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

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

1. tada je f (x) = pn (x) + Rn+1 (x). Ako su x. Izvod relacija (1.1. polaze´i c od identiteta x f (x) = f (x0 ) + x0 f (t) dt. + (−1)n (2n + 1)! ex = 1 + x + (1. dobivamo naˇin s c izraˇunavanja vrijednosti funkcije f u danoj toˇki x.1. b]. 2 n! (n + 1)! x2 x4 x2n cos(x) = 1 − + − · · · + (−1)n 2! 4! (2n)! 2n+2 x cos(ξx ). Uz pomo´ Taylorovog reda lako se dobivaju poznate formule: c xn xn+1 ξx x2 +···+ + e .3) za neki ξ izmedu x0 i x.5) (1.3) koristi n puta parcijalno integriranje.2) (1.6) . Ako je f beskonaˇc c n c c no puta derivabilna. polinom pn prelazi u red potencija.1. Dokaz. Rn+1 (x) = n! x (n + 1)! 0 (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) . x0 ∈ [a. Puni dokaz se moˇe na´i u ve´ini knjiga iz elementarne analize. 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.4) (1. Kako se c vrijednost polinoma odreduje koriˇtenjem Hornerovog algoritma. na segmentu [a. + (−1)n+1 (2n + 2)! x3 x5 x2n−1 sin(x) = x − + − · · · + (−1)n−1 3! 5! (2n − 1)! 2n+1 x sin(ξx ). Polinom pn se naziva Taylorov razvoj funkcije f u toˇki x0 .1.1)–(1.1. s op´im ˇlanom (x − x0 ) . n + 1 > 0.4 (Taylorov teorem) Neka funkcija f ima neprekidne derivacije do reda n + 1. (x − x0 ) (x − x0 )2 pn (x) = f (x0 ) + f (x0 ) + f (x0 ) + · · · 1! 2! (x − x0 )n (n) f (x0 ). a zove se Taylorov red.1) (1. + n! x 1 (x − x0 )n+1 (n+1) f (x − t)n f (n+1) (t) dt = (ξ). b].1. Teorem 1.1. ona mora biti dovoljno glatka. Da bismo mogli koristiti taj c c pristup u aproksimaciji funkcije.1.1.

ne trebamo ograniˇiti x jer c c pripadni redovi konvergiraju apsolutno za svaki x. (1.7) pri ˇemu je c α α(α − 1) · · · (α − k + 1) . Iako su formule (1. formula (1.1.1. cos(x) i sin(x). c z c Primjer 1.8) Prikaˇemo li razlomak na desnoj strani kao razliku razlomaka. U svim sluˇajevima nepoznata toˇka ξx smjeˇtena je c c s izmedu 0 i x.1. 1−x (1. 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 + . .1.1. moˇemo se koristiti ve´ dobivenim razvojima.1.1.3) vrlo korisne za dobivanje razvoja funkcije f oko toˇke x0 . Kad s pustimo da n proizvoljno raste i ako je x iz (−1. zapis razvoja (1. (1 + ξx )n+1−α (1.4). 3. 1).1. 2! (n + 1)! . 1−x 1−x x = 1. U takvim sluˇajevima. umjesto x.1. 2. c 2 x4 x2n+2 ξx − · · · + (−1)n+1 e . za proizvoljni realni broj α.7) uz α = −1 i −x umjesto x. ˇesto puta raˇunanje viˇih derivacija predstavlja problem zbog sloˇenosti c c c s z raˇunanja.9) ˇto je drugi. dobivamo 1 xn+1 = 1 + x + x2 + · · · + xn + . Sjetimo se formule za n-tu parcijalnu sumu geometrijskog reda 1 + x + x2 + · · · + xn = 1 − xn+1 . c c z c Sljede´i primjeri pokazuju kako se to moˇe naˇiniti.9) prelazi u 1 = 1 + x + x2 + · · · + xn + · · · .1.1)–(1. uvrstimo −x2 . 1−x |x| < 1. moˇemo se koristiti razvojem (1. u koji. (1. z e−x = 1 − x2 + pri ˇemu je −x2 ≤ ξx ≤ 0. . = k! k k = 1. .1 Da bismo dobili razvoj funkcije f (x) = e−x 2 oko 0.1.10) Kad isto naˇinimo u formulama za ex . jednostavniji. te dio s potencijom z xn+1 prebacimo na drugu stranu jednakosti.

x1 ] = f (x1 ) − f (x0 ) x1 − x0 i f [x0 . c ali se moˇe dovesti i na jednostavniji oblik. moˇe se pokazati da je t → ξxt z z neprekidna funkcija.1.6)).1. Veliˇine z c c f [x0 . 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. Koriˇtenjem razvoja funkcije sin u Taylorov red oko nule (vidi relaciju (1.4 Neka su x0 . Primjer 1.11) .3 Neka je f (x) = 0 sin(xt) dt.1. c Primjer 1. x2 ] = f [x1 . Naime.1. (2j)! (2n + 2)! ξx izmedu 0 i x. moˇemo se koristiti razvojem (1. x1 . 0 pri ˇemu je ξxt izmedu 0 i xt. 2 1 + t2 2n + 3 1 + ξx 1 ξx izmedu 0 i x. umjesto x.1. x]. z t2n+2 1 = 1 − t2 + t4 − · · · + (−1)n t2n + (−1)n+1 . uvrstimo −t2 . u koji. x1 .1.2 Da bismo dobili razvoj funkcije f (x) = arctg(x) oko 0.1. x2 razliˇiti realni brojevi i f realna funkcija definirana na intervalu koji sadrˇi te toˇke. 1 + t2 1 + t2 Integriranjem po t na intervalu [0. 1 + t2 0 1 t2n+2 x2n+3 · dt = .9). 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 ). x2 ] − f [x0 . UVODNI DIO UVODNI DIO – 5 Primjer 1. Integral u ostatku se jednostavno ocijeni s 1/(2n + 2). 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. x1 ] x2 − x0 (1.

Kasnije ´emo pokazati c op´a svojstva podijeljenih razlika proizvoljnog reda. y1 ) c segment izmedu tih dviju toˇaka). x2 ] = s f [xi . 1. +η ∂x ∂y . UVODNI DIO UVODNI DIO – 6 zovu se podijeljene razlike prvog i drugog reda od f . y0 + η). Ako je f jedanput odnosno dvaput diferencijabilna na odgovaraju´em intervalu.1. par realnih brojeva (x. Neka je sada f realna funkcija dviju varijabli. x0 + ξ. y) (1. y0 . y0 ) + + ∂ j 1 ∂ +η ξ f (x. Pritom je (x0 + θξ. 2). x1 . j. Pokuˇajte pokazati da je f [x0 . y) (apscisa te toˇke ima c c c vrijednost x. c Prva tvrdnja lako slijedi iz teorema o srednjoj vrijednosti. y0 ).1. x2 ] = 1 f (η). 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 . y) ∂ 2 f (x.12) pri ˇemu je ξ izmedu x0 i x1 . Prvo se prisjetimo znaˇenja oznake c ξ ∂ 2 f (x. 2 (1.5 Neka su (x0 . a ordinata ima vrijednost y). x1 ] = f [x1 . ali z s nam to za potrebe ove knjige ne´e trebati. y0 ) i (x0 + ξ. y) ∂ 2 f (x. xk ] za bilo koju permutaciju i. y0 . a η izmedu minimuma i maksimuma skupa {x0 . x0 + ξ. +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.13) za neki 0 ≤ θ ≤ 1. y) pridruˇiti toˇno z z c jednu toˇku u Kartezijevoj ravnini koju oznaˇimo s (x. y1 ) skup svih toˇaka na pravcu koji prolazi toˇkama c c c c c z (x0 . moˇe se pokazati da je c z f [x0 . x1 . x1 ] = f (ξ). y) se poistovje´uje s toˇkom ravnine. Tada je f (x0 + ξ. y0. Dokaz. x1 . f : R2 → R. y0) i (x1 . y). y0 + θη) nepoznata toˇka na segmentu c L(x0 . c Jasno. a time i drugu tvrdnju. moˇemo svakom paru realnih brojeva (x. x2 }. y) u okolini toˇke (x0 . c odmah se vidi da je f [x0 . a nalaze se izmede tih toˇaka (kra´e kaˇemo da je L(x0 . x1 . y) = ξ 2 + 2ξη . c Teorem 1. f [x0 . xj . c c Postoji generalizacija Taylorovog teorema za f (x. Koriste´i Kartezijev c koordinatni sustav Oxy. i taj teorem se moˇe dalje generalizirati za funkcije od tri i viˇe varijabli. y) ∂ ∂ 2 f (x. Kako vrijedi i obrat. k niza (0. y0 + η) = f (x0 .1. c Oznaˇimo s L(x0 . x1 . y0. 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. Takoder. x0 ].1. y1 ). y0 + η).

1) ∂f (2.1.1. Naime.1. y0 + tη). pa je F (1) = f (0) + F (n) (0) F (n+1) (θ) F (0) +···+ + 1! n! (n + 1)! za neki 0 ≤ θ ≤ 1. t ∈ [0. 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 . s c c Primjer 1. 1. Za c prvu derivaciju vrijedi F (t) = ξ ∂f (x0 + tξ. β) blizu (2. 1]. β) na segmentu L(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 . y) blizu (2. y) ∂ 2 f (x. tada je c segment L(2. y0) i F (1) = f (x0 + ξ. Uoˇimo da je F (0) = f (x0 . c Imamo ξ = x − 2. x. ∂f (2. 2).4. 1. 1) do ukljuˇivo ˇlana odredenog s n = 1. y0 + tη) +η ∂x ∂y ∂ ∂ +η f (x. β β gdje je toˇka (α. 1) + ξ +η y ∂x ∂y 2 1 2 ∂ f (x. 1) i vrijedi x ≈ x − 2y + 2. 1) x = f (2. y0 + η). = ξ 0 ∂x ∂y y=y0 +tη Derivacije viˇeg reda se dobiju na sliˇan naˇin. 1. Ako je (x. y.13) baziran je na Taylorovom teoremu za funkciju jedne varijable F (t) = f (x0 + tξ. y0 + tη) ∂f (x0 + tξ. 1). y) x=x +tξ . y) kratak pa je i (α. y Graf funkcije z = x − 2y + 2 je ravnina tangencijalna na graf funkcije z = x/y u toˇki (x. y) = x y c c oko toˇke (x0 .1. y) ∂ 2 f (x. c . F zadovoljava uvjete teorema 1. η = y − 1. y0 ). c Dokaz relacije (1. x. z) = (2.5 Odredimo razvoj funkcije f (x. y0) = (2. y).

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

c z Najpoznatije norme su euklidska (ili 2-norma). skup c C[a. 1≤i≤n = max |ai |. t ∈ [a. |a| je vektor ˇije komponente su nenegativni realni brojevi. z Ista svojstva koja imaju skupovi Rn i Cn zajedno s operacijama zbrajanja i mnoˇenja skalarom mogu imati i drugaˇiji skupovi. norma beskonaˇno i norma c n n jedan. a i b su vektori. = |a1 | + |a2 | + · · · + |an |. pozitivna c homogenost i nejednakost trokuta) koja funkciju · ˇine normom. (ii) |αa| = |α| |a|. definitnost. b] = {f | f realna i neprekidna funkcija definirana na [a. t ∈ [a. UVODNI DIO UVODNI DIO – 9 Za realni ili kompleksni vektor a = [ai ]. 1 ≤ p ≤ ∞. Npr. (iii) |a + b| ≤ |a| + |b|. Za a ∈ C (ili R ) je a a a 2 ∞ 1 = |a1 |2 + |a2 |2 + · · · + |an |2 . b] . (iv) a + b ≤ a + b za sve vektore a i b. b]} s operacijom zbrajanja funkcija: (f + g)(t) = f (t) + g(t). i mnoˇenja funkcija realnim brojem: z (αf )(t) = αf (t). c (iii) αa = |α| a za sve vektore a i skalare α. b]. Malo op´enitije su tzv. α je skalar. pa zato vrijede sljede´a jednostavna c c svojstva: (i) |a| = 0 ako i samo ako je a = 0.1. Sliˇna svojstva ima i funkcija norma koja svakom vektoru pridruˇuje broj. Dakle. pri ˇemu je 0 nul-vektor. c (i) a ≥ 0 za sve vektore a. p-norme c a p = p |a1 |p + · · · + |an |p . (ii) a = 0 ako i samo ako je a = 0. Sve te norme zadovoljavaju ˇetiri svojstva (nenegativnost. a a vektor. oznaka |a| = [ |ai | ] oznaˇava apsoc lutnu vrijednost vektora po komponentama vektora a.

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

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

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

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

U daljem tekstu. . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 14 gdje su α1 . pri ˇemu ´emo · izostavljati.1 Neka je Vn (Cn ) skup uredenih n-torki realnih (kompleksnih) brojeva. Ako je iz konteksta jasno c da se radi o vektorskom prostoru ili potprostoru. . . ap ) = {α1 ⊗ a1 ⊕ · · · ⊕ αp ⊗ ap . . za svaki x ∈ X. U normiranom vektorskom prostoru. ap }. za sve α ∈ Φ. vrijedi z + Y = {z}. (ii) αx = |α| x . . ⊗) pisat ´emo X. . Vektorski prostor na kojem je definirana norma zove se normirani vektorski prostor. . . . . ⊕. . . L(a1 . ⊕. . (iv) x = 0. . 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 ≥ 0.2.1. onda je s z + Y = Y . . . . Ako je Y ⊆ X potprostor i z ∈ X proizvoljni vektor. yn ) . jasne iz konteksta. jer za svaku polunormu pa zato i normu vrijedi x ± y ≥ | x − y |. (ii) i (iii) zove se polunorma ili seminorma. α1 . . i ⊗ koristit ´emo jednostavnije oznake c +. ako i samo ako je x = 0 (nenegativnost) (homogenost) (nejednakost trokuta) (definitnost). kad god su operacije ⊕ i ⊗ poznate. atribut “vektorski” ili “linearni” katkad ´emo izostavljati. . . Operaciju zbrajanja n-torki i mnoˇenja n-torki skalarom definiramo po komz ponentama: ako su x = (x1 . . . umjesto (X. ⊗) kojemu su elementi linearne kombinacije skupa {a1 . . xn ) i y = (y1 . za sve x. . norma sume ili razlike vektora moˇe se z ocijeniti odozdo. ap ) joˇ se koristi i oznaka span{a1 . . . s Osim oznake L(a1 . ap ). . . ap je potprostor (L(a1 . αp skalari iz Φ. y ∈ X. . (iii) x + y ≤ x + y . Takoder. − i ·. Funkcija : X → Φ koja zadovoljava samo svojstva (i). ap }. .2. skup z + Y = {x ∈ X | x = z + y. . αp ∈ Φ}.1. . a kad je Y = {0}. Kad je z ∈ Y . (2. umjesto oznaka ⊕. α2 . . .1) Primjer 2. . c c tj. c 2. . . Najmanji vektorski potprostor koji sadrˇi sve z vektore a1 .1. y ∈ Y } naziva se linearna mnogostrukost (ili viˇestrukost). x ∈ X. . .

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

Svaki unitarni vektorski prostor. Za kompleksni unitarni prostor.1. tj. tj. a tada je skalarni produkt odreden formulom (x | y) = 1 ( x+y 4 2 − x − y 2). Vektorski prostor na kojem je definiran skalarni produkt zove se unitarni vektorski prostor.1. Nejednakost (2.1. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 16 Ako je Φ = R. ako je (x | y) = 0.4) Postavlja se pitanje da li vrijedi i obratno.2. cos θ = Za dva vektora kaˇemo da su ortogonalni ako je cos θ. 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. tada u svojstvu (iii) treba ispustiti operaciju kompleksnog konjugiranja. Stoga je kut u kompleksnom prostoru definiran samo za segment [0. takoder je i normiran vektorski prostor. U svakom unitarnom vektorskom prostoru za pridruˇenu normu z vrijedi relacija paralelograma. moˇemo li svakoj normi z jednog normiranog vektorskog prostora pridruˇiti neki skalarni produkt (· | ·). x+y 2 + x−y 2 =2 x 2 + 2 y 2. jer je formulom x = (x | x). z . vrijedi i Cauchy–Schwarzova nejednakost koja povezuje skalarni produkt i induciranu normu |(x | y)| ≤ x y . pridruˇena ili z z inducirana norma.1.4) pokazuje da vrijedi −1 ≤ pa relacijom (x | y) ≤ 1. z u brojniku moramo uzeti apsolutnu vrijednost skalarnog produkta jer je (x | y) kompleksni broj. osim ako norma ne zadovoljava relaciju paralelograma. x y (x | y) x y moˇemo definirati kut θ izmedu vektora x i y. (2. tako da z vrijedi x = (x | x)? Odgovor je ne.2) definirana funkcija za koju se moˇe pokazati da je norma. To je tzv. (2. (2. π/2].3) Takoder.

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

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

. 3. .2. . . . ap ) ≤ p. . a2 . Tada se svaki vektor x ∈ X na jedinstven naˇin moˇe prikazati kao linearna kombinacija vektora baze B. un ) je baza od X. svaki vektor x dopuˇta prikaz s x = α1 u1 + α2 u2 + · · · + αn un . Stoga zakljuˇujemo da vrijedi α1 = β1 . . dobivamo c (α1 − β1 )u1 + (α2 − β2 )u2 + · · · + (αn − βn )un = 0. . . Svi vektori takvih baza su norme jedan i ortogonalni su jedan prema drugome. Tzv. (u1 . . vektori ui su linearno nezavisni. .6. . . 2. tj.1 Neka je X vektorski prostor i B baza u X. . Vaˇnost baze dolazi od jedinstvenosti prikaza vektora po baznim vektorima. . . Pretpostavimo da postoji joˇ jedan prikaz s x = β1 u1 + β2 u2 + · · · + βn un . vrijedi dim L(a1 . 2. Gram–Schmidtovim postupkom moˇe se u unitarnom prostoru od svake baze dobiti z ortonormirana baza. Preslikavanje A : X → Y je linearni operator ako vrijedi (i) A(x + y) = A(x) + A(y) za sve x. . Izjednaˇavanjem α1 u1 + α2 u2 + · · · + αn un = β1 u1 + β2 u2 + · · · + βn un . z Propozicija 2. Linearni operatori Neka su X i Y vektorski prostori. . a2 . {u1 . un } je linearno nezavisan skup. y ∈ X. .1. un ). KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 19 U n-dimenzionalnom vektorskom prostoru X. un ) = X. . αn = βn .1. (ii) A(αx) = αA(x) za sve x ∈ X i sve skalare α (aditivnost) (homogenost). prikaz svakog vektora x po baznim vektorima je jedinstven. . . . . . Prema svojstvu baze L(B) = X. c Po drugom svojstvu baze. α2 = β2 . L(u1 . . c z Dokaz. . Najzanimljivije su one baze koje se sastoje od ortonormiranih vektora. Neka je B = (u1 . Za svaki niz vektora a1 . . ap . . sljede´e tvrdnje su ekvivalentne: c 1.

onda α moˇe biti i realan i kompleksan broj. z c uvrˇtavaju´i u (l) α = β = 1 dobivamo (i). vezana su dva vaˇna potprostora. y ∈ X i sve skalare α. onda α moˇe biti samo realan broj. 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. Doista. dobivamo s c c A(αx) = A(αx + 0y) = αA(x) + 0A(y) = αA(x) + 0 = αA(x). Uvjeti (i) i (ii) mogu se zamijeniti jednim uvjetom (l) A(αx + βy) = αA(x) + βA(y) za sve x. A(0) = 0. Uz svaki linearni operator z s c A : X → Y . N (A) i R(A) su vektorski potprostori. Dakle su uvjeti (i) i (ii) c ekvivalentni uvjetu (l) (tj. Dokaz je tek vjeˇba za koriˇtenje matematiˇke indukcije. To su linearni opez c ratori koji su bijekcije. Izomorfizam .2. Dimenzija jezgre se zove c defekt. uzimanjem α = 0. A(αx + βy) = A(αx) + A(βy) (jer vrijedi (i)) = αA(x) + βA(y) (jer vrijedi (ii)). β. implicitno ´emo pretpostavljati da su polazni i c c dolazni vektorski prostori definirani nad istim poljem. za sve x i sve skalare α. izomorfizam). Pokaˇimo prvo da aditivnost i homogenost povlaˇe linz c earnost. Uzimaju´i u (l) β = 0. a dimenzija slike rang operatora A. z N (A) = {x ∈ X | A(x) = 0} i R(A) = {A(x) | x ∈ X}. a R(A) je slika (ili podruˇje vrijednosti) operatora A. Kad z god ´emo koristiti linearni operator. S L(X. Ako su X i Y realni vektorski prostori. Pokaˇimo da linearnost preslikavanja povlaˇi aditivnost i homogenost. Y ) izomorfizam. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 20 Ako je A bijekcija. 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 ). N (A) je nul-potprostor (ili jezgra). Ako su X i z Y kompleksni vektorski prostori. Ako je A ∈ L(X. koji zovemo linearnost. Time je pokazano da (l) povlaˇi (ii). Iz svojstva (ii) odmah slijedi. Posebno vaˇnu klasu linearnih operatora ˇine izomorfizmi. znaˇe isto). onda ga zovemo i izomorfizam vektorskih prostora X i Y . Iz svojstva (ii) vidi se da X i Y moraju biti definirani nad istim poljem. tada postoji inverzno preslikavanje A−1 koje je takoder linearni operator (tj. Y ) oznaˇavamo skup svih linearnih preslikavanja vektorskog prostora c X u vektorski prostor Y .

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

z . 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). C. Jasno z c m×n . 2.1. Zbrajanje je s definirano za svaki par matrica iz Rm×n i rezulat je uvijek u Rm×n . matricu B ∈ R s elementima skalarom. Iz navedenih svojstava moˇemo zakljuˇiti. Ako je A = [ aij ].2. (asocijativnost) (komutativnost) (c) Postoji matrica O ∈ Rm×n (tzv. Zbrajanje u Rm×n ima ova svojstva: (a) A + (B + C) = (A + B) + C. Sljede´a operacija koju moˇemo jednostavno definirati je mnoˇenje matrica sa c z z m×n m×n i c ∈ R. . β. 1≤j≤n zovemo zbrojem ili sumom matrica A i B i piˇemo C = A + B. . cij .2. Matricu C ∈ Rm×n s elementima cij = aij + bij . Zatim ´emo definirati mnoˇenje (ulanc c z ˇanih) matrica. +. ·) vektorskim prostorom. B ∈ Rm×n . pa je Rm×n zatvoren u odnosu na tu operaciju. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 22 naˇiniti (Rm×n . 1 ≤ i ≤ m. takva da vrijedi A + (−A) = O. . Svi elementi matrice O jednaki su nuli. Elemente matrica A. B. jer je ona definirana upravo c tim svojstvima. da skup matrica Rm×n zajedno s operaciz c jom zbrajanja ˇini komutativnu aditivnu grupu. . 1≤j≤n zovemo umnoˇak ili produkt matrice A sa skalarom c i oznaˇavamo B = cA. (b) A + B = B + A. onda je −A = [ −aij ]. Zbrajanje matrica i mnoˇenje matrica skalarom z Neka su A. Ako je A ∈ R bij = caij . neutralni element za zbrajanje) sa svojstvom da je A + O = A za svaku matricu A ∈ Rm×n . 1 ≤ i ≤ m. (d) Za svaki A ∈ Rm×n postoji jedna i samo jedna matrica koju oznaˇavamo s −A c (inverzni element). bij . mora B = cA opet biti u je da za svaki realni skalar c i svaku matricu A ∈ R Rm×n . Za proizvoljne A. oznaˇit ´emo s odgovaraju´im malim c c c c slovima aij . . B ∈ Rm×n i α. .

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

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

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

. aT m 1 ⎡ T ⎤ a B =⇒ AB = ⎢ ⎣ 1 . an ] stupˇana particija od A i ako je (2. . . onda je AT = [ aji ]. an ] stupˇana particija matrice A i x ∈ Rn . tada je AB = a1 bT + . . . . Operacija transponiranja c je unarna operacija koja matrici pridruˇuje njoj transponiranu matricu. i .1) retˇana particija od B. . . ⎦ . xn komponente vektora x. B ∈ Rn×p . (b) (A + B)T = AT + B T . . . . . . ⎥ ⎦. . ⎥ . . . (iv) Ako je y ∈ Rn . . Primijetimo da su u svojstvu (c) matrice A i B zamijenile poredak. 1 n c c (v) Ako je A = [a1 . yn ] i ako je ⎡ T⎤ b B= ⎢ ⎣ . . Dokaˇite sljede´e tvrdnje. . .2.2. tada je c Ax = x1 a1 + · · · + xn an . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 26 Kra´e to zapisujemo: ako je A = [ aij ]. tada je c y T B = y1 bT + · · · + yn bT . . . .1) retˇana particija od B. . aT B m (iii) Ako je A = [a1 . (c) (AB)T = B T AT . . bT n 1 (2. ⎥ . z c Zadatak 2. c (ii) Za retˇane particije matrica A i AB vrijedi implikacija c ⎡ T ⎤ a ⎢ ⎣ A= . (i) Ako je B = [b1 . ⎦ . tada je c AB = [Ab1 .1 Neka su A ∈ Rm×n . . z Glavna svojstva operacije transponiranja su (a) (AT )T = A. . 1 n Pritom je svaka matrica ai bT ∈ Rm×p .2. bp ] stupˇana particija matrice B. gdje su x1 . . y T = [y1 . + an bT . Abp ] stupˇana particija matrice AB.2.

Na njoj je definirana i unarna opc eracija transponiranja. ·) nije vektorski potprostor c c m×n . +. pri ˇemu je operacija + na nivou matriˇnih elemenata zbrajanja kompleksnih brojeva. ·). a mnoˇenje × zadovoljava c z svojstva (a)–(d) s poˇetka ovog odjeljka. moramo dozvoliti mnoˇenje komz m×n i ω ∈ C.3. +). B ∈ Cm×n je definiran na isti naˇin kao i u Rm×n . ·). Ona op´enito nije komutativna. c Zbroj dviju matrica A. Mnoˇenje matrica iz Rm×n definirano je tek ako z z c je m = n. U taj skup je ukljuˇen c c m×n m×n m×n i skup realnih matrica R . Neka × s oznaˇava operaciju mnoˇenja matrica. j. ·) jer ti vektorski prostori nisu definirani nad istim poljem. Stoga Cm×n uz operaciju zbrajanja i z mnoˇenja skalarom iz C postaje vektorski prostor (nad poljem kompleksnih brojeva). Oznaku Cn×1 zamjenjujemo oznakom Cn . ×). 2. +. MR = m. Takva struktura se zove algebra. moˇemo pisati z c z z n×n n×n (R . ·.2. jednostupˇane matrice ili vektori. Medutim. kaˇe se da je n×n (R . +. +. +. +) komutativna aditivna grupa. +. struktura (Rm×n . Tada je B = ω · A (ili kra´e c pleksnim brojevima. a T operaciju transponiranja matrica. ·) je zatvorena u odnosu na operacije + i ·. Isto tako je zatvoren u odnosu na operaciju transponiranja. postoji lijepo svojstvo skupa MR . Kompleksne matrice S Cm×n oznaˇili smo skup kompleksnih m × n matrica.n∈Æ Rm×n . Skup c z z MR je sigurno zatvoren u odnosu na operaciju mnoˇenja matrice skalarom. +) je c s m×n netrivijalna podgrupa od (C . Dakle. Takoder je vaˇno da je skup Rn×n zatvoren u odnosu na matriˇno mnoˇenje. z Kod mnoˇenja matrica iz Cm×n skalarom. od (C c Elemente od Cn×1 opet zovemo matrice stupci. Operacija mnoˇenja kompleksnih matrica definirana je samo za parove ulanˇaz c . pa je skup C ve´i od R c . skup matrica reda n ˇini algebru c s jedinicom. a za sam vektorski prostor tih vektora koristimo oznaku (Cn . +. c c Lako se pokaˇe da je (Cm×n . Oznaˇimo li privremeno operaciju mnoˇenja matrica s ×. Neka je A ∈ C B = ωA) ako je bij = ωaij za sve i. Uoˇimo da je O takoder u Rm×n . pri ˇemu je (R . da je zatvoren s obzirom na te dvije operacije uvijek kad je rezultat tih dviju matrica definiran. +. Suprotni element od A ∈ Cm×n ˇ je matrica −A = [ −aij ]. Uoˇimo da (Rm×n . Stoviˇe. (Rm×n . Neutralni element z c je matrica O ∈ Cm×n ˇiji su elementi same nule. z koji oznaˇavamo s (Cm×n . ×) algebra s jedinicom. Ipak. c z z Kako u Rn×n postoji i neutralni element I za mnoˇenje ×.2. ·. Ova operacija ima ista svojstva kao i operacija mnoˇenja realnim skalarom u Rm×n . Promotrimo joˇ skup MR svih realnih matrica. ostale dvije operacije nisu definirane za svaki par matrica iz MR . ·) vektorski prostor. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 27 Za svaki par prirodnih brojeva m i n.

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

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

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

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

Drugim naˇinom to vidimo ovako: r(A) = n ako i c samo ako je N (A) = {0}. podrazumijevamo da se c c c radi o kvadratnoj matrici iz skupa Rn×n . B = S −1 AS. ako vrijedi X = U + V . ako i samo ako postoji x ∈ N (A). ovakav rastav matrice X na simetriˇni i antisimetriˇni dio s c c T T je jedinstven. Simetriˇne i antisimetriˇne matrice c c c Matrica A je simetriˇna ako vrijedi AT = A. ako nije izriˇito drugaˇije naznaˇeno. Ak regularne matrice. c c Kod simetriˇnih (antisimetriˇnih) matrica je antisimetriˇni (simetriˇni) dio jednak c c c c ˇ s nul-matrici. x = 0. s Obrat po kontrapoziciji implicira da je matrica A nesingularna ako i samo ako za svaki x = 0 vrijedi Ax = 0. tj.2. c Dakle. ako vrijedi B = S AS (za kompleksne matrice B = S AS) c kaˇemo da su A i B kongruentne. Matrica A je antisimetriˇna c ako vrijedi AT = −A. tada je Xa = U= 1 1 (X + X T ) i V = (X − X T ). . za regularne matrice je preslikavanje x → Ax injekcija.7. ako i samo ako x = 0 povlaˇi Ax = 0. Ako je veza izmedu A i B. a zbog dim(R(A)) = r(A) = n − d(A) = n. a matrica c Xs = 1 (X − X T ) 2 antisimetriˇni dio matrice X. Ako su c z A1 . U = U. tj. Za proizvoljnu kvadratnu matricu X.2. Skup regularnih matrica ima posebnu vaˇnost u primjenama. tj. . Konaˇno. . da je za svaku matricu c X. k 2 1 Ako su S i T regularne matrice i vrijedi B = SAT . z ono je i bijekcija skupa Rn na sebe. Cak ˇtoviˇe. kaˇemo da su A i B sliˇne z c T ∗ matrice. z 2. Specijalne klase matrica U ovom dijelu. A2 . Vrlo je jednostavno pokazati. koriˇtenjem matriˇnog mnoˇenja lako pokazujemo s c z da je (A1 A2 · · · Ak )−1 = A−1 · · · A−1 A−1 . 2 2 . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 32 samo ako je dimenzija nul-potprostora N (A) barem jedan. kaˇemo da su matrice A i B z ekvivalentne. a Xa uvijek antisimetriˇna matrica i vrijedi X = Xs + Xa . V = −V . jer uz operaciju matriˇnog mnoˇenja on postaje grupa. Xs uvijek simetriˇna. ˇto je i trebalo dokazati. . matrica 1 (X + X T ) 2 naziva se simetriˇni dio matrice X.

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

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

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

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

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

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

Razvoj determinante po retku i stupcu Da bi se izraˇunala vrijednost determinante moˇe se iskoristiti tzv. ⎥ . ⎣ . a1.j−1 · · · ai.j−1 an.1 ⎢ ⎢ . · · · ai−1. Odatle odmah slijedi da je produkt dviju kvadratnih matrica singularan ako i samo ako je bar jedna od matrica u produktu singularna. . an. ⎥ ⎥ ⎤ · · · ai−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.n ⎥ ⎥ · · · ai. ai−1.1 ⎢ ⎢ ai.1 ⎢ ⎢ . ⎢ .j+1 .n ⎥ . .j−1 · · · ai+1. ⎦ . ij j=1 1 ≤ i ≤ n. . Algebarski komplement ili kofaktor elementa aij je skalar (−1)i+j det(Ac ). . . . · · · ai+1. c Za A = [ aij ] ∈ Rn×n vrijedi n det(A) = (−1)i+j aij det(Ac ). ⎥ . ⎥ .2. ako je ⎡ a11 ⎢ . . . . Npr. ⎥ .j−1 . sam pojam minore je op´enitiji c c i oznaˇava determinantu proizvoljne kvadratne podmatrice zadane matrice. .j+1 .j−1 . . A= ··· ⎢ ⎢ ⎢ ai−1. 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. • Za kvadratne matrice A i B vrijedi det(AB) = det(A) det(B) (to je poznati Binet–Cauchyjev teorem). KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 39 • Kvadratna matrica A je regularna ako i samo ako je det(A) = 0. an1 · · · an. Neka je A ∈ Rn×n . ⎣ . ⎥ .j . ai−1.j+1 ai+1. ai−1. ⎥ · · · ai+1.j+1 ai+1.j aij ai+1. . . a1j . ··· ··· a1n .1 ⎢ ⎢ ⎢ ai+1.j−1 . . ⎥ . Inaˇe. Ac ij = ⎢ ⎢a ⎢ i−1.n ⎥ ⎥ . .n ⎥ ⎥ ⎥. . ··· an. ⎥ ⎤ an1 onda je ⎡ a11 ⎢ .1 ⎢ ⎢ ai+1. anj a1. razvoj c z determinante po retku ili stupcu. · · · ai−1. . .j+1 .j+1 a1. . ⎢ . .j+1 . eventualno do na predznak. a1. ⎥ . .j+1 · · · ann n×n je determinanta matrice Ac . tj.j−1 ··· · · · ai−1.j−1 .j+1 ai. . ⎦ ··· ann a1n .j−1 · · · ai+1. . ij Dakle algebarski komplement se razlikuje od odgovaraju´e minore tek u fakc toru (−1)i+j .n ⎥ ⎥ . .

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

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

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

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

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

c Matrice koje dopuˇtaju rastav (2. . Mogu se dijagonalc c izirati samo one za koje postoji pun sistem vlastitih vektora.2. .2. . . takva da je S −1 AS = Λ = diag(λ1 . Teorem 2. a kad nema takvu bazu. Svaka c z c normalna matrica iz Cn×n se moˇe dijagonalizirati transformacijom sliˇnosti s unitarnom matricom G.4) . (2.4) zovu se dijagonalizibilne. .. Ako je A = SΛS −1 . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 45 gledaju´i na A kao da je iz Cn×n . 1 n Kako je linearna kombinacija dijagonalnih matrica opet dijagonalna matrica.2. p(Λ) = ⎣ ⎦. normalne matrice za koje vrijedi A∗ A = AA∗ . takva da je A = GΛG−1 pri ˇemu je Λ dijagonalna matrica. z z Matriˇni polinomi c Pretpostavimo da se matrica A dade dijagonalizirati. 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 .3 Neka je A ∈ Cn×n . Ne mogu s se sve matrice dijagonalizirati pomo´u transformacije sliˇnosti. Postavlja se pitanje kada kvadratna matrica ima bazu koja se sastoji od vlastitih vektora. Nakon toga se odbace sve vlastite vrijednosti (i c pripadni vlastiti vektori) koje nisu realni. Vaˇnu klasu dijagoz nalizibilnih matrica ˇine tzv. vrijedit ´e i c ⎡ ⎤ p(λ1 ) ⎢ ⎥ .2. Matrica Λ je dijagonalna. imamo A2 = (SΛS −1 )(SΛS −1) = SΛΛS −1 = SΛ2 S −1 A3 = A2 A = (SΛ2 S −1 )(SΛS −1 ) = SΛ3 S −1 . . dakle da postoji regularna matrica S. λn ). pa vrijedi Λk = diag(λk . . . pa ´emo im z c c posvetiti duˇnu paˇnju. p(λn ) gdje je p(λ) bilo koji polinom. . U praksi su najvaˇnije simetriˇne realne matrice. . λk ).

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

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

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

euklidske norme jedan) vlastitih vektora koji razapinju Cn . Taj oblik zovemo spektralna dekompozicija od H. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 49 Schurov teorem ima neke vrlo vaˇne posljedice. i (2. Ako je c sc s H pozitivno definitna matrica. .2.7.9) Uoˇimo da formula (2. Sljede´e tvrdnje proizlaze iz teorema 2. hermitska matrica H moˇe se prikazati u obliku z H = UΛU ∗ .7 Ako je A normalna matrica i T = U ∗ AU Schurova dekompozicija od A.1(v) u kojem uzmite A = UΛ.2. matrica A je normalna ako je A∗ A = AA∗ . To odmah slijedi iz zadatka 2. . B = U ∗ . Sljede´i teorem pokazuje da se normalne matrice mogu dijagoc nalizirati pomo´u unitarne transformacije sliˇnosti. Neka je A normalna i B = U AU za neku unitarnu matricu U.7).2. Jedna od posljedica ovog teorema jest tvrdnja da normalna matrica reda n ima sustav od n ortonormiranih (ortogonalnih i normiranih tj.2.2. Dakle. Ponekad ´emo koristiti i zapis c H= i λi u i u ∗ .8) moˇemo proˇiriti pojam skalarne funkcije c z s na hermitske matrice. kao ˇto je naredni teorem z s koji kaˇe da je Schurova dekompozicija normalnih matrica dijagonalna. pa je B normalna. (2.9) vrijedi za polinome. onda se drugi korijen matrice H dobiva formulom H2 = i 1 λi2 uiu∗ . a Λ je dijagonalna matrica s realnim vlastitim vrijednostima od H na dijagonali.2.2. . tada je T dijagonalna matrica. . c c Teorem 2. Hermitska matrica je normalna matrica koja ima realne vlastite vrijednosti. Sjetimo z se.7) gdje je U = [u1 .8) koji je ekvivalentan s (2. Tada je B ∗ B = U ∗ A∗ UU ∗ AU = U ∗ A∗ AU = U ∗ AA∗ U = U ∗ AUU ∗ A∗ U = BB ∗ . To se ˇini na slijede´i naˇin c c c ϕ(H) = i ϕ(λi )ui u∗ . i 1 . Jedna od najˇeˇ´e koriˇtenih funkcija je drugi korijen. Spomenuli smo dvije najznaˇajnije klase normalnih matrica: unitarne i herc mitske matrice.2. c Unitarna matrica je normalna matrica kojoj vlastite vrijednosti imaju modul jedan.2. Pomo´u formule (2. Pokaˇimo da je unitarno sliˇna z c ∗ matrica normalnoj matrici opet normalna. un ] unitarna matrica kojoj su stupci vlastiti vektori od H. a vrijedi i za neprekidne funkcije c realnog argumenta. i (2.2.

n} ). . zove se simetriˇna. a stupce matrice V desni singularni vektori matrice C. Definicija i osnovni teoremi Ako je H hermitska pozitivno definitna (semidefinitna) matrica onda su njene vlastite vrijednosti pozitivne (nenegativne). vlastite vrijednosti matrica C ∗ C i CC ∗ se podudaraju. Uskoro ´emo pokazati vezu vlastitih vrijednosti ovih matrica sa singularnim c vrijednostima od C.3. Sljede´i teorem o egzistenciji singularne dekompozicije sluˇi i kao definicija c z singularnih vrijednosti i vektora matrice. Ako je m = n. Stupce matrice U zovemo lijevi. pa postoji jediniˇni vektor v ∈ Cn . pa se njena spektralna c c dekompozicija zapisuje u obliku A = QΛQT . tada postoje unitarne matrice U ∈ Cm×m i V ∈ Cn×n . . Pritom su netrivijalne vlastite vrijednosti ovih matrica jednake. Stoga ´emo dokazati glavne rezultate vezane uz tu c c dekompoziciju. . c Dokaz. takve da je U ∗ CV = Σ.1 (Singularna dekompozicija matrice) Ako je C ∈ Cm×n . Ako je m = n. on je kompaktan. σ2 .2. pri ˇemu vrijedi c σ1 ≥ σ2 ≥ · · · ≥ σmin{m. σ2 . a Q je ortogonalna matrica ˇiji su stupci vlastiti vektori od A. gdje je Λ dijagonalna matrica vlastitih vrijednosti od A. σmin{m. 2. Singularna dekompozicija matrice Singularna dekompozicija matrice jedna je od najkoriˇtenijih dekompozicija u s numeriˇkoj linearnoj algebri. . . . c 2. matrica C ∗ C (CC ∗ ) ima n (m) vlastitih vrijednosti. takav da je Cv 2 Σ = diag(σ1 . Pomo´u njega ´e se jednostavno dokazati c c spomenuta tvrdnja o vlastitim vrijednostima matrica C ∗ C i CC ∗ . . Funkcija z c f (x) = Cx 2 je neprekidna. σmin{m. Teorem 2. . Ako je C ∈ Cm×n onda su obje matrice C ∗ C i CC ∗ hermitske i pozitivno semidefinitne.n} ≥ 0.3. Poˇto je jediniˇna sfera u Cn ograniˇen i zatvoren skup. Ona se moˇe dijagonalizirati c z pomo´u transformacije sliˇnosti s ortogonalnom matricom. s c pa svaka neprekidna funkcija na njemu dostiˇe minimum i maksimum. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 50 Ako je Hermitska matrica realna.3.1.n} zovemo singularne vrijednosti matrice C. Brojeve σ1 . x ∈ Cn }. = max{ Cx 2 | x 2 = 1. .

. C2 (2. C2 u∗ Cv2 m c gdje je z ∈ Cn−1 . tako da dobijemo ortonormiranu bazu u1 . . um ⎤ ⎥ ⎥ ⎥ ⎥ ⎦ ⎡ [ Cv1 u∗ Cv2 1 u∗ Cv2 2 . dobili smo unitarnu matricu U1 = [u1 . . Za jediniˇni vektor y= 1 2 σ1 + z∗z σ1 . . takvih je da matrica V1 = [v1 . c c n za v1 = v postoji n − 1 ortonormiranih vektora v2 . . Na taj taj naˇin dobivamo unitarne matrice U i V kao produkt unitarnih matrica koje su dobijene nakon svakog koraka. Gramm– Schmidtov proces ortogonalizacije. um ⎤ ⎥ ⎥ ⎥ ⎥ ⎦ [ σ1 u1 Cv2 · · · Cvn ] σ1 0 = . Tada je ⎡ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ ⎢ ⎢ ⎢ ⎢ ⎣ C1 = ∗ U1 CV1 = u∗ 1 u∗ 2 . Stoga je ∗ C1 = U1 CV1 = σ1 0 0 . . . . . . · · · .3.1) zbog unitarne invarjantnosti euklidske norme. . Cv2 ··· ··· ··· · · · Cvn ] = u∗ Cvn 1 u∗ Cvn ⎥ ⎥ 2 u∗ Cvn m ··· ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ u∗ 1 u∗ 2 . u2 . . C2 ∈ C(m−1)×(n−1) . Ako je Cv 2 > 0. takva da je Cm Vm = [ Cm 2 . v3 . . . Poˇto je to u suprotnosti sa maksimalnoˇ´u c c od σ1 .2. zakljuˇujemo da je z = 0. . v2 . 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.3.2) c Sada ponavljamo isti argument za matricu C2 ∈ C(m−1)×(n−1) . Ako je m ≤ n. vn ∈ C . . 2 s sc a ovo je striktno ve´e od σ1 ako je z = 0. Drugim rijeˇima. . . Ako je m ≥ n taj postupak vodi do dijagonalne matrice Σ. 0. . u zadnjem koraku radimo s matricom Cm ∈ C1×(n−m+1) . Sliˇno. 0 = σ1 0 z∗ . . Moˇe z se pokazati da za Cm postoji unitarna matrica. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 51 Ako je Cv 2 = 0. um za Cm . . σ1 Nadopunimo u1 s m − 1 vektora do baze u Cm i onda primijenimo npr. stavimo σ1 = Cv u1 = 2 i formirajmo jediniˇni vektor c Cv ∈ Cm . z (2. 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. 0 ] . . um]. . . respektivno. vn ] unitarna. .

pokaˇimo da c z su σi . Dobijemo C = V ΣT U ∗ . tada je za proizvoljne unitarne matrice W1 ∈ Cm×m i ∗ W2 ∈ Cn×n . Polaze´i od definicije singularnih vrijednosti iz teorema 2. . vidimo da se djelovanje matrice na vektor moˇe opisati kao niz od tri jednosz tavnije transformacije: rotacije. . Ako je m < n. . LQ faktorizazija od Cm ). Singularne vrijednosti su unitarno invarijantne.2.n} ) singularna dekompozicija matrice C.6 −0. koje otkrivaju vezu ortonormiranih baza ui . Naime.8 0. (W1 U)Σ(W2 V )∗ singularna dekompozicija od W1 CW2 . Primjer 2. Iz relacije Cx = UΣV ∗ x = U(Σ(V ∗ x)). Tada je Σ∗ = V ∗ C ∗ U. kompleksno transponirajmo obje matrice u toj jednakosti. σ1 . . σ2 . . n} kvadratni korijeni vlastitih vrijednosti matrica C ∗ C i CC ∗ . I 2 2 2 Dakle.72 0. . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 52 (to tzv.n} su (neke) vlastite vrijednosti od C ∗ C i CC ∗ . . Ako je s m > n (n > m) onda CC ∗ (C ∗ C) ima joˇ dodatnih m − n (n − m) vlastitih . .6 0.6 3 0 0 1 0. Σ = diag(σ1 . Iz teorema 2. σ2 . .3.8 0. ˇto je traˇena singularna dekompozicija od C.1 Evo primjera singularne dekompozicije matrice reda dva: C= 0. U u V i ΣT u Σ. 1 ≤ i ≤ min{m. Neka je U ∗ CV = Σ. σmin{m. vn s matricom C. primijenimo postupak opisan z c c u dokazu teorema na matricu C ∗ . . 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 .3. um i v1 .8 T . . . .1 odmah slijede vaˇne relacije z Cvi = σi ui.8 = UΣV T = 2. Ako ˇitatelju nije jasan pojam LQ faktorizacije. . C ∗ ui = σi vi . unitarna matrica ne mijenja normu vektora. pri ˇemu moramo joˇ preimenovati V s z c s u U. produljivanje/skra´ivanje komponenata vektora i c opet jedne rotacije. respektivno. .1. Nakon dobivene dekompozicije C = UΣV . za koju je broj redaka n ve´i od broja stupaca c ∗ ∗ m.96 1.3. pa je njen geometrijski smisao rotacija.96 0.28 0.6 −0. . σmin{m. zadnji dio dokaza teorema c moˇemo premostiti na sljede´i naˇin. jer ako je C = UΣV ∗ singularna dekompozicija od C. pa ´e lijeve i desne komponentne unitarne matrice c u zadnjem koraku biti Um = I1 i Vm .

2 2 2 C ∗ C = V Σ∗ ΣV ∗ = V [σ1 Iµ1 ⊕ σ2 Iµ2 ⊕ · · · ⊕ σk Iµk ⊕ 0n−r ]V ∗ ≡ V S2 V ∗ . da je matrica Σ odredena na jedinstven naˇin matricom C. Pritom su S1 i S2 dijagonalne. c gdje su Iµj ∈ Cµj ×µj . singularna dekompozicija od C i neka su U ∈ Cm×m i V ∈ Cn×n unitarne matrice. 1 ≤ j ≤ k jediniˇne matrice. Neka je C = UΣV ∗ . c Na sliˇan naˇin. σk Iµk . . Veza izmedu singularnih vrijednosti od C i vlastitih vrijednosti od C ∗ C pokazuje da su singularne vrijednosti jedinstvene. relacija C = U ΣV ∗ povlaˇi c c . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 53 vrijednosti koje su jednake nuli. U tom smislu kaˇemo da su singularne vrijednosti z ∗ matrice C korijeni vlastitih vrijednosti od C C i CC ∗ . U0 ).2 Neka je C definirana kao u teoremu 2. . . 1 ≤ i ≤ k.1. takve da je U = U(U1 ⊕ U2 ⊕ · · · ⊕ Uk ⊕ U0 ) V = V (V1 ⊕ V2 ⊕ · · · ⊕ Vk ⊕ V0 ). Iz singularne dekompozicije C = UΣV ∗ slijedi 2 2 2 CC ∗ = UΣΣ∗ U ∗ = U[σ1 Iµ1 ⊕ σ2 Iµ2 ⊕ · · · ⊕ σk Iµk ⊕ 0m−r ]U ∗ ≡ US1 U ∗ . . tada vrijedi CC ∗ = U S1 U ∗ .3.2.n}−r ) µ1 + µ2 + · · · + µk = r. . vrijedi s σ1 > σ2 > · · · > σk > 0 i respektivno. a 0m−r ∈ C(m−r)×(m−r) i 0n−r ∈ (n−r)×(n−r) nul-matrice. U njemu oznaka ortogonalne sume matrica U1 ⊕ U2 ⊕ · · · ⊕ Uk ⊕ U0 oznaˇava c blok-dijagonalnu matricu diag(U1 . Ako su U ∈ Cm×m i C n×n V ∈C unitarne matrice za koje je C = U ΣV ∗ . Σ = diag(σ1 Iµ1 . tj. pa je Odavde slijedi US1 U ∗ = U S1 U ∗ . Uk . S1 (U ∗ U) = (U ∗ U )S1 . . Sljede´i teorem govori o tome koliko su U i V jedinc c stvene. C ∗ C = V S2 V ∗ .3. Pretpostavimo da za netrivijalne singularne vrijednosti matrice C i za pripadne viˇekratnosti. 0min{m. σ2 Iµ2 . . . V0 ∈ C(n−r)×(n−r) i Ui ∈ Cµi ×µi . Teorem 2. Tada je C = UΣV ∗ onda i samo onda ako postoje unitarne matrice U0 ∈ C(m−r)×(m−r) . Dokaz.

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

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

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

Dokaz. σ2 .3 Svaka kvadratna matrica C dopuˇta prikaz s C = QH1 = H2 Q. . Iz singularne dekompozicije matrice C odmah slijedi C = UΣV ∗ = UV ∗ V ΣV ∗ = (UV ∗ )(V ΣV ∗ ) = QH1 = UΣV ∗ = UΣU ∗ UV ∗ = (UΣU ∗ )(UV ∗ ) = H2 Q. Poˇto je s U ∗ Ck V = diag(σ1 . Jedna od vaˇnijih posljedica singularne dekompozicije matrice je i polarna z dekompozicija. Zbog pogreˇaka zaokruˇivanja s z i eventualnih pogreˇaka ulaznih podataka. onda vrijedi to i to svojstvo”. Za singularnu dekompoziciju matrice postoje pouzdane i priliˇno toˇne c c metode. gdje je Q unitarna.2. . . . rang matrice najsigurnije raˇuna iz z c singularne dekompozicije. Aproksimacija matrice matricom manjeg ranga Jedna od vaˇnijih upotreba singularne dekompozicije matrice je odredivanje z ranga matrice.4 (Ekhard. Tada je rang(K)=k min C −K 2 = C − Ck 2 = σk+1 . Neka je k < r i k Ck = i=1 ∗ σi uivi . Ona se dobije izravno od singularne dekompozicije matrice.3. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 57 Dekompoziciju opisanu u tvrdnji (viii) korolara 2. Young. Mirsky) Neka je C = UΣV ∗ singularna dekompozicija matrice C ∈ Cm×n ranga r.3. . 0. 0). . . iako postoje brˇe metode. Brojni teoremi u linearnoj algebri imaju oblik : “ako je ta i ta matrica punog ranga. .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. a H1 i H2 su hermitske pozitivno semidefinitne matrice kojima su vlastite vrijednosti upravo singularne vrijednosti od C. odredivanje ranga postaje netrivijalan s zadatak. 2.3. Teorem 2. Teorem 2. σk . Stoga se. Dokaz.3.3. .

2 ⎦ = ⎣ 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 . σ3 (C) = 3.8 ⎤ Iz singularne dekompozicije od C 6.8 ⎢ −4.0 0.0 8 ⎥ ⎢ 0.0 −2.4 3.8 0.8 2. . . To znaˇi da moˇemo na´i ortonormirane vektore x1 . 1 ≤ i ≤ k + 1. c Primjer 2. Spektralnu normu od C − K dobijemo opet preko njene singularne dekompozicije ⎡ 0.0 0. 0.0 1.4 ⎢ C = ⎣ −4.8 2.0 2.0 0. .8 ⎦ .0 0. σmin{m.0 −2.0 Dakle imamo C − K 2 ⎤ ⎡ ⎤ ⎡ 0. Poˇto je Kz = 0 i z c c s Cz = i=1 ∗ σi (vi z)ui .6 0.8 0. Zadnja nejednakost vrijedi jer se radi o konveksnoj sumi brojeva σi .0 1.0 ⎥ 0.2 ⎦ = ⎣ 0.0 ⎢ K = ⎣ −4.4 0.8 c zakljuˇujemo da je σ1 (C) = 8.8 ⎡ 6. . vk+1} = {0}. Uoˇimo da c je rang(K) = 2. .2 ⎥ . .0 0.0 0. .6 ⎥ ⎢ 0.6 ⎦ .2. . ∗ 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. .8 0.0 ⎤ = 5 > 3 = σ3 (C).0 ⎤ 0. .0 ⎥ .6 3 0.0 ⎡ ⎡ ⎤ ⎡ ⎤ 1. Zadnji teorem nam specijalno kaˇe da je najmanja singularna vrijednost maz trice jednaka udaljenosti (u spektralnoj normi) izmedu matrice i skupa singularnih matrica.0 0.0 −1.6 ⎥ ⎢ 3. .n} ) 2 = σk+1 .4 1. xn−k takve da je N (K) = span{x1 . . .4 ⎤ ⎡ ⎤ ⎡ 0.8 0.4 0.0 0. ⎦ 1.8 2.3.0 5 ⎢ ⎥ ⎢ ⎥ ⎢ 0.6 0. .0 −0. xn−k }.0 ⎤ ⎡ 0. .8 ⎦ ⎣ 0 1. k+1 moˇemo prona´i jediniˇni vektor z koji pripada ovom presjeku.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 ⎣ 0.4 ⎣ 0. . c z c Neka je K ∈ Cm×n proizvoljna matrica ranga k. σk+1 .8 0.0 0. . .4 2.4 2. .8 0.4 −0. .8 1. .0 ⎦ ⎣ 5 −1. . Sljede´i primjeri ilustriraju tvrdnju teorema.4 1. Zbog span{x1 . σ2 (C) = 5.8 ⎥ 0.2 Neka se 6. xn−k } span{v1 .0 ⎥ ⎢ ⎦ ⎣ 0. . pa je rang(C) = 3.6 −0.0 0. ⎦ −2.0 0. . 0. −0.4 3.

Moˇemo pretpostaviti da je m ≥ n. .00 0.28 ⎥ ⎥ ⎥.00 ⎡ 0.56 0. singularnom dekompozicijom matrice C dobic vamo σ1 (C) = 4. 0.40 ⎢ 1. imamo C − K 2 = σ4 (C).6 ⎤ = 1. .0 ⎡ C −K 2 0.0 0.3 Neka su 2. U protivnom radimo s matricom C ∗ .0 0. . .00 2.40 1.08 1.2.00 ⎡ 0.3. . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 59 Primjer 2.0 ⎥ ⎥ ⎥ 0.96 0. Wielandtova matrica Sljede´i teorem je jedan od znaˇajnijih rezultata vezanih uz singularnu dekomc c poziciju matrice. σ2 (C) = 3.40 1.80 2.0 0. σmin .0 ⎢ 0.00 1.3. z Neka je Σ U ∗ CV = 0 .0 0. 0. Oˇito je rang(K) = 3. takva da vrijedi Q∗ AQ = diag(σ1 .56 0. .44 0.00 ⎤ Sliˇno kao u prethodnom primjeru. .0 ⎦ 0.72 0. Neka je A= 0 C C∗ ∈ C(m+n)×(m+n) . Teorem 2. singularna dekompozicija matrice C ∈ Cm×n .3.0 0. 0).96 ⎦ 0.00 0. vrijedi rang(C) = 4. .5 (Jordan–Wielandt) Neka je C = UΣV ∗ . 0 Tada postoji unitarna matrica Q.96 ⎦ 0. .0 0. Dakle. .96 0. . σ4 (C) = 1. .0 0. .60 ⎤ 2.00 1. z 2.0 0. Σ = diag(σ1 . .28 ⎥ ⎥ ⎥.44 0.8 0.4. 0. 2 Dakle. . |m−n| Dokaz. σn ). −σ1 .92 ⎢ K=⎢ ⎣ 2.08 1.00 0. σ3 (C) = 2.72 0.0 0.40 ⎢ 1. pa se udaljenost matrice C do skupa singularnih matrica dostiˇe na matrici K. 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. a spektralna norma od C − K je c 0.0 ⎢ = ⎢ ⎣ 0.00 0.92 ⎢ C=⎢ ⎣ 2. . −σmin .

U2 ]. ⎣ −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. . σn ) ∈ Cn×n . . 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 ⎥ .2. 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. 0) ∈ Cm×m . 2 0 0 2Im−n V U1 ⎤ V −U1 √0 . . . odnosno 2 2 U ∗ (CC ∗ )U = diag(σ1 . a matricu preostalih m − n c stupaca s U2 . . Mnoˇenjem lijevih i desnih strana posljednje dvije jednakosti slijedi z 2 2 V ∗ (C ∗ C)V = diag(σ1 . . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 60 singularna dekompozicija matrice C. . m−n Oznaˇimo matricu prvih n stupaca matrice U s U1 . . . Konjugiranjem i transponiranjem dobivamo V ∗ C ∗ U = [ Σ. 0 ] I 0 Im−n = 0. σn . . . 0 ] . Dakle U = [ U1 . .

14 (str. Teorem 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 . teorem 3. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 61 ∗ ∗ Zbog toga vrijedi U2 CV = (V ∗ C ∗ U2 )∗ = 0. . σj (C2 ) ≤ σj (C).5. Prvo ´emo formulirati Weylov teorem.3. Neka su redom vlastite vrijednosti matrica H. Neke nejednakosti sa singularnim vrijednostima U ovom odjeljku prikazat ´emo dva teorema. σn . Dokaz. uz prirodne modifikacije. M. 2. Vidi npr. n. .3. dok se iz matrice Q lako odrede lijevi i desni singularni vektori od C i obratno. Prethodni teorem omogu´ava da mnoge rezultate o vlastitim vrijednostima c hermitske matrice formuliramo. 0. one su i jednake. m − k}. . [8.7 Neka matrica C ∈ Cm×n ima particiju C= Tada vrijedi C1 }k . m−n ⎡ ⎤ ⎡ ⎤ Dakle. 25–26)]. −σ2 . i H λ1 ≥ λ2 ≥ · · · ≥ λn . za singularne vrijednosti proizvoljne matrice. −σn . 0). . Teorem 2. . Poˇto su U1 CV = Σ i V ∗ C ∗ U1 = Σ∗ s kvadratne realne i dijagonalne.6 ima mnogo vaˇnih posljedica. . Tada vrijedi ˜ λi + µ n ≤ λi ≤ λi + µ 1 .3. . .3. Ovdje ´emo dokazati tek dvije. i = 1. . a njegov dokaz se moˇe prona´i c z c u poglavlju o vlastitim vrijednostima. k} 1 ≤ j ≤ min{n. σi (C1 ) ≤ σi (C). . C2 }m − k 1 ≤ i ≤ min{n. Rezultat prvog teorema je jedna c od mnogobrojnih posljedica Fischerove karakterizacije vlastitih vrijednosti hermitskih matrica. netrivijalne vlastite vrijednosti matrice A su pozitivne i negativne netrivijalne singularne vrijednosti matrice C. . . −σ1 .6 Neka su H i M hermitske matrice i neka je H = H + M. .2. µ1 ≥ µ2 ≥ · · · ≥ ˜ ˜ ˜ µn i λ1 ≥ λ2 ≥ · · · ≥ λn . . . σ2 . . z c Teorem 2.

3. O tome govori sljede´i teorem. Tada vrijedi σi (AB) ≤ σ1 (A)σi (B). Na osnovu teorema 2. linearnom problemu najmanjih kvadrata. Prema teoremu 2. 2 Vrijedi Uoˇimo da je c A 2 B ∗ B = B ∗ (A∗ A + M)B = C ∗ C + B ∗ MB.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. Druga tvrdnja slijedi iz prve zbog σi (C) = σi (C ∗ ) = σi (B ∗ A∗ ) ≤ σ1 (B ∗ )σi (A∗ ) = σ1 (B)σi (A). c 2. npr. a kvadrati singularnih vrijednosti od C1 (C2 ) su vlastite vrijednosti od ∗ ∗ C1 C1 (C2 C2 ). k}. 1 ≤ i ≤ min{m.3. Na ovom mjestu uvest . takoder. Zamijetimo da je ∗ ∗ C ∗ C = C1 C1 + C2 C2 . 2 x∗ B ∗ MBx = (Bx)∗ M(Bx) ≥ 0. σi (AB) ≤ σi (A)σ1 (B). Dokaz.2. k}. Generalizirani inverz Singularna dekompozicija ima direktnu primjenu u raˇunanju generaliziranog c inverza op´e matrice. n. Generalizirani inverz koristan je alat u raznim podruˇjima lic c nearne algebre. 1 ≤ i ≤ min{m. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 62 Dokaz. Kvadrati singularnih vrijednosti od C jednaki su vlastitim vrijednostima od C ∗ C. pozitivno semidefinitna. n. Prvu tvrdnju dokazat ´emo usporedivanjem vlastitih vrijednosti matrica C ∗ C s c vlastitim vrijednostima od A 2 B ∗ B. ve´e ili jednake od ∗ ∗ odgovaraju´ih vlastitih vrijednosti matrice C1 C1 (C2 C2 ).6.3. c Teorem 2. Tada je M = Q( A 2 I − Λ2 )Q∗ 2 hermitska pozitivno semidefinitna matrica za koju je A∗ A + M = A 2 I. c Zanimljivo je vidjeti koji je odnos izmedu singularnih vrijednosti produkta dviju matrica i singularnih vrijednosti samih matrica.3. Neka je A∗ A = QΛ2 Q∗ spektralna dekom2 pozicija od A∗ A. uzete u nepadaju´em poretku. ∗ ∗ Matrica C2 C2 (C1 C1 ) je pozitivno semidefinitna.6 slijedi da c c su vlastite vrijednosti od C ∗ C.8 Neka su A ∈ Cm×k . B ∈ Ck×n i C = AB. pa je B ∗ MB.

3. 4)-inverz. Za matricu X koja zadovoljava.3. 2. (XA)∗ = XA. c Prirodno je pokuˇati proˇiriti pojam inverza i na matrice koje nisu regularne ili s s ˇak nisu niti kvadratne. A(1. Najpoznatiji generalizirani s c s c c inverz je tzv. 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 ∗. Dobro je poznato. zadovoljavat ´e prvi.3). Tada postoji jedinstvena matrica X ∈ Cn×m . Teorem 2. Dakle A(1. 2.4) . (AX)∗ = AX. da za regularnu matricu A ∈ Cn×n postoji jedinstvena matrica X koja zadovoljava AX = XA = I. Σ+ 0 0 V∗ 0 Σ−1 + 0 0 U ∗.3) Matrica X je inverz matrice matrice A i oznaˇava se s A−1 .j) (1) oznaku A i zvati ga (i. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 63 ´emo pojam generaliziranog inverza A† matrice A i navesti neka njegova osnovna c svojstva. a (1. 0 . U slijede´em teoremu odredujemo eksplicitnu formulu c † za generalizirani inverz A . Ta matrica ima oblik A† = V pri ˇemu je c A=U singularna dekompozicija matrice A. (2. j)-inverz. Dokaz. AXA = A. (1)-inverz A zadovoljavati c samo prvi Penroseov uvjet.4) ´e zadovoljavati sva ˇetiri uvjeta. drugi i c c c c ˇetvrti uvjet. XAX = X. na primjer. Moore–Penroseov inverz koji je odreden sa sljede´a ˇetiri uvjeta (tzv.3.2. To je mogu´e posti´i zahtijevaju´i da matrica X zadovoljava c c c c poneˇto drugaˇije (oslabljene) uvjete nego ˇto je (2.3. Pokazat ´emo da prethodna ˇetiri uvjeta na jedinstven naˇin odreduju matricu X c c c † c koju onda oznaˇavamo s A . i-ti i j-ti Penroseov uvjet koristit ´emo c (i. 3. Tako ´e. 4. npr. Penroseovi uvjeti [8]): 1.2. koja zadovoljava Penroseove uvjete 1–4.2. pa ´e ta matrica biti c generalizirani inverz matrice A.9 Neka je A ∈ Cm×n .

2. 3)-inverza i (1.2) AA(1. 4)c c c inverz ima oblik Σ−1 K + U ∗.2.4). Kako c u dokazu niˇta nije proizvoljno. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 64 Uvrˇtavanjem ovog izraza za A(1) u prvi Penroseov uvjet.3. 2. 2. Polazimo od c c A(1. L i M proizvoljne. svaki (1)-inverz ima oblik + A(1) = V Σ−1 + L K M U ∗. ako A† postoji nuˇno ima oblik kao u relaciji (2. Konaˇno.3) = V Σ−1 + L K LΣ+ K U ∗.3.3) A = U 0 I Σ+ K 0 0 U ∗. iz op´eg oblika (1. 0 z Dakle.4) na jedinstven naˇin s . 0 (2.4) Σ−1 + L 0 U ∗. gdje su K. 3)-inverz ima oblik c A(1.2.4) = V Σ−1 + 0 0 U ∗.2) = V Σ−1 + L K LΣ+ K U ∗. tj. iz ˇetvrtog Penroseovog uvjeta zakljuˇujemo da svaki (1.2. 2. Iz dokaza medutim slijedi da A(1.2.2.4) = V 0 0 gdje je K proizvoljna podmatrica. odakle zakljuˇujemo da svaki (1. 3)-inverz. Tre´i Penroseov uvjet se zapisuje u obliku c (AA(1.3. A(1. s pa zakljuˇujemo da je M = LΣ+ K.4) . slijedi da je A† relacijom (2. 2)-inverz. 2. 2. On je i (1)-inverz pa c polazimo od te matrice.3. dobivamo s AA(1) A = U Σ+ T Σ+ 0 0 V∗ = A =U 0 Σ+ 0 0 V ∗. c Na isti naˇin odredit ´emo i (1.3) = V Pritom je L proizvoljna podmatrica. Izraˇunajmo sada (1.3) )∗ = U I K Σ+ ∗ 0 U ∗ = A(1.2.3. 4)-inverza zakljuˇujemo da je c c c A† = A(1.4) zadovoljava sve sve Penroseove uvjete pa je A† = A(1.3.2) = V Σ−1 + L K M U ∗ = A(1.2. dok su K i L joˇ uvijek proizvoljne matrice.2. 0 Dakle je T = Σ−1 . Na isti naˇin. Iz drugog Penroseovog uvjeta slijedi A(1.

Ako je A = F G∗ i rang(A) = rang(F ) = rang(G). (AA∗ )† = (A∗ )† A† .1. tada je A† = G(F ∗ AG)−1 F ∗ 10. 3.1 (Vektorska norma) Vektorska norma je svaka funkcija Cn → R koja zadovoljava sljede´a svojstva: c 1. s c c Definicija 2. tada je A† = A∗ (AA∗ )−1 i AA† = Im . (A)† = (A† ). ¯ 2.3. kao ˇto A ne ovisi o toj slobodi u † matricama U i V .2 odredena do na mnoˇenje matrica U i V s desna s blokz s dijagonalnim unitarnim matricama. 2. 4. 2. tada je (UAV )† = V ∗ A† U ∗ . ∀x ∈ Cn .4.10 Za proizvoljnu matricu A vrijedi: 1. Sada ´emo navesti neka osnovna svojstva generaliziranog inverza koja se lako c dokazuju ili direktno iz Penroseovih uvjeta ili iz relacije (2. i A† = (G† )∗ F † .3. tada je A† = (A∗ A)−1 A∗ i A† A = In . a jednakost vrijedi ako i samo ako je x = 0. Medutim. ∀α ∈ R. Teorem 2. (AA∗ )† AA∗ = AA† . rang(A) = rang(A† ) = rang(AA† ) = rang(A† A). Ako su U i V unitarne matrice. · : . posebno u numeriˇkoj linearnoj algebri. 8. Vektorske i matriˇne norme c Vektorske norme Vektorske i matriˇne norme osnovno su sredstvo koje koristimo kod ocjene c greˇaka vezanih uz numeriˇke metode. x ≥ 0.3. tako ne ovisi ni A . ∀x ∈ Cn . (A† )† = A. 9.2. Ako matrica A ∈ Cm×n ima rang m.4). (AT )† = (A† )T . 2. 7. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 65 odredena iz singularne dekompozicije matrice A. (A∗ A)† A∗ A = A† A. 5.4. Sama singularna dekompozicija je prema teoremu 2.4. (A∗ A)† = A† (A∗ )† . 6. Ako matrica A ∈ Cm×n ima rang n. αx = |α| x .

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

n. L1 norma b f 1 = a |f (t)| dt. . norme definirane na vekc torskom prostoru neprekidnih funkcija na [a. Teorem 2. b]) definiraju se sliˇno c n normama na C : 1. ∀x ∈ Cn . koja se moˇe dosti´i.2 (Monotona i apsolutna norma) Norma na Cn je monotona ako vrijedi |x| ≤ |y| =⇒ x ≤ y . y ∈ Cn . |x| = [|xi |]. ∀i = 1. gdje su Primijetite da sve p-norme ovise samo o apsolutnoj vrijednosti komponenti xi . Neka su α i β dvije p norme takve da je α ≤ β. Definicija vektorskih normi u sebi ne sadrˇi zahtjev da je vektorski prostor z iz kojeg su vektori konaˇno dimenzionalan.4. Za vektore apsolutnih vrijednosti (u Rn ) moˇemo uvesti parcijalni uredaj relacijom z |x| ≤ |y| ⇐⇒ |xi | ≤ |yi|. . Tada vrijedi z c x β ≤ x α ≤ n(1/α−1/β) x β . . . c Koliko se dvije p-norme medusobno razlikuju. tj. ∀x. Oznaˇimo s c |x| vektor apsolutnih vrijednosti komponenti vektora x. 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 . Na primjer.1 Norma na Cn je monotona ako i samo ako je apsolutna. pokazuje sljede´a nejednakost. . Bauer. Stoer i Witzgall dokazali su netrivijalni teorem koji pokazuje da su ta dva svojstva ekvivelentna. 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. Definicija 2. c pa je p-norma rastu´a funkcija apsolutnih vrijednosti komponenti xi . b] (u oznaci C[a.4.2. Norma na Cn je apsolutna ako vrijedi |x| = x .

L2 norma b f 3. 3. onda to zovu generalizirana matriˇna norma. dobivamo matriˇnu normu. 1 norma | A |1 := A S m n = i=1 j=1 |aij |. a jednakost vrijedi ako i samo ako je A = 0. b 1/p f p = a |f (t)|p dt . B ∈ Cm×n . Lp norma ∞ 2 = a |f (t)|2 dt 1/2 . A + B ≤ A + B . ∀A. Ako matricu A promac c c tramo kao vektor s m × n elemenata.2.3 (Matriˇna norma) Matriˇna norma je svaka funkcija c c m×n → R koja zadovoljava sljede´a svojstva: c C 1. 2. . αA = |α| A . ∀A ∈ Cm×n . = max{|f (x)| | x ∈ [a. ∀A ∈ Cm×n .4. c Definicija 2. A ≥ 0. Za matriˇnu normu ´emo re´i da je konzistentna ako vrijedi c c c 4.4. c Matriˇne norme mogu nastati na dva razliˇita naˇina. onda. L∞ norma f 4. Matriˇne norme c Zamijenimo li u definiciji 2. AB ≤ A B · : kad god je matriˇni produkt AB definiran. 2. b]}. 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 vektor x ∈ Cn matricom A ∈ Cm×n . p ≥ 1. direktna primjena vektorskih normi (uz oznaku aij matriˇnog elementa u i-tom retku i j-tom stupcu) daje sljede´e definicije: c c 1. Ako su ispunjena c c samo prva tri svojstva.2. norme od A.4. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 68 2. Oprez. ∀α ∈ R.

.m j=1.n tr je oznaka za trag matrice – zbroj dijagonalnih elemenata matrice.. 2 norma (euklidska.. vrijedi | AB | = m max n ≤ m max i=1.s k=1 |aik bkj | M ) (n M M = (m A B M) = | A | | B |.. i=1 j=1 3. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 69 2.m j=1. je AB = A M B M se moˇe napraviti konzistentna norma...s k=1 aik bkj ≤ m max A B n i=1... ...... 2 2 = 1. a z ga ne zadovoljava.. 1 1 1 1 = 2. Definiramo li z | A |=m A M.. Frobeniusova.... Pokaˇimo na jednom primjeru da z tentnosti. =1 j=1 Primijetite da se u dokazu da je Frobeniusova norma konzistentna koristila CauchySchwarzova nejednakost. ∞ norma | A |∞ := A M = max |aij |.......s k=1 n 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..m j=1.2. Hilbert–Schmidtova.m j=1.. 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. Pokaˇimo da 1 i 2 norma zadovoljavaju svojstvo konzistentnosti. Schurova) | A |2 := A F = (tr(A∗ A))1/2 = m n |aij |2 . Za matrice A=B= pa je AB Ipak i od · M M ∞ norma ne zadovoljava svojstvo konzis2 2 ..

m |aij |. matriˇna ∞-norma. matriˇna 2-norma. (2. i=1 2. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 70 S druge strane. 3. dobit ´ete u poglavlju koje ´e se baviti dekompozis c c cijom singularnih vrijednosti. S 1 1 1 1 1 1 .n |aij |. dobivamo c 1.4.2. 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 ... matriˇna 1-norma.... pa je uobiˇajeno da se ona procjenjuje koriˇtenjem c c s ostalih normi. x =1 x (2.4.4. Matriˇna 2-norma se teˇko raˇuna.2) a σ je standardna oznaka za tzv. “maksimalna retˇana norma” c c n A ∞ = max i=1. Detaljnu definiciju ˇto je to singularna vrijednost.. 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}. (trebalo bi na´i po apsolutnoj vrijednosti c s c c najve´u svojstvenu vrijednost). (B kvadratna!).1) Kad se uvrste odgovaraju´e vektorske norme u (2.1). singularnu vrijednost matrice. spektralna norma c A 2 = (ρ(A∗ A))1/2 = σmax (A). “maksimalna stupˇana norma” c c m A 1 = max j=1.. 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 )..

. Ako je c c c S nesingularna (kvadratna) matrica. a B kvadratna. potrebno je c pokazati da transformacije sliˇnosti ˇuvaju svojstvene vrijednosti matrice. A∗ A i V ∗ A∗ AV su unitarno ekvivalentne.2. onda je matrica S −1 BS sliˇna −1 matrici B. a Λ svojstvenih vrijednosti. Da bismo dokazali da je matriˇna 2-norma unitarno ekvivalentna.4. Mnoˇenjem c z sa S slijeva. za svaku unitarnu matricu U vrijedi Uaj 2 2 = a∗ U ∗ Uaj = a∗ aj = aj 2 . Budu´i da je V unitarna. onda vrijedi c UAV 2 = (ρ(V ∗ A∗ U ∗ UAV ))1/2 = (ρ(V ∗ A∗ AV ))1/2 . za sve unitarne matrice U i V . vrijedi c UAV 2 F 2 F = j=1 Uaj 2 = j=1 aj 2 = A 2 F. pri ˇemu je X matrica svojstvenih vektora. dok su svojstvene vrijednosti ostale nepromijenjene. Za matriˇnu 2-normu. tj. Ako je spektralna faktorizacija matrice S BS S −1 BSX = XΛ. Dvije najpoznatije unitarno invarijantne norme su Frobeniusova i spektralna norma. Kvadrat Frobeniusove norme matrice A moˇemo promatrati z z kao zbroj kvadrata normi stupaca aj : n (2. S druge strane. dobivamo n n UA Konaˇno. pa je c UAV 2 = (ρ(A∗ A))1/2 = A 2 . dobivamo B(SX) = (SX)Λ. = AV 2 F = V ∗ A∗ 2 F = A∗ 2 F = A 2 F. Pokaˇimo to. j j 2 Objedinimo li te relacije. one za koje vrijedi z UAV = A . tj. matrica svojstvenih vektora je SX.3) A 2 F = j=1 aj 2 . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 71 Posebno su vaˇne unitarno invrijantne norme. Primijetite da za unitarne matrice vrijedi V ∗ = V −1 .

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

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

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

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

Apsolutna i relativna greˇka. no tada je s c c c pridjev “apsolutna” suviˇan. Grel = 1. ˆ Grel = 4. s Time se daje (ili zahtijeva) dodatna informacija o predznaku greˇke. razliˇite od nule) znamenke i one c c koje slijede iza njih u zapisu. veliˇine vezane uz atomsku ili molekularnu c c strukturu) i velikih (npr. Npr.00000. brojevi x = 0.00499. |x| koja nije definirana za x = 0. |x| |αx| α ∈ R.ˇ ˇ ˇ 3. Sto c c c znamenaka? Npr. Medutim. Znas c c ˇajne znamenke u broju su prve netrivijalne (tj. Ona ima dodatno lijepo svojstvo da je s c nezavisna od skaliranja. Drugi naˇin zapisivanja relativne greˇke je c s Grel (ˆ) = |ρ|. ˇesto toˇna vrijednost x nije poznata.3.2) Neki autori izostavljaju u definiciji apsolutne greˇke znak apsolutne vrijednosti. Medutim. ˆ Ako je x poznat ili se zna da je “reda veliˇine jedan”.9949 c .1. c x ˇesto varira izmedu vrlo malih (npr.12 · 10−4. a ipak je relativna ˆ z c c greˇka za ta dva sluˇaja razliˇita ˇak za faktor 44. x = 9. vidimo da se x slaˇe s odgovaraju´im x na tri znaˇajne znamenke. x x = x(1 + ρ). ve´ s se tek zna neka ograda za |x − x|.99899.1.00000. c ˇ znaˇi broj “toˇnih” ili “korektnih” znaˇajnih dok ih u broju 0. znaˇajne znamenke s c Neka je x neka aproksimacija realnog broja x. ako je x = 1.99 · 10−3.0832 imamo tri. prema toj definiciji. c Tada je relativna greˇka ˇesto primjerenija. 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 = . u broju 6.9990 imamo pet znaˇajnih znamenaka. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 76 3. veliˇine vezane uz svemir i njegove objekte) vrijednosti. 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 . apsolutna greˇka je c s dobra mjera za udaljenost aproksimacije od toˇne vrijednosti. 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. ˆ x = 8. Relativna greˇka povezana je s “brojem toˇnih znaˇajnih znamenaka”. U znanosti medutim. ˆ (3. x = 1.

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

Uoˇimo da se i svaki konaˇni decimalni prikaz broja moˇe c c c z ˙ napisati s beskonaˇno znamenaka. npr.625.1011)2 binarna reprezentacija broja y. Zapis x = −27. Lako se izraˇuna da y ima decimalnu reprezentaciju c (3. Op´enito. dok 5/17 ima ˙ ˙ prikaz 0. svaki se realni broj moˇe na jednoznaˇan naˇin zapisati u obliku c z c c ±m × 10e gdje je 1 ≤ m < 10. izvedimo prvo algoritam za pretvaranje decimalnog oblika u binarni oblik. Ovdje je (11. Vrijedi li i obrat? c Da bismo se u to uvjerili.11011)2 · 21 . Sliˇna je situacija c c i s brojevima zapisanim u binarnom sustavu.77 = −2.77 prikazuje kao −2. koja se joˇ zove signifikantni ili c s razlomljeni dio broja. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 78 3. Npr. x = 32. a 1 je eksponent.ˇ ˇ ˇ 3. pri ˇemu se znamenke koje su oznaˇene izmedu toˇaka c c c periodiˇki ponavljaju. Tako je npr. s c z 3. a njen oblik u prikazu s pomiˇc c nom toˇkom (1.3. Aritmetika s pomiˇnom toˇkom c c Na kalkulatorima se ˇesto moˇe izabrati tzv. 1/3 ima prikaz 0. zanimljivo je da mnogi racionalni brojevi imaju u dekadskom sustavu konaˇni prikaz. c z koja npr. ve´ i mnogi racionalni brojevi imaju beskonaˇno mnogo c c ˙ znamenaka u decimalnom brojnom sustavu. dok u binarnom susc tavu imaju beskonaˇni prikaz. c c y = (11. 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).2.1.777·101 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 .2.749.777 je mantisa.625)10 .11011)2 · 21 . broj −27. .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. . 10 je baza.777 · 101 pri ˇemu je − predznak broja (ili c mantise).2941176470588235.75 = 32. a kako vrijedi x = [(−1) · (2 · 100 + 7 · 10−1 + 7 · 10−2 + 7 · 10−3 )] · 101 . 2. predznak broja je ujedno i predznak mantise. “znanstvena notacija” brojeva. Pretvaranje decimalne u binarnu reprezentaciju Ne samo iracionalni. ˇto se uobiˇajeno kaˇe da je y broj 3. Medutim. je decimalna toˇka. Raˇunala za spremanje realnih brojeva koriste sliˇnu reprezentaciju broja koja c c se zove pomiˇna toˇka.

Nastavljanjem postupka (l puta) lako dobivamo sve binarne znamenke broja xr . Tada mnoˇenjem broja xr s dva i uzimanjem cijelog dijela rezultata dobivamo b1 . . on ´e i u binarnom sustavu imati konaˇni prikaz. Ponavljaju´i isti postupak s ostatkom c xr = b2 · 2−1 + · · · + bl−1 · 2−(l−2) + bl · 2−(l−1) . a0 . Zbog jednostavnosti postupka. tada vrijedi 10 ≤ xc < 10p . x = (ak ak−1 · · · a1 a0 .3219. xc = (ak ak−1 · · · a1 a0 )2 = ak · 2k + ak−1 · 2k−1 + · · · + a1 · 21 + a0 · 20 . .2. c odmah zakljuˇujemo da postupak vrijedi i u sluˇaju kad xr nema konaˇni binarni c c prikaz.2. c U sljede´em algoritmu za pretvaranje decimalne reprezentacije brojeva u bic narnu. ali tada imamo beskonaˇno koraka.2. Kako je log2 (10) ≈ 3.3p znamenka.2. c c S obzirom da je xc cijeli broj. Ako xc ima c c c p−1 p decimalnih znamenaka (decimala). dakle oko 3. binarna reprezentacija zahtijeva oko 3. Oznaka c [z] za realni broj z oznaˇava najve´i cijeli broj koji nije ve´i od z. xr = (. Ako postupak ponovimo na broju xc . c s c a1 . pretpostavljamo koriˇtenje decimalne aritmetike.1) (3.2) Ako je zadan cijeli broj xc u decimalnom obliku. u redosljedu od b1 do bl .2).b1 b2 · · · bl−1 bl )2 = b1 · 2−1 + b2 · 2−2 + · · · + bl−1 · 2−(l−1) + bl · 2−l . Ponavljanjem tog postupka (u naˇem sluˇaju k puta) dobivamo sve binarne znameke broja xc u redosljedu od a0 do ak . s .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 . odnosno (p − 1) log2 (10) ≤ log2 (xc ) < p log2 (10). kako odrediti njegove binarne c znamenke ak . Primjenom s funkcije log2 i koriˇtenjem njene monotonosti. .ˇ ˇ ˇ 3. Tada x moˇemo prikazati kao sumu njec z govog cijelog i razlomljenog dijela. dobivamo binarnu znamenku b2 . s z Neka je sada xr kao u relaciji (3. Pritom ´e binarni prikaz imati [log2 (xc )] + 1 binarnih znamenaka (bitova). zadnje nejednakosti daju log2 (10p−1) ≤ log2 (xc ) < log2 (10p ).b1 b2 · · · bl−1 bl )2 = xc + xr . dobivamo sljede´u znamenku. . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 79 Neka x ima konaˇni binarni prikaz.3 puta viˇe nego decimalna reprezentacija. koriste´i nama razumljivu decimalnu aritmetiku? Iz relacije (3. (3.

1 . mod za dobivanje ostatka kod cjelobrojnog dijeljenja i int za zaokruˇivanje realnog broja do cijelog broja u smjeru nule. a s ispod djeljenika ostatak pri dijeljenju. c c y := xc . 0. 0. a(k) := mod(y. until y = 0.4 0 0. Sliˇno. s desne c strane piˇemo rezultat mnoˇenja s dva.8 0 1. 2).6 1 1. c Primjer 3. k := −1.2 0 0.2. repeat l := l + 1.1 Neka je zadan racionalan broj x = xc + xr pri ˇemu je xc cijeli c dio broja x. Algoritam raˇuna binarc nu reprezentaciju decimalnih brojeva xc i xr . Ako je rezultat dijeljenja ve´i ili jednak jedan.1 pretvorit ´emo decimalni broj 111.1 u s c binarni. 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). kod pretvaranja decimalnog dijela broja. int je funkcija z koja odgovara matematiˇkoj funkciji x → [x] koju smo ve´ spomenuli.2. z := zz − b(k). Algoritam koristi operaciju div za cjelobrojno dijeljenje.8 0 1.1 Koriˇtenjem algoritma 3.4 0 0. u sljede´em c c mnoˇenju. Toˇka na kraju oznaˇava kraj. l := 0. a s ispod crte rezultat zaokruˇivanja do cijelog s z z broja u smjeru nule. repeat k := k + 1. Dakle.ˇ ˇ ˇ 3. 55 1 27 1 13 1 6 0 3 1 1 1 0 . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 80 Algoritam 3.1 u binarni broj. z := xr . c c 111 1 ˇto daje s 111 = (110111)2. 2).2 1 . .2 1 0.6 1 1. prije samog mnoˇenja automatski oduzimamo jedinicu. Binarna toˇka z z c prethodi raˇunanju i piˇemo je ispod polaznog decimalnog broja c s 0. Kad radimo “ruˇno” zgodno je nacrtati tablicu. b(k) := int(zz).2. tako da kod pretvaranja c broja 111 za svaki korak piˇemo s desne strane rezultat cijelobrojnog dijeljenja. zz := 2 ∗ z. a xr razlomljeni dio takav da je 0 ≤ xr < 1. y := div(y.

I pripadna aritmetika s je drukˇija od realne aritmetike (jer je viˇe nego dvostruko preciznija). . Najoˇitija mogu´anost c c je uzeti jedan bit za predznak.0001100110011001100 . Jedan bajt (engl. Reprezentacija brojeva u raˇunalu c U programskim jezicima postoji nekoliko vrsta aritmetika koje koriste posve odredene tipove podataka. prvo moramo vidjeti kako spremiti negativne cijele brojeve. c Reprezentacija cijelih brojeva u raˇunalu c Pozitivni cijeli brojevi reprezentiraju se u 32 bitnoj ´eliji kao desno pozicionic rani binarni brojevi.)2 = (1101111. Npr.)2 = (0. 3. na primjer prvi.2. Broj 232 je prevelik.2. Medutim. Svaki od tih glavnih tipova obiˇno ima svoje c podtipove (ili ekstenzije) koje obiˇno odreduje broj bajtova. . S obzirom da na raspolaganju imamo joˇ 31 bit. s .1 = (0. Neki programski jezici imaju tip podataka cijeli broj bez predznaka i spomenuta reprezentacija je odgovaraju´a c za njih. implementacije c aritmetika kao i cijeli operacioni sustav.1)10 = (1101111.0001100110011001100 . tako da je taj bit 0 ako je broj pozitivan i 1 ako je negativan. 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. pa dobivamo ˙ ˙ 0.00011)2 . 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). Danas su dostupna i raˇunala bazirana na c 64 bitnim ´elijama. . Danaˇnja raˇunala c s c imaju ´elije od 32 bita pa su tome prilagodeni grada procesora. . byte) c ˇini 8 bitova.ˇ ˇ ˇ 3. Cjelobrojna aritmetika koristi cjelobrojni tip podataka koji ˇine konaˇni interval u skupu cijelih brojeva. realna aritmetika koristi takozvani c c realni tip podataka kojem pripada tek konaˇni podskup racionalnih brojeva. odnosno ˙ ˙ (111. koji su dostatni za reprezentaciju jednog znaka.00011)2 . ako unutar 32 bita moramo spremati i pozitivne i negativne brojeve. Njegova binarna reprezentacija zahtijeva jednu jedinicu i 32 nule. Konaˇno. 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. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 81 Primijetite da se parovi znamenki 0011 ponavljaju.

1 ≤ x ≤ 231 − 1 s smjeˇta kao binarna reprezentacija broja 232 − x. jer je na 33. 1. komplement kod kojeg se negativni broj −x smjestio kao c binarna reprezentacija od 232 − x − 1. dok se −x.2 Zbrojimo u binarnoj aritmetici brojeve 111 i −111 koriˇtenjem 32s bitne reprezentacije i drugog komplementa. 2 bytea. ˇime je reprezentiran broj −111. nenegativni cijeli broj x. 1 (ii ) 16 bita. Za koji od ovih sustava je reprezentacija nule jedinstvena? Promotrite sluˇajeve kad za reprezentaciju cijelih brojeva imate na raspolaganju c (i ) 32 bita.2. na s s nekim superraˇunalima koristio tzv. tj. Joˇ se koristi naziv dvojni komplement. c Primjer 3. komplement. 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 Koliko se razliˇitih cijelih brojeva moˇe reprezentirati ako se koristi c z sustav (a) predznak i modul. (b) 2. komplement? Koristite potencije od 2. 1 byte. 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 1.2. Medutim. 0 ≤ x ≤ 231 − 1 smjeˇta se kao binarna reprezentacija tog broja. Dodamo li 1 toj reprezentaciji. 4 bytea. pa je za 111 1. mjestu. prekobrojni bit. 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. 1. 16 bytea. Ime dolazi odatle ˇto se je izmedu 1960. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 82 raspon tako reprezentiranih brojeva je od od −231 + 1 do 231 − 1. .ˇ ˇ ˇ 3. (iii ) 8 bita. 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. gotovo sva danaˇnja raˇunala koriste pametniji naˇin reprezentacije negativnih brojeva koji s c c se zove drugi komplement1 i piˇe 2. tj. pa se odbacuje. (iv ) 64 bita. s Zadatak 3. tj. tj. i 1980. s U sustavu koji koristi drugi komplement. komplement broja dobiva se s jednostavnim komplementiranjem znamenki. nema c se gdje spremiti.

Zadatak 3. u zagradi c u realnoj): 1! = 2! = 3! = 4! = 5! = 6! = 7! = 8! = 9! = 1 2 6 24 120 720 5040 40320 362880 (1. . .00000000000000e+00) (2. Rezultati programa bit ´e (lijevo rezultati u cjelobrojnoj aritmetici. .20000000000000e+02) (7. 0.04000000000000e+03) (4. aritmetika cijelih brojeva u raˇunalu modularna aritmetika u prstenu osc tataka modulo 232 . samo je sistem ostataka simetriˇan oko 0. z c Zanimljivo je da tada raˇunalo ne´e javiti nikakvu greˇku.2.62880000000000e+05) .2 Pokaˇite da je u sustavu reprezentacije cijelih brojeva pomo´u 2. a zatim. c s Prvi je promijeniti svaku 0 u 1 i svaki 1 u 0. od ve´ uskladiˇtenog broja x dobili −x treba poduzeti dva koraka.2. .2.3 U cjelobrojnoj aritmetici izraˇunajmo n! za sve n ≤ 34. 1.ˇ ˇ ˇ 3. . . c f act := 1.3 Da bi u sustavu reprezentacije cijelih brojeva pomo´u 2.00000000000000e+00) (2. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 83 Zadatak 3. . for i := 1 to 34 do.40000000000000e+01) (1. c z c Primjer 3. najljeviji bit 1 ako i samo ako je x negativan. c −231 .) end. tj. komplec menta s 32 bita. s tim da su sve varijable u pros c gramu prvo cijeli brojevi.20000000000000e+02) (5. −1. Brojeve izvan tog raspona uop´e ne moˇemo spremiti u raˇunalo. Ako se zbroje dva pozitivna cijela broja ili dva negativna cijela broja. 231 − 1. (ispis i! = f act. .03200000000000e+04) (3. u 32 bitnom formatu). jer je matematiˇki c c s c gledano. Koji je drugi korak? Sva raˇunala imaju ugradene (“hardverske”) instrukcije za zbrajanje cijelih c brojeva. c Napiˇimo jednostavni program koji raˇuna n!. (stvarni) rezultat moˇe biti broj koji je ve´i od maksimalnog prikazivog broja. z c komplementa (npr. begin f act := f act ∗ i.00000000000000e+00) (6. kontrole radi stavimo varijablu f act da pripada relnim brojevima (u barem dvostrukoj toˇnosti).

.22702080000000e+09) (8. Promotrimo operaciju x + (−y).71782912000000e+10) (1.20448401733239e+23) (1.08888694504184e+28) (3. postoji k takav da je za svaki n > k uvijek n! = 0.58520167388850e+22) (6. Zadatak 3. komplementa ima binarni prikaz od 232 −y.12400072777761e+21) (2.22283865417792e+33) (2. primijetite da n! u cjelobrojnoj aritmetici moˇe biti negativan z broj ili 0. zbroj ´emo zapisati kao c 232 + x − y = 232 − (y − x).43290200817664e+18) (5.09227898880000e+13) (3. gdje su 0 ≤ x ≤ 231 − 1 i 0 ≤ y ≤ 231 . S obzirom da je broj −y u reprezentaciji 2.10909421717094e+19) (1. kad u cjelobrojnoj aritmetici dobijemo da c je 13! < 12!.55687428096000e+14) (6.2.4 Pokaˇite.03291461126606e+26) (1.65252859812191e+32) (8. Nadalje.62880000000000e+06) (3.68331761881189e+36) (2.55112100433310e+25) (4.ˇ ˇ ˇ 3.99168000000000e+07) (4.79001600000000e+08) (6.21645100408832e+17) (2. da bez obzira kolika je duljina ´elija u koju spremamo z c cijeli broj.40237370572800e+15) (1. 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. Primijetite da razlike poˇinju kod 13!.95232799039604e+38).63130836933694e+35) (8.04888344611714e+29) (8.84176199373970e+30) (2.30767436800000e+12) (2.

pa ga ne s c treba spremati. komplementom: nije potrebna nikakva posebna (hardverska) operacija za cjelobrojno oduzimanje.2. 8 bita za eksponent e i 23 bita za mantisu. Stoga je m = (b0 . Bit za predznak je 0 (1) ako je broj pozitivan (negativan). Preostala 23 bita za smjeˇtaj mantise s koriste se za smjeˇtaj razlomljenog dijela mantise. 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. z Reprezentacija realnih brojeva u raˇunalu c U raˇunalu se realni brojevi reprezentiraju pomo´u binarne reprezentacije u c c “znanstvenoj notaciji”. Zato se b0 obiˇno naziva skriveni bit. Kako se zahtijeva da je b0 = 1.4) z Na primjer. U tom prikazu. bp−1 )2 . broj 111. .2. podijelimo memorijsku c rijeˇ (sadrˇaj jedne ´elije) u tri dijela koja zovemo polja. 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. pokaˇite z detalje kako nastaju cjelobrojne sume: 50 + (−200). Ako broj nije egzaktno c z s c reprezentabilan u raˇunalu. Sam proces dobivanja tog oblika se zove normalizacija. (3. dovoljno je koristiti samo operaciju hardverskog zbrajanja. . x = ±m × 2e . Polje za eksponent ima osam bitova pa moˇe reprezentirati ekponent e koji je izmedu granica −128 i 127 (npr.5 = (1101111.ˇ ˇ ˇ 3. pa ´e ostati toˇan rezultat x − y. rezultat 232 − (y − x) stane unutar 32-bitne reprezentacije i reprezentira broj −(y − x).2. . binarne znamenke desno od binarne toˇke ˇine razlomljeni dio manc c tise.5 Ako cijele brojeve prikazujemo 8-bitnom reprezentacijom.3) i (3. . Zadatak 3.2. Jer. bp−1 )2 pri ˇemu je b0 = 1.1)2 se moˇe napisati kao (1. 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. Ovo razmatranje pokazuje jedno vaˇno svojstvo sustava reprezentacije s z 2.3) . Da bismo spremili normalizirane brojeve u raˇunalo.b1 b2 b3 . c (3. Vidimo da je u znanstvenom prikazu binarna toˇka pomaknuta za 6 mjesta ulijevo.1011111)2 × 26 . c a pritom se eksponent pove´ao za 6. a relacije (3. Kod 32-bitnih raˇunala. pomo´u z c reprezentacije s drugim komplementom). on se mora prije smjeˇtanja u raˇunalu zaokruˇiti.2. 200 + (−50) i 200 − 200. Pored zbrajanja. c s c z gdje je 1 ≤ m < 2.b1 b2 b3 . moˇemo pisati c z m = (1.4) predstavljaju normalizirani oblik ili reprezentaciju broja x. jer je uvijek b0 = 1. kad se jednom broj −y reprezentira. Ako je c c c x < y. postoje joˇ dvije standardne (hardverske) operacije za cjelos brojne operande: cjelobrojno mnoˇenje i cjelobrojno dijeljenje.

1 nije egzaktno reprezentabilan u raˇunalu.6 Koji su najve´i i najmanji pozitivni brojevi koji se mogu reprezenc tirati kao realni brojevi u raˇunalu (brojevi zapisani s pomiˇnom toˇkom.ˇ ˇ ˇ 3.2.2. 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 . U sluˇaju mantise duljine 23 bita.2. Koji je najmanji cijeli c pozitivni broj koji nije egzaktno reprezentabilan? Zadatak 3. compiler) za odgovaraju´i programski jezik.1 pokazano je da je ˙ ˙ (111. overflow). .2. mnoˇenjem dva velika broja c z rezultat moˇe biti takav da se ne moˇe spremiti.00011)2 . pri ˇemu je b1 = 1. bp−1 )2 . . U tom sluˇaju dolazi do tzv. . .10111100011)2 · 26 .4) u relaciji (3.1)10 = (1101111.7 Pretpostavimo da umjesto oblika (3. Sto c c c c ovisi o prevodiocu (engl.3) zahtijevamo S = (0. Normalizirajmo taj broj c ˙ ˙ x = (1. b24 i da je. Dakle. gdje je c c c 1. S druge strane broj y = −222 = −4194304. Najˇeˇ´e c c sc se prekida raˇunanje uz adekvatnu poruku. U polje eksponenta sprema se broj c s c c c 6 u binarnom zapisu (110)2.b1 b2 b3 . 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 .2. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 86 Primjer 3. z z c ˇ raˇunalo u takvom sluˇaju naˇini preljeva ili prekoraˇenja (engl. Oˇito je da se u raˇunalo moˇe pohraniti samo konaˇan broj znamenki iza binarne c c z c toˇke. pa x = 111. raspon za eksponent −128 ≤ e ≤ 127.2. kao i prije. 127] za eksponent. Pretpostavimo da se u polje za mantisu smjeˇtaju binarne c s znamenke b2 b3 . Na primjer. bit za predznak. ˇto ´emo kra´e oznaˇavati eksp(6). Zadatak 3.4 U primjeru 3. c . broj se zaokruˇuje na 23 znamenke iza c c z decimalne toˇke i sprema u prostor za mantisu. 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.

2. najve´i prikazivi broj je c (1.25.125.2. Ako je x > 0 (x < 0). . 0. 8.11)2 × 21 = (3. b1 . 10. ulp i preciznost Preciznost p moˇemo u danom brojevnom sustavu definirati brojem bitova u z mantisi pri ˇemu se raˇuna i skriveni bit. Razmak izmedu ta dva broja se zove strojni epsilon (engl. vidjet ´emo da su to brojevi 1.b1 b2 )2 × 2e . (3.5)10 . c .25. strojni epsilon je M = 0.5) definira se c ulp(x) = (0. U opisanom brojevnom sustavu je p = 24. 1. tako da je x = 0.b1 b2 . ulp(x) c je razmak izmedu x i sljede´eg ve´eg (manjeg) reprezentabilnog broja. za x kao u relaciji (3. b0 . Tomu ´emo posvetiti viˇe s c s paˇnje kod opisa IEEE standarda. M = 2−23 . . normalizirani broj s pomiˇnom toˇkom ima sc c c oblik x = ±(1. 1}.2. Ako promatramo sve brojeve u BSP-u za koje je e = 0. (3. z BSP ili brojevni sustav za prikazivanje Da bismo shvatili koje toˇke na brojevnom pravcu odgovaraju reprezentabilc nim brojevima.8 Neka je p = 24. a najmanji (1.2. bp−2 bp−1 ) × 2e . c c Zadatak 3. Odredite ulp(x) redom za Nadalje. definirat ´emo pojednostavljeni brojevni sustav za prikazivanje c ili kra´e BSP.5)10 .00 .00 . 3. 1}. M = 2 Op´enitije. c c U brojevnom sustavu s preciznoˇ´u p.25. 125.00)2 × 2−1 = (0. koji se sastoji od brojeva oblika c ±(b0 . .6) Ulp je kratica engleskih rijeˇi unit in the last place. . Kako je desni susjed od 1 u BSP-u 1. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 87 Strojni epsilon. 01)2 = 1 + 2−(p−1) . Preciznost je p = 3. . postavlja se pitanje kako spremiti nulu u raˇunalo? To se postiˇe c z koriˇtenjem specijalnog niza bitova u polju za eksponent.5. machine epsilon) i zapisuje −(p−1) . 01)2 × 2e = 2−(p−1) × 2e = M × 2e .ˇ ˇ ˇ 3. . e ∈ {−1. 0.5) Najmanji takav x koji je ve´i od 1 je c (1. 100. b2 ∈ {0.

brojevi iz BSP-a za koje je e = −1 c su 0.75 i 0. Uskoro ´emo vidjeti da se razmak izmedu nule i ±0.825 i za njih je ulp(x) = M /2.5 i 1. 2. 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. To s c je bilo vrijeme naglog razvoja osobnih raˇunala s Intelom i Motorolom kao glavnim c proizvodaˇima procesora.625. 0. subnormalnim brojevima. isti c c . tzv. Kahanom sa kalifornijskog c s sveuˇiliˇta u Berkeleyu. Bitni zahtjevi IEEE standarda su: (i) konzistentna reprezentacija brojeva s pomiˇnom toˇkom na svim raˇunalima c c c koja prihva´aju standard. 3.5.75. doˇlo je do izuzetne suradnje s eksperata iz industrije i sa sveuˇiliˇta.5. Brojevi u BSP-u za koje je e = 1 dobiju se mnoˇenjem s dva onih brojeva za koje je e = 0. i c spominje se kao IEEE 754.2. Vidimo da je razmak izmedu broja x ∈ BSP i njegovog desnog susjeda u BSP-u jednak ulp(x) = M × 2e . brojeva ±0 (to je za razliku od matematiˇki gledano razliˇitih +∞ i −∞.5 i ±1.5 moˇe ispuniti tzv. −3 −2 −1 0 1 2 3 Slika 3. dijeljenje s nulom. 0. 3. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 88 1. 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 i za njih je ulp(x) = 2 M . Predvodeni W. IEEE Aritmetika U kasnim 70-tim i ranim 80-tim godinama. s U tom standardu je vode´a jedinica normalizirarog broja skrivena. Kad se spominje “IEEE aritmetika” podrazumijeva se da ta aritmetika udovoljava spomenute standarde. pa je zato potrebc na specijalna reprezentacija broja nula. 3. Razvoj kalkulatora i malih.3. Izmedu svih njih je isti razmak ulp(x) = M . c (ii) korektno zaokruˇene raˇunske operacije u svim naˇinima rada i z c c (iii) konzistentno tretiranje izvanrednih situacija kao ˇto je npr. Sliˇno. pa su to brojevi z 2.5 mnogo ve´i od razmaka brojeva c c z izmedu ±0.1 BSP brojevni sustav c Uoˇimo da je razmak izmedu nule i ±0. Uvodi se i specijalna reprezentacija brojeva ±∞. IEEE standard za binarnu aritmetiku je publiciran 1985.ˇ ˇ ˇ 3.

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

pogledajmo joˇ jednom prvi redak tablice 3. .4028 × 1038 reprezentira s 0 11111110 11111111111111111111111 . 1)2 × 2127 = (2 − 2−23 ) × 2127 ≈ 2128 ≈ 3. Konaˇno. Odmah vidimo da je 1 < Nmax .000 . dok se najve´i broj c Nmax = (1.111 . a ako se “viˇak” znamenki korektno zaokruˇuje (tako to rade sva moderna raˇunala). c 0 01111011 10011001100110011001101 . imat ´emo +0. 01) × 2−126 .1. Nmin pa inverz najmanjeg normaliziranog broja ne dovodi do prekoraˇenja gornje granice c (overflow). subnormalne ili denormalizirane brojeve koji ekvidisc tantno ispunjavaju razmak izmedu −Nmin i +Nmin . . . dobit ´emo tzv.3. ili −0 ovisno o prvom bitu.ˇ ˇ ˇ 3.1 = (1. s z c jer su prve dvije odbaˇene znamenke 11.1755 × 10−38 reprezentira se s 0 00000001 00000000000000000000000 . .10011)2 · 2−4 . reprezentira kao s 0 01111011 10011001100110011001100 . . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 90 dok se broj ˙ ˙ 0.000 . 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 . ako se “viˇak” znamenki odbacuje. Ako nisu svi c bi nula. dok razlomljeni dio moˇe imati bilo koji izbor jedinica z i nula. . U njemu je ekspoc s nencijalni dio uvijek 0000000. Ako su svi bi nula. 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. a vrijednost mu je 2−149 = (0. 0)2 × 2−126 = 2−126 ≈ 1.

3. 11. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 91 To je najmanji broj koji se moˇe reprezentirati pomo´u jednostrukog formata.3. . .1. c ± a1 a2 . Detalji su vidljivi u tablici 3. c 3.225 × 10−308 . Ideje su iste kao kod jednostrukog formata. .1100)2 × 2−139 ima reprezentaciju 0 00000000 00000000000001100110011 .5. b52 . a11 b1 b2 . y zapisanih s u jednostrukom IEEE formatu ve´i od drugoga. Npr.3. 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. c ˙ ˙ (1/10) × 2−136 = (0. 2000.2.ˇ ˇ ˇ 3.3.2. . c c z −3 −2 −1 0 1 2 3 Slika 3. jednostruki format nije adekvatan. 11)2 × 2−126 i on je za 2−149 manji od Nmin . samo su polja za mantisu i eksponent ve´a: 11 bitova za eksponent i 52 bita za razlomljeni c dio mantise.111 .1 × 2 c c Zadatak 3. Zadatak 3. . dvostruki format koji koristi 64-bitnu rijeˇ. pa su zato emin = −1022 i emax = 1023.1 U jednostrukom IEEE formatu odredite reprezentacije sljede´ih broc 100 −142 . te Nmin = 2−1022 =≈ 2. ukljuˇuju´i i subnormalne brojeve sada moˇemo prikazati slikom 3. Dvostruki format Kod zahtjevnijih raˇunanja.3.1 BSP brojevni sustav sa subnormalnim brojevima Subnormalni brojevi su manje toˇni od normaliziranih. kako zbog neizc bjeˇnih greˇaka zaokruˇivanja. tako zbog premalog raspona brojeva u tom formatu. jeva s pomiˇnom toˇkom: 3. Naz c jve´i subnormalni broj je c (0. Sve reprezentabilne brojeve u brojevnom sustavu za prikazivanje. z s z Zato IEEE standard specificira i drugi tzv.5 × 2 i 0. Treba usporedivati bitove slijeva c ˇ nadesno i donijeti zakljuˇak na prvom mjestu na kojem se razlikuju.3. .2 Napiˇite algoritam koji odreduje koji je od dva broja x.

b52 )2 × 21 . . . .2 IEEE dvostruki format i Nmax = (2 − 2−52 ) × 21023 ≈ 1. .3 Raspon brojeva s pomiˇnom toˇkom u IEEE formatima c c Standard takoder snaˇno preporuˇa i podrˇku za tzv. exz c s s tended) format koji bi trebao imati barem 15 bitova za eksponent i barem 63 bita za . . b52 )2 × 2−1020 . b52 )2 × 21022 ±(1.b1 b2 . .b1 b2 .3. .b1 b2 . . .b1 b2 .b1 b2 .2 × 10−308 Nmax ≈ 2128 ≈ 3.3. b52 )2 × 21021 ±(1. b52 )2 × 2−1021 ±(1. b52 )2 × 2−1022 ±(1. a11 (00000000000)2 = (0)10 (00000000001)2 = (1)10 (00000000010)2 = (2)10 (00000000011)2 = (3)10 . . Podrˇka na zahtjeve standarda moˇe biti programz s z ska (“softverska”) ili elektroniˇka (“hardverska”).797693 × 10308 .b1 b2 . ±(1. . . . . b52 )2 × 20 ±(1. . . iako zbog brzine rada raˇunala. . format jednostruki dvostruki emin −126 −1022 emax 127 1023 Nmin 2−126 ≈ 1. (11111111100)2 = (2044)10 (11111111101)2 = (2045)10 (11111111110)2 = (2046)10 onda je numeriˇka vrijednost c ±(0. .2 × 10−38 2−1022 ≈ 2. . . . b52 )2 × 2−1022 ±(1. .b1 b2 . .8 × 10308 Tablica 3. .4 × 1038 ≈ 21024 ≈ 1. inaˇe NaN c Tablica 3. .b1 b2 . . Dvoc c struki format se zahtijeva tek kao mogu´nost. iako ga gotovo sva raˇunala koja c c podrˇavaju standard imaju. proˇireni (engl. c c c sc s U sljede´oj tablici prikazani su karakteristiˇni podaci za jednostruki i dvostruki c c format. (01111111111)2 = (1023)10 (10000000000)2 = (1024)10 . . . ±(1.b1 b2 .ˇ ˇ ˇ 3. IEEE standard zahtijeva da raˇunalo omogu´ava jednostruki format. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 92 ako je niz a1 a2 . b52 )2 × 21023 (11111111111)2 = (2047)10 ±∞ ako su svi bi = 0. c c proizvodaˇi raˇunala najˇeˇ´e daju hardversku podrˇku standardu.

preciznost z c c p = 53 odgovara pribliˇno 16. a 64 bita za mantisu. format jednostruki dvostruki proˇireni (Intel) s preciznost (p) 24 53 64 strojni epsilon ( M) 2−23 ≈ 1. za razliku od jednostrukog i dvostrukog c formata.4 Preciznost kod IEEE formata Moderna raˇunala adresiraju memoriju po byte-ovima. da zadoc c c voljavaju IEEE standard. dok Intel koristi Small Endian (neki procesori kao DEC Alpha mogu raditi s oba sustava). Npr. koriˇtenjem 80-bitnih regisatra. Za realni broj x re´i ´emo da leˇi u intervalu normaliziranih brojeva susc c z tava s pomiˇnom toˇkom. BSPT i zaokruˇivanje u BSPT z Brojevni sustav s pomiˇnom toˇkom kra´e ´emo oznaˇavati s BSPT. Drugi strojevi (npr. c 3. Sun i Sparc) imc plementiraju proˇireni format sa 128 bitova. c c c c c a skup brojeva s pomiˇnom toˇkom s BPT. tada se takav adresni sustav zove Big (Small) Endian. vode´i bit (jedinica) nije skriven. . s ali kako se on ne moˇe reprezentirati jer nema skrivenog bita. a1 . . . preciznost p = 24 odgovara pribliˇno 7 znaˇajnih decimalnih znamenki.3. To znaˇi da kod transfera podataka s c jednog raˇunala na drugo traba biti oprezan. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 93 mantisu. . . . nazovimo ih B1 .1 × 10−19 Tablica 3. ako vrijedi c c Nmin ≤ |x| ≤ Nmax . prvi desni susjed od 1 bio bi 1 + 2−64 . najvaˇniji je byte u kojem su smjeˇteni σ. IBM i Sun koriste BIG.2247.2 × 10−7 2−52 ≈ 2. pa 32-bitnu rijeˇ adrec c c siraju sa 4 byte-a.9236. od ˇega se 15 bitova koristi za eks c sponent. a p = 64 odgovara pribliˇno 19 znaˇajnih decimalnih z z c znamenki. ali softverski. pri ˇemu je B4 = B1 +3. Dakle. Te oznake se odnose na razmatrani c c sustav/skup brojeva za koji ´emo smatrati.ˇ ˇ ˇ 3. Sliˇno.3. Intelovi mikroprocesori implementiraju aritmetiku s proˇirenim formatom s u hardware-u. . pri ˇemu. ±∞ i subnormalni brojevi nisu u tom intervalu. Kod Intelovog proˇirenog formata. S obzirom da je log10 (223 ) ≈ 6. ako drugaˇije ne naznaˇimo. B4 . Ako z s je taj byte adresiran s B1 (B4 ). prvi desni susjed z je 1 + 2−63 . log10 (224 ) ≈ 7. . brojevi ±0. iako pripadaju spomenutom brojevnom sustavu. pa je aritmetika ovdje s sporija.3. . U jednostrukom formatu. a7 (σ je predznak).2 × 10−16 2−63 ≈ 1.

. • binarna reprezentacija od x zahtijeva viˇe od p bitova za egzaktnu reprezens taciju (npr. c c c c onda vrijednost od round(x) ovisi o naˇinu (modu) zaokruˇivanja koji je aktivan. . . Ako je x negativan. . z s z • zaokruˇivanje prema nuli: z round(x) = x− x+ ako je x > 0. bp−1 bp bp+1 .1) i razmak izmedu x− i x+ je 2p−1 × 2e = ulp(x− ). IEEE standard s definira korektno zaokruˇenu vrijednost od x. . Tada je barem jedna od sljede´ih tvrdnji istinita: c c • x leˇi izvan intervala normaliziranih brojeva (npr. tada je round(x) = x.3. z pri ˇemu su brojevi s pomiˇnom toˇkom x− i x+ najbliˇi broju x (vidi sliku ). koja se oznaˇava s round(x) na z c sljede´i naˇin. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 94 Neka je x realni broj koji nije reprezentabilan u sustavu brojeva s pomiˇnom c toˇkom.2 Zaokruˇivanje u BSPT brojevnom sustavu z Ako pretpostavimo da je x = (1. Ako je x > Nmax . tada je x− ili nula ili subnormalni broj.b1 b2 . a x+ je subnormalni ili Nmin . . x = 2129 u jednostrukom z formatu). Ako je x broj s pomiˇnom toˇkom. Ako nije. z s z • zaokruˇivanje prema gore (joˇ se kaˇe prema ∞): round(x) = x+ . ako je x < 0. c z Postoje ˇetiri naˇina: c c • zaokruˇivanje prema dolje (joˇ se kaˇe prema −∞): round(x) = x− . Ako je 0 < x < Nmin . tada je x− = Nmax i x+ = ∞. .b1 b2 . (3.00 . . x = 0.1). . Neka je c x− ≤ x ≤ x+ .3. c c c x− x+ −3 −2 −1 0 1 2 3 x Slika 3.)2 × 2e . 01)2 ] × 2e . . onda su x− = (1. bp−1 )2 × 2e x+ = [(1.b1 b2 . U oba sluˇaja porebno je X zamijeniti brojem iz sustava brojeva s pomiˇnom c c toˇkom. .ˇ ˇ ˇ 3. bp−1 )2 + (0. tada je situacija analogna (zrcalna slika u odnosu na ishodiˇte).

3. pa ´e jedan sigurno biti izabran. x = (1.)2 × 2emin . (Pretpostavka je jednostruki format i emin = −126). pa ´e se nadalje. tada je c z z round(x) = ∞ iako je x naravno bliˇe Nmax nego ∞. round(x) koristiti z c c u tom smislu. . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 95 • zaokruˇivanje prema najbliˇem: z z round(x) = x− x+ ako je |x − x− | < |x − x+ |.1). . . pa kaˇemo da je apsolutna greˇka zaokruˇivanja pola ulp-a. ako se ne spomene drugaˇije. c Ako je |x−x− | = |x−x+ | uzima se x− ili x+ . . bp−1 bp bp+1 . z tada je round(x) = x− . Ako je bp = 1 i svi preostali bitovi od x su 0. tada je round(x) = x+ . bp jednak 0. bp−1 bp bp+1 . brojeve 2 Ako broj x. Ako je x > Nmax uzima se round(x) = +∞. Kad je prisutno zaokruˇivanje z do najbliˇeg. tada se uzima x− . . jednak 1. Pritom z s z se misli na ulp(x− ) ako je x > 0 i ulp(x+ ) ako je x < 0.ˇ ˇ ˇ 3. Ako je prvi bit koji se ne moˇe reprezentirati. . c z Stoga je | round(x) − x| < 2−(p−1) × 2e . . z Zadatak 3. . onda vrijedi jaˇa ocjena z c | round(x) − x| ≤ 2−p × 2e . bez obzira na naˇin zaokruˇivanja. Uoˇimo c c c da se x− i x+ razlikuju samo u zadnjem bitu. Zadatak 3. Ako je x > Nmax i naˇin zaokruˇivanja je prema najbliˇem. default) naˇin uzima zaokruˇivanje c c z prema najbliˇem. c z Zadatak 3. U praksi se gotovo uvijek koristi zadnji naˇin zaokruˇivanja. .3.3.)2 × 2e nije reprezentabilan jasno je da je x− ≤ x ≤ x+ . ˇ pri ˇemu je bar jedan od brojeva bp bp+1 . IEEE standard zahtijeva da se kao prvi (uobiˇajen. Neka c c c s je x opet kao u (3. 0 < x < Nmin nije subnormalni broj. ili x+ ovisno o tome koji od njih ima najmanje znaˇajan bit 0.b1 . Ako je bp = 1 i joˇ barem jedan od sljede´ih bitova nije s c nula. Sto je x− ? Uzmi kao primjere c −130 −150 i2 .3. pa kaˇemo da je apsolutna greˇka kod zaokruˇivanja manja od jednog ulp-a. Tada je x = (0.3 Napiˇite u jednostrukom IEEE formatu reprezentacije zaokruˇenih s z 24 131 vrijednosti (u naˇinu do najbliˇeg) brojeva: 1/10. .4 Konstruirajte x za koji su x− i x+ jednako udaljeni od x i nadite pripadnu reprezentaciju broja x. ve´ prema tome je li u x− ili u x+ najmanje znaˇajni bit bp−1 nula. prema najbliˇem c z z susjedu u sustavu brojeva s pomiˇnom toˇkom i njega ´emo joˇ malo pojasniti. c a ako je x < Nmin uzima se round(x) = −∞.b1 b2 . z s z . ako je |x − x− | > |x − x+ |. 2 · 2 i 2 .5 Neka x.

3.3.3. |x| 2e Kod zaokruˇivanja do najbliˇeg vrijedi malo bolja ocjena z z 2−p × 2e | round(x) − x| = 2−p ≡ u.2) za |x| < Nmin? c c S obzirom da je − log2 (δ(x)) > p (odnosno p − 1 ako nije uobiˇajeni naˇin zaokruˇivanja).ˇ ˇ ˇ 3. c c z Zadatak 3. Sliˇno ´e − log10 (δ(x)) > − log10 (u) mjeriti broj c c decimalnih mjesta u kojima se x i round(x) podudaraju.8 Kolika je apsolutna greˇka za svaki od naˇina zaokruˇivanja ako je s c z |x| < Nmin . pri ˇemu je z z c c c c p = 24 za jednostruki. c c z z Zadatak 3.9 Nadite x u normaliziranom intervalu BPT za koji je δ = 2−p ako se koristi uobiˇajeni naˇin zaokruˇivanja do najbliˇeg. promos z trimo relativnu greˇku od round(x) kao aproksimaciju od x. Iz relacije (3.3. u = 2−p . S obzirom da raˇunala u normalnom radu koriste c z c zaokruˇivanje do najbliˇeg. ako ne´e biti drugaˇije naznaˇeno. S obzirom da je 2−p+1 × 2e | round(x) − x| < = 2−p+1 ≡ u. Zadatak 3.3.3. s Zadatak 3.1) znamo s e da je |x| ≥ 2 . Pritom je p preciznost raˇunala.3. vidimo da mjera − log2 (δ(x)) daje broj binarnih znamenaka do koz jeg se x i round(x) podudaraju.1) moˇemo za realne brojeve koji leˇe u s z z normaliziranom intervalu napisati round(x) = x(1 + δ). Pazite na definiciju round(x). GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 96 Zadatak 3. | round(x)| 2e . Stoga za sve naˇine zaokruˇivanja vrijedi c z | round(x) − x| 2−(p−1) × 2e < = 2−(p−1) ≡ u. Koristite svaki od ˇetiri naˇina zaokruˇivanja.7 Vrijede li gornje ocjene za apsolutnu greˇku zaokruˇivanja ako je s z |x| < Nmin ? Objasnite.1.2) z z gdje je u = 2−p ako se koristi zaokruˇivanje do najbliˇeg i u = 2−p+1 ako se koriste ostali naˇini zaokruˇivanja.1. Uoˇimo da δ = δ(x) c z c c ovisi o x i naˇinu zaokruˇivanja. (3.2) i (3. ≤ |x| 2e Koriˇtenjem oznaka iz relacija (3.10 Vrijedi li ocjena (3.6 Odredite apsolutnu greˇku prikaza 1/10 u jednostrukom IEEE fors matu.3. p = 53 za dvostruki i p = 64 za proˇireni format. S obzirom da apsolutna greˇka kod zaokruˇivanja raste kad |x| raste. |δ| ≤ u.

3.3.ˇ ˇ ˇ 3.3. 2−p × 2e | round(x) − x| ≤ = 2−p ≡ u.5) pri ˇemu zadnji δ nije op´enito jednak δ iz relacije (3. f (izraz) oznaˇava izraˇunatu vrijednost izraza pomo´u operacija ⊕. c c c tada IEEE standard zahtijeva da vrijedi x y = f (x ◦ y) = round(x ◦ y) = (x ◦ y)(1 + δ). i / kako su stvarno implementirane c u raˇunalu. ⊗ i operacije +. standard zahtijeva da (3.3. .3. (3.5 ⊗ x = x 2 kao i vaˇno svojstvo: ako su x i y brojevi u skupu BPT i vrijedi z x y = 0. | round(x)| 2e ako je prisutno zaokruˇivanje do najbliˇeg. Ako s ◦ i c oznaˇimo odgovaraju´e operacije u algebri i u raˇunalu. |δ| ≤ u. Osim za ˇetiri osnovne raˇunske operacije. f (x − c z y). 1+δ |δ| ≤ u. |δ| ≤ u. x x = 1. Konaˇna aritmetika koja zadovoljava (3. (3. (3. f (x/y) za operacije x ⊕ y. }. x y.1 U numeriˇkoj matematici uvrijeˇila se notacija f (x + y).3. /}. odmah vidimo da vrijedi i ocjena s x y = f (x ◦ y) = x◦y .4. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 97 odnosno.3) su osnova za analizu greˇaka zaokruˇivanja koju ´emo upoznati s z c kasnije. Takoder.2) koristiti i z z z relaciju x . ∈ {⊕. −.3. x ⊗ y i x y.3.4) katkad se c naziva aritmetika s korektim zaokruˇivanjem. ×.3) ne mora biti jednak onom iz relacije (3. c c c c f (f (x)) oznaˇava izraˇunatu vrijednost funkcije f u toˇki x.3. . Koriˇtenjem izvoda i same relacije (3. Sliˇno. ×. ⊗. −. f (x × y). c z Oznaˇimo sa ⊕.3.3. 3.3.2) i (3. Relacije (3. c c Napomena 3.3).3.4) vrijedi i za unarnu c c operaciju drugog korijena. 0. moˇemo pored relacije (3. a x i y su reprezentabilni brojevi.3. c c c .4). pa vrijedi: 1 ⊗ x = x.4) gdje su ◦ ∈ {+. tada je x = y. ⊗ i .2).3.3) round(x) = 1+δ Pritom δ iz relacije (3. z Lijeva strana u (3. 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.4) je broj u skupu BPT. .

iako je round((x + y) − z) = 2−25 . z = 1.1 × 2−25 = 1 + 2−23 . izraˇunajte z z c a ≡ (x ⊕ y) ⊕ z. y = 2−25 .1 Neka je x = 1. y ⊕ z = 2. z=1 z = 0. (x ⊕ y) ⊕ z = 1 ⊕ z = 1. Uz pretpostavku IEEE jednostrukog formata i zaokruˇivanja do najbliˇeg. ono ˇto vrijedi u aritmetici. z = 1. Stoga ´e vrijediti c (x ⊕ y) S druge strane.0 × 2−25 . x ⊕ (y ⊕ z) = 1 ⊕ 2.0000000000000000000000001 se ne moˇe egzaktno reprezemtirati u IEEE jednostrukom formatu. Pretc postavke su: IEEE jednostruki format i zaokruˇivanje do najbliˇeg. c Zadatak 3. asocijativnost zbrajanja i distributivnost mnoˇenja prema zbrajanju. Pokaˇite da a i b nisu jednaki! z Rjeˇenje s x ⊕ y = 1.12 Neka su x = 1. z z koliko je 1 ⊕ round(10−5 ).1 × 2−25 . egzaktni je rezultat (x + y) − z = 2−25 reprezentabilan u sustavu brojeva BPT.3. c Primjer 3. pa za taj izraz ne vrijedi pravilo koje je aksiom IEEE standarda za osnovne raˇunske c operacije. Kako je y = 1. pa ´e uz zaokruz c ˇivanje prema najbliˇem biti z z x ⊕ y = 1. x y = −(y x) i x ⊗ y = y ⊗ x.11 Koji je najve´i broj x iz skupa BPT za koji je 1 ⊕ x = 1.1 × 2−25 . Uz iste uvjete. pa vrijedi round((x + y) − z) = 2−25 . 1 ⊕ round(10−10 ).ˇ ˇ ˇ 3. Medutim. c z s ne vrijedi u konaˇnoj algebri s IEEE standardom. ve´ za malo sloˇenije izraze. y = 2−25 . . i ⊗ slijedi x ⊕ y = y ⊕ x. Sliˇno. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 98 Zadatak 3. c z ne´e u IEEE aritmetici uvijek vrijediti.3. suma x + y = 1. Pokazali smo da je f ((x + y) − z) = 0.3. 1 ⊕ round(10−15 )? Iz same definicije operacija ⊕. b ≡ x ⊕ (y ⊕ z). Ti brojevi su u skupu BPT.

00000000000000000000000|0100000000000000000000001)2 × 20 = (0.00000000000000000000000|1)2 × 20 normalizacija: = (1. Sigurnosni i zalijepljeni bitovi Da bi se implementirala IEEE aritmetika potrebni su i tzv.0)2 × 20 brojevi iz BSPT.111 .000 . .0)2 × 20 i y = (1. jer je c c Ako operandi nemaju isti eksponent. ako je z nakon zaokruˇivanja potrebno. Ovdje smo koristili jedan dodatni bit (iza okomite crte | koja prikazuje granicu). pri ˇemu c se prvo mantisa pomakne ulijevo ili udesno ako je potrebno.00000000000000000000000|0)2 × 2−24 . . 1)2 × 2−1 . pri ˇemu je c c x = (1.3. rezervni) bitovi. z c s s Promotrimo raˇunanje razlike x − y u jednostrukom formatu. 01)2 × 2−24 . koje ne´emo posebno razlikovati. dobivamo s c (1. sigurnosni (dodatni.ˇ ˇ ˇ 3. . c Sljede´i primjer pokazuje da katkad nije dovoljan jedan bit. To znaˇi da aritmetika u raˇunalu koristi registre s c c koji sadrˇe rijeˇ s viˇe bitova nego ˇto zahtijeva standard za reprezentaciju brojeva.00000000000000000000000| )2 × 20 − (0. dobije se c (1.00000000000000000000000| )2 × 2 0 − (0. Ovo je primjer kra´enja. opet se pomakne.11111111111111111111111|1)2 × 20 = (0. zaˇtitni.5. Koriˇtenjem (ˇak!) 25 dodatnih bitova. onda se (po modulu) manji operand napiˇe s u obliku nenormaliziranog broja s eksponentom ve´eg. Izjednaˇavanjem eksponenata.11111111111111111111111|1011111111111111111111111)2 × 2−1 normalizacija: i y = (1. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 99 3. Poˇnimo od zbrajanja i oduzimanja. jer se skoro svi bitovi rezultata pokrate. Promotrimo c raˇunanje x − y u jednostrukom formatu uz zaokruˇivanje do najbliˇeg. Zatim se rezultat svede na normalizirani oblik. To znaˇi da mu se mantisa c c pomakne udesno za onoliko binarnih mjesta kolika je na poˇetku bila razlika u c eksponentima operanada. zaokruˇi i. . pri ˇemu su c z z c x = (1. Svako pomicanje mantise rezultira z istovremenim pomakom eksponenta. Implementacija operacija na raˇunalu c x − y = x + (−y).

00000000000000000000000| )2 × 20 − (0. Zovemo ga zac s lijepljeni jer kad ga aktiviramo.00000000000000000000000|011)2 × 20 = (0.00000000000000000000000)2 × 20 . on se viˇe ne mijenja. z • zbrajanje eksponenata. Kod dijeljenja isto ´emo tako raˇunati c c • kvocijent mantisa. prije oduzimanja treba dodati zalijes pljenu jedinicu iza drugog zaˇtitnog bita: s (1. Da smo koristili samo dva dodatna bita. . 24 dodatna bita. )2 × 2−24 .11111111111111111111111| Mnoˇenje i dijeljenje z Mnoˇenje i dijeljenje u BSPT ne zahtijeva poravnavanje eksponenata. .11111111111111111111111|101)2 × 2−1 normalizacija: = (1. pa pri implementaciji mnoˇenja u BSPT postoje tri koraka: z • mnoˇenje mantisa. rezultat bi (nakon dodatne renormalizacije) bio (1. toˇnije.11111111111111111111111|01 )2 × 2−24 zaokruˇivanje: z = (1. umjesto 25 (ili u sliˇnim s c c namjeˇtenim sluˇajevima po volji veliki broj) dodatnih bitova.11111111111111111111111| )2 × 2−24 . Na sre´u. Ako je z x = mx × 2ex tada je z = x · y = (mx · my ) × 2ex +ey . Dakle. . . u zadnjem primjeru. z i y = my × 2ey . dva zaˇtitna i jedan zalijepljeni bit.ˇ ˇ ˇ 3. 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.11111111111111111111111|0111111111111111111111110)2 × 2−24 zaokruˇivanje: z = (1. 4. . dovoljno je koristiti s c tek tri dodatna bita. • ako je potrebno normalizacija produkta mantisa i pravilno zaokruˇivanje rezulz tata. • i normalizaciju sa zaokruˇivanjem. • razliku eksponenata. Isti (pogreˇan) rezultat dobis vamo koriˇtenjem 3. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 100 = (1.

z c Uoˇimo da nejednakosti 1 ≤ mx < 2 i 1 ≤ my < 2 povlaˇe c c 1 ≤ mz = mx · my < 4. IEEE c z standard zahtijeva da su korektno zaokruˇene i operacija drugog korijena i ostatak z pri dijeljenju. • BSPT u jednostrukom IEEE formatu. −1 ≤ e ≤ 1) i 3. Stoga se mogu´i izbor pomaka mantise svodi c najviˇe za jedno mjesto ulijevo uz istodobno pove´anje eksponenta za 1.3. 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. 10 ili 01 tj 1. z Jedino treba voditi raˇuna da je dijeljenje joˇ uvijek nekoliko puta sporije od mnoc s ˇenja.3. Drugi korijen je unarna operacija (jer je funkcija) definirana za . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 101 Danaˇnji dizajneri ˇipova uspjeli su.ˇ ˇ ˇ 3. (i) Koliko brojeva x s pomiˇnom toˇkom zadovoljava 1 ≤ x < 2? Koliko od njih c c zadovoljava 1 ≤ x < 3/2. s c Kod dijeljenja ´e vrijediti c 1 mx < 2. c s Zadatak 3. ostatak pri dijeljenju i konverzija formata Pored zahtjeva da su osnovne aritmetiˇke operacije korektno zaokruˇene. Dijeljenje s nulom razmotrit ´emo kasnije. Drugi korijen.6. 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. uz dovoljnu rezervu memorije. odnosno oduzimanje. < 2 my pa ´e pomicanje kod normalizacije biti najviˇe jedan bit ulijevo ili udesno.13 Odgovorite na sljede´a pitanja u sluˇaju: c c • brojevnog sustava za prikazivanje (p = 3.25. Dakle. lijevo od binarne toˇke u binarnoj reprezentaciji od mz mogu biti samo c kombinacije bitova 11. toliko s c ubrzati mnoˇenje da je gotovo jednako brzo kao i zbrajanje.

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

jer se smatralo da je odgovornost programera c z da ne dode do djeljenja s nulom. −a/∞ = −0. tada cijeli izraz dobiva vrijednost NaN. jer c imaju razliˇitu reprezentaciju. a/0 = ∞ c c za svaki pozitivni broj a. Prije IEEE standarda neki su proizvodaˇi raˇunala rezultat dijeljenja pozitivnog broja s c c nulom definirali najve´im prikazivim brojem.nije broj). Izuzeci U matematici su realni ili cijeli brojevi uvijek konaˇni. S obzirom da standard uvodi predznake ispred posebnih brojeva 0 i ∞: +0 je isto ˇto i 0 pa koristimo 0 i −0. Na kraju ´e. a/−∞ = −0. pa je i ∞ + ∞ = ∞. Ako se NaN pojavi u nekom z izrazu. ∞/0 = ∞. dok je predikat ∞ = −∞ laˇan. misle´i na brojeve c c s kojima raˇunalo radi. Medutim. op´i ˇlan niza brojeva) teˇi z c c c c z prema sve ve´im ili manjim brojevima. ∞ − ∞ nema smisla pa je ∞ − ∞ = NaN. −a/0 = −∞ kao i a/∞ = 0. Sliˇno. s pogotovo ako se takva stvar dogodila usred sloˇenijeg raˇunanja. U ovom dijelu teksta. Na taj s naˇin je bilo oteˇano programiranje. spominjemo ∞ i −∞ kao brojeve. −∞ + (−∞) = −∞. stavljamo a/0 = ∞. Na taj naˇin do´i ´e poruka programeru z c c c da je neˇto krenulo loˇe. varijable s c z izlaznim vrijednostima imati sadrˇaj NaN. +∞ je isto ˇto i ∞ pa koristimo ∞ i −∞. Stoga IEEE standard zahtijeva da se svakoj takvoj operaciji pridruˇi vrijednost NaN (Not a Number . Predikat 0 = −0 je istinit. a − ∞ = −∞ za svaki konaˇni broj a. Oznake ∞ ili −∞ tek c sluˇe za naznaˇavanje da vrijednost neke veliˇine (npr. pa to korisnik vjerojatno ne bi primijetio. Obrazlagali su to tvrdnjom da kada c korisnik primijeti vrlo velike brojeve. S druge strane izrazi poput 0 × ∞.7. proizvodaˇi raˇunala usvojili pravilo da se izvrˇavanje programa prekida ako c c s se broj dijeli s nulom. pa je najbolje da raˇunalo to tretira kao c nepravilnu operaciju. moˇda sve. dok 0/0 i ∞/∞ nemaju smisla jer mogu u interpretaciji nizova biti bilo koji brojevi. znat ´e da je neˇto krenulo loˇe. 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. c a/−0 = −∞. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 103 3. Tada bi c s s rezultat operacije kao ˇto je 1/0−1/0 bio 0. . uz poruku oblika: “fatalna greˇka – dijeljenje s nulom”. Dakle je 0/0 = NaN i ∞/∞ = NaN. s s Zbrajanja u kojima se pojavljuje ∞ uglavnom imaju smisla: a + ∞ = ∞. Ako je a pozitivni konaˇni broj. spominjemo kao dva razliˇita broja. −a/−0 = ∞. ∞/∞ nemaju smisla. c To se lako pokaˇe pomo´u konvergiraju´ih (prema a) i divergiraju´ih (prema ∞) z c c c nizova. Stoga su nakon z c 1960. c 0/∞ = 0.ˇ ˇ ˇ 3. s s Pogledajmo kako ih iskoristiti. 0/0. −a/ − ∞ = 0. a × ∞ = ∞ za svaki pozitivni a. Kako je to razrijeˇio IEEE standard? s Matematiˇki je jasno da vrijedi: a × 0 = 0 za svaki konaˇni broj a.3. Najjednostavniji primjer jedne izuzetne situacije je dijeljenje s nulom. iako imaju istu c c vrijednost 0. Isto tako +0 i −0.

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

5 IEEE odgovor na izuzetne situacije IEEE standard specificira da se svaki izuzetni dogadaj mora signalizirati pomo´u tzv. 2 y Pokaˇite da je tada x − y broj u BSPT. status flag) kojeg bi programer mogao dohvatiti tj.3. za vrijeme izvrˇavanja programa. statusnog signala (engl. tj.10010000000000000000000)2 × 2−127 = (0.3.3. z IEEE standard ukupno definira pet vrsta izuzetnih situacija koje su ukratko opisane u sljede´oj tablici.00001001100110011001101)2 × 2−127 normalizacija: = (1. z Vidimo da je rezultat subnormalni broj. ˇto se relativne preciznosti tiˇe. c iskoristiti za pravljenje programa (vidi sljede´i primjer) ili pustiti raˇunalo da daje c c standardne ispise kao u zadnjoj tablici. da je tada oduzimanje egzaktno. x. Bez c s z postupnog potkoraˇenja. s c izgubio zadnja ˇetiri bita ˇto odgovara pribliˇno jednoj decimalnoj znamenki. Raˇunaje broja z u jednostrukom IEEE formatu c Pritom je zadnja jedinica u binarnom prikazu broja x nastala zbog zaokruˇivanja. x = 25 × 2−131 i z = y daje (1. 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. c Zadatak 3. Koji je rezultat.10011001100110011001101)2 × 2−127 − (1. c Uoˇimo da je 25 = (11001)2. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 105 Primjer 3.16 Neka su x i y brojevi u BSP T za koje vrijedi 1 x ≤ ≤ 2. pri ˇemu rezultat prve operacije c potkoraˇuje. ili ako ne postoji postupno potkoraˇenje? c c Koristite prethodni primjer.ˇ ˇ ˇ 3.10011001100110011010000)2 × 2−132 . Zadatak 3.1 × 2−123 . koji je.15 Promotrimo operaciju (y x)⊕x.3. s . ako postoji. rezultat bi bio nula.2 Neka je y = 0.

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

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

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

3.4.4. sama metoda ne treba biti povatno stabilna da bi bila stabilna unaprijed. To znaˇi da mala relativna promjena u x uvijek c izazove malu apsolutnu promjenu promjenu u f (x) = ln(x). kriva je jedna. ili tek nekoliko. dana formulom Cn (x. s z Primjer 3. Kad se greˇke unaprijed. tada je budu´a vrijednost uloˇenog novca c c z nakon jedne godine. Povratna stabilnost implicira stabilnost unaprijed. Poznato je da kad broj ukama´ivanja z c c x c tijekom godine n raste.1 (Sluˇaj sloˇenih kamata.) Ako se a novˇanih jedinica investira c z c na godinu dana po godiˇnjoj kamatnoj stopi x (npr. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 109 je uvjetovanost velika za x ≈ 1. izraˇunato rjeˇenje loˇe uvjetovanog problema moˇe imati veliku greˇku unc s s z s ˇ aprijed. x 3. koja su sliˇnog s s c reda veliˇine kao ona koja se dobiju primjenom povratno stabilne metode. Cramerovo pravilo za 2 × 2 linearne sustave). Cn (x) monotono raste prema vrijednosti e . a) = aCn (x). tada se za c metodu kaˇe da je stabilna unaprijed. podmuc s klih greˇaka zaokruˇivanja. prijelazom na greˇku c s s s unaprijed.4.05). 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. za kvartalno ukama´ivanje je n = 4).1 Ako metoda daje rjeˇenja s greˇkama unaprijed. unazad. x = 0. uz n ukama´ivanja s c (npr. s Dakle. Cak i kad izraˇunato rjeˇenje ima malu greˇku unazad. jer je f (x + ∆x) − f (x) ≈ f (x)∆x = ali i veliku relativnu promjenu za neke x. c Definicija 3. a u rijetkim sluˇajevis c c ma kada dolazi do ve´ih greˇaka u rezultatu.ˇ ˇ ˇ 3. U graniˇnom . Na sre´u. To je tzv. formula sloˇenog ukama´ivanja. gdje je Cn (x) = 1 + x n n . te uvjetovanost za dani problem definiraju s na konzistentan naˇin. vrijedi jednostavno pravilo: c s greˇka unaprijed ≈ uvjetovanost × greˇka unazad. z Dakle. dok obrat ne vrijedi (primjer je npr. < ∆x . Zato se uvodi z c sljede´a definicija. ta tvrdnja uglavnom nije istinita. ona se moˇe pove´ati za faktor velik kao broj uvjetovanosti.

Nas ´e ovdje zanimati ulaganje novca pa ´emo pretpostaviti da je n c c konaˇan. Pritom moˇemo korisc c z titi sljede´a dva algoritma c Algoritam 3.4. w := log(z).3 z := 1. razmnoˇavanju kuni´a u nekoj populaciji ili ˇirenju zaraze s z c s u medicini. kad n → ∞. Prouˇit ´emo stabilnost nekoliko algoritama za raˇunanje Cn (x). 5 mnoˇenja). U sljede´oj tablici c . Promotrimo sljede´e algoritme za c raˇunanje Cn (x). Algoritam 3. Prednost je u tome ˇto algoritam koji stoji s iza operacije ili funkcije potenciranja zahtijeva oko log2 (n) mnoˇenja.0 + x/n. Dakle. z s ako postoji. w := 1.4. umjesto n z 17 2 2 2 2 c mnoˇenja kao u prvom algoritmu (npr. Tada se c s s c govori o prirastu ˇume. x se raˇuna kao x · (((x ) ) ) . Kako n moˇe biti velik. bit ´e i manje greˇaka zaokruˇivanja.4.05.4 C := exp(n ∗ log(1. govorimo o neprekidnom ukama´ivanju. n).ˇ ˇ ˇ 3. c c c c prvo ´emo odrediti uvjetovanost za Cn (x). No.4.2 z := 1. C := pow(z. |1 + n | pa uvjetovanost konvergira prema |x| (provjerite da je to uvjetovanost od ex ) kad n raste. pa koristi z ˇ je manje mnoˇenja. Taj sluˇaj se u praksi c c c manje susre´e u bankarstvu. U Matlabu je oblika xˆn. Imamo c κ(Cn (x)) = xCn (x) x = Cn (x) 1+ x n = |x| x .0 + x/n. for i := 1 to n w := w ∗ z. Algoritam 3. C := w.1 z := 1. velika je tek kad je |x| veliko. C := exp(n ∗ w). a viˇe u bioloˇkim i medicinskim podruˇjima.0 prevodilac s za PC raˇunala. U tablici su prikazani rezultati koje daju sva ˇetiri algoritma za x = 0. Sto z z c s z Sljede´a je mogu´nost iskoristiti identitet z n = en ln(z) . n). Koriˇten je jednostruki realni format (REAL). GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 110 sluˇaju. Programi c su napisani u jeziku FORTRAN 77 i koriˇten je Digital Visual Fortran 6.0 + x/n)).0.0 + x/n. pametno je iskoristiti operaciju (ili funkciju) potenciranja. dok se u jeziku C poziva funkcija pow(x. 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). c Algoritam 3. U FORTRANU se xn piˇe x∗∗n.

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

Sljede´a “tehniˇka” lema ˇesto ´e se koristiti u ocjenjivanju greˇaka zaokruˇivac c c c s z nja. Izlazni rezultat kod nekog algoritma ne moˇe biti toˇniji od bilo kojeg medurez c zultata. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 124 4. 2−24 . Konaˇno.40737488355328 · 1014 .ˇ ˇ ˇ 3. Greˇke zaokruˇivanja mogu samo pogorˇati.2) To znaˇi.5. Ako ˇelimo raditi s joˇ ve´im dimenzijama. tj. ako radimo u jednostrukoj preciznosti i koristimo bilo koji naˇin zaokruˇic c z vanja. tada u skup P moˇemo ubaciti i neke negativne potencije od c z 10 (npr. ako u razmatranje ˇelimo s c s c c z ukljuˇiti i kalkulatore. (3. 2−53 . ali ne i pomo´i u uspjehu raˇunas z s c c nja. za n dozvoljavamo gornju c 46 13 s c z granicu 2 ≈ 7. dozvoljavamo c z z n ≤ 262144. Pove´anje preciznosti aritmetike koja se koristi uvijek pove´ava toˇnost rezulc c c tata (vidjeti [5]). ili broja faktora u konaˇnom produktu i sl. pretpostavka je da ´emo koristiti dvostruz s c c ku preciznost (IEEE dvostruki format). maksimalna vrijednost od n ´e biti c 217 = 131072. jer kalkulatori koriste decimalnu aritmetiku. . 2−52 . Osnove analize greˇaka zaokruˇivanja s z U ovom dijelu. 10−12 ). 2−63 }.5. Ako ˇelimo joˇ ve´i n. n najviˇe moˇe biti 1. tada c c ´emo pretpostaviti da vrijedi c u∈P =⇒ nu ≤ 2−6 . 3. 5.1) Ako je n cijeli broj koji ima ulogu dimenzije vektora ili matrice. stupnja polinoma. mo´an alat za analiziranje pa zato i dizajs c niranje numeriˇkih algoritama. c Oznaˇimpo sa P skup negativnih potencija broja 2 koje ulaze u definiciju prec ciznosti aritmetike raˇunala po IEEE standardu: c P = {2−23 . moramo osigurati s z z s c koriˇtenje raˇunanja u proˇirenoj toˇnosti. 5]). (3. a ako joˇ koristimo standardni naˇin zaokruˇivanja.. pozabavit ´emo se osnovnim alatom za analiziranje stabilnosti c numeriˇkih algoritama. greˇke se ne mogu pokratiti. U tom sluˇaju.5. s 6. broja sumanada u konaˇnoj sumi. Ovdje je tipiˇni primjer metoda inverznih iteracija za raˇunanje vlastitih c c vektora matrice (vidjeti [9. Ako koristimo standardni naˇin zaokruˇivanja do najbliˇeg.037 · 10 . Analiza greˇaka zaokruˇivanja je zajedno sa perturbacijc s z skom analizom problema koji se rjeˇava.

00000012u. 2 + 3|ε| + 4|ε|2 + 5|ε|3 + · · · ≤ 2.008nu.ˇ ˇ ˇ 3. (iii) Zbog |ε| < 1.00000036u. |ε1| ≤ 1. (ii) (1 + ε)3 = 1 + ε3 . (iii) (1 + ε)−1 = 1 + ε1 . pa je c |ε3 | ≤ (3 + 3 · 2−23 + 2−46 )u ≤ 3. tada vrijedi (i) (1 + ε)2 = 1 + ε2 . (iv) (1 + ε)−2 = 1 + ε2 . odmah slijedi (1 + ε)−2 = 1 + ε(2 + 3ε + 4ε2 + · · ·). |ε3| ≤ 3. ≤ 1+ε 1 − |ε| 1 − |ε| (iv) Koriˇtenjem Taylorovog razvoja s (1 + t)−2 = 1 + 2t + 3t2 + · · · ktk−1 + · · · . imamo |ε| 1 1 =1+ ≤ 1 + (1 − 2−23 )−1 u ≤ 1.5. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 125 Lema 3.2). (v) (1 + ε)n = 1 + εn . Dokaz.008nu.1 Neka u ∈ P i n zadovoljavaju uvjet (3.00000036u.00000012u.00000012u. |ε2| ≤ 2.500000015 u. (vii) (1 + ε) 2 = 1 + ε√ .00000035762793. ≤ nu 1 + ≤ nu 1 + = −6 (n−2)u 382 1 − 23 1− 3 1 Joˇ treba iskoristiti da je s . (i) Zbog (1 + ε)2 = 1 + ε(2 + ε) je |ε2 | = |2 + ε| · |ε| ≤ (2 + 2−23 )u ≤ 2. Ako je |ε| ≤ u. (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 |ε| ≤ 0.00000036u. |ε2| ≤ 2. |εn | ≤ 1. |ε√ | ≤ 0. |εn | ≤ 1. (1 + ε)3 = 1 + ε(3 + 3ε + ε2 ).00000012u. (ii) Sliˇno.008nu. (vi) (1 + ε)−n = 1 + εn .5.

1. s c Primjer 3. (1 + ε)−n = (1 + ε )n = 1 + εn .5. Kako je α 1+ dokaz je gotov. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 126 (vi) Dokaz je posve analogan prethodnom. rijeˇimo sljede´i problem. pretpostavimo prvo da je s f (x2 ) + f (y 2 ) < Nmax i min{|x|. 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 Neka su x i y reprezentabilni u raˇunalu. Time je dokaz lemme 3. Kako je.00000012.500000015u.5. zbog (iii).007854.500000015|η| ≤ 0. 1+η+1 2−7 α −6 1− 2 3α < 1. s Za prvi dojam o korisnosti leme 3.3) 1+η−1= √ η .ˇ ˇ ˇ 3.5. (vii) Ako su η i η√ povezani relacijom 1 + η = 1 + η√ .1 zavrˇen. 1 − (n−2) αu 3 gdje je α = 1. .5. tako da vrijedi x = f (x) c i y = f (y). S √ kolikom relativnom greˇkom ´e raˇunalo koje koristi IEEE standard s c c izraˇunati z = x2 + y 2 ? c Da bismo rijeˇili problem. tada je η√ = pa je |η√ | ≤ |η| 1 − |η| + 1 ≤√ |η| |η| ≤√ 1−u+1 1 − 2−23 + 1 (3. ≤ 0. |y|} ≥ Nmin .

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

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

rezultat ´e imati 1 + η3 (1 − ε4 ). 1 + w2 Piˇu´i s c z4 = √ z3 (1 + ε4 ) = w3 (1 + η3 )(1 + ε4 ) = w4 1 + η3 (1 + ε4 ). 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. ≤ 1+ 1 + 1 − 4. Koriˇtenjem sofisticiranije formule.00000072 · 2−23 Konaˇno. c 1 + η5 = (1 + η4 )(1 + ε5 ).00000036(1 + u)]u ≤ 4. w2 η2 (1 + ε3 ).000000837u. Medutim.3).0000012u.ˇ ˇ ˇ 3.00000036u. Sljede´a jednadˇba c z z3 = (1 + z2 )(1 + ε3 ) = [1 + w2 (1 + η2 )](1 + ε3 ) = (1 + w2 ) 1 + zbog w2 ≥ 0. pa je |η5 | ≤ |η4 | + |ε5 | + |η4 ε5 | ≤ 4. 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). dobitak je c u proˇirenju domene funkcije koja paru reprezentabilnih brojeva (x.0000012u. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 129 2 a kako je w2 = w1 . . 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.00000072u √ (1 + u) − 1 ≤ 3. dobivamo c 1 + η4 = pa je |η4 | ≤ | 1 + η3 (1 + ε4 ) − 1| 4. Ako samo x (y ) potkoraˇuje u nulu ili subnormalni broj. ili ako x2 + y 2 padne u podruˇje subnormalnih c c 2 2 c c brojeva. i koriste´i relaciju (3. koja zahtijeva viˇe instrukcija. daje |η3 | = w2 w2 η2 + ε3 + η2 ε3 ≤ |ε3 | + |η2 | + |ε3η2 | 1 + w2 1 + w2 ≤ [1 + 3. y) pridruˇuje s z √ 2 2 ). ako z postaje nula.5. 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.

Nakon c raˇunanja. Pretpostavit ´emo da su c s c ˆ x = x(1 + εx ) i y = y(1 + εy ) ˆ podaci spremljeni u raˇunalo. direktna formula ne´e dati c c c ˇ c toˇan rezultat.5. takoder. Ako su |εx | i |εy | tako mali. Sto ´e dati druga kompliciranija formula? c Ako je |µ| ≥ Nmin . Propagiranje greˇaka zaokruˇivanja s z Promotrimo prvo kako jedna raˇunska operacija na raˇunalu pove´ava posc c c toje´e greˇke u podacima. ne ve´u od nekoliko u. 3. c c s Dakle.ˇ ˇ ˇ 3.1. prije s c uˇitavanja. Zakljuˇujemo da se relativna c z c greˇka kod mnoˇenja propagira tako da se zbroju relativnih greˇaka faktora s z s . 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. Potkoraˇenje obaju brojeva u nulu ´e dati maksimalnu relativnu greˇku −1. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 130 malu relativnu greˇku. Oni aproksimiraju toˇne podatke x i y s relativnim c c greˇkama εx i εy . kad prijeti potkoraˇenje ili postupno potkoraˇenje. tada ´e f (x + y ) moˇda nositi veliku relativnu c c z c s z c greˇku. da je i |εx εy | manje od u i taj ˇlan moˇemo zanemariti. s Ako je signaliziranje implementirano. Vadenje korijena ´e tu greˇku pribliˇno prepoloviti. respektivno. uz skretnicu koja u sluˇaju izuzetne situacije vodi kontrolu na kompliciraniji c algoritam. z treba skalirati inverznom (negativnom) potencijom broja 2. subnormalna i kod smjeˇtanja brojeva u raˇunalo doˇlo je do gubljenja relativne toˇnosti. 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. tada je najbolje koristiti jednostavniji algoritam. Jedini lijek je da se ulazni podaci x i y. 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. ali ´e ona i dalje ostati s velika. s c Ako je pak µ subnormalan broj. skaliraju potencijom od 2 tako da µ ne bude subnormalni broj. 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). Ako izraˇunati f (x2 + y 2 ) padne u s c c 2 2 podruˇje subnormalnih brojeva. tada su oba polazna broja. 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.

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

5. koji ´e vrijediti ako je c ±=+ i ili ako je ±=− i Umjesto relacije (3.4) koja pokazuje da se εx mnoˇi s |x|/(|x| + |y|) c z z |y| i |εx | |εy |. |x| blizu manje greˇke |εx |. Ako su b1 i b2 c c brojevi reda veliˇine jedan. pa je εs izmedu tih brojeva.4) konveksna suma realnih brojeva εx + ε± + εx ε± i εy + ε± + εy ε± . |εy |} + u.5) pa na relativnu greˇku rezultata utjeˇu obje “donesene” greˇke εx i εy . b1 = |x| − |y| |x| − |y| Taj fenomen smo ve´ upoznali kao opasno/katastrofalno “kra´enje”. |εy |} + |ε± |(1 + max{|εx |. 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. Stoga je |εs | ≤ max{|εx + ε± + εx ε± |.4). 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 = − . Ako polazimo od toˇnih polaznih s c podataka.5. tada ´e |εs | biti c dok se εy mnoˇi s |y|/(|x| + |y|). onda ne´e do´i do opasnog kra´enja.5. sign(x) = − sign(y).5.5. s Kod svih dosadaˇnjih sluˇajeva relativna greˇka u rezultatu nije bitno ve´a s c s c od relativnih greˇaka u polaznim podacima. . potreban je ogroman broj operacija tih vrsta da bi greˇka u “zadnjem s s c medurezultatu” bitnije narasla. c c c c |x| |y| (εx + ε± + εx ε± ) − (εy + ε± + εy ε± ). |x| − |y| |x| − |y| (3. Finije razs c s matranje koristit ´e relaciju (3. |εy |}) ≈ max{|εx |. Medutim joˇ nismo razmatrali preostali sluˇaj. x ± y = sign(x)(|x| − |y|).ˇ ˇ ˇ 3. (3. |εy + ε± + εy ε± |} ≤ max{|εx |. Ako je npr.6) sign(x) = sign(y).

Promotrimo sada akumulaciju greˇaka kod raˇunanja produkta i sume n s c brojeva.ˇ ˇ ˇ 3. Ako definiramo pomo´ne varijable zi . |ε| ≤ 1. jedva primjetno. .3. c 3.5. c c c s Koji puta je kra´enje neizbjeˇno zbog naravi problema (loˇe uvjetovani proc z s blemi). dobit ´emo.2. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 133 U zakljuˇku moˇemo re´i da su operacije mnoˇenja i dijeljenja. z s imat ´emo c z1 = x1 z2 = f (z1 · x2 ) = (z1 · x2 )(1 + ε2 ) z3 = f (z2 · x3 ) = (z2 · x3 )(1 + ε3 ) .4). . c kratiti medurezultate kroz mnogo aditivnih operacija. dok za operaciju oduzimanja brojeva istog predznaka to vrijedi s tek ako nije doˇlo do kra´enja. .5. sljede´i iteracije algoritma za mnoc c ˇenje brojeva x1 x2 · · · xn u redoslijedu kako je napisano.2 Neka je xi = f (xi ). 1 ≤ i ≤ n i neka je | f (x1 · x2 · · · xi )| ≤ Nmax . Definiramo li 1 + ε = (1 + ε2 )(1 + ε3 ) · · · (1 + εn ). koriˇtenjem relacije (3.5. pa moˇemo tek birati izmedu algoriatma koji ´e dati katastrofalno kra´enje z c c u jednoj ili nekoliko operacija. dobivamo (1 − |ε2 |)(1 − |ε3 |) · · · (1 − |εn |) − 1 ≤ ε ≤ (1 + |ε2|)(1 + |ε3 |) · · · (1 + |εn |) − 1. kao i kod osnovnih vektorskih i matriˇnih operacija. zn = x1 · · · xn (1 + ε2 )(1 + ε3 ) · · · (1 + εn ). .008(n − 1)u. Tada je f (x1 · · · xn ) = (x1 · · · xn )(1 + ε).7) . Stabilnost produkta od n brojeva Za produkt brojeva vrijedi Lema 3. zn−1 = f (zn−2 xn−1 ) = (zn−2 xn−1 )(1 + εn−1) zn = f (zn−1 xn ) = (zn−1 xn )(1 + εn ). tada vrijedi pravilo: ˇto s c s c s jaˇe kra´enje u operandima. to je ve´a relativna greˇka u rezultatu. te zbrajanja c z c z sumanada istog predznaka “dobre” operacije koje ne´e bitnije pogorˇati relativnu c s pogreˇku operanada. nakon kra´enja pomo´nih z c c c c varijabli. 1 ≤ i ≤ n. ili algoritama koji ´e postupno. Ako je doˇlo do kra´enja. Dokaz. (3. . Mnoˇe´i lijeve i desne strane svih jednakosti.

5.ˇ ˇ ˇ 3. lema 3. zakljuˇujemo da je c |ε| ≤ (1 + u)n−1 − 1 ≤ 1. Iz dokaza leme vidimo da rezultat moˇemo zapisati u z obliku f (x1 · · · xn ) = x1 [x2 (1 + ε2 )][x3 (1 + ε3 )] · · · [xn (1 + εn )]. Ako se koristi naˇin zaokruˇivanja prema najbliˇem. c Ovaj rezultat pokazuje da mnoˇenje viˇe faktora sporo akumulira relativnu z s greˇku u rezultatu. Npr. pa ´e ukupna greˇka c c s (1 + ε2 )(1 + ε3 ) · · · (1 + εn ) − 1 ≈ ε2 + ε3 + · · · + εn biti joˇ manja. Medutim. 2 ≤ i ≤ n. Izraˇunati z s c produkt je jednako toˇan kao kad polazne brojeve koji nisu BPZ uˇitamo u raˇunalo.008(n − 1)u.5.8) 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. 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). imat s z c c ´e barem 10 toˇnih znaˇajnih znamenaka.7) slijedi ε = (1 + ε2 )(1 + ε3 ) · · · (1 + εn ) − 1 = ε2 + ε3 + · · · + εn + = ε2 + ε3 + · · · + εn + O(u ). c c c a zatim ih egzaktno pomnoˇimo! z Iz relacije (3. umnoˇak milijun brojeva raˇunan u dvostrukoj toˇnosti. 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.5.2 pokazuje da je svaki algoritam koji uzastopce mnoˇi z brojeve stabilan unaprijed. ako se taj rezultat koristi kao dio analize nekog sloˇenijeg izraza ili c . (3. Zadnja nejednakost slijedi iz leme 3. Ako interpretiramo faktore xi (1 + εi ) kao malo perturbirane polazne podatke xi . Formalno. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 134 Kako je 1 − (1 − |ε2|)(1 − |ε3|) · · · (1 − |εn |) ≤ (1 + |ε2 |)(1 + |ε3|) · · · (1 + |εn |) − 1. greˇke εi s c z z s iz dokaza ´e biti i pozitivne i negativne. pa se iskaz leme joˇ zapisuje u obliku s f (x1 · · · xn ) = (x1 · · · xn )(1 + ε). vidimo da je algoritam mnoˇenja n brojeva savrˇeno stabilan unazad. |εi| ≤ u.5. za pomo´ne varijable vrijedi zk ≤ Nmax ). |ε| ≤ (n − 1)u + O(u2 ).1(v) uzimanjem ε = u.

10) Dokaz.5.9) je pozitivan. Neka su za i = 1.ˇ ˇ ˇ 3. ako u nejednakosti postoji ˇlan oblika c 2 2 O(u ). ≤ 1 + δ1 1−u . i pi ∈ {−1. .5. s c c c z s ako se u kasnijoj analizi ˇlan O(u2 ) mnoˇi s potencijalno velikim brojevima. s Jedan koristan pomo´ni rezultat c U formuli (3. Pokaˇimo da tvrdnja leme vrijedi za n + 1. produkt na lijevoj strani relacije (3. z z z c Lema 3. postoje dvije neugodnosti. pa je svrha analize naruˇena. c Pretpostavimo da tvrdnja leme vrijedi za neko n ≥ 1. c pa je 1 + δi > 0 za sve 1 ≤ i ≤ n.5.5. Ako je p1 = 1. viˇe c nismo sigurni je li postao O(u) ili moˇda ˇak O(1). Dokaz se provodi indukcijom po n.5. Prvo. 1 + θ1 = 1 + δ1 pa je 1 δ1 θ1 = −1=− . 1}. onda vrijedi n (1 + δi )pi = 1 + θn . . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 135 algoritma. Za n = 1 vrijedi u < 1.5. n.5. z c s Stoga se oblik (3. . i=1 (3.9) uz ocjenu |θn | ≤ γn := nu . Drugo. . δi realni brojevi. Iz pretpostavke z (n + 1)u < 1 |δ1 | u . viˇe nemamo ˇistu ocjenu ve´ tek ocjenu “do na veliˇinu reda u ”.10).8) uglavnom koristi kod jednostavnijih izraza u svrhu dobivanja ˇto povoljnije konstante uz u. 1 − nu (3. pa je u . Ako su svi |δi | ≤ u.7) javlja se produkt faktora koji su oblika 1+εk . onda je θ1 = δ1 . To znaˇi da je nu < 1. dobivamo |θ1 | = ˇime je lema dokazana za n = 1. Za ocjenjivanje izraza koji sadrˇe samo mnoˇenja i dijeljenja moˇemo koristiti sljede´u lemu. |θ1 | ≤ u ≤ 1−u Ako je p1 = −1. onda je 1 . Prema tome.3 Neka je u > 0 realni broj i n cijeli pozitivni broj takav da vrijedi nu < 1. 1 + δ1 1 + δ1 S obzirom da je 1 + δ1 ≥ 1 − u > 0. pa je θn dobro definiran i zadovoljava ocjenu (3.

008? Nakon analize stabilnosti produkta brojeva.ˇ ˇ ˇ 3.5. s Brojevi γn .11). pa je |θn+1 | ≤ nu2 (n + 1)u (n + 1)u nu +u+ = < .11) .5. Zadatak 3.5. broj θn+1 je dobro definiran relacijom n+1 1 + θn+1 = i=1 (1 + δi )pi . prouˇimo stabilnost sume brojeva. lako slijedi nu +u (n + 1)u − nu2 (n + 1)u |θn+1 | ≤ 1 − nu = . 1 ≤ i ≤ n.5.3 na relaciju (3. pa je 1 + θn+1 = n i=1 (1 + δi )pi · (1 + δn+1 )pn+1 = (1 + θn )(1 + δn+1 )pn+1 . n ≥ 1 imaju vrlo praktiˇno svojstvo. Za pn+1 = 1 dobivamo θn+1 = θn + δn+1 + θn δn+1 . c (3.10). GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 136 i |δi | ≤ u.1 (i) Dokaˇite nejednakost (3.5. < 1−u 1 − (n + 1)u + nu2 1 − (n + 1)u Time je dokaz indukcijom zavrˇen. 1 − nu 1 − nu 1 − nu 1 − (n + 1)u 1 + θn θn − δn+1 −1= . 1 ≤ i ≤ n + 1 slijedi nu < 1 i |δi | ≤ u. 1 + δn+1 Za pn+1 = −1 dobivamo θn+1 = pa je |θn+1 | ≤ Kako je 1 + δn+1 ≥ 1 − u > 0.5.7). c γm + γn + γm γn ≤ γm+n . z (ii) Primijenite lemu 3.9) i ocjenu (3. 1 + δn+1 1 + δn+1 |θn | + |δn+1 | . Je li dobivena konstanta uz u ve´a c ili manja od 1. Takoder. pa moˇemo koristiti z relaciju (3.5.

. Nastavljaju´i na taj naˇin.3. for i := 2 to n do si := si−1 + xi .4). . pri ˇemu ηi moˇemo ocijeniti pomo´u leme 3.12) |ε1 | ≤ u. (3.5.008 · (n − 1)u. 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 ) . Promotrimo prvo najjednostavniji rekurzivni z c c algoritam: s1 := x1 . 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 ).3 ili joˇ oˇtrije pomo´u leme 3.ˇ ˇ ˇ 3. c Oznaˇimo s si izraˇunatu vrijednost si . Tada prethodnu relaciju moˇemo zapisati u obliku z sn = x1 (1 + η1 ) + x2 (1 + η2 ) + · · · + xn (1 + ηn ). ˆ (3. 1 ≤ i ≤ n.5.5.13) .5. xi = f (xi ). GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 137 3. 1 + ηn−1 = (1 + εn−2 )(1 + εn−1 ) 1 + ηn = 1 + εn−1. Tada. Stabilnost sume sn = x1 + x2 + · · · + xn . gdje su svi |εi| ≤ u. Suma sn c moˇe se raˇunati na razne naˇine. kao i prije. prema relaciji (3.3. c z c s s c |ηi | ≤ 1.1(v). vrijedi c ˆ s2 = f (x1 + x2 ) = (x1 + x2 )(1 + ε1 ) = x1 (1 + ε1 ) + x2 (1 + ε1 ). Neka je pri ˇemu za brojeve xi vrijedi. ˆ Sliˇno. i = 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 ). (n − i + 1)u. 2 ≤ i ≤ n.5.

traˇimo redoslijed indeksa j1 .16) |x1 + x2 + · · · + xn | Ako na trenutak pretpostavimo da je ηi xi proizvoljna perturbacija od xi za svako i.15) pokazuje kako se ponaˇa relativna greˇka funkcije sn pri relativnim greˇkama njenih argumenata xi . moˇemo koristiti bilo koji s (sekvencijalni) redoslijed sumiranja. pa je i greˇka unaprijed mala. 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 . ocijenjena s s ˆ |ˆn − sn | s ≤ cond(sn )1. j2 . umjesto x3 onaj sumand koi se sljede´i dodaje sumi itd. c cond(sn ) = z Umjesto da sumiranje vrˇimo redom od x1 do xn . s z s za pozitivne xi i η1 = η2 = · · · = ηn . brojeve 1. Pritom ´e vrijediti relacija (3.5.5. onda je cond(sn ) = 1. povezuje greˇku unaprijed s greˇkom unazad. a to znaˇi da je algoritam stabilan unaprijed. Stoga s s s je cond(sn ) broj uvjetovanosti za sn i on. |sn | gdje je (3. Je li algoritam.12) s tim da z c umjesto x1 i x2 stoje oni sumandi koji se prvi zbrajaju. onda vidimo da formula (3.5. takoder.5. Ipak.5. . ako svi xi imaju isti predznak.15) |x1 | + |x2 | + · · · + |xn | . . Dakle. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 138 Relacije (3.14) ≤ (|x1 | + |x2 | + · · · + |xn |) · 1.5. Ocjene ´e nakon odgovaraju´e analize greˇaka c c s zaokruˇivanja biti posve analogne. c Katkad su svi ˇlanovi sume istog predznaka i pritom joˇ uredeni u monotoni c s niz.008(n − 1)u. pa pustite da t → 0).5. kao ˇto znamo iz odjeljka o uvjetovanosti.ˇ ˇ ˇ 3. stabilan unaprijed? Da bismo odgovorili na to pitanje oduzmimo od sn egzaktnu sumu sn . 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. s c Isti zakljuˇak vrijedi kadgod cond(sn ) nije veliki broj.13) pokazuju da je rekurzivni algoritam za sumiranje brojeva povratno stabilan.008(n − 1)u.12) i (3. algoritam nije op´enito c stabilan unaprijed.14) daje oˇtru ocjenu jer se jednakost dostiˇe npr. Nejednakost (3. (3. Stoga je relativna greˇka od sn kao aproksimacije za sn . . Kako cond(sn ) moˇe biti proizvoljno s s z velik (uzmimo npr. jn z za koji je |xj1 η1 + xj2 η2 + · · · + xjn ηn | . . Ocjene za relativnu greˇku svakog perturbiranog polaznog s podatka xi (1 + ηi ) su manje od nu.5. z s a sn ne ovisi o redoslijedu sumiranja). −1 i t.

12. pa |η1 | moˇe biti manji od bilo kojeg ηj . k ≥ 2 algoritam ima k glavnih koraka. y1 = xmin + xmax . c Kod odabiranja sumacijske metode s ciljem dobivanja ˇto toˇnije s c sume sn . Koliko prolaza ima glavna petlja kad je n c c jednako 8. 15? Generalizirajte zaljuˇak za n izmedu 2k i 2k+1 .. . .3 Prije primjene zadnjeg algoritma moˇemo sortirati elemente niza z (xi ). Koju strategiju biste izabrali? Npr. Problem je teˇak jer greˇke εk koje definiraju svaki ηi mogu biti i pozitivne z s i negativne.. zm1 = xn−1 + xn . jn daje najbolju ocjenu za |xj1 η1 + · · · + xjn ηn |? Tako dolazimo do jednostavnog pravila.2 Ako je n = 2k . U prvom zbrajamo u parovima zi = x2i−1 + x2i . 16..12) svaki |ηi | omeden sa 1.. 3 ≤ j ≤ n. Zadatak 3. z2 = x3 + x4 . wm2 = zm1 −1 + zm1 . zm1 . . z1 = x1 + x2 . j2 . 9. 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.12). .5. 13. Ako je niz |x1 |.ˇ ˇ ˇ 3. c Zadatak 3. . 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. Ako je n = 2 . treba izabrati onu koja daje ˇto manje apsolutne vrijednosti s medurezultata. c c pa se u k-tom koraku oni zbroje daju´i sn . c Nastavljaju´i na taj naˇin.5. ali na raˇunalu traˇi cijelo polje dodatnih lokacija u s c z memoriji. U drugom ponavljamo istu operaciju nad z1 . nakon k − 1 glavnih koraka imamo 2(k−(k−1)) = 2 ˇlana.008ku. a pribliˇno tolika ´e biti i z k ograda za svaki |ηi | iz relacije (3. dokaˇite da svaki xi sudjeluje u toˇno k zbrajanja. Stoga moramo zaz htjev malo oslabiti pitanjem koji redoslijed indeksa j1 . . . m2 = m1 /2 = 2k−2 . z c pa je u relaciji (3.. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 139 najmanje.5. |x2 |. z c Algoritam ima pribliˇno log2 (n) glavnih koraka. m1 = n/2 = 2k−1. . w2 = z3 + z4 . 1 ≤ i ≤ [n/2]. spomenimo joˇ jedan koji s daje najmanju ocjenu greˇke. . . 10. . Pokuˇajte napisati algoritam s za op´i sluˇaj kad n nije potencija od 2. . w1 = z1 + z2 .5.. sumiramo u smjeru od apsolutno najmanjeg do apsolutno najve´eg ˇlana. |xn | monoton. 14. 11. . . Zovemo ga sumiranje po parovima ili kaskadno sumiranje. c c Kaskadno sumiranje Osim danog jednostavnog algoritma za sumiranje.

Ne radi se o ve´em broju zbrajanja. mantisa se normalizira. s s z Neka su a = f (a) i b = f (b) takvi da je |a| ≥ |b|. Neka je s = f (a + b). 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.4. Ako je elemenata xi previˇe da bi svi stali u brzu memoriju. Zatim se mantise zbroje. ili y1 = xmin1 + xmin2 . 3. i kako dalje? Napomena 3.1 Prednost standardnog algoritma prema “binarnom” je i u kra´em trajanju na raˇunalu. Prije zbrajanja operanada moderna raˇunala zahvate cijeli blok poc dataka (onih u uzastopnim ´elijama) oko teku´ih operanada u brzu cache memoc c riju. nego o naˇinu c c c c c dohva´anje elemenata polja u raˇunalo kod izvodenja aritmetiˇkih operacija s elec c mentima polja. Analiza koja pretpostavlja da su osnovne z greˇke nezavisne sluˇajne varijable s oˇekivanjem nula i konaˇnom standardnom s c c c √ devijacijom. nego kod standardnog algoritma? Kod ve´ine aplikacija ne. Kompenzirano sumiranje Kompenzirano sumiranje je posebno atraktivno ako ve´ koristimo najprecizniju c aritmetiku u raˇunalu (npr. uz jasno poznavanje kako koristi brzu memoriju. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 140 i kako dalje. ˆ Promotrimo sljede´u ilustraciju. Radi se c o rekurzivnom algoritmu s korektivnim sumandom koji je tako odreden da gotovo poniˇti greˇke zaokruˇivanja. Ako se binarni algoritam ne programira vrlo precizno. s s c a eksponent podesi. dvostruku preciznost podataka i aritmetike). oˇekivana vrijednost za η1 je s √ c s oko n − 1u. Usprkos mnogo ve´im ogradama stvarne greˇke ηi kod stanc c s dardnog algoritma su bitno manje. . mogao bi zahtijevati daleko ve´i broj dohva´anja c c ˇlanova niza xi nego standardni algoritam. a ako je pritom doˇlo do prekoraˇenja vrijednosti. Malo viˇe svjetla na tu zagonetku baca i statistiˇka analiza osnovnih greˇaka s c s zaokruˇivanja za sumu ε1 + · · · + εn .5.5. zaokruˇe na t bitova (koliko mantisa z dopuˇta). pokazuje da je oˇekivana vrijednost za njihovu sumu omedena s nu c ˇto je daleko povoljnije od teoretske granice nu (npr. koja koristi izduˇene pravokutnike za prikaz manc z tise. ˇto je mnogo povoljnije od (n − 1)u). gdje su xmin1 i xmin2 dva najmanja broja. dohva´aju se po s c blokovima. c Isplati li se investirati dodatnu memoriju i raˇunsko vrijeme da bismo imali c osigurane bitno manje ograde za svaki ηi .ˇ ˇ ˇ 3.

5. Nakon ˇto je izraˇunata parcijalna suma si−1 . s := 0. koja se u sljede´em koraku dodaje ˇlanu xi prije c c c njegova dodavanja parcijalnoj sumi si−1 .1 Izvlaˇenje greˇke zaokruˇivanja c s z Iz slike 3.5. koja je mala.ˇ ˇ ˇ 3. 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. dobra aproksimacija greˇke (a + b) − s. Gotovo uvijek je parcijalna suma po modulu ve´a od elementa koji joj se c dodaje. z := xi + e. ˆ s Sljede´i Kahanov algoritam koristi korekciju e u svakom koraku standardnog c rekurzivnog sumacijskog algoritma. ali ne moˇe mijenjati z z c si−1 koja je ve´ najbolja strojna aproksimacija od si−2 + xi−1 . for i := 1 to n do begin temp := s. s := temp + z. ˆ ako se izraˇuna na raˇunalu u redoslijedu naznaˇenom zagradama c c c e = (((a ⊕ b) ˆ a) b). e := 0.1 moˇemo zakljuˇiti da je greˇka e. e := (temp − s) + z end {vaˇan je redoslijed izvrˇavanja} z s . za standardni naˇin zaokruˇivanja s ˆ c z u IEEE aritmetici moˇe se pokazati da je z a + b = s + e. Evo algoritma. s c odmah se raˇuna njena korekcija. pa korekcija e. Zapravo. z c s e = −[((a + b) − a) − b] = (a − s) + b. ˆ ˆ pa e reprezentira pravu greˇku. moˇe mijenjati element xi .

ali ´emo z s c zbog jednostavnosti analizirati samo iterativni algoritam s1 := x1 · y1 . jer ˆ z c uvjet |si−1 | ≥ |xi | (u algoritmu: |temp| ≥ |y|) ne´e uvijek biti zadovoljen. e nije nuˇno toˇna korekcija. for i := 2 to n do si := si−1 + xi · yi . moˇemo preuzec s z ti neke dijelove izvoda ocjena greˇaka zaokruˇivanja. Kao i kod sumacije.5. Tada imamo. . . 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 ). . oznaˇimo c s = sn = xT y = x1 y1 + x2 y2 + · · · + xn yn . . yn ]T .5. s z 3. Kao i prije. x = [x1 . te za svako i parcijalne sume si = x1 y1 + · · · + xi yi. Zbog sliˇnosti s prijaˇnjim algoritmom za sumiranje n brojeva. Prvo. y = [y1 . . . Drugo. Ipak. y ∈ Rn . moˇe se pokazati da ηi iz c c formule (3.5.12) za kompenziranu sumaciju zadovoljava |ηi | ≤ 2u + O(nu2 ). 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 ) . Da bismo analizirali skalarni produkt vektora x i y. moˇemo definirati viˇe algoritama za skalarni produkt. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 142 Ova metoda ipak ima dva manja nedostatka. sa si oznaˇimo s z ˆ c izraˇunate vrijednosti. .ˇ ˇ ˇ 3. ˇto je gotovo nedostiˇan rezultat. xn ]T . . . . Stabilnost skalarnog produkta i osnovnih matriˇnih c operacija Neka su x. . c z u raˇunalu se raˇuna z := xi ⊕ e a ne z := xi + e.

.17) je rezultat analize povratne greˇke koji se moˇe ovako interpretirati. (n − i + 2)u. . (3. .5. z To se dogada kad je |xT y| |x|T |y|.504(n + 1)u za n ≥ 2. . S obzirom da je za taj sluˇaj broj uvjetovanosti 1. . xn 1 + ηn ] i y + δy = [y1 1 + η1 . . zasluˇuje razmatranje. Algoritam je povratno stabilan. Ipak on je stabilan z unaprijed kad su svi produkti xi yi istog predznaka (tada je cond(sn ) = 1).14).504n)u ˇto je manje od 0.008nu. ili joˇ oˇtrije pomo´u leme 3.008 · nu. Dakle. . Zakljuˇak je isti kao i kod sumiranja: greˇka c s unaprijed moˇe biti velika.5. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 143 gdje je |δ1 | ≤ u. c x = x2 + · · · + x2 1 n |ε| ≤ 1. i = 1.5. Da bismo dobili ocjenu za greˇku unaprijed. pa algoritam nije stabilan unaprijed. ˆ (3. . yn (1 + ηn )]. 1 n 1 n pa se jednostavno dobije f ( x ) = x (1 + ε · ). takoder.5.5. . . raˇunanje norme je stabilno (uns c aprijed i unazad). . |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 | ≤ 1.008nu(1 + u) − 1 ≤ (1 + 0. Raˇunanje 2-norme. |ε · | ≤ √ 1 + 1. xn (1 + ηn )] i y.5. z x + δx = [x1 (1 + η1 ). (3.17) z c s s c pri ˇemu ηi moˇemo ocijeniti pomo´u leme 3. ali i x + δx = [x1 1 + η1 . x i y + δy = [y1 (1 + η1 ). . . Kao perturbirane vektore moˇemo uzeti npr.19) Vidimo da broj uvjetovanosti cond(sn ) za skalarni produkt moˇe biti po volji velik.3. vrijedi z c f (x2 + · · · + x2 ) = (x2 + · · · + x2 )(1 + ε).008nu. pa je sn = x1 y1 (1 + η1 ) + x2 y2 (1 + η2 ) + · · · + xn yn (1 + ηn ). koristimo analogne ocjene kao u relaciji s (3. yn 1 + ηn ].5. . s z Izraˇunati skalarni produkt f (xT y) je egzaktan skalarni produkt mac lo perturbiranih vektora x i y. . 2 ≤ i ≤ n. .18) Relacija (3.ˇ ˇ ˇ 3.

onda vrijedi aij = xi xj .4 Je li raˇunanje ostalih normi. pa je raˇunanje vanjskog produkta operacija stabilna unaprijed. E = [ εij ] . Ovdje ˇak x i y ne trebaju biti iste dimenzije. odnosno. stabilno? Za razliku od skalarnog (unutraˇnjeg) produkta. 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. x c ∞. ˆ |A − A| ≤ u|A|. pa je c aij = f (aij ) = aij (1 + εij ). Stoga je ˆ A = f (xy T ) = A + E. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 144 Zadatak 3. vanjski produkt vektora s A = xy T nije povratno stabilan. ˆ za sve i. j. Ako elemente c matrice A oznaˇimo s aij . x p . pa vrijedi |E| ≤ u|xy T | = u|A|. npr.5. |εij | ≤ u .ˇ ˇ ˇ 3. x 1 .

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

Ipak. Medutim. Kako je broj operacija u Gaussovim eliminacijama O(n ).3.2. nivo : Sekcije 4. o primjeni linearnih c sustava jednadˇbi. Po potrebi se sluˇiti materijalom z iz dodataka ili druge literature. Shvatiti vaˇnost pivotiranja za numeriˇku stabilnost Gaussovih eliminacija. ˇto je viˇe od deset dana. s 2. organiziran je u c viˇe nivoa tako da ga mogu ˇitati i poˇetnici i napredniji ˇitatelji. mogu´e je da je svaka od O(n3 ) c z c operacija u Gaussovom algoritmu izvrˇena s greˇkom zaokruˇivanja. z c c 4 .ˇ 4. n. s s s U ozbiljnim primjenama treba u procesu projektiranja puno puta rjeˇavati s takve sustave. veliˇinu tzv. . . Ono po ˇemu su raˇunala poznata je brzina – dobro jednoprocesorsko raˇunalo c c c 9 s c moˇe napraviti npr. problem koji je matematiˇki posve jeds c nostavan u praksi moˇe biti puno izazovniji i netrivijalniji. i 4. Sjetimo se. nivo : Materijal iz odjeljka 4. z c z uz papir i olovku. svladati algoritme za rjeˇavanje trokutastih sus stava. nivo : Prouˇiti i shvatiti barem jedan primjer iz odjeljka 4. za n = 105 broj operacija reda veliˇine 1015 pa brzinom od 109 operacija u c sekundi dobivamo vrijeme izvrˇavanja4 oko 106 sekundi. Dakle. Analizirati i shvatiti sve primjere. Vodiˇ kroz ovo poglavlje c Materijal u ovom poglavlju je prije svega namijenjen naprednom studiranju numeriˇke matematike i usvajanju nekih osnovnih principa. itd. Paˇljivo. ono ˇto je osnovna znaˇajka z moderne numeriˇke matematike je da joj u primjenama dolaze problemi sve ve´ih c c 3 dimenzija. obraditi primjere i opis Gaussovih eliminacija na primjeˇ ru male dimenzije. z c Ovdje namjerno pojednostavljujemo ocjenu vremena izvrˇavanja. Citatelj na ovom nivou treba nauˇiti kako funkcioniraju c Gaussove eliminacije. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 146 procedure (potprogrami) koji generiraju A i b. cache memoc c c rije. Materijal iz odjeljka 4. . z U divljenju brzini kojom raˇunalo zbraja. ˇitati do iskaza teorema. Za precizniju procjenu je s potrebno uraˇunati i vrijeme pristupa memoriji i dohva´anje podataka. oduzima ili mnoˇi brojeve ˇesto c z c zaboravljamo da su rezultati tih operacija uglavnom netoˇni. Sljede´i pregled s c c c c bi trebao pomo´i ˇitatelju pri planiranju prouˇavanja ponudenog materijala. te biti u stanju na ruke rijeˇiti sustave manje dimenzije. Dakle.4. Tada je brzina raˇunala samo jedan faktor u razumno (ili dovoljno) c brzom rjeˇavanju linearnog sustava. uoˇiti vezu izmedu procesa eliminacija i faktorizacije c matrice koeficijenata sustava. 10 operacija u sekundi.3. svladati u potpunosti. raˇunalo c c reprezentira brojeve i izvrˇava raˇunske operacije koriste´i fiksni broj znamenki – to s c c znaˇi da se rezultati operacija zaokruˇuju. c c c 1. i = 1. U ovom trenutku vaˇno je dobiti osje´aj za red veliˇine. 3.1. . Koliko onda s s z moˇemo vjerovati izraˇunatom rjeˇenju? z c s 4. svladati u potpunosti.3. onda je zadatak izraˇunati numeriˇke c c vrijednosti xi . to znaˇi da c je npr.

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. tj. . yi ). ⎥ ⎢ . Pretpostavljamo i da je xi = xj za i = j. . . . Zahvaljuju´i njenom specijalnom obc −1 liku. 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. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 147 4. xn ⎥ ⎢ . . n.1) Matrica V zove se Vandermondeova matrica. 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 .2 ⎥ . . c . . ⎥ = ⎢ . . (Govorimo o interpolacijskom polinomu. c s z Primjer 4.ˇ 4.) 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 . ⎥ ⎥⎢ ⎥ ⎢ ⎥ ⎦ ⎣ an−1 ⎦ ⎣ yn−1 ⎦ xn an yn n a y ⎤⎡ ⎤ ⎡ ⎤ (4. . . . i = 0.2. . . . .1 Zadani su parovi toˇaka (xi . . an tako da vrijede uvjeti interpolacije p(xi ) = yi . Kriterij za odabir polinoma p(x) je da u toˇkama xi ima vrijednost p(xi ) = c z yi = f (xi ). mogu´e je efikasno odrediti a = V y. . 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 . tj. ··· . ⎥ i ⎥⎢ . . . . = yi = yn . 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 ⎥ ⎥ ⎢ . . ⎥ ⎢ .2. . . . n. i = 0. . 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. Vidimo da svaki uvjet interpolacije daje jednu jednadˇbu u kojoj se nepoznati koz eficijenti pojavljuju linearno. . Sve jednadˇbe ˇine sustav linearnih jednadˇbi kojeg z c z moˇemo matriˇno zapisati u obliku V a = y.2. .

−u (xi ) = gdje je ei = −(u(4) (xi + αi ) + u(4) (xi + ζi )) Matriˇno to moˇemo zapisati kao c z ⎡ ⎤ ⎤⎡ u1 ⎥ ⎢ u2 ⎥ ⎥ ⎥⎢ ⎥⎢ u ⎥ ⎥⎢ 3 ⎥ ⎥⎢ . .ˇ 4.8) 2 −1 ⎢ −1 2 −1 ⎢ ⎢ ⎢ −1 2 −1 ⎢ ⎢ ··· ··· ⎢ ⎢ −1 ⎢ ⎢ ⎣ ⎡ ··· 2 −1 −1 2 −1 = ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎥ ⎥ 2⎢ 2⎢ ⎥ +h ⎢ ⎥. ⎥ ⎥⎢ .2. (4. . n dobivamo ui+1 + ui−1 = 2ui + u (xi )h2 + (u(4) (xi + αi ) + u(4) (xi + ζi )) tj.2. dx2 u(0) = u(1) = 0. . . h ⎢ ⎢ ⎥ ⎢ ⎥ ⎢f ⎥ ⎢e ⎥ ⎢ n−2 ⎥ ⎢ n−2 ⎥ ⎢ ⎥ ⎢ ⎥ ⎣ fn−1 ⎦ ⎣ en−1 ⎦ f1 f2 f3 .7) −ui−1 + 2ui − ui+1 − ei .2.2. 24 ⎤ ⎡ (4. Zbrajanjem jednadˇbi (4. xi + h). .2) (4. .2. Primijetimo da pod odredenim uvjetima moˇemo oˇekivati c s da je e 2 mali broj.2. 1]. i = 0. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 148 Primjer 4. pa ga zanemarujemo. 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 .2.2 Promotrimo sljede´i rubni problem: c − d2 u(x) = f (x).2.5) 6 24 (xi ) 3 u(4) (xi + ζi ) 4 h + h . . 0 < x < 1. . n + 1. 4. . (4.2. .2.5) i (4. .3) Rjeˇenje u problema (4. 24 (4. e1 e2 e3 . Iz uvjeta (4. (4. .2. . Odaberimo prirodan broj n i definirajmo c h= 1 .6) 6 24 z gdje su αi ∈ (xi . .2.6) za i = 1.4) Sada promatramo vrijednosti ui = u(xi ). i = 0.2.9) 2 Tn un u fn f en e U jednadˇbi Tn u = h2 f + h2 e ˇlan e ne znamo.3) odmah vidimo da je u0 = un+1 = 0. e 2 = O(h2 ). n+1 xi = ih. (4. tj. h2 h2 . pokuˇat z c s ˆ z c ´emo rijeˇiti Tn u = h2 f . n + 1. ζi ∈ (xi − h. ⎥ ⎥⎢ . xi ). ⎥ ⎥ ⎥⎢ ⎥ ⎢ un−2 ⎥ ⎥ ⎥⎢ ⎥ −1 ⎦ ⎢ u ⎣ ⎦ n−1 h4 . .2. .2. .3) aproksimirat ´emo na skupu od konaˇno mnogo s c c toˇaka iz segmenta [0. ⎤ (4.

c Numericko rjesenje od -u’’=f 1.6 0.8 1 Egzaktno rjeˇenje i numeriˇka rjeˇenja dobivena s n = 10 i n = 50 ˇvorova.5 -1 -1. za kojeg znamo toˇno c rjeˇenje u(x) = sin 4πx. Rezultati su dani na sljede´oj slici.4 0.5 "egzaktno_rjesenje" "numericka_aproksimacija_50" "numericka_aproksimacija_10" 1 0.5 0 0. f (x) = 16π 2 sin 4πx. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 149 Tek da ilustriramo. s c s c .5 0 -0. Uzet ´emo n = 10 i n = 50 i vidjeti koliko su dobre s c dobivene aproksimacije.ˇ 4.2 0. uzmimo npr.

s Mi ne moˇemo toˇno odrediti niti u jer raˇunamo u aritmetici s konaˇnom z c ˆ c c preciznosti. Neka je u izraˇunata aproksimacija vektora u. (4. Ideja je jednos z stavna. x2 = . ˇto znaˇi da je relacija (4. ˆ (4.2. najjednostavniji i najpoznatiji algoritam za rjeˇavanje sustava linearnih jednadˇbi Ax = b.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 .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 ). tj. Da bismo rijeˇili sustav s 2x1 − x2 = 1 −x1 + 2x2 = 1 1 dovoljno je primijetiti da zbog prve jednadˇbe vrijedi x1 = (1 + x2 ). c c z −1 Neka je u = h2 Tn f .3. 2 Vidimo da nejednakost u relaciji (4. pa je druga z 2 jednadˇba z 3 3 1 − (1 + x2 ) +2x2 = 1.11) moˇe za neke izbore vektora e i f prije´i z c u jednakost.) Lako se pokaˇe da je matrica Tn regularna. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 150 Za iskusnije ˇitatelje odmah ´emo malo prodiskutirati dobiveno rjeˇenje. z z . z 4. Imamo ˆ −1 −1 −1 u − u = Tn (h2 f + h2 e) − h2 Tn f = h2 Tn e. 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 ). Iz relacije (4.2)–(4.2. Kaˇemo da smo x1 eliminirali iz druge jednadˇbe. 2 2 2 x1 odakle je x1 = 1.2.2.2. (Osc c s tali mogu preskoˇiti sljede´u diskusiju. tj. x2 = 1.2.11) realistiˇna ocjena greˇke diskretizacije s c c s e na aproksimaciju rjeˇenja polaznog rubnog problema (4.11) 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).3). Pitanje je koliku toˇnost ˜ c ˆ c aproksimacije treba imati u.2.ˇ 4. Gaussove eliminacije i trokutaste faktorizacije Metoda Gaussovih eliminacija je svakako najstariji.

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 ⎦ . Ako ovu transformaciju sustava zapiˇemo matriˇno.3. Druga jednadˇba sada z z glasi 2x2 − x3 = 1.1) A = [ aij ]3 i. koje postaju dvije jednadˇbe s dvije nepoznanice (x2 i x3 ).1. 5 tj. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 151 Ovu ideju moˇemo lako generalizirati na dimenziju n > 1.1) 0 5 ⎥⎢ 0 ⎦ ⎣ 10 1 −15 ⎤⎡ 1 4 5 ⎥ ⎢ 4 7⎦ = ⎣ 0 5 −9 −15 A ⎤ ⎡ 1 4 ⎥ 2 −1 ⎦ . gdje sustavno eliz miniramo neke nepoznanice iz nekih jednadˇbi. 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. .ˇ 4.1 4.j=1 Koristimo metodu supstitucija. 5 pa druga jednadˇba sada glasi z 10 (19 − x2 − 4x3 ) + 4x2 + 7x3 = 39. Matriˇni zapis metode eliminacija c ⎡ ⎤⎡ ⎤ ⎡ ⎤ Primjer 4. Dobivamo z 1 x1 = (19 − x2 − 4x3 ). te to uvrstimo u zadnje dvije jednadˇbe.j=1 ⎤ A(1) = a(1) ij 1 Takav koncept je prvi uveo Alan Turing. Kvalitativno novi moment u analizi metode eliminacija nastaje c kada sam proces eliminacija interpretiramo kao faktorizaciju matrice sustava A na produkt trokutastih matrica. Pokazuje se da takav algoritam z ima dosta zanimljivu strukturu i da ga se moˇe ekvivalentno zapisati u terminima z matriˇnih operacija. −9 −32 x3 b = [ bi ]3 i=1 (4. 10 10 − (x2 + 4x3 ) + 4x2 + 7x3 = 39 + − 19 . imamo s c ⎡ 5 ⎢ ⎣ 10 −15 1 4 ⎥ 4 7⎦ 5 −9 A ⎤ ⎡ → 1 0 ⎢ ⎣ −2 1 0 0 L(2. odnosno eliminacija.3.3. 5 5 Dakle. Prvo iz prve jednadˇbe izraziz c z mo x1 pomo´u x2 i x3 .

3. c s z z Obratno.1) i L(3. ⎦ 3 3 i.2) rekonstruiramo c c c z tre´u jednadˇbu polaznog sustava (4. ako trojka x1 .3.1) Novi. 3 0 1 −32 25 L(3.1) zadovoljava i sustav (4.ˇ 4.3. x2 .3.1).3. Eliminaciju nepoznanice x1 smo prikazali kao rezultat c mnoˇenja matrice koeficijenata i vektora desne strane s lijeva jednostavnim maz tricama L(2.1) A(1) ⎤⎡ 4 −1 ⎥ .3.3. primijetimo da smo proces eliminacija (tj.1) c z z i (4. izraˇavanja nepoznanice z x1 pomo´u x2 i x3 i eliminiranjem x1 iz zadnje dvije jednadˇbe) jednostavno opisali c z matriˇnim operacijama.2). b(2) (4. 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. s Nadalje.3. c z z Oˇito je da rjeˇenje x = (x1 . onda mnoˇenjem prve jednadˇbe u (4. sustav je A(2) x = b(2) .1) 1 0 0 19 19 ⎢ ⎥⎢ ⎥ ⎢ ⎥ → ⎣0 1 0⎦⎣ 1⎦ = ⎣ 1⎦.3. ekvivalentni. U tom smislu kaˇemo da sustavi (4.1). Na sliˇan naˇin iz prve i tre´e jednadˇbe sustava (4. x2 . dobijemo drugu jednadˇbu sustaz z va (4. 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. x3 )T sustava (4.2) ekvivalentni: imaju isto rjeˇenje. x3 zadovoljava (4. tj. 5x1 + x2 + 4x3 = 19 2x2 − x3 = 1 8x2 − 3x3 = 25.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. .2).3.1) .2) u kojem su druga i tre´a jednadˇba sustav od dvije jednadˇbe s dvije nepoznanice.2) s 2 i zatim pribrajanjem drugoj jednadˇbi.

5) Sustav (4. Paˇljivo pogledajs z mo oblik matrica u realaciji A(3) = L(3. L = (L(2.1). Iz druge jednadˇbe je x2 = (1 + x3 ) = 2.3).ˇ 4.3) 7x3 = 21.1) je donjetrokutasta matrica.1) L(2. a produkt L(3.1) )−1 (L(3. Iz tre´e jednadˇbe je x3 = c z s Jednostavna provjera potvrduje da su x1 .3. To moˇemo proˇitati i ovako: c z c A = LA(3) . 7 1 2.3. Analizirajmo postupak rjeˇavanja u prethodnom primjeru. 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.2) ⎤⎡ ⎤⎡ 4 5 1 ⎥ ⎢ −1 ⎦ = ⎣ 0 2 3 0 0 A(3) ⎤ ⎡ ⎤ ⎤ ⎡ 4 ⎥ −1 ⎦ 7 ⎤ (4.1) )−1 (L(3.3. z 5 1. z 2 1 3. x2 .2) )−1 . Tako tre´a jednadˇba postaje 7x3 = 21. s 21 = 3. .2) L(3. Matrica A(3) je gornjetrokutasta. Iz prve jednadˇbe je x1 = (19 − x2 − 4x3 ) = 1. 1 25 21 b(2) b(3) = (bi )3 i=1 (3) (4.2) jednostavniji od polaznog. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 153 Jasno je da je sustav (4.3.4) A(2) L(3. x3 rjeˇenja polaznog sustava (4.1) A.2) i transformaciju vektora desne strane ⎡ 19 ⎢ ⎥ ⎣ 1⎦ 25 b(2) ⎤ ⎡ → 1 ⎢ ⎣0 0 0 19 19 ⎥⎢ ⎥ ⎢ ⎥ 0⎦⎣ 1⎦ = ⎣ 1⎦ . lako rijeˇimo.3.2) L(3. Dakle. polaznu matricu A smo mnoˇenjem slijeva donjetrokutastom matricom z naˇinili gornjetrokutastom. koji je ekvivalentan polaznom. 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(3.3.1) L(2.

Govorimo o LU faktorizaciji matrice A (neki tu faktorizaciju zovu i LR faktorizacija matrice).1) )−1 (L(3.1) )−1 (L(3. Dakle.2) dobijemo samo promjenom predznaka netrivijalnih elemenata u donjem trokutu. x = A−1 b = (LU)−1 b = U −1 L−1 b. A = LA(3) . Matricu sustava A treba faktorizirati u obliku A = LU. Uoˇimo da c je raˇunanje produkta koji definira matricu L jednostavno. Rjeˇavanjem donjetrokutastog sustava Ly = b treba odrediti vektor y = L−1 b. . ali s nizom razliˇitih desnih strana b. Dakle. ovakav zapis metode eliminacija je prirodan. Vidimo da je u tom sluˇaju transforc c macije na matrici A dovoljno napraviti jednom (prvi korak u gornjem zapisu metode).” i sl.1 ima niz prednosti: • Operacije su iskazane u terminima matrice A i desne strane b.2) )−1 ⎡ ⎤⎡ ⎤⎡ ⎤ ⎡ ⎤ Dakle. Ovakav zapis metode opisane u primjeru 4. gdje je L donjetrokutasta. operacije izraˇavamo operacijama s matricama i vektorima. Sada joˇ primijetimo da je relacija (4. Gornjetrokutastu matricu u ovom kontekstu obiˇno oznaˇavamo (3) s U = A . s 3. a ne u terminima c izraˇavanja neke nepoznanice pomo´u ostalih.1) . a U gornjetrokutasta matrica. z To omogu´uje jednostavnu i sustavnu primjenu opisane metode na sustav s c proizvoljnim brojem nepoznanica.1) i L(3.. Rjeˇavanjem gornjetrokutastog sustava Ux = y treba odrediti vektor x = s U −1 y = U −1 (L−1 b).3.1 rijeˇen je metodom koja se sastoji od tri glavna koraka. u terminima matrice A i vektora b. matricu A smo napisali kao produkt donjetrokutaste i gornjetrokutaste mac c trice.ˇ 4. x3 . Jasno.1) b = L−1 b. c . • Ponekad u primjenama rjeˇavamo nekoliko linearnih sustava s istom matricom s A. 2. c L(3. Umjesto “x1 izrazimo pomo´u z c x2 . a zatim za razliˇite desne strane provesti samo zadnja dva koraka.2) L(3. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 154 gdje je L donjetrokutasta matrica.3.3. . . linearni sustav u primjeru 4. s 1. a cijeli produkt jednostavno je stavljanje tih elemenata na odgovaraju´e c pozicije u matrici L. pa je A rastavljena na produkt A = LU. 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⎦. Sam linearni sustav je u raˇunalu pohranjen c kao matrica koeficijenata A i vektor desne strane b. Inverze matrica L(2.1) L(2. gdje je b = L(3.3) zapravo linearni s (3) (3) sustav Ux = b . 0 0 1 −3 0 1 0 4 1 −3 4 1 (L(2.

pa tu vrijednost uvrstimo u izraz koji daje x2 . a za i > 1 formula za xi je funkcija od bi . zatim x1 c i x2 uvrstimo u izraz za x3 . . • mnoˇenja: 1 + 2 + · · · + (n − 1) = z 1 n(n − 1). Pogledajmo. c c Dakle. Ovakav postupak zovemo supstitucija unaprijed. z c Vidimo da x1 moˇemo odmah izraˇunati. . . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 155 4. /∗ Supstitucija unaprijed za Lx = b ∗/ b1 x1 = . 4. . 2 1 n(n − 1). } Prebrojimo operacije u gornjem algoritmu: • dijeljenja: n . prvo izraˇunamo x1 . n { xi = bi − i−1 ij xj j=1 ii . Algoritam 4.3. . 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⎥ ⎥⎢ ⎥ = ⎢ ⎥.3. 2 • zbrajanja i oduzimanja: 1 + 2 + · · · + (n − 1) = . Trokutasti sustavi: rjeˇavanje supstitucijama unaps rijed i unazad Trokutasti sustavi jednadˇbi lako se rjeˇavaju. . 3.2. . To znaˇi da su c x1 = x2 = x3 = x4 = b1 11 = 0 za i = 1. 11 za i = 2. ⎦ ⎣ x3 ⎦ ⎣ b3 ⎦ x4 b4 44 ii ⎤⎡ ⎤ ⎡ ⎤ Neka je matrica L regularna. na primjer.ˇ 4.1 Rjeˇavanje linearnog sustava jednadˇbi Lx = b s regularnom dos z njetrokutastom matricom L ∈ Rn×n . Oˇito je c 1 22 (b2 − (b3 − (b4 − 21 x1 ) 1 33 31 x1 − − 32 x2 ) 1 44 41 x1 42 x2 − 43 x3 ). 2. itd. . i-tog retka matrice L i nepoznanica x1 . xi−1 koje su prethodno ve´ izraˇunate.

z Gornjetrokutaste sustave rjeˇavamo na sliˇan naˇin. .3. sloˇenost ovog algoritma je O(n2 ). } Kao i kod supstitucija naprijed. z 4. ⎢ ⎥⎢ ⎥ = ⎢ ⎥. 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 ).2 Rjeˇavanje linearnog sustava jednadˇbi Ux = b s regularnom s z n×n gornjetrokutastom matricom U ∈ R . u11 x4 = Ovakav postupak zovemo supstitucija unazad. 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. ali ´emo zbog jednostavnosti razmatranja na poˇetku sve c c . LU faktorizacija Sada kad smo uoˇili da se rjeˇavanje linearnog sustava Ax = b faktoriziranc s jem matrice A svodi na trokutaste sustave.ˇ 4. Zanima nas proizvoljna dimenzija n. . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 156 Dakle. xn = unn za i = n − 1.3. 1 { xi = bi − n uij xj j=i+1 uii. . ⎣ 0 0 u33 u34 ⎦ ⎣ x3 ⎦ ⎣ b3 ⎦ i=1 0 0 0 u44 x4 b4 onda. ukupna sloˇenost je O(n2 ). Algoritam 4. ostaje nam posebno prouˇiti faktorc n×n izaciju matrice A ∈ R na produkt donje i gornjetrokutaste matrice. . /∗ Supstitucija unazad za Ux = b ∗/ bn . polaze´i od zadnje jednadˇbe unazad.3.

1). Ako z definiramo matricu ⎡ ⎤ 1 0 0 0 0 ⎢ a ⎥ 21 ⎢ ⎥ 1 0 0 0⎥ ⎢− ⎢ a11 ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ a31 ⎥ ⎢− 0 1 0 0⎥ (1) ⎢ a ⎥. tj. c Primijetimo da je transformaciju A → A(1) mogu´e izvesti samo ako je a11 = 0.ˇ 4. Medutim.3. (n.1 smo zbog jednostavnosti poniˇtavali koeficijente jedan po jedan. . ⎥ a45 ⎦ a55 ⎤ Sjetimo se. To moˇemo napraviti u jednom potezu2 . pa smo to eksplicitno naznaˇili u zapisu c (1) matrice A . elementi prvog retka u A(1) jednaki su c (1) prvom retku u A. 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 ⎥ . . j ≤ n.6) U primjeru 4. s . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 157 ideje ilustrirati na primjeru n = 5. 1). 1 ≤ i.3. eliminacija prve nepoznanice manifestira se poniˇtavanjem koeficijenata s na pozicijama (2. a1j = a1j . ⎡ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ 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 ⎥ . ⎥ (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) . 1 ≤ j ≤ n. Op´enito. . elementi A(1) (1) oznaˇeni su s aij . 2 (4. (3. 1). . 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.

ˇ 4. 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⎥ ⎥. ⎥ ⎥ ⎥ 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) ⎤ ⎦. 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 ⎥ ⎥ ⎥ ⎥. Stavimo α2 ≡ det (1) a11 a21 a12 (1) = a11 a22 .3. ⎥ ⎥ 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 ⎥ . Jednostavno.3.7) a55 (2) . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 158 Takoder. dobili smo faktorizaciju vode´e 2 × 2 podmatrice od A. Uvjet za izvod c ove faktorizacije bio je (4. a22 ⎡ ⎤ Ako je α2 = 0.6). ⎥ ⎥ (2) ⎥ a45 ⎥ ⎥ ⎦ (4.

ˇ 4. ⎥ 0 a11 Dakle.3. ako je a11 = 0 i α2 = 0.3. Stavimo a11 ⎢ α3 ≡ det ⎣ a21 a31 (2) ⎡ a12 a22 a32 a13 (1) (2) ⎥ a23 ⎦ = a11 a22 a33 . 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 ⎥ .7) naglaˇavaju da je u matrici A(2) = a(2) c s ij i. onda smo dobili trokutastu faktorizaciju vode´e 3 × 3 c podmatrice od A. 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⎥. a drugi redak jednak drugom retku c matrice A(1) . ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ 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⎥.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 ⎥ . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 159 Uoˇimo da oznake u relaciji (4. ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ . ⎥ ⎥ (2) ⎥ a45 ⎥ ⎥ ⎦ (4.j=1 prvi redak jednak prvom retku matrice A.

ˇ 4. a34 ⎦ a44 ⎤ . 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 ⎥ . (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 . 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 ⎥ . ⎥ (3) a45 (3) a44 a54 (3) a55 (3) Ako izraˇunamo produkt (L(1) )−1 (L(2) )−1 (L(3) )−1 . ⎥ ⎥ (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) ⎥ ⎥ ⎥ ⎥.

⎥ ⎥ (3) a45 ⎥ ⎥ (4) a55 te da je.3. ⎥ 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⎥. Brojevi α1 . nakon raˇunanja produkta (L(1) )−1 (L(2) )−1 (L(3) )−1 (L(4) )−1 . α2 . ⎥ 1 ⎥ ⎥ ⎦ ⎤ (4. onda je i a44 = 0. a44 = 0.ˇ 4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 161 Ako je α4 = 0. n−1 razliˇite od nule. ⎥ ⎥ (3) ⎥ a45 ⎥ ⎥ ⎦ (4. Dakle. a22 . 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⎥. α4 = 0. α3 = 0. Brojeve a11 . To je u naˇem primjeru znaˇilo c s c uvjete α1 ≡ a11 = 0. 2. a33 = 0. a22 = 0. . moˇemo zakljuˇiti sljede´e: z c c (1) (2) (3) . c Takoder. . . .3. α2 = 0. uoˇili smo da su ti uvjeti osigurani ako su u matrici A determinante glavnih podmatrica dimenzija 1. α4 su glavne minore matrice A. a44 zovemo pivotni elementi ili kratko pivoti.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 ⎥ .10) a55 (4) L Vidimo da je izvedivost operacija koje su dovele do faktorizacije A = LU ovisila o uvjetima (1) (2) (3) a11 = 0. 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 ⎥ . a33 . α3 .

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

1 : k + 1) = a11 a22 a33 · · · akk (k) (1) (2) (k−1) (k) ak+1. Dokaˇimo sada egzistenciju LU faktorizacije. gdje je c ⎡ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ a11 0 .k+1 ak+1. .k+1 (k) (k) (k−1) (2) A(k) = L(k) · · · L(1) A = . LU faktorizacija s pivotiranjem Jedan. . . . prema opisanom algoritmu. .. ⎥ .ˇ 4. . s LU faktorizacijom koju smo opisali u prethodnom c odjeljku je da za njeno raˇunanje. an. tj. . 0 a12 (1) a22 a13 (1) a23 ··· ··· a1k . . . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 163 mnoˇe. . k = 1.4. . . da nakon konaˇnog broja koraka dobijemo matricu A c Napomena 4. 1 : k) = i=1 uii. ak. n. . . . ⎥ . matrica A mora c imati specijalnu strukturu: sve njene glavne podmatrice do ukljuˇivo reda n − 1 c moraju biti regularne. ⎥ .3. ⎥. . oˇit problem. zakljuˇujemo da je c det A(1 : k + 1. (2) a3. . onda su nuˇno i sve glavne podmatrice A(1 : k. 0 ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ (2) ⎥ a3n ⎥ ⎥ ⎥ . a33 .1 Primijetimo. Dakle.3. na dijagonali produkta L−1 L su jedinice.k+1 . To slijedi iz ˇinjenice z c da je k det A(1 : k. . .k+1 (1) a2. ako je A regularna i ako ima LU faktorizaciju.k+1 = 0 pa moˇemo definirati matricu L(k+1) koja ´e poniˇtiti (k+1) (k+1) (k) =L A . z c s Odavde je i ak+1. Pogledajmo kako uvjeti c teorema omogu´uju prijelaz s A(k) na A(k+1) . . akk (k−1) ··· ··· ··· ··· ··· ··· ··· ··· ··· 0 . ⎦ (1) a2n (k) ann a1n ⎤ Kako je produkt (L(k) · · · L(1) )−1 donjetrokutasta matrica s jedinicama na dijagonali. 1 : k) regularne. L−1 L = I. c . a1. L = L . ⎥ ⎥ (k−1) ⎥ akn ⎥ ⎥ ⎥ ⎥ (k) ak+1. Induktivni dokaz je zapravo ve´ z c skiciran u opisu raˇunanja faktorizacije 5 × 5 matrice.. 0 0 .k+1 ··· ··· ··· .k+1 . Jasno je elemente ispod dijagonale u (k + 1)-om stupcu i dati A (n−1) koja je gornjetrokutasta. 0 .. . . . z Tada je i U = U . 4. . . . .n ⎥ ⎥ . Sljede´i primjer ilustrira taj problem.k+1 = 0. .

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

SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 165 Da bismo ilustrirali kako zamjenama redaka uvijek moˇemo dobiti LU faktoz rizaciju. Ako su oba jednaka nuli.3.3.ˇ 4. jer je cilj transformacije L poniˇtiti a43 i a53 . Dakle. ⎥ (2) a45 (2) a43 (2) a44 a53 (2) a54 (2) a55 (2) s z Neka je a33 = 0. onda moˇemo staviti L(3) = I i z (2) (2) (3) nastaviti dalje. ⎥ (2) a45 (2) a43 (2) a44 a33 (2) a34 (2) a35 (2) . viˇe ne moˇemo kao ranije definirati L(3) . ⎥ (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 ⎥ . Neka je sada npr. Pogledajmo (2) (2) elemente a43 i a53 .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 ⎥ . relacije (4. 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⎥. (4. a53 = 0. ⎥ 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 ⎥ .7). Ako su oni ve´ s c jednaki nuli onda u ovom koraku ne treba niˇta raditi pa je transformacija jednaka s (2) jediniˇnoj matrici. vratimo se naˇem 5 × 5 primjeru i pogledajmo npr.

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 ⎥ . definiramo matricu L(4) kao u relaciji (4.3. ⎥ (3) a45 (3) a44 a54 (3) a55 (3) Primijetimo da je tre´i redak matrice A(3) jednak petom retku matrice A(2) . pa ostaje istraˇiti kako . c c onda moˇemo staviti L(4) = I. Vidjeli smo ranije da je mnoˇenje inverza trokutastih matrica L(k) jednostavno.9). ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ 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 ⎥ . Neka je z (3) (3) a44 = 0. moˇemo staviti L(4) = I i matrica U = L(4) P (4) A(3) je gornjetrokutasta. jer je u tom sluˇaju A(3) ve´ gornjetrokutasta. tj. ⎥ (3) a55 (3) a54 a44 (3) a45 (3) z Kako je po pretpostavci a44 = 0. tako da L(4) nije definirana. ali a54 = 0. mi sada imamo permutacijske matrice izmedu. z z Medutim. Ako je a44 = a54 = 0. Za c (3) (3) sljede´i korak eliminacija provjeravamo vrijednost a44 . postupamo c (3) (3) kao i ranije. Sve zajedno.ˇ 4. 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⎥. vrijedi relacija U = L(4) P (4) L(3) P (3) L(2) L(1) A. Ako je a44 = 0.

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

gdje je c ⎡ ⎡ ⎤ ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢ ⎣ ⎡ 1 3 5 19 5 4 5 0 ⎤ ⎥ ⎥ 6⎥ ⎥ ⎥ ⎥ ⎥. 1⎥ ⎥ ⎥ ⎥ ⎦ 6 .3 Neka je 1 1 4 1 ⎢2 1 1 6⎥ ⎥ ⎢ ⎥. 1⎥ ⎥ ⎥ ⎥ ⎦ 3 5 P (2) 1 ⎢0 ⎢ =⎢ ⎣0 0 0 0 0 1 0 0 1 0 0 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. A(1) A(2) A(3) i P = P (n−1) P (n−2) · · · P (2) P (1) . 1) – to znaˇi da prvi pivot c c maksimiziramo ako zamijenimo prvi i tre´i redak od A. c Ilustrirajmo opisanu proceduru jednim numeriˇkim primjerom. Tu zamjenu realizira perc mutacija P (1) . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 168 Jasno je kako bi ovaj postupak izgledao op´enito. 0⎦ 0 P (2) A(1) = 0 1 19 5 4 5 3 5 1 4 5 19 5 3 5 3⎥ ⎥ ⎥ ⎥ ⎥. 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))) · · · ). gdje je P (1) 0 ⎢0 ⎢ =⎢ ⎣1 0 ⎡ ⎡ ⎤ (4.ˇ 4.11) 0 1 0 0 ⎤ 1 0 0 0 0 0⎥ ⎥ ⎥.3. c Primjer 4.3. 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 ⎥ . 0⎦ 1 ⎤ 5 ⎢2 ⎢ P (1) A = ⎢ ⎣1 1 ⎡ 1 1 1 4 1 1 4 1 ⎡ 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) .

Dakle. 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⎥. P (3) = I. ⎥ ⎥ ⎥ ⎦ 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 ⎥.ˇ 4. 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⎥. ⎥ ⎦ 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. 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) . ⎥ ⎥ 19 ⎥ ⎥ 105 ⎦ 19 ⎤ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥. Ako stavimo P = P (2) P (1) . ⎥ ⎥ ⎥ ⎥ ⎦ Sljede´a permutacija je identiteta. 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 .

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

11). Preciznije. Im 0 0 . s c produkt P (n−1) P (n−2) P (n−3) prolazi kroz L(n−4) . Dakle. kao u relaciji (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 .3. Kratko kaˇemo da “Π prolazi kroz L(k) ”. Zapravo. svaka permutacija Π oblika Π= je trivijalno oblika i Π= Ik 0 0 Πn−k . Zaˇto? s . 4. nismo razmatrali praktiˇne detalje realizacije izvedenih c algoritama na raˇunalu. Π ∈ Sn−k . produkt P (n−1) P (n−2) prolazi kroz L(n−3) . Jasno je da strategija odabira permutacija iz iskaza teorema osigurava da su svi elementi od L po apsolutnoj vrijednosti najviˇe s jednaki jedinici.ˇ 4. itd. moˇemo posti´i da je U = A(n−1) gornjetrokuz c tasta matrica. Πn−k = Im−k 0 0 Πn−m ∈ Sn−k . termin praktiˇni detalji bi trebalo ˇitati kao c c c problemi. 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. Nadalje. Numeriˇka svojstva Gaussovih eliminacija c U prethodnim odjeljcima Gaussovim smo se eliminacijama bavili u okvirima linearne algebre. z c z Nadalje. 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. odakle kao i ranije dobijemo P A = LU. Π ∈ Sn−m pa je mnoˇenje analogno sluˇaju m = k. Πn−m m > k. ˇto znaˇi da P (n−1) prolazi kroz L(n−2) . Ako stavimo P = P (n−1) P (n−2) · · · P (2) P (1) .4. onda je U = L(n−1) L(n−2) · · · L(2) L(1) P A.

3. Preporuˇamo da ˇitatelj svakako “baci pogled’ na taj c c odjeljak prije nastavka ˇitanja ovog materijala. osnovne ˇinjenice su dane c z c u dodatku u odjeljku 4.4. pogledajmo kako ga c moˇemo implementirati na raˇunalu s minimalnim koriˇtenjem dodatnog memorijz c s skog prostora.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 ⎥ . 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. c c c 4. Prisjetimo se naˇeg 5 × 5 primjera i relacije (4. dakle onoliko koliko zauzima originalna matrica A. c Praktiˇno je odvojeno analizirati LU faktorizaciju i rjeˇenje trokutastog susc s tava. gdje nas oˇekuje niz zanimljivih zakljuˇaka. z c c .4. U ovom odjeljku prvenstveno ´emo analizirati problem toˇnosti. Ako paˇljivo pogledamo proces raˇunanja LU faktorizacije. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 172 Raˇunalo je ograniˇen.4. te elemente 1 Svaka operacija zahtijeva izvjesno vrijeme izvrˇavanja pa je ukupno trajanje algoritma takoder s vaˇan faktor. medurezultate i rezultate z z c raˇunanja1 . Vaˇnost pivotiranja. Kako matrica L po definiciji ima jedinice na dijagonali. ⎥ (3) ⎥ a45 ⎥ ⎥ ⎦ (1) a25 a15 a55 (4) Vidimo da je za spremanje svih elemenata matrica L i U dovoljno n2 varijabli (lokacija u memoriji). kao i za one koji taj materijal ˇele ponoviti. z Prije nego prijedemo na numeriˇku analizu algoritma. Analiza LU faktorizacije. Poˇinjemo s LU faktorizacijom. konaˇan stroj. a strogo donji trokut matrice L bude napisan na mjestu elemenata strogo donjeg trokuta polazne matrice A.ˇ 4.. c z Za one ˇitatelje koji nisu svladali osnove numeriˇkih operacija linearne algebre c c na raˇunalu. Imamo ograniˇenu koliˇinu memorijc c c c c skog prostora u kojem moˇemo drˇati polazne podatke. uoˇavamo da ga moˇemo z c c z izvesti tako da matrica U ostane zapisana u gornjem trokutu matrice A.1.

. . tehniˇki komplicirana. Algoritam 4. z Analiza greˇaka zaokruˇivanja je. .1 Raˇunanje LU faktorizacije matrice A bez dodatne memorije.4. . k)A(k. ponekad. Na ovaj naˇin zapis algoritma 4. Isto tako. 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 ⎥ ⎥ ⎥ ⎥. . j) − A(i. n − 1 su pohranjene u istom n × n polju koje na poˇetku sadrˇi matricu A ≡ A(0) .3 postaje joˇ c z c s jednostavniji i elegantniji. k) za j = k + 1. . . . . . . n − 1 { za j = k + 1. k) .3.} A(k. 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. n { A(j. k) = A(j. j). k = 1. n { za i = k + 1. 2.ˇ 4. vidimo da c konkretna realizacija algoritma na raˇunalu ukljuˇuje dodatne trikove i modifikacije c c kako bi se ˇto racionalnije koristili resursi raˇunala (npr. c za k = 1. . n { A(i. . . . ⎥ ⎥ (3) ⎥ a45 ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ (4) ⎦ (1) a25 a15 ⎤ a55 Sve matrice A(k) . Na taj naˇin se elementi polazne matrice gube. s . . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 173 ne treba nigdje posebno zapisivati. j). } } } Primijetimo da smo koristili oznake uobiˇajene u programskim jezicima – element c matrice (dvodimenzionalnog polja) oznaˇili smo s 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) = A(i. .

3. i = 1. Pric c c (1) c c mijetimo da su u prva dva retka matrice A ve´ izraˇunata prva dva retka matrice U . c Izraˇunate aproksimacije oznaˇavamo s L(i) i A(i) . . 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 ⎥ ⎥ ⎥. 4. ˜ j = 2. .ˇ 4. 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. . 3. 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 ⎤ . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 174 Da bismo dobili ideju o kvaliteti izraˇunate faktorizacije.. Kao u opisu algoritam za raˇunanje LU faktorizacije u odjeljku 4. . . 4. ˜ c (i) koristit ´emo matrice L i transformacije oblika A(i) = L(i) A(i−1) . n − 1. a34 ⎦ a44 ⎤ Izraˇunate aproksimacije matrica L = [ ij ] i U = [ uij ] oznaˇiti ´emo s L = [ ˜ij ] i c c c U = [ uij ]. u34 ⎦ ˜ u44 ˜ u1j = a1j . c c Primijetimo da je prvi redak matrice U jednak prvom retku polazne matrice A. 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 = 1. ⎦ 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. .

4. pri ˇemu se koristi algoritam c uij = aij . 0⎦ 1 ⎤ koja primjenom na A(2) . } ˜ ˜ ˜ Koriˇtenjem propozicije 4. 4. ˜ (4. Ovu formulu je lako provjeriti raspisivanjem c produkta A = LU po elementima. s s z vrijedi uij = ( · · · ((aij ˜ ˜i1 u1j ) ˜ ˜i2 u2j ) ˜ ···) ˜i. ˜ za m = 1.4. . 1 ≤ j ≤ n. pri ˇemu je u1j = a1j . u zadnjem koraku je ostala transformacija 1 ⎢0 ⎢ =⎢ ⎣0 0 ⎡ L(3) 0 0 1 0 0 1 0 − ˜43 0 0⎥ ⎥ ⎥.4. ζijm takvi da je s c u (4.1) Formula (4. U naˇem algoritmu.4. . .1) je samo specijalan sluˇaj raˇunanja op´enitog izraza oblika c c c s = v1 w1 ± v2 w2 ± v3 w3 ± · · · ± vp wp . ˜ (4. I.3. i ≤ j ≤ n. i − 1 { uij = uij ˜im umj . m=1 2 ≤ i ≤ n.2) . 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 ⎥ ˜ ⎥ ⎥. daje i preostali element matrice U. zbog greˇaka zaokruˇivanja.i−1 ui−1.1) uij = aij (1 + ξij ) − ˜ i−1 m=1 ˜im umj (1 + ζijm ). .4.j . zakljuˇujemo da postoje ξij . u44 = ((a44 ˜ ˜41 u14 ) ˜ ˜42 u24 ) ˜ ˜43 u34 . 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 . ˜ c Uoˇavamo da se elementi uij raˇunaju prema formuli c uij = aij − i−1 im umj .ˇ 4. ˜ j = 3.

c Teorem 4.1 Komutativni dijagram LU faktorizacije u aritmetici konaˇne preciznosti.1 primijenjen na matricu A ∈ Rn×n i neka su c uspjeˇno izvrˇene sve njegove operacije. onda moˇemo u mnogim primjenama L i U smatrati jednako dobrim kao i L i U. ˜ (4. Napomena 4. 1 − nε 1 − 2nε gdje prva nejednakost vrijedi za nε < 1. Ako je egzaktna c c (nepoznata) matrica A i A = A + δ A.4. m |ξij |. 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. izraˇunato c E A perturbacija podataka L. c Izraˇunati rezultat je ekvivalentan egzaktnom raˇunu s promijenjenim polaznim c c podacima.3) ˜ gdje smo uij napisali kao ˜ii uij (1 + ζiji).4.2) moˇemo proˇitati i kao z c i nε . Umjesto toga. a druga za 2nε < 1. ˜ δaij = m=1 ˜im umj ζijm − ξij aij . Ako su L i U izraˇunati trokutasti faktori.4. dobili smo zakljuˇak da L i U ˇine egzaktnu LU faktorizaciju matrice A + δA. c c Drugim rijeˇima. |ζijm| ≤ Relaciju (4. Ovu situaciju moˇemo ilustrirati komutativnim z dijagramom na slici 4.4. uz ˜ii = 1 i ζiji = 0.1 Rezultat teorema zasluˇuje poseban komentar. . onda je LU = A + δ A + δA i LU = A + δ A.1 Neka je algoritam 4. 1 − nε i aij = m=1 ˜im umj + δaij . ˜ Time smo dokazali sljede´i teorem. dobili bismo upravo L i U .4.ˇ 4. dakle netoˇna.4. s s onda je LU = A + δA. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 176 Pri tome je za sve i.1.4. j. U faktorizacija c        egzaktna     A + δA Slika 4. Dobiveni rezultat je u praksi od izuzetne vaˇnosti. ako bismo A promijenili u A + δA i zatim uzeli egzaktnu faktorc izaciju. c z Ako su δA i δ A usporedivi po veliˇini. |δA| ≤ nε 2nε (|A| + |L| |U|) ≤ |L| |U|. Naˇa analiza nije z s c dala odgovor na pitanje koliko su L i U daleko od toˇnih matrica L i U.

odnosno LU faktorizacije.1 Neka je α mali parametar. α = −1 1 α = − (1 + α 1 ). npr. 1 ⎡ ⎤ 0 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 . Sljede´i primjer z c pokazuje numeriˇku nestabilnost algoritma. Neka je |α| < ε. α Pretpostavimo sada da ovaj raˇun provodimo na raˇunalu u aritmetici s 8 decimalnih c c −8 znamenki. tj. −1 δA . toˇnosti ε ≈ 10 .1) A = ⎣ α 0 1 1− 1 ⎦. vrijedi ˜21 = 21 (1 + u11 = u11 .1) 1 ⎣ 1 = − α ⎡ 1.ˇ 4. ˜ u22 = 1 ˜ Primijetimo da je 1 1 ). 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 ⎦. u22 − u22 ˜ 2ε . |α| A= U egzaktnom raˇunanju imamo c L(2. To na ˇalost nije osigurano u LU faktorizaciji. ˜ u12 = u12 . i neka je matrica A definirana s α 1 1 . Kako je c problem jednostavan.4. neka je α = 10−10 . c s Sjetimo se da je ovaj primjer najavljen kao primjer numeriˇke nestabilnosti procesa c eliminacija. 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|. ≤ u22 1−ε Dakle svi elementi matrica L i U izraˇunati su s malom relativnom pogreˇkom. c Primjer 4. | 1 | ≤ ε. L(2.

pogledajmo linearne sustave z α 1 Njihova rjeˇenja su s x1 x2 −1 ⎤ ⎢ α−1 ⎥ 1 ⎢ ⎥ ⎥≈ =⎢ . Zamijenimo joj poredak redaka. 2 x2 ˜ x1 ˜ 2 = . c s z Cilj numeriˇke analize algoritma je da otkrije mogu´e uzroke nestabilnosti. Jasno nam je da je. 0 1 α 1 1 1 = .4. mali produkt |L| |U| mogu´ samo ako su elementi od L i U mali po apsolutnoj vrijednosti. Nestabilnost ilustrirana primjerom u skladu je s teoremom 4. | | ≤ ε. s malom greˇkom zaokruˇivanja. Primjer 4.4. x2 ˜ 1 − 2α ˜ c Vidimo da se x1 i x1 potpuno razlikuju. 2) u matrici |L| |U| element koji je reda veliˇine 1/|α| > 1/ε.1. a22 = 1.4. Tek da dobijemo osje´aj kako katastrofalno loˇ rezultat c s moˇemo dobiti. ⎣ 2α − 1 ⎦ 1 α−1 ⎡ 1 1 x1 1 = . gdje je 1 + = α(1 α). vidimo da nam teorem ne moˇe garantirati mali c z δA. c c objasni fenomene vezane za numeriˇku nestabilnost i ponudi rjeˇenja za njihovo c s uklanjanje. A = PA = 1 0 1 1 α 1 .4. 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. Pogledajmo c nastavak primjera 4.2 Neka je A matrica iz primjera 4. Kako je na poziciji (2. Naime.2 I ovaj primjer zasluˇuje komentar. zbog nenegativnosti matrica |L| i |U|. Cis s z jeli problem je u samo jednoj aritmetiˇkoj operaciji (pri raˇunanju u22 ) koja je zac c ˜ pravo izvedena jako toˇno.1.1. Ako c s s bismo koriste´i L i U pokuˇali rijeˇiti linearni sustav Ax = b. je promijenjen u nulu.ˇ 4. zapravo bismo radili c na sustavu (A + δA)x = b. Vidimo da katastrofalno vez lika greˇka nije uzrokovana akumuliranjem velikog broja greˇaka zaokruˇivanja.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. c Napomena 4. ako izraˇunamo |L| |U| dobijemo c |L| |U| = |α| 1+ 1 2|1 α| . 2 x2 α 1 1 0 x1 ˜ 1 = .

1. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 179 LU faktorizacija matrice A = LU je 1 α 1 1 = 1 α 0 1 1 0 1 . 1 − 2nε Vidi teorem 4. onda je s LU = P (A + δA). . 1 α 0 . U tom sluˇaju veliˇina produkta c c |L| |U| bitno ovisi o elementima matrice U.4) dobra mjera za relativni rast (u odnosu na A) elemenata u produktu |L| |U|.4. Ako je pri tome koriˇtena permutacija P .3. α |δA | ≤ ε|A|. Naime. doprinosi numeriˇkoj stabilnosti. .4.k ij (k) max aij (4. 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 . 2 |δA| ≤ 2nε P T |L| |U|. elementi matrice U su dobiveni iz matrica A(k) . lako se vidi da su tada i svi elementi matrice |L| manji ili jednaki od jedan.ˇ 4. n − 1. . 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 . pa odmah moˇemo iskazati sljede´i teorem.j. Primijetimo da u analizi greˇaka zaokruˇivanja pivotiranje ne predstavlja dos z datnu tehniˇku poteˇko´u. S druge strane. 1−α Ako je |α| < ε. . koje osigurava da su u matrici L svi elementi po apsolutnoj vrijednosti najviˇe s 2 c jednaki jedinici . Dakle. Broj ρ zovemo faktor rasta elemenata u LU faktorizaciji i definiran je bez obzira da li koristimo pivotiranje redaka.2.2 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. pa je broj ˜ max aij ρ= i. 1 U= 1 1 . k = 0. . 0 1 δA po elementima istog reda veliˇine kao i |A |. c s c z c Teorem 4. Iz prethodnih primjera i diskusija jasno je da standardno pivotiranje redaka.

δA ≤ 2nε 1 − 2nε n(n + 1) 2 n(n + 1) ρ A 2 F. 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. Dakle.4.2 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). Propozicija 4. c c Dokaz. ˇto brzo raste kao c s funkcija od n. Dokaz. stavljanjem δA = P T δA dobivamo tvrdnju teorema. tj. Dokaz ostavljamo ˇitatelju za vjeˇbu. Ipak. bez obzira na pivotiranje.3.1 smo vidjeli da u LU faktorizaciji bez pivotiranja rast elemenata tokom faktorizacije moˇe biti po volji velik. Specijalno.1 dobijemo da vrijedi LU = A + δA . u sluˇaju egzaktnog raˇunanja je ρ ≤ 2n−1 . pivotiranjem moˇemo osigurati umjeren rast elemenata u toku s z LU faktorizacije. onda je s z ρ ≤ 2n−1 (1 + ε)2(n−1) . δA F ≤ O(n3 )ερ A F. bez obzira da li pivotiramo retke ili ne. Postoje primjeri na kojima se ta gornja ograda i dostiˇe. 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. F Razlika u numeriˇkoj stabilnosti koju donosi pivotiranje redaka je bolje ponac ˇanje parmetra ρ. . Primijetimo i da je. U primjeru 4.4.1 Ako LU faktorizaciju raˇunamo s pivotiranjem redaka u aritc metici s maksimalnom greˇkom zaokruˇivanja ε. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 180 Specijalno je.ˇ 4. valja u praksi uvijek raditi s pivotiranjem redaka. odnosno LU faktorizaciju. Nakon ponovnog ˇitanja dokaza teorema 4. Moˇemo s z z zakljuˇiti i preporuˇiti sljede´e: c c c • Gaussove eliminacije. 1 − 2nε Kako je A + δA = P (A + P T δA ). c z Primijetimo da je gornja ograda za ρ reda veliˇine 2n . |δA | ≤ 2nε |L| |U|. Sada primjenom teorema 4.4. Sljede´a propozicija z c pokazuje da u sluˇaju pivotiranja redaka faktor ρ ima gornju ogradu koja je funkcija c samo dimenzije problema.

.3. } ˜ vi = (di vi ) Tii . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 181 4.2. . Tij (1 + ζj )˜j v j=1 Tii (1 + 1. 1 − nε Dokaz. 3 Vidi odjeljak 4.4.. . . 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.3 Koliko god da je prethodni rezultat tehniˇki jednostavan.. ako radimo s ε ≈ 10−8 i c ˜ ako je n = 1000. . . | 2. . ˜ za j = 2.4. .. Ta jednostavnost se odraˇava i z na dobra numeriˇka svojstva supstitucija. Dokaz zbog jednostavnosti provodimo samo za donjetrokutastu matricu T . ˜ ˜ Primjenom pravila aritmetike raˇunala dobijemo3 c v1 = ˜ te za i = 2. trokutaste sustave rjeˇavamo jednostavnim s i elegantnim supstitucijama unaprijed ili unazad. Sljede´a c c c propozicija opisuje kvalitetu numeriˇki izraˇunatog rjeˇenja trokutastog sustava jedc c s nadˇbi.4.4.i )(1 + .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. onda postoji donjetrokutasta (gornjetrokutasta) matrica δT takva da vrijedi nε (T + δT )˜ = d.2. 1 − (i − 1)ε | 1. .i | ≤ ε.4.3. 2. z Propozicija 4.2. Pretpostavljamo da se i-ta komponenta rjeˇenja za i > 1 raˇuna na sljede´i naˇin: s c c c ˜ vi = Ti1 v1 . Pojednostavljeno govore´i.i | ≤ ε.ˇ 4. |δT | ≤ η |T |.i ) |ζj | ≤ (i − 1)ε . | 1 | ≤ ε. Napomena 4. Ako je v rjeˇenje dobiveno primjenom aritmetike raˇunala pre˜ s c ciznosti ε. i − 1 { ˜ ˜ vi = vi ⊕ Tij vj . onda izraˇunati vektor v zadovoljava T v = d. Analiza numeriˇkog rjeˇenja trokutastog sustava c s Kako smo vidjeli u odjeljku 4. gdje se elementi od T c ˜ i T poklapaju u barem 5 decimalnih znamenki (od 8 na koliko je zadana matrica T ). n di − vi = ˜ i−1 d1 (1 + T11 1 ). kada ih provedemo na raˇunalu. 0 ≤ η ≤ v .

mi ´emo pretpostaviti da su c na polazne podatke A i b ve´ primijenjene zamjene redaka. do˜ s z biveno Gaussovim eliminacijama s pivotiranjem redaka. gdje je LU = A + δA.ˇ 4. 1 − 2nε |δ U| ≤ nε |U|. c Teorem 4. x E = Lδ U + δ LU + δ Lδ U . x |∆A| ≤ 5nε P T |L| |U|. Na kraju ovog odjeljka. Kako smo prije vidjeli. permutacija P se moˇe (za potrebe z analize) odmah primjeniti na polazne podatke i numeriˇku analizu moˇemo provesti c z bez pivotiranja. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 182 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. Tako dobijemo sljede´u implementaciju Gaussovih eliminacija: c . kao u teoremu 4. |E| ≤ |L| |δ U| + |δ L| |U| + |δ L| |δ U|.1. Takoder pretpostavljamo da je 2nε < 1. Dakle. Kako smo vidjeli u prethodnim odjeljcima. LU faktorizaciju moˇemo napraviti tako da L i U smjestimo u matricu A.3.2) nε |L|.4. tj.4. x (A + δA + E)˜ = b. Tada postoji perturbacija ∆A za koju vrijedi (A + ∆A)˜ = b. Time smo dokazali sljede´i teorem. Kako to pojednostavljuje oznake.4.3 Neka je x rjeˇenje regularnog n × n sustava jednadˇbi Ax = b. 1 − nε Ovdje je P permutacija koja realizira zamjenu redaka.4. 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)). pokaˇimo kako cijeli algoritam na raˇunalu moˇemo z c z implementirati bez dodatne memorije. c Neka su L i U izraˇunate trokutaste matrice. (L + δ L)(U + δ U )˜ = b. |δ L| ≤ 1 − nε ˜ Na isti naˇin rjeˇenje x sustava U x = y zadovoljava c s ˜ x ˜ (U + δ U )˜ = y . tako da su formule c jednostavno A = LU i x = U −1 (L−1 b)). Izraˇunato rjeˇenje y sustava Ly = b zadovoljava (prema propozic s ˜ ciji 4. y (L + δ L)˜ = b.

k) za j = k + 1. n { A(i. . . j). i). . . i − 1 { b(i) = b(i) − A(i. . . ∗/ s za i = 2. . j)b(j). . . . n) za i = n − 1. . s c s Navedena pravila za izvrˇavanje elementarnih aritmetiˇkih operacija lako zas c . k) . /∗ LU faktorizacija.4. . . Na primjer.2 Rjeˇavanje trokutastog sustava jednadˇbi Ax = b Gaussovim elis z minacijama bez dodatne memorije. . umnoˇku. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 183 Algoritam 4. . n { za j = 1.4. . n { b(i) = b(i) − A(i. . . x napisan na mjesto b. Dodatak: Osnove matriˇnog raˇuna na raˇunalu c c c Na raˇunalu op´enito ne moˇemo egzaktno izvrˇavati aritmetiˇke operacije. 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 . } b(i) = b(i)/A(i.ˇ 4. n − 1 { za j = k + 1. mnoˇenja ili dijeljenja dva broja x i y prikaziva z u raˇunalu je po definiciji broj u raˇunalu koji je najbliˇi egzaktnom zbroju. odnosno kvocijentu x i y. j)b(j). . A = LU ∗/ za k = 1. rac c z zlici. k) = A(j. } } } /∗ Rjeˇavanje sustava Ly = b. . n { za i = k + 1. . y napisan na mjesto b. Pri tome je relativna greˇka tako izves s denih operacija manja ili jednaka polovini najve´eg relativnog razmaka dva susjedna c broja u raˇunalu. j) = A(i. 1 { za j = i + 1. k)A(k. . oduzimanja. . . . A(n. j) − A(i. c c z s c Rezultat zbrajanja. ∗/ s b(n) b(n) = . . . } 4. .4. n { A(j. .} A(k. } } /∗ Rjeˇavanje sustava Ux = y. . . .

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

Da bismo dobili ideju zaˇto je s to tako. Ako c vrijednost m s= i=1 xi yi raˇunamo kao c s = x1 y1 . A = AT . . za sve i. . . Oˇito je formalni dokaz najc c lakˇe izvesti matematiˇkom indukcijom po m. } ˜ ˜ onda postoje brojevi ζi . onda Gaussove eliminacije moˇemo provesti puno efikasnije. . ˜ |ω1 | ≤ ε. .5. xm . j je aij = aji . ym brojevi u raˇunalu. posebno u inˇenjerskim znanostima.ˇ 4. Dokaz smo ve´ skicirali na primjeru m = 4. Dokaz. 2. te da je 1 − (m + 1)ε ≤ (1 − ε)(1 − mε) i (m + 1)ε 1+ε ≤1+ . |ζi | ≤ mε . |ω2 | ≤ ε. y1 . Numeriˇko rjeˇavanje simetriˇnog sustava c s c jednadˇbi z U mnogim vaˇnim primjenama. . pogledajmo LU faktorizaciju A = LU simetriˇne regularne matrice A. ako pametno iskoristimo simetriju. Naravno. . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 185 Propozicija 4. . i = 1. A = A . tj. takvi da vrijedi m s= ˜ i=1 xi yi (1 + ζi ). gdje je R gornjetrokutasta matrica. . 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 ). a J = diag(±1). . ˜ za i = 2. To znaˇi da je u sustavu Ax = b matrica A = z c c T [ aij ]n c i. . linearni z z sustav jednadˇbi je simetriˇan. . . m ≥ 1. . 1 − mε i = 1.3 Neka su x1 . . . . m { s = s ⊕ xi yi . . . Iz c . m. 1 − mε 1 − (m + 1)ε 4.4. Pokazuje se da u sluˇaju simetriˇne matrice z c c LU faktorizacija ima op´eniti oblik c A = RT JR. m.j=1 simetriˇna. .

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

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

.5. tj. onda je R R = A + δA. .ˇ 4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 188 Algoritam 4. } } /∗ Supstitucije naprijed za RT y = b ∗/ b1 y1 = . xn = rnn za i = n − 1.5. . } /∗ Supstitucije unazad za Rx = y ∗/ yn . (4.2 Rjeˇavanje linearnog sustava jednadˇbi Ax = b s pozitivno defis z n×n nitnom matricom A ∈ R . n { rii = aii − i−1 2 rki. Ako je R izraˇunata aproksimacija matrice R. n}. . } Naˇ je cilj ispitati numeriˇka svojstva algoritma 4.5.5. . da je uspjeˇno s s s izraˇunao rii > 0 za sve i. . . c c gdje je δA = [ δaij ] simetriˇna matrica i za sve 1 ≤ i. n { yi = bi − i−1 rjiyj j=1 rii . n { rij = aij − i−1 rki rkj k=1 rii .5. rii = aii ∗/ za j = i + 1. .1) Dokaz. c c Propozicija 4. . k=1 √ /∗ za i = 1. 1 { xi = yi − n rij xj j=i+1 rii .5. c ˜ . 2 ≤ i ≤ n. ηC = c(n)ε .1 Neka je za zadanu n × n pozitivno definitnu matricu A algoritam 4.1. . 1 − 2c(n)ε c(n) = max{3.5. .1 uspjeˇno izvrˇio sve operacije u konaˇnoj aritmetici s greˇkom zaokruˇis s c s z T vanja ε. ako njegove operacije s c izvedemo na raˇunalu u aritmetici konaˇne preciznosti ε. . . . . j ≤ n vrijedi √ |δaij | ≤ ηC aii ajj .1 vrijedi1 rii = (1 + ε2 ) (1 + ε1 ) aii − ˜ 1 i−1 rki(1 + ζk ) . /∗ Trokutasta faktorizacija A = RT R ∗/ za i = 1. .2) Ovdje koristimo pretpostavku da je algoritam uspjeˇno zavrˇio sve operacije. u algoritmu 4. ˜2 k=1 (4. r11 za i = 2. U i-tom koraku.

j > i. aii + δaii − i−1 rki .5. max |ζ | .ˇ 4. ˜ ˜ 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 ˜ .4) |η| .6) |τ | . 1 + η 1≤k≤i−1 Uz prethodnu definiciju. lako provjerimo da u relaciji (4.5. Imamo c c ˜ aij − rij = (1 + ˜ 1 )(1 i−1 rkj rki (1 + ζk ) ˜ ˜ k=1 + 2) 1 )(1 rii ˜ + 2) . 1 − (i − 1)ε pa stavljanjem 1 + τ = (1 + i lako dolazimo do relacije (4. 1 − c(n)ε (1 − ηi )(1 − ηj ) aii ajj . 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 . (4. ˜2 k=1 (4. 1 − c(n)ε Na isti naˇin analiziramo raˇunanje vrijednosti rij . .5) rkj rki = aij + ˜ ˜ k=1 i−1 τ rkj rki ζk = aij + δaij = aji + δaji. |ζk | ≤ (i − 1)ε . max |ζk | .4) vrijedi ηi = max |δaii | ≤ ηi i k=1 rki ≤ ˜2 ηi aii . 1 − ηi ηi ≤ c(n)ε . 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 .5.3) Ovu relaciju moˇemo zapisati i u obliku z rii = ˜ Za i = 1 oˇito je c r11 = ˜ Definirajmo (1 + ε2 )2 a11 = a11 + δa11 .5. ˜2 1+η k=1 (4.5.

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

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

Oˇito je |mii | ≤ (2i − 1)ξ. .1 Rezultat ovog odjeljka moˇemo saˇeti u jednostavan zakljuˇak. stavimo mii = 0. i formiranje samog sustava (raˇunanje koefis c cijenata sustava i desne strane) i njegovo rjeˇavanje na raˇunalu. .p )ji ) j=1 zj ˜ .6. ekvivalentno. c s Napomena 4. Sada se ˜ . Inaˇe. z j=1 Ako je zi = 0. zi ˜ i = 2.5.7) i max |(P MP T )ii | ≤ (2n − 1)ξ. za sve i.p )ii zi + ˜ ˜ j=i (Fs.p )ji )˜j .7) dobijemo (A + ∆A)˜ = b.p )ij zj .p )ii zi + ˜ ˜ ((Fs. Po konstrukciji matrice As c i=j vrijedi z (As. ∆A = D(P MP T )D. perturbirani sustav. mii = (Fs. uzrokuju greˇke. s c s Analizom tih greˇaka dolazimo do zakljuˇka da izraˇunata aproksimacija rjeˇenja s c c s x = x + δx zadovoljava tzv. n. (A + δA)(x + δx) = b + δb.p )ij − (Fs. dobivamo relaciju i−1 mii zi = (Fs. definiramo ˜ c i−1 m11 = (Fs. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 192 i odredimo dijagonalne elemente mii tako da je ˜ mii zi + j=i mij zj = (Fs.ˇ 4.p )ij − (Fs. i Skaliranjem sustava (4. x ˇime je dokaz zavrˇen.5. 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. .5. Teorija perturbacija za linearne sustave Iz prethodnih razmatranja jasno je da u primjenama rijetko moˇemo izraˇunati z c egzaktno rjeˇenje sustava Ax = b.p + M)˜ = P T D −1 b ili. 4. Pri tome je max |(P MP T )ij | ≤ ξ i=j (As + P MP T )z = D −1 b.p )ii + ((Fs.p )11 . jer. ˜ Iskoristimo li definiciju izvandijagonalnih elemenata matrice M. . te max |mij | ≤ ξ. (4.

j=1 |Xij |2 = tr(X T X). npr. Neka je izabrana matriˇna norma jednaka Frobeniusovoj normi. tj. vaˇan) sluˇaj u kojem je matrica koeficijenata A + δA c c z c i dalje regularna. pa je x + δx jedinstveno odreden. Kako mi u realnoj primjeni ne znamo toˇno rjeˇenje. Dokaz. nego i procjenu koliko je ta aproksimacija dobra. onda moˇemo pisati c (I − X)Sm = Sm (I − X) = I − X m+1 . c ∞ k=0 = I +X +X +··· = Xk. zbog X < 1. Sm = (I − X)−1 − (I − X)−1 X m+1 . regularnost matrice A + δA obiˇno osiguravamo s c −1 tako da zahtijevamo da je A δA < 1.4.1 vidjeli smo da ˇak i mala perturbacija δA moˇe potpuno c z promijeniti rjeˇenje x. Koriˇtenjem ove propozicije. X m+1 zakljuˇujemo da je za dovoljno veliki indeks m matrica Sm po volji blizu matrici c (I − X)−1 . c s U primjeru 4. jedina perturbacija je ona koja A promijeni u A+δA. Izbor matriˇne norme · ovisi o konkretnoj c situaciji. promotrimo jednostavniji sluˇaj u kojem je δb = c c 0. . · = · F .6. kada m → ∞. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 193 postavlja pitanje kako ocijeniti veliˇinu greˇke δx = x −x. z Ako oznaˇimo Sm = I + X + · · · + X m . 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. ˜ Na poˇetku teorijske analize. Uvjet pod kojim moˇemo garantirati −1 c regularnost matrice I + A δA daje sljede´a propozicija. 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.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. (I − X)−1 X m+1 ≤ (I − X)−1 −→ 0. Zbog jednostavnosti promatrat ´emo samo (inaˇe. 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 . Dakle. Kako je. ako je poznata informacija c s ˜ o veliˇini greˇaka δA i δb. c n X F = i.ˇ 4. Propozicija 4. o tipu informacije o δA ili o teorijskim rezultatima koje koristimo u analizi.

6.6. 1 − A−1 A A . onda je δx ≤ x 1− A−1 A A−1 b + A−1 x A ≤2 A−1 A . x ≤ A−1 δA dobivamo A F F x 2. < A F 1 A−1 . gdje je δA ≤ δb ≤ b . Neka je. Regularnost matrice A + δA je osigurana ako je npr. tj. c s Op´enito ´emo promatrati i δA i δb. Pri tome postoje perturbacije δA i δb za koje je gornja nejednakost skoro dostignuta. Preciznije. pa je c ˜ x−x ˜ Kako je A−1 δA F 2 F. postoje δA i δb takvi da je δA = A .6.1) 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. ˜ ≤ A−1 2 F δA x−x ˜ x 2 ˜ ≤ A−1 F δA F = A F A−1 F A F. ˜ x Znaˇi. 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. te δx ≥ x 1+ A−1 A A−1 b + A−1 x A . tj. (A + δA)(x + δx) = b + δb. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 194 pri ˇemu je tr oznaka za trag matrice. (I + A−1 δA)˜ = x.1 Neka je Ax = b. zadano (poznato) da je ≡ δA F A F 1 mali broj. da je perturbacija mala po normi.6.ˇ 4.1) Relacija (4. Informacija o perturbaciji δA je vaˇan faktor c z u razvoju analize. A−1 F δA F F = ( A F A−1 F) < 1. a mjerenja perturbacija ´e biti u proizvoljnoj c c c vektorskoj normi · i pripadnoj matriˇnoj normi · . c Teorem 4. tj. Ako je A−1 A < 1. Perturbacije male po normi Sljede´i teorem daje potpuni opis greˇke ako je perturbacija dana po normi.1. na primjer. F Tada je A−1 δA <1i (A + δA)−1 = (I + A−1 δA)−1 A−1 . (4. 4. x − x = A−1 δA˜. . δb = b .

δA i δb treba odabrati tako da je δA ≤ b . A . (4. konstruirali smo δA i δb za koje je δx ≥ A−1 b + A−1 A x − A−1 A δx . δb ≤ A A−1 δAx = te da je norma razlike A−1 δb − A−1 δAx jednaka sumi normi vektora. te da je |v T x| = x .ˇ 4. Sada stavimo δA = A uv T . onda δb = b u c zadovoljava δb = b i A−1 δb = A−1 b . b . c Ako je u jediniˇni vektor za kojeg je A−1 u = A−1 . (ii ) A−1 δAx = A A−1 |v T x| treba postati A−1 δAx = Dakle.1 iz zadane informacije o veliˇini perturbacija po normi c ( δA ≤ A . 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 . pa uzimanjem norme dobijemo δx ≤ A−1 b + A−1 A x + A−1 A δx . Pokuˇajmo odrediti perturbacije δA.6.6. Dakle.2) odakle. 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 .6. treba nam vektor v sa svojstvom da je. x . c s Vidimo da teorem 4.3) odluˇuju´i faktor u donoˇenju suda o numeriˇkoj kvaliteti izraˇunate aproksimacije c c s c c x = x + δx sustava Ax = b. s 1 . Dakle. |v T xz| ≤ z . Pravilo je jednostavno: ˜ Ovdje pod optimalnosti podrazumijevamo ˇinjenicu da je gornju ogradu za δx / x nemogu´e c c bitno poboljˇati. pogledajmo desnu stranu jednakosti (4. za sve z. 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. Ovaj zadnji uvjet znaˇi da A−1 δb i −A−1 δAx moraju biti kolinearni. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 195 Dokaz. Vrijedi δx ≥ A−1 δb − A−1 δAx − A−1 δAδx .2).6. s Da bismo konstruirali perturbacije za koje dobivena nejednakost skoro postaje jednakost. x . ˇime je dokaz druge tvrdnje teorema zavrˇen. Postojanje takvog vektora je rezultat Hahn–Banachovog teorema: takav vektor v postoji. Iz pretpostavki teorema je δx = A−1 δb − A−1 δAx − A−1 δAδx.

Ako je ≥ 0 takav da postoje δA.6. Radi se o rezidualnom vektoru ˜ s r = b − A˜. x Stavimo sada δb = − Oˇito je δb = c A pa je r ≤ ( A x + b ). A x + b ˜ b r. x (4. s s s 4. jasno je da bi za dobru aproksimaciju x pripadni rezidual trebao ˜ biti mali po normi. kao A˜ = b + δb. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 196 • Ako je relativna greˇka (po normi) u podacima najviˇe . x δb takvi da je δA ≤ A .4) proˇitamo kako c A˜ = b − r.2 Neka je x aproksimacija rjeˇenja sustava Ax = b i neka je ˜ s β(˜) = min{ : (A + δA)˜ = b + δb. x + b ˜ tj. δb ≤ b }. A x + b ˜ b . ˜ tj. x + b ˜ A i A x ˜ r. x tj. Ako relaciju (4. x gdje je δb = −r. onda vrijedi x r = δA˜ − δb. onda se relativna s s greˇka u rjeˇenju ponaˇa kao κ(A) . Neka je r = b − A˜ rezidualni vektor.ˇ 4. (A + δA)˜ = b + δb. Ako je ≡ r b dovoljno mali broj. onda moˇemo x prihvatiti kao zadovoljavaju´u aproksimaciju. δb ≤ b . δA˜ = x (A + δA)˜ = b − x . A x + b ˜ Dokaz. c Teorem 4.4) Kako je b−Ax = 0.6. x x Tada je β(˜) = x δA ≤ A . Rezidualni vektor i stabilnost Postoji joˇ jedan jednostavan i koristan naˇin kako prosuditi kvalitetu aproksis c macije x rjeˇenja sustava Ax = b.2. ≥ ≡ b − A˜ x . b − A˜ x . onda vidimo da je x egzaktno rjeˇenje sustava koji je dobiven iz originalnog sustava ˜ s promjenom desne strane u b + δb.6. Odredimo δA tako da je δA = A b r.6. z ˜ c Zaˇto? Recimo da su naˇa polazna matrica A i vektor b rezultati mjerenja ili nekih s s prethodnih proraˇuna.

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

gdje je |δA| ≤ ε|A|.6.6. pa je x + δx jedinstveno odreden.7) lako izvedemo da je (A−1 δAx − A−1 δb)m = −(δx + A−1 δAδx)m . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 198 Teorem 4. iz relacije (4. Neka je m ∈ {1. n} odabran tako da je ∞. Sada lako provjerimo da vrijedi δx = −A−1 δA(x + δx) + A−1 δb. uvjet ε |A−1| |A| < 1 osigurava da je A + δA regularna matrica. x (1 − ε |A−1| |A| ) x (4. D2 = diag(sign(xi ))n . .6) Dokaz. i=1 n n (4. . |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 ∞ ∞ . postoje perturbacije δA i δb takve da je |δA| = ε|A|. δb = −εD1 |b|. |δb| ≤ ε|b|. Neka je ε |A ||A| < 1. 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| ∞.6.ˇ 4.7) δx .6. . Uzmimo proizvoljnu apsolutnu vektorsku normu · i njenu induciranu matriˇnu c −1 c normu. i=1 n i perturbacije δA = εD1 |A|D2 . pa je ε |A−1| |A| |x| + |A−1 | |b| ∞ j=1 i=1 −1 j=1 ≤ δx ∞ + ε |A−1| |A| ∞ δx ∞. takoder oznaˇenu s · .3 Neka je Ax = b i (A + δA)(x + δx) = b + δb. S druge strane. Prije svega. . 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 . (4. Tada vrijedi δx |A−1| |A| |x| + |A−1 | |b| ≤ε .6. 2. .5) Nadalje.

|δb| ≤ ε|b|⎪ = |A−1 | |A| |x| + |A−1 | |b| x ∞ ∞ . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 199 Korolar 4. |δb| ≤ ε|b|} = max i |ri | . Zato kao koeficijent osjetljivosti moˇemo koristiti veliˇinu z c κ∞ (A. 0 0 x = A−1 b = ⎣ 1 ⎦ . gdje je |ri | D1 = diag (|A| |˜| + |b|)i x n .4 Neka je x izraˇunata aproksimacija rjeˇenja sustava Ax = b i neka ˜ c s je r = b − A˜ izraˇunati rezidual. (|A| |˜| + |b|)i x Optimalna perturbacija polaznih podataka koja reproducira izraˇunato rjeˇenje dana c s je s δA = D1 |A|D2 .6. x) = |A−1 | |A| |x| x ∞ ∞ . x |δA| ≤ ε|A|.1 U ovom primjeru istraˇujemo stabilnost Gaussovih eliminacija po z elementima matrice.ˇ 4. lim sup ⎪ ε→0 ε ⎪ ⎪ ⎪ ⎩ ⎧ ⎪ ⎪ ⎪ ⎪ ⎨ ⎫ ⎪ ⎪ ⎪ ⎪ ⎬ ⎪ ⎪ ⎪ ⎭ |δA| ≤ ε|A|. x i=1 Primjer 4. δb = −D1 |b|. Neka su α = 0 i β = 0 zadani i neka je α A= α β . 0 1 b= . β ⎡ ⎤ Trokutasta LU faktorizacija matrice A je α α A β 1 = 0 1 L 0 1 α 0 β . i=1 D2 = diag(sign(˜i ))n .6.6. Teorem 4. 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| ∞. −β U .1 Relativni faktor osjetljivosti je dan relacijom δx ∞ x ∞ : (A + δA)(x + δx) = b + δb.

Neka je A+∆A singularna. a elementi x c od δb su bi (1 + εi ). Znaˇi da z imamo veliku promjenu elementa.8) α(1 + 21 ) 0 x2 ˜ 0 Ako je x1 = 0. n.6.4. treba odrediti ij . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 200 1 je izraˇunat bez greˇke. npr. Drugim rijeˇima. ˇto znaˇi da element a21 treba promijeniti u nulu. ˜ α α s c c c gdje su ξ1 . β = 4. εi . . ˇ pri ˇemu je β (1 β) = 9. Pokuˇajmo joj na´i najbliˇu singularnu s c z matricu. prelaze u Vektor y = L−1 b = x2 = ˜ 1 (1 + ξ1 ).6. x2 interpretirati kao egzaktno rjeˇenje s c s ˜ ˜ sustava (A+δA)˜ = b+δb. bit ´e x1 = 0. (I viˇe. β 1 1 ˜ x1 = (1 − β x2 (1 + ξ2 ))(1 + ξ3 )(1 + ξ4 ) = (−ξ1 − ξ2 − ξ1 ξ2 )(1 + ξ3 )(1 + ξ4 ). Primijetimo da c op´enito ne moˇemo garantirati x1 = 0. ξ3 . tj. . .999999999999999e−001. . Ako je β broj u raˇunalu takav da je c z ˜ β (1 β) = 1. pri ˇemu mjerimo u nekoj matriˇnoj normi · . i. c c −1 Iz A + ∆A = A(I + A ∆A) slijedi da je I + A−1 ∆A singularna. 4. δa21 = −a21 .ˇ 4. j = 1. Dodatak: Udaljenost matrice do skupa singularnih matrica Neka je A n × n regularna matrica.057062130620955e−001. gdje su elementi matrice δA oblika aij (1+ ij ). pa je i 1 |α| δA F > . (4. u IEEE aritmetici je takav broj. jasno je da je za zadovoljavanje druge jednadˇbe u gornjem sustavu ˜ z s c c nuˇno uzeti 21 = −1. egzaktne formule x2 = 1/β. Ako pogledamo proces supstitucija c s −1 unazad. 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. ξ2 .) s c s s Pokuˇajmo sada izraˇunato rjeˇenje x1 . ξ4 male greˇke reda veliˇine toˇnosti raˇunala. c ˜ Na primjer. ≥√ A F 2 3|α| Iz prethodnog primjera zakljuˇujemo da bez obzira na toˇnost koju koristimo c c u raˇunanju na raˇunalu. (Citatelju za vjeˇbu ostavljamo c z da pokuˇa na´i joˇ takvih brojeva. (δA)22 = −α. x1 = 0. tako da vrijedi α(1 + 11 ) β(1 + 12 ) x1 ˜ 1 + ε1 = . A + ∆A s .

Jer. To znaˇi da je velika ve´ina elemenata od A jednaka nuli.ˇ 4. sporoj memoriji (datoteka s c z na disku) i onda moˇemo dijelove matrice uˇitavati dio po dio u radnu memoriju. det(X)=0 A−1 Ako odaberemo n · = · 2. Lako se uvjeriti da je u takvim s primjerima proces Gaussovih eliminacija ˇesto praktiˇno neupotrebljiv. c Nadalje.2 ima broj 2 . blizak polaznom. svaka barem 4 bajta (veliˇina reprezentacije realnog broja u jednostrukoj preciznosti). koje su jednostavno konaˇan niz formula koje vode rjeˇenju sustava.2 Neka je A regularna matrica i · proizvoljna matriˇna norma. A−1 ∆A < 1 z povlaˇi (zbog propozicije 4.1) da je I +A−1 ∆A regularna. a elementi c c koji nisu nula obiˇno su pravilno rasporedni po matrici ili ˇak imaju i pravilno c c c rasporedene numeriˇke vrijednosti. ne c s garantiraju idealnu toˇnost. A−1 Time smo dokazali: Propozicija 4.6. Takoder. ali je rijetko z popunjena. pa je 1 ∆A ≥ . Gaussove c ˜ x eliminacije. c mogu´e je da samo spremanje matrice koeficijenata u memoriju raˇunala predc c stavalja poteˇko´u – ponekad matricu drˇimo na vanjskoj.2. Iterativne metode U prethodnim odjeljcima vidjeli smo da rjeˇenje linearnog sustava Ax = b s op´enito ne moˇemo izraˇunati apsolutno toˇno. Naime. 1 ≤ A−1 ∆A ≤ c A−1 ∆A . A = i=1 T σi ui vi moˇe pokazati da je nejednakost u gornjoj propoziciji zapravo z n−1 T σi ui vi . n > 105 . c Tada je 1 A−X ≥ inf . 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. onda se koriˇtenjem SVD dekompozicije matrice s A. z c Kako u takvim uvjetima implementirati Gaussove eliminacije? U puno vaˇnih primjena matrica sustava A je velike dimenzije. npr. u nekim primjenama niti c z c c toˇno rjeˇenje x = A−1 b nije puno bolje od neke dovoljno dobre aproksimacije x. Dakle. mac c trica dimenzije n = 105 zahtijeva n2 = 1010 lokacija u memoriji. Dakle. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 201 i I + A−1 ∆A su istog ranga. matrica iz primjera 4. Moderne primjene matematike zahtijevaju s rjeˇenja sustava velikih dimenzija. Dakle. Na primjer. i=1 jednakost koja se postiˇe za X = z 4.6.) Tada je nuˇno A−1 ∆A ≥ 1.7. c s ˜ gdje obiˇno x zadovoljava sustav (A + δA)˜ = b.

kako onda c c c rijeˇiti Ax = b? s . (Ako A nema strukturu.ˇ 4.) Joˇ jedan primjer rijetko popunjene c matrice je dan na slici 4. a ostali elementi su nule. tako da jednostavno ne moˇe stati u memoriju c z raˇunala. z Slika 4. Najbolje ˇto moˇemo je uˇitavanje dijelova matrice iz vanjske u radnu c s z c memoriju. zahtijeva 3n mnoˇenja c z i 2n zbrajanja – ukupno 5n operacija. c Ponekad je matrica A velike dimenzije i gusto popunjena (svi ili velika ve´ina c elemenata je razliˇita od nule). gdje je v ∈ R .7.1. Toˇkice pokazuju pozicije elemenata u mac trici koji su razliˇiti od nule.7. 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. 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. onda op´enito c s raˇunanje Av zahtijeva 2n2 − n operacija. gdje su fij (· · ·) poznate funkcije nekih parametara) pa uvijek moˇemo generirati dijelove matrice. pozc nato da je aij = fij (· · ·). Ako je to jedini naˇin kako do´i do matrice A.1 Rijetko popunjena matrica. To znaˇi da c n za takvu matricu A raˇunanje produkta Av. Ponekad je poznat naˇin kako su generirani elementi matrice (npr. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 202 na dijagonali i −1 na dvije sporedne dijagonale. To znaˇi da je raˇunanje produkta c c Av sloˇenosti puno manje od 2n2 − n.

. x2 ]T zadovoljava c s 1 (b1 − a12 x2 ) a11 1 x2 = (b2 − a21 x1 ). x(2) . . Primijetimo da ne moramo nuˇno teˇiti pronalaˇenju z z z egzaktnog rjeˇenja – umjesto toga ˇelimo dovoljno dobru aproksimaciju x. a22 = 0.7. . Uoˇimo da rjeˇenje x = [ x1 . Zato s z ˜ ima smisla pokuˇati konstruirati niz x(0) . c z itd. x(1) bolja aproksimacija nego ˇto je to x(0) . Ideju Jacobijeve metode s ilustrirat ´emo na primjeru 2 × 2 sustava c a11 x1 + a12 x2 = b1 . a22 T (4. . c 4. Pitanje je. a21 x1 + a22 x2 = b2 a11 = 0.1. z s . .ˇ 4.1) Nadamo se da je x(1) = x(1) . naravno. koji ovise o konkretnom problemu i o konkretnom naˇinu konstruc (k) iranja niza (x ). bit ´e dani malo kasnije. vektora iz Rn sa sljede´im s c svojstvima: (i ) za svaki k formula za raˇunanje x(k) je jednostavna. 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 ). c z c (ii ) x(k) teˇi prema x = A−1 b i za neki k (obiˇno k aproksimacija za x. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 203 Prethodna diskusija nas motivira da potraˇimo i drugaˇije pristupe za rjeˇavaz c s nje linearnog sustava Ax = b. . x(k) . pod kojim uvjetima te iteracije teˇe prema rjeˇenju x. Jacobijeva i Gauss–Seidelova metoda Jacobijeva i Gauss–Seidelova metoda pripadaju klasiˇnim i najjednostavnijim c iterativnim metodama za rjeˇavanje linearnih sustava. n) je x(k) prihvatljiva Nabrojana svojstva su za sada namjerno dana u nepreciznoj. Detalji. . zatim x(3) . ali lako razumljivoj formi. Na isti s 1 2 c naˇin moˇemo iskoristiti x(1) da dobijemo sljede´u aproksimaciju.7. a22 x1 = Te relacije motiviraju da neku pribliˇnu vrijednost rjeˇenja x(0) = x(0) . x(1) .

1 0.3) definirana je Jacobijeva iterativna metoda. −9. Relacijom (4. Ipak. zgodno je uoˇiti strukturu raˇunanja vektora x(k+1) pomo´u c c c (k) x .000000015625000e+000 .002500000000000e+001 .7.7.2). ali ipak ima smisla. Naravno da je ovo gruba aproksimacija. −1. ako stavimo A = D − N.987500000000000e−001 9. x(0) = D −1 b = ⎣ 2 1 ⎦ −3 −1. (k+1) (k) ⎣ 1 ⎦ b2 −a21 0 x2 x2 0 a22 Dakle. 0 (4.7. −1 (4. Sada iteriramo kao u relaciji (4. Naˇ izbor je bio rezultat jednostavne ideje: matricu A s c z s aproksimiramo s D (jer su dijagonalni elementi ve´i od izvandijagonalnih).7.000012500000000e+001 .999999687499999e+000 .9 9. 2 b= 19.999937500000000e−001 9. z c Primjer 4.000003125000000e+000 1.3) Matricu A napiˇimo kao u relaciji (4. −1.7. Ponekad je c s s dovoljno uzeti sluˇajno odabran vektor.ˇ 4. −3 x = A−1 b = 10 . Primijetimo da vrijedi ⎡ 1 ⎤ 0 ⎥ (k+1) (k) ⎢ b1 0 −a12 x1 x1 ⎥ = ⎢ a11 + . D= a11 0 0 .1 Neka je A= 2 −0.5 0 2 Primijetimo da u poˇetnoj iteraciji pokuˇavamo “pogoditi” rjeˇenje.000000015625000e+001 .2) onda moˇemo jednostavno pisati z x(k+1) = D −1 (b + Nx(k) ) = D −1 Nx(k) + D −1 b. Za poˇetnu iteraciju uzmimo vektor s c ⎡1 ⎤ 0 ⎥ 19. a22 N= 0 −a21 −a12 .002500000000000e+000 1. Pokuˇajmo ovaj proces ilustrirati na jednom primjeru. −1. poˇeljno je da je polazna iteracija c z ˇto je mogu´e bliˇe cilju.3) i dobijemo x(1) = x(2) = x(3) = x(4) = x(5) = 1.949999999999999 ⎢ = . pa A−1 b c −1 aproksimiramo s D b. −9.999937500000000e+000 . Zbog jednostavnosti s primjer je dimenzije 2 × 2 tako da svatko moˇe lako slijediti raˇun.7.9 . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 204 Prije same analize.1 .

gdje je A = D − N. . . (4. (4.250000000029843e−005 = 3. s k = 0.7. .5) n D = diag(a11 . Na primjer. i=1 aii = 0. 1.7. konvergira rjeˇenju x sustava Ax = b.499999999999858e−002 = 1. Vrijedi c s s e(k+1) = x(k+1) − x = D −1 N(x(k) − x) = D −1 Ne(k) .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 → ∞. onda svakako z −1 k s D N → 0 za k → ∞. (4. gdje je e(0) = x(0) − x pogreˇka prve iteracije x(0) . Koriˇtenjem (4.7. Vidimo i da je nakon k-tog koraka greˇka e(k) barem s c D −1 N k puta manja od polazne e(0) . . 2. .3).249999999999973e−003 = 6. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 205 Ako izraˇunamo relativne greˇke c s 0 1 2 3 4 5 k = x − x(k) ∞/ x ∞.4) slijedi e(k) = D −1 Ne(k−1) = (D −1 N)2 e(k−2) = (D −1 N)k e(0) .7.1 Ako je u rastavu A = D −N u nekoj matriˇnoj normi ispunjeno c D −1 N < 1.4) vrijede za proizvoljni n ≥ 2.562499996055067e−007.7. lako izraˇunamo ponaˇanje pogreˇke e(k) = x(k) − x.125000000103739e−006 = 1. dobivamo c c e(k) ≤ (D −1 N)k e(0) ≤ D −1 N k e(0) . . Uzimanjem proizvoljne vektorske s norme · i odgovaraju´e matriˇne norme.7. onda za svaku poˇetnu iteraciju x(0) niz c x(k+1) = D −1 (b + Nx(k) ).7) .7. . onda je = 5.4) Primijetimo da izvedene relacije (4. ann ).7.2).7.3) i relacije s b = Ax = (D − N)x.7. Propozicija 4. Sada iz (4.6) Iz relacije (4. (4. (4.7.ˇ 4.000000000000000e−001 = 2. Zapiˇimo ove zakljuˇke u obliku propozicije. ako je D N < 1. (4.

. ⎥ ⎢ (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 ⎥⎢ ⎥=⎢ ⎥. . s Dokaz.7. . n. j=i onda niz generiran Jacobijevom metodom s proizvoljnim x(0) konvergira prema rjeˇenju sustava Ax = b. Da bismo bolje shvatili strukturu izvedenih formula. n.7.1). . vidimo da bi imalo smisla u z (1) (0) formuli za x2 umjesto x1 koristiti novu. Na primjer. aii j=1 j=i+1 i = 1. .9) Gornje formule definiraju Gauss–Seidelovu iterativnu metodu. . . . ⎥ ⎢ (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 |. Op´enito. a22 (4. pomo´u c c (0) (0) x1 i x2 . Ako paˇljivije promotrimo formule (4.ˇ 4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 206 Propozicija 4. Uoˇimo da je u relaciji (4.8) 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 ⎥⎢ ⎥=⎢ ⎥. i = 1. (4. x1 a11 1 (k+1) (k+1) (k) (k) x2 = (b2 − a21 x1 − a23 x3 − a24 x4 ). Lako je pokazati da je D −1 N ∞ < 1.8) 1 (k+1) (k+1) (k+1) (k) x3 = (b3 − a31 x1 − a32 x2 − a34 x4 ). 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 .1) x1 i x2 raˇunali neovisno. vratimo se primjeru n = 4.7. u sluˇaju n = 4 imali z c c bismo 1 (k+1) (k) (k) (k) = (b1 − a12 x2 − a13 x3 − a14 x4 ). (1) (1) Primijetimo da smo u relacijama (4. a33 1 (k+1) (k+1) (k+1) (k+1) x4 = (b4 − a41 x1 − a42 x2 − a43 x3 ).10) .7.7.7. upravo izraˇunatu (i vjerojatno bolju) c (1) (k+1) c modificiramo tako da u svakoj kompovrijednost x1 .7. formulu za x nenti koristimo najsvjeˇije izraˇunate vrijednosti.

7.7. .13) Propozicija 4.7. a u Gauss–Seidelovoj M = L je donjetrokutasta matrica.8. c 4. 0 ⎦ a44 ⎤ 0 a12 ⎢0 0 ⎢ U = −⎢ ⎣0 0 0 0 ⎡ a13 a23 0 0 a14 a24 ⎥ ⎥ ⎥.netlib. dobivamo da je e(k) = (L−1 U)k e(0) .7. c Obje biblioteke dostupne preko Interneta. Matematiˇki software za problem Ax = b c U ovom poglavlju opisujemo BLAS i LAPACK. k = 1. tj. Na adresi http://www. c . problemi najmanjih kvadrata.12) Kao i u analizi Jacobijeve metode. a34 ⎦ 0 ⎤ (4. Gauss–Seidelovu metodu moˇemo zapisati kao z x(k+1) = L−1 (b + Ux(k) ). da je lako rijeˇiti s sustav Mx(k+1) = b + Sx(k) . U Jacobijevoj metodi je M = D dijagonalna. U LAPACK-u su sve elementarne operacije c nad matricama i vektorima izvedene pomo´u poziva biblioteke BLAS. uz uvjet regularnosti matrice L. 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. . onda niz c generiran Gauss–Seidelovom metodom s proizvoljnim poˇetnim x(0) konvergira prec ma rjeˇenju sustava Ax = b. k = 1. dok je LAz PACK opseˇna biblioteka sa gotovim rjeˇavaˇima za probleme kao ˇto su linearni z s c s sustavi jednadˇbi. Biblioteka s c BLAS (Basic Linear Algebra Subroutines. 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. 2. (4.ˇ 4.14) Pri tome je matrica M odabrana tako da ju je lako invertirati. problemi svojstvenih i singularnih z vrijednosti za matrice i matriˇne parove. k = 1. . . a iteracije su dane s x(k+1) = M −1 (b + Sx(k) ). . 2. (4.11) Vrijedi A = L − U i. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 207 Stavimo a11 ⎢a ⎢ L = ⎢ 21 ⎣ a31 a41 ⎡ 0 a22 a32 a42 0 0 a33 a43 0 0 ⎥ ⎥ ⎥.3 Ako je A simetriˇna i pozitivno definitna matrica. 2. s I Jacobijeva i Gauss–Seidelova metoda generirane su istom shemom: Matrica A je napisana u obliku A = M − S.7. . gdje je M regularna matrica.

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

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

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

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

te f (A) ∈ {A. generalizirani problec c mi za matriˇne parove).ˇ 4. raˇunanje obiˇne i generalizirane dekompozicije sinc c c gularnih vrijednosti. na c adresi http://www. AT }. Spomenimo da su na listi algoritmi za s rjeˇavanje linearnih sustava (s pripadnim algoritmima za raˇunanje LU faktoris c zacije. nesimetriˇni problem. rjeˇavanje problema svojstvenih s vrijednosti (simetriˇni problem. generalizirane QR faktorizacije). gdje je A gornje ili donjetrokutasta regularna matrica sa op´enitom ili jec T diniˇnom dijagonalom. gdje su α i β skalari.netlib. g(B) ∈ {B. Posebni algoritmi su ponudjeni za specijalne tipove matrica kao ˇto s su npr. pri ˇemu je A gornje ili donjetrokutasta s c op´enitom ili jediniˇnom dijagonalom. AT }. Ostale procedure i kompletna dokumentacija mogu se na´i na Internetu. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 212 Operacije s matricama: BLAS 3 Tre´i nivo elementarnih operacija biblioteke BLAS implementira matriˇne opec c racije. opiˇimo tri najosc s novnije. Opseˇnost. Sylvesterove jeds c z nadˇbe). ili B := αBf (A). rjeˇavanje matriˇnih jednadˇbi (npr. B T }. Sve procedure su implementirane i za realne i za kompleksne tipove z podataka. Tek za ilustraciju funkcionalnosti procedura tre´eg nivoa. 4.8. faktorizacije Choleskog. simetriˇne indefinitne faktorizacije). c c • xTRSM rjeˇava po X jednadˇbe s z f (A)X = αB. vrpˇaste matrice. A. c • xTRMM raˇuna c B := αf (A)B. f (A) ∈ {A. c . gdje je α skalar.org. pri ˇemu su dimenzije matrica takve da je izraz dobro definiran. LAPACK sadrˇi preko 1000 potprograma s algoritmima za rjez z ˇavanje problema linearne algebre.2. f (A) ∈ {A. • xGEMM raˇuna izraz oblika c C := αf (A)g(B) + βC. ili Xf (A) = αB. A i B su matrice. rjeˇavanje c s problema najmanjih kvadrata (s pripadnim algoritmima za raˇunanje QR fakc torizacije. B i X su matrice odgovaraju´ih c c dimenzija. Osnovne znaˇajke LAPACK–a su: c 1. A }. C matrice. Pregled biblioteke LAPACK LAPACK je kratica za Linear Algebra PACKage. paket (programa) za linearnu algebru. B.

ˇ 4. 6. ako imamo c BLAS optimiran za konkretno raˇunalo. LDA. IPIV. verzija 3.3. kao i detalji implementacije su detaljno opisani u seriji tehniˇkih c izvjeˇtaja (LAPACK Working Notes) koji su dostupni preko Interneta. cijeli kod je dostupan “online”.) s 3. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 213 2. z Zbog jednostavnosti. of California Berkeley. Univ. Drugim rijeˇima. kao ilustraciju dobre prakse programiranja – kako strukture programa tako i dokumentiranosti. Obs javljen je i priruˇnik [1]. Numeriˇka pouzdanost. Uz dosta algoritama ponudjene su procedure za ocjenu greˇke s u izraˇunatim rezultatima. Pogledajmo kako je to napravljeno u LAPACK-u. Efikasnost biblioteke LAPACK c je postignuta oslanjanjem na biblioteku BLAS. rjeˇavanje linearnog sustava jeds nadˇbi ima tri faze: LU faktorizacija. boljih algoritama z koji nakon strogih provjera postaju dijelovi LAPACK-a. tako da korisnik moˇe dobiti dodatne informacije i o z rezultatima ali i o svom matematiˇkom modelu. (Numeriˇka nestabilnost moˇe c c z biti znak greˇke u modelu.. Istraˇivaˇi koji sudjeluju u projektu LAPACK dolas z c ze iz cijelog svijeta i neprestano rade na pronalaˇenju novih. Kompletan izvorni kod je dostupan preko Interneta. bilo kao nove procedure. INFO ) * * * -. Rjeˇavanje linearnih sustava pomo´u LAPACK-a s c Kako smo vidjeli u prethodnim odjeljcima. Prenosivost je osigurana strogim pridrˇavanjem stanc z darda konkretnog programskog jezika (FORTRAN ili C). Matematiˇki c c detalji. N. rjeˇavanje donjetrokutastog i rjeˇavanje gornz s s jetrokutastog sustava jednadˇbi.0) -Univ. Pogledajmo opis c parametara te procedure. Dani su teorijski okviri u kojima je ocjenjena c stabilnost algoritama. c 4. bilo kao zamjena za ve´ postoje´e. of Tennessee. Neprestano usavrˇavanje. Naravno.0. onda ´e LAPACK dobro iskoristiti c c resurse tog raˇunala. 4. Dat ´emo i c dijelove izvornog koda. NAG Ltd. Za neka raˇunala postoji s c gotova biblioteka koju samo treba kopirati koriste´i FTP. . c 5. Prenosivost i efikasnost na raznim raˇunalima. U vrijeme pisanja ovih redaka. A.LAPACK routine (version 3. Dobra dokumentiranost i jednostavno koriˇtenje. kako je napisano u izvornom kodu: SUBROUTINE SGETRF( M. Sve su procedure detaljno s dokumentirane na jednoobrazan i unaprijed definiran naˇin.8. u c c uporabi je LAPACK. opisujemo procedure u jednostrukoj preciznosti. zajedno s MAKE datotekama koje same izvrˇavaju proces instaliranja. U LAPACK-u se posebna paˇnja posve´uje numeriˇc z c c koj stabilnosti. Trokutastu faktorizaciju raˇunamo procedurom SGETRF.

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

N. N.. IPIV. c SUBROUTINE SGETRS( TRANS. NRHS . 1993 . of Tennessee... Univ. NRHS.LAPACK routine (version 3. A. INTEGER IPIV( * ) REAL A( LDA.. LDA. Argonne National Lab. 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. Arguments ========= TRANS (input) CHARACTER*1 Specifies the form of the system of equations: * * * * * * * * * * * * * * * * * . NAG Ltd. Courant Institute.i) is exactly zero. but the factor U is exactly singular. * ).. INFO ) * * * * * * * -. B( LDB. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 215 * * * * * * * * * * INFO (output) INTEGER = 0: successful exit < 0: if INFO = -i. LDB. the i-th argument had an illegal value > 0: if INFO = i. LDA. U(i. .. LDB. and Rice University March 31.. B. and division by zero will occur if it is used to solve a system of equations. The factorization has been completed. of California Berkeley. * ) . Array Arguments . Evo kako izgleda poˇetak procedure SGETRS. Scalar Arguments . ===================================================================== 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. CHARACTER TRANS INTEGER INFO.ˇ 4.0) -Univ.

INFO ) * * * * * * -. Courant Institute. dimension (LDB. i. LDA. A LDA LDA >= max(1. A. the i-th argument had an illegal value ===================================================================== I konaˇno. LDB. (input/output) REAL array. N >= 0. c s c odnosno AX = B ako imamo viˇe desnih strana (matrica B umjesto vektora b). NRHS (input) INTEGER The number of right hand sides. s SUBROUTINE SGESV( N.ˇ 4. 1993 . the solution matrix X. NRHS >= 0.0) -Univ. dimension (N) The pivot indices from SGETRF. B LDB LDB >= max(1. On exit. (input) REAL array. 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. NRHS. IPIV (input) INTEGER array. (input) INTEGER The leading dimension of the array B.LAPACK driver routine (version 3.NRHS) On entry. the number of columns of the matrix B. of California Berkeley. NAG Ltd. B.. prethodne dvije procedure su integrirane u rjeˇavaˇ sustava Ax = b.N). dimension (LDA. (input) INTEGER The leading dimension of the array A. INFO (output) INTEGER = 0: successful exit < 0: if INFO = -i.N). Argonne National Lab. the right hand side matrix B. row i of the matrix was interchanged with row IPIV(i).N) The factors L and U from the factorization A = P*L*U as computed by SGETRF.. Univ. for 1<=i<=N.e. and Rice University March 31. IPIV.

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

.LT... A.0 ) THEN CALL XERBLA( ’SGESV ’. XERBLA . EXTERNAL SGETRF.LT. but the factor U is exactly singular.LT.0 ) THEN INFO = -1 ELSE IF( NRHS. IPIV. Test the input parameters. INFO ) IF( INFO. External Subroutines . .ˇ 4.0 ) THEN ..MAX( 1. so the solution could not be computed. CALL SGETRF( N. (input) INTEGER The leading dimension of the array B. if INFO = 0. the i-th argument had an illegal value > 0: if INFO = i. N. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 218 * * * * * * * * * * * * * * * * * * * * * * * * B (input/output) REAL array.0 ) THEN INFO = -2 ELSE IF( LDA.MAX( 1.. LDB LDB >= max(1. INTRINSIC MAX . SGETRS.NRHS) On entry.i) is exactly zero. INFO (output) INTEGER = 0: successful exit < 0: if INFO = -i. . N ) ) THEN INFO = -7 END IF IF( INFO. the N-by-NRHS matrix of right hand side matrix B. The factorization has been completed. -INFO ) RETURN END IF * * * Compute the LU factorization of A. ===================================================================== .NE. dimension (LDB. U(i..LT. LDA.EQ.N). INFO = 0 IF( N. Intrinsic Functions . On exit. N ) ) THEN INFO = -4 ELSE IF( LDB. the N-by-NRHS solution matrix X.. Executable Statements ..

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

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

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

nije baˇ tako. a katkad i puno dulje. 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). a definirane su na su za sve realne (ili kompleksne) brojeve (nema problema s nultoˇkama nazivnika). IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 222 mora raditi za sve ulaze x0 ∈ D. 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. Drugim rijeˇima.). sigurno trebamo efikasne algoritme za raˇunanje vrijednosti racionalc nih funkcija. nego ˇto je trajanje jedne osnovne s . polinomima ili c racionalnim funkcijama. Medutim. ako imamo na c c c raspolaganju samo 4 osnovne aritmetiˇke operacije.6. toˇnost raˇunanja). c c Strogo govore´i. Trenutno zanemarimo pitanje kako se zadaje funkcija f . onda je zgodno imati i algoritme za izvrednjavanje polinoma. Osim toga. teorija izraˇunljivosti u okviru matematiˇke c c logike i osnova matematike.1. ponaˇanjem ondosno vrijednostima u konaˇnom broju toˇaka (vidjeti s c c poglavlje o interpolaciji) ili koeficijentima u nekom prikazu funkcije. sve ostale funkcije moramo aproksimirati. polinomi su joˇ jednostavnije funkcije. Naime. U praksi se odmah name´u i bitno jaˇa ograniˇenja. Reklo bi se da je ovdje sve rijeˇeno. c trigonometrijske. Takve funkcije moˇemo jednoznaˇno zadati konaˇnim brojem parametara — z c c na primjer.) i 3. To je fundamentalno ograniˇenje i bitno c c smanjuje klasu funkcija kojima vrijednosti uop´e moˇemo algoritamski izraˇunati. Ako se sjetimo da racionalnu funkciju moˇemo zapisati kao kvocijent z dva polinoma. √ Za osnovne matematiˇke funkcije kao ˇto su: c s x (katkad i op´e potencije xα ). onda f mora biti zadana s najviˇe konaˇano mnogo podataka (o f ) i s c ti podaci moraju jednoznaˇno odrediti f . ili s • koristimo neki gotovi (pot)program (“software”) koji to radi. hiperboliˇke i njima inverzne funkcije razvijeni su c dobri algoritmi za njihove aproksimacije. ako je f ulaz u algoritam. 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 imaju veliku teoretsku i praktiˇnu primjenu. c z c Odgovore na takva pitanja daje tzv. pri njihovom izvrednjavanju nema dis jeljenja.6.4. Naime. Raˇunanje f (x0 ). s s c u principu. eksponencijalne. O tome kako se nalaze takve aproksimacije bit ´e opˇirnije govora u poglavlju o aproksimacijama. Dakle. c s Bez obzira na realizaciju. onda su racionalne funkcije c jedine funkcije f kojima moˇemo izraˇunati vrijednost u bilo kojoj toˇki x0 ∈ z c c D.3. traje dulje.

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

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

Na primjer. kad izvrednjavamo polinom koji ima samo parne koeficijente n p2n (x) = i=0 a2i x2i . for i := n − 1 downto 0 do sum := sum ∗ x0 + ai . da je njegova sloˇenost z n mnoˇenja + n zbrajanja. { Na kraju je pn (x0 ) = sum. Isto vrijedi i za polinom koji ima samo neparne potencije. z 6. Pod aktivnim mnoˇenjem podrazumjevamo mnoˇenje z z z izmedu ai i x. z Teorem 6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 225 Algoritam koji po prethodnoj relaciji izvrednjava polinom zove se Hornerova shema. godine. Binarnim potenciranjem redom bismo potencirali bazom 2 za z dani x x → x2 → x4 → x8 → x16 → x32 → x64 . Rezultat prethodnog z teorema moˇe se poboljˇati samo ako jedan te isti polinom izvrednjavamo u mnogo z s .2. ali sliˇan zapis je koristio i Isaac z c Newton. godine. Munro) Za op´i polinom n-tog stupnja potrebno je bac rem n aktivnih mnoˇenja.1 (Borodin.6. 1819.1.2 (Hornerova shema) sum := an . Hornerova shema ima optimalan broj mnoˇenja. Dakle. 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. Predloˇio ga je W. Sastavite pripadne algoritme. Za Hornerovu shemu moˇe se pokazati da je optimalan algoritam. Hornerovu shemu treba modificirati tako da koristi samo parne potencije (potenciranjem x → x2 ). jer bi to predugo trajalo (binarno potenciranje je brˇe). c s z tj. joˇ 1669. z Takoder. } Odmah je oˇito da smo koriˇtenjem ovog algoritma broj mnoˇenja prepolovili.1. Horner. G. Ukupno bismo imali 8 mnoˇenja i 1 zbrajanje. polic c nom p100 (x) = x100 + 1 besmisleno je izvrednjavati Hormerovom shemom.1. z i na kraju pomnoˇil x64 · x32 · x4 .

c c Teorem 6.2 (Pan) Za bilo koji polinom pn stupnja n ≥ 3 postoje realni brojevi z c s c. z := z(w − di ) + ei . jer zbrajanje na raˇunalu troˇi manje vremena od mnoˇenja. 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. Primijetimo da ona koristi 3 mnoˇenja i 5 zbrajanja. Pan je pokazao da vrijedi sljede´i teorem. . za i = 1. Ove relacije zahtijevaju dosta raˇunanja. ˇak i kad raˇunamo vrijednost polinoma u viˇe toˇaka. di . prvo treba odrediti z s ci u ovisnosti o ai . p4 (x) = ((y + x + c2 )y + c3 )c4 .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 . za 0 ≤ i ≤ n/2 − 1. c Zanimljivo je Hornerova shema optimalna za polinome stupnjeva n = 1. ali se to obavlja samo jednom. n paran.6. V. 2. n/2 − 1. Pokaˇimo jedan primjer c c s c z adaptiranja koeficijenata za polinom stupnja 4. . 1 s Uoˇimo da veza izmedu ai i ci nije linearna. 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 ). 2 i 3.1. ei . Medutim. an y + e0 . Rjeˇavanjem po ai . c s z Dapaˇe. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 226 toˇaka. .1. Primjer 6. tako da bismo kasnije imali ˇto manje operacija po svakoj s pojedinoj toˇki. 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 ). . z := n neparan. Nakon toga c ´e svako izvrednjavanje zahtijevati manje vremena od Hornerove sheme na polaznom c polinomu.

Stabilnost Hornerove sheme U proˇlom smo odjeljku pokazali da je Hornerova shema optimalan algoritam s u smislu efikasnosti. s y 1.3. sljede´i teorem pokazuje je red veliˇine broja c c c operacija u Hornerovoj shemi optimalan za gotovo sve polinome.5 · 10−13 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.5 · 10−13 1 1. Teorem 6.05 x . y 1.95 0. di i ei . Medutim. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 227 U prethodnom teoremu nije niˇta reˇeno o tome koliko je operacija potrebno s c za raˇunanje c.5 −1.5 · 10−13 0.6.3 (Motzkin.05 x Izvrednjavanje polinoma (x − 1)10 razvijenog po potencijama od x: koriˇtenjem direktne sumacije u double precision aritmetici.0 · 10−13 1 1.0 · 10−13 0.95 −0. Paˇljivom analizom greˇaka zaokruˇivanja nije teˇko pokazati z s z s da je Hornerova shema i stabilan algoritam.1.5 · 10−13 0.0 · 10−13 0.1. 6.

tj. a zatim mu se doda koeficijent ai−1 koji se c nalazi iznad. (6. Na kraju.1. vode´i koeficijent an se prepiˇe. c0 . an x0 cn−1 an−1 cn−2 · · · a1 ··· c0 a0 r0 . 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. Tada vrijedi pn (x) = (x − x0 )qn−1 (x) + r0 . gledaju´i slijeva nadesno. U gornjem redu se popiˇu svi koeficijenti polinoma pn c c s redom od an do a0 . a ostatak (broj. c s Oznaˇimo elemente donjeg reda. Donji red se izraˇunava koriˇtenjem gornjeg reda i broja x0 . . . vrijednost polinoma u toˇki x0 .6.1. ispod koeficijenta a0 se dobije r0 . ci−1 := ci ∗ x0 + ai−1 . . s x0 . . 1. ali sada stupnja n − 1). (6. s 6. r0 . jer mora biti stupnja manjeg od polinoma kojim dijelimo) s r0 . c z Primjer 6.1.2) 2 0 −2 −1 1 4 0 1 4 . . 3 −3 . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 228 Izvrednjavanje polinoma (x − 1)10 razvijenog po potencijama od x: koriˇtenjem Hornerove sheme u double precision aritmetici. c c tako da se cn−1 nalazi ispod an . cn−2 . p5 (−1) = 4. a svi ostali se raˇunaju tako da se posljednji c s c z izraˇunati koeficijent ci pomnoˇi s x0 . . 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. c Formirajmo tablicu: 2 −1 Dakle.1) i = n. Dakle. Nazovimo taj kvocijent td dva polinoma s qn−1 (to je ponovno polinom. cn−1 . kako slijedi c cn−1 = an . Pogledajmo znaˇenje koeficijenata ci koji se javljaju u donjem redu tablice.4. . Pokaˇimo kako to funkcionira na konkretnom primjeru.2 Izraˇunajmo vrijednost polinoma c p5 (x) = 2x5 − x3 + 4x2 + 1 u toˇki x0 = −1. .

Primjer 6. c Uvrstimo li (6. (6. .3) u (6. Znamo da s je qn−1 polinom stupnja n − 1.1.1.1.1.2) pokazuje da za ostatak vrijedi r0 = pn (x0 ). IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 229 Uvrˇtavanje x = x0 u (6. samo s pomaknutim indeksima. .6. n. . 1 ≤ i ≤ n (ˇto c s je pomak indeksa za jedan u odnosu na dosad koriˇtenu notaciju). i < n c je ai = bi − x0 · bi+1 . . Primijetite da je to relacija istog oblika kao (6. pa imamo 2 −1 Odatle lako ˇitamo c 2x5 − x3 + 4x2 + 1 = (x + 1) (2x4 − 2x3 + x2 + 3x − 3) + 4.3) Dodatno. s n−1 qn−1 (x) = i=1 bi+1 xi . Dakle. Primijetite da je to ista tablica kao u primjeru 6. b0 = r0 .2. .1). oznaˇimo. Provjerite zadnju relaciju mnoˇenjem polinoma! z 2 0 −2 −1 1 4 0 1 4 . . a njegove koeficijente oznaˇimo s bi . c Za vode´i koeficijent bn . i = n − 1. zakljuˇujemo da vrijedi c bi = ci−1 . . . c dobivamo pn (x) = bn xn + (bn−1 − x0 bn )xn−1 + · · · + (b1 − x0 b2 )x + b0 − x0 b1 . a kako je inicijalno i bn = cn−1 .1.2) i sredimo koeficijente uz odgovaraju´e potencije. Zadnja relacija i veza bn = an pokazuju da bi moˇemo izraˇunati iz bi+1 rekurzijom z c bi = ai + x0 · bi+1 . 3 −3 .1. i = 1.3 Podijelimo p5 (x) = 2x5 − x3 + 4x2 + 1 linearnim polinomom x + 1. odmah zakljuˇujemo bn = an . koeficijenti koje dobijemo u Hornerovoj shemi su baˇ koeficijenti polinomas kvocijenta i ostatka pri dijeljenju polinoma pn linearnim faktorom x − x0 . 0.1. a za ai uz potenciju xi .

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 . {polinom-kvocijent: bn xn−1 + · · · + b2 x + b1 } 6. for i := n − 1 downto 0 do bi := bi+1 ∗ x0 + ai .3 (Dijeljenje polinoma s (x − x0 )) bn := an .1.5. i! i=0 n Potpuna Hornerova shema raˇuna sve derivacije polinama u zadanoj toˇki podijec c ljene pripadnim faktorijelima. Primjer 6. p(i) (x0 ) n (x − x0 )i . Algoritam 6.1. 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. Potpuna Hornerova shema ˇ Sto se dogada ako postupak dijeljenja polinoma linearnim faktorom nastavimo. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 230 Konaˇno. c Dakle. c . polinom pn napisan je razvijeno po potencijama od (x−x0 ). tj. i! 0 ≤ i ≤ n.4 Nadimo sve derivacije polinoma p5 (x) = 2x5 − x3 + 4x2 + 1 u toˇki −1. napiˇimo algoritam koji nalazi koeficijente pri dijeljenju polinoma c s linearnim polinomom.1.

Ako s c oznaˇimo yi = x − xi i postavimo zagrade kao u Hornerovoj shemi.4 (Taylorov razvoj) for i := 0 to n do ri := ai . (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. 2 −1 −1 −1 −1 −1 −1 Odatle lako ˇitamo c p5 (−1) = 4. p5 (−1) = −10 · 4! = −240. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 231 Formirajmo potpunu Hornerovu tablicu. odnosno koeficijente Taylorovog razvoja zadanog polinoma oko toˇke x0 . “Hornerova shema” za interpolacijske polinome Kao ˇto ´emo vidjeti. Tako smo dobili “Hornerovu shemu” za interpolacijske polinome. . pri ˇemu su toˇke xi toˇke interpolacije.1. imamo c pn (x) = (· · · ((an yn−1 + an−1 )yn−2 + an−2 )yn−3 + · · · + a1 )y0 + a0 . moˇe se napisati koriste´i samo jedno polje. Algoritam kojim se vrˇi izvrednjavanje je vrlo sliˇan Hornerovoj shemi.6. for i := 1 to n do for j := n − 1 to i − 1 do rj := rj + x0 ∗ rj+1 . 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 .6. c z c Algoritam 6. p5 (−1) = 19 · 3! = 114.1. p5 (−1) = −13 · 2! = −26. kod izvrednjavanja interpolacijskog polinoma u Newtos c novoj formi. p5 (−1) = 2 · 5! = 240. a x toˇka u kojoj ˇelimo izraˇunati vrijednost c c c c z c polinoma. 6.

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

uz bn+1 = bn+2 = 0. 2 q = x2 + y0 . . . s bi = ai − pbi+1 − qbi+2 .5) Uvrˇtavanjem (6. Napiˇimo proˇlu relaciju u pogodnoj formi. onda z moramo izraˇunati sve koeficijente bi . i = n. Ostatak pri dijeljenju viˇe nije samo konstanta. . izlazi rekurzivna relacija ai = bi + pbi+1 + qbi+2 . Usporedivanjem koeficijenata lijeve i desne strane. Drugim rijeˇima.1. uz start bn+1 = bn+2 = 0. koeficijente bi raˇunamo iz dva koja c c odgovaraju susjednim viˇim potencijama. podijelimo polazni realni polinom polinomom s2 . (6. . onda prethodnu relaciju moˇemo pisati kao n n ai xi = i=0 i=0 (bi + pbi+1 + qbi+2 ) xi . i = n. 0 Po analogiji.6. p = −2x0 . .1. .6) ponovno. 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 . n dati koeficijente c c . ˇ Sto je rezultat? Ako traˇimo rezultat dijeljenja kvadratnim polinomom. ovaj put s indeksima pomaknutim za 2 n−2 i=0 qn−2 (x) = bi+2 xi . .1. .5) u (6. . tj. nego moˇe biti i polinom r stupnja 1 s z pn (x) = s2 (x)qn−2 (x) + r(x). . 0. .4) Izaberimo oznaku za koeficijente polinoma qn−2 .4) i usporedivanjem koeficijenata uz odgovaraju´e pos c tencije. (6. (6.1.1. s tim da ´e indeksi i = 2. i=0 = i=0 bi xi + p i=0 bi+1 xi + q z Definiramo li dodatno bn+1 = bn+2 = 0. napiˇimo na “ˇudan” naˇin s s s c c polinom r pn (x) = (x2 + px + q) qn−2 (x) + b1 (x + p) + b0 . 0. . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 233 tj.

6. na kraju raˇuna.1. pa vidimo da za raˇunanje vrijednosti realnog polinoma u kompleksnoj toˇki.4). Ako c ˇelimo ostatak napisan u standardnoj bazi.1. 2 q := x2 + y0 .1. ne c c moramo pamtiti ˇitavo polje koeficijenata bi . b0 := b0 + p ∗ b1 . bez ikakvih ograniˇenja. nego samo “trenutna” tri koji su nam c potrebni u rekurziji (6. kad izraˇunamo sve koeficijente bi . for i := n − 2 downto 0 do bi := ai − p ∗ bi+1 − q ∗ bi+2 . tj. q c ne mora biti nenegativan. c tj. Odmah se dobije pn (x0 + iy0 ) = b1 ( − x0 + iy0 ) + b0 = (b0 − x0 b1 ) + iy0 b1 .7) pn (x0 + iy0 ) = b1 (x0 + iy0 + p) + b0 . Uoˇimo da je s2 (x0 + iy0) = 0 (tako je definiran). bn−1 := an − p ∗ bn .1. Algoritam 6.1. onda nam ne trebaju svi bi -ovi. Koeficijenti p i q su tada ulazni podaci. a b1 i b0 bit ´e ostaci pri dijeljenju napisani u formi (6. b0 := an . Relaciju (6.6) Algoritam 6.6 (Dijeljenje polinoma kvadratnim polinomom) bn := an . c To znaˇi da nam trebaju samo koeficijenti b1 i b0 da bismo znali izraˇunati vrijednost c z s u toˇki z0 .7 (Vrijednost realnog polinoma u kompleksnoj toˇki) c p := −2 ∗ x0 . 0 b1 := 0. pa se (6. postavit ´emo c c b0 := b0 + b1 p Sljede´i algoritam raˇuna kvocijent polinoma pn i kvadratnog polinoma s2 u stanc c dardnoj bazi. Konaˇno.1.1.4).1. Promotrimo c relaciju (6. vratimo se zadatku od kojeg smo krenuli. onda ´emo r napisati kao z c r(x) = b1 x + (b0 + b1 p).4) svede c na (6. Ako ˇelimo izraˇunati c z c vrijednost polinoma pn u toˇki x0 + iy0 . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 234 polinoma qn−2 .7) moˇemo i ljepˇe napisati jer znamo da je c p + x0 = −2x0 + x0 = −x0 . for i := n − 1 downto 0 do .

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

.8) bi = ai + pbi+1 + qbi+2 .8. imamo algoritam za nalaˇenje njihovih vrijednosti. pa je Re(p3 (2 + i)) = b0 − b1 a = 113 − 86 = 27. Formirajmo c tablicu. imamo p3 (2 + i) = 27 + 43i. . v(z) = Im (pn (z)). Funkcije u i v moˇemo interpretirati i kao realne funkcije kompleksnog argumenta z u(z) = Re (pn (z)). a p = −4. . s uzmimo da nam i kvadratni polinom ima oblik x2 − px − q (pa svugdje gdje u proˇlom odjeljku piˇe p treba pisati −p.1. moˇe se zapisati pomo´u dva polinoma u i z c v u dvije realne varijable x i y. Algoritam za nalaˇenje koeficijenata u ovoj formulaciji je: start bn+2 = bn+1 = 0.1.6. pa. a gdje piˇe q treba pisati −q). 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). gdje je z = x + iy. s z Da bismo oponaˇali dijeljenje polinoma linearnim polinomom oblika x − x0 . a z rekurzija je (6. Dakle.1.5 Nadimo vrijednost polinoma p3 (x) = x3 + 8x2 + 1 u toˇkama 2 ± i. 6. z = x + iy. p3 (2 − i) = 27 − 43i. 1 8 0 1 5 −4 + 1 4 12 −5 48 43 −60 172 113 . Im(p3 (2 + i)) = b1 b = 43. prema proˇlom odjeljku. i = n. 0. Vrijedi pn (z) = u(x. Posljednja dva koeficijenta su b1 = 43. c Uzmimo toˇku 2 + i. y0 = 1. y) + iv(x. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 236 Primjer 6. y). . Dakle. Raˇunanje parcijalnih derivacija kompleksnog polic noma Kompleksni polinom u varijabli z. . gdje je r(x) = b1 (x − p) + b0 . pa je x0 = 2. b0 = 113. q = 5.

. . . onda su realni i imagic c narni dio te funkcije u(x. dobivamo cn+2 ci dn+2 di = cn+1 = 0 = bi+1 + pci+1 + qci+2 . . . . y) = (x. i = n + 2. ∂p ∂q ∂p ∂q Uvedimo oznake ∂bi ∂bi ci = . . . pa za njihove parcijalne derivacije vrijede c Cauchy–Riemannovi uvjeti ∂u ∂v (x. . 0. .1. i = n. y) = yb1 .6. . n. ∂x ∂y ∂u ∂v (x. y) = − (x. 0.1. i = n + 1. . samo s indeksom translatiranim za 1. ∂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 . . tj. a zatim po q. c c dovoljno je znati ∂b0 ∂b0 ∂b1 ∂b1 . . y) = b0 − xb1 .9) Dakle. y). di = .8) prvo po p. v(x. Shvatimo li pn (z) kao funkciju u odgovaraju´oj toˇki (x. . vrijedi ci+1 = di . da bismo izraˇunali vrijednosti parcijalnih derivacija u nekoj toˇki. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 237 Pokazali smo da je tada pn (z0 ) = (b0 − x0 b1 ) + iy0 b1 . Polinomi su analitiˇke funkcije. y). ∂p ∂q Deriviramo li formalno relaciju (6. . y). . Parcijalne derivacije funkcija u i v moˇemo dobiti koriˇtenjem deriviranja sloˇenih z s z funkcija. Iskoristimo li da vrijedi ∂ ∂p ∂ ∂q ∂ = + . n − 1. 0 Odavde odmah vidimo da ci -ovi i di -ovi tvore istu rekurziju. i = n. . ∂y ∂x Zbog toga je dovoljno prona´i samo ili parcijalne derivacije jedne od funkcija ili c parcijalne derivacije po jednoj varijabli. 0 = dn+1 = 0 = bi+2 + pdi+1 + qdi+2 . . ∂y ∂y ∂q ∂q (6. .

b0 := ai + p ∗ b1 + q ∗ b2 .6. tj. c2 := c1 . koji su egzaktni u egzaktc noj aritmetici. prvo treba izluˇiti kvadratni polinom s konjugirano kompleksnim parom c nultoˇaka. c2 := 0. ∂y ∂x Motivacija za ovaj algoritam potjeˇe iz modifikacije Newtonove metode za c traˇenje realnih nultoˇaka polinoma. umjesto dvije rekurzije za koeficijente moˇemo raditi samo s jednom. y0 ) = − (x0 . analitiˇkih funkcija. c 6. for i := n − 2 downto 0 do begin b2 := b1 . b1 := b0 . uz z paralelno raˇunanje bi . end. b0 := an−1 + p ∗ b1 . Relacija (6.2. moˇemo koristiti i kao pribliˇne algoritme za izvrednjavanje redova z z potencija. c0 := b1 + p ∗ c1 + q ∗ c2 . y0 ) = (x0 .1.9) odmah daje kako se iz c-ova i b-ova dobivaju parcijalne derivacije ∂u ∂v (x0 . Ta generalizacija Newtonove metode zove se metoda Newton–Bairstow. y0 ) = b1 − 2y0 d1 = b1 − 2y0 c2 . c1 := 0. Algoritam 6. c Algoritam dobivanja parcijalnih derivacija zove se algoritam Bairstowa. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 238 Zbog toga.8 (Algoritam Bairstowa) b1 := an .1. c0 := an . Generalizirana Hornerova shema U proˇlom odjeljku napravili smo nekoliko algoritama za izvrednjavanje polis noma i njegovih derivacija u zadanoj toˇki. Te algoritme. Ako ˇelimo na´i kompleksne nultoˇke realnog z c z c c polinoma. c Pretpostavimo da se funkcija f u okolini neke toˇke x0 (u R ili C) moˇe razviti c z . c1 := c0 . y0) = 2y0(x0 d1 − d0 ) = 2y0 (x0 c2 − c1 ) ∂y ∂x ∂u ∂v 2 2 (x0 .

.2. Katkad s c s c je sasvim dobra i pribliˇna vrijednost za N. pa N onda ovisi samo o ε. onda se obiˇno koristi sumacija c unaprijed. Cak nije jako bitno da N bude “savrˇen”.1) s tim da znamo taj red konvergira prema f na toj okolini od x0 . odnosno neki krug u C. osim ako je f (x) = 0. konaˇne komade ovog razvoja moˇemo iskoristiti za aproksimaciju c z funkcije f na toj okolini. Nije bitno da li greˇku mjerimo u s s apsolutnom ili relativnom smislu.1) i pripadnih polinomnih s aproksimacija u obliku (6.2). (6. z c z c Ako je greˇka ε dovoljno mala. No. postoji N ∈ N takav da je c N fN (x) = n=0 an (x − x0 )n . recimo reda veliˇine osnovne greˇke zaokruˇivanja u. (x − x0 ). Kad uzmemo u obzir da ionako pribliˇno raˇunamo u aritmetici raˇunala. ako se sjetimo da redovi potencija konvergiraju uniformno na kompaktima. z c Trenutno ne ulazimo u to kako se nalaze takve aproksimacije.6.2. moˇemo posti´i i uniformnu aproksimaciju s toˇnoˇ´u ε z c c sc na takvim kompaktima. (x − x0 )n . s c s z onda je pripadna aproksimacija fN (x) gotovo jednako dobra kao i f (x). jer zahtijeva beskonaˇan broj aritmetiˇkih operacija. ako je takav N teˇko izraˇunati. tj. .2) aproksimacija za f (x) s greˇkom manjom od ε. pretpostavimo da znamo sve koeficijente an u ovom razvoju. Sasvim op´enito.2. potrebna c duljina razvoja N ovisi i o ε i o x. Zbog toga se sumacija z c unaprijed koristi samo kao “zadnje utoˇiˇte”.2. Iz konvergencije razvoja po toˇkama odmah slijedi da. Dodatno. Ako ga ne znamo. zbog loˇe uvjetovanosti sustava funkcija s {1. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 239 u red potencija oblika f (x) = ∞ n=0 an (x − x0 )n . c c c Medutim. u smislu da ih moˇemo z brzo i toˇno izraˇunati. tako c z c da dobijemo uniformnu aproksimaciju s toˇnoˇ´u ε na nekom kompaktu. . ovu beskonaˇnu sumu ne moˇemo efektivno algoc c c z ritamski izraˇunati. Obiˇno se c sc c ˇ za taj kompakt uzima neki segment u R. . najmanji mogu´i. Zasad recimo samo to da z se izbjegava direktno koriˇtenje redova potencija (6. (6. . za c bilo koju unaprijed zadanu toˇnost ε > 0. . Tome ´emo c posvetiti punu paˇnju u poglavlju o aproksimacijama. z c c ovim pristupom moˇemo bitno pove´ati klasu funkcija s kojima moˇemo raˇunati. ve´ smo vidjeli u primjeru za sin x. Koliko c c to moˇe biti opasno. . s . Tada je fN polinom poznatog stupnja z N i moˇemo koristiti Hornerovu shemu i njene varijacije za raˇunanje fN (x).} i nejednolikog rasporeda pogreˇke e(x) = f (x) − fN (x) na domeni aproksimacije. sve dok se izraˇunata suma ne stabilizira na zadanu toˇnost. cs Vrlo ˇesto se N moˇe unaprijed odrediti iz analitiˇkih svojstava funkcije f . Naravno. c Algoritam za raˇunanje fN (x) u zadanoj toˇki x bitno ovisi u tome da li c N znamo unaprijed ili ne. (x − x0 )2 .

3) gdje je {pn | n ∈ N0 } neki ortogonalni sustav funkcija na domeni aproksimacije. a c c vrlo se ˇesto koriste.2). z ako znamo da on konvergira prema f na nekoj domeni. Izvrednjavanje rekurzivno zadanih funkcija Budu´i da ortogonalni polinomi zadovoljavaju troˇlane. onda se sumacija vrˇi unaprijed. (6. (6.2. (6. Dovoljno je da ih moˇemo rekurzivno raˇunati! z c Pristup raˇunanju vrijednosti fN (x) je isti kao i ranije. takoder.4) ˇto je oˇita generalizacija polinoma iz (6.2. S s druge strane. troˇlane rekurzije istog op´eg oblika vrijede i za mnoge specijalne funkcije c c koje ne moraju biti ortogonalne.6. Naravno. c . . aproksimacije iz poznatog reda potencija (tzv. Funkcije pn ne moraju biti polinomi. standardno se koriste razvoji oblika ∞ f (x) = n=0 an pn (x). Kasnije ´emo pokazati i algoritam za nalaˇenje takve “kvazi–uniformne” c z ˇ sevljeva ekonomizacija). da bismo izraˇunali fN (x) s c c c moramo znati sve koeficijente an i sve funkcije pn .5) s tim da su poznate “poˇetne” funkcije p0 i p1 . za c sve n ∈ N0 . zbog skoro jednolikog rasporeda greˇke c s na domeni. homogene rekurzije. po istom principu. i sve funkcije αn .4) i to je cilj ovog odjeljka.2. Osim c z c s toga. U aproksimaciji elementarnih i “manje elementarnih” tzv. . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 240 Umjesto reda potencija (6. a pn (x) raˇuna redom iz rekurzije. specijalnih funkcija vrlo ˇ s ˇesto se koriste tzv. za n ∈ N.2. . iz teorije aproksimacija.1). koje c su obiˇno jednostavnog oblika. posebnu paˇnju posvetit ´emo baˇ takvim rekurzijama. relativno jednostavnu rekurziju po n.2. . 6. Zato pretpostavljamo da funkcije pn . βn . Umjesto toga.1. “Rezanjem” reda dobivamo aproksimaciju funkcije f N fN (x) = n=0 an pn (x).2. Ako unaprijed ne c c znamo N. moˇemo iskoristiti za aproksimaciju funkcije f . zadovoljavaju rekurziju oblika pn+1 (x) + αn (x)pn (x) + βn (x)pn−1 (x) = 0. za n ∈ N0 . n = 1. 2. Tada bi bilo zgodno koristiti c c neku generalizaciju Hornerove sheme za brzo izvrednjavanje fN oblika (6. Cebiˇ Razvoj funkcije f u red oblika (6. u ve´ini primjena c nemamo direktnu “formulu” za raˇunanje vrijednosti pn (x) u zadanoj toˇki x. Medutim. vrlo ˇesto je mogu´e unaprijed na´i koliko c c c ˇlanova N treba uzeti za (uniformnu) zadanu toˇnost. znamo da funkcije pn zadovoljavaju neku.3) je oˇita generalizacija reda potencija. Cebiˇevljevi polinomi.2. c Njega.2.

s c Algoritam je vrlo sliˇan izvrednjavanju realnog polinoma u kompleksnoj toˇki.2. B2 := B1 . c Algoritam 6. fN (x) := B0 ∗ p0 (x) + B1 ∗ (p1 (x) + α0 (x) ∗ p0 (x)). c c uz p0 (x) = 1.2. . B0 := aN .4) za fN (x). . do pripadnog algoritma moˇemo c do´i deriviranjem relacije (6. Sliˇan algoritam za brzo izvrednjavanje fN moˇe se napraviti i kad pn zadovoljavaju ˇetveroˇlane ili z c c viˇeˇlane rekurzije.6) n = N. Uvrˇtavanjem u formulu (6.2. . c c Definiramo rekurziju za koeficijente BN +2 = BN +1 = 0. dobivamo s N N (6. Pripadni silazni algoritam izvrednjavanja ima sljede´i oblik.2. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 241 Primijetite da potencije pn (x) = xn zadovoljavaju dvoˇlanu homogenu rekurc ziju pn (x) − xpn−1 = 0.5) zaista generalizacija polinomnog sluˇaja. 0. for k := N − 1 downto 0 do begin. z Ako trebamo izraˇunati i derivaciju fN (x). end. B0 := ak − αk (x) ∗ B1 − βk+1 (x) ∗ B2 . Bn = an − αn (x)Bn+1 − βn+1 (x)Bn+2 . ali se takve rekurzije rijetko pojavljuju u praksi.2. . .1 (Generalizirana Hornerova shema za fN (x)) B1 := 0.6. B1 := B0 . 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). pa je (6.4) c N fN (x) = n=0 an pn (x). n ∈ N.

n = N.2. . deriviranjem rekurzije (6. 0. dovoljno je znati samo derivacije “poˇetnih” c funkcija p0 i p1 . ali kad u njih uvrstimo konkretne objekte. s tim da Bn oznaˇava derivaciju od Bn po x. odakle slijedi fN (x) = B0 p0 (x) + B0 p0 (x) + B1 (p1 (x) + α0 (x)p0 (x) + α0 (x)p0 (x)). Koeficijente Bn shvatimo kao funkcije od x. . Konaˇni rezultati izgledaju komplicirano. osim zamjene an u bn . . .6). . Odavde odmah vidimo da je i BN = 0. n = N. Obiˇno se te c c formule svedu na fN (x) = B0 . . 0. s Medutim. . Vidimo da nam za raˇunanje fN (x) treba i rekurzija za raˇunanje fN (x). BN +2 = BN +1 = 0. Tada rekurzije c c c za Bn i Bn provodimo u istoj petlji. Ovdje je to joˇ bitno jednostavnije. ali i one su obiˇno jednostavne. s takoder. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 242 i deriviranjem rekurzije (6. Bn = an − αn (x)Bn+1 − βn+1 (x)Bn+2 . vrlo rijetko ostanu svi ˇlanovi. tako da dobijemo i rekurziju za funkcije pn . treba znati i derivacije αn . Rekurzija c s za derivacije pn nas uop´e ne zanima. + B1 (p1 (x) + α0 (x)p0 (x)).6). koje su obiˇno jednostavne. . Konaˇni rezultat. dobivamo deriviranjem ranijeg konaˇnog rezultata c fN (x) = B0 p0 (x) + B1 (p1 (x) + α0 (x)p0 (x)). Pokuˇajte to napraviti sami. 0. ˇto oni zaista i jesu. . BN +2 = BN +1 = 0. fN (x) = B0 .6. c c c βn funkcija iz polazne troˇlane rekurzije. u toˇki x.5). Uz standardnu oznaku bn = −αn (x)Bn+1 − βn+1 (x)Bn+2 . jer imamo samo jednu s varijablu. Takvim “formalnim” deriviranjem dobivamo rekurziju za koeficijente Bn . . c ˇto ima skoro isti oblik kao i rekurzija za Bn . . . Bn = −αn (x)Bn+1 − αn (x)Bn+1 − βn+1 (x)Bn+2 − βn+1 (x)Bn+2 . pa c c se te dvije vrijednosti obiˇno zajedno raˇunaju. sliˇno kao c u algoritmu Bairstowa. Zatim s c c deriviramo (6. . 0. a ne svaka posebno. n = N. . postoji i jednostavniji put. c Dakle. 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. . da bismo izraˇunali fN (x).2.2. n = N. s tim da je oˇito bN = 0. . Naravno.

B0 := 0. end. B0 := ak − αk (x) ∗ B1 − βk+1 (x) ∗ B2 . Dakle. for k := N − 1 downto 0 do begin. B2 := B1 . ˇ Cak i algoritam za derivacije se rijetko koristi. z c s za k ≥ 2. 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)). b := −αk (x) ∗ B1 − βk+1 (x) ∗ B2 . B0 := b − αk (x) ∗ B1 − βk+1(x) ∗ B2 . c izraˇunati koeficijente an u prikazu c ∞ (k) f (x) = n=0 an pn (x). B0 := aN . za n ≤ N. s dovoljnom toˇnoˇ´u. za f koristimo aproksimaciju oblika N fN (x) = n=0 an pn (x). B1 := B0 . ali i to je vrlo c z c rijetko potrebno. ako znamo na´i. . Jasno je da tada treba z koristiti odgovaraju´u diferencijalnu jednadˇbu za raˇunanje fN (x). B1 := 0. fN (x) := B0 ∗ p0 (x) + B1 ∗ (α0 (x) ∗ p0 (x) + p1 (x)). s parametrom n. tj. Zanimljivo je da u praksi to gotovo nikada nije potrebno. Naime. tako da je pripadni fN (x) dovoljno dobra aproksic sc macija. n ∈ N. Razlog leˇi z u ˇinjenici da gotovo sve “korisne” familije funkcija pn . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 243 Algoritam 6. zadovoljavaju neke c diferencijalne jednadˇbe drugog reda.2. Puno je bolje izraˇunati koeficijente an (to nisu derivacije) u pravom razvoju c derivacije f po istim funkcijama pn .2 (Generalizirana Hornerova shema za fN (x) i fN (x)) B1 := 0. B1 := B0 . a ne po njihovim derivacijama. B2 := B1 .6. onda se ne isplati koristiti N fN (x) = n=0 an pn (x) kao aproksimaciju za f (x). jer ona obiˇno ima manju toˇnost od aproksimacije za c c f . Istim putem moˇemo izvesti i rekurzije za raˇunanje viˇih derivacija fN (x).

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

2. ve´ je konstanta.4) iz generalizirane Hornerove sheme. 0. Algoritam 6. Medutim. . koji treba s z c samo jedno jedino raˇunanje funkcije cos. Sad imamo sve elemente za generaliziranu Hornerovu shemu. n = N. . n ∈ N. . c Poˇetne funkcije su p0 (x) = 1 i p1 (x) = cos x. for k := N − 1 downto 0 do begin.2.2. za cos(nx). Dobivamo cos((n + 1)x) + cos((n − 1)x) = 2 cos(nx) cos x. Fali nam joˇ samo troˇlana homogena rekurzija za ove funkcije.6) za Bn ima oblik BN +2 = BN +1 = 0. . 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. n ∈ N.5) treba uzeti c αn (x) = −2 cos x. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 245 U direktnoj sumaciji trebamo N raˇunanja funkcije cos.6. c Rekurzija (6. Iako c to danas viˇe ne traje pretjerano dugo.3 (Fourierov “red” parne funkcije) B1 := 0. ako se sjetimo formule koja sumu kosinusa pretvara u produkt cos a + cos b = 2 cos a+b a−b cos . oˇito treba definirati c pn (x) = cos(nx). . Bn = an + 2 cos x Bn+1 − Bn+2 . Vidimo da αn (x) i βn (x) ne ovise o n. odakle slijedi da u op´oj rekurziji (6. uz n ≥ 1. alpha := 2 ∗ cos x. B0 := aN . 2 2 Dovoljno je uzeti a = (n + 1)x i b = (n − 1)x. a βn (x) ne ovisi ni o x.2. moˇemo na´i i bolji algoritam. i to ide s c lako. βn (x) = 1. c Da bismo dobili polazni oblik aproksimacije (6. pa traˇena rekurzija ima oblik z pn+1 (x) − 2 cos x pn (x) + pn−1 (x) = 0.

ali sad je oˇito da treba definirati s c pn (x) = sin((n + 1)x). pa treba biti malo oprezan. 0. ve´ malom apsolutnom c greˇkom. . a oduzimanje moˇe dovesti do c z nepotrebnog gubitka toˇnosti u sinusu. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 246 B2 := B1 . Trebamo izraˇunati aproksic maciju oblika N βn (x) = 0. . n ∈ N. . c Pretpostavimo sad da je f neparna funkcija. I tog bismo mogli izbaciti. Suma ovdje ide od 1. Nije baˇ lijepo ostaviti indeks N u fN . Dakle. . pod cijenu jednog mnoˇenja s z ˇ s 0. . Male c vrijednosti cos(nx) ionako ne dobivamo s malom relativnom. . fN (x) = n=1 bn sin(nx).5 ∗ alpha ∗ B1 . Ovaj algoritam zaista “troˇi” jedan jedini kosinus. cijeli taj algoritam treba joˇ samo jedan sinus. n = N. Onda je bn = −2 sin x Bn+1 . end. . on je podjednako stabilan kao i direktna sumacija. a formalnim deriviranjem fN (x) = B0 − B1 cos x dobivamo fN (x) = B0 − B1 cos x + B1 sin x. jer moramo paziti na znak. Sto se stabilnosti tiˇe. Zgodniji je zapis N −1 fN (x) = n=0 bn+1 sin((n + 1)x). s tako da sinus izrazimo preko kosinusa. ali to se ve´ ne isplati. √ sin x = ± 1 − cos2 x. .5. i Bn = bn + 2 cos x Bn+1 − Bn+2 . . s Ako trebamo izraˇunati i derivaciju fN (x).6. B0 := ak + alpha ∗ B1 − B2 . za pripadni algoritam trebamo c αn (x) = 2 sin x. B1 := B0 . n = N. fN (x) := B0 − 0. 0.

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

. p1 . w(x) ≥ 0 na intervalu [a. dx = ⎪ π.}. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 248 To pokazuje da B0 uop´e ne treba raˇunati. re´i ´emo da su ortogonalni c c c c obzirom na teˇinsku funkciju w. ⎧ ⎪ 0. b].3. ali baˇ to i oˇekujemo. . s ˇ Cebiˇevljevi polinomi prve vrste s ˇ s Cebiˇevljevi polinomi prve vrste obiˇno se oznaˇavaju s Tn . . pn . uz start T0 (x) = 1.6. T1 (x) = x. p2 . . Izbor takvog faktora zove se joˇ i standardizacija ili normalizacija. 1] obzirom na teˇinsku funkciju z w(x) = √ Vrijedi 1 1 . 6. Oni su ortogonalni c c na intervalu [−1. Tm (x) Tn (x) √ za m = n = 0. .2. ako vrijedi z b w(x) pm (x) pn (x) dx = 0. a za m = n. ⎩ 1 − x2 π/2. 1 − x2 −1 za m = n. ⎨ Oni zadovoljavaju rekurzivnu relaciju Tn+1 (x) − 2xTn (x) + Tn−1 (x) = 0. pri ˇemu indeks polinoma oznaˇava njegov stupanj. Teˇinska funkcija odreduje sistem polinoma do na konstantni faktor u svakom od z polinoma. 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. za m = n = 0. . . 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. . Za polinome c {p0 .

6.5 0. 1] x → ξ := 2x − 1 ∈ [−1. n-ti Cebiˇevljev polinom prve vrste Tn zadovoljava diferencijalnu jednadˇbu z (1 − x2 )y − xy + n2 y = 0. za m = n = 0. ∗ T1 (x) = 2x − 1. uz start ∗ T0 (x) = 1.5 0. dx = π. relacija ortogonalnosti tada postaje ⎧ 1 ⎪ 0.75 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 249 Za njih postoji i eksplicitna formula Tn (x) = cos(n arccos x). Graf prvih par polinoma izgleda ovako.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. 1] dolazimo do svih svojstava tih polinoma.25 −1 −0.75 −0.5 −0. Na primjer.75 −1 0. ˇ s Osim toga.25 −0. Koriˇtenjem linearne (preciznije. y 1 0. 0 a rekurzivna relacija ∗ ∗ ∗ Tn+1 (x) − 2(2x − 1)Tn (x) + Tn−1 (x) = 0. afine) transformacije s [0. ∗ ∗ ⎨ Tm (x) Tn (x) √ za m = n = 0. . za m = n. u oznaci Tn .25 0. ⎪ ⎩ x − x2 π/2.25 −0.5 −0. 1].

25 −1 −2 −3 −4 0.5 −0. Za njih postoji i eksplicitna formula Un (x) = sin((n + 1) arccos x) . Graf prvih par polinoma izgleda ovako.5 0. Vrijedi 1 √ 1 − x2 Um (x) Un (x) dx = −1 0. 1] obzirom na teˇinsku funkciju z √ w(x) = 1 − x2 .75 1 x U1 (x) U2 (x) U3 (x) U4 (x) .25 0. samo uz malo drugaˇiji start c U0 (x) = 1. ˇ s Oni zadovoljavaju istu rekurzivnu relaciju kao Cebiˇevljevi polinomi prve vrste Un+1 (x) − 2xUn (x) + Un−1 (x) = 0. sin(arccos x) U1 (x) = 2x.75 −0. n-ti Cebiˇevljev polinom druge vrste Un zadovoljava diferencijalnu jednadˇbu z (1 − x2 )y − 3xy + n(n + 2)y = 0.6. y 5 4 3 2 1 −1 −0. π/2. za m = n. za m = n. Oni su ortogoc c nalni na intervalu [−1. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 250 ˇ Cebiˇevljevi polinomi druge vrste s ˇ s Cebiˇevljevi polinomi druge vrste obiˇno se oznaˇavaju s Un . ˇ s Osim toga.

Oni su ortogonalni na interc c valu [−1.75 −0.25 −0. za m = n. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 251 Legendreovi polinomi Legendreovi polinomi obiˇno se oznaˇavaju s Pn . P1 (x) = x.5 0.5 −0. 1] obzirom na teˇinsku funkciju z w(x) = 1.25 0. uz start P0 (x) = 1. 2/(2n + 1).75 1 x P1 (x) P2 (x) P3 (x) P4 (x) .25 −0. Oni zadovoljavaju rekurzivnu relaciju (n + 1)Pn+1 (x) − (2n + 1)xPn (x) + nPn−1 (x) = 0.75 0.5 −0.25 −1 −0. za m = n. y 1 0. n-ti Legendreov polinom Pn zadovoljava diferencijalnu jednadˇbu z (1 − x2 )y − 2xy + n(n + 1)y = 0.6. Osim toga. Vrijedi 1 Pm (x) Pn (x) dx = −1 0.75 −1 0. Graf prvih par polinoma izgleda ovako.5 0.

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

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

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

p1 (x). u nastavku gledamo samo polinomni sluˇaj fN = pN . poput okretanja rekurzije. ilustrirajmo situaciju c na jednom klasiˇnom primjeru. • Kako se tada ponaˇa silazni algoritam za raˇunanje fN ? s c • Moˇe li se nekim trikom. . Za taj primjer je fN polinom. postoji i u silaznom algoritmu. koji bi koji zahtijeva dublju analizu. oˇito je kljuˇno analizirati baˇ polinomni sluˇaj. a i c c s c radi jednostavnosti. Za takve pn moˇemo sastaviti razne rekurzije. Isti efekt. . c Oˇito je da pn (x) monotono raste za x > 0 i monotono pada za x < 0. bitno priguˇuju greˇke greˇke u raˇunanju pn (x). Razvoj polinoma (kao analitiˇke funkcije) po potencijama od varijable ili po nekom sustavu polinoma je c konaˇan pa je uvjet smanjivanja koeficijenata an nepotreban. Testirajc mo stabilnost ove rekurzije i pripadne generalizirane Hornerove sheme za raˇunanje c pn (x) = enx u toˇkama x = 1 i x = −1. c c pn+1 (x) − 2 ch x pn (x) + pn−1 (x) = 0. Dvoˇlana ima oblik z c pn+1 (x) − ex pn (x) = 0. Zbog toga. . c s s s c samo manje vidljiv. pN (x) naglo pada po apsolutnoj vrijednosti. . c Op´enito moˇemo odmah zakljuˇiti da opasnost nastupa kad niz vrijednosti c z c p0 (x). . n ∈ N0 . ˇto rezultira i gubitkom toˇnosti ˇto dalje odmiˇemo u rekurziji. Tada oˇekujemo jako kra´enja u osnovnoj c c rekurziji. dok je troˇlana homogenu rekurzija sliˇna onimza za trigonometrijske funkcije. popraviti stabilnost? z Umjesto op´eg odgovora. Iako to nije sasvim c precizan argument.6. Ove funkcije generiraju tzv. prethodni primjer je ekstreman. za ve´e n. a svi prethodni su 0. c Neka je pn (x) = enx . “eksponencijalne polinome” (jer umjesto potencija xn imamo eksponencijalne funkcije enx ) N fN (x) = n=0 an enx . U tom smislu. c n ∈ N. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 255 koeficijenti an . jer je zadnji koeficijent jednak 1. Dva su s c s c pitanja na koja bi bilo zgodno odgovoriti. pri ˇemu je ch x = (ex + e−x )/2 kosinus hiperbolni od x.

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

p0 ˜ ˜ je vrlo pribliˇno proporcionalan stvarnim vrijednostima z pM (x). ovim se algoritmom moˇe raˇunati i p0 (x). . . . Izvrednjavanje Besselovih funkcija Besselove funkcije prvi puta je uveo Bessel. Da bi dobio formulu prikladnu za praktiˇno c c . ˜ c c Umjesto nepoznatih vrijednosti pn (x) uvrstimo pn i numeriˇkim zbrajanjem izraˇu˜M namo aproksimaciju F M FM := n=0 qn pn . p0 (x).4.6. . . c Sada iskoristimo ˇinjenicu da znamo koeficijente qn u razvoju funkcije izvodnice c F po funkcijama pn ∞ F (x) = n=0 qn pn (x). Treba joˇ c na´i normalizacioni faktor c. ˜ Gornji indeks sumacije moˇe biti i bitno manji od M. vrijedi pn (x) ≈ pn · c. z c z c 6. godine. pove´avanjem n sve dok se ne postigne ˇeljena toˇnost za pN (x). 1824.2. ako znamo da pn (x) vrlo z brzo padaju kad n raste. za n ≤ N. vezan uz zgodan naˇin zapisa poloˇaja plac c z neta koji se kre´e po elipsi oko Sunca. 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. c c c z c Zatim direktno analitiˇki izraˇunamo F (x) po poznatoj formuli i stavimo c c c := F (x) . Na kraju izraˇunamo c ˜ pn (x) = pn · c za sve one n izmedu 0 i N koji nas zanimaju. Naravno. ˜ Vrlo ˇesto se startna vrijednost M odreduje iz nekih poznatih relacija za fac c miliju funkcija pn (x) ili eksperimentalno. dinamiˇke astronomije. FM ˇto je traˇeni normalizacioni faktor. . tj. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 257 Zbog homogenosti rekurzije. promatraju´i jedan c problem iz tzv. jer u tom podruˇju vrijedi vrlo dobra c proporcionalnost pn (x) ∼ pn . ˜ s barem u podruˇju od pN (x) do p0 (x). dobiveni niz vrijednosti pM . . .

4.3) Takoder.6.1) koje zovemo Besselovim funkcijama prve vrste. ni za jednu od ovih funkcija ne postoji neka jednostavna formula ili oblik za raˇunanje. (6. Osim toga. Besselove funkcije moˇemo c z n definirati kao koeficijente uz t u razvoju exp x ∞ t − 1/t = Jn (x) tn .4.3) mogli izraˇunati i Jn (x).4. Analitiˇki im je oblik c c Jν (x) = 1 x 2 ν (−x2 /4)k . generaliziranom Hornerovom shemom mogli bismo onda raˇunati i razne razvoje po Besselovim c funkcijama. Na primjer.4. Medutim. Oˇito se ova definicija moˇe proˇiriti c z s n z na n ∈ Z i tada je J−n (x) = (−1) Jn (x).4.2) mogu se izvesti mnoge vaˇne relacije za Besselove funkcije. k! Γ(ν + k + 1) k=0 ∞ (6. to je tako samo u teoriji. x n ∈ N. (6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 258 raˇunanje. 2 n=−∞ (6.4. z Besselove funkcije zadovoljavaju troˇlanu rekurziju c Jn+1 (x) − 2n Jn (x) + Jn−1 (x) = 0. 0 n ∈ N. c U klasiˇnom pristupu preko funkcije izvodnice. promotrimo ponaˇanje vrijednosti Besselovih s funkcija Jn (x) u ovisnosti o n i x. Bessel je traˇenu veliˇinu prikazao kao red funkcija poznatih podataka. tako da upotrijebimo neku od metoda numeriˇke integracije. koje imaju bitno s z svojstvo da su ograniˇene u 0 kad je Re ν ≥ 0.4) . Ovu jednadˇbu moˇemo promatrati na cijeloj kompleksnoj ravnini i u sluˇaju kad n z z c nije cijeli broj. umjesto n. Naˇalost. postoje i mnogo brˇi algoritmi za postizanje iste traˇene toˇnosti z z c izraˇunate vrijednosti Jn (x).4. onda bismo iz (6. 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.3) je izrazito nestaz bilna unaprijed. vrijedi J1 (x) = −J0 (x). kad bismo znali izraˇunati J0 (x) i J1 (x) c c (ili J0 (x)). Iz (6. Da bismo to pokazali.4.1). c z Jedno od rjeˇenja ove jednadˇbe su Besselove funkcije prve vrste Jν . s Iz (6. z c c c za zadane n ∈ N0 i x ∈ R. Tada se. Naˇalost. Rekurzija (6.4.4. Dakle. c Relaciju (6.2) moˇe se pokazati da Besselove funkcije Jn zadovoljavaju diferenciz jalnu jednadˇbu z x2 y + xy + (x2 − n2 )y = 0.1) moˇemo iskoristiti i za numeriˇko raˇunanje vrijednosti Jn (x).2) Nije teˇko dokazati da je ova definicija ekvivalentna integralnoj reprezentaciji (6. obiˇno koristi oznaka ν za parametar jednadˇbe.

tj. kad je x ≈ n (ili ν) i dalje.4). s c Zaista. k=0 k! (n + k)! Oba reda oˇito konvergiraju za x ≥ 0. s dolazi do sve ve´eg kra´enja zbrajanjem uzastopnih ˇlanova reda (6.75 0. op´enito. U nastavku gledamo ponaˇanje ovih c s funkcija samo za nenegativne realne indekse ν ≥ 0 i argumente x ≥ 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 259 gdje su ν i x. pa se moˇe koristiti z za raˇunanje. dobivamo sliˇno c c c ponaˇanje kao i kod aproksimacije trigonometrijskih funkcija Taylorovim redom. c c c Grafiˇki. Ako je ν cijeli broj.5 2 4 6 8 10 12 14 16 18 20 x J1 (x) J2 (x) . za malo ve´e x. kompleksni brojevi.5 0. prve tri Besselove funkcije izgledaju ovako c y J0 (x) 1 0. Medutim.25 −0.25 0 −0. ovaj red vrlo brzo konvergira za relativno male x. Na prvi c c pogled izgleda kao da smo time rijeˇili i problem raˇunanja vrijednosti J0 (x) i J1 (x).4. a donji ˇak na cijelom skupu C.6. onda prethodna relacija glasi Jn (x) = 1 x 2 n ∞ (−x2 /4)k .

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

k = 4.75 0.25 0 −0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 261 indeksa ν. 2. 3. s Jν Jν (1) 1 0. onda Besselove funkcije pokazuju ovakvo ponaˇanje za Jν (k). 6.25 0 −0.25 −0.25 −0.75 0.5 2 4 6 8 10 12 ν Jν (5) Jν (6) . 5.6.5 0.5 0. k = 1.5 1 2 3 4 5 6 ν Jν (2) Jν (3) za Jν (k). Jν Jν (4) 1 0.

5 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.4.6.75 0.3) dobivamo sve manje i manje brojeve.4. ˇto znaˇi da mora do´i do kra´enja. Vidimo da kad n raste.25 −0. Dobiveni rezultati c . Jν (10) izgleda kao na sljede´oj slici: c Jν (10) Jν (10) “trigonometrijsko ponaˇanje” s “eksponencijalno ponaˇanje” s 1 0.25 0 −0.3) uzlazno po n. u extended preciznosti. To pokazuje da je rekurzija nestabilna u s c c c c rastu´em smjeru po n. u rekurziji (6. c c Za ilustraciju nestabilnosti moˇemo uzeti x = 1 i raˇunati vrijednosti Jn (x) z c koriste´i rekurziju (6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 262 odnosno. ˇim udemo u ekponencijalno podruˇje.

440050585744933516 0. No.000000000595801917 0.4.5 n . a zanima nas ponaˇanje Jn (x) za s c s velike n.002476638964109955 0. Uoˇimo da je x fiksan.000000000263061512 11 0. to se ne vidi u ovoj tablici.000000005249325991 0. Vidimo da se dogada neˇto sliˇno kao kod raˇunanja e−nx .000000000000499972 Kra´enje.000249757730211237 0. za ν → ∞. ˇto upu´uje na s c c s c okretanje rekurzije i primjenu Millerovog algoritma. za velike n ponaˇa kao s cn .000000005249250180 .019563353982668406 0.000000094223446486 0. kad iskoristimo parnost i neparnost Besselovih funkcija po n. n+0.4. a za n = 12 gubimo i monotoni pad po n.4.2) za t = 1.3).000001502325817437 0.000000000264421352 0. tj.765197686557966552 0.6.000000000039101058 0. (6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 263 na 18 decimala (apsolutno) dani su u sljede´oj tablici. tj. a ne relativno. Funkcija izvodnica koja se pritom koristi za normalic zaciju je vrlo jednostavna J0 (x) + 2(J2 (x) + J4 (x) + · · · + J2k (x) + · · ·) = 1. Medutim.019563353982668406 0.000249757730211234 0. ulaskom u c c c eksponencijalno podruˇje. gledano po n. J−n = (−1)n Jn . 10 0.000000000011980067 12 0.440050585744933516 0.5) Jν (x) ≈ √ 2πν 2ν za fiksni x i velike ν.114903484931900481 0.000020938338002418 0. asimptotska z c relacija 1 ex ν . koji je toˇan). jer su rezultati c prikazani apsolutno. za n = 11 nemamo viˇe niti jednu toˇnu s c znamenku. To pokazuje da se Jn (x). a time i gubitak relativne toˇnosti poˇinje odmah za n = 2.000001502325817779 0.114903484931900481 0. Moˇe se pokazati da u eksponencijalnom podruˇju vrijedi tzv. c n 0 1 2 3 4 5 6 7 8 9 izraˇunati Jn (1) c toˇni Jn (1) c 0. Za praktiˇnu primjenu Millerovog algoritma poˇeljno je znati precizno ponac z ˇanje rekurzije (6. Ova relacija izlazi direktno iz (6.002476638964109955 0. Koriˇtenjem Millerovog algoritma dobivamo izuzetno dobre rezultate (drugi s stupac tablice.765197686557966552 0.000020938338002389 0.000000094223441726 0.

Uz malo paˇnje. Jn (x) se ponaˇa poput kosinusa. U principu. kra´enje je minimalno (2–3 dekadske znaˇajne znamenke). savrˇeno dovoljno je imati 3 znaˇajne znamenke u izraˇunatoj s c c −3 vrijednosti funkcije.6. relativnu toˇnost reda veliˇine 10 . Toˇno znaˇenje relacija (6. za takve asimpotske relacije. Jedini zanimljivi dio c c tog algoritma je raˇunanje vrijednosti Γ funkcije.4. dobra aproksimacija za x u dijelu domene gdje se Jν (x) ponaˇa kao c eksponencijalna funkcija. Uobiˇajeno se koristi oznaka ∼. Koriˇtenjem c s . Naime.4. u mnogim modelima. tako da osiguramo z c c potrebnu toˇnost. U tom s trigonometrijskom podruˇju vrijedi c Jν (x) ≈ 2 π νπ cos x − − .5) i (6.4. a gledamo male ili velike argumente x. Odgovor na to pitanje slijedi iz ocjena greˇke raznih vrsta s aproksimacija. poˇev od difrakcije svjetlosti do energetskih nivoa u kvantnoj mehanici. U prikazanom rasponu po ν i po c c x. c Na sliˇan naˇin moˇe se opisati i ponaˇanje Besselovih funkcija Jν kada je ν c c z s fiksan. sve dok c zadnji dodani ˇlan ne padne ispod zadane toˇnosti. πx 4 2 (6. tj. c Besselove funkcije imaju vrlo velike primjene u fizici. uz jednak razmak po x osi. Γ(ν + 1) s koja je.6) za fiksni ν. 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.1 Napomenimo joˇ da su sve potrebne vrijednosti Jν (x) za crtanje s prethodnih 6 slika izraˇunate sumacijom Taylorovog reda (6. ne trebamo ni toliko.4. Za vrijednosti blizu c c nule. S druge strane. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 264 √ gdje je cn = (ex/2)n / 2π. o ˇemu ´e uskoro biti viˇe rijeˇi. raspon vrijednosti funkcije na cijelom grafu. a posebno interpolacije. za crtanje grafova nam i ne treba neka velika toˇnost funkcijskih vric jednosti. a i to je bitno previˇe. tj. oˇito. ako je cijeli graf visok 10 cm. Zasad recimo samo to da je svaki od ovih grafova nacrtan koriˇtenjem s 101 toˇke. tj.4) unaprijed.4. Dovoljna je relativna toˇnost istog reda veliˇine. ali c c obzirom na cijelu skalu. kad x → ∞. za x n. Tridesetak toˇaka je c s c sasvim dovoljno za vizuelno toˇan graf na ovim slikama. Za fiksni ν. c c c s c Naravno. kad x → 0 iz prvog ˇlana c Taylorovog reda dobivamo i asimptotsku relaciju Jν (x) ≈ 1 x 2 ν 1 . oscilira. ˇto ´emo napraviti u poglavlju o aproksis c macijama. odavde z se moˇe izraˇunati poˇetni indeks M za Millerov algoritam. Greˇku od s jedne tisu´inke skale nitko ne´e ni primijetiti. a to vrlo brzo trne kad n raste.6) bit ´e objaˇnjeno u c c c s sljede´em odjeljku o asimptotskim razvojima. a ne c c ≈. Napomena 6.

pa ga je zgodno uvesti baˇ na takvim primjerima. koje se. n=N +1 Strogo formalno. ako se sjetimo definicije sume reda. z N →∞ lim (f (x) − fN (x)) = lim ∞ N →∞ an pn (x) = 0. vrlo c c ˇesto koriste. zamjenom konvergentnih redova konaˇnom sumom. tj. kojeg vrlo efikasno moˇemo iskoristiti i za praktiˇno raˇunanje. Eventualna uniformna konvergencija za sve x na nekoj domeni je dobrodoˇla. s U ovom odjeljku ´emo pokazati da zamjenom uloge N i x u iskazu o u konc vergenciji razvoja dobivamo novi pojam asimptotskog razvoja. a to se postiˇe upravo Millerovim algoritmom.6. c s Primjer 6.3) zamijenili smo razvoj funkcije f oblika ∞ f (x) = n=0 an pn (x). c Za razliku od crtanja grafova Besselovih funkcija. z 6.2. za numeriˇko raˇunanje njic c hovih nultoˇaka trebamo maksimalnu mogu´u toˇnost funkcijskih vrijednosti (barem c c c u apsolutnom smislu). c c c ostatak reda teˇi prema nuli po N.5. ali nije bitna za ideju ove aproksimacije. Asimptotski razvoj Sve aproksimacije koje smo do sada promatrali dobivene su “rezanjem” konvergentnih razvoja po nekom sustavu funkcija.5.2. i sam zapis za f (x) u obliku reda je sinonim za konvergenciju u ovom smislu. konaˇnom parcijalnom sumom (6. dobro se mogu izraˇunati i nultoˇke Besselovih funkcija.5. Tada za fiksni x. zajedno s Newtonovom metodom za nalaˇenje nultoˇaka funkz c cija. takoder.4) c N fN (x) = n=0 an pn (x). Ovaj pristup se najˇeˇ´e koristi za z c c c sc raˇunanje vrijednosti integrala.1) .1 Neka je f funkcija definirana integralom ∞ f (x) = 0 e−xt cos t dt (6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 265 Millerovog algoritma. podrazumijevaju´i da je rijeˇ o konvergentnom redu u toˇki x. c U relaciji (6.

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

∞ ∞ 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. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 267 Ovaj rezultat moˇemo dobiti i direktno iz (6.2 Pokuˇajmo primijeniti istu ideju na funkciju g definiranu integralom s ∞ g(x) = 0 e−xt dt. pa zakljuˇujemo da vrijedi (6. 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). c z Primjer 6. jer podintegralna funkcija joˇ brˇe trne nego u prethodc s s z nom kad t → ∞. 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 − · · · . samo uz blaˇu pretpostavku x > 0.5. treba izraˇunati integrale oblika c c c ∞ In (x) = 0 e−xt tn dt.6. dok je cos t u funkciji f samo ograniˇen izmedu −1 i 1.5. Ovdje vrijedi 1/(1 + t) → 0 kad t → ∞.5. (6.3) Oˇekujemo joˇ bolje rezultate. Za integraciju ˇlan po ˇlan. . x x Mnoˇenjem s x2 . 0 Prvi ˇlan je nula na obje granice. za x > 0.5. 1+t x > 0.1) dvostrukom parcijalnom inz tegracijom. dobivamo z x2 f (x) = x − f (x). n ∈ N0 .2).

U drugom sluˇaju.5. Razvoj funkcije cos t konvergira za sve vrijednosti t. on konvergira uniformno na svakom c c konaˇnom intervalu za t.6. razvoj funkcije 1/(1 + t) konvergira samo za t < 1.4) c gn (x) = (n − 1)! 1 2! 3! 1! .5. Numeriˇkom integracijom moˇe se izraˇunati da je c z c g(10) = 0. a c divergira za t ≥ 1. Dakle. Zbog toga smijemo iskoristiti integraciju ˇlan po ˇlan c c c na svakom konaˇnom intervalu. a zatim pustiti gornju granicu integracija na limes c t → ∞. tako da nazivnici relativno brzo padaju c i izraˇunajmo prvih nekoliko vrijednosti gn (10). ali na intervalu na kojem taj red ne konvergira uniformno.5. tj. ovaj red divergira za sve konaˇne vrijednosti x i relacija (6. onda nam nitko ne brani da pokuˇmo sumirati prvih nekoliko ˇlanova c s c reda na desnoj strani u (6. funkciju g iz (6. x Kad ove integrale uvrstimo natrag u red za g.0915633339397880819 . na cijeloj domeni integracije. n ∈ N0 . recimo x = 10.4) treba shvatiti kao posljedicu integracije reda ˇlan po ˇlan.4).5. 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) Uzmimo neki malo ve´i x. trebamo joˇ i toˇnu c s c vrijednost g(10). Medutim. a viˇe c s praktiˇno.4) c Medutim. iako je to u potpunoj suprotnosti s poznatom teorijom! c Primjer 6. − 2 + 3 − 4 + · · · + (−1)n−1 x x x x xn (6.5.5.5. ˇak i jaˇe.3 Oznaˇimo s gn (x) parcijalne sume prvih n ˇlanova reda iz (6. a ostao bez rezultata u s s drugom? Odgovor je jednostavan.4) je besmislena. dobivamo g(x) = I0 (x) − I1 (x) + I2 (x) − · · · = 1! 1 2! 3! − 2 + 3 − 4 + ···. Rezultat iz (6. ako cijelu stvar gledamo malo manje teorijski. Pogledajmo ˇto ´e se s c dogoditi.3) ne moˇemo izraˇunati na ovaj naˇin. . Za usporedbu. c c Sve dosad reˇeno su standardne ˇinjenice o redovima i integraciji iz matec c matiˇke analize. za neku fiksnu vrijednost x. z c c Zaˇto je isti postupak bio uspjeˇan u prvom primjeru. x x x x (6.5.

z en (x) = (−1) n ∞ −xt n 0 e t dt. + 1+t 1+t i to uvrstimo u definiciju (6.091640000000000000 −0.091400000000000000 0.091581920000000000 −0.091592000000000000 −0.001563333939788082 0.000076666060211918 0.091581920000000000 −0.5.000436666060211918 0.000026569420211918 Dobivene vrijednosti su sasvim dobre aproksimacije! Vidimo da je g9 (10) najbolja aproksimacija.090000000000000000 0.000021330739788082 0. Ako joˇ i razvoj funkcije 1/(1 + t) napiˇemo u istom obliku kao zbroj prvih n ˇlanova s s c plus ostatak. Jasno je da treba promatrati greˇku n-te parcijalne sume iz (6. za n ≥ 10 pogreˇke sve viˇe rastu i rezultati postaju beskorisni.000163333939788082 0.000018586060211918 11 0.3) za g.092000000000000000 −0. 10 0. dobivamo da je greˇka en (x) upravo integral s −xt ostatka iz prethodne relacije pomnoˇenog s e . rezultat uop´e nije loˇ.6.100000000000000000 −0.091541600000000000 0.000017701939788082 0.000028666060211918 0. c c c Naravno.091542003200000000 12 0. Ndimo joˇ i objaˇnjenje za ovaj priliˇno neoˇekivani c uspjeh. s s Sve u svemu.5) u fiksnoj s toˇki x. kad uzmemo da je nastao sumiranjem c s s s c c ˇlanova divergentnog reda. (−1)n tn 1 2 n−1 n−1 = 1 − t + t − · · · + (−1) t .000043333939788082 0.5.000021733939788082 0. c c s n 0 1 2 3 4 5 6 7 8 9 izraˇunati gn (10) c 0.000018586060211918 . koja daje skoro 5 toˇnih decimala i skoro 4 toˇne vode´e znamenke.091520000000000000 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 269 Sljede´a tablica pokazuje izraˇunate vrijednosti gn (10) i pripadne pogreˇke. Neka je c en (x) := g(x) − gn (x).008436666060211918 0.091545632000000000 greˇka g(10) − gn (10) s 0. 1+t .091589903360000000 −0.

u ovom sluˇaju. ˇlanove reda moˇemo iskoristiti c c c z za ocjenu pogreˇke i zbrajanje ˇlanova treba zaustaviti toˇno ispred apsolutno najs c c manjeg ˇlana. c c S druge strane. ali sa zamijenjenim ulogama n i x.6) za pogreˇku n-te parcijalne sume odmah slijede dva zakljuˇka. za kojeg kaˇemo da je asimptotski razvoj funkcije g u okolini toˇke +∞.5) generiraju red na desnoj strani (6. samo to moramo z napraviti za dovoljno velike vrijednosti x. Dakle.7). Prije precizne definicije pojma asimptotske konvergencije.5.6) To pokazuje da je pogreˇka n-te parcijalne sume manja od apsolutne vrijednosti prs vog odbaˇenog ˇlana. pogreˇka c c s c s ima isti predznak kao i prvi odbaˇeni ˇlan. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 270 Uoˇimo da smo ovdje imali konaˇnu sumu. odnosno z c c . pa nema govora o konvergenciji parcijalnih suma gn (x) prema g(x). Relacija (6.8) Pritom ∼ oznaˇava asimptotsku konvergenciju reda na desnoj strani ove relacije.5. a relaciju (6. ∞ e t dt ≤ 1+t e−xt tn dt = 0 n! .5. u c smislu (6.5. c c c c Ovu greˇku nije teˇko ocijeniti. u okolini toˇke c c +∞. pa smo smjeli integrirati ˇlan po ˇlan.5. s c Ako gledamo konvergenciju u fiksnoj toˇki x > 0.5. zato ˇto ˇlanovi alterniraju po predznaku.7) ˇto odgovara “konvergenciji”. c c Takvom aproksimacijom ne moˇemo posti´i proizvoljno veliku toˇnost. To odgovara ranijem zakljuˇku da pripadni red divergira u svakoj toˇki x > 0. Osim toga. xn+1 (6.4). Oˇito je s s c 1 ≤ 1. tj.5. Takvu vrstu s konvergencije zovemo asimptotska konvergencija. (6.6.4) 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 → +∞).7) vrijedi za svaki n ∈ N. objasnimo joˇ vris jednost prethodnog zakljuˇka. 1+t pa je |en (x)| = ∞ −xt n 0 t ≥ 0.5.5. (6. ˇto znaˇi da c s c svaku od funkcija gn moˇemo koristiti za aproksimaciju funkcije g. onda vrijedi |en (x)| → 0 za x → ∞. ako uzmemo da je n fiksan. Parcijalne sume gn iz (6. onda je c |en (x)| → ∞ za n → ∞. u odgovaraju´oj okolini toˇke +∞. c Iz ocjene (6.

7). x2 pa odmah vidimo da vrijede sljede´e dvije relacije asimptotskog ponaˇanja.5.5.7) ima i teorijsku vrijednost.5.5. ˇto znaˇi da relativna c s c greˇka od g1 (x) kao aproksimacije od g(x) teˇi prema nuli kad x → +∞. c po definiciji.5. g1 (x) Posljednju relaciju obiˇno piˇemo u obliku c s g(x) ∼ g1 (x) (x → +∞) (6. lim x→+∞ g1 (x) .9) i sliˇni zakljuˇci za aproksimacije gn c c c s viˇe ˇlanova reda.5.5. Ovisno o x.5. kao kod obiˇne konvergencije. Prva je c s g(x) − g1 (x) = O(1/x2) (x → +∞) i ona sluˇi kao osnova za definiciju asimptotskog razvoja. s z ˇ Sve to slijedi samo iz prvog ˇlana asimptotskog razvoja. u prvoj aproksimaciji. Iz relacije (6. i to se s z uspjeˇno moˇe iskoristiti za praktiˇno raˇunanje. Uzmimo da je n = 1 u (6. To znaˇi da se.8) ∼ oznaˇava asimptotski c c razvoj i ta relacija nije simetriˇna. rezultat (6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 271 proizvoljno malu greˇku. dobivamo sve preciznije informacije o ponaˇanju fukcije g u okolini +∞. kad x → +∞.9). s c ˇak relacija ekvivalencije. u (6. Uoˇimo da iz (6. Druga je z g(x) − g1 (x) = o(g1 (x)) (x → +∞). Iz (6. da g(x) pada kao 1/x. ili.5. U (6. Medutim.6) dobivamo i c ocjenu greˇke za takvu aproksimaciju. Sto znamo viˇe c s ˇlanova.6) slijedi |e1 (x)| ≤ 0 ∞ e−xt t dt = 1 . ova oznaka ∼ se tradicionalno koristi u oba znaˇenja.8) c c i (6. Za razliku od toga. s z c c Osim toga.9) i ˇitamo “g(x) je asimptotski jednako g1 (x) kad x → +∞”. Lijevo je funkcija. tada zapis g(x) ∼ g1 (x). c s Napomenimo da ista oznaka ∼ ima razliˇita znaˇenja u relacijama (6.5. postoji minis c malna greˇka koju moˇemo dobiti (gledano po n) i bolje ne ide. znaˇi samo c g(x) = 1.6.8) slijede (6. Naime. s tim da je naveden samo prvi ˇlan razvoja.5. s g(x) − g1 (x) = g(x) − 1/x = e1 (x). tj. funkcija g ponaˇa kao g1 u okolini c s toˇke +∞. Ali oprezno.9) moˇemo interpretirati i kao skra´eni zapis nekog asimptotskog razvoz c ja.5. ekvivalentno (jer je g1 (x) = 0 za x > 0) x→+∞ lim g(x) = 1. a desno je red potencija (red c funkcija).9) ∼ je relacija asimptotskog ponaˇanja i ta relacija je simetriˇna. s c c relaciju (6.

Upravo tako treba interc pretirati i asimptotske relacije za Besselove funkcije iz prethodnog odjeljka.5. Formalni red funkcija ∞ an ϕn n=0 je asimptotski razvoj funkcije f kad x → c u skupu D. c z Definicija 6. c Definicija 6. ako funkcije ϕn ˇine asimptotski c niz.6.5. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 272 i nema govora o nekoj asimptotskoj konvergenciji koja se iskazuje relacijom (6. Tada kaˇemo da je (ϕn ) asimptotski niz kad x → c u skupu D.5. u okolini toˇke c. asimptotski niz kad x → c u skupu D. u smislu c da vrijedi ϕn (x) lim = 0. c c . n ∈ N0 . c z z Ista definicija vrijedi i za kompleksne domene D ⊆ C. s tim da c moˇe biti i +∞ ili −∞.2 (Asimptotski razvoj) Neka je (ϕn . niz funkcija za kojeg vrijedi ϕn (x) = o(ϕn−1 (x)) (x → c u D). u oznaci f (x) ∼ ∞ an ϕn (x) n=0 (x → c u D). 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. apsolutna greˇka izmedu f i (N − 1)-e parcijalne sume reda raste najviˇe jednako s brzo kao i N-ti ˇlan asimptotskog niza.5. ako neka funkcija iz tog niza teˇi prema nuli kad x → c u skupu D. Precizna definicija asimptotskog razvoja u okolini neke toˇke bazirana je na c definiciji asimptotskog niza u okolini te toˇke.1 (Asimptotski niz) Neka je D ⊆ R neki skup i c ∈ Cl D neka toˇka iz zatvaraˇa skupa 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). Ili.7). a toˇka c moˇe biti i ∞. z Podsjetimo. c z tada svaka sljede´a funkcija teˇi prema nuli bitno brˇe od nje. s tj. neka je c c z ϕn : D → R. za svaki n ∈ N. tada svaka funkcija ϕn raste bitno sporije od prethodne funkcije ϕn−1 u okolini toˇke c. jer ne postoje ostali ˇlanovi razvoja (nema parametra n). (6. n ∈ N0 ). 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. Nadalje. osim eventualno u samoj toˇki c. Zato.

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

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

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

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

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

Qk = bk Qk−1 + ak Qk−2 . . Za bazu indukcije uzmimo k = 1. Tk = wk bk Tk−1 + wk−1 wk ak Tk−2 . . uzlazni algoritam izvrednjavanja veriˇnog razlomka z Pk = bk Pk−1 + ak Pk−2 .4) lako se ˇita da su Pk i Qk dva rjeˇenja diferencijske jednadˇbe c s z yk − bk yk−1 − ak yk−2 = 0. i=1 k = 1. n. z Iz (6.6. i=1 Tk = Qk · k wi . Tvrdimo da postoji veza izmedu Pk i Sk . Uoˇite da bi nam u algoritmu (6. n. jednostavno umetanjem “novih”. uz S−1 = 1.1). . . n. Prvo napiˇimo rekurzije s za Sk i Tk .4) Primijetite da se u ovakvom zapisu algoritma lako mogu dodavati novi ak i bk . dobivamo tzv. k = 1. te Qk i Tk . karike u veriˇnom razlomku. . + + + Tn w1 b1 w2 b2 w3 b3 wn bn Pogledajmo u kojem su odnosu Sk i Tk obzirom na Pk i Qk . tzv. Dokaz se provodi indukcijom po k. c tako da ne moramo mnoˇiti tim koeficijentima. . . 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 + ··· . c Tvrdimo da izvrednjavanjem veriˇnog razlomka z w0 w1 a1 w1 w2 a2 w2 w3 a3 R = b0 + ···.5) w1 b1 + w2 b2 + w3 b3 + dobijemo isti R kao u (6.6. T0 = 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 . z z c s ekvivalentne transformacije. 2. To se moˇe posti´i koriˇtenjem tzv.6. (6. . (6. Iz rekurzija dobivamo: P1 = b1 P0 + a1 P−1 . proizvoljni brojevi razliˇiti od 0 i w−1 = w0 = 1. wi . . 2. . . S0 = b0 .6.6.4) odgovaralo da su ili ak ili bk jednaki 1.6. S1 = w1 b1 S0 + w0 w1 a1 S−1 = w1 b1 P0 + w1 a1 P−1 = w1 (b1 P0 + a1 P−1 ) = w1 P1 . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 278 onda. . T−1 = 0. za k ≥ 1. 2. proˇirenih ak i bk s Sk = wk bk Sk−1 + wk−1wk ak Sk−2 . P2 = b2 P1 + a2 P0 . Neka su wk . . Sk = P k · k k = 1.

Budu´i da je izbor skalara wk . k = 1. 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 ... Pretpostavimo da su c ak = 0 za sve k ≥ 1. tj.. a1 w2 = 1 a1 = . . vrijedi Sn = Rn = Tn Pn · Qn · n+1 wi i=1 n+1 = wi Pn = Rn .. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 279 Za korak indukcije.4) ili ak ili bk budu jednaki 1. Qn i=1 Sada moˇemo pojednostavniti veriˇni razlomak R. svesti ga na alternativnu z z formu. . ... 2. wk = 0. ˇto se dokazuje indukcijom. Time smo dobili tzv. a1 a3 · · · a2k+1 1 . Na sliˇan se naˇin dokazuje i relacija za Tk i Qk . II tip veriˇnog razlomka u kojem s z su brojnici jednaki 1. s c c Dakle. wn−1 wn an = 1. w1 w2 a2 = 1. w2 a3 a1 a3 . Qk = bk Qk−1 + Qk−2 . . Odatle odmah slijedi w1 = odnosno op´enito c w2k = a1 a3 · · · a2k−1 . k − 1. 1 1 1 R = b0 + + + + · · · . w1 a2 a2 w3 = 1 a2 = . . k ≥ 1 proizvoljan wk moˇemo izabrati tako da vrijedi z w1 a1 = 1.6. b1 b2 b3 Pripadna uzlazna rekurzija za izvrednjavanje ima oblik Pk = bk Pk−1 + Pk−2 .6. a2 a4 · · · a2k w2k+1 = a2 a4 · · · a2k . tako da u rekurziji (6. n. 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. pretpostavimo da vrijedi Sk = P k · za neke k. .

3. b1 a2 = a2 . b1 b2 ak bk−1 bk . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 280 uz startne podatke iz relacije (6.6. 6. uz start (6. I tip veriˇnog razlomka u kojem su nazivnici jednaki 1. wn bn = 1. tj.6. . izaberemo c tako da vrijedi w1 b1 = 1. 3.3). wk−1 wk ak + wk bk = 1.4) za Qk odnosno s c . . a3 = a3 . b2 b3 a1 a2 a3 ···. 2. ako uzmemo w1 b1 = 1. 1+ 1+ 1+ Pripadna rekurzija za uzlazno izvrednjavanje je Pk = Pk−1 + ak Pk−2 .6. Budu´i da je izbor wk . . . onda se veriˇni razlomak svede na tzv. Promatrajmo drugu rekurziju iz (6. stavljanjem 1 bk dobivamo tzv. k = 1.6. tj. 1+ (1 − α2 )+ (1 − α3 )+ Da bismo uspostavili vezu poˇetnog veriˇnog razlomka i dobivenog veriˇnog rac z z zlomka u Eulerovoj formi. S druge strane. .6. moˇemo posti´i i da su nazivnici jednaki 1. w2 b2 = 1. . . wk = 0. . Qk = Qk−1 + ak Qk−2 . k ≥ 1 proizvoljan.3). napiˇimo rekurzije za veriˇni razlomak u Eulerovoj formi s z koriˇtenjem veliˇina Sk i Tk . . 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). Pretpostavimo da z c su bk = 0 za sve k ≥ 1. z wk = R = b0 + Koeficijenti ak su jednaki a1 = odnosno op´enito c ak = a1 . . Eulerovu formu z R = b0 + α1 α2 α3 ···. n. . k = 2. .

Dokaz te tvrdenje ponovno koristi indukciju. Iz R−1 = S−1 = 1. tj. Rk = (1 − αk )Rk−1 + αk Rk−2 . Time se od dvije rekurzije za raˇunanje n-te konvergencije veriˇnog razlomka koristi c z samo ona prva. pa vrijedi c Tk = 1. Qn−1 an+1 + Qn bn+1 Qn+1 ˇime je dokazan korak indukcije. pa primjenom pretpostavke indukcije dobivamo wn+1 = 1 wn an+1 + bn+1 = 1 Qn−1 an+1 + bn+1 Qn = Qn Qn = . Uz T−1 = 0.6) Iz w1 b1 = 1. k ≥ 0.6.6. Pretpostavimo da za za neki wn vrijedi s wn = Qn−1 . Ne mogu se svi veriˇni razlomci mogu svesti na Eulerov oblik.6) i definicije αk = wk−1wk ak . Qn Iz definicijske relacije za Eulerov veriˇni razlomak slijedi da je z wn wn+1 an+1 + wn+1 bn+1 = 1. b1 Q1 ˇto je baza indukcije. uz pretpostavku da je b1 = 0 slijedi w1 = 1 Q0 = . vrijedi Rk = Sk za sve k. c Iz relacije (6. Uoˇite da je T1 = T0 = 1. z T0 = 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). IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 281 Tk . Qk k ≥ 1. z z Nadimo vezu izmedu originalnog i Eulerovog veriˇnog razlomka. Prvo pokaˇimo da za sve wk vrijedi z wk = Qk−1 .6. Tk = (1 − αk )Tk−1 + αk Tk−2 . k ≥ 2. dobivamo T1 = T0 + α1 T−1 . k ≥ 2. R0 = S0 = b0 izlazi R1 = R0 + α1 R−1 . (6. (jer nas zanima ta rekurzija za veriˇni razlomak u Eulerovoj formi).

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 . (6.8) Na sliˇan se naˇin dokazuje da je c c (6.6.6.6.6) moˇemo (6. Qk Qk−2 k ≥ 2. onda je z ∞ R = lim Rk = b0 + k→∞ i=1 ∞ (−1)i+1 αi αi−1 · · · α1 . (6. Qk k ≥ 2.6. .9) Koriˇtenjem relacije (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 .11) pa je |Rk − R| = (−1)i+1 αi αi−1 · · · α1 . i=k+1 Sada moˇemo izre´i i dokazati neke rezultate o konvergenciji veriˇnih razloz c z maka. po mogu´nosti neki red.6. (6.6.6.7) Eulerovu formu veriˇnog razlomka. potraban nam je jedz nostavan izraz za Rk . = (−1)k+1 Qk Qk−1 Rk − Rk−2 = (−1)k bk ak−1 · · · a1 . c Prvo. (6. a zatim i Rk − Rk−2 .8) zapisati u terminima αk (ponovno s z uz pretpostavku da su svi Qi razliˇiti od 0). iz rekurzija za Pk i Qk nadimo koliko je Rk − Rk−1 . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 282 uz dogovor w0 = 1. odmah slijedi da je αk = Qk−2 ak . uglavnom ´emo koristiti pri dokazivanju z c tvrdnji. Ako veriˇni razlomak konvergira.6. Da bismo dokazali konvergenciju veriˇnog razlomka. Vrijedi c ak ak−1 · · · a1 = (−1)k+1 αk αk−1 · · · α1 .10) Rk − Rk−1 = (−1)k+1 Qk Qk−1 Rekurzivnom primjenom (6.6.

Budu´i da su ak . Qi Qi−1 pa je red u (6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 283 Teorem 6. bk > 0. vrijedi a1 a2 · · · ak+1 |Rk − R| ≤ . Po Leibnitzovom kriteriju dovoljno je pokazati da c n-ti ˇlan tog reda teˇi u 0 i da mu ˇlanovi opadaju po apsolutnoj vrijednosti. pa po Leibnitzovom kriteriju. c z c Da bismo pokazali konvergenciju.6.6. onda su to i Qk .6. dokaz trivijalno slijedi raspisivanjem relacije (6. bk > 0. red je alterniraju´i. Ako su ak .6. Lako se dokazuje da je Qi ≥ εQi−1 .11) alterniraju´i.9) za parne i neparne indekse. onda su to i Qk (po rekurziji).6.1 Ako su ak . Qk Qk+1 . ˇto slijedi iz uvjeta bk ≥ ε > 0 i rekurzije za Qi . Teorem 6.6. tada vrijede nejednakosti R1 > R3 > · · · > R2k−1 > · · · . Iz (6. (1 + ε)Qi−2 1+ε c s Takoder. dovoljno je pokazati da je αi ≤ q za neko q < 1 (D’Alembertov kriterij konvergencije). bk > 0.7) dobivamo αi = ai Qi−2 ai Qi−2 ai Qi−2 Qi−2 = < = . greˇka koju smo napravili c c ako R aproksimiramo s Rk manja je ili jednaka prvom odbaˇenom ˇlanu u redu. onda je veriˇni razlomak (6. pa iz (6. s pa odatle slijedi da je Qi−2 1 αi < = < 1. gdje je ε neka konstanta.6. z Dokaz.7) izlazi c α1 α2 · · · αi = a1 a2 · · · ai > 0.6. bk > 0 i vrijedi ak ≤ bk i bk ≥ ε > 0 za k ≥ 1.1) konvergentan. tj.2 Ako su ak . 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 . Dokaz. Nakon toga. R0 < R2 < · · · < R2k < · · · i R2m−1 > R2k za svako m i k.

β1 + β2 + β3 + (6. moˇe se pokazati da je silazna rekurzija za izvrednjavanje veriˇnih rac z z zlomaka optimalna ˇto se tiˇe broja operacija. Zbog toga. c c c Definiramo Fn = bn (ili Fn+1 = ∞) i raˇunamo Fk = bk + na kraju ´emo dobiti c Rn = F0 . onda ´e sljede´a rekurzija izvrednjavati Rn . a uzlazna je analogon potenciranja i zbrajanja.6.6.6. Funkcijski veriˇni razlomci z Funkcijski veriˇni razlomci mogu se dobiti na viˇe naˇina. + (x + b )+ (x + b )+ (x + b1 ) 2 3 (6.12) Funkcijski veriˇni razlomci mogu imati varijablu u nazivniku. koja u svakom koraku (u op´em sluˇaju) ima c c 4 mnoˇenja i 2 zbrajanja.4. ˇak i ako su dozvoljene transformacije s c c koeficijenata veriˇnog razlomka prije poˇetka izvrednjavanja. Za izvrednjavanje n-te konvergencije fn (x) veriˇnih z . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 284 6. moˇemo z pretpostaviti da nam je unaprijed poznato koliko konvergencija trebamo da bismo dobro aproksimirali neki veriˇni razlomak.6. Op´enito. i mogu imati viˇe z s c s oblika. za razliku od uzlazne. 0. oni imaju oblik z c f (x) = b0 + a1 a2 a3 ···. 6.5. n − 1. Prethodni je s z teorem dao neke ocjene o tome koliko dobro Rn aproksimira R. Primijetite da silazna rekurzija u svakom koraku ima toˇno jedno zbrajanje i c jedno dijeljenje. i takve veriˇne raz z zlomke zovemo veriˇni razlomci tipa II. Dapaˇe. Fk+1 k = (n). .6.13) Izvrednjavanje veriˇnih razlomaka oba tipa vrlo je sliˇno izvrednjavanju broz c z jevnih veriˇnih razlomaka. 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 ···. . z c ak+1 . z Krenemo li od “silazno” od bn . . . Silazni algoritam za izvrednjavanje brojevnih veriˇz nih razlomaka Vratimo se joˇ jednom na izvrednjavanje veriˇnih razlomaka. z Ova dva tipa rekurzija analogon su izvrednjavanja polinoma: silazna rekurzija analogon je Hornerove sheme.

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

vk Tada silazna rekurzija glasi (x − xk+1 )vk+1 uk = βk + . U prvom koraku od veriˇnog razlomka prvog tipa dobivamo racionalnu funkz ciju. (x + 20)+ (x + 8/3)+ (x + 4/3) ˇ Sto vidimo? Iako drugi tip ima kompliciranije koeficijente. 1− 3− 5− 7− x= (2n + 1)π . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 286 Navedimo neke od poznatih veriˇnih razlomaka. 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. Stoga se javlja c potreba za pretvaranje veriˇnog razlomka prvog tipa u veriˇni razlomak drugog tipa. bez njihova “izvoda”: z ex = 1 x x x x x x x ···. Pogledajmo silazni algoritam za izvrednjavanje veriˇnog razlomka prvog tipa. 1+ 3+ 5+ 7+ 9+ x2 x2 x2 x2 ··· 1+ 3+ 5+ 7+ x2 x2 4x2 9x2 16x2 ···. ima upola manje karika za izvrednjavanje. z z Postupak se obavlja u dva koraka. 1 2 3 2 5 2 7 x x x 4x 4x 9x 9x 16x 16x ···. 1− 1+ 2− 3+ 2− 5+ 2− 7+ x x x x x x x = 1 + − + − + − + − ···. 1+ 2+ 3+ 4+ 5+ 6+ 7+ 8+ 9+ x2 x2 x2 x2 ···. racionalna funkcija. pa moˇemo definirati z z uk Fk = . vk uk+1 . redom. prvi tip. 2 ln(x + 1) = x tg x = x arctg x = x2 x2 4x2 9x2 16x2 ···. z Fk ˇelimo napisati kao kvocijent dva polinoma. 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 .6. 1− 3− 5− 7− 9− x th x = x Arth x = Svi ovi veriˇni razlomci su prvog tipa.

. 2. . un+1 = 1. u1 x + F1 pa moˇemo pisati z b u0 = u1˜0 + a1 R1 . bk + x. Zatim ponovimo postupak i dobivamo b u1 = R1˜1 + a2 R2 . pa dobivamo uk = βk uk+1 + (x − xk+1 )uk+2. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 287 Kao ˇto smo to i prije radili. k = 0. n-ta je konvergencija jednaka c fn (x) = F0 = u0 u0 = . v0 u1 Da bismo iz racionalne funkcije dobili drugi tip veriˇnog razlomka. . Algoritam za pretvaranje racionalne funkcije u drugi tip veriˇnog razlomka je z sljede´i. vk = uk+1. Ova rekurzija se prekida kad je stupanj polinoma 0. . Definira se R−1 = u0 i R0 = u1 . s c Dobivamo uk = βk uk+1 + (x − xk+1 )vk+1 . potrebno z je koristiti silaznu rekurziju za drugi tip i usporedivati s u0 /u1 . Iz silazne rekurzije za drugi tip izlazi a1 u0 ˜ = b0 + . k = 0. sve dok ne bude ispunjen uvjet Rx = 1. k = n. . z s z Naravno vk moˇemo eliminirati uvrˇtavanjem iz druge jednadˇbe u prvu. . Zatim se vrti petlja c Rk−1 = Rk˜k + ak+1 Rk+1 b za k = 0. 1. n − 1. . uz start un+2 = 0. izjednaˇimo brojnike i nazivnike funkcija s obje strane.6. 0. Pritom je ˜k = b b0 . . Konaˇno.

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

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

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

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

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

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

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

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

bn } u tom prostoru Pn . Medutim. . To je posebno bitno ako vrijednosti funkcije f ne c znamo u ostalim toˇkama. n. 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 . c U pripadnom algoritmu. . posebno u drugoj z s z fazi. c U tom smo sluˇaju jedva izraˇunali i ove vrijednosti od f koje smo iskoristili za c c interpolaciju. postoji jedinstveni polinom pn koji interpolira zadane podatke.k+1 = bi (xk ). i tako dobijemo linearni sustav reda n + 1 za nepoznate koeficijente. 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. bez ve´eg gubitka brzine. . Njih moˇemo na´i tako da u ovu relaciju uvrstimo sve uvjete interpolacije z c n pn (xk ) = i=0 ai bi (xk ) = fk . jer on ne ovisi o toˇki x. prema teoremu 7. za i. n. . . Elementi matrice B imaju oblik Bi+1. jer se on tamo puno puta izvrˇava. . . da bismo naˇli pn . ne´emo zahtijevati brzinu na s c uˇtrb stabilnosti. ˇelimo ˇto brˇi algoritam. z Toˇaka x u kojima ˇelimo izraˇunati pn (x) moˇe biti vrlo mnogo. Polinom pn ima u (svakoj pa zato i izabranoj) bazi jedinstven s prikaz. s z c c ˇ Pogledajmo detaljnije prvu fazu. ve´ samo o zadanim poc c dacima (xk .2. . . Zbog toga se problem raˇunanja vrijednosti pn (x) uvijek c rjeˇava u dvije faze: s 1. . . k = 0. . Dakle. n. 2. a gotovo c z c nikad nije samo jedna. . c c Prvu fazu je dovoljno napraviti samo jednom i zato svaku od ovih faza treba realizirati posebnim algoritmom. jer u ˇvorovima ionako vrijedi c c c f (x) = pn (x). APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 296 principu nisu ˇvorovi interpolacije. a zatim ga rijeˇiti. za svaku zadanu toˇku x izraˇunamo pn (x). fk ). Dakle. kao linearna kombinacija polinoma bi iz te baze. k = 0. pa treba primijeniti posebne tehnike raˇunanja). sigurno trebamo algoritam za raˇunanje vrijednosti interpolacijskog c polinoma u nekoj zadanoj toˇki x koja nije ˇvor.7.1. Dodatno. prvo treba izraˇunati sve elemente matrice linearnog c sustava. . Matrica B tog linearnog sustava je sigurno regularna. . b1 . Izaberimo neku bazu {b0 . Ako pretpostavimo da znamo prikaze svih polinoma bi s . ako se to moˇe izbje´i. . ili se one teˇko raˇunaju (recimo algoritam zahtijeva vrlo c s c mnogo operacija ili je nestabilan. treba (i dovoljno je) na´i koeficijente ai u prikazu c n pn (x) = i=0 ai bi (x). zatim. prvo nademo polinom pn .

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

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

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

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

2. Kako op´enito izgledaju koeficijenti ci . . Lagrangeove baze { k . .3. . c c Supstitucijom unaprijed izlazi i koeficijent c1 c1 = f1 − f0 .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. a to je b1 (x) = (x − x0 ). Lagrangeov oblik interpolacijskog polinoma Da bismo naˇli koeficijente interpolacijskog polinoma. pa uzimamo najjednostavniju oblik. k = 0. ovaj postupak se moˇe nastaviti. . pa moˇemo uzeti c c z bi (x) = (x − x0 ) · · · (x − xi−1 ). n. (7. koji odgovara interpolaciji polinomom stupnja 0 u prvom ˇvoru. odgovara i pove´anju stupnja interpolacije kod dodavanja novog ˇvora. nije nuˇno rjeˇavati lis z s nearni sustav za koeficijente. Op´enito. ωk (xk ) i=0 xk − xi = i=k (7. 1. ˇto opet odgovara dizanju stupnja. za i = k. x1 − x0 Kao ˇto ´emo vidjeti. . Iz prve jednadˇbe supstitucijom unaprijed odmah c z dobivamo i c0 = f0 . . Interpolacijski polinom pn moˇemo odmah napisati z koriˇtenjem tzv. . 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 . Osim toga. . n} prostora polinoma Pn s n pn (x) = k=0 fk k (x).7. c 7. xi−1 . Za polinom b1 u drugom stupcu dobivamo toˇno jedan uvjet b1 (x0 ) = 0. vrijedi s k (xi ) = 0. . opisat s c ´emo malo kasnije. Opet c uzmemo najjednostavniji oblik polinoma koji zadovoljava taj uvjet. usput.2. To.2) Polinomi k su stupnja n. a to je b0 (x) = 1. . . . pa je pn polinom stupnja najviˇe n. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 301 Za polinom b0 u prvom stupcu matrice sustava nemamo nikavih uvjeta. za i = k.2.

(x − xk ) ωk (xk ) n Uvrˇtavanjem u (7. Ukupan broj operacija je proporcionalan s n2 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 302 Uvrstimo li to u (7. (7. . xn . . dok se s c c c ωk (xk ) = ω (xk ) izraˇuna samo jednom za svaki k i ˇuva u tablici.2.4) moˇemo pisati kao z pn (x) = ω(x) fk . xn . .4) (7. b] za neki n ∈ N0 . trebamo joˇ reda veliˇine n operacija.1) dobivamo da je s pn (x) = ω(x) Uoˇimo da je c ωk (xk ) = ω (xk ). .2. . tj. n.2. z c c k = 0. tj.2.3) k=0 = ω(x) . Teorem 7. (x − xk ) ωk (xk ) k=0 (7. . moˇemo napraviti i ocjenu greˇke s z s interpolacijskog polinoma.1). .5) Ova se forma moˇe koristiti za raˇunanje vrijednosti polinoma u toˇki x = xk . Lagrangeov oblik c s interpolacijskog polinoma uglavnom se koristi u teoretske svrhe (za dokaze). Ocjena greˇke interpolacijskog polinoma s Ako znamo joˇ neke informacije o funkciji f . Taj polinom moˇemo napisati u joˇ jednom. pa (7. . u praksi se ne koristi ovaj c s c oblik interpolacijskog polinoma. jer ne ovisi o x. x} < ξ < max{x0 .2. Neka su xk ∈ [a.2.2 Pretpostavimo da funkcija f ima (n + 1)-u derivaciju na segmentu c c [a. Oblik (7. Ipak. . b]. b] postoji toˇka ξ iz otvorenog intervala c c c xmin := min{x0 .2) zove se Lagrangeov oblik interpolacijskog polinoma. a za raˇunanje u svakoj novoj c toˇki x. da vrijedi c pn (xk ) = fk . k = 0. .2.2. 7. . x} =: xmax .1)–(7.2.1) svodi na jedan jedini ˇlan za i = k.2.2. medusobno razliˇiti ˇvorovi interpolacije. odmah slijedi da se suma u (7. Definiramo z s n ω(x) = pa je k (x) (x − xk ). n.7. ve´ neˇto bolji Newtonov oblik. Za bilo koju toˇku x ∈ [a. . . k=0 (x − xk ) ω (xk ) n fk . Prednost je ˇto se za svaki novi x raˇuna samo ω(x) i (x − xk ). zgodnijem obliku. i neka je pn interpolacijski polinom za funkciju f u tim ˇvorovima. . . .4. xi = xj za i = j.

g postoji kao funkcija na [a. . ˇ Drugim rijeˇima. za j = n + 1 dobivamo da c c g (n+1) ima bar jednu nultoˇku ξ ∈ (xmin .6) jednake 0. . Cak i jaˇe. c Dokaz. ω(x) k = 0. po Rolleovom c c teoremu slijedi da g ima barem n + 1 nultoˇku na otvorenom intervalu (xmin . n. 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). sve te nultoˇke su c c c c na segmentu [xmin . Deriviranjem lijeve i desne strane jednadˇbe (7. xmax ). b]. za j = 0. b]. pa teorem oˇito vrijedi c (ξ moˇe biti bilo koji). n + 1. dobivamo g(xk ) = e(xk ) − ω(xk ) Jednako tako je i g(x) = e(x) − e(x) = 0. Nadimo koliko nultoˇaka ima c funkcija g. . Ako za t uvrstimo xk . . 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 . g ima barem n + 2 nultoˇke na [a. tj. . a ω polinom stupnja n + 1. i one su neprekidne s c kad su to i odgovaraju´e derivacije od f . Uzmimo sad da je x fiksan i definirajmo c funkciju e(x) .6) pri ˇemu je ω(x) definirana relacijom (7. Budu´i da je g derivabilna na tom segmentu. Budu´i da x nije ˇvor. Iskoristimo joˇ da je pn polinom stupnja najviˇe n. ω(x) ω(x) e(x) = 0. to isto vrijedi i c c c (n+1) za funkciju g. . 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). .3). (7. . .7) n + 1 puta.2. .2. n}.2. . ω (n+1) (t) = (n + 1)!. . iz uvjeta interpolacije i definicije polinoma ω dobivamo da su obje strane u (7. Ako je x = xk . z Pretpostavimo stoga da x nije ˇvor interpolacije. s s pa je e(n+1) (t) = f (n+1) (t). xmax ].2. gdje je s(x) dobro definirano ako x nije ˇvor. Induktivnom primjenom Rolleovog teorema zakljuˇujemo da g (j) ima bar n + 2 − j c nultoˇaka na (xmin . t ∈ [a. xmax ). (n + 1)! (7. b]. za neki k ∈ {0.2. dobivamo z g (n+1) (t) = e(n+1) (t) − ω (n+1) (t) e(x) e(x) = f (n+1) (t) − (n + 1)! .7. Dakle. .

pove´avati stupanj interpolacijskog polinoma.2. b] ili. . polinom stupnja n. gdje je c korekcija. Polinom z pn tada moˇemo napisati u obliku pn (x) = pn−1 (x) + c(x). onda je c z 0 = g (n+1) (ξ) = f (n+1) (ξ) − (n + 1)! odnosno e(x) = ˇto je upravo (7. Nadalje. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 304 Konaˇno. n − 1. . zbog toga ˇto interpolacijski polinom moramo raˇunati od poˇetka. s Ako je f (n+1) ograniˇena na [a. k = 0. . mora vrijediti c(xk ) = pn (xk ) − pn−1 (xk ) = f (xk ) − f (xk ) = 0. c 7. . . pa ga moˇemo napisati u obliku c z c(x) = an (x − x0 ) · · · (x − xn−1 ).7. 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)|.2.2. c s c Neka je pn interpolacijski polinom koji interpolira funkciju f joˇ i u toˇki xn . (n + 1)! Ova ocjena direktno slijedi iz (7.5. a korisna je ako relativno jednostavno moˇemo z izraˇunati ili odozgo ocijeniti Mn+1 . 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.b] e(x) .2. jaˇe. ako je f ∈ C n+1 [a. x∈[a.6). Takoder. tj. b] c |f (x) − pn (x)| ≤ |ω(x)| Mn+1 .6). s s c c Postoji forma interpolacijskog polinoma kod koje je mnogo lakˇe dodavati s toˇke interpolacije. . . .8) Vidimo da su xk nultoˇke od c. (7. k = 0. iz zadnjeg uvjeta interpolacije pn (xn ) = f (xn ). Neka je pn−1 c c interpolacijski polinom koji interpolira funkciju f u toˇkama xk . b]. 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. ω(x) ω(x) f (n+1) (ξ). ako uvaˇimo da je g (n+1) (ξ) = 0. .

Primijetimo da je an koeficijent uz vode´u potenciju xn u pn . . (xn − x0 ) · · · (xn − xn−1 ) ω(xn ) Koriˇtenjem relacije (7. (7. xn i zvat ´emo ga n-ta c c c c podijeljena razlika. . (7. xn−1 ] . xn ] = . nadimo koeficijent uz xn na desnoj strani te relacije. . . Koeficijent an . Primijetimo da poredak ˇvorova nije bitan. . . xn ] = Izvedimo tu formulu.11) slijede neka svojstva podijeljenih razlika. x1 .5).2. Stoga iskoristimo relaciju (7.2. xn ]. (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 ) = . . . . . .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 .8). . . oˇito je funkcija ˇvorova x0 . . c c Druga korisna formula je formula za rekurzivno raˇunanje podijeljenih razlika c f [x0 .11) ω (xk ) k=0 Iz formule (7. . .10) Da bismo bolje opisali an . . .2. Vrijedi f [x1 . 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 . . tj. . x1 . .7. xn−1 ] = = n−1 . . . xn ] = = f (xk ) k=1 (xk − x1 ) · · · (xk − xk−1 ) (xk − xk+1 ) · · · (xk − xn ) n−1 n f [x1 . .2. Formalno ´emo to oznaˇiti s c c an = f [x0 . .2. tj. . xn ]. . . Dobivamo n f (xk ) f [x0 . podijeljena razlika neosjetljiva je na poredak ˇvorova. .2. . . xn ] − f [x0 . . vratimo se na Lagrangeov oblik interpolacijskog c polinoma. sada imamo sve elemente za raˇunanje pn (x) u bilo s c kojoj toˇki x. . . .

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

.1. . xn . x1 . . Dobivamo pn+1 (x) = f [x0 ] + (x − x0 )f [x0 . . .12) za neki ξ ∈ I. . . xi ]. x1 . . Pretpostavimo da sukladno algoritmu 7. . samo razvijenog oko s s c toˇaka x0 . x1 .) f [x0 . xn . . . Neka je xn+1 ∈ (a. Budu´i da je c pn+1 (xn+1 ) = f (xn+1 ). s c a ne x) ω(xn+1 ) (n+1) f (ξ). x] = f (n+1) (ξ) . x1 ] + (x − x0 ) (x − x1 )f [x0 . . . . xn . . x1 . . . . . . .12). . Usporedimo li tu formulu s ocjenom greˇke iz Teorema 7. x1 . .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. . . f (xn+1 ) − pn (xn+1 ) = (n + 1)! odmah se ˇita da je c f [x0 . . . xn+1 ]. (n + 1)! (7.12) slijedi f (xn+1 ) = pn (xn+1 ) + (xn+1 − x0 ) · · · (xn+1 − xn )f [x0 .7. xn . . xn . .2 (napisanu u toˇki xn+1 .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]). xn . xn+1 ]. . . . Prethodna se formula uobiˇajeno piˇe u ovisnosti o varijabli x. Newtonov interpolacijski polinom tada poprima oblik Taylorovog polinoma (s greˇkom nastalom zanemarivanjem viˇih ˇlanova). x1 .2. tj. xn+1 ] = f (n+1) (ξ) (n + 1)! (7.13) Zajedno s (7.2.2.2. s moˇemo napisati koriˇtenjem podijeljenih razlika. xn c c i xn+1 . . onda iz relacije (7. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 307 Algoritam 7. 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. Konstruirajmo interpolacijski polinom koji prolazi toˇkama x0 . . b) realan broj z s koji nije ˇvor. I greˇku interpolacijskog polinoma (koja je jednaka onoj kod Lagrangeovog). u polju f na mjestu i piˇe s f [x0 .2.2. xn ] + (x − x0 ) · · · (x − xn )f [x0 . x1 . x2 ] + · · · + (x − x0 ) · · · (x − xn−1 )f [x0 . x1 .

} 7. x1 . . .2. x]. 1 + x2 x ∈ [−5. pove´avanje s c c stupnja interpolacijskog polinoma moˇe dovesti do pove´anja greˇaka. xn . h= 10 . . for i := n − 1 downto 0 do sum := sum ∗ (x − xi ) + f [i]. uvaˇavanjem relacije (7. Zaˇto? Kod nekih funkcija za neki izbor toˇaka interpolacije. U tom sluˇaju z s c imamo paran broj interpolacijskih toˇaka.13). . .2 (Algoritam izvrednjavanja interpolacijskog polinoma) sum := f [n]. Zanima nas ponaˇanje greˇaka koje nastaju pove´avanjem stupnja n interpolacijskog s s c polinoma. . ako je n = 2r. xn .14) Prvo pokaˇimo tvrdnju za n = 2r + 1. x. . n c xk = −5 + kh. 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. . . zadovoljavaju xk = −xn−k . . koje su simetriˇne obzirom na ishodiˇte.2. 5]. najˇeˇ´e c c sc do 5. x1 . dobivamo z en (x) = f (x) − pn (x) = ω(x) f [x0 .7.2. { Na kraju je pn (x) = sum.2. . x] = f (x) · (−1)r+1 r · (1 + k=0 x2 ) k 1. On je konstruirao funkciju (poznatu kao z c Rungeova funkcija). ako je n = 2r + 1. . 1901.2.2. Po Teoremu 7. . n k = 0. Odaberimo n i izaberimo ekvidistantne ˇvorove interpolacije xk .2. k = 0. c c Primjer 7. Zbog toga z c s se umjesto visokog stupnja interpolacijskog polinoma u praksi koristi po dijelovima polinomna interpolacija.6. .1 (Runge. . Njemaˇki matematiˇar Runge prvi je uoˇio probleme koji nastupaju kod interc c c polacije na ekvidistantnoj mreˇi ˇvorova.) Promotrimo (Rungeovu) funkciju f (x) = 1 . n. . Tvrdimo da vrijedi f [x0 . . (7. koriˇtenjem indukcije po r. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 308 Algoritam 7. c c s tj. Koliko je dobar interpolacijski polinom? U praksi se obiˇno koriste interpolacijski polinomi niskih stupnjeva.

(ˇto znaˇi da u n “skaˇemo” za 2). onda je n = 1 i x1 = −x0 . lako je pokazati da vrijedi g[x0 . k onda je za n = 2r + 1 n r (x − xk ) = (x2 − x2 ). xm . x] = f [x0 . Neka vrijedi (7. xr = 0. x] − f [x0 .7. x]. · k x k=0 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 309 Ako je r = 0. xm . . a zbog parnosti funkcije f i f (−x0 ) = f (x0 ). Zbog definicije g. . . xm . −x0 . k k=0 k=0 c U parnom je sluˇaju n = 2r. ar = (−1)r+1 r . xm . x] = ar f [x0 . tj. s c c Budu´i da je c (x − xk ) (x − xn−k ) = (x − xk ) (x + xk ) = x2 − x2 . . 1 + x2 0 ˇto zakljuˇuje korak indukcije. Definiramo funkciju g(x) = f [x1 . Za paran n. Izraˇunajmo podijeljenu razliku c f [x0 . x]. (1 + k=1 x2 ) k Po definiciji podijeljenjih razlika. prijelaz s r u r + 1. pa izdvajanjem srednje toˇke dobivamo c n (x − xk ) = x · r−1 (x2 − x2 ) = k k=0 k=0 1 r 2 (x − x2 ). a + x2 1 + x2 1 + x2 0 0 Time je pokazana baza indukcije. k = 1.2. vrijedi g(x) = f (x) · ar . Provedimo korak indukcije. . xm−1 . x] = ar f (x) −1 . Osim toga je g[x0 . . po pretpostavci indukcije. . . .14) za n = 2r + 1 i bilo s c c koji skup od r parova simetriˇnih toˇaka (xk = −xn−k . x] = f [−x0 . r). Neka je c c m = n + 2 = 2(r + 1) + 1. . −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) . dokaz je vrlo sliˇan. x1 . . . x] = f [x0 .

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

k=0 .1 Dokaˇite da vrijedi z 0 n→∞ lim h ln |gn (x)| = −5 x2 − ξ 2 ln dξ. priliˇno c z jednaku 3. Cebiˇ c c xk = 1 2k + 1 a + b + (a − b) cos . .7. Preciznije.2.63 i h = 10/n slijedi da je n→∞ lim |gn (x)| = ∞. . Runge uzmemo neekvidistantne.63 (moˇemo ju i toˇnije odrediti).63. . q(x) < 0 za |x| < 3. −5 k=0 r r→∞ lim h ln |x − xk | = k=0 zbog neprekidnosti podintegralnih funkcija i definicije Riemannovog integrala. pa i tj. ako umjesto ekvidistantnih toˇaka interpolacije u primjeru c ˇ sevljeve toˇke na intervalu [a. en (x) → ∞. b]. onda ´e porastom stupnja niz interpolacijskih polinoma konvergirati prema funkciji c f. 2 2n + 2 k = 0. q(x) > 0 za 3. 5] vrijedi q(x) = 0 za |x| = 3. 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. Za dokaz da je c r r→∞ 0 lim h ln |x + xk | = −5 ln |x + ξ| dξ. . budu´i c je rijeˇ o specijalnim Darbouxovim sumama.63 < |x| ≤ 5. toˇnije tzv. Za |x| > 3. n. na z c [−5. Zadatak 7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 311 Analizom toka funkcije vidimo da q(x) ima jednu nultoˇku u intervalu [0. zbog parnosti funkcije q.63! Zanimljivo je da. niz interpolacijskih polinoma divergira za |x| > 3.63. 5].

Razlog leˇi u ˇinjenici da funkcija log(x) z c ima singularitet u 0. a zatim to isto za Cebiˇevljevu mreˇu. c Primjer 7.1.2 Promotrimo grafove interpolacijskih polinoma stupnjeva 1–6 koji interpoliraju funkciju f (x) = log(x) za x ∈ [0. z y 1 0. interpolacijski polinom stupnja 1. |x + xk | > δ. z Primijetit ´ete da je greˇka interpolacije najve´a na prvom podintervalu bez c s c obzira na stupanj interpolacijskog polinoma.5 1 −0. a poˇetna toˇka interpolacije je blizu.2. te pripadna greˇka.7. 10] ˇ s na ekvidistantnoj i Cebiˇevljevoj mreˇi. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 312 potrebno je napraviti “finu analizu” i posebno razmatrati situacije |x + xk | < δ. z s z y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa.5 2 3 4 5 6 7 8 9 10 x . za neki mali 0 < δ < 1 (ili se pozvati na jaˇe teoreme iz teorije mjere). c c Prva grupa slika su redom funkcija (crno) i interpolacijski polinom (crveno) ˇ s za ekvidistantnu mreˇu.

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

z y 0. z s .25 −0.25 1 −0. greˇka interpolacijskog polinoma stupnja 3. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 314 y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa.5 0.7. interpolacijski polinom stupnja 3.5 2 3 4 5 6 7 8 9 10 x Ekvidistantna mreˇa.

7. interpolacijski polinom stupnja 4. z y 0.25 1 −0.25 −0. z s .5 0.5 2 3 4 5 6 7 8 9 10 x Ekvidistantna mreˇa. greˇka interpolacijskog polinoma 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. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 316 y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa.7. z s .25 2 3 4 5 6 7 8 9 10 x Ekvidistantna mreˇa. greˇka interpolacijskog polinoma stupnja 5.25 1 −0. interpolacijski polinom stupnja 5.

25 2 3 4 5 6 7 8 9 10 x Ekvidistantna mreˇa. greˇka interpolacijskog polinoma stupnja 6. z y 0. interpolacijski polinom stupnja 6.25 1 −0.7. 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 .

7. interpolacijski polinom stupnja 1. 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.25 1 −0. greˇka interpolacijskog polinoma stupnja 1.5 2 3 4 5 6 7 8 9 10 x −1 ˇ s Cebiˇevljeva mreˇa. z y 0. z s .

interpolacijski polinom stupnja 2. greˇka interpolacijskog polinoma stupnja 2.5 2 3 4 5 6 7 8 9 10 x −1 ˇ s Cebiˇevljeva mreˇa. z y 0.7. z s .25 1 −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.

125 1 −0. greˇka interpolacijskog polinoma stupnja 3. 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. z s . z y 0. interpolacijski polinom stupnja 3.5 2 3 4 5 6 7 8 9 10 x ˇ s Cebiˇevljeva mreˇa.7.25 −0.

greˇka interpolacijskog polinoma stupnja 4. z y 0. z s . 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.25 −0.125 1 −0. interpolacijski polinom stupnja 4.7.5 2 3 4 5 6 7 8 9 10 x ˇ s Cebiˇevljeva mreˇa.

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

7. 5] f (x) = 1 + x2 na ekvidistantnoj mreˇi ne konvergiraju. . pogledajmo ˇto se dogada z s ˇ sevljevim toˇkama. 10. 8. 16 (parnost funkcije!). 12. 14.1 1 2 3 4 5 6 7 8 9 10 x −0. Interpolacijski s polinomima koji interpoliraju tu funkciju u Cebiˇ c polinomi su stupnjeva 1–6. z s Primjer 7. S druge strane. greˇka interpolacijskog polinoma stupnja 6.2. 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. z y 0.3 Ve´ smo pokazali da na primjeru Runge interpolacijski polinomi koji c interpoliraju funkciju 1 za x ∈ [−5. interpolacijski polinom stupnja 6.25 ˇ s Cebiˇevljeva mreˇa.

kao i u proˇlom primjeru. z y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x Ekvidistantna mreˇa. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 324 Ponovno. z s . greˇka interpolacijskog polinoma stupnja 1. grafovi su u parovima. s y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x Ekvidistantna mreˇa. interpolacijski polinom stupnja 1.7.

z s .5 Ekvidistantna mreˇa. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 325 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x Ekvidistantna mreˇa. greˇka interpolacijskog polinoma stupnja 2. interpolacijski polinom stupnja 2.7.5 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0. z y 0.

APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 326 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x Ekvidistantna mreˇa. greˇka interpolacijskog polinoma stupnja 3. z y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x Ekvidistantna mreˇa. z s . interpolacijski polinom stupnja 3.7.

5 Ekvidistantna mreˇa.7. interpolacijski polinom stupnja 4. greˇka interpolacijskog polinoma stupnja 4.5 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0. 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 . z y 0.

greˇka interpolacijskog polinoma stupnja 5.7.5 Ekvidistantna mreˇa. z y 0.5 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0. 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 s . interpolacijski polinom stupnja 5.

APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 329 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x Ekvidistantna mreˇa.7.5 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0. z s .5 Ekvidistantna mreˇa. z y 0. greˇka interpolacijskog polinoma stupnja 6. interpolacijski polinom stupnja 6.

z y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −1 Ekvidistantna mreˇa. greˇka interpolacijskog polinoma stupnja 8. interpolacijski polinom stupnja 8.7. 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. z s .

greˇka interpolacijskog polinoma stupnja 10. z s .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. interpolacijski polinom stupnja 10. z y 2 1 −6 −5 −4 −3 −2 −1 −1 −2 1 2 3 4 5 6 x Ekvidistantna mreˇa.

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

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

greˇka interpolacijskog polinoma stupnja 16. z s . 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 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.

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

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 2.7. interpolacijski polinom stupnja 2. 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.

interpolacijski polinom stupnja 3. 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. greˇka interpolacijskog polinoma stupnja 3.7. z y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa. z s .

z s . 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.7. interpolacijski polinom stupnja 4.5 ˇ s Cebiˇevljeva mreˇa. greˇka interpolacijskog polinoma stupnja 4. z y 0.25 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0.

5 −6 −5 −4 −3 −2 −1 −0.25 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa. z s . z y 0. interpolacijski polinom stupnja 5. greˇka interpolacijskog polinoma stupnja 5.7. 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.

7.25 ˇ s Cebiˇevljeva mreˇa.5 0. z s . greˇka interpolacijskog polinoma stupnja 6. z y 0.25 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −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. interpolacijski polinom stupnja 6.

25 ˇ s Cebiˇevljeva mreˇa. z y 0. z s . 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.125 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0. greˇka interpolacijskog polinoma stupnja 8.7. interpolacijski polinom stupnja 8.

125 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0.7. interpolacijski polinom stupnja 10. z s . greˇka interpolacijskog polinoma stupnja 10. z y 0.125 ˇ s Cebiˇevljeva mreˇa. 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.

greˇka interpolacijskog polinoma stupnja 12. interpolacijski polinom stupnja 12. z s . 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. z y 0.7.075 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0.075 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. interpolacijski polinom stupnja 14. greˇka interpolacijskog polinoma stupnja 14.05 ˇ s Cebiˇevljeva mreˇa. z s .05 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0.7.

025 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0. z s 7. Konvergencija interpolacijskih polinoma Interpolacija polinomima vrlo je znaˇajna zbog upotrebe u raznim postupcima c u numeriˇkoj analizi. z s . interpolacijski polinom stupnja 16.7. z y 0. deriviranje. rjeˇavanje difec s c s rencijalnih jednadˇbi i joˇ mnogo toga.7.2.025 ˇ s Cebiˇevljeva mreˇa. 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. greˇka interpolacijskog polinoma stupnja 16. kao ˇto su numeriˇka integracija.

Na prvi pogled se ˇini da to ˇto interpolacija ne mora biti dobra aproksic s macija funkcije ovisi o izboru ˇvorova interpolacije. kad n → ∞. Tada c |f (x) − pn (x)| → 0. Pitanje je. To je samo djelimiˇno toˇno. 1]. Primjer 7.2. Drugi bitni faktor kvalitete je glatko´a funkcije. moˇe z c z z popraviti konvergenciju. Takva interpolacija . s ˇvorovima koji su bliˇe rubovima intervala. Naˇalost.2. da li neki izbor neekvidistantne mreˇe. Odgovor nije potpuno jednostavan. Iako se mogu konˇ s struirati mreˇe (poput Cebiˇevljeve) na kojima se funkcija Runge bolje aproksimira z interpolacijskim polinomima. 0. sa stanoviˇta teorije aproksimacije.2. c c c tj. ali ne i na rubovima. Postoje i joˇ “gori” primjeri divergencije. c Iz primjera funkcije Runge vidi se da je Lagrangeova interpolacija dobrih svojstava aproksimacije u sredini intervala. nazovimo ih Bn (x). 7. interpolacija se ne pokazuje s kao sredstvo kojim moˇemo do´i do dobrih aproksimacija funkcija. c Teorem 7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 346 Medutim.3 (Faber. samo u tri toˇke: x = −1. 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 . 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). 1914. tako da f (x) − Bn (x) ∞ →0 za n → ∞.7.8. a kamo li uniformno. izborom toˇaka interpolacije moˇemo poboljˇati aproksimativna svojstva interc z s polacijskih polinoma. to je nemogu´e napraviti za svaku neprekidnu funkciju. c Sljede´i teorem je egzistencijalnog tipa. 1912.4 (Bernstein. za ˇiji interpolacijski polinom pn (x) stupnja n vrijedi c f (x) − pn (x) ∞ → 0. ali ukazuje na to da je nemogu´e na´i c c c dobar izbor toˇaka interpolacije za svaku funkciju.) Neka je f (x) = |x| c i neka je pn (x) interpolacijski polinom u n + 1 ekvidistantnih toˇaka u [−1. poznati z c Weierstraßov teorem tvrdi da za svaku neprekidnu funkciju f (x) postoji niz polinoma stupnja n. 1. Dovoljno je uzeti manje glatku s funkciju od funkcije Runge.) Za svaki mogu´i izbor toˇaka interpolacije postoji c c neprekidna funkcija f . Istina.

. ⎟ . . . n. . z Lagrangeov interpolacijski polinom pn moˇe se napisati i eksplicitno u tzv. Mogu´e su razne generalizacije ovog problema za funkcije f koje c imaju dodatna svojstva.2.18). . (7. Lagrangeovoj formi.20) Funkcije i zovu se funkcije Lagrangeove baze. xn ⎟ 1 ⎟ . x2 0 x2 1 . koji su jednoznaˇno odredeni interpolacijskim uvjez tima (7. ve´i broj derivacija (globalno.2. ⎜. koja se ˇesto zove i Lagrangeova interpolacijska formula. ⎠ .18) gdje je δij Kroneckerov simbol. . 0≤i<j≤n (7.7. tada Lagrangeov interpolacijski polinom koji udovoljava uvjetima (7. u okolini c svakog ˇvora). ⎛ x0 x1 . . . . .16) Zapis polinoma pn u standardnoj bazi potencija 1.2. . c Da bismo jednostavno doˇli do tih generalizacija. i = 0. . ⎟= .2. xn 0 . (7. . .19) c Traˇene polinome i stupnja n.16) moˇemo zapisati kao z n pn (x) = i=0 f (xi ) i (x). . . (7. xn vodi na linearni sustav s Vandermondeovom matricom. ⎝. . moˇemo “pogoditi” z n i (x) = j=0 j=i x − xj . 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 ) := det ⎜ . x2 n . ili barem. . . ponovimo ukratko “izvod” i s konstrukciju Lagrangeove interpolacije polinomom.1) pokazali smo da vrijedi 1 ⎜ ⎜1 V (x0 . a za pripadnu Vandermondeovu determinantu (vidjeti teorem 7. Traˇeni polinom pn mora zadoz voljavati interpolacijske jednadˇbe z pn (xi ) = fi = f (xi ). . recimo.17) 1 xn c c Iz pretpostavke o medusobnoj razliˇitosti ˇvorova xk slijedi regularnost sustava i egzistencija i jedinstvenost polinoma pn . . . xi − xj i = 0. .2. Lagrangeova interpolacija nikako ne iscrpljuje sve mogu´e sluˇajeve interpoc c lacije polinomima.2. . x. . .2. (7. n. xn n ⎞ (xj − xi ). .2. c Ako definiramo n + 1 polinom { i (x)}n specijalnim interpolacijskim uvjetima i=0 i (xj ) := δij .

c s c c Polinomi hi. Ako definiramo polinom formulom n h2n+1 (x) = i=0 fi hi.2.1 . . za i.2. hi. U svakom ˇvoru xi .3 Pokaˇite da za funkcije Lagrangeove.2. hi. . s Postoji joˇ jedan sluˇaj koji se moˇe rijeˇiti jednostavnom formulom.0 (x) i hi. tj.0 (xj ) = 0. moramo ju dokazati posebno. a posebno s c z s ga tretiramo zbog vaˇnosti za teoriju numeriˇke integracije (preciznije.1 (x) polinomi stupnja 2n + 1 koji zadovoljavaju sljede´e relacije c hi. koji zadovoljava interpolacijske uvjete h2n+1 (xi ) = fi . c c gdje su xi medusobno razliˇite toˇke i fi . ˇto je mogu´e samo ako je identiˇki jednak nuli. .1 (xj ) = δij .4 Postoji jedinstveni polinom h2n+1 stupnja najviˇe 2n + 1. vriz jedi n n i (x) i=0 = 1. fi zadani realni brojevi. osim funkcijske vrijednosti fi = f (xi ). APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 348 Zadatak 7. hi. Gaussovih z c integracijskih formula). . n. . koji ima nultoˇke multipliciteta barem 2 u svakom ˇvoru interpolacije xi . Zadatak 7. Obzirom da iz gornjeg ne slijedi jedinstvenost. Dokaz. n.22) lagano provjerimo da h2n+1 zadovoljava uvjete teorema. .0 (x) = 1. zovu se funkcije Hermiteove baze.2.2 Dokaˇite da su funkcije Lagrangeove baze linearno nezavisne i ˇine z c skup izvodnica za prostor polinoma stupnja n. .0 (xj ) = δij . s Teorem 7. ˇto opravdava naziv baza.7. odnosno Hermiteove baze. .1 (x) . i = 0.20). j = 0. h2n+1 (xi ) = fi . i=0 hi.21) 2 hi. c interpoliramo i vrijednost derivacije fi = f (xi ).2. . z gdje su i funkcije Lagrangeove baze (7.0 (x) + fi hi. Neka c su hi.1 (x) = (x − xi ) i (x).0 (x) = [1 − 2(x − xi ) i (xi )] 2 (x) i (7. hi. a polinom h2n+1 obiˇno c se zove Hermiteov interpolacijski polinom. (7.2. sliˇno kao i za Lagrangeov polinom. Direktno moˇemo provjeriti da su hi. Egzistenciju polinoma h2n+1 (x) moˇemo dokazati konstruktivnim metoz dama — konstrukcijom eksplicitne baze. Neka je q2n+1 (x) bilo koji drugi polinom koji ispunjava interpolacijske uvjete teoc rema. Tada je h2n+1 (x) − q2n+1 (x) polinom stupnja ne ve´eg od 2n + 1.1 (xj ) = 0. barem 2n + 2 c c nultoˇke.0 .

. Izaberemo li neki xn+1 ∈ [xmin . . . . Iz uvjeta interpolacije znamo da je f (x) = h2n+1 (x) i f (x) = h2n+1 (x) za c x = x0 .2. (2n + 2)! c c z Ali kako je xn+1 proizvoljan.2). xn je oblika e(x) := f (x) − h2n+1 (x) = gdje su ξ i ω kao u teoremu 7.0 (x) + hi. . dobijemo c s F (xn+1 ) − h2n+1 (xn+1 ) = f (2n+2) (ξ) 2 ω (xn+1 ). Uvrstimo li taj rezultat u izraz za greˇku. xn . . xmax ] u n + 1 ˇvorova x0 . . . Na kraju.. Hermiteov interpolacijski polinom. Kako F (x) sada ima z (barem) n + 2 nule.1 (x) = x. xn .2. .4) funkcije f ∈ C (2n+2) [xmin . . i Za ocjenu greˇke Hermiteove interpolacije vrijedi vrlo sliˇan rezultat kao i za s c obiˇnu Lagrangeovu interpolaciju (teorem 7. jer su obje strane nula. . . . . . . .2.2.4 Pokaˇite da za funkcije Lagrangeove. No onda F ima bar 2n + 1 nula. Definiramo li F (x) = f (x) − h2n+1 (x) − Cω 2 (x). pa oˇekujemo da je f (x) − h2n+1 (x) ≈ Cω 2(x) za neku konstantu C. tj. Dokaz. Ona takoder c ima nule u x0 .2. odakle izraˇunamo C. . xn . naravno. na osnovu Rolleovog teorema. F ima n + 1 nulu u nekim toˇkama izmedu njih.2. vidimo da F ima nultoˇke multipliciteta 2 u x0 . c c c moˇemo odrediti konstantu C tako da vrijedi F (xn+1 ) = 0. moˇemo ga zamijeniti s proizvoljnim x. . Deriviranjem izraza c za F (x) dobijemo F (2n+2) (ξ) = f (2n+2) (ξ) − C(2n + 2)! = 0. . . i=0 i=0 (x − xi ) 2 (x) i (xi ) = 0. F 2n nula. xn . teos c rem 7. . . razliˇit samo od ˇvorova x0 . odnosno Hermiteove baze. . moˇemo zapisati i u “Newtonovom” obliku — koriste´i podijeljene razlike. xmax ] razliˇit od postoje´ih ˇvorova. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 349 Zadatak 7. . xn }. ali sada z c . vriz jedi n n xi hi. . pa dokaz slijedi. . (2n + 2)! f (2n+2) (ξ) 2 ω (x). itd. n. osim u “Lagrangeovom” obliku.7. oznaˇimo ju s ξ. pa ukupno ima (barem) 2n + 2 nula. . F (2n+2) ima barem jednu nulu u promatranom intervalu. Na kraju primijetimo da je gornji rezultat toˇan i za c x ∈ {x0 . F (xk ) = F (xk ) = 0 za c k = 0. c Teorem 7.5 Greˇka kod interpolacije Hermiteovim polinomom h2n+1 (x) (v.

Sto to znaˇi? Pokuˇajte ga sami izvesti! (Taj oblik ´emo c c s c kasnije uvesti i iskoristiti za zapis po dijelovima polinomne interpolacije. . l0 ld s uz ti = tj za i = j. Uputa: Konstrukcija Hermiteove baze postaje vrlo komplicirana (pokuˇajte!). s tim da je l0 + · · · + ld = n + 1. . xn ). . Pokaˇite da za svaki skup realnih brojeva {fij | j = 1. i = 0. td . l1 . s Zadatak 7. . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 350 ˇ i s dvostrukim ˇvorovima. . .) Ponekad se naziv “Hermiteova interpolacija” koristi i za op´enitiji sluˇaj proc c ˇirene Hermiteove interpolacije koji ukljuˇuje i viˇe derivacije od prvih. . . . . . . . takoder. j = 1. . oznaˇavamo s V (x0 . t1 . td zadani medusobno razliˇiti ˇvorovi i neka su c c d z l0 . .2. . . . formulirajte problem interpolacije s matriˇno i analizirajte determinantu dobivenog linearnog sustava. . . . . Op´eniti sluˇaj interpolacije funkcije i derivacija. .5 Neka su t0 . pa ju.17). . . koji obuhva´a gornje interc c c polacije kao specijalni sluˇaj. moˇe se zapisati na sljede´i naˇin. takoder. td .2. Ta determinanta c je generalizacija Vandermondeove determinante iz (7. li . . . . . osim n+1 njih. . . Tada problem nalaˇenja c z polinoma P (x) stupnja n koji zadovoljava Eij (P (j−1) (xi ) − cij ) = 0. xn ) = (tj − ti )li lj · 0≤i<j≤d d li −1 ν! . . stupnja ne ve´eg od n. . . m. . Problem proˇirene Hermiteove interpolacije. t0 . . Zato s zapiˇite hn kao linearnu kombinaciju potencija. . . i = 0. ima jedinstveno rjeˇenje. za koji vrijedi (j−1) hn (ti ) = fij . . i=0 ν=1 odakle slijedi egzistenicija i jedinstvenost polinoma hn . . . . . i = 0. . koji su jednaki 1. Dokaˇite da vrijedi c c c z V (x0 . Bitno s c s je samo da u odredenom ˇvoru xi interpoliramo redom funkcijsku vrijednost i prvih c nekoliko (uzastopnih) derivacija. ld zadani prirodni brojevi koji zadovoljavaju i=0 li = n + 1. . . d. 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 . . bez pretpostavke da su ˇvorovi razliˇiti. . . i neka je zadan skup od m + 1 toˇaka x0 < x1 < · · · < xm . d} c postoji jedinstveni polinom hn . j = 1. li . Neka je E matrica c z c c tipa (m+1)×(n+1) s elementima Eij koji su svi 0. . .7. Pretpostavimo da u ˇvoru xi koristimo li > 0 podataka (funkcija i prvih li − 1 c derivacija). n + 1. .

xk ] koristimo polinom stupnja m. ukupno (m + 1) · n koeficijenata. Interpolacijski uvjeti su ϕ(xk ) = fk . Jedan specijalni probc lem u kojem su ovi linearni funkcionali linearne kombinacije derivacija. z c c I na kraju. . .7.2) k = 0.xk ] = pk . c s z Zadatak 7. Umjesto toga. Svaki polinom pk stupnja m odreden je s (m+1)-im koeficijentom. tj. To joˇ ne osigurava s da je ϕ funkcija jer je mogu´a dvoznaˇnost u dodirnim toˇkama podintervala. c s 7.3. k = 1. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 351 za neki izbor brojeva cij . pa se u praksi ne smije koristiti. na svakom podintervalu vrijedi ϕ [xk−1 . Za razliku od polinomne interpolacije funkcijskih vrijednosti.3.3. donekle je prouˇen. da vrijedi a = x0 < x1 < · · · < xn = b. zovemo Hermite–Birkhoffovim interpolacijskim problemom. Ukupno moramo odrediti koeficijente polinoma pk u n podintervala. gdje su pk polinomi niskog (ali fiksnog) stupnja. spomenimo da i time problem nije do kraja iscrpljen. . Taj se problem ˇesto naziva proˇirena Hermite–Birkhoffova interpoc c s lacija. (7.2. z s koristi se po dijelovima polinomna interpolacija. ovdje pretpostavljamo da su rubovi podintervala interpolacije c uzlazno numerirani. 2. da je ϕ [xk−1 . problem moˇe i nemati rjeˇenje. tj. . tj. ˇto za svaki polinom daje po 2 uvjeta s pk (xk−1 ) = fk−1 pk (xk ) = fk . . Idenc z s tifikacija matrica E koje vode na regularne sisteme jednadˇbi ve´ je dosta izuˇena. k = 1. k = 1. . U punoj op´enitosti. n. . ali o c c c tome ´emo voditi raˇuna kod zadavanja uvjeta interpolacije. gdje je bilo dovoljno da su ˇvorovi interpolacije c medusobno razliˇiti. . . . . (7. c c Preciznije. Interpolacija po dijelovima polinomima U proˇlom smo poglavlju pokazali da polinomna interpolacija visokog stupnja s moˇe imati vrlo loˇa svojstva.xk ] = pk . . .6 Zapisom polinoma P u standardnoj bazi potencija formulirajte matriˇno problem proˇirene Hermite–Birkhoffove interpolacije. kako je formuliran. n. . pretpostavimo da na svakom podintervalu [xk−1 . tj. n. . . n.1) . a u vezi je s numeriˇkim metodama za rjeˇavanje diferencijalnih jednadˇbi. Mogu´e je umjesto c derivacija zadavati razne linearne funkcionale u ˇvorovima.

k = f [xk−1 ] = fk−1 fk − fk−1 c1. za po c dijelovima linearnu interpolaciju. c c c Tek tada moˇemo raˇunati koeficijente pripadnog linearnog polinoma. k = 1. a moramo na´i (m + 1) · n koefic cijenata.k + c1. . . pa odmah vidimo da vrijedi c0. high := n.1. xk − xk−1 k = 1. . polinom pk je jedinstveno odreden. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 352 a ukupno daje 2n uvjeta interpolacije.k (x − xk−1 ) za x ∈ [xk−1 . n. n. tj za koji k vrijedi xk−1 ≤ x ≤ xk . prvo treba z c prona´i izmedu kojih se ˇvorova toˇka x nalazi. . . xk ]. n. z z Algoritam 7.7.3. . z c Za traˇenje tog intervala koristimo algoritam binarnog pretraˇivanja. Uoˇimo da smo postavljenjem prethodnih c uvjeta interpolacije osigurali neprekidnost funkcije ϕ. while (high − low ) > 1 do begin . tj. . Primijetimo da uvjeta interpolacije ima 2n. Za m > 1 moraju se dodati uvjeti na glatko´u interpolacijske funkcije ϕ u c ˇvorovima interpolacije. . Obiˇno c ga zapisujemo relativno obzirom na poˇetnu toˇku intervala (razlog je stabilnost) u c c obliku pk (x) = c0. Po dijelovima linearna interpolacija Osnovna ideja po dijelovima linearne interpolacije je umjesto jednog polinoma visokog stupnja koristiti viˇe polinoma. . . xk ] = . xk ]. jer je pk−1 (xk−1 ) = pk (xk−1 ). b]. s Na svakom podintervalu [xk−1 . Ako ˇelimo aproksimirati vrijednost funkcije f u toˇki x ∈ [a. Bez dodatnih uvjeta to je mogu´e napraviti samo za m = 1.1 (Binarno pretraˇivanje) z low := 0.k = f [xk−1 . z Interpolacijski polinom pk moˇemo zapisati u Newtonovoj formi pk (x) = f [xk−1 ] + f [xk−1 . k = 2. ali stupnja 1. . c 7.3. . xk ] · (x − xk−1 ).

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

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

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

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

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

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

recimo x0 i susjednim toˇkama x1 . s z Ipak. . . xn . . . x1 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 359 Odatle. s a en (x) greˇka interpolacijskog polinoma en (x) = ω(x) f (n+1) (ξ). x1 ] + (x0 − x1 )f [x0 . . xn ]. na primjer ako su toˇke dobivene mjerenjem.7. (n + 1)! Deriviranjem interpolacijskog polinoma. Definiramo li. u cijelom ovom pristupu ima jedan problem. funkciju f moˇemo napisati (vidjeti relaciju z (7. gdje je pn (x) interpolacijski polinom napisan. recimo. xn ]. . . odmah slijedi da je xe toˇka lokalnog c maksimuma za |ω| i |ω(x)| ≤ |ω(xe )| ≤ (xk − xk−1 )4 . a zatim uvrˇtavanjem x = x0 dobivamo s pn (x0 ) = f [x0 . uz z s s n+1 pretpostavku da je f klase C [a. . Numeriˇko deriviranje c Problem koji trebamo rijeˇiti je kako aproksimirati derivaciju diferencijabilne s funkcije f u nekoj toˇki. c s 7. 4! 16 384 Drugim rijeˇima. Vrlo ˇesto derivacije funkcije c u toˇkama interpolacije nisu poznate. b] moˇemo pisati c z |f (x) − ϕ(x)| ≤ M4 h4 1 = M4 · h4 . c Taj problem moˇemo rijeˇiti koriˇtenjem interpolacijskog polinoma. xk ]. prijelazom na apsolutnu vrijednost. x1 . x1 . b]. . .2. 1≤k≤n na ˇitavom [a. tada moˇemo aproksimirati prave vrijednosti derivacije koriˇtenjem vrijednosti z s funkcije u susjednim toˇkama. u Newotnovoj formi pn (x) = f [x0 ] + (x − x0 )f [x0 . Ostaje joˇ samo pokazati kako. ponovno.6)) kao f (x) = pn (x) + en (x). x1 ] + · · · + (x − x0 ) · · · (x − xn−1 )f [x0 . koriˇtenjem samo c c s vrijednosti funkcije f u zadanim toˇkama. . x2 ] + · · · + (x0 − x1 ) · · · (x0 − xn−1 )f [x0 . c c No. . . maksimalni razmak ˇvorova c h = max {hk = xk − xk−1 }. Tada.4. tako da h → 0. onda c c c i maksimalna greˇka teˇi u 0.3. 16 ∀x ∈ [xk−1 . ako ravnomjerno pove´avamo broj ˇvorova.

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

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

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

To predstavlja c s z znaˇajni gubitak toˇnosti. kao ˇto bismo ˇeljeli. 2]. ε2/3 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 363 maksimalnu greˇku odbacivanja kod aproksimacije derivacije podijeljenom razlikom. daljnje smanjivanje koraka h samo pove´ava c c c greˇku! s Isti problem se javlja. jer c ε M3 + h=0 2 h 3 z izlazi da se lokalni. dobivamo c c s 2/3 da je ona reda veliˇine O(ε ). a ne O(ε). Primjer 7. Taj minimum se lako raˇuna.3. a p2 na [1.1 Nadite po dijelovima kubiˇnu Hermiteovu interpolaciju za podatke c xk fk fk 0 1 0 1 2 1 2 0 . c h0 h Odmah vidimo da e(h) ima minimum po h. 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 . To pokazuje da ˇak i u najboljem sluˇaju. Posebno. 1]. uvedimo joˇ . treba povu´i dva kubiˇna polinoma p1 i p2 . u formulama viˇeg reda za s s aproksimaciju derivacija. Polinom p1 je dio funkcije c c c c s ϕ na intervalu [0. s Zelena boja oznaˇava njihov zbroj e(h). i to u joˇ ozbiljnijem obliku.7. 1 Oˇito. kad je ukupna greˇka najmanja.Prije raˇunanja ovih polinoma.

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

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

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

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

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

xk ] − sk−1 +2 hk hk f [xk .3.3). xk+1 ] = − . hk Uvrˇtavanjem u (7. Kako se oni biraju. k = 1.7.k = c2. to ostavimo za kasnije.k+1 (x − xk ). Zbog toga. . s c c Ako polinome pk piˇemo u formi (7. onda je pk (x) = 2c2. .5) Ostaje samo izraziti koeficijente ci. imamo ukupno 4n − 2 uvjeta. Ponovimo c3.k (x − xk−1 ) pk+1 (x) = 2c2.k (x − xk−1 ) + c2.k u terminima fk i sk iz relacija koje su dobivene iz uvjeta ljepljenja prvih derivacija.k+1.k (xk − xk−1 ) = c2. tj. (7. To nam omogu´ava da c c c sk -ove odredimo i na neki drugi naˇin. Dakle.k (x − xk−1 )2 + c3. relativno obzirom na poˇetnu toˇku podintervala. .k + 3c3. h2 k f [xk−1 . xk ] . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 369 polirati rubne toˇke svog podintervala) ima 2n. uvjet ljepljenja glasi c z c2.k (xk − xk−1 ) pk+1 (xk ) = 2c2. a jednako je toliko i c c uvjeta ljepljenja druge derivacije.3.k+1 + 6c3. podijelimo li prethodne jednadˇbe s 2. xk ] f [xk−1 . pk (xk ) = 2c2.5).3.k + c1. Uvjeta ljepljenja prve derivacije u c unutarnjim toˇkama ima n − 1 jer je toliko unutarnjih toˇaka. a moramo odrediti 4n koeficijenata. pa je Drugim rijeˇima.k . ostaje nam samo postaviti uvjete c ljepljenja druge derivacije u unutarnjim ˇvorovima. Zahtjev je c pk (xk ) = pk+1 (xk ). xk+1 ] − sk sk+1 + sk − 2f [xk . prva derivacija se lijepi c u unutarnjim toˇkama ˇim postavimo zahtjev da je ϕ (xk ) = sk u tim toˇkama. Za poˇetak. Odmah vidimo da nam nedostaju 2 uvjeta da bismo te koeficijente mogli odrediti.k sk + sk−1 − 2f [xk−1. n − 1.k + 6c3. xk ] − sk−1 = − hk c3. .k + 6c3.k (x − xk−1 )3 . hk+1 hk+1 .k+1 . dobivamo s sk + sk−1 − 2f [xk−1 . 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). ako je pk (x) = c0.

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

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

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

APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 373 dobivamo f [x0 . x2 ] 1 h2 s0 + (h1 + h2 )s1 = . . 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. xn ] + h2 f [xn−2 . x2 ] − s1 +2 = − h2 . . . nego 0. s Objasnimo joˇ porijeklo naziva “not-a-knot” za ovaj tip odredivanja dodatnih s jednadˇbi. Dakle. nisu “pravi” ˇvorovi splajna. funkcija ϕ ima neprekidne z c c druge derivacije u unutarnjim ˇvorovima x1 . to ne znaˇi da ˇvorove x1 i xn−1 moˇemo izbaciti. c s ˇ Cvorovi multipliciteta 0. naravno. x1 ] + h2 f [x1 . te toˇke ostaju ˇvorovi interpolacije. jer se tre´e derivacije polinoma pk i pk+1 ne c c c moraju zalijepiti u xk . u terminologiji teorije splajn funkcija. poˇev od zadnje netrivijalne. kubiˇni splajn je klase C 2 [a. Dakle. . onda je njihova tre´a derivacija ujedno i zadnja netrivijalna derivacija c c (sve viˇe derivacije su nula). Kad uzmemo u obzir da su svi polinomi pk kubiˇni. izlazi (h1 + 2(h1 + h2 ))h2 f [x0 . greˇka aproksimacije za funkcijske vrijednosti je O(h4 ). c c Medutim. xn−1 . . . x1 ] − s0 s1 + s0 − 2f [x0 . . x1 ] s1 + s0 − 2f [x0 . b]. n − 1.7. c Ova ˇinjenica. za k = 1. 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 . hn−1 + hn−2 Kao i dosad. Standardno. odgovara tome da svi c unutarnji ˇvorovi splajna imaju multiplicitet 1. iako nisu ˇvorovi splajna u smislu pucanja c c c derivacija. U c tom smislu. xn−1 ] n . pove´anje glatko´e splajna u (unutarnjem) ˇvoru smanjuje multiplicitet c c c tog ˇvora. Tre´a derivacija funkcije ϕ c op´enito “puca” u tim ˇvorovima. . jer eventualne dodatne jednadˇbe z prirodno dodajemo sustavu kao prvu i zadnju. jer je multiplicitet ˇvora jednak c c broju zadnjih derivacija koje pucaju ili mogu pucati u tom ˇvoru (derivacije se c broje unatrag. jer u njima i dalje c c z moraju biti zadovoljeni uvjeti interpolacije ϕ(x1 ) = f1 i ϕ(xn−1 ) = fn−1 . b] koje nisu ˇvorovi). x1 ] f [x1 . (f) Ostali rubni uvjeti Svi dosad opisani naˇini zadavanja rubnih uvjeta “ˇuvaju” trodijagonalnu c c strukturu linearnog sustava za parametre sk . jer u njima nema c pucanja derivacija (jednako kao i u svim ostalim toˇkama iz [a. . h1 h1 h2 h2 1 Sredivanjem. koja odgovara stupnju polinoma). zadnja netrivijalna derivacija splajna puca u s unutarnjim ˇvorovima. tj.

Za desnu stranu sustava trebamo izraˇunati prve podijeljene razlike c xk 0. 4. Izraˇunajte vrijednost tog splajna u toˇki 0. periodiˇke rubne uvjete.0 fk 0.9510565163 0. . Dobiveni linearni sustav viˇe nije trodijagonalan.5877852523 0. c Nadite prirodni splajn koji aproksimira funkciju f na [0.6 0.2.5877852523 0.9389262615 1. Da bismo oˇuvali periodiˇnost.8 1. . Za njegovo rjeˇavanje postoje s s efikasni algoritmi (sloˇenost ostaje linearna u n). xk ] + hf [xk .0 0. xk+1 ]).3. ˇto vodi na jednadˇbe s z p1 (x0 ) = pn (xn ).0000000000 f [xk .8163563200 −2. c ovakvi oblici zadavanja rubnih uvjeta nisu pogodni. za k = 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 374 Za aproksimaciju periodiˇkih funkcija na intervalu koji odgovara periodu. . jednadˇbe linearnog c c z sustava za splajn su hsk−1 + 4hsk + hsk+1 = 3(hf [xk−1 .2 Neka je f (x) = sin(πx). xk+1 ] 2. dozvoljeno je i kombinirati razne oblike rubnih uvjeta u c jednom i drugom rubu.3.7. . Primjer 7. U praksi se najˇeˇ´e koristi zahc c sc tjev periodiˇnosti prve i druge derivacije na rubovima c ϕ (x0 ) = ϕ (xn ). . Budu´i da su toˇke ekvidistantne s razmakom h = 0. x5 ].0000000000 −1. 1] s ˇvorovima interpolacije c c xk = 0. ϕ (x0 ) = ϕ (xn ).0000000000 0. . x1 ] s4 + 2s5 = 3f [x4 .9389262615 k = 1. s c U sluˇaju potrebe.4 0.8163563200 0. Dodatne jednadˇbe (prva i zadnja) za prirodni splajn su z 2s0 + s1 = 3f [x0 . . 5.1 Pokuˇajte na´i jedan takav algoritam.2k. p1 (x0 ) = pn (xn ). c c prirodno je postaviti tzv. . .55.2 0. z Zadatak 7.9510565163 0.

9510565163 + 0. x3 ] = [0.8 0.6 fk 0.9510565163 f [1] [xk ] 0.55 nalazi u intervalu [x2 .9699245271 f [2] [xk ] f [3] [xk ] ⎤ ⎡ ⎤ ⎡ ⎤ −4. s2 = −s3 = 0.0000000000 Odavde odmah slijedi da je taj kubiˇni polinom jednak c p3 (x) = 0.6 0.4 0.8 0. kao i prirodni splajn.4 0. s c funkcija j=0 f (j) (0. prve derivacije s c 3 2 O(h ).0000000000 −0.2 0.6992452715 −0.9876883406 0. s1 = −s4 = 2. tj.0002596545 prva derivacija j=1 −0.0898137920 ⎥ ⎢ ⎥ ⎢s ⎥ ⎢ −1. kojeg nalazimo iz tablice podijeljenih razlika xk 0. Greˇka aproksimacije funkcije je reda veliˇine O(h4 ).5392953786.4849622636 −0.2 ⎥ ⎢ s1 ⎥ ⎢ 2.6].2 s0 1. . Budu´i da se toˇka x = 0.8496226357 0.0064911026 druga derivacija j=2 −9. 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 375 Iz svih ovih podataka dobivamo linearni sustav ⎡ 0.4914533661 −0.7480931932 −9.7633557569 ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ 0.0488479218 Vidimo da su aproksimacije vrlo toˇne.4 0.7.9699245271(x − 0. a druge derivacije O(h ).2 0.2 ⎦ ⎣ s4 ⎦ ⎣ −2.9874286861 0. Pogledajmo joˇ aproksimacije za funkciju.9510565163 0.2 0.2 ⎢ ⎥ ⎢ 3⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣ 0.4) − 4. To je zato ˇto c s funkcija f (x) = sin(πx) zadovoljava prirodne rubne uvjete f (0) = f (1) = 0.4.2 0.1387417029.9510565163 0.4)2 .8531695489 ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ s2 ⎥ ⎢ ⎥ 0.8531695489 ⎦ 0.9699245271.55.2 0.2 ⎢ ⎥·⎢ ⎥ = ⎢ 1. restrikcija c c splajna na taj interval je polinom p3 . iako je h relativno velik.9510565163 0.0898137920 ⎥ 0. prvu i drugu derivaciju u toˇki 0.4 −1.8496226357 −4.55) greˇka s 0.8 0.7633557569 s5 Rjeˇenje tog linearnog sustava za “nagibe” sk je s s0 = −s5 = 3.8 0.55) ϕ(j) (0.9699245271 0. p3 je zapravo kvadratni polinom.8496226357(x − 0.

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

x ∈[xi . a ω(f ) je (oˇito) najve´a oscilacija po svim podintervalima mreˇe.1 Ako je f ∈ C[a. xN ]. odnosno. U dokazima ´emo koristiti jednu sporednu lemu. b] zadanoj s (7. . . xi+1 ]. jer moˇemo uzeti ξ = a ili ξ = b.1. c Lema 7. (2) s ∈ C n−1 [x0 . N. u raznim normama c koje se koriste za aproksimaciju. β = 0. uz ξ = b. . Ako je f (a) = f (b) tvrdnja je oˇigledna. b] i α. uz ξ = a. Algoritam za raˇunanje je trivijalan. N − 1. Ako je prostor polinomnih splajnova S(n) stupnja n c definiran zahtjevima: (1) s ∈ S(n) =⇒ s|[xi. Linearni splajn Najjednostavniji linearni interpolacijski splajn S1 odreden je uvjetom globalne neprekidnosti i uvjetom interpolacije S1 (xi ) = fi . i ˇto je potrebno za s s precizan matematiˇki dokaz. c c z . . . pokaˇite da je S(n) vektorski prostor. i = 0. i = 0.7. z z 7. b] tako da vrijedi αf (a) + βf (b) = (α + β)f (ξ).4. . na mreˇi ˇvorova — subdiviziji segmenta [a. pa zbog neprekidnosti postoji ξ ∈ (a. N − 1. .xi+1 ] 0≤i≤N −1 max |f (x ) − f (x )|. tada postoji ξ ∈ [a. pa moˇemo odmah ispitati pogreˇku. i dokaˇite da je dim S(n) = n + N. . b) tako da je ψ(ξ) = 0.4.1).4. odnosno.xi+1 ] ∈ Pn (Pn je prostor polinoma stupnja n). Za precizno odredivanje reda konvergencije aproksimacija neprekidne funkcije f zgodno je uvesti oznake ωi (f ) = x . .4. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 377 Zadatak 7. . Dokaz. ω(f ) = max ωi (f ).1 Nadite ˇto je u gornjoj diskusiji neformalno. Oˇito imamo z c c S1 (x) = fi xi+1 − x x − xi x − xi + fi+1 = fi + (fi+1 − fi ). razmotriti svojstva interpolacijskog liz s nearnog splajna obzirom na glatko´u funkcije koja se interpolira. c gdje je hi = xi+1 − xi . za i = 0. hi hi hi x ∈ [xi . . c z Ako je f (a) = f (b). Tvrdnja vrijedi i ako je α = 0. β imaju isti znak. . Vrijednost ωi (f ) zovemo oscilacija funkcije f na podintervalu [xi . xi+1 ]. tada funkcija ψ(x) = αf (a) + βf (b) − (α + β)f (x) poprima suprotne predznake na krajevima intervala.

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

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

Ako je prva derivacija ograniˇena i integrabilna.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. odakle slijedi |E(x)| ≤ t(1 − t) hi ωi (Df ). APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 380 Ako je f ∈ C[a. xi+1 ]. 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.4. pa opet ocjenom parabole na desnoj strani dobijemo da vrijedi |E(x)| ≤ 1¯ h ω(Df ). fi+1 = f (x) + x Df (v) dv. fi+1 = f (x) + (1 − t) hi Df (η).2) dobijemo E(x) = t(1 − t) hi (Df (η) − Df (ξ)). Kako parabola 2t(1 − t) ima maksimum 1/2 u t = 1/2.1 postoji ξ ∈ [xi . onda prema Lemi 7. Supstitucijom u (7. η ∈ [xi .4. vrijedi c xi xi+1 fi = f (x) + x Df (v) dv. ξ. b]. Prema Taylorovoj c z formuli s Lagrangeovim oblikom ostatka fi = f (x) − t hi Df (ξ).4. 4 .7. b] klase C 1 na svakom podintervalu mreˇe (eventualni z prekidi prve derivacije mogu biti samo u ˇvorovima mreˇe). xi+1 ] takav da vrijedi E(x) = f (ξ) − f (x). pa je |E(x)| ≤ ωi (f ) ≤ ω(f ). Supstitucijom u (7. dokazali smo da vrijedi |E(x)| ≤ 1¯ h Df 2 ∞.

4. trebalo bi dopuniti ili c popraviti direktni teorem! Ocjena optimalnosti konstanti je neugodan problem. i tako redom? Teoremi koji se bave problematikom kao u (2) zovu se inverzni teoremi teorije aproksimacija. ako f ima na svakom podintervalu ograniˇenu i integrabilnu drugu c derivaciju. da li smo zbog tehnike dokazic vanja napravili na nekom mjestu pregrubu ocjenu. z (1) Da li su navedene ocjene najbolje mogu´e. h3 . moˇemo li dobiti c c z sve bolje i bolje ocjene za greˇku.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. Odavde lako slijedi |E(x)| ≤ 1 2 hi t(1 − t) D 2 f 2 ∞ ≤ 1 ¯2 h D2f 8 ∞. U ve´ini sluˇajeva to su iskazi tipa “red aproksimacije naveden u c c direktnom teoremu je najbolji mogu´i”. toˇnije. s c ocjene s h2 .4.2 Dokaˇite da se u sluˇajevima (3) i (4) teorema 7. Teoremi poput teorema 7.1 pripadaju grupi teorema koji se nazivaju direktni teoremi teorije aproksimacija. Iako u daljnjem ne´emo slijediti ovaj pristup c do krajnjih detalja. ¯ h D2f ≤ 2 ∞. u sluˇaju linearnog splajna. da nije tako. na primjer. 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. Doista.4. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 381 Na kraju.7. tj. primijetimo da se prirodno pojavljuju dva vaˇna pitanja. da vrijedi: s c (3) DS1 (x) − Df (x) (4) DS1 (x) − Df (x) ∞ ∞ ≤ ω(Df ).4.1 moˇe ocijeniti z c z i greˇka u derivaciji. iskoristili nedovoljno “finu” nejednakost. pa iz formule (7. 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. koji . Zadatak 7.

N − 1. . . .4 Ako je f ∈ C[a. . .4. z Sliˇni su i tzv. prvi je netrivijalni sluˇaj po dijelovima kubiˇnih splajnova s c c globalno neprekidnom derivacijom. za i = 0. Definicija 7.7. Iako se u daljnjem ne´emo baviti op´im teoremima aproksimacije. Koriste´i Hermiteovu bazu iz teorema 7.3) .4. .4 na svakom podintervalu mreˇe c z [xi .4.2. c Zadatak 7. DH(xi ) = fi . fi . . b] koja zadovoljava (1) H(x) = ai0 + ai1 (x − xi ) + ai2 (x − xi )2 + ai3 (x − xi )3 .3 Pokaˇite da u sluˇaju (4) teorema 7. b]. ali red aproksimacije z ´e ostati h2 . 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. 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. . xi+1 ]. . tada vrijedi i = 0. N. N. hi (7.4. c z s 7. za svaki x ∈ [xi . raniju diskusiju). pa je ocjena ujedno i najbolja mogu´a.4.1 Neka su u ˇvorovima a = x0 < x1 < · · · < xN = b zadane vric c jednosti fi . za i = 0. teoremi zasi´enja teorije aproksimacija. Hermiteov kubiˇni splajn c Kao i u sluˇaju Hermiteove interpolacije polinomima. nedostaje mu “snage aproksimacije”. c Zadatak 7. xi+1 ]. da vrijedi “=” umjesto “≤”.4. . lagano vidimo da vrijedi H(x) = ϕ1 (t)fi + ϕ2 (t)fi+1 + ϕ3 (t)hi fi + ϕ4 (t)hi fi+1 . to je efekt superkonvergencije. i 2 Iz toga moˇemo zakljuˇiti da red aproksimacije derivacije u specijalno izabranim z c toˇkama moˇe biti i viˇi od optimalnog. Hermiteov interpolacijski kubiˇni splajn je funkcija 1 H ∈ C [a.2.1 funkcija f (x) = x2 igra z c ulogu ekstremale. tj. xi+1 ]. = Df xi + hi + O(h2 ). svi direktni teoremi koji c c slijede optimalni su u smislu postojanja odgovaraju´ih inverznih teorema i teorema c zasi´enja. Sam prostor u kojem se aproksimira jednostavno ne moˇe toˇnije reproc z c ducirati funkciju koja se aproksimira. . t= x − xi . Ako preskoˇimo paraboliˇke splajnove c c (v. (2) H(xi ) = fi . za linearni splajn moˇemo staviti da je f ∈ C ∞ [a. b] DS xi + hi 2 N −1 i=0 C 3 [xi . . moˇemo razmatrati i c z Hermiteovu interpolaciju splajn funkcijama.

32 L3 [xi . b] N −1 i=0 ≤ 1 ¯2 h ω(D 2 f ). xi+1 ] tada je ∞ H(x) − f (x) (4) ako je f ∈ C 1 [a.4. 8 ≤ 1 ¯2 h D2f 16 ∞. xi+1 ] tada je ∞ ∞ H(x) − f (x) ≤ 1 ¯3 h D3f 96 ∞. (7. viˇe teorijska nego s praktiˇna. .2 Za Hermiteov kubiˇni splajn. ϕ3 (t) = t(1 − t2 ). N − 1. preostaje c c sc nam samo da ih aproksimiramo iz zadanih vrijednosti funkcije. C 2 [xi . U tom smislu koristit ´emo sljede´i direktni c s c c c teorem. (7. . ovisno o glatko´i funkcije f .4.4. . hi fi+1 − fi − fi . b] N −1 i=0 ∞ ∞ ≤ 3¯ h ω(Df ).7. Teorem 7. Bi = Ai + hi Ai = −2 za i = 0. Napomenimo joˇ samo da kod raˇunanja treba prvo izraˇunati koeficijente Ai i Bi s c c formulama fi+1 − fi + (fi + fi+1 ). To je problem pribliˇne Hermiteove interpolacije. ϕ2 (t) = t2 (3 − 2t). Vrijednost Hermiteove interpolacije je. ϕ4 (t) = −t2 (1 − t). Za zadanu toˇku x ∈ [xi . i tada ne moˇemo viˇe oˇekivati isti red z z s c konvergencije. . b] tada je H(x) − f (x) (2) ako je f ∈ L2 [a. Hermiteov splajn raˇunamo formulom c H(x) = fi + (thi ) [fi + t(Bi + tAi )]. kao ˇto ´emo vidjeti kasnije. . b] tada je ∞ H(x) − f (x) (3) ako je f ∈ C 1 [a. xi+1 ]. medutim. vrijede c c sljede´e uniformne ocjene pogreˇke: c s (1) ako je f ∈ C 1 [a.5) Obzirom na ˇinjenicu da su nam derivacije fi najˇeˇ´e nepoznate. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 383 gdje je ϕ1 (t) = (1 − t)2 (1 + 2t).4) c i zapamtiti ih.

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

η 2(3 − 2t) Iz (7. 2 ψ1 (t. [0.4.6) 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 (¯)}. jer ψ1 (t. τ ∗ ) = 0 za τ ∗ = t/(1 + 2t). τ ∗ ) ∪ [τ ∗ . dobivamo ocjenu |E(x)| ≤ 2h2 t2 (1 − t)2 i ωi (D 2 f ). z t τ∗ t ψ1 (t. τ ) D 2 f (xi + τ hi ) dτ = 0 (1 − t)2 t2 ¯ {4(1 − t2 ) D 2f (ξ) − D 2 f (¯)}. s s c Ako je f po dijelovima klase C 3 . t] = [0. pa teorem srednje vrijednosti za integrale moˇemo upotrijebiti po dijelovima. τ ) = (1 − t)2 τ t − ⎧ t ⎨ ⎩ 0 1 ψ1 (t. 2 (3 − 2t)(1 − τ ) ψ2 (t. τ ) = t2 (1 − τ ) − (1 − t) + . τ ) dτ + D f (η) τ∗ 2 ψ1 (t. toˇnije ψ1 (t.1 na neprekidne funkcije istog znaka. t]. Medutim. τ ) D 3 f (xi + τ hi ) dτ ⎫ ⎬ ⎭ . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 385 Ne moˇemo upotrijebiti teorem o srednjoj vrijednosti za integrale. τ ) D 3 f (xi + τ hi ) dτ + t ψ2 (t. 2(1 + 2t) ψ2 (t. 32 i ˇto dokazuje ocjenu (3). τ ) miz jenja znak. η Primijenimo li lemu 7. .4. τ ) dτ = Analogno t t (1 − t) {4t2 D 2 f (η) − D 2 f (ξ)}.7. sliˇno dobivamo c E(x) = h3 i gdje su sada (1 + 2t)τ . 3 + 4t(1 − t) Maksimalna vrijednost desne strane postiˇe se za t = 1/2. odakle slijedi z |E(x)| ≤ 1 2 h ωi (D 2 f ). τ ) D f (xi + τ hi ) dτ = D f (ξ) 0 2 0 2 2 2 ψ1 (t. Ocjena (2) proizlazi lagano iz iste ocjene greˇke po toˇkama. c a na svakom od podintervala ψ1 je konstantnog znaka.

1]. 1. Prema proˇlom zadatku. tada je 1 ⎨ E(x) = h4 ⎩ 6 i gdje su ⎧ t 1 ψ1 (t. τ ) = (1 − t)2 τ 2 [−3t + (1 + 2t)τ ]. a osnovni eksponenti ef i “mjere” funkcije Mf ovise samo o klasi funkcije (ne i o r). Uvjerite c c se da ocjene imaju smisla samo za r ≤ ef . 2.4. ocjene treba traˇiti u obliku c s z D r H(x) − D r f (x) ∞ ¯ ≤ Cr hef −r Mf . t2 (1 − t)2 4 hi D 4 f |E(x)| ≤ 4! pa zakljuˇujemo da vrijedi c ∞. 2. Sliˇno slijedi i ocjena (4). a dokazuju se sliˇnom tehnikom.6 Pokuˇajte za prvih pet sluˇajeva (klasa glatko´e funkcije f ) iz teos c c rema 7. xi+1 ] (sluˇaj (6) iz prethodz c ∞ i=0 nog teorema) vrijede sljede´e ocjene za derivacije: c √ 3 ¯3 h D4f ∞. ψ2 (t. τ ) = t2 (1 − τ )2 [−3(1 − t) + (3 − 2t)(1 − τ )].7. ⎫ ⎬ ψ1 (t.5 Pokaˇite da za f ∈ C 1 [a. (7. 12 1¯ D 3 H(x) − D 3 f (x) ∞ ≤ h D 4 f ∞ . gdje su Cr konstante ovisne o r. pa slijedi |E(x)| ≤ 2 3 t2 (1 − t)3 ωi (D 3 f ). APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 386 Zbog simetrije. DH(x) − Df (x) ∞ ≤ 216 1 ¯2 D 2 H(x) − D 2 f (x) ∞ ≤ h D4f ∞. 1/2]. h 3 i (3 − 2t)2 ∞.4.4. . τ ) D 4 f (xi + τ hi ) dτ ⎭ . r ∈ {0. za s Na kraju. b] N −1 L4 [xi .7) Odavde se lagano dobije ocjena za E(x) ∞. t ∈ [0. 3. dovoljno je razmatrati t ∈ [0. Zadatak 7. pa se mogu “proˇitati” iz teorema (r = 0). tj. 2 Uputa: Treba derivirati integralnu reprezentaciju za E(x). Zadatak 7. na´i integralnu reprec zentaciju za D k E(x). τ ) D 4 f (xi + τ hi ) dτ + 0 t ψ2 (t. c Maksimalna greˇka je u xi + hi /2. ako f ima ograniˇenu i integrabilnu ˇetvrtu derivaciju na svakom c c podintervalu.2 izvesti sliˇne ocjene za one derivacije koje imaju smisla obzirom na c pretpostavljenu glatko´u. 3}.4. k = 1. tj. Odavde slijedi ocjena greˇke za E(x) s t = 1/2.

gdje je E Youngov modul elastiˇnosti ˇtapa.3. U matematiˇkom smislu pojavljuje se prvi put u radovima c Eulera. godine. “spline”) oznaˇava elastiˇnu letvicu koja se mogla z c c uˇvrstiti na rebra brodova kako bi se modelirao oblik oplate.7 (Superkonvergencija) Uz pretpostavke dodatne glatko´e funkcije c f . a c z i i 2 c tre´a s O(hi ). Toˇnije. do rjeˇavanja rubnih problema za obiˇne diferencijalne s c jednadˇbe. i 1920 h2 D 3 H(x∗ ) = D 3 f (x∗ ) + i D 4 f (x∗ ) + O(h3 ). Od svih splajn funkcija. jer traˇimo ve´u glatko´u. od aproksis c macije u raznim normama. ali c ne i njezine derivacije. oko 1700. u posebno izbaranim toˇkama moˇe se dobiti i viˇi red aproksimacije pojedinih c z s derivacija funkcije f .4.4.7. toˇna etimologija rijeˇi c c c pomalo je zaboravljena. Takav splajn zovemo kubiˇni z c c c interpolacijski splajn. i da ne s . i 540 DH(x∗ ) = Df (x∗ ) − c Nadite uz koje pretpostavke dodatne glatko´e funkcije f vrijede ove tvrdnje i ocjene. z 7. Potpuni kubiˇni splajn c Zahtijevamo li neprekidnost druge derivacije od po dijelovima kubiˇnih funkc cija. Pretpostavimo li da je ˇtap izraden od homogenog materijala. i slijedi mehaniˇku definiciju elastiˇnog ˇtapa. dolazimo prirodno na definiciju potpunog kubiˇnog splajna. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 387 Zadatak 7. (a) U toˇkama x∗ := xi + hi /2 prva derivacija moˇe se aproksimirati s O(h4 ). kubiˇni interpolacijski splajn je vjerojatno najviˇe c s koriˇten i najbolje izuˇen u smislu aproksimacije i brojnih primjena. Cilj nam je razmotriti algoritme za konstrukciju s c kubiˇnih splajnova koji interpoliraju zadane podatke — vrijednosti funkcije. koji se ˇesto c c joˇ zove i samo kubiˇni splajn. a I moment inercije presjeka ˇtapa oko c s s njegove osi. Toˇnije. vrijedi c h4 i D 4 f (x∗ ) + O(h5 ). i dokaˇte ih. i 40 √ z (b) U toˇkama xi := xi + (3 ± 3)hi /6 druga derivacija moˇe se aproksimirati s c ¯ c O(h3 ). vrijedi i √ 3 3 hi 5 2 2 x x x D H(¯) = D f (¯) ± D f (¯) + O(h4 ). Ime “splajn” (eng. 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).

ukupno imamo 4N koeficijenata koje treba odrediti. Dakle. xi+1 ]. (periodiˇki rubni uvjeti). splajn odreden periodiˇkim rubnim uvjetima (R4) zove se periodiˇki splajn. stoga c naziv rubni uvjeti. D 2 S3 (a) = D 2 f (a). Kako se S3 na svakom od N podintervala odreduje s 4 koeficijenta. Preostaje dakle odrediti 4N − 3(N − 1) − (N + 1) = 2 dodatna koeficijenta. b] koja zadovoljava uvjete (1) S3 (x) = ai0 + ai1 (x − xi ) + ai2 (x − xi )2 + ai3 (x − xi )3 . za i = 0.8) Tradicionalno se naziv potpuni splajn koristi za splajn oderden rubnim uvjetima (R1) interpolacije prve derivacije u rubovima. . za svaki x ∈ [xi . DS3 (a) = DS3 (b). APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 388 mijenja popreˇni presjek (E i I su konstante). srediˇnja s linija s elastiˇne letvice je dakle kubiˇni polinom.4. srediˇnja linija je i dalje kubiˇni polinom. . c .4. a koristi se za inc c terpolaciju periodiˇkih funkcija f s periodom [a. i trebalo bi ju posebno izvesti). c c c Ako je letvica uˇvrˇ´ena u osloncima s koordinatama xi . . uz c uvjet da sama funkcija zadovoljava prirodne rubne uvjete. . tre´a c sc derivacija u tim toˇkama ima diskontinuitet (ova ˇinjenica je posljedica zakona c c odrˇanja momenta. D 2 S3 (a) = D 2 S3 (b). Uvjeti glatko´e (funkcija. c (7. Izmedu oslonaca. N. prva i druga c derivacija u unutraˇnjim ˇvorovima) veˇu 3(N − 1) koeficijenata. . 2 2 D S3 (b) = D f (b). . s je po dijelovima kubiˇni polinom. a druga c c derivacija s je globalno neprekidna. N. Potpuni interpolacijski kubiˇni splajn je funkcija c 2 S3 ∈ C [a. naravno. Dodatni uvjeti obiˇno se zadaju u rubovima intervala. na podinz s c c tervalima [xi . xi+1 ]. (2) S3 (xi ) = fi . (prirodni rubni uvjeti). dolazimo na jednadˇbu c z −D 4 s = f. a uvjeti interpos c z lacije N + 1 koeficijenata. 2 D S3 (b) = 0. . gdje je f vanjska sila po jedinici duljine. . ali u toˇkama xi imamo prekid tre´e derivacije. N. . D 2 S3 (a) = 0. U odsustvu vanjske sile (f = 0). Definicija 7. . b] (tada je f0 = fN i f zadovoljava c periodiˇke rubne uvjete). za i = 0. DS3 (b) = Df (b). (potpuni rubni uvjeti). Na kraju. Njega moˇemo smatrati specijalnim z sluˇajem rubnih uvjeta (R3) interpolacije druge derivacije u rubovima. . U praksi se najˇeˇ´e koriste sljede´i rubni uvjeti: c sc c (R1) (R2) (R3) (R4) DS3 (a) = Df (a).2 Neka su u ˇvorovima a = x0 < x1 < · · · < xN = b zadane c vrijednosti fi . .7. i = 0. Splajn odreden prirodnim rubnim uvjetima (R2) zove se prirodni splajn.

3).10) treba dodati joˇ neke rubne uvjete. koriste´i globalnu neprekidnost c c D 2 S3 . xi+1 ]. uvjetima (7. 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. Uz standardne oznake iz prethodnog odjeljka. . N.4. . N − 1. 2 hi hi hi fi+1 − fi 4mi 2mi+1 − − .4. za x ∈ [xi . . ve´ nepoznate derivacije mi ostavljamo kao parametre. a za ocjenu greˇke trebamo i jednog i drugog. (7. hi−1 + hi λi = 1 − µ i . . z s Za rubne uvjete (R1). za i = 1. . ali ne zadajemo derivacije. N − 1. . 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). a mi nepoznati. Napomenimo odmah da se ta dva algoritma dosta ravnopravno koriste u praksi. uz tradicionalnu oznaku Mi := D 2 S3 (xi ).9) gdje je t = (x − xi )/hi . s Dobili smo N − 1 jednadˇbi za N + 1 nepoznanica mi . s c Prvi algoritam dobivamo primijenom Hermiteove interpolacije. b]. . Parametre mi . . N. . 2 hi−1 hi−1 hi−1 ci = 3 µ i fi+1 − fi fi − fi−1 + λi . pa ´emo napraviti oba izvoda. . . . koje treba odrediti c tako da se postigne globalna pripadnost splajna klasi C 2 [a. .4. N − 1. traˇimo da S3 zadovoljava uvjete interpolacije S3 (xi ) = fi . (7. . za nepoznate parametre uzimamo vrijednosti druge derivacije splajna u ˇvorovima. N. U prvom. U drugom. .10) D 2 S3 (xi − 0) = −6 Uz oznake µi = hi−1 . za i = 0. (R2) i (R3) dobivamo linearni sustav oblika 2m0 + µ∗ m1 = c∗ . λ∗ mN −1 + 2mN = c∗ . . N N i = 1. .11) .4. hi hi−1 (7. gdje su fi zadani. . Naravno. za i = 0. . . . i = 1. za i = 0. .7. mi+1 moramo odrediti tako s c c da je druga derivacija D 2 S3 neprekidna u unutraˇnjim ˇvorovima. za nepoznate parametre koje treba odrediti uzimamo vric jednosti prve derivacije splajna u ˇvorovima. pa nam fale joˇ dvije jedz nadˇbe. Tradicionalna oznaka za te parametre c je mi := DS3 (xi ). moˇemo napisati u obliku λi mi−1 + 2mi + µi mi+1 = ci . . prema (7. c z DS3 (xi ) = mi . z uvjete neprekidnosti D 2 S3 u xi . 0 0 λi mi−1 + 2mi + µi mi+1 = ci . Drugim rijeˇima. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 389 Algoritam za konstrukciju interpolacijskog kubiˇnog splajna moˇemo izvesti c z na dva naˇina. h2 hi hi i fi − fi−1 2mi−1 4mi + + . .

c moˇemo na periodiˇki naˇin produljiti mreˇu. hN −1 2 Prirodni rubni uvjeti (R2) su specijalni sluˇaj (R3). s Teorem 7. hN = h0 . . m0 = mN . c jednadˇbi oblika (7. Naime. s (2) Binarnim pretraˇivanjem nadi indeks i tako da vijedi x ∈ [xi .4. z c c z s c c ali tako da je xN +1 − xN = x1 = x0 . dobivamo sustav od samo N jednadˇbi z 2m1 + µ1 m2 + λ1 mN = c1 .4.4. 0 N 0 N a za rubne uvjete (R3) µ∗ = λ∗ = 1. uz D 2 f (a) = D 2 f (b) = 0. moramo staviti fN +1 = f1 i mN +1 = m1 . Zbog pretpostavke periodiˇnosti. N − 1.7. Na taj naˇin. (7.5) izraˇunaj S3 (x). U svim navedenim sluˇajevima lako se vidi da je matrica linearnog sustava c strogo dijagonalno dominantna.11) ili (7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 390 Koeficijenti µ∗ . µN m1 + λN mN −1 + 2mN = cN . i = 2. s ∗ ∗ (uz dogovor λN = λN i µ0 = µ0 ).4. Dokaz. . Algoritam 7. Da bismo zapisali uvjet periodiˇnosti druge derivacije. c∗ = 2Df (a). hN = h0 . tako da dodamo joˇ jedan ˇvor xN +1 . fN +1 = f1 . z (3) Hornerovom shemom (7. a zbroj izvandijagonalnih elemenata je najviˇe λi + µi = 1. λi mi−1 + 2mi + µi mi+1 = ci . 0 N c∗ = 3 0 f1 − f0 h0 2 − D f (a). svi dijagonalni s c elementi su jednaki 2.12). onda je f0 = fN i m0 = mN (periodiˇki rubni c uvjet na prvu derivaciju). tj. c .10) za i = N. h0 2 c∗ = 3 N fN − fN −1 hN −1 2 + D f (b). c c Ako je f periodiˇka funkcija. c∗ = 2Df (b).3 Postoji jedinstveni interpolacijski kubiˇni splajn koji zadovoljava jec dan od rubnih uvjeta (R1)–(R4). Kad iskoristimo sve pretpostavke z f0 = fN . λ∗ i c∗ odreduju se ovisno o rubnim uvjetima.4.4. c z Ostaje odgovoriti na oˇito pitanje: da li dobiveni linearni sustavi imaju jedinc stveno rjeˇenje.4.1 (Interpolacijski kubiˇni splajn) c (1) Rijeˇi linearni sustav (7. mN +1 = m1 . . c∗ . . Za rubne uvjete 0 0 N N (R1) imamo µ∗ = λ∗ = 0.12) c Uoˇite da smo jednadˇbu m0 = mN ve´ iskoristili za eliminaciju nepoznanice m0 . tj. ˇto povlaˇi regularnost. xi+1 ). uvjet periodiˇnosti druge c c derivacije postaje ekvivalentan uvjetu neprekidnosti druge derivacije u toˇki xN .

4. za x ∈ [xi . Zadatak 7. Zaˇto? s Kao ˇto smo ve´ rekli.5). xi+1 ]. Odmah se vidi da traˇena korekcija z ima oblik linearne interpolacije druge derivacije puta neki kvadratni faktor koji se poniˇtava u rubovima.5).4. za svaki x ∈ [xi . Ako c c je potrebno raˇunati splajn u mnogo toˇaka (recimo. traˇenu reprezentaciju moˇemo c z z s jednostavno i “pogoditi”. pa se korak (1) u Algoritmu 7. N − 1. . xi+1 ] kubiˇni splajn S3 je kubiˇni polinom kojeg odredujemo iz uvjeta interpolacije funkcije i druge derivacije u rubovima S3 (xi ) = fi . . . obzis rom na specijalnu vrpˇastu strukturu matrice. S3 (xi+1 ) = fi+1 . hi D 2 S3 (x) = Mi (1 − t) + Mi+1 t. Zbog popularnosti i ˇeste implementacije izvedimo c ukratko i ovu reprezentaciju. c c Na svakom podintervalu [xi . D 2 S3 (xi ) = Mi . moˇemo napisati algoritam konverzije.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 . u kojoj se. kao nepoznanice javljaju c Mi := D 2 S(xi ).1 sastoji od LR faktorizacije matrice. . Definiciona reprezentacija splajna kao kubiˇne funkcije na svakom podintervalu subdic vizije zove se ponekad i po dijelovima polinomna reprezentacija. u svrhu brze reprodukcije grafa c c splajna). 6 gdje je opet t = (x − xi )/hi .2) i oblika danog formulama (7. Dobivamo oblik s S3 (x) = fi (1 − t) + fi+1 t − h2 i t(1 − t) [Mi (2 − t) + Mi+1 (1 + t)]. Takoder. . Odavde lako izlazi DS3 (x) = fi+1 − fi hi − [Mi (2 − 6t + 3t2 ) + Mi+1 (1 − 3t2 )].7. . tj. ili skra´eno c PP–reprezentacija.4)–(7. koju treba izraˇunati samo jednom. xi+1 ] i i = 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 391 Primijetimo da je za rjeˇavanje sustava potrebno samo O(N) operacija. D 2 S3 (xi+1 ) = Mi+1 . odakle onda moˇemo z s z z izraˇunati koeficijente kubnog polinoma. D 3 S3 (x) = . u nekim sluˇajevima ugodnija je druga reprezentacija s c c interpolacijskog kubiˇnog splajna. . Ovaj sustav jednadˇbi ima jedinstveno rjeˇenje (dokaˇite to). Njega ne treba koristiti. c Za raˇunanje vrijednosti S3 (x) obiˇno se koriste formule (7.4. hi 6 Mi+1 − Mi . matrica ne ovisi o vrijedc nostima funkcije koja se interpolira. na´i vezu izmedu definicionog z c oblika splajna (v.4. definiciju 7. .4. za i = 0.4. Medutim. ako S3 (x) na [xi . umjesto mi . xi+1 ] napiˇemo kao linearnu interpolaciju funkcijskih vrijednosti plus neka korekcija.4. N.4)–(7.

. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 392 Interpolacija druge derivacije u ˇvorovima ne garantira da je i prva derivacija nec prekidna.4 Neka je S3 interpolacijski kubiˇni splajn za funkciju f koji zadovoc ljava jedan od rubnih uvjeta (R1)–(R4) u (7. Teorem 7. 2. Ocjena greˇke za potpuni kubiˇni splajn je teˇi problem nego za Hermiteov s c z kubiˇni splajn. hi 6 fi − fi−1 hi−1 (Mi−1 + 2Mi ). Na kraju. Kako je fi+1 − fi hi − (2Mi + Mi+1 ). gdje su Cr konstante (ovisne o r). kao i prije. 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 − . 3. gdje je Mi := Mi /6.4. To treba dodatno zahtijevati.4.4. N − 1. s tim ˇto treba primijeniti malo drugaˇiju Hornerovu shemu (ekvivalent s c formula (7.4. ef osnovni eksponenti i Mf “mjere” funkcije (ef . primijetimo da je algoritam za raˇunanje vrijednosti S3 (x) vrlo sliˇan c c ranijem.4)–(7. budu´i da su koeficijenti zadani implicitno kao rjeˇenje jednog linec c s arnog sustava. Zadatak 7.4.7.5) za algoritam 7. . µi = hi−1 /(hi−1 + hi ) i λi = 1 − µi .8).4.4.13) za i = 1. . Tada vrijedi D r S3 (x) − D r f (x) ∞ ¯ ≤ Cr hef −r Mf . . r = 0. hi hi−1 (7.1): S3 (x) = fi + t {(fi+1 − fi ) − (xi+1 − x) [(xi+1 − x + hi )Mi + (hi + x − xi )Mi+1 ]}. gdje je. i pokaˇite da je s c z z matrica sustava strogo dijagonalno dominantna.9 Napiˇite nedostaju´e jednadˇbe za rubne uvjete. 1.

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

vidimo da preostaje ocijeniti maxi |mi − Df (xi )| i maxi |Mi − D 2 f (xi )|. 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 7.16) 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 )|.4.5 i 7.14). Ove ocjene. i (7.14) i (7.4.17). c Za drugu derivaciju znamo da je D 2 S(x) = Mi (1 − t) + Mi+1 t.4. 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)|.4.4.6). Tvrdimo da vrijedi max |mi − Df (xi )| ≤ qf .15). 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 )|.4.16) i (7. i .4. i (7.4.4. Ostaje dakle ocijeniti drugi c c ˇlan na desnoj strani u (7. zadatke 7.15) Ocjene za |H(x) − f (x)| izveli smo u teoremu 7.1).4.4. 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).4.4.4.4. s Ali.15). pa je stoga |DS(x) − Df (x)| ≤ |DH(x) − Df (x)| + [(1 − t)|1 − 3t| + t|2 − 3t|] max |mi − Df (xi )|. ovise o klasi funkcija. kao i sve druge.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 ))]. (7. a ocjene za |DH(x) − Df (x)| mogu se izvesti na sliˇan naˇin (v.7. (7.17) mini hi i Ako pogledamo nejednakosti (7. i (7. (7.

zapiˇimo ovaj sustav u matriˇnom obliku Aq = c. Na kraju. b] ∞ C 2 [a. Vidimo odmah da je A = 2I+B. λi qi−1 + 2qi + µi qi+1 = ci . da bismo dokazali ocjene iz tablice za qf . Sada nije teˇko ocijeniti A ∞ A=2 I+ 1 B 2 =⇒ A−1 ∞ ≤ 1 1 B 1− 2 2 −1 ∞ ≤ 1. slijedi B ∞ ≤ 1. iz q = A−1 c slijedi ˜ |qi | ≤ q ∞ ≤ A−1 ∞ c ˜ ∞ = max |˜i|. . . Zbog λi + µi ≤ 1 (jednakost vrijedi u svim jednadˇbama. 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. b] L2 [a. xi+1 ] ∞ i Da dokaˇemo ovu tablicu. Uvez demo li u linearnom sustavu (7. 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 . ˜ i = 1. 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 ). xi+1 ] L4 [xi .18) s c ˜ ˜ Da bismo ocijenili |qi |. b] C 2 [a.4. . (7. c .11) nove nepoznanice qi := mi − Df (xi ). N − 1. dovoljno je ocijeniti |˜i |. gdje je B matrica koja sadrˇi samo izvandijagonalne z elemente λi i µi . ili q = A−1 c. c i c Drugim rijeˇima. dobijemo sustav q0 = 0.4. . qN = 0. osim z −1 s prve i zadnje).7. b] L3 [a. pretpostavimo rubne uvjete (R1) na derivaciju. b] ∞ C 2 [a.

Tada je λi + µi = 1. pa je c ˜ ci = 3µi Df (ξi.18) za ci moˇemo razviti fi−1 .4.i+1) + 3λi Df (ξi−1. b] i iskoristimo Lagrangeov teorem o srednjoj vrijednosti za prva dva ˇlana u izrazu (7.i+1) − Df (xi )]. koriste´i integralni oblik ostatka. c Napomenimo da nam nije potrebna neprekidnost tre´e derivacije. ∞ Df (xi−1 ). u izrazu (7. fi+1 . Df (xi+1 ) u Taylorov red oko xi .7. xi . c ˇime smo dokazali prvu ocjenu u tablici za qf .i+1) − Df (xi+1 )] + 2µi [Df (ξi. c ˜ z Ako je f ∈ C 2 [a. odakle slijedi |˜i | ≤ 3(λi + µi ) ω(Df ) = 3 ω(Df ).i) − Df (xi−1 )] + 2λi [Df (ξi−1.i) − Df (xi )] + µi [Df (ξi. b] i L4 [xi .i) − λi Df (xi−1 ) − 2Df (xi ) − µi Df (xi+1 ) ˜ = λi [Df (ξi−1.18) za ci . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 396 Pretpostavimo da je f ∈ C 1 [a. 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 . xi+1 ].4.

D 2 f (xi ). vrijedi samo uz pretpostavku da funkcija f zadovoljava iste rubne uvjete kao i splajn. Pokazuje se da c rezultati i tehnika dokaza ne ovise mnogo o tipu rubnih uvjeta. Upotrebom Taylorove formule. λi (v. . naravno. (R2) ili (R4)). odnosno.1. 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 ). To. hi−1 }. hi−1 Zamijenimo li varijable supstitucijom τ hi := v − xi u prvom integralu. D 3 f (xi + 0) i D 3 f (xi − 0) se skrate. hi hi−1 h2 + h2 i i−1 D4f 24 hi + hi−1 ∞. i i−1 Uvrˇtavanjem µi . U protivnom. Napomenimo joˇ.4. dobivamo slabije ocjene. hi + hi−1 dolazimo do zadnje ocjene u tablici za qf |˜i | ≤ c 1 ¯3 h D4f 24 ∞. 7.4. ako rubni uvjet ne ovisi o funkciji (na primjer. kako je h2 + h2 i i−1 ≤ max{hi . dokazuju se i ostale ocjene u tablici. teorema o srednjoj vrijednosti i leme 7. da je c c s sliˇnu analizu potrebno napraviti i za druge tipove rubnih uvjeta.7. τ hi−1 := v − xi−1 u drugom integralu.10) dobivamo s |˜i | ≤ c Na kraju. 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. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 397 ˇ Clanovi s Df (xi ). na ve´ poznati naˇin. 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.

. xn kojih je c mnogo viˇe nego nepoznatih parametara aproksimacijske funkcije s ϕ(x. .4. xi+1 ] ∞ i Tehnika dokaza ove tablice je dosta sliˇna onoj za prethodnu tablicu. xi+1 ]. u ovisnosti o klasi funkcije: c Klasa funkcije C 2 [a. moramo na´i ocjene oblika c c max |Mi − D 2 f (xi )| ≤ Qf . c a ovdje ih koristimo samo na rubu (uz rubne uvjete (R1)). tehnika dokaza potpuno je ista i za sve druge klase. s time c da se oslanja na linearni sustav (7.7. . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 398 Nadalje. i Prvi dio ˇini greˇka kod interpolacije Hermiteovim splajnom. i I u ovom sluˇaju imamo tablicu s 4 ocjene. . 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 . . a0 . koji zahtijeva poznate derivacije funkcije f u svim ˇvorovima interpolacije. |S(x) − f (x)| ≤ 7. . Ukupno je dakle c 5 ¯4 1 t(1 − t) [1 + t(1 − t)] max h4 D 4 f ∞ ≤ h D4f ∞.5.13). am ).7). hi a drugi dio proˇitamo u tablici za maxi |mi − Df (xi )|. Kljuˇna je ocjena (7. prema (7. pa ocjene ostavljamo kao zadatak. za koju. b] L3 [a. . Diskretna metoda najmanjih kvadrata Neka je funkcija f zadana na diskretnom skupu toˇaka x0 .14): c |S(x) − f (x)| ≤ |H(x) − f (x)| + hi t(1 − t) max |mi − Df (xi )|. i i 24 384 Zanimljivo je da ova ocjena samo 5 puta ve´a od ocjene za Hermiteov interpolacijski c splajn. ograniˇimo se na “najglatkiju” klasu c 2 4 funkcija C [a.4. . xi+1 ] L4 [xi .4. b] C 2 [a. 1]. b] i L∞ [xi . t= x − xi ∈ [0. Da bismo na kraju dokazali ovaj teorem. b] ∞ C 2 [a. c s znamo da vrijedi |H(x) − f (x)| ≤ t2 (1 − t)2 4 hi D 4 f 4! ∞. za ocjenu druge i tre´e derivacije.

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.

8. Ê Postoji mnogo familija ortogonalnih funkcija. Standardno ´emo promatrati neprekidni skalarni produkt c b u. s Paralelno ´emo promatrati i diskretni skalarni produkt c n u. Neka svojstva ortogonalnih polinoma Ortogonalni polinomi imaju joˇ i niz dodatnih “dobrih” svojstava. 7. v = i=0 wi u(xi )v(xi ) . za svaki n ≥ 0. ako je njihov skalarni produkt c c jednak 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 413 7. Evo nekoliko primjera takvih familija (sistema).7.7. b]. dokaza i kasnijeg pozivanja na ove teoreme. • Ortogonalni polinomi. na ovom mjestu je zgodno napraviti razliku izmedu diskretnih i kontinuiranih skalarnih produkata. Dogovorno smatramo c da je stupanj polinoma pn baˇ jednak n. prvenstveno radi jednostavnosti iskaza. onda postoji pripadna familija c ortogonalnih polinoma koju oznaˇavamo s {pn (x) | n ≥ 0}. Medutim. c Sljede´i niz teorema sadrˇi samo neka osnovna svojstva koja ´emo kasnije iskoristiti c z c za konstrukciju algoritama. Ako svi polinomi pripadaju odgoz varaju´em prostoru kvadratno integrabilnih funkcija. v = a w(x)u(x)v(x) dx generiran teˇinskom funkcijom w ≥ 0 na [a. Sva ta svojstva su direktna posljedica ortogonalnosti polinoma i ne ovise bitno o tome da li je skalarni produkt diskretan ili kontinuiran. zbog kos jih se mogu konstruktivno primijeniti u raznim granama numeriˇke matematike. za neprekidnu ili diskretnu mjeru dλ. te funkcije u i v koje imaju konaˇnu normu moˇemo definirati skalarni produkt kao c z u(x) v(x) dλ. Familije ortogonalnih funkcija Za dvije funkcije re´i ´emo da su ortogonalne. Paˇljivije ˇitanje ´e samo potvrditi da bitne z c c razlike nema. Na primjer. • Trigonometrijski polinomi.

. . } mogu prikazati pomo´u ortogonalnih polinoma. c1. cn. konstrukcija slijedi iz Gram–Schmidtovog procesa ortogonalizacije sustava funkcija {1. . s z 2 da se monomi {1. tj. pn . c0. Pokaˇimo. p1 . . . .1 x + c1. . .1 Neka je {pn (x) | n ≥ 0} familija ortogonalnih polinoma na intervalu [a.0 = 0. Koriˇtenjem indukcije u Gram–Schmidtovom procesu na {1. s Teorem 7.0 p0 (x)]. .8. Neka je f bilo koji polinom stupnja (manjeg ili jednakog) m.n = 0. x} p1 (x) = c1.0p0 (x). n}. . . Pripadni unitarni prostor “funkcija” na zadanoj mreˇi ˇvorova z c (izomorfno) sadrˇi sve polinome stupnja manjeg ili jednakog n. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 414 generiran medusobno razliˇitim ˇvorovima x0 .n−1pn−1 (x) − · · · − cn. Ako je f polinom stupnja m. x . prikazom z . Prvo. tada vrijedi z m f= n=0 f.n xn + cn. Tada se f moˇe napisati kao linearna kombinacija monoma {1. . za svaki k ∈ {0.0 . pn−1 dobiveni ortogonalizacijom iz {1. xn−1 }.n [pn (x) − cn. xm }. za neki m ∈ N0 . . gdje su p0 . . . . . wn . dos bivamo pn (x) = cn. pa sigurno postoji z pripadna baza ortogonalnih polinoma koju oznaˇavamo s {pk (x) | 0 ≤ k ≤ n}. x. x2 . x. b] s teˇinskom funkcijom w(x) ≥ 0. . Opet c uzimamo je stupanj polinoma pk baˇ jednak k.0 p0 (x). c Ako je stupanj ortogonalnog polinoma 0. pa se prvi monom 1 moˇe napisati kao z 1= 1 c0.7. xn }. pa je xn = 1 cn. . pn pn . xn i pripadnim pozitivnim teˇic c z nama w0 .0 p0 (x). .0 p0 (x)]. . on je nuˇno konstanta razliˇita od z c nule. .1 [p1 (x) − c1. . x. redom. vrijedi x= 1 c1. tj.1 = 0.n−1 pn−1 (x) + · · · + cn. . x. . Za polinome stupnja jedan. vrijedi p0 (x) = c0. Dokaz ide koriˇtenjem Gram–Schmidtove ortogonalizacije. pokaˇimo da se svaki polinom moˇe napisati kao kombinacija ortogz z onalnih polinoma stupnja manjeg ili jednakog njegovom. . . . . . pn Dokaz.

z z Ostaje samo odrediti koeficijente bj . pm = 0. koriste´i ortogonalnost pj i pn . skalarnim mnoˇenjem z s pn . odmah slijedi da se i f moˇe napisati kao neka linearna kombinacija ortogonalnih z polinoma stupnjeva manjih ili jednakih m. za n = m. pn . Teorem 7.2 Neka je {pn (x) | n ≥ 0} familija ortogonalnih polinoma na intervalu c c [a. dobivamo da je z m−1 f. za j = n. te integriranjem. f se moˇe razviti po ortogonalnim polinomima z stupnja manjeg ili jednakog m − 1 m−1 f (x) = n=0 bn pn (x). Dokaz. pn . onda je f. Tada svaki polinom pn ima toˇno n razliˇitih z (jednostrukih) realnih nultoˇaka na otvorenom intervalu (a. b] s teˇinskom funkcijom w(x) ≥ 0. samo su svi dodatni koeficijenti bn = 0. Mnoˇenjem prethodne relacije teˇinskom funkcijom w. Odatle odmah slijedi da je c bn = jer je pn 2 f. Dakle.8. tj. Mnoˇenjem s w(x)pm (x). b]. To je posljedica sljede´e tvrdnje. pn = bn pn . pm = 0. pa polinomom pn . tj. a ne do m. Budu´i da se svaki monom moˇe napisati kao linearna kombic z nacija ortogonalnih polinoma stupnja manjeg ili jednakog od stupnja tog monoma. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 415 u standardnoj bazi. Po prethodnom teoremu. pm je okomit na sve polinome stupnja strogo manjeg od m. pm = 0. tj. pn > 0. pn = j=0 bj pj .1 Ako je f polinom stupnja manjeg ili jednakog m − 1. pn . za n > m. pn = pn . pm je okomit na f . pm = n=0 bn pn . zbog svojstva ortogonalnosti ortogonalnih polinoma pn . a zatim integriranjem na [a.8. b). Razvoj polinoma f stupnja m iz prethodnog teorema moˇemo napisati i tako z da suma ide do ∞. c Korolar 7.7. c . da vrijedi m f= j=0 bj pj . dobivamo m f.

. . pa onih koje zadovoljavaju prethodna dva svojstva ima manje c ili jednako n. . polinom pn ima c ukupno n nultoˇaka. . m < n. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 416 Dokaz. dobivamo z pn (x)B(x) = h(x)(x − x1 )r1 +1 · · · (x − xm )rm +1 . Pokaˇimo da je to nemogu´e. a budu´i da je to integral nenegativne funkcije. Po definiciji toˇaka x1 . x2 . . one moraju biti jednostruke. Nadalje. . po osnovnom teoremu algebre. . a h(x) ne smije promijeniti predznak na (a. vrijedi b w(x)B(x)pn (x) dx = 0. jer je pn (xi ) = 0. Pretpostavimo da je nultoˇaka koje zadovoljavaju traˇena dva svojstva c z striktno manje od n. . xm . tj. b). . ˇitav polinom ne mijenja znak c c na (a. xm . 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. Neka su x1 . . pa je po prethodnom korolaru b w(x)B(x)pn (x) dx = B. . • pn (x) mijenja predznak u xi . xn u kojima c c c mijenja predznak. to implicira oblik funkcije pn pn (x) = h(x)(x − x1 )r1 · · · (x − xm )rm . . c Mnoˇenjem s B(x). pn = 0.7. z c Definiramo polinom B(x) = (x − x1 ) · · · (x − xm ). xm sve nultoˇke polinoma pn za koje vrijedi: c • a < xi < b. Preciznije. b] i neka su prva dva koeficijenta funkcije pn jednaki pn (x) = An xn + Bn xn−1 + · · · . tj. pa je pretpostavka o stupnju polinoma B bila pogreˇna. pri ˇemu moraju biti svi ri neparni. Neka je ponovno zadana familija ortogonalnih polinoma na intervalu [a. . c s tj. b). oˇito kontradikcija. Budu´i da pn ima toˇno n nultoˇaka x1 . . a To je. polinom c pn (x)B(x) = (x − x1 ) · · · (x − xm )pn (x) ne mijenja znak prolaskom kroz toˇke x1 . . mora biti m = n. . .

pi = 0 za i ≤ n i da za i ≤ n − 2 vrijedi c b xpn . A2 γn−1 n Dokaz. An An+1 x(An xn + Bn xn−1 + · · · ) An Oˇito. Kombiniranjem c ta dva rezultata. pn > 0.3 (troˇlana rekurzija) Neka je {pn (x) | n ≥ 0} familija ortogonalc nih polinoma na intervalu [a. pi ). pi . pi γi Budu´i da je pn+1 .8. polinom G je stupnja manjeg ili jednakog n. . tada pn moˇmo napisati i kao z pn (x) = An (x − xn. Definiramo takoder i an = An+1 . pa ga moˇemo napisati kao c z linearnu kombinaciju ortogonalnih polinoma stupnja manjeg ili jednakog n. zakljuˇujemo da je stupanj polinoma xpi (x) manji ili jednak n − 1. pi − an xpn . Tada za n ≥ 1 z vrijedi rekurzija pn+1 (x) = (an x + bn )pn (x) − cn pn−1 (x). G(x) = dn pn (x) + · · · + d0 p0 (x) c za neki skup konstanti di . 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). An γn = pn . tj.2 ) · · · (x − xn. pi = ( pn+1 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 417 Takoder. dobivamo di = 0 za 0 ≤ i ≤ n − 2. pri ˇemu su c bn = an Bn+1 Bn − .n ). b] s teˇinskom funkcijom w(x) ≥ 0. Promatrajmo polinom G(x) = pn+1 (x) − an xpn (x) = (An+1 xn+1 + Bn+1 xn + · · · ) − = Bn+1 − An+1 Bn n x + ···. An+1 An cn = An+1 An−1 γn · .7. pi = a w(x)pn (x)xpi (x) dx = 0.1 )(x − xn. Raˇunanjem di izlazi di = 1 G. Teorem 7.

cos 3x. 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. Tada vrijedi z 2π 0 1 sin kx · sin x dx = − 2 2π (cos(k + )x − cos(k − )x) dx. . = 1. . onda je jednak 1 sin(k + )x sin(k − )x − − 2 k+ k− Drugim rijeˇima. onda je prethodni integral jednak c − Ako je k = . sin x. k.4 (Christoffel–Darbouxov identitet) Neka je {pn (x) | n ≥ 0} familija ortogonalnih polinoma na intervalu [a. k = . ∈ N0 . c Pokaˇimo da je to zaista istina. . } Trigonometrijske funkcije ˇine ortogonalnu familiju funkcija na intervalu [0. 2π] uz mjeru c dλ = dx na [0. 0 inaˇe. 0 sin kx · sin x dx = 0 0. 0 = 0. dobivamo relaciju za dn .8. sin 2x.7. Manipulacijom troˇlane rekurzije. . . 0 U sluˇaju da je k = . . Iz prve od dvije prethodne s relacija. sin 3x. Neka su k. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 418 Ostaje joˇ samo pokazati koliki su koeficijenti dn−1 i dn . . b] s teˇinskom funkcijom w(x) ≥ 0. . . 2π]. k = . Teorem 7.9. c 7. 2. Trigonometrijske funkcije {1. vrijedi c 2π 2π 1 sin(k + )x −x 2 k+ 2π = π. π. cos x. = γk an γn (x − y) k=0 n Dokaz. cos 2x. .

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

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

Iskoristimo li da su ω j svi c z korijeni te jednadˇbe. vrijedi c 2πj = 0. dobivamo 0=− Iskoristimo li (7. N +1 Vratimo se na poˇetak.7. pomnoˇeni s (k − ). nju moˇemo napisati u faktoriziranom obliku kao z z xN +1 − 1 = (x − ω 0 )(x − ω 1 ) · · · (x − ω N ). j=0 0= j=0 ωj = j=0 cos N 2πj 2πj +i . cos N +1 j=0 N N sin j=0 2πj = 0. Drugim rijeˇima. N +1 Primijetimo da su argumenti kosinusa u prethodnoj formuli argumenti (N + 1)-og korijena iz 1. c Usporedivanjem ˇlanova uz N-tu potenciju slijeva i zdesna. pa je dokazano da je N cos j=0 2πj(k − ) = 0. N +1 . N +1 Na sliˇan se naˇin pokazuje da je c c N cos j=0 2πj(k + ) = 0. ˇto znaˇi da su to argumenti od (ω j )(k− ) = z s c (k− ) j (ω ) .1) dobivamo N N N ωj . Odmah je jasno da vrijedi N N ωj = j=0 j=0 ωj .9. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 421 Oˇito svi ω j zadovoljavaju jednadˇbu xN +1 − 1 = 0. sin N +1 N +1 j=0 Budu´i da je kompleksan broj jednak 0. Trebali smo dokazati da je c N cos j=0 2πj (k − ) = 0. To bi odgovaralo izboru korijena ω = cos 2π(k − ) 2π(k − ) + i sin N +1 N +1 umjesto ω. nuli moraju biti jednaki i njegov realni i c njegov imaginarni dio.

.9. ako je Tn (x) = f (x) onda mnoˇemjem (7. . + 2 k=1 (7. na mreˇi {0. .3) izabranom funkcijom c c z baze uz koju je odgovaraju´i koeficijent. . mnoˇenjem lijeve i desne strane u (7.9.2) z zvat ´emo trigonometrijski polinom.2) pri ˇemu su dozvoljeni k ∈ N0 za kosinuse i k ∈ N za sinuse. L. N +1 sin 2π kx N +1 (7. Linearne kombinacije funkcija (7. . c Ovo znaˇi da restrikcije funkcija c cos 2π kx. N +1 2L + 1 L a0 (ak cos xk + bk sin xk ). tj. N = 2L}.9. Ako trigonometrijski polinom interpolira c TN interpolira funkciju f u x ∈ M. . ˇime je pokazana relacija ortogonalnosti za sinuse. . .3) Koeficijenti trigonometrijskog polinom odreduju se iz relacija ortogonalnosti na uobiˇajeni naˇin. . . . z Neparan broj toˇaka c Neka je zadan neparan broj toˇaka M = {0. = 2 Odatle odmah zakljuˇujemo da je (piˇu´i k umjesto ) c s c 2 ak = 2L + 1 2L f (x) cos xk . . 1. 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. c Naˇalost baze takvih trigonometrijskih polinoma ovise o parnosti N. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 422 za j + k = 0.9.9. N} c z moˇemo koristiti kao ortogonalnu familiju. x=0 k = 0.7. Za bazu se c tada uzima prvih L + 1 kosinusa (prvi je konstanta) i prvih L sinusa.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 . a pripadna trigonometrijska aproksimacija ima oblik TN (x) = pri ˇemu je c xk = 2π 2π kx := kx. .

. a pripadna trigonometrijska aproksimacija ima oblik TN (x) = pri ˇemu je c xk = π 2π kx := kx. . x=0 Zadatak 7. . . . . 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 Sliˇno kao kod ak . 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 .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 .4) Na sliˇan naˇin kao kod neparnog broja toˇaka. . k = 1. .9. u sluˇaju neparnog broja toˇaka koeficijenti u (7. 1 2L f (x) sin xk . L. f (x) sin xk .9. Dakle.4) su c c c 1 ak = L bk = 2L−1 f (x) cos xk . x=0 . mnoˇenjem sa sin x . x=0 2L−1 k = 0. 1. k = 1. . . 2 2 k=1 (7. imamo c 2 bk = 2L + 1 2L f (x) sin xk . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 423 Na sliˇan naˇin. . koeficijenti u (7. N +1 L a0 L−1 1 + (ak cos xk + bk sin xk ) + aL cos xL . L − 1. L.9. . . .7. x=0 k = 1. N = 2L − 1}. x=0 2L k = 0. Paran broj toˇaka c Neka je zadan paran broj toˇaka M = {0. . L. . L. . . . .9.

2). z jer je dovoljno uzeti podskup baze prostora. Ilustrirajmo to na sluˇaju N = 2L paran (broj toˇaka neparan) i M = 2m c c paran (neparna dimenzija potprostora).9. 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 = .5) TM (x) = A0 = 2 k=1 . pa je c c 1 2π 2π T2 (x) = a0 + a1 cos x + b1 sin x. Sliˇno kao kod interpolacije biramo c poˇetni dio baze (7.9. trigonometrijski polinom koji interpolira zadane toˇke je c 2π 2 2 − cos x. a dovoljno je zadati samo toˇke x iz jednog perioda. 2 3 3 Prema formulama za koeficijente.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.9. TN z c c c ima period N + 1. Takoder moramo paziti na parnost/neparnost broja toˇaka c c N i na parnost/neparnost stupnja trigonometrijskog polinoma M. broj toˇaka je neparan.2 Pokaˇite da i u sluˇaju neparnog i u sluˇaju parnog broja toˇaka. c Primjer 7.9. M ≤ N. 3 3 3 T2 (1/2) = Metoda majnanjih kvadrata za trigonometrijske funkcije I za metodu najmanjih kvadrata moˇemo koristiti trigonometrijske polinome. Zbog toga se jednostavno koristi za interpolaciju trigonometrijskih funkcija. 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 = 0.7. (7. 3 3 3 Prma tome. Trigonometrijski polinom odgovaraju´eg c stupnja je m 1 (Ak cos xk + Bk sin xk ). c Budu´i da je N = 2. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 424 Zadatak 7. a zatim c izraˇunajmo TN (1/2) i TN (3/2).

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

broj toˇaka paran N = 2L − 1. jer uobiˇajeno ne znamo ak . dimenzija prostora parna M = 2m − 1. broj toˇaka neparan N = 2L.9.5 Neka je funkcija f zadana na mreˇi toˇaka M = {0. . tj. . Greˇka pritom c s ne mora biti 0. Zadatak 7. L − 1. odmah je vidljivo da je greˇka S minimalna ako je s Ak = ak . toˇaka je paran broj) i neka je P period funkcije f . . dimenzija prostora neparna M = 2m. P k = 0. . . P 2π kx. 1. . . s c c Zadatak 7. c f (x + P ) = f (x). k 2 k=m+1 k Prema tome. . .4 Izvedite metodu najmanjih kvadrata za tri preostala sluˇaja: c 1. broj toˇaka paran N = 2L − 1. Pokaˇite da su tada z ak = bk = 2 P 2 P L f (x) cos x=−L+1 L 2π kx.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. . . . c 2. . Prethodni oblik greˇke ˇesto se koristi za des s c tekciju stupnja trigonometrijskog polinoma. bk za k > m. 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 ). . Bk = bk . P − 1}. c 3.9. f (x) sin x=−L+1 . dimenzija prostora parna M = 2m − 1. m. . Ovaj oblik minimalne greˇke nije praktiˇan. .7. .9. z c P neparan (tj. L k = 1. . k 2 k=m+1 k k = 0. m k = 1. jer je pojava mogla imati sluˇajne greˇke koje smo ionako ˇeljeli c s z maknuti. i njena minimalna vrijednost jednaka je Smin = 2L + 1 L (a2 + b2 ). jer nagli pad greˇke pri dizanju stupnja s trigonometrijskog polinoma znaˇi da smo otkrili stupanj polinoma. c Zadatak 7. . .

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

Rjeˇenje zadatka je pravac paralelan s prethodna dva. e−1 ) i (1.1752 2 x3 = ln a1 ≈ 0. onda moˇemo uvjet maksimuma pogreˇke u x3 c z s napisati i koriˇtenjem derivacije. err(x3 ) = −ρ1 . err(1) = ρ1 . moˇe se pokazati da postoji bolja aproksimacija. Oznaˇimo z s c c ρ1 = max | err(x)|. ako polinom ne sijeˇe graf niti u jednoj toˇki. nadimo koeficijent a0 takav da je taj pravac tangenta c s funkcije ex u nekoj toˇki x3 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 428 na zadanom intervalu. odmah je jasno da linearna minimaks aproksimacija mora sje´i graf funkcije c x c c e na zadanom intervalu u toˇno dvije toˇke. 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 ≈ 1.2643. mora vrijediti c c s err(−1) = ρ1 . x∈[−1. err (x3 ) = 0. Zatim. Odmah je jasno da ´e postojati toˇno tri toˇke u kojima ´e c c c c se dostizati maksimalne pogreˇke: rubovi intervala i x3 . U protivnom. a1 = ex3 − a0 − a1 x3 = −ρ1 ex3 − a1 = 0.1614 1 x3 ρ1 = e−1 + (e − e−1 ) ≈ 0. x2 takve da je −1 < c c x1 < x2 < 1. s Pokaˇimo sad precizno da su naˇa zakljuˇivanja ispravna. Pokaˇite c c c z z to! Iz crteˇa odmah naslu´ujemo i rjeˇenje. jednako udaljen od oba. Budu´i da je err(x) derivabilna.7.2788 2 4 a0 = ρ1 + (1 − x3 )a1 ≈ 1. e). y −1 x3 1 x Prvo.1] Ve´ smo zakljuˇili da pogreˇka mora imati tri ekstrema. nazovimo ih x1 . . Nadimo jednadˇbu pravca kroz toˇke z c s z c (−1. tj. ili ako ga sijeˇe u toˇno jednoj toˇki. tj.

0055 −1 1 x −0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 429 Graf pogreˇke ima karakteristiˇan osciliraju´i izgled.542973x2 + 0. Remesovog algoritma moˇemo konstruirati i kubiˇni polinom s z c koji najbolje aproksimira istu funkciju. c y −1 1 x jer ´e greˇka biti iznimno mala.995668x + 0.2788 x3 −1 −0. c y 0.994579 + 0. reda veliˇine 0.7. s c c y 0.179533x3.0055 .0055 i opet karakteristiˇno oscilic s c c raju´a. 3 Ako nacrtamo graf tog polinoma. Taj polinom je p∗ (x) = 0. on se na slici ne´e razlikovati od funkcije.2788 1 x Koriˇtenjem tzv.

1. Pretpostavimo da polinom P stupnja manjeg ili jednakog n zadovoljava f (xj ) − P (xj ) = (−1)j ej . vrlo dugaˇak i provodi se obratom po c c kontrapoziciji. .2 (de la Vallee–Poussin) Neka je f ∈ C[a. Posljednja nejednakost (gornja ograda) u prethodnoj formuli posljedica je definicije minimaks aproksimacije. . n + 1 c a ej su razliˇiti od 0 i istog predznaka. .10. pri ˇemu je σ = ±1 i ovisi samo o f i n. 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 ). od kojih prvi daje egzistenc z ciju minimaks aproksimacije i vaˇno svojstvo o oscilaciji greˇaka.1 (Cebiˇevljev teorem o oscilacijama greˇaka) Za danu funks s ciju f . b] i n ≥ 0. n j = 0. Drugi ocjenjuje z s pogreˇku minimaks aproksimacije ρn polinoma stupnja n. bez da se sam polinom s izraˇuna. c Dokaz prethodnog teorema je tehniˇki. realno je oˇekivati da je c greˇka jednako tako uniformno distribuirana na intervalu aproksimacije i da varira s po predznaku. . b] i za dani n ≥ 0 postoji jedinstven polinom p∗ stupnja manjeg ili n jednakog n za koji je ρn (f ) = f − p∗ ∞ . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 430 Za dobru uniformnu aproksimaciju zadane funkcije f . 0≤j≤n+1 ∞ Dokaz. n + 1. . Iznijet ´emo dva vrlo vaˇna teorema. za xj vrijedi a ≤ x0 < x1 < · · · < xn < xn+1 ≤ b. Tada je min |ej | ≤ ρn (f ) = f − p∗ (x) n ≤ f −P ∞. tj. Pretpostavimo da je ρn (f ) < 0≤j≤n+1 min |ej |.7. . Teorem 7. c ˇ Teorem 7.10. . j = 0. Donja ograda za ρn (f ) dokazuje se pretostavljanjem suprotnog. f ∈ C[a. da polinom p∗ ima maksimum pogreˇke manji s n ili jednak od svih ostalih polinoma P . . .

R oscilira tako da ima bar n + 2 razliˇita predznaka. dobivamo da je sign(R(xj )) = (−1)j+1 . j = 0. slijedi da je R(x1 ) = (f (x1 ) − Q(x1 )) + e1 > 0. Cak ˇtoviˇe pretpostavimo da f (k) zadovoljava s a≤x. Induktivno. tj. Po osnovnom teoremu algebre znamo da polinom R stupnja n ≥ 1 ima c toˇno n nultoˇaka. . ˇto je suprotno pretpostavci. onda je R(x0 ) = f (x0 ) − Q(x0 )) − e0 < 0.3 (Jackson) Neka funkcija f ima k neprekidnih derivacija za neki ˇ s k ≥ 0. da je P = Q. Jedina mogu´nost koja ostaje je da je R c c c baˇ nul-polinom. onda c c sigurno postoji bar jedan polinom Q stupnja manjeg ili jedankog n koji se nalazi izmedu ρn (f ) i minimuma |ej |. s s Predodˇbu o tome kako se ponaˇa najbolja aproksimacija s porastom stupnja z s n daje sljede´i teorem. n + 1. tj. Izraˇunajmo vrijednosti polinoma R u toˇkama xj . vrijedi ρn (f ) ≤ f − Q ∞ < 0≤j≤n+1 min |ej |. c Teorem 7. da predznak promijeni c bar n + 1 puta. Ponovno. R je polinom stupnja manjeg ili jedankog n. . pa predznak moˇe mijenjati samo u z nultoˇkama. Zbog jednostavnosti.7. tj. Primijetite da polinomi P i Q nisu jednaki! Definiramo R(x) = P (x) − Q(x). tj. . Ali R je polinom stupnja n. Budu´i da je c |f (x0 ) − Q(x0 )| < min |ej | = min ej ≤ e0 . Nadalje je R(x1 ) = P (x1 ) − Q(x1 ) = (f (x1 ) − Q(x1 )) − (f (x1 ) − P (x1 )) = (f (x1 ) − Q(x1 )) + e1 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 431 Budu´i da je ρn (f ) infimum (zaboravimo naˇas da smo dokazali i minimum). .10.y≤b sup |f (k) (x) − f (k) (y)| ≤ M|x − y|α . zbog |f (x1 ) − Q(x1 )| < min |ej | = min ej ≤ e1 . a ne bar (n + 1)-nu. pretpostavimo da c c su svi ej > 0 (isti argument radit ´e i ako su svi manji od 0). 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 .

. tada p∗ konvergira prema f c n uniformno na [a. 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. nego na skupu toˇaka (tada se on zove diferencijalni algoritam c korekcije). k ≥ 1. z 7. Iteracije imaju tri dijela. . Tada postoji konstanta dk nezavisna o f i n za koju je ρn (f ) ≤ Mdk . Umjesto k-te derivacije svugdje dalje u teoremu koristimo (k − 1)-u. Remesov algoritam Traˇenje minimaks aproksimacije p∗ za f moˇe se prona´i iterativnim algoritz z c n mom poznatijim kao drugi Remesov algoritam. a posljednja je E. a kao rezultat o c dobivamo dk−1 ρn (f ) ≤ k f (k) ∞ . stavljamo α = 1 i M = f (k) ∞. . kaˇe se da f zadovoljava H¨lderov uvjet s z o eksponentom α. tj. n koje odreduju polinom p stupnja deg(p) ≤ n iz uvjeta f (xi ) − p(xi ) = (−1)i E. (0) (0) (0) (0) (0) i = 0. Remesov algoritam koristi svojstvo oscilacije greˇke koje mora imati minimaks s aproksimacija. Prvi korak Zadane su n + 2 toˇke c a ≤ x0 < x1 < · · · < x(0) < xn+1 ≤ b. Prehodna ralacija vodi na linearni sustav s n + 2 nepoznanice od kojih su n + 1 koeficijenti polinoma p. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 432 za neki M > 0 i neki 0 < α ≤ 1. b] brˇe nego bilo koja potencija 1/nk . Ako u prethodnom teoremu ˇelimo izbje´i H¨lderov uvjet.10. Tada se H¨lderov uvjet svede na obiˇni teorem srednje vrijednosti. Drugi korak . dovoljno je pretz c o postaviti da f im k neprekidnih derivacija.1.7. pri ˇemu zahtjevamo da pogreˇka E (koju joˇ ne znamo) oscilira s jednakim amplic s s tudama. nk+α n ≥ 1. ako je f beskonaˇno puta derivabilna. n Nadalje. . n + 1.

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

π 1 − x2 −1 Oznaˇimo s fn poˇetni komad razvoja. ci Ti (x) ≈ cn+1 Tn+1 (x) = cn+1 cos(n + 1)ϑ. 1] tada razvoj (7. Iz definicije Tn+1 izlazi |Tn+1 (x)| = | cos(n + 1)ϑ| ≤ 1.1) onda ´emo. 2 i=1 Ako je f ∈ C[−1. zatim teˇinskom funkcijom w i integriramo od −1 do 1. −1 ≤ x ≤ 1. ⎨ ˇ s Ako ˇelimo funkciju f razviti po Cebiˇevljevim polinomima. ⎧ ⎪ 0. 2 i=1 (7. Dobivamo z formulu 1 2 f (x)Tj (x) √ cj = dx. koeficijent cj dobiti ako pomnoˇimo prethodnu rec c z laciju s Tj (x).1) konvergira. Zelimo odrediti koeficijente ck u razvoju funkcije c ˇ sevljevim polinomima.11. formalno gledaju´i. u smislu da je 1 n→∞ −1 lim √ 1 f (x) − fn (x) 1 − x2 2 dx = 0. tj. onda se moˇe pokazati da vrijedi z f (x) − fn (x) = ∞ i=n+1 x = cos ϑ. Tm (x) Tn (x) √ za m = n = 0. . koji zadoc voljavaju sljede´u relaciju ortogonalnosti c 1 −1 za m = n. neka je c c fn (x) = n c0 T0 (x) + ci Ti (x). dx = π. potrebno je samo supz ˇ stituirati podatke u op´i algoritam.7. Za uniformnu konvergenciju. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 434 ˇ s Vidjet ´emo da su u tu svrhu vrlo pogodni Cebiˇevljevi polinomi. ⎪ ⎩ 1 − x2 π/2. ako je cn+1 = 0 i ako koeficijenti ci brzo konvergiraju k 0.11. moˇemo pokazati dosta jak rezultat z ρn (f ) ≤ f − fn ∞ ≤ 4+ 4 ln n ρn (f ). za m = n = 0. π2 Kako se ponaˇa greˇka odbacivanja reda? Ako se prisjetimo da je s s Tn (x) = cos nϑ. Ako je razvoj napiˇemo u obliku f po Cebiˇ s f (x) = ∞ c0 T0 (x) + ci Ti (x).

n. (2j + 1)π . s s c z ˇ s Postoji joˇ jedan razlog zaˇto se koristi razvoj po Cebiˇevljevim polinomima.7. promatrajmo minimizacijski problem τn = deg(P )≤n−1 −1≤x≤1 inf ( max |xn + P (x)|). . 2 j = 0. . 1 2n−1 Tn (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 . .1 Za fiksni prirodni broj n. s s Vrijedi sljede´i teorem. . 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 – 435 Nultoˇke i ekstreme polinoma Tn+1 nije teˇko izraˇunati. . z gdje je P polinom. . . Primijetite da tih ekstrema ima toˇno n + 2 i da alterniraju po znaku. n. 2(n + 1) j = 0. . S druge strane. c Teorem 7. Ako to c iskoristimo za funkciju cn+1 Tn+1 . lokalni ekstremi se postiˇu kad je z (n + 1)ϑk = kπ. . . onda je jasno da ona ima n + 2 lokalna ekstrema ˇ s jednakih amplituda. pa su ekstremi Tn+1 jednaki xk = cos Drugim rijeˇima.11. . . . Po Cebiˇevljevom teoremu o oscilaciji greˇaka. Minimum τn se dostiˇe samo za xn + P (x) = Pripadna pogreˇka je s τn = 1 2n−1 . n + 1. . vrijedi c Tn+1 (xk ) = (−1)k . . kπ . . (n + 1) k = 0. . n + 1. k = 0.

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

onda znamo da je greˇka interpolas cionog polinoma stupnja n jednaka f (x) − pn (x) = (x − x0 ) · · · (x − xn ) (n+1) f (ξ). Pretpostavimo s z c da interpoliramo funkciju na intervalu [−1. Ispitajmo vrijednosti funkcije R u lokalnim ekstremima funkcije Tn . 2 Tj.12. b]. Iz (7. . pa je deg(R) ≤ c c n−1. 2 n c c a minimalna ´e vrijednost biti 1/2 . nego s [a. za polinom R vrijedi sign(R(xk )) = (−1)k . ono ˇto moˇemo kontrolirati je izbor toˇaka interpolacije. .1.11. . Budu´i da ima bar n + 1 razliˇiti predznak. (n + 1)! Vrijednost (n+1)-ve derivacije ovisi o toˇkama interpolacije. to mora postojati bar n nultoˇaka. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 437 Tvrdimo da ´e se vode´i koeficijenti funkcija s desne strane skratiti. a njih smo ve´ izraˇunali da su jednake c c c xj = cos (2j + 1)π . .2) redom. −1≤x≤1 Polinom u prethodnoj relaciji je stupnja n+1 i ima vode´i koeficijent 1. Po Teoremu c 7.11. c s c 7. . . Ako naˇ interval nije [−1. 2 Sad bi joˇ trebalo pokazati da je to jedini polinom s takvim svojstvom. Dakle izaberimo toˇke interpolacije xj ∈ [−1.7. onda ga linearnom transformacijom y = cx + d moˇemo svesti na zadani interval. ˇ Interpolacija u Cebiˇevljevim toˇkama s c Ako se prisjetimo problema interpolacije. Odatle odmah ˇitamo da su ˇvorovi x0 . n. . xn c nultoˇke polinoma Tn+1 . izlazi 1 R(x0 ) = R(1) = n−1 − M(1) > 0 2 1 R(x1 ) = − n−1 − M(x1 ) < 0. Taj s dio dokaza vrlo je sliˇan ovom ˇto je ve´ dokazano. 2n + 2 j = 0. . . . Odatle odmah izlazi da je c 1 M(x) = n−1 Tn (x). Ipak. 1]. minimum ´emo dobiti ako stavimo c 1 (x − x0 ) · · · (x − xn ) = n Tn+1 (x). ali nije jednostavno re´i c c kako. . 1] z c tako da minimiziraju max |(x − x0 ) · · · (x − xn )|. 1]. ˇto c c c s je mogu´e damo ako je R = 0.

1] Primjer 7.1] max |pn (x) − pn−1 (x)| → min .1 Funkciju f (x) = ex aproksimiramo na intervalu [−1.1] x∈[−1. Rjeˇenje problema se ne´e promijeniti ako normiramo vode´i koeficijent na 1. Taj polinom ˇelimo zamijeniti polinomom stupnja za jedan z manjeg tako da je greˇka koja je pritom nastala minimalna mogu´a s c x∈[−1.1] x2 x3 x4 + + . 1]. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 438 7. s c c tj.11.13. c Pretpostavimo da je zadan proizvoljni polinom stupnja n pn (x) = an xn + an−1 xn−1 + · · · + a1 x + a0 .13. an 2 Drugim rijeˇima. uz minimalni gubitak toˇnosti. an 2 a s tim izborom je maksimalna greˇka jednaka s max |pn (x) − pn−1 (x)| = |an | max x∈[−1. 2n−1 |an | 1 (pn (x) − pn−1 (x)) = n−1 . izlazi da mora biti 1 1 (pn (x) − pn−1 (x)) ≥ n−1 . 5! M5 = max |f (5) (x)|.7. Takav postupak zove se ekonomizacija. izbor pn−1 (x) je c pn−1 (x) = pn (x) − an Tn (x). max x∈[−1. ˇ Cebiˇevljeva ekonomizacija s ˇ s Cebiˇevljevi polinomi mogu se koristiti za smanjivanje stupnja interpolacionog polinoma.1 o minimalnom otklanjanju od polinoma xn .1] an Prema Teoremu 7. ako traˇimo z 1 (pn (x) − pn−1 (x)) → min .1] an 2 s tim da jednakost vrijedi kad je 1 1 (pn (x) − pn−1 (x)) = n−1 Tn (x). na intervalu [−1. 2 6 24 . 1] Taylorovim polinomom oko 0 stupnja ˇetiri c p4 (x) = 1 + x + Greˇka odbacivanja tog polinoma je s |R4 (x)| ≤ M5 5 |x |. max x∈[−1. x∈[−1.

pa pokuˇajmo z s s spustiti stupanj polinoma. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 439 Odmah se vidi da je M5 = e.023 + 0. 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 .023.0053 = 0. 2 k=1 |x| ≤ 1. onda je ukupna greˇka s c s s 0. ˇto je prema uvjetima zadatka dozvoljiva greˇka. pa je greˇka odbacivanja s |R4 (x)| ≤ e 5 e |x | ≤ ≈ 0. 192 24 6 Tim sniˇavanjem stupnja. onda je ukupna greˇka manja ili jednaka s s s 0.05. Budu´i da je z s s c T3 (x) = 4x3 − 3x.0283.042.0283 + 0. 6·4 24 Dodamo li tu greˇku na ve´ akumuliranu greˇku 0. 120 120 za −1 ≤ x ≤ 1. Nije teˇko na´i T4 . Pretpostavimo da moˇemo tolerirati greˇku 0. stupanj polinoma p3 moˇemo pokuˇati joˇ smanjiti. Znamo da se funkcije mogu razviti u s c ˇ sevljevim polinomima oblika red po Cebiˇ ∞ 1 f (x) = c0 + ck Tk (x). ˇto je bila dozvoljena tolerancija. s Postoji joˇ jedan naˇin ekonomizacije.042 > 0.0053. recimo iz rekurzije s c T4 (x) = 8x4 − 8x2 + 1. 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 .05. napravljena je greˇka z s |p4 (x) − p3 (x)| ≤ 1 1 ≤ 0. .0283.7. = 3 24 · 2 192 Pribrojimo li tu greˇku greˇci odbacivanja. 192 8 24 Pritom je napravljena greˇka s |p3 (x) − p2 (x)| = 1 1 = ≈ 0. s s Naravno.

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

7.1) d0 n−1 + dk cos kϑ.14. tj.14.14. onda oni zadovoljavaju diskretne c relacije ortogonalnosti vrlo sliˇne onima koje zadovoljavaju trigonometrijske funkcic je. Diskretne ortogonalnosti polinoma Tn ˇ s Budu´i da su Cebiˇevljevi polinomi kosinusi. gdje je Uj. u nultoˇkama vrijede sljede´e relacije ortogonalnosti c c n−1 Uj. 2 k=1 π (7. n/2 j = k. c ˇ s Neka su xα nultoˇke Cebiˇevljevog polinoma Tn .14. k < n. j = k. n − 1. 1]. ϑα = (2α + 1)π . Tada se f moˇe razviti u konvergentan red oblika c z f (x) = gdje je 2 ck = π 1 ∞ c0 + ck Tk (x). 0 < j < n. . . s c c gdje ima ograniˇene skokove.k = ⎧ ⎨0 j. .1 Neka je fn (x) aproksimacija za f (x). z c Teorem 7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 441 7. Nije teˇko izraˇunati da je tada s c xα = cos(ϑα ). . ˇ s Sada moˇemo funkciju razviti po Cebiˇevljevim polinomima koriste´i prethodz c nu relaciju diskretne ortogonalnosti. 2 k=1 (7. 2 k=1 Pretpostavimo da je f neprekidna na [−1. neka je Tn (xα ) = cos(nϑα ) = 0. 2n n−1 α = 0. n α=0 n α=0 d0 n−1 + dk Tk (x). 0 . fn (cos ϑ) = ili fn (x) = Tada je dk = 2 n−1 2 n−1 f (cos ϑα ) cos kϑα = f (xα )Tk (xα ). ˇ s Za Cebiˇevljeve polinome. Moˇe se pokazati da vrijedi sljede´i teorem.2) −1 f (x)Tk (x) 2 √ dx = 2 π 1−x f (cos ϑ) cos kϑ dϑ. osim najviˇe u konaˇno mnogo toˇaka. ⎩ n j = k = 0.k = α=0 Tj (xα )Tk (xα ) = α=0 cos jϑα cos kϑα .

. neka je xα = cos(ψα ). . Primijetite da su to ekstremi odgovaraju´eg c z c ˇ s Cebiˇevljevog polinoma. n. n α = 0. . u ekstremima vrijede sljede´e relacije ortogonalnosti c Vj.2 Neka je n (x) = f (x) − fn (x). Iz prethodnih teorema uoˇavamo da xα leˇe u unutraˇnjosti intervala. Teorem 7. . 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. 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 . ψα = απ .7. . n − 1.14.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 . . ˇ s Za Cebiˇevljeve polinome. pribliˇno z n (cos ϑ) c5n+r cos(2n + r)ϑ + c7n cos 4nϑ − · · · . Sada moˇemo napraviti sliˇan niz tvrdnji kao za diskretnu z c ortogonalnost u nultoˇkama. tj. . 2 α=1 . r=1 Sljede´i teorem govori o greˇkama koje smo napravili aproksimacijom fn obzic s rom na f . k = 1. n pri ˇemu su fn i f zadani s (7. cn Posebno.14.1) i (7. . ≈ cn cos nϑ 1 + n (cos ϑα ) 2cn+1 cos ϑ .14.2). c ˇ s Neka su xα ekstremi Cebiˇevljevog polinoma Tn . 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 . vrijedi = 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 442 Osim toga.

⎧ ⎨0 ˇ s Sada moˇemo funkciju razviti po Cebiˇevljevim polinomima koriste´i prethodz c nu relaciju diskretne ortogonalnosti.3) e0 n−1 en + cos nψ. .14. n j = k = 0 ili j = k = n.14.7.2). .14.3) i (7. pribliˇno z δn (cos ψ) ≈ −2 sin nψ sin ψcn+1 1 + 2cn+2 cos ψ . 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 ) . k < n.4 Neka je δn (x) = f (x) − fn (x). 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 . Teorem 7. 2 2 k=1 (7. ek cos kψ + 2 2 k=1 Osim toga. s pri ˇemu su fn i f zadani s (7. n − 1. z c Teorem 7. k = 1. Za greˇku δn tada vrijedi c δn (cos ψ) = −2 sin nψ odnosno.3 Neka je fn (x) aproksimacija za f (x). cn+1 ∞ cn+r sin rψ r=1 .14. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 443 gdje je Vj. . 0 < j < n. = ⎩ n/2 j = k.14. j = k.k j. n 2 α=1 e0 n−1 en + ek Tk (x) + Tn (x). Moˇe se pokazati da vrijedi sljede´i teorem.

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

x2 ) − ρ0 (x1 ) Uvrˇtavanjem tog izraza u (7. x1 ) = ρ1 (x0 . x − x2 ρ1 (x1 . xk ) = ρk (x0 . . x1 ) = x1 − x0 . Pokaˇimo da vrijedi jedan vaˇan identitet iz kojeg ´emo izvesti Thieleovu forz z c mulu. . .3) .2) Iz ρ1 (x. . . xk ) − ρk−2 (x0 . . . . xk−1 ) k ≥ 2. odnosno φk (x0 . x2 ) + ρ2 (x. . . xk−2 . x2 ) x − x2 . . . . x1 ) − ρ1 (x1 . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 445 Uz reciproˇne razlike. x1 ) (7. xk−2 ). . ρ2 (x. .15. . . . odnosno za k ≥ 2 φk (x0 . x2 ) − ρ0 (x1 ) (7. x1 . x2 . . . ρ1 (x. . . iz formule ρ2 (x. x1 . xn−1 ) x − x1 f (x) − f (x1 ) x − x1 . . x2 )+ φ2 (x1 . ρn (x. xk ) = xk − xk−1 . φ1 (x0 . . . φk−1(x0 . . xk ) − φk−1(x0 . . . Tvrdimo da je f (x) = f (x1 ) + x − x2 x − x1 x − xn−1 ··· φ1 (x1 . x2 ) = slijedi da je ρ1 (x. u formuli za reciproˇne razlike uzmemo x0 kao varijablu i oznaˇimo je c c s x. x1 ). φ0 (x1 ) − φ0 (x0 ) c s Postoji i veza izmedu inverznih i reciproˇnih razlika. xn ) − ρn−2 (x1 . x3 )+ φn−1 (x1 . . xk−2 . φ1 (x0 . Nije teˇko pokazati da vrijedi φ0 (x0 ) = ρ0 (x0 ). Prvo. .2) dobivamo s f (x) = f (x1 ) + x − x1 .15. . x2 ) + x − x2 + ρ0 (x1 ) ρ1 (x. . . . ˇesto se definiraju i inverzne razlike c c φ0 (x0 ) = f (x0 ). x1 . . xn )+ x − xn (7. x1 ) = slijedi da je f (x) = f (x1 ) + Zatim. x1 .7.15.15. x1 ) = ρ1 (x1 .1) .

.1) dobivamo indukcijom po n. . x )+ φ1 (x1 . .76557 −0. xn ) − ρn−2 (x1 . formulu (7.4) zove se Thielova interpolaciona formula.0207583 2.000224507 92. . x1 .000008597 1255. . Ako z s c izbriˇemo zadnji ˇlan. .54 1. xn−1 ) (7.57 f (xk ) 24. x1 . Oni su za jednu verigu kra´i i to za onu verigu koja sadrˇi “ˇlan razlike” (7.53 + 0.15.1).4) jednak 0 za x = xn . onda ´e za racionalnu funkciju (veriˇni razlomak) s c c z R(x) = f (x1 ) + vrijediti R(xi ) = f (xi ). .49841 0. Primjer 7. .15. c To se odmah vidi iz (7. Pokaˇimo joˇ jednu zanimljivu ˇinjenicu vezanu uz formulu (7. Formula (7.15. gledamo R(xn−1 ) i f (xn−1 ). . Pokaˇimo na nekoz liko primjera koliko je dobra ta interpolacija.001255851 32. . c c xk 1. n. i = 1.55 1. . . xn ) 2 1 2 3 (7. ako znamo vrijednosti funkcije tg u s toˇkama c xi = 1.56 1.15.565 koriˇtenjem Thieleove interpolacione formule.56026 ρ1 ρ2 ρ3 ρ4 .1 Aproksimirajte tg 1. x . .62050 0.15.53 1. .1). APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 446 Konaˇno.15. . jer je ˇlan x − xn ρn (x.0106889 −0. . . Prvo izraˇunajmo reciproˇne razlike. . pa je R(xn ) = f (xn ). . .15. Nakon toga.0308670 2.01 ∗ i. . x2 ) φn−1 (x1 . .15.000640314 48.7.5) x − x1 x − xn−1 x − x2 ··· + φ (x . 4. ako krenemo od xn . uz koriˇtenje definicije inc s verznih razlika.46114 0. . . i = 0. veriˇni je razlomak kra´i za jednu verigu od c z c prethodne.5).07848 0.96838 3.97955 −0. c z c U svakoj daljnjoj toˇki xn−2 .

2 3 1 ..96713+ 3. 2 n=1 n ∞ . c c c SN = f Oˇito je da vrijedi c S = S∞ = f (0).56 x − 1.565) = 172.5208. I sumacija redova moˇe se znatno ubrzati koriˇtenjem racionalne ekstrapolacije. N Primjer 7. z s Pretpostavimo da treba izraˇunati c ∞ S= n=0 an .001255851 Uvrˇtavanjem 1. ili u nekim drugim toˇkama.5293+ 2. N1 N2 N1 < N2 < · · · 1 1 ...f . Oznaˇimo s SN .5211.. + −24.. N-tu parcijalnu sumu reda c N SN = n=0 an . u toˇkama 1/N. dok je prava vrijednost tg(1.55 x − 1. iz s f 1 1 .53 . z Ove vrijednosti SN moˇemo interpretirati kao vrijednosti neke funkcije f u toˇkama N.49841 + x − 1.59113 0. na primjer.f .15.. Ideja je f (0) izraˇunati kao ekstrapoliranu vrijednost od c f (1).2 Treba izraˇunati c S= koriˇtenjem racionalne ekstrapolacije.565 dobivamo s R(1.. s 1 .. f ili za neke viˇe N.54 x − 1.7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 447 Thielova interpolacija daje R(x) = 24.565) = 172.

Na primjer. R(x) = 1. onda moˇemo c z formirati tablicu reciproˇnih razlika.644901.255616663 −1.097945891 −0. 6 Zanimljivo je spomenuti ˇto se dobije ako samo zbrajamo ˇlanove reda i ne eks c strapoliramo.097945891 x− Uvrˇtavanjem 0 dobivamo s R(0) = 1.238678243 −1.25 1 Thielova interpolacija daje 1 1 1 1 x− x− x− 16 8 4 2 . S100000 = 1.644601.7.947195880 −0. dobivamo c S∞ = S3000 = 1.924005034+ 0.826059143 −0.527422052 −1.423611111 1. 16 i izraˇunati c c Sn = 1 .644927974. S30000 = 1.584346533 + + −1.204112002 4. 8.584346533 16 1 8 1 4 1 2 1 1.016938420 1. dok je prava vrijednost π2 = 1.089285214 −2 0. 2.644924.44 9. Vidjet ´emo da taj red vrlo sporo konvergira. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 448 Uzet ´emo N = 1. c x S(x) ρ1 ρ2 ρ3 ρ4 1 1.644934067. S10000 = 1.644834. 2 n=1 n N Shvatimo li to kao funkciju od x = 1/N i oznaˇimo S(x) = SN . .166126405 −1. 4.823024776+ 5.

Traˇimo sve one x ∈ I za koje je z f (x) = 0. Takve toˇke x zovu se rjeˇenja. gdje je I neki interval. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 449 8. pretpostavljamo da je f neprekidna na I i da su joj nultoˇke c izolirane. Op´enito o iterativnim metodama c Raˇunanje nultoˇaka nelinearnih funkcija jedan je od najˇeˇ´ih zadataka pric c c sc mijenjene matematike. U protivnom postojao bi problem konvergencije. korijeni pripadne jednadˇbe ili nultoˇke funkcije f .ˇ ˇ 8. Rjeˇavanje s nelinearnih jednadˇbi z 8. z c c . y y x x Traˇenje nultoˇki na zadanu toˇnost sastoji se od dvije faze. neka je zadana funkcija c f : I → R. Op´enito.1. c s z c U pravilu.

Iterativno nalaˇenje nultoˇke na traˇenu toˇnost. re´i c s c c ´emo da niz iteracija konvergira linearno s faktorom c.1. c c Definicija 8. tj. z c z c Postoji mnogo metoda za nalaˇenje nultoˇaka nelinearnih funkcija na zadanu z c toˇnost.1.1).2).1. p ≥ 1 ako vrijedi |α − xn | ≤ c |α − xn−1 |p . I u sluˇaju (8. onda dobivamo da je c |α − xn | ≤ cn |α − x0 |. . ali zbog toga ima i najloˇiju ocjenu s pogreˇke. (8. Izolacije jedne ili viˇe nultoˇki.1 Niz iteracija (xn . n ∈ N0 ) konvergira prema toˇki α s redom konvergencije p. b] i uvjet f (a) · f (b) < 0.2. tj. Uobiˇajen je sluˇaj da brze c c metode nemaju sigurnu konvergenciju.1) katkad nije zgodna za linearne iterativne algoritme. imamo li c c sigurnu konvergenciju ili ne i po brzini konvergencije. One se bitno razlikuju po tome ho´e li uvijek konvergirati. upotrijebimo indukciju po n. s Osnovna pretpostavka za primjenu algoritma raspolavljanja je neprekidnost funkcije f na intervalu [a. nalaˇenje intervala I unutar kojeg se nalazi s c z bar jedna nultoˇka. Ovo je teˇi dio posla i obavlja se na temelju analize toka c z funkcije. c z c Relacija (8.ˇ ˇ 8.1.1. U tom z sluˇaju je nuˇno da je c < 1 i obiˇno se c naziva faktor linearne konvergencije.2) nego (8. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 450 1.1).1. Ako je p = 1. c 8. Ona funkcionira za neprekidne funkcije.1.2) Katkad ´e biti mnogo lakˇe pokazati (8. Ako za sluˇaj p = 1 i c < 1 u (8. Metoda raspolavljanja (bisekcije) Najjednostavnija metoda nalaˇenja nultoˇaka funkcije je metoda raspolavljaz c nja. Brzina konvergencije se definira pomo´u reda konvergencije metode. n∈N (8. kaˇemo da niz konvergira linearno prema α.1. 2.1) za neki c > 0. dok je sporije metode imaju. n ∈ N.

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

} . bn ]. bn = bn−1 an = an−1 . s Algoritam 8.2. if f (x) ∗ f (b) < 0.0 then a := x else b := x. a x0 x1 b x Napiˇimo algoritam za metodu raspolavljanja. bn ]. c budu´i da je xn poloviˇte intervala [an . bn ] sastoji se u raspolavljanju intervala [an−1 .ˇ ˇ 8. x := (a + b)/2. onda je c s |α − xn | ≤ bn − xn . bn = xn−1 Postupak zaustavljamo kad je |α − xn | ≤ ε.1 (Metoda raspolavljanja) x := (a + b)/2. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 452 Konstrukcija intervala [an . { Na kraju je x ≈ α. Grafiˇki. a α ∈ [an . Kako ´emo znati da je prethodna relacija ispunjena ako ne znamo α? Jednostavno. while b − x > ε do begin. metoda raspolavljanja izgleda ovako c y ako je f (an−1 ) · f (xn−1 ) > 0. end. bn−1 ] toˇkom xn−1 i to tako da je c an = xn−1 . ako je f (an−1 ) · f (xn−1 ) < 0. pa je dovoljno postaviti zahtjev bn − xn ≤ ε.

Da bismo postigli da je |α − xn | ≤ ε.ˇ ˇ 8.2. ako f ima i neprekidnu prvu derivaciju. c Po Teoremu srednje vrijednosti za funkciju f imamo f (xn ) = f (α) + f (ξ)(xn − α). f (α) = 0. Ipak c desna strana daje nam naslutiti da ´e konvergencija biti dosta spora.2) . b]. (8. ali zdesna se nigdje ne pojavljuje |α − x0 |. 2 pa bismo relaciju (8. a zatim c uzmemo apsolutne vrijednosti obje strane. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 453 Iz konstrukcije metode lako se izvodi pogreˇka n-te aproksimacije nultoˇke. n≥ log 2 Ako je funkcija f joˇ i klase C 1 [a. odnosno log(b − a) − log ε − 1. 2n Ova relacija podsje´a na (8. c Relacija (8.1) mogli pisati kao |α − xn | ≤ 1 (b − x0 ).2). n+1 2 Zadnja nejednakost je ekvivalentna s b−a ≤ 2n+1 . c pri ˇemu je ξ izmedu xn i α.2.2. s moˇe se dobiti dinamiˇka ocjena za udaljenost aproksimacije nultoˇke od prave z c c nultoˇke. n ∈ N0 .1) 2 2 2 b−a = b − x0 .1) omogu´ava da unaprijed odredimo koliko je koraka raspolavc ljanja potrebno da bismo postigli toˇnost ε. ε a zatim logaritmiranjem nejednakosti dobivamo log(b − a) − log ε ≤ (n + 1) log 2. s c Vrijedi |α − xn | ≤ bn − xn = Primijetite da je 1 1 1 (bn − an ) = 2 (bn−1 − an−1 ) = · · · = n+1 (b − a). c dovoljno je zahtijevati 1 (b − a) ≤ ε.2. tj. odakle slijedi |α − xn | = |f (xn )| . tj. Prvo iskoristimo da je α nultoˇka. |f (ξ)| (8. Dobivamo |f (xn )| = |f (ξ)| |α − xn |.1.

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

imamo c c f [a. b]. b] − f [b. b−a prva podijeljena razlika (vidi primjer 1.3. za funkcije klase C 2 [a. b] f [b. b] f [a.2 srednje vrijednosti imamo f [a.4).1) a−b b−a = a − f (a) . Iskoristimo relaciju (8. c Izvedimo red konvergencije metode. α] − f [a. b] = f (ξ). b] .1.3.1) za x0 . ako je f klase C 2 [a. α] = (α − b) 1 + = (α − b) 1 + (b − α) (α − b)f [a.3. b] = Postoji nekoliko ozbiljnih problema s ovom metodom. Na sliˇan naˇin. 2 gdje se ζ nalazi izmedu minimima i maksimuma vrijednosti a. onda po teoremu 1. b] pri ˇemu je po definiciji f [a. α] druga podijeljena razlika (vidi primjer 1. pa je c z x0 = b − f (b) ili drugaˇije zapisano c x0 = b − gdje je f (b) f (a) =a− . b]. b. b] (α − b)f [a.ˇ ˇ 8.4) c f [a. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 455 Toˇka x0 dobiva se jednostavno iz jednadˇbe pravca. f [a. Iskoristimo li c te dvije relacije. b. α] f [a. α] = (α − b) 1 − = (α − b) f [a. = −(α − b) (α − a) f [a. f (b) − f (a) f (a) − f (b) f (b) − f (a) . α−a Ako je f klase C 1 [a.1. pomnoˇimo je s −1 i dodajmo α na obje strane.1. b] (α − b)f [a. ξ ∈ [a. α] = f [b. b. b] f [a. α] . b] f (b) − f (α) f [b.2) . b] f [a. b]. f [a. Dobivamo z α − x0 = α − b + f (b) f (b) = (α − b) 1 + f [a. b. α. b] dobivamo sljede´u ocjenu α − x0 = −(α − b) (α − a) f (ζ) . iako je aproksimacija pravcem i zatvaranje nultoˇke u odredeni interval sasvim dobra ideja. 2f (ξ) (8. α] = 1 f (ζ). b] (8. b.

pretpostavimo da je f (a) ≥ 0 za sve x ∈ [a. 2f (ξn ) Uzimanjem apsolutnih vrijednosti zdesna i slijeva. f (x1 )). dobivamo da je desna strana (8.2). α neprestano ostaje desno od aproksimacija xn . Poˇinjemo s dvije poˇetne toˇke x0 i x1 i povlaˇimo sekantu kroz (x0 . a spojnica toˇaka (a. Ta sekanta sijeˇe os x u toˇki x2 . pretpostavimo da je f (α) = 0 i α je jedini korijen unutar [a.1) .4. Pogled na sliˇnu ocjenu za metodu bisekcije. f (a)) i c c c (b. s z Sluˇaj f (x) < 0. a uvijek se pomiˇe c c c b.3. c c Drugim rijeˇima.3. c U ovom sluˇaju je aproksimacija nultoˇke uvijek desno od α. c c 8. slijedi da je u tom sluˇaju konc vergencija regule falsi linearna. Isto ´e se dogoditi u svim narednim koracima. α > x0 . f (b)) se uvijek nalazi iznad funkcije f . f (x2 )). c c c c c c c (x1 .3. Takoder. c U tom je sluˇaju f konveksna rastu´a funkcija. dobili smo metodu sekante. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 456 Da bismo pojednostavnili analizu. Promatramo li c (8. tako da dobivamo c xn+1 = xn − f (xn ) xn − xn−1 . f (x1 )) i (x2 . pa ´e c c se u sljede´em koraku pomaknuti a. tj.2) ve´a od 0. Metoda sekante Ako graf funkcije f aproksimiramo sekantom. sliˇno kao kod regule falsi . ali se nadamo da ´e metoda. Razlikujemo dva sluˇaja: c Sluˇaj f (x) > 0. b]. Formule za metodu c sekante dobivaju se iteriranjem poˇetne formule za regulu falsi . kad konvergira konvergirati brˇe nego regula c z falsi . Analiza ovog sluˇaja vrlo je sliˇna prethodnoj.4. to znaˇi da je b fiksan. Postupak nastavljamo povlaˇenjem sekante kroz posljednje dvije toˇke (x1 . b]. samo c ne zahtijevamo da nultoˇka funkcije f ostane “zatvorena” unutar posljednje dvije c iteracije. odmah kaˇe da ne bi trebalo biti c z preteˇko konstruirati primjere kad je metoda bisekcije brˇa no regula falsi .2). pa za proizvoljnu iteraciju xn dobivamo c α − xn = −(α − b) (α − an ) f (ζn ) .ˇ ˇ 8. f (x0 )). Time smo izgubili svojstvo sigurne konvergencije. Uvrˇtavanjem podataka o prvoj i drugoj s derivaciji u (8. f (xn ) − f (xn−1 ) (8.

1 Neka su f . RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 457 Grafiˇki to izgleda ovako. gdje je c √ 1+ 5 ≈ 1.2) za svaki n. Primijetite da jednostrukost nultoˇke osigurava f (α) = 0. x1 ∈ I vrijedi |α − x2 | ≤ |α − x1 | |α − x0 | M. 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 . neka je en = α − xn . niz iteracija xn c konvergirat ´e prema α s redom konvergencije p. ε > 0 c c nultoˇke α. f i f neprekidne za sve x u nekom intervalu koji sadrˇi z jednostruku nultoˇku α. za sve x0 . Da bismo skratili zapis. 2f (ξn ) (8.2). c y x1 x2 x0 x3 x Primijetite da je tre´e iteracija izaˇla izvan poˇetnog intervala. α + ε]. postoji okolina I = [α − ε. da smo “prirodno” numerirali prve dvije toˇke.2) Teorem 8. uz odgovaraju´e pretpostavke. pa metoda sekante c s c ne mora konvergirati. c s tako da je x0 < x1 . c c Ako su poˇetne aproksimacije x0 i x1 izabrane dovoljno blizu α. imali bismo konvergenciju prema rjeˇenju.4. Iskoristimo li ocjenu (8.3. Zbog relacije (8. takva da je u njoj f (x) = 0. p= 2 Dokaz. Imamo c α − xn+1 = −(α − xn ) (α − xn−1 ) f (ζn ) .4.ˇ ˇ 8. Jednako tako.4.618. Budu´i da je nultoˇka jednostruka.

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

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

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

2 min |f (x)| x∈I Za sve x0 ∈ I.5. vrijedi Cak s s α − xn+1 f (α) . dakle ako je nultoˇka z jednostruka. 2 Primijetite da prva dva ˇlana zdesna daju xn+1 . odnosno M|α − x1 | ≤ (M|α − x0 |)2 .1). α + ε] oko nultoˇke u kojem su funkcije f .1) Iz (8. Sliˇno. Ako je poˇetna aproksimacija x0 izabrana dovoljno blizu c c nultoˇke α. Izaberimo x0 tako da zadovoljava |α − x0 | ≤ ε i M|α − x0 | < 1.5. dobivamo c s 0 = f (α) = f (xn ) + f (xn )(α − xn ) + Premjeˇtanjem. koriˇtenjem (8. niz iteracija xn konvergirat ´e prema α s redom konvergencije p = 2. treba biti oprezan. ako je f (α) = 0. f (xn ) 2f (xn ) f (ξn ) (α − xn )2 .1). pa dobivamo c α − xn+1 = −(α − xn )2 f (ξn ) . . jer takav zakljuˇak vrijedi samo ako f (xn ) c c ne teˇi k nuli tijeku cijelog procesa. kao kod metode sekante. Izaberimo interval I = [α − ε. ˇto pokazuje da je s |α − x1 | ≤ |α − x0 | ≤ ε. dobivamo s |α − x1 | ≤ M|α − x0 |2 . moˇemo dokazati sljede´i teorem o konverc z c genciji Newtonove metode. =− lim 2 n→∞ (α − xn ) 2f (α) Dokaz. Tada je M|α − x1 | ≤ M|α − x0 |. z Teorem 8. Uvrˇtavanjem x = α. izlazi s α = xn − f (ξn ) f (xn ) − (α − xn )2 .ˇ ˇ 8.5. c c ˇ ˇtoviˇe.5. f i f neprekidne za sve x u nekom intervalu koji sadrˇi jednostruku nultoˇku α. 2f (xn ) (8. kad konvergira kvadratiˇno konc c vergentna. uz pretpostavku f (xn ) = 0. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 461 pri ˇemu je ξn izmedu x i xn . c f i f neprekidne i neka je max |f (x)| M = x∈I . tj. Ipak.1 Neka su f . odmah ˇitamo da je Newtonova metoda.

1). c z Budu´i da u (8. To. u nekim situacijama moˇemo iskoristiti c z sliˇan uvjet za osiguranje konvergencije Newtonove metode. nije dovoljan uvjet da c z vrijedi teorem (M op´enito ovisi o ε).1) ξn leˇi izmedu xn i α. x∈[a. M|α − xn | < 1 za sve n ≥ 1.b] Funkcija f je strogo monotona na [a. n odnosdno |α − xn | ≤ 1 n (M|α − x0 |)2 . b]. funkcija f je neprekidna na segmentu [a. Naime. f ima . kao i c uvjetima neprekidnosti funkcije i njenih prvih dviju derivacija. tada je f (x) > 0 (f (x) < 0) za sve x iz segmenta [a. odmah dobivamo xn → α kad n → ∞. Lokalnost se odnosi c na to da poˇetna aproksimacija mora biti dovoljno blizu nultoˇke c c |α − x0 | ≤ ε. b] (kompaktan skup u R).ˇ ˇ 8. onda mora biti ξn → α kad n → ∞. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 462 Primjenom istog argumenta. c Pretpostavimo da smo locirali nultoˇku funkcije f u segmentu [a. x∈[a. pa je m1 > 0. induktivno dobivamo |α − xn | ≤ ε. pa f poprima svoj minimum i maksimum u nekoj toˇki segmenta. Matematiˇkom indukcijom lako pokazujemo c M|α − xn | ≤ (M|α − x0 |)2 . c c Obratno. c Zbog toga je f (α) α − xn+1 f (ξn ) =− . m1 > 0 povlaˇi monotonost funkcije f . b] i znamo c 2 da je f klase C na tom segmentu. prethodni teorem daje dovoljne uvjete za tzv. Neka je M2 = max |f (x)|. lokalnu c konvergenciju Newtonove metode prema jednostrukoj nultoˇki. Da bismo pokazali konvergenciju iskoristimo (8.5. M Budu´i da je M|α − x0 | < 1.b] m1 = min |f (x)|. Veliˇina ε odredena je uvjetom M|α − x0 | < 1 koji osigurava konvergenciju. Imamo |α − xn+1 | ≤ M|α − xn |2 =⇒ M|α − xn+1 | ≤ (M|α − xn |)2 . Stoga. b] onda i samo onda ako je m1 > 0. M pa nas privlˇi ideja da treba uzeti ε = 1/M. Ako je f monotono rastu´a c c (padaju´a).5. naˇalost. ako je m1 > 0. lim = − n→∞ lim n→∞ (α − x )2 2f (xn ) 2f (α) n Jednostavnim rijeˇima. Ipak. Uoˇimo da vrijedi c |α − x0 | < 1 .

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

iz (8. xn ∈ [a. b]. b]. f i f imaju fiksni predznak na [a. onda moˇemo s z dobiti i globalnu konvergenciju Newtonove metode. 2m1 |f (xn )| . 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. f (a) · f (b) < 0 i neka f i f nemaju nultoˇke c u [a. Ako polazna iteracija x0 iz intervala [a. Teorem 8. m1 ˇto se moˇe iskoristiti u praksi. Ako joˇ i druga derivacija ima fiksni predznak na tom intervalu. s obzirom da raˇunamo na raˇunalu. dobivamo c f (xn ) = |f (xn )| ≤ M2 (xn − xn−1 )2 . b]. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 464 pa je f (ξn−1) (xn − xn−1 )2 . ili ekvivalentno. ako je m1 > 0.2.2) slijedi ocjena |α − xn | ≤ Kombinacijom ovih ocjena dobivamo |α − xn | ≤ M2 (xn − xn−1 )2 . 2 Koriste´i pretpostavku xn−1 . Uoˇimo da moˇemo koristiti i c s z c z raniji test |f (xn )| ≤ ε.2 Neka je f ∈ C 2 [a. zadnja c c nejednakost ´e vrijediti do na greˇke zaokruˇivanja. m1 U prethodnim ocjenama greˇke koristili smo pretpostavku da je f strogo monos tona na [a.ˇ ˇ 8. b] zadovoljava uvjet f (x0 ) · f (x0 ) > 0. Jasno. (tj. b]). Ako je ε gornja ograda za apsolutnu greˇku (uobis z s ˇajeno se to kaˇe samo traˇena toˇnost). 2 Kao i kod metode bisekcije. b]. onda niz iteracija dobiven Newtonovom metodom konvergira prema (jedinstvenoj jednostrukoj) nultoˇki α funkcije f . da prva derivacija ima isti predznak na cijelom intervalu.5. c .

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

Postoji mnogo naˇina za tu reformulaciju. zovu se fiksne toˇke od g. c uz x0 kao poˇetnu aproksimaciju za α. n ≥ 0. z Prethodni teoremi daju samo dovoljne uvjete konvergencije pojedinih iterativnih metoda.1 Reformulirajmo problem x2 − a = 0. radimo korak bisekcije za smanjivanje intervala. Ako se derivacija komplicirano c raˇuna. b].6. (8.ˇ ˇ 8.6. Na primjer. ´e biti c c brˇa. pa taj problem treba reformulirati na problem (8.6. toˇke za koje je x = g(x). iako Newtonova metoda ima ve´i red konvergencije nego metoda sekante. Ako pogledamo graf funkcije f na [a.6. 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. 8. rjeˇenje jednadˇbe z s z x = g(x). mi s c c c smo zainteresirani f (x) = 0. b] u kojem c c c smo locirali nultoˇku funkcije f . metoda sekante koja zahtijeva samo jedno izvrednjavanje funkcije.1). 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. c Primijetite da raˇunanje koriˇtenjem Newtonove metode moˇe trajati dulje c s z nego raˇunanje upotrebom metode sekante (uz upotrebu istog kriterija zaustavlc janja). tj. c z onda ju prihva´amo i s njom nastavljamo iteracije i skra´ujemo interval. Metoda jednostavne iteracije Pretpostavimo da traˇimo α. a nemamo dodatne informacije o funkciji f iz c kojih bismo mogli izvu´i zakljuˇak o konvergenciji brˇih iterativnih metoda. a>0 u oblik (8. Primijetite da Newtonova metoda pripada klasi jednostavnih iteracija. U proc c tivnom. U praktiˇnom raˇunanju ˇesto imamo samo interval [a. startnu toˇku x0 treba odabrati na “strmijoj” strani funkcije. Zbog c c z toga se ove metode katkad kombiniraju s metodom bisekcije na sljede´i naˇin. c Primjer 8.6. Uobiˇajeno. Prvo c c izraˇunamo novu iteraciju po brˇoj metodi i ako ona ostaje u trenutnom intervalu. f (x) Rjeˇenja. to moˇemo napraviti na jedan od sljede´ih naˇina: z c c .1) Definiramo jednostavnu iteracionu funkciju (iteracionu funkciju koja “pamti” samo jednu prethodnu toˇku) s c xn+1 = g(xn ).1). jer je g(x) = x − f (x) .

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

RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 468 ili drugim rijeˇima c (1 − λ) |α − β| ≤ 0. onda je po Teoremu srednje vrijednosti g(x) − g(y) = g (ξ)(x − y). n ≥ 0 vrijedi n→∞ ∀x ∈ [a. Tada vrijedi: 1.1 Neka je funkcija g neprekidno diferencijabilna na [a. b]. Definiramo λ = max |g (x)|. Budu´i da je 1 − λ > 0. b]. b]. Prvo. c Dokaˇimo joˇ konvergenciju jednostavnih iteracija za proizvoljnu startnu toˇku z s c x0 ∈ [a. b] povlaˇi da je xn = g(xn−1 ) ∈ [a. b]) ⊆ [a. za proizvoljni x0 ∈ [a.6. b]. za jednostavnu iteraciju xn+1 = g(xn ).2) vrijedi λ < 1. b]. b]. b]. (8. Nadalje. c s 2. Ako pustimo n → ∞. uoˇimo da xn−1 ∈ [a. x = g(x) ima toˇno jedno rjeˇenje na α ∈ [a.6. y ∈ [a. n→∞ α − xn lim . za sve x. n ≥ 1. neka je g([a. i neka za λ iz (8.6. x∈[a. Ako je g derivabilna na [a. |α − xn | ≤ λn |α − x0 | i α − xn+1 = g (α). c c vrijedi |α − xn | = |g(α) − g(xn−1 )| ≤ λ|α − xn−1 |.6.3) lim xn = α. onda λn → 0.2) onda moˇemo pisati z |g(x) − g(y)| = λ|x − y|. Primijetite λ moˇe biti ve´i od 1! z c Teorem 8. odnosno indukcijom po n dobivamo |α − xn | ≤ λn |α − x0 |. b].b] ξ izmedu x i y (8.ˇ ˇ 8. mora biti α = β. pa vrijedi xn → α. b].

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

pa je √ g ( a) = −1. mora biti √ −1 < 1 + 2c a < 1. onda je g (x) = 0. a 2.3 Neka je α rjeˇenje od x = g(x) i neka je g p puta neprekidno difers encijabilna za sve x u okolini α.4). Ovaj odjeljak zavrˇit ´emo promatranjem jednostavnih iteracionih funkcija.ˇ ˇ 8. Zatim. Ako je g(x) = a/x. s s Teorem 8. pretpostavimo da je g (α) = · · · = g (p−1) (α) = 0. Razvijmo g(x) u okolini α do ukljuˇivo (p − 1)-ve potencije i napiˇimo c s ostatak. 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 . kao ˇto je. imat ´e red konvergencije p i c α − xn+1 g (p) (α) . = (−1)p−1 n→∞ (α − xn )p p! lim Dokaz.6. pa je √ g ( a) = 0.5 (x + a/x). odnosno 1 − √ < c < 0. s c ali viˇeg reda konvergencije. (p − 1)! p! n≥0 (8.5 (1 − a/x2 ). slijedi xn+1 = α + odnosno α − xn+1 = − g (p) (ξn ) (xn − α)p . za neki p ≥ 2. iteracijska funkcija xn+1 = g(xn ).6. na primjer Newtonova metoda.6. Nadalje. Ako je g(x) = 0. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 470 Da bismo osigurali konvergenciju.4) za neki ξn izmedu xn i α. Iskoristimo li da je g(α) = α i pretpostavku (8. p! g (p) (ξn ) (xn − α)p . onda je g (x) = −a/x2 . uvrstimo x = xn . Ako je startna vrijednost x0 dovoljno blizu α. p! . 3.

koji pokazuje da ´e iteracijska funkcija z c konvergirati. pa je g(x) = x − (x − α)h(x) . Ako je f (α) = 0.7. Tada c vrijedi f (α) = f (α) = · · · = f (p−1) (α) = 0. f (x) xn+1 = g(xn ). f (x) Deriviranjem (8. ako funks c cija f ima neprekidnih prvih p + 1 derivacija i p-struku. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 471 Sada moˇemo primijeniti prethodni Teorem. onda ´e red konvergencije biti barem 3. uz pretpostavku da je f (α) = 0. 8.7. dobivamo c c g (α) = f (α) . ph(x) + (x − α)h (x) .ˇ ˇ 8. f (α) = 0. ˇto daje traˇenu relaciju. Newtonova metoda za viˇestruke nultoˇke s c Promotrimo ˇto ´e se dogoditi s konvergencijom Newtonove metode.1) dobivamo jednostavniji oblik za derivaciju f (x) = p(x − α)p−1h(x) + (x − a)p h (x). p ≥ 2 nultoˇku u α. pa i ξn → α. f (α) (f (x))2 − f (x)f (x) f (x)f (x) = .1) Ograniˇimo se samo na cjelobrojne p i promatrajmo Newtonovu metodu kao jedc nostavnu iteraciju. Samu funkciju f moˇemo napisati i u obliku z f (x) = (x − α)p h(x). c s z Koriˇtenjem prethodnog teorema moˇemo analizirati i Newtonovu metodu za s z koju je f (x) g(x) = x − . moˇemo pokazati da je red konvergencije Newtonove metode c jednak 2. Nadalje. h(α) = 0. f (p) (α) = 0. (8. to znaˇi da xn → α.7. f (x) Deriviranjem dobivamo da je g (x) = 1 − pa je g(α) = 0. 2 (f (x)) (f (x))2 z pa ako je f (α) = 0. Na sliˇan naˇin. g(x) = x − .

6. U prosjeku to je podjednako brzo kao bisekcija c s za p = 2 ili ˇak loˇije od bisekcije za p ≥ 3. Prvo pretpostavimo da znamo p. pa je f (x)f (x) 1 =1− . f (x) (f (x))2 − f (x)f (x) f (x)f (x) =1−p+p . Drugim rijeˇima. ali c c c primijenjena na u(x) konvergirat ´e kvadratiˇno. ˇto je vrlo sporo. ˇto pokazuje da ova modifikacija osigurava barem kvadratiˇno konvergentnu metodu. Prema teoremu 8. Definiramo iteracionu funkciju g(x) = x − p Tada je g (x) = 1 − p f (x) . c c xn+1 = xn − u(xn ) . 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. faktor konvergencije bit s ´e g (α) = 1 − 1/p. p d h(x) h(x) − (x − α) . ph(x) + (x − α)h (x) dx ph(x) + (x − α)h (x) ˇto pokazuje linearnu konvergenciju. 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)]. c s Kako moˇemo popraviti (ubrzati) Newtonovu metodu za p-struke nultoˇke. x→α (f (x))2 p lim Odatle odmah slijedi x→α lim g (x) = 0. 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. z c p ≥ 2.1. 2 (f (x)) (f (x))2 Iskoristimo li oblik funkcije f . u (xn ) . obiˇna Newtonova metoda.ˇ ˇ 8.

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

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

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. zk = z |xn+1 − xk−1 |.144714242553332.5.2 Nadite nultoˇku funkcije c f (x) = x3 − 5. Primjer 8. a pribliˇna nultoˇka bit ´e x27 = 1.9. x30 = 1. Primjer 8.23 dvostruka nultoˇka zadane funkcije. a konvergencija je bila kvadratiˇna. za istu toˇnost bilo nam je potrebno z s sc c c samo 7 iteracija.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.3 Nultoˇka funkcije c f (x) = arctg(x) c je x = 0. traˇimo aproksimaciju oblika ϕ(z) = cz p koja najbolje aproksimira skup podataka (zk . k = 1. . ili funkcija ima viˇestruku nultoˇku. fk ). pa Newtos c nova metoda konvergira samo linearno.229999999995655. c Zadatak 8. .56x2 + 9. Modificiramo li Newtonovu metodu tako da korekciju pomnoˇimo s viˇestrukoˇ´u nultoˇke. ⎪ ⎩ |x0 | = |β| Newtonova metoda sa startom x0 ciklira. metodi bisekcije bit ´e potrebno 27 rasz s polavljanja.9. Na´i c c ´emo toˇku β za koju vrijedi c c ⎧ ⎪ |x0 | ⎨ < |β| Newtonova metoda sa startom x0 konvergira.230000000463810. c Zatraˇimo li pogreˇku manju od 10−8 .5. z c c Za greˇku manju od 10−15 Newtonova metoda trebat ´e samo 7 iteracija i x7 = s c 1.1 Usporedimo brzinu metoda za izraˇunavanje 3 1. .144714239984751. . Definiramo li fk = |xn+1 − xk |.1389x − 4.68999 koriˇtenjem Newtonove metode. c Taj problem moˇemo interpretirati i kao traˇenje realne pozitivne nultoˇke z z c 3 funkcije f (x) = x − 1. |x0 | > |β| Newtonova metoda sa startom x0 divergira. s s c Nije teˇko pokazati da je 1. c c bilo nam je potrebno 30 iteracija za traˇenu toˇnost. ali Newtonova metoda ne´e konvergirati iz svake startne toˇke x0 .9. n. tako da greˇka bude manja od 10−15 . s s Pouˇeni prethodnim primjerom oˇekujemo desetak iteracija.ˇ ˇ 8. Umjesto toga. ˇto z c s je signaliziralo da smo ili loˇe derivirali. . √ Primjer 8.9. x7 = 1.

recimo za x0 = 1. c x0 = β i x0 = 1. dovoljno je da tangenta na funkciju u toˇki β presijeˇe os x c c u toˇki −β.0 x . Nacrtajmo grafove Newtonove metode za sve tri mogu´nosti za x0 .57 1.5. i nije ih teˇko izraˇunati metodom bisekcije s c β = ±1. y −β β x y −0. suprotnih c z c s predznaka. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 476 Kako ´emo na´i toˇku “cikliranja”? Funkcija f (x) = arctg x je neparna. 1 + β2 ˇime smo dobili nelinearnu jednadˇbu po β. Oˇito. 1 + β2 1 (x − β). ako je c c arctg β = 2β .ˇ ˇ 8. Jednadˇba tangente na arctg u toˇki β je c z c y − arctg β = pa ´e tangenta sije´i os x u −β.39174520027073489. pa da c c c bismo dobili cikliranje. postoje dva rjeˇenja.

RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 477 y −1.69 1.5 2.ˇ ˇ 8.32 x .

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

Koeficijenti xk c (m) integracije. (9. Zaˇto baˇ s s s s tako? Ako postoji Taylorov red za funkciju f i ako on konvergira. . onda aproksimacija Im (f ) ima oblik m Im (f ) = k=0 wk f (xk ). jer svojstvo (9.1. U c sluˇaju Gaussovih formula (ali moˇe se i kod teˇinskih Newton–Cotesovih formula) c z z uobiˇajeno je (9. . Ako su ˇvorovi fiksirani. moramo nekako odrediti 2m + 2 nepoznatih c c koeficijenata.3) onda osigurava egzaktnost za sve polinome do najviˇeg stupnja s baze. .1) zapisati u obliku c b I(f ) = a w(x)f (x) dx. za koje moramo odrediti m + 1 nepoznati koeficijent (teˇine). . . (m) (m) (m) (9. jednaka integralu c s greˇke koji nastaje kad iz Taylorovog reda napravimo Taylorov polinom. greˇka bi bila mala.ˇ 9. onda dobivano tzv. c S druge strane. ili dozvoliti da su svi z c ˇvorovi “slobodni”. z U op´em sluˇaju. x. onda bi to znaˇilo da integracijska formula egzaktno integrira poˇetni komad Taylorovog reda. x2 .4) pri ˇemu je funkcija w ≥ 0 tzv.3) dovoljno je gledati egzaktnost tih formula na nekoj bazi vektorskog prostora. moˇemo fiksirati samo neke ˇvorove. (9. a wk teˇinski koeficijenti. c c tj. xm . recimo ekvidistantni.}. x3 . recimo na {1. Ideja je “razdvojiti” podintegralnu .1. 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. z Uvjeti egzaktnosti na vektorskom prostoru polinoma tada vode na sustav linearnih jednadˇbi. . Ove posljednje formule zovu se formule Gaussovog tipa. tj. Uobiˇajen naˇin njihovog odredivanja je zahtjev da su integracijska c c formule egzaktne na vektorskom prostoru polinoma ˇto viˇeg stupnja. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 479 Ako koristimo samo funkcijske vrijednosti za aproksimaciju integrala.2) zovu se ˇvorovi c pri ˇemu je m neki unaprijed zadani prirodni broj. Drugim rijeˇima.1. Ona ima istu ulogu “gusto´e” c z c mjere kao i kod metode najmanjih kvadrata. Taylorov polinom. .1. za fiksni m.1. Newton– c Cotesove formule. s Zbog linearnosti integrala kao funkcionala (αf (x) + βg(x)) dx = α f (x) dx + β g(x) dx. teˇinska funkcija.

Dakle. s tim c da je prvi ˇvor u toˇki x0 := a. Za m = 1. . hm = b−a .2. b]. 9.ˇ 9. . Trapezna formula Izvedimo najjednostavniju (zatvorenu) Newton–Cotesovu formulu za m = 1. aproksimacija integrala (9. tako da integracijska formula egzaktno integrira c z polinome ˇto viˇeg stupnja na intervalu [a. . a .1) 9. .2.1. moˇemo s z (1) (1) s izostaviti gornje indekse u wk .2. piˇemo wk := wk . Gaussove se forc mule nikad ne raˇunaju “direktno” iz uvjeta egzaktnosti. b]. tako da singulariteti budu ukljuˇeni u w.. Pokazat ´emo da postoji veza Gaussovih formula. a posljednji u xm := b.1) ima oblik I1 (f ) = w0 f (x0 ) + w1 f (x0 + h1 ). tj. pri ˇemu je c b−a = b − a. 1 pa je x0 = a i x1 = b. 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). m Drugim rijeˇima.2. koji nisu z c prostori polinoma do odredenog stupnja. k = 0. 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 . Newton–Cotesove formule Newton–Cotesove formule zatvorenog tipa imaju ekvidistantne ˇvorove. Da bismo olakˇali pisanje. jer to vodi na nelinearni c sustav jednadˇbi. c Na kraju ovog uvoda spomenimo joˇ da postoje primjene u kojima je korisno s traˇiti egzaktnost integracijskih formula na drugaˇijim sustavima funkcija. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 480 funkciju na dva dijela. funkcije w i z c ortogonalnih polinoma obzirom na funkciju w na intervalu [a. (m) (9. radi jednostavnosti. osnovni je oblik Newton–Cotesovih formula c b f (x) dx ≈ Im (f ) = a m k=0 wk f (x0 + khm ). moramo prona´i teˇine w0 i w1 . kad znamo da je m = 1. Preciznije. koja omogu´ava c efikasno raˇunanje svih parametara za Gaussove formule. m. tj.

Ako je f neki od polinoma baze vektorskog prostora.ˇ 9. dobivamo z z (b − a)w1 = b2 − 2ab + a2 (b − a)2 b2 − a2 − a(b − a) = = . morat ´emo izraˇunati njegov integral. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 481 Stavimo. aw0 + bw1 = 2 Pomnoˇimo li prvu jednadˇbu s −a i dodamo drugoj. a Sada imamo dvije jednadˇbe s dvije nepoznanice z w0 + w1 = b − a b2 − a2 . 2 2 . a k ≥ 0.2. dijeljenjem s b − a. Zbog c c toga je zgodno odmah izraˇunati integrale oblika c b xk dx. redom. Vrijedi b xk dx = a xk+1 k+1 b = a bk+1 − ak+1 . pa moramo zahtjevati da integracijska formula bude egzaktna i na polinomima stupnja 1. dobivamo c w1 = h 1 (b − a) = . k+1 (9. uvjete na bazu vektorskog prostora polinoma. 2 2 2 Budu´i da je a = b. Za f (x) = x izlazi b2 − a2 = 2 b x dx = w0 · a + w1 · b. 2 2 Drugu teˇinu w0 lako izraˇunamo iz prve jednadˇbe linearnog sustava z c z w0 = b − a − w1 = h 1 (b − a) = . Odmah je oˇito da iz jedne jednadˇbe ne moˇemo odrediti dva nepoznata paramec z z tra. a zatim rezultat koristiti za razne k.2) Za f (x) = 1 = x0 dobivamo b b−a= a x0 dx = w0 · 1 + w1 · 1.

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

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

x∈(0. a m = inf g(x).ˇ 9. z Teorem 9.2. Prethodna formula lako se dokazuje. lako dokazujemo integralni teorem srednje vrijeds nosti s teˇinama. Na primjer. m ≤ µ ≤ M takav da vrijedi b b w(x)g(x) dx = µ a a w(x) dx.2. ali je c sup x = 1.3) Digresija za nematematiˇare.3). x∈[a. b]. b] i neka je m = inf g(x).b] onda vrijedi b b b m a w(x) dx ≤ a w(x)g(x) dx ≤ M a w(x) dx. neka je w(x) ≥ 0 na [a. b] i ako je w(x) ≥ 0 na [a.4) nema ni maksimum.2. Na primjer. jer je m ≤ g(x) ≤ M =⇒ mw(x) ≤ g(x)w(x) ≤ Mw(x). Supremum je maksimum funkcije koji se c c ne mora dosti´i. Tada postoji broj µ. Iskoristit ´emo generalizaciju teorema srednje c c vrijednosti za integrale. ali je x∈(0.1) (9. x∈[a. (9. funkcija iz relacije (9.1) Koriˇtenjem relacije (9.2. x∈[a.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.b] Nadalje. 1) nema minimum.b] M = sup g(x). Sliˇno vrijedi i za sup (ˇitati supremum). M = sup g(x).b] x∈[a. funkcija c g(x) = x na (0.2. Ako su funkcije g i w integrabilne na [a. b]. inf (ˇitati infimum) je minimum funkcije koji se ne c c mora dosti´i.1 Neka su funkcije g i w integrabilne na [a. . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 484 Ostaje samo izraˇunati E1 (f ).

ako je g neprekidna na [a. a onda dijeljenjem formule (9. Ako je b w(x) dx = 0. a onda je po (9.3) 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. pa mora posti´i i µ.2. a pa za µ moˇemo uzeti proizvoljan realan broj. Drugim z rijeˇima. onda postoji broj ζ takav da je b b w(x)g(x) dx = g(ζ) a a w(x) dx. b]. Dokaz.ˇ 9.3) i b w(x)g(x) dx = 0. 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. postoji ζ takav da je µ = g(ζ). b]. 2 Primijetite da je funkcija (x − a) (x − b) ≤ 0 na [a. ve´ smo pokazali da je c b E1 (f ) = a f (ξ) (x − a) (x − b) dx. c Prisjetite se. Ako je z b w(x) dx > 0. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 485 Posebno. 2 .

b−a . b]. Moramo postaviti najmanje tri jednadˇbe. vrijedi da je b E1 (f ) = −f (ζ) a − (x − a) (x − b) dx. (ˇto znaˇi da je 0 f ∈ C [a. .2.ˇ 9.2. moˇemo. 2 Ponovno. to nisu isti wk i h kao u trapeznoj formuli! Kad uvrstimo znaˇenje h u aproksimacijsku formulu. Simpsonova formula Izvedimo sljede´u (zatvorenu) Newton–Cotesovu formulu za m = 2. izostaviti gornje indekse u wk := wk . 2 pri ˇemu je c (2) (2) (2) Stavimo uvjete na egzaktnost formule na vektorskom prostoru polinoma ˇto s viˇeg stupnja. b]). 2 12 12 h3 E1 (f ) = −f (ζ) . jer imamo tri nepoznata s z koeficijenta. Za m = 2. da bismo olakˇali pisanje. 12 pa je 9. radi jednoss z (2) tavnosti. Integriranjem dobivamo c b a (x − a) (x − b) (b − a)3 h3 dx = − =− . 2 Ovaj se integral jednostavno raˇuna.2. Za f (x) = 1 dobivamo b b−a= a x0 dx = w0 · 1 + w1 · 1 + w2 · 1. Oprez. dobivamo c h := h2 = I2 (f ) = w0 f (a) + w1 f a+b + w2 f (b). aproksimacija integrala (9. kad znamo da je m = 2. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 486 pa moˇemo uzeti z w(x) = − (x − a) (x − b) . poznatu c pod imenom Simpsonova formula. s c Po generaliziranom teoremu srednje vrijednosti. 2 g(x) = −f (ξ).1) ima oblik I2 (f ) = w0 f (x0 ) + w1 f (x0 + h2 ) + w2 f (x0 + 2h2 ). ako je f ∈ C 2 [a.

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

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

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

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

84955208882447960 29.3. Umjesto da diˇemo red c s z .66535357008912674 4 2. z c Pokaˇimo to na primjeru Runge.40875745881652541 16 −6.15219287585834703 8 1.87662129010920670 −16.ˇ 9.36218614927464711 2 6.43910922619772403 6 3. jer to postaje opasno. Rjeˇenje s s je vrlo sliˇno onome ˇto smo primijenili kod interpolacije.08144796380090498 0. Ako ne valja dizanje stupnjeva interpoz lacijskih polinoma na ekvidistantnoj mreˇi. s Red formule m Aproksimacija integrala Greˇka s 1 0.87044867347079978 −1. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 491 9.37400530503978780 0.50048890712791179 1.74680153389003172.05973804964347061 13 1.30769230769230769 0.24477294027858525 −0.49797140638855353 12 −0.91979721683238891 0. Prava vrijednost integrala je z 5 −5 dx = 2 arctg 5 ≈ 2. 1 + x2 Sljede´a tablica pokazuje aproksimacije integrala izraˇunate Newton–Cotesovim forc c mulama raznih redova i pripadne greˇke.59635362271451140 Oˇito je da aproksimacije ne konvergiraju prema pravoj vrijednosti integrala.04807026098176315 3 2.39861789784183472 0.15555899270655713 −1.67330055565349876 −1.38461538461538462 2. Potc punije opravdanje ovog ponaˇanja dajemo neˇto kasnije.48629209245242800 18 18.2.24602608588196936 −4.31293651575343889 3.15274310696189909 15 4.24631262676211993 9 2.37279622885024392 5 2.49922455199193763 20 −26. onda ne´e biti dobri niti njihovi integrali.82700431705764282 14 7.89899440974837875 −0.89954464085193082 −5. Produljene formule Nije teˇko pokazati da su sve Newton–Cotesove formule integrali interpos lacijskih polinoma na ekvidistantnoj mreˇi.92649902176346704 11 3.12364713958076805 7 2.24143731477308329 8. s s I ˇto sad? Ne smijemo dizati red formula.98823884866311501 17 0.12981975621917490 19 7.26050944143760372 2.79487179487179487 −4.34818363604819700 10 4.

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

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

NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 494 S pri ˇemu je En (f ) greˇka produljene formule.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 . 180n4 odnosno da je n≥ 4 (b − a)5 M4 . 180ε n paran cijeli broj. 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 .2. b]. 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 . ξ ∈ [a. x∈[a.4. 90 Opet je greˇku korisno napisati malo drugaˇije s c S En (f ) h5 (n/2) 2 n/2 (4) =− f (ζk ) .b] S ˇ Zelimo li da je |En (f )| ≤ ε. 180 180n4 M4 = max |f (4) (x)|.ˇ 9.2. 9. Koliko je podintervala potrebno s za istu toˇnost koriˇtenjem (produljene) trapezne formule? c s . pa dobivamo S En (f ) = − h5 n (4) (b − a)h4 (4) f (ξ) = − f (ξ). izraz u zagradi moˇemo zamijeniti c c z (4) s f (ξ). 180 180 Ponovno. onda je dovoljno traˇiti da bude z (b − a)5 M4 ≤ ε. 90 n k=1 Sliˇnim zakljuˇivanjem kao kod trapezne formule. Primjeri Primjer 9. Nadite pravu vrijednost integrala i pogreˇke.

f (4) (x) = (x − 4)e−x . f (5) (x) = (5 − x)e−x . x∈[1. f (2) (x) = (x − 2)e−x . treba najmanje nS = 10 podintervala.09. 12 · 10−6 pa je najmanji broj podintervala nT = 176. Sad moˇemo upotrijebiti produljenu Simpsonovu formulu s 10 podintervala (11 z .103638323514. Derivacije su redom c f (1) (x) = (1 − x)e−x . Na intervalu [1.367879441171. ˇto znaˇi da f (4) raste.ˇ 9. Za to su nam potrebni maksimumi apsolutnih vrijednosti druge i ˇetvrte derivacije na zadanom intervalu. 180 · 10−6 tj. x∈[1. Na intervalu [1. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 495 Prmo. (3) M2 = max |f (2) (x)| = |f (2) (1)| = e−1 ≈ 0. ˇto znaˇi da f (2) raste. ˇto znaˇi da je njen maksimum po apsolutnoj vrijednosti ponovno u lijevom rubu. 2] s s c s c je f (x) > 0.85. (5) M4 = max |f (4) (x)| = |f (4) (1)| = 3 · e−1 ≈ 1.2] Za greˇku produljene Simpsonove formule imamo s nS ≥ 4 (b − a)5 M4 = 180ε 4 3 · e−1 ≈ 8. 2] je s s c c s f (x) > 0. Takoder je i f (4) (x) < 0. tj. moramo ocijeniti pogreˇku za produljenu trapeznu i produljenu Simps sonovu formulu. f (3) (x) = (3 − x)e−x . tj. Nadimo maksimume apsolutnih vrijednosti derivacija na zadanom intervalu. Prvo ocijenimo greˇku za produljenu trapeznu formulu.2] Broj podintervala nT za produljenu trapeznu formulu je nT ≥ (b − a)3 M2 = 12ε e−1 ≈ 175. Sada ocijenimo greˇku za produljenu Simpsonovu formulu. pa je maksimum apsolutne vrijednosti druge derivacije u lijevom rubu. Uoˇimo joˇ da je na zadanom intervalu f (2) (x) ≤ 0.

3 1.2841803765 0.1 (S0 + S1 + S2 ) = 0. S1 = 4(f (x1 ) + f (x3 ) = f (x5 ) + f (x7 ) + f (x9 )) = 6. 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. 3 xk 1. tj.9 2.ˇ 9.0 1.328 · 10−7 . Drugim rijeˇima. S2 = 2(f (x2 ) + f (x4 ) + f (x6 ) + f (x8 )) = 2. Parcijalna integracija daje s 2 xe 1 −x dx = du = dx u = x.4 1.3452357495 0.3297530326 − 0.2706705665 U ovom konkretnom sluˇaju moˇemo bez puno napora izraˇunati i egzaktnu c z c vrijednost integrala.6544824628.5 1.3678794412 0.8 1.3230344288 0. prava pogreˇka je c s I − IS = 0. s s .3661581921 0.0 f (xk ) 0.1 1.3297526998 = 3.3614330543 0. ocjena greˇke nije daleko od prave pogreˇke.3297530326. −x dv = e dx.63855000765.7 1.3297526998.2 1. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 496 ˇvorova). Jedina korist od toga je da vidimo koliko je zaista ocjena za Simpsonovu metodu bliska sa stvarnom greˇkom.3542913309 0.3105619909 0.3346952402 0. Vrijednost integrala po Simpsonovoj formuli je Is = 0. Imamo c k 0 1 2 3 4 5 6 7 8 9 10 Sada je S0 = f (x0 ) + f (x10 ) = 0.2975379988 0.5995485226.6 1.

2 onda koriste´i istu tehniku kao kod izvoda greˇke za Simpsonovu formulu. 2 Greˇka te integracijske formule je integral greˇke interpolacijskog polinoma stupnja s s 0 (konstante). 24 . poznata pod imenom “midpoint formula” (formula srednje toˇke). 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. koji interpolira funkciju f u srednjoj toˇki. xm+1 := b i hm = b−a . odakle odmah slijedi da je b f (x) dx = (b − a)f a a+b . s s Za f (x) = 1. c Ako definiramo x−1 := a.2. (m) (9.6) Vjerojatno najkoriˇtenija i najpoznatija otvorena Newton–Cotesova formula je ona s najjednostavnija za m = 0. izlazi da c s je greˇka midpoint formule s b E0 (f ) = a e0 (x) dx = f (ξ) (b − a)3 . m+2 onda otvorene Newton–Cotesove formule imaju oblik b f (x) dx ≈ Im (f ) = a m k=0 wk f (x0 + khm ). c Dakle za bismo odredili midpoint formulu. Ako definiramo c x w(x) = a (t − c) dt.2. Formula srednje toˇke (midpoint formula) c Ako u Newton–Cotesovim formulama ne interpoliramo (pa onda niti ne integriramo) jednu ili obje rubne toˇke. c := a+b . dobili smo otvorene Newton–Cotesove formule. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 497 9.ˇ 9.5. imamo b (0) b−a= a 1 dx = w0 .

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

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

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

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

1 Rombergovim algoritmom s toˇnoˇ´u 10−12 nadite vrijednosti intec sc grala 1 1 1 √ x 3/2 e dx. nakon 25 podintervala u trapeznoj formuli. . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 502 Ako pogledamo omjere greˇaka ˇlanova u stupcu.5738 1. x dx.9969 3. dobivamo umjesto prave vrijednosti integrala I.0000 63. 1 16 16 . . x dx 0 0 0 i pokaˇite kako se ponaˇaju omjeri pogreˇaka u stupcima. . Primjer 9.ˇ 9. . Eksponencijalna funkcija ima beskonaˇno mnogo c neprekidnih derivacija. . . z s s Pogledajmo redom funkcije. .0000 62. c s Kao vrijednost. pa bi se raˇunanje integrala morala ponaˇati po predvidanju. omjeri pogreˇaka u stupcu se moraju ponaˇati kao s s 1 4 4 4 .. .7197 1. Pokaˇimo na primjeru da prethodni omjeri pogreˇaka u stupcu vrijede samo z s ako je funkcija dovoljno glatka. uz pretpostavku dovoljne s c glatko´e.9913 15.9944 1. pribliˇnu vrijednost z I5 = 1. .71828182845904524 I − I5 = 0.9777 15.9875 3.4010 1000. Pokaˇimo omjere pogreˇaka u stupcima.0000 .0000 63.0000 15. 1 64 . onda dobivamo c (k) En = 22k+2 . (k) E2n tj.71828182845904524 I = e − 1 = 1.9998 1. z s 0 1 2 3 4 5 1.6517 15.9017 254.9992 3.3.4639 1. .6087 249.9512 3. 1 . .0000 3.

6539 .6568 ··· 1.6484 5.6569 1. .7346 3.5000 ··· 1.9381 3.5000 1.0000 .00000000000004512.6569 1. 1. . 1. s 0 1 2 3 4 5 6 . . pa bi zanimljivo ponaˇanje moralo poˇeti ve´u drugom stupcu (za trapez je funkcija dos c c voljno glatka za ocjenu pogreˇke).9995 1.8721 3. 1.5000 1. .9910 9.5000 2.0000 5. Kao vrijednost.9920 3. 5.0000 .9642 1..0000 1.9775 1.0000 2.9531 1.9955 1.9843 . . Bit ´e c s c s nam mnogo lakˇe provjeriti ˇto se dogada ako napiˇemo samo eksponente omjera s s pogreˇaka.0000 3.0000 5.0000 . ..0000 5. Primje´ujemo da su se nakon prvog stupca omjeri pogreˇaka stabilizirali. .5000 1.6484 5.0000 2. nakon 215 podintervala u trapeznoj s formuli.6569 · · · 5.0000 3.4939 2. ··· 15 3..9989 1.9682 3.9912 7.ˇ 9.4847 5. .5000 .9980 3.40000000000004512 I = 2/5 = 0. koji bi ako je funkcija s glatka morali biti 2k + 2).9993 2.9978 7.0000 5.9666 1.9999 1.8154 3.4999 1.0000 1.0000 5. ..0000 2.9112 3.5000 2.4978 2. dobivamo umjesto prave vrijednosti integrala I.4978 2.4832 2.5912 5. 2.6568 5. .0000 2. .0000 5.9318 1.9997 1. ··· 15 1. . .0000 . ˇ Primijetite da je broj intervala popriliˇno velik! Sto je s omjerima pogreˇaka? c s 0 1 2 3 4 5 6 . 1. 1. .6569 1.40000000000000000 I − I15 = −0. pribliˇnu vrijednost z I15 = 0.0000 2.6559 5.9676 1.5000 2.6569 .0000 ˇ Sto je s drugom funkcijom? Funkciji f (x) = x3/2 puca druga derivacija u 0.9981 5.6331 5.0000 5.6568 5.0000 5.9010 1.5000 2.9567 .9823 1. 1. 0 1 2 3 4 5 1.5000 2.9650 1. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 503 a zatim samo eksponente omjera pogreˇaka (eksponenti od 2. .4992 .6566 1.4554 2.

5000 1.0000 1. . jer njoj puca prva derivas 15 s c c cija u 0.7393 2.4538 1. . .0000 1. ne dobivamo ˇeljenu toˇnost z c I15 = 0. Nakon 2 podintervala u trapeznoj formuli (ˇto je ograniˇenje zbog veliˇine polja u programu).8284 2. .5000 1. c √ Situacija s funkcijom f (x) = x mora biti joˇ gora.5000 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!).8284 1.0000 2.ˇ 9. . . . 4m − 1 0 1 2 3 4 5 . 15 1.5000 · · · · · · 1...4779 .8200 1.7854 . U oba sluˇaja. . moˇe se Rombergovom algoritmu “poz mo´i” tako da supstitucijom u integralu dobijemo glatku funkciju. .8281 1.0000 1.0000 1.0000 2..4998 1.0000 2.00000001155829033.8284 · · · · · · 2. 15 2. .5000 1.4681 1.4991 1. .8284 · · · · · · 2.8271 2.4324 1.. u ova dva jednostavna primjera.5000 · · · · · · 1. .8267 2.7667 2. Omjeri pogreˇaka u tablici su: s 1.4957 1. . 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 = .0000 Pripadni eksponenti su 1. .4998 1. .4993 1.8284 1.8284 1. c c 2 ako stavimo supstituciju x = t . . 1.6408 2.4010 1. .0000 1.66666666666666667 I − I15 = 0. 1.0000 .0000 2. .0000 Ipak. podintegralna ´e funkcija imati beskonaˇno mnogo c c neprekidnih derivacija.0000 2. pa ´e se algoritam ponaˇati po ocjeni pogreˇke. 0 1 2 3 4 5 .6990 2. .0000 . . .8281 2.66666665510837633 I = 2/3 = 0.

60355 0. ali nemamo prostora za ispis) c 0 0. (0) .63671 0. .02832 0.03710 0.03745 0. koji ne opisuju dobro ponaˇanje funkcije.29273 5 0.03745 ˇ Sto je razlog stabilizacije oko jedne.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 .03525 0. .03745 0.03745 0.06397 0.06362 6 0.03756 0.21768 −0.63662 4 −0.03697 0.03700 7 0.03697 0.ˇ 9. .27464 −0..03745 0.00616 −0. s y x Produljena trapezna formula s 2 podintervala. . . .06225 0.66667 2 0. .63661 0. Primjer 9.03745 0. T1 .03690 0.63616 3 0. odnosno ne treba koristiti Romberz gov algoritam. ostale pamtimo u raˇunalu.62841 0.28910 −0. . .03745 0.05698 0.03982 0. pa oko druge vrijednosti? Nedovoljan broj podintervala u trapezu.63807 0.50000 0. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 505 Sama tablica ima oblik T0 T0 (0) (1) (2) T1 (0) (1) T0 . Pokaˇimo sad nekoliko primjera kako treba.03741 0.3.00000 1 0. Napiˇimo tablicu (samo prvih par s decimala. T2 .

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

4. (n) (n) (9.ˇ 9. ako je w(x) = 1 na cijelom [a. Kao i ranije. ukljuˇuju´i op´e Newton–Cotesove i Gaussove formule. (9.1) gdje je w pozitivna (ili barem nenegativna) “teˇinska” funkcija za koju pretpoz stavljamo da je integrabilna na (a. da skratimo pisanje. b). NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 507 9. c Teorem 9. z c c Drugim rijeˇima. U ovom c odjeljku napravit ´emo op´u konstrukciju i analizu toˇnosti za neke klase integracic c c jskih formula. Teˇinske integracijske formule z Dosad smo detaljno analizirali samo nekoliko osnovnih Newton–Cotesovih integracijskih formula s malim brojem toˇaka i pripadne produljene formule.4) i postoji funkcija f za koju se ova ocjena dostiˇe. umjesto Iw (f ). ovaj integral aproksimiramo “teˇinskom” sumom funkcijskih vriz jednosti funkcije f na konaˇnom skupu toˇaka. Za razliku od ranijih oznaka.4. Dakle.4. onda vrijedi ocjena |Iw (f ) − Iw (f )| ≤ w 1 f −f ∞. ali ne treba zaboraviti na ovisnost o n.4.4. z . sasvim op´enito moˇemo pisati c z b Iw (f ) = a f (x)w(x) dx = In (f ) + En (f ). c c c ˇ Zelimo (pribliˇno) izraˇunati vrijednost integrala z c b Iw (f ) = a f (x)w(x) dx.1 Ako je Iw (f ) iz (9. Kao i prije.4. promatramo op´i problem jednodimenzionalne integracije zadane c c funkcije f po zadanoj neprekidnoj mjeri dλ generiranoj teˇinskom funkcijom w na z zadanoj domeni. s Osnovnu podlogu za konstrukciju integracijskih formula i ocjenu greˇke En (f ) s daje sljede´i rezultat. i ako je f bilo koja druga funkcija za koju postoji Iw (f ).2) gdje je n prirodni broj. ako su oˇiti iz konteksta. Interval integracije moˇe biti konaˇan. a ne od 0. Katkad koristimo i skra´enu oznaku I(f ). b].1). za intec gral u (9. ovdje c c je zgodnije toˇke numerirati od 1.1) Riemannov integral. gornje indekse (n) za ˇvorove i teˇine ˇesto ne c z c piˇemo. ili kad je teˇinska funkcija jasna iz z konteksta. (9. ali i beskonaˇan. s c Dakle.4.4. s tim da dozvoljavamo da w nije definirana u rubovima a i b.3) gdje je En (f ) greˇka aproksimacije. (9. 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 ).

gdje je c > 0 bilo koja konstanta. Prethodna ocjena upu´uje na to da.ˇ 9. Zamislimo da je f neka aproksimacija (a ne perturbacija) funkcije f . u ovisnosti c . s c Medutim. uz f − f ∞ = c. Ono ˇto stvarno ˇelimo dobiti je niz aproksimacija integrala koji konvergira s z prema Iw (f ). b] integracije c mora biti konaˇna. za klasiˇni Riemannov integral.4. Ako za perturbiranu funkciju f uzmemo z f (x) := f (x) + c sign(w(x)). onda u ocjeni (9. 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. c Ovaj rezultat moˇe se proˇiriti i na neprave Riemannove integrale (beskonaˇna z s c domena. U ovoj formulaciji. ve´ je kljuˇna malo drugaˇija interpretacija c c c ocjene (9. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 508 Dokaz. ∀x ∈ [a.4.4). ali zato treba pretpostaviti da je |w| integrabilna.4) dobivamo jednakost. Ocjena izlazi direktno iz osnovnih svojstava Riemannovog integrala jer podintegralne funkcije moraju biti ograniˇene. i definiciju L1 norme funkcije w (koja je apsolutno integrabilna po pretpostavci) b w 1 = a |w(x)| dx. singulariteti funkcija). trenutno nam to nije bitno. preko greˇke aproksimacije funkcije u uniformnoj (L∞ ) s s normi na [a. ve´ samo o Iw . Prvo uoˇimo da w ne mora biti nenegativna. Jedan od puteva da to postignemo je izbor odgovaraju´eg niza aproksic macija fn .b] ∞. n ∈ N. pa dobivamo traˇenu ocjenu. i tada viˇe ne vrijedi zakljuˇak o broju uvjetovanosti. Onda (9. b]. koju ˇelimo iskoristiti za pribliˇno raˇunanje integrala. domena [a. Iskoristimo ocjenu |f (x) − f (x)| ≤ sup |f (x) − f (x)| = f − f x∈[a. za funkciju f .4. jer je rijeˇ o Riemannovom c c integralu. Teorem onda kaˇe da je apsolutni broj uvjetovanosti za Iw (f ) c z upravo jednak w 1 i ne ovisi o f .4) daje ocjenu (apsoz z c lutne) pogreˇke u integralu. b].

n → ∞. To se najlakˇe s postiˇe tako da konstruiramo pripadnu integracijsku formulu In koja je egzaktna na z cijelom prostoru Vn = Pd aproksimacijskih funkcija. za bilo koji f |En (f )| = |Iw (f ) − In (f )| = |Iw (f ) − Iw (fn )| ≤ w 1 f − fn ∞. naravno. . Uoˇimo da ove aproksimacije.4. korisno je dozvoliti da bude d = n. Pripadni prostori Vn generirani su poˇetnim komadima ovog sustava funkcija (kao linearne ljuske). gdje d ovisi o n (i raste s n). b] neprekidnih funkcija na [a. ovise o konkretnoj funkciji f . za sve f ∈ Vn . (9. umjesto niza pojedinaˇnih aproksic macija.5) postoje i da su konaˇni.ˇ 9.3) i (9. Da ne c bismo za svaki novi f posebno konstruirali odgovaraju´i niz aproksimacija. b] sugerira da treba uzeti Vn kao prostor polic s c noma Pd stupnja manjeg ili jednakog d.4. b]. za koju postoji integral Iw (f ). Isti princip koristimo i za beskonaˇne domene. k ∈ N0 .4) odmah dobivamo i ocjenu greˇke pripadne integracijske s formule In (f ). poˇeljno c z je da bilo koju funkciju f . samo treba osigurati da su c polinomi integrabilni s teˇinom w. Takve teˇinske funkcije obiˇno zovemo (polinomno) doz c pustivima. U nastavku pretpostavljamo da teˇinska funkcija w zadoc z voljava ovu pretpostavku. 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. Dakle. a za svaki pojedini f nademo pripadnu aproksimaciju fn ∈ Vn . Tj. koristimo niz vektorskih prostora aproksimacijskih funkcija Vn . To postiˇemo dodatnim zahtjevom na teˇinsku z z z funkciju w. uvjet egzaktnosti za In je Iw (f ) = In (f ) ili En (f ) = 0. za aproksimacijske funkcije fn treba uzimati takve funkcije za koje znamo da moˇemo posti´i po volji dobru uniformnu aproksimaciju funkcije f . i to za bilo koju funkciju f . Kao ˇto ´emo vidjeti.4. Iz relacija (9. Za praktiˇnu primjenu ovog pristupa moramo mo´i efektivno izraˇunati intec c c gral Iw (fn ) aproksimacijske funkcije. tako da pretpostavimo da svi momenti teˇinske funkcije z b µk := a xk w(x) dx. jer tada z c f − fn ∞ → 0 =⇒ |Iw (f ) − Iw (fn )| → 0. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 509 o n. moˇemo dovoljno dobro z aproksimirati nekim prostorom funkcija. Weierstraßov teorem o uniformnoj aproksimaciji neprekidnih funkcija polinomima na konaˇnom intervalu [a.

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

s s stupnja 2n − 1. ˇvorovi xi bili unaprijed zadani. Bi .5. osim ˇto ima c s dodatne ˇlanove Bi fi . .ˇ 9. .22) dobivamo n h2n−1 (x) = i=1 n hi. za i = 1.2) w(x) (x − xi ) 2 (x) dx. 2n − 1. . c c Kad bi. koji koriste i derivacije funkcije f u ˇvorovima integracije. tako se i Gaussove formule mogu dobiti integracijom Hermiteovog interpolacijskog polinoma. medutim nepoznanice xi ulaze u sistem nelinearno. n.2. i (9.2. 1. . Iz relacija (7. z ˇ Cak i dokaz da taj nelinearni sistem ima jedinstveno rjeˇenje nije jednostavan. Mogli bismo iskoristiti ovu relaciju da napiˇemo 2n jednadˇbi za 2n nepoznanica xi s z i wi .1 (x) fi [1 − 2(x − xi ) i (xi )] 2 (x) fi + (x − xi ) 2(x) fi . . definiran uvjetom i (xj ) = δij (v. .0 (x) fi + hi. tj.5.21) i (7.2. i j = 0. (9. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 511 Pritom je i poseban polinom Lagrangeove baze kojeg smo razmatrali u poglavlju o polinomnoj interpolaciji. Kao ˇto se Newton–Cˆtesove formule mogu dobiti integracijom Lagrangeovog s o interpolacijskog polinoma. (za c c razliku od numeracije x0 do xn u poglavlju o interpolaciji). i i = i=1 Integracijom dobijemo b n w(x) h2n−1 (x) dx = a i=1 Ai fi + Bi fi .5. s Napiˇimo joˇ jednom formulu za Hermiteov interpolacijski polinom h2n−1 . . i a Bi = Integracijska formula (9. c iz uvjeta egzaktne integracije polinoma trebalo bi odrediti 2n parametara — teˇinz c skih koeficijenata Ai . (7. Takav pristup ekvivalentan je s pristupom u kojem zahtijevamo da Gaussove formule integriraju egzaktno polinome ˇto je mogu´e s c viˇeg stupnja.1) gdje su b Ai = a b w(x) [1 − 2(x − xi ) i (xi )] 2 (x) dx. kao u Newton–Cotesovim formulama. . Primijetimo samo da je kod numeriˇke integracije zgodnije ˇvorove numerirati od x1 do xn . koji u ˇvorovima integracije xi interpolira vrijednosti fi = f (xi ) c i fi = f (xi ). pa je ovakav pristup teˇi.1) sliˇi na Gaussovu integracijsku formulu. da vrijedi s b n w(x) xj dx = a i=1 wi xj .18)). Zato oˇekujemo da ovakva formula egzaktno integrira . pa je i i polinom stupnja n − 1.

n − 1. ve´ i vrijednosti c c c derivacije f (xi ) funkcije u tim ˇvorovima. .1). . tako da izborom ˇvorova c s c xi poniˇtimo koeficijente Bi uz derivacije fi . n.5. a z Kako je i polinom stupnja n − 1. Razlog tome je ˇto su funkcije i . Zato je ideja da probamo izbje´i koriˇtenje derivacija. koji ima nultoˇke u svim ˇvorovic c c ma integracije ωn := (x − x1 )(x − x2 ) · · · (x − xn ).1 Ako je ωn (x) = (x − x1 ) · · · (x − xn ) ortogonalna s teˇinom w na z sve polinome niˇeg stupnja. tvrdnja slijedi. odgovaraju´im izborom ˇvorova xi moˇe se posti´i da teˇinski koeficic c jenti Bi uz derivacije budu jednaki nula. uvodimo posebni “polinom ˇvorova” (engl. postala bi Gaussova c integracijska formula. c Lema 9. i po pretpostavci je ωn ortogonalna s teˇinom w na sve takve polinome.5. Toˇnost integracijske formule mora s c ostati ista (egzaktna integracija polinoma stupnja do 2n − 1). 1. .4) w(x) ωn (x) i (x) dx. ωn (xi ) (9. (9.2). .2) jednaki nula. a k = 0.5.3) onda su svi koeficijenti Bi u (9. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 512 polinome do stupnja 2n − 1 (dimenzija prostora je 2n). Dokaz. . da su svi koeficijenti Bi = 0 z u (9. tj. Sljede´i rezulc c tat govori o tome kako treba izabrati ˇvorove. . tj. No. ako vrijedi z b w(x) ωn (x) xk dx = 0. za upotrebu ove formule trebamo znati ne samo funkcijske vrijednosti f (xi ) u ˇvorovima. Lagano provjerimo identitet (x − xi ) i (x) = Supstitucijom u izraz (9. tj.5. z s i = 1.2. 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 . “node polynomial”) ωn . .ˇ 9.5.5. ako i samo ako je polinom ˇvorova ωn ortogonalan na sve polinome niˇeg c stupnja (do n − 1). Lagrangeove baze zaista baza prostora Pn−1 (zadatak 7. Da bismo to dokazali. z c z Zaista. . Lako se vidi da vrijedi i obrat ove tvrdnje. Taj polinom smo ve´ susreli u poglavlju o Lagrangeovoj interpolaciji. s teˇinskom funkcijom w.2) za Bi slijedi 1 Bi = ωn (xi ) b ωn (x) . ali tako dobivena formula koristila bi samo funkcijske vrijednosti u ˇvorovima.

5. moˇemo pojednosz tavniti i izraze za koeficijente wi = Ai u (9. b) (ˇto nam baˇ odgovara za integraciju). Njegove c s s z c nultoˇke x1 . pa desna strana mora biti pozitivna. . a uz stanc dardni dogovor x1 < · · · < xn . budu´i z z z c c da je tada wi = Ai . polinom ˇvorova ωn mora biti ortogonalni polinom s vode´im koeficijentom 1. wi > 0. koriste´i relaciju c c z za Bi . c Nadalje. n. slijedi da su svi teˇinski z koeficijenti u Gaussovoj integraciji pozitivni.2). 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 = 0.5.2).2 slijedi da ωn ima n jednostrukih nultoˇaka u otvorenom intervalu (a.8.5. za i = 1. Da bismo dobili Gaussovu integracijsku formulu u (9. Oˇito.1). .5. n. . tj. za i = 1. .5. . . Iskoristimo li pretpostavku ortogonalnosti iz leme 9. i=1 ˇ c Cvorovi integracije xi su nultoˇke ortogonalnog polinoma stupnja n na [a.3) jednoznaˇno odreduje raspored ˇvorova c za Gaussovu integraciju. . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 513 koeficijent.1. ωn postoji c c i jedinstven je. a teˇinske koeficijente moˇemo izraˇunati iz (9. pa je b wi = a w(x) 2(x) dx. . uvjet ortogonalnosti (9. one su jednoznaˇno odredene.ˇ 9. . Iz teorema 7. Dakle. i Podintegralna funkcija je nenegativna i 2 je polinom stupnja 2(n − 1) koji nije i nul-polinom. . ˇto je vrlo s bitno za numeriˇku stabilnost i konvergenciju. . c Pokaˇimo joˇ da vrijedi i z s b b wi = a w(x) 2 i (x) dx = a w(x) i (x) dx. c Time smo dokazali da postoji jedinstvena Gaussova integracijska formula oblika a b w(x) f (x) dx ≈ n wi f (xi ). xn moˇemo samo permutirati (drugaˇije indeksirati). Sasvim op´enito. b] s teˇinskom funkcijom w. . . 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 . i Uz uvjet ortogonalnosti (Gaussova integracija) je Bi = 0 i Ai = wi.

1 Neka je w(x) = 1 i n = 3. Nakon integracije dobivamo sustav jednadˇbi za koeficijente a. Dobivamo 3 ω3 (x) = x3 − x = x + 5 3 x x− 5 3/5.5. (9. Odredimo toˇke integracije iz uvjeta c ortogonalnosti.5. gdje je q neki polinom stupnja n − 2. po definiciji polinoma i . 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. 2a + c = 0. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 514 Ali polinom i (x) − 1 se poniˇtava u toˇki x = xi . a + c = 0. 2. c Pokaˇimo i primjerom da ortogonalnost produkta korijenskih faktora. 5 odakle slijedi da su toˇke integracije xi = − 3/5.ˇ 9. 1). U oba sluˇaja do s c integracijskih formula dolazimo interpolacijom funkcije u ˇvorovima. 3 . Uobiˇajeno je da za interval integracije uzmemo (−1. Znaˇi da i (x) − 1 mora sadrˇavati x − xi kao faktor. uz odgovaraju´i izbor ˇvorova. moˇemo c z z napisati i (x) − 1 = (x − xi )q(x). tj. tj. −1 k = 0. c z 2 2 2 2 2 b + = 0.5) Primijetimo da je ova formula za koeficijente ista kao i ona u Newton–Cˆtesovim o formulama. b. i (x) ( i (x) − 1) = ωn (x) 1 ( i (x) − 1) = ωn (x) q(x). budu´i da c c integrale na drugim intervalima moˇemo lagano raˇunati. a za teˇinske c c z koeficijente vrijedi b wi = a w(x) i (x) dx. ˇto je ovdje posljedica pretpostavke o ortogonalnosti. 1. z c Primjer 9. jer s c je i (xj ) = δij . c . 0. ako podintegralnu funkciju z c transformiramo linearnom supstitucijom. 3 3 5 3 5 odakle nademo a = c = 0 i b = −3/5. 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. a Pokazali smo da Gaussovu integracijsku formulu moˇemo dobiti kao integral z Hermiteovog interpolacijskog polinoma. funkz cije ωn (x) na sve polinome niˇeg stupnja zapravo odreduje toˇke integracije xi . za jedan manje od stupnja polinoma i . Dakle.

1. Pripadne formule nazvali c z smo Gauss–Legendreovima.1. . Rijeˇimo z s na poˇetku vaˇnu situaciju w ≡ 1. Zadatak 9. ovaj pristup moˇemo iskoristiti za sve mogu´e intervale integracije i z c razne teˇinske funkcije.5. kod metode sez paracije varijabli za Laplaceovu jednadˇbu u kugli. Q := −1 P (x) Q(x) dx.5. 1) i izvedimo specijalnu Gaussovu formulu. i=1 Kao ˇto znamo. Za ve´e n potrebno je odrediti nule polinoma visokog stupz c nja. −1 za k = 0. (9. Gauss–Legendreove integracijske formule Prepostavimo u daljnjem da je w ≡ 1 na intervalu (−1.5. vrijedi 1 xk Pn (x) dx = 0. Analitiˇki je mogu´e do´i do ovakvih rezulc c c tata za mnoge specijalne teˇine w(x) koje se pojavljuju u primjenama.ˇ 9. Primijetite da je sustav jednadˇbi linearan.6) Pojavljuju se prirodno u parcijalnim diferencijalnim jednadˇbama. pa stoga z z raˇunanje ovih faktora ne predstavlja ve´e probleme. Pn (x) = n n 2 n! dx Tako definirani polinomi ˇine ortogonalnu bazu u prostoru polinoma stupnja n.1 Iz uvjeta egzaktnosti i poznatih toˇaka integracije za n = 3 izraˇuc c najte teˇinske koeficijente wi .2 Legendreov polinom stupnja n ortogonalan je na sve potencije xk niˇeg stupnja. b = 1. . . a = −1. tj. u gornjem primjeru izraˇunali smo toˇke integracije za c c Gauss–Legendreovu formulu reda 3. . tj. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 515 Teorijski. c tj. n − 1. Gauss–Legendre-ovu formulu 1 f (x) dx ≈ −1 n wi f (xi ). Stoga je s c c potrebno za specijalne teˇine i intervale integracije do´i do dodatnih informacija o z c ortogonalnim polinomima. bilo bi dobro izraˇunati formulom i teˇinske c z faktore wi u Gaussovim formulama. c c 9. iz kojeg slijede sva ostala: z Lema 9. Za nas je bitno samo jedno z specijalno svojstvo. a numeriˇki u najmanju ruku neugodno. oni su linearno nezavisni i ortogonalni obzirom na skalarni produkt 1 P. .5. Na kraju. Legendreov polinom stupnja n definiran je Rodriguesovom fors mulom 1 dn 2 (x − 1)n . ˇto je egzaktno nemogu´e.

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. slijedi 1 xn Pn (x) dx = −1 2n n! · 2n n! 2n+1 (n!)2 1 2n! = . a zatim. dxn−k pa smo dokazali prvu formulu. (x − 1)n dx = 2n! n dx (2n + 1)(2n − 1) · · · 3 Pomnoˇimo li brojnik i nazivnik s 2n(2n − 2) · · · 2 = 2n n!. 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. 0 xn −1 dn 2 2n(2n − 2) · · · 2 . 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. zbog definicije z Legendreovog polinoma Pn . 2n n! (2n + 1)! (2n + 1)! . sve podijelimo s 2n n!. Uvrˇtavanjem Rodriguesove formule. Za k = n. (2n + 1)! n Dokaz.ˇ 9. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 516 i vrijedi 1 −1 2n+1 (n!)2 x Pn (x) dx = .

2n n! dxn induktivnom primjenom Rolleovog teorema. n! c Potencije manje od xn ne doprinose integralu.2 povlaˇi 1 −1 2 (2n)! 2n+1 (n!)2 = . koje su sve realne i razlic ˇite. prva c c derivacija je. −1 za m = n.5. Druga derivacija stoga ima dvije unutarnje nule po Rolleovom teoremu. I tako redom. Dokaz ide iz definicije Legendreovih polinoma Pn (x) = 1 dn 2 (x − 1)n . 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 . i dvije u ±1. prva derivacija ima jednu nultoˇku u intervalu (−1.5. Taj rezultat rezimiran je c c u sljede´em teoremu. Norma Legendreovog polinoma je 1 Pn 2 := −1 [Pn (x)]2 dx = 2 . i nalaze se u otvorenom intervalu (−1. Prema Rolleovom s c teoremu. koja je do na multiplikativni faktor jednaka Pn . c Dokaz. Polinom (x2 − 1)n je stupnja 2n i ima viˇestruke (n-terostruke) nultoˇke u rubovima intervala ±1. ima c n unutarnjih nultoˇaka.3 Legendreovi polinomi su ortogonalni na intervalu (−1.5.4 Legendreovi polinomi Pn imaju n nultoˇaka. 1]. pa ima ukupno ˇetiri nule u [−1. nula u ±1. takoder. pa druga tvrdnja leme 9. 1) obzirom na skalarni produkt (9. pa ukupno mora imati tri nultoˇke u zatvorenom intervalu [−1. 1). iz uvjeta s z egzaktne integracije potencija najve´eg mogu´eg stupnja.5.ˇ 9. 1]. [Pn (x)] dx = n 2 (2n + 1)! 2 (n!) 2n + 1 2 Lema 9.6) 1 Pm (x) Pn (x) dx = 0. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 517 Lema 9. Prva tvrdnja je direktna posljedica dokazane ortogonalnosti na potencije niˇeg stupnja. 2n + 1 Dokaz. Medutim. vidimo c da n − 1-a derivacija ima n − 1 unutarnju nultoˇku i joˇ dvije u ±1. 1). Druga tvrdnja slijedi iz z 1 1 [Pn (x)] dx = −1 −1 2 1 2n n! (2n)! n x + · · · Pn (x) dx. c . Na kraju c s zakljuˇimo da n-ta derivacija.

odakle je ωn (x) = 2n (n!)2 Pn (x). direktno iz uvjeta ortogonalnosti.ˇ 9. proporcionalan je Legendreovom polinomu Pn . nego samo preciznost. za svaki n.5. da postoje specijalni algoritmi. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 518 ˇ Teorem 9. Vode´i koeficijent u Pn lako izraˇunamo iz c c Rodriguesove formule. P4 (x) = 4 16 · 24 dx 8 1 P5 (x) = (63x5 − 70x3 + 15x). (2n)! pa vidimo da su sve nultoˇke polinoma ωn zapravo nultoˇke od Pn (lema 9. c Napomenimo za sad samo toliko. da su nultoˇke od P3 identiˇne s toˇkama integracije koje smo c dobili u primjeru 9. 1 d 2 P1 (x) = (x − 1) = x.2 Iz Rodriguesove formule moˇemo izraˇunati nekoliko prvih Legenz c dreovih polinoma. Dokaz.1 Cvorovi integracije u Gauss–Legendreovoj formuli reda n su nultoˇke c Legendreovog polinoma Pn . P0 (x) = 1. Znamo da su toˇke integracije xi nultoˇke polinoma ωn po konstrukciji. pa brzina algoritma nije vaˇna. 8 1 (231x6 − 315x4 + 105x2 − 5).4).1. c c Primjer 9. P8 (x) = 128 c c Vidimo.5. c c c Zbog uvjeta ortogonalnosti (9. s vode´im koeficijentom 1. 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. budu´i da egzaktne formule postoje samo za male stupnjeve. c c . 8 dx2 2 3 1 d 1 P3 (x) = (x2 − 1)3 = (5x3 − 3x). te da je dovoljno tabelirati te nultoˇke jednom. na primjer. P7 (x) = 16 1 (6435x8 − 12012x6 + 6930x4 − 1260x2 + 35). 2 dx 1 d2 2 1 P2 (x) = (x − 1)2 = (3x2 − 1). 3 48 dx 2 4 d 1 1 (x2 − 1)4 = (35x4 − 30x2 + 3).5.5. Raˇunanje nultoˇaka Legendreovih polinoma (na maˇinsku toˇnost!) nije jedc c s c nostavan problem.5.3) polinom ωn . P6 (x) = 16 1 (429x7 − 693x5 + 315x3 − 35x).

.7) Ali za k < n − 1 je xPk (x) polinom stupnja manjeg ili jednakog n − 1.5. . xPn (x) = i=0 ci Pi (x). c Dokaz. a P2n+1 je linearna kombinacija neparnih potencija x2k+1 .5. n. Pomnoˇimo li obje strane s Pk (x) i integriramo od −1 do 1. cn+1 = . zasnovan na ˇinjenici da Legendreovi s c c c polinomi zadovoljavaju troˇlanu rekurziju. n (n!)2 2 2 [(n + 1)!]2 odakle slijedi da je n+1 . Kako je xPn (x) polinom stupnja n + 1 i {Pi }n+1 baza za prostor polinoma i=0 stupnja do n + 1.2).8) usporedimo li koeficijente uz xn+1 u (9. ˇiji se koeficijenti mogu eksplicitno izc c raˇunati. dobivamo da je (2n + 2)! (2n)! = cn+1 n+1 . zbog ortogonalnosti z (lema 9. Treba joˇ izraˇunati koeficijente cn+1 . s poˇetnim vrijednostima P0 (x) = 1. . postoje koeficijenti ci tako da vrijedi n+1 n ≥ 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. P1 (x) = x. (9. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 519 Postoji lakˇi naˇin za raˇunanje Pn (x).5. z c Lema 9.5 Legendreovi polinomi zadovoljavaju rekurzivnu formulu (n + 1)Pn+1 (x) = (2n + 1)xPn (x) − nPn−1 (x). Kako je s c Pn (x) = (2n)! (2n)! n ωn (x) = n x + niˇe potencije od x. tj. Stoga je ck = 0 za k < n − 1.3) slijedi 1 1 xPk (x) Pn (x) dx = ck −1 −1 2 Pk (x) dx.5. k = 0. P2n je linearna kombinacija parnih potenc 2k cija x .ˇ 9. 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). . z 2n (n!)2 2 (n!)2 (9.5.5. pa je Pn (x) ortogonalan na njega (lema 9. cn i cn−1 .8).

5. c s z Sljede´e dvije leme korisne su za dobivanje ekplicitnih formula za teˇine u c z Gauss–Legendreovim formulama. 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.2 Budu´i da Legendreovi polinomi zadovoljavaju troˇlanu rekurziju.5. pa slijedi cn−1 = n .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)]. dobivamo z (2n − 2)! n−1 [(n − 1)!]2 2 x Pn (x) dx = cn−1 −1 −1 n 2 Pn−1 (x) dx. pa c preostaje samo izraˇunati cn−1 .5.9) Zadatak 9. Ovi integrali su poznati (lema 9. Za k = n − 1.5. iz (9. n=0 poznat pod nazivom generalizirana Hornerova shema. 2n + 1 Tako smo naˇli sve nepoznate koeficijente u linearnoj kombinaciji (9. .5. c c mogu´e je napisati algoritam za brzu sumaciju parcijalnih suma redova oblika c ∞ an Pn (x). napiˇite eksplicitno taj algoritam.5.8) na osnovu toga zakljuˇimo da je cn = 0. Primijetimo da smo usput dokazali i formulu c 1 xPn−1 (x) Pn (x) dx = −1 2n n 2 = 2 . Razvoji po Legendreovim polinomima s pojavljuju se ˇesto kod rjeˇavanja Laplaceove jednadˇbe u sfernim koordinatama.5.5. n. Lema 9. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 520 k = 0.ˇ 9.5. k=0 .5. Koriste´i rekurziju iz c leme 9.2 i lema 9. . Iz rekurzije (9. 2n + 1 2n − 1 4n − 1 (9.7) imamo da je c 1 1 xPn−1 (x) Pn (x) dx = cn−1 −1 −1 2 Pn−1 (x) dx. . .3). odakle s odmah slijedi troˇlana rekurzija.8).

formulom (1 − x2 )Pn (x) + nxPn (x) = nPn−1 (x). onda je (1 − x2 )Pn (x) + nxPn (x) = (−nan + nan )xn+1 + O(xn−1 ). k=1 Zadnji ˇlan moˇemo prebaciti na lijevu stranu kao nulti ˇlan u sumi. Dokaz.5. n ≥ 1. Sumiramo li po k od 1 do n. No. Odbijanjem prve relacije od druge. pa je Pn (x) = nan xn−1 + (n − 2)an−2 xn−3 + · · · .ˇ 9. tj. i=0 . 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)]. Polinom (1 − x2 )Pn + nxPn je oˇito stupnja manjeg ili jednakog od n + 1.7 Derivacija Legendreovih polinoma moˇe se rekurzivno izraziti pomo´u z c samih Legendreovih polinoma. Zamijenimo li x i t imamo (2k + 1)tPk (t)Pk (x) = (k + 1)Pk+1 (t)Pk (x) + kPk−1 (t)Pk (x). Pomnoˇimo li rekurziju iz leme 9. dobijemo z (2k + 1)xPk (x)Pk (t) = (k + 1)Pk+1(x)Pk (t) + kPk−1 (x)Pk (t).5 (uz zamjenu n → k) s Pk (t).5. 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). polinom (1 − x2 )Pn + nxPn je zapravo stupnja n − 1. moraju postojati koeficijenti ci takovi da vrijedi (1 − x2 )Pn (x) + nxPn (x) = n−1 ci Pi (x). Kao i u dokazu rekurzivne formule. sukcesivni ˇlanovi u sumi na desnoj strani se krate. c Napiˇimo Pn kao linearnu kombinaciju potencija od x (pojavljuje se samo svaka s druga potencija) Pn (x) = an xn + an−2 xn−2 + · · · . Lema 9. a to je baˇ c z c s Christoffel–Darbouxov identitet. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 521 Dokaz.

5. c . . (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. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 522 Pomnoˇimo ovu relaciju s Pk (x) i integriramo od −1 do 1.5. s Prvi integral integriramo parcijalno. oba integranda su oblika Pn (x) × (polinom stupnja najviˇe n − 1).5. . 2 dx 2 [(n − 1)!] a zbog druge tvrdnje u lemi. nultoˇke Legendreovog polinoma Pn .ˇ 9. 2 (2n + 1)(2n − 1) (2n + 1)(2n − 1) ˇto smo i htjeli dokazati. dx zbog prve tvrdnje u lemi 9. tj. Za k = n − 1 treba izraˇunati dva integrala u prethodnoj relaciji. ck = 0 za k < n − 1. Zbog ortogonalnosti. −1 Za k < n − 1. s Lema 9. Drugi je jednostavan c 1 n −1 2n2 . . doprinos daje samo vode´i ˇlan u c c 2 (1 − x )Pn−1 (x). i = 0. pa je taj integral jednak 1 Pn (x) −1 d (2n − 2)! x2 n−1 xn−1 dx. xPn (x) Pn−1 (x) dx = (9. n.5. integral se svodi na 2n(n + 1) 2n+1 (n!)2 (2n − 2)! = . slijedi 2 ck = − 2k + 1 1 −1 d Pn (x) [(1 − x2 )Pk (x)] dx + n dx 1 xPn (x) Pk (x) dx.9) = 2 4n − 1 1 U prvom integralu − −1 Pn (x) d [(1 − x2 )Pn−1 (x)] dx. pa s su svi ovi integrali jednaki nula (lema 9. 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. n [Pn−1 (xi )]2 gdje su xi .2). .8 Teˇinski faktori u Gauss–Legendreovim formulama mogu se eksplicitno z izraˇunati formulama c 2(1 − x2 ) i wi = 2 . pa kako se faktor (1 − x2 ) poniˇtava na granicama integracije.2 (ortgonalnost).

5 u nultoˇki xi Legendreovog polinoma Pn ima oblik c c (n + 1)Pn+1 (xi ) = −nPn−1 (xi ).7 u specijalnom sluˇaju kada je x = xi . Na kraju. pa je stoga 1 −1 2 Pn (x) dx = .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 ). Dobivamo da vrijedi c (1 − x2 )Pn (xi ) = nPn−1 (xi ).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. (x − xi ) (n + 1)Pn+1 (xi ) −1 Troˇlana rekurzija iz leme 9.5) i (9. iskoristimo rekurzivnu formulu za derivacije Legendreovog polinoma iz leme 9.10).5. dobivamo n (n + 1)Pn+1 (xi )Pn (x) = − (2k + 1)Pk (x)Pk (xi ).5.5.5. U dokazu prethodne leme 9. nPn (xi ) Pn−1 (xi ) (9. i .ˇ 9. na desnoj strani preostane samo ˇlan za k=0 1 Pn (x) −2 dx = . Pn (xi )(x − xi ) wi = 2 . 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 ).5.5.6). NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 523 Dokaz. Stavimo li t = xi u Christoffel–Darbouxov c identitet (lema 9. (x − xi ) −1 u kojem podintegralna funkcija ima uklonjivi singularitet. tvrdnja slijedi.5. Neka je xi nultoˇka polinoma Pn .10) Primijetimo da je Christoffel–Darbouxov identitet potreban jedino zato da se izraˇuna neugodan integral c 1 Pn (x) dx.5. (x − xi ) nPn−1 (xi ) Za teˇinske koeficijente wi vrijede relacije (9.

5.11). 2 (1 − xi ) [Pn (xi )]2 (9.5. imamo En (f ) = f (2n) (ξ) 2n (n!)2 (2n)! (2n)! 2 22n+1 (n!)4 2 = f (2n) (ξ). Za c greˇku En (f ) vrijedi s 22n+1 (n!)4 f (2n) (ξ). NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 524 Ovu relaciju moˇemo iskoristiti na razliˇite naˇine u (9.5.2. Teorem 9. 1).ˇ 9. 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 = . Integracijom i primjenom teorema srednje vrijednosti za integrale.11) Sljede´i teorem rezimira prethodne rezultate. i ujedno daje ocjenu greˇke za c s Gauss–Legendreovu integraciju. c dobivamo 1 f (2n) (ξ) 2 En (f ) = ωn (x) dx.2 Za funkciju f ∈ C 2n [−1.5. 1] Gauss–Legendreova formula integracije glasi 1 n f (x) dx = −1 i=1 wi f (xi ) + En (f ). (2n)! −1 za neki ξ ∈ (−1. i uvrstiti s odgovaraju´i ωn . En (f ) = 3 (2n + 1) [(2n)!] ξ ∈ (−1.10). koju smo procijenili u teoremu 7. Kako je Gauss–Legendreova s formula zapravo integral Hermiteovog interpolacijskog polinoma. Kako je ωn (x) = 2n (n!)2 Pn (x). 1). 2n + 1 (2n + 1) [(2n)!]3 . treba integrirati greˇku kod Hermiteove interpolacije.3). gdje su xi nultoˇke Legendreovog polinoma Pn i koeficijenti wi dani u (9.5. (2n)! zbog poznatog kvadrata norme Legendreovog polinoma (lema 9. Treba samo dokazati formulu za ocjenu greˇke. Dokaz.5.

osma derivacija.1 (Uvjeti egzaktnosti) Gauss–Legendreova formula egzaktno integrira polinome stupnja 2n − 1. kao ˇto smo napomenuli na poˇetku. Moˇemo slutiti. c c s Korolar 9. na primjer. Tako c c c je.ˇ 9. 2 Zamjena varijable t = π(x + 1)/4 prebacuje integral na standardnu formu 1 −1 π π(x + 1) log 1 + dx. Da ocjena greˇke za Gaussove formule moˇe biti previˇe pesimistiˇna. c Primjer 9. greˇka je oblika s 1. Svojstvo iz gornjeg korolara moˇe se upotrijebiti za alternativni dokaz teoz rema 9. . 4 4 U ovom sluˇaju moˇemo lagano izraˇunati bilo koju derivaciju podintegralne funkcije. Na o primjer. za n = 6. Zapravo. koja ukljuˇuje 2n-tu derivaciju. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 525 Navedeni izraz za greˇku nije lagano primijeniti. trapeznu i Simpsonovu c s formulu). Ipak. da je za analic c z tiˇke funkcije mogu´a bolja ocjena greˇke. iako ocjena greˇke ukljuˇuje faktor od 11!.3 Primijenimo Gauss–Legendreovu formulu na integral π/2 log(1 + t) dt = 1 + 0 π 2 log 1 + π − 1 + 1. Hermiteova interpolacija posluˇila s c z je kao “trik”. poniˇtava na c c s c s takvim polinomima. c z c koja raste s faktorijelima. recimo.5. na primjer. budu´i da ukljuˇuju visoke derivacije. da izbjegnemo rjeˇavanje nelinearnog sistema koji proizilazi iz uvjeta s egzaktnosti. koja je potrebna za Gaussovu formulu s ˇetiri toˇke c c jednaka π 9 −7! · . pokazuje s z s c sljede´i primjer. ali Gaussove formule naroˇito. koje imaju ograniˇene derivacije. budu´i da se greˇka. Clan uz f (2n) (ξ) vrlo brzo pada s porastom n.6 · 10−12 f (12) (ξ). Dokaz.2.5. 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).5. Oˇito. lagano vidimo da ve´ sa ˇest c c s toˇaka dobivamo 6 znamenaka toˇno. integrirali trigonometrijsku funkciju s c sin ili cos. 4 (1 + t)8 pa je greˇka 7! puta ve´a nego da smo. sve ocjene greˇke formula za numeriˇku intes c graciju pokazuju sliˇno ponaˇanje (usporedite. c c s c Simpsonovoj formuli treba 64 toˇke za istu toˇnost.

c c pa ve´ izraˇunate funkcijske vrijednosti moˇemo iskoristiti (kao u Rombergovom c c z algoritmu). 2n + 1 Na kraju. dokaˇite da za n ≥ 1 vrijede rekurzivne s relacije Pn (x) − xPn−1 (x) = nPn−1 (x).2. jedan dio ˇvorova ostaje zajedniˇki. n ≥ 1. Iz prethodnog odjeljka znamo da za ˇvorove integracije treba uzeti c nultoˇke funkcije ωn (x) = (x − x1 ) · · · (x − xn ). Naˇalost. s s ali takoder i time ˇto upotreba takvih formula na “finijoj” mreˇi zahtijeva ponovno s z raˇunanje funkcije u drugim ˇvorovima.5. Druge Gaussove integracijske formule U praksi se ˇesto javljaju specijalni integrali koji ukljuˇuju teˇinske funkcije c c z 2 c c poput e−x . Legendreovi polinomi zadovoljavaju i mnoge druge rekurzivne relacije. Kod profinjavanja mreˇe ˇvorova za formule Newton–Cˆtesovog s c z c o tipa (na primjer.3 Dokaˇite da za Legendreove polinoma vrijedi Pn (1) = 1. ˇesto neograniˇenim. 9. e−x i mnoge druge. z Alternativa je iskoristiti odgovaraju´e Gaussove formule s “prirodnom” teˇinc z skom funkcijom. naprotiv. za n ≥ 0. 1) i jediniˇnu teˇinsku funkciju — situaciju u c z kojoj moˇemo primijeniti Gauss–Legendreove formule. zbog z z c dijeljenja s nulom. Jednostavnom linearnom supstitucijom nije mogu´e takve intervale i/ili teˇinske c z funkcije prebaciti na interval (−1. Takoder.5. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 526 Rekurziju za derivacije Legendreovih polinoma iz leme 9. Cijenu smo platili time ˇto ocjena greˇke zahtijeva vrlo glatku funkciju. xPn (x) − Pn−1 (x) = nPn (x). i imaju vrlo mali broj izvrednjavanja podintegralne funkcije. na specijalnim intervalima. Teˇine wi onda moˇemo odrediti rjeˇavanjem linearnog sistema.ˇ 9. s c s c c koje se lagano implementiraju. ova formulu ne moˇemo upotrijebiti u rubnim toˇakama x = ±1. koji s ˇvorovima formule niˇeg reda nemaju c c c z niˇta zajedniˇko. 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. c Zadatak 9. s tim da vrijede relacije ortogoc z s nalnosti (9. Rezultat su formule visoke toˇnosti. z z ˇto opravdava izbor normalizacije. raspolavljanjem h).5.5. Pn+1 (x) − Pn−1 (x) = (2n + 1)Pn (x) x Pn (t) dt = −1 1 (Pn+1 (x) − Pn−1 (x)).7 moˇemo koristiti z i za raˇunanje vrijednosti Pn (x) c (1 − x2 )Pn (x) = n(Pn−1 (x) − xPn (x)). Neke od njih dane su u sljede´em zadatku. Medutim.3). a z .

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). kao ˇto smo z c z c s to uˇinili u sluˇaju Gauss–Legendreovih formula. do na multiplikativnu konstantu. dxn Budu´i da nas interesiraju rjeˇenja koja se mogu eksplicitno konstruirati. klasiˇnih ortogonalnih z c c polinoma uglavnom se mogu karakterizirati na osnovu sljede´a dva teorema.2). Ovdje opet koristimo oznaku D za operator deriviranja funkcije f jedne varijable. ukljuˇivo i ostale formule na koje smo se oslanjali. Funkcije Un iz prethodnog teorema generiraju familiju ortogonalnih polinoma na (a.3 c vrijedi i na neograniˇenim i poluograniˇenim intervalima. za zadane a.5.5. b) postoji. Poznati postupci (Stieltjesov i Cebiˇ c ne pokrivaju. U drugim sluˇajevima. jer ta oznaka znatno c skra´uje zapis nekih dugih formula. Napomenimo joˇ da teorem 9. c s ne´emo dokazivati ovaj teorem. b i c c s w(x). poput z c troˇlane rekurzije i sliˇno (v. kad je iz konteksta oˇito po kojoj varijabli se derivira. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 527 moˇda u specijalnim sluˇajevima moˇemo do´i i do eksplicitnih formula. U svakom konkretnom sluˇaju. b) s teˇinskom funkcijom w. nisu uvijek numeriˇki stabilni. z Teorem 9. 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. tj. sve mogu´e situacije. ali ne i uvijek. c c c koji nisu pokriveni egzaktnim formulama. c c U mnogim vaˇnim sluˇajevima.5. 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. u sluˇajevima a = −∞ c c c i/ili b = ∞. Un (b) = DUn (b) = · · · = D n−1 Un (b) = 0. od c kojih je prvi egzistencijalni. mogu´e je analitiˇki do´i do forz c c c c mula sliˇnim onima u sluˇaju Gauss–Legendreove integracije. tj.ˇ 9. ˇto c c s ostavlja postora za daljnja istraˇivanja. z . medutim. konstruirat ´emo funkciju Un formulom. i vezan uz teoriju rubnih problema za obiˇne diferencic jalne jednadˇbe.3 (Generalizirana Rodriguesova formula) Na otvorenom intervalu (a. Sluˇajevi tzv. u principu je mogu´e generirati ortogoc ˇ sevljev algoritam) nalne polinome i numeriˇki. lema 9.

. a b zbog rubnih uvjeta D n−1Un (a) = D n−1 Un (b) = 0. 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. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 528 Teorem 9. Primijetimo da smo za dokaz ortogonalnosti iskoristili sve rubne uvjete na funkciju Un . 1. . a za k = 0.4 Uz pretpostavke teorema 9.ˇ 9. a jer je n−k −1 ≥ 0. pretpostavimo da je n ≥ 1.5. . n − 1. Ovaj teorem u mnogim sluˇajevima omogu´ava efektivnu konstrukciju ortogoc c nalnih polinoma. 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. Funkcija pn je oˇito polinom stupnja n. 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. tj. integriramo parcijalno k puta i iskoristimo opet rubne uvjete koje zadovoljava funkcija Un . Za 1 ≤ k ≤ n−1. jer je D n+1 pn (x) = 0. Da dokaˇemo ortogonalnost.5. . . vrijedi z b w(x) pn (x) xk dx = 0. c z Dokaz.3. b) obzirom na teˇinsku funkciju w(x).

1].5. dobivamo.5.5 Neka je w(x) = e−αx na intervalu (0. Polinomi za koje je α = 1 i Cn = 1 zovu se tradicionalno Laguerreovi polinomi. prema teoremu 9. Tradicionalno.4 Neka je w(x) = 1 na intervalu (−1. pa je Un (x) = Cn xn e−αx . za neki α > 0. Takoder.5. Prema teoremu 9. u oznaci Ln . Prema teoremu 9. Oˇito je rjeˇenje oblika c s Un (x) = e−αx (c0 + c1 x + · · · + cn xn ) + d0 + d1 x + · · · + dn−1 xn−1 . 1] i svaki n ≥ 0. za svako n.3. Nadimo pripadne ortogonalne polinome. jer je Pn ∞ = 1 na [−1. s Primjer 9. oˇekivano. . biti oblika s Un (x) = Cn (x2 − 1)n .4 Pokaˇite da je multiplikativna konstanta Cn odabrana tako da vriz z jedi Pn (1) = 1. a rubni uvjet u toˇki 0 povlaˇi c c c0 = · · · = cn−1 = 0. zbog simetrije. Nadimo pripadne ortogonalne polinome. Polinom 2n-tog stupnja koji se poniˇtava u krajevima mora. uz rubne uvjete Un (±1) = DUn (±1) = · · · = D n−1 Un (±1) = 0.5. trebamo prvo rijeˇiti diferens cijalnu jednadˇbu z D n+1 (eαx D n Un (x)) = 0. c ˇto je dodatno opravdanje za izbor normalizacije. Pripadni ortogonalni polinomi su tada. 1). Njihova Rodriguesova formula je dakle Ln (x) = ex D n (xn e−x ). gdje je Cn proizvoljna multiplikativna konstanta (razliˇita od c nule). ∞). c c Rubni uvjet u toˇki ∞ povlaˇi d0 = · · · = dn−1 = 0.3.ˇ 9.5. za svaki z x ∈ [−1. c Zadatak 9. uz rubne uvjete Un (0) = DUn (0) = · · · = D n−1 Un (0) = 0.5. Legendreove polinome. tj. konstanta Cn uzima se u obliku Cn = 1 2n n! . pokaˇite da vrijedi |Pn (x)| ≤ 1. prvi korak je rjeˇavanje diferencijalne jednadˇbe s z D n+1 (D n Un (x)) = D 2n+1 Un (x) = 0.4. Un (∞) = DUn (∞) = · · · = D n−1 Un (∞) = 0. dani formulom Pn (x) = 1 2n n! D n (x2 − 1)n . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 529 Primjer 9. To znaˇi da Pn dostiˇe ekstreme u rubovima intervala.

koji nose ime Hermiteovi polinomi.ˇ 9. uz Cn = (−1) . za α2 = 1. 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 ). Lagano pogodimo da je Un (x) = Cn e−α 2 x2 2 x2 2 2 D n Un (x)) = 0. Za Laguerreove i Hermiteove polinome mogu se analitiˇki izraˇunati koeficijenti u rekurziji.3. . Prema teoremu 9. 0 m = n. ∞). U literaturi se ponekad moˇe na´i joˇ jedna definicija za klasiˇne Hermiteove poliz c s c 2 n nome. U op´em sluˇaju. za neki α = 0. Svi ortogonalni polinomi zadovoljavaju troˇlane rekuzije (v. m = n. uz Cn = 1. Primijetimo. izvod Stieltjesovog c algoritma uz metodu najmanjih kvadrata). za α = 1. trebamo prvo rijeˇiti diferencijalnu jednadˇbu z D n+1 (eα uz rubne uvjete Un (±∞) = DUn (±∞) = · · · = D n−1 Un (±∞) = 0. u oznaci Hn . s Nadimo pripadne ortogonalne polinome. i da smo taj sluˇaj do kraja prouˇili.5. postupkom koji je vrlo sliˇan c c c onom kojeg smo u detalje proveli u sluˇaju Legendreovih polinoma. Primjer 9. s Rodriguesovom formulom 2 2 Hn (x) = (−1)n ex D n (e−x ). da i Cebiˇevljevi polinomi prve vrste zadovoljavaju relacije ortogonalnosti i troˇlanu rekurziju.5. dolazimo do klasiˇnih c polinoma. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 530 U op´em sluˇaju.6 Neka je w(x) = e−α x na intervalu (−∞. Kako su ˇvorovi Gaussove c c c c . c ˇ s takoder. Napomenimo joˇ da oznaku Ln koristimo za ortonormirane Laguerreove polinome. uz Cn = (−α)n . Tada c c vrijede relacije ortogonalnosti ∞ e−αx Lm (αx) Ln (αx) dx = 0. Pripadne relacije ortogonalnosti su ∞ e−α −∞ 2 x2 Hm (αx) Hn (αx) dx = 0. pa su Ln i Ln vezani relacijom Ln (x) = n! Ln (x). koja odgovara izboru α = 1/2. s Njih dobivamo izborom normalizacijske konstante Cn = 1/n!. Odaberemo li α2 = 1 i multiplikativnu konstantu Cn = (−1)n . lagano vidimo da je pn (x) = Ln (αx).

5. x − xi gdje su i polinomi Lagrangeove baze. dxn =− = (n!)2 . i te integrale treba na´i egzaktno. Obzirom na duljinu ovih izvoda. xi [Ln (xi )]2 (n!)2 (2n) f (ξ). ali njihovo z c raˇunanje ovisi o specijalnim svojstvima. Gauss–Hermiteove formule Formule oblika ∞ n e−x f (x) dx ≈ −∞ 2 wi f (xi ) i=1 .ˇ 9. (2n)! Greˇka kod numeriˇke integracije dana je formulom s c En (f ) = ξ ∈ (0. prec c ostaje joˇ samo izraˇunati teˇine wi po formuli (9.5). 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 ). ∞). 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. zadovoljimo se s kratkim opisom nekoliko najpoznatijih Gaussovih formula. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 531 formule integracije reda n nultoˇke odgovaraju´eg ortogonalnog polinoma pn . 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. Sasvim op´enito. Formule c za teˇine mogu se dobiti za cijeli niz klasiˇnih ortogonalnih polinoma.

ˇ 9. b). Legendreovi z ˇ s i Cebiˇevljevi polinomi specijalni su sluˇaj. ξ ∈ (−∞. En (f ) = n 2 (2n)! ˇ Gauss–Cebiˇevljeve formule s Formule oblika 1 2 dn −x2 (e ). [Hn (xi )]2 Greˇka kod numeriˇke integracije dana je formulom s c √ n! π (2n) f (ξ). Zadatak 9. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 532 ˇ zovu se Gauss–Hermiteove formule. dxn −1 1 √ f (x) dx ≈ 1 − x2 n wi f (xi ) i=1 ˇ ˇ zovu se Gauss–Cebiˇevljeve formule. gdje su α > −1 i β > −1. Cvorovi integracije su nultoˇke Cebiˇevs c ˇ s ljevih polinoma Tn (x) = cos(n arccos(x)). ∞). 1). Izuzetno. Nadite funkciju Ur i napiˇite Rodriguesovu formulu! Pridruˇeni ortogonalni polinomi zovu se Jacobijevi polinomi. ξ ∈ (−1.5.5 Neka je teˇinska funkcija w(x) = (x − a)α (b − x)β na intervalu z s (a. c . te se nultoˇke mogu eksplicitno c izraˇunati c (2i − 1)π xi = cos . 2n Sve teˇine wi su jednake z π wi = . 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 = . n Greˇka kod numeriˇke integracije dana je formulom s c En (f ) = π 22n−1 (2n)! f (2n) (ξ).

dx = 0+ = 3 16 16 8 1 − x2 −1 .8 Ako Gauss–Cebiˇevljevom formulom raˇunamo c 1 √ −1 x4 dx 1 − x2 ˇ s zgodno je upotrijebiti formulu Gauss–Cebiˇeva reda 3. za f (x) = 1 imamo ∞ e−x dx = f (1) = 1. Formula vodi na egzaktan rezultat 1 9 x4 π 9 3π √ + .3 = ± 3/2. budu´i da formula egzaktno integrira i linearne funkcije. c c ∞ e−x (ax + b) dx = f (1) = a + b. kao ˇto se vidi iz sljede´ih primjera. 0 budu´i da je L1 (x) = 1 − x.ˇ 9. 0 imamo pribliˇnu formulu z ∞ e−x f (x) dx ≈ f (1). x2. a to su x1 = 0.5.7 Ako Gauss–Laguerreovom formulom reda n = 1 raˇunamo integral c ∞ e−x dx. 0 Sliˇno. 0 ˇ s Primjer 9. za f (x) = ax + b. koja zahtijeva nultoˇke polic √ 3 noma T3 (x) = 4x − 3x. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 533 Pomo´u Gaussovih formula moˇemo jednostavno raˇunati neke odredene intec z c grale analitiˇki.5. Kako formula c egzaktno integrira konstante. pa je x1 = 1 i w1 = 1/[L (1)]2 = 1. c s c Primjer 9.

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

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

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

Metode oblika (10. s Red metode odgovara njezinoj toˇnosti. c s s c s da ´e toˇnija biti i aproksimacija yi za y(xi ) dana rekurzijom (10. Op´enito. h) = ∆(x. h) − Φ(x. Za oˇekivati je da ako izaberemo c c Φ tako da aproksimacija toˇnog rjeˇenja y(x + h) dana s (10.4) nazivamo lokalna pogreˇka diskretizacije. j = 1. . a razliˇit izbor te funkcije definira razliˇite c c metode.5) . a to postiˇemo odabirom funkcije Φ. y.1) i c s z ∆(x.3) zovemo jednokoraˇne metode (jer za aproksimaciju yi+1 c koristimo samo vrijednost yi u prethodnoj toˇki xi . y(x). y. h) = j=1 ωj kj (x. gdje je y(x) toˇno rjeˇenje diferencijalne jednadˇbe (10. h) = f x + cj h.2) bude ˇto toˇnija. c Najpoznatije jednokoraˇne metode su svakako Runge–Kuttine metode. f ) . Ako je jednokoraˇna metoda reda p. y.3.3. O odabiru funkcije Φ ovisi i toˇnost metode. h). c c z Pod toˇnoˇ´u metode podrazumijevamo ponaˇanje pogreˇke y(xi ) − yi. Da bismo pojednostavili zapis. Uoˇimo da je funkcija f iz diferencijalne jednadˇbe (10. (10. Tako je npr. . u jednom koraku dobijemo c yi+1 iz yi ). h. Uoˇimo da je h = (b − a)/n te da je yn uvijek (za svaki n) aproksimacija za y(b). f ) = f (x. ˇ Sto je ve´i p metoda je toˇnija. y. y.2): τ (x. za jednokoraˇne metode c c c kaˇemo da su reda p ako je z τ (x. h (10. .3. y). Kod c njih je funkcija Φ oblika r Φ(x. u Eulerovoj metodi Φ(x. Φ zavisi o f ). Da c sc s s bismo pojednostavnili argumentaciju. promatrat ´emo pogreˇku u fiksiranoj toˇki c s c b.3).1) parametar od c z Φ (tj.3. y + h l=1 ajl kl (x.3. a kj su zadani s r kj (x. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 537 Funkciju Φ nazivamo funkcija prirasta.3.3. Pogreˇku c c aproksimacije (10. . tj. r. ubudu´e ´emo f izostaviti kao argument c c funkcije Φ.3. h. h) = y(x + h) − y(x) . h) = O(hp ). tada je c y(b) − yn = O(hp ).ˇ ˇ 10. h).

. Tada kj moˇemo izraˇunati preko k1 . y + ahk1 ). funkcije kj su zadane eksplicitno. tj. y(x).. k1 (x. zadan je implicitno z te govorimo o implicitnoj Runge–Kuttinoj metodi. k2 (x. Takve RK metode nazivamo eksplicitnima. y.ˇ ˇ 10. tj.3. h) = ω1 k1 (x. Ovi koeficijenti c c se najˇeˇ´e biraju tako da red metode bude ˇto je mogu´e ve´i. . y. h) = f (x + ah.5) c sc s c c vidimo da se kj nalazi na lijevoj i na desnoj strani jednadˇbe. h) = − (ω1 k1 (x. a fxx . Iz izraza (10. Sada je lokalna pogreˇka diskretizacije jednaka s y(x + h) − y(x) y(x + h) − y(x) − Φ(x. te pravila za deriviranje y (x) = fx + fy f. i on oznaˇava koliko puta c moramo raˇunati funkciju f u svakom koraku. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 538 Broj r zovemo broj stadija Runge–Kuttine (RK) metode. Razvojem k2 u Taylorov red po varijabli h dobivamo h2 (fxx a2 + 2fxy a2 f + fyy a2 f 2 ) + O(h3 ). odnosno y. 2 gdje su fx i fy prve parcijalne deivacije funkcije f = f (x. y. h). Nadalje. h) + ω2 k2 (x. obiˇno se dodaje uvjet c r ajl = cj .1. Razvoj rjeˇenja diferencijalne c s jednadˇbe y(x) ima oblik z k2 (x. kj−1 . U praksi se najviˇe koriste s z c metode gdje je ajl = 0 za l ≥ j. 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. c Razliˇit izbor koeficijenata ωj . Primjer odabira koeficijenata prikazat ´emo na RK metodi s dva stadija: c Φ(x. h) = f (x. fxy i fyy odgovaraju´e druge parcijalne derivacje. y. h) + ω2 k2 (x. y. cj i ajl definira razliˇite metode. y. y. 2 6 Ovdje smo iskoristili da je y(x) rjeˇenja diferencijalne jednadˇbe: s z y (x) = f (x. 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 ). l=1 s Ovaj izvor koeficijenata cj je detaljnije objaˇnjen u poglavlju 10. .3. y) po x. y). y (x) = fxx + 2fxy f + fyy f 2 + fy (fx + fy f ). . . y) = f.

8 1 ω4 c2 a32 a43 = . y + hk1 ).8) (10. 2 2 Najraˇirenije su metode sa ˇetiri stadija. y) . 6 1 ω 2 c3 + ω 3 c3 + ω 4 c3 = . 2 3 4 3 1 ω3 c2 a32 + ω4 (c2 a42 + c3 a43 = .3. k2 = f (x + h. 2t Uoˇimo da t ne moˇemo odabrati tako da poniˇtimo i ˇlan uz h2 tako da metoda c z s c bude reda 3. Za t = 1/2 dobivamo Heunovu metodu: 1 (k1 + k2 ). 2 1 ω 2 c2 + ω 3 c2 + ω 4 c2 = .3. y).7) (10. Odgovaraju´e jednadˇbe koje moraju s c c z zadovoljavati koeficijenti RK-4 metoda su: ω1 + ω2 + ω3 + ω4 = 1.ˇ ˇ 10.3.3.10) (10.11) (10.3. 2 3 4 4 1 ω3 c2 a32 + ω4 (c2 a42 + c2 a43 ) = . 2 k1 = f (x. 2 2 3 12 1 ω3 c2 c3 a32 + ω4 (c2 a42 + c3 a43 )c4 = .6) (10. ω1 = 1 − t.9) (10. Φ= dok se za t = 1 dobiva modificirana Eulerova metoda: h h Φ = f x + . Uvodenjem slobodnog koeficijenta t rjeˇenje ove dvije jedc s nadˇbe moˇemo napisati u obliku: z z ω2 = t = 0. 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. y + f (x.12) (10.3. 1 ω 2 c2 + ω 3 c3 + ω 4 c4 = . a= 1 . Ukoliko je ω2 = 0. Ukoliko je zadovoljeno i 1 − ω2 a = 0 2 metoda ´e biti reda 2. 24 (10.13) .3. radi se o metodi s jednim stadijem.3. i to upravo o Eulerovoj metodi.

ne moˇemo dva stupnja slobode iz sustava jednadˇbi iskoristiti da red c z z metode podignemo na pet. ˇto pove´ava c s c sloˇenost metode.3.ˇ ˇ 10. y + k1 .3. dok je za metode s 8 i viˇe stadija najve´i mogu´i red barem za dva manji od s c c broja stadija.3. z Za metodu s tri stadija uvrˇtavanjem s c4 = a41 = a42 = a43 = ω4 = 0 dobivamo 9 koeficijenata i 7 jednadˇbi. Uvjet (10.13). y). z Evo nekoliko primjera RK-4 metoda. Red je 4. Metoda s ˇetiri stadija moˇe posti´i najviˇe z c z c s red ˇetiri. dok za red 4 trebaju biti ispunjeni i uvjeti (10. 3 3 k4 = f (x + h.7) za red 2. dva. s c a da bismo postigli red 5 trebamo pove´ati broj stadija barem za dva. To je razlog zaˇto su metode s ˇetiri stadija najpopularnije.9) za red 3. c2 = a21 . 3 3 h 2 k3 = f x + h. tj. 6 k1 = f (x. 6 i 7 stadija najve´i mogu´i red je 4. 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 ). Za metode s 5.3. Op´enito. uvjeti (10. uvjet (10.10)– (10. tri i ˇetiri stadija najve´i mogu´i red c c c c metode odgovara broju stadija. c4 = a41 + a42 + a43 . y + k2 . 2 2 h h k3 = f x + . h h k2 = f x + . 8 k1 = f (x. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 540 gdje je c1 = 0.3. Spomenimo joˇ i 3/8-sku metodu: s 1 Φ = (k1 + 3k2 + 3k3 + k4 ). y + h(k1 − k2 + k3 )) . Ukupno imamo 10 koeficijenata i 8 jednadˇbi ukoliko je metoda reda 4. c c 5 i 6. za metode s jednim.8)–(10. y). y + k1 .3. y − k1 + hk2 . Najpopularnija je “klasiˇna” Runge– c Kutta metoda. c3 = a31 + a32 . 2 2 k4 = f x + h. y + hk3 .6) treba biti zadovoljen da bi metoda bila reda 1. h h k2 = f x + .

= f x + h. y + h l ajl kl = f (x. ˇto ´emo pokazati u sljede´em teoremu. . pa lokalna pogreˇka diskretizacije s τ (x. = f x + . 2 2√ √ 2−1 h 2− 2 k1 + h k2 .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) + O(h)].y + h 2 2 2 √ √ 2 2+ 2 k2 + h k3 . s c c Teorem 10.ˇ ˇ 10. 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. 6 = f (x. h h = f x + . y) + O(h). y). vrijedi c s z τ (x. y) 1 − j ωj + O(h). Teorem srednje vrijednosti daje nam ocjene y(x + h) = y(x) + hy (x) + O(h2 ) i kj = f x + cj h. Budu´i da je y rjeˇenje diferencijalne jednadˇbe y = f (x. y + k1 .3. y). h) = zadovoljava τ (x. odakle lagano slijedi tvrdnja teorema. h) = f (x. y) + O(h) = f (x. y) − j ωj f (x. j=1 Dokaz.1. y − h 2 2 10. To vrijedi i op´enito za sve RK c c metode.3. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 541 i Gillovu metodu: Φ= k1 k2 k3 k4 √ √ 1 k1 + (2 − 2)k2 + (2 + 2)k3 + k4 . h) = y (x) + O(h) − j y(x + h) − y(x) − h ωj kj j ωj [f (x.

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

c c s s c z Op´enito. 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 10.4. yi) . b]. yi+1−j ). y). Konzistencija i stabilnost Nakon ovih primjera izvoda nekih viˇekoraˇnih metoda postavlja se pitanje s c njihove toˇnosti. y(xi+1−j )) = j=0 j=0 Cj hj . Ukoliko je p ≥ 1 kaˇemo da je metoda konzistentna.10) j=0 Rekurzivna formula biti ´e toˇnija ˇto je viˇe prvih ˇlanova u razvoju jednako nuli. (10. a zatim dobiveni izraz razviti u Taylorov s z red: r r ∞ αj y(xi+1−j ) − h βj f (xi+1−j . ukoliko je C0 = C1 = · · · = Cp = 0 i Cp+1 = 0.1. Kao i kod jednokoraˇnih metoda. kaˇemo da je metoda reda c p. y0 ∈ R (10.4.ˇ ˇ 10. x0 ∈ [a.9) koja definira viˇekoraˇnu metodu. U gornju ´emo rekurziju umjesto yj uvrstiti s c c rjeˇenje diferencijalne jednadˇbe y(xj ). prvo ´emo promatrati koliko c c c dobro rjeˇenje diferencijalne jednadˇbe s z y = f (x. (10.4. zadovoljava rekurzivnu formulu r r y(x0 ) = y0 . z Tako za metodu yi+1 = yi−1 + 2hf (xi .8) αj yi+1−j = h j=0 j=0 βj f (xi+1−j .4.

10) pokazuje kvalitetu aproksimacije viˇekoraˇne metode. b) i x ∈ [a. . h j=0 j=0 gdje je y egzaktno rjeˇenje diferencijalne jednadˇbe (10. . Ukoliko je τ (x. 1.4. b).4) jednak r + 1.1 Pokaˇimo da je red (r + 1)-koraˇne Adams–Bashforthove metode z c (10. izraz (10.8). Pretpostavili smo da je y ∈ C ∞ (a. b] lokalna pogreˇka diskretizacije τ zadovoljava s h→0 lim τ (x. Uoˇimo da smo iskoristili da je y rjeˇenje diferencijalne c s jednadˇbe. h) = (y(xp+1)) − y(xp )) − h i=0 . j = −r. y(xi )). Sada je lokalna pogreˇka c s diskretizacije jednaka r 1 βri y (xp−i ). τ (x. 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 ). da vrijedi y (xi ) = f (xi .1 Viˇekoraˇnu metodu zovemo konzistentnom ako za svaki f ∈ s c F1 (a. z no oˇito je dovoljno zahtijevati da y ima neprekidnu tre´u derivaciju. oznaˇimo xj = x + jh. τ (x.4. .ˇ ˇ 10. Sada moˇemo definirati konzistenciju metode. tzv. s c U daljnjem tekstu koristiti ´emo malo promijenjen izraz za pogreˇku.4. tj. y ∈ C 3 (a. h) = r 1 r αj y(x − jh) − βj y (x − jh).4. lokalnu c s pogreˇku diskretizacije: s τ (x. h) = 0. .8) s s c s uz zamjenu x = xi+1 . tj. c c Dakle. Iskoristimo li rekurziju za Adams–Bashforthovu metodu (10.4) uvrˇtavanjem s toˇnog rjeˇenja y(x). z Primjer 10.4. Uoˇimo da je lokalna s z c pogreˇka diskretizacije dobivena uvrˇtavanjem toˇnog rjeˇenja u rekurziju (10. b). (xi ) = (2j + 1)! 3 te je ova metoda reda 2. dobivamo c s r 1 βri y (x − ih). h) = (y(x + h)) − y(x)) − h i=0 Radi jednostavnosti.4. h) = O(hp ) kaˇemo da je metoda reda p.4. z Definicija 10.

ξ(t) ∈ (xp−r . .4. . 1 τ (x. . xp i ω(t) = hr+1 u(u + 1) · · · (u + r).4. 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. (r + 1)! ω(t) = (t − xp−r )(t − xp−r+1 ) · · · (t − xp ). red metode odgovara broju koraka. .ˇ ˇ 10.7) izvedene c c iz formula za deriviranje.4. 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. xp . 0 j=0 te je red (r + 1)-koraˇne Adams–Bashforhove metode jednak 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. yi+1−j ) . . . 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 . h) = (r + 1)! h 1 xp+1 ω(t) dt. h) = h xp+1 dobivamo ω(t) xp y r+2(ξ(t)) dt. Za c c r-koraˇne eksplicitne metode (10. koeficijente u r-kos raˇnoj metodi c r r αj yi+1−j = h j=0 j=0 βj f (xi+1−j . . ω ne mijenja predznak na inc tervalu [xp .3).6) i r-koraˇne implicitne metode (10. xp ). xp+1 ] pa vrijedi y r+2(η) 1 τ (x. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 556 Uvrˇtavanjem izraza za koeficijente βri dane s (10. . Koriˇtenjem iste ideje kao kod Runge–Kuttinih metoda. Primjenom ocjene za pogreˇku interpolacije s y (t) − Pr (t) = ω(t) y (r+2) (ξ(t)) . dobivamo s 1 τ (x. (r + 1)! c Budu´i da su xp−r . xp sve nultoˇke polinoma ω. u(u + 1) · · · (u + r) du = h 0 r+1 y r+2(η) (r + 1)! 1 r (u + j) du.

a to je stabilnost. yi+1 ) + b0 f (xi . 2 3 6 2 s s c s c Koeficijente a0 . Sliˇno vrijedi i za r-koraˇne c z c c implicitne metode. c s Prirodno se name´e pitanje zaˇto bismo koristili navedene metode. a1 . b1 = 4.4. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 557 moˇemo odredivati tako da red metode bude ˇto je mogu´e ve´i. ako postoje c s metode dvostrukog reda s istim brojem koraka.2 Konstruirajmo dvokoraˇnu eksplicitnu metodu: c yi+2 + a1 yi+1 + a0 yi = h[b1 f (xi+1 . uz konzistentnost treba c s biti zadovoljen joˇ jedan dodatni uvjet. 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 ). Koeficijenti Cj u Taylorovom s razvoju zavisit ´e o koeficijentima αj i βj . kod viˇekoraˇnih s c metoda. te s 2r slobodnih koeficijenata moˇemo poniˇtiti prvih 2r ˇlanova razvoja: z s c C0 = C1 = · · · = C2k−1. c Primjer 10.ˇ ˇ 10. moˇe se pokazati da ´e vrijediti C2r = 0. Za razliku od jednokoraˇnih metoda c gdje je kozistentnost metode bio dovoljan uvjet za konvergenciju. s c c Razvojem lokalne pogreˇke diskretizacije u x = xi s τ (x. b0 i b1 odredimo tako da poniˇtimo ˇto je mogu´e viˇe poˇetnih ˇlanova u Taylorovom razvoju. Ovdje imamo jedan koeficijent viˇe (β0 ). tj. a0 = −5. da poniˇtimo z s c c s ˇto viˇe prvih ˇlanova u Taylorovom razvoju (10. b0 = 2. h) = 1 [y(x + 2h) + a1 y(x + h) + a0 y(x)] − [b1 y (x + h) + b0 y (x)] h u Taylorov red. Fiksiranjem α0 = 1 imamo s s c 2r slobodnih koeficijenata za eksplicitnu metodu. Nije teˇko pokazati da je ta zavisnost c linearna. dobivamo τ (x. te je metoda definirana s rekurzijom yi+2 + 4yi+1 − 5yi = h(4fi+1 + 2fi ). yi)] tako da red konzistencije bude ˇto je mogu´e ve´i. Takoder. To ´emo ilustrirati s c sljede´im primjerom.4.10). pa na z c taj naˇin moˇemo konstruirati metodu reda 2r − 1. . da bi aproksimacija konvergirala k toˇnom rjeˇenju. te moˇemo poniˇtiti s z s jedan ˇlan viˇe u Taylorovom razvoju i dobiti metodu reda 2r. 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.

c 2.257 · 1059 +0. ova dva polinoma odreduju jednu viˇekoraˇnu metodu. s Viˇekoraˇna metoda s c r r αj yi+1−j = h j=0 j=0 βj f (xi+1−j . 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 −0.652 · 1060 Iz tablice je jasno da metoda divergira. Uzrok tome je objaˇnjen u daljnjem tekstu. 96 97 98 99 100 yi − y(xi ) −0.2 Za viˇekoraˇnu metodu kaˇemo da je stabilna ako nultoˇke zj s c z c polinoma ρ(z) zadovoljavaju 1. s c c Ujedno.164 · 10−8 +0. .300 · 10−7 +0. h) = O(h3 ). 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 .4. σ)-shema. . Sve nultoˇke su po apsolutnoj vrijednosti manje od 1 (|zj | ≤ 1). c Promatrat ´emo numeriˇko rjeˇavanje diferencijalne jednadˇbe c c s z y = −y. . c Zajedno uvjete 1 i 2 zovemo uvjet stabilnosti.ˇ ˇ 10. . pa se ˇesto umjesto viˇekoraˇne metode koristi naziv (ρ. −0.101 · 1058 +0. y(0) = 1. . s c Definicija 10. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 558 Ova metoda je reda 3 (jer je τ (x.129 · 1060 −0. Ako je |zj | = 1 tada je zj jednostruka nultoˇka (ρ (zj ) = 0).144 · 10−6 . a moˇe se provjeriti da je ˇlan uz h3 z c razliˇit od nule). s egzaktnim rjeˇenjem y = e−x .512 · 1058 −0.

s z c z yi+1 je rjeˇenje nelinearne jednadˇbe y = ϕ(y). ∗ ϕ(y) = β0 hf (xi+1 . . Definicija konvergencije viˇekoraˇne metode se neˇto razlikuje od konvergencije jeds c s nokoraˇnih metoda. 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. Moˇe se pokazati da stabilna r-koraˇna metoda ima red z c p≤ r + 1. yi+1 ) + h k j=1 ∗ βj fi+1−j . pa ´e objaˇnjenje ove definicije i dokaz prethodnog teorema biti c c s izloˇeni u sljede´im potpoglavljima. ako je r paran. 1.4. 2. r + 2. . Sljede´i teorem nam objaˇnjava razlog divergencije c s ove metode. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 559 Uvjet stabilnosti se ˇesto naziva i uvjet korijena. Teorem 10. Budu´i da je |z2 | > 1. m = 0. c Za metodu iz proˇlog primjera je s ρ(z) = z 2 + 4z − 5. . ρ ne zadovoljava uvjet stac bilnosti. ako je r neparan. Budu´i da moˇemo izabrati dovoljno malen korak integracije h takav da je nejednakost ∗ |ϕ (y)| = h|β0 | ∂f (xi+1 . konvergiraju prema rjeˇenju jednadˇbe. Ako oznaˇimo c c=− k j=1 α∗ yi+1−j + h k j=1 ∗ βj fi+1−j . tj. slijedi da jednostavne iteracije y [m+1] = ϕ(y [m] ). c Nultoˇke su mu z1 = 1 i z2 = −5. y) + c.ˇ ˇ 10. 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 . . z c 10.1 Linearna viˇekoraˇna metoda je konvergentna ako i samo ako je s c konzistentna i stabilna. y) <1 ∂y zadovoljena.2. metoda nije stabilna.

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

. gdje je P proizvoljan polinom stupnja s z strogo manjeg od σ. da za svaki izbor poˇetnih vrijednosti u0 . 1 2 k j = 0. . tj. . k.4. z z Dokaz. s c z koeficijenata polinoma Pi (i = 1.4.ˇ ˇ 10.13).11) moˇe se jedinstveno prikazati u obliku (10. .4. svako rjeˇenje diferencijske s z s jednadˇbe (10. ρ(τ ) (λ) = 0 za 0 ≤ τ ≤ σ − 1. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 561 Teorem 10.4. . 1. 1. ali i dugotrajan. . (10. rjeˇenje diferencijske jednadˇbe (10. . . r − 1. Obratno.13) sadrˇi ukupno r slobodnih parametara (koeficijenata polinoma Pi ).4. k.2 Neka polinom ρ(z) iz (10. . . Za fiksni j ≥ 0.11).4.11) vrijedi da je uj + vj rjeˇenje ako su z s s z c uj i vj rjeˇenja diferencijske jednadˇbe. . c .13) je rjeˇenje diferencijske jednadˇbe (10. Stoga je dovoljno pokazati da za λ. Budu´i da je ∂P < σ vrijedi aσ = aσ+1 = · · · = ar = 0. . . j = 0. . . nultoˇku polinoma ρ viˇestrukosti σ. 2. tj. vrijedi da je niz s uj = P (j)λj .12) ima k razliˇitih nultoˇaka λi viˇec c s strukosti σi . . . . 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. ur−1 s c postoji jedinstveno rjeˇenje sljede´eg sustava od r linearnih jednadˇbi s r nepoznatih. Zbog homogenosti jednadˇbe (10. 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).11). stoga ga ovdje preskaˇemo. Uz oznaku αr = 1. 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 . . k): P1 (j)λj + P2 (j)λj + · · · + Pk (j)λj = uj . 1 2 k j = 0. Dokaz ove tvrdnje je elementaran. .4. . i = 1. (oznaka ∂P < σ). . z Drugi dio teorema dakle kaˇe da prikladnim odabirom parametara moˇemo z z dobiti proizvoljno rjeˇenje. . . niz uj = P1 (j)λj + P2 (j)λj + · · · + Pk (j)λj .4. jer je viˇestrukost nultoˇke λ jednak σ. Tada za proizvoljne polinome Pi (t) stupnja strogo manjeg od σi . i = 1. Time smo s c dokazali prvi dio teorema. 2.4. . . tako da zbog σ1 +σ2 +· · ·+σk = r prikaz (10.

. . .4. . . . Ako definiramo ⎡ ⎢ ⎢ ⎢ ⎢ ⎣ ⎤ ⎥ ⎥ ⎥ ⎥ ⎦ ⎡ ⎤ Uj = uj uj+1 .. Tada je s c ρ (λ) = rλr−1 + (r − 1)αr−1 λr−2 + · · · + 1 · α1 = 0. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 562 U primjeni viˇekoraˇnih metoda od interesa je ponaˇanje rasta rjeˇenja un s c s s diferencijske jednadˇbe (10. . j ≥ 0 rjeˇenje diferencijske jednadˇbe (10. . −αr−1 0 ⎢ . .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. 1. ⎢ . i neka je λ nultoˇka od ρ.4.11) kad n → ∞.14) lim n→∞ n za sve realne poˇetne vrijednosti u0 . Tada je niz c j uj = λ rjeˇenje diferencijske jednadˇbe (10. . 0 1 0 ⎦ −α0 . ⎥.4. .. diferencijska jednadˇba (10. Za |λ| > 1 niz s z λn un = n n divergira.11).. ⎥ . s z Dokaz. .4.14).4.4. ⎢ . .4.4.4.4. Prema tome je i niz uj = jλj ..ˇ ˇ 10. ρ je karakteristiˇni polinom matrice A te. ur−1. Prema tome.11) je ekvivalentna rekurziji z Uj+1 = AUj . . uj+r−1 ∈ Cr . 1 0 . . slijedi da λ mora biti c jednostruka nultoˇka. Posebno je vaˇno utvrditi uvjete koji z z osiguravaju da je un =0 (10. .. .11) zadovoljava (10.. Neka je sada |λ| = 1 i λ je viˇestruka nultoˇka od ρ. . To nam daje sljede´a lema. . budu´i da je uvjet stabilnosti zadovolc c r jen..2 tada rjeˇenje diferencijske jednadˇbe (10. Pretpostavimo da vrijedi (10. A=⎢ ⎥ ⎣ 0 .12) zadovoljava uvjete stabilnosti iz definicije 10. postoji norma na C takva da odgovaraju´a inducirana matriˇna norma c c zadovoljava A ≤ 1.14). . . za svaki U0 ∈ Cr vrijedi Un = An U0 ≤ A n U0 ≤ U0 za n = 0. c c Lema 10. Budu´i da niz un /n = λn ne konvergira nuli kada n → ∞. . ⎥ . . c Obratno. neka je zadovoljen uvjet stabilnosti.4. pa mora biti λ ≤ 1. .1 Ako polinom ρ iz (10. 0 .

ve´ o naˇinu na koji s s c c c odredujemo poˇetne vrijednosti. Ova pogreˇka ne ovisi o promatranoj viˇekoraˇnoj metodi. metodom. r − 1 za koje je n→∞ lim (y(xi) − yi ) = 0. posebno vrijedi lim un = 0. Dok y0 moˇemo c c odrediti iz poˇetnog uvjeta diferencijalne jednadˇbe. i = 0. . postoji k > 0 takav da je c U ≤ U k te posebno vrijedi Un Stoga je n→∞ ∞ ∞ ≤k U . . . . . r − 1.ˇ ˇ 10. c sc c c pri njihovom odredivanju javit ´e se odredena pogreˇka εi : c s y(xi ) = yi + εi. n→∞ Sada moˇemo izre´i definiciju konvergencije viˇekoraˇne metode. n→∞ n 10. = 0. . najˇeˇ´e jednokoraˇnom. . . . . b) i sve yi . . sve f ∈ F1 (a. b].9) zovemo konvergentnom s c ako je x−a lim e(x.4. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 563 Budu´i da su na Cr sve norme ekvivalentne. . da ako ˇelimo da globalna pogreˇka c c z s diskretizacije teˇi nuli kada n → ∞. yr−1 . 1.4. n = 0. .4. h = hn = (x − a)/n. r − 1. i = 0. z c s c Definicija 10. U svakom sluˇaju. . . ostale vrijednosti moramo c z odrediti nekom drugom. r − 1. to nije jedini izvor pogreˇke. Un n ∞ tj. . h) = yn − y(x). . ≤ k 2 U0 lim ∞. gdje je x ∈ (a. Da bismo startali r-koraˇnu metodu. hn = . . . 2. . . Medutim. Oˇito je. hn ) = 0. s c z prvo je potrebno izraˇunati r poˇetnih vrijednosti y0 . . Jasno je da globalna pogreˇka diskretizacije ovisi o lokalnoj pogreˇci diskretis s zacije. . n→∞ n za sve x ∈ [a. . i = 0.4.3 Viˇekoraˇnu metodu danu s (10. Konvergencija linearnih viˇekoraˇnih metoda s c Kao i kod jednokoraˇnih metoda. pogreˇke poˇetnih vrijednosti trebaju zadoz s c voljavati lim εi = 0. . i = 0. . kada govorimo o konvergenciji metode misc limo na ponaˇanje globalne pogreˇke diskretizacije: s s e(x. . b). n = 1.

4 Stabilne i konzistentne linearne viˇekoraˇne metode su konvergents c ne. y).17) . . Dokaz ovog teorema je sliˇan dokazu konvergencije jednokoraˇnih metoda.ˇ ˇ 10. b] i za n ∈ N definirajmo h = hn = (x − x0 )/n. Dokaz. . r − 1. s c Teorem 10.15). c c Neka je y egzaktno rjeˇenje jednadˇbe s z y = f (x. Dokaz. Na kraju. Zbog ln 1 = 0 treba vrijediti i ρ(1) = 1. Zbog konzistentnosti metode.4. y(x0 ) = y0 .4. gdje je lim εi = 0.4. pokaˇimo vezu izmedu stabilnosti i konzistentnosti te konvergencije z linearne viˇekoraˇne metode.16) i = 0. . . 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) = 0.3 Linearna viˇekoraˇna metoda je reda p ako i samo ako je z = 1 s c p-struka nultoˇka funkcije c ρ(z) − σ(z). Iz teorema slijedi da je metoda konzistentna ako i samo ako je 1 nultoˇka c funkcije (10. . . z c s c Teorem 10. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 564 Sada moˇemo izre´i teorem o redu viˇekoraˇne metode. .15) ln z Prethodni teorem povlaˇi i sljede´i korolar.4. r − 1 i lim ε(h) = 0. r +1. n→∞ i = r. b). h) = τi = r r 1 y(xi) + αj y(xi−j ) − βj f (xi−j . lokalna pogreˇka h→0 diskretizacije u toˇki xi c τ (xi .4. Fiksirajmo x ∈ [a. . f ∈ F1 (a. y(xi−j )) h j=1 j=0 (10. c Uvjet lim εi = 0 znaˇi da postoji funkcija ε(h) takva da je |εi | ≤ ε(h) za n→∞ s i = 0. (10. (10. c c Korolar 10.1 Linearna viˇekoraˇna metoda je konzistentna ako i samo ako je s c ρ(1) = 0 i ρ (1) = σ(1). . . uz yi = y(xi) + εi.4.4. . Jednako tako. 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 ). .

(10.4.r r j=0 |ei−j | + |h|t(h). . . ⎥ ⎤ 1 0 . (10.. . ∂y te vrijedi |f (xk . ⎥ ⎢. |τi | ≤ t(h)..ˇ ˇ 10. b)... . ⎥ A=⎢ ⎥ ⎣ 0 . yk ) − f (xk . ⎢ . i ci = h j=0 r i = r.. ⎢. ⎥ . . Budu´i da je f ∈ F1 (a. y(xi−j ))] − hτi . dobivamo da ci zadovoljava s |ci | ≤ hM gdje je M = m max |βj |. y) ≤ m ∀x ∈ [a.16) doz bivamo rekurziju za pogreˇke ei = yi − y(xi ): s ei + α1 ei−1 + · · · + αr er = ci . η)(yk − y(xk )) ≤ M|ek |. . ⎥ ⎢. ⎣0⎦ 1 ⎤ 0 ⎢.. j=0. . . r + 1. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 565 zadovoljava h→0 lim τi = 0.. yi−j ) − f (xi−j .. ..19) i = 0.. .. ⎢ . ∂y Iskoristivˇi ovu nejednakost. . (10.20) Pomo´u vektora c ej ⎢ ⎢ ej+1 ej = ⎢ . uz ei = εi. −α1 0 ⎢ .4. . 0 1 0 ⎦ −αr . r − 1 βj [f (xi−j . . y(xk ))| = ∂f (xk . 0 . b] i ∀y ∈ R. . ej+r−1 i matrice ⎡ ⎡ ⎤ ⎥ ⎥ ⎥. . Oduzimanjem jednakosti (10. . . . ⎥ . .4.17) pomnoˇene s h od jednakosti (10.18) z tj. ⎥ ⎦ ⎡ bj = ⎢ ⎥ ∈ Rr . ⎣.4. . koja zadovoljava lim t(h) = h→0 0.4. . postoji konstanta m > 0 takva da je c ∂f (x. . τi moˇemo omediti nekom funkcijom t(h).

a ako su jednake 1 tada su jednostruke.ˇ ˇ 10. (10. definiran viˇekoraˇnom metodom (10. ⎣. 1 − |h|Mk 2 ej+1 ≤ (1 + 4|h|Mk 2 ) ej + 2k|h|t(h). OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 566 rekurziju (10.4.4. Sada nejednakost (10.16). ujedno i svojc s c stveni polinom matrice A. Uoˇivˇi da je c s |ej+r | ≤ iz nejednakosti (10.21) Uoˇimo da je polinom ρ. 1. (10.19) moˇemo zapisati u ekvivalentnom vektorskom zapisu z ε0 ⎢.4. i e0 ≤ k e0 Za |h| ≤ je 1 − |h|Mk 2 ≥ i 1 2 1 1 = k. To znaˇi da postoji vektorska norma c na Cr takva da za induciranu vektorsku normu vrijedi A ≤ 1. . e0 = ⎢ . . . ⎥ ⎥.4.4. tj. 1. .22) prelazi u j = 0. .20) slijedi da je r i=1 |ej+i| ≤ k ej+1 |cj+r | ≤ |h|Mk( ej + ej+1 ) + |h|t(h).4. c c svojstvene vrijednosti od A.22) ≤ krε(h). Stabilnost metode povlaˇi da su sve nultoˇke od ρ. postoji konstanta k > 0 takva da je r−1 1 ej ≤ |ej+i| = ej k i=0 1 ≤ k ej . Budu´i da su sve norme na Cr c ekvivalentne.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). . . po apsolutnoj vrijednosti manje od 1. j = 0. ⎦ εr−1 ⎡ ⎤ ej+1 = Aej + cj+r b.4. Iskoristivˇi vektorski zapis rekurzije (10. 1 2Mk 2 1 + |h|Mk 2 ≤ 1 + 4|h|Mk 2 .

Da bismo postigli da se pogreˇka ponaˇa kao O(h ). r − 1 Primjenom teorema srednje vrijednosti dobivamo da postoji θ ∈ (0. takve da je |e(x. Ukoliko za njihovo odredivanje s s c koristimo jednokoraˇnu metodu reda p.2 Neka je linearna viˇekoraˇna metoda stabilna i konzistentna reda s c p. h)| = |en | = |yn − y(xn )| ≤ C1 ε(hn ) + C2 t(hn ) za dovoljno veliki n. h)| ≤ |h|p Ni|h|eM i|h| . tako se mora ponaˇati i pogreˇka poˇetnih vrijednosti. pa je ˜ |e(xi . . .3.1 slijedi en ≤ e 4n|h|M k 2 e4n|h|M k − 1 . yr−1 . Dakle. krε(h) + t(h) 2Mk 2 tj. nezavisne o h. h)| ≤ |h|p N M i|h| −1 eM |xi −x0 | − 1 ˜ e = |h|p N . c Korolar 10. n Ovaj korolar ujedno kazuje koju metodu moramo izabrati za odredivanje poˇetc p s s nih vrijednosti y0 . M M i = 0. . h = hn = (x − x0 )/n.4. h) takav da je eM i|h| − 1 = Mi|h|eM iθ ≤ Mi|h|eM i|h| . za x = x0 . . hn ) = O(hp ) n za sve hn = (x − x0 )/n ˇim pogreˇke εi zadovoljavaju c s |εi| ≤ ε(hn ). .4. b). postoje konstante C1 i C2 . .4. uz ε(hn ) = O(hp ). n→∞ Iz ocjene (10. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 567 Iz leme 10. |hn | ≤ 1/(2Mk 2 ) vrijedi en ≤ e 4M k 2 |x−x0 | krε(hn ) + t(hn ) e4M k 2 |x−x 0| −1 2Mk . te f ∈ Fp (a.23) dobivamo sljede´i korolar.3 slijedi da pogreˇka poˇetnih c ˜ s c vrijednosti zadovoljava ˜ |e(xi . . Tada globalna pogreˇka diskretizacije zadovoljava s e(x.ˇ ˇ 10. . .3. Konvergencija metode sada slijedi iz ˇinjenice da je c n→∞ (10.23) lim ε(hn ) = lim τ (hn ) = 0. iz teorema 10.

5 Konvergentne linearne viˇekoraˇne metode su stabilne. vrijedi c c ˜ |e(xi . . . .1.4. i = 0. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 568 Kako je za poˇetne vrijednosti r-koraˇne metode 0 ≤ i ≤ r − 1. Promatrajmo diferencijalnu jednadˇbu z y = 0. 2. Sada vrijedi yi = hui . . Teorem 10. . . s c .4. . ur−1. . . Sada definirajmo niz yi rekurzivnom formulom yj+r + α1 yj+r−1 + · · · + αr yj = 0 uz poˇetne vrijednosti c yi = εi i = 0.4. .. . y(a) = 0 s egzaktnim rjeˇenjem y = 0. . te neka su zadane poˇetne vrijednosti c y i = εi . . Za fiksirani x ∈ [a.24) ˇim je zadovoljeno c n→∞ lim εi = 0 i = 0.6 Konvergentne linearne viˇekoraˇne metode su konzistentne. r − 1. r − 1. Izaberimo sada za neke fiksne konstante u0 .4. . . . . c s c Teorem 10. Uz ovakav izbor εi zadovoljili smo uvjet (10. n = 1. . . Budu´i da je metoda konvergentna. n→∞ n Tvrdnja teorema sada slijedi direktno iz leme 10. gdje je niz ui dobiven rekurzijom uj+r + α1 uj+r−1 + · · · + αr uj = 0.24). . r − 1. .ˇ ˇ 10. te moˇemo izabrati metodu reda p = p − 1 da bi se pogreˇka viˇekoraˇne metode z ˜ s s c ponaˇala kao O(hp ). s Sljede´a dva teorema govore o svojstvima konvergentnih viˇekoraˇnih metoda. r − 1. .4. s c Dokaz. . vrijedi c n→∞ lim yn = 0 (10. vrijedi c 0 = lim yn = lim (hun ) = (x − a) lim n→∞ n→∞ un . h)| ≤ |h|p+1 N(r − 1)eM (r−1)|h| . b] neka je yn aproksimacija za y(x) s uz h = (x − a)/n. Budu´i da je metoda konvergentna. εi = hui i = 0.

n→∞ n→∞ n→∞ Dakle. . Stavivˇi h = x/n. odnosno ρ (1) = σ(1). . . . s egzaktnim rjeˇenjem y(x) = x. . r − 1. iskoristit ´emo ˇinjenicu da je metoda konverc c gentna i za inicijalni problem y = 1. .25) za j → ∞ slijedi C0 = 1 + αr−1 + . tj. uzevˇi u obzir da je ρ(1) = 0. Za poˇetne vrijednosti yi = 1.4. Zbog s c konvergentnosti metode. te je C1 = ρ (1) − σ(1) = 0. .25) lim yn = y(x) = 1.4. ˇto znaˇi da je s c metoda konzistentna. uz ove poˇetne vrijednosti. . j = 0. gdje je yj+r + αr−1 yj+r−1 + · · · + α0 yj = 0. Fiksirajmo sada x i stavimo h = x/n. Zbog konvergencije metode je x = y(x) = lim yn = lim (nhK) = lim (xK) = Kx. Promatrajmo inicijalni problem y = 0. Dakle. Sada direktno iz (10. konstanta c K= je dobro definirana. σ(1) ρ (1) za inicijalni problem y = 1. r − 1. y(0) = 0.4. daje niz yj koji zadovoljava c yj+r + αr−1 yj+r−1 + · · · + α0 yj = h(β0 + β1 + · · · + βr ) = hσ(1). . ρ (1) = 0.ˇ ˇ 10. pa je λ = 1 jednostruka nultoˇka od ρ. . lim εj = 0 za j = 0. . imamo s yj = y(xj ) + εj Oˇito je zadovoljeno c n→∞ uz εj = jh(K − 1). . Uz poˇetne uvjete c yj = jhK j = 0. lagano se moˇe s z s z provjeriti da je yj = jhk za sve j. Uvrˇtavanjem u gornju jednadˇbu. + α0 = 0. r − 1. iz teorema 10. 1. i = 0. j = 0. . s c metoda daje vrijednosti yj+r . . . . y(0) = 0. Metoda. . . Ve´ smo vidjeli da je C0 = ρ(1) = 0. . . K = 1. y(0) = 1 s egzaktnim rjeˇenjem y(x) = 1. r − 1. uzevˇi u obzir da je y(xj ) = xj = jh. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 569 Dokaz. zbog konvergencije metode vrijedi s n→∞ (10. .5 slijedi i njena stabilnost. . Da bismo dokazali da je i C1 = 0.

dok je korektor zadan s [m+1] yn = yn−1 + ∗ [m] hβ0 f (xn . . Sada vrijedi [0] yn = Byn−1 (10. dn . . Prediktor u ABM-metodi raˇunamo prema c k [0] yn = yn−1 + h j=1 βj fn−j . 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 . hfn−1 . Gearova metoda Dosada razmatrane formule za viˇekoraˇne metode zasnivale su se na ekvis c distantnom izboru koraka h. . ovim metodama moramo pristupiti na drugi naˇin. fn+1−k . . .ˇ ˇ 10. yn )] yn za m = 1. . . . yn ) − dn ]. fn . Ako ˇelimo razviti metodu koja ´e imati mogu´nost z c c promjene koraka integracije tijekom izvodenja algoritma. hfn+1−k ]T . .5. . . Oduzimanjem dviju uzastopnih aproksimacija dobivamo [m+1] [m] ∗ [m] [m−1] − yn = β0 [hf (xn . m = 0. hfn . Ideju ´emo prikazati na Adams–Bashforth–Moultonovim c c (ABM) metodama. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 570 10. Sliˇno kao i vektor yn . M − 1. . . yn )−h ∗ βj − βj hfn−j . . ∗ β0 j=1 k ∗ Ovdje smo oznaˇili βk = 0.1) . . yn ) k−1 +h j=1 ∗ βj fn−j . a ista se moˇe poop´iti i na druge metode. yn ) − hf (xn . dok za m = 0 slijedi [1] [0] yn −yn = ∗ [0] hβ0 f (xn . Uz oznaku c ∗ βj − βj δj = ∗ β0 k i dn = j=1 hδj fn−j . . hfn−1 . moˇemo pisati z [1] [0] ∗ [0] yn − yn = β0 [hf (xn . . . definiramo vektor c [0] [0] yn = [yn .5. M − 1. yn )+h ∗ (βj −βj )fn−j j=1 k = ∗ β0 [0] hf (xn . . . hfn+1−k ]T . Ovih k + 1 vrijednosti moˇemo zapamtiti u vektoru yn : z yn = [yn .

.5.4) i (10. . . .ˇ ˇ 10. Za yn odabrat ´emo zadnju iteraciju: c [M yn = yn ] . hfn−1 .5. (10.. M. .5. .. k.. ⎣.5. . ⎥ . . .. . u0 ) − u1 . ⎢. .. za m = 1. .5. [m] Uoˇimo da funkcija F koristi samo prve dvije komponente vektora yn : c F ([u0 . . . M − 1. . m = 0. . hf (xn . . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 571 gdje je 1 ⎢ ⎢0 ⎢ ⎢ B = ⎢0 ⎢. 1... Sada je [m+1] [m] [m] yn = yn + cF (yn ). ⎥ . m = 1. [0] hf (xn .4) Definirajmo polinom Q(x) = x P (z) dz + yn−1. 0 Nadalje. .. xn−1 (10. .. . te iz (10.. M definiramo vektor 1 0 [m] [m] [m−1] . (10.5. yn i funkciju [m] F (yn ) = [m] [m−1] hf (xn .. . . (10. hfn+1−k ]T yn = [yn . 0]T ..5) slijedi Q(xn−1 ) = yn−1 i Q(xn ) = yn . . i = 1. yn − dn . . 0 . . . ⎦ ⎤ 0 . .2) gdje je ∗ c = [β0 . . . . . yn ) − hf (xn . . βk ⎥ δk ⎥ ⎥ 0 ⎥. m = 0. . . . . u1.5) Zbog Q (x) = P (x) izlazi Q (xn−i ) = fn−i . ⎥ . .3) Za izvod Adams–Bashforthove metode iskoristili smo interpolacijski polinom c P koji interpolira vrijednosti fn−i u toˇkama xn−i za i = 1.. k te definirali metodu pomo´u c xn yn − yn−1 = xn−1 P (x) dx. . uk ]T ) = hf (xn . . yn ). .. . 0.. ⎡ β1 δ1 1 . .

. pa vrijedi F (yn ) = F (D−1zn ) = F (zn ). OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 572 Oˇito da iz vektora yn moˇemo jednoznaˇno odrediti polinom Q. 1 k ⎥ ⎥ P= 1 Primijetimo da su prve dvije komponente vektora yn i zn . korak viˇekoraˇne metode zadan s (10. . Vaˇnost ovoga zapisa je u tome ˇto su yn−1 i zn−1 linearno povezani i vrijedi: z s yn−1 = Dzn−1 .ˇ ˇ 10.. (10. . M − 1. . odnosno yn−1 i zn−1 jednake: Q(xn−1 ) = yn−1 i hQ (xn−1 ) = hfn−1 .. .3) moˇemo pisati u obliku s c z z[0] = DBD−1 zn−1 . M. Funkcija F ovisi samo o prva dva elementa vektora yn−1 . zn = z[M ] . Koeficijente polinoma Q moˇemo zapisati vektorom zn−1 : z zn−1 = Q(xn−1 ). [m] [m] [m] m = 0. . n S P oznaˇimo matricu c P = DBD−1 . 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 .. ..5...5. . n [m+1] [m] [m] = zn + DcF (D−1zn . . . . . h Q(k) (xn−1 ) Q (xn−1 ) 2 Q (xn−1 ) . iz polic z c noma Q i lagano i jednoznaˇno odredujemo yn . zn m = 0.5.. ⎥ ⎥ ⎥ ⎥ ⎦ 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 . . . ⎡ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎤ ⎥ ⎥ ⎥ ⎥ ⎥...2) i (10. . Oznaˇivˇi joˇ s zn−1 : c s s yn−1 = Dzn−1 .. i obratno. gdje je D regularna matrica koja ne ovisi o izboru koraka i n..h .1). . . hk 1! 2! k! T . . .

5. n (10. Uz oznaku c [M en = F (z[0] ) + · · · + F (zn −1] ) n prethodna relacija postaje zn = z[0] + en l.5.8) m = 0. M − 1. . .6) (10. Iteracije korektora moˇemo napisati u obliku z [M zn = z[0] + [F (z[0] ) + · · · + F (zn −1] )]l.5.ˇ ˇ 10. . zn = z[M ] . . 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. i viˇekoraˇnu metodu moˇemo pisati u obliku s c z z[0] = Pzn−1. 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 .7) (10. n n [m] Budu´i da F koristi prve dvije komponente od zn . jedino se razlikuju c . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 573 Oznaˇimo joˇ s c s l = Dc.

. . . . . . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 574 vektori l. . ali u k razliˇitih toˇaka. Q (xn ) . Q(k) (xn ) 1! k! Analogno. Q (xn ) . . za korak αh imali bismo ¯n = Q(xn ). .ˇ ˇ 10. . Za prijelaz na z s metodu s jednim korakom viˇe u odgovaraju´em vektoru s c h hk hk+1 ¯ ¯ zn = Q(xn ). dok prijaˇnji prikaz koristi isti broj informacija. . Q (xn ) . Q (xn ) z αh (αh)k . . te ga moˇemo dobiti iz vektora zn ispuˇtanjem zadnje komponente. . Q(k+1) (xn ) 1! k! (k + 1)! T . Q(k) (xn ) . . c s c c Za korak integracije h vektor zn je oblika h hk zn = Q(xn ). . Q(k) (xn ) 1! k! T T . . . z Za (k − 1)-koraˇnu metodu vektor zn je oblika c h hk−1 ¯n = Q(xn ). Sljede´a tablica prikazuje koeficijente vektora l za BDF metodu. Q(k−1) (xn ) z 1! (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. Odavde se jasno vidi da za prijelaz s koraka h na korak αh treba i-tu komponentu vektora zn pomnoˇiti s αi .

jedc c nadˇbu (10. .5.5.k − zn−1. Tada iteracije konvergiraju samo ako je korak integracije h dovoljno malen. Sada c ¯ ¯ za aproksimaciju zadnje komponente vektora zn moˇemo iskoristiti z hk+1 en lk Q(k+1) (xn ) = .5.k = en lk gdje smo iskoristili prikaz (10.10) F (zn )l = 0. Dovoljno je poˇeti integraciju s c c s jednokoraˇnom metodom i vektorom c z0 = [y0 .k = zn. c W = − .k − zn−1. Joˇ nam je ostalo za razmotriti izbor veliˇine koraka i reda metode. 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. .5. − h k! k! h (k+1) Uoˇimo da su zbog oblika matrice P zadnje komponente vektora zn−1 i z[0] jednake. (10. s c Iteracije korektora u (10. m = 0. Da bi se prevladao ovaj problem. odnosno reda c metode.5. c n te vrijedi [0] zn. hf (x0 . ali i pove´anje ili smanjenje broja koraka. (k + 1)! k+1 Ovime smo pokazali da ovakav prikaz viˇekoraˇnih metoda omogu´ava laganu pros c c mjenu koraka integracije. y0 )]T . U sluˇaju da nije zadovoljen kriterij c c konvergencije. W se ponovno raˇuna. Problem se javlja kod krutih sustava. . Medutim.k ). M − 1. .9) i s lk oznaˇili zadnju komponentu vektora l.k − zn. nerealno smanjenje koraka integracije znaˇajno pove´ava broj koraka integracije.11) gdje je ∂f −1 ∂F [m] −1 zn l = l1 − hl0 . Ujedno je i rijeˇen problem poˇetnih vrijednosti.7) nisu niˇta drugo nego metoda jednostavnih its eracija za rjeˇavanje jednadˇbe s z (10.ˇ ˇ 10.10) moˇemo rjeˇavati Newtonovom metodom umjesto jednostavnim z z s iteracijama: [m+1] [m] [m] zn = zn + W F (zn )l. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 575 treba aproksimirati zadnju komponentu. ∂z ∂y Raˇunanje W -a zahtijeva relativno mnogo raˇunanja tako da se radi ubrzanja u c c iteracijama koristi W izraˇunat u prvoj iteraciji.

ˇ ˇ 10.5.13) y (k)(xn ) − y (k)(xn−1 ) .15) [0] .5.12) zamjenjujemo s c ck+1 |en | |lk |k! ≤ ε.5. k! k! (10. ck+1 |lk |k! (10.14) Budu´i da je c 0 z[n ] = Pzn−1. i jer matrica P ne mijenja zadnju komponentu vektora zn−1 . tada moramo zahtijevati ck+1 hk+1 |y (k+1)(xn )| ≤ ε.k vektora zn . (10.16) (10.13) Vrijednost k! prelazi u hk+1 y (k+1) (xn ) ≈ k!(zn. ∗ pri ˇemu je za Adamsove metode ck+1 = γk a za BDF metode je ck+1 = 1/(k + 1).k − zn−1. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 576 Apsolutna pogreˇka metode dana je s s ck+1 hk+1 y (k+1)(xn ) + O(hk+2 ). y∞ Uz oznake D2 = |en | y∞ i E2 = ε . Koriste´i ove aproksimacije.k ).5. h hk (k) y (xn ) nalazi se u zadnjoj komponenti zn. Sada zbog (10. slijedi da je zn.k . y∞ gdje je y∞ = max |yi|.k = zn−1.9) relaciju (10.14) moˇemo napisati u obliku z hk+1 y (k+1) (xn ) ≈ k!en lk . te (10. c Ako ˇelimo da nam relativna toˇnost n-tog koraka bude manja od unaprijed zadane z c vrijednosti ε.5.5. 0≤i≤ (10. nejednakost (10.5.12) 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 ) .5.5.

p2 .17) Ukoliko gornji uvjet nije zadovoljen.2 E2 1 k+1 h . 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.k .5. y∞ Iskoristivˇi aproksimaciju s hk y (k) (xn ) ≈ k!zn.ˇ ˇ 10. ali s manjim korakom integracije: h2 = gdje je D2 p2 = 1. y∞ odnosno D1 ≤ E1 . (10.k |k! ≤ ε. Da smo u n-tom koraku koristili metodu jednog reda manju.18) Sliˇno razmatranje moˇemo provesti i za sluˇaj da smo koristili za jedan red c z c ve´u metodu.5. ck k! (10. dobivamo s hk+2 y (k+2) (xn ) ≈ (en − en−1 )lk k!. (10. zadnji korak z c se ponavlja.18) zamjenjujemo s ck |zn.5.19) .15).5. dakle reda k − 1. pri ˇemu je c D1 = |zn.k | y∞ i E1 = ε . tj. nejednakost (10. nismo postigli traˇenu toˇnost. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 577 kriterij (10.16) moˇemo zapisati u obliku z D2 ≤ E2 . Zahtjev na relativnu pogreˇku glasio bi c s ck+2 hk+2 |y (k+2) (xn )| ≤ ε. analogan zahtjev na relativnu pogreˇku glasio bi s ck hk |y (k)(xn )| ≤ ε.5.5. dakle reda k + 1.

p1 i p3 su teˇine kojima dajemo c z prednost na mijenjanju i smanjivanju reda metode. Red metode se ne mijenja c ako je p2 najmanja konstanta. 1. Za novi korak integracije uzima se hi = h . Uz konstantu p2 . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 578 Uz oznake D3 = |en − en−1 | y∞ i E3 = ε .19) zamjenjujemo s D3 ≤ E3 . tada se red metode smanjuje za jedan. pi Faktori 1. ck+2 k!|lk | nejednakost (10. dok se red metode pove´ava za jedan ako je p3 najmanja konstanta. (n + 1)-om koraku.3 i 1.4 D3 E3 1 k+2 .17) prelazi se na izbor reda metode i koraka h u novom. pri izboru reda i koraka raˇunaju se i konstante c p1 = 1.3 D1 E1 1 k i p3 = 1.ˇ ˇ 10.5.2.5. .4 kod raˇunanja konstanti p2 . Ako je u n-tom koraku zadovoljen uvjet konvergencije (10. Ukoliko je p1 najmanja konstanta.

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

2) s posebnim oblikom funkcije f i skupa c D. Metoda zlatnog reza Prvu minimizacijsku metodu opisat ´emo za problem minimizacije realne funkc cije realne varijable (f : R → R). Iako ovaj c c problem izgleda jednostavniji (zbog manjeg podruˇja minimizacije). Npr. Za c ove probleme su razvijene posebne metode koje ovdje ne´emo opisati. f (b) i f (c)) koje zadovoljavaju f (b) ≤ f (a) i f (b) ≤ f (c) (tj. 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).. Postoje dvije mogu´nosti: f (x) ≥ f (b) ili je f (x) < f (b).11. b]. c]: w= b−a c−a i c−b = 1 − w. x). U suprotnom sluˇaju. ve´ na nekom z c c n: podskupu D ⊂ R min f (x). x.2) x∈D U tom sluˇaju govorimo o problemu minimizacije s ograniˇenjima. Neka su zadane tri toˇke a < b < c te neka c su poznate vrijednosti funkcije f u njima (f (a). Opisani postupak je c osnova metode zlatnog reza. ako traˇimo minimimum na intervalu [a. b. b]. Neka je w omjer u kojem b dijeli interval [a. x] (jer je f (b) ≤ f (a) i f (b) ≤ f (x)) i novu toˇku biramo iz trojke (a. OPTIMIZACIJA OPTIMIZACIJA – 580 To je razlog ˇto se ˇesto umjesto termina optimizacija ravnopravno koristi termin s c minimizacija funkcija. minimum c c se nalazi u intervalu [b.1. Ukoliko je f kvadratiˇna funkcija (polic nom) tada se ovaj problem naziva problem kvadratiˇnog programiranja. Medutim. c] i novu toˇku biramo iz trojke (b. c−a . jasno je da funkcija f (x) = x ima globalni minic mum u 0. b].1. Izaberimo novu toˇku x iz intervala [a. U narednim c potpoglavljima su obradene osnovne metode za rjeˇavanje problema minimizacije s bez ograniˇenja. c c Ako je f (x) ≥ f (b) tada se minimum nalazi u intervalu [a.1. Pretpostavit c c ´emo da je x ∈ (b. f (b)} ako 0 ∈ [a. c U tom sluˇaju znamo da se toˇka lokalnog minimuma nalazi u intervalu [a. b] tada je minimum z funkcije f jednak 0 ako je 0 ∈ [a. a i c c b omeduju toˇku minimuma. U praksi se ˇesto javlja problem (11.1). Preostalo je joˇ za razmotriti naˇin izbora nove toˇke s c c x.2. ˇ Cesto se minimum funkcije f ne traˇi na cijelom podruˇju Rn . c 11. tj. c). b] ili min{f (a). c). tj. a f je linearna funkcija tada govorimo o problemu linearnog programiranja. u razma/ tranje smo trebali uzeti i rubove intervala. vrijednost funkcije f je najmanja u srednjoj toˇki b). (11. metode za njec govo rjeˇavanje su sloˇenije nego za polazni problem (11. Ako je D presjek poluravnina u Rn .

z+w = Ovime dobijemo uvjet z = 1 − 2w (11. 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. 2 Gornji je broj poznat kao zlatni broj pa se metoda s ovakvim izborom nove toˇke x c naziva metodom zlatnog reza. c−a c−b z .1) koji znaˇi da su toˇke x i b smjeˇtene simetriˇno s obzirom na srediˇte intervala c c s c s [a.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 c−a c−a te sa z oznaˇimo c te f (b(0) ) ≤ f (a(0) ) i f (b(0) ) ≤ f (c(0) ). tj. b]. 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. 1−w Iskoristivˇi ˇinjenicu da je z = 1 − 2w (11. Ovaj uvjet daje jednadˇbu s z c−x c−b = . c]. Algoritam za metodu zlatnog reza. OPTIMIZACIJA OPTIMIZACIJA – 581 x−b . z z .38197.2. sredivanjem gornjeg izraza dobivamo s c 1−w =1− w 2 − 3w + 1 = 0.1). 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. dok je c s za f (x) < f (b) minimum lociran na intervalu ˇirine c − b.2. Opisani postupak moˇemo sada saˇeto zapisati. c−a Uoˇimo da je za f (x) ≥ f (b) minimum lociran na intervalu ˇirine x − a. Neka toˇke a(0) .

(11. Vrati se na korak 2. Toˇku c c c c odredimo tako da b dijeli interval [a. 5. Ako je f (x(i) ) < f (b(i) ) tada a(i+1) = b(i) . c] u zlatnom omjeru. Odredimo x(i) = c(i) + a(i) − b(i) . Na ovaj naˇin generiramo niz toˇaka x0 . . c(i+1) = x(i) . Uoˇimo da vrijedi c |c(i+1) − a(i+1) | = (1 − w)|c(i) − a(i) | ≈ 0.61803|c(i) − a(i) | te metoda konvergira linearno prema toˇki minimuma x∗ . . Za egzistenciju lim xi nuˇno je da postoji x0 ∈ Rn takav da je skup z i i i {x | f (x) ≤ f (x0 )} . Viˇedimenzionalna minimizacija s Ovdje ´emo promatrati metode koje minimiziraju funkciju f : Rn → R: c x∈Ên min f (x). OPTIMIZACIJA OPTIMIZACIJA – 582 1. No. 3. 4. . traˇimo toˇku xi+1 ∈ R za koju je f (xi+1 ) <