A = i=1 T σi ui vi moˇe pokazati da je nejednakost u gornjoj propoziciji zapravo z n−1 T σi ui vi . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 201 i I + A−1 ∆A su istog ranga. pa je 1 ∆A ≥ .2. det(X)=0 A−1 Ako odaberemo n · = · 2. ali je rijetko z popunjena. c Tada je 1 A−X ≥ inf . i=1 jednakost koja se postiˇe za X = z 4. Naime. Dakle.ˇ 4. sporoj memoriji (datoteka s c z na disku) i onda moˇemo dijelove matrice uˇitavati dio po dio u radnu memoriju. To znaˇi da je velika ve´ina elemenata od A jednaka nuli. matrica iz primjera 4. a elementi c c koji nisu nula obiˇno su pravilno rasporedni po matrici ili ˇak imaju i pravilno c c c rasporedene numeriˇke vrijednosti. koje su jednostavno konaˇan niz formula koje vode rjeˇenju sustava. Iterativne metode U prethodnim odjeljcima vidjeli smo da rjeˇenje linearnog sustava Ax = b s op´enito ne moˇemo izraˇunati apsolutno toˇno. A−1 Time smo dokazali: Propozicija 4. u nekim primjenama niti c z c c toˇno rjeˇenje x = A−1 b nije puno bolje od neke dovoljno dobre aproksimacije x. Jer.7.2 Neka je A regularna matrica i · proizvoljna matriˇna norma. u praksi moramo biti svjesni da je raˇunalo omeden ne samo u pic tanju numeriˇke toˇnosti nego i u joˇ dva vaˇna aspekta: raspoloˇivom memoric c s z z jskom prostoru i vremenu izvrˇavanja. Lako se uvjeriti da je u takvim s primjerima proces Gaussovih eliminacija ˇesto praktiˇno neupotrebljiv.1) da je I +A−1 ∆A regularna. ne c s garantiraju idealnu toˇnost.

(Ako A nema strukturu. gdje su fij (· · ·) poznate funkcije nekih parametara) pa uvijek moˇemo generirati dijelove matrice. Toˇkice pokazuju pozicije elemenata u mac trici koji su razliˇiti od nule. zahtijeva 3n mnoˇenja c z i 2n zbrajanja – ukupno 5n operacija. a ostali elementi su nule. pozc nato da je aij = fij (· · ·).7. Ponekad je poznat naˇin kako su generirani elementi matrice (npr. onda op´enito c s raˇunanje Av zahtijeva 2n2 − n operacija.1. Mogu´e je i da je u konkretnoj aplikaciji z c jedino zadano kako A djeluje kao linearni operator – postoji potprogram koji za zadani v raˇuna Av.1 Rijetko popunjena matrica. Najbolje ˇto moˇemo je uˇitavanje dijelova matrice iz vanjske u radnu c s z c memoriju. z Slika 4.ˇ 4. Ponovo uoˇavamo da je u svakom retku broj elemenata c koji nisu nula unaprijed poznat (kao i pozicije gdje se ti elementi nalaze) i da je broj takvih elemenata puno manji od dimenzije n.7. kako onda c c c rijeˇiti Ax = b? s . c Ponekad je matrica A velike dimenzije i gusto popunjena (svi ili velika ve´ina c elemenata je razliˇita od nule). Ako je to jedini naˇin kako do´i do matrice A. gdje je v ∈ R . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 202 na dijagonali i −1 na dvije sporedne dijagonale. To znaˇi da c n za takvu matricu A raˇunanje produkta Av. tako da jednostavno ne moˇe stati u memoriju c z raˇunala. To znaˇi da je raˇunanje produkta c c Av sloˇenosti puno manje od 2n2 − n.) Joˇ jedan primjer rijetko popunjene c matrice je dan na slici 4.

c z c (ii ) x(k) teˇi prema x = A−1 b i za neki k (obiˇno k aproksimacija za x. a22 = 0. pod kojim uvjetima te iteracije teˇe prema rjeˇenju x. x(0) z s 1 2 rigiramo pomo´u formula c x1 = (1) x2 (1) T ko- 1 (0) (b1 − a12 x2 ) a11 1 (0) = (b2 − a21 x1 ). z s .7. x(2) . Primijetimo da ne moramo nuˇno teˇiti pronalaˇenju z z z egzaktnog rjeˇenja – umjesto toga ˇelimo dovoljno dobru aproksimaciju x. vektora iz Rn sa sljede´im s c svojstvima: (i ) za svaki k formula za raˇunanje x(k) je jednostavna. bit ´e dani malo kasnije. . Zato s z ˜ ima smisla pokuˇati konstruirati niz x(0) . c z itd. . Ideju Jacobijeve metode s ilustrirat ´emo na primjeru 2 × 2 sustava c a11 x1 + a12 x2 = b1 . . Detalji. . a21 x1 + a22 x2 = b2 a11 = 0. . Jacobijeva i Gauss–Seidelova metoda Jacobijeva i Gauss–Seidelova metoda pripadaju klasiˇnim i najjednostavnijim c iterativnim metodama za rjeˇavanje linearnih sustava. zatim x(3) . a22 T (4.7. Pitanje je. x(1) . . Na isti s 1 2 c naˇin moˇemo iskoristiti x(1) da dobijemo sljede´u aproksimaciju. x2 ]T zadovoljava c s 1 (b1 − a12 x2 ) a11 1 x2 = (b2 − a21 x1 ). a22 x1 = Te relacije motiviraju da neku pribliˇnu vrijednost rjeˇenja x(0) = x(0) . . koji ovise o konkretnom problemu i o konkretnom naˇinu konstruc (k) iranja niza (x ). n) je x(k) prihvatljiva Nabrojana svojstva su za sada namjerno dana u nepreciznoj. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 203 Prethodna diskusija nas motivira da potraˇimo i drugaˇije pristupe za rjeˇavaz c s nje linearnog sustava Ax = b. ali lako razumljivoj formi.1. x(k) . c 4.1) Nadamo se da je x(1) = x(1) . naravno. x(1) bolja aproksimacija nego ˇto je to x(0) .ˇ 4. Uoˇimo da rjeˇenje x = [ x1 .

000012500000000e+001 . (k+1) (k) ⎣ 1 ⎦ b2 −a21 0 x2 x2 0 a22 Dakle. −3 x = A−1 b = 10 .9 . D= a11 0 0 . Zbog jednostavnosti s primjer je dimenzije 2 × 2 tako da svatko moˇe lako slijediti raˇun. Naravno da je ovo gruba aproksimacija.7. −1.2).3) i dobijemo x(1) = x(2) = x(3) = x(4) = x(5) = 1.3) definirana je Jacobijeva iterativna metoda. ako stavimo A = D − N.987500000000000e−001 9. z c Primjer 4. 2 b= 19. x(0) = D −1 b = ⎣ 2 1 ⎦ −3 −1. −1. Pokuˇajmo ovaj proces ilustrirati na jednom primjeru.000000015625000e+001 .000000015625000e+000 .002500000000000e+000 1. Ponekad je c s s dovoljno uzeti sluˇajno odabran vektor.1 0. Primijetimo da vrijedi ⎡ 1 ⎤ 0 ⎥ (k+1) (k) ⎢ b1 0 −a12 x1 x1 ⎥ = ⎢ a11 + .949999999999999 ⎢ = .7.002500000000000e+001 .7. −1. pa A−1 b c −1 aproksimiramo s D b.999999687499999e+000 .7.7. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 204 Prije same analize. poˇeljno je da je polazna iteracija c z ˇto je mogu´e bliˇe cilju. zgodno je uoˇiti strukturu raˇunanja vektora x(k+1) pomo´u c c c (k) x .000003125000000e+000 1.5 0 2 Primijetimo da u poˇetnoj iteraciji pokuˇavamo “pogoditi” rjeˇenje. 0 (4.3) Matricu A napiˇimo kao u relaciji (4. Relacijom (4.1 Neka je A= 2 −0.7.1 .ˇ 4.999937500000000e+000 . Ipak. Za poˇetnu iteraciju uzmimo vektor s c ⎡1 ⎤ 0 ⎥ 19. −9. ali ipak ima smisla.9 9. −9. Naˇ izbor je bio rezultat jednostavne ideje: matricu A s c z s aproksimiramo s D (jer su dijagonalni elementi ve´i od izvandijagonalnih). Sada iteriramo kao u relaciji (4. −1 (4.2) onda moˇemo jednostavno pisati z x(k+1) = D −1 (b + Nx(k) ) = D −1 Nx(k) + D −1 b. a22 N= 0 −a21 −a12 .999937500000000e−001 9.

onda je = 5.ˇ 4. Koriˇtenjem (4.6) Iz relacije (4. Sada iz (4. .7.4) Primijetimo da izvedene relacije (4. 2.7. . s k = 0. ann ). i=1 aii = 0.7.6) zakljuˇujemo da ´e e(k) teˇiti nuli za svaki poˇetni x(0) ako matrice c c z c −1 k −1 (D N) teˇe nuli za k → ∞. ako je D N < 1. (4.7.2).562499996055067e−007. Vrijedi c s s e(k+1) = x(k+1) − x = D −1 N(x(k) − x) = D −1 Ne(k) . konvergira rjeˇenju x sustava Ax = b.7. (4.250000000029843e−005 = 3.4) slijedi e(k) = D −1 Ne(k−1) = (D −1 N)2 e(k−2) = (D −1 N)k e(0) .7.7) .125000000103739e−006 = 1.7.499999999999858e−002 = 1. . . Na primjer.7. (4. 1.3). SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 205 Ako izraˇunamo relativne greˇke c s 0 1 2 3 4 5 k = x − x(k) ∞/ x ∞. .7.7. gdje je A = D − N. gdje je e(0) = x(0) − x pogreˇka prve iteracije x(0) . onda za svaku poˇetnu iteraciju x(0) niz c x(k+1) = D −1 (b + Nx(k) ). Uzimanjem proizvoljne vektorske s norme · i odgovaraju´e matriˇne norme.4) vrijede za proizvoljni n ≥ 2. dobivamo c c e(k) ≤ (D −1 N)k e(0) ≤ D −1 N k e(0) . Vidimo i da je nakon k-tog koraka greˇka e(k) barem s c D −1 N k puta manja od polazne e(0) . Propozicija 4.249999999999973e−003 = 6. . (4. (4. (4.1 Ako je u rastavu A = D −N u nekoj matriˇnoj normi ispunjeno c D −1 N < 1. onda svakako z −1 k s D N → 0 za k → ∞.7. lako izraˇunamo ponaˇanje pogreˇke e(k) = x(k) − x. Zapiˇimo ove zakljuˇke u obliku propozicije. .5) n D = diag(a11 .000000000000000e−001 = 2.3) i relacije s b = Ax = (D − N)x.

Ako paˇljivije promotrimo formule (4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 206 Propozicija 4. Na primjer.1). x1 a11 1 (k+1) (k+1) (k) (k) x2 = (b2 − a21 x1 − a23 x3 − a24 x4 ).7. vratimo se primjeru n = 4. vidimo da bi imalo smisla u z (1) (0) formuli za x2 umjesto x1 koristiti novu. s Dokaz. upravo izraˇunatu (i vjerojatno bolju) c (1) (k+1) c modificiramo tako da u svakoj kompovrijednost x1 . a22 (4. (1) (1) Primijetimo da smo u relacijama (4. n.8) 1 (k+1) (k+1) (k+1) (k) x3 = (b3 − a31 x1 − a32 x2 − a34 x4 ). formulu za x nenti koristimo najsvjeˇije izraˇunate vrijednosti. (4. Lako je pokazati da je D −1 N ∞ < 1. a44 Jasno je da je u op´enitom sluˇaju c c xi (k+1) = i−1 n 1 (k+1) (k) bi − aij xj − aij xj . pomo´u c c (0) (0) x1 i x2 . .7.1) x1 i x2 raˇunali neovisno. j=i onda niz generiran Jacobijevom metodom s proizvoljnim x(0) konvergira prema rjeˇenju sustava Ax = b.7.7. i = 1.7. ⎥ ⎢ (k) ⎥ ⎢ ⎥ (k) a34 ⎦ ⎣ x3 ⎦ ⎣ ⎦ −a34 x4 (k) 0 0 x4 ⎤ ⎡ (k) ⎤ ⎡ ⎤ te da je vektor x(k+1) zapravo rjeˇenje donjetrokutastog sustava s a11 ⎢a ⎢ 21 ⎢ ⎣ a31 a41 0 a22 a32 a42 0 0 a33 a43 (k) (k) (k) x1 −a12 x2 − a13 x3 − a14 x4 0 ⎢ ⎥ ⎢ (k+1) ⎥ (k) (k) ⎥ ⎢ ⎥ 0 ⎥ ⎢ x2 −a23 x3 − a24 x4 ⎥⎢ ⎥=⎢ ⎥. ⎥ ⎢ (k+1) ⎥ ⎢ ⎥ (k) 0 ⎦ ⎣ x3 −a34 x4 ⎦ ⎣ ⎦ (k+1) a44 0 x4 ⎤ ⎡ (k+1) ⎤ ⎡ ⎤ (4. .2 Ako je matrica A dijagonalno dominantna u smislu da je |aii | > n j=1 |aij |. Uoˇimo da je u relaciji (4.7.ˇ 4.10) . . a33 1 (k+1) (k+1) (k+1) (k+1) x4 = (b4 − a41 x1 − a42 x2 − a43 x3 ).9) Gornje formule definiraju Gauss–Seidelovu iterativnu metodu. . . . aii j=1 j=i+1 i = 1. Op´enito.8) c 0 a12 ⎢0 0 ⎢ −⎢ ⎣0 0 0 0 ⎡ ⎡ a13 a23 0 0 (k) (k) (k) x1 −a12 x2 − a13 x3 − a14 x4 a14 ⎢ ⎥ ⎢ (k) ⎥ (k) (k) ⎥ a24 ⎥ ⎢ x2 ⎥ ⎢ −a23 x3 − a24 x4 ⎥⎢ ⎥=⎢ ⎥.7. Da bismo bolje shvatili strukturu izvedenih formula. n. u sluˇaju n = 4 imali z c c bismo 1 (k+1) (k) (k) (k) = (b1 − a12 x2 − a13 x3 − a14 x4 ). . .

14) Pri tome je matrica M odabrana tako da ju je lako invertirati. Na adresi http://www. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 207 Stavimo a11 ⎢a ⎢ L = ⎢ 21 ⎣ a31 a41 ⎡ 0 a22 a32 a42 0 0 a33 a43 0 0 ⎥ ⎥ ⎥. a iteracije su dane s x(k+1) = M −1 (b + Sx(k) ).8. U Jacobijevoj metodi je M = D dijagonalna.7. k = 1. .3 Ako je A simetriˇna i pozitivno definitna matrica. 2.7. k = 1. . (4. .netlib. uz uvjet regularnosti matrice L. problemi najmanjih kvadrata. onda niz c generiran Gauss–Seidelovom metodom s proizvoljnim poˇetnim x(0) konvergira prec ma rjeˇenju sustava Ax = b.7. problemi svojstvenih i singularnih z vrijednosti za matrice i matriˇne parove. Konvergencija prema rjeˇenju sustava Ax = b je osigurana s ako je M −1 N < 1 za neku matriˇnu normu · .org mogu se na´i implementacije u programskim jezicima FORTRAN i C. gdje je M regularna matrica. Gauss–Seidelovu metodu moˇemo zapisati kao z x(k+1) = L−1 (b + Ux(k) ). 2.11) Vrijedi A = L − U i. .ˇ 4. . 2. Biblioteka s c BLAS (Basic Linear Algebra Subroutines. c . da je lako rijeˇiti s sustav Mx(k+1) = b + Sx(k) . k = 1. .7. s I Jacobijeva i Gauss–Seidelova metoda generirane su istom shemom: Matrica A je napisana u obliku A = M − S. dobivamo da je e(k) = (L−1 U)k e(0) . a u Gauss–Seidelovoj M = L je donjetrokutasta matrica.13) Propozicija 4. dok je LAz PACK opseˇna biblioteka sa gotovim rjeˇavaˇima za probleme kao ˇto su linearni z s c s sustavi jednadˇbi. c Obje biblioteke dostupne preko Interneta.7. osnovni potprogrami za linearnu algebru) sadrˇi potprograme za elementarne operacije s vektorima i matricama. . (4. dvije trenutno najpopularnije biblioteke programa za rjeˇavanje problema numeriˇke linearne algebre.12) Kao i u analizi Jacobijeve metode. Matematiˇki software za problem Ax = b c U ovom poglavlju opisujemo BLAS i LAPACK. a34 ⎦ 0 ⎤ (4. . U LAPACK-u su sve elementarne operacije c nad matricama i vektorima izvedene pomo´u poziva biblioteke BLAS. (4. tj. . 0 ⎦ a44 ⎤ 0 a12 ⎢0 0 ⎢ U = −⎢ ⎣0 0 0 0 ⎡ a13 a23 0 0 a14 a24 ⎥ ⎥ ⎥. c 4.

Kao prvo. prelaskom na drugo raˇunalo se s c mijenjaju parametri optimalne implementacije i postupak treba ponoviti. c 4. na primjer. Sve to zahtijeva dodatne napore c ˇto onda poskupljuje izradu programa. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 208 Cilj ovog odjeljka nije detaljan opis tih biblioteka. (iii ) listom izlaznih vrijednosti. Takodjer. a optimizacija implementac cije je svedena na mali skup standardiziranih procedura. U nekim operacijama. ne preveliki. gdje je hijerarhija tipova ona iz c C-a. duljina vektora ili produkt dvije matrice. skup operacija koji je pak dovoljno velik da se iz njega moˇe izvesti ve´ina ostalih operacija. Za potrebe ove knjige smo skupili neke bilbioteke programa. tako da ih ˇitatelj moˇe lako kopirati c z na svoje raˇunalo i koristiti. c c Optimalna implementacija algoritma kao ˇto je na primjer mnoˇenje dvije s z matrice nije uvijek jednostavan posao. z ˇ Cinilo se razumnim odabrati jedan. programiranje kompliciranih algoritama je pojednostavljeno: s pri proraˇunu konstrukcije tankera ne treba troˇiti vrijeme oko detalja kao ˇto je c s s npr. pa je poˇeljno da su elementarne z operacije implementirane na najefikasniji mogu´i naˇin. kao. Nadalje. (Implec mentacija BLAS-a u jeziku C ima sliˇnu strukturu. Time je i odrˇavanje dobrog. DOUBLE PRECISION. efikasnog programa skupo.8. Tako imena koja poˇinju c sa I oznaˇavaju cjelobrojni tip (INTEGER). C oznaˇava kompleksni c c tip (COMPLEX). ti c tipovi su REAL. Kako je BLAS povijesno vezan za programski jezik FORTRAN. a Z oznaˇava kompleksni tip u dvostrukoj preciznosti. COMPLEX i DOUBLE COMPLEX. Zbog preglednosti. (ii ) listom ulaznih parametara.ˇ 4. sc uzeto je da je prvo slovo imena procedure oznaka tipa. Implementacija odabranih . zahtijeva se da su operacije implementirane za sve tipove brojeva koje koristi raˇunalo. Osim toga.) Na ovaj naˇin je pojednostavljeno programiranje. rezultat je cjelobrojan (INTEGER). Za optimalni rezultat je potrebno poznavati detalje grade i funkcioniranja pojedinog raˇunala. pri traˇenju komponente vektora s najve´om z c apsolutnom vrijednoˇ´u. Korist od takvog standardiziranja je c viˇestruka. i najsloˇeniji proraˇuni z c su sastavljeni od takvih elementarnih operacija. D oznaˇava dvostruku preciznost (DOUBLE). S oznaˇava jednostruku preciznost c c (SINGLE).1. Za odabrane z c operacije se specificiraju procedure i to (i ) imenom. Umjesto toga ˇelimo ˇitaz c telju dati osnovnu informaciju i uputiti ga na izvore informacija. Pregled biblioteke BLAS Biblioteka BLAS je nastala iz potrebe da se elementarne operacije u linearnoj algebri na neki naˇin standardiziraju.

IZAMAX (n. u ovoj toˇki je s (n. . ZY. kx) zadan vektor tipa DOUBLE PRECISION. c To znaˇi da su elementi vektora x na pozicijama X(1 + (i − 1)kx). n. ne besplatno. DX. kx). • SSWAP razmjenjuje sadˇaj vektora x i y. ky). s c Operacije s vektorima: BLAS 1 Zbog jednostavnosti. kx) vektor tipa DOUBLE COMPLEX. ZX. CY. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 209 procedura se onda moˇe prepustiti struˇnjacima za software. Dat ´emo kratak pregled osnovnih operacija u paketu BLAS 1. Varijante su: DCOPY (n. CY. kx) c vektor tipa COMPLEX i s (n. kx. IDAMAX (n. . ky). Trˇiˇna utakmica z c zs izmedu proizvodaˇa raˇunala je dovela do toga da proizvodaˇi nude tvorniˇki opc c c c timirane verzije BLAS biblioteke za svoja raˇunala1 . kx). DY. Kako su i c izvorni kod i dokumentacija dostupni preko Interneta. s . kx. DY. Varijante su: DSWAP (n. kx. U skupini operacija sa vektorima izdvajamo: c • SCOPY kopira vektor x u vektor y. c c Sliˇno je s (n. X. ky). ky). Y. ZSWAP (n. ZX. CSWAP (n. ZCOPY (n. ky). ne´emo ulaziti u sve detalje. CX.ˇ 4. ICAMAX (n. ky). Takve implementacije imaju c vrijeme izvrˇavanja znatno kra´e od “naivne” implementacije. Deklarirana je sa SUBROUTINE SCOPY (n. Y. i = 1. z Deklarirana je sa SUBROUTINE SSWAP (n. • ISAMAX raˇuna najmanji indeks i za koji je |xi | = max |xj |. ky). X. kx. DX. ZX. kx). Obiˇno se takve biblioteke kupuju zajedno sa ostalom programskom c podrˇkom. DX. X. c niti ´emo dati pregled cijelog paketa. ZX. ZY. s (n. kx. X. Naravno. kx. kx). . ky). CCOPY (n. kx. CX. kx. c 1≤j≤n Deklarirana je s INTEGER FUNCTION Varijante su: INTEGER FUNCTION INTEGER FUNCTION INTEGER FUNCTION 1 ISAMAX (n. . CX. kx) zadan vektor x tipa REAL. DX. CX. c Parametar kx je korak (engleski termin je stride) i njegovo koriˇtenje je vezano za s naˇin spremanja vektora u memoriji raˇunala.

• SASUM raˇuna 1 normu x 1 = |x1 | + · · · + |xn |. matrica [x y] je zamijenjena s [c · x + s · y. Y. • SROT primijenjuje ravninsku rotaciju na vektore x i y. kx. DY. kx. Varijante su: DOUBLE PRECISION FUNCTION DNRM2 (n. DX. ky). DS). CX. kx). ky. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 210 • SNRM2 raˇuna euklidsku duljinu x 2 vektora x = (n. ky. CA. CX. kx). kx). REAL FUNCTION SCNRM2 (n. kx). Procedura je deklarirana sa SUBROUTINE SROT (n. C. ZX. DS). ky). DC. DX. kx). y) = y ∗ x vektora x i y. CX. • SSCAL raˇuna a·x. X. DOUBLE PRECISION FUNCTION DZNRM2 (n. kx). CSROT (n. ZX. S). ZDROT (n. X. kx. gdje je a skalar istog tipa kao i vektor x. kx). kx. kx. ky) (raˇuna c i COMPLEX FUNCTION CDOTU (n. S). DX. ky) i DOUBLE COMPLEX FUNCTION ZDOTU (n. Rezultat je u vektoru x. ZX. DC. ky. CY. CX. CX. SX. kx). Y. SA. c Deklarirana je sa SUBROUTINE SSCAL (n. CX. c · y − s · x]. c Deklarirana je s REAL FUNCTION SNRM2 (n. ky) (raˇuna c i xi yi ). . kx. ZY. Varijante su: DOUBLE PRECISION FUNCTION DDOT (n. X. C. ZX. X. c Deklarirana je s REAL FUNCTION SASUM (n. DOUBLE COMPLEX FUNCTION ZDOTC (n. ZSCAL (n. kx. kx. kx. CSCAL (n. DY. ZY. Varijante su: DSCAL (n. ky. kx. Varijante su: DROT (n. kx). ZY.ˇ 4. DX. ZA. DOUBLE PRECISION FUNCTION DZASUM (n. kx). kx). DX. COMPLEX FUNCTION CDOTC (n. • SDOT raˇuna skalarni produkt (x. c Deklarirana je s REAL FUNCTION SDOT (n. CY. DA. kx) tipa REAL. Varijante su: DOUBLE PRECISION FUNCTION DASUM (n. X. REAL FUNCTION SCASUM (n. ZX. CY. ky). xi yi ). Preciznije. ZX. kx).

Za sve detalje ˇitatelja upu´ujec c c c mo na izvor http://www. B. • SROTMG raˇuna modificiranu Givensovu rotaciju. C. S). c c • xTRSV rjeˇava linearne sustave s Ax = b. ZS). Izlazni parametri C i S su izraˇunati tako da je c √ C S A A2 + B 2 = . mi ´emo ovdje spomenuti samo tri c procedure. Matrice i vektori: BLAS 2 Na drugom nivou biblioteke BLAS su operacije sa matricama i vektorima. .netlib. ili y := αAT x + βy. “C”. ili AT x = b. ako je A > B. c ˇ Cak i iz ovakvo kratkog prikaza moˇe se vidjeti s koliko paˇnje je dizajnirana z z funkcionalnost procedura.org/blas. Odabir pojedine varijante je omogu´en podeˇavanjem c s ulaznih parametara. gdje su α i β skalari. Slovo “x” na poˇetku imena procedure stoji za “S”. DS). • xTRMV raˇuna produkt y = Ax ili y = AT x. c • SROTM primijenjuje modificiranu Givensovu rotaciju. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 211 • SROTG raˇuna Givensovu ravninsku rotaciju. CROTG (CA. a b je vektor odgovaraju´e dimenzije. gdje je A n × n gornje ili c donjetrokutasta matrica s op´enitom ili jediniˇnom dijagonalom. C. Varijante ove procedure su: DROTG (DA. odnosno s 1/C ako je C = 0 i A ≤ B. a B sa S. DC. A je m × n matrica. a x i y su vektori odgovaraju´ih c dimenzija.ˇ 4. 0 −S C B √ Ulazna vrijednost A je na izlazu zamijenjena s A2 + B 2 . gdje je A gornje ili donjetrokutasta matrica s op´enitom ili jediniˇnom dijac c gonalom. ZB. DC. c • xGEMV raˇuna izraz oblika c y := αAx + βy. simetriˇne i vrpˇaste matrice. DB. CS). Posebno su napisane procedure za matrice sa specijalnom strukturom kao npr. c Deklarirana je sa SUBROUTINE SROTG (A. “D”. CB. Kako je cijela biblioteka dostupna “online”. ZROTG (ZA. ili “Z”.

te f (A) ∈ {A. c c • xTRSM rjeˇava po X jednadˇbe s z f (A)X = αB. c .ˇ 4. Opseˇnost. Pregled biblioteke LAPACK LAPACK je kratica za Linear Algebra PACKage. Ostale procedure i kompletna dokumentacija mogu se na´i na Internetu. opiˇimo tri najosc s novnije. c • xTRMM raˇuna c B := αf (A)B. Tek za ilustraciju funkcionalnosti procedura tre´eg nivoa. pri ˇemu je A gornje ili donjetrokutasta s c op´enitom ili jediniˇnom dijagonalom. A i B su matrice.netlib. Spomenimo da su na listi algoritmi za s rjeˇavanje linearnih sustava (s pripadnim algoritmima za raˇunanje LU faktoris c zacije. B. Osnovne znaˇajke LAPACK–a su: c 1. generalizirane QR faktorizacije). AT }. generalizirani problec c mi za matriˇne parove). 4. AT }. rjeˇavanje problema svojstvenih s vrijednosti (simetriˇni problem. A. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 212 Operacije s matricama: BLAS 3 Tre´i nivo elementarnih operacija biblioteke BLAS implementira matriˇne opec c racije. • xGEMM raˇuna izraz oblika c C := αf (A)g(B) + βC. pri ˇemu su dimenzije matrica takve da je izraz dobro definiran. C matrice. f (A) ∈ {A. nesimetriˇni problem. simetriˇne indefinitne faktorizacije). A }. B T }.org. B i X su matrice odgovaraju´ih c c dimenzija.8. LAPACK sadrˇi preko 1000 potprograma s algoritmima za rjez z ˇavanje problema linearne algebre. gdje je A gornje ili donjetrokutasta regularna matrica sa op´enitom ili jec T diniˇnom dijagonalom. faktorizacije Choleskog. f (A) ∈ {A. rjeˇavanje matriˇnih jednadˇbi (npr. Sve procedure su implementirane i za realne i za kompleksne tipove z podataka. gdje su α i β skalari. vrpˇaste matrice. gdje je α skalar. ili B := αBf (A). na c adresi http://www.2. Posebni algoritmi su ponudjeni za specijalne tipove matrica kao ˇto s su npr. Sylvesterove jeds c z nadˇbe). paket (programa) za linearnu algebru. ili Xf (A) = αB. g(B) ∈ {B. rjeˇavanje c s problema najmanjih kvadrata (s pripadnim algoritmima za raˇunanje QR fakc torizacije. raˇunanje obiˇne i generalizirane dekompozicije sinc c c gularnih vrijednosti.

bilo kao zamjena za ve´ postoje´e. A. opisujemo procedure u jednostrukoj preciznosti. onda ´e LAPACK dobro iskoristiti c c resurse tog raˇunala. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 213 2. Naravno.LAPACK routine (version 3. Prenosivost i efikasnost na raznim raˇunalima. u c c uporabi je LAPACK. Neprestano usavrˇavanje.3. U LAPACK-u se posebna paˇnja posve´uje numeriˇc z c c koj stabilnosti. Prenosivost je osigurana strogim pridrˇavanjem stanc z darda konkretnog programskog jezika (FORTRAN ili C). verzija 3.. of Tennessee. Sve su procedure detaljno s dokumentirane na jednoobrazan i unaprijed definiran naˇin.ˇ 4. Trokutastu faktorizaciju raˇunamo procedurom SGETRF. cijeli kod je dostupan “online”. tako da korisnik moˇe dobiti dodatne informacije i o z rezultatima ali i o svom matematiˇkom modelu. Dobra dokumentiranost i jednostavno koriˇtenje.0) -Univ.8. Kompletan izvorni kod je dostupan preko Interneta. 6. Pogledajmo kako je to napravljeno u LAPACK-u. boljih algoritama z koji nakon strogih provjera postaju dijelovi LAPACK-a.0. 4. Istraˇivaˇi koji sudjeluju u projektu LAPACK dolas z c ze iz cijelog svijeta i neprestano rade na pronalaˇenju novih. Efikasnost biblioteke LAPACK c je postignuta oslanjanjem na biblioteku BLAS. bilo kao nove procedure. rjeˇavanje donjetrokutastog i rjeˇavanje gornz s s jetrokutastog sustava jednadˇbi. Numeriˇka pouzdanost. N. ako imamo c BLAS optimiran za konkretno raˇunalo. . Pogledajmo opis c parametara te procedure. LDA. NAG Ltd. Drugim rijeˇima. INFO ) * * * -. Univ. IPIV. rjeˇavanje linearnog sustava jeds nadˇbi ima tri faze: LU faktorizacija. Rjeˇavanje linearnih sustava pomo´u LAPACK-a s c Kako smo vidjeli u prethodnim odjeljcima. c 4. kao ilustraciju dobre prakse programiranja – kako strukture programa tako i dokumentiranosti. z Zbog jednostavnosti. Matematiˇki c c detalji. Dani su teorijski okviri u kojima je ocjenjena c stabilnost algoritama. Dat ´emo i c dijelove izvornog koda. kako je napisano u izvornom kodu: SUBROUTINE SGETRF( M.) s 3. kao i detalji implementacije su detaljno opisani u seriji tehniˇkih c izvjeˇtaja (LAPACK Working Notes) koji su dostupni preko Interneta. zajedno s MAKE datotekama koje same izvrˇavaju proces instaliranja. Obs javljen je i priruˇnik [1]. of California Berkeley. (Numeriˇka nestabilnost moˇe c c z biti znak greˇke u modelu. Uz dosta algoritama ponudjene su procedure za ocjenu greˇke s u izraˇunatim rezultatima. U vrijeme pisanja ovih redaka. c 5. Za neka raˇunala postoji s c gotova biblioteka koju samo treba kopirati koriste´i FTP.

1993 . (input) INTEGER The leading dimension of the array A. L is lower triangular with unit diagonal elements (lower trapezoidal if m > n). . M..N). the factors L and U from the factorization A = P*L*U. N (input) INTEGER The number of columns of the matrix A. the M-by-N matrix to be factored.ˇ 4. row i of the matrix was interchanged with row IPIV(i). LDA LDA >= max(1. dimension (min(M. Arguments ========= M (input) INTEGER The number of rows of the matrix A. This is the right-looking Level 3 BLAS version of the algorithm. INTEGER IPIV( * ) REAL A( LDA.. INTEGER INFO. * ) . dimension (LDA. the unit diagonal elements of L are not stored. ... N >= 0. The factorization has the form A = P * L * U where P is a permutation matrix. Scalar Arguments . and Rice University March 31. IPIV (output) INTEGER array. and U is upper triangular (upper trapezoidal if m < n). N . A (input/output) REAL array.N)) The pivot indices.N) On entry. Purpose ======= SGETRF computes an LU factorization of a general M-by-N matrix A using partial pivoting with row interchanges. LDA. Array Arguments .M). Argonne National Lab.. On exit. * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * M >= 0.. for 1 <= i <= min(M. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 214 * * * * * * Courant Institute.

and Rice University March 31.LAPACK routine (version 3. Argonne National Lab.i) is exactly zero.. LDB.. LDA. B( LDB. Univ. Courant Institute. Purpose ======= SGETRS solves a system of linear equations A * X = B or A’ * X = B with a general N-by-N matrix A using the LU factorization computed by SGETRF. 1993 . INFO ) * * * * * * * -.0) -Univ.. LDB.. INTEGER IPIV( * ) REAL A( LDA.. of California Berkeley. N. . A. NRHS .ˇ 4.. The factorization has been completed. * ) . Evo kako izgleda poˇetak procedure SGETRS.. Scalar Arguments . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 215 * * * * * * * * * * INFO (output) INTEGER = 0: successful exit < 0: if INFO = -i. B. c SUBROUTINE SGETRS( TRANS. ===================================================================== Dobro dokumentiranim programima ne treba dodatni komentar! Rjeˇavanje trokutastih sustava s matricama L i U izvrˇava procedure SGETRS s s u kojoj se poziva procedura za rjeˇavanje trokutastih sustava i to sa jednom ili viˇe s s desnih strana. but the factor U is exactly singular. the i-th argument had an illegal value > 0: if INFO = i. U(i. CHARACTER TRANS INTEGER INFO. and division by zero will occur if it is used to solve a system of equations. Array Arguments . * ). Arguments ========= TRANS (input) CHARACTER*1 Specifies the form of the system of equations: * * * * * * * * * * * * * * * * * . NRHS. N. NAG Ltd. LDA. IPIV. of Tennessee.

SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 216 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * = ’N’: = ’T’: = ’C’: N A * X = B A’* X = B A’* X = B (No transpose) (Transpose) (Conjugate transpose = Transpose) (input) INTEGER The order of the matrix A. IPIV (input) INTEGER array. for 1<=i<=N. B LDB LDB >= max(1. the solution matrix X. NRHS.LAPACK driver routine (version 3. row i of the matrix was interchanged with row IPIV(i). (input) INTEGER The leading dimension of the array B. and Rice University March 31.ˇ 4.N) The factors L and U from the factorization A = P*L*U as computed by SGETRF.0) -Univ. s SUBROUTINE SGESV( N. A LDA LDA >= max(1. N >= 0.NRHS) On entry.N). c s c odnosno AX = B ako imamo viˇe desnih strana (matrica B umjesto vektora b). LDB. Univ. A. of Tennessee.e.N). (input/output) REAL array. of California Berkeley. dimension (N) The pivot indices from SGETRF. IPIV. On exit. the i-th argument had an illegal value ===================================================================== I konaˇno. prethodne dvije procedure su integrirane u rjeˇavaˇ sustava Ax = b. B. 1993 . NAG Ltd. NRHS >= 0. Argonne National Lab. the number of columns of the matrix B. (input) INTEGER The leading dimension of the array A. i. Courant Institute. dimension (LDA. the right hand side matrix B. NRHS (input) INTEGER The number of right hand sides. INFO ) * * * * * * -. LDA... (input) REAL array. dimension (LDB. INFO (output) INTEGER = 0: successful exit < 0: if INFO = -i.

where A is an N-by-N matrix and X and B are N-by-NRHS matrices.. NRHS A LDA LDA >= max(1. i. (input) INTEGER The leading dimension of the array A.N) On entry. LDA. (input) INTEGER The number of right hand sides. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 217 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * . Arguments ========= N (input) INTEGER The number of linear equations. the factors L and U from the factorization A = P*L*U.. Array Arguments . . the order of the matrix A. B( LDB. dimension (LDA. L is unit lower triangular.e. * ). .. IPIV (output) INTEGER array. INTEGER INFO.. On exit. where P is a permutation matrix..N). NRHS >= 0. the unit diagonal elements of L are not stored.. N. N >= 0. The LU decomposition with partial pivoting and row interchanges is used to factor A as A = P * L * U. * ) . Purpose ======= SGESV computes the solution to a real system of linear equations A * X = B.ˇ 4. (input/output) REAL array. row i of the matrix was interchanged with row IPIV(i). the N-by-N coefficient matrix A. NRHS .. LDB. and U is upper triangular. INTEGER IPIV( * ) REAL A( LDA. the number of columns of the matrix B.e. The factored form of A is then used to solve the system of equations A * X = B. i.. dimension (N) The pivot indices that define the permutation matrix P. Scalar Arguments .

INFO = 0 IF( N. U(i.i) is exactly zero. XERBLA . LDB LDB >= max(1. the N-by-NRHS solution matrix X. . N ) ) THEN INFO = -7 END IF IF( INFO. N ) ) THEN INFO = -4 ELSE IF( LDB.. LDA. -INFO ) RETURN END IF * * * Compute the LU factorization of A.0 ) THEN . The factorization has been completed. Intrinsic Functions . dimension (LDB.NRHS) On entry. External Subroutines . IPIV. so the solution could not be computed...LT. EXTERNAL SGETRF. N.EQ.0 ) THEN CALL XERBLA( ’SGESV ’. (input) INTEGER The leading dimension of the array B.MAX( 1.. if INFO = 0. SGETRS..LT. ===================================================================== . the N-by-NRHS matrix of right hand side matrix B. but the factor U is exactly singular.ˇ 4.. Executable Statements . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 218 * * * * * * * * * * * * * * * * * * * * * * * * B (input/output) REAL array.LT.N). INFO (output) INTEGER = 0: successful exit < 0: if INFO = -i. the i-th argument had an illegal value > 0: if INFO = i.LT... On exit. A.NE. INTRINSIC MAX . . CALL SGETRF( N.0 ) THEN INFO = -2 ELSE IF( LDA. INFO ) IF( INFO.0 ) THEN INFO = -1 ELSE IF( NRHS.MAX( 1. Test the input parameters.

overwriting B with X. IPIV. LDB.). N. napomenimo da u LAPACK-u postoje procedure za sustave sa specijalnom strukturom (simetriˇne. $ INFO ) END IF RETURN * * * End of SGESV END Na kraju.ˇ 4. B. s z c . A. NRHS. vrpˇaste itd. CALL SGETRS( ’No transpose’. tridijagonalne. c c Viˇe detalja moˇe se na´i na adresi http://www. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 219 * * * Solve the system A*X = B. LDA. pozitivno definitne.org/lapack.netlib.

c . Raˇunanje vlastitih c vrijednosti i vlastitih vektora Ovaj bi tekst trebao napisati Ivan Slapniˇar. RACUNANJE VLASTITIH VRIJEDNOSTI I VLASTITIH VEKTORA EIGEN – 220 5.ˇ 5.

a ne analizirati ili dokazivati njihovu stabilnost. toˇka x0 moˇe biti bilo koja i naˇ algoritam c . moramo na´i c c c c z s algoritam koji raˇuna f (x0 ). ve´ u c c c svakoj operaciji imamo greˇke zaokruˇivanja. a isto s vrijedi i za ukupni efekt greˇaka zaokruˇivanja. Zbog toga. i c c c kada upotrebljavamo samo ˇetiri osnovne operacije. logas ritamskih ili eksponencijalnih) ovisi o kvaliteti aproksimacije upotrijebljene u odgovaraju´em programskom jeziku. ovo ne mora biti istina! U mnogim sluˇajevima moˇemo s c z drastiˇno popraviti stabilnost algoritma tako ˇrtvovanjem dijela efikasnosti. Zaˇto baˇ to? s s Efikasno moˇemo raˇunati samo one funkcije za koje imamo dobar algoritam z c za izvrednjavanje. s z c osim tamo gdje realno postoji nestabilnost. Zadatak je izraˇunati vrijednost te funkcije f u zadanoj toˇki x0 ∈ D. Pri tome moramo voditi raˇuna o tome da aritmetika raˇunala c c stvarno podrˇava samo ˇetiri osnovne aritmetiˇke operacije. U skladu s tim. Izvrednjavanje funkcija Jedan od osnovnih zadataka koji se javlja u numeriˇkoj matematici je izraˇuc c navanje vrijednosti funkcije u nekoj toˇki ili na nekom skupu toˇaka (tzv. • toˇnost. z c Neka je zadana funkcija f : D → R. Cilj nam je konstruirati efikasne algoritme i opravdati njihovu efikasnost. c U ovom poglavlju viˇe paˇnje ´emo posvetiti efikasnosti. tj. Preciznije. algoritam mora biti stabilan (unaprijed ili unazad) na greˇke c s zaokruˇivanja. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 221 6. pa i mala lokalna ubrzanja daju velike ukupne uˇtede u vremenu. gdje je D ⊆ R njena domena. ili odgovaraju´em sklopu u raˇunalu. pa samo njih moˇemo z c c z koristiti u algoritmima. z Oba zahtjeva su posebno bitna kod izvrednjavanja. algoritam mora imati ˇto manji broj aritmetiˇkih ops c eracija.6. Medutim. Osim toga. Naravno. izvredc c njavanje funkcije). Koriˇtenje ostalih funkcija (recimo trigonometrijskih. jer imamo manje operacija koje doprinose ukupnoj s pogreˇci. pri konstrukciji algoritama s z imamo dva cilja uvjeta: • efikasnost ili brzina. a manje stabilnosti. Op´enito. jer se ono obiˇno puno puta c koristi. a katkad c z je dovoljno na´i pametnu reformulaciju algoritma. potencijalne nestabilnosti obrzloˇit ´emo na primjerima. tj. raˇunanje nije egzaktno. oˇekujemo da brˇi als z c c z goritam ima i manju greˇku.

nije baˇ tako. hiperboliˇke i njima inverzne funkcije razvijeni su c dobri algoritmi za njihove aproksimacije. Reklo bi se da je ovdje sve rijeˇeno. moˇemo pretpostaviti da za c c c z f (f (x0 )) vrijede iste ili sliˇne ocjene kao i za osnovne aritmetiˇke operacije (vidi c c odjeljke 3. a katkad i puno dulje. Naime. Osim toga. teorija izraˇunljivosti u okviru matematiˇke c c logike i osnova matematike. onda je zgodno imati i algoritme za izvrednjavanje polinoma. Raˇunanje f (x0 ). u oba sluˇaja je bitno samo to da ih moˇemo direktno c z koristiti u naˇim algoritmima i da znamo da izraˇunata vrijednost traˇene funkcije s c z f u zadanoj toˇki x0 ima malu relativnu greˇku u odnosu na preciznost konaˇne c s c aritmetike (tzv. ponaˇanjem ondosno vrijednostima u konaˇnom broju toˇaka (vidjeti s c c poglavlje o interpolaciji) ili koeficijentima u nekom prikazu funkcije.4.) i 3.3. ako je f ulaz u algoritam. traje dulje. polinomi su joˇ jednostavnije funkcije. sve ostale funkcije moramo aproksimirati. c c Strogo govore´i. To je fundamentalno ograniˇenje i bitno c c smanjuje klasu funkcija kojima vrijednosti uop´e moˇemo algoritamski izraˇunati. U praksi se odmah name´u i bitno jaˇa ograniˇenja. ako imamo na c c c raspolaganju samo 4 osnovne aritmetiˇke operacije. c z c Odgovore na takva pitanja daje tzv.1. toˇnost raˇunanja). a definirane su na su za sve realne (ili kompleksne) brojeve (nema problema s nultoˇkama nazivnika). √ Za osnovne matematiˇke funkcije kao ˇto su: c s x (katkad i op´e potencije xα ).6. onda su racionalne funkcije c jedine funkcije f kojima moˇemo izraˇunati vrijednost u bilo kojoj toˇki x0 ∈ z c c D. Naime. U praksi moˇemo pretpostaviti da za neke osnovne matez matiˇke funkcije f ve´ imamo dobre aproksimacije za pribliˇno raˇunanje vrijednosti c c z c f (x0 ) u zadanoj toˇki x0 : c • procesor raˇunala (“hardware”) ima ugradene aproksimacije i odgovaraju´e c c instrukcije za njihov poziv (izvrˇavanje). eksponencijalne. sigurno trebamo efikasne algoritme za raˇunanje vrijednosti racionalc nih funkcija.). O tome kako se nalaze takve aproksimacije bit ´e opˇirnije govora u poglavlju o aproksimacijama. c trigonometrijske. onda f mora biti zadana s najviˇe konaˇano mnogo podataka (o f ) i s c ti podaci moraju jednoznaˇno odrediti f . Trenutno zanemarimo pitanje kako se zadaje funkcija f . s s c u principu. Dakle. polinomima ili c racionalnim funkcijama.6. c s Bez obzira na realizaciju. pri njihovom izvrednjavanju nema dis jeljenja. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 222 mora raditi za sve ulaze x0 ∈ D. Drugim rijeˇima. Takve funkcije moˇemo jednoznaˇno zadati konaˇnim brojem parametara — z c c na primjer. Medutim. Ako se sjetimo da racionalnu funkciju moˇemo zapisati kao kvocijent z dva polinoma. a imaju veliku teoretsku i praktiˇnu primjenu. nego ˇto je trajanje jedne osnovne s . ili s • koristimo neki gotovi (pot)program (“software”) koji to radi.

c 6. . Polinomi. tj. Ideja je koriˇtenje rekurzivnih relacija koje zadoc s voljavaju takve i sliˇne. Za osnovne funkcije. standardno uzimamo da je p = 0 i da je vode´i koeficijent an = 0. imaju algebarsku strukturu prstena. Na poˇetku razmatranja c c koristimo standardnu bazu 1. polinome moˇemo interpretirati i kao funkcije. Lako je pokazati da za c svako n. c Medutim. a c funkcije takvog sustava zadovoljavaju troˇlanu rekurziju. Zanimaju nas efikasni algoritmi za raˇunanje c te vrijednosti. skup svih polinoma nad R ili C stupnja ne ve´eg od n ˇine vektorski prostor c c nad R ili C koji je potprostor vektorskog prostora svih polinoma nad odgovaraju´im c poljem R ili C. tako da c je n stupanj tog polinoma p. u nastavku prets z postavljamo da radimo iskljuˇivo s polinomima nad R ili C. x. efikasno i bez ve´eg gubitka z c c toˇnosti. . ˇto su ionako najvaˇniji primjeri u praksi. . a za aproksimaciju vaˇne funkcije. . pogotovo ako se to moˇe razumno izbje´i. c kao simboliˇki objekti. ali c neki rezultati o njihovoj sloˇenosti vrijede samo za beskonaˇna neprebrojiva polja. Polinom se obiˇno zadaje stupnjem n i koeficijentima a0 . uvrˇtavanjem x0 umjesto simboliˇke varijable c x. . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 223 aritmetiˇke operacije (ˇak i ako sve ˇetiri operacije nemaju isto ili podjednako trac c c janje). a kasnije ´emo algoritme modificirati i c za neke druge baze. Algoritmi koje ´emo napraviti u principu rade nad bilo kojim prstenom R. Moˇemo ih definirati nad z bilo kojim prstenom R u obliku n p(x) = i=0 ai xi . . Na primjer. u teoriji c z aproksimacije obiˇno se koriste ortogonalni sustavi funkcija za aproksimaciju. Sloˇenost oˇito ovisi o broju ˇlanova u sumi.6. polinom oznaˇavamo s z c pn . Zbog toga. x2 . Da broj ˇlanova ne bi bio umjetno z c c c prevelik. xn . . Hornerova shema Polinomi su najjednostavnije algebarske funkcije. trajanje moˇe biti 10 pa i viˇe puta dulje od trajanja z s jedna aritmetiˇke operacije. . Kada ˇelimo naglasiti stupanj. a x je simboliˇka “varijabla”. an u nekoj bazi c vektorskog prostora polinoma stupnja ne ve´eg od n. c U mnogim sluˇajevima to se moˇe napraviti i u ovom poglavlju ´emo pokazati c z c neke op´e algoritme tog tipa. n ∈ N0 .1. Zbog toga ponekad izbjegavamo puno poziva takvih c funkcija. gdje su ai ∈ R koeficijenti iz tog prstena. z c poput R i C. Dobiveni rezultat p(x0 ) je opet u R. koje moˇemo izvredz z s c njavati u svim toˇkama x0 prstena R. .

Raˇunanje vrijednosti polinoma u toˇki c c Zadan je polinom stupnja n n pn (x) = i=0 ai xi . jer aritmetika raˇunala modelira c upravo te operacije. broj operacija je korektna mjera. Budu´i da se petlja izvrˇava n puta. Izvrednjavanje polinoma u toˇki moˇe se izvesti i s manje mnoˇenja. Baˇ zbog toga. u nekim komz s pleksnim algoritmima paˇljivim promatranjem realnih operacija moˇemo ostvariti z z znaˇajne uˇtede. . Kad radimo s poliz c nomima nad R. c s 6. Ako c z z polinom zapiˇemo u obliku s pn (x) = (· · · ((an x + an−1 )x + an−2 )x + · · · + a1 )x + a0 .6. z Naravno. kad radimo s polinomima nad C.1. To se moˇe napraviti na viˇe naˇina. treba voditi raˇuna o c tome da se kompleksne aritmetiˇke operacije realiziraju putem realnih. lako je izraˇunati xk koriˇtenjem samo jednog mnoˇenja. z c s ukupno imamo 2n mnoˇenja + n zbrajanja. U unutarz njoj petlji javljaju se 2 mnoˇenja i 1 zbrajanje. { Na kraju je pn (x0 ) = sum. } Prebrojimo zbrajanja i mnoˇenja koja se javljaju u tom algoritmu. c Algoritam 6. c c z s c Prvo. No. pot := 1. ove operacije su kompleksne. kad je polinom kompleksan. napravimo to direktno po zapisu.1. c s z Imamo li zapam´en xk−1 . for i := 1 to n do begin pot := pot ∗ x0 . ˇto znaˇi da c s c tek broj realnih operacija daje pravu mjeru sloˇenosti. svaka sljede´a potencija dobiva se rekurzivno xk = x · xk−1 . end.1 (Vrijednost polinoma s pam´enjem potencija) c sum := a0 . sum := sum + ai ∗ pot. an = 0 kojemu treba izraˇunati vrijednost u toˇki x0 . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 224 Sloˇenost mjerimo brojem osnovnih aritmetiˇkih operacija.1. potenciraju´i. Krenemo li od nulte potencije c c x0 = 1.

godine.6. G. Horner. Binarnim potenciranjem redom bismo potencirali bazom 2 za z dani x x → x2 → x4 → x8 → x16 → x32 → x64 . Predloˇio ga je W. Ukupno bismo imali 8 mnoˇenja i 1 zbrajanje. z i na kraju pomnoˇil x64 · x32 · x4 . da je njegova sloˇenost z n mnoˇenja + n zbrajanja. } Odmah je oˇito da smo koriˇtenjem ovog algoritma broj mnoˇenja prepolovili. Rezultat prethodnog z teorema moˇe se poboljˇati samo ako jedan te isti polinom izvrednjavamo u mnogo z s . z Teorem 6.1. Hornerovu shemu treba modificirati tako da koristi samo parne potencije (potenciranjem x → x2 ). s Algoritam 6. Hornerova shema je optimalan algoritam Bitno je napomenuti da je Hornerova shema efikasan algoritam za izvrednjavaje polinoma kojima je ve´ina koeficijenata razliˇita od nule. for i := n − 1 downto 0 do sum := sum ∗ x0 + ai . Pod aktivnim mnoˇenjem podrazumjevamo mnoˇenje z z z izmedu ai i x. c s z tj. joˇ 1669.1 (Borodin. Dakle. Isto vrijedi i za polinom koji ima samo neparne potencije. 1819. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 225 Algoritam koji po prethodnoj relaciji izvrednjava polinom zove se Hornerova shema. z 6. z Takoder. polic c nom p100 (x) = x100 + 1 besmisleno je izvrednjavati Hormerovom shemom.1. Hornerova shema ima optimalan broj mnoˇenja. ali sliˇan zapis je koristio i Isaac z c Newton. Sastavite pripadne algoritme.2 (Hornerova shema) sum := an .1. Na primjer. Za Hornerovu shemu moˇe se pokazati da je optimalan algoritam.2. jer bi to predugo trajalo (binarno potenciranje je brˇe). Munro) Za op´i polinom n-tog stupnja potrebno je bac rem n aktivnih mnoˇenja. godine. { Na kraju je pn (x0 ) = sum. kad izvrednjavamo polinom koji ima samo parne koeficijente n p2n (x) = i=0 a2i x2i .

. c s z Dapaˇe. 1 s Uoˇimo da veza izmedu ai i ci nije linearna. di . Pan je pokazao da vrijedi sljede´i teorem. Nakon toga c ´e svako izvrednjavanje zahtijevati manje vremena od Hornerove sheme na polaznom c polinomu. Primjer 6. ali se to obavlja samo jednom. z := z(w − di ) + ei . Primijetimo da ona koristi 3 mnoˇenja i 5 zbrajanja. . 2 i 3. n paran.1. an y + e0 . p4 (x) = ((y + x + c2 )y + c3 )c4 .1. za 0 ≤ i ≤ n/2 − 1. . z := n neparan. Pokaˇimo jedan primjer c c s c z adaptiranja koeficijenata za polinom stupnja 4.1 Uzmimo op´i polinom stupnja 4 c p4 (x) = a4 x4 + a3 x3 + a2 x2 + a1 x + a0 i promatrajmo sljede´u shemu raˇuananja c c y = (x + c0 )x + c1 . V. prvo treba odrediti z s ci u ovisnosti o ai . tako da bismo kasnije imali ˇto manje operacija po svakoj s pojedinoj toˇki. dobivamo c c4 = a4 c0 = (a3 /a4 − 1)/2 b = a2 /a4 − c0 (c0 + 1) c1 = a1 /a4 − c0 b c2 = b − 2c1 c3 = a0 /a4 − c1 (c1 + c2 ). za i = 1. ˇak i kad raˇunamo vrijednost polinoma u viˇe toˇaka.6. ei . jer zbrajanje na raˇunalu troˇi manje vremena od mnoˇenja. . Ove relacije zahtijevaju dosta raˇunanja. Zato napiˇimo p4 po potencijama od x p4 (x) = c4 x4 + (2c0 c4 + c4 )x3 + (c2 + 2c1 + c0 c4 + c2 c4 )x2 0 + (2c0 c1 c4 + c1 c4 + c0 c2 c4 )x + (c2 c4 + c1 c2 c4 + c3 c4 ). IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 226 toˇaka. Rjeˇavanjem po ai . n/2 − 1. 2. Medutim.2 (Pan) Za bilo koji polinom pn stupnja n ≥ 3 postoje realni brojevi z c s c. c c Teorem 6. c Zanimljivo je Hornerova shema optimalna za polinome stupnjeva n = 1. takvi da se pn moˇe izraˇunati koriˇtenjem ( n/2 + 2) mnoˇenja + n zbrajanja z po sljede´oj shemi c y =x+c w = y2 (an y + d0 )y + e0 . Tada se koeficijenti polinoma prije samog izvrednjavanja adaptiraju ili c prekondicioniraju.

5 · 10−13 0.5 · 10−13 0.6.1.05 x Izvrednjavanje polinoma (x − 1)10 razvijenog po potencijama od x: koriˇtenjem direktne sumacije u double precision aritmetici. Paˇljivom analizom greˇaka zaokruˇivanja nije teˇko pokazati z s z s da je Hornerova shema i stabilan algoritam. y 1. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 227 U prethodnom teoremu nije niˇta reˇeno o tome koliko je operacija potrebno s c za raˇunanje c.5 · 10−13 0.3.05 x .0 · 10−13 1 1.0 · 10−13 0.3 (Motzkin. Stabilnost Hornerove sheme U proˇlom smo odjeljku pokazali da je Hornerova shema optimalan algoritam s u smislu efikasnosti. sljede´i teorem pokazuje je red veliˇine broja c c c operacija u Hornerovoj shemi optimalan za gotovo sve polinome.5 −1. Teorem 6.0 · 10−13 0. Medutim.95 0.5 · 10−13 1 1.1. di i ei .95 −0. Belaga) Sluˇajno odabrani polinom stupnja n ima vjec rojatnost 0 da ga se moˇe izraˇunati za strogo manje od (n + 1)/2 mnoˇenja/diz c z jeljenja ili za strogo manje od n zbrajanja/oduzimanja. 6. s y 1.

Nazovimo taj kvocijent td dva polinoma s qn−1 (to je ponovno polinom. Na kraju. Donji red se izraˇunava koriˇtenjem gornjeg reda i broja x0 .1. Tada vrijedi pn (x) = (x − x0 )qn−1 (x) + r0 . Pogledajmo znaˇenje koeficijenata ci koji se javljaju u donjem redu tablice. ali sada stupnja n − 1).4. c z Primjer 6. c Formirajmo tablicu: 2 −1 Dakle. ispod koeficijenta a0 se dobije r0 . cn−2 . .6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 228 Izvrednjavanje polinoma (x − 1)10 razvijenog po potencijama od x: koriˇtenjem Hornerove sheme u double precision aritmetici.1. jer mora biti stupnja manjeg od polinoma kojim dijelimo) s r0 . c Promatrajmo polinom koji dobijemo dijeljenjem polinoma pn s polinomom stupnja 1 oblika x − x0 . Elementi donjeg reda se raˇunaju s lijeva na desno.1.1. U gornjem redu se popiˇu svi koeficijenti polinoma pn c c s redom od an do a0 . Dijeljenje polinoma linearnim faktorom oblika x− x0 Kako se praktiˇno zapisuje Hornerova shema kad se radi “na ruke”? Napravi c se tablica na sljede´i naˇin. . Dakle. . 3 −3 . Pokaˇimo kako to funkcionira na konkretnom primjeru. . 1. cn−1 . c0 .1) i = n. s 6. ci−1 := ci ∗ x0 + ai−1 . tj. . . a ostatak (broj. a svi ostali se raˇunaju tako da se posljednji c s c z izraˇunati koeficijent ci pomnoˇi s x0 . a zatim mu se doda koeficijent ai−1 koji se c nalazi iznad. vode´i koeficijent an se prepiˇe. (6. r0 .2 Izraˇunajmo vrijednost polinoma c p5 (x) = 2x5 − x3 + 4x2 + 1 u toˇki x0 = −1. kako slijedi c cn−1 = an . vrijednost polinoma u toˇki x0 . . (6. c c tako da se cn−1 nalazi ispod an . p5 (−1) = 4. s x0 . c s Oznaˇimo elemente donjeg reda.2) 2 0 −2 −1 1 4 0 1 4 . gledaju´i slijeva nadesno. an x0 cn−1 an−1 cn−2 · · · a1 ··· c0 a0 r0 . .

c Za vode´i koeficijent bn . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 229 Uvrˇtavanje x = x0 u (6. . a njegove koeficijente oznaˇimo s bi .3 Podijelimo p5 (x) = 2x5 − x3 + 4x2 + 1 linearnim polinomom x + 1. Provjerite zadnju relaciju mnoˇenjem polinoma! z 2 0 −2 −1 1 4 0 1 4 . samo s pomaknutim indeksima. i < n c je ai = bi − x0 · bi+1 . Primijetite da je to ista tablica kao u primjeru 6.1). 1 ≤ i ≤ n (ˇto c s je pomak indeksa za jedan u odnosu na dosad koriˇtenu notaciju). (6. n. 3 −3 . s n−1 qn−1 (x) = i=1 bi+1 xi .2. odmah zakljuˇujemo bn = an . Primijetite da je to relacija istog oblika kao (6.3) Dodatno. .1.1. c Uvrstimo li (6. koeficijenti koje dobijemo u Hornerovoj shemi su baˇ koeficijenti polinomas kvocijenta i ostatka pri dijeljenju polinoma pn linearnim faktorom x − x0 . Znamo da s je qn−1 polinom stupnja n − 1. pa imamo 2 −1 Odatle lako ˇitamo c 2x5 − x3 + 4x2 + 1 = (x + 1) (2x4 − 2x3 + x2 + 3x − 3) + 4. a kako je inicijalno i bn = cn−1 . c dobivamo pn (x) = bn xn + (bn−1 − x0 bn )xn−1 + · · · + (b1 − x0 b2 )x + b0 − x0 b1 . oznaˇimo. . Primjer 6. a za ai uz potenciju xi .2) pokazuje da za ostatak vrijedi r0 = pn (x0 ). b0 = r0 .1. 0.6. Dakle. .2) i sredimo koeficijente uz odgovaraju´e potencije. .1. Zadnja relacija i veza bn = an pokazuju da bi moˇemo izraˇunati iz bi+1 rekurzijom z c bi = ai + x0 · bi+1 . zakljuˇujemo da vrijedi c bi = ci−1 . i = 1.1.3) u (6.1. . .1. . i = n − 1.

c .3 (Dijeljenje polinoma s (x − x0 )) bn := an . c Dakle.1.4 Nadimo sve derivacije polinoma p5 (x) = 2x5 − x3 + 4x2 + 1 u toˇki −1. Potpuna Hornerova shema ˇ Sto se dogada ako postupak dijeljenja polinoma linearnim faktorom nastavimo. Koja su znaˇenja ri ? Usporedimo dobiveni oblik s Taylorovim polinomom oko x0 pn (x) = pa zakljuˇujemo da vrijedi c ri = p(i) (x0 ) n .6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 230 Konaˇno. Algoritam 6. i! 0 ≤ i ≤ n.1. for i := n − 1 downto 0 do bi := bi+1 ∗ x0 + ai . {polinom-kvocijent: bn xn−1 + · · · + b2 x + b1 } 6. tj.5. polinom pn napisan je razvijeno po potencijama od (x−x0 ). p(i) (x0 ) n (x − x0 )i . napiˇimo algoritam koji nalazi koeficijente pri dijeljenju polinoma c s linearnim polinomom.1. i! i=0 n Potpuna Hornerova shema raˇuna sve derivacije polinama u zadanoj toˇki podijec c ljene pripadnim faktorijelima. Primjer 6. ponovimo viˇe puta? s Vrijedi pn (x) = (x − x0 )qn−1 (x) + r0 = (x − x0 )[(x − x0 )qn−2 (x) + r1 ] + r0 = (x − x0 )2 qn−2 (x) + r1 (x − x0 ) + r0 = ··· = rn (x − x0 )n + · · · + r1 (x − x0 ) + r0 .

1. for i := 1 to n do for j := n − 1 to i − 1 do rj := rj + x0 ∗ rj+1 . imamo c pn (x) = (· · · ((an yn−1 + an−1 )yn−2 + an−2 )yn−3 + · · · + a1 )y0 + a0 .6. treba izraˇunati izraz oblika c pn (x) = an (x − x0 ) (x − x1 ) · · · (x − xn−1 ) + an−1 (x − x0 ) (x − x1 ) · · · (x − xn−2 ) + · · · + a1 (x − x0 ) + a0 . (5) (3) (1) Algoritam koji nalazi koeficijente ri . a x toˇka u kojoj ˇelimo izraˇunati vrijednost c c c c z c polinoma. p5 (−1) = −10 · 4! = −240. p5 (−1) = 19 · 3! = 114. “Hornerova shema” za interpolacijske polinome Kao ˇto ´emo vidjeti. (4) (2) 0 −1 −2 −4 −6 −8 −10 1 5 19 4 3 −2 0 −3 −1 1 4 2 2 2 2 2 2 11 −13 p5 (−1) = −1 · 1! = −1. c z c Algoritam 6. Tako smo dobili “Hornerovu shemu” za interpolacijske polinome. . 2 −1 −1 −1 −1 −1 −1 Odatle lako ˇitamo c p5 (−1) = 4. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 231 Formirajmo potpunu Hornerovu tablicu.1. pri ˇemu su toˇke xi toˇke interpolacije. p5 (−1) = −13 · 2! = −26.6. 6. moˇe se napisati koriste´i samo jedno polje. odnosno koeficijente Taylorovog razvoja zadanog polinoma oko toˇke x0 . Ako s c oznaˇimo yi = x − xi i postavimo zagrade kao u Hornerovoj shemi. p5 (−1) = 2 · 5! = 240. kod izvrednjavanja interpolacijskog polinoma u Newtos c novoj formi. Algoritam kojim se vrˇi izvrednjavanje je vrlo sliˇan Hornerovoj shemi.4 (Taylorov razvoj) for i := 0 to n do ri := ai .

1. kod realnog polinoma kompleksne nultoˇke dolaze u konjugirano-kompleksnim parovima. Oznaˇimo koeficijente polinoma s2 sa c s2 (x) = x2 + px + q.6. tj. tj. ako su koeficijenti polinoma i toˇka s c c x0 iz istog polja. koji z niju razvijen u standardnoj bazi. Dakle. s2 (x) = (x − x0 − iy0 ) (x − x0 + iy0 ). s2 (z0 ) = 0 vrijedi ako i samo ako vrijedi s2 (z0 ) = 0. {pn (x) = sum} Dakle.1. polinoma s realnim z c koeficijentima) u kompleksnoj toˇki. c Tvrdimo da postoji realan polinom s2 stupnja 2. Konjugiranjem s2 (z0 ) = 0 izlazi 2 2 0 = s2 (z0 ) = z0 + pz0 + q = z0 + pz0 + q = z0 2 + pz0 + q = s2 (z0 ). Dokaz je jednostavan i moˇe se pokazati na viˇe naˇina. onda je to i x0 − iy0 . to se moˇe napraviti uz odredenu uˇtedu. z1 · z2 = z1 · z2 . realne koeficijente od z s s2 moˇemo napisati koriˇtenjem realnog i imaginarnog dijela z0 s2 (x) = x2 + px + q = (x − x0 − iy0 ) (x − x0 + iy0 ). Jedan je z s c c posljedica osnovnog teorema algebre. koriˇtenjem svojstava konjugiranja z s z1 + z2 = z1 + z2 . takav da je s2 (z0 ) = 0. for i := n − 1 downto 0 do sum := sum ∗ (x − xi ) + ai . Ako ˇelimo izraˇunati vrijednost realnog polinoma (tj. .5 (“Hornerova shema” za interpolacijske polinome) sum := an . Hornerova shema za realni polinom i kompleksni argument Sve ˇto smo dosad izvodili. 6. jer ako je x0 + iy0 nultoˇka polinoma s realnim c koeficijentima.7. c z s Neka je z0 = x0 + iy0 . s vode´im koeficijentom 1. vrijedi op´enito. Hornerovu shemu moˇemo iskoristiti i za ovakav prikaz polinoma. Dokaz se moˇe provesti i direktno. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 232 Algoritam 6. R ili C.

Napiˇimo proˇlu relaciju u pogodnoj formi. s bi = ai − pbi+1 − qbi+2 . s tim da ´e indeksi i = 2. uz bn+1 = bn+2 = 0.1. nego moˇe biti i polinom r stupnja 1 s z pn (x) = s2 (x)qn−2 (x) + r(x). podijelimo polazni realni polinom polinomom s2 . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 233 tj. (6.5) Uvrˇtavanjem (6. tj. . 2 q = x2 + y0 . koeficijente bi raˇunamo iz dva koja c c odgovaraju susjednim viˇim potencijama. uz start bn+1 = bn+2 = 0.6) ponovno. onda prethodnu relaciju moˇemo pisati kao n n ai xi = i=0 i=0 (bi + pbi+1 + qbi+2 ) xi . (6.4) i usporedivanjem koeficijenata uz odgovaraju´e pos c tencije.1. Ostatak pri dijeljenju viˇe nije samo konstanta.1. . .4) Izaberimo oznaku za koeficijente polinoma qn−2 . ovaj put s indeksima pomaknutim za 2 n−2 i=0 qn−2 (x) = bi+2 xi . . napiˇimo na “ˇudan” naˇin s s s c c polinom r pn (x) = (x2 + px + q) qn−2 (x) + b1 (x + p) + b0 . .5) u (6. n dati koeficijente c c . 0. onda z moramo izraˇunati sve koeficijente bi . . i=0 = i=0 bi xi + p i=0 bi+1 xi + q z Definiramo li dodatno bn+1 = bn+2 = 0.1. Drugim rijeˇima. . dobivamo: n n−2 n−2 n−2 ai x = i=0 i=0 n i bi+2 x i+2 +p i=0 bi+2 x i+1 +q i=0 bi+2 xi + b1 (x + p) + b0 n−1 n−2 = i=2 n bi xi + p i=1 n−1 bi+1 xi + q i=0 n−2 bi+2 xi + (b1 x + b0 ) + pb1 bi+2 xi . .6. izlazi rekurzivna relacija ai = bi + pbi+1 + qbi+2 . . i = n. p = −2x0 . .1. 0 Po analogiji. Usporedivanjem koeficijenata lijeve i desne strane. 0. (6. . ˇ Sto je rezultat? Ako traˇimo rezultat dijeljenja kvadratnim polinomom. . i = n.

Algoritam 6. pa vidimo da za raˇunanje vrijednosti realnog polinoma u kompleksnoj toˇki. postavit ´emo c c b0 := b0 + b1 p Sljede´i algoritam raˇuna kvocijent polinoma pn i kvadratnog polinoma s2 u stanc c dardnoj bazi. b0 := an . c To znaˇi da nam trebaju samo koeficijenti b1 i b0 da bismo znali izraˇunati vrijednost c z s u toˇki z0 .1.4). onda nam ne trebaju svi bi -ovi. Promotrimo c relaciju (6.7) pn (x0 + iy0 ) = b1 (x0 + iy0 + p) + b0 . a b1 i b0 bit ´e ostaci pri dijeljenju napisani u formi (6. nego samo “trenutna” tri koji su nam c potrebni u rekurziji (6.7) moˇemo i ljepˇe napisati jer znamo da je c p + x0 = −2x0 + x0 = −x0 . Odmah se dobije pn (x0 + iy0 ) = b1 ( − x0 + iy0 ) + b0 = (b0 − x0 b1 ) + iy0 b1 . onda ´emo r napisati kao z c r(x) = b1 x + (b0 + b1 p).6. bn−1 := an − p ∗ bn . Koeficijenti p i q su tada ulazni podaci. for i := n − 2 downto 0 do bi := ai − p ∗ bi+1 − q ∗ bi+2 . Uoˇimo da je s2 (x0 + iy0) = 0 (tako je definiran). kad izraˇunamo sve koeficijente bi . c tj. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 234 polinoma qn−2 . q c ne mora biti nenegativan. Ako ˇelimo izraˇunati c z c vrijednost polinoma pn u toˇki x0 + iy0 . Ako c ˇelimo ostatak napisan u standardnoj bazi.4).4) svede c na (6. pa se (6.1. 2 q := x2 + y0 .1. ne c c moramo pamtiti ˇitavo polje koeficijenata bi . bez ikakvih ograniˇenja. Konaˇno.1. Relaciju (6.6) Algoritam 6. na kraju raˇuna.1.1. tj. b0 := b0 + p ∗ b1 . 0 b1 := 0.1.1.7 (Vrijednost realnog polinoma u kompleksnoj toˇki) c p := −2 ∗ x0 . vratimo se zadatku od kojeg smo krenuli.6 (Dijeljenje polinoma kvadratnim polinomom) bn := an . for i := n − 1 downto 0 do .

1. tj. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 235 begin b2 := b1 . ¯ Ako ˇelimo “na ruke” izraˇunati vrijednost realnog polinoma u kompleksnoj z c toˇki.7. onda koristimo tablicu vrlo sliˇnu obiˇnoj Hornerovoj shemi. dobivamo (2n + 4) mnoˇenja + (2n + 3) zbrajanja. Re(pn (x0 + iy0 )) := b0 − x0 ∗ b1 . end. Kad prebrojimo realne operacije u ovom algoritmu. z c z obiˇna Hornerova shema za kompleksni polinom u kompleksnoj toˇki ima c c 4n mnoˇenja + 4n zbrajanja. c c c ¯ Konaˇno. · · · −qb4 · · · −pb3 ··· b2 . pa su se ljudi ˇesto dovijali “alkemiji” pretvaranja c mnoˇenja u zbrajanja.6. Naime. Uoˇite da ova posljednja forma ima samo 3 mnoˇenja i 5 zbrajanja (produkti ac i c z bd se ˇuvaju kad se izraˇunaju). Im(pn (x0 + iy0 )) := y0 ∗ b1 . c pn (x0 − iy0 ) = b1 ( − x0 − iy0 ) + b0 = (b0 − x0 b1 ) − iy0 b1 . Dakle. ˇto ako ˇelimo izraˇunati vrijednost polinoma pn u toˇki z0 = x0 − c s z c iy0 ? Moramo li ponovno provoditi postupak? Odgovor je ne. pa je u terminima izlaznih podataka iz algoritma 6. treba nam joˇ jedna dodatna operacija da istovremeno izraˇunamo s c vrijednost polinoma u z0 i z0 . a kompleksno mnoˇenje realiziramo na standardan naˇin 4 realna mnoˇenja i 2 realna zbrajanja. takoder ¯ nultoˇka od s2 . z0 je. c c c an q p + bn −pbn bn−1 an−1 an−2 −qbn −pbn−1 bn−2 ··· a2 a1 −qb3 −pb2 b1 a0 −qb2 −pb1 b0 . b1 := b0 . Kod mnoˇenja kompleksnih brojeva to je lako. jer vrijedi z z (a + bi) (c + di) = (ac − bd) + (ad + bc)i = (ac − bd)[(a + b) (c + d) − (ac + bd)]i. z S obzirom da jedno kompleksno zbrajanje zahtijeva 2 realna zbrajanja. razlika obzirom na pn (x0 + iy0 ) je samo u suprotnom predznaku imaginarnog dijela. z U ne tako davnoj proˇlosti duljina trajanja mnoˇenja u raˇunalu bila je dosta dulja s z c nego duljina trajanja zbrajanja. b0 := ai − p ∗ b1 − q ∗ b2 .

Im(p3 (2 + i)) = b1 b = 43. b0 = 113. a p = −4. . Raˇunanje parcijalnih derivacija kompleksnog polic noma Kompleksni polinom u varijabli z. Funkcije u i v moˇemo interpretirati i kao realne funkcije kompleksnog argumenta z u(z) = Re (pn (z)).1. imamo algoritam za nalaˇenje njihovih vrijednosti. Dakle. a z rekurzija je (6. . i = n.6. 1 8 0 1 5 −4 + 1 4 12 −5 48 43 −60 172 113 . 6. prema proˇlom odjeljku. z = x + iy. s uzmimo da nam i kvadratni polinom ima oblik x2 − px − q (pa svugdje gdje u proˇlom odjeljku piˇe p treba pisati −p.8. q = 5. .1. Dakle. s z Da bismo oponaˇali dijeljenje polinoma linearnim polinomom oblika x − x0 . pa je x0 = 2. . c Uzmimo toˇku 2 + i. 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 236 Primjer 6.1. Algoritam za nalaˇenje koeficijenata u ovoj formulaciji je: start bn+2 = bn+1 = 0. y). Formirajmo c tablicu. y0 = 1.5 Nadimo vrijednost polinoma p3 (x) = x3 + 8x2 + 1 u toˇkama 2 ± i. imamo p3 (2 + i) = 27 + 43i. a gdje piˇe q treba pisati −q). moˇe se zapisati pomo´u dva polinoma u i z c v u dvije realne varijable x i y. gdje je r(x) = b1 (x − p) + b0 . rastav s s s u produkt kvadratnog polinoma i polinoma stupnja n − 2 u ovakvoj notaciji glasi: pn (x) = s2 (x)qn−2 (x) + r(x). Posljednja dva koeficijenta su b1 = 43. p3 (2 − i) = 27 − 43i. v(z) = Im (pn (z)). Vrijedi pn (z) = u(x. y) + iv(x.8) bi = ai + pbi+1 + qbi+2 . gdje je z = x + iy. . pa. pa je Re(p3 (2 + i)) = b0 − b1 a = 113 − 86 = 27.

y) = (x. 0 Odavde odmah vidimo da ci -ovi i di -ovi tvore istu rekurziju. i = n. i = n. di = . ∂y ∂p ∂y ∂q ∂y dobivamo (izostavljaju´i pisanje toˇke u kojoj deriviramo) c c ∂b0 ∂b1 ∂b0 ∂b1 ∂u ∂b1 ∂b0 = −x = (−2y) − x (−2y) = 2y x − ∂y ∂y ∂y ∂q ∂q ∂q ∂q ∂v ∂b1 ∂b1 ∂b1 = b1 + y = b1 + y (−2y) = b1 − 2y 2 . ∂p ∂q Deriviramo li formalno relaciju (6. . Iskoristimo li da vrijedi ∂ ∂p ∂ ∂q ∂ = + . . Shvatimo li pn (z) kao funkciju u odgovaraju´oj toˇki (x. . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 237 Pokazali smo da je tada pn (z0 ) = (b0 − x0 b1 ) + iy0 b1 . c c dovoljno je znati ∂b0 ∂b0 ∂b1 ∂b1 . . y) = yb1 . . ∂p ∂q ∂p ∂q Uvedimo oznake ∂bi ∂bi ci = . dobivamo cn+2 ci dn+2 di = cn+1 = 0 = bi+1 + pci+1 + qci+2 . y). Parcijalne derivacije funkcija u i v moˇemo dobiti koriˇtenjem deriviranja sloˇenih z s z funkcija. y). 0 = dn+1 = 0 = bi+2 + pdi+1 + qdi+2 . y) = b0 − xb1 . ∂x ∂y ∂u ∂v (x.9) Dakle. i = n + 2. v(x. . 0. . .6. . tj. pa za njihove parcijalne derivacije vrijede c Cauchy–Riemannovi uvjeti ∂u ∂v (x. ∂y ∂x Zbog toga je dovoljno prona´i samo ili parcijalne derivacije jedne od funkcija ili c parcijalne derivacije po jednoj varijabli. da bismo izraˇunali vrijednosti parcijalnih derivacija u nekoj toˇki. onda su realni i imagic c narni dio te funkcije u(x. . vrijedi ci+1 = di . a zatim po q.1. i = n + 1.1. n − 1. . . n. 0. .8) prvo po p. y) = − (x. Polinomi su analitiˇke funkcije. samo s indeksom translatiranim za 1. ∂y ∂y ∂q ∂q (6. . . . . . . y). .

Ako ˇelimo na´i kompleksne nultoˇke realnog z c z c c polinoma. y0 ) = (x0 . prvo treba izluˇiti kvadratni polinom s konjugirano kompleksnim parom c nultoˇaka. c1 := c0 . b0 := an−1 + p ∗ b1 . c Pretpostavimo da se funkcija f u okolini neke toˇke x0 (u R ili C) moˇe razviti c z .1. c2 := c1 .2.1. Te algoritme. c1 := 0. moˇemo koristiti i kao pribliˇne algoritme za izvrednjavanje redova z z potencija. Algoritam 6. uz z paralelno raˇunanje bi . koji su egzaktni u egzaktc noj aritmetici. Relacija (6. c 6. c0 := b1 + p ∗ c1 + q ∗ c2 . b0 := ai + p ∗ b1 + q ∗ b2 . ∂y ∂x Motivacija za ovaj algoritam potjeˇe iz modifikacije Newtonove metode za c traˇenje realnih nultoˇaka polinoma. for i := n − 2 downto 0 do begin b2 := b1 . y0 ) = − (x0 . y0) = 2y0(x0 d1 − d0 ) = 2y0 (x0 c2 − c1 ) ∂y ∂x ∂u ∂v 2 2 (x0 .9) odmah daje kako se iz c-ova i b-ova dobivaju parcijalne derivacije ∂u ∂v (x0 . c0 := an .8 (Algoritam Bairstowa) b1 := an . c Algoritam dobivanja parcijalnih derivacija zove se algoritam Bairstowa. analitiˇkih funkcija. b1 := b0 . tj. umjesto dvije rekurzije za koeficijente moˇemo raditi samo s jednom. Generalizirana Hornerova shema U proˇlom odjeljku napravili smo nekoliko algoritama za izvrednjavanje polis noma i njegovih derivacija u zadanoj toˇki. Ta generalizacija Newtonove metode zove se metoda Newton–Bairstow.6. end. y0 ) = b1 − 2y0 d1 = b1 − 2y0 c2 . c2 := 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 238 Zbog toga.

potrebna c duljina razvoja N ovisi i o ε i o x.1) s tim da znamo taj red konvergira prema f na toj okolini od x0 . ve´ smo vidjeli u primjeru za sin x.2. (x − x0 )2 . tako c z c da dobijemo uniformnu aproksimaciju s toˇnoˇ´u ε na nekom kompaktu.1) i pripadnih polinomnih s aproksimacija u obliku (6. . Ako ga ne znamo. za c bilo koju unaprijed zadanu toˇnost ε > 0. u smislu da ih moˇemo z brzo i toˇno izraˇunati.2.2) aproksimacija za f (x) s greˇkom manjom od ε. c c c Medutim.2. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 239 u red potencija oblika f (x) = ∞ n=0 an (x − x0 )n . cs Vrlo ˇesto se N moˇe unaprijed odrediti iz analitiˇkih svojstava funkcije f . Zasad recimo samo to da z se izbjegava direktno koriˇtenje redova potencija (6. (6. Nije bitno da li greˇku mjerimo u s s apsolutnom ili relativnom smislu. z c Trenutno ne ulazimo u to kako se nalaze takve aproksimacije. z c c ovim pristupom moˇemo bitno pove´ati klasu funkcija s kojima moˇemo raˇunati. z c z c Ako je greˇka ε dovoljno mala. konaˇne komade ovog razvoja moˇemo iskoristiti za aproksimaciju c z funkcije f na toj okolini. (6. recimo reda veliˇine osnovne greˇke zaokruˇivanja u. Dodatno. Kad uzmemo u obzir da ionako pribliˇno raˇunamo u aritmetici raˇunala.6. sve dok se izraˇunata suma ne stabilizira na zadanu toˇnost. No. s . odnosno neki krug u C. moˇemo posti´i i uniformnu aproksimaciju s toˇnoˇ´u ε z c c sc na takvim kompaktima. . pretpostavimo da znamo sve koeficijente an u ovom razvoju. ovu beskonaˇnu sumu ne moˇemo efektivno algoc c c z ritamski izraˇunati. . . (x − x0 )n . onda se obiˇno koristi sumacija c unaprijed. ako je takav N teˇko izraˇunati. Cak nije jako bitno da N bude “savrˇen”. c Algoritam za raˇunanje fN (x) u zadanoj toˇki x bitno ovisi u tome da li c N znamo unaprijed ili ne. Tada je fN polinom poznatog stupnja z N i moˇemo koristiti Hornerovu shemu i njene varijacije za raˇunanje fN (x). Katkad s c s c je sasvim dobra i pribliˇna vrijednost za N. najmanji mogu´i. . Koliko c c to moˇe biti opasno. postoji N ∈ N takav da je c N fN (x) = n=0 an (x − x0 )n .2. tj. Naravno. pa N onda ovisi samo o ε. Zbog toga se sumacija z c unaprijed koristi samo kao “zadnje utoˇiˇte”. s c s z onda je pripadna aproksimacija fN (x) gotovo jednako dobra kao i f (x). Tome ´emo c posvetiti punu paˇnju u poglavlju o aproksimacijama. Sasvim op´enito. ako se sjetimo da redovi potencija konvergiraju uniformno na kompaktima. osim ako je f (x) = 0. . zbog loˇe uvjetovanosti sustava funkcija s {1. Iz konvergencije razvoja po toˇkama odmah slijedi da.2). . Obiˇno se c sc c ˇ za taj kompakt uzima neki segment u R. jer zahtijeva beskonaˇan broj aritmetiˇkih operacija.} i nejednolikog rasporeda pogreˇke e(x) = f (x) − fN (x) na domeni aproksimacije. (x − x0 ).

“Rezanjem” reda dobivamo aproksimaciju funkcije f N fN (x) = n=0 an pn (x).2. za n ∈ N. po istom principu.2.5) s tim da su poznate “poˇetne” funkcije p0 i p1 . Umjesto toga. Osim c z c s toga. zbog skoro jednolikog rasporeda greˇke c s na domeni. Cebiˇevljevi polinomi.4) ˇto je oˇita generalizacija polinoma iz (6. (6.1). U aproksimaciji elementarnih i “manje elementarnih” tzv. 6. koje c su obiˇno jednostavnog oblika. . Tada bi bilo zgodno koristiti c c neku generalizaciju Hornerove sheme za brzo izvrednjavanje fN oblika (6. . S s druge strane.4) i to je cilj ovog odjeljka. c Njega. zadovoljavaju rekurziju oblika pn+1 (x) + αn (x)pn (x) + βn (x)pn−1 (x) = 0.2. (6. Dovoljno je da ih moˇemo rekurzivno raˇunati! z c Pristup raˇunanju vrijednosti fN (x) je isti kao i ranije.3) gdje je {pn | n ∈ N0 } neki ortogonalni sustav funkcija na domeni aproksimacije.1. specijalnih funkcija vrlo ˇ s ˇesto se koriste tzv.2. z ako znamo da on konvergira prema f na nekoj domeni. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 240 Umjesto reda potencija (6. (6. Kasnije ´emo pokazati i algoritam za nalaˇenje takve “kvazi–uniformne” c z ˇ sevljeva ekonomizacija).2. troˇlane rekurzije istog op´eg oblika vrijede i za mnoge specijalne funkcije c c koje ne moraju biti ortogonalne. Medutim. za c sve n ∈ N0 . za n ∈ N0 . Naravno. posebnu paˇnju posvetit ´emo baˇ takvim rekurzijama. relativno jednostavnu rekurziju po n. a pn (x) raˇuna redom iz rekurzije.6. n = 1. βn . Cebiˇ Razvoj funkcije f u red oblika (6. aproksimacije iz poznatog reda potencija (tzv.2. u ve´ini primjena c nemamo direktnu “formulu” za raˇunanje vrijednosti pn (x) u zadanoj toˇki x.2. Izvrednjavanje rekurzivno zadanih funkcija Budu´i da ortogonalni polinomi zadovoljavaju troˇlane. vrlo ˇesto je mogu´e unaprijed na´i koliko c c c ˇlanova N treba uzeti za (uniformnu) zadanu toˇnost. . 2. iz teorije aproksimacija. standardno se koriste razvoji oblika ∞ f (x) = n=0 an pn (x). . moˇemo iskoristiti za aproksimaciju funkcije f .2).3) je oˇita generalizacija reda potencija. homogene rekurzije. a c c vrlo se ˇesto koriste. onda se sumacija vrˇi unaprijed. i sve funkcije αn . Ako unaprijed ne c c znamo N. Zato pretpostavljamo da funkcije pn .2. takoder. da bismo izraˇunali fN (x) s c c c moramo znati sve koeficijente an i sve funkcije pn . c . Funkcije pn ne moraju biti polinomi. znamo da funkcije pn zadovoljavaju neku.

Sliˇan algoritam za brzo izvrednjavanje fN moˇe se napraviti i kad pn zadovoljavaju ˇetveroˇlane ili z c c viˇeˇlane rekurzije. c Algoritam 6. 0. Bn = an − αn (x)Bn+1 − βn+1 (x)Bn+2 .1 (Generalizirana Hornerova shema za fN (x)) B1 := 0. n ∈ N.2.2.6. . . fN (x) := B0 ∗ p0 (x) + B1 ∗ (p1 (x) + α0 (x) ∗ p0 (x)).5) zaista generalizacija polinomnog sluˇaja. . do pripadnog algoritma moˇemo c do´i deriviranjem relacije (6. c c Definiramo rekurziju za koeficijente BN +2 = BN +1 = 0. for k := N − 1 downto 0 do begin.4) c N fN (x) = n=0 an pn (x). c c uz p0 (x) = 1. ali se takve rekurzije rijetko pojavljuju u praksi. B0 := ak − αk (x) ∗ B1 − βk+1 (x) ∗ B2 . Pripadni silazni algoritam izvrednjavanja ima sljede´i oblik.2.2. end. z Ako trebamo izraˇunati i derivaciju fN (x). B2 := B1 . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 241 Primijetite da potencije pn (x) = xn zadovoljavaju dvoˇlanu homogenu rekurc ziju pn (x) − xpn−1 = 0. pa je (6. .2. B0 := aN . B1 := B0 .6) n = N. .4) za fN (x). dobivamo s N N (6. Uvrˇtavanjem u formulu (6. s c Algoritam je vrlo sliˇan izvrednjavanju realnog polinoma u kompleksnoj toˇki. fN (x) = = an pn (x) = n=0 N −1 n=−1 N −1 n=0 (Bn + αn (x)Bn+1 + βn+1 (x)Bn+2 ) pn (x) N N +1 Bn+1 pn+1 (x) + n=0 αn (x)Bn+1 pn (x) + n=1 βn (x)Bn+1 pn−1 (x) = n=1 Bn+1 (pn+1 (x) + αn (x)pn (x) + βn (x)pn−1 (x)) + B0 p0 (x) + B1 p1 (x) + α0 (x)B1 p0 (x) = B0 p0 (x) + B1 p1 (x) + α0 (x)B1 p0 (x).

ali kad u njih uvrstimo konkretne objekte. treba znati i derivacije αn . Ovdje je to joˇ bitno jednostavnije. sliˇno kao c u algoritmu Bairstowa. s tim da Bn oznaˇava derivaciju od Bn po x. s Medutim. s takoder.6). s tim da je oˇito bN = 0. Rekurzija c s za derivacije pn nas uop´e ne zanima. n = N. . . vrlo rijetko ostanu svi ˇlanovi. . c Dakle. odakle slijedi fN (x) = B0 p0 (x) + B0 p0 (x) + B1 (p1 (x) + α0 (x)p0 (x) + α0 (x)p0 (x)).2.2. 0. rekurziju za Bn moˇemo napisati u obliku c z Bn = bn − αn (x)Bn+1 − βn+1 (x)Bn+2 . iako ju nije teˇko napisati. fN (x) = B0 . . . . Tada rekurzije c c c za Bn i Bn provodimo u istoj petlji. dovoljno je znati samo derivacije “poˇetnih” c funkcija p0 i p1 . Obiˇno se te c c formule svedu na fN (x) = B0 . . . jer imamo samo jednu s varijablu. . + B1 (p1 (x) + α0 (x)p0 (x)). Konaˇni rezultati izgledaju komplicirano. BN +2 = BN +1 = 0. osim zamjene an u bn . . 0.5). 0. Bn = an − αn (x)Bn+1 − βn+1 (x)Bn+2 . . c ˇto ima skoro isti oblik kao i rekurzija za Bn . 0. . . ali i one su obiˇno jednostavne. pa c c se te dvije vrijednosti obiˇno zajedno raˇunaju. Bn = −αn (x)Bn+1 − αn (x)Bn+1 − βn+1 (x)Bn+2 − βn+1 (x)Bn+2 . Odavde odmah vidimo da je i BN = 0. deriviranjem rekurzije (6. BN +2 = BN +1 = 0. Zatim s c c deriviramo (6. Naravno. u toˇki x. n = N. . postoji i jednostavniji put. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 242 i deriviranjem rekurzije (6. a ne svaka posebno. . ˇto oni zaista i jesu. da bismo izraˇunali fN (x). c c c βn funkcija iz polazne troˇlane rekurzije. Uz standardnu oznaku bn = −αn (x)Bn+1 − βn+1 (x)Bn+2 . dobivamo deriviranjem ranijeg konaˇnog rezultata c fN (x) = B0 p0 (x) + B1 (p1 (x) + α0 (x)p0 (x)). Konaˇni rezultat. Pokuˇajte to napraviti sami. . Koeficijente Bn shvatimo kao funkcije od x. . Takvim “formalnim” deriviranjem dobivamo rekurziju za koeficijente Bn .2. n = N. koje su obiˇno jednostavne.6. n = N.6). Vidimo da nam za raˇunanje fN (x) treba i rekurzija za raˇunanje fN (x). tako da dobijemo i rekurziju za funkcije pn .

tako da je pripadni fN (x) dovoljno dobra aproksic sc macija. za n ≤ N. z c s za k ≥ 2. Puno je bolje izraˇunati koeficijente an (to nisu derivacije) u pravom razvoju c derivacije f po istim funkcijama pn . n ∈ N. jer ona obiˇno ima manju toˇnost od aproksimacije za c c f . s parametrom n. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 243 Algoritam 6.6. . Istim putem moˇemo izvesti i rekurzije za raˇunanje viˇih derivacija fN (x). B0 := 0. c izraˇunati koeficijente an u prikazu c ∞ (k) f (x) = n=0 an pn (x). ako znamo na´i. Zanimljivo je da u praksi to gotovo nikada nije potrebno. B2 := B1 . tj. Dakle. a ne po njihovim derivacijama. B1 := B0 . s dovoljnom toˇnoˇ´u. B0 := b − αk (x) ∗ B1 − βk+1(x) ∗ B2 .2 (Generalizirana Hornerova shema za fN (x) i fN (x)) B1 := 0.2. b := −αk (x) ∗ B1 − βk+1 (x) ∗ B2 . end. fN (x) := B0 ∗ p0 (x) + B1 ∗ (α0 (x) ∗ p0 (x) + p1 (x)). ˇ Cak i algoritam za derivacije se rijetko koristi. onda se ne isplati koristiti N fN (x) = n=0 an pn (x) kao aproksimaciju za f (x). Naime. zadovoljavaju neke c diferencijalne jednadˇbe drugog reda. B0 := ak − αk (x) ∗ B1 − βk+1 (x) ∗ B2 . za f koristimo aproksimaciju oblika N fN (x) = n=0 an pn (x). B0 := aN . Jasno je da tada treba z koristiti odgovaraju´u diferencijalnu jednadˇbu za raˇunanje fN (x). B1 := B0 . Razlog leˇi z u ˇinjenici da gotovo sve “korisne” familije funkcija pn . for k := N − 1 downto 0 do begin. B1 := 0. B2 := B1 . fN (x) := B0 ∗ p0 (x) + B0 ∗ p0 (x) + B1 ∗ (p1 (x) + α0 (x) ∗ p0 (x) + α0 (x) ∗ p0 (x)) + B1 ∗ (p1 (x) + α0 (x) ∗ p0 (x)). ali i to je vrlo c z c rijetko potrebno.

p1 .6. z c Sloˇenost ovih algoritama kljuˇno ovisi o sloˇenosti raˇunanja svih potrebnih z c z c funkcija — p0 . gdje je N unaprijed zadan. obzirom na neki skalarni produkt na tom prostoru. funkciju f moˇemo razviti u Fourierov red z oblika ∞ ∞ an cos(nx) + n=0 n=1 bn sin(nx). ali to nije bitna razlika. uz relativno blage pretpostavke. c Vidimo da se on sastoji iz dva dijela. Pretpostavimo stoga da je f parna funkcija i trebamo izraˇunati aproksimaciju c oblika N fN (x) = n=0 an cos(nx). . c Tada. Neke primjere klasiˇnih ortogonalnih polinoma i pripadnih rekurzija c dajemo neˇto kasnije.2. Zanemarimo trenutno s pitanje konvergencije ovog reda i znaˇenja njegove sume. s c Medutim. standardno se piˇe a0 /2. Naˇ zadatak je izraˇunati s c aproksimaciju oblika N N fN (x) = n=0 an cos(nx) + n=1 bn sin(nx). pa je besmisleno brojati pojedinaˇne c aritmetiˇke operacije na nivou op´eg algoritma. c Pretpostavimo. sjetimo se da Fourierov red parne funkcije f (x) = f (−x) ima samo kosinusni dio. radi jednostavnosti. i njihovih derivacija. ortogonalne familije c c sc c funkcija pn . koje ˇine ortogonalnu bazu u nekom prostoru funkcija. Uoˇimo samo da ove c c trigonometrijske funkcije tvore ortogonalan sustav funkcija. Ovakav izraz se ˇesto zove i trigonometrijski polinom. za c svaki n ∈ N0 . c c U praktiˇnim aproksimacijama se najˇeˇ´e koriste tzv. Umjesto a0 . kosinusnog i sinusnog. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 244 koja ne mora imati istu duljinu. βn . Vrlo ˇesto je pn polinom stupnja n. Usput. ve´ smo rekli da funkcije pn ne moraju biti polinomi i prvi primjer je baˇ tog tipa. a Fourierov red neparne funkcije f (x) = −f (−x) ima samo sinusni dio razvoja. obzirom na skalarni produkt definiran integralom. da je f periodiˇka funkcija na segmentu [−π. ali zato ima ˇeljenu toˇnost. Pretpostavimo da su nam koeficijenti an i bn poznati. s 6.2. π]. Izvrednjavanje Fourierovih redova Za aproksimaciju periodiˇkih funkcija standardno koristimo Fourierove redove. αn . pa ´emo tako i sastaviti c algoritam.

3 (Fourierov “red” parne funkcije) B1 := 0.2.6. c Da bismo dobili polazni oblik aproksimacije (6. Bn = an + 2 cos x Bn+1 − Bn+2 . 2 2 Dovoljno je uzeti a = (n + 1)x i b = (n − 1)x.2. i to ide s c lako.4) iz generalizirane Hornerove sheme. Dobivamo cos((n + 1)x) + cos((n − 1)x) = 2 cos(nx) cos x. . Iako c to danas viˇe ne traje pretjerano dugo.6) za Bn ima oblik BN +2 = BN +1 = 0. . 0. koji treba s z c samo jedno jedino raˇunanje funkcije cos. . Sad imamo sve elemente za generaliziranu Hornerovu shemu. alpha := 2 ∗ cos x. Fali nam joˇ samo troˇlana homogena rekurzija za ove funkcije. moˇemo na´i i bolji algoritam. Medutim. za cos(nx). Algoritam 6. B0 := aN . for k := N − 1 downto 0 do begin. uz n ≥ 1. n ∈ N. c Rekurzija (6. . pa traˇena rekurzija ima oblik z pn+1 (x) − 2 cos x pn (x) + pn−1 (x) = 0. ve´ je konstanta. oˇito treba definirati c pn (x) = cos(nx). n ∈ N. n = N. a βn (x) ne ovisi ni o x. .2. odakle slijedi da u op´oj rekurziji (6. Vidimo da αn (x) i βn (x) ne ovise o n.2. c Poˇetne funkcije su p0 (x) = 1 i p1 (x) = cos x. pa je konaˇni rezultat c fN (x) = B0 p0 (x) + B1 (p1 (x) + α0 (x)p0 (x)) = B0 · 1 + B1 ( cos x − 2 cos x · 1) = B0 − B1 cos x. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 245 U direktnoj sumaciji trebamo N raˇunanja funkcije cos. ako se sjetimo formule koja sumu kosinusa pretvara u produkt cos a + cos b = 2 cos a+b a−b cos .5) treba uzeti c αn (x) = −2 cos x. βn (x) = 1.

end. n = N. .6. on je podjednako stabilan kao i direktna sumacija. ali sad je oˇito da treba definirati s c pn (x) = sin((n + 1)x). a oduzimanje moˇe dovesti do c z nepotrebnog gubitka toˇnosti u sinusu. n ∈ N. pa treba biti malo oprezan. √ sin x = ± 1 − cos2 x. s Ako trebamo izraˇunati i derivaciju fN (x). pod cijenu jednog mnoˇenja s z ˇ s 0. Onda je bn = −2 sin x Bn+1 . . Zgodniji je zapis N −1 fN (x) = n=0 bn+1 sin((n + 1)x). a formalnim deriviranjem fN (x) = B0 − B1 cos x dobivamo fN (x) = B0 − B1 cos x + B1 sin x. . i Bn = bn + 2 cos x Bn+1 − Bn+2 . Suma ovdje ide od 1. . Trebamo izraˇunati aproksic maciju oblika N βn (x) = 0. Ovaj algoritam zaista “troˇi” jedan jedini kosinus. s tako da sinus izrazimo preko kosinusa. n = N. . 0. . cijeli taj algoritam treba joˇ samo jedan sinus. fN (x) := B0 − 0. Male c vrijednosti cos(nx) ionako ne dobivamo s malom relativnom. Dakle. . . ali to se ve´ ne isplati.5.5 ∗ alpha ∗ B1 . I tog bismo mogli izbaciti. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 246 B2 := B1 . 0. B0 := ak + alpha ∗ B1 − B2 . . c Pretpostavimo sad da je f neparna funkcija. za pripadni algoritam trebamo c αn (x) = 2 sin x. fN (x) = n=1 bn sin(nx). Sto se stabilnosti tiˇe. jer moramo paziti na znak. ve´ malom apsolutnom c greˇkom. B1 := B0 . Nije baˇ lijepo ostaviti indeks N u fN .

n ∈ N. 0. Dobivamo sin((n + 2)x) + sin(nx) = 2 sin((n + 1)x) cos x. 2 2 i uzmemo a = (n + 2)x i b = nx. pa traˇena rekurzija ima oblik z pn+1 (x) − 2 cos x pn (x) + pn−1 (x) = 0. . s z c Umjetno definiramo da je b0 = 0 i piˇemo s N fN (x) = n=0 bn sin(nx). . . . samo starta od N − 1 BN +1 = BN = 0. . n = N − 1. s rekurzija za pripadne Bn ima isti oblik. onda moˇemo i malo drugaˇije postupiti u neparnom dijelu. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 247 Zatim koristimo formulu sin a + sin b = 2 sin a+b a−b cos . ostaje ista. a za Bn sad vrijedi “produljena” rekurzija BN +1 = BN = 0. 0. treba spojiti prethodne c algoritme. Jedina je neugoda ˇto je neparni za 1 kra´i. . . Dakle. c Poˇetne funkcije su p0 (x) = sin x i p1 (x) = sin(2x) = 2 sin x cos x. Ako s c nas to baˇ jako smeta. pa je konaˇni rezultat c fN (x) = B0 p0 (x) + B1 (p1 (x) + α0 (x)p0 (x)) = B0 · 0 + B1 ( sin x − 2 cos x · 0) = B1 sin x. ˇto je potpuno isti oblik kao i za parne funkcije.6. Bn = bn + 2 cos x Bn+1 − Bn+2 . n = N. c Poˇetne funkcije su p0 (x) = 0 i p1 (x) = sin x. jer starta s N − 1. Bn = bn+1 + 2 cos x Bn+1 − Bn+2 . pa je konaˇni c rezultat fN (x) = B0 p0 (x) + B1 (p1 (x) + α0 (x)p0 (x)) = B0 · sin x + B1 (2 sin x cos x − 2 cos x · sin x) = B0 sin x. odnosno za pn (x) = cos(nx). Algoritam moˇete i sami napisati. . Zatim uzmemo pn (x) = sin(nx). . naravno. z Za op´i Fourierov red koji ima i parni i neparni dio. Rekurzija za pn .

. p1 . . dx = ⎪ π. Teˇinska funkcija odreduje sistem polinoma do na konstantni faktor u svakom od z polinoma.}. 1 − x2 −1 za m = n. Klasiˇni ortogonalni polinomi c U aproksimacijama i rjeˇavanju diferencijalnih jednadˇbi najˇeˇ´e se susre´emo s z c sc c s pet tipova klasiˇnih ortogonalnih polinoma. kad smo rekurziju c c s c pomakli za jedan indeks naviˇe! s Spomenimo na kraju da obje funkcije cos(nx) i sin(nx) zadovoljavaju istu diferencijalnu jednadˇbu drugog reda z y + n2 y = 0.3. re´i ´emo da su ortogonalni c c c c obzirom na teˇinsku funkciju w. . ⎧ ⎪ 0. za m = n = 0. p2 . ⎩ 1 − x2 π/2. . Izbor takvog faktora zove se joˇ i standardizacija ili normalizacija. . . pn .6. Tm (x) Tn (x) √ za m = n = 0. uz start T0 (x) = 1. Za polinome c {p0 . 1] obzirom na teˇinsku funkciju z w(x) = √ Vrijedi 1 1 . w(x) ≥ 0 na intervalu [a. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 248 To pokazuje da B0 uop´e ne treba raˇunati. a za m = n. Oni su ortogonalni c c na intervalu [−1. b]. s ˇ Cebiˇevljevi polinomi prve vrste s ˇ s Cebiˇevljevi polinomi prve vrste obiˇno se oznaˇavaju s Tn . T1 (x) = x. ako vrijedi z b w(x) pm (x) pn (x) dx = 0.2. . ⎨ Oni zadovoljavaju rekurzivnu relaciju Tn+1 (x) − 2xTn (x) + Tn−1 (x) = 0. 6. ali baˇ to i oˇekujemo. pri ˇemu indeks polinoma oznaˇava njegov stupanj. .

Graf prvih par polinoma izgleda ovako. dx = π. ∗ T1 (x) = 2x − 1. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 249 Za njih postoji i eksplicitna formula Tn (x) = cos(n arccos x). afine) transformacije s [0. ∗ ∗ ⎨ Tm (x) Tn (x) √ za m = n = 0. 1] x → ξ := 2x − 1 ∈ [−1.6. 0 a rekurzivna relacija ∗ ∗ ∗ Tn+1 (x) − 2(2x − 1)Tn (x) + Tn−1 (x) = 0.5 −0. 1].25 −0. ⎪ ⎩ x − x2 π/2.25 −0. n-ti Cebiˇevljev polinom prve vrste Tn zadovoljava diferencijalnu jednadˇbu z (1 − x2 )y − xy + n2 y = 0. za m = n = 0.5 0.25 −1 −0. 1] dolazimo do svih svojstava tih polinoma.5 0. u oznaci Tn . uz start ∗ T0 (x) = 1.5 −0. Koriˇtenjem linearne (preciznije.75 −0. relacija ortogonalnosti tada postaje ⎧ 1 ⎪ 0.25 0. y 1 0.75 1 x T1 (x) T2 (x) T3 (x) T4 (x) ˇ s Katkad se koriste i Cebiˇevljevi polinomi prve vrste transformirani na interval ∗ [0.75 0. ˇ s Osim toga. Na primjer. za m = n. .75 −1 0.

n-ti Cebiˇevljev polinom druge vrste Un zadovoljava diferencijalnu jednadˇbu z (1 − x2 )y − 3xy + n(n + 2)y = 0.6.75 1 x U1 (x) U2 (x) U3 (x) U4 (x) . π/2. 1] obzirom na teˇinsku funkciju z √ w(x) = 1 − x2 .5 0.25 0.25 −1 −2 −3 −4 0. za m = n. Za njih postoji i eksplicitna formula Un (x) = sin((n + 1) arccos x) . Oni su ortogoc c nalni na intervalu [−1. Graf prvih par polinoma izgleda ovako. y 5 4 3 2 1 −1 −0. Vrijedi 1 √ 1 − x2 Um (x) Un (x) dx = −1 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 250 ˇ Cebiˇevljevi polinomi druge vrste s ˇ s Cebiˇevljevi polinomi druge vrste obiˇno se oznaˇavaju s Un . sin(arccos x) U1 (x) = 2x. samo uz malo drugaˇiji start c U0 (x) = 1.75 −0. ˇ s Osim toga. ˇ s Oni zadovoljavaju istu rekurzivnu relaciju kao Cebiˇevljevi polinomi prve vrste Un+1 (x) − 2xUn (x) + Un−1 (x) = 0. za m = n.5 −0.

5 0.75 −0.5 −0. uz start P0 (x) = 1.25 −0. za m = n. Osim toga.75 1 x P1 (x) P2 (x) P3 (x) P4 (x) . P1 (x) = x. 2/(2n + 1).25 −0.5 −0. y 1 0.6.25 −1 −0. za m = n. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 251 Legendreovi polinomi Legendreovi polinomi obiˇno se oznaˇavaju s Pn .25 0. 1] obzirom na teˇinsku funkciju z w(x) = 1. Oni zadovoljavaju rekurzivnu relaciju (n + 1)Pn+1 (x) − (2n + 1)xPn (x) + nPn−1 (x) = 0.5 0. n-ti Legendreov polinom Pn zadovoljava diferencijalnu jednadˇbu z (1 − x2 )y − 2xy + n(n + 1)y = 0. Oni su ortogonalni na interc c valu [−1.75 −1 0.75 0. Vrijedi 1 Pm (x) Pn (x) dx = −1 0. Graf prvih par polinoma izgleda ovako.

6. Oni zadovoljavaju rekurzivnu relaciju (n + 1)Ln+1 (x) + (x − 2n − 1)Ln (x) + nLn−1 (x) = 0. za m = n. y 3 2 1 0 −1 −2 L1 (x) L2 (x) 1 2 3 4 5 6 x L3 (x) L4 (x) U literaturi se ˇesto nailazi na joˇ jednu rekurziju za Laguerreove polinome c s Ln+1 (x) + (x − 2n − 1)Ln (x) + n2 Ln−1 (x) = 0. . ∞) obzirom na teˇinsku funkciju z w(x) = e−x . L1 (x) = 1 − x. za m = n. Vrijedi ∞ e−x Lm (x) Ln (x) dx = 0 0. Osim toga. Graf prvih par polinoma izgleda ovako. Oni su ortogonalni na interc c valu [0. uz start L0 (x) = 1. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 252 Laguerreovi polinomi Laguerreovi polinomi obiˇno se oznaˇavaju s Ln . 1. n-ti Laguerreov polinom Ln zadovoljava diferencijalnu jednadˇbu z xy + (1 − x)y + ny = 0.

za m = n. tj. ∞) obzirom na teˇinsku funkciju z w(x) = e−x . e−x Lm (x) Ln (x) dx = 2 (n!) . H1 (x) = 2x. n 2 n! π. uz start H0 (x) = 1. Osim toga. Usporedivanjem ove i prethodne rekurzije dobivamo da je Ln (x) = n! Ln (x). L1 (x) = 1 − x. Vrijedi ∞ 2 e−x Hm (x) Hn (x) dx = −∞ 2 0. . za m = n. 0 Hermiteovi polinomi Hermiteovi polinomi obiˇno se oznaˇavaju s Hn . Lako je pokazati c da vrijedi ∞ 0. √ za m = n.6. n-ti Hermiteov polinom Hn zadovoljava diferencijalnu jednadˇbu z y − 2xy + 2ny = 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 253 uz jednaki start L0 (x) = 1. radi se samo o drugaˇijoj normalizaciji ortogonalnih polinoma. Oni su ortogonalni na interc c valu (−∞. za m = n. Oni zadovoljavaju rekurzivnu relaciju Hn+1 (x) − 2xHn (x) + 2nHn−1 (x) = 0.

y 250 200 150 100 50 H1 (x) H2 (x) −3 −2 −1 −50 1 2 3 x H3 (x) H4 (x) 6. onda je fN = pN . Za “lijepe” funkcije. n = 1. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 254 Graf prvih par polinoma izgleda ovako. pa toˇnost kojom je c izraˇunat pN (x) moˇe odrediti i toˇnost fN . Odgovor. Za precizan odgovor. uzmemo da je aN = 1. . ako u razvoju N fN (x) = n=0 an pn (x). po osnovnoj rekurziji c pn+1 (x) + αn (x)pn (x) + βn (x)pn−1 (x) = 0. N − 1. . . Stabilnost rekurzija i generalizirane Hornerove sheme Stabilnost generalizirane Hornerove sheme u velikoj mjeri ovisi o stabilnosti rekurzije za funkcije pn .3. pogledajmo koliki je utjecaj te stabilnosti na generaliziranu Hornerovu shemu.6. Dakle. naravno. za n < N. Takvi mali c z . Prije toga. . generaliziranu Hornerovu shemu c z c moˇemo koristiti i kao silazni algoritam za izvrednjavanje funkcija pN . i an = 0. bitno ovisi i o koeficijentima an u prikazu fN . Naime. 2. Postavlja se z pitanje je li to bolje od direktnog raˇunanja pN unaprijed. ti koeficijenti obiˇno relativno brzu teˇe prema nuli. treba analizirati stabilnost ove rekurzije.

U tom smislu. za ve´e n. Dva su s c s c pitanja na koja bi bilo zgodno odgovoriti. Razvoj polinoma (kao analitiˇke funkcije) po potencijama od varijable ili po nekom sustavu polinoma je c konaˇan pa je uvjet smanjivanja koeficijenata an nepotreban. Tada oˇekujemo jako kra´enja u osnovnoj c c rekurziji. Zbog toga. . n ∈ N0 . a svi prethodni su 0. c c pn+1 (x) − 2 ch x pn (x) + pn−1 (x) = 0.6. oˇito je kljuˇno analizirati baˇ polinomni sluˇaj. Za takve pn moˇemo sastaviti razne rekurzije. popraviti stabilnost? z Umjesto op´eg odgovora. ˇto rezultira i gubitkom toˇnosti ˇto dalje odmiˇemo u rekurziji. c n ∈ N. pN (x) naglo pada po apsolutnoj vrijednosti. dok je troˇlana homogenu rekurzija sliˇna onimza za trigonometrijske funkcije. jer je zadnji koeficijent jednak 1. a i c c s c radi jednostavnosti. . “eksponencijalne polinome” (jer umjesto potencija xn imamo eksponencijalne funkcije enx ) N fN (x) = n=0 an enx . c Oˇito je da pn (x) monotono raste za x > 0 i monotono pada za x < 0. pri ˇemu je ch x = (ex + e−x )/2 kosinus hiperbolni od x. c Op´enito moˇemo odmah zakljuˇiti da opasnost nastupa kad niz vrijednosti c z c p0 (x). ilustrirajmo situaciju c na jednom klasiˇnom primjeru. Dvoˇlana ima oblik z c pn+1 (x) − ex pn (x) = 0. Testirajc mo stabilnost ove rekurzije i pripadne generalizirane Hornerove sheme za raˇunanje c pn (x) = enx u toˇkama x = 1 i x = −1. bitno priguˇuju greˇke greˇke u raˇunanju pn (x). c Neka je pn (x) = enx . postoji i u silaznom algoritmu. prethodni primjer je ekstreman. . c s s s c samo manje vidljiv. Za taj primjer je fN polinom. . koji bi koji zahtijeva dublju analizu. poput okretanja rekurzije. . Ove funkcije generiraju tzv. p1 (x). Isti efekt. u nastavku gledamo samo polinomni sluˇaj fN = pN . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 255 koeficijenti an . • Kako se tada ponaˇa silazni algoritam za raˇunanje fN ? s c • Moˇe li se nekim trikom. Iako to nije sasvim c precizan argument.

pokaˇimo kako s z funkcionira Millerov algoritam. M se obiˇno odabere tako da je M > N i vrijedi c pM (x) ≈ toˇnost raˇunanja. ˜ unatrag po rekurziji za pn (x): pn = ˜ p ˜ −(αn+1 (x)˜n+1 + pn+2 ) . a greˇka zaostaje. z z ili samo neke od njih). .6. Odaberimo startnu vrijednost indeksa M od koje ´emo poˇeti. to su funkcije izvodnice oblika c c ∞ F (x) = n=0 qn pn (x). . . c c pN (x) To obiˇno garantira i da je c M FM (x) := n=0 qn pn (x). Op´a forma Millerovog algoritma c Prije no ˇto ga primijenimo na eksponencijalnom polinomu. . 0. . ˇto ´emo kasnije iskoristiti. . Besselove funkcije i Millerov algoritam Op´enito nije potrebno znati funkcije p0 i p1 da bi se mogla koristiti silazna c varijanta za raˇunanje pN . za n = M − 1. c s c ˜ c ˜ Stavimo pM +1 = 0. s Pretpostavimo da funkcije pn zadovoljavaju neku homogenu rekurziju.4. Milleru. gdje se F (x) raˇuna nekom analitiˇkom formulom bez upotrebe pn (x). p0 (x). . n = 1. pM = 1 i raˇunamo brojeve pn . βn+1 (x) n = M − 1. Dovoljno je znati neku vezu medu funkcijama pn koja se c lako raˇuna. . P. z c Millerov algoritam (po J. 6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 256 6. . . C. Na primjer. koja je najˇeˇ´a u praksi c c sc pn+1 (x) + αn (x)pn (x) + βn (x)pn−1 (x) = 0.1. ovisno o vric c jednosti N indeksa funkcije koju traˇimo. barem jednako toˇna aproksimacija za F (x). Treba znati samo koeficijente αn i βn . . . a takve su ˇesto poznate. Ako traˇimo pN (x) (ili pN (x). . 2. na primjer troˇlanu. . tj. . 1954. c Poznavanje bilo kojeg pn (ˇak ni p0 niti p1 ) nije potrebno. . 0. godine) primjenjuje se kada c vrijednosti funkcija pn vrlo brzo padaju kad n raste (za sve x ili u nekom podruˇju vrijednosti za argumente). F (x) c c moˇemo na´i neovisno o funkcijama pn .4.

tj. za n ≤ N. godine. c Sada iskoristimo ˇinjenicu da znamo koeficijente qn u razvoju funkcije izvodnice c F po funkcijama pn ∞ F (x) = n=0 qn pn (x). uz pretpostavku da je FM (x) dovoljno dobra s z aproksimacija za F (x). U prethodnoj sumi dovoljno je uzeti toliko ˇlanova da se c izraˇunata vrijednost FM stabilizira na toˇnost raˇunala ili traˇenu toˇnost. vezan uz zgodan naˇin zapisa poloˇaja plac c z neta koji se kre´e po elipsi oko Sunca. . z c z c 6. . . . c c c z c Zatim direktno analitiˇki izraˇunamo F (x) po poznatoj formuli i stavimo c c c := F (x) . jer u tom podruˇju vrijedi vrlo dobra c proporcionalnost pn (x) ∼ pn . 1824. Treba joˇ c na´i normalizacioni faktor c. ˜ Vrlo ˇesto se startna vrijednost M odreduje iz nekih poznatih relacija za fac c miliju funkcija pn (x) ili eksperimentalno. ˜ s barem u podruˇju od pN (x) do p0 (x). vrijedi pn (x) ≈ pn · c. pove´avanjem n sve dok se ne postigne ˇeljena toˇnost za pN (x). dinamiˇke astronomije. Izvrednjavanje Besselovih funkcija Besselove funkcije prvi puta je uveo Bessel.6. Naravno. p0 (x). .2. ˜ c c Umjesto nepoznatih vrijednosti pn (x) uvrstimo pn i numeriˇkim zbrajanjem izraˇu˜M namo aproksimaciju F M FM := n=0 qn pn . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 257 Zbog homogenosti rekurzije. ovim se algoritmom moˇe raˇunati i p0 (x). . FM ˇto je traˇeni normalizacioni faktor. p0 ˜ ˜ je vrlo pribliˇno proporcionalan stvarnim vrijednostima z pM (x). Da bi dobio formulu prikladnu za praktiˇno c c . . ˜ Gornji indeks sumacije moˇe biti i bitno manji od M.4. Na kraju izraˇunamo c ˜ pn (x) = pn · c za sve one n izmedu 0 i N koji nas zanimaju. promatraju´i jedan c problem iz tzv. . ako znamo da pn (x) vrlo z brzo padaju kad n raste. dobiveni niz vrijednosti pM .

c Relaciju (6. umjesto n.4.4. Rekurzija (6. promotrimo ponaˇanje vrijednosti Besselovih s funkcija Jn (x) u ovisnosti o n i x.4. vrijedi J1 (x) = −J0 (x). to je tako samo u teoriji.1). kad bismo znali izraˇunati J0 (x) i J1 (x) c c (ili J0 (x)). tako da upotrijebimo neku od metoda numeriˇke integracije. obiˇno koristi oznaka ν za parametar jednadˇbe. 2 n=−∞ (6. s Iz (6. Naˇalost. Iz (6.4. Bessel je traˇenu veliˇinu prikazao kao red funkcija poznatih podataka.4.2) moˇe se pokazati da Besselove funkcije Jn zadovoljavaju diferenciz jalnu jednadˇbu z x2 y + xy + (x2 − n2 )y = 0. Da bismo to pokazali. koje imaju bitno s z svojstvo da su ograniˇene u 0 kad je Re ν ≥ 0.4. generaliziranom Hornerovom shemom mogli bismo onda raˇunati i razne razvoje po Besselovim c funkcijama.4.3) je izrazito nestaz bilna unaprijed. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 258 raˇunanje.1) moˇemo iskoristiti i za numeriˇko raˇunanje vrijednosti Jn (x). (6. (6. c U klasiˇnom pristupu preko funkcije izvodnice.2) Nije teˇko dokazati da je ova definicija ekvivalentna integralnoj reprezentaciji (6. x n ∈ N. postoje i mnogo brˇi algoritmi za postizanje iste traˇene toˇnosti z z c izraˇunate vrijednosti Jn (x).3) Takoder. Dakle. z c c c za zadane n ∈ N0 i x ∈ R. 0 n ∈ N.6.1) koje zovemo Besselovim funkcijama prve vrste. Ovu jednadˇbu moˇemo promatrati na cijeloj kompleksnoj ravnini i u sluˇaju kad n z z c nije cijeli broj.2) mogu se izvesti mnoge vaˇne relacije za Besselove funkcije. k! Γ(ν + k + 1) k=0 ∞ (6. Na primjer. Analitiˇki im je oblik c c Jν (x) = 1 x 2 ν (−x2 /4)k . Medutim. Besselove funkcije moˇemo c z n definirati kao koeficijente uz t u razvoju exp x ∞ t − 1/t = Jn (x) tn .4. Naˇalost. z Besselove funkcije zadovoljavaju troˇlanu rekurziju c Jn+1 (x) − 2n Jn (x) + Jn−1 (x) = 0.4. Tada se.4. ni za jednu od ovih funkcija ne postoji neka jednostavna formula ili oblik za raˇunanje.4) . Oˇito se ova definicija moˇe proˇiriti c z s n z na n ∈ Z i tada je J−n (x) = (−1) Jn (x). Osim toga. c z Jedno od rjeˇenja ove jednadˇbe su Besselove funkcije prve vrste Jν . onda bismo iz (6.3) mogli izraˇunati i Jn (x). c z c U tom redu se su se kao koeficijenti javile funkcije oblika 1 Jn (x) = π π cos(x sin θ − nθ) dθ.

a donji ˇak na cijelom skupu C. Medutim.5 0. onda prethodna relacija glasi Jn (x) = 1 x 2 n ∞ (−x2 /4)k . za malo ve´e x.4. kad je x ≈ n (ili ν) i dalje. pa se moˇe koristiti z za raˇunanje. ovaj red vrlo brzo konvergira za relativno male x. dobivamo sliˇno c c c ponaˇanje kao i kod aproksimacije trigonometrijskih funkcija Taylorovim redom. kompleksni brojevi. k=0 k! (n + k)! Oba reda oˇito konvergiraju za x ≥ 0. s c Zaista. Ako je ν cijeli broj. Na prvi c c pogled izgleda kao da smo time rijeˇili i problem raˇunanja vrijednosti J0 (x) i J1 (x). c c c Grafiˇki.6. U nastavku gledamo ponaˇanje ovih c s funkcija samo za nenegativne realne indekse ν ≥ 0 i argumente x ≥ 0. prve tri Besselove funkcije izgledaju ovako c y J0 (x) 1 0.4). s dolazi do sve ve´eg kra´enja zbrajanjem uzastopnih ˇlanova reda (6.5 2 4 6 8 10 12 14 16 18 20 x J1 (x) J2 (x) .75 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 259 gdje su ν i x. op´enito.25 0 −0.25 −0. tj.

25 −0. kao ˇto smo i oˇekivali iz Taylorovog reda.25 −0. deseta Besselova funkcija ovako y J10 (x) “eksponencijalno ponaˇanje” s “trigonometrijsko ponaˇanje” s 1 0.25 0 −0.5 2 4 6 8 10 12 14 16 18 20 x J4 (x) J5 (x) a. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 260 sljede´e tri ovako c y J3 (x) 1 0. nego za fiksni x.6.5 0.25 0 −0.75 0.5 2 4 6 8 10 12 14 16 18 20 x Uoˇite da se podruˇje eksponencijalnog ponaˇanja mijenja u trigonometrijsko poc c s druˇje pribliˇno za x = ν. kao funkcije . recimo.5 0.75 0. c z s c Gledamo li Besselove funkcije ne kao funkcije od x.

25 −0. k = 4.25 0 −0.6.5 1 2 3 4 5 6 ν Jν (2) Jν (3) za Jν (k).25 −0. 5. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 261 indeksa ν.75 0. Jν Jν (4) 1 0.5 0. s Jν Jν (1) 1 0.75 0. k = 1. 6. 2. 3.5 0. onda Besselove funkcije pokazuju ovakvo ponaˇanje za Jν (k).5 2 4 6 8 10 12 ν Jν (5) Jν (6) .25 0 −0.

3) dobivamo sve manje i manje brojeve.25 0 −0.5 2 4 6 8 10 12 14 16 18 20 ν Primijetite da i po ν postoji podruˇje trigonometrijskog ponaˇanja koje za x ≈ ν c s prelazi u eksponencijalni pad prema nuli. Dobiveni rezultati c . c c Za ilustraciju nestabilnosti moˇemo uzeti x = 1 i raˇunati vrijednosti Jn (x) z c koriste´i rekurziju (6. Jν (10) izgleda kao na sljede´oj slici: c Jν (10) Jν (10) “trigonometrijsko ponaˇanje” s “eksponencijalno ponaˇanje” s 1 0.25 −0.5 0.3) uzlazno po n.4. To pokazuje da je rekurzija nestabilna u s c c c c rastu´em smjeru po n. Vidimo da kad n raste. u extended preciznosti.4. ˇim udemo u ekponencijalno podruˇje. ˇto znaˇi da mora do´i do kra´enja.75 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 262 odnosno.6. u rekurziji (6.

000000005249325991 0. za ν → ∞.5 n . c n 0 1 2 3 4 5 6 7 8 9 izraˇunati Jn (1) c toˇni Jn (1) c 0.114903484931900481 0.002476638964109955 0. To pokazuje da se Jn (x). Vidimo da se dogada neˇto sliˇno kao kod raˇunanja e−nx .765197686557966552 0. tj.000000000000499972 Kra´enje.4.2) za t = 1.440050585744933516 0. Za praktiˇnu primjenu Millerovog algoritma poˇeljno je znati precizno ponac z ˇanje rekurzije (6.4.019563353982668406 0.765197686557966552 0.000020938338002418 0.000249757730211234 0. asimptotska z c relacija 1 ex ν . kad iskoristimo parnost i neparnost Besselovih funkcija po n.000000000011980067 12 0.000000000264421352 0.3).000000094223446486 0. Funkcija izvodnica koja se pritom koristi za normalic zaciju je vrlo jednostavna J0 (x) + 2(J2 (x) + J4 (x) + · · · + J2k (x) + · · ·) = 1.440050585744933516 0.000000094223441726 0. Uoˇimo da je x fiksan. 10 0. No. tj.5) Jν (x) ≈ √ 2πν 2ν za fiksni x i velike ν.6. ulaskom u c c c eksponencijalno podruˇje. za velike n ponaˇa kao s cn .000020938338002389 0. a time i gubitak relativne toˇnosti poˇinje odmah za n = 2.000249757730211237 0.000000000039101058 0. jer su rezultati c prikazani apsolutno.114903484931900481 0.002476638964109955 0. a ne relativno. Ova relacija izlazi direktno iz (6. a zanima nas ponaˇanje Jn (x) za s c s velike n. gledano po n.000001502325817779 0. Moˇe se pokazati da u eksponencijalnom podruˇju vrijedi tzv.019563353982668406 0. koji je toˇan). to se ne vidi u ovoj tablici.000000000263061512 11 0.000000000595801917 0.4.000001502325817437 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 263 na 18 decimala (apsolutno) dani su u sljede´oj tablici. J−n = (−1)n Jn . (6. za n = 11 nemamo viˇe niti jednu toˇnu s c znamenku. ˇto upu´uje na s c c s c okretanje rekurzije i primjenu Millerovog algoritma. n+0. a za n = 12 gubimo i monotoni pad po n. Medutim.000000005249250180 . Koriˇtenjem Millerovog algoritma dobivamo izuzetno dobre rezultate (drugi s stupac tablice.

c Na sliˇan naˇin moˇe se opisati i ponaˇanje Besselovih funkcija Jν kada je ν c c z s fiksan. Odgovor na to pitanje slijedi iz ocjena greˇke raznih vrsta s aproksimacija. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 264 √ gdje je cn = (ex/2)n / 2π.4. relativnu toˇnost reda veliˇine 10 . sve dok c zadnji dodani ˇlan ne padne ispod zadane toˇnosti. Tridesetak toˇaka je c s c sasvim dovoljno za vizuelno toˇan graf na ovim slikama. πx 4 2 (6. za crtanje grafova nam i ne treba neka velika toˇnost funkcijskih vric jednosti.6) bit ´e objaˇnjeno u c c c s sljede´em odjeljku o asimptotskim razvojima. Naime. kra´enje je minimalno (2–3 dekadske znaˇajne znamenke). poˇev od difrakcije svjetlosti do energetskih nivoa u kvantnoj mehanici. kad x → 0 iz prvog ˇlana c Taylorovog reda dobivamo i asimptotsku relaciju Jν (x) ≈ 1 x 2 ν 1 . tj. za takve asimpotske relacije. a posebno interpolacije. uz jednak razmak po x osi. c Besselove funkcije imaju vrlo velike primjene u fizici. Koriˇtenjem c s . Dovoljna je relativna toˇnost istog reda veliˇine. ako je cijeli graf visok 10 cm. tj. U tom s trigonometrijskom podruˇju vrijedi c Jν (x) ≈ 2 π νπ cos x − − . Napomena 6.5) i (6. raspon vrijednosti funkcije na cijelom grafu. a ne c c ≈.6) za fiksni ν. Uobiˇajeno se koristi oznaka ∼.4) unaprijed.1 Napomenimo joˇ da su sve potrebne vrijednosti Jν (x) za crtanje s prethodnih 6 slika izraˇunate sumacijom Taylorovog reda (6. Γ(ν + 1) s koja je. a gledamo male ili velike argumente x. o ˇemu ´e uskoro biti viˇe rijeˇi. a to vrlo brzo trne kad n raste.6. oscilira. dobra aproksimacija za x u dijelu domene gdje se Jν (x) ponaˇa kao c eksponencijalna funkcija.4. Jedini zanimljivi dio c c tog algoritma je raˇunanje vrijednosti Γ funkcije. tako da osiguramo z c c potrebnu toˇnost. kad x → ∞.4. U principu. Greˇku od s jedne tisu´inke skale nitko ne´e ni primijetiti. ˇto ´emo napraviti u poglavlju o aproksis c macijama. a i to je bitno previˇe. c c c s c Naravno. Zasad recimo samo to da je svaki od ovih grafova nacrtan koriˇtenjem s 101 toˇke. odavde z se moˇe izraˇunati poˇetni indeks M za Millerov algoritam. ne trebamo ni toliko. S druge strane. tj.4. za x n.4. savrˇeno dovoljno je imati 3 znaˇajne znamenke u izraˇunatoj s c c −3 vrijednosti funkcije. Jn (x) se ponaˇa poput kosinusa. Uz malo paˇnje. ali c c obzirom na cijelu skalu. oˇito. u mnogim modelima. Za fiksni ν. Toˇno znaˇenje relacija (6. c c onda je ta greˇka na slici manja od desetinke milimetra! s Drugo je pitanje u koliko toˇaka treba izraˇunati vrijednost funkcije da bi c c se dobro nacrtao graf. U prikazanom rasponu po ν i po c c x. Za vrijednosti blizu c c nule.

Tada za fiksni x. vrlo c c ˇesto koriste. za numeriˇko raˇunanje njic c hovih nultoˇaka trebamo maksimalnu mogu´u toˇnost funkcijskih vrijednosti (barem c c c u apsolutnom smislu).5. a to se postiˇe upravo Millerovim algoritmom. ako se sjetimo definicije sume reda. c s Primjer 6. koje se.4) c N fN (x) = n=0 an pn (x).3) zamijenili smo razvoj funkcije f oblika ∞ f (x) = n=0 an pn (x).6. podrazumijevaju´i da je rijeˇ o konvergentnom redu u toˇki x. zajedno s Newtonovom metodom za nalaˇenje nultoˇaka funkz c cija. c c c ostatak reda teˇi prema nuli po N. Ovaj pristup se najˇeˇ´e koristi za z c c c sc raˇunanje vrijednosti integrala. s U ovom odjeljku ´emo pokazati da zamjenom uloge N i x u iskazu o u konc vergenciji razvoja dobivamo novi pojam asimptotskog razvoja. z 6.2.2. Eventualna uniformna konvergencija za sve x na nekoj domeni je dobrodoˇla. pa ga je zgodno uvesti baˇ na takvim primjerima.1) . c Za razliku od crtanja grafova Besselovih funkcija. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 265 Millerovog algoritma.5. z N →∞ lim (f (x) − fN (x)) = lim ∞ N →∞ an pn (x) = 0. dobro se mogu izraˇunati i nultoˇke Besselovih funkcija. konaˇnom parcijalnom sumom (6. takoder. n=N +1 Strogo formalno. Asimptotski razvoj Sve aproksimacije koje smo do sada promatrali dobivene su “rezanjem” konvergentnih razvoja po nekom sustavu funkcija. zamjenom konvergentnih redova konaˇnom sumom.5. c U relaciji (6. tj. ali nije bitna za ideju ove aproksimacije. i sam zapis za f (x) u obliku reda je sinonim za konvergenciju u ovom smislu. kojeg vrlo efikasno moˇemo iskoristiti i za praktiˇno raˇunanje.1 Neka je f funkcija definirana integralom ∞ f (x) = 0 e−xt cos t dt (6.

Kad ove integrale uvrstimo natrag u red za f .5. Za 2n > 0 parcijalnom integracijom izlazi ∞ I2n (x) = 0 t2n 1 d − e−xt (2n)! x ∞ t2n 1 = − e−xt x (2n)! = Odavde indukcijom slijedi 1 I2n−1 (x). IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 266 za realne nenegativne vrijednosti parametra x. ako je x > 1. Dobivamo redom c ∞ f (x) = 0 ∞ e−xt 1 − e 0 −xt t2 t4 + − · · · dt 2! 4! ∞ = dt − 0 e −xt t2 dt + 2! ∞ e−xt 0 t4 dt − · · · . e−xt → 0 kad t → ∞. dobivamo f (x) = I0 (x) − I2 (x) + I4 (x) − · · · = 1 1 1 − 3 + 5 − ···. x x x Na kraju. (2n)! za n ∈ N0 . x 1 + x t=0 ∞ e−xt 0 t2n−1 dt (2n − 1)! I2n (x) = 1 x2n+1 . 4! Za integraciju ˇlan po ˇlan. Pokuˇajmo ovaj intergal izraˇunati s c tako da cos t razvijemo u red potencija po t. Za n = 0 odmah dobivamo ∞ I0 (x) = 0 1 e−xt dt = − e−xt x ∞ = t=0 1 . a na gornjoj granici znamo da za svaki pozitivni x.2) . treba izraˇunati integrale oblika c c c ∞ I2n (x) = 0 e−xt t2n dt.6. a zatim dobiveni red integriramo ˇlan c po ˇlan. onda red na desnoj strani konvergira i vrijedi f (x) = x2 x . x jer ostaje samo vrijednost na donjoj granici. +1 (6.

treba izraˇunati integrale oblika c c c ∞ In (x) = 0 e−xt tn dt. . Za integraciju ˇlan po ˇlan. c z Primjer 6.5.5. x x Mnoˇenjem s x2 . ∞ ∞ f (x) = 0 e −xt cos t dt = 0 ∞ e−xt d(sin t) ∞ =e −xt 1 sin t + x t=0 e−xt sin t dt. pa zakljuˇujemo da vrijedi (6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 267 Ovaj rezultat moˇemo dobiti i direktno iz (6.2). (6. 0 Prvi ˇlan je nula na obje granice. dobivamo z x2 f (x) = x − f (x). n ∈ N0 . Supstitucijom razvoja c 1 = 1 − t + t2 − · · · 1+t dobivamo redom ∞ g(x) = 0 ∞ e−xt (1 − t + t2 − · · ·) dt ∞ ∞ = 0 e −xt dt − 0 e −xt t dt + 0 e−xt t2 dt − · · · .6. 1+t x > 0.5. za x > 0. Ovdje vrijedi 1/(1 + t) → 0 kad t → ∞. jer podintegralna funkcija joˇ brˇe trne nego u prethodc s s z nom kad t → ∞. dok je cos t u funkciji f samo ograniˇen izmedu −1 i 1.1) dvostrukom parcijalnom inz tegracijom.5. pa ostaje c 1 f (x) = x ∞ e−xt d(− cos t) 0 ∞ ∞ 1 1 − 2 = − e−xt cos t x x t=0 e−xt cos t dt 0 1 1 = − 2 f (x). samo uz blaˇu pretpostavku x > 0.2 Pokuˇajmo primijeniti istu ideju na funkciju g definiranu integralom s ∞ g(x) = 0 e−xt dt.3) Oˇekujemo joˇ bolje rezultate.

5) Uzmimo neki malo ve´i x. Rezultat iz (6.5. z c c Zaˇto je isti postupak bio uspjeˇan u prvom primjeru. razvoj funkcije 1/(1 + t) konvergira samo za t < 1. onda nam nitko ne brani da pokuˇmo sumirati prvih nekoliko ˇlanova c s c reda na desnoj strani u (6.3) ne moˇemo izraˇunati na ovaj naˇin.4) c Medutim. ˇak i jaˇe.5. . − 2 + 3 − 4 + · · · + (−1)n−1 x x x x xn (6. ako cijelu stvar gledamo malo manje teorijski. x x x x (6.4) c gn (x) = (n − 1)! 1 2! 3! 1! . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 268 Usporedbom s integralima In (x) za funkciju f iz prethodnog primjera odmah vidimo da je n! In (x) = n! In (x) = n+1 .5. tako da nazivnici relativno brzo padaju c i izraˇunajmo prvih nekoliko vrijednosti gn (10).5. U drugom sluˇaju. funkciju g iz (6. a c divergira za t ≥ 1. dobivamo g(x) = I0 (x) − I1 (x) + I2 (x) − · · · = 1! 1 2! 3! − 2 + 3 − 4 + ···.0915633339397880819 . n ∈ N0 . na cijeloj domeni integracije.4).4) je besmislena. iako je to u potpunoj suprotnosti s poznatom teorijom! c Primjer 6. Medutim. ali na intervalu na kojem taj red ne konvergira uniformno. recimo x = 10. Dakle. tj.5.5. Razvoj funkcije cos t konvergira za sve vrijednosti t.5. on konvergira uniformno na svakom c c konaˇnom intervalu za t. a zatim pustiti gornju granicu integracija na limes c t → ∞.4) treba shvatiti kao posljedicu integracije reda ˇlan po ˇlan. Za usporedbu. Zbog toga smijemo iskoristiti integraciju ˇlan po ˇlan c c c na svakom konaˇnom intervalu. Numeriˇkom integracijom moˇe se izraˇunati da je c z c g(10) = 0. a viˇe c s praktiˇno. za neku fiksnu vrijednost x. c c Sve dosad reˇeno su standardne ˇinjenice o redovima i integraciji iz matec c matiˇke analize. a ostao bez rezultata u s s drugom? Odgovor je jednostavan.3 Oznaˇimo s gn (x) parcijalne sume prvih n ˇlanova reda iz (6. Pogledajmo ˇto ´e se s c dogoditi. trebamo joˇ i toˇnu c s c vrijednost g(10). ovaj red divergira za sve konaˇne vrijednosti x i relacija (6.6. x Kad ove integrale uvrstimo natrag u red za g.5.

091589903360000000 −0. koja daje skoro 5 toˇnih decimala i skoro 4 toˇne vode´e znamenke.000018586060211918 .008436666060211918 0. z en (x) = (−1) n ∞ −xt n 0 e t dt. s s Sve u svemu.001563333939788082 0.091400000000000000 0.000018586060211918 11 0.091520000000000000 0. 1+t .5.3) za g.000436666060211918 0. Ako joˇ i razvoj funkcije 1/(1 + t) napiˇemo u istom obliku kao zbroj prvih n ˇlanova s s c plus ostatak. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 269 Sljede´a tablica pokazuje izraˇunate vrijednosti gn (10) i pripadne pogreˇke.000163333939788082 0. kad uzmemo da je nastao sumiranjem c s s s c c ˇlanova divergentnog reda. Ndimo joˇ i objaˇnjenje za ovaj priliˇno neoˇekivani c uspjeh.092000000000000000 −0.000028666060211918 0.091640000000000000 −0. Neka je c en (x) := g(x) − gn (x).091581920000000000 −0.000021733939788082 0. + 1+t 1+t i to uvrstimo u definiciju (6.5) u fiksnoj s toˇki x. 10 0.100000000000000000 −0.000026569420211918 Dobivene vrijednosti su sasvim dobre aproksimacije! Vidimo da je g9 (10) najbolja aproksimacija.000017701939788082 0.090000000000000000 0.091541600000000000 0. rezultat uop´e nije loˇ.000043333939788082 0. c c s n 0 1 2 3 4 5 6 7 8 9 izraˇunati gn (10) c 0. dobivamo da je greˇka en (x) upravo integral s −xt ostatka iz prethodne relacije pomnoˇenog s e .091592000000000000 −0.091542003200000000 12 0.000076666060211918 0.091545632000000000 greˇka g(10) − gn (10) s 0.000021330739788082 0. c c c Naravno. (−1)n tn 1 2 n−1 n−1 = 1 − t + t − · · · + (−1) t .5. Jasno je da treba promatrati greˇku n-te parcijalne sume iz (6.091581920000000000 −0. za n ≥ 10 pogreˇke sve viˇe rastu i rezultati postaju beskorisni.6.

pa nema govora o konvergenciji parcijalnih suma gn (x) prema g(x).5. a relaciju (6. u odgovaraju´oj okolini toˇke +∞. ∞ e t dt ≤ 1+t e−xt tn dt = 0 n! .6) To pokazuje da je pogreˇka n-te parcijalne sume manja od apsolutne vrijednosti prs vog odbaˇenog ˇlana. zato ˇto ˇlanovi alterniraju po predznaku. s c Ako gledamo konvergenciju u fiksnoj toˇki x > 0. onda vrijedi |en (x)| → 0 za x → ∞.4). xn+1 (6.5) generiraju red na desnoj strani (6. c c Takvom aproksimacijom ne moˇemo posti´i proizvoljno veliku toˇnost.6) za pogreˇku n-te parcijalne sume odmah slijede dva zakljuˇka.7) vrijedi za svaki n ∈ N. ˇlanove reda moˇemo iskoristiti c c c z za ocjenu pogreˇke i zbrajanje ˇlanova treba zaustaviti toˇno ispred apsolutno najs c c manjeg ˇlana.5. za kojeg kaˇemo da je asimptotski razvoj funkcije g u okolini toˇke +∞.5. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 270 Uoˇimo da smo ovdje imali konaˇnu sumu. u c smislu (6. To odgovara ranijem zakljuˇku da pripadni red divergira u svakoj toˇki x > 0. (6.7). ali sa zamijenjenim ulogama n i x. c c c c Ovu greˇku nije teˇko ocijeniti.8) Pritom ∼ oznaˇava asimptotsku konvergenciju reda na desnoj strani ove relacije.6.5. Dakle. objasnimo joˇ vris jednost prethodnog zakljuˇka. Takvu vrstu s konvergencije zovemo asimptotska konvergencija. pogreˇka c c s c s ima isti predznak kao i prvi odbaˇeni ˇlan.5. odnosno z c c .5. pa smo smjeli integrirati ˇlan po ˇlan. ako uzmemo da je n fiksan.5.4) z c piˇemo u obliku s g(x) ∼ 1! 1 (n − 1)! 2! 3! − 2 + 3 − 4 + · · · + (−1)n−1 + ··· x x x x xn (x → +∞). Osim toga. samo to moramo z napraviti za dovoljno velike vrijednosti x. (6. u ovom sluˇaju. Oˇito je s s c 1 ≤ 1. Relacija (6. c Iz ocjene (6. c c S druge strane. Parcijalne sume gn iz (6.7) ˇto odgovara “konvergenciji”. onda je c |en (x)| → ∞ za n → ∞. u okolini toˇke c c +∞.5. 1+t pa je |en (x)| = ∞ −xt n 0 t ≥ 0.5. tj. Prije precizne definicije pojma asimptotske konvergencije. ˇto znaˇi da c s c svaku od funkcija gn moˇemo koristiti za aproksimaciju funkcije g.

ova oznaka ∼ se tradicionalno koristi u oba znaˇenja.5. lim x→+∞ g1 (x) . c s Napomenimo da ista oznaka ∼ ima razliˇita znaˇenja u relacijama (6. s c c relaciju (6. tada zapis g(x) ∼ g1 (x).5. Iz relacije (6. Sto znamo viˇe c s ˇlanova. u prvoj aproksimaciji. ili. Naime.9) ∼ je relacija asimptotskog ponaˇanja i ta relacija je simetriˇna.5.6) dobivamo i c ocjenu greˇke za takvu aproksimaciju. s z c c Osim toga. znaˇi samo c g(x) = 1. Za razliku od toga.9).6) slijedi |e1 (x)| ≤ 0 ∞ e−xt t dt = 1 .5. funkcija g ponaˇa kao g1 u okolini c s toˇke +∞.9) moˇemo interpretirati i kao skra´eni zapis nekog asimptotskog razvoz c ja. s z ˇ Sve to slijedi samo iz prvog ˇlana asimptotskog razvoja.5.8) ∼ oznaˇava asimptotski c c razvoj i ta relacija nije simetriˇna. Iz (6. ˇto znaˇi da relativna c s c greˇka od g1 (x) kao aproksimacije od g(x) teˇi prema nuli kad x → +∞. Uoˇimo da iz (6.5.5. U (6. Ovisno o x.9) i sliˇni zakljuˇci za aproksimacije gn c c c s viˇe ˇlanova reda. s tim da je naveden samo prvi ˇlan razvoja.8) c c i (6.5. da g(x) pada kao 1/x. Prva je c s g(x) − g1 (x) = O(1/x2) (x → +∞) i ona sluˇi kao osnova za definiciju asimptotskog razvoja. Lijevo je funkcija. a desno je red potencija (red c funkcija). c po definiciji.7). x2 pa odmah vidimo da vrijede sljede´e dvije relacije asimptotskog ponaˇanja. i to se s z uspjeˇno moˇe iskoristiti za praktiˇno raˇunanje. s g(x) − g1 (x) = g(x) − 1/x = e1 (x). Uzmimo da je n = 1 u (6. s c ˇak relacija ekvivalencije.8) slijede (6. postoji minis c malna greˇka koju moˇemo dobiti (gledano po n) i bolje ne ide. rezultat (6.5. Ali oprezno.5. Druga je z g(x) − g1 (x) = o(g1 (x)) (x → +∞).5. tj. kad x → +∞.6. dobivamo sve preciznije informacije o ponaˇanju fukcije g u okolini +∞. Medutim.9) i ˇitamo “g(x) je asimptotski jednako g1 (x) kad x → +∞”. To znaˇi da se. g1 (x) Posljednju relaciju obiˇno piˇemo u obliku c s g(x) ∼ g1 (x) (x → +∞) (6.7) ima i teorijsku vrijednost.5. kao kod obiˇne konvergencije. ekvivalentno (jer je g1 (x) = 0 za x > 0) x→+∞ lim g(x) = 1. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 271 proizvoljno malu greˇku. u (6.

za svaki n ∈ N. ako neka funkcija iz tog niza teˇi prema nuli kad x → c u skupu D. Zato. ako funkcije ϕn ˇine asimptotski c niz. x→c ϕ n−1 (x) x∈D c ˇto ukljuˇuje i pretpostavku da je ϕn−1 (x) = 0 u nekoj okolini toˇke c gledano u s c c skupu D. osim eventualno u samoj toˇki c.6. tada svaka funkcija ϕn raste bitno sporije od prethodne funkcije ϕn−1 u okolini toˇke c. u smislu c da vrijedi ϕn (x) lim = 0.5. c c . n ∈ N0 ). jer ne postoje ostali ˇlanovi razvoja (nema parametra n). a toˇka c moˇe biti i ∞. (6.2 (Asimptotski razvoj) Neka je (ϕn .5.5. c Definicija 6. Precizna definicija asimptotskog razvoja u okolini neke toˇke bazirana je na c definiciji asimptotskog niza u okolini te toˇke. s tj. asimptotski niz kad x → c u skupu D.5. s tim da c moˇe biti i +∞ ili −∞. Tada kaˇemo da je (ϕn ) asimptotski niz kad x → c u skupu D. c z z Ista definicija vrijedi i za kompleksne domene D ⊆ C. Nadalje.7). z Podsjetimo. c z Definicija 6. n ∈ N0 . neka je c c z ϕn : D → R. Ili. u oznaci f (x) ∼ ∞ an ϕn (x) n=0 (x → c u D). c z tada svaka sljede´a funkcija teˇi prema nuli bitno brˇe od nje. niz funkcija za kojeg vrijedi ϕn (x) = o(ϕn−1 (x)) (x → c u D).10) ako za svaki N ∈ N vrijedi relacija asimptotskog ponaˇanja s N −1 f (x) = n=0 an ϕn (x) + O(ϕN (x)) (x → c u D).1 (Asimptotski niz) Neka je D ⊆ R neki skup i c ∈ Cl D neka toˇka iz zatvaraˇa skupa D. oznaka oznaka ϕn (x) = o(ϕn−1 (x)) (x → c u D) znaˇi da svaka c funkcija ϕn raste bitno sporije od prethodne funkcije ϕn−1 u okolini toˇke c. u okolini toˇke c. Upravo tako treba interc pretirati i asimptotske relacije za Besselove funkcije iz prethodnog odjeljka. apsolutna greˇka izmedu f i (N − 1)-e parcijalne sume reda raste najviˇe jednako s brzo kao i N-ti ˇlan asimptotskog niza. Formalni red funkcija ∞ an ϕn n=0 je asimptotski razvoj funkcije f kad x → c u skupu D. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 272 i nema govora o nekoj asimptotskoj konvergenciji koja se iskazuje relacijom (6.

jer on moˇe biti divergentan u svakoj toˇki domene. U praksi se najˇeˇ´e se koriste asimptotski nizovi u okolini toˇke ∞ oblika c sc c ϕn (x) = x−n ili ϕn (x) = (log x)−n . Za c potencije s negativnim eksponentima. godine definirao asimptotski razvoj baˇ u e s ovom obliku. odnosno bitno brˇe od zadnjeg ˇlana u sumi. H. ve´ o padu funkcija u okolini toˇke ∞. za n ∈ N0 . po definiciji. tj. Apsolutna c c greˇka izmedu f i (N − 1)-e parcijalne sume reda pada barem jednako brzo kao i s x−N .6. u okolini toˇke c ∈ R (ili C). s s z ne samo zbog podruˇja definicije funkcija. Poincar´ je 1886. z c Povijesno gledano. z . za svaki N ∈ N. znaˇi da vrijedi s c N −1 f (x) = n=0 an + O(x−N ) (x → ∞ u D). u okolini toˇke c. c c za n ∈ N0 . Pripadni asimptotski razvoji su obiˇni redovi potencija f (x) ∼ ili logaritamskih potencija f (x) ∼ ∞ n=0 ∞ an (x − c)n (x → c u D). u ˇisto formalc nom smislu. xn Tada nema smisla govoriti o rastu. koji nastaju supstitucijom x → 1/x iz nizova u okolini toˇke c = 0. Napomenimo joˇ da asimptotsko ponaˇanje moˇe bitno ovisiti o domeni D.5. n=0 an (log(x − c))n (x → c u D). To znaˇi da apsolutna greˇka izmedu f i bilo koje parcijalne sume c s reda raste bitno sporije od zadnjeg ˇlana u parcijalnoj sumi. z c Uoˇimo da iz prethodne dvije definicije odmah slijedi i c N −1 f (x) = n=0 an ϕn (x) + o(ϕN −1 (x)) (x → c u D). c c Tipiˇni primjeri asimptotskih nizova su obiˇne i logaritamske potencije c c ϕn (x) = (x − c)n ili ϕn (x) = (log(x − c))n . ve´ zbog mogu´e restrikcije toˇaka po c c c c kojima se gledaju limesi kad x teˇi prema c.10) ima ve´ poznati c oblik ∞ an (x → ∞ u D). f (x) ∼ n n=0 x ˇto. asimptotski razvoj (6. koji je proporcionalan s x−(N −1) . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 273 Navedeni red funkcija treba interpretirati samo kao oznaku.

bez c navodenja domene D. koriˇtenjem priz c s bliˇno jednakog broja aritmetiˇkih operacija. ˇesto koristi i oznaka c f (x) ∼ g(x) · ∞ n=0 an ϕn (x) (x → c u D). c moˇemo posti´i znatno bolje aproksimacije za razne klase funkcija. U tim aproksimacijama. moglo bi nam se uˇiniti c da uop´e nema potrebe za drugim vrstama aproksimacija. Veriˇni razlomci i racionalne aproksimacije z Na poˇetku ovog poglavlja zakljuˇili smo da efikasno moˇemo raˇunati samo c c z c racionalne aproksimacije funkcija. gdje je g poznata funkcija.6. ako f − g ima asimptotski razvoj. c s Ako je a0 = 0. Qm (x) . Ako se sjetimo nekih rezultata iz analize.6. vrijedi f (x) ∼ a0 g(x). onda prvi ˇlan ovog razvoja daje i asimptotsko ponaˇanje funkcije f . tj. Pretpostavimo da je zadana racionalna funkcija oblika R(x) = Pn (x) . onda se. ako je prvih k koeficijenata c razvoja jednako nuli. Medutim. prirodno c je oˇekivati da “dodavanjem” operacije dijeljenja u oblik aproksimacijske funkcije. podrazumijeva se razvoj u okolini toˇke ∞.5. kad x → c u D. . onda se umjesto relacije (6. tradicionalno. onda se koristi skra´ena oznaka (x → c). obiˇno c piˇemo s f (x) ∼ g(x) + ∞ an ϕn (x) (x → c u D). Kao bazne funkcije koristili smo potencije (aproksimacija polinomima) ili su potencije bile zamijenjene nekim drugim funkcijama. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 274 Ako je domena D = R ili D = C. ali smo uvijek imali sume polinomnog oblika. z Analogno. tj. Ako je joˇ i c = ∞. S druge strane. poput Weierstraßovog teorema o uniformnoj aproksimaciji funkcije polinomima na kompaktu. n=0 6. = ak−1 = 0 i ak = 0. Ako je g poznata ili zadana funkcija takva da f /g ima asimptotski razvoj. z c Moˇe se dogoditi da funkcija f nema asimptotski razvoj na zadanoj domeni D z u smislu prethodne definicije. tj. z c Pravu usporedbu polinomnih i racionalnih aproksimacija ostavljamo za poglavlje o aproksimacijama. U protivnom. za praktiˇnu primjenu racionalnih aproksimacija c bitni su dobri algoritmi za njihovo izvrednjavanje. dijeljenje nismo bitno iskoristili u obliku aproksimacije.10) za f /g. onda vrijedi sliˇna relacija (pokaˇite koja). Sve dosadaˇnje aproksimacije imale su oblik lins earne kombinacije nekih baznih funkcija. a0 = . . oznaka (x → ∞) s moˇe i ispustiti.

racionalna aproksimacija bit ´e omjer dva polinoma.6. Ipak. Na neki naˇin. n m Pn (x) = k=0 ak xk . c s Na primjer. U tom sluˇaju racionalnu c aproksimaciju moˇemo napisati kao veriˇni razlomak. n + m zbrajanja z i jedno dijeljenje. jer postoje algoritmi koji zahtijevaju manje operacija. c c c U teoriji nepolinomnih aproksimacija mogu´e je pokazati da su. pri ˇemu je z c c c 1. respektivno. Qm (x) = k=0 bk xk . takvo izvrednjavanje racionalne funkcije nije idealno iz viˇe razloga. Oˇito je da izvrednjavanje prethodne funkcije moˇemo izvrˇiti koriˇtenjem c z s s dviju Hornerovih shema (po jedna za polinom u brojniku i nazivniku) i jednim dijeljenjem na kraju. tada c c bi trebalo vrˇiti neku normalizaciju u Hornerovoj shemi. pa ´e i brzina raˇunanja i z z c c problem preljeva (overflow) biti rijeˇeni naˇinom izvrednjavanja takvog veriˇnog s c z razlomka. ˇim nam kvocijent prijede s c neku zadanu veliˇinu. c najbolje racionalne aproksimacije one kojima je stupanj polinoma u brojniku jednak onom u nazivniku ili se eventualno razlikuje za jedan. onda ´e racionalna aproksimacija biti omjer vrijednosti polic noma brojnika i nazivnika “u dalekoj toˇki”. a tada algoritam postaje straˇno kompliciran. Brojevni veriˇni razlomci z a1 b1 + b2 + b3 + a2 a3 a4 b4 + · · · Izraz oblika R = b0 + . upoznajmo se s s z brojevnim veriˇnim razlomcima. z 6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 275 gdje su Pn i Qm polinomi stupnjeva n i m.6. No prije no ˇto upoznamo tzv. ali je dobiven c dijeljenjem dva vrlo velika broja (koja nisu prikaziva u raˇunalu) ili dva vrlo mala c broja (dobivena kra´enjem polinoma u brojniku ili nazivniku).1. c x0 Ako ˇelimo racionalnu aproksimaciju koja ima stupanj polinoma bar jedan u z brojniku i nazivniku. a sama ´e vrijednost funkcije biti broj c c nekog razumnog reda veliˇine (u sluˇaju th x ˇak manji od 1). ako aproksimiramo vrijednost funkcije th x (sliˇno je i za bilo koju c drugu funkciju f koja ne teˇi u beskonaˇnost kada x → ∞) u toˇki x0 . Nadalje. s Prvo. Broj potrebnih operacija je n + m mnoˇenja. uz neke uvjete. funkcijske veriˇne razlomke. moˇe se doz goditi da je vrijednost funkcije R(x0 ) neki broj razumnog reda veliˇine.

n→∞ gdje je Rn n-ta konvergencija definirana izrazom (6.6. koju moˇemo prikazati z z kao racionalni broj. Ovakav zapis je nespretan. pa su smiˇljeni z s alternativni zapisi.1) Ako u beskonaˇnom veriˇnom razlomku uzmemo samo konaˇno mnogo ˇlanoc z c c va. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 276 zovemo (brojevni) veriˇni razlomak. Q0 pa moˇemo izabrati da je P0 = b0 . Uzlazni algoritam za izvrednjavanje brojevnih veriˇnih razlomaka z Promatrajmo n-tu konvergenciju veriˇnog razlomka. Q1 b1 b1 b1 Q0 . Qn b1 b2 b3 bn Za nultu konvergenciju je R0 = P0 = b0 .2). jedini je z c uvjet da je P0 /Q0 = b0 ).. b1 + b2 + b3 + (6..2) + b + b + b1 2 3 bn onda se takav izraz zove n-ta konvergencija veriˇnog razlomka R.6. Za sljede´u konvergenciju vrijedi c R1 = P1 a1 b0 b1 + a1 b1 P0 + a1 = b0 + = = . kvocijent Pn i Qn Rn = Pn a1 a2 a3 an = b0 + + + + · · · . vaˇno je znati kako efikasno izraˇunati Rn .. . | b1 | b2 | b3 i moˇda najzgodniji zapis z R = b0 + a1 a2 a3 ···.6. Q0 = 1 (mogli smo i drugaˇije birati.6.6.1). (6. U razliˇitoj literaturi nailazimo na tri oblika zapisa veriˇnih c z razlomaka R = b0 . Ako postoji z vrijednost veriˇnog razlomka (6. b1 b2 b3 R = b0 + a1 | a2 | a3 | + + + ···. Drugim rijeˇima. . c z c 6. a1 a2 a3 an ··· . onda se ona definira kao z Rn = b0 + R = lim Rn . .6.2. a1 a2 a3 .

Qn+1 = bn+1 Qn+1 . Drugim rijeˇima. a to je upravo korak indukcije. P0 = b0 .3) Qn+1 Definiramo li . onda Rn+1 ostaje nepromijenjen (brojnik i nazivnik su skalirani). (6. bn+1 bn+1 an+1 = bn + Qn−1 + an Qn−2 bn+1 an+1 an+1 = (bn Qn−1 + an Qn−2 ) + Qn−1 = Qn + Qn−1 . definiramo li c P−1 = 1. Q0 = 1. za Pn i Qn vrijede relacije Pn = bn Pn−1 + an Pn−2 . Neka je Rn = Pn /Qn . Qn+1 = bn+1 Qn + an+1 Qn−1 . a nazivnik koriˇtenjem prethodnih nazivnika. Q1 b1 Q0 + a1 Q−1 s tj. Qn = bn Qn−1 + an Qn−2 . Time je pokazano da rekurzija za Pn i Qn ostaje ista pri prelasku s konvergencije Rn na konvergenciju Rn+1 . s P1 = b1 P0 + a1 P−1 . a prethodna rekurzija postaje Pn+1 = bn+1 Pn + an+1 Pn−1 . No. Q1 = b1 Q0 + a1 Q−1 . u postupku c raˇunanja Pk i Qk bn se pojavljuje samo u raˇunanju Pn i Qn . onda prethodna relacija glasi s R1 = P1 b1 P0 + a1 P−1 = .6. a ne kod prethodnih c c k < n. ponovno moˇemo zatraˇiti da se brojnik odreduje koriˇtenjem prethodnih broz z jnika. Stoga. bn+1 bn+1 Pn+1 = bn+1 Pn+1 . Q−1 = 0.6. Uoˇimo da Rn+1 nastaje iz Rn ako bn zamijenimo s bn + an+1 /bn+1 . Q−1 = 0. za Rn+1 vrijedi P Rn+1 = n+1 . Qn+1 gdje je Pn+1 = bn + an+1 Pn−1 + an Pn−2 bn+1 an+1 an+1 = (bn Pn−1 + an Pn−2 ) + Pn−1 = Pn + Pn−1 . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 277 Ako joˇ definiramo P−1 = 1. Te dvije relacije su baza indukcije za dokaz oblika rekurzije.

.1).5) w1 b1 + w2 b2 + w3 b3 + dobijemo isti R kao u (6. 2.4) Primijetite da se u ovakvom zapisu algoritma lako mogu dodavati novi ak i bk . . k = 1. Tvrdimo da postoji veza izmedu Pk i Sk . jednostavno umetanjem “novih”. Za bazu indukcije uzmimo k = 1. . S1 = w1 b1 S0 + w0 w1 a1 S−1 = w1 b1 P0 + w1 a1 P−1 = w1 (b1 P0 + a1 P−1 ) = w1 P1 .6. . n.6.6. uz S−1 = 1. i=1 k = 1. c tako da ne moramo mnoˇiti tim koeficijentima. . wi . . T−1 = 0. . Iz rekurzija dobivamo: P1 = b1 P0 + a1 P−1 . Uoˇite da bi nam u algoritmu (6. te Qk i Tk .6. Qk = bk Qk−1 + ak Qk−2 . uzlazni algoritam izvrednjavanja veriˇnog razlomka z Pk = bk Pk−1 + ak Pk−2 . 2. . n. Tk = wk bk Tk−1 + wk−1 wk ak Tk−2 .6. z Iz (6. karike u veriˇnom razlomku. za k ≥ 1. i=1 Tk = Qk · k wi . T0 = 1. + + + Tn w1 b1 w2 b2 w3 b3 wn bn Pogledajmo u kojem su odnosu Sk i Tk obzirom na Pk i Qk . P2 = b2 P1 + a2 P0 . Prvo napiˇimo rekurzije s za Sk i Tk . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 278 onda. (6. To se moˇe posti´i koriˇtenjem tzv. .4) lako se ˇita da su Pk i Qk dva rjeˇenja diferencijske jednadˇbe c s z yk − bk yk−1 − ak yk−2 = 0. z z c s ekvivalentne transformacije. Oznaˇimo sa Sn i Tn brojnik i nazivnik n-te konverc gencije prethodnog veriˇnog razlomka z Rn = Sn w0 w1 a1 w1 w2 a2 w2 w3 a3 wn−1 wn an = b0 + ··· . (6. . 2. S0 = b0 . dobivamo tzv. tzv. Dokaz se provodi indukcijom po k. .6. proˇirenih ak i bk s Sk = wk bk Sk−1 + wk−1wk ak Sk−2 .4) odgovaralo da su ili ak ili bk jednaki 1. . proizvoljni brojevi razliˇiti od 0 i w−1 = w0 = 1. S2 = w2 b2 S1 + w1 w2 a2 S0 = w2 b2 w1 P1 + w1 w2 a2 P0 = w1 w2 (b2 P1 + a2 P0 ) = w1 w2 P2 . c Tvrdimo da izvrednjavanjem veriˇnog razlomka z w0 w1 a1 w1 w2 a2 w2 w3 a3 R = b0 + ···. Neka su wk . n. . Sk = P k · k k = 1.

pretpostavimo da vrijedi Sk = P k · za neke k. .6. tako da u rekurziji (6. . k − 1. s c c Dakle. vrijedi Sn = Rn = Tn Pn · Qn · n+1 wi i=1 n+1 = wi Pn = Rn . Qk = bk Qk−1 + Qk−2 . . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 279 Za korak indukcije.. Time smo dobili tzv. i=1 Sk−1 = Pk−1 · k−1 wi i=1 wi + wk wk+1 ak+1 Pk−1 · k+1 i=1 wi wi = (bk+1 Pk + ak+1 Pk−1) · wi = Pk+1 · i=1 k+1 i=1 ˇto je i trebalo pokazati.. k ≥ 1 proizvoljan wk moˇemo izabrati tako da vrijedi z w1 a1 = 1. Pretpostavimo da su c ak = 0 za sve k ≥ 1.. n. w2 a3 a1 a3 . .6. ˇto se dokazuje indukcijom. . wn−1 wn an = 1.. Qn i=1 Sada moˇemo pojednostavniti veriˇni razlomak R. a1 w2 = 1 a1 = .4) ili ak ili bk budu jednaki 1.. a2 a4 · · · a2k w2k+1 = a2 a4 · · · a2k .. Budu´i da je izbor skalara wk . 2. II tip veriˇnog razlomka u kojem s z su brojnici jednaki 1. Odatle odmah slijedi w1 = odnosno op´enito c w2k = a1 a3 · · · a2k−1 . 1 1 1 R = b0 + + + + · · · . tj. wk = 0. a1 a3 · · · a2k+1 1 . . k = 1. w1 a2 a2 w3 = 1 a2 = . b1 b2 b3 Pripadna uzlazna rekurzija za izvrednjavanje ima oblik Pk = bk Pk−1 + Pk−2 . w1 w2 a2 = 1. svesti ga na alternativnu z z formu. Tada vrijedi Sk+1 = wk+1bk+1 Sk + wk wk+1ak+1 Sk−1 = wk+1bk+1 Pk · k i=1 k−1 k wi . Na sliˇan se naˇin dokazuje i relacija za Tk i Qk .

tj. izaberemo c tako da vrijedi w1 b1 = 1. z wk = R = b0 + Koeficijenti ak su jednaki a1 = odnosno op´enito c ak = a1 . 2. . . 1+ (1 − α2 )+ (1 − α3 )+ Da bismo uspostavili vezu poˇetnog veriˇnog razlomka i dobivenog veriˇnog rac z z zlomka u Eulerovoj formi. a3 = a3 . uz start (6. n. Promatrajmo drugu rekurziju iz (6. . . Eulerovu formu z R = b0 + α1 α2 α3 ···. I tip veriˇnog razlomka u kojem su nazivnici jednaki 1. b1 b2 ak bk−1 bk .3).6.6. ako uzmemo w1 b1 = 1. . .6. onda se veriˇni razlomak svede na tzv. . w2 b2 = 1. . . k = 1.6.3). tj. . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 280 uz startne podatke iz relacije (6.4) za Qk odnosno s c . napiˇimo rekurzije za veriˇni razlomak u Eulerovoj formi s z koriˇtenjem veliˇina Sk i Tk .6. 3. .3. moˇemo posti´i i da su nazivnici jednaki 1. wk = 0. b1 a2 = a2 . 6. wn bn = 1. Eulerova forma veriˇnih razlomaka i neki teoremi z konvergencije Ako brojeve izaberemo tako da je zbroj brojnika i nazivnika jednak jedan (osim kod prve karike). Qk = Qk−1 + ak Qk−2 . 1+ 1+ 1+ Pripadna rekurzija za uzlazno izvrednjavanje je Pk = Pk−1 + ak Pk−2 . S druge strane. k = 2. Pretpostavimo da z c su bk = 0 za sve k ≥ 1. stavljanjem 1 bk dobivamo tzv. Budu´i da je izbor wk . k ≥ 1 proizvoljan. b2 b3 a1 a2 a3 ···. . wk−1 wk ak + wk bk = 1.

pa primjenom pretpostavke indukcije dobivamo wn+1 = 1 wn an+1 + bn+1 = 1 Qn−1 an+1 + bn+1 Qn = Qn Qn = .6) Iz w1 b1 = 1.6) i definicije αk = wk−1wk ak . Prvo pokaˇimo da za sve wk vrijedi z wk = Qk−1 . Dokaz te tvrdenje ponovno koristi indukciju. Qk k ≥ 1. Veriˇni razlomak z z moˇe svesti na Eulerovu formu ako i samo ako su svi Qk = 0 (u rekurziji za poˇetni z c veriˇni razlomak). vrijedi Rk = Sk za sve k. z T0 = 1. dobivamo T1 = T0 + α1 T−1 . uz pretpostavku da je b1 = 0 slijedi w1 = 1 Q0 = . z z Nadimo vezu izmedu originalnog i Eulerovog veriˇnog razlomka. R0 = S0 = b0 izlazi R1 = R0 + α1 R−1 . Qn Iz definicijske relacije za Eulerov veriˇni razlomak slijedi da je z wn wn+1 an+1 + wn+1 bn+1 = 1. k ≥ 2. (6. Ne mogu se svi veriˇni razlomci mogu svesti na Eulerov oblik. Iz R−1 = S−1 = 1. Uoˇite da je T1 = T0 = 1. k ≥ 2.6. Uz T−1 = 0. Time se od dvije rekurzije za raˇunanje n-te konvergencije veriˇnog razlomka koristi c z samo ona prva. c Iz relacije (6. k ≥ 0. (jer nas zanima ta rekurzija za veriˇni razlomak u Eulerovoj formi). Pretpostavimo da za za neki wn vrijedi s wn = Qn−1 .6. Rk = (1 − αk )Rk−1 + αk Rk−2 .6. Tk = (1 − αk )Tk−1 + αk Tk−2 . tj. pa vrijedi c Tk = 1. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 281 Tk . Qn−1 an+1 + Qn bn+1 Qn+1 ˇime je dokazan korak indukcije. b1 Q1 ˇto je baza indukcije.

Ako veriˇni razlomak konvergira.6.6. onda je z ∞ R = lim Rk = b0 + k→∞ i=1 ∞ (−1)i+1 αi αi−1 · · · α1 .6.6) moˇemo (6. . odmah slijedi da je αk = Qk−2 ak .6. (6. (6.8) Na sliˇan se naˇin dokazuje da je c c (6. (6. po mogu´nosti neki red. i=k+1 Sada moˇemo izre´i i dokazati neke rezultate o konvergenciji veriˇnih razloz c z maka.6.6. Qk k ≥ 2. Vrijedi c ak ak−1 · · · a1 = (−1)k+1 αk αk−1 · · · α1 . potraban nam je jedz nostavan izraz za Rk .6.11) pa je |Rk − R| = (−1)i+1 αi αi−1 · · · α1 . iz rekurzija za Pk i Qk nadimo koliko je Rk − Rk−1 . (6.10) dobivamo da je Rk = (−1) k+1 k i=1 αk αk−1 · · · α1 + Rk−1 = · · · = b0 + (−1)i+1 αi αi−1 · · · α1 .6. uglavnom ´emo koristiti pri dokazivanju z c tvrdnji. Da bismo dokazali konvergenciju veriˇnog razlomka.8) zapisati u terminima αk (ponovno s z uz pretpostavku da su svi Qi razliˇiti od 0). Qk Qk−2 k ≥ 2.9) Koriˇtenjem relacije (6. Za k ≥ 1 vrijedi Rk − Rk−1 = Pk Pk−1 Pk Qk−1 − Pk−1 Qk − = Qk Qk−1 Qk Qk−1 (bk Pk−1 + ak Pk−2)Qk−1 − Pk−1 (bk Qk−1 + ak Qk−2 ) = Qk Qk−1 −ak (Pk−1 Qk−2 − Pk−2 Qk−1 ) = Qk Qk−1 ak ak−1 (Pk−2 Qk−3 − Pk−3 Qk−2 ) = = ··· Qk Qk−1 ak ak−1 · · · a1 . a zatim i Rk − Rk−2 .10) Rk − Rk−1 = (−1)k+1 Qk Qk−1 Rekurzivnom primjenom (6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 282 uz dogovor w0 = 1.6. c Prvo. = (−1)k+1 Qk Qk−1 Rk − Rk−2 = (−1)k bk ak−1 · · · a1 .7) Eulerovu formu veriˇnog razlomka.

bk > 0. onda su to i Qk (po rekurziji). Teorem 6. vrijedi a1 a2 · · · ak+1 |Rk − R| ≤ . Qk Qk+1 . tj. Qi bi Qi−1 + ai Qi−2 ai Qi−1 + ai Qi−2 Qi−1 + Qi−2 U prethodnoj jednakosti potrebno je samo pokazati da postoji donja ograda za Qi−1 . greˇka koju smo napravili c c ako R aproksimiramo s Rk manja je ili jednaka prvom odbaˇenom ˇlanu u redu. Po Leibnitzovom kriteriju dovoljno je pokazati da c n-ti ˇlan tog reda teˇi u 0 i da mu ˇlanovi opadaju po apsolutnoj vrijednosti. dovoljno je pokazati da je αi ≤ q za neko q < 1 (D’Alembertov kriterij konvergencije). pa iz (6. Nakon toga.1 Ako su ak .6. pa po Leibnitzovom kriteriju. red je alterniraju´i. gdje je ε neka konstanta.11) alterniraju´i. tada vrijede nejednakosti R1 > R3 > · · · > R2k−1 > · · · . bk > 0 i vrijedi ak ≤ bk i bk ≥ ε > 0 za k ≥ 1. Ako su ak . ˇto slijedi iz uvjeta bk ≥ ε > 0 i rekurzije za Qi . onda su to i Qk . bk > 0. Budu´i da su ak . onda je veriˇni razlomak (6.9) za parne i neparne indekse. Qi Qi−1 pa je red u (6. Lako se dokazuje da je Qi ≥ εQi−1 . R0 < R2 < · · · < R2k < · · · i R2m−1 > R2k za svako m i k. (1 + ε)Qi−2 1+ε c s Takoder.6. Dokaz.6. dokaz trivijalno slijedi raspisivanjem relacije (6. z Dokaz.1) konvergentan.6.7) izlazi c α1 α2 · · · αi = a1 a2 · · · ai > 0.2 Ako su ak .6. bk > 0. c z c Da bismo pokazali konvergenciju.6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 283 Teorem 6.6. Iz (6. s pa odatle slijedi da je Qi−2 1 αi < = < 1.7) dobivamo αi = ai Qi−2 ai Qi−2 ai Qi−2 Qi−2 = < = .6.

6. . i mogu imati viˇe z s c s oblika. n − 1. . Funkcijski veriˇni razlomci z Funkcijski veriˇni razlomci mogu se dobiti na viˇe naˇina.13) Izvrednjavanje veriˇnih razlomaka oba tipa vrlo je sliˇno izvrednjavanju broz c z jevnih veriˇnih razlomaka. . z Krenemo li od “silazno” od bn . 0. c c c Definiramo Fn = bn (ili Fn+1 = ∞) i raˇunamo Fk = bk + na kraju ´emo dobiti c Rn = F0 . oni imaju oblik z c f (x) = b0 + a1 a2 a3 ···. + (x + b )+ (x + b )+ (x + b1 ) 2 3 (6. Op´enito. z Ova dva tipa rekurzija analogon su izvrednjavanja polinoma: silazna rekurzija analogon je Hornerove sheme. moˇemo z pretpostaviti da nam je unaprijed poznato koliko konvergencija trebamo da bismo dobro aproksimirali neki veriˇni razlomak. β1 + β2 + β3 + (6. . koja u svakom koraku (u op´em sluˇaju) ima c c 4 mnoˇenja i 2 zbrajanja. moˇe se pokazati da je silazna rekurzija za izvrednjavanje veriˇnih rac z z zlomaka optimalna ˇto se tiˇe broja operacija. Primijetite da silazna rekurzija u svakom koraku ima toˇno jedno zbrajanje i c jedno dijeljenje. Silazni algoritam za izvrednjavanje brojevnih veriˇz nih razlomaka Vratimo se joˇ jednom na izvrednjavanje veriˇnih razlomaka.5. a uzlazna je analogon potenciranja i zbrajanja.6.4.12) Funkcijski veriˇni razlomci mogu imati varijablu u nazivniku.6.6. Dapaˇe. Fk+1 k = (n). Zbog toga. Veriˇne razlomke koji imaju varijablu u brojniku zovemo veriˇni razlomci z z tipa I i oni imaju op´i oblik c f (x) = β0 + x − x1 x − x2 x − x3 ···. Prethodni je s z teorem dao neke ocjene o tome koliko dobro Rn aproksimira R. ˇak i ako su dozvoljene transformacije s c c koeficijenata veriˇnog razlomka prije poˇetka izvrednjavanja. onda ´e sljede´a rekurzija izvrednjavati Rn . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 284 6. i takve veriˇne raz z zlomke zovemo veriˇni razlomci tipa II. Za izvrednjavanje n-te konvergencije fn (x) veriˇnih z . z c ak+1 . 6. za razliku od uzlazne.6.

Ako imamo zadanu funkciju z f . Stavimo Fn = βn (ili z Fn+1 = ∞). 2+ 2+ 2+ . 0. pogledajmo c to na primjeru jedne funkcije.6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 285 razlomaka prvog tipa. moˇemo koristiti silazni algoritam. Primjer 6. 1+ 1+x x − xk+1 . dobivamo veriˇni razlomak z √ 1+x=1+ x x x ···. . Kako dolazimo do veriˇnih razlomaka? Obiˇno je neˇto lakˇe do´i do veriˇnih z c s s c z razlomaka tipa I. a zatim raˇunamo c Fk = βk + i na kraju je fn (x) = F0 . x + Fk+1 i na kraju je fn (x) = F0 . uobiˇajeno se veriˇni razlomak nalazi nestandardiziranim postupkom kad se c z funkcija zapisuje “pomo´u same sebe”.1 Razvijmo u veriˇni razlomak prvog tipa funkciju z √ f (x) = 1 + x. silazni algoritam. . . potrebno funkciju malo drugaˇije zapisati. Stavimo Fn = bn (ili Fn+1 = ∞). takoder. . 0. . n − 1. n − 1. Lako se provjerava da je c √ 1+x=1+ x √ . Da bismo to bolje objasnili. . . Prvo. Za izvrednjavanje n-te konvergencije veriˇnih razlomaka drugog tipa moˇemo z z koristiti. a zatim ih moˇemo pretvoriti u tip II. . Ako ponovimo ovaj raspis u nazivniku razlomka. Fk+1 k = (n).6. a zatim raˇunamo c ak+1 Fk = bk + . k = (n).

2 ln(x + 1) = x tg x = x arctg x = x2 x2 4x2 9x2 16x2 ···. Stoga se javlja c potreba za pretvaranje veriˇnog razlomka prvog tipa u veriˇni razlomak drugog tipa.6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 286 Navedimo neke od poznatih veriˇnih razlomaka. racionalna funkcija. 1+ 2+ 3+ 4+ 5+ 6+ 7+ 8+ 9+ x2 x2 x2 x2 ···. redom. prvi tip. pa moˇemo definirati z z uk Fk = . 1+ 3+ 5+ 7+ 9+ x2 x2 x2 x2 ··· 1+ 3+ 5+ 7+ x2 x2 4x2 9x2 16x2 ···. 1 2 3 2 5 2 7 x x x 4x 4x 9x 9x 16x 16x ···. vk uk+1 . vk Tada silazna rekurzija glasi (x − xk+1 )vk+1 uk = βk + . U prvom koraku od veriˇnog razlomka prvog tipa dobivamo racionalnu funkz ciju. drugi tip: √ 1+x =1+ =7+ x x x x x x 7x3 + 56x2 + 112x + 64 = 3 2+ 2+ 2+ 2+ 2+ 2 x + 24x2 + 80x + 64 −112 −24/7 −8/63 . Ima li koristi znati kako bi izgledao z √ njihov drugi tip? Na primjer ˇesta konvergencija veriˇnog razlomka za 1 + x bi s z izgledala ovako. pa ´e to dva puta ubrzati postupak izvrednjavanja. (x + 20)+ (x + 8/3)+ (x + 4/3) ˇ Sto vidimo? Iako drugi tip ima kompliciranije koeficijente. ima upola manje karika za izvrednjavanje. 1− 3− 5− 7− 9− x th x = x Arth x = Svi ovi veriˇni razlomci su prvog tipa. 1− 1+ 2− 3+ 2− 5+ 2− 7+ x x x x x x x = 1 + − + − + − + − ···. 1− 3− 5− 7− x= (2n + 1)π . z z Postupak se obavlja u dva koraka. Pogledajmo silazni algoritam za izvrednjavanje veriˇnog razlomka prvog tipa. z Fk ˇelimo napisati kao kvocijent dva polinoma. bez njihova “izvoda”: z ex = 1 x x x x x x x ···.

. uz start un+2 = 0. z s z Naravno vk moˇemo eliminirati uvrˇtavanjem iz druge jednadˇbe u prvu. izjednaˇimo brojnike i nazivnike funkcija s obje strane. pa dobivamo uk = βk uk+1 + (x − xk+1 )uk+2.6. Pritom je ˜k = b b0 . un+1 = 1. vk = uk+1. . n-ta je konvergencija jednaka c fn (x) = F0 = u0 u0 = . Algoritam za pretvaranje racionalne funkcije u drugi tip veriˇnog razlomka je z sljede´i. s c Dobivamo uk = βk uk+1 + (x − xk+1 )vk+1 . . v0 u1 Da bismo iz racionalne funkcije dobili drugi tip veriˇnog razlomka. 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 287 Kao ˇto smo to i prije radili. 2. sve dok ne bude ispunjen uvjet Rx = 1. Iz silazne rekurzije za drugi tip izlazi a1 u0 ˜ = b0 + . 1. Zatim ponovimo postupak i dobivamo b u1 = R1˜1 + a2 R2 . potrebno z je koristiti silaznu rekurziju za drugi tip i usporedivati s u0 /u1 . Definira se R−1 = u0 i R0 = u1 . . k = 0. k = 0. u1 x + F1 pa moˇemo pisati z b u0 = u1˜0 + a1 R1 . Zatim se vrti petlja c Rk−1 = Rk˜k + ak+1 Rk+1 b za k = 0. . Ova rekurzija se prekida kad je stupanj polinoma 0. Konaˇno. . k = n. n − 1. . bk + x. .

b] (moˇe i neograniˇen). pokuˇavamo aproksimirati i podatke koji se c s nalaze “izmedu” izmjerenih toˇaka. a0 . c (a) Poznata je funkcija f (npr. Jednako tako. pa postoje posebne tehnike za ublaˇavanje tako nastalih greˇaka. . funkcije ϕ. ali je njena forma prekomplicirana c za raˇunanje. m. . U tom sluˇaju moˇemo birati c z informacije o f koje ´emo koristiti. na osnovu tih informacija ˇelimo f zamijeniti z nekom drugom funkcijom ϕ na skupu X. Aproksimacija i interpolacija 7. onda kaˇemo da smo odabrali op´i oblik aproksimacijske funkcije. ukljuˇuju i oˇekivani obz c c lik ponaˇanja podataka. tako da su f i ϕ bliske u nekom smislu. analitiˇki). (b) Funkcija f nije poznata. U tom sluˇaju odabiremo neke informacije o f i po nekom c c kriteriju odredimo aproksimacijsku funkciju ϕ. na primjer. Skup X je najˇeˇ´e interval oblika [a. osim samih podataka. Zamjenska funkcija ϕ odreduje se iz c raspoloˇivih informacija. Oblike aproksimacijskih funkcija moˇemo (grubo) podijeliti na: z . Primijetimo da se kod mjerenja javljaju i poc greˇke mjerenja. obzirom na pravu vrijednost funkcije f . vrijednosti na nekom skupu toˇaka. s Varijanta (b) je puno ˇeˇ´a u praksi. c Problem aproksimacije javlja se u dvije bitno razliˇite formulacije. k = 0. a1 . Najˇeˇ´e se javlja kod mjerenja raznih c sc c sc veliˇina. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 288 7. U ovom se sluˇaju ne moˇe napraviti s c z ocjena pogreˇke bez dodatnih informacija o nepoznatoj funkciji f . . definiranoj na nekom skupu X ⊆ R.1. . moˇemo ocijeniti greˇku c z s dobivene aproksimacije. jer. osim izmjerenih podataka. . Ona obiˇno ovisi o parametrima ak . ili diskretni skup c sc z c toˇaka. ali tako da bude relativno jednostavna za raˇunanje. Kad smo funkciju ϕ zapisali u ovom obliku. ali su poznate samo neke informacije o njoj.7. koje treba c c odrediti po nekom kriteriju. ϕ(x) = ϕ(x. kao funkciju koja ovisi o parametrima z c ak . . am ). . . koje. tj. Op´i problem aproksimacije c ˇ Sto je problem aproksimacije? Ako su poznate neke informacije o funkciji f . s z s Funkcija ϕ bira se prema prirodi modela.

cos 2x. k = 1. c sc s 1. U toˇkama xi obiˇno se zahtic sc c c jeva da funkcija ϕ zadovoljava joˇ i tzv. . x. . u modeliranju signala. . . a ponekad se biraju samo parne ili samo neparne funkcije iz ovog skupa. Funkciju ϕ(x) ne moramo nuˇno zapisati u standardnoj bazi obiˇnih potencija z c m {1. na primjer. . Trigonometrijski polinomi. ϕm poznate funkcije koje znamo raˇunati. ve´ na njenu ovisnost o parametrima ak c koje treba odrediti. Katkad se koristi i faktor u argumentu sinusa i kosinusa koji sluˇi za kontrolu z perioda. (x − x0 ). a pk su polinomi najˇeˇ´e stupnjeva 1. x }. . tj. 7. k = 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 289 (a) linearne aproksimacijske funkcije. xn . 3 ili 5. Algebarski polinomi. }. (b) nelinearne aproksimacijske funkcije. Linearne aproksimacijske funkcije ϕ(x) = a0 ϕ0 (x) + a1 ϕ1 (x) + · · · + am ϕm (x). tj. . . 3. m. ϕk (x) = xk . c z Navedimo najˇeˇ´e koriˇtene oblike linearnih aproksimacijskih funkcija. splajn funkcije. pogodni za aproksimaciju periodiˇkih funkcija. ϕ(x) = a0 + a1 x + · · · + am xm . Primijetite da se linc earnost ne odnosi na oblik funkcije ϕ. (x − x0 ) (x − x1 ). c tzv. c onda se splajn funkcija na svakom podintervalu svodi na polinom odredenog fiksnog (niskog) stupnja. . 2. x1 . . Ako su zadane toˇke x0 . . . . “uvjete ljepljenja” vrijednosti funkcije s i nekih njenih derivacija ili nekih aproksimacija tih derivacija.1. . zadane toˇke. gdje su c x0 .7. . . sin x. .xk ] = pk . sin 2x. . Splajnovi se danas ˇesto koriste zbog dobrih svojstava obzirom na greˇku aproksimacije i c s kontrolu oblika aproksimacijske funkcije. Za funkcije ϕk uzima se m + 1 funkcija iz skupa {1. .1. . }. Op´i oblik linearne aproksimacijske funkcije je c gdje su ϕ0 . . ortogonalnih polinoma ili baza {1. Vrlo ˇesto je neka druga baza bitno pogodnija. . n. . Bitne razlike izmedu ove dvije grupe aproksimacijskih funkcija opisujemo u nastavku. . Po dijelovima polinomi. Prednost ovog oblika aproksimacijske funkcije je da odredivanje parametara ak obiˇno vodi na sustave linearnih jednadˇbi. 2. . rec cimo. . . tzv. 2. ϕ [xk−1 . . . . cos x.

podaci oblika (xk . pa ako su bi . Nelinearne aproksimacijske funkcije Navedimo najˇeˇ´e koriˇtene oblike nelinearnih aproksimacijskih funkcija. a koji je to — obiˇno slijedi iz prirode modela. procese rasta i odumiranja u raznim populacijama. 5. c Drugim rijeˇima. c sc s 4. od podataka o funkciji f koristi se samo informacija o njenoj vrijednosti na skupu od (n + 1) toˇaka. Te toˇke obiˇno nazivamo ˇvoroc c c c c c vima interpolacije. s primjenom u biologiji. s Naime.2. fk ). razlomci se mogu proˇirivati (ili skalirati). n. . za k = 0. tj.7. osim funkcijskih vrijednosti. tada se minimizira pogreˇka. . . da interpolira funkciju u tim toˇkama ili da je odstupanje c c aproksimacijske od polazne funkcije u nekom smislu minimalno. c Ovako definirane racionalne funkcije imaju mnogo bolja svojstva aproksimacije nego polinomi. ekonomiji i medicini. Kriteriji aproksimacije Aproksimacijske funkcije biraju se tako da “najbolje” zadovolje uvjete koji se postavljaju na njih. za t = 0. u najjednostavnijem obliku interpolacije. .1. tj. Racionalne aproksimacije ϕ(x) = b0 + b1 x + · · · + br xr . koje imaju n = 2r + 2 nezavisna parametra. Zbog toga se uvijek fiksira jedan od koeficijenata bi ili ci . poklapaju i vrijednosti nekih derivacija. a ne r +s+2. .3. Eksponencijalne aproksimacije ϕ(x) = c0 eb0 x + c1 eb1 x + · · · + cr ebr x . 7. Najˇeˇ´i su zahtjevi da graf aproksimacijske funkcije prolazi c sc odredenim toˇkama tj. tci . s Interpolacija Interpolacija je zahtjev da se vrijednosti funkcija f i ϕ podudaraju na nekom konaˇnom skupu argumenata (ili kra´e toˇaka). ali i ne mora dodati zahtjev da se u z ˇvorovima. ci parametri.1. s onda su to i tbi . c gdje je fk = f (xk ). a pripadna teorija je relativno nova. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 290 7. a opisuju. na primjer. kad traˇimo samo c z podudaranje funkcijskih vrijednosti. c0 + c1 x + · · · + cs xs koje imaju n = r +s+1 nezavisni parametar. kako formalno piˇe. Ovom zahtjevu se moˇe.

. se traˇe tako da bude e 2 minimalna na X. . jer se s s s izmjereni podaci obiˇno ponaˇaju kao normalna sluˇajna varijabla. op´enito.7. Ako je aproksimacijska funkcija ϕ s c z linearna. . . n. a0 . pa je zathjev minimalnosti c n (f (xk ) − ϕ(xk ))2 → min. . . . ˇto bitno z s olakˇava analizu egzistencije i jedinstvenosti rjeˇenja za parametre interpolacije. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 291 Parametri a0 . k = 0. Funkcija ϕ. . an ) = fk . minimizira se samo ono pod korijenom. dijele se c na diskretne i kontinuirane. ˇesto zvane i najbolje aproksimacije po normi. s s Minimizacija pogreˇke s Minimizacija pogreˇke je drugi kriterij odredivanja parametara aproksimacije. Matrica tog sustava je kvadratna. Za 2-normu s pripadna se aproksimacija zove srednjekvadratna. jer je drugi korijen rastu´a funkcija. a Preciznije. . odnosno njeni parametri. . . onda za parametre ak dobivamo sustav linearnih jednadˇbi koji ima toˇno z c n + 1 jednadˇbi i n + 1 nepoznanica. an (kojih mora biti toˇno onoliko koliko i podataka!) odrec duju se iz uvjeta ϕ(xk . a1 . . Ove aproksimacije. . ˇto je. . Odgovaraju´i kvadrati su varijanca i nju treba c c minimizirati. ovisno o tome minimizira li se norma pogreˇke e na s diskretnom ili kontinuiranom skupu podataka X. . . Standardno se kao norme pogreˇke koriste 2-norma i ∞-norma. . s Funkcija ϕ bira se tako da se minimizira neka odabrana norma pogreˇke s e(x) = f (x) − ϕ(x) u nekom odabranom vektorskom prostoru funkcija definiranih na nekoj domeni X. Tako se dobiva jednako rjeˇenje s kao da se minimizira korijen tog izraza. xn }. k=0 dok je u kontinuiranom sluˇaju c b (f (x) − ϕ(x))2 dx → min . z U diskretnom sluˇaju je X = {x0 . c Zaˇto se baˇ minimiziraju kvadrati greˇaka? To ima veze sa statistikom. a metoda za njeno nalaˇenje z zove se metoda najmanjih kvadrata. nelinearni sustav jednadˇbi. s oˇekivanjem c s c c koje je toˇna vrijednost podatka.

najmanja mogu´a. normirani prostor u kojem traˇimo aproksimacijsku funkciju ovisi o z problemu kojeg rjeˇavamo. . Dok prva dva problema uglavnom ne ovise o “parametrizaciji”. c Na primjer.b] max |f (x) − ϕ(x)| → min . rijeˇ je o izboru prikaza ili “baze” u prostoru aproksimacijskih funkcija ili naˇinu c c zadavanja tog prostora.n a u kontinuiranom x∈[a. na prostoru C 1 [a. b]. Kao kriterij aproksimacije uzmimo bilo koju p-normu (1 ≤ p ≤ ∞) vektora e pogreˇke funkcijskih vrijednosti na skupu s X. b] svih funkcija koje imaju neprekidnu prvu derivaciju na segmentu [a. Napomenimo joˇ da smo u prethodnim primjerima koristili uobiˇajene (diskrets c ne i kontinuirane) norme na odgovaraju´im prostorima funkcija. Posebnost se ogleda c u ˇinjenici ˇto se moˇe posti´i da je minimum norme pogreˇke jednak nuli. . Problem interpolacije moˇemo smatrati specijalnim. ovisno o domeni c X. dobivamo problem minimizacije nederivabilne z c funkcije). dobar izbor “baze” je kljuˇan korak u konstrukciji toˇnih s c c c i efikasnih algoritama. norme. Oˇis c to.. ali posebno vaˇnim sluˇaz z c jem aproksimacije po normi na diskretnom skupu X ˇvorova interpolacije uz neku c od standardnih normi na konaˇnodimenzionalnim prostorima. . xn } i traˇimo aproksimacijsku funkciju z s ϕ u prostoru Pn svih polinoma stupnja najviˇe n. pored funkcije ukljuˇuju i s c neke njene derivacije. uzmimo da je X = {x0 . U nekim problemima ovaj je tip aproksimacija poˇeljniji od srednjekvadratnih.7. jer se z traˇi da maksimalna greˇka bude minimalna. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 292 U sluˇaju ∞-norme pripadna se aproksimacija zove minimaks aproksimacija. Nerijetko u praksi. 1 ≤ p < ∞. k=0. Objasnimo joˇ koja je uloga “parametrizacije” aproksimacijskih funkcija. tj. c a parametri se biraju tako da e ∞ bude minimalna. .. a to je c s z c s ekvivalentno odgovaraju´im uvjetima interpolacije. e p = f −ϕ n p = k=0 |f (xk ) − ϕ(xk )|p 1/p → min. kao ˇto ´emo vidjeti. Naravno. Primjer takve norme je norma b f = a (f (x))2 + (f (x))2 dx.. ali ih je op´enito z s c c mnogo teˇe izraˇunati (na primjer.. tj. U diskretnom sluˇaju problem c se svodi na max |f (xk ) − ϕ(xk )| → min.

..2. Interpolacija polinomima Pretpostavimo da imamo funkciju f zadanu na diskretnom skupu razliˇitih c toˇaka xk .. pokazat ´emo da je odgovor za ovaj primjer potvrdan.. samo nije jasno da li se to moˇe posti´i. k = 0. Poznate funkcijske vrijednosti u tim c toˇkama skra´eno oznaˇavamo s fk = f (xk ). s u praksi su toˇke obiˇno numerirane tako da vrijedi a ≤ x0 < x1 < · · · < xn ≤ b. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 293 odnosno e Oˇito je e c p ∞ = f −ϕ ∞ = max |f (xk ) − ϕ(xk )| → min . c • dokaz efikasnosti i toˇnosti algoritma. . koji moˇemo ispustiti. c Osnovni matematiˇki problemi u teoriji aproksimacije c Pri kraju ovog uvoda u op´i problem aproksimacije funkcija postaje jasno koji c su kljuˇni matematiˇki problemi koje treba rijeˇiti: c c s • egzistencija i jedinstvenost rjeˇenja problema aproksimacije. b] segment na kojem koristimo interpolaciju (i promatramo greˇku). n. a ako je proces beskonaˇan njegovu c c globalnu i asimptotsku konvergenciju. k=0. s s • konstrukcija algoritama za raˇunanje najbolje aproksimacije. Naime.7. . . tj. tj. c c .2. . tako da je ϕ i interpolacijska s funkcija. xi = xj za i = j. n. z Ako je [a. U odjeljaku 7. 7. k = 0. .n = 0 ekvivalentno uvjetima interpolacije f (xk ) = ϕ(xk ). ili f ne bi bila funkcija (ako je fi = fj ) ili bismo imali redundantan podatak (ako je fi = fj ). . c c c Primijetite da pretpostavka o razliˇitosti toˇaka nije bitno ograniˇenje. c c c kad bismo dozvolili da je xi = xj uz i = j. da li postoji takva aproksimacijska z c funkcija ϕ ∈ Pn za koju je minimum greˇke jednak nuli. . ˇto ovisi o tome s s koje funkcije f aproksimiramo kojim funkcijama ϕ (dva prostora) i kako mjerimo greˇku. s • analiza kvalitete dobivene aproksimacije — vrijednost “najmanje” pogreˇke i s ponaˇenje funkcije greˇke e (jer norma je ipak samo broj)..

Ta determinanta je tzv. . . Neka je pn = a0 + a1 x + · · · + an xn polinom stupnja najviˇe n. . treba provjeriti ima li ovaj sustav od (n + 1)-e linearne jednadˇbe c z s (n + 1)-om nepoznanicom a0 . ˇiji dokaz koristi ˇinjenicu c c c da linearni sustav s regularnom matricom ima jedinstveno rjeˇenje. . Vn (x) = . fk ). 1 xn−1 1 xn x2 · · · 0 x2 · · · 1 .1. k = 0. n. Vanderc mondeova determinanta 1 x0 1 x1 .2. n. ··· . xn n−1 n x . ··· . . . . . . .7. . Teorem 7. Uvjete interpolacije moˇemo napisati u obliku z pn (x0 ) = a0 + a1 x0 + · · · + an xn = f0 0 pn (x1 ) = a0 + a1 x1 + · · · + an xn = f1 1 ········· pn (xn ) = a0 + a1 xn + · · · + an xn = fn . . . gdje je c xi = xj za i = j. To moˇemo napraviti z raˇunanjem vrijednosti determinante te matrice. 1 xn−1 1 x x2 · · · 0 x2 · · · 1 . . . . . postoji jedinstveni (interpolacijski) polinom stupnja najviˇe n s ϕ(x) := pn (x) = a0 + a1 x + · · · + an xn za koji vrijedi pn (xk ) = fk . U iskazu teorema s koristi se oznaka N0 za skup cijelih nenegativnih brojeva. Egzistencija i jedinstvenost interpolacijskog polinoma Za polinomnu interpolaciju vrijedi sljede´i teorem. . an jedinstveno rjeˇenje. samo umjesto potencija od xn .1 Neka je n ∈ N0 . . . x2 · · · n−1 x2 · · · xn 0 xn 1 . . Definirajmo determinantu koja naliˇi na Dn .2. Za zadane toˇke (xk . 2 xn−1 · · · x2 · · · n xn 0 xn 1 . xn n−1 xn n . . k = 0. Za to je dovoljno provs jeriti je li kvadratna matrica tog linearnog sustava regularna. n Drugim rijeˇima. . . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 294 7. Dn = . s Dokaz. posljedc nji redak ima potencije od x: 1 x0 1 x1 . . .

determinanta Vn (x) s ´e imati dva jednaka retka pa ´e biti c c Vn (x0 ) = Vn (x1 ) = · · · = Vn (xn−1 ) = 0.2. dobivamo rekurzivnu relaciju za Dn Dn = Dn−1 (xn − x0 ) (xn − x1 ) · · · (xn − xn−1 ). da je to polinom stupnja najviˇe n u varijabli x. Neˇto kasnije ´emo pokazati da problem Hermiteove s c interpolacije moˇemo rijeˇiti kao graniˇni sluˇaj Lagrangeove. . kad dozvolimo viˇez s c c s struko “ponavljanje” istih ˇvorova. moramo rijeˇiti preostala dva problema vezana uz polinomnu Lac s grangeovu interpolaciju. obiˇno zovemo Lagrangec ova interpolacija. matrica linearnog sustava c je regularna. . 0≤j<i≤n Budu´i da je xi = xj za i = j. c Za poˇetak. oˇita primjena je zamjena funkcijskih vrijedc c nosti f (x) vrijednostima interpolacijskog polinoma pn (x). pa postoji jedinstveno rjeˇenje a0 . Kad uvrstimo x = xn . Takvu interpolaciju zovemo Hermiteova interpolacija. toˇke x0 . potrebno je samo c znati njegov vode´i koeficijent. c c Dakle. . c S druge strane. otpustimo ograniˇenje na medusobnu razliˇic c c tost ˇvorova. s Ako znamo da je D0 = 1. razvojem po posljednjem retku. . Ovaj teorem u potpunosti rjeˇava prvo kljuˇno pitanje egzistencije i jedins c stvenosti rjeˇenja problema polinomne interpolacije u njegovom najjednostavnijem s obliku — kad su zadane funkcijske vrijednosti u medusobno razliˇitim toˇkama. xn−1 su nultoˇke polinoma Vn (x) stupnja n. U op´enitijem sluˇaju. . an za koeficijente polinoma pn . U ovom sluˇaju. ako za x redom uvrˇtavamo x0 . kad traˇena funkcija (u ovom sluˇaju polinom) mora z c interpolirati samo funkcijske vrijednosti zadane funkcije. . Kao i kod svih aproksimacija. . i to u toˇkama x koje u . s odnosno jedinstven interpolacijski polinom. xn−1 . ˇto je trivijalno. tj. onda je Dn = 0. tj. Gledamo li Vn (x) kao funkciju od x. dobivamo da je Dn = (xi − xj ). Odatle c c odmah slijedi Vn (x) = Dn−1 (x − x0 ) (x − x1 ) · · · (x − xn−1 ).2. s 7. pokazali smo da je to Dn−1 .7. a to su: konstrukcija algoritama i analiza greˇke. . Kako na´i prave algoritme? c Kakve algoritme trebamo? Odgovor ovisi o tome ˇto ˇelimo posti´i interpos z c lacijom. . . . . c c Takav oblik interpolacije. Da bismo toˇno c odredili polinom stupnja n. lako se vidi. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 295 Primijetimo da je Dn = Vn (xn ). s s vode´im koeficijentom Dn−1 uz xn . moˇemo zahtijevati interpolaciju zadanih c c z vrijednosti funkcije i njezinih uzastopnih derivacija. ako su poznate njegove nultoˇke.

ili se one teˇko raˇunaju (recimo algoritam zahtijeva vrlo c s c mnogo operacija ili je nestabilan. . . zatim. za i. z Toˇaka x u kojima ˇelimo izraˇunati pn (x) moˇe biti vrlo mnogo. . a gotovo c z c nikad nije samo jedna. ne´emo zahtijevati brzinu na s c uˇtrb stabilnosti. pa treba primijeniti posebne tehnike raˇunanja). k = 0. za svaku zadanu toˇku x izraˇunamo pn (x). Izaberimo neku bazu {b0 . sigurno trebamo algoritam za raˇunanje vrijednosti interpolacijskog c polinoma u nekoj zadanoj toˇki x koja nije ˇvor. ve´ samo o zadanim poc c dacima (xk . . jer se on tamo puno puta izvrˇava. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 296 principu nisu ˇvorovi interpolacije. a zatim ga rijeˇiti. prema teoremu 7. jer u ˇvorovima ionako vrijedi c c c f (x) = pn (x). . c c Prvu fazu je dovoljno napraviti samo jednom i zato svaku od ovih faza treba realizirati posebnim algoritmom. . c U tom smo sluˇaju jedva izraˇunali i ove vrijednosti od f koje smo iskoristili za c c interpolaciju. ako se to moˇe izbje´i. i tako dobijemo linearni sustav reda n + 1 za nepoznate koeficijente. .1. .2. bn } u tom prostoru Pn . Dakle. Sto znaˇi “na´i polinom pn ”? Broj podataka c c n + 1 u potpunosti odreduje ((n + 1)-dimenzionalni) vektorski prostor polinoma Pn (stupnja manjeg ili jednakog n) u kojem. k = 0. . jer on ne ovisi o toˇki x. n. ˇelimo ˇto brˇi algoritam. .k+1 = bi (xk ). . . c U pripadnom algoritmu. n. . Njih moˇemo na´i tako da u ovu relaciju uvrstimo sve uvjete interpolacije z c n pn (xk ) = i=0 ai bi (xk ) = fk . n. b1 . prvo treba izraˇunati sve elemente matrice linearnog c sustava. treba (i dovoljno je) na´i koeficijente ai u prikazu c n pn (x) = i=0 ai bi (x). To je posebno bitno ako vrijednosti funkcije f ne c znamo u ostalim toˇkama. da bismo naˇli pn . . Dodatno. bez ve´eg gubitka brzine. jer su bazne funkcije bi linearno nezavisne i svaka dva razliˇita polinoma stupnja ≤ n ne mogu imati jednake vrijednosti u svih c n+1 toˇaka xk . . prvo nademo polinom pn . postoji jedinstveni polinom pn koji interpolira zadane podatke. Polinom pn ima u (svakoj pa zato i izabranoj) bazi jedinstven s prikaz. k = 0. 2. fk ). Dakle. s z c c ˇ Pogledajmo detaljnije prvu fazu. posebno u drugoj z s z fazi. Zbog toga se problem raˇunanja vrijednosti pn (x) uvijek c rjeˇava u dvije faze: s 1. Elementi matrice B imaju oblik Bi+1. Matrica B tog linearnog sustava je sigurno regularna. .7. kao linearna kombinacija polinoma bi iz te baze. Ako pretpostavimo da znamo prikaze svih polinoma bi s . Medutim.

a ne kvadratno. i = 0. u s funkciji od n. Determinanta Dn z z c sustava je Vandermondeova. a sve ostale potrebne determinante se jednostavnim razvojem po stupcu svode na linearne kombinacije Vandermondeovih determinanata reda n − 1. . dobivamo opet algoritam koji treba O(n3 ) operacija. po ovoj relaciji imamo (n + 1)-no raˇunanje vrijednosti c c s bi (x) (npr. Iz prethodne analize slijedi da bi bilo vrlo poˇeljno odabrati bazu tako da z druga faza zahtijeva najviˇe O(n) operacija. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 297 u standardnoj bazi i koristimo Hornerovu shemu za izvrednjavanje u svim toˇkama. ovaj broj operacija moˇe biti i c z bitno manji. 2. uz malo paˇnje. . . Uoˇite da ova dva op´a algoritma za interpolaciju moˇemo saˇeto prikazati u c c z z obliku: 1. . Hornerovom shemom) i joˇ jedan skalarni produkt vektora (a0 . ukupan broj operacija u algoritamu s s za prvu fazu je najviˇe reda veliˇine O(n3 ). Medutim. pa sve s elemente matrice sustava moˇemo izraˇunati s najviˇe 2n(n + 1)2 operacija. u nastavku ´emo pokazati da paˇljivim izborom s c z baze to raˇunanje moˇemo napraviti i bitno brˇe. Tada se raˇunanje pn (x) u zadanoj toˇki x svodi na raˇunanje sume c c c n pn (x) = i=0 ai bi (x). Naravno. . . . s z c s 3 O(n ) operazija.2. z c u prostoru Pn . u zadanoj toˇki x izraˇunaj linearnu kombinaciju polinoma baze s poznatim c c koeficijentima u linearnoj kombinaciji. Dakle. Za posebne izbore baza i ˇvorova. Osim c c njih. Gaussovim eliminacijama (ili LR faktorizacijom) moˇemo rijeˇiti dobiveni linez s 3 arni sustav za najviˇe O(n ) operacija. To. Kad u ovom kontekstu pogledamo tvrdnju i dokaz teorema 7. samo po sebi i nije tako loˇe. moˇemo koristiti ˇak i Cramerovo pravilo. an ) s c i (b0 (x). .). . iz prve faze treba zapamtiti izraˇunati vektor koeficijenata ai . izaberi bazu u Pn i nadi koeficijente od pn u toj bazi. Ako njih izrazimo preko Dn .1. . U najop´enitijem obliku. takoder. bn (x)). da traje linearno. c onda svako izvrednjavanje bi (xk ) zahtijeva najviˇe 2n operacija (n mnoˇenja i n s z zbrajanja. jer se s c izvrˇava samo jednom.1. . vidi odjeljak 6. fundamentalno ovisi c o izboru baze u Pn . c z z Algoritam za izvrednjavanje pn (x) u drugoj fazi. Ukupno trajanje je O(n2 ). ˇto je dosta u usporedbi s obiˇnom Hornerovom shemom. U prvoj fazi za nalaˇenje koeficijenata interpolacijskog polinoma u z standardnoj bazi ne moramo koristiti samo ve´ spomenute numeriˇke metode. Takvih izvrednjavanja ima najviˇe (n + 1)2 . tj. n. . tj. odmah moˇemo zakljuˇiti da to odgovara izboru standardne baze bi (x) = xi .7. .

“Jednostavni koeficijenti. Tako dobiz vamo tzv. ve´ samo za dokazivanje c u teoriji. Fiksiramo jednostavnu bazu u Pn . ˇto se brzine tiˇe. Drugi pristup vodi na dijagonalni linearni sustav u kojem se rjeˇenje “ˇita” ili s c traje najviˇe O(n) operacija. Na primjer s xk = k + 10p . pa je prva faza spora. Zatim nademo koeficijente od pn u toj bazi. Pustimo da baza jednostavno ovisi o ˇvorovima. u pogledu stabilnosti. Dovoljno je samo da su razumno bliski i relac s tivno daleko od nule (ˇto je “centar” baze). . komplicirani koeficijenti”. Ako baza ne ovisi o ˇvorovima. pristupiti na 3 naˇina. za bi vrijedi jednostavna rekurzija koja vodi na brzi linearni algoritam izvrednjavanja. sasvim z op´enito. n. . Osim toga. pa je c druga faza spora. situacija je priliˇno nepovoljna. ali tako da dobijemo brzo izvrednjavanje. Primjer takve baze je tzv. vidimo da se druga faza svodi upravo na Hornerovu shemu. . “Jednostavna baza. c c 1. posebno u z c prvoj fazi. tj. Prvim pristupom dobivamo puni linearni sustav za ˇije rjeˇavanje treba O(n3 ) c s operacija. c 3. a da ˇvorovi z c uop´e nisu “patoloˇki” rasporedeni.7. ali zato baza komplicirano ovisi o ˇvorovima. recimo p = 5 i matrica sustava ´e biti skoro c c singularna. Matrica sustava moˇe imati skoro linearno zavisne retke. taj sustav moˇe biti vrlo nestabilan. tada je izvrednjavanje u svakoj toˇki sporo. z c Naˇalost. Zbog toga se ovaj izbor baze ne koristi u praksi. Ove pristupe je najlakˇe ilustrirati preko sloˇenosti rjeˇavanja linearnog sustava s z s za koeficijente. neovisno o zadanim podacima. Podijelimo ovisnost o zadanim podacima tako da koeficijenti jednostavno ovise o zadanim podacima i lako se raˇunaju (na primjer. “Kompromis izmedu baze i koeficijenata”. ali tako da c dobijemo jednostavne algoritme u obje faze. ovim izborom baze dobivamo c s c optimalan — najbrˇi mogu´i algoritam za izvrednjavanje u drugoj fazi. . Sva ovisnost o zadanim podacima ulazi u koeficijente. a koeficijenti mogu ovisiti o svim zadanim podacima. tj. c Problemu izbora baze za prikaz interpolacijskog polinoma moˇemo. c Tada je prva faza brza. ima ˇ linearno trajanje. No. kao c z u ranijem primjeru standardne baze. Lagrangeova baza. k = 0. komplicirana baza”. vrijedi deg bi = i. Newtonovu bazu u kojoj stupnjevi polinoma bi rastu. . Cak jaˇe od toga. jer baza ne ovisi o ˇvorovima. U zadnjem pristupu bazu izaberemo tako da dobijemo donjetrokutasti linearni sustav. Za nalaˇenje koeficijenata tada trebamo “samo” O(n2 ) operacija. 2. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 298 Nadalje. jednaki su zadanim funkcijskim vrijednostima fk ). kao i u standardnoj bazi. gdje je p “iole ve´i” pozitivni eksponent. jer u svakoj toˇki x izvrednjavamo sve funkcije baze. jer svi s c polinomi baze imaju puni stupanj n.

z p(x) = Pravac p moˇemo napisati i kao teˇinsku sredinu zadanih funkcijskih vrijedz z nosti f0 i f1 . z z c Standardni oblik jednadˇbe pravca je p(x) = a0 + a1 x. Iz uvjeta interpolacije sada dobivamo c jednadˇbe z p(x0 ) = f0 b0 (x0 ) + f1 b1 (x0 ) = f0 p(x1 ) = f0 b0 (x1 ) + f1 b1 (x1 ) = f1 . polinomi prvog stupnja i to specijalnog oblika. kad je n = 1. Iz uvjeta interpolacije z dobivamo linearni sustav za koeficijente a0 i a1 p(x0 ) = a0 + a1 x0 = f0 p(x1 ) = a0 + a1 x1 = f1 . Vidmo da su polinomi b0 i b1 rjeˇenja specijalnih problema interpolacije s bi (xk ) = δik . Problem linearne interpolacije se svodi na nalaˇenje jednadˇbe pravca p koji prolazi kroz dvije zadane toˇke (x0 . a onda za dijagonalne elemente dobivamo b0 (x0 ) = 1. x1 − x0 a1 = f0 x1 − f1 x0 f1 − f0 + x. tj. gdje su b0 (x) i b1 (x) funkcije koje treba na´i. i. odakle slijedi a0 = ili f0 x1 − f1 x0 . u obliku p(x) = f0 b0 (x) + f1 b1 (x). f1 ). c tj. x1 − x0 x1 − x0 Vidimo da su koeficijenti komplicirani. Bez dodatnih pretpostavki. k = 0. ali kad se jednom izraˇunaju.7. f0 ) i (x1 . x0 − x1 b1 (x) = x − x0 . 1. Pretpostavimo stoga da su obje funkcije. bi mora biti nula u svim ˇvorovima osim i-tog. samo izvredc njavanje p(x) je brzo (jedno mnoˇenje i jedno zbrajanje). x1 − x0 f1 − f0 . a u i-tom mora imati vrijednost 1. takoder. z z jer takvih funkcija ima puno. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 299 Sva 3 pristupa moˇemo vrlo lijepo ilustrirati na jednostavnom primjeru linez arne interpolacije. Odmah moˇemo napisati te dvije funkcije baze u obliku b0 (x) = x − x1 . b1 (x1 ) = 1. b0 (x1 ) = 0. iz ovih jednadˇbi ne moˇemo odrediti b0 (x) i b1 (x). tako da ovaj linearni sustav postane dijagonalan. a vrijednost vode´eg koeficijenta izlazi iz c c c z bi (xi ) = 1. Tada iz izvandijagonalnih elemenata dobivamo uvjete b1 (x0 ) = 0. To znaˇi da znamo sve nultoˇke od bi . x1 − x0 .

Kako ´emo dobiti donjetrokutasti linearni sustav? Postavljamo redom uvjete na c polinome baze. Njega moˇemo interpretirati na joˇ z s nekoliko naˇina. svakoj drugoj s c toˇki). f0 ). ovaj oblik pravca moˇemo dobiti tako da u prostoru P1 izaberemo z bazu b0 . ovaj oblik za p c odgovara korekciji interpolacijskog polinoma kroz prethodne toˇke. Ovaj oblik automatski zadovoljava prvi uvjet interpolacije p(x0 ) = f0 . Uvjeti interpolacije daju jednadˇbe z p(x0 ) = c0 b0 (x0 ) + c1 b1 (x0 ) = f0 p(x1 ) = c0 b0 (x1 ) + c1 b1 (x1 ) = f1 . c c c Na kraju. f1 ). x1 − x0 ˇto je poznata formula za koeficijent smjera pravca kroz dvije toˇke. u ovom sluˇaju konstanta f0 . se lako izraˇuna k c pa je . naravno. to je i Taylorov oblik za p napisan oko toˇke x0 . c p(x) = f0 Jednadˇbu pravca moˇemo napisati i tako da pravac prolazi kroz jednu toˇku z z c (x0 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 300 x − x1 x − x0 + f1 x0 − x1 x1 − x0 ˇto odgovara jednadˇbi pravca kroz dvije toˇke. prvi ˇlan ovog oblika za p. Ovo je Lagrangeov oblik interpos z c lacijskog polinoma. c k= Nadalje. Dakle. To isto vrijedi i u op´em sluˇaju. kad dodamo joˇ c s jednu novu toˇku (x1 .7. b1 koja daje donjetrokutasti linearni sustav za koeficijente c0 i c1 u prikazu p(x) = c0 b0 (x) + c1 b1 (x). i joˇ imamo na umu c s prethodnu interpretaciju “dopunjavanja” ranijeg interpolacijskog polinoma. f0 ) i ima zadani koeficijent smjera p(x) = f0 + k(x − x0 ). s tim da c c je podijeljena razlika k baˇ derivacija od p u toˇki x0 (i. je interpoc c lacijski polinom stupnja 0 za zadanu prvu toˇku (x0 . gledaju´i u matrici sustava stupac po stupac. Vidimo da funkcije baze b0 i b1 ovise o oba ˇvora interpolacije. a iz drugog uvjeta p(x1 ) = f0 + k(x1 − x0 ) = f1 f1 − f0 . Prvo. Dobiveni oblik s c za p f1 − f0 (x − x0 ) p(x) = f0 + x1 − x0 je Newtonov oblik interpolacijskog polinoma.

Interpolacijski polinom pn moˇemo odmah napisati z koriˇtenjem tzv. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 301 Za polinom b0 u prvom stupcu matrice sustava nemamo nikavih uvjeta. . (7. . vrijedi s k (xi ) = 0. Osim toga. c 7. Za polinom b1 u drugom stupcu dobivamo toˇno jedan uvjet b1 (x0 ) = 0.2. n. . . x1 − x0 Kao ˇto ´emo vidjeti. za i = k.2.3. odgovara i pove´anju stupnja interpolacije kod dodavanja novog ˇvora. .2) Polinomi k su stupnja n. . Kako op´enito izgledaju koeficijenti ci . za i = k. Iz prve jednadˇbe supstitucijom unaprijed odmah c z dobivamo i c0 = f0 . Lagrangeov oblik interpolacijskog polinoma Da bismo naˇli koeficijente interpolacijskog polinoma. ωk (xk ) i=0 xk − xi = i=k (7. . .2. . 1. nije nuˇno rjeˇavati lis z s nearni sustav za koeficijente. Op´enito. To. opisat s c ´emo malo kasnije. ˇto opet odgovara dizanju stupnja. pa uzimamo najjednostavniju oblik. Lagrangeove baze { k . a to je b1 (x) = (x − x0 ). c c Supstitucijom unaprijed izlazi i koeficijent c1 c1 = f1 − f0 . koji odgovara interpolaciji polinomom stupnja 0 u prvom ˇvoru. pa je pn polinom stupnja najviˇe n. Opet c uzmemo najjednostavniji oblik polinoma koji zadovoljava taj uvjet.1) pri ˇemu je c k (x) (x − x0 ) · · · (x − xk−1 ) (x − xk+1 ) · · · (x − xn ) (xk − x0 ) · · · (xk − xk−1 ) (xk − xk+1 ) · · · (xk − xn ) n x − xi ωk (x) = := . . . k = 0. pa moˇemo uzeti c c z bi (x) = (x − x0 ) · · · (x − xi−1 ). iz uvjeta s c z c da stupac s polinomom bi ima donjetrokutasti oblik dobivamo da bi mora imati nultoˇke u svim prethodnim ˇvorovima x0 . usput. ovaj postupak se moˇe nastaviti. k = 0. . . a to je b0 (x) = 1. n} prostora polinoma Pn s n pn (x) = k=0 fk k (x). xi−1 .7.

APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 302 Uvrstimo li to u (7. x} < ξ < max{x0 . . . 7. pa (7. . k = 0. . Teorem 7. b] za neki n ∈ N0 .2. . xn . k=0 (x − xk ) ω (xk ) n fk . da vrijedi c pn (xk ) = fk . Za bilo koju toˇku x ∈ [a.2.1) svodi na jedan jedini ˇlan za i = k.2. xi = xj za i = j. . i neka je pn interpolacijski polinom za funkciju f u tim ˇvorovima. . dok se s c c c ωk (xk ) = ω (xk ) izraˇuna samo jednom za svaki k i ˇuva u tablici. ve´ neˇto bolji Newtonov oblik.2 Pretpostavimo da funkcija f ima (n + 1)-u derivaciju na segmentu c c [a. Definiramo z s n ω(x) = pa je k (x) (x − xk ). b] postoji toˇka ξ iz otvorenog intervala c c c xmin := min{x0 .2) zove se Lagrangeov oblik interpolacijskog polinoma. trebamo joˇ reda veliˇine n operacija.3) k=0 = ω(x) . . medusobno razliˇiti ˇvorovi interpolacije.2. a za raˇunanje u svakoj novoj c toˇki x. moˇemo napraviti i ocjenu greˇke s z s interpolacijskog polinoma. (x − xk ) ωk (xk ) k=0 (7. n. . tj. Taj polinom moˇemo napisati u joˇ jednom.2. Neka su xk ∈ [a.2. tj. Lagrangeov oblik c s interpolacijskog polinoma uglavnom se koristi u teoretske svrhe (za dokaze).4) (7. b].2. odmah slijedi da se suma u (7. Ukupan broj operacija je proporcionalan s n2 . z c c k = 0. Ipak. jer ne ovisi o x.1)–(7. .2. .2.7. (7. u praksi se ne koristi ovaj c s c oblik interpolacijskog polinoma. Oblik (7. .4) moˇemo pisati kao z pn (x) = ω(x) fk .1) dobivamo da je s pn (x) = ω(x) Uoˇimo da je c ωk (xk ) = ω (xk ). . . zgodnijem obliku. .4.2. Ocjena greˇke interpolacijskog polinoma s Ako znamo joˇ neke informacije o funkciji f . x} =: xmax .5) Ova se forma moˇe koristiti za raˇunanje vrijednosti polinoma u toˇki x = xk .2. Prednost je ˇto se za svaki novi x raˇuna samo ω(x) i (x − xk ).1). xn . (x − xk ) ωk (xk ) n Uvrˇtavanjem u (7. . n.

dobivamo z g (n+1) (t) = e(n+1) (t) − ω (n+1) (t) e(x) e(x) = f (n+1) (t) − (n + 1)! . Nadimo koliko nultoˇaka ima c funkcija g. ω(x) k = 0. . Budu´i da x nije ˇvor. pa teorem oˇito vrijedi c (ξ moˇe biti bilo koji). a ω polinom stupnja n + 1. n + 1. Induktivnom primjenom Rolleovog teorema zakljuˇujemo da g (j) ima bar n + 2 − j c nultoˇaka na (xmin . . tj. Dakle. . xmax ). i one su neprekidne s c kad su to i odgovaraju´e derivacije od f . iz uvjeta interpolacije i definicije polinoma ω dobivamo da su obje strane u (7. . . . b]. za j = n + 1 dobivamo da c c g (n+1) ima bar jednu nultoˇku ξ ∈ (xmin . . n. ˇ Drugim rijeˇima. (7. sve te nultoˇke su c c c c na segmentu [xmin .2.7) n + 1 puta. b]. xmax ).7) g(t) = e(t) − ω(t)s(x) = e(t) − ω(t) ω(x) Funkcija pogreˇke e ima toˇno onoliko derivacija (po t) koliko i f .2. . s s pa je e(n+1) (t) = f (n+1) (t). .2. z Pretpostavimo stoga da x nije ˇvor interpolacije. ω (n+1) (t) = (n + 1)!. gdje je s(x) dobro definirano ako x nije ˇvor. za neki k ∈ {0. c Dokaz. to isto vrijedi i c c c (n+1) za funkciju g. Ako za t uvrstimo xk . za j = 0. Budu´i da je g derivabilna na tom segmentu. ω(x) ω(x) e(x) = 0. g postoji kao funkcija na [a. xmax ).2. . (n + 1)! (7. po Rolleovom c c teoremu slijedi da g ima barem n + 1 nultoˇku na otvorenom intervalu (xmin . n}. Tada je ω(x) = 0 i greˇku c s interpolacije moˇemo prikazati u obliku z e(x) = f (x) − pn (x) = ω(x)s(x).2.6) jednake 0. Cak i jaˇe. xmax ]. .7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 303 takva da za greˇku interpolacijskog polinoma vrijedi s e(x) := f (x) − pn (x) = ω(x) f (n+1) (ξ). dobivamo g(xk ) = e(xk ) − ω(xk ) Jednako tako je i g(x) = e(x) − e(x) = 0. . t ∈ [a.6) pri ˇemu je ω(x) definirana relacijom (7. b]. . g ima barem n + 2 nultoˇke na [a. Iskoristimo joˇ da je pn polinom stupnja najviˇe n.3). Deriviranjem lijeve i desne strane jednadˇbe (7. Ako je x = xk . Uzmimo sad da je x fiksan i definirajmo c funkciju e(x) .

Newtonov oblik interpolacijskog polinoma Lagrangeov oblik interpolacijskog polinoma nije pogodan kad ˇelimo pove´ati z c stupanj interpolacijskog polinoma da bismo eventualno poboljˇali aproksimaciju i s smanjili greˇku. n − 1. tj. b]. c 7.2. Takoder.2. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 304 Konaˇno. .2. k = 0.6). . (n + 1)! Ova ocjena direktno slijedi iz (7. pove´avati stupanj interpolacijskog polinoma.6).b] e(x) . . dobivamo f (xn ) = pn (xn ) = pn−1 (xn ) + c(xn ) = pn−1 (xn ) + an (xn − x0 ) · · · (xn − xn−1 ). (n + 1)! Mn+1 := max |f (n+1) (x)|. b] ili. c s c Neka je pn interpolacijski polinom koji interpolira funkciju f joˇ i u toˇki xn . . polinom stupnja n. iz zadnjeg uvjeta interpolacije pn (xn ) = f (xn ). Polinom z pn tada moˇemo napisati u obliku pn (x) = pn−1 (x) + c(x). jaˇe. (7. s Ako je f (n+1) ograniˇena na [a.2. zbog toga ˇto interpolacijski polinom moramo raˇunati od poˇetka. pa ga moˇemo napisati u obliku c z c(x) = an (x − x0 ) · · · (x − xn−1 ). Nadalje. onda se iz c c prethodnog teorema moˇe dobiti sljede´a ocjena greˇke interpolacijskog polinoma z c s za funkciju f u toˇki x ∈ [a. .8) Vidimo da su xk nultoˇke od c. onda je c z 0 = g (n+1) (ξ) = f (n+1) (ξ) − (n + 1)! odnosno e(x) = ˇto je upravo (7. . x∈[a. ako je f ∈ C n+1 [a.7. n − 1. Neka je pn−1 c c interpolacijski polinom koji interpolira funkciju f u toˇkama xk . . s s c c Postoji forma interpolacijskog polinoma kod koje je mnogo lakˇe dodavati s toˇke interpolacije. gdje je c korekcija. k = 0. . . b] c |f (x) − pn (x)| ≤ |ω(x)| Mn+1 . mora vrijediti c(xk ) = pn (xk ) − pn−1 (xk ) = f (xk ) − f (xk ) = 0. a korisna je ako relativno jednostavno moˇemo z izraˇunati ili odozgo ocijeniti Mn+1 . ako uvaˇimo da je g (n+1) (ξ) = 0. ω(x) ω(x) f (n+1) (ξ).5.

. . . . .2. . . xn ] = . . (7. . xn ]. podijeljena razlika neosjetljiva je na poredak ˇvorova. xn−1 ] . . xn ] = = f (xk ) k=1 (xk − x1 ) · · · (xk − xk−1 ) (xk − xk+1 ) · · · (xk − xn ) n−1 n f [x1 . . .7.11) slijede neka svojstva podijeljenih razlika. (xn − x0 ) · · · (xn − xn−1 ) ω(xn ) Koriˇtenjem relacije (7. Primijetimo da poredak ˇvorova nije bitan. .2. vratimo se na Lagrangeov oblik interpolacijskog c polinoma. .9) pa ´e odmah slijediti rekurzivna formula za dobivanje interpolacijskog polinoma za c stupanj ve´eg od prethodnog c pn (x) = pn−1 (x) + (x − x0 ) · · · (x − xn−1 )f [x0 . Koeficijent an . . tj. .2. sada imamo sve elemente za raˇunanje pn (x) u bilo s c kojoj toˇki x. .5). . xn ].11) ω (xk ) k=0 Iz formule (7. Vrijedi f [x1 . Formalno ´emo to oznaˇiti s c c an = f [x0 . . . . xn ] − f [x0 . xn − x0 f (xk )(xk − x0 ) k=1 (xk − x0 ) · · · (xk − xk−1 ) (xk − xk+1 ) · · · (xk − xn ) f (xn )(xn − x0 ) + (xn − x0 ) · · · (xn − xn−1 ) f (xk ) (xk − x0 ) · · · (xk − xk−1 ) (xk − xk+1 ) · · · (xk − xn−1 ) k=0 f (xk )(xk − xn ) k=1 (xk − x0 ) · · · (xk − xk−1 ) (xk − xk+1 ) · · · (xk − xn ) f (x0 )(xn − x0 ) . . − (x0 − x1 ) · · · (x0 − xn ) n−1 f [x0 . . x1 .10) Da bismo bolje opisali an . Primijetimo da je an koeficijent uz vode´u potenciju xn u pn . Stoga iskoristimo relaciju (7. . (7. . .2. . . tj. xn ] = Izvedimo tu formulu.8). (7. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 305 odakle lako izraˇunavamo vode´i koeficijent an polinoma c c c an = f (xn ) − pn−1 (xn ) f (xn ) − pn−1 (xn ) = . Dobivamo n f (xk ) f [x0 . xn−1 ] = = n−1 . xn i zvat ´emo ga n-ta c c c c podijeljena razlika. . c c Druga korisna formula je formula za rekurzivno raˇunanje podijeljenih razlika c f [x0 .2. . . . . x1 . .2. . nadimo koeficijent uz xn na desnoj strani te relacije. oˇito je funkcija ˇvorova x0 .

x2 ] .. xn ] − f [x0 . Ako znamo s s c da je konstanta koja prolazi toˇkom (x0 . . . . pa ´emo se u raˇunanju podijeljenih razlika mo´i sluˇiti jednodimenzionalnim poljem.10). . . xn ]. . . .2. xk+1 ] f [xk . xk+2 ] ··· f [x0 . . . . xn ] f [xk . . xn ] f [x0 . . c onda je a0 = f [x0 ] = f (x0 ). x1 ] + (x − x0 ) (x − x1 )f [x0 . x1 . x1 ] f [x1 ] . . xn−1 ] f [xn−2 . pa tablicu podijeljenih razlika lako sastavljamo: xk x0 x1 . . x2 ] + · · · + (x − x0 ) · · · (x − xn−1 )f [x0 . . f [x0 . f (x0 )). . . . xk+1 . . . . . . x2 ] . x1 . . . f [x0 . . . Na kraju algoritma u polju f ostavit ´emo redom c f [x0 ]. Neki autori baˇ tu rekurzivnu formulu koriste c z s kao definiciju podijeljenih razlika. Jednako tako vrijedi f [xk ] = f (xk ). c c c z Pretpostavimo da je na poˇetku algoritma u i-tom elementu polja f spremljena c funkcijska vrijednost f (xi ). APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 306 Oduzimanjem dobivamo f [x1 . dobivamo da je z oblik Newtonovog interpolacijskog polinoma pn (x) = f [x0 ] + (x − x0 )f [x0 . interpolacijski polinom stupnja 0. . kad uvaˇimo rekurziju i oblik polinoma c u (7. . . . f [x0 . . x1 . . . = (xn − x0 ) k=0 ω (xk ) n−1 = ˇime je dokazana traˇena formula. xn ]. . f [xn−1 ] f [xn−1 . . . Ostaje joˇ vidjeti ˇto je poˇetak rekurzije za podijeljenje razlike. xn ]. . xn−1 xn f [xk ] f [x0 ] f [x0 . f [xn−2 . . xn−1 ] f (xk )(xn − x0 ) k=1 (xk − x0 ) · · · (xk − xk−1 ) (xk − xk+1 ) · · · (xk − xn ) f (xn )(xn − x0 ) f (x0 )(xn − x0 ) + + (xn − x0 ) · · · (xn − xn−1 ) (x0 − x1 ) · · · (x0 − xn ) n f (xk ) = (xn − x0 ) f [x0 . xn−1 . xn ] f [xn ] f [x1 . .. . . xn ] Dakle. . Primijetite da nam od tablica podijeljenih razlika treba samo “gornji rub”.7. x1 ]. .

12) slijedi f (xn+1 ) = pn (xn+1 ) + (xn+1 − x0 ) · · · (xn+1 − xn )f [x0 . . .) f [x0 . Pretpostavimo da sukladno algoritmu 7. xn . x1 .2. xn . x1 . .2. . .13) Zajedno s (7. . x1 . xn . x1 . x1 .2. xn . .2. . . xn ] + (x − x0 ) · · · (x − xn )f [x0 . . Prethodna se formula uobiˇajeno piˇe u ovisnosti o varijabli x. . . x1 .2. . xn+1 ] = f (n+1) (ξ) (n + 1)! (7. .1. xn . (n + 1)! (7. x2 ] + · · · + (x − x0 ) · · · (x − xn−1 )f [x0 .1 (Algoritam za raˇunanje podijeljenih razlika) c for i := 1 to n do for j := n to i do f [j] := (f [j] − f [j − 1])/(x[j] − x[j − i]). .2. xn+1 ] = pn (x) + (x − x0 ) · · · (x − xn )f [x0 . c s xn+1 se zamijeni s x (Prije nam to nije odgovaralo zbog pisanja interpolacijskog polinoma u varijabli x.2. samo razvijenog oko s s c toˇaka x0 .12) za neki ξ ∈ I. u polju f na mjestu i piˇe s f [x0 . . f (xn+1 ) − pn (xn+1 ) = (n + 1)! odmah se ˇita da je c f [x0 .7. . . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 307 Algoritam 7. Neka je xn+1 ∈ (a. onda iz relacije (7. xn c c i xn+1 . To nas motivira da interpolacijski polinom u toˇki x izvrednc c javamo na sliˇan naˇin kao ˇto se Hornerovom shemom izvrednjava vrijednost polic c s noma. . . .2 (napisanu u toˇki xn+1 . . x1 ] + (x − x0 ) (x − x1 )f [x0 . Konstruirajmo interpolacijski polinom koji prolazi toˇkama x0 .12). x] = f (n+1) (ξ) . . s moˇemo napisati koriˇtenjem podijeljenih razlika. . . Dobivamo pn+1 (x) = f [x0 ] + (x − x0 )f [x0 . . xn+1 ]. . . . . Budu´i da je c pn+1 (xn+1 ) = f (xn+1 ). tj. I greˇku interpolacijskog polinoma (koja je jednaka onoj kod Lagrangeovog). . . s c a ne x) ω(xn+1 ) (n+1) f (ξ). xn . b) realan broj z s koji nije ˇvor. x1 . . xi ]. . . x1 . xn+1 ]. Usporedimo li tu formulu s ocjenom greˇke iz Teorema 7. Newtonov interpolacijski polinom tada poprima oblik Taylorovog polinoma (s greˇkom nastalom zanemarivanjem viˇih ˇlanova). .

n. .13). (7.1 (Runge. . . . Po Teoremu 7. zadovoljavaju xk = −xn−k . k = 0.14) Prvo pokaˇimo tvrdnju za n = 2r + 1. .2. koja ima svojstvo da niz Newtonovih interpolacijskih polinoma na ekvidistantnoj mreˇi ne konvergira (po toˇkama) prema toj funkciji kad se broj z c ˇvorova pove´ava. ako je n = 2r. } 7. 5]. koriˇtenjem indukcije po r.2 (Algoritam izvrednjavanja interpolacijskog polinoma) sum := f [n]. . Zanima nas ponaˇanje greˇaka koje nastaju pove´avanjem stupnja n interpolacijskog s s c polinoma. .2. . . . Tvrdimo da vrijedi f [x0 .) Promotrimo (Rungeovu) funkciju f (x) = 1 .2. x1 . x. x1 . Zbog toga z c s se umjesto visokog stupnja interpolacijskog polinoma u praksi koristi po dijelovima polinomna interpolacija.2. x] = f (x) · (−1)r+1 r · (1 + k=0 x2 ) k 1. . pove´avanje s c c stupnja interpolacijskog polinoma moˇe dovesti do pove´anja greˇaka.2. n k = 0. c c Primjer 7. xn .7. najˇeˇ´e c c sc do 5. 1901. koje su simetriˇne obzirom na ishodiˇte.2. dobivamo z en (x) = f (x) − pn (x) = ω(x) f [x0 . ako je n = 2r + 1. h= 10 . U tom sluˇaju z s c imamo paran broj interpolacijskih toˇaka. On je konstruirao funkciju (poznatu kao z c Rungeova funkcija). . c c s tj. uvaˇavanjem relacije (7. Odaberimo n i izaberimo ekvidistantne ˇvorove interpolacije xk . . 1 + x2 x ∈ [−5.6. . . xn . n c xk = −5 + kh. x].2. Koliko je dobar interpolacijski polinom? U praksi se obiˇno koriste interpolacijski polinomi niskih stupnjeva. . { Na kraju je pn (x) = sum. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 308 Algoritam 7. Njemaˇki matematiˇar Runge prvi je uoˇio probleme koji nastupaju kod interc c c polacije na ekvidistantnoj mreˇi ˇvorova. Zaˇto? Kod nekih funkcija za neki izbor toˇaka interpolacije. . for i := n − 1 downto 0 do sum := sum ∗ (x − xi ) + f [i].

(1 + k=1 x2 ) k Po definiciji podijeljenjih razlika. prijelaz s r u r + 1. r). ar = (−1)r+1 r . . s c c Budu´i da je c (x − xk ) (x − xn−k ) = (x − xk ) (x + xk ) = x2 − x2 . xm−1 . . xm . x] = ar f (x) −1 . . . −x0 . . x] = f [−x0 . xm .7. k onda je za n = 2r + 1 n r (x − xk ) = (x2 − x2 ). Neka vrijedi (7. x] = f [x0 . vrijedi g(x) = f (x) · ar . . . a zbog parnosti funkcije f i f (−x0 ) = f (x0 ). . k = 1. Provedimo korak indukcije. x1 . pa izdvajanjem srednje toˇke dobivamo c n (x − xk ) = x · r−1 (x2 − x2 ) = k k=0 k=0 1 r 2 (x − x2 ).14) za n = 2r + 1 i bilo s c c koji skup od r parova simetriˇnih toˇaka (xk = −xn−k . (ˇto znaˇi da u n “skaˇemo” za 2). . Osim toga je g[x0 . Zbog definicije g. onda je n = 1 i x1 = −x0 . −x0 ] x − x0 1 1 − f (x) − f (x0 ) 1 + x2 1 + x2 0 = = x2 − x2 x2 − x2 0 0 −1 1 −1 = = f (x) .2. tj. Definiramo funkciju g(x) = f [x1 . · k x k=0 . Izraˇunajmo podijeljenu razliku c f [x0 . x] = f [x0 . xr = 0. x]. . po pretpostavci indukcije. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 309 Ako je r = 0. x] = ar f [x0 . k k=0 k=0 c U parnom je sluˇaju n = 2r. 1 + x2 0 ˇto zakljuˇuje korak indukcije. . xm . Neka je c c m = n + 2 = 2(r + 1) + 1. x]. x] − f [x0 . . lako je pokazati da vrijedi g[x0 . a + x2 1 + x2 1 + x2 0 0 Time je pokazana baza indukcije. xm . Za paran n. dokaz je vrlo sliˇan.

Time smo pokazali ˇeljeni oblik formule za podijeljene razlike. gn (x) = gn (−x). dobivamo s en (x) = f (x) − pn (x) = ω(x) f (x) · r+1 (−1)r+1 r · (1 + x2 ) k k=0 1. 1 + x2 k k=0 r gn (x) = (7. a najmanja u ±5. primijetimo da se integral moˇe izraˇunati analitiˇki z z c c 0 ln −5 x2 − ξ 2 dξ = (5 + x) ln(5 + x) + (5 − x) ln(5 − x) − 5 ln 26 − 2 arctg 5. njena najve´a vrijednost nalazi u c 0. ako je n = 2r. Osim toga je i gn parna funkcija. za eksponent eksponencijalne funkcije imamo h ln |gn (x)| = h · Tvrdimo da je n→∞ r ln k=0 x2 − x2 k . konvergencija Newtonovog polinoma ovisi samo o gn (x). 1 + ξ2 . = (−1) gdje je f (x) gn (x).7. ako je n = 2r + 1. 1 + ξ2 Ostavimo li zasad jednakost posljednje sume i integrala po strani (treba na´i malo c sloˇeniji limes).2. ako je n = 2r + 1. x2 − x2 k . pa moˇemo sve gledati na intervalu [0. pa imamo 1 ≤ f (x) ≤ 1.15). Ako tu formulu z uvrstimo u greˇku. ako je n = 2r.15) Funkcija f pada od 0 do 5. x. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 310 ili zajedno n ω(x) = (x − xk ) = r (x2 − x2 ) · k k=0 k=0 1. 1/x. pa se zbog simetrije. Prema (7. 2 1 + xk x2 − x2 k 1 + x2 k lim h ln |gn (x)| = lim h · r→∞ 0 r ln k=0 = −5 ln x2 − ξ 2 dξ =: q(x). 5]. z z c c I apsolutnu vrijednost funkcije gn moˇemo napisati na malo neobiˇan naˇin |gn (x)| = eh ln |gn (x)| 1/h . 26 Zbog toga. tj.2.

1 + ξ2 Uputa: Oˇito je c ln i lako se vidi da je r r→∞ 0 x2 − x2 k = ln |x + xk | + ln |x − xk | − ln |1 + x2 | k 1 + x2 k lim h ln |1 + x2 | k = −5 0 ln |1 + ξ 2 | dξ ln |x − ξ| dξ. k=0 . Zadatak 7. Preciznije.7. . 2 2n + 2 k = 0. ako umjesto ekvidistantnih toˇaka interpolacije u primjeru c ˇ sevljeve toˇke na intervalu [a. 5]. . en (x) → ∞. Za dokaz da je c r r→∞ 0 lim h ln |x + xk | = −5 ln |x + ξ| dξ. niz interpolacijskih polinoma divergira za |x| > 3.63! Zanimljivo je da. Za |x| > 3. Cebiˇ c c xk = 1 2k + 1 a + b + (a − b) cos . b].63. q(x) < 0 za |x| < 3. . 5] vrijedi q(x) = 0 za |x| = 3. priliˇno c z jednaku 3. −5 k=0 r r→∞ lim h ln |x − xk | = k=0 zbog neprekidnosti podintegralnih funkcija i definicije Riemannovog integrala. n.63 < |x| ≤ 5. zbog parnosti funkcije q. Runge uzmemo neekvidistantne.63. na z c [−5. onda ´e porastom stupnja niz interpolacijskih polinoma konvergirati prema funkciji c f. q(x) > 0 za 3.63 i h = 10/n slijedi da je n→∞ lim |gn (x)| = ∞. budu´i c je rijeˇ o specijalnim Darbouxovim sumama.63 (moˇemo ju i toˇnije odrediti). .1 Dokaˇite da vrijedi z 0 n→∞ lim h ln |gn (x)| = −5 x2 − ξ 2 ln dξ. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 311 Analizom toka funkcije vidimo da q(x) ima jednu nultoˇku u intervalu [0.2. toˇnije tzv. pa i tj.

a poˇetna toˇka interpolacije je blizu.2. |x + xk | > δ. z s z y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa.1. interpolacijski polinom stupnja 1. z Primijetit ´ete da je greˇka interpolacije najve´a na prvom podintervalu bez c s c obzira na stupanj interpolacijskog polinoma. te pripadna greˇka.7. Razlog leˇi u ˇinjenici da funkcija log(x) z c ima singularitet u 0.5 2 3 4 5 6 7 8 9 10 x . z y 1 0. c c Prva grupa slika su redom funkcija (crno) i interpolacijski polinom (crveno) ˇ s za ekvidistantnu mreˇu. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 312 potrebno je napraviti “finu analizu” i posebno razmatrati situacije |x + xk | < δ. a zatim to isto za Cebiˇevljevu mreˇu.2 Promotrimo grafove interpolacijskih polinoma stupnjeva 1–6 koji interpoliraju funkciju f (x) = log(x) za x ∈ [0.5 1 −0. za neki mali 0 < δ < 1 (ili se pozvati na jaˇe teoreme iz teorije mjere). c Primjer 7. 10] ˇ s na ekvidistantnoj i Cebiˇevljevoj mreˇi.

7. greˇka interpolacijskog polinoma stupnja 2. z s y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 313 Ekvidistantna mreˇa. greˇka interpolacijskog polinoma stupnja 1. interpolacijski polinom stupnja 2.5 1 −0. z s . z y 1 0.5 2 3 4 5 6 7 8 9 10 x Ekvidistantna mreˇa.

APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 314 y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa.5 0. interpolacijski polinom stupnja 3. z s .7.25 1 −0.25 −0.5 2 3 4 5 6 7 8 9 10 x Ekvidistantna mreˇa. greˇka interpolacijskog polinoma stupnja 3. z y 0.

5 0.5 2 3 4 5 6 7 8 9 10 x Ekvidistantna mreˇa. z s .7. greˇka interpolacijskog polinoma stupnja 4.25 −0. interpolacijski polinom stupnja 4. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 315 y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa. z y 0.25 1 −0.

z s . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 316 y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa. greˇka interpolacijskog polinoma stupnja 5. z y 0.7.25 2 3 4 5 6 7 8 9 10 x Ekvidistantna mreˇa.25 1 −0. interpolacijski polinom stupnja 5.

25 2 3 4 5 6 7 8 9 10 x Ekvidistantna mreˇa.7. z y 0. greˇka interpolacijskog polinoma stupnja 6. interpolacijski polinom stupnja 6. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 317 y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa. z s .25 1 −0.

7. z y 0.5 2 3 4 5 6 7 8 9 10 x −1 ˇ s Cebiˇevljeva mreˇa. interpolacijski polinom stupnja 1. greˇka interpolacijskog polinoma stupnja 1.25 1 −0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 318 y 1 1 2 3 4 5 6 7 8 9 10 x −1 ˇ s Cebiˇevljeva mreˇa. z s .

5 2 3 4 5 6 7 8 9 10 x −1 ˇ s Cebiˇevljeva mreˇa.25 1 −0. z y 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 319 y 1 1 2 3 4 5 6 7 8 9 10 x −1 ˇ s Cebiˇevljeva mreˇa. interpolacijski polinom stupnja 2.7. greˇka interpolacijskog polinoma stupnja 2. z s .

greˇka interpolacijskog polinoma stupnja 3. interpolacijski polinom stupnja 3.5 2 3 4 5 6 7 8 9 10 x ˇ s Cebiˇevljeva mreˇa. z y 0.125 1 −0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 320 y 1 1 2 3 4 5 6 7 8 9 10 x −1 ˇ s Cebiˇevljeva mreˇa.7.25 −0. z s .

interpolacijski polinom stupnja 4.125 1 −0. z s .25 −0. greˇka interpolacijskog polinoma stupnja 4.5 2 3 4 5 6 7 8 9 10 x ˇ s Cebiˇevljeva mreˇa.7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 321 y 1 1 2 3 4 5 6 7 8 9 10 x −1 ˇ s Cebiˇevljeva mreˇa. z y 0.

APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 322 y 1 1 2 3 4 5 6 7 8 9 10 x −1 ˇ s Cebiˇevljeva mreˇa. greˇka interpolacijskog polinoma stupnja 5. z s .1 1 2 3 4 5 6 7 8 9 10 x −0. z y 0. interpolacijski polinom stupnja 5.25 ˇ s Cebiˇevljeva mreˇa.7.

1 1 2 3 4 5 6 7 8 9 10 x −0. 10. 8. z y 0.3 Ve´ smo pokazali da na primjeru Runge interpolacijski polinomi koji c interpoliraju funkciju 1 za x ∈ [−5. Interpolacijski s polinomima koji interpoliraju tu funkciju u Cebiˇ c polinomi su stupnjeva 1–6. z s Primjer 7. greˇka interpolacijskog polinoma stupnja 6.2. pogledajmo ˇto se dogada z s ˇ sevljevim toˇkama. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 323 y 1 1 2 3 4 5 6 7 8 9 10 x −1 ˇ s Cebiˇevljeva mreˇa. 5] f (x) = 1 + x2 na ekvidistantnoj mreˇi ne konvergiraju. interpolacijski polinom stupnja 6.25 ˇ s Cebiˇevljeva mreˇa. S druge strane.7. 12. 16 (parnost funkcije!). . 14.

interpolacijski polinom stupnja 1. z y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x Ekvidistantna mreˇa. s y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x Ekvidistantna mreˇa. z s . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 324 Ponovno. kao i u proˇlom primjeru. greˇka interpolacijskog polinoma stupnja 1. grafovi su u parovima.7.

z s .7. z y 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 325 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x Ekvidistantna mreˇa.5 Ekvidistantna mreˇa. greˇka interpolacijskog polinoma stupnja 2.5 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0. interpolacijski polinom stupnja 2.

z s .7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 326 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x Ekvidistantna mreˇa. interpolacijski polinom stupnja 3. greˇka interpolacijskog polinoma stupnja 3. z y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x Ekvidistantna mreˇa.

APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 327 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x Ekvidistantna mreˇa. z s . greˇka interpolacijskog polinoma stupnja 4.7. z y 0. interpolacijski polinom stupnja 4.5 Ekvidistantna mreˇa.5 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0.

z s .5 Ekvidistantna mreˇa. greˇka interpolacijskog polinoma stupnja 5. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 328 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x Ekvidistantna mreˇa. z y 0. interpolacijski polinom stupnja 5.5 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0.7.

5 Ekvidistantna mreˇa. z y 0.7. greˇka interpolacijskog polinoma stupnja 6. z s .5 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 329 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x Ekvidistantna mreˇa. interpolacijski polinom stupnja 6.

greˇka interpolacijskog polinoma stupnja 8. z s . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 330 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −1 Ekvidistantna mreˇa.7. interpolacijski polinom stupnja 8. z y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −1 Ekvidistantna mreˇa.

z y 2 1 −6 −5 −4 −3 −2 −1 −1 −2 1 2 3 4 5 6 x Ekvidistantna mreˇa. greˇka interpolacijskog polinoma stupnja 10.7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 331 y 1 −6 −5 −4 −3 −2 −1 −1 −2 1 2 3 4 5 6 x Ekvidistantna mreˇa. z s . interpolacijski polinom stupnja 10.

interpolacijski polinom stupnja 12. z y 3 2 1 −6 −5 −4 −3 −2 −1 −1 −2 −3 −4 1 2 3 4 5 6 x Ekvidistantna mreˇa. z s . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 332 y 4 3 2 1 −6 −5 −4 −3 −2 −1 −1 −2 −3 1 2 3 4 5 6 x Ekvidistantna mreˇa. greˇka interpolacijskog polinoma stupnja 12.7.

APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 333 y 7 5 3 1 −6 −5 −4 −3 −2 −1 −1 −3 −5 1 2 3 4 5 6 x Ekvidistantna mreˇa. z s .7. z y 5 3 1 −6 −5 −4 −3 −2 −1 −1 −3 −5 −7 1 2 3 4 5 6 x Ekvidistantna mreˇa. interpolacijski polinom stupnja 14. greˇka interpolacijskog polinoma stupnja 14.

interpolacijski polinom stupnja 16. z s . greˇka interpolacijskog polinoma stupnja 16. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 334 y 10 6 2 −6 −5 −4 −3 −2 −1 −2 −6 −10 −14 1 2 3 4 5 6 x Ekvidistantna mreˇa.7. z y 14 10 6 2 −6 −5 −4 −3 −2 −1 −2 −6 −10 1 2 3 4 5 6 x Ekvidistantna mreˇa.

interpolacijski polinom stupnja 1. z s . z y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa. greˇka interpolacijskog polinoma stupnja 1. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 335 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa.7.

7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 336 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa. greˇka interpolacijskog polinoma stupnja 2. z s . z y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa. interpolacijski polinom stupnja 2.

interpolacijski polinom stupnja 3. greˇka interpolacijskog polinoma stupnja 3. z y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa.7. z s . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 337 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa.

7. z s . greˇka interpolacijskog polinoma stupnja 4. interpolacijski polinom stupnja 4. z y 0.5 ˇ s Cebiˇevljeva mreˇa. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 338 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa.25 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0.

greˇka interpolacijskog polinoma stupnja 5.7. interpolacijski polinom stupnja 5.25 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa.5 −6 −5 −4 −3 −2 −1 −0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 339 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa. z s . z y 0.

25 ˇ s Cebiˇevljeva mreˇa. z s . z y 0.5 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 340 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa.7. interpolacijski polinom stupnja 6. greˇka interpolacijskog polinoma stupnja 6.25 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0.

7.125 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0.25 ˇ s Cebiˇevljeva mreˇa. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 341 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa. z s . greˇka interpolacijskog polinoma stupnja 8. interpolacijski polinom stupnja 8. z y 0.

7. interpolacijski polinom stupnja 10.125 ˇ s Cebiˇevljeva mreˇa.125 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0. z y 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 342 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa. z s . greˇka interpolacijskog polinoma stupnja 10.

075 ˇ s Cebiˇevljeva mreˇa. greˇka interpolacijskog polinoma stupnja 12. z y 0.7. z s .075 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0. interpolacijski polinom stupnja 12. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 343 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa.

APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 344 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa. z y 0.05 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0.7. greˇka interpolacijskog polinoma stupnja 14.05 ˇ s Cebiˇevljeva mreˇa. interpolacijski polinom stupnja 14. z s .

z s 7. z y 0.7.2. interpolacijski polinom stupnja 16. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 345 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa. rjeˇavanje difec s c s rencijalnih jednadˇbi i joˇ mnogo toga. Konvergencija interpolacijskih polinoma Interpolacija polinomima vrlo je znaˇajna zbog upotrebe u raznim postupcima c u numeriˇkoj analizi.025 ˇ s Cebiˇevljeva mreˇa. z s .025 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0. kao ˇto su numeriˇka integracija. deriviranje. greˇka interpolacijskog polinoma stupnja 16.7.

c Teorem 7. 1914. Takva interpolacija . Hermiteova i druge interpolacije polinomima Do sada smo promatrali problem interpolacije polinomima u kojem su zadane c samo funkcijske vrijednosti fi u ˇvorovima interpolacije xi . sa stanoviˇta teorije aproksimacije. 7. 1912. 1. Dovoljno je uzeti manje glatku s funkciju od funkcije Runge. Odgovor nije potpuno jednostavan. primjer funkcije Runge pokazuje da ovakav rezultat op´enito ne vrijedi z c za Lagrangeove interpolacijske polinome — niz polinoma generiran ekvidistantnim mreˇama ne konvergira prema toj funkciji ni po toˇkama (za x dovoljno blizu ruba z c intervala).3 (Faber. da li neki izbor neekvidistantne mreˇe. Tada c |f (x) − pn (x)| → 0. Naˇalost. poznati z c Weierstraßov teorem tvrdi da za svaku neprekidnu funkciju f (x) postoji niz polinoma stupnja n. s ˇvorovima koji su bliˇe rubovima intervala. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 346 Medutim. c c c tj. kad n → ∞. samo u tri toˇke: x = −1. ali ne i na rubovima.8. Na prvi pogled se ˇini da to ˇto interpolacija ne mora biti dobra aproksic s macija funkcije ovisi o izboru ˇvorova interpolacije. tako da f (x) − Bn (x) ∞ →0 za n → ∞. c Sljede´i teorem je egzistencijalnog tipa. Pitanje je. nazovimo ih Bn (x). To je samo djelimiˇno toˇno. a kamo li uniformno. ali ukazuje na to da je nemogu´e na´i c c c dobar izbor toˇaka interpolacije za svaku funkciju.4 (Bernstein. Iako se mogu konˇ s struirati mreˇe (poput Cebiˇevljeve) na kojima se funkcija Runge bolje aproksimira z interpolacijskim polinomima. c Iz primjera funkcije Runge vidi se da je Lagrangeova interpolacija dobrih svojstava aproksimacije u sredini intervala.7.2. Primjer 7. izborom toˇaka interpolacije moˇemo poboljˇati aproksimativna svojstva interc z s polacijskih polinoma.2. Drugi bitni faktor kvalitete je glatko´a funkcije. moˇe z c z z popraviti konvergenciju.) Neka je f (x) = |x| c i neka je pn (x) interpolacijski polinom u n + 1 ekvidistantnih toˇaka u [−1. za ˇiji interpolacijski polinom pn (x) stupnja n vrijedi c f (x) − pn (x) ∞ → 0. Postoje i joˇ “gori” primjeri divergencije.2. interpolacija se ne pokazuje s kao sredstvo kojim moˇemo do´i do dobrih aproksimacija funkcija.) Za svaki mogu´i izbor toˇaka interpolacije postoji c c neprekidna funkcija f . 1]. Istina. to je nemogu´e napraviti za svaku neprekidnu funkciju. 0.

. . ⎟ . (7. . x. ponovimo ukratko “izvod” i s konstrukciju Lagrangeove interpolacije polinomom.2. . koji su jednoznaˇno odredeni interpolacijskim uvjez tima (7. (7. ve´i broj derivacija (globalno.7. . x2 0 x2 1 . xn vodi na linearni sustav s Vandermondeovom matricom. ⎠ .20) Funkcije i zovu se funkcije Lagrangeove baze. .16) moˇemo zapisati kao z n pn (x) = i=0 f (xi ) i (x). ili barem. . (7. . recimo. ⎜. . . u okolini c svakog ˇvora).2. . . .18) gdje je δij Kroneckerov simbol. . . koja se ˇesto zove i Lagrangeova interpolacijska formula. ⎛ x0 x1 . Lagrangeova interpolacija nikako ne iscrpljuje sve mogu´e sluˇajeve interpoc c lacije polinomima.1) pokazali smo da vrijedi 1 ⎜ ⎜1 V (x0 . (7.18). . ⎝. xn 0 . n. Traˇeni polinom pn mora zadoz voljavati interpolacijske jednadˇbe z pn (xi ) = fi = f (xi ). . . xn ⎟ 1 ⎟ .2. i = 0. xn ) := det ⎜ . Mogu´e su razne generalizacije ovog problema za funkcije f koje c imaju dodatna svojstva. .2.2.2. . . xi − xj i = 0. .19) c Traˇene polinome i stupnja n. x2 n . .17) 1 xn c c Iz pretpostavke o medusobnoj razliˇitosti ˇvorova xk slijedi regularnost sustava i egzistencija i jedinstvenost polinoma pn . moˇemo “pogoditi” z n i (x) = j=0 j=i x − xj . . c Da bismo jednostavno doˇli do tih generalizacija. Lagrangeovoj formi. n. .2. a za pripadnu Vandermondeovu determinantu (vidjeti teorem 7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 347 funkcijskih vrijednosti se obiˇno zove Lagrangeova interpolacija (ˇak i kad ne korisc c timo samo polinome kao aproksimacijske ili interpolacijske funkcije). xn n ⎞ (xj − xi ). . c Ako definiramo n + 1 polinom { i (x)}n specijalnim interpolacijskim uvjetima i=0 i (xj ) := δij . . tada Lagrangeov interpolacijski polinom koji udovoljava uvjetima (7. ⎟= .2.16) Zapis polinoma pn u standardnoj bazi potencija 1. 0≤i<j≤n (7. z Lagrangeov interpolacijski polinom pn moˇe se napisati i eksplicitno u tzv.

. i=0 hi.1 . . Direktno moˇemo provjeriti da su hi. c interpoliramo i vrijednost derivacije fi = f (xi ). . sliˇno kao i za Lagrangeov polinom. zovu se funkcije Hermiteove baze. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 348 Zadatak 7. koji zadovoljava interpolacijske uvjete h2n+1 (xi ) = fi . hi.2. . barem 2n + 2 c c nultoˇke. n.1 (x) polinomi stupnja 2n + 1 koji zadovoljavaju sljede´e relacije c hi. .0 (x) i hi. s Postoji joˇ jedan sluˇaj koji se moˇe rijeˇiti jednostavnom formulom.0 . . (7.1 (x) = (x − xi ) i (x). a polinom h2n+1 obiˇno c se zove Hermiteov interpolacijski polinom. ˇto opravdava naziv baza.2 Dokaˇite da su funkcije Lagrangeove baze linearno nezavisne i ˇine z c skup izvodnica za prostor polinoma stupnja n. Ako definiramo polinom formulom n h2n+1 (x) = i=0 fi hi. ˇto je mogu´e samo ako je identiˇki jednak nuli.1 (x) .3 Pokaˇite da za funkcije Lagrangeove. . z gdje su i funkcije Lagrangeove baze (7. hi. fi zadani realni brojevi.2. Neka c su hi. c c gdje su xi medusobno razliˇite toˇke i fi .7. Obzirom da iz gornjeg ne slijedi jedinstvenost. .2. Neka je q2n+1 (x) bilo koji drugi polinom koji ispunjava interpolacijske uvjete teoc rema. i = 0. Dokaz. U svakom ˇvoru xi . tj. h2n+1 (xi ) = fi . odnosno Hermiteove baze. n.21) 2 hi.2.1 (xj ) = δij .0 (xj ) = δij . vriz jedi n n i (x) i=0 = 1. . Egzistenciju polinoma h2n+1 (x) moˇemo dokazati konstruktivnim metoz dama — konstrukcijom eksplicitne baze. hi.0 (x) = 1. za i.1 (xj ) = 0. c s c c Polinomi hi. Zadatak 7.2. moramo ju dokazati posebno. j = 0.20).0 (x) = [1 − 2(x − xi ) i (xi )] 2 (x) i (7. a posebno s c z s ga tretiramo zbog vaˇnosti za teoriju numeriˇke integracije (preciznije. hi.22) lagano provjerimo da h2n+1 zadovoljava uvjete teorema.2. koji ima nultoˇke multipliciteta barem 2 u svakom ˇvoru interpolacije xi .4 Postoji jedinstveni polinom h2n+1 stupnja najviˇe 2n + 1. Gaussovih z c integracijskih formula).0 (xj ) = 0. Tada je h2n+1 (x) − q2n+1 (x) polinom stupnja ne ve´eg od 2n + 1.0 (x) + fi hi. osim funkcijske vrijednosti fi = f (xi ). s Teorem 7.

. . tj. .2). vidimo da F ima nultoˇke multipliciteta 2 u x0 . itd. xn . osim u “Lagrangeovom” obliku. . . jer su obje strane nula. . .5 Greˇka kod interpolacije Hermiteovim polinomom h2n+1 (x) (v.2. . c c c moˇemo odrediti konstantu C tako da vrijedi F (xn+1 ) = 0. Kako F (x) sada ima z (barem) n + 2 nule. razliˇit samo od ˇvorova x0 . Deriviranjem izraza c za F (x) dobijemo F (2n+2) (ξ) = f (2n+2) (ξ) − C(2n + 2)! = 0. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 349 Zadatak 7.. pa ukupno ima (barem) 2n + 2 nula. i=0 i=0 (x − xi ) 2 (x) i (xi ) = 0. odnosno Hermiteove baze.2. xn }. . . naravno. Iz uvjeta interpolacije znamo da je f (x) = h2n+1 (x) i f (x) = h2n+1 (x) za c x = x0 . . . teos c rem 7. xn je oblika e(x) := f (x) − h2n+1 (x) = gdje su ξ i ω kao u teoremu 7. . F (xk ) = F (xk ) = 0 za c k = 0. Na kraju primijetimo da je gornji rezultat toˇan i za c x ∈ {x0 . pa oˇekujemo da je f (x) − h2n+1 (x) ≈ Cω 2(x) za neku konstantu C. xn . F ima n + 1 nulu u nekim toˇkama izmedu njih.2. F (2n+2) ima barem jednu nulu u promatranom intervalu. moˇemo zapisati i u “Newtonovom” obliku — koriste´i podijeljene razlike.7. F 2n nula. .0 (x) + hi. na osnovu Rolleovog teorema. Definiramo li F (x) = f (x) − h2n+1 (x) − Cω 2 (x).2. . c Teorem 7.2. . .2. (2n + 2)! c c z Ali kako je xn+1 proizvoljan. oznaˇimo ju s ξ. Na kraju.1 (x) = x. . . . Ona takoder c ima nule u x0 . xn . Izaberemo li neki xn+1 ∈ [xmin . Uvrstimo li taj rezultat u izraz za greˇku. Hermiteov interpolacijski polinom. xmax ] u n + 1 ˇvorova x0 .4) funkcije f ∈ C (2n+2) [xmin . . (2n + 2)! f (2n+2) (ξ) 2 ω (x). Dokaz. . No onda F ima bar 2n + 1 nula. ali sada z c . pa dokaz slijedi. n. vriz jedi n n xi hi. dobijemo c s F (xn+1 ) − h2n+1 (xn+1 ) = f (2n+2) (ξ) 2 ω (xn+1 ). . odakle izraˇunamo C.4 Pokaˇite da za funkcije Lagrangeove. xmax ] razliˇit od postoje´ih ˇvorova. moˇemo ga zamijeniti s proizvoljnim x. xn . . . i Za ocjenu greˇke Hermiteove interpolacije vrijedi vrlo sliˇan rezultat kao i za s c obiˇnu Lagrangeovu interpolaciju (teorem 7. . .

Ta determinanta c je generalizacija Vandermondeove determinante iz (7. s Zadatak 7.17). . . . oznaˇavamo s V (x0 . . . Zato s zapiˇite hn kao linearnu kombinaciju potencija. . . . . . d} c postoji jedinstveni polinom hn . . . . . . . . takoder. t1 .2. Problem proˇirene Hermiteove interpolacije. . i = 0. . . li . koji su jednaki 1. Uputa: Konstrukcija Hermiteove baze postaje vrlo komplicirana (pokuˇajte!). . . . . d. s tim da je l0 + · · · + ld = n + 1. . . . . td . koji obuhva´a gornje interc c c polacije kao specijalni sluˇaj. ld zadani prirodni brojevi koji zadovoljavaju i=0 li = n + 1. Bitno s c s je samo da u odredenom ˇvoru xi interpoliramo redom funkcijsku vrijednost i prvih c nekoliko (uzastopnih) derivacija. . .7. i=0 ν=1 odakle slijedi egzistenicija i jedinstvenost polinoma hn . m. . .5 Neka su t0 . moˇe se zapisati na sljede´i naˇin. . i = 0. Dokaˇite da vrijedi c c c z V (x0 . Op´eniti sluˇaj interpolacije funkcije i derivacija. . xn ) = (tj − ti )li lj · 0≤i<j≤d d li −1 ν! . i neka je zadan skup od m + 1 toˇaka x0 < x1 < · · · < xm . .2. Tada problem nalaˇenja c z polinoma P (x) stupnja n koji zadovoljava Eij (P (j−1) (xi ) − cij ) = 0. li . stupnja ne ve´eg od n. . t0 . Sto to znaˇi? Pokuˇajte ga sami izvesti! (Taj oblik ´emo c c s c kasnije uvesti i iskoristiti za zapis po dijelovima polinomne interpolacije. za koji vrijedi (j−1) hn (ti ) = fij . ima jedinstveno rjeˇenje.) Ponekad se naziv “Hermiteova interpolacija” koristi i za op´enitiji sluˇaj proc c ˇirene Hermiteove interpolacije koji ukljuˇuje i viˇe derivacije od prvih. . . td . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 350 ˇ i s dvostrukim ˇvorovima. . . osim n+1 njih. . j = 1. . . i = 0. . . Pokaˇite da za svaki skup realnih brojeva {fij | j = 1. pa ju. j = 1. l1 . . formulirajte problem interpolacije s matriˇno i analizirajte determinantu dobivenog linearnog sustava. n + 1. takoder. . . td zadani medusobno razliˇiti ˇvorovi i neka su c c d z l0 . . Tada je zgodno gledati xi kao ˇvor multipliciteta li ≥ 1 i uvesti posebne c c c oznake tj za medusobno razliˇite ˇvorove (uzmimo da ih je d + 1): x0 ≤ · · · ≤ xn = t0 . xn ). . . bez pretpostavke da su ˇvorovi razliˇiti. . Pretpostavimo da u ˇvoru xi koristimo li > 0 podataka (funkcija i prvih li − 1 c derivacija). Neka je E matrica c z c c tipa (m+1)×(n+1) s elementima Eij koji su svi 0. l0 ld s uz ti = tj za i = j.

n. pretpostavimo da na svakom podintervalu [xk−1 . gdje je bilo dovoljno da su ˇvorovi interpolacije c medusobno razliˇiti. Mogu´e je umjesto c derivacija zadavati razne linearne funkcionale u ˇvorovima.xk ] = pk . . donekle je prouˇen.7. xk ] koristimo polinom stupnja m. tj. n. Za razliku od polinomne interpolacije funkcijskih vrijednosti. . . . Ukupno moramo odrediti koeficijente polinoma pk u n podintervala. c c Preciznije. kako je formuliran. gdje su pk polinomi niskog (ali fiksnog) stupnja. Umjesto toga. spomenimo da i time problem nije do kraja iscrpljen. .6 Zapisom polinoma P u standardnoj bazi potencija formulirajte matriˇno problem proˇirene Hermite–Birkhoffove interpolacije.1) .xk ] = pk . . To joˇ ne osigurava s da je ϕ funkcija jer je mogu´a dvoznaˇnost u dodirnim toˇkama podintervala. c s 7. .2) k = 0. 2. tj. k = 1. z c c I na kraju. c s z Zadatak 7. . n. zovemo Hermite–Birkhoffovim interpolacijskim problemom. n. k = 1. da vrijedi a = x0 < x1 < · · · < xn = b.3. ovdje pretpostavljamo da su rubovi podintervala interpolacije c uzlazno numerirani. Svaki polinom pk stupnja m odreden je s (m+1)-im koeficijentom. . . Interpolacijski uvjeti su ϕ(xk ) = fk . . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 351 za neki izbor brojeva cij . (7. Interpolacija po dijelovima polinomima U proˇlom smo poglavlju pokazali da polinomna interpolacija visokog stupnja s moˇe imati vrlo loˇa svojstva. tj. k = 1. a u vezi je s numeriˇkim metodama za rjeˇavanje diferencijalnih jednadˇbi. . da je ϕ [xk−1 . ˇto za svaki polinom daje po 2 uvjeta s pk (xk−1 ) = fk−1 pk (xk ) = fk . ukupno (m + 1) · n koeficijenata.3. . na svakom podintervalu vrijedi ϕ [xk−1 . problem moˇe i nemati rjeˇenje. U punoj op´enitosti. Idenc z s tifikacija matrica E koje vode na regularne sisteme jednadˇbi ve´ je dosta izuˇena.3.2. pa se u praksi ne smije koristiti. Jedan specijalni probc lem u kojem su ovi linearni funkcionali linearne kombinacije derivacija. (7. Taj se problem ˇesto naziva proˇirena Hermite–Birkhoffova interpoc c s lacija. . tj. z s koristi se po dijelovima polinomna interpolacija. . ali o c c c tome ´emo voditi raˇuna kod zadavanja uvjeta interpolacije.

z c Za traˇenje tog intervala koristimo algoritam binarnog pretraˇivanja. tj.k = f [xk−1 . xk ] = . prvo treba z c prona´i izmedu kojih se ˇvorova toˇka x nalazi. while (high − low ) > 1 do begin . . s Na svakom podintervalu [xk−1 . . Primijetimo da uvjeta interpolacije ima 2n. xk ]. Za m > 1 moraju se dodati uvjeti na glatko´u interpolacijske funkcije ϕ u c ˇvorovima interpolacije. b]. jer je pk−1 (xk−1 ) = pk (xk−1 ). z z Algoritam 7. . c c c Tek tada moˇemo raˇunati koeficijente pripadnog linearnog polinoma. xk ]. Ako ˇelimo aproksimirati vrijednost funkcije f u toˇki x ∈ [a.1. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 352 a ukupno daje 2n uvjeta interpolacije. Uoˇimo da smo postavljenjem prethodnih c uvjeta interpolacije osigurali neprekidnost funkcije ϕ.k = f [xk−1 ] = fk−1 fk − fk−1 c1. Po dijelovima linearna interpolacija Osnovna ideja po dijelovima linearne interpolacije je umjesto jednog polinoma visokog stupnja koristiti viˇe polinoma. xk − xk−1 k = 1. z Interpolacijski polinom pk moˇemo zapisati u Newtonovoj formi pk (x) = f [xk−1 ] + f [xk−1 . Obiˇno c ga zapisujemo relativno obzirom na poˇetnu toˇku intervala (razlog je stabilnost) u c c obliku pk (x) = c0.3. . . n. za po c dijelovima linearnu interpolaciju.3. c 7.k + c1. . . k = 1. . . xk ] · (x − xk−1 ). n. a moramo na´i (m + 1) · n koefic cijenata. Bez dodatnih uvjeta to je mogu´e napraviti samo za m = 1.1 (Binarno pretraˇivanje) z low := 0.7. pa odmah vidimo da vrijedi c0. n. polinom pk je jedinstveno odreden. . .k (x − xk−1 ) za x ∈ [xk−1 . ali stupnja 1. tj za koji k vrijedi xk−1 ≤ x ≤ xk . k = 2. . high := n.

b] interval na kojem aproksimiramo. xk ]. xk ] ocjena greˇke linearne interpolacije je s |f (x) − pk (x)| ≤ pri ˇemu je c ω(x) = (x − xk−1 )(x − xk ). 2 Ovo se moˇe provjeriti i traˇenjem lokalnog ekstrema fukncije z z ω(x) = (x − xk−1 )(x − xk ). s s Na podintervalu [xk−1 . k M2 = x∈[xk−1 . if x < xmid then high := mid else low := mid end. Vrijednost funkcije ω u lokalnom ekstremu je ω(xe ) = (xe − xk−1 )(xe − xk ) = (xk − xk−1 )2 xk − xk−1 xk−1 − xk · =− . 2 Tvrdimo da je to lokalni minimum od ω. Ako je funkcija f klase C 2 [a. Trajanje ovog algoritma je proporcionalno s log2 (n).7. nadimo njen maksimum po apsolutnoj vrijednosti. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 353 mid := (low + high) div 2. gdje je [a. jer je ω (xe ) = 2 > 0. pa je kandidat za lokalni ekstrem toˇka c xe = (xk−1 + xk ) . onda je greˇka takve interpolacije maksimalna pogreˇka od n linearnih interpolacija.xk ] k M2 |ω(x)|. 2 2 4 . maksimum od |ω(x)| je u poloviˇtu intervala s xe = (xk−1 + xk ) . Ocijenimo ω(x) na [xk−1 . Deriviranjem izalazi ω (x) = 2x − (xk−1 + xk ). c Kako je graf od ω(x) na [xk−1 . xk ] parabola koja sijeˇe apscisu u xk−1 i xk . 2! max |f (x)|. tj. b].

odnosno n−2 i potrebno je dosta podintervala da se dobije s c sasvim umjerena toˇnost aproksimacije. moramo na´i 3n koeficijenata. xk ) vrijedi ω(x) < 0. xk ].7. po dijelovima kubiˇna interpolacija ima vrlo vaˇnu fizikalnu c z podlogu i vjerojatno je jedna od najˇeˇ´e koriˇtenih metoda interpolacije uop´e. 1≤k≤n pa na ˇitavom [a. 4 c c z Ako razmak izmedu susjednih ˇvorova oznaˇimo s hk = xk −xk−1 . c greˇka aproksimacije je reda veliˇine 10−4 . ako ravnomjerno pove´avamo broj ˇvorova. Po dijelovima paraboliˇka interpolacija nema pravu fizikalnu podlogu. b]. xn−1 neprekidnu derivaciju.2. . ona je samo neprekidna. obiˇno se na svakom podintervalu koriste polinomi viˇih stupnjeva. |f (x) − ϕ(x)| ≤ 2! 4 8 Drugim rijeˇima. prijelazom na apsolutnu vrijednost. . Ako c zahtijevamo da aproksimacijska funkcija ϕ ima u unutarnjim ˇvorovima interpolacije c s x1 . moˇemo definirati maksimalni razmak susjednih ˇvorova s c |ω(x)| ≤ |ω(xe )| ≤ h = max {hk }. za ekvidistantne mreˇe. tj. tako da h → 0. h= b−a n je greˇka reda veliˇine h2 . tj.3. na svakom podintervalu postavimo kvadratni polinom (parabolu). c c s Ako stavimo m = 2. Na primjer. onda smo dodali joˇ n − 1 uvjet. Zbog ta dva razloga (dosta toˇaka za umjerenu toˇnost i pomanjc c kanje glatko´e). tj.01. c sc s c 7. za n = 100. Odatle. onda s z c c bismo mogli na´i i takvu aproksimaciju. restrikcija aproksimacijske funkcije ϕ c na svaki interval je kubiˇni polinom. slijedi da je xe toˇka lokalnog maksimuma za |ω| i c (xk − xk−1 )2 . Ona se uobiˇajeno ne koristi. . za h = 0. moˇemo pisati c z 1 M2 h2 = M2 · h2 . za mreˇe za koje vrijedi z z xk = a + kh. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 354 Osim toga. tj. A treba nam joˇ jedan! Ako i njega postavimo (a to ne moˇemo na simetriˇan naˇin). ∀x ∈ [xk−1 . a imamo 2n uvjeta interpolacije. s z Na primjer. Po dijelovima kubiˇna interpolacija c Kod po dijelovima kubiˇne interpolacije. s c Druga je mana da aproksimacijska funkcija ϕ nije dovoljno glatka. c pa se vrlo rijetko koristi (katkad kod raˇunarske grafike). onda c c c i maksimalna greˇka teˇi u 0. Njega uobiˇajeno zapisujemo relativno obzirom c c . . za bilo koji x ∈ (xk−1 . jer kontrolu c c derivacije moˇemo napraviti samo na jednom rubu (to bi odgovaralo inicijalnim z problemima). Za razliku od po dijelovima c parabolne interpolacije.

c Primijetite da je takvim izborom dodatnih uvjeta osigurana neprekidnost prve derivacije. . mora vrijediti pk (xk−1 ) = fk−1 k = 1. dvostrukim ˇvorovima. n. dobivamo joˇ 2n uvjeta s pk (xk−1 ) = sk−1 pk (xk ) = sk . . ali sada s tzv. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 355 na poˇetnu toˇku intervala [xk−1 . . xk + hk ] = lim f (xk + hk ) − f (xk ) = f (xk ). .7.3. najzgodnije je koristiti Newtonov oblik interpolacijskog polinoma. .3) Budu´i da ukupno imamo n kubiˇnih polinoma. . n. tj. n. Ponovno. . . vrijedi c f [xk . . nadimo koeficijente interpolacijskog polinoma pk . . moˇemo zamiˇljati da su brojevi sk neke aproksimacije z s derivacije u ˇvorovima. . pa ´emo je dec taljno opisati kasnije. xk ]. hk →0 hk c uz uvjet da f ima derivaciju u toˇki xk . k = 2. . . xk ] u obliku c c pk (x) = c0.k (x − xk−1 )2 + c3. . pk (xk ) = fk . Drugim rijeˇima. jer je pk−1 (xk−1 ) = pk (xk−1 ) = sk−1 .k + c1. Zasad.k (x − xk−1 ) + c2. Ovi uvjeti automatski osiguravaju neprekidnost funkcije ϕ. od kojih svakome treba odrediti 4 c c koeficijenta. onda je podijeljena razlika na limesu c z hk →0 lim f [xk . Dodavanjem tih uvjeta za svaki kubiˇni polic c nom. . ˇ Sto. Uvjeta interpolacije je 2n. . b]. xk ]. jer su u xk−1 i xk dani i funkcijska vrijednost c i derivacija.k (x − xk−1 )3 za x ∈ [xk−1 . n. xk ] = f (xk ). jer svaki kubiˇni polinom pk mora interpolirati rubove svog podintervala [xk−1 . da je i derivacija funkcije ϕ neprekidna i u ˇvorovima. Ako pretpostavimo da su sk zadani brojevi. znaˇi dvostruki ˇvor? Pretpostavimo li da se u podijeljenoj c c razlici dva ˇvora pribliˇavaju jedan drugom. k = 1. Njihova uloga moˇe biti viˇeznaˇna. Obiˇno ˇelimo da c z interpolacijska funkcija bude glada — barem klase C 1 [a. (7. c tj. ukupno moramo odrediti 4n koeficijenata. zapravo. k = 1. z s c c pri ˇemu su sk neki brojevi.

xk ] − sk−1 − hk hk = hk sk + sk−1 − 2f [xk−1 . xk . Kad se te dvije toˇke koje su “jako blizu” stope sa svojim parom. xk ] f [xk−1 .4) sk − f [xk−1 . xk ] − [xk−1 . xk−1 ] · (x − xk−1 ) + f [xk−1 . dobivamo dva dvostruka ˇvora. xk ] · (x − xk−1 )2 (x − xk ) uz uvaˇavanje da je z f [xk−1 . xk+3 ] sk + sk−1 − 2f [xk−1. xk ] = xk − xk−1 sk − f [xk−1 . c c pa tablica podijeljenih razlika izgleda ovako: xk xk−1 xk−1 f [xk ] fk−1 sk−1 fk−1 f [xk−1 . xk ] xk xk fk sk fk Forma Newtonovog interpolacijskog polinoma ostat ´e po obliku jednaka kao c u sluˇaju da su sve ˇetiri toˇke razliˇite. xk ] f [xk−1 . Sada moˇemo napisati tablicu podijeljenih razlika za kubiˇni interpolacijski z c polinom koji ima dva dvostruka ˇvora xk−1 i xk . xk−1 ] = sk−1 f [xk−1 .7. xk+1 ] f [xk . xk ] h2 k . xk ] = sk . xk−1 . xk−1 . xk ] = . xk+1 . ako u toˇki xk derivaciju f (xk ) zadajemo ili aproksimiramo s sk .3. xk−1 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 356 U naˇem sluˇaju. xk ] − f [xk−1 . xk+1 . xk ] hk f [xk−1 . xk−1 . xk+2 . xk . xk+2 ] f [xk . h2 k (7. pa imamo c c c c pk (x) = f [xk−1 ] + f [xk−1 . xk ] − sk−1 hk f [xk . xk ] − sk−1 = hk f [xk−1 . xk−1 ] f [xk−1 . s c c onda je f [xk . xk−1 . toˇkom koja je “jako blizu” xk i toˇkom xk . toˇkom koja c c c c c je “jako blizu” xk−1 . To si je najjednostavnije predoˇiti c c c kao kubiˇni interpolacijski polinom koji prolazi kroz ˇetiri toˇke: xk−1 . xk ] = xk − xk−1 f [xk−1 . xk . xk ] · (x − xk−1 )2 + f [xk−1 .

xk−1 .k sk + sk−1 − 2f [xk−1. dobivamo c0. c1.k . otkrivamo da se isplati prvo izraˇunati c koeficijent c3. te u njegovu derivaciju pk moˇemo s z provjeriti da je pk (xk−1 ) = fk−1 . xk ] − hk f [xk−1 . . xk ]. postoje dva bitno razliˇita naˇina. naˇli smo traˇeni pk . .k = pk (xk−1 ) = sk−1 . pk (xk ) = sk .3. xk . onda relacija (7.3) i (7. xk ] − sk−1 = − hk c3. ako znamo skalare sk . xk−1 . pk (xk−1 ) = sk−1. c3.k .3. dobit c s z ´emo koeficijente ci. xk ]) · (x − xk−1 )2 + f [xk−1 . Usporedimo li forme (7. p (xk−1 ) = f [xk−1 .7. c2.3.4). xk ] . . Ponovno.k = c2. xk−1 . . Drugim rijeˇima. xk .3. pk (xk ) = fk . xk . xk . xk−1 . .4) poprima oblik pk (x) = f [xk−1 ] + f [xk−1 . a zatim ga upotrijebiti za raˇunanje c2. xk−1 ] · (x − xk−1 ) + (f [xk−1 . Dobivamo c c3. tako da polic z c nom bude napisan po potencijama od (x − xk−1 ).k . xk−1 . za sve k = 1.k .3.k = k 6 Promotrimo li bolje posljednje dvije relacije. Relaciju (7. onda nije problem na´i koeficijente po dic jelovima kubiˇne interpolacije. h2 k f [xk−1 . xk ] − hk f [xk−1 .k = k 2 p (xk−1 ) = f [xk−1 . Ostaje nam samo pokazati kako bismo mogli birati c c c sk -ove.3. n. xk ] · (x − xk−1 )3 . c Usporedivanjem koeficijenata uz odgovaraju´e potencije prethodne relacije i relacije (7.4).3). hk c Drugim rijeˇima.4) moˇemo malo drugaˇije zapisati. xk−1 . xk ].k = pk (xk−1 ) = fk−1 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 357 Uvrˇtavanjem xk−1 i xk u polinom pk iz (7. Ako posljednji ˇlan tog polinoma c moˇemo napiˇemo kao z s (x − xk−1 )2 (x − xk ) = (x − xk−1 )2 (x − xk−1 + xk−1 − xk ) = (x − xk−1 )2 (x − xk−1 − hk ) = (x − xk−1 )3 − hk (x − xk−1 )2 .

Budu´i da maksimum greˇke ne moˇe biti u rubovima intervala. 4! pri ˇemu je. skalare sk c moˇemo izabrati tako da vrijedi z sk = f (xk ). Interpolacijski polinom s dvostrukim ˇvorovima na rubu ponaˇa se kao polinom koji ima ˇetiri razliˇita ˇvora. pronadimo greˇku na intervalu [xk−1 . 16 . jer su tamo toˇke c s z c interpolacije (tj. n. takva da c s c c c se parovi ˇvorova u rubu “stope”. b]. Po dijelovima kubiˇna Hermiteova interpolacija c Ako su poznate vrijednosti derivacija funkcije f u ˇvorovima xk .3. 2 Lako se provjerava da je to lokalni maksimum. xk i joˇ dvijema c s toˇkama koje su blizu xk−1 i xk . uz pretpostavku da je funkcija f ∈ C 4 [a. .7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 358 7. s c c Dovoljno je na´i sve lokalne ekstreme funkcije ω i u njima provjeriti vrijednost. Zbog toga. tj.3. moˇemo promatrati greˇku interpoc z s lacijskog polinoma reda 3 koji interpolira funkciju f u toˇkama xk−1 . . k = 0. Ostaje samo joˇ prona´i u kojoj je toˇki intervala [xk−1 . U tom sluˇaju je kubiˇni polinom odreden lokalno. xk ] maksimum funkcije |ω|. minimumi i greˇke i |ω|). Greˇku takvog interpolacijskog polinoma moˇemo c s z ocijeniti s Mk |f (x) − pk (x)| ≤ 4 |ω(x)|. Interpolacija koja interpolira funkcijske vrijednosti i vrijednosti derivacija u svim zadanim ˇvorovima zove se po dijelovima kubiˇna Hermiteova interpolacija. c c ω(x) = (x − xk−1 )2 (x − xk )2 . pri ˇemu je z c c xe = (xk−1 + xk ) . nakon “stapanja toˇaka”. c c Nadimo greˇku takve interpolacije. k M4 = x∈[xk−1 . s s Prvo. c Derivirajmo ω (x) = 2(x − xk−1 )(x − xk )2 + 2(x − xk−1 )2 (x − xk ) = 2(x − xk−1 )(x − xk )(2x − xk−1 − xk ). potpuno su odredena njegova ˇetiri koc eficijenta. Vrijednost u xe je kvadrat vrijednosti greˇke za po dijelovima linearnu interpolaciju na istoj mreˇi ˇvorova s z c ω(xe ) = (xe − xk−1 )2 (xe − xk )2 = (xk − xk−1 )4 . onda je jedino joˇ mogu´e da se ekstrem s s c dostiˇe u nultoˇki xe od ω . ako su kubiˇnom polinomu na rubovima intervala zadane i c funkcijske vrijednost i vrijednosti derivacija.xk ] max |f (4) (x)|. Naime. xk ]. . . ne ovisi o drugim kubiˇnim c c c polinomima.

. Vrlo ˇesto derivacije funkcije c u toˇkama interpolacije nisu poznate. . ponovno. Numeriˇko deriviranje c Problem koji trebamo rijeˇiti je kako aproksimirati derivaciju diferencijabilne s funkcije f u nekoj toˇki. b] moˇemo pisati c z |f (x) − ϕ(x)| ≤ M4 h4 1 = M4 · h4 . b]. 4! 16 384 Drugim rijeˇima. x1 ] + · · · + (x − x0 ) · · · (x − xn−1 )f [x0 . c s 7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 359 Odatle. x2 ] + · · · + (x0 − x1 ) · · · (x0 − xn−1 )f [x0 . . onda c c c i maksimalna greˇka teˇi u 0. x1 .3. koriˇtenjem samo c c s vrijednosti funkcije f u zadanim toˇkama. Tada. c c No. x1 ] + (x0 − x1 )f [x0 . 1≤k≤n na ˇitavom [a. s a en (x) greˇka interpolacijskog polinoma en (x) = ω(x) f (n+1) (ξ).6)) kao f (x) = pn (x) + en (x). . . prijelazom na apsolutnu vrijednost. Definiramo li. . tada moˇemo aproksimirati prave vrijednosti derivacije koriˇtenjem vrijednosti z s funkcije u susjednim toˇkama. xn ]. . odmah slijedi da je xe toˇka lokalnog c maksimuma za |ω| i |ω(x)| ≤ |ω(xe )| ≤ (xk − xk−1 )4 . recimo. xk ]. s z Ipak. funkciju f moˇemo napisati (vidjeti relaciju z (7.2.4. . . u cijelom ovom pristupu ima jedan problem. uz z s s n+1 pretpostavku da je f klase C [a.7. recimo x0 i susjednim toˇkama x1 . maksimalni razmak ˇvorova c h = max {hk = xk − xk−1 }. a zatim uvrˇtavanjem x = x0 dobivamo s pn (x0 ) = f [x0 . xn ]. . na primjer ako su toˇke dobivene mjerenjem. ako ravnomjerno pove´avamo broj ˇvorova. tako da h → 0. (n + 1)! Deriviranjem interpolacijskog polinoma. 16 ∀x ∈ [xk−1 . xn . x1 . u Newotnovoj formi pn (x) = f [x0 ] + (x − x0 )f [x0 . gdje je pn (x) interpolacijski polinom napisan. Ostaje joˇ samo pokazati kako. c Taj problem moˇemo rijeˇiti koriˇtenjem interpolacijskog polinoma. . . x1 . .

c xk x−1 f [xk ] f−1 f [xk . x1 . Greˇka je reda veliˇine O(h) za h → 0. To nam pokazuje da aproksimacijska formula za derivaciju moˇe biti proizvoljno z visokog reda n. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 360 Ako pretpostavimo da f ima joˇ jednu neprekidnu derivaciju. Izraˇunajmo potrebne podijeljene razlike. b]. greˇka en (x0 ) reda veliˇine s en (x0 ) ≤ O(H n ). x1 ] + (x0 − x1 )f [x0 . ali takve formule s velikim n imaju ograniˇenu praktiˇnu vrijednost. c c Pokaˇimo kako se ta formula ponaˇa za male n. xk+1 . x0 . x1 − x0 h x0 f0 f1 − 2f0 + f−1 2h2 x1 f1 .7. uzmimo toˇke x1 i x2 koje se nalaze simetriˇno oko x0 (to je poseban c sluˇaj!). tj. da je f klase s n+2 C [a. x1 ] = pri ˇemu smo napravili greˇku c s f (2) (ξ) h. xk+2 ] f1 − f0 f1 − f0 = . x1 . pn (x0 ) je aproksimacija derivacije funkcije f u toˇki x0 i vrijedi c f (x0 ) = pn (x0 ) + en (x0 ). x−1 ]. U tom sluˇaju je c s c p2 (x0 ) = f [x0 . za H → 0. c x1 = x0 + h. jer onda c c c toˇke piˇemo u prirodnom redosljedu: x−1 . (n + 1)! Dakle. onda dobivamo i da je en (x0 ) = f (n+1) (ξ) (x0 − x1 ) · · · (x0 − xn ). Puno sugestivnija notacija toˇaka u tom sluˇaju je da s x−1 oznaˇimo x2 . x1 ]. k c onda je. x2 = x0 − h. 2 s c uz pretpostavku da je f ∈ C 3 [x0 . xk+1 ] f0 − f−1 h f1 − f0 h f [xk . e1 (x0 ) = c Za n = 2. Za n = 1 imamo z s p1 (x0 ) = f [x0 . Ako oznaˇimo s c H = max |x0 − xk |. tj.

xk+1 ] f1 − f0 h f2 − f1 h f [xk . uzmimo x1 = x0 + h. xk+1 . vrijedi s c e2 (x0 ) = f (3) (ξ) f (3) (ξ) (x0 − x1 ) (x0 − x−1 ) = −h2 . tj. ˇto je h manji. 6 3 c tj. greˇka je istog reda veliˇine O(h2 ). uz pretpostavku s . tj. aproksimacija derivacije u x0 je c p2 (x0 ) = f [x0 . x2 = x0 + 2h. deriviramo u najljevijoj. 2h f2 − 2f1 + f0 f1 − f0 −h h 2h2 dok je greˇka jednaka s e2 (x0 ) = f (3) (ξ) f (3) (ξ) (x0 − x1 ) (x0 − x2 ) = h2 . jer su toˇke x1 c c c i x−1 simetriˇne obzirom na x0 . Iako su i u ovom sluˇaju toˇke ekvidistantne.7. Pripadna tablica podijeljenih razlika je c xk x0 f [xk ] f0 f [xk . 2 h 2h 2h Ovu posljednju formulu ˇesto zovemo simetriˇna (centralna) razlika. xk+2 ] x1 f1 f2 − 2f1 + f0 2h2 x2 f2 Konaˇno. medutim konstanta je dvostruko ve´a nego u s c prethodnom (simetriˇnom) sluˇaju. c c Primijetite da formula za derivaciju postaje sve toˇnija ˇto su bliˇe toˇke c s z c iz kojih se derivacija aproksimira. a ne u srednjoj c c toˇki. x1 ] + (x0 − x1 )f [x0 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 361 Uvrˇtavanjem dobivamo s p2 (x0 ) = f1 − f0 f1 − f−1 f1 − 2f0 + f−1 = −h . x1 . Takva aproksimacija derivacije ima bolju ocjenu c greˇke nego obiˇne podijeljene razlike. naravno. x−1 ] = = −f2 + 4f1 − 3f0 . Na primjer. 6 6 Pokaˇimo ˇto bi se zbivalo kad toˇke x1 i x−1 (odnosno x2 ) ne bismo simetriˇno z s c c rasporedili oko x0 .

pa zajedno dobivamo |err 2 | ≤ ε M3 2 + h. h 6 M3 = x∈[x−1 .x1 ] max |f (3) (x)|. z Kao ˇto ste vidjeli u prethodnim primjerima. Greˇka u prvom ˇlanu je najve´a ako su c ε1 i ε−1 suprotnih predznaka. koji dolazi od c c greˇke u podacima. maksimalne apsolutne vrijednosti ε. pa ako su toˇke bliske. osnovu numeriˇkog deriviranja s c ˇine podijeljene razlike. To nije sluˇajno. h 6 Ponaˇanje ove ocjene i njezina dva ˇlana u ovisnosti od h moˇemo prikazati sljede´im s c z c grafom. Plavom bojom oznaˇen je prvi ˇlan ε/h oblika hiperbole. Lako se vidi da je ocjena na desnoj strani najbolja mogu´a. 2h 2h s c c Ogradimo err 2 po apsolutnoj vrijednosti. mnogi podaci su mjereni. koji predstavlja s c . Problem je to izrazitiji. f−1 = f−1 + ε−1 . dobivamo f (x0 ) = f1 − f−1 ε1 − ε−1 − + e2 (x0 ). a crvenom bojom drugi ˇlan oblika parabole. zbog neprekidnosti funkcije f . c z c Oznaˇimo tu ocjenu s e(h) c ε M3 2 e(h) := + h. z Ilustrirajmo to analizom simetriˇne razlike. dolazi do kra´enja. ali ve´u greˇku c c s c s zaokruˇivanja. tj. tj. 2h e2 (x0 ) = −h2 f (3) (ξ) . umjesto vrijednosti f−1 i f1 . U tom je sluˇaju napravljena ukupna greˇka c s err 2 = f (x0 ) − ε1 − ε−1 f1 − f−1 =− + e2 (x0 ). c f (x0 ) = f1 − f−1 + e2 (x0 ). da se moˇe dosti´i. ˇto je h manji. a ostalo je greˇka. |ε−1| ≤ ε. c c c c Do kra´enja mora do´i. |ε1 |. u najmanju ruku zbog greˇaka s s zaokruˇivanja. prets postavimo da je h prikaziv u raˇunalu i da je greˇka pri raˇunanju kvocijenta u c s c podijeljenoj razlici zanemariva.7. 6 Pretpostavimo da smo. Ako odatle izrazimo f1 i f−1 i uvrstimo ih u formulu za derivaciju. U praksi. c c ˇto su toˇke bliˇe. Medutim. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 362 da je funkcija f dovoljno glatka. 2h 2h Prvi ˇlan s desne strane je ono ˇto smo mi zaista izraˇunali kao aproksimaciju c s c derivacije. Da bismo analizu napravili jednostavnijom. Za drugi ˇlan koristimo ocjenu za e2 (x0 ). uzeli malo perturbirane vrijednosti f1 = f1 + ε1 . pa nose neku pogreˇku. Dakle. to vrijedi samo u teoriji. za numeriˇko deriviranje imamo dva s c z s c opreˇna zahtjeva na veliˇinu h. Manji h daje bolju ocjenu greˇke.

To predstavlja c s z znaˇajni gubitak toˇnosti. Posebno.3. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 363 maksimalnu greˇku odbacivanja kod aproksimacije derivacije podijeljenom razlikom. ε2/3 . treba povu´i dva kubiˇna polinoma p1 i p2 . jer c ε M3 + h=0 2 h 3 z izlazi da se lokalni. i to u joˇ ozbiljnijem obliku. kao ˇto bismo ˇeljeli. a p2 na [1. a onda (zbog e (h) > 0 za h > 0) i globalni minimum postiˇe za e (h) = − h0 = Najmanja vrijednost funkcije je e(h0 ) = 3 M3 2 3 1/3 iz 3ε M3 1/3 . u formulama viˇeg reda za s s aproksimaciju derivacija. Polinom p1 je dio funkcije c c c c s ϕ na intervalu [0. uvedimo joˇ . To pokazuje da ˇak i u najboljem sluˇaju. kad je ukupna greˇka najmanja. Primjer 7. c h0 h Odmah vidimo da e(h) ima minimum po h. dobivamo c c s 2/3 da je ona reda veliˇine O(ε ).7. s Zelena boja oznaˇava njihov zbroj e(h). a ne O(ε). 1].Prije raˇunanja ovih polinoma.1 Nadite po dijelovima kubiˇnu Hermiteovu interpolaciju za podatke c xk fk fk 0 1 0 1 2 1 2 0 . daljnje smanjivanje koraka h samo pove´ava c c c greˇku! s Isti problem se javlja. 1 Oˇito. 2]. Taj minimum se lako raˇuna.

U tom sluˇaju derivacije c moˇemo aproksimirati na razliˇite naˇine. Na sliˇan naˇin. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 364 skra´enu oznaku za podijeljene razlike reda j. a samu interpolaciju ´emo zvati kvaziherz c c c miteova po dijelovima kubiˇna interpolacija. tako da tablice u prvom redu imaju kra´e oznake za stupce. Najjednostavnije je uzeti podijeljene razlike kao aproksimacije derivacija u ˇvorovima. c Za prvi polinom imamo sljede´u tablicu podijeljenih razlika c xk 0 0 1 1 Iz nje dobivamo p1 (x) = 1 + (1 + 1)(x − 0)2 − 1(x − 0)3 = 1 + 2x2 − x3 . po ugledu na oznaku za derivacije c viˇeg reda. One mogu biti unaprijed (do na posljednju) ili unazad (do na prvu).7. za p2 dobivamo tablicu podijeljenih razlika c c xk 1 1 2 2 pa je fk 2 2 0 0 f [1] [xk ] 1 −2 1 f [2] [xk ] f [3] [xk ] fk 1 1 2 2 f [1] [xk ] 0 1 1 f [2] [xk ] f [3] [xk ] 1 0 −1 −3 3 6 p2 (x) = 2 + (x − 1) + (−3 − 6)(x − 1)2 + 6(x − 1)3 = 2 + (x − 1) − 9(x − 1)2 + 6(x − 1)3 . j ≥ 0. s f [j] [xk ] := f [xk . c Primijetimo da u sluˇaju aproksimacije derivacije. . 7. .5. Po dijelovima kubiˇna kvazihermiteova interpolacija c Sad se moˇemo vratiti problemu kako napraviti po dijelovima kubiˇnu Herz c miteovu interpolaciju. greˇka po dijelovima kubiˇc s c ne interpolacije ovisi o tome koliko je dobra aproksimacija derivacije. . xk+j ]. c . ako nemamo zadane derivacije.3.

Naravno. a koristimo simetriˇnu razliku (osim na lijevom i desnom rubu gdje to nije c mogu´e). APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 365 Ako koristimo podijeljene razlike unaprijed. xk i xk+1 . n − 1. .k (x) = fk−1 + f [xk−1 . c z c odnosno desne toˇke). . za k = 0. c u prvom i posljednjem ˇvoru ne moˇemo postupiti na jednak naˇin (jer nema lijeve. . ˇto je dosta loˇe. . Naˇalost. . pripadna kvazihermiteova interpolacija zove se Besselova po dijelovima kubiˇna interpolacija. odnosno O(h2 ) u funkcijskoj c vrijednosti. . . za k = 1. ⎧ ⎪ f1 ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎨f ⎧ ⎪ f1 ⎪ ⎪ ⎪ ⎨x . a pripadni kvazis hermiteovi kubiˇni polinomi obiˇno dobivaju ime po naˇinu aproksimacije derivacija. Sliˇno. n. za k = 1. Zbog toga derivaciju u x0 aproksimiramo tako da povuˇemo c c c kvadratni interpolacijski polinom kroz x0 . za k = 0. . za k = n. 1 − x0 sk = ⎪ fk − fk−1 ⎪ ⎪ ⎪ . greˇka koju smo napravili takvom aproksimacijom derivacije je reda veliˇine O(h) u derivaciji. gdje nije mogu´e koristiti simetriˇnu razliku. i njega deriviramo u xn . Uz oznaku h = xk − xk−1 .7. i njega deriviramo u x0 . najve´e greˇke ostat ´e u prvom i posljedc z c s c njem podintervalu. . xk ](x − xk−1 ) + f [xk−1 . xk . a zatim ga deriviramo. n − 1. . − fn−1 . dobivamo s c p2. onda je − f0 . h U ovom ´e se sluˇaju greˇka obzirom na obiˇne podijeljene razlike popraviti tamo c c s c gdje se koristi simetriˇna razlika. xn−1 i xn . U unutraˇnjim ˇvorovima xk . za k = 1. . prema prethodnom odjeljku. xk+1 ](x − xk−1 ) (x − xk ). . xn − xn−1 a ako koristimo podijeljene razlike unazad. za k = n. u tom sluˇaju moˇemo staviti c c z − f0 . c c c Ako derivaciju u toˇki xk aproksimiramo tako da povuˇemo kvadratni interpoc c lacijski polinom kroz xk−1 . onda je ⎧ ⎪ fk+1 ⎪ ⎪ ⎪ ⎨ xk+1 ⎪ fn ⎪ ⎪ ⎪ ⎩ sk = − fk . . . x1 i x2 . s s Prethodnu aproksimaciju moˇemo poneˇto popraviti ako su toˇke xk ekvidisz s c tantne. h k+1 − fk−1 sk = . − xk za k = 0. derivaciju u xn aproksimiramo tako da povuˇemo kvadratni interpolacijski polinom c kroz xn−2 . ⎩ xk − xk−1 s Medutim. c c Kao ˇto smo vidjeli. . . ⎪ ⎪ 2h ⎪ ⎪ ⎪ ⎪f −f ⎪ n n−1 ⎪ ⎩ . postoje i bolje aproksimacije derivacija. n − 1.

za k = n. Deriviranjem. xn−1 . pa uvrˇtavanjem x0 dobivamo s s0 = p2. Uz oznaku hk = xk − xk−1 . za Besselovu po dijelovima kubiˇnu interpolaciju stavljamo c (2h1 + h2 ) f [x0 . x2 ] . xn−1 ] + f [xn−2 . x1 . Deriviranjem. xk+1 ] − f [xk−1 . xk+1 ](xk − xk−1 ). xk+1 ] . xn−1 ](x − xn−2 ) + f [xn−2 . n.7. xk ] + hk f [xk . xn ](2xn − xn−1 − xn−2 ) (hn−1 + 2hn ) f [xn−2 . . za k = 1. . n − 1. h1 + h2 za k = 0. x2 ](x0 − x1 ) = Za k = n pripadni polinom je p2. = hn−1 + hn Dakle.1 (x0 ) = f [x0 . xn−1 ] − hn f [xn−1 . xn−1 . xk ] + hk f [xk .1 (x) = f0 + f [x0 . ˇto znaˇi s c 3 da je greˇka u funkciji reda veliˇine O(h ). xk ] + f [xk−1 . pa uvrˇtavanjem xn dobivamo s sn = p2. x1 ] + f [x0 . xk ] + hk f [xk . . x1 . sk je teˇinska srednja vrijednost podijeljene razlike unaprijed i unatrag. xn−1 ] − hn f [xn−1 . . hn−1 + hn s c Greˇka u derivaciji (vidjeti prethodni odjeljak) je reda veliˇine O(h2 ). xk+1 ] = . x2 ] . x1 ] − h1 f [x1 . xk . xn ](x − xn−2 ) (x − xn−1 ). . xn ] . s c . hk + hk+1 hk + hk+1 k = 1. z tj. x2 ](x − x0 ) (x − x1 ). xn ] . x1 ](x − x0 ) + f [x0 . xk ] hk+1 f [xk−1 . (hn−1 + 2hn ) f [xn−2 . . .k (xk ) = f [xk−1 . sk = ⎪ hk + hk+1 ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎩ ⎧ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎨ (2h1 + h2 ) f [x0 . deriviranjem i uvrˇtavanjem xk s sk = p2. prethodna se formula moˇe napisati i kao z sk = f [xk−1 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 366 a zatim. h1 + h2 hk+1 f [xk−1 .n−1 (xn ) = f [xn−2 . x1 ] − h1 f [x1 . Za k = 0 pripadni polinom ima oblik p2. .n−1 (x) = fn−2 + f [xn−2 .

x0 ] + f [x1 . 3f [x0 . wn−1 = wn = wn+1 . ova slabija toˇnost je potpuno u skladu s osnovnim ciljem Akimine aproksimacije derivacija. x1 ] . xk ]| i w−1 = w0 = w1 . greˇka u derivaciji c c s je reda veliˇine samo O(h). kao i kod Besselove po dijelovima kvazihermitske interpolacije. Tipiˇan primjer je (pribliˇno) crtanje grafova funkcija. xn−1 ] . Akima je s 1970. iako je toˇnost ovih formula za aproksimaciju c c derivacije relativno slaba. Iako nije nuˇno da nacrtani graf c z . u kratkom vremenu. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 367 Postoji joˇ jedna varijanta aproksimacije derivacija “s imenom”. xn ] − f [xn−2 . ove formule se ne mogu odmah iskoristiti. x0 ]. x1 ] − f [x1 . 2 odnosno f [x−1 . moˇemo staviti z f [x0 . 2 wk+1f [xk−1 . c Medutim. x1 ] moˇemo s s z interpretirati kao sredinu dvije susjedne podijeljene razlike. x2 ] 2 i to je praktiˇna formula za s0 . 2 Akimin je algoritam dosta popularan u praksi i nalazi se u standardnim numeriˇkim paketima. Ostaje nam samo joˇ definirati ˇto je f [x−1 . Naime. 1. U mnogim primjenama. poput IMSL-a. xk+1 ] − f [xk−1 . gdje se iz nekog c c z relativno malog broja zadanih podataka (toˇaka) treba. . onda je greˇka reda veliˇine O(h2) za derivaciju. graf aproksimacijske funkcije ϕ. godine dao sljede´u aproksimaciju koja usrednjava podijeljene razlike. tj. pa makar i na uˇtrb z s toˇnosti. a O(h3 ) za c s c funkciju. Za k = 0 i k = n. bez dodatnih definicija. Na sliˇan naˇin. moˇemo dobiti i relaciju za sn c c c z s0 = sn = 3f [xn−1 . . tj. . wk+1 + wk−1 k = 0. dobiti c veliki broj toˇaka za crtanje vizuelno glatkog grafa. x0 ] + f [x0 . x2 ] .7. Podijeljenu razliku f [x0 . Op´enito. xk+1 ] . x0 ] = 2f [x0 . . xk ] + wk−1 f [xk . kra´enjem svih teˇina wk u formuli za k = 0 dobivamo da je c z s0 = f [x−1 . x1 ] = Odatle slijedi da je f [x−1 . za neekvidistantne toˇke. aproksimacijom ˇelimo dobiti gez ometrijski ili vizuelno poˇeljan. n. n − 1. s ciljem c da se sprijeˇe oscilacije interpolacijske funkcije ϕ: c sk = uz wk = |f [xk . x2 ]. a to znaˇi samo O(h2 ) za funkcijske vrijednosti. x1 ] − f [x1 . Ako c c su toˇke ekvidistantne.

. xk+1 i jednom od c toˇaka xk−2 ili xk+2 (opet se javlja nesimetriˇnost. . . c Sliˇno moˇemo interpretirati i Besselove formule. Takva se interpolacija zove (kubiˇna) splajn interc polacija. . Moˇemo li iz tih uvjeta jednoznaˇno izraˇunati splajn? Prisjetimo se. pa ´emo tamo dati precizniji opis i opravdanje numeriˇkog izgladivanja poc c dataka. .6. pa s jedne strane od xk uzimamo dvije. Ako bolje pogledamo Akimine formule za aproksimaciju derivacije. . .3. Kubiˇna splajn interpolacija c Brojeve s0 . . izraˇunate podijeljene razlike. b].7. ˇelimo “izgladiti” dobivene c z podatke za derivaciju. . da je klase C 2 [a. moˇemo zahtijevati da se sk biraju tako da funkcija ϕ bude joˇ glada — da joj je i druga derivacija neprekidna. sn moˇemo odrediti na joˇ jedan naˇin. tj. Ova ideja je vrlo bliska numeriˇkoj integraciji. Drugim rijeˇima. c 7. . . Vidimo da na sk utjeˇu toˇke c c xk−2 . usrednjavanje ide preko 5 susjednih toˇaka. jer integracija “izgladuje” c c funkciju. one se svode na teˇinsko usrednjavanje podijeljenih razlika preko nekoliko susjednih toˇaka z c s ciljem izgladivanja derivacije (pa onda i funkcije). xn−1 . xk+2 . tj. . Tamo usrednjavanje ide preko 3 c z susjedne toˇke. Primijetite da bolja aproksiz s macija derivacija nije potrebna. osim na rubovima. Uvjeta interpolacije (svaki polinom mora interc . za oko nevidljive greˇke sigurno moˇemo s s z tolerirati). c c c Toˇno koliko. c Aproksimacija derivacije mogla bi se napraviti joˇ i bolje. Nagibe s1 . xk−1 . ako povuˇemo ins c terpolacijski polinom stupnja 3 koji prolazi toˇkama xk . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 368 baˇ interpolira zadane podatke (jer male. Takvim postupkom moˇemo dobiti greˇku u funkcijskoj vrijednosti O(h4). . Problem izgladivanja poc dataka je klasiˇni problem numeriˇke analize. Umjesto da su skalari z s c c z sk neke aproksimacije derivacije funkcije f u ˇvorovima. . s tj. jer je greˇka kod po dijelovima Hermiteove kubiˇne s c 4 c interpolacije takoder reda veliˇine O(h ). sn−1 odredujemo iz uvjeta neprekidnosti druge derivacije u unuc tarnjim ˇvorovima x1 . t. c promjenom jedne toˇke promijenit ´e se samo nekoliko susjednih kubiˇnih polinoma. Kvazihermiteova po dijelovima kubiˇna interpolacija je takoder lokalna. c z Ostaje joˇ pitanje kako posti´i vizuelnu “glatko´u”? Oˇita heuristika je izbjes c c c gavanje naglih promjena u derivaciji. imamo z c c 4n koeficijenata kubiˇnih polinoma. ovisi o tome koju smo aproksimaciju derivacije izabrali. Jedan od najjednostavnijih i najbrˇih c c z pristupa je zamjena podatka srednjom vrijednoˇ´u podataka preko nekoliko susjedsc nih toˇaka. a s druge samo jednu toˇku) i c z njega deriviramo u xk (uz paˇljivo deriviranje na rubovima). interpolacija obiˇno daje najbrˇi algoritam. . jer za kubiˇni polinom trebamo c c c c 4 toˇke.

To nam omogu´ava da c c c sk -ove odredimo i na neki drugi naˇin.k (xk − xk−1 ) = c2. (7. ako je pk (x) = c0. xk ] − sk−1 = − hk c3.k sk + sk−1 − 2f [xk−1.3).k + 6c3.5). xk ] − sk−1 +2 hk hk f [xk . . xk ] . imamo ukupno 4n − 2 uvjeta. Odmah vidimo da nam nedostaju 2 uvjeta da bismo te koeficijente mogli odrediti. dobivamo s sk + sk−1 − 2f [xk−1 . pa je Drugim rijeˇima. onda je pk (x) = 2c2. prva derivacija se lijepi c u unutarnjim toˇkama ˇim postavimo zahtjev da je ϕ (xk ) = sk u tim toˇkama. Uvjeta ljepljenja prve derivacije u c unutarnjim toˇkama ima n − 1 jer je toliko unutarnjih toˇaka. to ostavimo za kasnije. k = 1. xk+1 ] = − . xk+1 ] − sk sk+1 + sk − 2f [xk .k + 6c3.k + c1.k (xk − xk−1 ) pk+1 (xk ) = 2c2.k+1 (x − xk ). tj. s c c Ako polinome pk piˇemo u formi (7. .5) Ostaje samo izraziti koeficijente ci. relativno obzirom na poˇetnu toˇku podintervala.k (x − xk−1 ) pk+1 (x) = 2c2.k .3. ostaje nam samo postaviti uvjete c ljepljenja druge derivacije u unutarnjim ˇvorovima. n − 1.k (x − xk−1 )3 . Za poˇetak. Zbog toga.k (x − xk−1 ) + c2. podijelimo li prethodne jednadˇbe s 2.3.k+1 . Dakle.3. hk Uvrˇtavanjem u (7. c c c bez obzira na to koliki je sk i ima li on znaˇenje aproksimacije derivacije (vidjeti c poˇetak odjeljka o po dijelovima kubiˇnoj interpolaciji). Kako se oni biraju. a jednako je toliko i c c uvjeta ljepljenja druge derivacije. a moramo odrediti 4n koeficijenata. .k u terminima fk i sk iz relacija koje su dobivene iz uvjeta ljepljenja prvih derivacija.k + 3c3. pk (xk ) = 2c2. hk+1 hk+1 . Zahtjev je c pk (xk ) = pk+1 (xk ).7.k (x − xk−1 )2 + c3.k = c2. . Ponovimo c3. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 369 polirati rubne toˇke svog podintervala) ima 2n. xk ] f [xk−1 . h2 k f [xk−1 . uvjet ljepljenja glasi c z c2.k+1.k+1 + 6c3.

sada sk nisu nezavisni. a z ˇlanove koji nemaju sk na desnu stranu.. . odnosno jedc nadˇbi koje nedostaju. . xk+1 ]). To znaˇi da c aproksimacija viˇe nije lokalna. moˇe se pokazati da su promjene lokalizirane s — najviˇe se promijene sk -ovi za k blizu k0 . k0 i k0 + 1). s Posljednje otvoreno pitanje je kako moˇemo izabrati s0 i sn . . .7. Ovo je linearni sustav s (n + 1)-om nepoznanicom i (n − 1)-om jednadˇbom. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 370 Sredivanjem dobivamo −3f [xk−1 . . s z Postoji nekoliko tradicionalnih naˇina zadavanja rubnih uvjeta. a promjene padaju prema rubovima... c Matrica tako dobivenog linearnog sustava je trodijagonalna ⎡ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎤ 2(h1 + h2 ) h3 h1 2(h2 + h3 ) . xk ] + hk f [xk . sn−1. xk+1 ] − 2sk − sk+1 = . tj. . jer se promjenom jedne funkcijeske vrijednosti s mijenjaju svi polinomi. Preciznije. . Ako z c na neki naˇin zadamo rubne nagibe s0 i sn . jer za svako k vrijedi 2(hk + hk+1 ) > hk + hk+1 . Prema tome ovaj linearni sustav sigurno ima jedins s z stveno rjeˇenje s1 . pa je i regularna (Gerˇgorin). svi skalari sk . n − 1. promjena jedne vrijednosti fk0 mijenja desne strane u 3 jednadˇbe (za k0 − 1. onda ostaje toˇno n − 1 nepoznanica. za k = 1. xk ] + sk−1 + 2sk 3f [xk . Primijetite. h2 . hn−2 2(hn−1 + hn ) hn−1 2(hn−2 + hn−1 ) hn ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ i strogo dijagonalno dominantna po retcima. Za rjeˇavanje moˇemo koristiti Gaussove eliminacije ili s LR faktorizaciju bez pivotiranja (vidjeti poglavlje o line arnim sustavima). . . Ipak. . . Oni se ne moraju z direktno zadati. hk hk+1 Pomnoˇimo li prethodnu relaciju s hk hk+1 i prebacimo li sve sk na lijevu stranu. nego ovise jedan o drugom. . ve´ se uobiˇajeno zadaju rubni uvjeti na funkciju ϕ iz kojih se c c odreduju s0 i sn ili se dodaju joˇ dvije jednadˇbe linearnog sustava (prva i zadnja). dobivamo c hk+1 sk−1 + 2(hk + hk+1 )sk + hk sk+1 = 3(hk+1f [xk−1 . z . ali se zbog toga promijeni cijeli vektor z z rjeˇenja sustava.

n hn . s1 te pn (xn ) pomo´u sn−1 i sn . Znamo s da je p (x0 ) f (x0 ) c2. f (xn ) = ϕ (xn ) = pn (xn ). APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 371 (a) Potpuni splajn — zadana prva derivacija u rubovima Ako je poznata derivacija funkcije f u rubovima. Sliˇno. ako je ϕ (x0 ) = ϕ (xn ) = 0 . onda je prirodno s c z zadati s0 = f (x0 ). 2 Tu jednadˇbu dodajemo kao zadnju u linearni sustav. 2 koju treba dodati kao prvu jednadˇbu linearnog sustava. x1 ] − h1 f (x0 ). (b) Zadana druga derivacija u rubovima Ako je poznata druga derivacija funkcije f u rubovima. sn = f (xn ). 2 2 pa iz izraza za c2.n i c3. xn ] + hn f (xn ). greˇka aproksimacije u funkcijskoj vrijednosti je O(h4). a to je. Ponovno. = h1 2 z Nakon sredivanja dobivamo jednadˇbu 2s0 + s1 = 3f [x0 . c c Ostaje joˇ samo izraziti p1 (x0 ) pomo´u s0 . tj.7. Greˇka aproksis 4 macije u funkcijskoj vrijednosti je O(h ). s s (c) Prirodni splajn — slobodni krajevi Ako zadamo tzv. te uvrˇtavanjem izraza za c2. Dobiveni linearni sustav ima z (n+1)-u jednadˇbu i isto toliko nepoznanica. Takav oblik splajna se katkad zove potpuni ili kompletni splajn. a moˇe se pokazati da ima i jedinstveno z z rjeˇenje. koriˇtenjem relacije z c s pn (xn ) = 2c2. x1 ] − 2s0 − s1 .n izlazi s sn−1 + 2sn = 3f [xn−1 .1 = 1 = . onda treba staviti f (x0 ) = ϕ (x0 ) = p1 (x0 ). slobodne krajeve.n + 6c3.1 izlazi f (x0 ) 3f [x0 . recimo sluˇaj kod c rjeˇavanja rubnih problema za obiˇnu diferencijalnu jednadˇbu.

a ako ih ima. xn . Parametre s0 i sn biramo tako da c su prva dva i posljednja dva kubiˇna polinoma jednaka. Prvo napiˇemo kubiˇni interpolacijski polinom koji s c prolazi toˇkama x0 . c c odnosno da se u ˇvoru xn−1 zalijepi se tre´a derivacija polinoma pn−1 i pn . Pridruˇimo li taj zahtjev zahtjevu ljepljenja druge derivacije. koju koristimo aproksimaciju za odgovaraju´u derivaciju funkcije. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 372 dobivamo prirodnu splajn interpolaciju. Bilo c koja od ovih varijanti daje pogreˇku reda O(h4 ). s Preostala dva parametra mogu se odrediti tako da numeriˇki aproksimiramo c ϕ ili ϕ ili ϕ u rubovima. Ako aproksimirana funkcija f nema na rubu druge derivacije jednake 0. jer ako dva kubiˇna polinoma u nekoj toˇki imaju s c c c istu funkcijsku vrijednost. sn−1 + 2sn = 3f [xn−1 . koristimo c c tzv. odnosno xn−3 . tj. s (e) Not-a-knot splajn Mogu´ je i drugaˇiji pristup. . x1 ]. . c Dakle.2 . ˇvoru x1 zalijepi (osim prve i druge) i tre´a derivacija polinoma p1 i p2 . Umjesto neke aproksimacije derivacije. z c2. onda je greˇka aproksimacije u funkcijskoj vrijednosti O(h2 ). Sliˇno vrijedi i za interval [xn−2 . . vrijednost prve.2 . c c Dakle. a zatim analitiˇki nademo ˇeljenu c c z derivaciju.7. pn−1 = pn . Te c c zahtjeve moˇemo pisati kao z p1 (x1 ) = p2 (x1 ).1 hk = c2. . Na isti naˇin kao u sluˇaju (b). druge i tre´e derivacije. c c Zahtjev p1 (x1 ) = p2 (x1 ) znaˇi da su vode´i koeficijenti polinoma p1 i p2 jednaki. dobivamo c c dvije dodatne jednadˇbe z 2s0 + s1 = 3f [x0 . c s (d) Numeriˇka aproksimacija derivacija na rubu c Ako niˇta ne znamo o ponaˇanju derivacije funkcije f na rubovima. xn ]. c c ˇ Cinjenicu da su prva dva.1 + 3c3. . . onda je (kao u s sluˇaju (b)) greˇka reda O(h4 ). pn−1 (xn−1 ) = pn (xn−1 ). x3 . . odnosno zadnja dva polinoma jednaka moˇemo izrazz iti i koriˇtenjem tre´e derivacije. xn ]. na “dvostrukom” intervalu [x0 . “not-a-knot” (prevedeno “nije ˇvor”) uvjet. x1 i x2 (u x2 se “lijepe” joˇ i prva i druga s derivacija na sljede´i polinom). bolje je s s ne zadavati njeno ponaˇanje. tj.1 = c3. x2 ] povlaˇimo samo jedan kubiˇni polinom p1 koji interpolira funkcijske vrijednosti u x0 . oni su jednaki. c3. da je c p1 = p2 . . .

onda je njihova tre´a derivacija ujedno i zadnja netrivijalna derivacija c c (sve viˇe derivacije su nula). x1 ] f [x1 . xn ] + h2 f [xn−2 . xn−1 ] n . x2 ] 1 h2 s0 + (h1 + h2 )s1 = . to ne znaˇi da ˇvorove x1 i xn−1 moˇemo izbaciti. u terminologiji teorije splajn funkcija.7. . Standardno. hn−1 + hn−2 Kao i dosad. tj. . jer se tre´e derivacije polinoma pk i pk+1 ne c c c moraju zalijepiti u xk . n − 1. xn−1 . . . x1 ] s1 + s0 − 2f [x0 . x2 ] − s1 +2 = − h2 . nisu “pravi” ˇvorovi splajna. s Objasnimo joˇ porijeklo naziva “not-a-knot” za ovaj tip odredivanja dodatnih s jednadˇbi. greˇka aproksimacije za funkcijske vrijednosti je O(h4 ). te toˇke ostaju ˇvorovi interpolacije. kubiˇni splajn je klase C 2 [a. funkcija ϕ ima neprekidne z c c druge derivacije u unutarnjim ˇvorovima x1 . Dakle. zadnja netrivijalna derivacija splajna puca u s unutarnjim ˇvorovima. x1 ] − s0 s1 + s0 − 2f [x0 . jer u njima i dalje c c z moraju biti zadovoljeni uvjeti interpolacije ϕ(x1 ) = f1 i ϕ(xn−1 ) = fn−1 . jer eventualne dodatne jednadˇbe z prirodno dodajemo sustavu kao prvu i zadnju. za k = 1. . U c tom smislu. pove´anje glatko´e splajna u (unutarnjem) ˇvoru smanjuje multiplicitet c c c tog ˇvora. jer u njima nema c pucanja derivacija (jednako kao i u svim ostalim toˇkama iz [a. b]. . iako nisu ˇvorovi splajna u smislu pucanja c c c derivacija. Tre´a derivacija funkcije ϕ c op´enito “puca” u tim ˇvorovima. c c Medutim. odgovara tome da svi c unutarnji ˇvorovi splajna imaju multiplicitet 1. Kad uzmemo u obzir da su svi polinomi pk kubiˇni. c s ˇ Cvorovi multipliciteta 0. naravno. (f) Ostali rubni uvjeti Svi dosad opisani naˇini zadavanja rubnih uvjeta “ˇuvaju” trodijagonalnu c c strukturu linearnog sustava za parametre sk . izlazi (h1 + 2(h1 + h2 ))h2 f [x0 . . h1 h1 h2 h2 1 Sredivanjem. h1 + h2 Na sliˇan naˇin dobivamo i zadnju jednadˇbu c c z (hn−1 + hn )sn−1 + hn−1 sn = (hn + 2(hn−1 + hn ))hn−1 f [xn−1 . Dakle. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 373 dobivamo f [x0 . x1 ] + h2 f [x1 . koja odgovara stupnju polinoma). c Ova ˇinjenica. b] koje nisu ˇvorovi). nego 0. . jer je multiplicitet ˇvora jednak c c broju zadnjih derivacija koje pucaju ili mogu pucati u tom ˇvoru (derivacije se c broje unatrag. poˇev od zadnje netrivijalne. c Prethodni zahtjev da se i zadnje netrivijalne derivacije splajna zalijepe u ˇvorovima x1 i xn−1 odgovara tome da njihov multiplicitet viˇe nije 1.

c c prirodno je postaviti tzv. .2 0. Dobiveni linearni sustav viˇe nije trodijagonalan.9510565163 0.5877852523 0. 5.9389262615 1.2. xk+1 ]). x5 ].9389262615 k = 1. 4.3. x1 ] s4 + 2s5 = 3f [x4 . Dodatne jednadˇbe (prva i zadnja) za prirodni splajn su z 2s0 + s1 = 3f [x0 . p1 (x0 ) = pn (xn ). . 1] s ˇvorovima interpolacije c c xk = 0. . periodiˇke rubne uvjete.7. c Nadite prirodni splajn koji aproksimira funkciju f na [0.0000000000 f [xk .2 Neka je f (x) = sin(πx). xk ] + hf [xk . Izraˇunajte vrijednost tog splajna u toˇki 0. Primjer 7.8 1. . dozvoljeno je i kombinirati razne oblike rubnih uvjeta u c jednom i drugom rubu.2k.8163563200 −2. . z Zadatak 7. .0000000000 −1.8163563200 0. jednadˇbe linearnog c c z sustava za splajn su hsk−1 + 4hsk + hsk+1 = 3(hf [xk−1 . . Budu´i da su toˇke ekvidistantne s razmakom h = 0. ˇto vodi na jednadˇbe s z p1 (x0 ) = pn (xn ). xk+1 ] 2. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 374 Za aproksimaciju periodiˇkih funkcija na intervalu koji odgovara periodu.55. ϕ (x0 ) = ϕ (xn ). .1 Pokuˇajte na´i jedan takav algoritam. U praksi se najˇeˇ´e koristi zahc c sc tjev periodiˇnosti prve i druge derivacije na rubovima c ϕ (x0 ) = ϕ (xn ). za k = 0. Da bismo oˇuvali periodiˇnost.3. c ovakvi oblici zadavanja rubnih uvjeta nisu pogodni.5877852523 0.0000000000 0.0 0.4 0. .6 0.0 fk 0. Za desnu stranu sustava trebamo izraˇunati prve podijeljene razlike c xk 0. Za njegovo rjeˇavanje postoje s s efikasni algoritmi (sloˇenost ostaje linearna u n). s c U sluˇaju potrebe.9510565163 0.

2 ⎢ ⎥ ⎢ 3⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣ 0.9874286861 0.4849622636 −0.8531695489 ⎦ 0.5392953786.0898137920 ⎥ 0. s c funkcija j=0 f (j) (0. Greˇka aproksimacije funkcije je reda veliˇine O(h4 ).8496226357 0.2 s0 1. kojeg nalazimo iz tablice podijeljenih razlika xk 0.9876883406 0.4) − 4. prvu i drugu derivaciju u toˇki 0.6]. iako je h relativno velik.0488479218 Vidimo da su aproksimacije vrlo toˇne. 0.55) greˇka s 0.7633557569 ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ 0.9510565163 0.6 fk 0.8531695489 ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ s2 ⎥ ⎢ ⎥ 0.2 0.6992452715 −0.6 0.8 0.8496226357 −4. s1 = −s4 = 2.4. kao i prirodni splajn. Pogledajmo joˇ aproksimacije za funkciju.8 0.9510565163 0.2 0.1387417029.55. prve derivacije s c 3 2 O(h ). restrikcija c c splajna na taj interval je polinom p3 .0064911026 druga derivacija j=2 −9.0000000000 −0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 375 Iz svih ovih podataka dobivamo linearni sustav ⎡ 0.8496226357(x − 0. tj.9699245271.2 0.7.4 −1.9510565163 f [1] [xk ] 0.9510565163 0.9510565163 + 0.4 0.2 0.0000000000 Odavde odmah slijedi da je taj kubiˇni polinom jednak c p3 (x) = 0. Budu´i da se toˇka x = 0. x3 ] = [0.4 0.9699245271 f [2] [xk ] f [3] [xk ] ⎤ ⎡ ⎤ ⎡ ⎤ −4. s2 = −s3 = 0.8 0.0898137920 ⎥ ⎢ ⎥ ⎢s ⎥ ⎢ −1.4 0.9699245271 0.8 0.2 ⎦ ⎣ s4 ⎦ ⎣ −2.55) ϕ(j) (0.2 ⎥ ⎢ s1 ⎥ ⎢ 2.2 0. . To je zato ˇto c s funkcija f (x) = sin(πx) zadovoljava prirodne rubne uvjete f (0) = f (1) = 0.0002596545 prva derivacija j=1 −0.7480931932 −9.2 ⎢ ⎥·⎢ ⎥ = ⎢ 1.4914533661 −0.9699245271(x − 0.7633557569 s5 Rjeˇenje tog linearnog sustava za “nagibe” sk je s s0 = −s5 = 3. p3 je zapravo kvadratni polinom. a druge derivacije O(h ).4)2 .55 nalazi u intervalu [x2 .

. tj. i neka je neka njegova subdivizija (podjela na podintervale) zadana mreˇom ˇvorova z c a = x0 < x1 < x2 < · · · < xN −1 < xN = b. zadavanjem derivacije. kao i u sluˇaju polinomne interpolacije. Interpolacija polinomnim splajnovima — za matematiˇare c Iskustvo s polinomnom interpolacijom ukazuje da polinomi imaju dobra lokalna svojstva aproksimacije. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 376 7. tj. Medutim. da vrijedi S2 (xi ) = fi . Dok je za linearni splajn oˇito mogu´e zahtijevati c c c najviˇe neprekidnost na cijelom segmentu od interesa (zahtijev za “lijepljenjem” s prve derivacije vodi na funkciju koja je globalno linearna). Takav specijalni izbor splajna c zove se interpolacijski polinomni splajn. . b] vezuje 2(N − 1) od tih parametara (neprekidnost S2 i S2 u N −1 unutraˇnjih ˇvorova x1 . . c z Name´e se prirodna ideja da izbjegavamo visoke stupnjeve polinoma. xN −1 ). U sljede´a dva odjeljka istraˇit ´emo konstrukciju i svojstva aproksimacije c z c linearnog i kubiˇnog splajna. imamo po 3 nepoznata parametra (koeficijenti polinoma stupnja 2) na svakom intervalu. itd.1) s Paraboliˇki splajn S2 mora biti polinom stupnja najviˇe 2 (parabola) na svakom c intervalu subdivizije. Zahtijevamo li da S2 bude interpolacijski. mogu´e je na´i dva kubiˇna c c c c splajna. .7. ili nekim dodatnim uvjetom na rubu cijelog s c intervala — recimo. c Koeficijente u nekoj reprezentaciji polinomnog splajna odredit ´emo iz uvjeta inc terpolacije. c Zahtijev da vrijedi S2 ∈ C 1 [a. i = 0. tj. ˇelimo saˇuvati ˇto je mogu´e z z c s c ve´u glatko´u takvog interpolanta. Po dijelovima polinomne funkcije koje zadovoljavaju zadane uvjete glatko´e zovemo polinomne splajn funkcije. Splajnovi parnog stupnja mogu biti problematiˇni. . (7. . tj. Ako je funkcija koju ˇelimo interpolirati glatka. Ukupno dakle treba na´i 3N slobodnih parametara. b]. jasno je da se taj parametar ne moˇe odrediti simetriˇno iz podataka. za kubiˇne je splajnove c 1 2 mogu´e zahtijevati pripadnost prostorima C ili C . ali da konc struiramo polinome niskog stupnja na nekoj subdiviziji segmenta od interesa. Zamislimo da je segment od interesa za interpolaciju [a. ostaje slobodan samo jedan parametar. da razmotrimo po dijelovima polinomnu interpolaciju.4. . Taj bismo parametar mogli odrediti dodavanjem joˇ jednog ˇvora interpolacije. N. . To nas vodi na zahtijev da za po dijelovima linec c arne aproksimacije zahtijevamo globalnu neprekidnost. ali da globalna uniformna pogreˇka moˇe biti vrlo ves z lika. Niti posebnim izborom ˇvorova interpolacije ne moˇemo ukloniti taj fenomen. za po dijelovima paraboliˇne c aproksimacije globalnu diferencijabilnost. kao ˇto pokazuje sljede´a c s c intuitivna diskusija. .4. To je problem i s ostalim splajn z c interpolantima parnog stupnja. Ostaju dakle N +2 slobodna s c parametra.

pa zbog neprekidnosti postoji ξ ∈ (a. . hi hi hi x ∈ [xi . i ˇto je potrebno za s s precizan matematiˇki dokaz. c z Ako je f (a) = f (b). z z 7. . N − 1. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 377 Zadatak 7. N.xi+1 ] 0≤i≤N −1 max |f (x ) − f (x )|. b] i α.4. . uz ξ = a. xi+1 ].xi+1 ] ∈ Pn (Pn je prostor polinoma stupnja n). uz ξ = b.x ∈[xi . c gdje je hi = xi+1 − xi . b] tako da vrijedi αf (a) + βf (b) = (α + β)f (ξ). razmotriti svojstva interpolacijskog liz s nearnog splajna obzirom na glatko´u funkcije koja se interpolira. Ako je prostor polinomnih splajnova S(n) stupnja n c definiran zahtjevima: (1) s ∈ S(n) =⇒ s|[xi. .1). c c z . tada postoji ξ ∈ [a. . .4. xN ]. β imaju isti znak. za i = 0. odnosno. Za precizno odredivanje reda konvergencije aproksimacija neprekidne funkcije f zgodno je uvesti oznake ωi (f ) = x .1. Tvrdnja vrijedi i ako je α = 0. na mreˇi ˇvorova — subdiviziji segmenta [a. b) tako da je ψ(ξ) = 0. . . Linearni splajn Najjednostavniji linearni interpolacijski splajn S1 odreden je uvjetom globalne neprekidnosti i uvjetom interpolacije S1 (xi ) = fi .1 Nadite ˇto je u gornjoj diskusiji neformalno. i dokaˇite da je dim S(n) = n + N. a ω(f ) je (oˇito) najve´a oscilacija po svim podintervalima mreˇe. xi+1 ]. N − 1. i = 0. pokaˇite da je S(n) vektorski prostor. i = 0. tada funkcija ψ(x) = αf (a) + βf (b) − (α + β)f (x) poprima suprotne predznake na krajevima intervala. c Lema 7. U dokazima ´emo koristiti jednu sporednu lemu. . Ako je f (a) = f (b) tvrdnja je oˇigledna. u raznim normama c koje se koriste za aproksimaciju. jer moˇemo uzeti ξ = a ili ξ = b. Oˇito imamo z c c S1 (x) = fi xi+1 − x x − xi x − xi + fi+1 = fi + (fi+1 − fi ). ω(f ) = max ωi (f ). b] zadanoj s (7.4. Dokaz. Vrijednost ωi (f ) zovemo oscilacija funkcije f na podintervalu [xi . β = 0.7. (2) s ∈ C n−1 [x0 .1 Ako je f ∈ C[a. . Algoritam za raˇunanje je trivijalan. pa moˇemo odmah ispitati pogreˇku. odnosno. .4.

ω(f ) sluˇi tome da napravimo finu s c z razliku izmedu ograniˇenosti i neprekidnosti funkcije f na nekom intervalu. b]. prva derivacija ne mora biti neprekidna na [a. pa ih c c c koristimo za ocjenu greˇke u sluˇaju da je f samo neprekidna. postoji. Iz iskustva polinomne interpolacije. kvaliteta c s ocjene mora ovisiti o svojstvima (glatko´i) funkcije koju aproksimiramo (interpolic ramo). APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 378 Uoˇite da glatko´a funkcije f nije potrebna u definiciji ovih veliˇina. uz ograniˇenost. x∈[a. Neprekidnost je. b]. b] (oznaka koju smo odavno koristili). jasno je da moramo iskoristiti lokalno ponaˇanje funkcije i splajn interpolacije na podintervalima mreˇe. kad je iz konteksta oˇito po kojoj varijabli se c derivira. koja. “profinjujemo” mreˇu c c z (barem uz neke blage uvjete). c c Naˇalost. s z Kako ´emo lokalnost dobro ugraditi u ocjenu greˇke? S jedne strane. oˇito. naravno. obiˇno. s Takoder. objasnimo odmah osnovnu ideju za uvodenje oznake ω(f ) i njezinu ulogu u ocjeni greˇke. zanimaju nas tzv.b] Ako je prva derivacija i integrabilna. zgodno je uvesti skra´enu oznaku D za operator s c deriviranja funkcije f jedne varijable. onda je f ∈ C 1 [a. Gornji inc ∞ deks 1 oznaˇava da je rijeˇ o prvoj derivaciji funkcije f . Neprekidna funkcija je. b]. dx Pokazuje se da je prvi oblik najpregledniji u zapisu nekih dugaˇkih formula. b] zahtijeva teoriju mjere i intec grala). postoji njezina ∞–norma c Df ∞ = sup |Df (x)|. Za dobic vanje korisnih ocjena. Jednostavno reˇeno. b]. da bi bila integrabilna. Za uniformnu konvergenciju. Drugim rijeˇima. Onda je prva derivacija Df i ograniˇena funkcija na [a.7. trebamo dobru globalnu mjeru lokalnog ponaˇanja funkcije. oˇito. uniformne ocjene s — u ∞–normi. Ako je Df i neprekidna. Naravno. lokalnost tu ne pomaˇe. treba promatrati c maksimalnu greˇku na cijelom intervalu. Dakle. s tim da uzimamo jednostrane derivacije (limese) u rubovima. tj. jer maksimum normi po podintervalima daje upz z ravo normu na cijelom intervalu. ˇim postoji derivacija u svakoj toˇki c c c segmenta. i ograniˇena i c . b]. to oznaˇavamo s f ∈ L1 [a. Jedan od rezultata koje ˇelimo dobiti ocjenom greˇke je uniformna konverz s gencija splajn interpolacije kad pove´avamo broj ˇvorova. ali ne i derivabilna s c funkcija. Za s ograniˇene (integrabilne) funkcije koristimo ∞–normu na [a. a donji indeks ∞ oznaˇava c c c 1 ograniˇenost (preciznija definicija prostora L∞ [a. kod ocjene greˇaka. jaˇe svojstvo. Isto vrijedi i za zadnju (najviˇu) neprekidnu derivaciju funkcije. uzmimo da je f derivabilna funkcija na [a. c c Za ilustraciju. tj. oˇito. c Da bismo olakˇali razumijevanje teorema o ocjenama greˇke splajn interpos s lacije koji slijede. Onda n-tu derivaciju funkcije f u toˇki x moˇemo pisati u bilo kojem od c z sljede´a tri oblika c dn D n f (x) = n f (x) = f (n) (x). pretpostavljamo joˇ i integrabilnost c c s funkcije.

b].7.1) greˇka je s E(x) := S1 (x) − f (x) = (1 − t)fi + tfi+1 − f (x). .4. b] N −1 i=0 L2 [xi . 1]. xi+1 ] ekvivalentno s t ∈ [0. tj. b] tada je ∞ S1 (x) − f (x) (3) ako je f ∈ C[a. Obzirom na svojstva glatko´e funkcije f vrijedi: c (1) ako je f ∈ C[a. odnosno razmak ˇvorova. Medutim. ≤ ¯ h Df 2 ∞. (7. xi+1 ] tada je ∞ S1 (x) − f (x) ∞ ≤ ¯ h2 D2f 8 ∞. ili je jedan od njih jednak nula. C 1 [xi . jer ukljuˇuje lokalno ponaˇanje po podintervalis c s ma — najve´a lokalna oscilacija moˇe biti mnogo manja od globalne oscilacije na c z cijelom intervalu! S druge strane.4. standardno se ocjez ¯ ne greˇke izraˇavaju upravo u terminima veliˇine h. Ako profinjavanjem mreˇe ˇelimo c z c z z dobiti konvergenciju. pa (1−t) i t imaju isti (pozitivni) c predznak. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 379 integrabilna. ω(f ) daje bitno precizniju uniformnu ocjenu greˇke od globalne norme. za neprekidne funkcije. Prema (7.2) Uoˇimo da je x ∈ [xi . xi+1 ] tada je S1 (x) − f (x) ∞ ≤ ¯ h ω(Df ). Neka je t := (x − xi )/hi . Dokaz. z Teorem 7. ocjena greˇke mora ukljuˇvati ovisnost o nekoj veliˇini koja s c c mjeri “gusto´u” mreˇe.1 (Uniformna ocjena pogreˇke linearnog splajna) s Neka je S1 (x) linearni interpolacijski splajn za funkciju f . maksimalni razmak susjednih ˇvorova c ¯ h := max hi 0≤i≤N −1 mora teˇiti prema nuli.4. b] tada je S1 (x) − f (x) (2) ako je f ∈ L1 [a. b] N −1 i=0 ∞ ∞ ≤ ω(f ). Da bismo izbjegli ovisnost o svim hi . koja se joˇ zove i dijametar s z c s mreˇe. odmah je jasno da to profinjavanje mora biti “ravnomjerno” u cijelom [a. 4 (4) ako je f ∈ C[a. xi+1 ]. x ∈ [xi .

2) dobijemo E(x) = t(1 − t) hi (Df (η) − Df (ξ)). onda prema Lemi 7. pa opet ocjenom parabole na desnoj strani dobijemo da vrijedi |E(x)| ≤ 1¯ h ω(Df ). ξ.2) dobijemo x xi+1 E(x) = −(1 − t) xi Df (v) dv + t x Df (v) dv i |E(x)| ≤ (1 − t) x xi+1 |Df (v)| dv + t xi x |Df (v)| dv. Prema Taylorovoj c z formuli s Lagrangeovim oblikom ostatka fi = f (x) − t hi Df (ξ). xi+1 ] takav da vrijedi E(x) = f (ξ) − f (x). dokazali smo da vrijedi |E(x)| ≤ 1¯ h Df 2 ∞.1 postoji ξ ∈ [xi . b] klase C 1 na svakom podintervalu mreˇe (eventualni z prekidi prve derivacije mogu biti samo u ˇvorovima mreˇe). xi+1 ]. odakle slijedi |E(x)| ≤ t(1 − t) hi ωi (Df ). 4 . Slijedi x xi+1 |E(x)| ≤ (1 − t) xi dv + t x dv Df ∞ = 2t(1 − t) hi Df ∞. Neka je sada f ∈ C[a. pa je |E(x)| ≤ ωi (f ) ≤ ω(f ).7. Supstitucijom u (7.4. b]. fi+1 = f (x) + x Df (v) dv. Kako parabola 2t(1 − t) ima maksimum 1/2 u t = 1/2. Ako je prva derivacija ograniˇena i integrabilna. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 380 Ako je f ∈ C[a.4. η ∈ [xi . fi+1 = f (x) + (1 − t) hi Df (η). Supstitucijom u (7.4. vrijedi c xi xi+1 fi = f (x) + x Df (v) dv.

4.4. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 381 Na kraju. tada vrijedi Taylorova formula s integralnim oblikom ostatka xi fi = f (x) − t hi Df (x) + x (xi − v) D 2f (v) dv xi+1 fi+1 = f (x) + (1 − t) hi Df (x) + x (xi+1 − v) D 2f (v) dv. da li smo zbog tehnike dokazic vanja napravili na nekom mjestu pregrubu ocjenu. da vrijedi: s c (3) DS1 (x) − Df (x) (4) DS1 (x) − Df (x) ∞ ∞ ≤ ω(Df ). da nije tako. tj. h3 . trebalo bi dopuniti ili c popraviti direktni teorem! Ocjena optimalnosti konstanti je neugodan problem. Odavde lako slijedi |E(x)| ≤ 1 2 hi t(1 − t) D 2 f 2 ∞ ≤ 1 ¯2 h D2f 8 ∞.1 moˇe ocijeniti z c z i greˇka u derivaciji. koji .1 pripadaju grupi teorema koji se nazivaju direktni teoremi teorije aproksimacija.4. Zadatak 7. primijetimo da se prirodno pojavljuju dva vaˇna pitanja.4. u sluˇaju linearnog splajna. ¯ h D2f ≤ 2 ∞. moˇemo li dobiti c c z sve bolje i bolje ocjene za greˇku. s c ocjene s h2 . ako f ima na svakom podintervalu ograniˇenu i integrabilnu drugu c derivaciju. Doista.7. pa iz formule (7. Teoremi poput teorema 7. toˇnije. na primjer. pa zapravo moˇemo dobiti bolji red konvergencije? Da li su i konz stante u ocjeni greˇke najbolje mogu´e? s c (2) Ako dalje pove´avamo glatko´u funkcije koja se interpolira.2 Dokaˇite da se u sluˇajevima (3) i (4) teorema 7. i tako redom? Teoremi koji se bave problematikom kao u (2) zovu se inverzni teoremi teorije aproksimacija. Iako u daljnjem ne´emo slijediti ovaj pristup c do krajnjih detalja. z (1) Da li su navedene ocjene najbolje mogu´e. U ve´ini sluˇajeva to su iskazi tipa “red aproksimacije naveden u c c direktnom teoremu je najbolji mogu´i”. iskoristili nedovoljno “finu” nejednakost.2) slijedi xi xi+1 2 E(x) = (1 − t) x (xi − v) D f (v) dv + t x (xi+1 − v) D 2f (v) dv.

xi+1 ]. i 2 Iz toga moˇemo zakljuˇiti da red aproksimacije derivacije u specijalno izabranim z c toˇkama moˇe biti i viˇi od optimalnog. pa je ocjena ujedno i najbolja mogu´a.3) . c z s 7. to je efekt superkonvergencije. za i = 0. ali red aproksimacije z ´e ostati h2 . . . t= x − xi . nedostaje mu “snage aproksimacije”. fi . b] koja zadovoljava (1) H(x) = ai0 + ai1 (x − xi ) + ai2 (x − xi )2 + ai3 (x − xi )3 . za i = 0.3 Pokaˇite da u sluˇaju (4) teorema 7. z Sliˇni su i tzv. tada vrijedi i = 0. za svaki x ∈ [xi .7. Hermiteov interpolacijski kubiˇni splajn je funkcija 1 H ∈ C [a. tj. . svi direktni teoremi koji c c slijede optimalni su u smislu postojanja odgovaraju´ih inverznih teorema i teorema c zasi´enja. Definicija 7. Koriste´i Hermiteovu bazu iz teorema 7. . Ako preskoˇimo paraboliˇke splajnove c c (v. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 382 za op´i stupanj splajna nije rijeˇen — treba konstruirati primjer funkcije na kojoj c s se dostiˇe konstanta iz direktnog teorema.2. . lagano vidimo da vrijedi H(x) = ϕ1 (t)fi + ϕ2 (t)fi+1 + ϕ3 (t)hi fi + ϕ4 (t)hi fi+1 . za linearni splajn moˇemo staviti da je f ∈ C ∞ [a. xi+1 ]. moˇemo razmatrati i c z Hermiteovu interpolaciju splajn funkcijama. . N.4.1 funkcija f (x) = x2 igra z c ulogu ekstremale. da vrijedi “=” umjesto “≤”. raniju diskusiju).1 Neka su u ˇvorovima a = x0 < x1 < · · · < xN = b zadane vric c jednosti fi . N − 1. .4.4. DH(xi ) = fi . N. .2. prvi je netrivijalni sluˇaj po dijelovima kubiˇnih splajnova s c c globalno neprekidnom derivacijom.4. Iako se u daljnjem ne´emo baviti op´im teoremima aproksimacije.4 na svakom podintervalu mreˇe c z [xi .4. xi+1 ]. c Zadatak 7. (2) H(xi ) = fi . b] DS xi + hi 2 N −1 i=0 C 3 [xi . Hermiteov kubiˇni splajn c Kao i u sluˇaju Hermiteove interpolacije polinomima. hi (7. .4. c Zadatak 7. b]. .4 Ako je f ∈ C[a. teoremi zasi´enja teorije aproksimacija. = Df xi + hi + O(h2 ). Sam prostor u kojem se aproksimira jednostavno ne moˇe toˇnije reproc z c ducirati funkciju koja se aproksimira. . koji pokuˇavaju c c s odgovoriti na drugo pitanje: moˇe li se bolje aproksimirati funkcija ako su pretz postavke na glatko´u jaˇe? I ovi teoremi su u principu negativnog karaktera — na c c primjer.

(7. hi fi+1 − fi − fi . . (7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 383 gdje je ϕ1 (t) = (1 − t)2 (1 + 2t). U tom smislu koristit ´emo sljede´i direktni c s c c c teorem. b] N −1 i=0 ∞ ∞ ≤ 3¯ h ω(Df ). 8 ≤ 1 ¯2 h D2f 16 ∞. xi+1 ] tada je ∞ ∞ H(x) − f (x) ≤ 1 ¯3 h D3f 96 ∞. b] tada je ∞ H(x) − f (x) (3) ako je f ∈ C 1 [a. xi+1 ] tada je ∞ H(x) − f (x) (4) ako je f ∈ C 1 [a. viˇe teorijska nego s praktiˇna. ovisno o glatko´i funkcije f . To je problem pribliˇne Hermiteove interpolacije. xi+1 ].4. kao ˇto ´emo vidjeti kasnije. Teorem 7. b] tada je H(x) − f (x) (2) ako je f ∈ L2 [a. Napomenimo joˇ samo da kod raˇunanja treba prvo izraˇunati koeficijente Ai i Bi s c c formulama fi+1 − fi + (fi + fi+1 ). . ϕ4 (t) = −t2 (1 − t). ϕ3 (t) = t(1 − t2 ). C 2 [xi . N − 1. vrijede c c sljede´e uniformne ocjene pogreˇke: c s (1) ako je f ∈ C 1 [a. Hermiteov splajn raˇunamo formulom c H(x) = fi + (thi ) [fi + t(Bi + tAi )]. . Za zadanu toˇku x ∈ [xi . ϕ2 (t) = t2 (3 − 2t). Bi = Ai + hi Ai = −2 za i = 0.5) Obzirom na ˇinjenicu da su nam derivacije fi najˇeˇ´e nepoznate.4. i tada ne moˇemo viˇe oˇekivati isti red z z s c konvergencije. 32 L3 [xi . medutim. preostaje c c sc nam samo da ih aproksimiramo iz zadanih vrijednosti funkcije. Vrijednost Hermiteove interpolacije je. b] N −1 i=0 ≤ 1 ¯2 h ω(D 2 f ). .2 Za Hermiteov kubiˇni splajn.4. .4) c i zapamtiti ih.7.

Zamjenom varijable v − xi = τ hi dobivamo E(x) = h2 ⎩ ψ1 (t. fi+1 zamijenimo njihovim Taylorovim razvojem oko toˇke x = xi + thi s c ostatkom u Lagrangeovom obliku. U daljnjem oznake ξ.4. pa dobijemo c c c ¯ E(x) = hi t(1 − t)(1 + 2t − 2t2 ) [Df (ξ) − Df (¯)]. . η. τ ) D 2 f (xi + τ hi ) dτ ⎭ . U svim sluˇajevima treba analizirati greˇku c s E(x) := H(x) − f (x) = fi ϕ1 (t) + fi+1 ϕ2 (t) + hi fi ϕ3 (t) + hi fi+1 ϕ4 (t) − f (x).6) gdje je ψ1 (t. . drugi i ˇetvrti). oznaˇavaju toˇke u [xi . ⎫ ⎬ (7. ali koriste´i Taylorovu formulu s integralnim oblikom ostatka. Dokaz. b] N −1 i=0 C 3 [xi . Odavde odmah slijedi tvrdnja (1). η odakle slijedi ocjena greˇke po toˇkama s c |E(x)| ≤ hi t(1 − t)(1 + 2t − 2t2 ) ωi(Df ). razvijemo opet fi . . Ako fi .1 moˇemo c c z grupirati ˇlanove istog znaka (prvi i tre´i. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 384 (5) ako je f ∈ C 1 [a. uzimanjem maksimuma polinoma u varijabli t. τ ) = (1 − t)2 [(1 + 2t)τ − t]. Ako f ima drugu derivaciju ograniˇenu i integrabilnu. ψ2 (t. fi .4. xi+1 ] tada je ∞ H(x) − f (x) (6) ako je f ∈ C 1 [a. fi+1 oko toˇke x. Prema Lemi 7. dobijemo E(x) = hi [(1 − t) ϕ2 (t) Df (ξ) − t ϕ1 (t) Df (η) + ϕ3 (t)fi + ϕ4 (t)fi+1 ]. 192 L4 [xi . b] N −1 i=0 ≤ 1 ¯3 h ω(D 3f ). τ ) D 2 f (xi + τ hi ) dτ + i 0 ⎧ t ⎨ 1 t ψ2 (t. . c c Nakon kra´eg raˇuna dobijemo integralnu reprezentaciju greˇke c c s x E(x) = xi (1 − t)2 [−thi + (1 + 2t)(v − xi )] D 2f (v) dv xi+1 + x t2 [−(1 − t)hi + (3 − 2t)(xi+1 − v)] D 2 f (v) dv. xi+1 ]. c fi+1 .7. xi+1 ] tada je ∞ ∞ H(x) − f (x) ≤ 1 ¯4 h D4f 384 ∞. τ ) = t2 [(3 − 2t)(1 − τ ) − (1 − t)].

τ ∗ ) ∪ [τ ∗ . 2 ψ1 (t. 2(1 + 2t) ψ2 (t. c a na svakom od podintervala ψ1 je konstantnog znaka. 2 (3 − 2t)(1 − τ ) ψ2 (t. Ocjena (2) proizlazi lagano iz iste ocjene greˇke po toˇkama. 32 i ˇto dokazuje ocjenu (3). . s s c Ako je f po dijelovima klase C 3 . τ ) D 3 f (xi + τ hi ) dτ + t ψ2 (t. jer ψ1 (t. sliˇno dobivamo c E(x) = h3 i gdje su sada (1 + 2t)τ . η 2(3 − 2t) Iz (7. τ ) = (1 − t)2 τ t − ⎧ t ⎨ ⎩ 0 1 ψ1 (t. 3 + 4t(1 − t) Maksimalna vrijednost desne strane postiˇe se za t = 1/2. t]. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 385 Ne moˇemo upotrijebiti teorem o srednjoj vrijednosti za integrale. τ ∗ ) = 0 za τ ∗ = t/(1 + 2t). pa teorem srednje vrijednosti za integrale moˇemo upotrijebiti po dijelovima.4. toˇnije ψ1 (t. t] = [0.1 na neprekidne funkcije istog znaka. τ ) D 3 f (xi + τ hi ) dτ ⎫ ⎬ ⎭ . odakle slijedi z |E(x)| ≤ 1 2 h ωi (D 2 f ).7.4. τ ) = t2 (1 − τ ) − (1 − t) + . [0. η Primijenimo li lemu 7. Medutim. z t τ∗ t ψ1 (t.6) dobivamo h2 t2 (1 − t)2 i E(x) = {4t2 (3 − 2t) D 2 f (η) − (3 − 2t) D 2f (ξ) 2[3 + 4t(1 − t)] ¯ + 4(1 − t2 )(1 + 2t) D 2 f (ξ) − (1 + 2t) D 2f (¯)}. τ ) D f (xi + τ hi ) dτ = D f (ξ) 0 2 0 2 2 2 ψ1 (t. τ ) dτ + D f (η) τ∗ 2 ψ1 (t. dobivamo ocjenu |E(x)| ≤ 2h2 t2 (1 − t)2 i ωi (D 2 f ). τ ) dτ = Analogno t t (1 − t) {4t2 D 2 f (η) − D 2 f (ξ)}. τ ) miz jenja znak. τ ) D 2 f (xi + τ hi ) dτ = 0 (1 − t)2 t2 ¯ {4(1 − t2 ) D 2f (ξ) − D 2 f (¯)}.

a osnovni eksponenti ef i “mjere” funkcije Mf ovise samo o klasi funkcije (ne i o r). a dokazuju se sliˇnom tehnikom. pa slijedi |E(x)| ≤ 2 3 t2 (1 − t)3 ωi (D 3 f ). 3}. Sliˇno slijedi i ocjena (4).5 Pokaˇite da za f ∈ C 1 [a. τ ) D 4 f (xi + τ hi ) dτ ⎭ . 2. t ∈ [0. r ∈ {0.4. DH(x) − Df (x) ∞ ≤ 216 1 ¯2 D 2 H(x) − D 2 f (x) ∞ ≤ h D4f ∞. 12 1¯ D 3 H(x) − D 3 f (x) ∞ ≤ h D 4 f ∞ . Zadatak 7.6 Pokuˇajte za prvih pet sluˇajeva (klasa glatko´e funkcije f ) iz teos c c rema 7. tj.7) Odavde se lagano dobije ocjena za E(x) ∞.4. xi+1 ] (sluˇaj (6) iz prethodz c ∞ i=0 nog teorema) vrijede sljede´e ocjene za derivacije: c √ 3 ¯3 h D4f ∞. 1. ocjene treba traˇiti u obliku c s z D r H(x) − D r f (x) ∞ ¯ ≤ Cr hef −r Mf . h 3 i (3 − 2t)2 ∞. 1]. Uvjerite c c se da ocjene imaju smisla samo za r ≤ ef . gdje su Cr konstante ovisne o r. 1/2]. k = 1. Prema proˇlom zadatku. tada je 1 ⎨ E(x) = h4 ⎩ 6 i gdje su ⎧ t 1 ψ1 (t. 3. za s Na kraju. c Maksimalna greˇka je u xi + hi /2. tj. τ ) = (1 − t)2 τ 2 [−3t + (1 + 2t)τ ]. (7. τ ) = t2 (1 − τ )2 [−3(1 − t) + (3 − 2t)(1 − τ )]. 2 Uputa: Treba derivirati integralnu reprezentaciju za E(x).4.2 izvesti sliˇne ocjene za one derivacije koje imaju smisla obzirom na c pretpostavljenu glatko´u. na´i integralnu reprec zentaciju za D k E(x).4. Odavde slijedi ocjena greˇke za E(x) s t = 1/2. dovoljno je razmatrati t ∈ [0. . Zadatak 7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 386 Zbog simetrije. b] N −1 L4 [xi . τ ) D 4 f (xi + τ hi ) dτ + 0 t ψ2 (t. pa se mogu “proˇitati” iz teorema (r = 0). ako f ima ograniˇenu i integrabilnu ˇetvrtu derivaciju na svakom c c podintervalu. t2 (1 − t)2 4 hi D 4 f |E(x)| ≤ 4! pa zakljuˇujemo da vrijedi c ∞. ψ2 (t.7. ⎫ ⎬ ψ1 (t. 2.

a c z i i 2 c tre´a s O(hi ). (a) U toˇkama x∗ := xi + hi /2 prva derivacija moˇe se aproksimirati s O(h4 ). vrijedi i √ 3 3 hi 5 2 2 x x x D H(¯) = D f (¯) ± D f (¯) + O(h4 ).7 (Superkonvergencija) Uz pretpostavke dodatne glatko´e funkcije c f . ali c ne i njezine derivacije. od aproksis c macije u raznim normama. Potpuni kubiˇni splajn c Zahtijevamo li neprekidnost druge derivacije od po dijelovima kubiˇnih funkc cija. toˇna etimologija rijeˇi c c c pomalo je zaboravljena. a I moment inercije presjeka ˇtapa oko c s s njegove osi. Od svih splajn funkcija. Toˇnije. Pretpostavimo li da je ˇtap izraden od homogenog materijala.4. “spline”) oznaˇava elastiˇnu letvicu koja se mogla z c c uˇvrstiti na rebra brodova kako bi se modelirao oblik oplate. koji se ˇesto c c joˇ zove i samo kubiˇni splajn. u posebno izbaranim toˇkama moˇe se dobiti i viˇi red aproksimacije pojedinih c z s derivacija funkcije f . godine. Toˇnije. c c s Srediˇnja linija s takvog ˇtapa (ona koja se ne deformira kod transverzalnog s s optere´enja) u linearnoj teoriji elastiˇnosti ima jednadˇbu c c z −D2 (EI D2 s(x)) = f (x). Ime “splajn” (eng. Takav splajn zovemo kubiˇni z c c c interpolacijski splajn. i 1920 h2 D 3 H(x∗ ) = D 3 f (x∗ ) + i D 4 f (x∗ ) + O(h3 ). Cilj nam je razmotriti algoritme za konstrukciju s c kubiˇnih splajnova koji interpoliraju zadane podatke — vrijednosti funkcije. i slijedi mehaniˇku definiciju elastiˇnog ˇtapa.3. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 387 Zadatak 7. oko 1700.4. kubiˇni interpolacijski splajn je vjerojatno najviˇe c s koriˇten i najbolje izuˇen u smislu aproksimacije i brojnih primjena. i 540 DH(x∗ ) = Df (x∗ ) − c Nadite uz koje pretpostavke dodatne glatko´e funkcije f vrijede ove tvrdnje i ocjene. i da ne s . z 7. vrijedi c h4 i D 4 f (x∗ ) + O(h5 ). do rjeˇavanja rubnih problema za obiˇne diferencijalne s c jednadˇbe. dolazimo prirodno na definiciju potpunog kubiˇnog splajna. jer traˇimo ve´u glatko´u. i 40 √ z (b) U toˇkama xi := xi + (3 ± 3)hi /6 druga derivacija moˇe se aproksimirati s c ¯ c O(h3 ).7. gdje je E Youngov modul elastiˇnosti ˇtapa. U matematiˇkom smislu pojavljuje se prvi put u radovima c Eulera. i dokaˇte ih.

U praksi se najˇeˇ´e koriste sljede´i rubni uvjeti: c sc c (R1) (R2) (R3) (R4) DS3 (a) = Df (a). c (7. D 2 S3 (a) = D 2 S3 (b). uz c uvjet da sama funkcija zadovoljava prirodne rubne uvjete. N. Dodatni uvjeti obiˇno se zadaju u rubovima intervala. Preostaje dakle odrediti 4N − 3(N − 1) − (N + 1) = 2 dodatna koeficijenta. D 2 S3 (a) = D 2 f (a). . . Potpuni interpolacijski kubiˇni splajn je funkcija c 2 S3 ∈ C [a. (periodiˇki rubni uvjeti). na podinz s c c tervalima [xi . 2 2 D S3 (b) = D f (b). za i = 0. . U odsustvu vanjske sile (f = 0). Izmedu oslonaca.7. DS3 (b) = Df (b). a uvjeti interpos c z lacije N + 1 koeficijenata. Dakle. ali u toˇkama xi imamo prekid tre´e derivacije.8) Tradicionalno se naziv potpuni splajn koristi za splajn oderden rubnim uvjetima (R1) interpolacije prve derivacije u rubovima. c c c Ako je letvica uˇvrˇ´ena u osloncima s koordinatama xi . gdje je f vanjska sila po jedinici duljine. Njega moˇemo smatrati specijalnim z sluˇajem rubnih uvjeta (R3) interpolacije druge derivacije u rubovima. srediˇnja s linija s elastiˇne letvice je dakle kubiˇni polinom. N. srediˇnja linija je i dalje kubiˇni polinom. . DS3 (a) = DS3 (b). Uvjeti glatko´e (funkcija. Splajn odreden prirodnim rubnim uvjetima (R2) zove se prirodni splajn. . 2 D S3 (b) = 0. . i = 0. Definicija 7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 388 mijenja popreˇni presjek (E i I su konstante). (prirodni rubni uvjeti). prva i druga c derivacija u unutraˇnjim ˇvorovima) veˇu 3(N − 1) koeficijenata. tre´a c sc derivacija u tim toˇkama ima diskontinuitet (ova ˇinjenica je posljedica zakona c c odrˇanja momenta. a druga c c derivacija s je globalno neprekidna. dolazimo na jednadˇbu c z −D 4 s = f. c . . xi+1 ]. (potpuni rubni uvjeti). i trebalo bi ju posebno izvesti). . D 2 S3 (a) = 0. xi+1 ]. b] (tada je f0 = fN i f zadovoljava c periodiˇke rubne uvjete). . . za i = 0.4. . splajn odreden periodiˇkim rubnim uvjetima (R4) zove se periodiˇki splajn. . b] koja zadovoljava uvjete (1) S3 (x) = ai0 + ai1 (x − xi ) + ai2 (x − xi )2 + ai3 (x − xi )3 .4. ukupno imamo 4N koeficijenata koje treba odrediti. a koristi se za inc c terpolaciju periodiˇkih funkcija f s periodom [a. naravno. za svaki x ∈ [xi .2 Neka su u ˇvorovima a = x0 < x1 < · · · < xN = b zadane c vrijednosti fi . Na kraju. stoga c naziv rubni uvjeti. s je po dijelovima kubiˇni polinom. (2) S3 (xi ) = fi . N. Kako se S3 na svakom od N podintervala odreduje s 4 koeficijenta.

za nepoznate parametre uzimamo vrijednosti druge derivacije splajna u ˇvorovima. N − 1. . s c Prvi algoritam dobivamo primijenom Hermiteove interpolacije. (R2) i (R3) dobivamo linearni sustav oblika 2m0 + µ∗ m1 = c∗ . . gdje su fi zadani. Drugim rijeˇima. 2 hi hi hi fi+1 − fi 4mi 2mi+1 − − . moˇemo napisati u obliku λi mi−1 + 2mi + µi mi+1 = ci . hi hi−1 (7. . za i = 0. . a za ocjenu greˇke trebamo i jednog i drugog. a mi nepoznati.4. prema (7. . za x ∈ [xi . (7.11) .4. . uvjetima (7. . ali ne zadajemo derivacije. h2 hi hi i fi − fi−1 2mi−1 4mi + + . . Uz standardne oznake iz prethodnog odjeljka. b]. . za i = 0. . . . . . N. za i = 0. Tradicionalna oznaka za te parametre c je mi := DS3 (xi ). z s Za rubne uvjete (R1). koriste´i globalnu neprekidnost c c D 2 S3 . traˇimo da S3 zadovoljava uvjete interpolacije S3 (xi ) = fi . (7. λ∗ mN −1 + 2mN = c∗ .7. Parametre mi . mi+1 moramo odrediti tako s c c da je druga derivacija D 2 S3 neprekidna u unutraˇnjim ˇvorovima. . N − 1.10) treba dodati joˇ neke rubne uvjete. . za i = 1. Napomenimo odmah da se ta dva algoritma dosta ravnopravno koriste u praksi. s Dobili smo N − 1 jednadˇbi za N + 1 nepoznanica mi .4. . N. U drugom.3). Budu´i da je D 2 S3 (x) = slijedi D 2 S3 (xi + 0) = 6 fi+1 − fi mi mi+1 (6 − 12t) + (−4 + 6t) + (−2 + 6t).4. xi+1 ]. . N − 1. uz tradicionalnu oznaku Mi := D 2 S3 (xi ). N. ve´ nepoznate derivacije mi ostavljamo kao parametre. c z DS3 (xi ) = mi . S3 moˇemo na svakom podintervalu z napisati u obliku S3 (x) = fi (1 − t)2 (1 + 2t) + fi+1 t2 (3 − 2t) + mi hi t(1 − t)2 − mi+1 hi t2 (1 − t). 2 hi−1 hi−1 hi−1 ci = 3 µ i fi+1 − fi fi − fi−1 + λi . . .9) gdje je t = (x − xi )/hi . N N i = 1. i = 1. . 0 0 λi mi−1 + 2mi + µi mi+1 = ci .10) D 2 S3 (xi − 0) = −6 Uz oznake µi = hi−1 . pa ´emo napraviti oba izvoda. . koje treba odrediti c tako da se postigne globalna pripadnost splajna klasi C 2 [a. Naravno. za nepoznate parametre koje treba odrediti uzimamo vric jednosti prve derivacije splajna u ˇvorovima. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 389 Algoritam za konstrukciju interpolacijskog kubiˇnog splajna moˇemo izvesti c z na dva naˇina. pa nam fale joˇ dvije jedz nadˇbe. z uvjete neprekidnosti D 2 S3 u xi . hi−1 + hi λi = 1 − µ i . .4. U prvom.

Za rubne uvjete 0 0 N N (R1) imamo µ∗ = λ∗ = 0. hN −1 2 Prirodni rubni uvjeti (R2) su specijalni sluˇaj (R3). λ∗ i c∗ odreduju se ovisno o rubnim uvjetima.4. c moˇemo na periodiˇki naˇin produljiti mreˇu. Da bismo zapisali uvjet periodiˇnosti druge derivacije. 0 N 0 N a za rubne uvjete (R3) µ∗ = λ∗ = 1. dobivamo sustav od samo N jednadˇbi z 2m1 + µ1 m2 + λ1 mN = c1 . U svim navedenim sluˇajevima lako se vidi da je matrica linearnog sustava c strogo dijagonalno dominantna. c c Ako je f periodiˇka funkcija. h0 2 c∗ = 3 N fN − fN −1 hN −1 2 + D f (b). onda je f0 = fN i m0 = mN (periodiˇki rubni c uvjet na prvu derivaciju). c∗ = 2Df (a). Kad iskoristimo sve pretpostavke z f0 = fN .10) za i = N. c∗ = 2Df (b). mN +1 = m1 .11) ili (7.12). tj. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 390 Koeficijenti µ∗ . tj.3 Postoji jedinstveni interpolacijski kubiˇni splajn koji zadovoljava jec dan od rubnih uvjeta (R1)–(R4).4. Naime.4. a zbroj izvandijagonalnih elemenata je najviˇe λi + µi = 1. i = 2. c∗ . . uz D 2 f (a) = D 2 f (b) = 0. c z Ostaje odgovoriti na oˇito pitanje: da li dobiveni linearni sustavi imaju jedinc stveno rjeˇenje. ˇto povlaˇi regularnost. Zbog pretpostavke periodiˇnosti. µN m1 + λN mN −1 + 2mN = cN .4.4.5) izraˇunaj S3 (x). fN +1 = f1 . 0 N c∗ = 3 0 f1 − f0 h0 2 − D f (a). s ∗ ∗ (uz dogovor λN = λN i µ0 = µ0 ). s Teorem 7.1 (Interpolacijski kubiˇni splajn) c (1) Rijeˇi linearni sustav (7. hN = h0 . Na taj naˇin. . Algoritam 7. z c c z s c c ali tako da je xN +1 − xN = x1 = x0 . .12) c Uoˇite da smo jednadˇbu m0 = mN ve´ iskoristili za eliminaciju nepoznanice m0 . c . . uvjet periodiˇnosti druge c c derivacije postaje ekvivalentan uvjetu neprekidnosti druge derivacije u toˇki xN .4.7. s (2) Binarnim pretraˇivanjem nadi indeks i tako da vijedi x ∈ [xi . (7. c jednadˇbi oblika (7. moramo staviti fN +1 = f1 i mN +1 = m1 .4. λi mi−1 + 2mi + µi mi+1 = ci . m0 = mN . xi+1 ). z (3) Hornerovom shemom (7. svi dijagonalni s c elementi su jednaki 2. N − 1. tako da dodamo joˇ jedan ˇvor xN +1 . Dokaz. hN = h0 .

Odavde lako izlazi DS3 (x) = fi+1 − fi hi − [Mi (2 − 6t + 3t2 ) + Mi+1 (1 − 3t2 )]. . kao nepoznanice javljaju c Mi := D 2 S(xi ). . xi+1 ].8 Kolika je toˇno uˇteda u broju aritmetiˇkih operacija potrebnih za c s c raˇunanje S3 (x) pri prijelazu na PP–reprezentaciju? Joˇ “brˇi” oblik reprezentacije c s z je standardni kubni polinom S3 (x) = bi0 + bi1 x + bi2 x2 + bi3 x3 . tj. D 2 S3 (xi+1 ) = Mi+1 . definiciju 7. D 3 S3 (x) = . S3 (xi+1 ) = fi+1 .4. u svrhu brze reprodukcije grafa c c splajna). Ovaj sustav jednadˇbi ima jedinstveno rjeˇenje (dokaˇite to). Zbog popularnosti i ˇeste implementacije izvedimo c ukratko i ovu reprezentaciju. Dobivamo oblik s S3 (x) = fi (1 − t) + fi+1 t − h2 i t(1 − t) [Mi (2 − t) + Mi+1 (1 + t)]. c Za raˇunanje vrijednosti S3 (x) obiˇno se koriste formule (7.4. N − 1. . D 2 S3 (xi ) = Mi . ili skra´eno c PP–reprezentacija. Medutim. na´i vezu izmedu definicionog z c oblika splajna (v. hi D 2 S3 (x) = Mi (1 − t) + Mi+1 t. hi 6 Mi+1 − Mi .4)–(7. . u kojoj se.5).4)–(7. moˇemo napisati algoritam konverzije. xi+1 ] i i = 0. 6 gdje je opet t = (x − xi )/hi . c c Na svakom podintervalu [xi .1 sastoji od LR faktorizacije matrice. za x ∈ [xi .4. Njega ne treba koristiti. xi+1 ] kubiˇni splajn S3 je kubiˇni polinom kojeg odredujemo iz uvjeta interpolacije funkcije i druge derivacije u rubovima S3 (xi ) = fi . umjesto mi . .4. za i = 0.7. obzis rom na specijalnu vrpˇastu strukturu matrice.5). Ako c c je potrebno raˇunati splajn u mnogo toˇaka (recimo. Definiciona reprezentacija splajna kao kubiˇne funkcije na svakom podintervalu subdic vizije zove se ponekad i po dijelovima polinomna reprezentacija. . Zadatak 7. N.4. ako S3 (x) na [xi . matrica ne ovisi o vrijedc nostima funkcije koja se interpolira. pa se korak (1) u Algoritmu 7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 391 Primijetimo da je za rjeˇavanje sustava potrebno samo O(N) operacija. Takoder. odakle onda moˇemo z s z z izraˇunati koeficijente kubnog polinoma.2) i oblika danog formulama (7. . za svaki x ∈ [xi . . Odmah se vidi da traˇena korekcija z ima oblik linearne interpolacije druge derivacije puta neki kvadratni faktor koji se poniˇtava u rubovima.4.4. u nekim sluˇajevima ugodnija je druga reprezentacija s c c interpolacijskog kubiˇnog splajna. traˇenu reprezentaciju moˇemo c z z s jednostavno i “pogoditi”. Zaˇto? s Kao ˇto smo ve´ rekli. xi+1 ] napiˇemo kao linearnu interpolaciju funkcijskih vrijednosti plus neka korekcija. koju treba izraˇunati samo jednom.

8). Ocjena greˇke za potpuni kubiˇni splajn je teˇi problem nego za Hermiteov s c z kubiˇni splajn. Zadatak 7. .5) za algoritam 7. i pokaˇite da je s c z z matrica sustava strogo dijagonalno dominantna. 3.4. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 392 Interpolacija druge derivacije u ˇvorovima ne garantira da je i prva derivacija nec prekidna. hi hi−1 (7. . r = 0.4 Neka je S3 interpolacijski kubiˇni splajn za funkciju f koji zadovoc ljava jedan od rubnih uvjeta (R1)–(R4) u (7.4. gdje su Cr konstante (ovisne o r). 2. s tim ˇto treba primijeniti malo drugaˇiju Hornerovu shemu (ekvivalent s c formula (7. Na kraju. 1.4. . Kako je fi+1 − fi hi − (2Mi + Mi+1 ).4.1): S3 (x) = fi + t {(fi+1 − fi ) − (xi+1 − x) [(xi+1 − x + hi )Mi + (hi + x − xi )Mi+1 ]}.4. primijetimo da je algoritam za raˇunanje vrijednosti S3 (x) vrlo sliˇan c c ranijem.4. gdje je.9 Napiˇite nedostaju´e jednadˇbe za rubne uvjete. hi 6 fi − fi−1 hi−1 (Mi−1 + 2Mi ). Teorem 7.13) za i = 1. Tada vrijedi D r S3 (x) − D r f (x) ∞ ¯ ≤ Cr hef −r Mf . µi = hi−1 /(hi−1 + hi ) i λi = 1 − µi . To treba dodatno zahtijevati. gdje je Mi := Mi /6.4)–(7. DS3 (xi − 0) = + hi−1 6 DS3 (xi + 0) = iz uvjeta neprekidnosti prve derivacije u unutraˇnjim ˇvorovima dobivamo N − 1 s c jednadˇbi traˇenog linearnog sustava z z µi Mi−1 + 2Mi + λi Mi = 6 hi−1 + hi fi+1 − fi fi − fi−1 − .7. . kao i prije. budu´i da su koeficijenti zadani implicitno kao rjeˇenje jednog linec c s arnog sustava.4. ef osnovni eksponenti i Mf “mjere” funkcije (ef . N − 1.

u zadz z c njem redu tablice.4 (preostale pokaˇajte dokazati z s sami). b] ili f ∈ L∞ [a. na primjer. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 393 i Mf ovise samo o klasi funkcije. (7. Dokaˇimo neke od ocjena u teoremu 7. Napomenimo.86229 2 3 4 27 2 27 1 24 C2 C3 ω(D 2f ) D f C [xi . Oba interpolacijska splajna S(x) i H(x) moˇemo reprezentirati preko Hermiteove z baze na svakom intervalu [xi . b] s tim da je maxi hi mini hi mjera “neuniformnosti” mreˇe (u zadnjem stupcu tablice). xi+1 ] (v.7. 2 i Mf ω(Df ) D2f ∞ ef 1 2 2 3 3 4 C0 9 8 13 48 19 96 41 864 41 1728 5 384 C1 4 0. b] C 2 [a.4. koji podrazumijeva najve´u glatko´u. takoder.4. c Dokaz.9).4. z β := Mjesta u tablici koja nisu popunjena znaˇe da ne postoje odgovaraju´e ocjec c s s z ne. (7. f ∈ C[a. b] L3 [a. xi+1 ] L4 [xi . b] nisu navedene. ne i o r). Tada greˇku moˇemo napisati kao c s z E(x) := S(x) − f (x) = [H(x) − f (x)] + [S(x) − H(x)]. iako se c mogu izvesti (dokaz nije trivijalan). b] ∞ C [a. sve su konstante najbolje c c mogu´e). Osim toga. Neka je H Hermitski interpolacijski kubiˇni splajn i S := S3 interpolacijski c kubiˇni splajn. b] ∞ C 2 [a. xi+1 ] ∞ 3 3 3 ∞ 4 √ 1 4 3 + 2 9 √ 1 2 3 + 2 9 3 8 ω(D f ) D4f ∞ i √ 4 3 β 1+ 9 1 1 +β 2 β .3)). nije poznato da li su sve konstante optimalne. dani sljede´om tablicom: c Klasa funkcije C 1 [a. da rijetko koriˇtene ocjene koje odgovaraju joˇ niˇoj 1 glatko´i funkcije f . pa oduzimanjem tih reprezentacija slijedi S(x) − f (x) = [H(x) − f (x)] + hi [t(1 − t)2 (mi − Df (xi )) − (1 − t)t2 (mi+1 − Df (xi+1 ))]. b] L2 [a. iako se to moˇe pokazati u nekim vaˇnim sluˇajevima (na primjer.

4.4. Ostaje dakle ocijeniti drugi c c ˇlan na desnoj strani u (7.17).7. vidimo da preostaje ocijeniti maxi |mi − Df (xi )| i maxi |Mi − D 2 f (xi )|.4. c Za drugu derivaciju znamo da je D 2 S(x) = Mi (1 − t) + Mi+1 t. pa je stoga |DS(x) − Df (x)| ≤ |DH(x) − Df (x)| + [(1 − t)|1 − 3t| + t|2 − 3t|] max |mi − Df (xi )|. moˇemo ju i ovako ocijeniti |D 2 S(x) − D 2 f (x)| ≤ |S1 (x) − D 2 f (x)| + max |Mi − D 2 f (xi )|.4.17) mini hi i Ako pogledamo nejednakosti (7. i (7. (7.4. s Ali. Ove ocjene.4. (7.15) Ocjene za |H(x) − f (x)| izveli smo u teoremu 7.16) i (7. ovise o klasi funkcija.15).4.14) Za derivaciju imamo DS(x) − Df (x) = [DH(x) − Df (x)] + [(1 − t)(1 − 3t) (mi − Df (xi )) − t(2 − 3t) (mi+1 − Df (xi+1 ))].4. a ocjene za |DH(x) − Df (x)| mogu se izvesti na sliˇan naˇin (v.5 i 7.4.6).4. i (7.4.14) i (7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 394 Odavde je |S(x) − f (x)| ≤ |H(x) − f (x)| + hi t(1 − t) max |mi − Df (xi)|.4. (7. kao i sve druge.4.16) Sliˇno je i za tre´u derivaciju c c |D 3 S(x) − D 3 f (x)| ≤ |DS1 (x) − D 3 f (x)| + 2 max |Mi − D 2 f (xi )|.14).4.1). zadatke 7. pa zakljuˇujemo da je c D 2 S(x) − D 2 f (x) = (1 − t) (Mi − D 2 f (xi )) + t (Mi+1 − D 2 f (xi+1 ) + (1 − t) D 2 f (xi ) + t D2 f (xi+1 ) − D 2 f (x). kako je (1−t)D 2 f (xi )+tD2 f (xi+1 )−D 2 f (x) pogreˇka kod interpolacije funkcije 2 z D f linearnim splajnom S1 (teorem 7. i (7. i .4.15). Tvrdimo da vrijedi max |mi − Df (xi )| ≤ qf .

xi+1 ] L4 [xi . . xi+1 ] ∞ i Da dokaˇemo ovu tablicu. b] L3 [a. iz q = A−1 c slijedi ˜ |qi | ≤ q ∞ ≤ A−1 ∞ c ˜ ∞ = max |˜i|. . b] ∞ C 2 [a. b] i qf 3 ω(Df ) 5¯ h D2f ∞ 6 2¯ h ω(D 2f ) 3 4 ¯2 h D3f ∞ 27 2 ¯2 h ω(D 3 f ) 27 1 ¯3 h D4f ∞ 24 C 3 [xi . ili q = A−1 c. Sada nije teˇko ocijeniti A ∞ A=2 I+ 1 B 2 =⇒ A−1 ∞ ≤ 1 1 B 1− 2 2 −1 ∞ ≤ 1.4. b] ∞ C 2 [a. pretpostavimo rubne uvjete (R1) na derivaciju. zapiˇimo ovaj sustav u matriˇnom obliku Aq = c. gdje je B matrica koja sadrˇi samo izvandijagonalne z elemente λi i µi . da bismo dokazali ocjene iz tablice za qf . slijedi B ∞ ≤ 1. qN = 0. gdje su desne strane ci = 3µi ˜ fi+1 − fi fi − fi−1 + 3λi hi hi−1 − λi Df (xi−1 ) − 2Df (xi ) − µi Df (xi+1 ).7. (7. N − 1. Na kraju.4. Uvez demo li u linearnom sustavu (7. osim z −1 s prve i zadnje). Zbog λi + µi ≤ 1 (jednakost vrijedi u svim jednadˇbama. .18) s c ˜ ˜ Da bismo ocijenili |qi |. Vidimo odmah da je A = 2I+B. λi qi−1 + 2qi + µi qi+1 = ci . dobijemo sustav q0 = 0.11) nove nepoznanice qi := mi − Df (xi ). c . dovoljno je ocijeniti |˜i |. b] L2 [a. c i c Drugim rijeˇima. b] C 2 [a. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 395 gdje je qf dan sljede´om tablicom za 6 karakteristiˇnih klasa funkcija: c c Klasa funkcije C 1 [a. ˜ i = 1. .

18) za ci . xi+1 ].i+1) − Df (xi )]. pa je c ˜ ci = 3µi Df (ξi. Df (xi+1 ) u Taylorov red oko xi . fi+1 . U tom sluˇaju c c imamo dakle ci = 3µi Df (xi) + ˜ hi 2 h2 D f (xi ) + i D 3 f (xi + 0) 2 6 1 + 6hi + 3λi Df (xi ) − xi+1 (xi+1 − v)3 D 4 f (v) dv xi h2 hi−1 2 D f (xi ) + i−1 D 3 f (xi − 0) 2 6 1 − 6hi−1 xi−1 (xi−1 − v)3 D 4 f (v) dv xi − µi Df (xi ) + hi D 2 f (xi ) + h2 3 i D f (xi + 0) 2 1 + 2 xi+1 (xi+1 − v)2 D 4 f (v) dv xi − 2Df (xi ) − λi Df (xi ) − hi−1 D 2 f (xi ) + h2 i−1 D 3 f (xi − 0) 2 1 + 2 xi−1 (xi−1 − v)2 D 4 f (v) dv . c ˜ z Ako je f ∈ C 2 [a.i) − Df (xi−1 )] + 2λi [Df (ξi−1. c ˇime smo dokazali prvu ocjenu u tablici za qf .18) za ci moˇemo razviti fi−1 .i+1) − Df (xi+1 )] + 2µi [Df (ξi. b] i L4 [xi .i) − Df (xi )] + µi [Df (ξi.4. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 396 Pretpostavimo da je f ∈ C 1 [a. xi . odakle slijedi |˜i | ≤ 3(λi + µi ) ω(Df ) = 3 ω(Df ). ∞ Df (xi−1 ).i+1) + 3λi Df (ξi−1. u izrazu (7. b] i iskoristimo Lagrangeov teorem o srednjoj vrijednosti za prva dva ˇlana u izrazu (7.7.i) − λi Df (xi−1 ) − 2Df (xi ) − µi Df (xi+1 ) ˜ = λi [Df (ξi−1. Tada je λi + µi = 1.4. koriste´i integralni oblik ostatka. c Napomenimo da nam nije potrebna neprekidnost tre´e derivacije.

dobivamo slabije ocjene.1. dokazuju se i ostale ocjene u tablici. hi−1 Zamijenimo li varijable supstitucijom τ hi := v − xi u prvom integralu. τ hi−1 := v − xi−1 u drugom integralu. U protivnom. i i−1 Uvrˇtavanjem µi . To. vrijedi samo uz pretpostavku da funkcija f zadovoljava iste rubne uvjete kao i splajn. teorema o srednjoj vrijednosti i leme 7.4.4. (R2) ili (R4)). D 3 f (xi + 0) i D 3 f (xi − 0) se skrate. D 2 f (xi ). da je c c s sliˇnu analizu potrebno napraviti i za druge tipove rubnih uvjeta. na ve´ poznati naˇin. hi−1 }. Pokazuje se da c rezultati i tehnika dokaza ne ovise mnogo o tipu rubnih uvjeta. 7.10) dobivamo s |˜i | ≤ c Na kraju. 0 1 ∞ 1 µih3 i 0 τ (1 − τ ) dτ + 2 λi h3 i−1 0 τ 2 (1 − τ ) dτ ∞ (µi h3 + λi h3 ). kako je h2 + h2 i i−1 ≤ max{hi . hi + hi−1 dolazimo do zadnje ocjene u tablici za qf |˜i | ≤ c 1 ¯3 h D4f 24 ∞. odnosno.7. Napomenimo joˇ. hi hi−1 h2 + h2 i i−1 D4f 24 hi + hi−1 ∞. Upotrebom Taylorove formule. dobivamo µi h3 i ci = − ˜ 2 1 τ (1 − τ )2 D 4 f (xi + τ hi ) dτ 0 1 λi h3 i−1 + 2 Odavde lagano ocijenimo 1 |˜i | ≤ c D4f 2 1 D4f = 24 τ 2 (1 − τ ) D 4 f (xi−1 + τ hi−1 ) dτ. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 397 ˇ Clanovi s Df (xi ). pa ostaje samo µi ci = ˜ 2 xi+1 xi (xi+1 − v)3 − (xi+1 − v)2 D 4 f (v) dv hi xi−1 λi + 2 − xi (xi−1 − v)3 − (xi−1 − v)2 D 4 f (v) dv. ako rubni uvjet ne ovisi o funkciji (na primjer. λi (v. naravno.

. a0 . b] i Qf 3 ω(D 2f ) √ 4 3¯ h D3f ∞ 9 √ 2 3¯ h ω(D 3f ) 9 1 ¯2 h D4f ∞ 4 C 3 [xi . prema (7.14): c |S(x) − f (x)| ≤ |H(x) − f (x)| + hi t(1 − t) max |mi − Df (xi )|. za koju. . am ). pa ocjene ostavljamo kao zadatak.4. i i 24 384 Zanimljivo je da ova ocjena samo 5 puta ve´a od ocjene za Hermiteov interpolacijski c splajn. i Prvi dio ˇini greˇka kod interpolacije Hermiteovim splajnom. hi a drugi dio proˇitamo u tablici za maxi |mi − Df (xi )|. za ocjenu druge i tre´e derivacije.4. Diskretna metoda najmanjih kvadrata Neka je funkcija f zadana na diskretnom skupu toˇaka x0 . b] ∞ C 2 [a. t= x − xi ∈ [0. c a ovdje ih koristimo samo na rubu (uz rubne uvjete (R1)). .7. tehnika dokaza potpuno je ista i za sve druge klase. . moramo na´i ocjene oblika c c max |Mi − D 2 f (xi )| ≤ Qf . xn kojih je c mnogo viˇe nego nepoznatih parametara aproksimacijske funkcije s ϕ(x.7). b] L3 [a. . . ograniˇimo se na “najglatkiju” klasu c 2 4 funkcija C [a. xi+1 ] ∞ i Tehnika dokaza ove tablice je dosta sliˇna onoj za prethodnu tablicu. xi+1 ] L4 [xi . . Ukupno je dakle c 5 ¯4 1 t(1 − t) [1 + t(1 − t)] max h4 D 4 f ∞ ≤ h D4f ∞. s time c da se oslanja na linearni sustav (7. i I u ovom sluˇaju imamo tablicu s 4 ocjene. koji zahtijeva poznate derivacije funkcije f u svim ˇvorovima interpolacije.5. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 398 Nadalje. . Kljuˇna je ocjena (7. Da bismo na kraju dokazali ovaj teorem. . u ovisnosti o klasi funkcije: c Klasa funkcije C 2 [a. c s znamo da vrijedi |H(x) − f (x)| ≤ t2 (1 − t)2 4 hi D 4 f 4! ∞.4.13). xi+1 ]. 1]. |S(x) − f (x)| ≤ 7. b] i L∞ [xi . b] C 2 [a.

7. APROKSIMACIJA I INTERPOLACIJA

APROKSIMACIJA I INTERPOLACIJA – 399

Funkcija ϕ odreduje se iz uvjeta da euklidska norma (norma 2) vektora pogreˇaka s u ˇvorovima aproksimacije bude najmanja mogu´a, tj. tako da minimiziramo S, c c
n

S=

(f (xk ) − ϕ(xk ))2 → min .

k=0

Ovu funkciju S (kvadrat euklidske norme vektora greˇke) interpretiramo kao s funkciju nepoznatih parametara S = S(a0 , . . . , am ). Oˇito je uvijek S ≥ 0, bez obzira kakvi su parametri. Dakle, zadatak je minimizirati c funkciju S kao funkciju viˇe varijabli a0 , . . . , am . Ako je S dovoljno glatka funkcija, s a naˇa je (jer je funkcija u parametrima ak ), nuˇni uvjet ekstrema je s z ∂S = 0, ∂ak k = 0, . . . , m.

Takav pristup vodi na tzv. sustav normalnih jednadˇbi. z

7.5.1.

Linearni problemi i linearizacija

Ilustrirajmo to na najjednostavnijem primjeru, kad je aproksimacijska funkcija pravac. Primjer 7.5.1 Zadane su toˇke (x0 , f0 ), . . . , (xn , fn ), koje po diskretnoj metodi najc manjih kvadrata aproksimiramo pravcem ϕ(x) = a0 + a1 x. Greˇka aproksimacije u ˇvorovima koju minimiziramo je s c
n

S = S(a0 , a1 ) =

(fk − ϕ(xk ))2 =

n

(fk − a0 − a1 xk )2 → min .

k=0

k=0

Nadimo parcijalne derivacije po parametrima a0 i a1 : 0=
n ∂S = −2 (fk − a0 − a1 xk ), ∂a0 k=0

n ∂S = −2 (fk − a0 − a1 xk )xk . 0= ∂a1 k=0

Dijeljenjem s −2 i sredivanjem po nepoznanicama a0 , a1 , dobivamo linearni sustav
n n

a0 (n + 1) + a1
n k=0 n

xk =
k=0 n

fk fk xk .
k=0

a0
k=0

xk + a1
k=0

x2 = k

7. APROKSIMACIJA I INTERPOLACIJA

APROKSIMACIJA I INTERPOLACIJA – 400

Uvedemo li standardne skra´ene oznake c
n n

s =
k=0

xk ,

t =
k=0

fk xk ,

≥ 0,

linearni sustav moˇemo pisati kao z s0 a0 + s1 a1 = t0 s1 a0 + s2 a1 = t1 . (7.5.1)

Nije teˇko pokazati da je matrica sustava regularna, jer je njena determinanta s razliˇita od nule. Determinanta matrice sustava jednaka je s0 s2 − s2 . Cauchy– c 1 Schwarzova nejednakost primijenjena na vektore e = [1, 1, . . . , 1]T i x = [x0 , x1 , . . . , xn ]T ,

daje s0 s2 ≥ s2 , pri ˇemu jednakost vrijedi samo ako su vektori e i x linearno zavisni. c 1 Kako pretpostavljamo da imamo barem dvije razliˇite apscise polaznih toˇaka xk c c (prirodan uvjet za pravac koji nije paralelan s ordinatom), nejednakost mora biti stroga, tj. vrijedi s0 s2 > s2 . Dakle, postoji jedinstveno rjeˇenje sustava. Samo s 1 rjeˇenje dobiva se rjeˇavanjem linearnog sustava (7.5.1). s s Ostaje joˇ pitanje da li smo dobili minimum, ali to nije teˇko pokazati, koriˇs s s tenjem drugih parcijalnih derivacija (dovoljan uvjet minimuma je pozitivna definitnost Hesseove matrice). Ipak, provjera da se radi o minimumu, moˇe i puno lakˇe. z s Budu´i da se radi o zbroju kvadrata, S predstavlja paraboloid s otvorom prema gore c u varijablama a0 , a1 , pa je jasno da takvi paraboloidi imaju minimum. Zbog toga se nikad ni ne provjerava da li je dobiveno rjeˇenje minimum za S. s Za funkciju ϕ mogli bismo uzeti i polinom viˇeg stupnja, s ϕ(x) = a0 + a1 x + · · · + am xm , ali postoji opasnost da je za malo ve´e m (m ≈ 10) dobiveni sustav vrlo loˇe uvjec s tovan (matrica sustava vrlo blizu singularne matrice), pa dobiveni rezultati mogu biti jako pogreˇni. Zbog toga se za nikad ne koristi prikaz polinoma u bazi potens cija. Ako se uop´e koriste aproksimacije polinomima viˇih stupnjeva, onda se to c s radi koriˇtenjem ortogonalnih polinoma. s Linearni model diskretnih najmanjih kvadrata je potpuno primjenjiv na op´u c linearnu funkciju ϕ(x) = a0 ϕ0 (x) + · · · + am ϕm (x), gdje su ϕ0 , . . . , ϕm poznate (zadane) funkcije. Ilustrirajmo to ponovno na op´oj c linearnoj funkciji s 2 parametra.

7. APROKSIMACIJA I INTERPOLACIJA

APROKSIMACIJA I INTERPOLACIJA – 401

Primjer 7.5.2 Zadane su toˇke (x0 , f0 ), . . . , (xn , fn ), koje po diskretnoj metodi najc manjih kvadrata aproksimiramo funkcijom oblika ϕ(x) = a0 ϕ0 (x) + a1 ϕ1 (x). Postupak je potpuno isti kao u proˇlom primjeru. Opet minimiziramo kvadrat s euklidske norme vektora pogreˇaka aproksimacije u ˇvorovima s c
n

S = S(a0 , a1 ) =

(fk − ϕ(xk ))2 =

n

(fk − a0 ϕ0 (xk ) − a1 ϕ0 (xk ))2 → min .

k=0

k=0

Sredivanjem parcijalnih derivacija 0= 0=
n ∂S = −2 (fk − a0 ϕ0 (xk ) − a1 ϕ1 (xk )) ϕ0 (xk ), ∂a0 k=0 n ∂S = −2 (fk − a0 ϕ0 (xk ) − a1 ϕ1 (xk )) ϕ1 (xk ), ∂a1 k=0

po varijablama a0 , a1 , uz dogovor da je
n n n

s0 =
k=0 n

ϕ2 (xk ), 0 fk ϕ0 (xk ),
k=0

s1 =
k=0 n

ϕ0 (xk )ϕ1 (xk ), fk ϕ1 (xk ),
k=0

s2 =
k=0

ϕ2 (xk ), 1

t0 =

t1 =

dobivamo potpuno isti oblik linearnog sustava s0 a0 + s1 a1 = t0 s1 a0 + s2 a1 = t1 . Ovaj sustav ima ista svojstva kao i u prethodnom primjeru. Pokaˇite to! z ˇ Sto ako ϕ nelinearno ovisi o parametrima? Dobili bismo nelinearni sustav jednadˇbi, koji se relativno teˇko rjeˇava. Uglavnom, problem postaje ozbiljan optiz s s mizacijski problem, koji se, recimo, moˇe rjeˇavati metodama pretraˇivanja ili nekim z s z drugim optimizacijskim metodama, posebno prilagodenim upravo za rjeˇavanje nelis nearnog problema najmanjih kvadrata (na primjer, Levenberg–Marquardt metoda). Postoji i drugi pristup. Katkad se jednostavnim transformacijama problem moˇe transformirati u linearni problem najmanjih kvadrata. Naˇalost, rjeˇenja linez z s ariziranog problema najmanjih kvadrata i rjeˇenja originalnog nelinearnog problema, s u principu, nisu jednaka. Problem je u razliˇitim mjerama za udaljenost toˇaka, c c odnosno mjerama za greˇku. s Ilustrirajmo, ponovno, nelinearni problem najmanjih kvadrata na jednom jednostavnom primjeru.

7. APROKSIMACIJA I INTERPOLACIJA

APROKSIMACIJA I INTERPOLACIJA – 402

Primjer 7.5.3 Zadane su toˇke (x0 , f0 ), . . . , (xn , fn ), koje po diskretnoj metodi najc manjih kvadrata aproksimiramo funkcijom oblika ϕ(x) = a0 ea1 x . Greˇka aproksimacije u ˇvorovima (koju minimiziramo) je s c
n

S = S(a0 , a1 ) =

(fk − ϕ(xk ))2 =

n

(fk − a0 ea1 xk )2 → min .

k=0

k=0

Parcijalnim deriviranjem po varijablama a0 i a1 dobivamo 0=
n ∂S = −2 (fk − a0 ea1 xk ) ea1 xk , ∂a0 k=0

n ∂S = −2 (fk − a0 ea1 xk )a0 xk ea1 xk , 0= ∂a1 k=0

ˇto je nelinearan sustav jednadˇbi. s z S druge strane, ako logaritmiramo relaciju ϕ(x) = a0 ea1 x , dobivamo ln ϕ(x) = ln(a0 ) + a1 x. Moramo logaritmirati joˇ i vrijednosti funkcije f u toˇkama xk , pa uz supstitucije s c h(x) = ln f (x), i ψ(x) = ln ϕ(x) = b0 + b1 x, gdje je b0 = ln a0 , b1 = a1 , dobivamo linearni problem najmanjih kvadrata
n

hk = h(xk ) = ln fk ,

k = 0, . . . , n,

S = S(b0 , b1 ) =

(hk − ψ(xk ))2 =

n

(hk − b0 − b1 xk )2 → min .

k=0

k=0

Na kraju, iz rjeˇenja b0 i b1 ovog problema, lako oˇitamo a0 i a1 s c a0 = eb0 , a1 = b1 .

Uoˇite da ovako dobiveno rjeˇenje uvijek daje pozitivan a0 , tj. linearizacijom doc s bivena funkcija ϕ(x) ´e uvijek biti ve´a od 0. Jasno da to nije “pravo” rjeˇenje za c c s

7. APROKSIMACIJA I INTERPOLACIJA

APROKSIMACIJA I INTERPOLACIJA – 403

sve poˇetne podatke (xk , fk ). No, moˇemo li na ovako opisani naˇin linearizirati sve c z c poˇetne podatke? Oˇito je ne, jer mora biti fk > 0 da bismo mogli logaritmirati. c c s s Ipak, i kad su neki fk ≤ 0, nije teˇko, koriˇtenjem translacije svih podataka s dobiti fk + translacija > 0, pa onda nastaviti postupak linearizacije. Pokuˇajte korektno formulirati linearizaciju. Na kreju odjeljka dajemo i nekoliko funkcija koje su ˇesto u upotrebi i njihovih c standardnih linearizacija u problemu najmanjih kvadrata. (a) Funkcija ϕ(x) = a0 xa1 linearizira se logaritmiranjem ψ(x) = log ϕ(x) = log(a0 ) + a1 log x, hk = log fk , k = 0, . . . , n.

Drugim rijeˇima, dobili smo linearni problem najmanjih kvadrata c
n

S = S(b0 , b1 ) = gdje je

(hk − b0 − b1 log(xk ))2 → min,

k=0

b0 = log(a0 ),

b1 = a1 .

U ovom sluˇaju, da bismo mogli provesti linearizaciju, moraju biti i xk > 0 i fk > 0. c (b) Funkcija ϕ(x) = linearizira se na sljede´i naˇin c c ψ(x) = 1 = a0 + a1 x, ϕ(x) hk = 1 , fk k = 0, . . . , n. 1 a0 + a1 x

Pripadni linearni problem najmanjih kvadrata je
n

S = S(a0 , a1 ) =

(hk − a0 − a1 xk )2 → min .

k=0

(c) Funkciju

x a0 + a1 x moˇemo linearizirati na viˇe naˇina. Prvo, moˇemo staviti z s c z ϕ(x) = ψ(x) = 1 1 = a0 + a1 , ϕ(x) x hk = 1 , fk k = 0, . . . , n.

7. APROKSIMACIJA I INTERPOLACIJA

APROKSIMACIJA I INTERPOLACIJA – 404

Pripadni linearni problem najmanjih kvadrata je
n

S = S(a0 , a1 ) = Moˇe se koristiti i sljede´i naˇin z c c ψ(x) =

(hk − a0

k=0

1 − a1 )2 → min . xk

x = a0 + a1 x, ϕ(x)

hk =

xk , fk

k = 0, . . . , n.

Pripadni linearni problem najmanjih kvadrata je
n

S = S(a0 , a1 ) =

(hk − a0 − a1 xk )2 → min .

k=0

(d) Funkcija ϕ(x) = linearizira se stavljanjem ψ(x) = 1 = a0 + a1 e−x , ϕ(x) hk = 1 , fk k = 0, . . . , n. 1 a0 + a1 e−x

Pripadni linearni problem najmanjih kvadrata je
n

S = S(a0 , a1 ) =

(hk − a0 − a1 e−xk )2 → min .

k=0

7.5.2.

Matriˇna formulacija linearnog problema najmanjih c kvadrata

Da bismo formirali matriˇni zapis linearnog problema najmanjih kvadrata, c moramo preimenovati nepoznanice, naprosto zato da bismo matricu, vektor desne strane i nepoznanice u linearnom sustavu pisali u uobiˇajenoj formi (standardno su c nepoznanice x1 , x2 , . . . ,, a ne a0 , a1 , . . . ,). Pretpostavimo da imamo skup mjerenih podataka (tk , yk ), k = 1, . . . , n, i ˇelimo taj model aproksimirati funkcijom oblika ϕ(t). Ako je ϕ(t) linearna, tj. ako z je ϕ(t) = x1 ϕ1 (t) + · · · + xm ϕm (t), onda bismo ˇeljeli prona´i parametre xj tako da mjereni podaci (tk , yk ) zadovoljavaju z c
m

yk =
j=1

xj ϕj (tk ),

k = 1, . . . , n.

7. APROKSIMACIJA I INTERPOLACIJA

APROKSIMACIJA I INTERPOLACIJA – 405

Ako oznaˇimo c akj = ϕj (xk ), bk = yk , onda prethodne jednadˇbe moˇemo u matriˇnom obliku pisati kao z z c Ax = b. Ako je mjerenih podataka viˇe nego parametara, tj. ako je n > m, onda ovaj sustav s jednadˇbi ima viˇe jednadˇbi nego nepoznanica, pa je preodreden. z s z Kao ˇto smo ve´ u uvodu rekli, postoji mnogo naˇina da se odredi “najbolje” s c c rjeˇenje, ali zbog statistiˇkih razloga to je ˇesto metoda najmanjih kvadrata, tj. s c c s c odredujemo x tako da minimizira greˇku r = Ax − b (r se ˇesto zove rezidual) min r
x 2

= min Ax − b 2 ,
x

A ∈ Rn×m ,

b ∈ Rn ,

x ∈ Rm .

(7.5.2)

Ako je rang(A) < m, onda rjeˇenje x ovog problema oˇito nije jedinstveno, jer s c mu moˇemo dodati bilo koji vektor iz nul-potprostora od A, a da se rezidual ne z s promijeni. S druge strane, medu svim rjeˇenjima x problema najmanjih kvadrata uvijek postoji jedinstveno rjeˇenje x najmanje norme, tj. koje joˇ minimizira i x 2 . s s

7.5.3.

Karakterizacija rjeˇenja s

Prvo, karakterizirajmo skup svih rjeˇenja problema najmanjih kvadrata. s Teorem 7.5.1 Skup svih rjeˇenja problema najmanjih kvadrata (7.5.2) oznaˇimo s s c S = {x ∈ Rm | Ax − b
2

= min}.

Tada je x ∈ S ako i samo ako vrijedi sljede´a relacija ortogonalnosti c AT (b − Ax) = 0. Dokaz. Pretpostavimo da x zadovoljava ˆ ˆ AT r = 0, Tada za bilo koji x ∈ Rm imamo r = b − Ax = r + Aˆ − Ax = r − A(x − x). ˆ x ˆ ˆ Ako oznaˇimo c e = x − x, ˆ onda je r
2 2

(7.5.3)

r = b − Aˆ. ˆ x

= r T r = (ˆ − Ae)T (ˆ − Ae) = r T r + Ae r r ˆ ˆ

2 2

= r ˆ

2 2

+ Ae 2 . 2

7. APROKSIMACIJA I INTERPOLACIJA

APROKSIMACIJA I INTERPOLACIJA – 406

Kako je Ae 2 ≥ 0, vidimo da je minimalna vrijednost za r x = x minimizira r 2 . Time je pokazano da je x ∈ S. ˆ ˆ Pokaˇimo obratnu implikaciju. Pretpostavimo da je z ˆ AT r = z = 0 i uzmimo x = x + εz. ˆ Tada je r = r − εAz ˆ i r
2 2

2

jednaka r 2 , pa ˆ

= r T r = r T r − 2εz T z + ε2 (Az)T (Az) < r T r ˆ ˆ ˆ ˆ

za dovoljno mali ε, pa x nije rjeˇenje u smislu najmanjih kvadrata, ˇto znaˇi da nije ˆ s s c u S. Relacija (7.5.3) ˇesto se zove sustav normalnih jednadˇbi i uobiˇajeno se piˇe c z c s u obliku AT Ax = AT b. c Matrica AT A je simetriˇna i pozitivno semidefinitna, a sustav normalnih jednadˇbi je uvijek konzistentan, jer je z AT b ∈ R(AT ) = R(AT A). ˇ Stoviˇe, vrijedi i sljede´a propozicija. s c Propozicija 7.5.1 Matrica AT A je pozitivno definitna ako i samo ako su stupci od A linearno nezavisni, tj. ako je rang(A) = m. Dokaz. Ako su stupci od A = [a1 , . . . , am ] linearno nezavisni, tada za svaki x = 0 vrijedi (definicija linearne nezavisnosti) Ax = x1 a1 + · · · + xm am = 0, pri ˇemu su xj komponente od x. Za takav x je c xT AT Ax = Ax tj. AT A je pozitivno definitna. S druge strane, ako su stupci linearno zavisni, tada postoji x0 = 0 takav da je Ax0 = 0, pa je za takav x0 xT AT Ax0 = 0. 0 Ako je x takav da je Ax = 0, onda je xT AT Ax ≥ 0, pa je AT A pozitivno semic definitna. Drugim rijeˇima, AT A je op´enito pozitivno semidefinitna, a pozitivnu c definitnost garantira tek puni stupˇani rang od A. c
2 2

> 0,

7. APROKSIMACIJA I INTERPOLACIJA

APROKSIMACIJA I INTERPOLACIJA – 407

Iz prethodne propozicije slijedi da uvjet rang(A) = m, osigurava postojanje jedinstvenog rjeˇenja problema najmanjih kvadrata. U tom sluˇaju rjeˇenje i pris c s padni rezidual zadovoljavaju x = (AT A)−1 AT b, r = b − A(AT A)−1 AT b.

Ako je S ⊂ Rn potprostor, onda je PS ∈ Rn×n ortogonalni projektor na S, ako je R(PS ) = S i 2 T PS = PS , PS = PS . Nadalje, vrijedi i (I − PS )2 = I − PS , (I − PS )PS = 0, pa je I − PS projektor na ortogonalni komplement od S. Tvrdimo da postoji jedinstveni ortogonalni projektor na S. Pretpostavimo da postoje dva ortogonalna projektora P1 i P2 . Za sve z ∈ Rn , onda vrijedi (P1 − P2 )z
2 2 T T T T = z T (P1 − P2 )T (P1 − P2 )z = z T (P1 P1 − P2 P1 − P1 P2 + P2 P2 )z

= z T (P1 − P2 P1 − P1 P2 + P2 )z = z T P1 (I − P2 )z + z T P2 (I − P1 )z = 0. Odatle odmah slijedi da je P1 = P2 , tj. ortogonalni je projektor jedinstven. Iz geometrijske interpretacije problema najmanjih kvadrata odmah vidimo da je Ax ortogonalna projekcija vektora b na R(A).

b

b − Ax R(A) Ax

Takoder r = (I − PR(A) )b i u sluˇaju punog ranga matrice A vrijedi c PR(A) = A(AT A)−1 AT . Ako je rang(A) < m, onda A ima netrivijalni nul-potprostor i rjeˇenje probs lema najmanjih kvadrata nije jedinstveno. Istaknimo jedno od rjeˇenja x. Skup s ˆ svih rjeˇenja S onda moˇemo opisati kao s z S = {x = x + z | z ∈ N (A)}. ˆ

7. APROKSIMACIJA I INTERPOLACIJA

APROKSIMACIJA I INTERPOLACIJA – 408

Ako je x ⊥ N (A), onda je ˆ x

2 2

= x ˆ

2 2

+ z 2, 2

pa je x jedinstveno rjeˇenje problema najmanjih kvadrata koje ima minimalnu 2ˆ s normu.

7.5.4.

Numeriˇko rjeˇavanje problema najmanjih kvadrata c s

Postoji nekoliko naˇina rjeˇavanja problema najmanjih kvadrata u praksi. c s Obiˇno se koristi jedna od sljede´ih metoda: c c 1. sustav normalnih jednadˇbi, z 2. QR faktorizacija, 3. dekompozicija singularnih vrijednosti, 4. transformacija u linearni sustav. Sustav normalnih jednadˇbi z Prva od navedenih metoda je najbrˇa, ali je najmanje toˇna. Koristi se kad je z c AT A pozitivno definitna i kad je njena uvjetovanost mala. Matrica AT A rastavi se faktorizacijom Choleskog, a zatim se rijeˇi linearni sustav s AT Ax = AT b. Ukupan broj aritmetiˇkih operacija za raˇunanje AT A, AT b, te zatim faktorizaciju c c 1 3 2 2 c c Choleskog je nm + 3 m +O(m ). Budu´i da je n ≥ m, onda je prvi ˇlan dominantan u ovom izrazu, a potjeˇe od formiranja AT A. c Koriˇtenje QR faktorizacije u problemu najmanjih kvadrata s Ponovno, pretpostavimo da je AT A pozitivno definitna. Polazimo od rjeˇenja s problema najmanjih kvadrata dobivenog iz sustava normalnih jednadˇbi z x = (AT A)−1 AT b. Zatim napiˇemo QR faktorizaciju matrice A s A = QR = Q0 R0 , gdje je Q0 ortogonalna matrica tipa (n, m), a R0 trokutasta tipa (m, m) i uvrstimo u rjeˇenje. Dobivamo s
T T x = (AT A)−1 AT b = (R0 QT Q0 R0 )−1 R0 QT b 0 0 T T −1 −T T −1 = (R0 R0 )−1 R0 QT b = R0 R0 R0 QT b = R0 QT b, 0 0 0

7. APROKSIMACIJA I INTERPOLACIJA

APROKSIMACIJA I INTERPOLACIJA – 409

tj. x se dobiva primjenom “invertirane” skra´ene QR faktorizacije od A na b (po c analogiji s rjeˇavanjem linearnih sustava, samo ˇto A ne mora imati inverz). s s Preciznije, da bismo naˇli x, rjeˇavamo trokutasti linearni sustav s s R0 x = QT b. 0 Na ovakav se naˇin najˇeˇ´e rjeˇavaju problemi najmanjih kvadrata. Nije teˇko c c sc s s pokazati da je cijena raˇunanja 2nm2 − 2 m3 , ˇto je dvostruko viˇe nego za sustav c s s 3 normalnih jednadˇbi kad je n z m, a pribliˇno jednako za m = n. z QR faktorizacija moˇe se koristiti i za problem najmanjih kvadrata kad maz trica A nema puni stupˇani rang, ali tada se koristi QR faktorizacija sa stupˇanim c c pivotiranjem (na prvo mjesto dovodi se stupac ˇiji “radni dio” ima najve´u normu). c c Zaˇto baˇ tako? Ako matrica A ima rang r < m, onda njena QR faktorizacija ima s s oblik ⎡ ⎤ R11 R12 ⎢ ⎥ A = QR = Q ⎣ 0 0 ⎦ , 0 0 s gdje je R11 nesingularna reda r, a R12 neka r × (m − r) matrica. Zbog greˇaka zaokruˇivanja, umjesto pravog R, izraˇunamo z c R11 R12 ⎢ ⎥ R = ⎣ 0 R22 ⎦ . 0 0 c z Naravno, ˇeljeli bismo da je R22 2 vrlo mala, reda veliˇine ε A 2 , pa da je moˇemo z z “zaboraviti”, tj. staviti R22 = 0 i tako odrediti rang od A. Naˇalost, to nije uvijek tako. Na primjer, bidijagonalna matrica
⎡ 1 ⎢ 2 ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ ⎤

A=

1 .. .. . . .. . 1
1 2

⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦

je skoro singularna (det(A) = 2−n ), njena QR faktorizacija je Q = I, R = A, i nema niti jednog R22 koji bi bio po normi malen. s z s Zbog toga koristimo pivotiranje, koje R11 pokuˇava drˇati ˇto bolje uvjetovanim, a R22 po normi ˇto manjim. s Dekompozicija singularnih vrijednosti i problem najmanjih kvadrata Vjerojatno jedna od najkorisnijih dekompozicija i s teoretske strane (za dokazivanje ˇinjenica) i s praktiˇne strane je dekompozicija singularnih vrijednosti (engl. c c “singular value decomposition”) ili, skra´eno, SVD. c

7. APROKSIMACIJA I INTERPOLACIJA

APROKSIMACIJA I INTERPOLACIJA – 410

Teorem 7.5.2 Ako A ima puni rang, onda je rjeˇenje problema najmanjih kvadrata s min Ax − b x jednako
2

x = V Σ−1 U T b,

tj. dobiva se primjenom “invertiranog” skra´enog SVD-a od A na b. c Dokaz. Vrijedi Ax − b
2 2

= UΣV T x − b 2 . 2
2

Budu´i da je A punog ranga, to je i Σ. Zbog unitarne ekvivalencije 2-norme, vrijedi c UΣV x − b
T 2 2

= U (UΣV x − b)
T T

2 2 2

=

UT T U0

(UΣV x − b)
T 2 2 2 T + U0 b 2 . 2

=

ΣV x − U b T −U0 b
T T

= ΣV T x − U T b
2

Prethodni izraz se minimizira ako je prvi ˇlan jednak 0, tj. ako je c x = V Σ−1 U T b. Usput dobivamo i vrijednost minimuma min Ax − b x
2 T = U0 b 2 .

Uoˇite da u prethodnom teoremu rjeˇenje problema najmanjih kvadrata kad c s je matrica A punog ranga. Uobiˇajeno se SVD primjenjuje u metodi najmanjih c kvadrata i kad matrica A nema puni stupˇani rang. Rjeˇenja su istog oblika (sjetite c s se, viˇe ih je), samo ˇto moramo znati izraˇunati “inverz” matrice Σ kad ona nije s s c regularna, tj. kad ima neke nule na dijagonali. Takav inverz zove se generalizirani inverz i oznaˇava sa Σ+ ili Σ† . U sluˇaju da je c c Σ= pri ˇemu je Σ1 regularna, onda je c Σ+ = Σ−1 0 1 . 0 0 Σ1 0 , 0 0

Joˇ preciznije, za problem najmanjih kvadrata tada vrijedi sljede´a propozicija. s c Propozicija 7.5.2 Neka matrica A ima rang r < m. Rjeˇenje x koje minimizira s z c c Ax − b 2 moˇe se karakterizirati na sljede´i naˇin. Neka je A = UΣV T SVD od A i neka je Σ1 0 A = UΣV T = [U1 , U2 ] [V1 , V2 ]T = U1 Σ1 V1T , 0 0

7. APROKSIMACIJA I INTERPOLACIJA

APROKSIMACIJA I INTERPOLACIJA – 411

gdje je Σ1 nesingularna, reda r, a matrice U1 i V1 imaju r stupaca. Neka je σ := σmin (Σ1 ), najmanja ne-nula singularna vrijednost od A. Tada se sva rjeˇenja problema najs manjih kvadrata mogu napisati u formi
T x = V1 Σ−1 U1 b + V2 z, 1

gdje je z proizvoljni vektor. Rjeˇenje x koje ima minimalnu 2-normu je ono za koje s je z = 0, tj. T x = V1 Σ−1 U1 b, 1 i vrijedi ocjena x
2

b 2 . σ

Dokaz. Nadopunimo matricu [U1 , U2 ] stupcima matrice U3 do ortogonalne matrice reda n, i oznaˇimo je s U . Koriˇtenjem unitarne invarijantnosti 2-norme, dobivamo c s Ax − b
2 2

= U T (Ax − b)

2 2

T U1 ⎢ T ⎥ = ⎣ U2 ⎦ (U1 Σ1 V1T x − b) T U3

2

=

⎢ ⎣

Σ1 V1T x

− T −U2 b T −U3 b

T U1 b

⎤ 2 ⎥ ⎦
2

2 T + U2 b 2 2 T + U3 b 2 . 2

T = Σ1 V1T x − U1 b

2 2

Oˇito, izraz je minimiziran kad je prva od tri norme u posljednjem redu jednaka 0, c tj. ako je T Σ1 V1T x = U1 b, ili
T x = V1 Σ−1 U1 b. 1

Stupci matrica V1 i V2 su medusobno ortogonalni, pa je V1T V2 z = 0 za sve vektore z. Odavde vidimo da x ostaje rjeˇenje problema najmanjih kvadrata i kad s mu dodamo V2 z, za bilo koji z, tj. ako je
T x = V1 Σ−1 U1 b + V2 z. 1

To su ujedno i sva rjeˇenja, jer stupci matrice V2 razapinju nul-potprostor N (A). s Osim toga, zbog spomenute ortogonalnosti vrijedi i x
2 2 T = V1 Σ−1 U1 b 1 2 2

+ V2 z 2 , 2

a to je minimalno za z = 0. Na kraju, za to minimalno rjeˇenje vrijedi ocjena s x
2 T = V1 Σ−1 U1 b 1 2 T = Σ−1 U1 b 1 2

T U1 b σ

2

=

b 2 . σ

7. APROKSIMACIJA I INTERPOLACIJA

APROKSIMACIJA I INTERPOLACIJA – 412

Primjerom se lako pokazuje da je ova ocjena dostiˇna. z Rjeˇenje problema najmanjih kvadrata koriˇtenjem SVD-a je najstabilnije, a s s moˇe se pokazati da je, za n z m, njegovo trajanje pribliˇno jednako kao i trajanje z rjeˇenja koriˇtenjem QR-a. Za manje n, trajanje je pribliˇno 4nm2 − 4 m3 + O(m2 ). s s z 3 Transformiranje problema najmanjih kvadrata na linearni sustav Ako matrica A ima puni rang po stupcima, onda problem najmanjih kvadrata moˇemo transformirati i na linearni sustav razliˇit od sustava normalnih jednadˇbi. z c z Simetriˇni linearni sustav c I A r b = , T A 0 x 0 ekvivalentan je sustavu normalnih jednadˇbi. Ako napiˇemo prvu i drugu blokz s komponentu r + Ax = b, AT r = 0, onda uvrˇtavanjem r-a iz prve blok-jednadˇbe u drugu dobivamo sustav s z AT (b − Ax) = 0. Prvi sustav ima bitno manji raspon elemenata od sustava normalnih jednadˇbi. z Osim toga, ako je matrica A loˇe uvjetovana, kod tog sustava moˇemo lakˇe koristiti s z s iterativno profinjavanje rjeˇenja. s

7.6.

Op´i oblik metode najmanjih kvadrata c

Nakon ˇto smo napravili osnovni oblik diskretne metode najmanjih kvadrata, s na sliˇan naˇin moˇemo rijeˇiti i op´i problem aproksimacije po metodi najmanjih c c z s c kvadrata, tj. u 2-normi. Dovoljno je uoˇiti da je diskretna 2-norma generirana c obiˇnim euklidskim skalarnim produktom na konaˇno dimenzionalnim prostorima. c c Po istom principu, u op´em sluˇaju, radimo na nekom unitarnom prostoru s nekim c c skalarnim produktom, a pripadna norma je generirana tim skalarnim produktom. Na poˇetku zgodno je uvesti oznake koje nam omogu´avaju da diskretni i c c neprekidni sluˇaj analiziramo odjednom, u istom op´em okruˇenju unitarnih prosc c z tora.

7.6.1.

Teˇinski skalarni produkti z

Unitarni prostor U je vektorski prostor na kojem je definiran skalarni produkt.

7. onda postoji pripadna familija c ortogonalnih polinoma koju oznaˇavamo s {pn (x) | n ≥ 0}. ako je njihov skalarni produkt c c jednak 0. prvenstveno radi jednostavnosti iskaza. Paˇljivije ˇitanje ´e samo potvrditi da bitne z c c razlike nema. Na primjer. Sva ta svojstva su direktna posljedica ortogonalnosti polinoma i ne ovise bitno o tome da li je skalarni produkt diskretan ili kontinuiran. 7. za neprekidnu ili diskretnu mjeru dλ. Ako svi polinomi pripadaju odgoz varaju´em prostoru kvadratno integrabilnih funkcija. • Ortogonalni polinomi. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 413 7. Familije ortogonalnih funkcija Za dvije funkcije re´i ´emo da su ortogonalne. Medutim. Evo nekoliko primjera takvih familija (sistema). c Sljede´i niz teorema sadrˇi samo neka osnovna svojstva koja ´emo kasnije iskoristiti c z c za konstrukciju algoritama.8. dokaza i kasnijeg pozivanja na ove teoreme. Ê Postoji mnogo familija ortogonalnih funkcija. Standardno ´emo promatrati neprekidni skalarni produkt c b u.7. • Trigonometrijski polinomi. Dogovorno smatramo c da je stupanj polinoma pn baˇ jednak n. s Paralelno ´emo promatrati i diskretni skalarni produkt c n u. v = a w(x)u(x)v(x) dx generiran teˇinskom funkcijom w ≥ 0 na [a. b]. za svaki n ≥ 0. na ovom mjestu je zgodno napraviti razliku izmedu diskretnih i kontinuiranih skalarnih produkata. v = i=0 wi u(xi )v(xi ) . zbog kos jih se mogu konstruktivno primijeniti u raznim granama numeriˇke matematike. te funkcije u i v koje imaju konaˇnu normu moˇemo definirati skalarni produkt kao c z u(x) v(x) dλ. Neka svojstva ortogonalnih polinoma Ortogonalni polinomi imaju joˇ i niz dodatnih “dobrih” svojstava.

cn.n−1 pn−1 (x) + · · · + cn. xn i pripadnim pozitivnim teˇic c z nama w0 . . . vrijedi p0 (x) = c0. c Ako je stupanj ortogonalnog polinoma 0. . .8. pa je xn = 1 cn. . wn . za neki m ∈ N0 .1 x + c1. . Tada se f moˇe napisati kao linearna kombinacija monoma {1.1 = 0. x2 . . . Pripadni unitarni prostor “funkcija” na zadanoj mreˇi ˇvorova z c (izomorfno) sadrˇi sve polinome stupnja manjeg ili jednakog n. xm }. konstrukcija slijedi iz Gram–Schmidtovog procesa ortogonalizacije sustava funkcija {1. vrijedi x= 1 c1. . pn pn . Prvo. . Neka je f bilo koji polinom stupnja (manjeg ili jednakog) m.0 p0 (x)]. pa sigurno postoji z pripadna baza ortogonalnih polinoma koju oznaˇavamo s {pk (x) | 0 ≤ k ≤ n}. c1. x. gdje su p0 . . pn Dokaz. . Koriˇtenjem indukcije u Gram–Schmidtovom procesu na {1. s z 2 da se monomi {1. Opet c uzimamo je stupanj polinoma pk baˇ jednak k. tada vrijedi z m f= n=0 f. pa se prvi monom 1 moˇe napisati kao z 1= 1 c0. pn−1 dobiveni ortogonalizacijom iz {1. n}. x.0 . .0 = 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 414 generiran medusobno razliˇitim ˇvorovima x0 . . Pokaˇimo. . x. } mogu prikazati pomo´u ortogonalnih polinoma. tj. redom. . Ako je f polinom stupnja m. . on je nuˇno konstanta razliˇita od z c nule. .0p0 (x).7. .1 [p1 (x) − c1. .0 p0 (x). xn }. . . pokaˇimo da se svaki polinom moˇe napisati kao kombinacija ortogz z onalnih polinoma stupnja manjeg ili jednakog njegovom. . . Dokaz ide koriˇtenjem Gram–Schmidtove ortogonalizacije. s Teorem 7. . dos bivamo pn (x) = cn. b] s teˇinskom funkcijom w(x) ≥ 0. c0. .1 Neka je {pn (x) | n ≥ 0} familija ortogonalnih polinoma na intervalu [a. za svaki k ∈ {0. . .n [pn (x) − cn. .0 p0 (x). p1 . tj.n−1pn−1 (x) − · · · − cn. . Za polinome stupnja jedan. xn−1 }. pn .n xn + cn. x.0 p0 (x)]. x} p1 (x) = c1.n = 0. x . . prikazom z .

te integriranjem. Odatle odmah slijedi da je c bn = jer je pn 2 f. dobivamo da je z m−1 f. a ne do m. pn = bn pn . a zatim integriranjem na [a. dobivamo m f. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 415 u standardnoj bazi.1 Ako je f polinom stupnja manjeg ili jednakog m − 1.2 Neka je {pn (x) | n ≥ 0} familija ortogonalnih polinoma na intervalu c c [a. Dakle. Tada svaki polinom pn ima toˇno n razliˇitih z (jednostrukih) realnih nultoˇaka na otvorenom intervalu (a. c Korolar 7. b].8. onda je f.7. tj. pn . koriste´i ortogonalnost pj i pn . Budu´i da se svaki monom moˇe napisati kao linearna kombic z nacija ortogonalnih polinoma stupnja manjeg ili jednakog od stupnja tog monoma. Mnoˇenjem s w(x)pm (x). odmah slijedi da se i f moˇe napisati kao neka linearna kombinacija ortogonalnih z polinoma stupnjeva manjih ili jednakih m. pn . b] s teˇinskom funkcijom w(x) ≥ 0. zbog svojstva ortogonalnosti ortogonalnih polinoma pn . Po prethodnom teoremu. z z Ostaje samo odrediti koeficijente bj . pm je okomit na f . pm = 0. tj. b). za n = m.8. pn = j=0 bj pj . pm = n=0 bn pn . pm = 0. za n > m. tj. pm = 0. c . samo su svi dodatni koeficijenti bn = 0. To je posljedica sljede´e tvrdnje. pn . Teorem 7. Dokaz. f se moˇe razviti po ortogonalnim polinomima z stupnja manjeg ili jednakog m − 1 m−1 f (x) = n=0 bn pn (x). skalarnim mnoˇenjem z s pn . za j = n. pn > 0. pa polinomom pn . da vrijedi m f= j=0 bj pj . pn = pn . Mnoˇenjem prethodne relacije teˇinskom funkcijom w. pm je okomit na sve polinome stupnja strogo manjeg od m. Razvoj polinoma f stupnja m iz prethodnog teorema moˇemo napisati i tako z da suma ide do ∞.

Po definiciji toˇaka x1 . polinom pn ima c ukupno n nultoˇaka. pa onih koje zadovoljavaju prethodna dva svojstva ima manje c ili jednako n. . pa je pretpostavka o stupnju polinoma B bila pogreˇna. . Neka su x1 . po osnovnom teoremu algebre. . . jer je pn (xi ) = 0. . . . . polinom c pn (x)B(x) = (x − x1 ) · · · (x − xm )pn (x) ne mijenja znak prolaskom kroz toˇke x1 . vrijedi b w(x)B(x)pn (x) dx = 0. . Budu´i da pn ima toˇno n nultoˇaka x1 . pri ˇemu moraju biti svi ri neparni. a To je. z c Definiramo polinom B(x) = (x − x1 ) · · · (x − xm ). oˇito kontradikcija. ˇitav polinom ne mijenja znak c c na (a. Nadalje. a budu´i da je to integral nenegativne funkcije. tj. . c Mnoˇenjem s B(x). • pn (x) mijenja predznak u xi . . dobivamo z pn (x)B(x) = h(x)(x − x1 )r1 +1 · · · (x − xm )rm +1 . tj. xn u kojima c c c mijenja predznak. b] i neka su prva dva koeficijenta funkcije pn jednaki pn (x) = An xn + Bn xn−1 + · · · . mora biti m = n. S druge je strane taj integral skalarni c produkt od B (polinom stupnja m < n) i sa pn (polinom stupnja n). Budu´i da je pn stupnja n. one moraju biti jednostruke. . b). x2 .7. . xm . pa je po prethodnom korolaru b w(x)B(x)pn (x) dx = B. Pokaˇimo da je to nemogu´e. xm . b). Preciznije. a h(x) ne smije promijeniti predznak na (a. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 416 Dokaz. Neka je ponovno zadana familija ortogonalnih polinoma na intervalu [a. to implicira oblik funkcije pn pn (x) = h(x)(x − x1 )r1 · · · (x − xm )rm . . m < n. Pretpostavimo da je nultoˇaka koje zadovoljavaju traˇena dva svojstva c z striktno manje od n. xm sve nultoˇke polinoma pn za koje vrijedi: c • a < xi < b. . . pn = 0. c s tj. .

pn > 0. An γn = pn . Teorem 7.7. Definiramo takoder i an = An+1 . pi = 0 za i ≤ n i da za i ≤ n − 2 vrijedi c b xpn . pi = a w(x)pn (x)xpi (x) dx = 0. pri ˇemu su c bn = an Bn+1 Bn − . A2 γn−1 n Dokaz. Tada za n ≥ 1 z vrijedi rekurzija pn+1 (x) = (an x + bn )pn (x) − cn pn−1 (x). pa ga moˇemo napisati kao c z linearnu kombinaciju ortogonalnih polinoma stupnja manjeg ili jednakog n. Promatrajmo polinom G(x) = pn+1 (x) − an xpn (x) = (An+1 xn+1 + Bn+1 xn + · · · ) − = Bn+1 − An+1 Bn n x + ···. polinom G je stupnja manjeg ili jednakog n.3 (troˇlana rekurzija) Neka je {pn (x) | n ≥ 0} familija ortogonalc nih polinoma na intervalu [a. pi − an xpn . pi ).2 ) · · · (x − xn. tada pn moˇmo napisati i kao z pn (x) = An (x − xn. zakljuˇujemo da je stupanj polinoma xpi (x) manji ili jednak n − 1. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 417 Takoder. Raˇunanjem di izlazi di = 1 G. b] s teˇinskom funkcijom w(x) ≥ 0. tj.n ). pi . An An+1 x(An xn + Bn xn−1 + · · · ) An Oˇito.1 )(x − xn. . Kombiniranjem c ta dva rezultata. G(x) = dn pn (x) + · · · + d0 p0 (x) c za neki skup konstanti di .8. pa je zbog toga G(x) = dn pn (x) + dn−1 pn−1 (x) pn+1 (x) = (an x + dn )pn (x) + dn−1 pn−1 (x). pi γi Budu´i da je pn+1 . pi = ( pn+1 . An+1 An cn = An+1 An−1 γn · . dobivamo di = 0 za 0 ≤ i ≤ n − 2.

b] s teˇinskom funkcijom w(x) ≥ 0. 2π]. = 1. c 7. ∈ N0 . sin 2x. onda je jednak 1 sin(k + )x sin(k − )x − − 2 k+ k− Drugim rijeˇima. vrijedi c 2π 2π 1 sin(k + )x −x 2 k+ 2π = π. . . 0 inaˇe. dobivamo relaciju za dn . . . . π. Manipulacijom troˇlane rekurzije. 0 = 0.8. } Trigonometrijske funkcije ˇine ortogonalnu familiju funkcija na intervalu [0. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 418 Ostaje joˇ samo pokazati koliki su koeficijenti dn−1 i dn . . sin x. Trigonometrijske funkcije {1. 0 sin kx · sin x dx = 0 0. cos 3x. 2. k = . cos 2x. . z Za njih vrijedi sljede´i identitet c pk (x)pk (y) pn+1 (x)pn (y) − pn (x)pn+1 (y) . usporedivanjem vode´ih koeficijenata funkcije G i vode´ih koeficijenata func c cije s desne strane. Teorem 7. 0 U sluˇaju da je k = . c Pokaˇimo da je to zaista istina. . onda je prethodni integral jednak c − Ako je k = . sin 3x. 2π] uz mjeru c dλ = dx na [0.7. Neka su k. k. . k = . Iz prve od dvije prethodne s relacija.9. . Tada vrijedi z 2π 0 1 sin kx · sin x dx = − 2 2π (cos(k + )x − cos(k − )x) dx.4 (Christoffel–Darbouxov identitet) Neka je {pn (x) | n ≥ 0} familija ortogonalnih polinoma na intervalu [a. . = γk an γn (x − y) k=0 n Dokaz. cos x.

⎧ ⎨ 0. na mreˇi od toˇaka 0.7. a koeficijenti kao Fourierovi koeficijenti. moˇemo c c z pokazati da je 2π 0 k= . N +1 N +1 . x = x. . . f (t) = 2 k=1 onda. k = = 0.9. . Diskretna ortogonalnost trigonometrijskih funkcija Umjesto neprekidne. pa z umjesto integrala. k. = 0. takoder. N.9. . 0 1 bk = π 2π f (x) sin kx dx. 7. da je 2π sin kx · cos x dx = 0. π. . dobivamo sume. 0 k = 1. koji je najbolja L2 aproksimacija za f u klasi trigonometrijskih polinoma stupnja manjeg ili jednakog m. . ako Fourierov red odsijeˇemo za k = m i dobijemo trigonometrijski c polinom. . 0 Prethodni red poznat je pod imenom Fourierov red. 1. 2. uz ozz c naku 2π 2π xk = kx. . mnoˇenjem odgovaraju´im trigonometrijskim funkcijama i integriranjem. cos kx · cos x dx = ⎩ 2π. . pretvaranjem produkta trigonometrijskih funkcija u zbroj. . za z c koeficijente u redu formalno dobivamo 1 ak = π 2π f (x) cos kx dx. = 0. 1. . 1. obzirom na normu 2π 1/2 u 2 = 0 |u(t)|2 dt . . Ako periodiˇku funkciju f osnovnog perioda duljine 2π ˇelimo aproksimirati c z redom oblika ∞ a0 + (ak cos kx + bk sin kx). Da bismo dobili ˇeljeni razvoj moramo poznavati z relacije diskretne relacije ortogonalnosti. Posebno. za pripadnu mjeru moˇemo uzeti i diskretnu mjeru. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 419 Na sliˇan naˇin. k = > 0. . .1. te.1 Za trigonometrijske funkcije. Teorem 7. . .

⎩ x=0 N + 1. . . N +1 N +1 (7. (N + 1)/2. N +1 x=0 x=0 N k= . koriˇtenjem De Moivreove s formule (za potenciranje kompleksnih brojeva) napisati kao ω = cos ωj = ω j . uz uvjet da je k + ≤ N. k = = 0.7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 420 vrijede sljede´e relacije ortogonalnosti c N sin xk sin x = x=0 N 0. pa je N 2π (k − )x = cos cos 0 = N + 1. N onda su argumenti prvog kosinusa s desne strane redom 0. Ako je k + ≤ N. . ˇ koristimo znanje iz kompleksne analize. onda su svi argumenti prvog kosinusa 0. . Dokaz. N +1 N +1 Primijetite da se tada svi (N + 1)-vi korijeni iz 1 mogu. . . . j = 0. .1) 2π 2π + i sin . (k − ). k = i k = = 0. Oznaˇimo s c s c ωj . . cos xk cos x = (N + 1)/2. . . . sin xk cos x = 0 x=0 N k= . .9. (k − ). N +1 N +1 N +1 Ako je k = . 2π 4π 2Nπ (k − ). N sve (N + 1)-ve korijene iz 1. oznaˇimo s c 2πj 2πj + i sin . Za sluˇaj k = c 2π (k − ) N +1 podsje´aju na argumente (N + 1)-og korijena iz 1 (“viˇak” je (k − )). Dokaˇimo samo prvu relaciju. Clanovi ωj = cos Nadalje. Iskoristimo formulu za pretvaranje produkta z dva sinusa u zbroj trigonometrijskih funkcija. onda su za x = 0. k = = 0. k = = 0. Vrijedi sin xk · sin x = sin 2π 2π kx · sin x N +1 N +1 2π 2π 1 (k − )x − cos (k + )x = cos 2 N +1 N +1 ⎧ ⎨ 0. . 1.

nju moˇemo napisati u faktoriziranom obliku kao z z xN +1 − 1 = (x − ω 0 )(x − ω 1 ) · · · (x − ω N ). vrijedi c 2πj = 0. To bi odgovaralo izboru korijena ω = cos 2π(k − ) 2π(k − ) + i sin N +1 N +1 umjesto ω. N +1 Primijetimo da su argumenti kosinusa u prethodnoj formuli argumenti (N + 1)-og korijena iz 1. Odmah je jasno da vrijedi N N ωj = j=0 j=0 ωj .7. pa je dokazano da je N cos j=0 2πj(k − ) = 0. Drugim rijeˇima. N +1 Vratimo se na poˇetak. dobivamo 0=− Iskoristimo li (7. c Usporedivanjem ˇlanova uz N-tu potenciju slijeva i zdesna. N +1 . Trebali smo dokazati da je c N cos j=0 2πj (k − ) = 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 421 Oˇito svi ω j zadovoljavaju jednadˇbu xN +1 − 1 = 0. nuli moraju biti jednaki i njegov realni i c njegov imaginarni dio. cos N +1 j=0 N N sin j=0 2πj = 0. sin N +1 N +1 j=0 Budu´i da je kompleksan broj jednak 0. Iskoristimo li da su ω j svi c z korijeni te jednadˇbe. j=0 0= j=0 ωj = j=0 cos N 2πj 2πj +i . pomnoˇeni s (k − ). ˇto znaˇi da su to argumenti od (ω j )(k− ) = z s c (k− ) j (ω ) . N +1 Na sliˇan se naˇin pokazuje da je c c N cos j=0 2πj(k + ) = 0.9.1) dobivamo N N N ωj .

a pripadna trigonometrijska aproksimacija ima oblik TN (x) = pri ˇemu je c xk = 2π 2π kx := kx. N} c z moˇemo koristiti kao ortogonalnu familiju. tj. c Ovo znaˇi da restrikcije funkcija c cos 2π kx. N +1 sin 2π kx N +1 (7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 422 za j + k = 0. L. . ˇime je pokazana relacija ortogonalnosti za sinuse. z Neparan broj toˇaka c Neka je zadan neparan broj toˇaka M = {0. mnoˇenjem lijeve i desne strane u (7. . na mreˇi {0.9. . c Naˇalost baze takvih trigonometrijskih polinoma ovise o parnosti N.7. + 2 k=1 (7. 1. . .3) izabranom funkcijom c c z baze uz koju je odgovaraju´i koeficijent. Linearne kombinacije funkcija (7.9.9. = 2 Odatle odmah zakljuˇujemo da je (piˇu´i k umjesto ) c s c 2 ak = 2L + 1 2L f (x) cos xk . x=0 k = 0.3) Koeficijenti trigonometrijskog polinom odreduju se iz relacija ortogonalnosti na uobiˇajeni naˇin. . Za bazu se c tada uzima prvih L + 1 kosinusa (prvi je konstanta) i prvih L sinusa. . . N +1 2L + 1 L a0 (ak cos xk + bk sin xk ). ako je Tn (x) = f (x) onda mnoˇemjem (7. N = 2L}.2) pri ˇemu su dozvoljeni k ∈ N0 za kosinuse i k ∈ N za sinuse.9.2) z zvat ´emo trigonometrijski polinom. . .3) z s cos x ≥ 0 i upotrebom relacija ortogonalnosti dolazimo do koeficijenata a f (x) cos x = L L a0 cos x + ak cos xk cos x + bk sin xk cos x . Ako trigonometrijski polinom interpolira c TN interpolira funkciju f u x ∈ M. . .9. 2 k=1 k=1 Zbrajanjem po svim x dobivamo 2L x=0 f (x) cos x = L L 2L 2L a0 2L cos 0 cos x + ak cos xk cos x + bk sin xk cos x 2 x=0 x=0 x=0 k=1 k=1 2L + 1 a. .

4) su c c c 1 ak = L bk = 2L−1 f (x) cos xk . . k = 1. .1 Pokaˇite da za bilo koju toˇku x∗ . ne nuˇno iz M vrijedi z c z TN (x∗ ) = 1 2L + 1 2L 2L f (x) x=0 k=0 cos 2π k(x − x∗ ) 2L + 1 . N +1 L a0 L−1 1 + (ak cos xk + bk sin xk ) + aL cos xL . . a pripadna trigonometrijska aproksimacija ima oblik TN (x) = pri ˇemu je c xk = π 2π kx := kx. L. 1 2L f (x) sin xk . . . . . imamo c 2 bk = 2L + 1 2L f (x) sin xk . . k = 1. 1. x=0 k = 1.9. . L. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 423 Na sliˇan naˇin. L. . N = 2L − 1}. . . . . L − 1. . mnoˇenjem sa sin x . .7. L.9. f (x) sin xk . . . u sluˇaju neparnog broja toˇaka koeficijenti u (7. x=0 2L k = 0. koeficijenti u (7. . x=0 .4) Na sliˇan naˇin kao kod neparnog broja toˇaka. . Za bazu se c tada uzima prvih L + 1 kosinusa (prvi je konstanta) i prvih L − 1 sinusa. .3) su c c ak = bk = 2 2L + 1 2 2L + 1 2L f (x) cos xk . . Dakle. . x=0 Zadatak 7. = 2 Sliˇno kao kod ak . .9. c c z 2L > 0 i zbrajanjem po svim x dobivamo L L 2L 2L a0 2L f (x) sin x = cos 0 sin x + ak cos xk sin x + bk sin xk sin x 2 x=0 x=0 x=0 x=0 k=1 k=1 2L + 1 b. 2 2 k=1 (7. x=0 2L−1 k = 0.9. Paran broj toˇaka c Neka je zadan paran broj toˇaka M = {0.

2 3 3 Prema formulama za koeficijente. broj toˇaka je neparan. M ≤ N.2 Pokaˇite da i u sluˇaju neparnog i u sluˇaju parnog broja toˇaka.9. z jer je dovoljno uzeti podskup baze prostora.9. Ilustrirajmo to na sluˇaju N = 2L paran (broj toˇaka neparan) i M = 2m c c paran (neparna dimenzija potprostora). pa je c c 1 2π 2π T2 (x) = a0 + a1 cos x + b1 sin x. TN z c c c ima period N + 1. Sliˇno kao kod interpolacije biramo c poˇetni dio baze (7. Zbog toga se jednostavno koristi za interpolaciju trigonometrijskih funkcija. (7. Takoder moramo paziti na parnost/neparnost broja toˇaka c c N i na parnost/neparnost stupnja trigonometrijskog polinoma M. 3 3 3 Prma tome. trigonometrijski polinom koji interpolira zadane toˇke je c 2π 2 2 − cos x.1 Funkcija f ima period 3 i zadana je tabliˇno s c xk fk 0 0 1 1 2 1 Nadimo trigonometrijski polinom koji interpolira f u svim toˇkama iz Z.5) TM (x) = A0 = 2 k=1 .2). dobivamo a0 = 4 2 (0 cos 0 + 1 · cos 0 + 1 · cos 0) = 3 3 4π 2 2π 2 a1 = + 1 · cos 0 cos 0 + 1 · cos =− 3 3 3 3 4π 2 2π + 1 · sin b1 = 0 sin 0 + 1 · sin = 0. a dovoljno je zadati samo toˇke x iz jednog perioda. 3 3 3 T2 (1/2) = Metoda majnanjih kvadrata za trigonometrijske funkcije I za metodu najmanjih kvadrata moˇemo koristiti trigonometrijske polinome.7.9. c Budu´i da je N = 2. Trigonometrijski polinom odgovaraju´eg c stupnja je m 1 (Ak cos xk + Bk sin xk ). c Primjer 7. 3 3 3 Odatle se odmah moˇe izraˇunati da je z c T2 (x) = π 1 2 2 − cos = 3 3 3 3 4 2 2 T2 (3/2) = − cos π = . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 424 Zadatak 7. a zatim c izraˇunajmo TN (1/2) i TN (3/2).9.

k = 0. 2L interpolacijski polinom ima istu vrijednost c kao funkcija f . x = 0. Dakle. . Izlazi s 2L S := = (TN (x) − TM (x))2 2L m 1 (a0 − A0 )2 + ((ak − Ak ) cos xk + (bk − Bk ) sin xk )2 4 x=0 x=0 k=1 2L L x=0 2L + x=0 k=m+1 (ak cos xk + bk sin xk )2 2L m 1 = (a0 − A0 )2 · (2L + 1) + (ak − Ak )2 cos2 xk 4 x=0 k=1 + 2(ak − Ak )(bk − Bk ) cos xk sin xk + (bk − Bk )2 sin2 xk 2L L + x=0 k=m+1 (a2 cos2 xk + 2ak bk cos xk sin xk + b2 sin2 xk ) k k . m. . M = 2m dobiven metodom najmanjih kvadrata. u toˇkama interpolacije x vrijedi c f (x) − TM (x) = TN (x) − TM (x). m Bk = bk . Primijetite da u toˇkama interpolacije x. N +1 2L + 1 Metoda najmanjih kvadrata minimizira kvadrat greˇke s 2L S= (f (x) − TM (x))2 → min . . x=0 Tvrdimo da je rjeˇenje problema mininizacije trigonometrijski interpolacijski s polinom kojemu je Ak = ak . c a koeficijenti ak i bk se raˇunaju po formulama za interpolaciju. . . Vrijedi m 1 TN (x) − TM (x) = (a0 − A0 ) + ((ak − Ak ) cos xk + (bk − Bk ) sin xk ) 2 k=1 L + k=m+1 (ak cos xk + bk sin xk ). . N = 2L i trigonometrijski polinom TM . Greˇka S koju minimiziramo dobiva se upotrebom relacija ortogonalnosti. pa je dovoljno (u toˇkama interpolacije) usporedivati interpolacijski c trigonometrijski polinom TN . . k = 1. . . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 425 gdje je xk = 2π 2π kx := kx. .7. .

odmah je vidljivo da je greˇka S minimalna ako je s Ak = ak . . L − 1.3 Dokaˇite da vrijedi z Smin 2L + 1 2 2L + 1 m 2 = (f (x)) − (ak + b2 ) a0 − k 4 2 k=1 x=0 2 2L koriˇtenjem relacija ortogonalnosti. 1. . broj toˇaka neparan N = 2L. tj. i njena minimalna vrijednost jednaka je Smin = 2L + 1 L (a2 + b2 ). jer uobiˇajeno ne znamo ak . Ovaj oblik minimalne greˇke nije praktiˇan. . s c c Zadatak 7. . dimenzija prostora neparna M = 2m. c Zadatak 7. k 2 k=m+1 k Prema tome. . Greˇka pritom c s ne mora biti 0. . . . Bk = bk . c f (x + P ) = f (x). k 2 k=m+1 k k = 0. c 3. . c 2. broj toˇaka paran N = 2L − 1. . m k = 1. . . Pokaˇite da su tada z ak = bk = 2 P 2 P L f (x) cos x=−L+1 L 2π kx. .9. broj toˇaka paran N = 2L − 1. jer nagli pad greˇke pri dizanju stupnja s trigonometrijskog polinoma znaˇi da smo otkrili stupanj polinoma. bk za k > m. f (x) sin x=−L+1 . P − 1}. . Zadatak 7. . dimenzija prostora parna M = 2m − 1. . P k = 0. m. .9. Prethodni oblik greˇke ˇesto se koristi za des s c tekciju stupnja trigonometrijskog polinoma. P 2π kx. dimenzija prostora parna M = 2m − 1.4 Izvedite metodu najmanjih kvadrata za tri preostala sluˇaja: c 1. jer je pojava mogla imati sluˇajne greˇke koje smo ionako ˇeljeli c s z maknuti. toˇaka je paran broj) i neka je P period funkcije f .5 Neka je funkcija f zadana na mreˇi toˇaka M = {0.7. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 426 1 2L + 1 m 2 = (a0 − A0 ) · (2L + 1) + (ak − Ak )2 + (bk − Bk )2 ) 4 2 k=1 2L + 1 L + (a2 + b2 ). L k = 1. . z c P neparan (tj. .9.

Primjer 7. . Ako je f parna funkcija f (−x) = f (x). k = 1. da funkcija s ima neparan period.1] max |ex − a0 − a1 x| → min . pokaˇite da je z 2 4 ak = (f (0) + f (L) cos kπ) + P P bk = 0. Minimaks aproksimacija Neka je f neprekidna funkcija na [a. P k = 1.10. . L − 1. . pokaˇite da je z ak = 0. c tj. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 427 Ako je f neparna funkcija f (−x) = −f (x). . deg(p)≤n To znaˇi de ne postoji polinom stupnja manjeg ili jedmakog n koji bi bolje od p c aproksimirao funkciju f na danom intervalu. . . 1].10. n z Ako je polinom pn jedinstven. Polinom ∗ pn zovemo minimaks aproksimacija funkcije f na intervalu [a. naravno interesira za koji se polinom dostiˇe ta greˇka z s ρn (f ) = f − p∗ ∞ . 7. P k = 0. Nacrtajmo s graf funkcije ex i promatrajmo greˇku svih polinomnih aproksimacija s err(x) = ex − (a0 + a1 x) . . tj. zanima nas kako ga moˇemo konstruirati. da vrijedi x∈[−1. pitamo se koja je od njih najbolja. L−1 f (x) cos x=1 2π kx. .9. . b]. b]. potrebno je malo geometrijskog zora. Oznaˇimo s ρn (f ) maksimalnu greˇku s c s aproksimacije ρn (f ) = inf f − p ∞. Nas. . koja daje najmanju maksimalnu greˇku. .1 Nadimo polinom prvog stupnja p∗ (x) = a0 + a1 x koji je minimaks 1 aproksimacija funkcije f (x) = ex na intervalu [−1. Da bismo rijeˇili problem. L Zadatak 7. .7. .6 Rijeˇite prethodni zadatak uz uvjet da je P = 2L + 1. Ako usporedujemo polinomne aproksimacije funkcije f dobivene razliˇitim metodama. tj. Pokaˇimo kako se najbolja aproksimacija ponaˇa na jednom jednostavnom z s primjeru. L L−1 f (x) sin x=1 2π kx. bk = 4 P k = 0. L − 1.

s Sad moˇemo skupiti sve ˇetiri jednadˇbe koje trebamo zadovoljiti z c z e−1 − a0 + a1 = ρ1 e − a0 − a1 = ρ1 Rjeˇenje te ˇetiri jednadˇbe je s c z e − e−1 ≈ 1. nazovimo ih x1 . Rjeˇenje zadatka je pravac paralelan s prethodna dva.1] Ve´ smo zakljuˇili da pogreˇka mora imati tri ekstrema. moˇe se pokazati da postoji bolja aproksimacija. jednako udaljen od oba. odmah je jasno da linearna minimaks aproksimacija mora sje´i graf funkcije c x c c e na zadanom intervalu u toˇno dvije toˇke.2788 2 4 a0 = ρ1 + (1 − x3 )a1 ≈ 1. Odmah je jasno da ´e postojati toˇno tri toˇke u kojima ´e c c c c se dostizati maksimalne pogreˇke: rubovi intervala i x3 . ili ako ga sijeˇe u toˇno jednoj toˇki. a1 = ex3 − a0 − a1 x3 = −ρ1 ex3 − a1 = 0. Budu´i da je err(x) derivabilna.1752 2 x3 = ln a1 ≈ 0. onda moˇemo uvjet maksimuma pogreˇke u x3 c z s napisati i koriˇtenjem derivacije. Pokaˇite c c c z z to! Iz crteˇa odmah naslu´ujemo i rjeˇenje.1614 1 x3 ρ1 = e−1 + (e − e−1 ) ≈ 0.2643. y −1 x3 1 x Prvo. ako polinom ne sijeˇe graf niti u jednoj toˇki. tj. x∈[−1. Oznaˇimo z s c c ρ1 = max | err(x)|. . err(x3 ) = −ρ1 . err(1) = ρ1 . err (x3 ) = 0. Zatim. x2 takve da je −1 < c c x1 < x2 < 1. nadimo koeficijent a0 takav da je taj pravac tangenta c s funkcije ex u nekoj toˇki x3 . e). U protivnom. Nadimo jednadˇbu pravca kroz toˇke z c s z c (−1. s Pokaˇimo sad precizno da su naˇa zakljuˇivanja ispravna. tj. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 428 na zadanom intervalu. mora vrijediti c c s err(−1) = ρ1 . e−1 ) i (1.7.

Taj polinom je p∗ (x) = 0. reda veliˇine 0.2788 1 x Koriˇtenjem tzv. c y 0.179533x3.542973x2 + 0.995668x + 0.0055 .2788 x3 −1 −0.7. c y −1 1 x jer ´e greˇka biti iznimno mala.0055 i opet karakteristiˇno oscilic s c c raju´a. 3 Ako nacrtamo graf tog polinoma.0055 −1 1 x −0. s c c y 0.994579 + 0. Remesovog algoritma moˇemo konstruirati i kubiˇni polinom s z c koji najbolje aproksimira istu funkciju. on se na slici ne´e razlikovati od funkcije. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 429 Graf pogreˇke ima karakteristiˇan osciliraju´i izgled.

. c Dokaz prethodnog teorema je tehniˇki. b] i za dani n ≥ 0 postoji jedinstven polinom p∗ stupnja manjeg ili n jednakog n za koji je ρn (f ) = f − p∗ ∞ . n + 1. 1. . Pretpostavimo da je ρn (f ) < 0≤j≤n+1 min |ej |. bez da se sam polinom s izraˇuna. Drugi ocjenjuje z s pogreˇku minimaks aproksimacije ρn polinoma stupnja n. . . n + 1 c a ej su razliˇiti od 0 i istog predznaka. pri ˇemu je σ = ±1 i ovisi samo o f i n. b] i n ≥ 0. realno je oˇekivati da je c greˇka jednako tako uniformno distribuirana na intervalu aproksimacije i da varira s po predznaku. 0≤j≤n+1 ∞ Dokaz. .10. n j = 0. .1 (Cebiˇevljev teorem o oscilacijama greˇaka) Za danu funks s ciju f . Teorem 7. Posljednja nejednakost (gornja ograda) u prethodnoj formuli posljedica je definicije minimaks aproksimacije. n Taj polinom je karakteriziran sljede´im svojstvom: postoje barem n + 2 toˇke c c a ≤ x0 < x1 < · · · < xn < xn+1 ≤ b za koje je f (xj ) − p∗ (xj ) = σ(−1)j ρn (f ). .10. Donja ograda za ρn (f ) dokazuje se pretostavljanjem suprotnog. Tada je min |ej | ≤ ρn (f ) = f − p∗ (x) n ≤ f −P ∞. j = 0. Iznijet ´emo dva vrlo vaˇna teorema. . da polinom p∗ ima maksimum pogreˇke manji s n ili jednak od svih ostalih polinoma P .7. c ˇ Teorem 7. Pretpostavimo da polinom P stupnja manjeg ili jednakog n zadovoljava f (xj ) − P (xj ) = (−1)j ej . f ∈ C[a. tj. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 430 Za dobru uniformnu aproksimaciju zadane funkcije f . vrlo dugaˇak i provodi se obratom po c c kontrapoziciji. za xj vrijedi a ≤ x0 < x1 < · · · < xn < xn+1 ≤ b. od kojih prvi daje egzistenc z ciju minimaks aproksimacije i vaˇno svojstvo o oscilaciji greˇaka.2 (de la Vallee–Poussin) Neka je f ∈ C[a. .

10. Ali R je polinom stupnja n.7. . s s Predodˇbu o tome kako se ponaˇa najbolja aproksimacija s porastom stupnja z s n daje sljede´i teorem. n + 1. Zbog jednostavnosti. Jedina mogu´nost koja ostaje je da je R c c c baˇ nul-polinom. . Induktivno. c Teorem 7. Po osnovnom teoremu algebre znamo da polinom R stupnja n ≥ 1 ima c toˇno n nultoˇaka. a ne bar (n + 1)-nu. tj. vrijedi ρn (f ) ≤ f − Q ∞ < 0≤j≤n+1 min |ej |. Poˇnimo s x0 i promotrimo predznak rezultata c c R(x0 ) = P (x0 ) − Q(x0 ) = (f (x0 ) − Q(x0 )) − (f (x0 ) − P (x0 )) = (f (x0 ) − Q(x0 )) − e0 . da predznak promijeni c bar n + 1 puta. tj.y≤b sup |f (k) (x) − f (k) (y)| ≤ M|x − y|α . tj. pretpostavimo da c c su svi ej > 0 (isti argument radit ´e i ako su svi manji od 0). da je P = Q. onda c c sigurno postoji bar jedan polinom Q stupnja manjeg ili jedankog n koji se nalazi izmedu ρn (f ) i minimuma |ej |. Izraˇunajmo vrijednosti polinoma R u toˇkama xj . Cak ˇtoviˇe pretpostavimo da f (k) zadovoljava s a≤x. . . Primijetite da polinomi P i Q nisu jednaki! Definiramo R(x) = P (x) − Q(x).3 (Jackson) Neka funkcija f ima k neprekidnih derivacija za neki ˇ s k ≥ 0. dobivamo da je sign(R(xj )) = (−1)j+1 . R oscilira tako da ima bar n + 2 razliˇita predznaka. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 431 Budu´i da je ρn (f ) infimum (zaboravimo naˇas da smo dokazali i minimum). R je polinom stupnja manjeg ili jedankog n. j = 0. slijedi da je R(x1 ) = (f (x1 ) − Q(x1 )) + e1 > 0. tj. pa predznak moˇe mijenjati samo u z nultoˇkama. Nadalje je R(x1 ) = P (x1 ) − Q(x1 ) = (f (x1 ) − Q(x1 )) − (f (x1 ) − P (x1 )) = (f (x1 ) − Q(x1 )) + e1 . Budu´i da je c |f (x0 ) − Q(x0 )| < min |ej | = min ej ≤ e0 . zbog |f (x1 ) − Q(x1 )| < min |ej | = min ej ≤ e1 . ˇto je suprotno pretpostavci. onda je R(x0 ) = f (x0 ) − Q(x0 )) − e0 < 0. Ponovno.

a kao rezultat o c dobivamo dk−1 ρn (f ) ≤ k f (k) ∞ . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 432 za neki M > 0 i neki 0 < α ≤ 1. Remesov algoritam Traˇenje minimaks aproksimacije p∗ za f moˇe se prona´i iterativnim algoritz z c n mom poznatijim kao drugi Remesov algoritam. z 7. a posljednja je E. .1. Drugi korak . Ako u prethodnom teoremu ˇelimo izbje´i H¨lderov uvjet. (0) (0) (0) (0) (0) i = 0.10. k ≥ 1. . b] brˇe nego bilo koja potencija 1/nk . tj. nk+α n ≥ 1. Ovdje treba napomenuti da se taj algoritam moˇe generalizirati i na racionalne funkcije i na sluˇaj kad funkcija f nije z c zadana na intervalu. ako je f beskonaˇno puta derivabilna. Prehodna ralacija vodi na linearni sustav s n + 2 nepoznanice od kojih su n + 1 koeficijenti polinoma p. nego na skupu toˇaka (tada se on zove diferencijalni algoritam c korekcije). n + 1. Iteracije imaju tri dijela. .7. kaˇe se da f zadovoljava H¨lderov uvjet s z o eksponentom α. stavljamo α = 1 i M = f (k) ∞. . Tada se H¨lderov uvjet svede na obiˇni teorem srednje vrijednosti. Remesov algoritam koristi svojstvo oscilacije greˇke koje mora imati minimaks s aproksimacija. pri ˇemu zahtjevamo da pogreˇka E (koju joˇ ne znamo) oscilira s jednakim amplic s s tudama. tada p∗ konvergira prema f c n uniformno na [a. Umjesto k-te derivacije svugdje dalje u teoremu koristimo (k − 1)-u. Tada postoji konstanta dk nezavisna o f i n za koju je ρn (f ) ≤ Mdk . Prvi korak Zadane su n + 2 toˇke c a ≤ x0 < x1 < · · · < x(0) < xn+1 ≤ b. n Nadalje. dovoljno je pretz c o postaviti da f im k neprekidnih derivacija. n koje odreduju polinom p stupnja deg(p) ≤ n iz uvjeta f (xi ) − p(xi ) = (−1)i E.

ako je x toˇka u kojoj |h0 | poprima globalnu maksimalnu vrijednost na [a.. Skoro minimaks aproksimacije Vidjeli smo da minimaks aproksimaciju nije jako lako izraˇunati. Ako se prisjetimo z ˇ s Cebiˇevljevog teorema o oscilaciji greˇke. a(0) (koeficijente polis n noma p) i nadimo pirpadni E.. zovimo ga E0 . treba ponoviti drugi. x x i ona nije medu toˇakama xi . Definiramo funkciju z c h0 (x) = f (x) − (0) n i=0 (0) ai xi . (1) (1) Ako je omjer M/m dovoljno blizu 1. b]. z Primjernom teorema 7. Zbog toga. Nakon toga zamjenjujemo xi s xi .2 dobivamo da je m := i=0.. . ..7. onda treba onda treba zamijeniti jednu od toˇaka c c (1) c ¯ c z xi toˇkom x.10. Tre´i korak c Traˇimo novih n + 2 toˇaka. odredimo redom a0 . b] h0 ∞ (1) (1) = f −p ∞ = |f (¯) − p(¯)|.n+1 max |f (xi ) − p(xi )|. c bili bismo zadovoljni i pribliˇnom minimaks aproksimacijom. rubne toˇke x0 i c (1) xn+1 moraju ostati u [a. smatramo da je nadeni p dovoljno blizu polinomne minimaks aproksimacije za f . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 433 Rijeˇimo linearni sustav.n+1 min |f (xi ) − p(xi )| ≤ ρn (f ) ≤ M := (1) (1) i=0. nije teˇko pokazati da u okolini svake toˇke xi postoji s c (1) s toˇka xi takva da u njoj h0 (x) ima ekstrem i to istog predznaka kao ˇto je predznak c (0) (0) (0) (1) (1) f (xi ) − p(xi ). Moˇe se pokazati da se to uvijek moˇe napraviti. c c Ovaj proces generirat ´e niz polinomnih aproksimacija ´e uniformno konvergirati c c prema minimaks polinomnoj aproksimaciji.11. b]. (1) 7. tj. samo na novim toˇkama xi .. U protivnom.. z . moˇemo do´i do metode koja daje dobru s z c pribliˇnu minimaks aproksimaciju. Naravno. pa tre´i korak. (0) Funkcija h0 ima u toˇkama xi vrijednosti ±E0 (to su greˇke) koje alterniraju c s (0) po predznaku.. .. z c Ove nove toˇke xi “lokalnih” ekstrema funkcije h0 moraju sadrˇavati i toˇku c z ¯ c u kojoj |h0 | dostiˇe globalni maksimum na [a. tako da h0 i na tom novom skupu toˇaka alternira po znaku. . Zbog toga. Naime.

2 i=1 (7. Tm (x) Tn (x) √ za m = n = 0. neka je c c fn (x) = n c0 T0 (x) + ci Ti (x). Za uniformnu konvergenciju. tj. onda se moˇe pokazati da vrijedi z f (x) − fn (x) = ∞ i=n+1 x = cos ϑ. koji zadoc voljavaju sljede´u relaciju ortogonalnosti c 1 −1 za m = n. π 1 − x2 −1 Oznaˇimo s fn poˇetni komad razvoja. 1] tada razvoj (7. ⎧ ⎪ 0. zatim teˇinskom funkcijom w i integriramo od −1 do 1. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 434 ˇ s Vidjet ´emo da su u tu svrhu vrlo pogodni Cebiˇevljevi polinomi. Iz definicije Tn+1 izlazi |Tn+1 (x)| = | cos(n + 1)ϑ| ≤ 1. dx = π.1) onda ´emo.1) konvergira. Zelimo odrediti koeficijente ck u razvoju funkcije c ˇ sevljevim polinomima. . ⎪ ⎩ 1 − x2 π/2. π2 Kako se ponaˇa greˇka odbacivanja reda? Ako se prisjetimo da je s s Tn (x) = cos nϑ. u smislu da je 1 n→∞ −1 lim √ 1 f (x) − fn (x) 1 − x2 2 dx = 0. Ako je razvoj napiˇemo u obliku f po Cebiˇ s f (x) = ∞ c0 T0 (x) + ci Ti (x). ci Ti (x) ≈ cn+1 Tn+1 (x) = cn+1 cos(n + 1)ϑ. −1 ≤ x ≤ 1. Dobivamo z formulu 1 2 f (x)Tj (x) √ cj = dx. ⎨ ˇ s Ako ˇelimo funkciju f razviti po Cebiˇevljevim polinomima.11. koeficijent cj dobiti ako pomnoˇimo prethodnu rec c z laciju s Tj (x). potrebno je samo supz ˇ stituirati podatke u op´i algoritam. za m = n = 0. ako je cn+1 = 0 i ako koeficijenti ci brzo konvergiraju k 0. 2 i=1 Ako je f ∈ C[−1. moˇemo pokazati dosta jak rezultat z ρn (f ) ≤ f − fn ∞ ≤ 4+ 4 ln n ρn (f ).11. formalno gledaju´i.7.

. . . n + 1. 2(n + 1) j = 0. . . . . 2 j = 0. . k = 0. . S druge strane. . . . pa su ekstremi Tn+1 jednaki xk = cos Drugim rijeˇima. lokalni ekstremi se postiˇu kad je z (n + 1)ϑk = kπ. Minimum τn se dostiˇe samo za xn + P (x) = Pripadna pogreˇka je s τn = 1 2n−1 . . . n. c Teorem 7.11.7. promatrajmo minimizacijski problem τn = deg(P )≤n−1 −1≤x≤1 inf ( max |xn + P (x)|). . Nultoˇke pripadnog c s c c kosinusa su na odgovaraju´em intervalu su c (n + 1)ϑj = pa su nultoˇke Tn+1 jednake c xj = cos (2j + 1)π . . (2j + 1)π . Primijetite da tih ekstrema ima toˇno n + 2 i da alterniraju po znaku. . n + 1. Po Cebiˇevljevom teoremu o oscilaciji greˇaka. n. k = 0. onda je jasno da ona ima n + 2 lokalna ekstrema ˇ s jednakih amplituda.1 Za fiksni prirodni broj n. . . n + 1. 1 2n−1 Tn (x). . s s Vrijedi sljede´i teorem. kπ . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 435 Nultoˇke i ekstreme polinoma Tn+1 nije teˇko izraˇunati. . Ako to c iskoristimo za funkciju cn+1 Tn+1 . z gdje je P polinom. vrijedi c Tn+1 (xk ) = (−1)k . s s c z ˇ s Postoji joˇ jedan razlog zaˇto se koristi razvoj po Cebiˇevljevim polinomima. (n + 1) k = 0. odatle odmah s izlazi da je fn skoro minimaks aproksimacija za f (ovo skoro minimaks potjeˇe od c toga ˇto je greˇka odbacivanja ˇlanova reda pribliˇno jednaka cn+1 Tn+1 ).

APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 436 Dokaz. u kojima je Tn (xk ) = (−1)k . Polinom ima vode´i koeficijent 1 i vrijedi c −1≤x≤1 Tn (x) = xn + ˇlanovi niˇeg stupnja. tj. i −1 = xn < xn−1 < · · · < x1 < x0 = 1. k = 0. . n. c z kπ .11. da je z τn < . Zbog toga je τn ≤ . . .2) Definiramo R(x) = 1 2n−1 Tn (x) − M(x). .7. . nije teˇko induktivno dokazati da je vode´i koeficijent c s c Tn jednak c z Tn (x) = 2n−1xn + ˇlanovi niˇeg stupnja. Pretpostavimo suprotno. Definicija τn i prethodna pretpostavka c pokazuju da postoji polinom M takav da je M(x) = xn + P (x). n j = 0. n 1 2n−1 1 Tn max 2 T = n−1 n 1 2n−1 1 2n−1 1 2n−1 . Zbog toga vrijedi da je 1 2n−1 Budu´i da su toˇke c c xk = cos lokalni ekstremi od Tn . Pokazat ´emo da to vodi na kontradikciju. . n ≥ 1. gdje je τn ≤ max |M(x)| < −1≤x≤1 deg(P ) ≤ n − 1. 1 2n−1 . (7. . Iz troˇlane rekurzije. s Pokaˇimo da je τn baˇ jednak desnoj strani. . .

Po Teoremu c 7. Taj s dio dokaza vrlo je sliˇan ovom ˇto je ve´ dokazano.11. to mora postojati bar n nultoˇaka.1. . ali nije jednostavno re´i c c kako. Odatle odmah izlazi da je c 1 M(x) = n−1 Tn (x). . onda znamo da je greˇka interpolas cionog polinoma stupnja n jednaka f (x) − pn (x) = (x − x0 ) · · · (x − xn ) (n+1) f (ξ).11. za polinom R vrijedi sign(R(xk )) = (−1)k . 1]. izlazi 1 R(x0 ) = R(1) = n−1 − M(1) > 0 2 1 R(x1 ) = − n−1 − M(x1 ) < 0. (n + 1)! Vrijednost (n+1)-ve derivacije ovisi o toˇkama interpolacije. onda ga linearnom transformacijom y = cx + d moˇemo svesti na zadani interval. minimum ´emo dobiti ako stavimo c 1 (x − x0 ) · · · (x − xn ) = n Tn+1 (x). . b]. −1≤x≤1 Polinom u prethodnoj relaciji je stupnja n+1 i ima vode´i koeficijent 1. ono ˇto moˇemo kontrolirati je izbor toˇaka interpolacije. nego s [a. Ako naˇ interval nije [−1. Odatle odmah ˇitamo da su ˇvorovi x0 . . . 2 n c c a minimalna ´e vrijednost biti 1/2 . xn c nultoˇke polinoma Tn+1 . Dakle izaberimo toˇke interpolacije xj ∈ [−1. Ispitajmo vrijednosti funkcije R u lokalnim ekstremima funkcije Tn . ˇ Interpolacija u Cebiˇevljevim toˇkama s c Ako se prisjetimo problema interpolacije.2) redom. 2n + 2 j = 0. pa je deg(R) ≤ c c n−1. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 437 Tvrdimo da ´e se vode´i koeficijenti funkcija s desne strane skratiti. Budu´i da ima bar n + 1 razliˇiti predznak. 2 Sad bi joˇ trebalo pokazati da je to jedini polinom s takvim svojstvom. . . . ˇto c c c s je mogu´e damo ako je R = 0. . 1]. . . c s c 7.12. Iz (7. Ipak. a njih smo ve´ izraˇunali da su jednake c c c xj = cos (2j + 1)π . Pretpostavimo s z c da interpoliramo funkciju na intervalu [−1. n. 1] z c tako da minimiziraju max |(x − x0 ) · · · (x − xn )|. 2 Tj.7.

1] x∈[−1.7. uz minimalni gubitak toˇnosti. Taj polinom ˇelimo zamijeniti polinomom stupnja za jedan z manjeg tako da je greˇka koja je pritom nastala minimalna mogu´a s c x∈[−1. izlazi da mora biti 1 1 (pn (x) − pn−1 (x)) ≥ n−1 .1] max |pn (x) − pn−1 (x)| → min . s c c tj. 5! M5 = max |f (5) (x)|. izbor pn−1 (x) je c pn−1 (x) = pn (x) − an Tn (x). c Pretpostavimo da je zadan proizvoljni polinom stupnja n pn (x) = an xn + an−1 xn−1 + · · · + a1 x + a0 . ˇ Cebiˇevljeva ekonomizacija s ˇ s Cebiˇevljevi polinomi mogu se koristiti za smanjivanje stupnja interpolacionog polinoma. Takav postupak zove se ekonomizacija. max x∈[−1. 1] Taylorovim polinomom oko 0 stupnja ˇetiri c p4 (x) = 1 + x + Greˇka odbacivanja tog polinoma je s |R4 (x)| ≤ M5 5 |x |. ako traˇimo z 1 (pn (x) − pn−1 (x)) → min .13. an 2 a s tim izborom je maksimalna greˇka jednaka s max |pn (x) − pn−1 (x)| = |an | max x∈[−1. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 438 7.1] Primjer 7.1] an Prema Teoremu 7. 2 6 24 .11.1] an 2 s tim da jednakost vrijedi kad je 1 1 (pn (x) − pn−1 (x)) = n−1 Tn (x). an 2 Drugim rijeˇima. na intervalu [−1.13. 1]. 2n−1 |an | 1 (pn (x) − pn−1 (x)) = n−1 . x∈[−1.1 Funkciju f (x) = ex aproksimiramo na intervalu [−1. Rjeˇenje problema se ne´e promijeniti ako normiramo vode´i koeficijent na 1.1] x2 x3 x4 + + . max x∈[−1.1 o minimalnom otklanjanju od polinoma xn .

Pretpostavimo da moˇemo tolerirati greˇku 0. onda je ukupna greˇka s c s s 0.0053. = 3 24 · 2 192 Pribrojimo li tu greˇku greˇci odbacivanja.023. Nije teˇko na´i T4 . Budu´i da je z s s c T3 (x) = 4x3 − 3x. 2 k=1 |x| ≤ 1.05.042 > 0.05. 192 8 24 Pritom je napravljena greˇka s |p3 (x) − p2 (x)| = 1 1 = ≈ 0. 6·4 24 Dodamo li tu greˇku na ve´ akumuliranu greˇku 0. s Postoji joˇ jedan naˇin ekonomizacije.023 + 0.0053 = 0. s s Naravno. 120 120 za −1 ≤ x ≤ 1. Znamo da se funkcije mogu razviti u s c ˇ sevljevim polinomima oblika red po Cebiˇ ∞ 1 f (x) = c0 + ck Tk (x).0283 + 0. stupanj polinoma p3 moˇemo pokuˇati joˇ smanjiti. napravljena je greˇka z s |p4 (x) − p3 (x)| ≤ 1 1 ≤ 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 439 Odmah se vidi da je M5 = e. dobivamo p2 (x) = p3 (x) − 13 a3 191 1 1 + x + x2 + x3 − (4x3 − 3x) T (x) = 3−1 3 2 192 24 6 4·6 191 9 13 = + x + x2 . recimo iz rekurzije s c T4 (x) = 8x4 − 8x2 + 1.0283. ˇto je bila dozvoljena tolerancija. onda je ukupna greˇka manja ili jednaka s s s 0.7. ˇto je prema uvjetima zadatka dozvoljiva greˇka. .0283. Pokazali smo da mora biti p3 (x) = p4 (x) − 1 a4 x2 x3 x4 + + − (8x4 − 8x2 + 1) T4 (x) = 1 + x + 4−1 2 2 6 24 8 · 24 191 1 13 = + x + x2 + x3 . pa pokuˇajmo z s s spustiti stupanj polinoma. 192 24 6 Tim sniˇavanjem stupnja. pa je greˇka odbacivanja s |R4 (x)| ≤ e 5 e |x | ≤ ≈ 0.042.

koriste´i algoritme na bazi diskretne orc c c ˇ s togonalnosti Cebiˇevljevih polinoma. Koeficijente ck u ovom razvoju moˇemo. uvrˇtavanjem s ˇ sevljevim polinomima dobivamo razvoja po Cebiˇ n fn (x) = m=0 am xm = n b0 + bm Tm (x). Takvo smanjivanje stupnja zove se i c relaksacija stupnja aproksimacije. a posebno za neparne potencije je k = (2x) 2m m 2m 2m = +2 T2k (x) m k=1 m − k m (2x)2m+1 = 2 k=0 2m + 1 T2k+1 (x). c S druge strane. c Taj razvoj napisan posebno za parne. Cebiˇevljev polinom i z ˇ s teˇinsku funkciju za Cebiˇevljeve polinome. Drugim c c rijeˇima. ako znamo (ili lako raˇunamo) koeficijente am u redu potencija c ∞ f (x) = m=0 am xm . pa c odbacivanje posljednjih ˇlanova bitno ne smanjuje toˇnost aproksimacije. 2 m=1 gdje su koeficijenti 2i≤n b2k = 2 i=k 2i a2i . i − k 22i 2i+1≤n b2k+1 = 2 i=k 2i + 1 a2i+1 . z z i to relativno brzo. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 440 ˇ s a koeficijenti u razvoju su integrali koji u sebi sadrˇe f . k pri ˇemu je c 1/2 za k = n/2. smanjili smo stupanj aproksimacije. 1 inaˇe. pa nakon toga z primijeniti postupak ekonomizacije (odbacivanjem ˇlanova) da dobijemo ravnomc jernije ponaˇanje pogreˇke. Taj postupak opisujemo u sljede´em odjeljku. m−k Ako za polinomnu aproksimaciju uzmemo polinom stupnja n.7. ˇ s onda potencije xm moˇemo razviti po Cebiˇevljevim polinomima. i − k 22i Vrlo se ˇesto dogada da su jedan ili nekoliko posljednjih koeficijenata bm maleni. . s s Moˇe se pokazati da vrijedi z [n/2] (2x) = 2 k=1 n k n Tn−2k (x). numeriˇki izraˇunati.

APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 441 7.1) d0 n−1 + dk cos kϑ. neka je Tn (xα ) = cos(nϑα ) = 0.14. osim najviˇe u konaˇno mnogo toˇaka. gdje je Uj. fn (cos ϑ) = ili fn (x) = Tada je dk = 2 n−1 2 n−1 f (cos ϑα ) cos kϑα = f (xα )Tk (xα ). 2 k=1 (7. 0 < j < n. z c Teorem 7. n α=0 n α=0 d0 n−1 + dk Tk (x).1 Neka je fn (x) aproksimacija za f (x). . tj. 2n n−1 α = 0. u nultoˇkama vrijede sljede´e relacije ortogonalnosti c c n−1 Uj.14. ϑα = (2α + 1)π . ˇ s Za Cebiˇevljeve polinome. k < n. 2 k=1 π (7.14. 2 k=1 Pretpostavimo da je f neprekidna na [−1. Diskretne ortogonalnosti polinoma Tn ˇ s Budu´i da su Cebiˇevljevi polinomi kosinusi. ˇ s Sada moˇemo funkciju razviti po Cebiˇevljevim polinomima koriste´i prethodz c nu relaciju diskretne ortogonalnosti. Nije teˇko izraˇunati da je tada s c xα = cos(ϑα ). j = k. s c c gdje ima ograniˇene skokove. .k = α=0 Tj (xα )Tk (xα ) = α=0 cos jϑα cos kϑα . c ˇ s Neka su xα nultoˇke Cebiˇevljevog polinoma Tn .2) −1 f (x)Tk (x) 2 √ dx = 2 π 1−x f (cos ϑ) cos kϑ dϑ.14. ⎩ n j = k = 0.7.k = ⎧ ⎨0 j. Tada se f moˇe razviti u konvergentan red oblika c z f (x) = gdje je 2 ck = π 1 ∞ c0 + ck Tk (x). n − 1. 1]. n/2 j = k. onda oni zadovoljavaju diskretne c relacije ortogonalnosti vrlo sliˇne onima koje zadovoljavaju trigonometrijske funkcic je. . 0 . Moˇe se pokazati da vrijedi sljede´i teorem. .

vrijedi = 0. Primijetite da su to ekstremi odgovaraju´eg c z c ˇ s Cebiˇevljevog polinoma. Teorem 7. r=1 Sljede´i teorem govori o greˇkama koje smo napravili aproksimacijom fn obzic s rom na f . n pri ˇemu su fn i f zadani s (7. n α = 0.1) i (7. u ekstremima vrijede sljede´e relacije ortogonalnosti c Vj. n − 1. . postoji veza izmedu koeficijenata u diskretnom i kontinuiranom razvoju: ∞ d 0 = c0 + 2 d k = ck + (−1)r c2rn ∞ r=1 ∞ r=1 (−1)r c2rn−k + (−1)r c2rn+k . . 2 α=1 . . tj. . n.14.7.k n−1 1 = (Tj (x0 )Tk (x0 ) + Tj (xn )Tk (xn )) + Tj (xα )Tk (xα ) 2 α=1 n−1 1 = ( cos jψ0 cos kψ0 + cos jψn cos kψn ) + cos jψα cos kψα .2 Neka je n (x) = f (x) − fn (x). pribliˇno z n (cos ϑ) c5n+r cos(2n + r)ϑ + c7n cos 4nϑ − · · · . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 442 Osim toga. ≈ cn cos nϑ 1 + n (cos ϑα ) 2cn+1 cos ϑ . Iz prethodnih teorema uoˇavamo da xα leˇe u unutraˇnjosti intervala. k = 1. . ˇ s Za Cebiˇevljeve polinome. ψα = απ .2).14. U c z s mnogim je primjenama je korisno dozvoliti aproksimaciju i u rubnim toˇkama ±1 i c toˇkama koje leˇe u sredini medu ϑα . . . Za greˇku c s 2n−1 n (cos ϑ) = cos nϑ cn + 2 r=1 tada vrijedi cn+r cos rϑ + c3n cos 2nϑ 2n−1 − sin 2nϑ c3n sin nϑ + 2 c3n+r r=1 2n−1 r=1 sin(n + r)ϑ + c5n sin 3nϑ + cos 3nϑ c5n cos 2nϑ + 2 odnosno. cn Posebno. neka je xα = cos(ψα ). Sada moˇemo napraviti sliˇan niz tvrdnji kao za diskretnu z c ortogonalnost u nultoˇkama. c ˇ s Neka su xα ekstremi Cebiˇevljevog polinoma Tn .14.

Moˇe se pokazati da vrijedi sljede´i teorem.14.3 Neka je fn (x) aproksimacija za f (x). n − 1.3) i (7.14.7.4 Neka je δn (x) = f (x) − fn (x). . pribliˇno z δn (cos ψ) ≈ −2 sin nψ sin ψcn+1 1 + 2cn+2 cos ψ . k < n. Za greˇku δn tada vrijedi c δn (cos ψ) = −2 sin nψ odnosno. = ⎩ n/2 j = k.2). s pri ˇemu su fn i f zadani s (7. k = 1. Sljede´i teorem govori o greˇkama koje smo napravili aproksimacijom fn obzic s rom na f . fn (cos ψ) = ili fn (x) = Tada je ek = = 2 f (1) + (−1)k f (−1) n−1 f (cos ψα ) cos kψα + n 2 α=1 2 f (1) + (−1)k f (−1) n−1 + f (xα )Tk (xα ) . . 0 < j < n.14. j = k. ek cos kψ + 2 2 k=1 Osim toga.k j. z c Teorem 7.14. 2 2 k=1 (7. n j = k = 0 ili j = k = n. cn+1 ∞ cn+r sin rψ r=1 . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 443 gdje je Vj. postoji veza izmedu koeficijenata u diskretnom i kontinuiranom razvoju: ∞ e0 = c0 + 2 en = 2cn + 2 c2rn r=1 ∞ c(2r+1)n r=1 ∞ ∞ ek = ck + r=1 c2rn−k + r=1 c2rn+k . ⎧ ⎨0 ˇ s Sada moˇemo funkciju razviti po Cebiˇevljevim polinomima koriste´i prethodz c nu relaciju diskretne ortogonalnosti.14. .3) e0 n−1 en + cos nψ. n 2 α=1 e0 n−1 en + ek Tk (x) + Tn (x). Teorem 7.

f (xn−1 ) ρ1 (xn−1 . algoritam koji ´e koristiti s c c reciproˇne razlike numerirat ´e toˇke indeksima od 1 do n (zbog toga u tablici c c c nema x0 ). xk x1 x2 . . xk ) = x0 − xk +ρk−2 (x1 . .. xn ) . . . xk−1 ) − ρk−1 (x1 . . . . odnosno. .7. a zatim veriˇni razlomak koji ´e interc z c polirati funkciju f u toˇkama x1 . . . ρn−1 (x1 . xk ) k ≥ 2. tzv. xk+1 ) ρ2 (xk . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 444 Posebno. .. . xn−1 ) ρ2 (xn−2 . xn ) ρ1 (xk . z “midpoint” pravilom). xn ) f (xn ) ρ1 (x1 . x3 ) . . . definirajmo reciproˇne razlike. . xk+2 ) ··· ρn−1 (x1 . ρ1 (x0 . . . . . . Ako se ck iz razvoja f integrira po trapeznoj formuli (vidjeti kasnije). Thieleova racionalna interpolacija Racionalne funkcije bolje aproksimiraju funkcije koje imaju singularitete. . I dk su koeficijenti koji se dobivaju pribliˇnom integracijom ck (modificiranom trapeznom formulom. jer ih oni sami nemaju. onda se takvom aproksimacijom dobivaju koeficijenti ek . f (x0 ) − f (x1 ) Za raˇunanje reciproˇnih razlika obiˇno se koristi tablica vrlo sliˇna onoj za c c c c podijeljene razlike. . xn (ovdje su indeksi od 1. xn ) ρ2 (x1 . x2 ) . a one viˇih redova rekurzivno kao s ρk (x0 . xk−1 ). Kao ˇto ´emo to pokazati kasnije. xk+1 . c Reciproˇne razlika nultog i prvog reda definiraju se redom kao c ρ0 (x0 ) = f (x0 ). ρk−1 (x0 . . . x1 ) = x0 − x1 . . . . . . Jasno je da polinomi ne mogu dobro aproksimirati funkciju s u okolini toˇke prekida.15. . . . . . . nego ˇto to mogu polinomi. . xn−1 xn f (xk ) f (x1 ) ρ1 (x1 . x2 ) f (x2 ) . a ne od 0). x2 . . ρ1 (xn−2 . . xn−1 . c Prvo. . . 7. vrijedi δn (cos ψα ) = 0.

. ˇesto se definiraju i inverzne razlike c c φ0 (x0 ) = f (x0 ). x1 ) = ρ1 (x1 . x2 ) − ρ0 (x1 ) (7. x2 . Pokaˇimo da vrijedi jedan vaˇan identitet iz kojeg ´emo izvesti Thieleovu forz z c mulu. x1 . φk−1(x0 . . x1 . . x2 )+ φ2 (x1 . .1) . Nije teˇko pokazati da vrijedi φ0 (x0 ) = ρ0 (x0 ). . . φ1 (x0 . xk ) = ρk (x0 . x1 .2) dobivamo s f (x) = f (x1 ) + x − x1 . x2 ) − ρ0 (x1 ) Uvrˇtavanjem tog izraza u (7. . x1 ) = ρ1 (x0 . . . x − x2 ρ1 (x1 . xn ) − ρn−2 (x1 . x2 ) = slijedi da je ρ1 (x.2) Iz ρ1 (x. xk−2 . . x1 ) = slijedi da je f (x) = f (x1 ) + Zatim. φ1 (x0 . xk−2 ). x2 ) x − x2 .15. . odnosno φk (x0 . Prvo.15. . xk ) = xk − xk−1 . u formuli za reciproˇne razlike uzmemo x0 kao varijablu i oznaˇimo je c c s x. . x2 ) + x − x2 + ρ0 (x1 ) ρ1 (x. x1 . xk ) − ρk−2 (x0 . ρ2 (x. . . . iz formule ρ2 (x. . .15. . ρ1 (x. .3) . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 445 Uz reciproˇne razlike. . . xk ) − φk−1(x0 . x1 ) (7. .7. .15. x2 ) + ρ2 (x. . φ0 (x1 ) − φ0 (x0 ) c s Postoji i veza izmedu inverznih i reciproˇnih razlika. xn−1 ) x − x1 f (x) − f (x1 ) x − x1 . . . . xn )+ x − xn (7. . odnosno za k ≥ 2 φk (x0 . x1 ) = x1 − x0 . Tvrdimo da je f (x) = f (x1 ) + x − x2 x − x1 x − xn−1 ··· φ1 (x1 . . . . x3 )+ φn−1 (x1 . xk−1 ) k ≥ 2. x1 ) − ρ1 (x1 . . ρn (x. . xk−2 . x1 ). . .

formulu (7.5) x − x1 x − xn−1 x − x2 ··· + φ (x .565 koriˇtenjem Thieleove interpolacione formule. x2 ) φn−1 (x1 . xn−1 ) (7. Prvo izraˇunajmo reciproˇne razlike. xn ) 2 1 2 3 (7. . 4. uz koriˇtenje definicije inc s verznih razlika.53 1. .5). .56 1.4) zove se Thielova interpolaciona formula. . x .15.4) jednak 0 za x = xn .1).15. . jer je ˇlan x − xn ρn (x.7. .15. .53 + 0. i = 0.56026 ρ1 ρ2 ρ3 ρ4 .1) dobivamo indukcijom po n.49841 0. x )+ φ1 (x1 .0207583 2. . Formula (7. . i = 1.000224507 92. Pokaˇimo joˇ jednu zanimljivu ˇinjenicu vezanu uz formulu (7.54 1. . . .15.62050 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 446 Konaˇno.15.15. onda ´e za racionalnu funkciju (veriˇni razlomak) s c c z R(x) = f (x1 ) + vrijediti R(xi ) = f (xi ). ako znamo vrijednosti funkcije tg u s toˇkama c xi = 1. gledamo R(xn−1 ) i f (xn−1 ).15. . n. x1 . c z c U svakoj daljnjoj toˇki xn−2 . . Pokaˇimo na nekoz liko primjera koliko je dobra ta interpolacija. pa je R(xn ) = f (xn ).000640314 48. .0106889 −0. . . .97955 −0. . . x1 .000008597 1255. c c xk 1.01 ∗ i. Ako z s c izbriˇemo zadnji ˇlan. Primjer 7.1). c To se odmah vidi iz (7. ako krenemo od xn . . . Nakon toga. xn ) − ρn−2 (x1 . .57 f (xk ) 24.07848 0.15. Oni su za jednu verigu kra´i i to za onu verigu koja sadrˇi “ˇlan razlike” (7.76557 −0.0308670 2.55 1.46114 0. . veriˇni je razlomak kra´i za jednu verigu od c z c prethodne.1 Aproksimirajte tg 1.96838 3.001255851 32.

55 x − 1.59113 0..f . z s Pretpostavimo da treba izraˇunati c ∞ S= n=0 an . 2 3 1 .15.49841 + x − 1.96713+ 3. N1 N2 N1 < N2 < · · · 1 1 .. I sumacija redova moˇe se znatno ubrzati koriˇtenjem racionalne ekstrapolacije.7. Oznaˇimo s SN . u toˇkama 1/N... z Ove vrijednosti SN moˇemo interpretirati kao vrijednosti neke funkcije f u toˇkama N. iz s f 1 1 .565 dobivamo s R(1. na primjer..53 . Ideja je f (0) izraˇunati kao ekstrapoliranu vrijednost od c f (1).2 Treba izraˇunati c S= koriˇtenjem racionalne ekstrapolacije. N-tu parcijalnu sumu reda c N SN = n=0 an .f .5211.56 x − 1.. + −24.565) = 172. f ili za neke viˇe N.5293+ 2. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 447 Thielova interpolacija daje R(x) = 24. c c c SN = f Oˇito je da vrijedi c S = S∞ = f (0). s 1 .565) = 172...54 x − 1.001255851 Uvrˇtavanjem 1. N Primjer 7.5208. 2 n=1 n ∞ . dok je prava vrijednost tg(1. ili u nekim drugim toˇkama.

527422052 −1.255616663 −1.097945891 −0.644927974.016938420 1.644924.947195880 −0. 8.423611111 1. 2 n=1 n N Shvatimo li to kao funkciju od x = 1/N i oznaˇimo S(x) = SN . dok je prava vrijednost π2 = 1. c x S(x) ρ1 ρ2 ρ3 ρ4 1 1.826059143 −0.25 1 Thielova interpolacija daje 1 1 1 1 x− x− x− 16 8 4 2 .44 9. R(x) = 1.584346533 + + −1. 4. 16 i izraˇunati c c Sn = 1 .644601.584346533 16 1 8 1 4 1 2 1 1.823024776+ 5. onda moˇemo c z formirati tablicu reciproˇnih razlika. dobivamo c S∞ = S3000 = 1. . S10000 = 1.644934067.238678243 −1.644901.924005034+ 0. Na primjer.644834. S30000 = 1.204112002 4. 2.089285214 −2 0.166126405 −1.7. Vidjet ´emo da taj red vrlo sporo konvergira. 6 Zanimljivo je spomenuti ˇto se dobije ako samo zbrajamo ˇlanove reda i ne eks c strapoliramo. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 448 Uzet ´emo N = 1. S100000 = 1.097945891 x− Uvrˇtavanjem 0 dobivamo s R(0) = 1.

U protivnom postojao bi problem konvergencije. neka je zadana funkcija c f : I → R.ˇ ˇ 8. z c c . gdje je I neki interval. Rjeˇavanje s nelinearnih jednadˇbi z 8. c s z c U pravilu. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 449 8.1. Op´enito o iterativnim metodama c Raˇunanje nultoˇaka nelinearnih funkcija jedan je od najˇeˇ´ih zadataka pric c c sc mijenjene matematike. korijeni pripadne jednadˇbe ili nultoˇke funkcije f . pretpostavljamo da je f neprekidna na I i da su joj nultoˇke c izolirane. Traˇimo sve one x ∈ I za koje je z f (x) = 0. Takve toˇke x zovu se rjeˇenja. y y x x Traˇenje nultoˇki na zadanu toˇnost sastoji se od dvije faze. Op´enito.

1). Ovo je teˇi dio posla i obavlja se na temelju analize toka c z funkcije.1 Niz iteracija (xn . s Osnovna pretpostavka za primjenu algoritma raspolavljanja je neprekidnost funkcije f na intervalu [a. n∈N (8. nalaˇenje intervala I unutar kojeg se nalazi s c z bar jedna nultoˇka.1. ali zbog toga ima i najloˇiju ocjenu s pogreˇke. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 450 1. onda dobivamo da je c |α − xn | ≤ cn |α − x0 |. Izolacije jedne ili viˇe nultoˇki.2) nego (8. . Ona funkcionira za neprekidne funkcije.1. c 8. I u sluˇaju (8. Brzina konvergencije se definira pomo´u reda konvergencije metode. b] i uvjet f (a) · f (b) < 0. re´i c s c c ´emo da niz iteracija konvergira linearno s faktorom c. upotrijebimo indukciju po n.1. z c z c Postoji mnogo metoda za nalaˇenje nultoˇaka nelinearnih funkcija na zadanu z c toˇnost.2) Katkad ´e biti mnogo lakˇe pokazati (8. imamo li c c sigurnu konvergenciju ili ne i po brzini konvergencije. c c Definicija 8. Iterativno nalaˇenje nultoˇke na traˇenu toˇnost. dok je sporije metode imaju. 2. Ako je p = 1.1) za neki c > 0. Ako za sluˇaj p = 1 i c < 1 u (8.ˇ ˇ 8. (8.1. Uobiˇajen je sluˇaj da brze c c metode nemaju sigurnu konvergenciju. p ≥ 1 ako vrijedi |α − xn | ≤ c |α − xn−1 |p . One se bitno razlikuju po tome ho´e li uvijek konvergirati. n ∈ N0 ) konvergira prema toˇki α s redom konvergencije p. U tom z sluˇaju je nuˇno da je c < 1 i obiˇno se c naziva faktor linearne konvergencije. kaˇemo da niz konvergira linearno prema α.1. tj. tj. Metoda raspolavljanja (bisekcije) Najjednostavnija metoda nalaˇenja nultoˇaka funkcije je metoda raspolavljaz c nja.1.1) katkad nije zgodna za linearne iterativne algoritme.1). c z c Relacija (8.2).1. n ∈ N.2.1.

Na primjer. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 451 Prethodna relacija znaˇi da funkcija f ima na intervalu [a. U n-tom koraku algoritma konstruiramo interval [an . 2 Neka je n ≥ 1. c c Algoritam raspolavljanja je vrlo jednostavan. za drugi je primjer to nemogu´e! Dakle. b]. ali tako da je nultoˇka ostala unutar c intervala [an . to ne mora znaˇiti da f nema unutar [a. metoda raspolavljanja (bez dodatnih uvjeta) konvergirat ´e prema nekoj nultoˇki iz intervala [a. moglo se dogoditi c c da smo loˇe separirali nultoˇke i da f ima unutar [a.ˇ ˇ 8. b0 ]. b] paran broj (broje´i ih s s c c viˇestrukostima) nultoˇaka. b] nultoˇku. s a0 + b0 . bn ]. a zatim s a0 := a. b] barem jednu nultoˇku. s c c y y a b x a b x Dok je za prvi primjer s prethodne slike boljom separacijom nultoˇki lako c posti´i f (a) · f (b) < 0. tj. ili nultoˇku parnog reda. bn ] kojemu je duljina polovina duljine prethodnog intervala. c c y y a b x a b x S druge strane. Oznaˇimo s α pravu nultoˇku c c funkcije. c c Ako vrijede polazne pretpostavke. ako je f (a) · f (b) > 0. x0 = . nultoˇke parnog c c c reda nemogu´e je na´i metodom bisekcije. b0 := b i x0 poloviˇte [a0 .

ako je f (an−1 ) · f (xn−1 ) < 0. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 452 Konstrukcija intervala [an . end. bn = bn−1 an = an−1 . Grafiˇki. { Na kraju je x ≈ α. onda je c s |α − xn | ≤ bn − xn . } .2. metoda raspolavljanja izgleda ovako c y ako je f (an−1 ) · f (xn−1 ) > 0. bn ] sastoji se u raspolavljanju intervala [an−1 .ˇ ˇ 8. Kako ´emo znati da je prethodna relacija ispunjena ako ne znamo α? Jednostavno. bn−1 ] toˇkom xn−1 i to tako da je c an = xn−1 . c budu´i da je xn poloviˇte intervala [an . s Algoritam 8. pa je dovoljno postaviti zahtjev bn − xn ≤ ε. bn = xn−1 Postupak zaustavljamo kad je |α − xn | ≤ ε. if f (x) ∗ f (b) < 0. x := (a + b)/2. a α ∈ [an .0 then a := x else b := x. bn ].1 (Metoda raspolavljanja) x := (a + b)/2. a x0 x1 b x Napiˇimo algoritam za metodu raspolavljanja. while b − x > ε do begin. bn ].

2). odakle slijedi |α − xn | = |f (xn )| .ˇ ˇ 8. c dovoljno je zahtijevati 1 (b − a) ≤ ε. b]. s c Vrijedi |α − xn | ≤ bn − xn = Primijetite da je 1 1 1 (bn − an ) = 2 (bn−1 − an−1 ) = · · · = n+1 (b − a). ako f ima i neprekidnu prvu derivaciju. ali zdesna se nigdje ne pojavljuje |α − x0 |. s moˇe se dobiti dinamiˇka ocjena za udaljenost aproksimacije nultoˇke od prave z c c nultoˇke.2. Prvo iskoristimo da je α nultoˇka. 2n Ova relacija podsje´a na (8. c Relacija (8. ε a zatim logaritmiranjem nejednakosti dobivamo log(b − a) − log ε ≤ (n + 1) log 2. n ∈ N0 .2) .2. tj.1.1) mogli pisati kao |α − xn | ≤ 1 (b − x0 ). odnosno log(b − a) − log ε − 1. |f (ξ)| (8. Da bismo postigli da je |α − xn | ≤ ε. (8. tj. Ipak c desna strana daje nam naslutiti da ´e konvergencija biti dosta spora.1) omogu´ava da unaprijed odredimo koliko je koraka raspolavc ljanja potrebno da bismo postigli toˇnost ε. c pri ˇemu je ξ izmedu xn i α. c Po Teoremu srednje vrijednosti za funkciju f imamo f (xn ) = f (α) + f (ξ)(xn − α).2. f (α) = 0. 2 pa bismo relaciju (8. a zatim c uzmemo apsolutne vrijednosti obje strane. n≥ log 2 Ako je funkcija f joˇ i klase C 1 [a. Dobivamo |f (xn )| = |f (ξ)| |α − xn |. n+1 2 Zadnja nejednakost je ekvivalentna s b−a ≤ 2n+1 .2.1) 2 2 2 b−a = b − x0 . RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 453 Iz konstrukcije metode lako se izvodi pogreˇka n-te aproksimacije nultoˇke.

Aproksimirajmo funkciju f pravcem koji prolazi toˇkama (a. Konstruirat ´emo metodu koja ´e. uvrˇtavanjem prethodne ocjene u (8. b] i da vrijedi f (a) · f (b) < 0.b] s Ako je m1 > 0. ˇim se nultoˇka c c c c nalazi unutar [a. m1 odnosno |f (xn )| ≤ m1 ε. c z c c c Nakon toga. (b. x∈[a. koja ima sigurnu konvergenciju.2). Postupak ponavljamo sve dok ne postignemo ˇeljenu toˇnost.2. Pretpostavimo da moˇemo ocijeniti z |f (ξ)| ≥ m1 . RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 454 Znamo da je α u intervalu [an . ali tako da nultoˇka α osc c tane unutar novodobivenog intervala. y − f (b) = a−b b−a Nultoˇku α funkcije f moˇemo aproksimirati nultoˇkom tog pravca. ali je vrlo spora.3. bn ]. odnosno y − f (a) = (x − a). b]. 8. toˇkom x0 . m1 Drugim rijeˇima. ako ˇelimo da je |α − xn | ≤ ε. c Njegova je jednadˇba z f (b) − f (a) f (a) − f (b) (x − b).ˇ ˇ 8. m1 = min |f (x)|. Regula falsi (metoda pogreˇnog poloˇaja) s z U prethodnom poglavlju opisali smo metodu raspolavljanja. Prirodan je pokuˇaj ubrzavanja te metode je regula s falsi . izlazi |f (xn )| . Pretpostavimo da je funkcija f : [a. dovoljno je zahtijevati c z |α − xn | ≤ |f (xn )| ≤ ε. ponovno biti konvergentna. f (a)). pomaknemo ili toˇku a ili toˇku b u x0 . b] → R neprekidna na [a. z c y a x0 x1 b x . f (b)).

1. b] pri ˇemu je po definiciji f [a. b] − f [b. α] = f [b. b] f [a. imamo c c f [a. b] f [a. b]. 2 gdje se ζ nalazi izmedu minimima i maksimuma vrijednosti a. Iskoristimo li c te dvije relacije. ξ ∈ [a.1. α] .1) a−b b−a = a − f (a) . f [a. b] f [a. b] dobivamo sljede´u ocjenu α − x0 = −(α − b) (α − a) f (ζ) .ˇ ˇ 8. Na sliˇan naˇin.1) za x0 . iako je aproksimacija pravcem i zatvaranje nultoˇke u odredeni interval sasvim dobra ideja. pa je c z x0 = b − f (b) ili drugaˇije zapisano c x0 = b − gdje je f (b) f (a) =a− . Iskoristimo relaciju (8. α] = 1 f (ζ). ako je f klase C 2 [a.2 srednje vrijednosti imamo f [a. = −(α − b) (α − a) f [a. b. b. b.4). f [a. b. b] . onda po teoremu 1. b] (8. b] f (b) − f (α) f [b.4) c f [a. b] = Postoji nekoliko ozbiljnih problema s ovom metodom. α] = (α − b) 1 + = (α − b) 1 + (b − α) (α − b)f [a. α.2) . α] − f [a. b] (α − b)f [a. b.3. b]. α−a Ako je f klase C 1 [a.3.3. b] f [b. c Izvedimo red konvergencije metode. 2f (ξ) (8. b] = f (ξ). za funkcije klase C 2 [a. Dobivamo z α − x0 = α − b + f (b) f (b) = (α − b) 1 + f [a. α] = (α − b) 1 − = (α − b) f [a.1. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 455 Toˇka x0 dobiva se jednostavno iz jednadˇbe pravca. f (b) − f (a) f (a) − f (b) f (b) − f (a) . α] f [a. b]. α] druga podijeljena razlika (vidi primjer 1. pomnoˇimo je s −1 i dodajmo α na obje strane. b] (α − b)f [a. b−a prva podijeljena razlika (vidi primjer 1.

f (x2 )). kad konvergira konvergirati brˇe nego regula c z falsi . a uvijek se pomiˇe c c c b.3.3.3. b]. to znaˇi da je b fiksan. samo c ne zahtijevamo da nultoˇka funkcije f ostane “zatvorena” unutar posljednje dvije c iteracije. Pogled na sliˇnu ocjenu za metodu bisekcije. b]. odmah kaˇe da ne bi trebalo biti c z preteˇko konstruirati primjere kad je metoda bisekcije brˇa no regula falsi . Promatramo li c (8. Poˇinjemo s dvije poˇetne toˇke x0 i x1 i povlaˇimo sekantu kroz (x0 .4.ˇ ˇ 8. Isto ´e se dogoditi u svim narednim koracima. a spojnica toˇaka (a. Time smo izgubili svojstvo sigurne konvergencije. tako da dobivamo c xn+1 = xn − f (xn ) xn − xn−1 .2). Uvrˇtavanjem podataka o prvoj i drugoj s derivaciji u (8. f (xn ) − f (xn−1 ) (8. sliˇno kao kod regule falsi . tj. f (a)) i c c c (b. c c c c c c c (x1 . f (x1 )) i (x2 . Metoda sekante Ako graf funkcije f aproksimiramo sekantom. Postupak nastavljamo povlaˇenjem sekante kroz posljednje dvije toˇke (x1 . dobivamo da je desna strana (8. α neprestano ostaje desno od aproksimacija xn . Razlikujemo dva sluˇaja: c Sluˇaj f (x) > 0. 2f (ξn ) Uzimanjem apsolutnih vrijednosti zdesna i slijeva. Ta sekanta sijeˇe os x u toˇki x2 . ali se nadamo da ´e metoda. Formule za metodu c sekante dobivaju se iteriranjem poˇetne formule za regulu falsi . dobili smo metodu sekante. f (b)) se uvijek nalazi iznad funkcije f . f (x0 )).1) . pa za proizvoljnu iteraciju xn dobivamo c α − xn = −(α − b) (α − an ) f (ζn ) . α > x0 .2) ve´a od 0. slijedi da je u tom sluˇaju konc vergencija regule falsi linearna. c c 8. c c Drugim rijeˇima. c U tom je sluˇaju f konveksna rastu´a funkcija. pa ´e c c se u sljede´em koraku pomaknuti a. f (x1 )).2). c U ovom sluˇaju je aproksimacija nultoˇke uvijek desno od α. Takoder. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 456 Da bismo pojednostavnili analizu.4. s z Sluˇaj f (x) < 0. pretpostavimo da je f (a) ≥ 0 za sve x ∈ [a. pretpostavimo da je f (α) = 0 i α je jedini korijen unutar [a. Analiza ovog sluˇaja vrlo je sliˇna prethodnoj.

c c Ako su poˇetne aproksimacije x0 i x1 izabrane dovoljno blizu α. Zbog relacije (8. takva da je u njoj f (x) = 0. Primijetite da jednostrukost nultoˇke osigurava f (α) = 0. pa metoda sekante c s c ne mora konvergirati.3. c s tako da je x0 < x1 . gdje je c √ 1+ 5 ≈ 1. c y x1 x2 x0 x3 x Primijetite da je tre´e iteracija izaˇla izvan poˇetnog intervala. p= 2 Dokaz. Budu´i da je nultoˇka jednostruka. Jednako tako. Imamo c α − xn+1 = −(α − xn ) (α − xn−1 ) f (ζn ) . niz iteracija xn c konvergirat ´e prema α s redom konvergencije p. da smo “prirodno” numerirali prve dvije toˇke. postoji okolina I = [α − ε.4. 2f (ξn ) (8. Iskoristimo li ocjenu (8. uz odgovaraju´e pretpostavke. x1 ∈ I vrijedi |α − x2 | ≤ |α − x1 | |α − x0 | M.4.4.2). neka je en = α − xn .1 Neka su f . imali bismo konvergenciju prema rjeˇenju. Da bismo skratili zapis.2) Teorem 8. α + ε]. za sve x0 .618. dobit ´emo red konvergencije metode c sekante. Tada je dobro definiran broj c max |f (x)| M= x∈I 2 min |f (x)| x∈I . ε > 0 c c nultoˇke α.ˇ ˇ 8. f i f neprekidne za sve x u nekom intervalu koji sadrˇi z jednostruku nultoˇku α.2) za svaki n. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 457 Grafiˇki to izgleda ovako.

onda je M|en+1 | ≤ M|en |M|en−1 | ≤ δ qn +qn−1 = δ qn+1 . Nadalje. uz zadane poˇetne q0 = q1 = 1. M s poˇetnim uvjetima q0 = q1 = 1. Op´enito. pretpostavimo da su x0 i x1 izabrani toliko blizu nultoˇke da vrijedi c δ = max{M|e0 |. Karakteristiˇna jednadˇba je c c z k 2 − k − 1 = 0. = 2 √ 1− 5 r1 = . Mnoˇenjem prethodne nejednakosti s c z s M dobivamo M|e2 | ≤ M|e1 | M|e0 |. |e1 |} ≤ ε. M|en | ≤ δ qn . Ono zadovoljava c s diferencijsku jednadˇbu z qn+1 − qn − qn−1 = 0. M|e1 |} < 1. pa se lako izraˇunava njeno eksplicitno rjeˇenje. δ = max{|e0 |. α + ε] = I. 2 . Prethodna rekurzija je rekurzija za Fibonacc cijeve brojeve. pa je |e2 | < odnosno x2 ∈ [α − ε. niz qn je definiran rekurzijom qn+1 = qn + qn−1 . dobivamo M|e3 | ≤ M|e2 |M|e1 | ≤ δ 2 · δ = δ 3 M|e4 | ≤ M|e3 |M|e2 | ≤ δ 5 . pa su njena rjeˇenja s k1.2 Oznaˇimo li c √ 1± 5 . 2 √ 1+ 5 r0 = . ako je c M|en−1 | ≤ δ qn−1 . Dakle.ˇ ˇ 8. n ≥ 1. Odatle odmah slijedi M|e2 | ≤ δ 2 < δ. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 458 greˇka n-te iteracije (aproksimacije nultoˇke). Primijenimo li induktivno taj argument.

c Konaˇno. Budu´i da δ < 0 i qn → ∞ za n → ∞. n+1 onda za velike n. 5 pa je 1 n+1 n+1 qn = √ (r0 − r1 ).618. Drugi problem se moˇe javiti zbog c z kra´enja u brojniku i (posebno) nazivniku kvocijenta c xn − xn−1 . 1 qn ≈ √ (1.618)n+1. 5 Budu´i da je c r0 ≈ 1. M n ≥ 0. z Kod metode sekante postoji nekoliko problema. Dobivamo 1 = q0 = c0 + c1 1 = q1 = c0 r0 + c1 r1 . ali pravi dokaz je mnogo teˇi. pa je 1 c1 = − √ r1 . r1 ≈ −0. c Ipak.ˇ ˇ 8. koji je zaista p = r0 . c Konstante c0 i c1 odredujemo iz poˇetnih uvjeta. jer f (xn−1 ) ˇuvamo od prethodne c c iteracije. f (xn ) − f (xn−1 ) kad xn → α. Rjeˇavanjem ovog para jednadˇbi. 5 Vratimo se na en . dobivamo da xn → α. 5 n ≥ 0. c Ovaj “dokaz” nije matematiˇki korektan jer smo koristili samo gornje ograde. Prvi je da moˇe divergirati z ako poˇetne aproksimacije nisu dobro odabrane. budu´i da iteracije ne “zatvaraju” nultoˇku s obje strane c c nije lako re´i kad treba zaustaviti iterativni proces. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 459 onda je op´e rjeˇenje te diferencijske jednadˇbe c s z n n qn = c0 r0 + c1 r1 . Ovim smo pokazali da je |en | ≤ 1 qn δ .618. r1 → 0. . dobivamo s z 1 c0 = √ r0 . primijetimo da je za svaku iteraciju metode sekante potrebno samo c jednom izvrednjavati funkciju f i to u toˇki xn . Osim toga. on nam daje ideju o redu konvergencije.

Dobivamo z c c f (x) = f (xn ) + f (xn )(x − xn ) + f (ξn ) (x − xn )2 . dobili smo metodu tangente ili Newtonovu metodu.5. Jednadˇba tangente je c z y − f (xn ) = f (xn )(x − xn ). c c c y x1 x0 x Geometrijski izvod je jednostavan. f (x0 )) i definirati novu aproksimaciju x0 u toˇki gdje ona sijeˇe os x.ˇ ˇ 8. 2 . RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 460 8. time smo izgubili c svojstvo sigurne konvergencije. jer je f (xn ) ≈ f (xn ) − f (xn−1 ) . Sliˇno kao i kod sekante. onda je c moˇemo razviti u Taylorov red oko xn do ukljuˇivo prvog ˇlana. aproksimiramo tangentom. xn − xn−1 Do Newtonove metode moˇe se do´i i na drugaˇiji naˇin. odakle izlazi da je nova aproksimacija xn+1 := x xn+1 = xn − f (xn ) . f (xn ) Primijetite da je prethodna formula usko vezana uz metodu sekante. c Pretpostavimo da je zadana poˇetna toˇka x0 . ali se nadamo da ´e metoda brzo konvergirati. Pretpostavimo li da z c c c je funkcija f dva puta neprekidno derivabilna (na nekom podruˇju oko α). Metoda tangente (Newtonova metoda) Ako graf funkcije f umjesto sekantom. U toˇki xn napiˇe se jednadˇba tangente i c s z pogleda se gdje sijeˇe os x. Ideja metode je povu´i tangentu c c c u toˇki (x0 .

5. . moˇemo dokazati sljede´i teorem o konverc z c genciji Newtonove metode. kao kod metode sekante. c c ˇ ˇtoviˇe.1 Neka su f . jer takav zakljuˇak vrijedi samo ako f (xn ) c c ne teˇi k nuli tijeku cijelog procesa. α + ε] oko nultoˇke u kojem su funkcije f . vrijedi Cak s s α − xn+1 f (α) . 2 min |f (x)| x∈I Za sve x0 ∈ I.1). uz pretpostavku f (xn ) = 0. pa dobivamo c α − xn+1 = −(α − xn )2 f (ξn ) .5. treba biti oprezan.1) Iz (8. c f i f neprekidne i neka je max |f (x)| M = x∈I . tj. Uvrˇtavanjem x = α. odnosno M|α − x1 | ≤ (M|α − x0 |)2 . izlazi s α = xn − f (ξn ) f (xn ) − (α − xn )2 . z Teorem 8. Izaberimo interval I = [α − ε. dakle ako je nultoˇka z jednostruka.5. 2f (xn ) (8. odmah ˇitamo da je Newtonova metoda. dobivamo s |α − x1 | ≤ M|α − x0 |2 .5. 2 Primijetite da prva dva ˇlana zdesna daju xn+1 . ako je f (α) = 0. dobivamo c s 0 = f (α) = f (xn ) + f (xn )(α − xn ) + Premjeˇtanjem.ˇ ˇ 8. Tada je M|α − x1 | ≤ M|α − x0 |. Sliˇno. niz iteracija xn konvergirat ´e prema α s redom konvergencije p = 2. ˇto pokazuje da je s |α − x1 | ≤ |α − x0 | ≤ ε. Ipak. kad konvergira kvadratiˇno konc c vergentna. Ako je poˇetna aproksimacija x0 izabrana dovoljno blizu c c nultoˇke α.1). koriˇtenjem (8. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 461 pri ˇemu je ξn izmedu x i xn . =− lim 2 n→∞ (α − xn ) 2f (α) Dokaz. f i f neprekidne za sve x u nekom intervalu koji sadrˇi jednostruku nultoˇku α. Izaberimo x0 tako da zadovoljava |α − x0 | ≤ ε i M|α − x0 | < 1. f (xn ) 2f (xn ) f (ξn ) (α − xn )2 .

Imamo |α − xn+1 | ≤ M|α − xn |2 =⇒ M|α − xn+1 | ≤ (M|α − xn |)2 . x∈[a. Da bismo pokazali konvergenciju iskoristimo (8. naˇalost. n odnosdno |α − xn | ≤ 1 n (M|α − x0 |)2 . c c Obratno. odmah dobivamo xn → α kad n → ∞. pa f poprima svoj minimum i maksimum u nekoj toˇki segmenta. Stoga. Matematiˇkom indukcijom lako pokazujemo c M|α − xn | ≤ (M|α − x0 |)2 .b] m1 = min |f (x)|. Uoˇimo da vrijedi c |α − x0 | < 1 . Ipak. Veliˇina ε odredena je uvjetom M|α − x0 | < 1 koji osigurava konvergenciju. b] i znamo c 2 da je f klase C na tom segmentu. c z Budu´i da u (8.ˇ ˇ 8. b] onda i samo onda ako je m1 > 0. f ima . x∈[a. Lokalnost se odnosi c na to da poˇetna aproksimacija mora biti dovoljno blizu nultoˇke c c |α − x0 | ≤ ε.5.1) ξn leˇi izmedu xn i α. b] (kompaktan skup u R). Ako je f monotono rastu´a c c (padaju´a). prethodni teorem daje dovoljne uvjete za tzv. m1 > 0 povlaˇi monotonost funkcije f .b] Funkcija f je strogo monotona na [a. tada je f (x) > 0 (f (x) < 0) za sve x iz segmenta [a. c Pretpostavimo da smo locirali nultoˇku funkcije f u segmentu [a. nije dovoljan uvjet da c z vrijedi teorem (M op´enito ovisi o ε). ako je m1 > 0. lokalnu c konvergenciju Newtonove metode prema jednostrukoj nultoˇki. pa je m1 > 0. lim = − n→∞ lim n→∞ (α − x )2 2f (xn ) 2f (α) n Jednostavnim rijeˇima. Neka je M2 = max |f (x)|. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 462 Primjenom istog argumenta. u nekim situacijama moˇemo iskoristiti c z sliˇan uvjet za osiguranje konvergencije Newtonove metode. Naime. To. M|α − xn | < 1 za sve n ≥ 1. b]. funkcija f je neprekidna na segmentu [a. M Budu´i da je M|α − x0 | < 1. induktivno dobivamo |α − xn | ≤ ε.1). c Zbog toga je f (α) α − xn+1 f (ξn ) =− .5. kao i c uvjetima neprekidnosti funkcije i njenih prvih dviju derivacija. onda mora biti ξn → α kad n → ∞. M pa nas privlˇi ideja da treba uzeti ε = 1/M.

Ako vrijedi c 1 b−a . c moˇemo koristiti “globalnu” veliˇinu z c M := M2 . b] daje sigurnu konvergenciju. Umjesto M2 .5. Ova c c ocjena nije naroˇito korisna za praksu. b]. . Zbog |x0 − α| ≤ ε < 1/M . c Da bi izveli za praksu pogodniju ocjenu greˇke. 2m1 Sliˇnu ocjenu smo ve´ imali u prethodnom teoremu. 2m1 pri ˇemu u definiciju konstanti M2 i m1 ulazi cijeli interval [a. Po definiciji iteracija u Newtonovoj metodi c vrijedi i f (xn−1 ) + f (xn−1 )(xn − xn−1 ) = 0. s Veliˇine M2 i m1 daju i lokalne ocjene greˇke iteracija u Newtonovoj metodi. Ako vrijedi i jaˇi uvjet c c b−a< 1 . M onda bilo koja startna toˇka x0 ∈ [a. c uz uvjet da su sve iteracije u segmentu [a. odnosno M2 i m1 . < 2 M onda moˇemo uzeti ε = (b − a)/2. 2f (xn−1 ) gdje je ξn−1 izmedu α i xn−1 . neku pozitivnu donju ogradu za m1 . samo s M umjesto M . iskoristit ´emo Taylorov teos c rem. jer α ne znamo. c Naravno. Za dvije susjedne iteracije u Newtonovoj metodi vrijedi f (xn ) = f (xn−1 ) + f (xn−1 )(xn − xn−1 ) + f (ξn−1 ) (xn − xn−1 )2 . to moˇemo iskoristiti samo ako imamo dovoljno informacija o funkciji z z f tako da moˇemo izraˇunati M . moˇemo uzeti i z c neku gornju ogradu za M2 . b]. Iz ranije relacije (8. 2 pri ˇemu je ξn−1 izmedu xn−1 i xn . b]. U tim uvjetima umjesto “lokalnog” M. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 463 jedinstvenu jednostruku nultoˇku α u [a. imamo sigurnu konvergenciju iteracija prema nultoˇki.ˇ ˇ 8. odmah slijedi |α − xn | ≤ M2 (α − xn−1 )2 . a startna toˇka je poloviˇte intervala x0 := z c s (a + b)/2.1) α − xn = − f (ξn−1 ) (α − xn−1 )2 . a umjesto m1 .

b] zadovoljava uvjet f (x0 ) · f (x0 ) > 0. zadnja c c nejednakost ´e vrijediti do na greˇke zaokruˇivanja. Ako polazna iteracija x0 iz intervala [a. Ako je ε gornja ograda za apsolutnu greˇku (uobis z s ˇajeno se to kaˇe samo traˇena toˇnost). Teorem 8. c . (tj. b]. ili ekvivalentno. f i f imaju fiksni predznak na [a.2 Neka je f ∈ C 2 [a. Uoˇimo da moˇemo koristiti i c s z c z raniji test |f (xn )| ≤ ε. 2m1 |f (xn )| . 2 Kao i kod metode bisekcije. b]. ako je m1 > 0. b]. iz (8. onda niz iteracija dobiven Newtonovom metodom konvergira prema (jedinstvenoj jednostrukoj) nultoˇki α funkcije f . m1 ˇto se moˇe iskoristiti u praksi. b]. m1 U prethodnim ocjenama greˇke koristili smo pretpostavku da je f strogo monos tona na [a. b]). Jasno. f (a) · f (b) < 0 i neka f i f nemaju nultoˇke c u [a.2. da prva derivacija ima isti predznak na cijelom intervalu.ˇ ˇ 8. xn ∈ [a. Ako joˇ i druga derivacija ima fiksni predznak na tom intervalu. onda test c z z c M2 (xn − xn−1 )2 ≤ ε 2m1 ili napisan u formi u kojoj se uobiˇajeno koristi c |xn − xn−1 | ≤ 2m1 ε M2 garantira da je |α − xn | ≤ ε. 2 Koriste´i pretpostavku xn−1 .5. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 464 pa je f (ξn−1) (xn − xn−1 )2 .2) slijedi ocjena |α − xn | ≤ Kombinacijom ovih ocjena dobivamo |α − xn | ≤ M2 (xn − xn−1 )2 . dobivamo c f (xn ) = |f (xn )| ≤ M2 (xn − xn−1 )2 . s obzirom da raˇunamo na raˇunalu. onda moˇemo s z dobiti i globalnu konvergenciju Newtonove metode.

pa je tvrdnja dokazana. tj. Preostala tri sluˇaja za predznake prve i druge derivacije se dokazuju potpuno c analogno. Zbog f (x) > 0. . iskoristimo Taylorovu formulu 0 = f (α) = f (xn ) + f (xn )(α − xn ) + f (ξn ) (α − xn )2 . b]. n ∈ N0 ) niz iteracija generiran Newtonovom metodom iz startne toˇke x0 za koju je f (x0 ) > 0. Dakle imamo c xn+1 = xn − f (xn ) . Pretpostavimo da je c c c α < xn ≤ x0 . Tada f raste. Uoˇimo da smo usput c dokazali i monotonost niza (xn ). U praksi moˇemo uzeti x0 = b. Neka je (xn . pa je xn+1 < xn ≤ x0 . c postoji limes α := lim xn . za startnu iteraciju z c x0 mora vrijediti f (x0 ) > 0. pri ˇemu bazu ve´ imamo. na primjer. da je f (x) > 0 i f (x) > 0 na cijelom [a. xn ) ⊂ [a. Dokaz koristi matematiˇku indukciju. Zbog f (ξn ) > 0 imamo c f (xn ) + f (xn )(α − xn ) < 0. f (xn ) Time je dokazan korak indukcije. Kako je α jedina nultoˇka od f u c c intervalu [a. 2 pri ˇemu je ξn ∈ (α. f (α ) odakle. n→∞ za koji vrijedi α ≤ α ≤ x0 . α ∈ [a. slijedi f (α ) = 0. f (xn ) i znamo da je x0 > α. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 465 Dokaz. jer je to jedina toˇka za koju sigurno znamo da vrijedi f (x0 ) > 0. b]. ˇto pokazuje da niz (xn ) monotono pada. Onda je f (xn ) > 0 i f (xn ) > 0. Kako je taj padaju´i niz omeden s α odozdo. Pretpostavimo. mora vrijediti α = α . pa mora biti f (a) < 0 i f (b) > 0. b]. odakle slijedi xn+1 = xn − f (xn ) > α. b]. Da bi dokazali i drugu nejednakost za s xn+1 . Tvrdimo da je α < xn ≤ x0 za svaki n ∈ N0 . Prijelazom na limes u formuli za Newtonove iteracije dobivamo α =α − f (α ) . koriste´i f (α ) = 0.ˇ ˇ 8.

ˇ ˇ 8. a>0 u oblik (8. to moˇemo napraviti na jedan od sljede´ih naˇina: z c c .6.6. Na primjer. c Primjer 8. b] u kojem c c c smo locirali nultoˇku funkcije f . startnu toˇku x0 treba odabrati na “strmijoj” strani funkcije. tj. iako Newtonova metoda ima ve´i red konvergencije nego metoda sekante. mi s c c c smo zainteresirani f (x) = 0.1).1 Reformulirajmo problem x2 − a = 0. f (x) Rjeˇenja.1). b]. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 466 Uvjet f (x0 )·f (x0 ) > 0 na izbor startne toˇke u prethodnom teoremu ima vrlo c jednostavnu geometrijsku interpretaciju. radimo korak bisekcije za smanjivanje intervala. Prvo c c izraˇunamo novu iteraciju po brˇoj metodi i ako ona ostaje u trenutnom intervalu. rjeˇenje jednadˇbe z s z x = g(x). ´e biti c c brˇa. pa taj problem treba reformulirati na problem (8. U proc c tivnom. c Primijetite da raˇunanje koriˇtenjem Newtonove metode moˇe trajati dulje c s z nego raˇunanje upotrebom metode sekante (uz upotrebu istog kriterija zaustavlc janja). a nemamo dodatne informacije o funkciji f iz c kojih bismo mogli izvu´i zakljuˇak o konvergenciji brˇih iterativnih metoda. Postoji mnogo naˇina za tu reformulaciju. Ako se derivacija komplicirano c raˇuna.1) Definiramo jednostavnu iteracionu funkciju (iteracionu funkciju koja “pamti” samo jednu prethodnu toˇku) s c xn+1 = g(xn ).6. U praktiˇnom raˇunanju ˇesto imamo samo interval [a. toˇke za koje je x = g(x). jer je g(x) = x − f (x) . c z onda ju prihva´amo i s njom nastavljamo iteracije i skra´ujemo interval. n ≥ 0.6. Metoda jednostavne iteracije Pretpostavimo da traˇimo α. Uobiˇajeno. metoda sekante koja zahtijeva samo jedno izvrednjavanje funkcije. zovu se fiksne toˇke od g. (8. z Prethodni teoremi daju samo dovoljne uvjete konvergencije pojedinih iterativnih metoda. Primijetite da Newtonova metoda pripada klasi jednostavnih iteracija. Ako pogledamo graf funkcije f na [a. 8. Zbog c c z toga se ove metode katkad kombiniraju s metodom bisekcije na sljede´i naˇin.6. c uz x0 kao poˇetnu aproksimaciju za α. c Objaˇnjenje leˇi u ˇinjenici da se za svaki korak Newtonove metode mora izraˇunati s z c c i vrijednost funkcije i vrijednost derivacije u toˇki.

vrijedi c s g(α) = α i g(β) = β.6. Drugim rijeˇima. Uzmimo bilo koja dva od tih rjeˇenja i nazovimo ih s s α i β iz [a. b]. b]. Dokaz. b] vrijedi g(a) − a ≥ 0. Dokaz. pretpostavimo da postoji konstanta λ. konvergira prema α za proizvoljni x0 ∈ [a. 3. x = 0. b]) ⊆ [a. b]. s s tj.5 (x + a/x). Za neprekidnu funkciju g(x) − x na intervalu [a. y ∈ [a. b]. Prirodno je pitanje kako se razliˇite jednostavne iteracije ponaˇaju. x = a/x. c c Lema 8. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 467 1. b]. b]. Nadalje. b]. g(b) − b ≤ 0.6. niz iteracija s xn = g(xn−1 ). b]. takva da vrijedi |g(x) − g(y)| ≤ λ |x − y|. dobivamo z c |α − β| = |g(α) − g(β)| ≤ λ|α − β|. ∀x ∈ [a.2 Neka je funkcija g neprekidna na [a. pretpostavimo suprotno. x = x2 + x − a. n≥1 . ∀x. postoje barem dva rjeˇenja. 0 < λ < 1. Prema prethodnoj lemi. Tada jednostavna iteracija x = g(x) ima bar jedno rjeˇenje s na [a. Po pretpostavci. Tada x = g(x) ima jedinstveno rjeˇenje α unutar [a. c 2. Da bismo to pokazali. postoji bar jedno rjeˇenje α ∈ [a. Budu´i da su to rjeˇenja. a to c moˇe samo prolaskom kroz nultoˇku (neprekidna je!). z c Lema 8. b]) ⊆ [a. Pokaˇimo da s z ne postoji viˇe od jednog rjeˇenja. Odgovor c s ´emo dobiti nizom sljede´ih tvrdnji. b] i neka je a ≤ g(x) ≤ b. funkcija g(x) − x je promijenila predznak na intervalu [a. b] i neka je g([a. u oznaci g([a.ˇ ˇ 8. b].1 Neka je funkcija g neprekidna na intervalu [a. b]. ili op´enitije x = x + c(x2 − a) za neki c = 0. uvaˇavaju´i prethodne jednakosti. Takoder.

Budu´i da je 1 − λ > 0. onda je po Teoremu srednje vrijednosti g(x) − g(y) = g (ξ)(x − y).6. odnosno indukcijom po n dobivamo |α − xn | ≤ λn |α − x0 |. Nadalje. pa vrijedi xn → α. Ako je g derivabilna na [a. i neka za λ iz (8. x∈[a.6. uoˇimo da xn−1 ∈ [a.1 Neka je funkcija g neprekidno diferencijabilna na [a. Prvo.6. Ako pustimo n → ∞.6. Primijetite λ moˇe biti ve´i od 1! z c Teorem 8. (8. b]. b]. b]. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 468 ili drugim rijeˇima c (1 − λ) |α − β| ≤ 0.b] ξ izmedu x i y (8. Definiramo λ = max |g (x)|. b]. mora biti α = β.2) vrijedi λ < 1.2) onda moˇemo pisati z |g(x) − g(y)| = λ|x − y|. b]. |α − xn | ≤ λn |α − x0 | i α − xn+1 = g (α). b] povlaˇi da je xn = g(xn−1 ) ∈ [a. c Dokaˇimo joˇ konvergenciju jednostavnih iteracija za proizvoljnu startnu toˇku z s c x0 ∈ [a. za jednostavnu iteraciju xn+1 = g(xn ). b]. b]. x = g(x) ima toˇno jedno rjeˇenje na α ∈ [a. b]. c c vrijedi |α − xn | = |g(α) − g(xn−1 )| ≤ λ|α − xn−1 |. n ≥ 1. Tada vrijedi: 1. c s 2. za sve x. y ∈ [a.3) lim xn = α.ˇ ˇ 8. b]. za proizvoljni x0 ∈ [a. n ≥ 0 vrijedi n→∞ ∀x ∈ [a. neka je g([a. n→∞ α − xn lim . onda λn → 0. b]) ⊆ [a.

ˇ ˇ 8. onda je i i |g (ξn )| > 1. b]. x∈I Tada je g(I) ⊆ I. Sve tvrdnje ovog teorema dokazane su u prethodne dvije leme.6. pa konvergencija metode nije mogu´a. Dokaz. Tada vrijede svi rezultati Teorema 8. jer |α − x| ≤ ε povlaˇi c |α − g(x)| = |g(α) − g(x)| = |g (ξ)||α − x| ≤ λ|α − x| ≤ ε. onda je g (x) = 2x + 1 i u nultoˇki α = √ √ g ( a) = 2 a + 1 > 1. pa je |α − xn+1 | ≥ |α − xn |. .6. n ≥ 0. definirali smo tri iteracijske funkcije.6. c Prethodni teorem se moˇe malo i pojednostavniti.2 U primjeru 8. Sada moˇemo primijeniti prethodni teorem za [a. √ a je pa ta iteracijska funkcija ne´e konvergirati. U op´enitijem je sluˇaju g(x) = c c c x + c(x2 − a).6. Vrijedi α − xn+1 = g(α) − g(xn ) = g (ξn )(α − xn ). osim posljednje relacije o brzini konvergencije. Za xn dovoljno blizu α. α + ε] takav da je max |g (x)| ≤ λ < 1. c 1. c gdje je ξn neki broj izmedu α i xn . n→∞ α − x n→∞ n lim Pokaˇimo koliko je pretpostavka (8. b] = I.1. tj. vrijedi s α − xn+1 = g(α) − g(xn ) = g (ξn )(α − xn ). onda i ξn → α. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 469 Dokaz. Teorem 8. z Primjer 8. Budu´i da xn → α. tako da se ne navodi eksz plicitno interval [a. uz pretpostavku da je x0 dovoljno blizu α. pretpostavimo da je z c |g (α)| > 1.1. Tada. pa vrijedi α − xn+1 = lim g (ξn ) = g (α).3) znaˇajna. pa je g (x) = 1 + 2cx i √ √ g ( a) = 1 + 2c a. ako imamo niz xn+1 = g(xn ) i rjeˇenje α = g(α).6. Uzmimo I = [α − ε. Ako je g(x) = x2 + x − a.2 Neka je α rjeˇenje jednostavne iteracije x = g(x) i neka je g nepres kidno diferencijabilna na nekoj okolini od α i neka je |g (α)| < 1.

(p − 1)! p! n≥0 (8. mora biti √ −1 < 1 + 2c a < 1. = (−1)p−1 n→∞ (α − xn )p p! lim Dokaz.ˇ ˇ 8. na primjer Newtonova metoda. p! . onda je g (x) = −a/x2 . Ovaj odjeljak zavrˇit ´emo promatranjem jednostavnih iteracionih funkcija. Ako je g(x) = a/x. Nadalje. pa je √ g ( a) = −1.4) za neki ξn izmedu xn i α. odnosno 1 − √ < c < 0. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 470 Da bismo osigurali konvergenciju. s c ali viˇeg reda konvergencije. onda je g (x) = 0. imat ´e red konvergencije p i c α − xn+1 g (p) (α) . Zatim. Razvijmo g(x) u okolini α do ukljuˇivo (p − 1)-ve potencije i napiˇimo c s ostatak. za neki p ≥ 2.4). pa dobivamo xn+1 = g(xn ) = g(α)+g (α)(xn −α)+· · ·+ g (p−1) (α) g (p) (ξn ) (xn −α)p−1 + (xn −α)p . iteracijska funkcija xn+1 = g(xn ). p! g (p) (ξn ) (xn − α)p .3 Neka je α rjeˇenje od x = g(x) i neka je g p puta neprekidno difers encijabilna za sve x u okolini α. pretpostavimo da je g (α) = · · · = g (p−1) (α) = 0. s s Teorem 8. Ako je g(x) = 0. a 2.5 (x + a/x). 3.5 (1 − a/x2 ). slijedi xn+1 = α + odnosno α − xn+1 = − g (p) (ξn ) (xn − α)p .6. kao ˇto je. pa je √ g ( a) = 0.6. Iskoristimo li da je g(α) = α i pretpostavku (8.6. uvrstimo x = xn . Ako je startna vrijednost x0 dovoljno blizu α.

ph(x) + (x − α)h (x) . f (p) (α) = 0. pa i ξn → α. Ako je f (α) = 0. f (x) Deriviranjem (8. c s z Koriˇtenjem prethodnog teorema moˇemo analizirati i Newtonovu metodu za s z koju je f (x) g(x) = x − .1) dobivamo jednostavniji oblik za derivaciju f (x) = p(x − α)p−1h(x) + (x − a)p h (x).7. uz pretpostavku da je f (α) = 0. ako funks c cija f ima neprekidnih prvih p + 1 derivacija i p-struku. onda ´e red konvergencije biti barem 3. f (α) (f (x))2 − f (x)f (x) f (x)f (x) = . f (α) = 0. Newtonova metoda za viˇestruke nultoˇke s c Promotrimo ˇto ´e se dogoditi s konvergencijom Newtonove metode. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 471 Sada moˇemo primijeniti prethodni Teorem. f (x) xn+1 = g(xn ).ˇ ˇ 8.7. Tada c vrijedi f (α) = f (α) = · · · = f (p−1) (α) = 0. (8. p ≥ 2 nultoˇku u α.1) Ograniˇimo se samo na cjelobrojne p i promatrajmo Newtonovu metodu kao jedc nostavnu iteraciju. 8. ˇto daje traˇenu relaciju. g(x) = x − . moˇemo pokazati da je red konvergencije Newtonove metode c jednak 2. Samu funkciju f moˇemo napisati i u obliku z f (x) = (x − α)p h(x). koji pokazuje da ´e iteracijska funkcija z c konvergirati. pa je g(x) = x − (x − α)h(x) . Na sliˇan naˇin. h(α) = 0. 2 (f (x)) (f (x))2 z pa ako je f (α) = 0. dobivamo c c g (α) = f (α) . f (x) Deriviranjem dobivamo da je g (x) = 1 − pa je g(α) = 0. to znaˇi da xn → α.7. Nadalje.

p d h(x) h(x) − (x − α) . x→α (f (x))2 p lim Odatle odmah slijedi x→α lim g (x) = 0. faktor konvergencije bit s ´e g (α) = 1 − 1/p. s c ˇ c Sto ´emo napraviti ako unaprijed ne znamo p? Primijetimo da funkcija f (x) (x − α)p h(x) (x − α)h(x) u(x) = = = p−1 [ph(x) + (x − α)h (x)] f (x) (x − α) ph(x) + (x − α)h (x) ima jednostruku nultoˇku u α.ˇ ˇ 8. U prosjeku to je podjednako brzo kao bisekcija c s za p = 2 ili ˇak loˇije od bisekcije za p ≥ 3.6. 2 (f (x)) (f (x))2 Iskoristimo li oblik funkcije f . f (x) (f (x))2 − f (x)f (x) f (x)f (x) =1−p+p . obiˇna Newtonova metoda. Drugim rijeˇima. u (xn ) . ˇto je vrlo sporo. c s Kako moˇemo popraviti (ubrzati) Newtonovu metodu za p-struke nultoˇke. pa je f (x)f (x) 1 =1− . ˇto pokazuje da ova modifikacija osigurava barem kvadratiˇno konvergentnu metodu. ali c c c primijenjena na u(x) konvergirat ´e kvadratiˇno. z c p ≥ 2. Prvo pretpostavimo da znamo p. c c xn+1 = xn − u(xn ) . dobivamo f (x) = (x − α)p h(x) f (x) = (x − α)p−1 [ph(x) + (x − α)h (x)] f (x) = (x − α)p−2 [p(p − 1)h(x) + 2p(x − α)h (x) + (x − α)2 h (x)]. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 472 Deriviranjem funkcije g dobivamo g (x) = 1 − tako da je g (α) = 1 − 1 = 0 za p > 1. Definiramo iteracionu funkciju g(x) = x − p Tada je g (x) = 1 − p f (x) .1. Prema teoremu 8. ph(x) + (x − α)h (x) dx ph(x) + (x − α)h (x) ˇto pokazuje linearnu konvergenciju.

c c c s Drugim rijeˇima.ˇ ˇ 8. Hibridna Brent–Dekkerova metoda Brent–Dekkerova metoda smiˇljena je kao metoda koja ´e imati sigurnu kons c vergenciju. a to je raˇunanje f .8. ako primijenimo metodu sekante za funkciju u c xn+1 = xn − u(xn ) xn − xn−1 . c s u (x) = Sliˇno vrijedi i za metodu sekante. =1− (f (x))2 f (x) ˇto pokazuje da ´emo dobiti kvadratiˇnu konvergenciju. a mi se nadamo c da ´e rijetko koristiti bisekciju. Ona ne zahtijeva raˇunanje derivacija. pa ako joj je red konc c c vergencije u prosjeku bolji od sekante. kao da radimo s jednosc c trukim nultoˇkama. u(xn ) − u(xn−1 ) gdje je I u ovom sluˇaju postoji “cijena”. metoda se “vrti” izmedu svoja tri sastavna dijela. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 473 (f (x))2 − f (x)f (x) f (x) u(x). kao ˇto je IMSL. Ako se prema nekim kriterijima ta toˇka prihva´a c c c c kao dobra.1) za red konvergencije c c p niza iteracija (xn . Primjeri Prije konkretnih primjera. s 8. c Toˇni parametri kad se neka aproksimacija nultoˇke prihva´a kao dobra. a nadamo se da ´e konvergirati brˇe nego metoda sekante. odc c c nosno odbacuje kao loˇa su dosta sloˇeni. u najboljem c z sluˇaju kvadratiˇno. s c c c ali uz raˇunanje joˇ jedne derivacije funkcije (f ). c c 8. Metoda je sastavni dio velikih numeriˇkih s z c biblioteka programa. moˇemo oˇekivati da ´e metoda po brzini z c c biti sliˇna Newtonovoj. koje grubo moˇemo opisati kao inverznu kvadratz nu interpolaciju. c c Metoda se sasoji od tri dijela. c c c Ako je tre´a toˇka odbaˇena kao loˇa. iako ne znamo red nultoˇke. Za ve´inu “brzih” . zanimljivo je napomenuti da se u praksi moˇe z sasvim dobro numeriˇki procijeniti red konvergencije iterativne metode i taj poc datak iskoristiti kao dodatna informacija o konvergenciji metode. moˇemo nastaviti raditi s kvadratnom interpolacijom kroz posljednje tri z toˇke.1. metodu sekante i metodu bisekcije. n ∈ N0 ) koji konvergira prema nultoˇki α. Algoritam poˇinje metodom c sekante koja generira tre´u toˇku. ali ´e imati sigurnu konvergenciju.9. ali inverznom (uloga x i y zamijenjena) i time dobivamo ˇetvrtu toˇku. Kako se to radi? Prisjetimo se definicijske relacije (8. koju ´emo ubrzati. radi se jedan korak metode bisekcije.

trebamo dvije jedc nadˇbe za te dvije nepoznanice. Pretpostavimo li da je cn ≈ cn+1 i pn ≈ pn+1 tj. Osim toga. tako da umjesto ≈ stavimo = u z prethodnoj relaciji. Dakle. z s c s Uzmimo sad da su c i p nepoznati. ako smo dovoljno blizu nultoˇke. dobivamo s z |xn+1 − xn−1 | = cn |xn+1 − xn−2 |pn . RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 474 lokalno konvergentnih metoda pokazali smo da postoji eksponent p ≥ 1 za koji vrijedi |α − xn | lim = c > 0. c onda moˇemo uzeti da je α ≈ xn+1 .1) za xn−1 . samo moˇda s neˇto ve´om greˇkom.ˇ ˇ 8. pa ni c ne znamo. Prvu je lako dobiti. Iskoristimo li (8. za dovoljno velike n. c Ovako dobiveni p i c su “teorijske” vrijednosti ovih parametara. imamo |xn+1 − xn | = c |xn+1 − xn−1 |p |xn+1 − xn−1 | = c |xn+1 − xn−2 |p . uz neki start dovoljno blizu nultoˇke. p n→∞ |α − x n−1 | gdje je xn niz iteracija generiran tom metodom. No. Naravno.1) za dovoljno velike n. Nedostaje joˇ jedna jednadˇba. c Nadalje. s tim da opet ne znamo α. pa vrijedi i z |xn+1 − xn | ≈ c|xn+1 − xn−1 |p . Logaritmiranjem dobivamo ln |xn+1 − xn | = ln c + p ln |xn+1 − xn−1 | ln |xn+1 − xn−1 | = ln c + p ln |xn+1 − xn−2 |. ve´ neke pribliˇne vrijednosti cn+1 i pn+1 .9. Da bismo ih izraˇunali. koje vrijede asimptotski — na limesu n → ∞. u okolini nultoˇke α sigurno vrijedi c |α − xn | ≈ c|α − xn−1 |p . k≥1 . i konstanta c obivcno ovisi o nekim vrijednostima derivacija funkcije f u toˇki α. Prethodnu relaciju ne moˇemo direktno iskoristiti za raˇunanje p i c. pretpostavljamo c z da za njih vrijedi |xn+1 − xn | = cn+1 |xn+1 − xn−1 |pn+1 . jer ne z c znamo α. cn i pn se ne mijenjaju brzo. c Medutim.9. pa iz ovog linearnog sustava lako izraˇunamo p i c . tada viˇe ne smijemo oˇekivati da ´emo dobiti “prave” s c c vrijednosti za c i p. (8. relacija |α − xk | = c|α − xk−1 |p .

.5. Primjer 8.9. ali Newtonova metoda ne´e konvergirati iz svake startne toˇke x0 . . x30 = 1. c c bilo nam je potrebno 30 iteracija za traˇenu toˇnost. . s s c Nije teˇko pokazati da je 1. c Zatraˇimo li pogreˇku manju od 10−8 . c Taj problem moˇemo interpretirati i kao traˇenje realne pozitivne nultoˇke z z c 3 funkcije f (x) = x − 1. Primjer 8. Modificiramo li Newtonovu metodu tako da korekciju pomnoˇimo s viˇestrukoˇ´u nultoˇke.230000000463810.56x2 + 9. ili funkcija ima viˇestruku nultoˇku.144714242553332. fk ). k = 1. |x0 | > |β| Newtonova metoda sa startom x0 divergira. traˇimo aproksimaciju oblika ϕ(z) = cz p koja najbolje aproksimira skup podataka (zk . s s Pouˇeni prethodnim primjerom oˇekujemo desetak iteracija. Umjesto toga.3 Nultoˇka funkcije c f (x) = arctg(x) c je x = 0. za istu toˇnost bilo nam je potrebno z s sc c c samo 7 iteracija. . tako da greˇka bude manja od 10−15 . z c c Za greˇku manju od 10−15 Newtonova metoda trebat ´e samo 7 iteracija i x7 = s c 1. pa Newtos c nova metoda konvergira samo linearno. a konvergencija je bila kvadratiˇna. x7 = 1. metodi bisekcije bit ´e potrebno 27 rasz s polavljanja. ⎪ ⎩ |x0 | = |β| Newtonova metoda sa startom x0 ciklira. Na´i c c ´emo toˇku β za koju vrijedi c c ⎧ ⎪ |x0 | ⎨ < |β| Newtonova metoda sa startom x0 konvergira.1 Usporedimo brzinu metoda za izraˇunavanje 3 1. a pribliˇna nultoˇka bit ´e x27 = 1. zk = z |xn+1 − xk−1 |.9. √ Primjer 8.23 dvostruka nultoˇka zadane funkcije.9. c Zadatak 8. n.1 Za funkcije iz prethodna dva primjera napiˇite programe za nalaˇes z nje nultoˇaka raznim metodama i numeriˇki nadite brzinu konvergancije koriˇtenih c c s metoda. Definiramo li fk = |xn+1 − xk |. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 475 uz stavljanje α = xn+1 za dovoljno veliki n moˇe se iskoristiti i za traˇenje paramz z etara c i p metodom najmanjih kvadrata. ˇto z c s je signaliziralo da smo ili loˇe derivirali.144714239984751.2 Nadite nultoˇku funkcije c f (x) = x3 − 5.ˇ ˇ 8.68999 koriˇtenjem Newtonove metode.9.5.1389x − 4.229999999995655. .

suprotnih c z c s predznaka. i nije ih teˇko izraˇunati metodom bisekcije s c β = ±1. Jednadˇba tangente na arctg u toˇki β je c z c y − arctg β = pa ´e tangenta sije´i os x u −β. Oˇito. postoje dva rjeˇenja. c x0 = β i x0 = 1. y −β β x y −0.39174520027073489. pa da c c c bismo dobili cikliranje. recimo za x0 = 1.5. 1 + β2 ˇime smo dobili nelinearnu jednadˇbu po β. ako je c c arctg β = 2β .57 1.ˇ ˇ 8. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 476 Kako ´emo na´i toˇku “cikliranja”? Funkcija f (x) = arctg x je neparna. Nacrtajmo grafove Newtonove metode za sve tri mogu´nosti za x0 . dovoljno je da tangenta na funkciju u toˇki β presijeˇe os x c c u toˇki −β. 1 + β2 1 (x − β).0 x .

32 x .ˇ ˇ 8. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 477 y −1.69 1.5 2.

u ve´ini sluˇajeva ne moˇemo iskoristiti osnovni c c z teorem integralnog raˇuna. c z c ˇ Zelimo izraˇunati integral funkcije f na intervalu [a. c z c s c s Op´a integracijska formula ima oblik c I(f ) = Im (f ) + Em (f ). NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 478 9. tj.1. Newton–Leibnitzovu formulu za raˇunanje I(f ) preko c c vrijednosti primitivne funkcije F od f u rubovima intervala b I(f ) = a f (x) dx = F (b) − F (a). zbog interpretacije integrala kao povrˇine ispod krivulje. pa se integrali analitiˇki u “lijepoj formi” mogu izraˇunati samo za c c malen skup funkcija f . a c s c s z Em (f ) pritom napravljena greˇka.ˇ 9. c s z c c Osnovna ideja numeriˇke integracije je izraˇunavanje I(f ) koriˇtenjem vrijedc c s nosti funkcije f na nekom konaˇnom skupu toˇaka. gdje je I obiˇno interval (moˇe i beskonaˇan). b]. (9. s . c b I(f ) = a f (x) dx. numeriˇko raˇunanje I(f ). pri ˇemu je m + 1 broj koriˇtenih toˇaka. ali o tome kako se one dobivaju i ˇemu sluˇe. na jednodimenzionalnoj domeni) ˇesto se zovu i kvadraturne c formule. Op´enito o integracijskim formulama c Zadana je funkcija f : I → R. jedino ˇto nam preostaje je pribliˇno. Numeriˇka integracija c 9. Im (f ) pripadna aproksimacija integrala. Zbog toga. Recimo odmah da postoje i c c integracijske formule koje koriste i derivacije funkcije f . Ovakve formule za pribliˇnu integraciju funkcija jedne varijable (tj. dok integric ranje to nije. Drugim rijeˇima. bit ´e viˇe rijeˇi neˇto kasnije.1.1) Svi znamo da je deriviranje (barem analitiˇki) jednostavan postupak.

moramo nekako odrediti 2m + 2 nepoznatih c c koeficijenata. Zaˇto baˇ s s s s tako? Ako postoji Taylorov red za funkciju f i ako on konvergira. Taylorov polinom. za fiksni m. a wk teˇinski koeficijenti. . c c tj. x3 .3) onda osigurava egzaktnost za sve polinome do najviˇeg stupnja s baze. . greˇka bi bila mala. onda aproksimacija Im (f ) ima oblik m Im (f ) = k=0 wk f (xk ). recimo na {1.1. Ako su ˇvorovi fiksirani. teˇinska funkcija. s Zbog linearnosti integrala kao funkcionala (αf (x) + βg(x)) dx = α f (x) dx + β g(x) dx. .3) dovoljno je gledati egzaktnost tih formula na nekoj bazi vektorskog prostora. Drugim rijeˇima. jednaka integralu c s greˇke koji nastaje kad iz Taylorovog reda napravimo Taylorov polinom.1. z U op´em sluˇaju. U c sluˇaju Gaussovih formula (ali moˇe se i kod teˇinskih Newton–Cotesovih formula) c z z uobiˇajeno je (9. Koeficijenti xk c (m) integracije. (m) (m) (m) (9.4) pri ˇemu je funkcija w ≥ 0 tzv. xm . recimo ekvidistantni.1.}. Ove posljednje formule zovu se formule Gaussovog tipa. Newton– c Cotesove formule.2) zovu se ˇvorovi c pri ˇemu je m neki unaprijed zadani prirodni broj. tj. Ona ima istu ulogu “gusto´e” c z c mjere kao i kod metode najmanjih kvadrata.1. . onda bi to znaˇilo da integracijska formula egzaktno integrira poˇetni komad Taylorovog reda. (9. za koje moramo odrediti m + 1 nepoznati koeficijent (teˇine). jer svojstvo (9. moˇemo fiksirati samo neke ˇvorove.1) zapisati u obliku c b I(f ) = a w(x)f (x) dx. c S druge strane. Kasnije ´emo pokazati da se te formule mogu dobiti i kao integrali z c interpolacijskih polinoma stupnja m za funkciju f na zadanoj (ekvidistantnoj) mreˇi z ˇvorova. x2 . z Uvjeti egzaktnosti na vektorskom prostoru polinoma tada vode na sustav linearnih jednadˇbi. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 479 Ako koristimo samo funkcijske vrijednosti za aproksimaciju integrala.ˇ 9. (9. x. . onda dobivano tzv. Ideja je “razdvojiti” podintegralnu . ili dozvoliti da su svi z c ˇvorovi “slobodni”.1. . Uobiˇajen naˇin njihovog odredivanja je zahtjev da su integracijska c c formule egzaktne na vektorskom prostoru polinoma ˇto viˇeg stupnja. .

c Na kraju ovog uvoda spomenimo joˇ da postoje primjene u kojima je korisno s traˇiti egzaktnost integracijskih formula na drugaˇijim sustavima funkcija. hm = b−a .ˇ 9. osnovni je oblik Newton–Cotesovih formula c b f (x) dx ≈ Im (f ) = a m k=0 wk f (x0 + khm ). aproksimacija integrala (9. Pokazat ´emo da postoji veza Gaussovih formula. kad znamo da je m = 1. Da bismo olakˇali pisanje. 1 pa je x0 = a i x1 = b. moˇemo s z (1) (1) s izostaviti gornje indekse u wk .2. s tim c da je prvi ˇvor u toˇki x0 := a. (m) (9. .2. jer to vodi na nelinearni c sustav jednadˇbi. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 480 funkciju na dva dijela. Dakle. k = 0. tako da integracijska formula egzaktno integrira c z polinome ˇto viˇeg stupnja na intervalu [a.2. piˇemo wk := wk . da za polinome f ˇto viˇeg stupnja s s s s bude h := h1 = b (1) (1) f (x) dx = I1 (f ) = w0 f (a) + w1 f (b). b].2. a posljednji u xm := b. pri ˇemu je c b−a = b − a. Trapezna formula Izvedimo najjednostavniju (zatvorenu) Newton–Cotesovu formulu za m = 1. tj. tj. . Za m = 1. .1) 9. m. koji nisu z c prostori polinoma do odredenog stupnja. Gaussove se forc mule nikad ne raˇunaju “direktno” iz uvjeta egzaktnosti. funkcije w i z c ortogonalnih polinoma obzirom na funkciju w na intervalu [a. za zatvorenu (to c c se ˇesto ispuˇta) Newton–Cotesovu formulu s (m + 1)-nom toˇkom ˇvorovi su c s c c xk (m) = x0 + khm .1) ima oblik I1 (f ) = w0 f (x0 ) + w1 f (x0 + h1 ). radi jednostavnosti. . moramo prona´i teˇine w0 i w1 . Preciznije. a .1. koja omogu´ava c efikasno raˇunanje svih parametara za Gaussove formule.. b]. tako da singulariteti budu ukljuˇeni u w. 9. m Drugim rijeˇima. Newton–Cotesove formule Newton–Cotesove formule zatvorenog tipa imaju ekvidistantne ˇvorove.

dobivamo c w1 = h 1 (b − a) = . a zatim rezultat koristiti za razne k. morat ´emo izraˇunati njegov integral. 2 2 . Vrijedi b xk dx = a xk+1 k+1 b = a bk+1 − ak+1 .2. k+1 (9. Odmah je oˇito da iz jedne jednadˇbe ne moˇemo odrediti dva nepoznata paramec z z tra. pa moramo zahtjevati da integracijska formula bude egzaktna i na polinomima stupnja 1. a Sada imamo dvije jednadˇbe s dvije nepoznanice z w0 + w1 = b − a b2 − a2 . Za f (x) = x izlazi b2 − a2 = 2 b x dx = w0 · a + w1 · b. aw0 + bw1 = 2 Pomnoˇimo li prvu jednadˇbu s −a i dodamo drugoj.2) Za f (x) = 1 = x0 dobivamo b b−a= a x0 dx = w0 · 1 + w1 · 1. a k ≥ 0. 2 2 2 Budu´i da je a = b. Zbog c c toga je zgodno odmah izraˇunati integrale oblika c b xk dx. 2 2 Drugu teˇinu w0 lako izraˇunamo iz prve jednadˇbe linearnog sustava z c z w0 = b − a − w1 = h 1 (b − a) = . Ako je f neki od polinoma baze vektorskog prostora. dobivamo z z (b − a)w1 = b2 − 2ab + a2 (b − a)2 b2 − a2 − a(b − a) = = .ˇ 9. redom. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 481 Stavimo. dijeljenjem s b − a. uvjete na bazu vektorskog prostora polinoma.

2 a odmah ´emo vidjeti da je (f (a) + f (b))/2 srednjica. kao c c b f (a) + f (b) f (x) dx ≈ (b − a). povrˇinu ispod krivulje zamijenili smo (tj. aproksimirali) povrˇic s s nom trapeza.ˇ 9. a b − a visina trapeza sa slike. Na primjer. Sve dok pravac razumno aproksimira oblik funkciju f . za funkciju s y f (a) f (b) a b x . Koliko je ta zamjena dobra? Ovisi o funkciji f . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 482 pa je w0 = w1 . c y f (b) f (a) a b x Drugim rijeˇima. Odakle joj ime? Napiˇemo li je na malo s drugaˇiji naˇin. 2 Ta formula zove se trapezna formula. Vidimo da je integracijska formula I1 (f ) dobivena iz egzaktnosti na svim polinomima stupnja manjeg ili jednakog 1. greˇka je mala. i glasi b f (x) dx ≈ a h (f (a) + f (b)).

2 E1 (f ) = a f (ξ) (x − a) (x − b) dx. c c s Trapezna integracijska formula ne´e egzaktno integrirati sve polinome stupc nja 2. a zatim ga egzaktno integriramo od a do b. jer ve´ za s c f (x) = x2 vrijedi b3 − a3 = 3 b x2 dx = I1 (x2 ) = a a2 + b2 (b − a). Greˇka interpolacijskog polinoma stupnja 1 koji s funkciju f interpolira u toˇkama (a. Neka je funkcija f ∈ C 2 [a. 2 Slika nas upu´uje na joˇ jednu ˇinjenicu. (b. jer bi se ono c s s ˇto je previˇe uraˇunato u povrˇinu s jedne strane “skratilo” s onim ˇto je premalo s s c s s uraˇunato s druge strane. Da smo nacrtali funkciju f “simetriˇnije” oko sjeciˇta. ako f ima dovoljan broj neprekidnih derivacija). z Interpolacijski polinom stupnja 1 koji prolazi kroz zadane toˇke je c p1 (x) = f (a) + f [a. takav pristup je opasan. 2 2 Ovaj nam pristup omogu´ava i ocjenu greˇke integracijska formule.ˇ 9. b]. b] jednaka je c e1 (x) = f (x) − p1 (x) = Drugim rijeˇima. Povuˇemo li kroz (a. Njegov integral na [a. moglo bi se dogoditi da je greˇka vrlo mala. dobivamo trapeznu formulu. (b. f (a)). f (b)) na intervalu [a. S numeriˇkog stanoviˇta. f (a)). uz uvjet da moˇemo ocijeniti greˇku interpos z s lacijskog polinoma (tj. b] je b a x2 p1 (x) dx = f (a)x − a f [a. vrijedi c b f (ξ) (x − a) (x − b). NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 483 pravac nije dobra aproksimacija za oblik funkcije f . b]x + f [a. Pokaˇimo da je to tako. To nije teˇko pokazati. b] 2 = (b − a)f (a) + 2 b a f (a) + f (b) (b − a) f [a. f (b)) c s c c linearni interpolacijski polinom. 2 . b] = (b − a) . b] (x − a). preko occ s jene greˇke interpolacijskog polinoma.

4) nema ni maksimum. Sliˇno vrijedi i za sup (ˇitati supremum). funkcija c g(x) = x na (0.1) (9. M = sup g(x). b] i ako je w(x) ≥ 0 na [a.2.2.1 Neka su funkcije g i w integrabilne na [a.2. funkcija iz relacije (9. inf (ˇitati infimum) je minimum funkcije koji se ne c c mora dosti´i. z Teorem 9. b].b] x∈[a. neka je w(x) ≥ 0 na [a. lako dokazujemo integralni teorem srednje vrijeds nosti s teˇinama. Iskoristit ´emo generalizaciju teorema srednje c c vrijednosti za integrale.b] M = sup g(x). a m = inf g(x). x∈[a.b] onda vrijedi b b b m a w(x) dx ≤ a w(x)g(x) dx ≤ M a w(x) dx. Supremum je maksimum funkcije koji se c c ne mora dosti´i.2.3).4) inf x = 0. pa je b b b m a w(x) dx ≤ a w(x)g(x) dx ≤ M a w(x) dx. Ako su funkcije g i w integrabilne na [a. Tada postoji broj µ.b] Nadalje. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 484 Ostaje samo izraˇunati E1 (f ). x∈[a. x∈[a. x∈(0.2. Na primjer.ˇ 9. jer je m ≤ g(x) ≤ M =⇒ mw(x) ≤ g(x)w(x) ≤ Mw(x). ali je c sup x = 1.3) Digresija za nematematiˇare. Na primjer. (9. . m ≤ µ ≤ M takav da vrijedi b b w(x)g(x) dx = µ a a w(x) dx. Prethodna formula lako se dokazuje.1) Koriˇtenjem relacije (9. 1) nema minimum. b]. b] i neka je m = inf g(x). ali je x∈(0.

b]. Ako je b w(x) dx = 0. a onda dijeljenjem formule (9. Ako je z b w(x) dx > 0. a pa za µ moˇemo uzeti proizvoljan realan broj. ako je g neprekidna na [a. b]. 2 Primijetite da je funkcija (x − a) (x − b) ≤ 0 na [a.3) s prethodnim integralom dobivamo b w(x)g(x) dx m≤ a b ≤ M. w(x) dx a pa za µ moˇemo uzeti z b w(x)g(x) dx µ= a b .2. onda postoji broj ζ takav da je b b w(x)g(x) dx = g(ζ) a a w(x) dx. w(x) dx a Posljednji zakljuˇak teorema slijedi iz ˇinjenice da neprekidna funkcija na segmentu c c c postiˇe sve vrijednosti izmedu minimuma i maksimuma. Dokaz. pa mora posti´i i µ.3) i b w(x)g(x) dx = 0. c Prisjetite se. postoji ζ takav da je µ = g(ζ).2. Drugim z rijeˇima. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 485 Posebno. a onda je po (9.ˇ 9. 2 . ve´ smo pokazali da je c b E1 (f ) = a f (ξ) (x − a) (x − b) dx.

2 Ponovno.ˇ 9. Za m = 2. kad znamo da je m = 2. izostaviti gornje indekse u wk := wk .2. Za f (x) = 1 dobivamo b b−a= a x0 dx = w0 · 1 + w1 · 1 + w2 · 1. Oprez. poznatu c pod imenom Simpsonova formula.1) ima oblik I2 (f ) = w0 f (x0 ) + w1 f (x0 + h2 ) + w2 f (x0 + 2h2 ). Integriranjem dobivamo c b a (x − a) (x − b) (b − a)3 h3 dx = − =− . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 486 pa moˇemo uzeti z w(x) = − (x − a) (x − b) . 2 pri ˇemu je c (2) (2) (2) Stavimo uvjete na egzaktnost formule na vektorskom prostoru polinoma ˇto s viˇeg stupnja. s c Po generaliziranom teoremu srednje vrijednosti. radi jednoss z (2) tavnosti. moˇemo. (ˇto znaˇi da je 0 f ∈ C [a.2. b]. jer imamo tri nepoznata s z koeficijenta. b]). 12 pa je 9. da bismo olakˇali pisanje. Simpsonova formula Izvedimo sljede´u (zatvorenu) Newton–Cotesovu formulu za m = 2. aproksimacija integrala (9. 2 Ovaj se integral jednostavno raˇuna. b−a . Moramo postaviti najmanje tri jednadˇbe. vrijedi da je b E1 (f ) = −f (ζ) a − (x − a) (x − b) dx. ako je f ∈ C 2 [a. dobivamo c h := h2 = I2 (f ) = w0 f (a) + w1 f a+b + w2 f (b). 2 g(x) = −f (ξ). to nisu isti wk i h kao u trapeznoj formuli! Kad uvrstimo znaˇenje h u aproksimacijsku formulu. .2. 2 12 12 h3 E1 (f ) = −f (ζ) .

4 Sada imamo linearni sustav s tri jednadˇbe i tri nepoznanice z w0 + w1 + w2 = b − a a+b b2 − a2 aw0 + w1 + bw2 = 2 2 2 3 (a + b) b − a3 w1 + b2 w2 = . 3 6 w1 = 4(b − a) 4h = . Dovoljno je pokazati da egzaktno integrira f (x) = x3 . i glasi b f (x) dx ≈ a h a+b f (a) + 4f + f (b) . 3 6 Drugim rijeˇima. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 487 Za f (x) = x izlazi b2 − a2 = 2 b x dx = w0 · a + w1 a a+b + w2 · b. Egzaktni integral jednak je b x3 dx = a b4 − a4 . za f (x) = x3 dobivamo I2 (x3 ) = b−a 3 a+b 3 a +4 + b3 6 2 b−a 3 b4 − a4 (a + a2 b + ab2 + b3 ) = . integracijska formula I2 (f ) dobivena je iz egzaktnosti na svim c polinomima stupnja manjeg ili jednakog 2. ona egzaktno integrira i sve polinome stupnja 3. 3 2 Simpsonova formula ima joˇ jednu prednost.ˇ 9. = 4 4 . za f (x) = x2 dobivamo c b3 − a3 = 3 b x2 dx = w0 · a2 + w1 a (a + b)2 + w2 · b2 . 4 a po Simpsonovoj formuli. dobivamo s w0 = w2 = b−a h = . a2 w0 + 4 3 Rjeˇavanjem ovog sustava. 2 Konaˇno. Iako je dobivena iz uvjeta egzakts nosti na vektorskom prostoru polinoma stupnja manjeg ili jednakog 2.

Oznaˇimo (x − a) x − c := i definiramo w(x) = a x a+b 2 (t − a) (t − c) (t − b) dt. ( 2 . Pretpostavimo da je f ∈ C 4 [a. 6 2 Dakle. nije teˇko pokazati da je i ova formula interpolacijska. integracijom s c c greˇke kvadratnog interpolacijskog polinoma s e2 (x) = f (x) − p2 (x) = f (ξ) a+b (x − a) x − (x − b). funkcija z a+b (x − b) 2 nije viˇe fiksnog znaka na [a. f (a)). f (b)). y f (b) y f (a) f (a) f (b) a b x a b x Greˇku Simpsonove formule raˇunamo sliˇno kao kod trapezne. kvadratni interpolacijski polinom tako dobro aproksimira funkciju f . Ako povuˇemo s c a+b a+b kvadratni interpolacijski polinom kroz (a. da se one na grafu ne razlikuju. za greˇku Simpsonove formule vrijedi s b E2 (f ) = a e2 (x) dx. . Posebno. b]. na prvom c s primjeru. f ( 2 )) i (b. Naˇalost. a zatim ga egzaktno integriramo od a do b. b]. Ako pogledamo kako ona funkcionira na funkcijama koje smo ve´ integrirali c trapeznom formulom.ˇ 9. pa ne moˇemo direktno primijeniti generalizirani s z c teorem srednje vrijednosti. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 488 Ponovno. dobivamo Simpsonovu formulu. vidjet ´emo da joj je greˇka bitno manja.

ˇ 9. b. dx Prvi ˇlan je oˇito jednak 0. x ∈ (a. c Ostaje samo joˇ napisati greˇku interpolacijskog polinoma kao podijeljenju s s razliku. c. Kod splajnova smo objaˇnjavali da je podijeljena razlika s dvostrukim ˇvorom c s c jednaka derivaciji funkcije. onda moˇemo napisati kao s z b E2 (f ) = a w (x)f [a.5) a c b t pa ´e integral rasti od 0 do svog maksimuma (plava povrˇina). Na sliˇan je naˇin derivacija tre´e podijeljene razlike c c c . Skiciramo li funkciju f (t) = (t − a)(t − c)(t − b) odmah vidimo da je ona centralno simetriˇna oko srednje toˇke c c f (t) w(x) > 0. c. b). x] = f (ξ) . greˇku Simpsonove formule. x] a − a w(x) d f [a.2. Ostaje joˇ “srediti” drugi c c s ˇlan. 6 Uz oznaku (9. c. x] dx. x] dx. b. c. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 489 Tvrdimo da vrijedi w(a) = w(b) = 0. b. jer je w(a) = w(b) = 0.5). To smo pokazali op´enito u poglavlju o Newtonovom interpolacijskom polic nomu. (9. a zatim padati (kad c s dode u crveno podruˇje) do 0. b. a posebno za n = 3 vrijedi f [a.2. Parcijalnom integracijom ovog integrala dobivamo b b E2 (f ) = w(x)f [a.

b. b. c. η] kao derivaciju. Napiˇemo li f [a. c. a Ostaje joˇ samo integrirati funkciju w. η. η. . 15 Kad to ukljuˇimo u formulu za greˇku. c. gdje je a ≤ η ≤ b. c c dobivamo formulu greˇke u obliku s b E2 (f ) = − a w(x)f [a. Sad je funkcija w nenegativna i moˇemo primijeniti generalizirani teorem srednje z vrijednosti. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 490 f [a. c. Vrijedi s x w(x) = (t − a) (t − c) (t − b) dt = zamjena varijable y = t − c a x−c x−c = −h (y − h)y(y + h) dy = −h 4 2 x−c −h (y 3 − h2 y) dy y y − h2 = 4 2 Nadalje je b b 2 h4 (x − c)4 2 (x − c) −h + .ˇ 9. b. η] a w(x) dx. greˇka je za red veliˇine bolja no ˇto bi po upotrijebljenom interpos c s lacijskom polinomu trebala biti. = 4 2 4 w(x) dx = a a h (x − c)4 (x − c)2 h4 − h2 + dx = zamjena varijable y = x − c 4 2 4 y4 y 2 h4 y5 y 3 h4 y − h2 + − h2 + dy = 4 2 4 20 6 4 h h h − + 20 6 4 5 5 5 h −h = −h =2 = 4 5 h. x. b. dobivamo s f (4) (ζ) E2 (f ) = − 4! b w(x) dx. dobivamo c s E2 (f ) = − f (4) (ζ) 4 5 h5 · h = − f (4) (ζ). 24 15 90 Primijetite. Izlazi b E2 (f ) = −f [a. x] po x. ˇetvrta podijeljena razlika s dvostrukim ˇvorom x. Prema tome. x] dx.

34818363604819700 10 4.66535357008912674 4 2. Umjesto da diˇemo red c s z .24631262676211993 9 2. 1 + x2 Sljede´a tablica pokazuje aproksimacije integrala izraˇunate Newton–Cotesovim forc c mulama raznih redova i pripadne greˇke.15274310696189909 15 4.37279622885024392 5 2.2.05973804964347061 13 1.50048890712791179 1.91979721683238891 0. s s I ˇto sad? Ne smijemo dizati red formula.15219287585834703 8 1.ˇ 9.12981975621917490 19 7.82700431705764282 14 7.12364713958076805 7 2. Rjeˇenje s s je vrlo sliˇno onome ˇto smo primijenili kod interpolacije. Produljene formule Nije teˇko pokazati da su sve Newton–Cotesove formule integrali interpos lacijskih polinoma na ekvidistantnoj mreˇi. s Red formule m Aproksimacija integrala Greˇka s 1 0.39861789784183472 0. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 491 9. onda ne´e biti dobri niti njihovi integrali.89954464085193082 −5.92649902176346704 11 3.98823884866311501 17 0.26050944143760372 2.30769230769230769 0.79487179487179487 −4.49797140638855353 12 −0.87662129010920670 −16.38461538461538462 2.36218614927464711 2 6.48629209245242800 18 18.04807026098176315 3 2.3. Potc punije opravdanje ovog ponaˇanja dajemo neˇto kasnije.43910922619772403 6 3. Ako ne valja dizanje stupnjeva interpoz lacijskih polinoma na ekvidistantnoj mreˇi.15555899270655713 −1.31293651575343889 3.87044867347079978 −1.89899440974837875 −0.67330055565349876 −1.74680153389003172.24477294027858525 −0.24602608588196936 −4.84955208882447960 29. jer to postaje opasno.24143731477308329 8.08144796380090498 0. z c Pokaˇimo to na primjeru Runge.59635362271451140 Oˇito je da aproksimacije ne konvergiraju prema pravoj vrijednosti integrala. Prava vrijednost integrala je z 5 −5 dx = 2 arctg 5 ≈ 2.49922455199193763 20 −26.37400530503978780 0.40875745881652541 16 −6.

NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 492 formule. 12 k=1 n . xk ] iste duljine h. . . s tim da je a = x0 < x1 < · · · < xn−1 < xn = b. . produljenu trapeznu formulu dobivamo tako da cijeli interval [a. . Najjednostavniji je sluˇaj kad su toˇke xk ekvidistantne. pa na isti naˇin zbrojimo i “obiˇne” trapezne aproksimacije u produljenu trapeznu c c aproksimaciju. . 2 2 T pri ˇemu je En (f ) greˇka produljene formule. i na svakom od njih upotrijebimo “obiˇnu” trapeznu formulu. jednake duljine. . Na primjer. za funkciju koju smo ve´ razmatrali. i na s svakom od njih primijenimo odgovaraju´u integracijsku formulu niskog reda. k = 0. tj. To znaˇi da je xk = a + kh. h= b−a . n. podijelimo interval [a. n Aproksimacija produljenom trapeznom formulom je b f (x) dx = h a 1 1 T f0 + f1 + · · · + fn−1 + fn + En (f ). xk ].ˇ 9. za k = 1. n. Nju moˇemo zapisati kao zbroj greˇaka c s z s osnovnih trapeznih formula na podintervalima T En (f ) h3 = −f (ζk ) . Znamo da je tada c b n xk f (x) dx = a k=1xk−1 f (x) dx. c y x0 x1 x2 x Op´enito. recimo. b] c podijelimo na n podintervala oblika [xk−1 . kad je svaki podc c c interval [xk−1 . Tako c dobivene formule zovu se produljene formule. produljena trapezna formula s 2 podintervala izgledala bi ovako. b] na viˇe dijelova. . .

pa produljena formula c mora imati. n/2. 12 12n2 M2 = max |f (x)|. 12ε n cijeli broj. b]. . . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 493 Greˇka ovako napisana nije naroˇito lijepa i korisna. Pretpostavimo stoga da je n paran broj. n xk = a + kh. . onda je dovoljno traˇiti da bude (b − a)3 M2 ≤ ε. 3 . n. paran broj podintervala.b] T ˇ z Zelimo li da je |En (f )| ≤ ε. takoder. x2k ]. c tako da na svakom podintervalu [x2k−2 . Na sliˇan se naˇin izvodi i produljena Simpsonova formula. . . tj. Onda je ponovno c c h= b−a . duljine 2h. k = 0.ˇ 9. primijenimo obiˇnu Simpsonovu formulu. 12 12 Iz ove formule izvodimo vaˇnu ocjenu za broj podintervala potrebnih da se postigne z zadana toˇnost za produljenu trapeznu metodu c T |En (f )| ≤ (b − a)h2 (b − a)3 M2 = M2 . b]. pa formulu za greˇku c s moˇemo pisati kao z T En (f ) = − h3 n (b − a)h2 f (ξ) = − f (ξ). onda je broj u c zagradi vrijednost druge derivacije u nekoj toˇki ξ ∈ [a. . . 12n2 odnosno da je n≥ (b − a)3 M2 . Zbrajanjem izlazi b f (x) dx = a h S f0 + 4f1 + 2f2 + 4f3 + 2f4 + · · · + 4fn−1 + fn + En (f ). Ograniˇimo se samo na ekvidistantni sluˇaj. 2 podintervala. Aproksimaciju integrala produljenom Simpsonovom formulom dobivamo iz b n/2 x2k f (x) dx = a k=1x2k−2 f (x) dx. c c Taj se broj sigurno nalazi izmedu najmanje i najve´e vrijednosti druge derivacije c funkcije f na intervalu [a. b]. Budu´i da je f neprekidna na [a. za k = 1. osc c novna Simpsonova formula ima 3 toˇke. x∈[a. 12 n k=1 Izraz u zagradi je aritmetiˇka sredina vrijednosti drugih derivacija u toˇkama ζk . Primijetite. . pa ju je potrebno napisati malo s c drugaˇije c h3 n 1 n T En (f ) = − f (ζk ) .

ξ ∈ [a. 180ε n paran cijeli broj.ˇ 9. 180 180 Ponovno. 90 Opet je greˇku korisno napisati malo drugaˇije s c S En (f ) h5 (n/2) 2 n/2 (4) =− f (ζk ) . x∈[a.4. Nju moˇemo zapisati kao zbroj greˇaka c s z s osnovnih Simpsonovih formula na podintervalima n/2 S En (f ) = k=1 −f (4) (ζk ) h5 . 180n4 odnosno da je n≥ 4 (b − a)5 M4 . b].2. Primjeri Primjer 9. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 494 S pri ˇemu je En (f ) greˇka produljene formule. 9. onda je dovoljno traˇiti da bude z (b − a)5 M4 ≤ ε.2. pa dobivamo S En (f ) = − h5 n (4) (b − a)h4 (4) f (ξ) = − f (ξ). Nadite pravu vrijednost integrala i pogreˇke. Koliko je podintervala potrebno s za istu toˇnost koriˇtenjem (produljene) trapezne formule? c s . iz ove formule izvodimo ocjenu za broj podintervala potrebnih da se postigne zadana toˇnost za Simpsonovu metodu c S |En (f )| ≤ (b − a)h4 (b − a)5 M4 = M4 . 180 180n4 M4 = max |f (4) (x)|. 90 n k=1 Sliˇnim zakljuˇivanjem kao kod trapezne formule.b] S ˇ Zelimo li da je |En (f )| ≤ ε. izraz u zagradi moˇemo zamijeniti c c z (4) s f (ξ).1 Izraˇunajte vrijednost integrala c 2 xe−x dx 1 koriˇtenjem (produljene) Simpsonove formule tako da greˇka bude manja ili jednaka s s −6 10 .

09. treba najmanje nS = 10 podintervala.85. Derivacije su redom c f (1) (x) = (1 − x)e−x . x∈[1. Prvo ocijenimo greˇku za produljenu trapeznu formulu. f (5) (x) = (5 − x)e−x . x∈[1. Sad moˇemo upotrijebiti produljenu Simpsonovu formulu s 10 podintervala (11 z . moramo ocijeniti pogreˇku za produljenu trapeznu i produljenu Simps sonovu formulu.367879441171. ˇto znaˇi da f (4) raste. (3) M2 = max |f (2) (x)| = |f (2) (1)| = e−1 ≈ 0. tj. 12 · 10−6 pa je najmanji broj podintervala nT = 176. Na intervalu [1. tj. Sada ocijenimo greˇku za produljenu Simpsonovu formulu. ˇto znaˇi da je njen maksimum po apsolutnoj vrijednosti ponovno u lijevom rubu. f (3) (x) = (3 − x)e−x . f (4) (x) = (x − 4)e−x .ˇ 9. pa je maksimum apsolutne vrijednosti druge derivacije u lijevom rubu. 180 · 10−6 tj. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 495 Prmo.103638323514. 2] s s c s c je f (x) > 0. Za to su nam potrebni maksimumi apsolutnih vrijednosti druge i ˇetvrte derivacije na zadanom intervalu. Nadimo maksimume apsolutnih vrijednosti derivacija na zadanom intervalu. ˇto znaˇi da f (2) raste.2] Broj podintervala nT za produljenu trapeznu formulu je nT ≥ (b − a)3 M2 = 12ε e−1 ≈ 175. Na intervalu [1. 2] je s s c c s f (x) > 0.2] Za greˇku produljene Simpsonove formule imamo s nS ≥ 4 (b − a)5 M4 = 180ε 4 3 · e−1 ≈ 8. (5) M4 = max |f (4) (x)| = |f (4) (1)| = 3 · e−1 ≈ 1. Uoˇimo joˇ da je na zadanom intervalu f (2) (x) ≤ 0. f (2) (x) = (x − 2)e−x . Takoder je i f (4) (x) < 0.

prava pogreˇka je c s I − IS = 0. v = −e−x 2 2 2 = −xe −x 1 + 1 e−x dx = e−1 − 2e−2 − e−x = e−1 − 2e−2 − e−2 + e−1 1 = 2e−1 − 3e−2 ≈ 0.3346952402 0.2975379988 0.3105619909 0.3678794412 0.2 1.3297526998.6 1.5 1.3661581921 0.6544824628.9 2. 3 xk 1.8 1.3 1.1 (S0 + S1 + S2 ) = 0.4 1. Vrijednost integrala po Simpsonovoj formuli je Is = 0.3230344288 0.2706705665 U ovom konkretnom sluˇaju moˇemo bez puno napora izraˇunati i egzaktnu c z c vrijednost integrala.3452357495 0. Drugim rijeˇima.63855000765.3542913309 0. −x dv = e dx.3297526998 = 3.0 f (xk ) 0.1 1. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 496 ˇvorova). s s .2841803765 0.3614330543 0. Jedina korist od toga je da vidimo koliko je zaista ocjena za Simpsonovu metodu bliska sa stvarnom greˇkom. Imamo c k 0 1 2 3 4 5 6 7 8 9 10 Sada je S0 = f (x0 ) + f (x10 ) = 0. S1 = 4(f (x1 ) + f (x3 ) = f (x5 ) + f (x7 ) + f (x9 )) = 6. ocjena greˇke nije daleko od prave pogreˇke.ˇ 9.328 · 10−7 .0 1. S2 = 2(f (x2 ) + f (x4 ) + f (x6 ) + f (x8 )) = 2.3297530326 − 0.5995485226.3297530326. Parcijalna integracija daje s 2 xe 1 −x dx = du = dx u = x. tj.7 1.

c Ako definiramo x−1 := a. xm+1 := b i hm = b−a . izlazi da c s je greˇka midpoint formule s b E0 (f ) = a e0 (x) dx = f (ξ) (b − a)3 . imamo b (0) b−a= a 1 dx = w0 . odakle odmah slijedi da je b f (x) dx = (b − a)f a a+b . Ako definiramo c x w(x) = a (t − c) dt. s s Za f (x) = 1. m+2 onda otvorene Newton–Cotesove formule imaju oblik b f (x) dx ≈ Im (f ) = a m k=0 wk f (x0 + khm ).5.ˇ 9. c Dakle za bismo odredili midpoint formulu. koji interpolira funkciju f u srednjoj toˇki.2. c := a+b . dobili smo otvorene Newton–Cotesove formule. Formula srednje toˇke (midpoint formula) c Ako u Newton–Cotesovim formulama ne interpoliramo (pa onda niti ne integriramo) jednu ili obje rubne toˇke. 24 . 2 Greˇka te integracijske formule je integral greˇke interpolacijskog polinoma stupnja s s 0 (konstante). poznata pod imenom “midpoint formula” (formula srednje toˇke).6) Vjerojatno najkoriˇtenija i najpoznatija otvorena Newton–Cotesova formula je ona s najjednostavnija za m = 0. (m) (9. moramo na´i koeficijent w0 := w0 c takav da je b a+b f (x) dx = w0 f 2 a egzaktna na vektorskom prostoru polinoma ˇto viˇeg stupnja.2. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 497 9. 2 onda koriste´i istu tehniku kao kod izvoda greˇke za Simpsonovu formulu.

(2i)! . k = 0. z h= b−a .m . . En (f ) = f (x) dx − In (f ) = 2i i=1 n a gdje su koeficijenti d2i = − a ostatak je Fn. n xk = a + k − 1 h. b]. n ≥ 1. m. . n xk = a + kh. tj. s Pretpostavimo da je f ∈ C (2m+2) [a. h= b−a . podijelimo interval [a. 2m+2 (2m + 2)!n h a b B2i (b − a)2i (f (2i−1) (b) − f (2i−1) (a)). Rombergov algoritam Pri izvodu Rombergovog algoritma koristimo se sljede´im principima: c • udvostruˇavanjem broja podintervala u produljenoj trapeznoj metodi. Za pogreˇku produljene trapezne metode vrijedi b m d2i T + Fn. c • eliminacijom ˇlana greˇke iz dvije susjedne produljene formule. Definiramo ekvidistantnu mreˇu s n podintervala na [a.3. . . 2 M s pri ˇemu je En (f ) ukupna greˇka koja je jednaka c n M En (f ) = k=1 f (ξk ) h3 n 1 n h3 h3 n h2 (b − a) = f (ξ) = f (ξ). Tada vrijedi M In (f ) = h(f1 + · · · + fn ) + En (f ). Teorem 9. f (ξk ) = 24 24 n k=1 24 24 9. n cijeli brojevi.3. b] na n podintervala i na svakom upotrijebimo midpoint formulu.1 Neka je m ≥ 0.ˇ 9.m b − a (2m+2) (b − a)2m+2 = · B 2m+2 f (x) dx. Asimptotski razvoj ocjene pogreˇke za trapeznu integraciju daje Euler–Macs Laurinova formula. Ponovljena c s primjena ovog principa zove se Richardsonova ekstrapolacija. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 498 Da bismo izveli produljenu formulu. b]. n.

6 691 B12 = − . c Umjesto dokaza. i! odakle se integracijom na [0. nekoliko objaˇnjenja. 1 Bi = − 0 Bi (x) dx. i ≥ 1. i(Bi−1 (x) + Bi−1 ). Prvih nekoliko Bernoullijevih brojeva: B0 = 1. 42 3617 =− 510 7 B14 = . Uvijek vrijedi Bi (0) = 0 za i ≥ 1. B i (x − 1). Bernoullijevi polinomi zadani su ims plicitno funkcijom izvodnicom t(ext − 1) = et − 1 Prvih nekoliko Bernullijevih polinoma su: B0 (x) = 1 3x2 x + B3 (x) = x − 2 2 2 ti Bi (x) . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 499 Ovdje su B2i Bernoullijevi brojevi. 1] po x u rekurziji za Bi (x) dobiva 1 Bi = − 0 Bi (x) dx. Ovo je jedan od klasiˇnih teorema numeriˇke analize i njegov se dokaz moˇe c c z na´i u mnogim knjigama. 2730 B4 = − 1 . jer je slobodni ˇlan jednak 0. a B i je periodiˇko proˇirenje obiˇnih Bernoullijevih polinoma c s c B i (x) = Bi (x). Bernoullijevi brojevi takoder su definirani implicitno t = et − 1 ∞ Bi i=0 ti . 30 B6 = B14 1 . i ≥ 1. c Iz prethodne se formule integracijom mogu dobiti Bi (x). 30 1 B1 = − . B8 = 1 . za 0 ≤ x ≤ 1. za i paran i i ≥ 4. i! i=1 B2 (x) = x2 − x ∞ B1 (x) = x B4 (x) = x2 (1 − x)2 .ˇ 9. za x ≥ 1. za i neparan i i ≥ 3. 6 . 66 1 B2 = − . 2 5 B10 = . Rekurzivne relacije su Bi (x) = iBi−1 (x).

Iz Euler–MacLaurinove formule. n paran. tj. n ≥ 2. ako je n paran. n2 n4 n2m (0) (0) (0) Ako prvi razvoj pomnoˇimo s 4 i oduzmemo mu drugi razvoj. n n d6 = −20d6 . Posebno to vrijedi za funkcije s s algebarskim (xα ) i/ili logaritamskim (ln x) singularitetima. takoder. dobivamo c c I= (0) 4In − In/2 (0) 3 20d6 −4d4 − + ···. (1) (0) (1) (1) (1) Nadimo eksplicitnu formulu za In . (1) (0) (1) In d d = 44 + 66 + · · · .139994926 · 1034 . onda je h1 := 2h duljina podintervala . dobit ´emo s 4(I − (0) In ) − (I − (0) In/2 ) −12d4 60d6 = − + ···. u c z oznaci (0) (0) 4In − In/2 (1) . In . s Za podintegralne funkcije koje nisu dovoljno glatke. za asimptotski razvoj greˇke imamo s (0) I − In = I − In/2 (0) d2 d d + 44 + · · · + 2m + Fn. ako je h duljina podintervala za In . Zbog podjele na odgovaraju´i broj podinc (0) tervala. skratit ´e se prva z c (0) c greˇka s desne strane d2 . se moˇe (uz blage z pretpostavke) asimptotski dobiti razvoj pogreˇke.ˇ 9. Rombergov algoritam dobivamo tako da eliminiramo ˇlan po ˇlan iz reda za c c ocjenu greˇke na osnovu vrijednosti integrala s duljinom koraka h i h/2. In je novi integracijski niz. popravljenu aproksimaciju integrala. − 4 n n6 (0) (0) Prvi ˇlan zdesna moˇemo uzeti kao bolju. Njegova je greˇka s I− gdje je d4 = −4d4 . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 500 i dalje vrlo brzo rastu po apsolutnoj vrijednosti B60 ≈ −2. a zatim dijeljenjem.m 2 n n n2m (0) (0) (0) 4d 16d4 22m d2m = 2 + +···+ + Fn/2. In = 3 (2) (4) (6) Niz In . 4 n n6 (0) (0) Izluˇivanjem ˇlanova koji imaju I na lijevu stranu.m . (0) Izvedimo sad Rombergov algoritam. Oznaˇimo s In trapeznu formulu s duljic nom intervala h = (b − a)/n.

Induktivno. 15 15n6 Ponovno. 2 (1) Uvrˇtavanjem u In . n ≥ 2k . n djeljiv s 4. n ≥ 4.. . Sada moˇemo definirati Rombergovu tablicu z I1 I2 (0) (0) (0) (1) (1) I2 I4 . . I4 . dobivamo Richardsonovu ekstrapolaciju (k) In = (k−1) 4k In − In/2 (k−1) 4k − 1 .ˇ 9. . 3 ˇto je Simpsonova formula s n podintervala. . I4 . . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 501 za In/2 . 4 n n6 (1) In/2 ) (1) (1) − (I − −48d6 = + ···. n2k+2 (k) a ≤ ξ ≤ b. . Vrijedi c z I− Tada je 16(I − odnosno I= (1) In ) (1) In/2 16d4 64d6 = + + ···. pri ˇemu je greˇka jednaka c s (k) En =I− (k) In d = 2k+2 + · · · = βk (b − a)h2k+2 f (2k+2) (ξ). pa vrijede sljede´e formule c (0) In = (0) In/2 (0) h (f0 + 2f1 + · · · 2fn−1 + fn ) 2 h1 = (f0 + 2f2 + · · · 2fn−2 + fn ). prvi ˇlan s desne strane proglasimo za novu aproksimaciju integrala c − (2) In (1) 16In − In/2 (1) = (1) 16In − In/2 (1) 15 . . (2) . . s (1) In = Sliˇan argument kao i prije moˇemo upotrijebiti i dalje. n6 (1) (1) −48d6 + ···. ako nastavimo postupak. . dobivamo s 4h 1 1 2h 1 1 f0 + 2f1 + · · · 2fn−1 + fn − f0 + 2f1 + · · · 2fn−1 + fn 3 2 2 3 2 2 h = (f0 + 4f2 + 2f2 + · · · 4fn−2 + fn ).

9992 3.1 Rombergovim algoritmom s toˇnoˇ´u 10−12 nadite vrijednosti intec sc grala 1 1 1 √ x 3/2 e dx. 1 . 1 16 16 . onda dobivamo c (k) En = 22k+2 . .6087 249. nakon 25 podintervala u trapeznoj formuli.71828182845904524 I = e − 1 = 1. x dx.ˇ 9. pribliˇnu vrijednost z I5 = 1. x dx 0 0 0 i pokaˇite kako se ponaˇaju omjeri pogreˇaka u stupcima.9017 254. dobivamo umjesto prave vrijednosti integrala I. omjeri pogreˇaka u stupcu se moraju ponaˇati kao s s 1 4 4 4 . Primjer 9.. . 1 64 . .4639 1.4010 1000. Pokaˇimo na primjeru da prethodni omjeri pogreˇaka u stupcu vrijede samo z s ako je funkcija dovoljno glatka.0000 3. .7197 1.5738 1. .9777 15. Pokaˇimo omjere pogreˇaka u stupcima.3. (k) E2n tj.0000 62. .6517 15. pa bi se raˇunanje integrala morala ponaˇati po predvidanju.0000 . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 502 Ako pogledamo omjere greˇaka ˇlanova u stupcu.9969 3.9512 3. z s 0 1 2 3 4 5 1. . c s Kao vrijednost. z s s Pogledajmo redom funkcije. . . .0000 63.71828182845904524 I − I5 = 0.0000 63.9875 3. uz pretpostavku dovoljne s c glatko´e. Eksponencijalna funkcija ima beskonaˇno mnogo c neprekidnih derivacija.9944 1.9998 1.9913 15.0000 15. .

9955 1.9676 1. . nakon 215 podintervala u trapeznoj s formuli.6569 .5000 2.0000 5.0000 2.6568 ··· 1.5000 2.ˇ 9. 2.0000 1.9999 1. 1.9823 1. .0000 5.4978 2.0000 5.5000 2.4847 5.0000 ˇ Sto je s drugom funkcijom? Funkciji f (x) = x3/2 puca druga derivacija u 0.8154 3.40000000000000000 I − I15 = −0.0000 5.5000 . .9995 1.0000 2.8721 3.4554 2. .4999 1. s 0 1 2 3 4 5 6 .9980 3. 5. 1.4978 2.4832 2.9666 1.0000 .0000 .9989 1.0000 2.9567 .9531 1.9010 1. .6559 5.0000 3. 1.0000 5. pribliˇnu vrijednost z I15 = 0. . 1.0000 5.6566 1..9642 1. . .7346 3. dobivamo umjesto prave vrijednosti integrala I..5000 2. ˇ Primijetite da je broj intervala popriliˇno velik! Sto je s omjerima pogreˇaka? c s 0 1 2 3 4 5 6 . . Primje´ujemo da su se nakon prvog stupca omjeri pogreˇaka stabilizirali. 0 1 2 3 4 5 1.9843 . pa bi zanimljivo ponaˇanje moralo poˇeti ve´u drugom stupcu (za trapez je funkcija dos c c voljno glatka za ocjenu pogreˇke).5000 1.5000 2.9920 3. Bit ´e c s c s nam mnogo lakˇe provjeriti ˇto se dogada ako napiˇemo samo eksponente omjera s s pogreˇaka.6484 5.6569 1.9997 1.0000 .4992 . 1. .5000 ··· 1.5000 1.0000 1.9650 1. ··· 15 3.9993 2.9978 7.4939 2.6568 5.. .6569 · · · 5.9910 9.9318 1.6484 5.9682 3.9981 5.5000 1.0000 . .0000 5.6569 1.6539 ..6568 5.0000 2.9381 3.9775 1.9912 7. 1.40000000000004512 I = 2/5 = 0. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 503 a zatim samo eksponente omjera pogreˇaka (eksponenti od 2.0000 3. .6569 1. ··· 15 1.00000000000004512. koji bi ako je funkcija s glatka morali biti 2k + 2).0000 5. Kao vrijednost.0000 2. .6331 5.5912 5.9112 3. .

0000 .4993 1.8284 1.8281 1. . Nakon 2 podintervala u trapeznoj formuli (ˇto je ograniˇenje zbog veliˇine polja u programu).8267 2. c s s U literaturi postoji i malo drugaˇija oznaka za aproksimacije integrala u Romc bergovoj tablici (k+1) (k) 4m Tm−1 − Tm−1 (k) Tm = . . 15 1.0000 2.5000 · · · · · · 1. 15 2. . pa ´e se algoritam ponaˇati po ocjeni pogreˇke.0000 Pripadni eksponenti su 1.. .4998 1. .8284 1. .6990 2.5000 · · · · · · 1. 0 1 2 3 4 5 . .8284 · · · · · · 2.5000 1.8284 2.7393 2.7667 2. .4957 1.6408 2. . jer njoj puca prva derivas 15 s c c cija u 0. . ..0000 1.5000 1.4538 1. .0000 1.ˇ 9. podintegralna ´e funkcija imati beskonaˇno mnogo c c neprekidnih derivacija.4991 1.0000 2.4998 1.66666666666666667 I − I15 = 0. ..8271 2.4779 .7854 . 4m − 1 0 1 2 3 4 5 .66666665510837633 I = 2/3 = 0.0000 .00000001155829033.8281 2. . . . U oba sluˇaja.4324 1. . ne dobivamo ˇeljenu toˇnost z c I15 = 0. 1.0000 1. u ova dva jednostavna primjera.0000 1. .4681 1. .8284 1.5000 1.5000 1.0000 2. c √ Situacija s funkcijom f (x) = x mora biti joˇ gora. . Omjeri pogreˇaka u tablici su: s 1.0000 2. 1. c c 2 ako stavimo supstituciju x = t ..8200 1. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 504 Primijetite da su eksponenti omjera pogreˇaka od drugog stupca nadalje toˇno za 1 s c ve´i od eksponenta same funkcije (integriramo!).4010 1. .0000 1.8284 · · · · · · 2. moˇe se Rombergovom algoritmu “poz mo´i” tako da supstitucijom u integralu dobijemo glatku funkciju.0000 2.0000 Ipak.

.03697 0.2 Izraˇunajte koriˇtenjem Rombergovog algoritma pribliˇnu vrijednost c s z integrala 1 sin(17πx) dx 0 s Tako da greˇka bude manja ili jednaka 10−4 .62841 0. ostale pamtimo u raˇunalu.06397 0.03741 0. .03525 0. ali nemamo prostora za ispis) c 0 0.02832 0. .06225 0.60355 0.ˇ 9.63616 3 0. T1 . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 505 Sama tablica ima oblik T0 T0 (0) (1) (2) T1 (0) (1) T0 . . T2 .63662 4 −0.03710 0.21768 −0.28910 −0. (0) .00616 −0.03745 0.03745 ˇ Sto je razlog stabilizacije oko jedne.63671 0. .03700 7 0.03745 0.66667 2 0.50000 0.63807 0. koji ne opisuju dobro ponaˇanje funkcije. .03745 0. Primjer 9.27464 −0. . Pokaˇimo sad nekoliko primjera kako treba.03745 0.03690 0.. odnosno ne treba koristiti Romberz gov algoritam.03745 0.29273 5 0. s y x Produljena trapezna formula s 2 podintervala.63661 0. . pa oko druge vrijednosti? Nedovoljan broj podintervala u trapezu.00000 1 0.03756 0.03745 0.03982 0. Napiˇimo tablicu (samo prvih par s decimala.06362 6 0.03697 0.3. .05698 0.

y x Produljena trapezna formula sa 16 podintervala. y x Produljena trapezna formula s 8 podintervala. . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 506 y x Produljena trapezna formula s 4 podintervala.ˇ 9.

b]. op´a teˇinska integracijska ili c c z kvadraturna formula za aproksimaciju integrala Iw (f ) ima oblik n In (f ) = k=1 wk f (xk ). ili kad je teˇinska funkcija jasna iz z konteksta. Kao i prije.1) gdje je w pozitivna (ili barem nenegativna) “teˇinska” funkcija za koju pretpoz stavljamo da je integrabilna na (a. gornje indekse (n) za ˇvorove i teˇine ˇesto ne c z c piˇemo.4. (9. promatramo op´i problem jednodimenzionalne integracije zadane c c funkcije f po zadanoj neprekidnoj mjeri dλ generiranoj teˇinskom funkcijom w na z zadanoj domeni. c c c ˇ Zelimo (pribliˇno) izraˇunati vrijednost integrala z c b Iw (f ) = a f (x)w(x) dx. (n) (n) (9.1) Riemannov integral. s tim da dozvoljavamo da w nije definirana u rubovima a i b. ali ne treba zaboraviti na ovisnost o n.1).4. ukljuˇuju´i op´e Newton–Cotesove i Gaussove formule. c Teorem 9. Interval integracije moˇe biti konaˇan. Dakle. (9. (9. ako su oˇiti iz konteksta. U ovom c odjeljku napravit ´emo op´u konstrukciju i analizu toˇnosti za neke klase integracic c c jskih formula. umjesto Iw (f ). a ne od 0. onda vrijedi ocjena |Iw (f ) − Iw (f )| ≤ w 1 f −f ∞.2) gdje je n prirodni broj. z .4.ˇ 9.4.1 Ako je Iw (f ) iz (9. z c c Drugim rijeˇima. Za razliku od ranijih oznaka.4.4) i postoji funkcija f za koju se ova ocjena dostiˇe. b).4. da skratimo pisanje. ovaj integral aproksimiramo “teˇinskom” sumom funkcijskih vriz jednosti funkcije f na konaˇnom skupu toˇaka. i ako je f bilo koja druga funkcija za koju postoji Iw (f ). sasvim op´enito moˇemo pisati c z b Iw (f ) = a f (x)w(x) dx = In (f ) + En (f ).3) gdje je En (f ) greˇka aproksimacije. s Osnovnu podlogu za konstrukciju integracijskih formula i ocjenu greˇke En (f ) s daje sljede´i rezultat. za intec gral u (9. Teˇinske integracijske formule z Dosad smo detaljno analizirali samo nekoliko osnovnih Newton–Cotesovih integracijskih formula s malim brojem toˇaka i pripadne produljene formule. Kao i ranije. ovdje c c je zgodnije toˇke numerirati od 1.4. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 507 9. s c Dakle.4. ali i beskonaˇan. ako je w(x) = 1 na cijelom [a. Katkad koristimo i skra´enu oznaku I(f ).

U ovoj formulaciji. u ovisnosti c . gdje je c > 0 bilo koja konstanta. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 508 Dokaz. b]. Zamislimo da je f neka aproksimacija (a ne perturbacija) funkcije f . koju ˇelimo iskoristiti za pribliˇno raˇunanje integrala. preko greˇke aproksimacije funkcije u uniformnoj (L∞ ) s s normi na [a. ve´ samo o Iw . Dobivamo c b b |Iw (f ) − Iw (f )| = a b f (x)w(x) dx − a f (x)w(x) dx ≤ a |w(x)| · |f (x) − f (x)| dx. ali zato treba pretpostaviti da je |w| integrabilna.4). jer je rijeˇ o Riemannovom c c integralu. za klasiˇni Riemannov integral. b]. ve´ je kljuˇna malo drugaˇija interpretacija c c c ocjene (9.ˇ 9. za funkciju f .4. uz f − f ∞ = c. singulariteti funkcija).4. Prvo uoˇimo da w ne mora biti nenegativna. s c Medutim. Ako za perturbiranu funkciju f uzmemo z f (x) := f (x) + c sign(w(x)). Teorem onda kaˇe da je apsolutni broj uvjetovanosti za Iw (f ) c z upravo jednak w 1 i ne ovisi o f . onda u ocjeni (9. trenutno nam to nije bitno. Ono ˇto stvarno ˇelimo dobiti je niz aproksimacija integrala koji konvergira s z prema Iw (f ). i tada viˇe ne vrijedi zakljuˇak o broju uvjetovanosti.4. c Ovaj rezultat moˇe se proˇiriti i na neprave Riemannove integrale (beskonaˇna z s c domena. Jedan od puteva da to postignemo je izbor odgovaraju´eg niza aproksic macija fn . b] integracije c mora biti konaˇna.4) daje ocjenu (apsoz z c lutne) pogreˇke u integralu. ∀x ∈ [a. Prethodna ocjena upu´uje na to da. pa dobivamo traˇenu ocjenu. Ocjena izlazi direktno iz osnovnih svojstava Riemannovog integrala jer podintegralne funkcije moraju biti ograniˇene.b] ∞.4) dobivamo jednakost. Onda (9. Iskoristimo ocjenu |f (x) − f (x)| ≤ sup |f (x) − f (x)| = f − f x∈[a. domena [a. i definiciju L1 norme funkcije w (koja je apsolutno integrabilna po pretpostavci) b w 1 = a |w(x)| dx. n ∈ N.

naravno. korisno je dozvoliti da bude d = n. Pripadni prostori Vn generirani su poˇetnim komadima ovog sustava funkcija (kao linearne ljuske).5) postoje i da su konaˇni. za koju postoji integral Iw (f ). Za praktiˇnu primjenu ovog pristupa moramo mo´i efektivno izraˇunati intec c c gral Iw (fn ) aproksimacijske funkcije. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 509 o n. n → ∞. jer tada z c f − fn ∞ → 0 =⇒ |Iw (f ) − Iw (fn )| → 0. uvjet egzaktnosti za In je Iw (f ) = In (f ) ili En (f ) = 0. Weierstraßov teorem o uniformnoj aproksimaciji neprekidnih funkcija polinomima na konaˇnom intervalu [a. b] sugerira da treba uzeti Vn kao prostor polic s c noma Pd stupnja manjeg ili jednakog d. poˇeljno c z je da bilo koju funkciju f . umjesto niza pojedinaˇnih aproksic macija. za aproksimacijske funkcije fn treba uzimati takve funkcije za koje znamo da moˇemo posti´i po volji dobru uniformnu aproksimaciju funkcije f . samo treba osigurati da su c polinomi integrabilni s teˇinom w. Dakle. (9.4. k ∈ N0 . U nastavku pretpostavljamo da teˇinska funkcija w zadoc z voljava ovu pretpostavku. moˇemo dovoljno dobro z aproksimirati nekim prostorom funkcija. Takve teˇinske funkcije obiˇno zovemo (polinomno) doz c pustivima. a za svaki pojedini f nademo pripadnu aproksimaciju fn ∈ Vn . ovise o konkretnoj funkciji f .4. za sve f ∈ Vn . Uoˇimo da ove aproksimacije. Iz relacija (9. b] neprekidnih funkcija na [a.4.ˇ 9. . i to za bilo koju funkciju f .4) odmah dobivamo i ocjenu greˇke pripadne integracijske s formule In (f ). To se najlakˇe s postiˇe tako da konstruiramo pripadnu integracijsku formulu In koja je egzaktna na z cijelom prostoru Vn = Pd aproksimacijskih funkcija.3) i (9. Napomenimo odmah da se ovaj pristup moˇe generalizirati i na bilo koji drugi z sustav funkcija aproksimacijskih funkcija {fn | n ∈ N} koji je gust u prostoru c C[a. tako da pretpostavimo da svi momenti teˇinske funkcije z b µk := a xk w(x) dx. Isti princip koristimo i za beskonaˇne domene. b]. koristimo niz vektorskih prostora aproksimacijskih funkcija Vn . To postiˇemo dodatnim zahtjevom na teˇinsku z z z funkciju w. za bilo koji f |En (f )| = |Iw (f ) − In (f )| = |Iw (f ) − Iw (fn )| ≤ w 1 f − fn ∞. gdje d ovisi o n (i raste s n). Tj. Da ne c bismo za svaki novi f posebno konstruirali odgovaraju´i niz aproksimacija. Kao ˇto ´emo vidjeti.

ˇ 9. Gaussove integracijske formule o su oblika b f (x) dx ≈ a n wif (xi ). ∞) formula Gauss– Legendre ˇ s Cebiˇev ˇ s Cebiˇev 2. ali se ne z c c c z c pojavljuje eksplicitno u Gaussovoj formuli. Gaussove integracijske formule Kao ˇto smo ve´ rekli. Gornji z c z specijalni sluˇaj u kojem je w ≡ 1 ˇine formule koje se zovu Gauss–Legendreove. nego se izraˇunaju tako da c greˇka takve formule bude najmanja. . 1] [−1. Gaussove formule imaju dvostruko viˇe slobodnih s c s parametara nego Newton–Cotesove. promatrat s c ´emo malo op´enitije integracijske formule oblika c c b w(x) f (x) dx ≈ a n wi f (xi ). Motivirani praktiˇnim razlozima. . a teˇine wi z z mogu se eksplicitno izraˇunati po formuli c b wi = a w(x) i(x) dx. b) obzirom na teˇinsku funkciju w. . To su z c teˇinska funkcija w z 1 √ √ 1 1 − x2 1 − x2 e−x e−x 2 interval [−1.5. Koeficijente z wi zovemo teˇinski koeficijenti ili. pozitivna na otvorenom intervalu (a. vrste Laguerre Hermite Glavni rezultat je sljede´i: ako zahtijevamo da formula integrira egzaktno c polinome ˇto je mogu´e ve´eg stupnja. 1] [−1. ˇvorovi z c i teˇine standardno tabeliraju u priruˇnicima. teˇine integracijske formule. 1] [0. i=1 gdje je w teˇinska funkcija. c c Teˇinska funkcija u op´em sluˇaju utjeˇe na teˇine i toˇke integracije. ∞) (−∞. . pa bi zbog toga trebale egzaktno integrirati polinome pribliˇno dvostruko ve´eg stupnja od Newton–Cotesovih. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 510 9. i=1 c u kojima toˇke integracije xi nisu unaprijed poznate. . i = 1. Bitno je znati da se za neke teˇinske funkcije na odredenim intervalima. b). onda su toˇke integracije xi nultoˇke polinoma s c c c c koji su ortogonalni na intervalu (a. skra´eno. n. z c Za razliku od Newton–Cˆtesovih formula.

. koji u ˇvorovima integracije xi interpolira vrijednosti fi = f (xi ) c i fi = f (xi ). .1) gdje su b Ai = a b w(x) [1 − 2(x − xi ) i (xi )] 2 (x) dx. osim ˇto ima c s dodatne ˇlanove Bi fi .2) w(x) (x − xi ) 2 (x) dx. Zato oˇekujemo da ovakva formula egzaktno integrira . . Primijetimo samo da je kod numeriˇke integracije zgodnije ˇvorove numerirati od x1 do xn .21) i (7. definiran uvjetom i (xj ) = δij (v. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 511 Pritom je i poseban polinom Lagrangeove baze kojeg smo razmatrali u poglavlju o polinomnoj interpolaciji.2. c iz uvjeta egzaktne integracije polinoma trebalo bi odrediti 2n parametara — teˇinz c skih koeficijenata Ai . 2n − 1. pa je i i polinom stupnja n − 1.2. pa je ovakav pristup teˇi.1) sliˇi na Gaussovu integracijsku formulu. i a Bi = Integracijska formula (9. i i = i=1 Integracijom dobijemo b n w(x) h2n−1 (x) dx = a i=1 Ai fi + Bi fi . Bi . Kao ˇto se Newton–Cˆtesove formule mogu dobiti integracijom Lagrangeovog s o interpolacijskog polinoma. i (9. (9. tako se i Gaussove formule mogu dobiti integracijom Hermiteovog interpolacijskog polinoma. koji koriste i derivacije funkcije f u ˇvorovima integracije. medutim nepoznanice xi ulaze u sistem nelinearno.1 (x) fi [1 − 2(x − xi ) i (xi )] 2 (x) fi + (x − xi ) 2(x) fi . . .5. ˇvorovi xi bili unaprijed zadani.0 (x) fi + hi. . Mogli bismo iskoristiti ovu relaciju da napiˇemo 2n jednadˇbi za 2n nepoznanica xi s z i wi . tj. 1. (za c c razliku od numeracije x0 do xn u poglavlju o interpolaciji). da vrijedi s b n w(x) xj dx = a i=1 wi xj .22) dobivamo n h2n−1 (x) = i=1 n hi. . s Napiˇimo joˇ jednom formulu za Hermiteov interpolacijski polinom h2n−1 . za i = 1. c c Kad bi. (7.5.2.5. i j = 0.18)). Takav pristup ekvivalentan je s pristupom u kojem zahtijevamo da Gaussove formule integriraju egzaktno polinome ˇto je mogu´e s c viˇeg stupnja. s s stupnja 2n − 1. z ˇ Cak i dokaz da taj nelinearni sistem ima jedinstveno rjeˇenje nije jednostavan. Iz relacija (7. kao u Newton–Cotesovim formulama. n.ˇ 9. .

5. 1. Lagano provjerimo identitet (x − xi ) i (x) = Supstitucijom u izraz (9.5. z c z Zaista. a k = 0. . z s i = 1.1 Ako je ωn (x) = (x − x1 ) · · · (x − xn ) ortogonalna s teˇinom w na z sve polinome niˇeg stupnja. . Lagrangeove baze zaista baza prostora Pn−1 (zadatak 7. tj. ali tako dobivena formula koristila bi samo funkcijske vrijednosti u ˇvorovima. postala bi Gaussova c integracijska formula. Razlog tome je ˇto su funkcije i . tvrdnja slijedi. Zato je ideja da probamo izbje´i koriˇtenje derivacija.5.3) onda su svi koeficijenti Bi u (9. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 512 polinome do stupnja 2n − 1 (dimenzija prostora je 2n). Sljede´i rezulc c tat govori o tome kako treba izabrati ˇvorove. a z Kako je i polinom stupnja n − 1. ve´ i vrijednosti c c c derivacije f (xi ) funkcije u tim ˇvorovima.5.4) w(x) ωn (x) i (x) dx.2). “node polynomial”) ωn . No. . za upotrebu ove formule trebamo znati ne samo funkcijske vrijednosti f (xi ) u ˇvorovima. (9. . n. Da bismo to dokazali.5. da su svi koeficijenti Bi = 0 z u (9.1). koji ima nultoˇke u svim ˇvorovic c c ma integracije ωn := (x − x1 )(x − x2 ) · · · (x − xn ). .ˇ 9. tj. Taj polinom smo ve´ susreli u poglavlju o Lagrangeovoj interpolaciji. n − 1.2) jednaki nula. Dokaz. tj. . . ωn (xi ) (9. s teˇinskom funkcijom w. ako i samo ako je polinom ˇvorova ωn ortogonalan na sve polinome niˇeg c stupnja (do n − 1). .2) za Bi slijedi 1 Bi = ωn (xi ) b ωn (x) . Lako se vidi da vrijedi i obrat ove tvrdnje. ako vrijedi z b w(x) ωn (x) xk dx = 0. Iz ranijih rezultata o ortogonalnim polinomima znamo da ortogonalni polinom c stupnja n obzirom na w postoji i jednoznaˇno je odreden do na (recimo) vode´i c . uvodimo posebni “polinom ˇvorova” (engl. i po pretpostavci je ωn ortogonalna s teˇinom w na sve takve polinome.5. tako da izborom ˇvorova c s c xi poniˇtimo koeficijente Bi uz derivacije fi .2. Toˇnost integracijske formule mora s c ostati ista (egzaktna integracija polinoma stupnja do 2n − 1). c Lema 9. odgovaraju´im izborom ˇvorova xi moˇe se posti´i da teˇinski koeficic c jenti Bi uz derivacije budu jednaki nula.

uvjet ortogonalnosti (9. xn moˇemo samo permutirati (drugaˇije indeksirati). a teˇinske koeficijente moˇemo izraˇunati iz (9. b) (ˇto nam baˇ odgovara za integraciju). Dakle. pa je b wi = a w(x) 2(x) dx. . pa desna strana mora biti pozitivna. .5.5. . . budu´i z z z c c da je tada wi = Ai . Iz teorema 7.ˇ 9. polinom ˇvorova ωn mora biti ortogonalni polinom s vode´im koeficijentom 1. slijedi da su svi teˇinski z koeficijenti u Gaussovoj integraciji pozitivni.2). Da bismo dobili Gaussovu integracijsku formulu u (9. . c Time smo dokazali da postoji jedinstvena Gaussova integracijska formula oblika a b w(x) f (x) dx ≈ n wi f (xi ). to je isto kao i dokazati c b b b w(x) a 2 i (x) dx − a w(x) i(x) dx = a w(x) i (x) ( i (x) − 1) dx = 0. n. i Uz uvjet ortogonalnosti (Gaussova integracija) je Bi = 0 i Ai = wi.8. . Sasvim op´enito. c Nadalje. Njegove c s s z c nultoˇke x1 . ˇto je vrlo s bitno za numeriˇku stabilnost i konvergenciju.3) jednoznaˇno odreduje raspored ˇvorova c za Gaussovu integraciju.1. . one su jednoznaˇno odredene. . b] s teˇinskom funkcijom w. za i = 1. ωn postoji c c i jedinstven je. koriste´i relaciju c c z za Bi . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 513 koeficijent. . tj. . moˇemo pojednosz tavniti i izraze za koeficijente wi = Ai u (9. c Pokaˇimo joˇ da vrijedi i z s b b wi = a w(x) 2 i (x) dx = a w(x) i (x) dx. i=1 ˇ c Cvorovi integracije xi su nultoˇke ortogonalnog polinoma stupnja n na [a.2 slijedi da ωn ima n jednostrukih nultoˇaka u otvorenom intervalu (a. n.5. za i = 1. Oˇito. i Podintegralna funkcija je nenegativna i 2 je polinom stupnja 2(n − 1) koji nije i nul-polinom.5. . . wi > 0. koeficijent Ai moˇemo napisati u obliku b b Ai = a w(x) [1 − 2(x − xi ) i (xi )] 2 i (x) dx = a w(x) 2 (x) dx − 2 i (xi )Bi .2).5. .1). Iskoristimo li pretpostavku ortogonalnosti iz leme 9. a uz stanc dardni dogovor x1 < · · · < xn .

0. Nakon integracije dobivamo sustav jednadˇbi za koeficijente a.5) Primijetimo da je ova formula za koeficijente ista kao i ona u Newton–Cˆtesovim o formulama. 1.1 Neka je w(x) = 1 i n = 3. 2. budu´i da c c integrale na drugim intervalima moˇemo lagano raˇunati. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 514 Ali polinom i (x) − 1 se poniˇtava u toˇki x = xi .5. Znaˇi da i (x) − 1 mora sadrˇavati x − xi kao faktor. 3 3 5 3 5 odakle nademo a = c = 0 i b = −3/5. ako podintegralnu funkciju z c transformiramo linearnom supstitucijom. po definiciji polinoma i . a + c = 0. Problem se dakle svodi na to da odredimo nultoˇke kubiˇne funkcije ω3 (x) = a + bx + cx2 + x3 za koju vrijedi c c 1 ω3 (x) xk dx = 0.5. tj. jer s c je i (xj ) = δij . Odredimo toˇke integracije iz uvjeta c ortogonalnosti. c z 2 2 2 2 2 b + = 0. uz odgovaraju´i izbor ˇvorova. ωn (xi )(x − xi ) ωn (xi ) b pa je zbog ortogonalnosti ωn na sve polinome niˇeg stupnja z b a 1 w(x) i (x) ( i (x) − 1) dx = ωn (xi ) w(x) ωn (x) q(x) dx = 0. Dobivamo 3 ω3 (x) = x3 − x = x + 5 3 x x− 5 3/5. a Pokazali smo da Gaussovu integracijsku formulu moˇemo dobiti kao integral z Hermiteovog interpolacijskog polinoma. gdje je q neki polinom stupnja n − 2.ˇ 9. funkz cije ωn (x) na sve polinome niˇeg stupnja zapravo odreduje toˇke integracije xi . 3 . b. U oba sluˇaja do s c integracijskih formula dolazimo interpolacijom funkcije u ˇvorovima. moˇemo c z z napisati i (x) − 1 = (x − xi )q(x). ˇto je ovdje posljedica pretpostavke o ortogonalnosti. 1). za jedan manje od stupnja polinoma i . z c Primjer 9. Uobiˇajeno je da za interval integracije uzmemo (−1. Dakle. 5 odakle slijedi da su toˇke integracije xi = − 3/5. c Pokaˇimo i primjerom da ortogonalnost produkta korijenskih faktora. 2a + c = 0. c . i (x) ( i (x) − 1) = ωn (x) 1 ( i (x) − 1) = ωn (x) q(x). a za teˇinske c c z koeficijente vrijedi b wi = a w(x) i (x) dx. (9. −1 k = 0. tj.

Legendreov polinom stupnja n definiran je Rodriguesovom fors mulom 1 dn 2 (x − 1)n . Za nas je bitno samo jedno z specijalno svojstvo. . vrijedi 1 xk Pn (x) dx = 0. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 515 Teorijski.2 Legendreov polinom stupnja n ortogonalan je na sve potencije xk niˇeg stupnja. i=1 Kao ˇto znamo. Pripadne formule nazvali c z smo Gauss–Legendreovima. . Stoga je s c c potrebno za specijalne teˇine i intervale integracije do´i do dodatnih informacija o z c ortogonalnim polinomima. . Za ve´e n potrebno je odrediti nule polinoma visokog stupz c nja. 1) i izvedimo specijalnu Gaussovu formulu. ˇto je egzaktno nemogu´e. Q := −1 P (x) Q(x) dx.1 Iz uvjeta egzaktnosti i poznatih toˇaka integracije za n = 3 izraˇuc c najte teˇinske koeficijente wi . c c 9. .5.6) Pojavljuju se prirodno u parcijalnim diferencijalnim jednadˇbama. oni su linearno nezavisni i ortogonalni obzirom na skalarni produkt 1 P.5. a = −1. . Gauss–Legendreove integracijske formule Prepostavimo u daljnjem da je w ≡ 1 na intervalu (−1. tj. (9. c tj.5. Gauss–Legendre-ovu formulu 1 f (x) dx ≈ −1 n wi f (xi ). −1 za k = 0.1. kod metode sez paracije varijabli za Laplaceovu jednadˇbu u kugli. 1. a numeriˇki u najmanju ruku neugodno.5. iz kojeg slijede sva ostala: z Lema 9. Pn (x) = n n 2 n! dx Tako definirani polinomi ˇine ortogonalnu bazu u prostoru polinoma stupnja n. b = 1. bilo bi dobro izraˇunati formulom i teˇinske c z faktore wi u Gaussovim formulama. Na kraju. Primijetite da je sustav jednadˇbi linearan. u gornjem primjeru izraˇunali smo toˇke integracije za c c Gauss–Legendreovu formulu reda 3. pa stoga z z raˇunanje ovih faktora ne predstavlja ve´e probleme. Rijeˇimo z s na poˇetku vaˇnu situaciju w ≡ 1. n − 1.ˇ 9. Zadatak 9. Analitiˇki je mogu´e do´i do ovakvih rezulc c c tata za mnoge specijalne teˇine w(x) koje se pojavljuju u primjenama. tj. ovaj pristup moˇemo iskoristiti za sve mogu´e intervale integracije i z c razne teˇinske funkcije.

dxn−k pa smo dokazali prvu formulu.ˇ 9. zbog definicije z Legendreovog polinoma Pn . (x − 1)n dx = 2n! n dx (2n + 1)(2n − 1) · · · 3 Pomnoˇimo li brojnik i nazivnik s 2n(2n − 2) · · · 2 = 2n n!. (2n + 1)! n Dokaz. sve podijelimo s 2n n!. Za zadnji integral parcijalnom integracijom izlazi π/2 cos 0 2n+1 cos2n t sin t t dt = 2n + 1 =0 π/2 0 2n + 2n + 1 π/2 cos2n−1 t dt 0 π/2 2n(2n − 2) · · · 2 = ··· = (2n + 1)(2n − 1) · · · 3 pa je stoga 1 cos t dt. 0 xn −1 dn 2 2n(2n − 2) · · · 2 . nakon k (k < n) parcijalnih intes gracija dobivamo 1 −1 dn 2 dn−1 x (x − 1)n dx = xk n−1 (x2 − 1)n dxn dx k =0 1 1 −1 1 − −1 kxk−1 dn−1 2 (x − 1)n dx dxn−1 = · · · = (−1) k! k −1 dn−k 2 (x − 1)n dx = 0. 2n n! (2n + 1)! (2n + 1)! . a zatim. slijedi 1 xn Pn (x) dx = −1 2n n! · 2n n! 2n+1 (n!)2 1 2n! = . Za k = n. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 516 i vrijedi 1 −1 2n+1 (n!)2 x Pn (x) dx = . Uvrˇtavanjem Rodriguesove formule. na isti naˇin imamo c 1 −1 dn 2 x (x − 1)n dx = (−1)n n! dxn n 1 1 (x − 1) dx = 2n! 2 n 0 π/2 (1 − x2 )n dx −1 = {x = sin t} = 2n! 0 cos2n+1 t dt.

koje su sve realne i razlic ˇite. Taj rezultat rezimiran je c c u sljede´em teoremu. Medutim.5. [Pn (x)] dx = n 2 (2n + 1)! 2 (n!) 2n + 1 2 Lema 9. pa ukupno mora imati tri nultoˇke u zatvorenom intervalu [−1. Druga derivacija stoga ima dvije unutarnje nule po Rolleovom teoremu.5. prva c c derivacija je. i nalaze se u otvorenom intervalu (−1. 1) obzirom na skalarni produkt (9. 2n n! dxn induktivnom primjenom Rolleovog teorema. Norma Legendreovog polinoma je 1 Pn 2 := −1 [Pn (x)]2 dx = 2 . i dvije u ±1. koja je do na multiplikativni faktor jednaka Pn .5. Polinom (x2 − 1)n je stupnja 2n i ima viˇestruke (n-terostruke) nultoˇke u rubovima intervala ±1. takoder. −1 za m = n.4 Legendreovi polinomi Pn imaju n nultoˇaka. Prva tvrdnja je direktna posljedica dokazane ortogonalnosti na potencije niˇeg stupnja. 1]. n! c Potencije manje od xn ne doprinose integralu. vidimo c da n − 1-a derivacija ima n − 1 unutarnju nultoˇku i joˇ dvije u ±1.3 Legendreovi polinomi su ortogonalni na intervalu (−1. Druga tvrdnja slijedi iz z 1 1 [Pn (x)] dx = −1 −1 2 1 2n n! (2n)! n x + · · · Pn (x) dx. 1).2 povlaˇi 1 −1 2 (2n)! 2n+1 (n!)2 = . c Na taj naˇin smo zapravo naˇli toˇke integracije u Gauss–Legendreovoj formuli c s c i bez eksplicitnog rjeˇavanja nelinearnog sistema jednadˇbi za wi i xi . pa druga tvrdnja leme 9. nula u ±1.ˇ 9. iz uvjeta s z egzaktne integracije potencija najve´eg mogu´eg stupnja.5. 1). 1].6) 1 Pm (x) Pn (x) dx = 0. Dokaz ide iz definicije Legendreovih polinoma Pn (x) = 1 dn 2 (x − 1)n . prva derivacija ima jednu nultoˇku u intervalu (−1. pa ima ukupno ˇetiri nule u [−1. ima c n unutarnjih nultoˇaka. c Dokaz. c . Na kraju c s zakljuˇimo da n-ta derivacija. 2n + 1 Dokaz. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 517 Lema 9. I tako redom. Prema Rolleovom s c teoremu.

direktno iz uvjeta ortogonalnosti. c c Primjer 9. Raˇunanje nultoˇaka Legendreovih polinoma (na maˇinsku toˇnost!) nije jedc c s c nostavan problem. (2n)! pa vidimo da su sve nultoˇke polinoma ωn zapravo nultoˇke od Pn (lema 9. s vode´im koeficijentom 1.5. P7 (x) = 16 1 (6435x8 − 12012x6 + 6930x4 − 1260x2 + 35). P6 (x) = 16 1 (429x7 − 693x5 + 315x3 − 35x). 8 dx2 2 3 1 d 1 P3 (x) = (x2 − 1)3 = (5x3 − 3x). c Napomenimo za sad samo toliko. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 518 ˇ Teorem 9. te da je dovoljno tabelirati te nultoˇke jednom. da postoje specijalni algoritmi.1 Cvorovi integracije u Gauss–Legendreovoj formuli reda n su nultoˇke c Legendreovog polinoma Pn . c c c Zbog uvjeta ortogonalnosti (9.5. odakle je ωn (x) = 2n (n!)2 Pn (x).ˇ 9.1.2 Iz Rodriguesove formule moˇemo izraˇunati nekoliko prvih Legenz c dreovih polinoma.4). P4 (x) = 4 16 · 24 dx 8 1 P5 (x) = (63x5 − 70x3 + 15x). P0 (x) = 1. 1 d 2 P1 (x) = (x − 1) = x. za svaki n. 2 dx 1 d2 2 1 P2 (x) = (x − 1)2 = (3x2 − 1). c c . budu´i da egzaktne formule postoje samo za male stupnjeve. 8 1 (231x6 − 315x4 + 105x2 − 5). P8 (x) = 128 c c Vidimo. Dokaz.5. da su nultoˇke od P3 identiˇne s toˇkama integracije koje smo c dobili u primjeru 9. proporcionalan je Legendreovom polinomu Pn . nego samo preciznost. Znamo da su toˇke integracije xi nultoˇke polinoma ωn po konstrukciji. c z Tabelirane nultoˇke (kao i teˇine wi ) mogu´e je na´i u gotovo svim standardnim c z c c knjigama i tablicama iz podruˇja numeriˇke analize. na primjer.3) polinom ωn . 3 48 dx 2 4 d 1 1 (x2 − 1)4 = (35x4 − 30x2 + 3).5.5. Vode´i koeficijent u Pn lako izraˇunamo iz c c Rodriguesove formule. pa brzina algoritma nije vaˇna.

z c Lema 9.8). a u sumi za xPn (x) ostaju samo zadnja tri ˇlana c xPn (x) = cn+1 Pn+1 (x) + cn Pn (x) + cn−1 Pn−1 (x). .7) Ali za k < n − 1 je xPk (x) polinom stupnja manjeg ili jednakog n − 1.5. cn+1 = . . (9. s poˇetnim vrijednostima P0 (x) = 1. Stoga je ck = 0 za k < n − 1. .5.5. c Dokaz.8) usporedimo li koeficijente uz xn+1 u (9.2). Treba joˇ izraˇunati koeficijente cn+1 .5. zasnovan na ˇinjenici da Legendreovi s c c c polinomi zadovoljavaju troˇlanu rekurziju. P2n je linearna kombinacija parnih potenc 2k cija x . zbog ortogonalnosti z (lema 9. P1 (x) = x. Kako je s c Pn (x) = (2n)! (2n)! n ωn (x) = n x + niˇe potencije od x. tj.5. ˇiji se koeficijenti mogu eksplicitno izc c raˇunati. z 2n (n!)2 2 (n!)2 (9.3) slijedi 1 1 xPk (x) Pn (x) dx = ck −1 −1 2 Pk (x) dx. postoje koeficijenti ci tako da vrijedi n+1 n ≥ 1. cn i cn−1 . Kako je xPn (x) polinom stupnja n + 1 i {Pi }n+1 baza za prostor polinoma i=0 stupnja do n + 1. xPn (x) = i=0 ci Pi (x). dobivamo da je (2n + 2)! (2n)! = cn+1 n+1 . Pomnoˇimo li obje strane s Pk (x) i integriramo od −1 do 1. 2n + 1 Lagano se vidi (iz Rodriguesove formule) da se u Legendreovim polinomima pojavljuju samo alterniraju´e potencije. Ova rekurzivna formula igra vaˇnu ulogu i u konstrukciji spomenutog c z specijalnog algoritma za traˇenje nultoˇaka. a P2n+1 je linearna kombinacija neparnih potencija x2k+1 . k = 0. n.5.5 Legendreovi polinomi zadovoljavaju rekurzivnu formulu (n + 1)Pn+1 (x) = (2n + 1)xPn (x) − nPn−1 (x). pa je Pn (x) ortogonalan na njega (lema 9.ˇ 9. n (n!)2 2 2 [(n + 1)!]2 odakle slijedi da je n+1 . . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 519 Postoji lakˇi naˇin za raˇunanje Pn (x).

dobivamo z (2n − 2)! n−1 [(n − 1)!]2 2 x Pn (x) dx = cn−1 −1 −1 n 2 Pn−1 (x) dx.5.5.5. napiˇite eksplicitno taj algoritam.ˇ 9. Iz rekurzije (9. c s z Sljede´e dvije leme korisne su za dobivanje ekplicitnih formula za teˇine u c z Gauss–Legendreovim formulama. Koriste´i rekurziju iz c leme 9.9) Zadatak 9.5. .2 Budu´i da Legendreovi polinomi zadovoljavaju troˇlanu rekurziju. pa c preostaje samo izraˇunati cn−1 . pa slijedi cn−1 = n .5. . n=0 poznat pod nazivom generalizirana Hornerova shema.5.5. . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 520 k = 0. 2n + 1 2n − 1 4n − 1 (9. c c mogu´e je napisati algoritam za brzu sumaciju parcijalnih suma redova oblika c ∞ an Pn (x).6 (Christoffel–Darbouxov identitet) Za Legendreove polinome Pn vrijedi (t − x) n (2k + 1)Pk (x)Pk (t) = (n + 1) [Pn+1(t)Pn (x) − Pn (t)Pn+1 (x)].5. k=0 . Razvoji po Legendreovim polinomima s pojavljuju se ˇesto kod rjeˇavanja Laplaceove jednadˇbe u sfernim koordinatama.5. Lema 9. Za k = n − 1. odakle s odmah slijedi troˇlana rekurzija. Zbog xPn−1 (x) = 2n−1 [(n (2(n − 1))! xn + niˇe potencije od x z − 1)!]2 1 1 i ortogonalnosti Pn na sve niˇe potencije od x. Ovi integrali su poznati (lema 9. . iz (9.7) imamo da je c 1 1 xPn−1 (x) Pn (x) dx = cn−1 −1 −1 2 Pn−1 (x) dx.3). n.2 i lema 9. Primijetimo da smo usput dokazali i formulu c 1 xPn−1 (x) Pn (x) dx = −1 2n n 2 = 2 .5. 2n + 1 Tako smo naˇli sve nepoznate koeficijente u linearnoj kombinaciji (9.8).8) na osnovu toga zakljuˇimo da je cn = 0.

pa c ostaju samo prvi i zadnji (t − x) n (2k + 1)Pk (x)Pk (t) = (n + 1) [Pn+1(t)Pn (x) − Pn (t)Pn+1 (x)] − (t − x). dobijemo z (2k + 1)xPk (x)Pk (t) = (k + 1)Pk+1(x)Pk (t) + kPk−1 (x)Pk (t).7 Derivacija Legendreovih polinoma moˇe se rekurzivno izraziti pomo´u z c samih Legendreovih polinoma. No. Kao i u dokazu rekurzivne formule.5 (uz zamjenu n → k) s Pk (t). onda je (1 − x2 )Pn (x) + nxPn (x) = (−nan + nan )xn+1 + O(xn−1 ).5. k=1 Zadnji ˇlan moˇemo prebaciti na lijevu stranu kao nulti ˇlan u sumi. a to je baˇ c z c s Christoffel–Darbouxov identitet. i=0 . Pomnoˇimo li rekurziju iz leme 9. Lema 9. Zamijenimo li x i t imamo (2k + 1)tPk (t)Pk (x) = (k + 1)Pk+1 (t)Pk (x) + kPk−1 (t)Pk (x). slijedi (2k + 1)(t − x)Pk (x)Pk (t) = (k + 1) [Pk+1 (t)Pk (x) − Pk (t)Pk+1 (x)] − k [Pk (t)Pk−1 (x) − Pk−1 (t)Pk (x)].ˇ 9.5. tj. Odbijanjem prve relacije od druge. formulom (1 − x2 )Pn (x) + nxPn (x) = nPn−1 (x). n ≥ 1. polinom (1 − x2 )Pn + nxPn je zapravo stupnja n − 1. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 521 Dokaz. c Napiˇimo Pn kao linearnu kombinaciju potencija od x (pojavljuje se samo svaka s druga potencija) Pn (x) = an xn + an−2 xn−2 + · · · . pa je Pn (x) = nan xn−1 + (n − 2)an−2 xn−3 + · · · . Dokaz. Sumiramo li po k od 1 do n. sukcesivni ˇlanovi u sumi na desnoj strani se krate. Polinom (1 − x2 )Pn + nxPn je oˇito stupnja manjeg ili jednakog od n + 1. moraju postojati koeficijenti ci takovi da vrijedi (1 − x2 )Pn (x) + nxPn (x) = n−1 ci Pi (x).

tj. oba integranda su oblika Pn (x) × (polinom stupnja najviˇe n − 1). (n + 1) 2n−1[(n − 1)!]2 (2n + 1)! (2n + 1)(2n − 1) Na kraju je cn−1 = 2n2 2n(n + 1) 2n − 1 + = n.2 (ortgonalnost). c . xPn (x) Pn−1 (x) dx = (9. s Prvi integral integriramo parcijalno. . 2 dx 2 [(n − 1)!] a zbog druge tvrdnje u lemi.5. Za k = n − 1 treba izraˇunati dva integrala u prethodnoj relaciji. . pa je taj integral jednak 1 Pn (x) −1 d (2n − 2)! x2 n−1 xn−1 dx. pa s su svi ovi integrali jednaki nula (lema 9. dx zbog prve tvrdnje u lemi 9. integral se svodi na 2n(n + 1) 2n+1 (n!)2 (2n − 2)! = . ck = 0 za k < n − 1.9) = 2 4n − 1 1 U prvom integralu − −1 Pn (x) d [(1 − x2 )Pn−1 (x)] dx. na z desnoj strani ostaje samo jedan ˇlan c 2 ck = 2k + 1 1 1 (1 − x ) Pn (x) Pk (x) dx + n 2 −1 −1 xPn (x) Pk (x) dx. .2). slijedi 2 ck = − 2k + 1 1 −1 d Pn (x) [(1 − x2 )Pk (x)] dx + n dx 1 xPn (x) Pk (x) dx. n [Pn−1 (xi )]2 gdje su xi .ˇ 9. . doprinos daje samo vode´i ˇlan u c c 2 (1 − x )Pn−1 (x).5. nultoˇke Legendreovog polinoma Pn . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 522 Pomnoˇimo ovu relaciju s Pk (x) i integriramo od −1 do 1. pa kako se faktor (1 − x2 ) poniˇtava na granicama integracije. i = 0. Zbog ortogonalnosti. 2 (2n + 1)(2n − 1) (2n + 1)(2n − 1) ˇto smo i htjeli dokazati.8 Teˇinski faktori u Gauss–Legendreovim formulama mogu se eksplicitno z izraˇunati formulama c 2(1 − x2 ) i wi = 2 . −1 Za k < n − 1. s Lema 9. Drugi je jednostavan c 1 n −1 2n2 .5.5. n.

iskoristimo rekurzivnu formulu za derivacije Legendreovog polinoma iz leme 9.5 u nultoˇki xi Legendreovog polinoma Pn ima oblik c c (n + 1)Pn+1 (xi ) = −nPn−1 (xi ). (x − xi ) (n + 1)Pn+1 (xi ) −1 Troˇlana rekurzija iz leme 9.5. U dokazu prethodne leme 9. tvrdnja slijedi. i . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 523 Dokaz. nPn (xi ) Pn−1 (xi ) (9.8 pokazali smo (usput) da u nultoˇki xi Legenc dreovog polinoma Pn vrijedi (1 − x2 )Pn (xi ) = nPn−1 (xi ) = −(n + 1)Pn+1 (xi ). Neka je xi nultoˇka polinoma Pn . dobivamo n (n + 1)Pn+1 (xi )Pn (x) = − (2k + 1)Pk (x)Pk (xi ). Dobivamo da vrijedi c (1 − x2 )Pn (xi ) = nPn−1 (xi ).5) i (9. pa je stoga 1 −1 2 Pn (x) dx = . (x − xi ) nPn−1 (xi ) Za teˇinske koeficijente wi vrijede relacije (9.10) Primijetimo da je Christoffel–Darbouxov identitet potreban jedino zato da se izraˇuna neugodan integral c 1 Pn (x) dx.5. Pn (xi )(x − xi ) wi = 2 .5.5. x − xi k=0 Kad integriramo ovu jednakost od −1 do 1 i uzmemo u obzir da je k-ti Legendreov c polinom ortogonalan na konstantu Pk (xi ).ˇ 9.5.4) z 1 1 i (x) dx −1 wi = pa je dakle = −1 ωn (x) dx = ωn (xi )(x − xi ) 1 −1 Pn (x) dx. i Uvrstimo li taj rezultat u (9.5. (x − xi ) −1 u kojem podintegralna funkcija ima uklonjivi singularitet.5.7 u specijalnom sluˇaju kada je x = xi . na desnoj strani preostane samo ˇlan za k=0 1 Pn (x) −2 dx = . Na kraju.10). Stavimo li t = xi u Christoffel–Darbouxov c identitet (lema 9.6).5.

Teorem 9.ˇ 9. Kako je Gauss–Legendreova s formula zapravo integral Hermiteovog interpolacijskog polinoma. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 524 Ovu relaciju moˇemo iskoristiti na razliˇite naˇine u (9. gdje su xi nultoˇke Legendreovog polinoma Pn i koeficijenti wi dani u (9. i uvrstiti s odgovaraju´i ωn . imamo En (f ) = f (2n) (ξ) 2n (n!)2 (2n)! (2n)! 2 22n+1 (n!)4 2 = f (2n) (ξ). koju smo procijenili u teoremu 7. treba integrirati greˇku kod Hermiteove interpolacije.11). (2n)! zbog poznatog kvadrata norme Legendreovog polinoma (lema 9.2 Za funkciju f ∈ C 2n [−1.2. i ujedno daje ocjenu greˇke za c s Gauss–Legendreovu integraciju. Kako je ωn (x) = 2n (n!)2 Pn (x). ˇto daje pet raznih z c c s formula za teˇinske koeficijente u Gauss–Legendreovim formulama z wi = 2(1 − x2 ) 2(1 − x2 ) i i = [nPn−1 (xi )]2 [(n + 1)Pn+1 (xi )]2 2 2 =− = nPn (xi ) Pn−1 (xi ) (n + 1)Pn (xi ) Pn+1 (xi ) 2 = .10).3).5.5. En (f ) = 3 (2n + 1) [(2n)!] ξ ∈ (−1.5.11) Sljede´i teorem rezimira prethodne rezultate. Treba samo dokazati formulu za ocjenu greˇke.5. 1] Gauss–Legendreova formula integracije glasi 1 n f (x) dx = −1 i=1 wi f (xi ) + En (f ). Integracijom i primjenom teorema srednje vrijednosti za integrale. 2 (1 − xi ) [Pn (xi )]2 (9. c dobivamo 1 f (2n) (ξ) 2 En (f ) = ωn (x) dx.5. (2n)! −1 za neki ξ ∈ (−1. Za c greˇku En (f ) vrijedi s 22n+1 (n!)4 f (2n) (ξ).5. 1). Dokaz. 2n + 1 (2n + 1) [(2n)!]3 . 1).

greˇka je oblika s 1. Hermiteova interpolacija posluˇila s c z je kao “trik”. na primjer. lagano vidimo da ve´ sa ˇest c c s toˇaka dobivamo 6 znamenaka toˇno. c Primjer 9. Dokaz. Da ocjena greˇke za Gaussove formule moˇe biti previˇe pesimistiˇna. koja ukljuˇuje 2n-tu derivaciju. da izbjegnemo rjeˇavanje nelinearnog sistema koji proizilazi iz uvjeta s egzaktnosti. budu´i da je potrebno na´i s c c neku ogradu za vrlo visoku derivaciju funkcije f (red derivacije je dva puta ve´i nego c ˇ kod Newton–Cˆtesovih formula). poniˇtava na c c s c s takvim polinomima.5. 4 4 U ovom sluˇaju moˇemo lagano izraˇunati bilo koju derivaciju podintegralne funkcije. 2 Zamjena varijable t = π(x + 1)/4 prebacuje integral na standardnu formu 1 −1 π π(x + 1) log 1 + dx.5. Moˇemo slutiti. pokazuje s z s c sljede´i primjer. koje imaju ograniˇene derivacije. Svojstvo iz gornjeg korolara moˇe se upotrijebiti za alternativni dokaz teoz rema 9. Tako c c c je.ˇ 9. na primjer. koja je potrebna za Gaussovu formulu s ˇetiri toˇke c c jednaka π 9 −7! · . Ipak. za n = 6.2. Zapravo. trapeznu i Simpsonovu c s formulu). kao ˇto smo napomenuli na poˇetku. Na o primjer. osma derivacija. iako ocjena greˇke ukljuˇuje faktor od 11!. Oˇito. Clan uz f (2n) (ξ) vrlo brzo pada s porastom n. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 525 Navedeni izraz za greˇku nije lagano primijeniti. 4 (1 + t)8 pa je greˇka 7! puta ve´a nego da smo. c c s Korolar 9.6 · 10−12 f (12) (ξ). budu´i da se greˇka. c z c koja raste s faktorijelima.5. sve ocjene greˇke formula za numeriˇku intes c graciju pokazuju sliˇno ponaˇanje (usporedite.1 (Uvjeti egzaktnosti) Gauss–Legendreova formula egzaktno integrira polinome stupnja 2n − 1. da je za analic c z tiˇke funkcije mogu´a bolja ocjena greˇke. ali Gaussove formule naroˇito. budu´i da ukljuˇuju visoke derivacije. integrirali trigonometrijsku funkciju s c sin ili cos. recimo. . c c s c Simpsonovoj formuli treba 64 toˇke za istu toˇnost.3 Primijenimo Gauss–Legendreovu formulu na integral π/2 log(1 + t) dt = 1 + 0 π 2 log 1 + π − 1 + 1.

5. Takoder.3). ova formulu ne moˇemo upotrijebiti u rubnim toˇakama x = ±1. Teˇine wi onda moˇemo odrediti rjeˇavanjem linearnog sistema. Pn+1 (x) − Pn−1 (x) = (2n + 1)Pn (x) x Pn (t) dt = −1 1 (Pn+1 (x) − Pn−1 (x)). Legendreovi polinomi zadovoljavaju i mnoge druge rekurzivne relacije. ˇesto neograniˇenim.3 Dokaˇite da za Legendreove polinoma vrijedi Pn (1) = 1.5. koji s ˇvorovima formule niˇeg reda nemaju c c c z niˇta zajedniˇko. raspolavljanjem h).5. a z . primijetimo da Gaussove formule moˇemo shvatiti i kao rjeˇenje z s optimizacijskog problema: na´i toˇke integracije tako da egzaktno integriramo polic c nom ˇto ve´eg stupnja sa ˇto manje ˇvorova. 9. Naˇalost. xPn (x) − Pn−1 (x) = nPn (x).2. z Alternativa je iskoristiti odgovaraju´e Gaussove formule s “prirodnom” teˇinc z skom funkcijom. Neke od njih dane su u sljede´em zadatku. Kod profinjavanja mreˇe ˇvorova za formule Newton–Cˆtesovog s c z c o tipa (na primjer. s c s c c koje se lagano implementiraju. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 526 Rekurziju za derivacije Legendreovih polinoma iz leme 9. Rezultat su formule visoke toˇnosti. Medutim. 1) i jediniˇnu teˇinsku funkciju — situaciju u c z kojoj moˇemo primijeniti Gauss–Legendreove formule.ˇ 9.7 moˇemo koristiti z i za raˇunanje vrijednosti Pn (x) c (1 − x2 )Pn (x) = n(Pn−1 (x) − xPn (x)). na specijalnim intervalima. i imaju vrlo mali broj izvrednjavanja podintegralne funkcije. c Zadatak 9. n ≥ 1. Druge Gaussove integracijske formule U praksi se ˇesto javljaju specijalni integrali koji ukljuˇuju teˇinske funkcije c c z 2 c c poput e−x . zbog z z c dijeljenja s nulom. s s ali takoder i time ˇto upotreba takvih formula na “finijoj” mreˇi zahtijeva ponovno s z raˇunanje funkcije u drugim ˇvorovima. Iz prethodnog odjeljka znamo da za ˇvorove integracije treba uzeti c nultoˇke funkcije ωn (x) = (x − x1 ) · · · (x − xn ).5. Cijenu smo platili time ˇto ocjena greˇke zahtijeva vrlo glatku funkciju. naprotiv. dokaˇite da za n ≥ 1 vrijede rekurzivne s relacije Pn (x) − xPn−1 (x) = nPn−1 (x). z z ˇto opravdava izbor normalizacije. s tim da vrijede relacije ortogoc z s nalnosti (9. Jednostavnom linearnom supstitucijom nije mogu´e takve intervale i/ili teˇinske c z funkcije prebaciti na interval (−1. e−x i mnoge druge. jedan dio ˇvorova ostaje zajedniˇki. za n ≥ 0. c c pa ve´ izraˇunate funkcijske vrijednosti moˇemo iskoristiti (kao u Rombergovom c c z algoritmu). 2n + 1 Na kraju.

5. nisu uvijek numeriˇki stabilni. dxn Budu´i da nas interesiraju rjeˇenja koja se mogu eksplicitno konstruirati. i vezan uz teoriju rubnih problema za obiˇne diferencic jalne jednadˇbe. u principu je mogu´e generirati ortogoc ˇ sevljev algoritam) nalne polinome i numeriˇki. jedinstvena funkcija Un (x) koja zadovoljava diferencijalnu jednadˇbu z D n+1 i rubne uvjete 1 D n Un (x) = 0 w(x) Un (a) = DUn (a) = · · · = D n−1 Un (a) = 0. c c c koji nisu pokriveni egzaktnim formulama. c s ne´emo dokazivati ovaj teorem. c c U mnogim vaˇnim sluˇajevima. od c kojih je prvi egzistencijalni. tj. ukljuˇivo i ostale formule na koje smo se oslanjali. tj.ˇ 9.5. b) postoji. za zadane a. Ovdje opet koristimo oznaku D za operator deriviranja funkcije f jedne varijable. medutim. Funkcije Un iz prethodnog teorema generiraju familiju ortogonalnih polinoma na (a. U svakom konkretnom sluˇaju. Sluˇajevi tzv. Poznati postupci (Stieltjesov i Cebiˇ c ne pokrivaju. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 527 moˇda u specijalnim sluˇajevima moˇemo do´i i do eksplicitnih formula. z . U drugim sluˇajevima. kad je iz konteksta oˇito po kojoj varijabli se derivira. do na multiplikativnu konstantu. b i c c s w(x). klasiˇnih ortogonalnih z c c polinoma uglavnom se mogu karakterizirati na osnovu sljede´a dva teorema. konstruirat ´emo funkciju Un formulom. sve mogu´e situacije. lema 9. z Teorem 9. Onda n-tu derivaciju funkcije f u toˇki x c c moˇemo pisati u bilo kojem od sljede´a tri oblika z c D n f (x) = dn f (x) = f (n) (x). ˇto c c s ostavlja postora za daljnja istraˇivanja. ali ne i uvijek.5. poput z c troˇlane rekurzije i sliˇno (v. kao ˇto smo z c z c s to uˇinili u sluˇaju Gauss–Legendreovih formula. Napomenimo joˇ da teorem 9. b) s teˇinskom funkcijom w.2). u sluˇajevima a = −∞ c c c i/ili b = ∞. mogu´e je analitiˇki do´i do forz c c c c mula sliˇnim onima u sluˇaju Gauss–Legendreove integracije. Postavlja se pitanje da li moˇemo c c z do´i do formula za polinome koji su ortogonalni (obzirom na teˇinsku funkciju w) c z na polinome niˇeg stupnja.3 (Generalizirana Rodriguesova formula) Na otvorenom intervalu (a. Un (b) = DUn (b) = · · · = D n−1 Un (b) = 0. jer ta oznaka znatno c skra´uje zapis nekih dugih formula.3 c vrijedi i na neograniˇenim i poluograniˇenim intervalima.

ˇ 9. Da dokaˇemo ortogonalnost. a jer je n−k −1 ≥ 0. integriramo parcijalno k puta i iskoristimo opet rubne uvjete koje zadovoljava funkcija Un . Dobivamo redom b b w(x)pn (x) x dx = a a k xk D n Un (x) dx b b =x D k n−1 Un (x) a −k a xk−1 D n−1 Un (x) dx b =0 = −k x k−1 D n−2 b Un (x) a − (k − 1) a xk−2 D n−2 Un (x) dx b =0 = · · · = (−1) k−1 k(k − 1) · · · 2 x D n−k b Un (x) a b − a D n−k Un (x) dx =0 = (−1)k k(k − 1) · · · 2 · 1 D n−k−1 Un (x) =0 = 0. . funkcije pn (x) = 1 D n Un (x) w(x) su polinomi stupnja n koji su ortogonalni na sve polinome niˇeg stupnja na intervalu z (a. .3. Ovaj teorem u mnogim sluˇajevima omogu´ava efektivnu konstrukciju ortogoc c nalnih polinoma. a za k = 0. vrijedi z b w(x) pn (x) xk dx = 0. Funkcija pn je oˇito polinom stupnja n. 1. n − 1. .5. Primijetimo da smo za dokaz ortogonalnosti iskoristili sve rubne uvjete na funkciju Un . . . c z Dokaz.4 Uz pretpostavke teorema 9. Za 1 ≤ k ≤ n−1. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 528 Teorem 9. a b zbog rubnih uvjeta D n−1Un (a) = D n−1 Un (b) = 0. tj. jer je D n+1 pn (x) = 0. b) obzirom na teˇinsku funkciju w(x). pretpostavimo da je n ≥ 1. Za k = 0 imamo odmah po Newton– Lebnitzovoj formuli b b w(x) pn (x) dx = a a D n Un (x) dx = (n ≥ 1) = D n−1 Un (x) = 0.5.

pa je Un (x) = Cn xn e−αx . dobivamo. za svako n. Un (∞) = DUn (∞) = · · · = D n−1 Un (∞) = 0. Pripadni ortogonalni polinomi su tada. To znaˇi da Pn dostiˇe ekstreme u rubovima intervala. Legendreove polinome. c ˇto je dodatno opravdanje za izbor normalizacije. Nadimo pripadne ortogonalne polinome. oˇekivano. konstanta Cn uzima se u obliku Cn = 1 2n n! .4.4 Neka je w(x) = 1 na intervalu (−1. Nadimo pripadne ortogonalne polinome. trebamo prvo rijeˇiti diferens cijalnu jednadˇbu z D n+1 (eαx D n Un (x)) = 0. ∞). u oznaci Ln .4 Pokaˇite da je multiplikativna konstanta Cn odabrana tako da vriz z jedi Pn (1) = 1. za neki α > 0. Oˇito je rjeˇenje oblika c s Un (x) = e−αx (c0 + c1 x + · · · + cn xn ) + d0 + d1 x + · · · + dn−1 xn−1 . gdje je Cn proizvoljna multiplikativna konstanta (razliˇita od c nule). Prema teoremu 9. Polinom 2n-tog stupnja koji se poniˇtava u krajevima mora. tj. a rubni uvjet u toˇki 0 povlaˇi c c c0 = · · · = cn−1 = 0. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 529 Primjer 9.ˇ 9. jer je Pn ∞ = 1 na [−1. 1] i svaki n ≥ 0. prema teoremu 9. Takoder.5. uz rubne uvjete Un (0) = DUn (0) = · · · = D n−1 Un (0) = 0.5. Tradicionalno. c Zadatak 9. c c Rubni uvjet u toˇki ∞ povlaˇi d0 = · · · = dn−1 = 0. . Polinomi za koje je α = 1 i Cn = 1 zovu se tradicionalno Laguerreovi polinomi.5.5.5. zbog simetrije. Njihova Rodriguesova formula je dakle Ln (x) = ex D n (xn e−x ). biti oblika s Un (x) = Cn (x2 − 1)n . dani formulom Pn (x) = 1 2n n! D n (x2 − 1)n . prvi korak je rjeˇavanje diferencijalne jednadˇbe s z D n+1 (D n Un (x)) = D 2n+1 Un (x) = 0. 1). 1].3. Prema teoremu 9. uz rubne uvjete Un (±1) = DUn (±1) = · · · = D n−1 Un (±1) = 0. s Primjer 9.3. pokaˇite da vrijedi |Pn (x)| ≤ 1. za svaki z x ∈ [−1.5.5 Neka je w(x) = e−αx na intervalu (0.

Odaberemo li α2 = 1 i multiplikativnu konstantu Cn = (−1)n . za neki α = 0. za α2 = 1.6 Neka je w(x) = e−α x na intervalu (−∞. uz Cn = 1. Prema teoremu 9. s Njih dobivamo izborom normalizacijske konstante Cn = 1/n!. s Rodriguesovom formulom 2 2 Hn (x) = (−1)n ex D n (e−x ). . 0 m = n. ∞). Lagano pogodimo da je Un (x) = Cn e−α 2 x2 2 x2 2 2 D n Un (x)) = 0. uz Cn = (−1) . Tada c c vrijede relacije ortogonalnosti ∞ e−αx Lm (αx) Ln (αx) dx = 0. dolazimo do klasiˇnih c polinoma. Napomenimo joˇ da oznaku Ln koristimo za ortonormirane Laguerreove polinome. Svi ortogonalni polinomi zadovoljavaju troˇlane rekuzije (v. Za Laguerreove i Hermiteove polinome mogu se analitiˇki izraˇunati koeficijenti u rekurziji. koji nose ime Hermiteovi polinomi. da i Cebiˇevljevi polinomi prve vrste zadovoljavaju relacije ortogonalnosti i troˇlanu rekurziju. i da smo taj sluˇaj do kraja prouˇili. lagano vidimo da su polinomi koje c c traˇimo oblika z 2 2 2 2 pn (x) = Hn (αx) = (−α)n eα x D n (e−α x ). trebamo prvo rijeˇiti diferencijalnu jednadˇbu z D n+1 (eα uz rubne uvjete Un (±∞) = DUn (±∞) = · · · = D n−1 Un (±∞) = 0. u oznaci Hn . pa su Ln i Ln vezani relacijom Ln (x) = n! Ln (x). Pripadne relacije ortogonalnosti su ∞ e−α −∞ 2 x2 Hm (αx) Hn (αx) dx = 0. Primijetimo. Kako su ˇvorovi Gaussove c c c c . U op´em sluˇaju. s Nadimo pripadne ortogonalne polinome. c ˇ s takoder.3. za α = 1. U literaturi se ponekad moˇe na´i joˇ jedna definicija za klasiˇne Hermiteove poliz c s c 2 n nome.5.ˇ 9. lagano vidimo da je pn (x) = Ln (αx). NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 530 U op´em sluˇaju. m = n.5. postupkom koji je vrlo sliˇan c c c onom kojeg smo u detalje proveli u sluˇaju Legendreovih polinoma. koja odgovara izboru α = 1/2. Primjer 9. izvod Stieltjesovog c algoritma uz metodu najmanjih kvadrata). uz Cn = (−α)n .

prec c ostaje joˇ samo izraˇunati teˇine wi po formuli (9. Sasvim op´enito.ˇ 9.5.5). posebnim rekurzijama i identitetima oblika c Christoffel–Darbouxovog. Gauss–Laguerreove formule Formule oblika ∞ n e−x f (x) dx ≈ 0 wi f (xi ) i=1 ˇ zovu se Gauss–Laguerreove formule. Gauss–Hermiteove formule Formule oblika ∞ n e−x f (x) dx ≈ −∞ 2 wi f (xi ) i=1 . zadovoljimo se s kratkim opisom nekoliko najpoznatijih Gaussovih formula. i te integrale treba na´i egzaktno. moˇe se s c z c z pokazati da vrijedi b wi = a 1 w(x) i (x) dx = pn (xi ) b w(x) a pn (x) dx. ∞). xi [Ln (xi )]2 (n!)2 (2n) f (ξ). ali njihovo z c raˇunanje ovisi o specijalnim svojstvima. Cvorovi integracije su nultoˇke polinoma c Ln definiranih Rodriguesovom formulom Ln (x) = ex a teˇine u Gaussovoj formuli su z wi = [(n − 1)!]2 xi (n!)2 xi = [nLn−1 (xi )]2 [Ln+1 (xi )]2 (n!)2 [(n − 1)!]2 = Ln (xi ) Ln−1 (xi ) Ln (xi ) Ln+1 (xi ) dn n −x (x e ). x − xi gdje su i polinomi Lagrangeove baze. dxn =− = (n!)2 . (2n)! Greˇka kod numeriˇke integracije dana je formulom s c En (f ) = ξ ∈ (0. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 531 formule integracije reda n nultoˇke odgovaraju´eg ortogonalnog polinoma pn . Obzirom na duljinu ovih izvoda. Formule c za teˇine mogu se dobiti za cijeli niz klasiˇnih ortogonalnih polinoma.

Nadite funkciju Ur i napiˇite Rodriguesovu formulu! Pridruˇeni ortogonalni polinomi zovu se Jacobijevi polinomi. ξ ∈ (−∞. Cvorovi integracije su nultoˇke Cebiˇevs c ˇ s ljevih polinoma Tn (x) = cos(n arccos(x)). 1). gdje su α > −1 i β > −1. dxn −1 1 √ f (x) dx ≈ 1 − x2 n wi f (xi ) i=1 ˇ ˇ zovu se Gauss–Cebiˇevljeve formule. n Greˇka kod numeriˇke integracije dana je formulom s c En (f ) = π 22n−1 (2n)! f (2n) (ξ).ˇ 9. Izuzetno. ξ ∈ (−1. Cvorovi integracije su nultoˇke polinoma c Hn definiranih Rodriguesovom formulom Hn (x) = (−1)n ex a teˇine u Gaussovoj formuli su z √ √ 2n−1 (n − 1)! π 2n+1 n! π = wi = n[Hn−1 (xi )]2 [Hn+1 (xi )]2 √ √ 2n+1 n! π 2n (n − 1)! π =− = Hn (xi ) Hn−1(xi ) Hn (xi ) Hn+1(xi ) √ 2n+1 n! π = . En (f ) = n 2 (2n)! ˇ Gauss–Cebiˇevljeve formule s Formule oblika 1 2 dn −x2 (e ). te se nultoˇke mogu eksplicitno c izraˇunati c (2i − 1)π xi = cos . Legendreovi z ˇ s i Cebiˇevljevi polinomi specijalni su sluˇaj.5 Neka je teˇinska funkcija w(x) = (x − a)α (b − x)β na intervalu z s (a. Zadatak 9.5. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 532 ˇ zovu se Gauss–Hermiteove formule. 2n Sve teˇine wi su jednake z π wi = . [Hn (xi )]2 Greˇka kod numeriˇke integracije dana je formulom s c √ n! π (2n) f (ξ). c . ∞). b).

za f (x) = 1 imamo ∞ e−x dx = f (1) = 1. 0 budu´i da je L1 (x) = 1 − x.5. a to su x1 = 0. pa je x1 = 1 i w1 = 1/[L (1)]2 = 1. Formula vodi na egzaktan rezultat 1 9 x4 π 9 3π √ + . za f (x) = ax + b.ˇ 9.3 = ± 3/2.7 Ako Gauss–Laguerreovom formulom reda n = 1 raˇunamo integral c ∞ e−x dx. koja zahtijeva nultoˇke polic √ 3 noma T3 (x) = 4x − 3x. c c ∞ e−x (ax + b) dx = f (1) = a + b. kao ˇto se vidi iz sljede´ih primjera.8 Ako Gauss–Cebiˇevljevom formulom raˇunamo c 1 √ −1 x4 dx 1 − x2 ˇ s zgodno je upotrijebiti formulu Gauss–Cebiˇeva reda 3. Kako formula c egzaktno integrira konstante. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 533 Pomo´u Gaussovih formula moˇemo jednostavno raˇunati neke odredene intec z c grale analitiˇki.5. budu´i da formula egzaktno integrira i linearne funkcije. c s c Primjer 9. 0 imamo pribliˇnu formulu z ∞ e−x f (x) dx ≈ f (1). x2. dx = 0+ = 3 16 16 8 1 − x2 −1 . 0 ˇ s Primjer 9. 0 Sliˇno.

gdje je c r neka zadana funkcija. y1 . . . y(b)) = 0. Obiˇne c diferencijalne jednadˇbe z 10. . Ponekad je ˇak brˇe s z s c c z i jednostavnije izraˇunati rjeˇenje numeriˇkim putem umjesto dugotrajnim analc s c itiˇkim postupkom. y1 . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 534 10. c Opisat ´emo nekoliko najˇeˇ´ih numeriˇkih metoda za rjeˇavanje obiˇnih diferc c sc c s c encijalnih jednadˇbi (skra´eno ODJ) oblika z c y (x) = f (x. Stoga takve jednadˇbe rjeˇavamo numeriˇki.1. yn ). . yn ). yn = fn (x. y(x)). daleko su brojnije one jednadˇbe za koje ne moˇemo napisati egzaz z ktno rjeˇenje. y2 = f2 (x. . yn ]T i f = [f1 . .1. . . . y(x)). Uvod Rjeˇavanje diferencijalnih jednadˇbi je problem koji se ˇesto javlja u raznim s z c primjenama.1) uz zadani poˇetni uvjet y(a) = y0 ili uz zadani rubni uvjet r(y(a). . . b). Dok je nekim jednadˇbama rjeˇenje mogu´e eksplicitno izraziti pomo´u z s c c poznatih funkcija. . . c Medutim. .1. .1): s z y (x) = f(x.ˇ ˇ 10. . Sustav obiˇnih diferencijalnih jednadˇbi je op´enitiji problem: c z c y1 = f1 (x. yn ). . . . y1 . y ∈ (a. koriste´i vektorsku notaciju y = [y1 . (10. . . . . fn ]T sustav piˇemo u obliku analognom jednadˇbi (10. .

. . U ovom poglavlju prikazat c ´emo sljede´e metode za rjeˇavanje inicijalnog problema: c c s • Runge–Kuttine metode. . .. y . s c 10. yn−1 = y (n−1) = yn . yn ). . . y2 = y . y. Diferencijalne jednadˇbe viˇeg reda z s y (n) = f (x. .1). y (n−1) ) = f (x. Inicijalni problem za obiˇnu diferencijalnu c jednadˇbu. y2 = y = y3 . y. y . z Metoda se zasniva na ideji da se y u gornjoj jednadˇbi zamijeni s podijeljenom razlikom y(x + h) − y(x) + O(h). • linearne viˇekoraˇne metode.1. y . .1) vode´i raˇuna o tome da se umjesto skalarnih funkcija y i f javljaju c c vektorske funkcije y i f. yn = y (n−1) svodimo na sustav jednadˇbi prvog reda: z y1 = y = y2 . . te i u ovom sluˇaju moˇemo koristiti metode razvijene za diferencijalnu jednadˇc z z bu (10. y (x) = h pa rjeˇenje diferencijalne jednadˇbe zadovoljava s z y(x + h) = y(x) + hy (x) + O(h2 ) = y(x) + hf (x. Eulerova metoda z Eulerova metoda je zasigurno najjednostavnija metoda za rjeˇavanje inicijalnog s problema za ODJ oblika y = f (x. . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 535 te primijenjujemo iste numeriˇke metode kao za rjeˇavanje diferencijalne jednadˇc s z be (10. . y(x)) + O(h2 ).. y . y(a) = y0 .ˇ ˇ 10. . y3 . .. yn = y (n) = f (x. y (n−1)) supstitucijama y1 = y.1. y2. . . . y). . y1 .2. I za sustav diferencijalnih jednadˇbi i za jednadˇbu viˇeg reda razlikujemo iniz z s cijalni (poˇetni ili Cauchyjev) problem i rubni problem.

1). y). . y(x)). moˇemo rjeˇavati tako da podijelimo interval [a. b]. .3. . . . y(x). f ).3. f ). . xi = a + ih. . . b] na n jednakih z s podintervala. raˇunamo iz yi koriˇtenjem aproksimacije oblika y(x + h) ≈ y(x) + hΦ(x.2. Dobivenu aproksimaciju y1 iskoristimo za raˇunanje aproksimacije rjeˇenja u toˇki c s c x2 = x1 + h: y2 = y1 + hf (x1 . diferencijalnu jednadˇbu c c z y = f (x. Opisani postupak nazivamo Eulerova metoda. . oznaˇivˇi c s h= b−a . Ova formula je toˇnija ˇto je h manji.3. y0 ). aproksimaciju rjeˇenja u toˇki xi+1 . i = 0. Dobivene c vrijednosti yi su aproksimacije rjeˇenja diferencijalne jednadˇbe u toˇkama xi . i = 1. . i moˇemo ga kra´e zapisati z c rekurzijom yi+1 = yi + hf (xi . s c c s Sada yi+1 . prvo aproksimiramo rjeˇenje u toˇki x1 = a + h s s c y(x1) ≈ y1 = y0 + hf (x0 . n. te postupak ponavljamo sve dok ne dodemo do kraja intervala b = xn . . s z c (10. h. . i = 0. . . n Koriˇtenjem (10. n.1) 10.1) na intervalu [a. n − 1. h.2. z gdje je poˇetni uvjet y0 zadan kao inicijalni uvjet diferencijalne jednadˇbe. . tako da aproksimacija c s y(b) ≈ y(a) + (b − a)hf (a. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 536 Zanemarivanjem kvadratnog ˇlana u gornjem razvoju dobivamo aproksimaciju c y(x + h) ≈ y(x) + hf (x.3. yi. b] podijelimo na n jednakih dijelova te z stavimo b−a h= . Runge–Kuttine metode Koriste´i sliˇnu ideju kao u Eulerovoj metodi. y1 ). yi ). i = 0. n xi = a + ih. (10. Stoga interval [a. .2) te dobivamo rekurziju: yi+1 = yi + hΦ(xi .3) . n. y0 ) moˇe biti jako neprecizna.ˇ ˇ 10. y(a)) = y0 + hf (a. (10. y(a) = y0 (10.

a razliˇit izbor te funkcije definira razliˇite c c metode. O odabiru funkcije Φ ovisi i toˇnost metode. . c s s c s da ´e toˇnija biti i aproksimacija yi za y(xi ) dana rekurzijom (10. h. f ) = f (x. s Red metode odgovara njezinoj toˇnosti.3.4) nazivamo lokalna pogreˇka diskretizacije. ubudu´e ´emo f izostaviti kao argument c c funkcije Φ. promatrat ´emo pogreˇku u fiksiranoj toˇki c s c b. h).3.5) . h). a kj su zadani s r kj (x. Da c sc s s bismo pojednostavnili argumentaciju. (10. Tako je npr.3). tada je c y(b) − yn = O(hp ). Za oˇekivati je da ako izaberemo c c Φ tako da aproksimacija toˇnog rjeˇenja y(x + h) dana s (10.1) parametar od c z Φ (tj. ˇ Sto je ve´i p metoda je toˇnija.2): τ (x. Da bismo pojednostavili zapis. za jednokoraˇne metode c c c kaˇemo da su reda p ako je z τ (x. Op´enito. Kod c njih je funkcija Φ oblika r Φ(x. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 537 Funkciju Φ nazivamo funkcija prirasta. c Najpoznatije jednokoraˇne metode su svakako Runge–Kuttine metode.3.3.3. y. h) = O(hp ). y(x).2) bude ˇto toˇnija. h (10. y. Pogreˇku c c aproksimacije (10. j = 1. . h) = y(x + h) − y(x) .3. y.3. . y. f ) . y. r.ˇ ˇ 10. gdje je y(x) toˇno rjeˇenje diferencijalne jednadˇbe (10. Φ zavisi o f ). c c z Pod toˇnoˇ´u metode podrazumijevamo ponaˇanje pogreˇke y(xi ) − yi. y + h l=1 ajl kl (x. h) = ∆(x. a to postiˇemo odabirom funkcije Φ. y). Uoˇimo da je h = (b − a)/n te da je yn uvijek (za svaki n) aproksimacija za y(b). h) = f x + cj h. . tj.3.3) zovemo jednokoraˇne metode (jer za aproksimaciju yi+1 c koristimo samo vrijednost yi u prethodnoj toˇki xi . h) = j=1 ωj kj (x. u Eulerovoj metodi Φ(x. h) − Φ(x. u jednom koraku dobijemo c yi+1 iz yi ). Metode oblika (10. h. Uoˇimo da je funkcija f iz diferencijalne jednadˇbe (10. Ako je jednokoraˇna metoda reda p.1) i c s z ∆(x.

y. tj. obiˇno se dodaje uvjet c r ajl = cj . l=1 s Ovaj izvor koeficijenata cj je detaljnije objaˇnjen u poglavlju 10. . h) = f (x + ah. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 538 Broj r zovemo broj stadija Runge–Kuttine (RK) metode. . Sada je lokalna pogreˇka diskretizacije jednaka s y(x + h) − y(x) y(x + h) − y(x) − Φ(x. Razvojem k2 u Taylorov red po varijabli h dobivamo h2 (fxx a2 + 2fxy a2 f + fyy a2 f 2 ) + O(h3 ). y(x). 2 gdje su fx i fy prve parcijalne deivacije funkcije f = f (x. y. Primjer odabira koeficijenata prikazat ´emo na RK metodi s dva stadija: c Φ(x. Nadalje.. funkcije kj su zadane eksplicitno. y. k2 (x. Razvoj rjeˇenja diferencijalne c s jednadˇbe y(x) ima oblik z k2 (x. h) + ω2 k2 (x.1. c Razliˇit izbor koeficijenata ωj . h) + ω2 k2 (x. y (x) = fxx + 2fxy f + fyy f 2 + fy (fx + fy f ). y. Ovi koeficijenti c c se najˇeˇ´e biraju tako da red metode bude ˇto je mogu´e ve´i. y) = f. . odnosno y. a fxx . h)) h h 1 = (1 − ω1 − ω2 )f + h(fx + fy f ) − ω2 a 2 1 ω2 a2 1 − + h2 (fxx + 2fxy f + fyy f 2 ) · + fy (fx + fy f ) 6 2 6 3 + O(h ). y. . h) = − (ω1 k1 (x. Tada kj moˇemo izraˇunati preko k1 . i on oznaˇava koliko puta c moramo raˇunati funkciju f u svakom koraku. y. Takve RK metode nazivamo eksplicitnima.ˇ ˇ 10. y + ahk1 ). y. h). cj i ajl definira razliˇite metode. y) po x. tj. Iz izraza (10. fxy i fyy odgovaraju´e druge parcijalne derivacje. y).3.5) c sc s c c vidimo da se kj nalazi na lijevoj i na desnoj strani jednadˇbe. h) = f (x. . h) = ω1 k1 (x. te pravila za deriviranje y (x) = fx + fy f. U praksi se najviˇe koriste s z c metode gdje je ajl = 0 za l ≥ j. zadan je implicitno z te govorimo o implicitnoj Runge–Kuttinoj metodi. h) = f + h(fx a + fy af ) + y(x + h) = y(x) + hf + h2 h3 (fx + fy f ) + [fxx + 2fxy f + fyy f 2 + fy (fx + fy f )] + O(h4 ). kj−1 .3. y. k1 (x. 2 6 Ovdje smo iskoristili da je y(x) rjeˇenja diferencijalne jednadˇbe: s z y (x) = f (x.

a= 1 . 24 (10.3.6) (10. 2 2 3 12 1 ω3 c2 c3 a32 + ω4 (c2 a42 + c3 a43 )c4 = . radi se o metodi s jednim stadijem.3. y + hk1 ).10) (10.3. Φ= dok se za t = 1 dobiva modificirana Eulerova metoda: h h Φ = f x + . ω1 = 1 − t. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 539 Da bi metoda bila reda 1 koeficijente treba odabrati tako da se poniˇti prvi ˇlan u s c gornjem razvoju: 1 − ω1 − ω2 = 0. 2 2 Najraˇirenije su metode sa ˇetiri stadija.ˇ ˇ 10.7) (10.12) (10. Uvodenjem slobodnog koeficijenta t rjeˇenje ove dvije jedc s nadˇbe moˇemo napisati u obliku: z z ω2 = t = 0. Za t = 1/2 dobivamo Heunovu metodu: 1 (k1 + k2 ).11) (10. 2 3 4 3 1 ω3 c2 a32 + ω4 (c2 a42 + c3 a43 = . 2 1 ω 2 c2 + ω 3 c2 + ω 4 c2 = . k2 = f (x + h.3. 2 k1 = f (x. 2 3 4 4 1 ω3 c2 a32 + ω4 (c2 a42 + c2 a43 ) = . 8 1 ω4 c2 a32 a43 = .3. y + f (x. i to upravo o Eulerovoj metodi. 1 ω 2 c2 + ω 3 c3 + ω 4 c4 = . Ukoliko je zadovoljeno i 1 − ω2 a = 0 2 metoda ´e biti reda 2.9) (10. y) .3. Ukoliko je ω2 = 0.8) (10. y).3. 6 1 ω 2 c3 + ω 3 c3 + ω 4 c3 = .3.13) . Odgovaraju´e jednadˇbe koje moraju s c c z zadovoljavati koeficijenti RK-4 metoda su: ω1 + ω2 + ω3 + ω4 = 1. 2t Uoˇimo da t ne moˇemo odabrati tako da poniˇtimo i ˇlan uz h2 tako da metoda c z s c bude reda 3.

2 2 k4 = f x + h. y + k1 .3. y + h(k1 − k2 + k3 )) . h h k2 = f x + . Op´enito. y). ˇto pove´ava c s c sloˇenost metode. dok je za metode s 8 i viˇe stadija najve´i mogu´i red barem za dva manji od s c c broja stadija. y + hk3 . Uvjet (10.3. tj. y − k1 + hk2 .9) za red 3. Metoda s ˇetiri stadija moˇe posti´i najviˇe z c z c s red ˇetiri. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 540 gdje je c1 = 0. y + k1 .6) treba biti zadovoljen da bi metoda bila reda 1. 3 3 h 2 k3 = f x + h. Spomenimo joˇ i 3/8-sku metodu: s 1 Φ = (k1 + 3k2 + 3k3 + k4 ). Ukupno imamo 10 koeficijenata i 8 jednadˇbi ukoliko je metoda reda 4. h h k2 = f x + . 6 k1 = f (x.3. y). 6 i 7 stadija najve´i mogu´i red je 4. uvjet (10. c3 = a31 + a32 . tri i ˇetiri stadija najve´i mogu´i red c c c c metode odgovara broju stadija. 8 k1 = f (x. y + k2 .10)– (10.3. c2 = a21 .7) za red 2.8)–(10.13).3.ˇ ˇ 10. z Za metodu s tri stadija uvrˇtavanjem s c4 = a41 = a42 = a43 = ω4 = 0 dobivamo 9 koeficijenata i 7 jednadˇbi. 2 2 h h k3 = f x + .3. dva. koja se u literaturi najˇeˇ´e naziva Runge–Kutta ili RK-4 metoda c sc (iako je to samo jedna u nizu Runge–Kutta metoda): 1 Φ = (k1 + 2k2 + 2k3 + k4 ). ne moˇemo dva stupnja slobode iz sustava jednadˇbi iskoristiti da red c z z metode podignemo na pet. uvjeti (10. za metode s jednim. To je razlog zaˇto su metode s ˇetiri stadija najpopularnije. c c 5 i 6. 3 3 k4 = f (x + h. c4 = a41 + a42 + a43 . Najpopularnija je “klasiˇna” Runge– c Kutta metoda. s c a da bismo postigli red 5 trebamo pove´ati broj stadija barem za dva. Za metode s 5. dok za red 4 trebaju biti ispunjeni i uvjeti (10. Red je 4. z Evo nekoliko primjera RK-4 metoda.

y + h l ajl kl = f (x. pa lokalna pogreˇka diskretizacije s τ (x. y) + O(h) = f (x.3. Joˇ o koeficijentima za Runge–Kuttine metode s U prijaˇnjem smo poglavlju pokazali da za RK-2 i RK-4 metode treba vrijediti s ωj = 1 j da bi ove bile konzistentne s redom ve´im od 1. j=1 Dokaz.y + h 2 2 2 √ √ 2 2+ 2 k2 + h k3 . h) = y (x) + O(h) − j y(x + h) − y(x) − h ωj kj j ωj [f (x. = f x + . y) + O(h)]. vrijedi c s z τ (x. . Budu´i da je y rjeˇenje diferencijalne jednadˇbe y = f (x. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 541 i Gillovu metodu: Φ= k1 k2 k3 k4 √ √ 1 k1 + (2 − 2)k2 + (2 + 2)k3 + k4 . y) 1 − j ωj + O(h). s c c Teorem 10. To vrijedi i op´enito za sve RK c c metode. y − h 2 2 10. h h = f x + . h) = zadovoljava τ (x. ˇto ´emo pokazati u sljede´em teoremu. = f x + h.3. 6 = f (x. h) = f (x. 2 2√ √ 2−1 h 2− 2 k1 + h k2 .1. y) + O(h). y + k1 .1 Runge–Kuttina metoda sa s stadija ima red konzistencije ve´i ili c jednak 1 ako i samo ako je s ωj = 1. y).ˇ ˇ 10. odakle lagano slijedi tvrdnja teorema. y) − j ωj f (x. y). Teorem srednje vrijednosti daje nam ocjene y(x + h) = y(x) + hy (x) + O(h2 ) i kj = f x + cj h.

ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE

ODJ – 542

Slijede´a zanimljivost vezana je uz odredivanje koeficijenata cj . U definiciji c metode smo spomenuli da je uobiˇajeni izbor c cj =
l

ajl .

z c c Medutim, ostaje pitanje da li moˇemo pove´ati red konzistencije drugaˇijim izborom koeficijenata cj . Odgovor je ne, i to nam pokazuje sljede´i teorem. c Teorem 10.3.2 Neka je RK metoda zadana s
s

yi+1 = yi + h
j=1

˜ kj ,

˜ k j = f x + cj , y + h ˜

s l=1

˜ ajl kl

reda konzistencije p, te neka je p red konzistencije metode ˜
s s

yi+1 = yi + h
j=1 s

kj ,

k j = f x + cj , y + h
l=1

ajl kl ,

gdje je cj =
l=1

ajl . Tada je p ≥ p. ˜

Dokaz. Neka je y rjeˇenje diferencijalne jednadˇbe s z y = f (x, y). Tada je y= rjeˇenje jednadˇbe s z y = y 1 = f (x, y) = f(y). 1 y x (10.3.14)

˜ ˜ ˜ c c Neka je yi aproksimacija za y(xi ) dobivena metodom (10.3.2). S yi i xi oznaˇit ´emo ˜ komponente vektora yi : y ˜ ˜ yi = i . xi ˜ Budu´i da je red metode p, vrijedi c ˜
˜ ˜ yi − y(xi ) = O(hp ).

Uoˇimo da je c ˜ kj = f y +

l

˜ ajl kl

˜ k = j 1
l

=⎣

f x+h
l

ajl , y + h
l

˜ ajl kl

⎤ ⎦

1

=

f x + cj h, y + h 1

˜ ajl kl

⎦,

ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE

ODJ – 543

˜ ˜ ˜ gdje kl oznaˇava prvu komponentu vektora kl . Uoˇimo da je kj = kj , a kj je definiran c c metodom (10.3.2), te vrijedi

˜ ˜ yi+1 = yi + h
j

˜ ωj kj =

yi ˜ +h xi ˜

ωj
j

kj 1

=⎢ ⎣

yi + h
j

ωj kj ωj
j

⎤ ⎥ ⎥. ⎦

xi + h ˜

Iz
j

ωj = 1 izlazi da je xi+1 = xi + h, a upotrebom matematiˇke indukcije za˜ ˜ c
⎡ ⎤ ⎥ ⎦.

kljuˇimo da je xi = xi = x0 + ih. Sada je c ˜ yi+1 ˜ xi+1 =⎣

yi + h ˜
j

ωj kj

xi+1

Ukoliko s yi oznaˇimo aproksimaciju rjeˇenja jednadˇbe y = f (x, y) dobivenog c s z metodom (10.3.2), zbog istih poˇetnih uvjeta slijedi da je yi = yi . Ova ˇinjenica c ˜ c povlaˇi da je i c y ˜ y(xi ) y − y(xi ) ˜ yi − y(xi ) = i − = i xi ˜ xi 0 te za bilo koju od uobiˇajenih normi c
1, 2

ili

vrijedi

˜ ˜ yi − y(xi) = Yi − Y(xi ) = O(hp ),

pa je metoda (10.3.2) reda barem p, tj. vrijedi p ≥ p. ˜ ˜

10.3.2.

Konvergencija jednokoraˇnih metoda c

U ovom odjeljku promatramo ponaˇanje konvergencije pribliˇnog rjeˇenja yi s z s dobivenog jednokoraˇnom metodom. Na poˇetku, definirajmo prostor Fn (a, b) kao c c prostor funkcija s trake (a, b) × Rd−1 u R za koje su sve parcijalne derivacije do ukljuˇivo n-tog reda neprekidne i ograniˇene. c c U daljnjem tekstu pretpostaviti ´emo da je f ∈ F1 (a, b), a s y ´emo oznaˇiti c c c egzaktno rjeˇenje inicijalnog problema s y = f (x, y), y(x0 ) = y0 , x0 ∈ [a, b], y0 ∈ R.

Uoˇimo da pretpostavka f ∈ F1 (a, b) povlaˇi egzistenciju i jedinstvenost rjeˇenja y c c s na intervalu [a, b]. Neka Φ(x, y; h) definira jednokoraˇnu metodu c yi+1 = yi + hΦ(xi , yi ; h), i = 0, 1, 2, . . .

gdje je xi+1 = xi + h. Zanima nas ponaˇanje pogreˇke s s ei = yi − y(xi ).

ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE

ODJ – 544

Za fiksirani x ∈ [a, b] definiramo korak hn = i globalnu pogreˇku diskretizacije s e(x; hn ) = yn − y(x). z s Sada za svaki n ∈ N vrijedi xn = x, te moˇemo promatrati globalnu pogreˇku diskretizacije kada n → ∞. Definicija 10.3.1 Jednokoraˇna metoda je konvergentna ako c
n→∞

x − x0 n

lim e(x; hn ) = 0

za sve x ∈ [a, b] i sve f ∈ F1 (a, b). Pokazat ´emo da su metode reda p > 0 konvergentne, i ˇtoviˇe, da vrijedi c s s e(x; hn ) = O(hp ). n Red globalne pogreˇke diskretizacije je dakle jednak redu lokalne pogreˇke diskretis s zacije. Prvo ´emo dokazati sljede´u lemu. c c Lema 10.3.1 Ako brojevi ξi zadovoljavaju ocjenu oblika |ξi+1 | ≤ (1 + δ)|ξi| + B, tada je |ξn | ≤ enδ |ξ0 | + Dokaz. Iz pretpostavke direktno slijedi |ξ1 | ≤ (1 + δ)|ξ0| + B, |ξ2 | ≤ (1 + δ)2 |ξ0 | + B(1 + δ) + B, . . . |ξn | ≤ (1 + δ)n |ξ0 | + B[1 + (1 + δ) + (1 + δ)2 + · · · + (1 + δ)n−1 ] (1 + δ)n − 1 = (1 + δ)n |ξ0| + B δ enδ − 1 , ≤ enδ |ξ0| + B δ jer je 0 < 1 + δ < eδ za δ > −1. Pomo´u ove leme dokazujemo sljede´i, glavni, teorem. c c δ > 0, B ≥ 0, i = 0, 1, 2, . . .

enδ − 1 B. δ

ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE

ODJ – 545

Teorem 10.3.3 Za x0 ∈ [a, b], y0 ∈ R, promatramo inicijalni problem y = f (x, y), y(x0 ) = y0 ,

koji ima jedinstveno rjeˇenje y(x). Neka je funkcija Φ neprekidna na s G = {(x, y, h) | x ∈ [a, b], |y − y(x)| ≤ γ, |h| ≤ h0 }, za h0 > 0, γ > 0 i neka postoje pozitivne konstante M i N takve da je |Φ(x, y1 ; h) − Φ(x, y2 ; h)| ≤ M|y1 − y2 | za sve (x, yi , h) ∈ G, i = 1, 2, i |τ (x; h)| = |∆(x; h) − Φ(x, y(x); h)| ≤ N|h|p , p>0

¯ ¯ za sve x ∈ [a, b], h ≤ h0 . Tada postoji h, 0 < h ≤ h0 , takav da globalna pogreˇka s diskretizacije zadovoljava |e(x; hn )| ≤ |hn |p N eM |x−x0 | − 1 M

¯ za sve x ∈ [a, b] i hn = (x − x0 )/n, n = 1, 2, . . ., uz |hn | ≤ h. Ako je γ = ∞, tada je ¯ = h0 . h Dokaz. Funkcija
⎧ ⎪ Φ(x, y; h), ⎨

Φ(x, y; h) =

za (x, y, h) ∈ G, Φ(x, y(x) + γ; h), za x ∈ [a, b], |h| ≤ h0 , y ≥ y(x) + γ, ⎪ ⎩ Φ(x, y(x) − γ; h), za x ∈ [a, b], |h| ≤ h0 , y ≤ y(x) − γ

˜ je oˇito neprekidna na G = {(x, y, h) | x ∈ [a, b], y ∈ R, |h| ≤ h0 } i zadovoljava c uvjet |Φ(x, y1 ; h) − Φ(x, y2 ; h)| ≤ M|y1 − y2 | (10.3.15) ˜ za sve (x, yi , h) ∈ G, i = 1, 2. Zbog Φ(x, y(x); h) = Φ(x, y(x); h) takoder vrijedi |∆(x; h) − Φ(x, y(x); h)| ≤ N|h|p , za x ∈ [a, b], |h| ≤ h0 . (10.3.16)

Neka jednokoraˇna metoda generirana s Φ definira aproksimacije yi za y(xi ), xi = c ˜ x0 + ih: ˜ ˜ yi+1 = yi + hΦ(xi , yi; h). ˜ Zbog y(xi+1 ) = y(xi ) + h∆(xi ; h), ˜ za pogreˇku ei = yi − y(xi ), oduzimanjem, dobivamo rekurzivnu formulu s ˜ ei+1 = ei + h[Φ(xi , yi; h) − Φ(xi , y(xi); h)] + h[Φ(xi , y(xi); h) − ∆(xi ; h)]. ˜ ˜ ˜

ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE

ODJ – 546

No, sada iz (10.3.15) i (10.3.16) slijedi |Φ(xi , yi ; h) − Φ(xi , y(xi ); h) ≤ M|˜i − y(xi )| = M|˜i |, ˜ y e |Φ(xi , y(xi); h) − ∆(xi ; h)| ≤ N|h|p , te dobivamo rekurzivnu ocjenu e |˜i+1 | ≤ (1 + |h|M)|˜i | + N|h|p+1 . e Koriˇtenjem e0 = y0 − y(x0 ) = 0, iz leme slijedi s ˜ ˜ |˜k | ≤ N|h|p e eM |xk −x0 | − 1 . M

Neka je sada x ∈ [a, b], x = x0 , fiksiran i h = hn = (x − x0 )/n, n > 0. Tada zbog ˜ ˜ xn = x0 + nh = x i zbog e(x; hn ) = en slijedi |˜( x; hn )| ≤ N|h|p e eM |x−x0 | − 1 M

za sve x ∈ [a, b] i hn za koje je |hn | ≤ h0 . Budu´i da je |x − x0 | ≤ |b − a| i γ > 0, c ¯ ¯ 0 < h ≤ h0 takav da je |˜(x; hn )| ≤ γ za sve x ∈ [a, b], |hn | ≤ h, tj. za ¯ e postoji h, jednokoraˇnu metodu generiranu s Φ: c yi+1 = yi + hΦ(xi , yi ; h) ¯ imamo za |h| ≤ h, zbog definicije za Φ, yi = yi , ˜ ei = ei ˜ i Φ(xi , yi; h) = Φ(xi , yi ; h). ˜

Tvrdnja teorema dakle slijedi za sve x ∈ [a, b] i sve hn = (x − x0 )/n, n = 1, 2, . . ., ¯ uz |hn | ≤ h. Iz prethodnog teorema posebno slijedi da je metoda reda p > 0, koja u okolini rjeˇenja zadovoljava Lipschitzov uvjet, konvergentna. Uoˇimo da je ovaj uvjet ispuns c ∂ Φ(x, y; h) postoji i neprekidna je u domeni G danoj u teoremu. Teorem, jen ako ∂y takoder, daje i gornju ogradu za globalnu pogreˇku diskretizacije, koja u principu s moˇe biti izraˇunata ako znamo M i N. To je u praksi nepraktiˇno. Tako je za z c c Eulerovu metodu N≈ i 1 |fx (x, y(x)) + fy (x, y(x))f (x, y(x))| 2 M≈

∂Φ | = |fy (x, y(x))|, ∂y dok za RK-4 metode treba ocijeniti ˇetvrte derivacije funkcije f . c

ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE

ODJ – 547

10.3.3.

Runge–Kutta–Fehlbergove metode. koraka integracije.

Odredivanje

Iako smo u proˇlom potpoglavlju pretpostavili da je korak integracije h kons stantan tijekom cijelog postupka rjeˇavanja diferencijalne jednadˇbe, oˇito je da se s z c h moˇe mijenjati u svakom koraku integracije, pa jednokoraˇnu metodu moˇemo z c z pisati u obliku: yi+1 = yi + hi Φ(xi , yi, hi ). Prvo ´emo pokazati kako se odreduje duljina koraka hi tako da bude postignuta c neka unaprijed zadana toˇnost ε. c ¯ Neka su s Φ i Φ zadane dvije metode reda p i p + 1. Tada raˇunamo aproksic macije yi+1 = yi + hi Φ(xi , yi, hi ), ¯ yi+1 = yi + hi Φ(xi , yi, hi ). ¯ Iz (10.3.4) slijedi da je: y(xi + hi ) = y(xi ) + hi Φ(xi , y(xi), hi ) + C(xi )hp+1 + O(hp+2 ), i i p+2 ¯ y(xi + hi ) = y(xi ) + hi Φ(xi , y(xi), hi ) + O(hi ). Cilj je da pogreˇka u i-tom koraku bude manja od ε. Stoga ´emo pretpostaviti da s c c je aproksimacija yi za y(xi ) toˇna, tj. yi = y(xi ). Sada oduzimanjem gornje dvije jednadˇbe slijedi z ¯ hi [Φ(xi , yi, hi ) − Φ(xi , yi, hi )] = C(xi )hp+1 + O(hp+2 ). i i Iz prve dvije jednakosti oduzimanjem slijedi ¯ ¯ hi [Φ(xi , yi , hi ) − Φ(xi , yi , hi )] = yi+1 − yi+1 , te uvrˇtavanjem u (10.3.17) dobivamo s ¯ yi+1 − yi+1 = C(xi )hp+1 + O(hp+2 ). i i Zanemarivanjem viˇih ˇlanova u razvoju pogreˇke, dobivamo s c s ¯ yi+1 − yi+1 ≈ C(xi )hp+1 i i ¯ yi − yi ≈ C(xi−1 )hp+1 . i−1 Uz pretpostavku da se ˇlan C(x) u pogreˇci ne mijenja brzo, tj. C(xi ) ≈ C(xi−1 ), c s uvjet da pogreˇka u i-tom koraku bude manja od ε sada glasi: s ε ≥ |y(xi+1) − yi+1 | ≈ |C(xi )hp+1| ≈ |C(xi−1 )hp+1 | ≈ i i yi − yi p+1 ¯ hi , hp+1 i−1 (10.3.17)

ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE

ODJ – 548

odnosno hp+1 ≤ hp+1 i i−1

ε . |¯i − yi | y

Iz ovoga slijedi da za novi korak trebamo izabrati hi = hi−1
p+1

ε . |¯i − yi | y

Ukoliko je prethodni korak bio uspjeˇan, tada je zadovoljeno s |¯i − yi | ≤ ε, y te je stoga hi ≥ hi+1 . Ako gornja nejednakost ne vrijedi, (i − 1)-vi korak treba ponoviti uz manji hi−1 . To se obiˇno radi samo ako je nejednakost znaˇajnije c c naruˇena, npr. ako je |¯i − yi | > 2ε. s y Izbor koraka moˇemo modificirati, tako da zahtijevamo da je pogreˇka u svaz s kom koraku proporcionalna koraku integracije, tj. da je manja od hi ε. Uvrˇtavanjem s ovog zahtjeva dobivamo izbor: hi = hi−1
p

εhi−1 . |¯i − yi | y

Sljede´a modifikacija koristi korigiraju´i faktor α: c c hi = αhi−1
p

εhi−1 , |¯i − yi | y

koji sluˇi da ispravi pogreˇku nastalu odbacivanjem viˇih ˇlanova u ocjeni pogreˇke. z s s c s Obiˇno je α = 0.9. c Prikazani izbor koraka vrijedi za bilo koji par jednokoraˇnih metoda reda p i p+ c 1. Primjena Runge–Kutta metoda zahtijevala bi jednu metodu sa s stadija i jednu sa s+1 stadija, ˇto op´enito znaˇi da bismo u svakom koraku funkciju f iz diferencijalne s c c jednadˇbe trebali raˇunati 2s + 1 puta. Postupak se moˇe pojednostavniti ako prvih z c z ¯ s stadija k1 , . . . , ks , ks+1 koriˇtenih za raˇunanje funkcije prirasta Φ iskoristimo za s c raˇunanje funkcije Φ: c
s

Φ(x, y, h) = ¯ Φ(x, y, h) =
i=1 s+1

ωi ki (x, y, h), ωi ki (x, y, h). ¯
i=1

Sada u svakom koraku funkciju f raˇunamo samo s + 1 puta. c

ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE

ODJ – 549

Ovu ideju ´emo ilustrirati na paru Runge–Kutta metoda reda 2 i 3. Promac tramo metode s 3 i 4 stadija:
3

Φ(x, y, h) = ¯ Φ(x, y, h) =
i=1 4

ωi ki (x, y, h), ωi ki (x, y, h). ¯
i=1

¯ Da bi metoda definirana s Φ bila reda 3 trebaju biti zadovoljeni uvjeti (10.3.6)– (10.3.9), ˇto je ukupno 4 jednadˇbe i 10 koeficijenata. Nadalje, metoda reda 2 s s z 3 stadija ima 3 dodatna koeficijenta (ω1 , ω2 i ω3 ) i treba zadovoljavati 2 dodatna uvjeta (10.3.6)–(10.3.7). Sveukupno, 13 koeficijenata u ovom paru metoda treba zadovoljavati 6 uvjeta. Preostalih 7 stupnjeva slobode iskoristit ´emo za smanjivanje c broja raˇunanja funkcije f . Naime, zahtijevat ´emo da k4 (xi , yi , hi , f ), zadnji stadij c c ¯ iz raˇunanja Φ u i-tom koraku, iskoristimo kao k1 (xi+1 , yi+1, hi+1 , f ), prvi stadij u c (i + 1)-om koraku: f (x + c4 hi , yi + hi (a41 k1 + a42 k2 + a43 k3 ) = f (xi+1 , yi+1 ) = f (xi + hi , yi + hi Φ(xi , yi , hi , f )) = f (xi + hi , yi + hi (ω1 k1 + ω2 k2 + ω3 k3 )). Odavde slijede dodatna 3 uvjeta: a41 = ω1 , a42 = ω2 , a43 = ω3 .

Uvjet c4 = 1 automatski je ispunjen zbog ω1 + ω2 + ω3 = 1. Jedno od rjeˇenja ovog sustava jednadˇbi je prikazano u sljede´oj tablici. s z c aij i 1 2 3 4 ci 0 1 4 27 40 1 − 1 4 189 800 214 891 729 800 1 33 650 891 j=1 j=2 j=3 ωi 214 891 1 33 650 891 ωi ¯ 533 2106 0 800 1053 − 1 78

ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE

ODJ – 550

10.4.

Linearne viˇekoraˇne metode s c

Kod jednokoraˇnih metoda je za aproksimaciju yi+1 u toˇki xi+1 bilo potrebno c c poznavanje samo aproksimacije yi u toˇki xi . c Promatrajmo ponovno diferencijalnu jednadˇbu z y = f (x, y), y(x0 ) = y0 .

Integracijom, te primjenom formule srednje toˇke za aproksimaciju integrala, slijedi c da je
xi+1 xi+1

y(xi+1 ) − y(xi−1 ) =
xi−1

y (x) dx =
xi−1

f (x, y(x)) dx ≈ 2hf (xi , y(xi)).

(10.4.1)

Gornja formula vodi na rekurzivno definiranu aproksimaciju yi+1 = yi−1 + 2hf (xi , yi ). U ovoj metodi za odredivanje vrijednosti yi+1 trebamo poznavati prethodne vrijedc c c nosti yi i yi−1 , a budu´i da je se radi o dvije toˇke, govorimo o dvokoraˇnoj metodi. Aproksimacija yi+1 zadana je eksplicitno s izrazom na desnoj strani, pa govorimo o eksplicitnoj metodi. Ako umjesto formule srednje toˇke pri raˇunanju integrala u (10.4.1) primic c jenimo Simpsonovu formulu, dobivamo drugu aproksimaciju:
xi+1

y(xi+1) − y(xi−1 ) =
xi−1

f (x, y(x)) dx h [f (xi−1 , y(xi−1 )) + 4f (xi , y(xi)) + f (xi+1 , y(xi+1 ))], 3

≈ ˇto vodi na metodu s

yi+1 = yi−1 +

h [f (xi−1 , yi−1) + 4f (xi , yi) + f (xi+1 , yi+1 )]. 3

Ovdje se yi+1 javlja i na lijevoj strani i na desnoj strani kao argument, op´enito c nelinearne, funkcije f . Dakle, yi+1 je zadan implicitno, pa govorimo o implicitnoj dvokoraˇnoj metodi. Uoˇimo da gornjim formulama ne moˇemo odrediti y1 , pa za c c z c njegovo odredivanje treba upotrebiti jednu od jednokoraˇnih metoda. Op´enito, linearne viˇekoraˇne metode su oblika c s c
r r

αj yi+1−j = h
j=0 j=0

βj fi+1−j ,

ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE

ODJ – 551

gdje je fk = f (xk , yk ), α0 = 0 i |αr | + |βr | = 0. Ovu metodu zovemo r-koraˇna c metoda. Ukoliko je β0 = 0 metoda je eksplicitna, a za β0 = 0 metoda je implicitna. Uoˇimo da prikaz viˇekoraˇne metode pomo´u koeficijenata αj i βj nije jedinc s c c ˇ stven jer npr. koeficijenti 2α0 , . . . , 2αr i 2β0 , . . . , 2βr definiraju istu metodu. Cesto se koristi normalizacija α0 = 1 te je zapis metode oblika:
r r

yi+1 +
j=1

αj yi+1−j = β0 f (xi+1 , yi+1) + h
j=1

βj fi+1−j .

(10.4.2)

Primjenom razliˇitih integracijskih metoda moˇemo dobiti cijeli niz viˇekorac z s ˇnih metoda. Integracijom jednadˇbe y (x) = f (x, y(x)) na nekom zadanom interc z valu [xp−j , xp+k ] dobivamo
xp+k

y(xp+k ) − y(xp−j ) =
xp−j

f (t, y(t)) dt.

Ukoliko podintegralnu funkciju f (t, y(t)) zamijenimo interpolacijskim polinomom Pq stupnja q koji interpolira f (t, y(t)) u toˇkama xi , tj. ako je c Pq (xi ) = y (xi ) = f (xi , y(xi )), i = p, p − 1, . . . , p − q,

koriˇtenjem interpolacijskog polinoma u Lagrangeovoj formi s
q q

Pq (x) =
i=0

f (xi , y(xi)) i (x),

i (x)

=
l=0 l=i

x − xp−l , xp−i − xp−l

izraz (10.4.2) prelazi u
q xp+k q i (t) dt xp−j

y(xp+k ) − y(xp−j ) ≈
i=0

f (xi , y(xi ))

=h
i=0

βqi f (xi , y(xi)),

c gdje smo s βqi oznaˇili 1 βqi = hx
xp+k i (t) dt =
p−j

k

q

−j l=0 l=i

s+l ds, −i + l

i = 0, . . . , q.

(10.4.3)

s c Zamjenom vrijednosti y(xi ) aproksimacijama yi dobivamo viˇekoraˇnu metodu oblika q yp+k = yp−j + h
i=0

βqi fp−i .

ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE

ODJ – 552

Najpoznatiji primjeri viˇekoraˇnih metoda ovog tipa su Adams–Bashforthova metos c da i Adams–Moultonova metoda. U Adams–Bashforthovoj metodi je k = 1 i j = 0 te metoda glasi: yp+1 = yp + h(βq0 fp + βq1 fp−1 + · · · + βqq fp−q ). (10.4.4) Sljede´a tablica prikazuje koeficijente βqi za ovu metodu, izraˇunate prema forc c muli (10.4.3). i βqi β0i 2β1i 12β2i 24β3i 720β4i 0 1 3 23 55 1901 −1 −16 −59 −2774 5 37 2616 −9 −1274 251 1 2 3 4

Izborom k = 0 i j = 1 dobijamo Adams–Moultonove metode: yp+1 = yp + h(βq0 fp+1 + βq1 fp + · · · + βqq fp+1−q ). (10.4.5) Za razliku od eksplicitnih Adams–Basforthovih metoda, ove metode su implicitne. Koeficijenti su im prikazani u sljede´oj tablici. c i βqi β0i 2β1i 12β2i 24β3i 720β4i 0 1 1 5 9 251 1 8 19 646 −1 −5 −264 1 106 −19 1 2 3 4

Od ostalih viˇekoraˇnih metoda izvedene iz ovih formula, poznatije su joˇ s c s Nystr¨move (k = 1 i j = 1) i Milneove (k = 0 i j = 2) metode. o Niz metoda moˇemo dobiti i pomo´u formula za deriviranje. Neka je P (x) z c polinom koji interpolira y(x) u toˇkama xn−i : c P (xn−i) = y(xn−i ), i = 0, . . . , k. Koriˇtenjem interpolacijskog polinoma u Lagrangeovoj formi, polinom P (x) moˇemo s z prikazati u obliku
k k i (x)y(xn−i ), i=0 i (x) = j=0 j=i

P (x) =

x − xn−j . xn−i − xn−j

ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE

ODJ – 553

Deriviranjem u ˇvoru xn−r dobivamo c P (xn−r ) = 1 k h (xn−r )y(xn−i ). h i=0 i

Supstitucijama yn−i ≈ y(xn−i ) i fn−r = f (xn−r , yn−r ) ≈ P (xn−r ) dobivamo metodu
k

αi yn−i = hfn−r .
i=0

Uvodenjem oznake p = (x − xn )/h, vidimo da koeficijenti αi = h i (xn−r ) = d dp
k j=0 j=i

p+j j−i

=
p=−r

1 r−i

k j=0 j=i,r

p+j j−i

ne ovise o ˇvorovima xn−i i ˇirini mreˇe h. Za r = 1 dobivamo eksplicitnu metodu c s z
k

αi yn−i = hfn−1 ,
i=0

(10.4.6)

dok je za izbor r = 0 metoda implicitna:
k

αi yn−i = hfn .
i=0

(10.4.7)

Zbog alternativnog naˇina izvoda ovih metoda koriˇtenjem podijeljenih razlika unc s azad, ove metode poznate su pod nazivom BDF metode (engl. backward difference formulas). Koeficijenti za eksplicitne i implicitne BDF metode su prikazani u sljede´im dvjema tablicama. c k 1 2 3 4 5 6 7 η1 1 2 3 4 5 6 7 α1 1 0 3 2 10 − 3 65 − 12 77 − 10 203 − 20 − 1 3 6 10 15 21 1 2 10 − 3 − −5 −10 − 35 2 α2 α3 α4 α5 α6 α7

1 3 5 3 30 35 3

1 4 3 − 2 21 − 4 −

1 5 7 5

1 6

y(xi+1−j )) = j=0 j=0 Cj hj .4.ˇ ˇ 10. U gornju ´emo rekurziju umjesto yj uvrstiti s c c rjeˇenje diferencijalne jednadˇbe y(xj ).9) koja definira viˇekoraˇnu metodu. yi) .4. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 554 k 1 2 3 4 5 6 7 ∗ η1 ∗ α1 ∗ α2 ∗ α3 ∗ α4 ∗ α5 ∗ α6 ∗ α7 1 2 3 6 11 12 25 60 137 60 147 140 363 1 4 3 18 11 48 25 300 137 360 147 20 363 1 3 9 − 11 36 − 25 300 − 137 450 − 147 1470 − 363 − 2 11 16 25 200 137 400 147 4900 1089 3 25 75 − 137 225 − 147 1225 − 363 − 12 137 72 147 588 363 10 147 490 − 1089 − 20 363 10. (10. ukoliko je C0 = C1 = · · · = Cp = 0 i Cp+1 = 0. y). (10. Ukoliko je p ≥ 1 kaˇemo da je metoda konzistentna. zadovoljava rekurzivnu formulu r r y(x0 ) = y0 .4.8) αj yi+1−j = h j=0 j=0 βj f (xi+1−j . a zatim dobiveni izraz razviti u Taylorov s z red: r r ∞ αj y(xi+1−j ) − h βj f (xi+1−j . b].4. yi+1−j ). Kao i kod jednokoraˇnih metoda.10) j=0 Rekurzivna formula biti ´e toˇnija ˇto je viˇe prvih ˇlanova u razvoju jednako nuli. kaˇemo da je metoda reda c p. y0 ∈ R (10. Konzistencija i stabilnost Nakon ovih primjera izvoda nekih viˇekoraˇnih metoda postavlja se pitanje s c njihove toˇnosti. x0 ∈ [a. prvo ´emo promatrati koliko c c c dobro rjeˇenje diferencijalne jednadˇbe s z y = f (x. c c s s c z Op´enito.1. z Tako za metodu yi+1 = yi−1 + 2hf (xi .

τ (x. b) i x ∈ [a.4) jednak r + 1. h) = 0.4. Iskoristimo li rekurziju za Adams–Bashforthovu metodu (10. tj.1 Pokaˇimo da je red (r + 1)-koraˇne Adams–Bashforthove metode z c (10. tj. Uoˇimo da je lokalna s z c pogreˇka diskretizacije dobivena uvrˇtavanjem toˇnog rjeˇenja u rekurziju (10. z no oˇito je dovoljno zahtijevati da y ima neprekidnu tre´u derivaciju. Ukoliko je τ (x. . y ∈ C 3 (a. da vrijedi y (xi ) = f (xi . 1. τ (x.ˇ ˇ 10. Sada moˇemo definirati konzistenciju metode.4) uvrˇtavanjem s toˇnog rjeˇenja y(x). h j=0 j=0 gdje je y egzaktno rjeˇenje diferencijalne jednadˇbe (10.8) s s c s uz zamjenu x = xi+1 .4.1 Viˇekoraˇnu metodu zovemo konzistentnom ako za svaki f ∈ s c F1 (a.4. oznaˇimo xj = x + jh. h) = O(hp ) kaˇemo da je metoda reda p. b] lokalna pogreˇka diskretizacije τ zadovoljava s h→0 lim τ (x.4. c c Dakle. z Definicija 10. .4. izraz (10. h) = (y(x + h)) − y(x)) − h i=0 Radi jednostavnosti. b). tzv. b). y(xi )). j = −r.10) pokazuje kvalitetu aproksimacije viˇekoraˇne metode. h) = r 1 r αj y(x − jh) − βj y (x − jh). . (xi ) = (2j + 1)! 3 te je ova metoda reda 2. lokalnu c s pogreˇku diskretizacije: s τ (x.8).4. z Primjer 10. Uoˇimo da smo iskoristili da je y rjeˇenje diferencijalne c s jednadˇbe. Sada je lokalna pogreˇka c s diskretizacije jednaka r 1 βri y (xp−i ). OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 555 uvrˇtavanje toˇnog rjeˇenja i razvoj u red oko toˇke xi daje s c s c y(xi+1 ) − y(xi−1 ) − 2hy (xi ) = ∞ ∞ j=0 y (j)(xi ) ∞ hj (−1)j hj − − 2hy (xi ) y (j) (xi ) j! j=0 j! = j=1 y (2j+1) 2 y (3) (xi ) 3 2j+1 h h + O(h5 ) = O(h3 ). Pretpostavili smo da je y ∈ C ∞ (a. . h) = (y(xp+1)) − y(xp )) − h i=0 . dobivamo c s r 1 βri y (x − ih).4. s c U daljnjem tekstu koristiti ´emo malo promijenjen izraz za pogreˇku.

xp+1 ] pa vrijedi y r+2(η) 1 τ (x.ˇ ˇ 10. xp i ω(t) = hr+1 u(u + 1) · · · (u + r).3).6) i r-koraˇne implicitne metode (10. . . ξ(t) ∈ (xp−r . . xp xp 1 y (t) dt − h xp+1 xp 1 Pr (t) dt = h c gdje je Pr polinom koji interpolira y u toˇkama xp−r . c Razmatranjem analognim onom u prethodnom primjeru pokazuje se da je red r-koraˇne Adams–Moultonove metode za jedan ve´i od broja koraka i iznosi r+1. . h) = (r + 1)! h Supstitucijom u = (t − xp )/h dobivamo t − xp−j = h(u + j) te gornji integral prelazi u y r+2 (η) 1 r+1 h h τ (x. h) = h 1 = h xp+1 y (t) dt − xp xp+1 r i=0 1 h xp+1 i (t) dt xp xp+1 y (xp−i ) [y (t) − Pr (t)] dt. koeficijente u r-kos raˇnoj metodi c r r αj yi+1−j = h j=0 j=0 βj f (xi+1−j .4. xp sve nultoˇke polinoma ω.7) izvedene c c iz formula za deriviranje. . yi+1−j ) . Koriˇtenjem iste ideje kao kod Runge–Kuttinih metoda. (r + 1)! ω(t) = (t − xp−r )(t − xp−r+1 ) · · · (t − xp ). ω ne mijenja predznak na inc tervalu [xp .4. h) = h xp+1 dobivamo ω(t) xp y r+2(ξ(t)) dt. Za c c r-koraˇne eksplicitne metode (10. . Primjenom ocjene za pogreˇku interpolacije s y (t) − Pr (t) = ω(t) y (r+2) (ξ(t)) . 1 τ (x. u(u + 1) · · · (u + r) du = h 0 r+1 y r+2(η) (r + 1)! 1 r (u + j) du. . xp ). red metode odgovara broju koraka. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 556 Uvrˇtavanjem izraza za koeficijente βri dane s (10. 0 j=0 te je red (r + 1)-koraˇne Adams–Bashforhove metode jednak r + 1.4. dobivamo s 1 τ (x. xp . h) = (r + 1)! h 1 xp+1 ω(t) dt. (r + 1)! c Budu´i da su xp−r . .

uz konzistentnost treba c s biti zadovoljen joˇ jedan dodatni uvjet. te je metoda definirana s rekurzijom yi+2 + 4yi+1 − 5yi = h(4fi+1 + 2fi ). To nas vodi na sustav jednadˇbi c z 1 + 2 + 2 + a1 + a0 − a1 − − = 0 b1 − b0 = 0 b1 1 b1 2 = 0 = 0 1 a1 2 1 4 + a1 3 6 Rjeˇenje ovog sustava je a1 = 4. yi+1 ) + b0 f (xi . da poniˇtimo z s c c s ˇto viˇe prvih ˇlanova u Taylorovom razvoju (10.4. da bi aproksimacija konvergirala k toˇnom rjeˇenju. kod viˇekoraˇnih s c metoda. b1 = 4. tj. te s 2r slobodnih koeficijenata moˇemo poniˇtiti prvih 2r ˇlanova razvoja: z s c C0 = C1 = · · · = C2k−1. Sliˇno vrijedi i za r-koraˇne c z c c implicitne metode. s c c Razvojem lokalne pogreˇke diskretizacije u x = xi s τ (x. Koeficijenti Cj u Taylorovom s razvoju zavisit ´e o koeficijentima αj i βj .2 Konstruirajmo dvokoraˇnu eksplicitnu metodu: c yi+2 + a1 yi+1 + a0 yi = h[b1 f (xi+1 .4. dobivamo τ (x.10). ako postoje c s metode dvostrukog reda s istim brojem koraka. c Primjer 10. yi)] tako da red konzistencije bude ˇto je mogu´e ve´i. b0 i b1 odredimo tako da poniˇtimo ˇto je mogu´e viˇe poˇetnih ˇlanova u Taylorovom razvoju. Nije teˇko pokazati da je ta zavisnost c linearna. h) = 1 y(x)(1 + a1 + a0 ) + y (x)(2 + a1 − b1 − b0 ) h 4 1 1 1 + hy (x) 2 + a1 − b1 + h2 y (x) + a1 − b1 + O(h3 ). OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 557 moˇemo odredivati tako da red metode bude ˇto je mogu´e ve´i. a to je stabilnost.ˇ ˇ 10. Za razliku od jednokoraˇnih metoda c gdje je kozistentnost metode bio dovoljan uvjet za konvergenciju. b0 = 2. pa na z c taj naˇin moˇemo konstruirati metodu reda 2r − 1. 2 3 6 2 s s c s c Koeficijente a0 . h) = 1 [y(x + 2h) + a1 y(x + h) + a0 y(x)] − [b1 y (x + h) + b0 y (x)] h u Taylorov red. Takoder. c s Prirodno se name´e pitanje zaˇto bismo koristili navedene metode. moˇe se pokazati da ´e vrijediti C2r = 0. Fiksiranjem α0 = 1 imamo s s c 2r slobodnih koeficijenata za eksplicitnu metodu. To ´emo ilustrirati s c sljede´im primjerom. a0 = −5. Ovdje imamo jedan koeficijent viˇe (β0 ). a1 . . te moˇemo poniˇtiti s z s jedan ˇlan viˇe u Taylorovom razvoju i dobiti metodu reda 2r.

4. σ)-shema. h) = O(h3 ). OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 558 Ova metoda je reda 3 (jer je τ (x. 96 97 98 99 100 yi − y(xi ) −0. .512 · 1058 −0. . c 2.257 · 1059 +0. .144 · 10−6 .129 · 1060 −0.164 · 10−8 +0. s egzaktnim rjeˇenjem y = e−x .300 · 10−7 +0. Uz korak h = 10−2 i egzaktne poˇetne vrijednosti s c c y0 = 1 i y1 = e−h dobivamo sljede´u tablicu: i 2 3 4 5 . a moˇe se provjeriti da je ˇlan uz h3 z c razliˇit od nule). c Promatrat ´emo numeriˇko rjeˇavanje diferencijalne jednadˇbe c c s z y = −y. y(0) = 1.ˇ ˇ 10. s Viˇekoraˇna metoda s c r r αj yi+1−j = h j=0 j=0 βj f (xi+1−j . c Zajedno uvjete 1 i 2 zovemo uvjet stabilnosti.2 Za viˇekoraˇnu metodu kaˇemo da je stabilna ako nultoˇke zj s c z c polinoma ρ(z) zadovoljavaju 1.652 · 1060 Iz tablice je jasno da metoda divergira. s c Definicija 10. pa se ˇesto umjesto viˇekoraˇne metode koristi naziv (ρ. Sve nultoˇke su po apsolutnoj vrijednosti manje od 1 (|zj | ≤ 1). .101 · 1058 +0. Uzrok tome je objaˇnjen u daljnjem tekstu. s c c Ujedno. yi+1−j ) definira dva polinoma r r ρ(z) = j=0 αj z r−j i σ(z) = j=0 βj z r−j . .501 · 10−8 −0. ova dva polinoma odreduju jednu viˇekoraˇnu metodu. Ako je |zj | = 1 tada je zj jednostruka nultoˇka (ρ (zj ) = 0). −0.

Teorem 10.2. y) + c. Definicija konvergencije viˇekoraˇne metode se neˇto razlikuje od konvergencije jeds c s nokoraˇnih metoda.1 Linearna viˇekoraˇna metoda je konvergentna ako i samo ako je s c konzistentna i stabilna. r + 2.ˇ ˇ 10. y) <1 ∂y zadovoljena. ako je r neparan. ako je r paran. pa ´e objaˇnjenje ove definicije i dokaz prethodnog teorema biti c c s izloˇeni u sljede´im potpoglavljima. c Za metodu iz proˇlog primjera je s ρ(z) = z 2 + 4z − 5. . tj. Prediktor-korektor par Dosad je ostalo otvoreno pitanje kako izraˇunati yi+1 u implicitnoj metodi c k yi+1 + j=1 ∗ ∗ αj yi+1−j = β0 hf (xi+1 . Sljede´i teorem nam objaˇnjava razlog divergencije c s ove metode. Budu´i da moˇemo izabrati dovoljno malen korak integracije h takav da je nejednakost ∗ |ϕ (y)| = h|β0 | ∂f (xi+1 . Moˇe se pokazati da stabilna r-koraˇna metoda ima red z c p≤ r + 1. Za odabir poˇetne aproksimacije y [0] koristi s z c se neka od eksplicitnih metoda ¯ k ¯ k yi+1 + j=1 αj yi+1−j = h j=1 βj fi+1−j . .4. slijedi da jednostavne iteracije y [m+1] = ϕ(y [m] ). m = 0. . Ako oznaˇimo c c=− k j=1 α∗ yi+1−j + h k j=1 ∗ βj fi+1−j . 1. konvergiraju prema rjeˇenju jednadˇbe. . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 559 Uvjet stabilnosti se ˇesto naziva i uvjet korijena. yi+1 ) + h k j=1 ∗ βj fi+1−j .4. Budu´i da je |z2 | > 1. s z c z yi+1 je rjeˇenje nelinearne jednadˇbe y = ϕ(y). z c 10. metoda nije stabilna. ρ ne zadovoljava uvjet stac bilnosti. ∗ ϕ(y) = β0 hf (xi+1 . 2. c Nultoˇke su mu z1 = 1 i z2 = −5.

4. Stoga je uobiˇajeno da se za prediktor-korektor par uzimaju eksplicitna i c c ˇ implicitna metoda istoga reda. j = 0.4. tj. ∗ αj yi+1−j + h k j=1 ∗ βj fi+1−j . Isto tako. Cesto koriˇten par je k-koraˇna Adams–Bashforthova s c metoda kao prediktor i (k−1)-koraˇna Adams–Moultonova metoda kao korektor. S druge strane. Toˇnost s c metode definirana je s toˇnoˇ´u korektora.12) Rjeˇenje diferencijske jednadˇbe (10.4. Pod linearnom homogenom c z diferencijskom jednadˇbom podrazumijevamo jednadˇbu oblika z z uj+r + αr−1 uj+r−1 + αr−2 uj+r−2 + · · · + α0 uj = 0. ˇto ´e biti z s c opisano u sljede´em potpoglavlju. (10. j = 0. . za jedan red toˇnija c c c c c nego ˇto je rjeˇenje nelinearne jednadˇbe (korektora). .11) Oˇito je da je za svaki skup poˇetnih vrijednosti u0 . za jedan ve´i od reda korektora poˇetna ´e aproksimacija biti pretoˇna. Ako je red korekc sc [0] c tora. . .11) dobivamo pomo´u nultoˇaka polinoma ρ. . Konvergenciju moˇemo ubrzati primjenom Newtonove metode. (10. . . 1. c Joˇ nam je ostalo za promotriti kako odabrati korektor-prediktor par. eksplicitne metode kojom odredujemo poˇetnu aproksimaciju yi+1 .4. ako je red s s z prediktora manji od reda korektora. . 1.ˇ ˇ 10. broj iteracije nije velik. Linearne diferencijske jednadˇbe z Za razumijevanje stabilnosti viˇekoraˇnih metoda nuˇno je poznavati neke oss c z novne ˇinjenice o linearnim diferencijskim jednadˇbama. yi+1 ) − [M ] m = 0. M − 1. s z c c . . s c uvijek se radi o nekoliko iteracija. c 10. j=1 yi+1 = yi+1 . 2. implicitne metode. Uz c ovakav odabir prediktor-korektor para govorimo o Adams–Bashforth–Moultonovim metodama. 2. Broj iteracija (M) moˇe biti unaprijed zadan ili se iteracije provode dok se jednadˇba z z ne rijeˇi do na neku unaprijed zadanu toˇnost.3. Uz gornju diferencijsku jednadˇbu veˇemo polinom z z ρ(z) = z r + αr−1 z r−1 + · · · + α1 z + α0 . eksplicitna i implicitna k-koraˇna metoda izvedena iz formula c za numeriˇko deriviranje koriste se kao prediktor-korektor par. yi+1 [m+1] ∗ = β0 hf (xi+1 . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 560 Sada moˇemo zapisati cijeli algoritam: z [0] yi+1 =− ¯ k ¯ k αj yi+1−j + h j=1 j=1 [m] k βj fi+1−j . . . ur−1 jednoznaˇno odreden c c c s z niz brojeva uj . . . poˇetna aproksimacija je preslaba. koji rjeˇava jednadˇbu (10.11). Znamo da jednostavne iteracije konvergiraju linearno prema rjeˇenju jednadˇs z be. . te bi trec balo previˇe iteracija korektora da se nelinearna jednadˇba rijeˇi na zadovoljavaju´u s z s c toˇnost.4. U primjeni.

. k): P1 (j)λj + P2 (j)λj + · · · + Pk (j)λj = uj . Zbog homogenosti jednadˇbe (10.4.4. . (10. . Dokaz ove tvrdnje je elementaran. Time smo s c dokazali prvi dio teorema. j = 0. i = 1. jer je viˇestrukost nultoˇke λ jednak σ. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 561 Teorem 10.4. 1 2 k j = 0. . . 2. .12) ima k razliˇitih nultoˇaka λi viˇec c s strukosti σi . . gdje je P proizvoljan polinom stupnja s z strogo manjeg od σ. . da za svaki izbor poˇetnih vrijednosti u0 . . niz uj = P1 (j)λj + P2 (j)λj + · · · + Pk (j)λj . 1. tako da zbog σ1 +σ2 +· · ·+σk = r prikaz (10.4.ˇ ˇ 10. z Drugi dio teorema dakle kaˇe da prikladnim odabirom parametara moˇemo z z dobiti proizvoljno rjeˇenje. tj. 1.4. sada c slijedi uj+r + αr−1 uj+r−1 + · · · + α0 uj = λj r r αp λp P (j + p) p=0 r = λj p=0 αp λp a0 + τ =1 aτ p(p − 1) · · · (p − τ + 1) = λj [a0 ρ(λ) + a1 ρ (λ) + · · · + aσ−1 ρ(σ−1) (λ)] = 0. tj. pomo´u interpolacijskog polinoma zapisanog u Newtonovom c obliku prikaˇimo P (j + t): z P (j + t) = a0 + a1 t + a2 t(t − 1) + · · · + ar t(t − 1) · · · (t − r + 1).4. s c z koeficijenata polinoma Pi (i = 1. rjeˇenje diferencijske jednadˇbe (10. ur−1 s c postoji jedinstveno rjeˇenje sljede´eg sustava od r linearnih jednadˇbi s r nepoznatih. . c . . .4. 2. stoga ga ovdje preskaˇemo. Za fiksni j ≥ 0.2 Neka polinom ρ(z) iz (10. .11) moˇe se jedinstveno prikazati u obliku (10. .13) sadrˇi ukupno r slobodnih parametara (koeficijenata polinoma Pi ). k. Uz oznaku αr = 1. Stoga je dovoljno pokazati da za λ.11).13). . k. svako rjeˇenje diferencijske s z s jednadˇbe (10. vrijedi da je niz s uj = P (j)λj . .13) je rjeˇenje diferencijske jednadˇbe (10. . Obratno. (oznaka ∂P < σ). . . . Uoˇimo da je polinom P (t) = c0 + c1 t + · · · + cσ−1 tσ−1 stupnja manjeg od σ c c odreden s toˇno σ koeficijenata cj . nultoˇku polinoma ρ viˇestrukosti σ. .11). . .4. . .11) vrijedi da je uj + vj rjeˇenje ako su z s s z c uj i vj rjeˇenja diferencijske jednadˇbe.4. . z z Dokaz. ali i dugotrajan. i = 1. 1 2 k j = 0. ρ(τ ) (λ) = 0 za 0 ≤ τ ≤ σ − 1. Tada za proizvoljne polinome Pi (t) stupnja strogo manjeg od σi . r − 1. Budu´i da je ∂P < σ vrijedi aσ = aσ+1 = · · · = ar = 0.

slijedi da λ mora biti c jednostruka nultoˇka.4. pa mora biti λ ≤ 1.12) zadovoljava uvjete stabilnosti iz definicije 10.14). Prema tome je i niz uj = jλj . ⎥ . −αr−1 0 ⎢ . . .1 Ako polinom ρ iz (10. . . ⎢ . diferencijska jednadˇba (10. 1. Neka je sada |λ| = 1 i λ je viˇestruka nultoˇka od ρ. .. To nam daje sljede´a lema.4. Za |λ| > 1 niz s z λn un = n n divergira.4. budu´i da je uvjet stabilnosti zadovolc c r jen.4. c Obratno.4.11): s z uj+r + αr−1 uj+r−1 + · · · + α0 uj = jαj (λr + αr−1 λr−1 + · · · + α0 ) + λj+1 (rλr−1 + (r − 1)αr−1 λr−2 + · · · + α1 ) = jαj ρ(λ) + λj+1 ρ (λ) = 0. A=⎢ ⎥ ⎣ 0 . . . . Tada je niz c j uj = λ rjeˇenje diferencijske jednadˇbe (10. . za svaki U0 ∈ Cr vrijedi Un = An U0 ≤ A n U0 ≤ U0 za n = 0. . . i neka je λ nultoˇka od ρ.4. ρ je karakteristiˇni polinom matrice A te.4... 0 1 0 ⎦ −α0 . . . 1 0 .. . .4. ⎥.11) kad n → ∞. . Prema tome. .. ⎢ . Pretpostavimo da vrijedi (10.14) lim n→∞ n za sve realne poˇetne vrijednosti u0 . . ur−1. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 562 U primjeni viˇekoraˇnih metoda od interesa je ponaˇanje rasta rjeˇenja un s c s s diferencijske jednadˇbe (10. Ako definiramo ⎡ ⎢ ⎢ ⎢ ⎢ ⎣ ⎤ ⎥ ⎥ ⎥ ⎥ ⎦ ⎡ ⎤ Uj = uj uj+1 .2 tada rjeˇenje diferencijske jednadˇbe (10.ˇ ˇ 10. 0 . s z Dokaz. Tada je s c ρ (λ) = rλr−1 + (r − 1)αr−1 λr−2 + · · · + 1 · α1 = 0. ⎥ . .11) zadovoljava (10. Budu´i da niz un /n = λn ne konvergira nuli kada n → ∞.4.4. postoji norma na C takva da odgovaraju´a inducirana matriˇna norma c c zadovoljava A ≤ 1. neka je zadovoljen uvjet stabilnosti. Posebno je vaˇno utvrditi uvjete koji z z osiguravaju da je un =0 (10. ... .14).11). . . j ≥ 0 rjeˇenje diferencijske jednadˇbe (10. . uj+r−1 ∈ Cr .11) je ekvivalentna rekurziji z Uj+1 = AUj . c c Lema 10.4.

. n = 0. Oˇito je. U svakom sluˇaju. postoji k > 0 takav da je c U ≤ U k te posebno vrijedi Un Stoga je n→∞ ∞ ∞ ≤k U . . ve´ o naˇinu na koji s s c c c odredujemo poˇetne vrijednosti.ˇ ˇ 10. . Da bismo startali r-koraˇnu metodu. 1. . metodom. hn = . hn ) = 0. n→∞ n za sve x ∈ [a. = 0. r − 1. . Medutim. . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 563 Budu´i da su na Cr sve norme ekvivalentne. yr−1 . i = 0. posebno vrijedi lim un = 0. Un n ∞ tj.9) zovemo konvergentnom s c ako je x−a lim e(x. ≤ k 2 U0 lim ∞. kada govorimo o konvergenciji metode misc limo na ponaˇanje globalne pogreˇke diskretizacije: s s e(x. . . n = 1. . . i = 0.4. . r − 1 za koje je n→∞ lim (y(xi) − yi ) = 0. r − 1.3 Viˇekoraˇnu metodu danu s (10. . . Ova pogreˇka ne ovisi o promatranoj viˇekoraˇnoj metodi. z c s c Definicija 10. b) i sve yi . . . b]. i = 0. da ako ˇelimo da globalna pogreˇka c c z s diskretizacije teˇi nuli kada n → ∞. . gdje je x ∈ (a. . sve f ∈ F1 (a. .4. . i = 0. n→∞ Sada moˇemo izre´i definiciju konvergencije viˇekoraˇne metode. r − 1. . . h = hn = (x − a)/n. s c z prvo je potrebno izraˇunati r poˇetnih vrijednosti y0 . . ostale vrijednosti moramo c z odrediti nekom drugom. h) = yn − y(x). . . n→∞ n 10.4. pogreˇke poˇetnih vrijednosti trebaju zadoz s c voljavati lim εi = 0. . 2. c sc c c pri njihovom odredivanju javit ´e se odredena pogreˇka εi : c s y(xi ) = yi + εi.4. b). Konvergencija linearnih viˇekoraˇnih metoda s c Kao i kod jednokoraˇnih metoda. . Jasno je da globalna pogreˇka diskretizacije ovisi o lokalnoj pogreˇci diskretis s zacije. . to nije jedini izvor pogreˇke. Dok y0 moˇemo c c odrediti iz poˇetnog uvjeta diferencijalne jednadˇbe. najˇeˇ´e jednokoraˇnom.

gdje je lim εi = 0. y).4.3 Linearna viˇekoraˇna metoda je reda p ako i samo ako je z = 1 s c p-struka nultoˇka funkcije c ρ(z) − σ(z). uz yi = y(xi) + εi. Zbog konzistentnosti metode. c c Korolar 10. Dokaz. Dokaz. b] i za n ∈ N definirajmo h = hn = (x − x0 )/n.4. S yi oznaˇit ´emo c c aproksimaciju dobivenu linearnom viˇekoraˇnom metodom s c yi +α1 yi−1 +· · ·+αr yr = h(β0 fi +β1 fi−1 +· · ·+βr fi−r ). r − 1. . s c Teorem 10. h) = τi = r r 1 y(xi) + αj y(xi−j ) − βj f (xi−j .4. Dokaz ovog teorema je sliˇan dokazu konvergencije jednokoraˇnih metoda.16) i = 0. . c c Neka je y egzaktno rjeˇenje jednadˇbe s z y = f (x.4.15) ln z Prethodni teorem povlaˇi i sljede´i korolar. lokalna pogreˇka h→0 diskretizacije u toˇki xi c τ (xi . Iz teorema slijedi da je metoda konzistentna ako i samo ako je 1 nultoˇka c funkcije (10.4. y(x0 ) = y0 .4 Stabilne i konzistentne linearne viˇekoraˇne metode su konvergents c ne.1 Linearna viˇekoraˇna metoda je konzistentna ako i samo ako je s c ρ(1) = 0 i ρ (1) = σ(1). . .4. (10. .17) .15). n→∞ i = r. f ∈ F1 (a. . Na kraju.ˇ ˇ 10. Fiksirajmo x ∈ [a. z c s c Teorem 10. zbog ρ(z) ln z = lim z=1 ρ(z) ρ (z) = lim = ρ (1) 1 z→1 ln z z→1 z treba vrijediti i ρ (1) − σ(1) = 0. c Uvjet lim εi = 0 znaˇi da postoji funkcija ε(h) takva da je |εi | ≤ ε(h) za n→∞ s i = 0. y(xi−j )) h j=1 j=0 (10. . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 564 Sada moˇemo izre´i teorem o redu viˇekoraˇne metode. b). r +1. . . . pokaˇimo vezu izmedu stabilnosti i konzistentnosti te konvergencije z linearne viˇekoraˇne metode. r − 1 i lim ε(h) = 0. Jednako tako. . Zbog ln 1 = 0 treba vrijediti i ρ(1) = 1.4. (10. .

b] i ∀y ∈ R. .. η)(yk − y(xk )) ≤ M|ek |.16) doz bivamo rekurziju za pogreˇke ei = yi − y(xi ): s ei + α1 ei−1 + · · · + αr er = ci . ∂y te vrijedi |f (xk .. ∂y Iskoristivˇi ovu nejednakost.4.. ⎣. . yk ) − f (xk . . . . . r + 1. ⎢ . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 565 zadovoljava h→0 lim τi = 0..r r j=0 |ei−j | + |h|t(h). y(xk ))| = ∂f (xk . ⎥ . 0 1 0 ⎦ −αr .. |τi | ≤ t(h). . y) ≤ m ∀x ∈ [a. Budu´i da je f ∈ F1 (a. ej+r−1 i matrice ⎡ ⎡ ⎤ ⎥ ⎥ ⎥. . .4. ⎥ A=⎢ ⎥ ⎣ 0 .17) pomnoˇene s h od jednakosti (10. (10. i ci = h j=0 r i = r. . .19) i = 0. (10. ⎥ ⎢. . . . ⎥ ⎦ ⎡ bj = ⎢ ⎥ ∈ Rr . τi moˇemo omediti nekom funkcijom t(h). ⎥ ⎤ 1 0 . . ⎢. (10. . . y(xi−j ))] − hτi . Oduzimanjem jednakosti (10. . postoji konstanta m > 0 takva da je c ∂f (x. . . ⎥ ⎢. ... koja zadovoljava lim t(h) = h→0 0.4.. ⎥ . dobivamo da ci zadovoljava s |ci | ≤ hM gdje je M = m max |βj |. yi−j ) − f (xi−j .. uz ei = εi. .ˇ ˇ 10.4.20) Pomo´u vektora c ej ⎢ ⎢ ej+1 ej = ⎢ . j=0.18) z tj. −α1 0 ⎢ . b). ⎢ ...4. r − 1 βj [f (xi−j . 0 . ⎣0⎦ 1 ⎤ 0 ⎢.

4. 1. . postoji konstanta k > 0 takva da je r−1 1 ej ≤ |ej+i| = ej k i=0 1 ≤ k ej . 1.4. ujedno i svojc s c stveni polinom matrice A. ⎦ εr−1 ⎡ ⎤ ej+1 = Aej + cj+r b. e0 = ⎢ . Uoˇivˇi da je c s |ej+r | ≤ iz nejednakosti (10. . To znaˇi da postoji vektorska norma c na Cr takva da za induciranu vektorsku normu vrijedi A ≤ 1.4.16).21) i ˇinjenice da je s c b ≤k b slijedi da je (1 − |h|Mk 2 ) ej+1 ≤ (1 + |h|Mk 2 ) ej + k|h|t(h). Sada nejednakost (10. .21) Uoˇimo da je polinom ρ. c c svojstvene vrijednosti od A. (10. . tj. Stabilnost metode povlaˇi da su sve nultoˇke od ρ. i e0 ≤ k e0 Za |h| ≤ je 1 − |h|Mk 2 ≥ i 1 2 1 1 = k.19) moˇemo zapisati u ekvivalentnom vektorskom zapisu z ε0 ⎢. 1 2Mk 2 1 + |h|Mk 2 ≤ 1 + 4|h|Mk 2 . ⎣. . .22) ≤ krε(h).20) slijedi da je r i=1 |ej+i| ≤ k ej+1 |cj+r | ≤ |h|Mk( ej + ej+1 ) + |h|t(h). ⎥ ⎥.4.ˇ ˇ 10. Iskoristivˇi vektorski zapis rekurzije (10. (10.4.22) prelazi u j = 0.4. j = 0. a ako su jednake 1 tada su jednostruke.4. Budu´i da su sve norme na Cr c ekvivalentne. 1 − |h|Mk 2 ej+1 ≤ (1 + 4|h|Mk 2 ) ej + 2k|h|t(h). . po apsolutnoj vrijednosti manje od 1. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 566 rekurziju (10. definiran viˇekoraˇnom metodom (10.

3 slijedi da pogreˇka poˇetnih c ˜ s c vrijednosti zadovoljava ˜ |e(xi . uz ε(hn ) = O(hp ). h = hn = (x − x0 )/n. . iz teorema 10.3. . hn ) = O(hp ) n za sve hn = (x − x0 )/n ˇim pogreˇke εi zadovoljavaju c s |εi| ≤ ε(hn ). za x = x0 . takve da je |e(x. n Ovaj korolar ujedno kazuje koju metodu moramo izabrati za odredivanje poˇetc p s s nih vrijednosti y0 . r − 1 Primjenom teorema srednje vrijednosti dobivamo da postoji θ ∈ (0. h)| ≤ |h|p Ni|h|eM i|h| . . M M i = 0. .4. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 567 Iz leme 10. h)| ≤ |h|p N M i|h| −1 eM |xi −x0 | − 1 ˜ e = |h|p N . . krε(h) + t(h) 2Mk 2 tj. h)| = |en | = |yn − y(xn )| ≤ C1 ε(hn ) + C2 t(hn ) za dovoljno veliki n.1 slijedi en ≤ e 4n|h|M k 2 e4n|h|M k − 1 . Dakle. . te f ∈ Fp (a.ˇ ˇ 10. c Korolar 10. b). . Da bismo postigli da se pogreˇka ponaˇa kao O(h ).2 Neka je linearna viˇekoraˇna metoda stabilna i konzistentna reda s c p. yr−1 . Tada globalna pogreˇka diskretizacije zadovoljava s e(x. |hn | ≤ 1/(2Mk 2 ) vrijedi en ≤ e 4M k 2 |x−x0 | krε(hn ) + t(hn ) e4M k 2 |x−x 0| −1 2Mk .4. h) takav da je eM i|h| − 1 = Mi|h|eM iθ ≤ Mi|h|eM i|h| . pa je ˜ |e(xi .23) dobivamo sljede´i korolar. tako se mora ponaˇati i pogreˇka poˇetnih vrijednosti. Konvergencija metode sada slijedi iz ˇinjenice da je c n→∞ (10. . postoje konstante C1 i C2 . nezavisne o h.4. Ukoliko za njihovo odredivanje s s c koristimo jednokoraˇnu metodu reda p. .23) lim ε(hn ) = lim τ (hn ) = 0. n→∞ Iz ocjene (10.3.

. Uz ovakav izbor εi zadovoljili smo uvjet (10. . Promatrajmo diferencijalnu jednadˇbu z y = 0. r − 1. . . Budu´i da je metoda konvergentna. b] neka je yn aproksimacija za y(x) s uz h = (x − a)/n.4. . r − 1.4. .5 Konvergentne linearne viˇekoraˇne metode su stabilne. r − 1. . Izaberimo sada za neke fiksne konstante u0 . εi = hui i = 0.4. s c Dokaz. . te moˇemo izabrati metodu reda p = p − 1 da bi se pogreˇka viˇekoraˇne metode z ˜ s s c ponaˇala kao O(hp ).4.24) ˇim je zadovoljeno c n→∞ lim εi = 0 i = 0.ˇ ˇ 10. Budu´i da je metoda konvergentna. . . Sada vrijedi yi = hui . . vrijedi c c ˜ |e(xi . c s c Teorem 10.4. . . s Sljede´a dva teorema govore o svojstvima konvergentnih viˇekoraˇnih metoda. . vrijedi c 0 = lim yn = lim (hun ) = (x − a) lim n→∞ n→∞ un . i = 0. n→∞ n Tvrdnja teorema sada slijedi direktno iz leme 10. vrijedi c n→∞ lim yn = 0 (10. . Za fiksirani x ∈ [a. . . h)| ≤ |h|p+1 N(r − 1)eM (r−1)|h| . . Sada definirajmo niz yi rekurzivnom formulom yj+r + α1 yj+r−1 + · · · + αr yj = 0 uz poˇetne vrijednosti c yi = εi i = 0. . n = 1. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 568 Kako je za poˇetne vrijednosti r-koraˇne metode 0 ≤ i ≤ r − 1. gdje je niz ui dobiven rekurzijom uj+r + α1 uj+r−1 + · · · + αr uj = 0.24). r − 1. . . . y(a) = 0 s egzaktnim rjeˇenjem y = 0. te neka su zadane poˇetne vrijednosti c y i = εi . . Teorem 10.6 Konvergentne linearne viˇekoraˇne metode su konzistentne. ur−1. 2. . s c .1.

. K = 1. zbog konvergencije metode vrijedi s n→∞ (10. σ(1) ρ (1) za inicijalni problem y = 1. tj. odnosno ρ (1) = σ(1). . Zbog s c konvergentnosti metode. daje niz yj koji zadovoljava c yj+r + αr−1 yj+r−1 + · · · + α0 yj = h(β0 + β1 + · · · + βr ) = hσ(1). . Ve´ smo vidjeli da je C0 = ρ(1) = 0. Zbog konvergencije metode je x = y(x) = lim yn = lim (nhK) = lim (xK) = Kx. . uzevˇi u obzir da je ρ(1) = 0. j = 0. . y(0) = 1 s egzaktnim rjeˇenjem y(x) = 1. .ˇ ˇ 10. 1. Da bismo dokazali da je i C1 = 0. uz ove poˇetne vrijednosti. n→∞ n→∞ n→∞ Dakle. Fiksirajmo sada x i stavimo h = x/n.4. . ˇto znaˇi da je s c metoda konzistentna. uzevˇi u obzir da je y(xj ) = xj = jh. r − 1. . . r − 1. i = 0. Sada direktno iz (10.25) za j → ∞ slijedi C0 = 1 + αr−1 + . gdje je yj+r + αr−1 yj+r−1 + · · · + α0 yj = 0.25) lim yn = y(x) = 1. lagano se moˇe s z s z provjeriti da je yj = jhk za sve j.5 slijedi i njena stabilnost. ρ (1) = 0. y(0) = 0. Uvrˇtavanjem u gornju jednadˇbu. . s c metoda daje vrijednosti yj+r . Stavivˇi h = x/n. . j = 0. pa je λ = 1 jednostruka nultoˇka od ρ. lim εj = 0 za j = 0. Uz poˇetne uvjete c yj = jhK j = 0. Dakle. r − 1. .4.4. . imamo s yj = y(xj ) + εj Oˇito je zadovoljeno c n→∞ uz εj = jh(K − 1). . . s egzaktnim rjeˇenjem y(x) = x. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 569 Dokaz. Metoda. Za poˇetne vrijednosti yi = 1. . . r − 1. te je C1 = ρ (1) − σ(1) = 0. konstanta c K= je dobro definirana. . iskoristit ´emo ˇinjenicu da je metoda konverc c gentna i za inicijalni problem y = 1. . y(0) = 0. Promatrajmo inicijalni problem y = 0. iz teorema 10. . . + α0 = 0. .

. fn+1−k . definiramo vektor c [0] [0] yn = [yn . hfn−1 . yn ) − hf (xn . . dok je korektor zadan s [m+1] yn = yn−1 + ∗ [m] hβ0 f (xn . ∗ β0 j=1 k ∗ Ovdje smo oznaˇili βk = 0. yn )] yn za m = 1. yn ) k−1 +h j=1 ∗ βj fn−j . . Sada vrijedi [0] yn = Byn−1 (10. . Oduzimanjem dviju uzastopnih aproksimacija dobivamo [m+1] [m] ∗ [m] [m−1] − yn = β0 [hf (xn . .5.5. . Uz oznaku c ∗ βj − βj δj = ∗ β0 k i dn = j=1 hδj fn−j .ˇ ˇ 10. yn )+h ∗ (βj −βj )fn−j j=1 k = ∗ β0 [0] hf (xn . M − 1. . .1) . yn )−h ∗ βj − βj hfn−j . dok za m = 0 slijedi [1] [0] yn −yn = ∗ [0] hβ0 f (xn . . . Sliˇno kao i vektor yn . fn . hfn−1 . yn ) − dn ]. . . hfn . . . ovim metodama moramo pristupiti na drugi naˇin. . . Gearova metoda Dosada razmatrane formule za viˇekoraˇne metode zasnivale su se na ekvis c distantnom izboru koraka h. . Ako ˇelimo razviti metodu koja ´e imati mogu´nost z c c promjene koraka integracije tijekom izvodenja algoritma. . hfn+1−k ]T . dn . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 570 10. Ideju ´emo prikazati na Adams–Bashforth–Moultonovim c c (ABM) metodama. z c Uoˇimo da kod k-koraˇnih Adams–Bashforth–Moultonovih metoda za raˇunac c c s nje yi+1 trebamo poznavati (pamtiti) prijaˇnje vrijednosti yn . m = 0. moˇemo pisati z [1] [0] ∗ [0] yn − yn = β0 [hf (xn . . a ista se moˇe poop´iti i na druge metode. Ovih k + 1 vrijednosti moˇemo zapamtiti u vektoru yn : z yn = [yn . hfn+1−k ]T . . M − 1. Prediktor u ABM-metodi raˇunamo prema c k [0] yn = yn−1 + h j=1 βj fn−j .

. za m = 1. i = 1. u1. . . . .5. . . hfn+1−k ]T yn = [yn .4) i (10.4) Definirajmo polinom Q(x) = x P (z) dz + yn−1.5) Zbog Q (x) = P (x) izlazi Q (xn−i ) = fn−i .. hfn−1 . m = 0. uk ]T ) = hf (xn . m = 0. yn ). 0]T ..2) gdje je ∗ c = [β0 . M.. 0 . ⎡ β1 δ1 1 . .3) Za izvod Adams–Bashforthove metode iskoristili smo interpolacijski polinom c P koji interpolira vrijednosti fn−i u toˇkama xn−i za i = 1. yn i funkciju [m] F (yn ) = [m] [m−1] hf (xn .. . . ⎥ . ⎦ ⎤ 0 . 1. . . ⎥ . 0. . yn − dn . .. k te definirali metodu pomo´u c xn yn − yn−1 = xn−1 P (x) dx. k. . .. .5. . . . [m] Uoˇimo da funkcija F koristi samo prve dvije komponente vektora yn : c F ([u0 .. yn ) − hf (xn .5. βk ⎥ δk ⎥ ⎥ 0 ⎥. . .. te iz (10. . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 571 gdje je 1 ⎢ ⎢0 ⎢ ⎢ B = ⎢0 ⎢. ⎥ . . M definiramo vektor 1 0 [m] [m] [m−1] . u0 ) − u1 . . .. . Sada je [m+1] [m] [m] yn = yn + cF (yn ). .5. M − 1.... (10. .5. ⎣. xn−1 (10. (10. . . ⎢. (10. . . Za yn odabrat ´emo zadnju iteraciju: c [M yn = yn ] .5. m = 1.ˇ ˇ 10. . . . . . hf (xn .. . [0] hf (xn . . . . 0 Nadalje...5) slijedi Q(xn−1 ) = yn−1 i Q(xn ) = yn .

. .. n [m+1] [m] [m] = zn + DcF (D−1zn ..2) i (10. pa vrijedi F (yn ) = F (D−1zn ) = F (zn ). zn = z[M ] . .5.5. Razvojem polinoma Q u Taylorov c red oko toˇke xn−1 dobivamo c Q(x) = Q(i) (xn−1 ) (x − xn−1 )i = i! i=0 k hi (i) x − xn−1 Q (xn−1 ) h i=0 i! k i . ⎥ ⎥ ⎥ ⎥ ⎦ Matrica P je gornjotrokutasta matrica ˇiji su elementi binomni koeficijenti: c 1 1 1 1 2 1 1 3 3 1 1 4 6 4 1 . . hk 1! 2! k! T . gdje je D regularna matrica koja ne ovisi o izboru koraka i n. . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 572 Oˇito da iz vektora yn moˇemo jednoznaˇno odrediti polinom Q. . [m] [m] [m] m = 0. iz polic z c noma Q i lagano i jednoznaˇno odredujemo yn . M. Koeficijente polinoma Q moˇemo zapisati vektorom zn−1 : z zn−1 = Q(xn−1 ). .. h Q(k) (xn−1 ) Q (xn−1 ) 2 Q (xn−1 ) . . . n S P oznaˇimo matricu c P = DBD−1 .. korak viˇekoraˇne metode zadan s (10.h ..ˇ ˇ 10. . (10. Oznaˇivˇi joˇ s zn−1 : c s s yn−1 = Dzn−1 . .. Vaˇnost ovoga zapisa je u tome ˇto su yn−1 i zn−1 linearno povezani i vrijedi: z s yn−1 = Dzn−1 . . .3) moˇemo pisati u obliku s c z z[0] = DBD−1 zn−1 .1).5.. 1 k ⎥ ⎥ P= 1 Primijetimo da su prve dvije komponente vektora yn i zn .. M − 1. i obratno. ... zn m = 0. . . .. . odnosno yn−1 i zn−1 jednake: Q(xn−1 ) = yn−1 i hQ (xn−1 ) = hfn−1 . ⎡ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎤ ⎥ ⎥ ⎥ ⎥ ⎥. . Funkcija F ovisi samo o prva dva elementa vektora yn−1 .

. .5. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 573 Oznaˇimo joˇ s c s l = Dc. Iteracije korektora moˇemo napisati u obliku z [M zn = z[0] + [F (z[0] ) + · · · + F (zn −1] )]l. n [m+1] [m] [m] zn = zn + F (zn )l. dovoljno je tijekom iteracija c raˇunati samo njih. n (10.5. .9) Koeficijenti vektora l za Adams–Bashforth–Moultonovu metodu dani su u sljede´oj c tablici. zn = z[M ] . Red metode (k) 1 l0 l1 l2 l3 l4 l5 l6 1 1 2 1 2 1 1 2 3 5 12 1 3 4 1 6 4 3 8 1 11 12 1 3 1 24 5 251 720 1 25 24 35 72 5 48 1 120 6 95 288 1 137 120 5 24 17 96 1 40 1 720 Znaˇajno je napomenuti da prediktor-korektor par izveden iz formula za derivic ranje ima isti matriˇni prikaz s istom matricom P i funkcijom F . jedino se razlikuju c .ˇ ˇ 10. .6) (10. i viˇekoraˇnu metodu moˇemo pisati u obliku s c z z[0] = Pzn−1.8) m = 0.5. n n [m] Budu´i da F koristi prve dvije komponente od zn . n (10.5.7) (10. M − 1. Uz oznaku c [M en = F (z[0] ) + · · · + F (zn −1] ) n prethodna relacija postaje zn = z[0] + en l.

c s c c Za korak integracije h vektor zn je oblika h hk zn = Q(xn ). Q (xn ) . Za prijelaz na z s metodu s jednim korakom viˇe u odgovaraju´em vektoru s c h hk hk+1 ¯ ¯ zn = Q(xn ). . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 574 vektori l. . . Q (xn ) . . . Q(k−1) (xn ) z 1! (k − 1)! T . Q(k) (xn ) 1! k! T T . z Za (k − 1)-koraˇnu metodu vektor zn je oblika c h hk−1 ¯n = Q(xn ). . te ga moˇemo dobiti iz vektora zn ispuˇtanjem zadnje komponente. ali u k razliˇitih toˇaka. . .ˇ ˇ 10. Q(k) (xn ) 1! k! Analogno. . Odavde se jasno vidi da za prijelaz s koraka h na korak αh treba i-tu komponentu vektora zn pomnoˇiti s αi . . Q(k) (xn ) . . Q (xn ) z αh (αh)k . . Q(k+1) (xn ) 1! k! (k + 1)! T . c Red metode (k) 1 l0 l1 l2 l3 l4 l5 l6 1 1 2 2 3 1 1 3 3 6 11 1 6 11 1 11 4 12 25 1 7 10 1 5 1 50 5 60 137 1 225 274 85 274 15 274 1 274 6 60 147 1 406 441 245 588 175 1764 7 558 1 1764 Vaˇnost ovog prikaza je u tome da vektor zn ˇuva k + 1 informaciju u jednoj jedinoj z c toˇki. . dok prijaˇnji prikaz koristi isti broj informacija. . Sljede´a tablica prikazuje koeficijente vektora l za BDF metodu. . . za korak αh imali bismo ¯n = Q(xn ). . Q (xn ) .

k = en lk gdje smo iskoristili prikaz (10. Tada iteracije konvergiraju samo ako je korak integracije h dovoljno malen. Da bi se prevladao ovaj problem. jedc c nadˇbu (10.k − zn−1. ∂z ∂y Raˇunanje W -a zahtijeva relativno mnogo raˇunanja tako da se radi ubrzanja u c c iteracijama koristi W izraˇunat u prvoj iteraciji. Joˇ nam je ostalo za razmotriti izbor veliˇine koraka i reda metode. Ujedno je i rijeˇen problem poˇetnih vrijednosti. − h k! k! h (k+1) Uoˇimo da su zbog oblika matrice P zadnje komponente vektora zn−1 i z[0] jednake. .5. U sluˇaju da nije zadovoljen kriterij c c konvergencije. odnosno reda c metode. . Medutim. Sada c ¯ ¯ za aproksimaciju zadnje komponente vektora zn moˇemo iskoristiti z hk+1 en lk Q(k+1) (xn ) = . c W = − .5. y0 )]T . ali i pove´anje ili smanjenje broja koraka. Problem se javlja kod krutih sustava. M − 1. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 575 treba aproksimirati zadnju komponentu. Koriste´i podijeljene razlike unazad dobic vamo Q (k+1) y (k) (xn ) − y (k) (xn−1 ) (xn ) ≈ y (xn ) ≈ h k! hk y (k) (xn ) hk y (k)(xn−1 ) k! ≈ k+1 ≈ k+1 (zn.10) F (zn )l = 0. W se ponovno raˇuna. Dovoljno je poˇeti integraciju s c c s jednokoraˇnom metodom i vektorom c z0 = [y0 .k − zn. .5. m = 0. s c Iteracije korektora u (10. nerealno smanjenje koraka integracije znaˇajno pove´ava broj koraka integracije. c n te vrijedi [0] zn. (k + 1)! k+1 Ovime smo pokazali da ovakav prikaz viˇekoraˇnih metoda omogu´ava laganu pros c c mjenu koraka integracije.11) gdje je ∂f −1 ∂F [m] −1 zn l = l1 − hl0 .ˇ ˇ 10. hf (x0 .k = zn.k − zn−1.10) moˇemo rjeˇavati Newtonovom metodom umjesto jednostavnim z z s iteracijama: [m+1] [m] [m] zn = zn + W F (zn )l.9) i s lk oznaˇili zadnju komponentu vektora l. . (10.5.k ).7) nisu niˇta drugo nego metoda jednostavnih its eracija za rjeˇavanje jednadˇbe s z (10.5.

5.14) moˇemo napisati u obliku z hk+1 y (k+1) (xn ) ≈ k!en lk . ∗ pri ˇemu je za Adamsove metode ck+1 = γk a za BDF metode je ck+1 = 1/(k + 1). Koriste´i ove aproksimacije. y∞ Uz oznake D2 = |en | y∞ i E2 = ε .5. Sada zbog (10. i jer matrica P ne mijenja zadnju komponentu vektora zn−1 .k ). k! k! (10. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 576 Apsolutna pogreˇka metode dana je s s ck+1 hk+1 y (k+1)(xn ) + O(hk+2 ).5.16) (10. nejednakost (10.12) zamjenjujemo s c ck+1 |en | |lk |k! ≤ ε.k − zn−1.5.13) Vrijednost k! prelazi u hk+1 y (k+1) (xn ) ≈ k!(zn. slijedi da je zn. h hk (k) y (xn ) nalazi se u zadnjoj komponenti zn.14) Budu´i da je c 0 z[n ] = Pzn−1.k vektora zn .5.15) [0] . ck+1 |lk |k! (10.5.k = zn−1.5. c Ako ˇelimo da nam relativna toˇnost n-tog koraka bude manja od unaprijed zadane z c vrijednosti ε.9) relaciju (10.k .5.5. (10.12) Za aproksimaciju y (k+1)(xn ) koristimo straˇnje diferencije z y (k+1) (xn ) ≈ Odavde slijedi hk+1 y (k+1) (xn ) ≈ k! hk (k) hk y (xn ) − y (k) (xn−1 ) .ˇ ˇ 10. y∞ gdje je y∞ = max |yi|. 0≤i≤ (10.13) y (k)(xn ) − y (k)(xn−1 ) . tada moramo zahtijevati ck+1 hk+1 |y (k+1)(xn )| ≤ ε. te (10.

dobivamo s hk+2 y (k+2) (xn ) ≈ (en − en−1 )lk k!. y∞ Iskoristivˇi aproksimaciju s hk y (k) (xn ) ≈ k!zn.k . Da smo u n-tom koraku koristili metodu jednog reda manju. dakle reda k − 1. y∞ Aproksimiraju´i y (k+2)(xn ) podijeljenim razlikama unazad: c hk+2 y (k+2) (xn ) ≈ hk+1 y (k+1) (xn ) − hk+1 |y (k+1)(xn−1 ) te iskoristivˇi (10.5.k |k! ≤ ε. (10.18) Sliˇno razmatranje moˇemo provesti i za sluˇaj da smo koristili za jedan red c z c ve´u metodu. nismo postigli traˇenu toˇnost.5.5. analogan zahtjev na relativnu pogreˇku glasio bi s ck hk |y (k)(xn )| ≤ ε. p2 . ali s manjim korakom integracije: h2 = gdje je D2 p2 = 1. nejednakost (10. pri ˇemu je c D1 = |zn.2 E2 1 k+1 h .5.19) .5.k | y∞ i E1 = ε . Zahtjev na relativnu pogreˇku glasio bi c s ck+2 hk+2 |y (k+2) (xn )| ≤ ε.16) moˇemo zapisati u obliku z D2 ≤ E2 . ck k! (10.ˇ ˇ 10.18) zamjenjujemo s ck |zn. (10.17) Ukoliko gornji uvjet nije zadovoljen. zadnji korak z c se ponavlja. tj. dakle reda k + 1.15). OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 577 kriterij (10.5. y∞ odnosno D1 ≤ E1 .

4 D3 E3 1 k+2 .3 i 1.2.17) prelazi se na izbor reda metode i koraka h u novom.3 D1 E1 1 k i p3 = 1.4 kod raˇunanja konstanti p2 .5. Red metode se ne mijenja c ako je p2 najmanja konstanta. p1 i p3 su teˇine kojima dajemo c z prednost na mijenjanju i smanjivanju reda metode. pi Faktori 1. Ako je u n-tom koraku zadovoljen uvjet konvergencije (10.19) zamjenjujemo s D3 ≤ E3 . pri izboru reda i koraka raˇunaju se i konstante c p1 = 1. Za novi korak integracije uzima se hi = h . Uz konstantu p2 . Ukoliko je p1 najmanja konstanta. (n + 1)-om koraku.5. 1.ˇ ˇ 10. . tada se red metode smanjuje za jedan. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 578 Uz oznake D3 = |en − en−1 | y∞ i E3 = ε . ck+2 k!|lk | nejednakost (10. dok se red metode pove´ava za jedan ako je p3 najmanja konstanta.

nikada sa sigurnoˇ´u ne´emo mo´i ustvrditi da c s s sc c c je to globalni minimum jer je nemogu´e provjeriti vrijednosti funkcije na cijelom c neograniˇenom podruˇju.1). cilj je na´i x∗ . Funkcija nam je poznata. ˇto brˇe postupke. tj.1. Zamislimo da je naˇa funkcije f nadmorska visina. u smislu da moˇemo z c z dobiti njezinu vrijednost u bilo kojoj toˇki (npr. Optimizacija 11. odnosno njena c c s c c analitiˇka svojstva. Naˇavˇi jedan minimum. Ne poznaju´i funkciju f . odnosno c s dubina pojedine toˇke na zemljinoj kugli. Medutim.11. potuno analogan problem je nalaˇenja maksimuma funkcije f . Koliko god gusto mjerili dubinu. jer bismo c c teˇko izvrˇili toliko mjerenja u nekom razumnom vremenu. Jedno rjeˇenje je ‘beskonaˇno’ mjerenje s c dubina u nizu gusto izabranih toˇaka. c c Iako smo rekli da je cilj optimizacije rijeˇiti problem (11. s s Cilj optimizacije je definirati prikladne. Drugi je problem vezan uz detekciju globalnog minimuma. nije nam c dostupna niti jedna dodatna informacija.1. na´i minimum s c funkcije f . Ovaj postupak oˇito nije prikladan.1) vezan je uz traˇenje minimuma na neograniˇenom poz c druˇju.1) Iako je problem jednostavno opisati. n x∈Ê (11. z traˇenje maksimuma od f ekvivalentno je traˇenju minimuma funkcije −f : z z max f (x) = min −f (x). Naime. ehosonderom). za rjeˇavanje s z s ovog tipa problema. OPTIMIZACIJA OPTIMIZACIJA – 579 11. n n x∈Ê x∈Ê . njegovo rjeˇavanje je jedno od najteˇih podruˇja s z c numeriˇke analize. tj. Za zadc n c c danu funkciju f : R → R. uvijek nam ostaje nepoznata dubina izmedu dvije susjedne toˇke mjerenja. Uvod u optimizaciju Problem koji prouˇava optimizacija relativno je jednostavno opisati. Na´i minimum ove funkcije je zapravo c c traˇenje najve´e morske dubine. Na ovom primjeru uoˇimo joˇ neke probleme s kojima ´emo c s c se susretati. Generalni probc c s lem optimizacije (11. Ovdje je ipak podruˇje promatranja bilo ograniˇeno povrˇinom Zemljine kugle. ne moˇemo re´i da li izmedu njih postoji joˇ neka toˇka ve´e c z c dubine.1.1. toˇku minimuma funkcije f : x∗ = arg min f (x).

tj. ˇ Cesto se minimum funkcije f ne traˇi na cijelom podruˇju Rn .2) x∈D U tom sluˇaju govorimo o problemu minimizacije s ograniˇenjima. Za c ove probleme su razvijene posebne metode koje ovdje ne´emo opisati. Ako je D presjek poluravnina u Rn . b]. (11.11. Iako ovaj c c problem izgleda jednostavniji (zbog manjeg podruˇja minimizacije). minimum c c se nalazi u intervalu [b.1. U praksi se ˇesto javlja problem (11. Npr. c 11. U suprotnom sluˇaju. Izaberimo novu toˇku x iz intervala [a. c U tom sluˇaju znamo da se toˇka lokalnog minimuma nalazi u intervalu [a.1. Postoje dvije mogu´nosti: f (x) ≥ f (b) ili je f (x) < f (b). x). Neka je w omjer u kojem b dijeli interval [a. a i c c b omeduju toˇku minimuma. OPTIMIZACIJA OPTIMIZACIJA – 580 To je razlog ˇto se ˇesto umjesto termina optimizacija ravnopravno koristi termin s c minimizacija funkcija. b] tada je minimum z funkcije f jednak 0 ako je 0 ∈ [a. Opisani postupak je c osnova metode zlatnog reza. Preostalo je joˇ za razmotriti naˇin izbora nove toˇke s c c x. c c Ako je f (x) ≥ f (b) tada se minimum nalazi u intervalu [a.. f (b)} ako 0 ∈ [a. b. u razma/ tranje smo trebali uzeti i rubove intervala. c−a . Pretpostavit c c ´emo da je x ∈ (b. c] i novu toˇku biramo iz trojke (b. ako traˇimo minimimum na intervalu [a. a f je linearna funkcija tada govorimo o problemu linearnog programiranja. b]. tj. U narednim c potpoglavljima su obradene osnovne metode za rjeˇavanje problema minimizacije s bez ograniˇenja. x] (jer je f (b) ≤ f (a) i f (b) ≤ f (x)) i novu toˇku biramo iz trojke (a. Metoda zlatnog reza Prvu minimizacijsku metodu opisat ´emo za problem minimizacije realne funkc cije realne varijable (f : R → R). Razlog leˇi u ˇinjenici s z z c da uz funkciju f moramo voditi raˇuna i o rubu podruˇja D (ˇesto definiranog c c c 2 pomo´u skupa funkcija). vrijednost funkcije f je najmanja u srednjoj toˇki b).2. c]: w= b−a c−a i c−b = 1 − w. b].2) s posebnim oblikom funkcije f i skupa c D. f (b) i f (c)) koje zadovoljavaju f (b) ≤ f (a) i f (b) ≤ f (c) (tj. Neka su zadane tri toˇke a < b < c te neka c su poznate vrijednosti funkcije f u njima (f (a). c). c).1. metode za njec govo rjeˇavanje su sloˇenije nego za polazni problem (11. jasno je da funkcija f (x) = x ima globalni minic mum u 0. ve´ na nekom z c c n: podskupu D ⊂ R min f (x). b] ili min{f (a).1). Ukoliko je f kvadratiˇna funkcija (polic nom) tada se ovaj problem naziva problem kvadratiˇnog programiranja. x. Medutim.

38197.2. c]. z+w = Ovime dobijemo uvjet z = 1 − 2w (11. z z .1).11. Prvi zahtjev koji ´emo s c postaviti je da i u jednom i u drugom sluˇaju ˇirina intervala bude jednaka: c s z= x − a = c − b. c−a Uoˇimo da je za f (x) ≥ f (b) minimum lociran na intervalu ˇirine x − a. b(0) i c(0) zadovoljavaju c √ 3− 5 b(0) − a(0) =w= c(0) − a(0) 2 odakle slijedi x−a c−b x−b+b−a = = = 1 − w.1) koji znaˇi da su toˇke x i b smjeˇtene simetriˇno s obzirom na srediˇte intervala c c s c s [a.2. Od dva rjeˇenja gornje jednadˇbe zanima nas ono koje je manje od 1 (jer je w omjer s z ˇirine manjeg i ve´eg intervala): s c √ 3− 5 w= ≈ 0. Opisani postupak moˇemo sada saˇeto zapisati. Algoritam za metodu zlatnog reza. Ovaj uvjet daje jednadˇbu s z c−x c−b = . 2 Gornji je broj poznat kao zlatni broj pa se metoda s ovakvim izborom nove toˇke x c naziva metodom zlatnog reza. Neka toˇke a(0) . 1−w Iskoristivˇi ˇinjenicu da je z = 1 − 2w (11. tj. sredivanjem gornjeg izraza dobivamo s c 1−w =1− w 2 − 3w + 1 = 0. OPTIMIZACIJA OPTIMIZACIJA – 581 x−b . c−a c−b z . b]. c−a c−a c−a te sa z oznaˇimo c te f (b(0) ) ≤ f (a(0) ) i f (b(0) ) ≤ f (c(0) ). Povoljnim izborom poˇetne toˇke b moˇemo posti´i da x dijeli interval [b. c] u c c z c istom omjeru kao ˇto b dijeli interval [a. dok je c s za f (x) < f (b) minimum lociran na intervalu ˇirine c − b.

Odredimo x(i) = c(i) + a(i) − b(i) . Viˇedimenzionalna minimizacija s Ovdje ´emo promatrati metode koje minimiziraju funkciju f : Rn → R: c x∈Ên min f (x). U suprotnom sluˇaju ponovimo postupak s toˇkama a i c s z c c (ili b i c).3. . x2 . no lim xi z i i ne postoji. Na primjer. inaˇe c a(i+1) = a(i) . i = i + 1 6. 4. Ako je f (x(i) ) < f (b(i) ) tada a(i+1) = b(i) . KRAJ. za koje je f (x0 ) > f (x1 ) > f (x2 ) > · · ·. Ukoliko je f (b) ≤ f (c) naˇli smo traˇenu trojku. OPTIMIZACIJA OPTIMIZACIJA – 582 1. No. Bez smanjenja op´enitosti pretpostavimo da je f (a) ≥ f (b). c(i+1) = x(i) . 3. (11. lim xi u tom sluˇaju ne treba nuˇno postojati. . c(i+1) = c(i) . traˇimo toˇku xi+1 ∈ R za koju je f (xi+1 ) < f (xi ). b(i+1) = b(i)