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. 2.2.1. 2.2.2. 2.2.3. 2.2.4. 2.2.5. 2.2.6. 2.2.7. 2.2.8. 2.3. 2.3.1. 2.3.2. 2.3.3. Osnovna svojstva vektorskog prostora . . . . . . . . . . . . Norma u vektorskom prostoru . . . . . . . . . . . . . . . . Skalarni produkt u vektorskom prostoru . . . . . . . . . . Dimenzija vektorskog prostora . . . . . . . . . . . . . . . . Baza vektorskog prostora . . . . . . . . . . . . . . . . . . . Linearni operatori . . . . . . . . . . . . . . . . . . . . . . . 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 . . . . . . . . . . . . . . . . . Definicija i osnovni teoremi . . . . . . . . . . . . . . . . . . Izravne posljedice singularne dekompozicije . . . . . . . . . Aproksimacija matrice matricom manjeg ranga . . . . . . . iii

Matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Singularna dekompozicija matrice . . . . . . . . . . . . . . . . . .

ˇ SADRZAJ

NUM ANAL – iv

2.3.4. 2.3.5. 2.3.6. 2.4. 2.4.1. 2.4.2. 3.

Wielandtova matrica . . . . . . . . . . . . . . . . . . . . . Neke nejednakosti sa singularnim vrijednostima . . . . . . Generalizirani inverz . . . . . . . . . . . . . . . . . . . . . Vektorske norme . . . . . . . . . . . . . . . . . . . . . . . Matriˇne norme . . . . . . . . . . . . . . . . . . . . . . . . c

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

Greˇke u numeriˇkom raˇunanju . . . . . . . . . . . . . . . . . . . s c c 3.1. Tipovi greˇaka . . . . . . . . . . . . . . . . . . . . . . . . . . . . s 3.1.1. 3.1.2. 3.1.3. 3.2. 3.2.1. 3.2.2. 3.3. 3.3.1. 3.3.2. 3.3.3. 3.3.4. 3.3.5. 3.3.6. 3.3.7. 3.3.8. 3.4. 3.4.1. 3.4.2. 3.4.3. 3.4.4. 3.4.5. 3.4.6. Greˇke zbog polaznih aproksimacija . . . . . . . . . . . . . s Greˇke zaokruˇivanja . . . . . . . . . . . . . . . . . . . . . s z Apsolutna i relativna greˇka, znaˇajne znamenke . . . . . . s c Pretvaranje decimalne u binarnu reprezentaciju . . . . . . Reprezentacija brojeva u raˇunalu . . . . . . . . . . . . . . c 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 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

Aritmetika s pomiˇnom toˇkom . . . . . . . . . . . . . . . . . . . c c

IEEE Aritmetika . . . . . . . . . . . . . . . . . . . . . . . . . . .

Stabilnost numeriˇkog raˇunanja . . . . . . . . . . . . . . . . . . c c

ˇ SADRZAJ

NUM ANAL – v

3.4.7. 3.5. 3.5.1. 3.5.2. 3.5.3. 3.5.4. 3.5.5. 4.

Kako dizajnirati stabilne algoritme . . . . . . . . . . . . . Propagiranje greˇaka zaokruˇivanja . . . . . . . . . . . . . s z Stabilnost produkta od n brojeva . . . . . . . . . . . . . . Stabilnost sume . . . . . . . . . . . . . . . . . . . . . . . . Kompenzirano sumiranje . . . . . . . . . . . . . . . . . . .

123 124 130 133 137 140

Osnove analize greˇaka zaokruˇivanja . . . . . . . . . . . . . . . . s z

Stabilnost skalarnog produkta i osnovnih matriˇnih operacija 142 c

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. 4.4.1. 4.4.2. 4.4.3. 4.4.4. 4.5. 4.6. 4.5.1. 4.6.1. 4.6.2. 4.6.3. 4.6.4. 4.7. 4.7.1. Matriˇni zapis metode eliminacija . . . . . . . . . . . . . . c Trokutasti sustavi: rjeˇavanje supstitucijama unaprijed i s unazad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . LU faktorizacija . . . . . . . . . . . . . . . . . . . . . . . . LU faktorizacija s pivotiranjem . . . . . . . . . . . . . . . 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 . . . . . . . Pozitivno definitni sustavi. Faktorizacija Choleskog . . . . Perturbacije male po normi . . . . . . . . . . . . . . . . . Rezidualni vektor i stabilnost . . . . . . . . . . . . . . . . Perturbacije po elementima . . . . . . . . . . . . . . . . . Dodatak: Udaljenost matrice do skupa singularnih matrica Jacobijeva i Gauss–Seidelova metoda . . . . . . . . . . . . 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

Numeriˇko rjeˇavanje simetriˇnog sustava jednadˇbi c s c z

Teorija perturbacija za linearne sustave . . . . . . . . . . . . . .

Iterativne metode . . . . . . . . . . . . . . . . . . . . . . . . . .

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. 6.2.1. 6.2.2. 6.2.3. 6.3. 6.4. Raˇunanje vrijednosti polinoma u toˇki . . . . . . . . . . . c c Hornerova shema je optimalan algoritam . . . . . . . . . . Stabilnost Hornerove sheme . . . . . . . . . . . . . . . . . Potpuna Hornerova shema . . . . . . . . . . . . . . . . . . “Hornerova shema” za interpolacijske polinome . . . . . . Hornerova shema za realni polinom i kompleksni argument Raˇunanje parcijalnih derivacija kompleksnog polinoma . . c Izvrednjavanje rekurzivno zadanih funkcija . . . . . . . . . Izvrednjavanje Fourierovih redova . . . . . . . . . . . . . . Klasiˇni ortogonalni polinomi . . . . . . . . . . . . . . . . c Dijeljenje polinoma linearnim faktorom oblika x − x0 . . . 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 . . . . . . . . . . . . . . . . . .

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. 7.2.1. 7.2.2. 7.2.3. 7.2.4. 7.2.5. 7.2.6. 7.2.7. 7.2.8. 7.3. 7.3.1. 7.3.2. 7.3.3. 7.3.4. 7.3.5. 7.3.6. 7.4. 7.4.1. 7.4.2. 7.4.3. 7.5. 7.5.1. Linearne aproksimacijske funkcije . . . . . . . . . . . . . . Nelinearne aproksimacijske funkcije . . . . . . . . . . . . . Kriteriji aproksimacije . . . . . . . . . . . . . . . . . . . . Egzistencija i jedinstvenost interpolacijskog polinoma . . . Kako na´i prave algoritme? . . . . . . . . . . . . . . . . . . c Lagrangeov oblik interpolacijskog polinoma . . . . . . . . . Ocjena greˇke interpolacijskog polinoma s Koliko je dobar interpolacijski polinom? Konvergencija interpolacijskih polinoma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Newtonov oblik interpolacijskog polinoma . . . . . . . . . 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 . . . . . . . . . . . . . . . . . . . . . .

Hermiteova i druge interpolacije polinomima . . . . . . . . . . . . . . . . . . . . . . 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 Linearni splajn . . . . . . . . . . . . . . . . . . . . . . . . Hermiteov kubiˇni splajn . . . . . . . . . . . . . . . . . . . c Potpuni kubiˇni splajn . . . . . . . . . . . . . . . . . . . . c Linearni problemi i linearizacija . . . . . . . . . . . . . . .

Interpolacija po dijelovima polinomima

Interpolacija polinomnim splajnovima — za matematiˇare . . . . c

Diskretna metoda najmanjih kvadrata . . . . . . . . . . . . . . .

ˇ SADRZAJ

NUM ANAL – viii

7.5.2. 7.5.3. 7.5.4. 7.6. 7.7. 7.8. 7.9. 7.6.1.

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

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

Polinom pn se naziva Taylorov razvoj funkcije f u toˇki x0 .1.1)–(1.1. na segmentu [a. Kako se c vrijednost polinoma odreduje koriˇtenjem Hornerovog algoritma. tada je f (x) = pn (x) + Rn+1 (x).1. 2 n! (n + 1)! x2 x4 x2n cos(x) = 1 − + − · · · + (−1)n 2! 4! (2n)! 2n+2 x + (−1)n+1 cos(ξx ).2) (1. (x − x0 )2 ′′ (x − x0 ) ′ pn (x) = f (x0 ) + f (x0 ) + f (x0 ) + · · · 1! 2! (x − x0 )n (n) + f (x0 ).1.4) (1. Izvod relacija (1. Teorem 1. b]. a c c zove se Taylorov red.1. 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. Uz pomo´ Taylorovog reda lako se dobivaju poznate formule: c xn xn+1 ξx x2 +···+ + e .6) .5) (1. Puni dokaz se moˇe na´i u ve´ini knjiga iz z c c elementarne analize. Da bismo mogli koristiti taj c c pristup u aproksimaciji funkcije.3) koristi n puta parcijalno integriranje. Ako su x. Dokaz. Drugi oblik ostatka Rn+1 (x) dobije se koriˇtenjem teorema integralne srednje vris n jednosti za funkciju w(t) = (x − t) .1. Ako je f beskonaˇc c no puta derivabilna.1.1) (1.3) za neki ξ izmedu x0 i x. n! x 1 (x − x0 )n+1 (n+1) (x − t)n f (n+1) (t) dt = f (ξ). x0 ∈ [a.1. b]. (2n + 2)! x3 x5 x2n−1 sin(x) = x − + − · · · + (−1)n−1 3! 5! (2n − 1)! 2n+1 x + (−1)n sin(ξx ). ona mora biti dovoljno glatka.1. (2n + 1)! ex = 1 + x + (1. polinom pn prelazi u red potencija.4 (Taylorov teorem) Neka funkcija f ima neprekidne derivacije do reda n + 1. s op´im ˇlanom (x − x0 )n . Rn+1 (x) = n! x (n + 1)! 0 (1. n + 1 > 0. dobivamo naˇin s c izraˇunavanja vrijednosti funkcije f u danoj toˇki x. polaze´i c od identiteta x f (x) = f (x0 ) + x0 f ′ (t) dt.1.

moˇemo se koristiti razvojem (1.1. (1. U svim sluˇajevima nepoznata toˇka ξx smjeˇtena je c c s izmedu 0 i x.8) Prikaˇemo li razlomak na desnoj strani kao razliku razlomaka.1. c .1.3) vrlo korisne za dobivanje razvoja funkcije f oko toˇke x0 . Iako su formule (1. zapis razvoja (1. c z c Primjer 1. 1−x |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. Kad s pustimo da n proizvoljno raste i ako je x iz (−1. .1. 1−x 1−x x = 1.1.9) ˇto je drugi. 2! (n + 1)! 2 pri ˇemu je −x2 ≤ ξx ≤ 0. 1).1. ˇesto puta raˇunanje viˇih derivacija predstavlja problem zbog sloˇenosti c c c s z raˇunanja.1.7) uz α = −1 i −x umjesto x. c c z c Sljede´i primjeri pokazuju kako se to moˇe naˇiniti. dobivamo 1 xn+1 = 1 + x + x2 + · · · + xn + . z e −x2 2n+2 x4 n+1 x = 1−x + − · · · + (−1) eξx . . umjesto x. 3. cos(x) i sin(x). . k k! k = 1. ne trebamo ograniˇiti x jer c c pripadni redovi konvergiraju apsolutno za svaki x. u koji.1 Da bismo dobili razvoj funkcije f (x) = e−x 2 oko 0. te dio s potencijom z n+1 x prebacimo na drugu stranu jednakosti.1)–(1.1.10) Kad isto naˇinimo u formulama za ex . (1. (1 + ξx )n+1−α (1. za proizvoljni realni broj α.1.9) prelazi u 1 = 1 + x + x2 + · · · + xn + · · · . Sjetimo se formule za n-tu parcijalnu sumu geometrijskog reda 1 + x + x2 + · · · + xn = 1 − xn+1 . uvrstimo −x2 . 2.7) pri ˇemu je c α α(α − 1) · · · (α − k + 1) = . moˇemo se koristiti ve´ dobivenim razvojima. formula (1. 1−x (1.4). jednostavniji. U takvim sluˇajevima.1.

x1 .1. (2j)! (2n + 2)! ξx izmedu 0 i x.1. x]. Primjer 1. x1 ] x2 − x0 (1. s dobivamo 1 f (x) = 0 n 2n−1 2n+1 x3 t3 n−1 (xt) n (xt) xt − + · · · + (−1) + (−1) dt 3! (2n − 1)! (2n + 1)! = (−1) j=1 2j−1 j−1 x x2n+1 + (−1) (2j)! (2n + 1)! n 1 t2n+1 cos(ξxt ) dt. moˇe se pokazati da je t → ξxt z z neprekidna funkcija.1.4 Neka su x0 . moˇemo se koristiti razvojem (1.1. 0 pri ˇemu je ξxt izmedu 0 i xt.2 Da bismo dobili razvoj funkcije f (x) = arctg(x) oko 0. Naime. Koriˇtenjem razvoja funkcije sin u Taylorov red oko nule (vidi relaciju (1. Primjer 1. Integral u ostatku se jednostavno ocijeni s 1/(2n + 2). Veliˇine z c c f [x0 .1. u koji.3 Neka je f (x) = 0 sin(xt) dt.11) .1. umjesto x. 1 + t2 1 + t2 Integriranjem po t na intervalu [0. c ali se moˇe dovesti i na jednostavniji oblik. x1 ] = f (x1 ) − f (x0 ) x1 − x0 i f [x0 . dobivamo x3 x5 x2n+1 arctg(x) = x − + − · · · + (−1)n + (−1)n+1 3 5 2n + 1 Primjena teorema o integralnoj srednjoj vrijednosti daje x x 0 t2n+2 dt. uvrstimo −t2 .9). z 1 t2n+2 = 1 − t2 + t4 − · · · + (−1)n t2n + (−1)n+1 .6)). 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 ). 2 2 1+t 2n + 3 1 + ξx 1 ξx izmedu 0 i x. UVODNI DIO UVODNI DIO – 5 Primjer 1. x2 ] − f [x0 . 1 + t2 0 x2n+3 1 t2n+2 dt = · .1. x1 . x2 razliˇiti realni brojevi i f realna funkcija definic rana na intervalu koji sadrˇi te toˇke. x2 ] = f [x1 .

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

β) na segmentu L(2. c . y) ∂ 2 f (x. c c c Imamo ξ = x − 2. y0 ). y. y) = x y oko toˇke (x0 . β) blizu (2. 1. Uoˇimo da je F (0) = f (x0 . pa je F (1) = f (0) + F ′ (0) F (n) (0) F (n+1) (θ) +···+ + 1! n! (n + 1)! za neki 0 ≤ θ ≤ 1. y0) i F (1) = f (x0 + ξ. 1) ∂f (2. η = y − 1. F zadovoljava uvjete teorema 1. y) + ξ + 2ξη + η2 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 .1.1. 1]. 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.1. 1) + ξ +η y ∂x ∂y 2 1 2 ∂ f (x.13) baziran je na Taylorovom teoremu za funkciju jedne varijable F (t) = f (x0 + tξ. Naime. c Dokaz relacije (1. x. tada je c segment L(2. y) ∂ 2 f (x. y0 + tη) ∂f (x0 + tξ. z) = (2. y0) = (2. 0 ∂x ∂y y=y0 +tη Derivacije viˇeg reda se dobiju na sliˇan naˇin. Za c prvu derivaciju vrijedi F ′ (t) = ξ ∂f (x0 + tξ. y) blizu (2. 1.1. 1. Ako je (x. 1) = f (2. y0 + tη).4. y). s c c Primjer 1. 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) x=x +tξ . x. 1) do ukljuˇivo ˇlana odredenog s n = 1. β β gdje je toˇka (α. t ∈ [0.5 Odredimo razvoj funkcije f (x. y0 + tη) +η ∂x ∂y ∂ ∂ = ξ +η f (x. 1). 1) i vrijedi x ≈ x − 2y + 2. y0 + η). x ∂f (2. 2).

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

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

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

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

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

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

αp skalari iz Φ. . . . . (i) x ≥ 0. . Operaciju zbrajanja n-torki i mnoˇenja n-torki skalarom definiramo po komz ponentama: ako su x = (x1 . ap }. ⊗) kojemu su elementi linearne kombinacije skupa {a1 . . . yn ) . . . ap }. ⊗) pisat ´emo X. za svaki x ∈ X. αp ∈ Φ}. . y ∈ X. . c 2. (2. ap ) = {α1 ⊗ a1 ⊕ · · · ⊕ αp ⊗ ap . L(a1 . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 14 gdje su α1 . onda je s z + Y = Y . . kad god su operacije ⊕ i ⊗ poznate. Takoder. norma sume ili razlike vektora moˇe se z ocijeniti odozdo. jer za svaku polunormu pa zato i normu vrijedi x ± y ≥ | x − y |. Najmanji vektorski potprostor koji sadrˇi sve z vektore a1 . umjesto oznaka ⊕. a kad je Y = {0}. ⊕.1. jasne iz konteksta. . atribut “vektorski” ili “linearni” katkad ´emo izostavljati. . . Funkcija : X → Φ koja zadovoljava samo svojstva (i). . xn ) i y = (y1 . . ap ). . Osim oznake L(a1 . . (iv) x = 0. U daljem tekstu. ⊖ i ⊗ koristit ´emo jednostavnije oznake c +. . umjesto (X.1.1. c c tj. Kad je z ∈ Y . . ⊕. α2 . pri ˇemu ´emo · izostavljati.2. . za sve α ∈ Φ. . . . . y ∈ Y } naziva se linearna mnogostrukost (ili viˇestrukost). (iii) x + y ≤ x + y .1 Neka je Vn (Cn ) skup uredenih n-torki realnih (kompleksnih) brojeva. ap ) joˇ se koristi i oznaka span{a1 . ap je potprostor (L(a1 . . (ii) i (iii) zove se polunorma ili seminorma.1) Primjer 2. (nenegativnost) (homogenost) (nejednakost trokuta) (definitnost). s Ako je Y ⊆ X potprostor i z ∈ X proizvoljni vektor. .2. Norma u vektorskom prostoru : U vektorskom prostoru se definira norma ili duljina vektora kao funkcija X → R za koju vrijede sljede´a svojstva c (ii) αx = |α| x . ako i samo ako je x = 0 Vektorski prostor na kojem je definirana norma zove se normirani vektorski prostor. . . . . . U normiranom vektorskom prostoru. Ako je iz konteksta jasno c da se radi o vektorskom prostoru ili potprostoru. . . skup z + Y = {x ∈ X | x = z + y. x ∈ X. za sve x. . . vrijedi z + Y = {z}. . . − i ·. α1 .

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

z . (2.2. za realni normirani prostor i formulom (x | y) = 2 − x−y 2 + i x + iy 2 − i x − iy 2 ) za kompleksni normirani prostor.4) Postavlja se pitanje da li vrijedi i obratno.1. osim ako norma ne zadovoljava relaciju paralelograma.2) x = (x | x). KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 16 Ako je Φ = R. z u brojniku moramo uzeti apsolutnu vrijednost skalarnog produkta jer je (x | y) kompleksni broj. tako da z vrijedi x = (x | x)? Odgovor je ne. ako je (x | y) = 0.4) pokazuje da vrijedi −1 ≤ pa relacijom (x | y) ≤ 1.1. tj. takoder je i normiran vektorski prostor. π/2]. Za kompleksni unitarni prostor. tj. vrijedi i Cauchy–Schwarzova nejednakost koja povezuje skalarni produkt i induciranu normu |(x | y)| ≤ x y . moˇemo li svakoj normi z jednog normiranog vektorskog prostora pridruˇiti neki skalarni produkt (· | ·). To je tzv. Svaki unitarni vektorski prostor.1. cos θ = Za dva vektora kaˇemo da su ortogonalni ako je cos θ. a tada je skalarni produkt odreden formulom (x | y) = 1 ( x+y 4 1 ( x+y 4 2 − x − y 2). definirana funkcija za koju se moˇe pokazati da je norma. x+y 2 + x−y 2 =2 x 2 + 2 y 2. (2. Nejednakost (2.1. pridruˇena ili z z inducirana norma.3) Takoder. tada u svojstvu (iii) treba ispustiti operaciju kompleksnog konjugiranja. Stoga je kut u kompleksnom prostoru definiran samo za segment [0. jer je formulom (2. U svakom unitarnom vektorskom prostoru za pridruˇenu normu z vrijedi relacija paralelograma. x y (x | y) x y moˇemo definirati kut θ izmedu vektora x i y. Vektorski prostor na kojem je definiran skalarni produkt zove se unitarni vektorski prostor.

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

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

. . un ) = X.1 Neka je X vektorski prostor i B baza u X. c z Dokaz. Za svaki niz vektora a1 . . Vaˇnost baze dolazi od jedinstvenosti prikaza vektora po baznim vektorima. . . Tzv. 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. Najzanimljivije su one baze koje se sastoje od ortonormiranih vektora. (u1 . .2. . . Linearni operatori Neka su X i Y vektorski prostori. .1. . L(u1 . Prema svojstvu baze L(B) = X. tj. Neka je B = (u1 . vrijedi dim L(a1 . (ii) A(αx) = αA(x) za sve x ∈ X i sve skalare α . {u1 . . (aditivnost) (homogenost). Pretpostavimo da postoji joˇ jedan prikaz s x = β1 u1 + β2 u2 + · · · + βn un . y ∈ X. a2 . z Propozicija 2. . . Po drugom svojstvu baze. 3. Tada se svaki vektor x ∈ X na jedinstven naˇin moˇe prikazati kao linearna kombinacija vektora baze B. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 19 U n-dimenzionalnom vektorskom prostoru X. α2 = β2 . vektori ui su linearno nezavisni. un ) je baza od X. Stoga zakljuˇujemo da c vrijedi α1 = β1 . prikaz svakog vektora x po baznim vektorima je jedinstven. svaki vektor x dopuˇta prikaz s x = α1 u1 + α2 u2 + · · · + αn un . ap ) ≤ p. .1. . 2.6. . 2. . . un ). sljede´e tvrdnje su ekvivalentne: c 1. Gram–Schmidtovim postupkom moˇe se u unitarnom prostoru od svake baze dobiti z ortonormirana baza. Izjednaˇavanjem α1 u1 + α2 u2 + · · · + αn un = β1 u1 + β2 u2 + · · · + βn un . . . un } je linearno nezavisan skup. . . a2 . . . . . Preslikavanje A : X → Y je linearni operator ako vrijedi (i) A(x + y) = A(x) + A(y) za sve x. . ap . αn = βn . .

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

oznaˇava samo element koji se nalazi na presjeku i−tog c retka i j−tog stupca matrice A. n stupaca i s elementima aij zapisuje se kao a11  a21 A= .  = [ aij ] . . odnosno svaki skup linearno nezavisnih vektora u linearno nezavisan skup slika. Matrice Matrica je matematiˇki objekt koji se sastoji od (realnih ili kompleksnih) c brojeva koji su rasporedeni u retke i stupce. c dimenzije) m × n. . z Matricu sa samo jednim retkom zovemo matrica redak ili jednoretˇana mac trica. svaki element jedne matrice jednak je odgovaraju´em elementu druge matrice. . Ako vrijedi m = n. . . amj poredanih jedan ispod drugog. c c c ˇiji su elementi realni brojevi. S Rm×n (Cm×n ) c oznaˇavamo skup svih realnih (kompleksnih) m × n matrica. . . . ai2 . . a matricu sa samo jednim stupcem zovemo matrica stupac ili jednostupˇana c matrica. Ako piˇemo A = [ aij ]. koje ´e z c . Matricu. Zapisuje se u obliku pravokutne sheme. c Praktiˇno je imati oznaku za skup svih m puta n matrica. Dakle. Pritom je [ aij ] tek kra´i zapis za pravoktnu shemu iz gornje c relacije. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 21 takoder preslikava bazu polaznog prostora u bazu dolaznog prostora. c Neka je dim(X) = dim(Y ) i A ∈ L(X. ai3 . j-ti stupac matrice A. ˇiji su elementi c c kako realni tako i kompleksni brojevi. Kako razlikovati izomorfizam od op´eg linearnog operatora? Koje svojstvo ga c izdvaja? Sljede´a tvrdnja daje jedno takvo svojstvo. a matricu. · · · amn  Takvu matricu zovemo m × n (ˇitaj: m puta n) matrica ili matrica tipa (reda. A je izomorfizam ako i samo ako je N (A) = {0}. mislimo na cijelu shemu brojeva koji ˇine matricu s c A.2. . dok aij (ili [A]ij ili (A)ij ). Jednostupˇane i jednoretˇane matrice kra´e zovemo vektorima. Matrica A je jednaka matrici B ako imaju isti broj redaka i isti broj stupaca i za njihove elemente vrijedi aij = bij . Pritom niz brojeva ai1 . Izomorfizam je relacija ekvivalencije (ili klasifikacije) u skupu vektorskih pros- 2.2. a brojeve od kojih se sastoji zovemo elementima matrice. zovemo kompleksna matrica. a niz brojeva a1j . Ukratko ´emo opisati c c kako se u Rm×n uvode operacije zbrajanja i mnoˇenja realnim brojem. kaˇemo da je A kvadratna matrica reda n. tora. am2 a13 a23 . Y ). za sve i i j.   . . am1  a12 a22 .  . am3 ··· ··· a1n a2n   . zovemo realna matrica. Matrica A sa m redaka. . . a2j . ain zovemo iti redak. .

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

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

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

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

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

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

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

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

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

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

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

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

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

Jer je T [ QT Q ]ij = eT QT Qej = (Qei )T (Qej ) = qi qj . ako i samo ako ima ortonormirane retke i stupce. Drugim rijeˇima QT Q = I je ekvivalentno s c tvrdnjom da Q ima ortonormirane stupce. Neka su Q = [ q1 q2 · · · qn ] q1 ˜T  T ˜  q2 i Q= . odnosno c c ˜T ˜ s tvrdnjom da Q ima ortonormirane retke. Tada je Q ortogonalna ako i samo c c vrijedi T (qi | qj ) = qi qj = 1 i = j. QT Q = I je ekvivalentno s [ QT Q ]ij = δij . c Doista. 0 i = j. onda je kut izmedu vektora Qx i Qy jednak kutu izmedu vektora x i y. tvrdnja je c dokazana.        qn ˜T stupˇana i retˇana particija kvadratne matrice Q. Na sliˇan naˇin se pokazuje da je QQT = I ekvivalentno s qi qj = δij . 0 i=j i (˜i | qj ) = qi qj = q ˜ ˜T ˜ 1 i = j.  . . Zakljuˇujemo da Q zadovoljava obje relacije QT Q = I i QQT = I ako i samo c ako ima ortonormirane stupce i retke. j ∈ {1. Qx Qy x y x y x y Budu´i da se kut izmedu dvaju vektora uvijek nalazi u intervalu [0.2. . u ravnini odredenoj vektorima e1 i e2 . vrijedi (Qx | Qy) xT QT Qy xT y (x | y) = = = . T QT Q = I je ekvivalentno s qi qj = δij . Doista. . tj. tj. n}. ortogonalne matrice ˇuvaju kut medu vektorima. i i. π]. Zato se matrice tog s oblika zovu matrice rotacije u R2 za kut θ. . . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 35 Ako je Q ortogonalna matrica. 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. gdje je δij Kroneckerova delta.  .

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

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

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

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

. x2 .2. 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 . xn ). 2. 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 . x4 ) = 2 x1 x3 1 1 x2 x2 2 x3 2 1 x3 x2 3 x3 3 1 x4 x2 4 x3 4 tzv. . i 3. Tako dobijemo z 1 V (x1 . xn ) = (xn − x1 )(xn−1 − x1 ) · · · (x2 − x1 )V (x2 . 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. 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 . x2 . x3 . x2 . (x3 − x1 ) i z c (x4 − x1 ) koji mnoˇe 1. x4 ). x3 . Primjer 2.2. . . x2 . x3 . . ij 1≤j≤n koju nazivamo razvoj determinante po j-tom stupcu. . Isto tako vrijedi formula n det(A) = i=1 (−1)i+j aij det(Ac ). KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 40 Ovu formulu nazivamo razvoj determinante po i-tom retku.. U toj determinanti moˇemo izluˇiti ispred determinante faktore (x2 − x1 ). stupac. .2 Neka je 1 x1 V (x1 . Pomo´u svojstva determinante. Razvojem determinante po stupcu ili retku. x4 (x4 − x1 ) x2 (x4 − x1 ) 4 Razvojem determinante po prvom stupcu dobivamo determinantu reda tri. x3 . Da bismo odredili formulu za njeno raˇunanje. . Vandermondeova determinanta reda 4. . Na isti naˇin se op´enito pokazuje da vrijedi c c V (x1 .

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

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

· · · −ann . c c z Neka je µ nultoˇka karakteristiˇnog polinoma. Neka su u1 . c Ako je r = n. c Neka je A kvadratna matrica reda n. takav da je Ax = λx. Dakle matrica A − λI prebacuje netrivijalan vektor u nulu. postoji x = 0.2. det(λI − A) = (−1) det(A − λI) = . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 43 Neka je λ vlastita vrijednost matrice A. . . imamo λ − a11 . respektivno. . . pa smo pokazali da je svaka vlastita vrijednost nultoˇka karakteristiˇnog polinoma. . a (2. onda u + v nije vlastiti vektor. .2.. . . tada postoji baza prostora c (Rn ili Cn ) koja se sastoji od vlastitih vektora matrice A. Po definiciji. Pokaˇimo da vrijedi i obrat. Ako vrijedi λi = λj ˇim je i = j. det(µI − A) = 0. a nije to niti bilo koja linearna kombinacija αu + βv koja zadovoljava uvjet α = 0 i β = 0.3) je karakteristiˇna c c −1 −1 jednadˇba matrice A. Dakle. To znaˇi da koeficijenti c c c σi ovise o cijeloj klasi sliˇnih matrica matrici A. S obzirom da B = S AS povlaˇi B − zI = S (A − zI)S. takav da je Ax = λx. λr pripadne vlastite vrijednosti. . . . . ur vlastiti vektori od A i λ1 . det(A − λI) = 0. · · · λ − ann (2. −an1 n onda je skup vektora {u1 . 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). Karakteristiˇni polinom c Neka je λ vlastita vrijednost matrice A reda n. det(zI − A) = z n − σn−1 z n−1 − · · · − σ1 z − σ0 koji se zove karakteristiˇni polinom matrice A. pa je singularna. z c vidimo da sliˇne matrice imaju isti karakteristiˇni polinom. .3) Determinanta matrice zI − A je polinom n-tog stupnja u z. Stoga je c c . . Ako su u i v vlastiti vektori koji pripadaju medusobno razliˇitim vlastitim c vrijednostima λ i µ. tvrdnja se moˇe interpretirati na sljede´i naˇin: ako matrica A z c c reda n ima n medusobno razliˇitih vlastitih vrijednosti. c Vrijednost λ je bila proizvoljna vlastita vrijednost. ur } linearno nezavisan. Stoga je njegova determinanta nula. Budu´i da je c A − λI singularna. . = 0.2. Tada postoji (vlastiti) vektor x = 0. . To osigurava sljede´i rezultat. Zadnja jednadˇba se moˇe zapisati u obliku Ax−λx = 0 z z ili (A − λI)x = 0. .

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

. . pa vrijedi Λk = diag(λk . vrijedit ´e i c   p(λ1 )   . .. Ak = Ak−1 A = (SΛk−1S −1 )(SΛS −1 ) = SΛk S −1 . Svaka c normalna matrica iz Cn×n se moˇe dijagonalizirati transformacijom sliˇnosti s uniz c tarnom matricom G. normalne matrice za koje vrijedi A A = AA∗ . . (2. Postavlja se pitanje kada kvadratna matrica ima bazu koja se sastoji od vlastitih vektora. λn ). . p(λn ) gdje je p(λ) bilo koji polinom. pa ´emo im z c c posvetiti duˇnu paˇnju. imamo A2 = (SΛS −1 )(SΛS −1) = SΛΛS −1 = SΛ2 S −1 A3 = A2 A = (SΛ2 S −1 )(SΛS −1 ) = SΛ3 S −1 . . a kad nema takvu bazu. . Teorem 2. p(Λ) =  . dakle da postoji regularna matrica S. Matrica Λ je dijagonalna.3 Neka je A ∈ Cn×n . z z Matriˇni polinomi c Pretpostavimo da se matrica A dade dijagonalizirati. Nakon toga se odbace sve vlastite vrijednosti (i c pripadni vlastiti vektori) koje nisu realni.2. Vaˇnu klasu dijagoz ∗ nalizibilnih matrica ˇine tzv. c Matrice koje dopuˇtaju rastav (2.2.2. . . λk ). U praksi su najvaˇnije simetriˇne realne matrice. . takva da je A = GΛG−1 pri ˇemu je Λ dijagonalna matrica. takva da je S −1 AS = Λ = diag(λ1 .4) zovu se dijagonalizibilne. Matrica A ima n linearno nezavisnih vlastitih vektora ako i samo ako postoji regularna matrica G.2. Ne mogu s se sve matrice dijagonalizirati pomo´u transformacije sliˇnosti. Ako je A = SΛS −1 . .4) . Mogu se dijagonalc c izirati samo one za koje postoji pun sistem vlastitih vektora. 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.

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

Pomo´u elemenc tarnih Jordanovih klijetki gradena je Jordanova klijetka (ili blok)       Jk1 (ν) Jk2 (ν) . ν ··· ··· 0 1 ν . . 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.2. . . . . .. 0 . . . To znaˇi da moˇemo pisati c c z µ(z) = (z − λ1 )m1 (z − λ2 )m2 · · · (z − λp )mp . Pritom uvijek c c vrijedi mi ≤ ni za sve 1 ≤ i ≤ p. Jk (ν) =  .  0  ∈ Ck×k .. . J(λp ) S −1 AS =       }n1 }n1 . . Jkr (ν) J(ν) =       ∈ Cl×l . a za mnoge matrice vrijedi jednakost mi = ni za sve 1 ≤ i ≤ p. . . . . (2.5 (Jordan) Neka je A ∈ Cn×n i neka je λ1 . .   1 ν zove se elementarna Jordanova klijetka (ili blok) dimenzije k.2.. s algebarskim kratnostima n1 .. np . 0   ··· . . c Teorem 2. . χ(z) = (z − λ1 )n1 (z − λ2 )n2 · · · (z − λp )np pri ˇemu je p broj medusobno razliˇitih vlastitih vrijednosti matrice. . c respektivno. Pomnija analiza pokazuje da je svaka vlastita vrijednost matrice nultoˇka minimalnog polinoma.. .5) pri ˇemu je k1 ≥ k2 ≥ · · · ≥ kr ≥ 1 i k1 + k2 + · · · + kr = l ≤ n.. s Matrica oblika ν  0 .2.2. . takva da je       J(λ1 ) J(λ2 ) . . .6) Pritom je n1 + · · · + np = n. 0 . . .. . }np (2.. . . . . koliko matrica dopuˇta. λp zadani uredaj medusobno razliˇitih vlastitih vrijednosti od A. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 47 vlastitih vrijednosti matrice. Tada postoji regularna matrica S.

2. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 48 Teorem 2.6 (Schur) Za proizvoljnu matricu A postoji unitarna matrica U.2. .1 + · · · + mp.5 kaˇe da se svaka matrica pomo´u transformacije sliˇnosti moˇe z c c z svesti na oblik koji je blizak dijagonalnom.1 · · · (z − λ1 )mp. Medutim ako zahtijevamo da sliˇnost bude naˇinjena pomo´u unitarne matrice. mora za svako k biti nk = 1. Dijagonalizacija simetriˇne matrice c Vidjeli smo da se transformacijom sliˇnosti matrica moˇe svesti na Jordanovu c z formu. . sve jordanove klijetke u Jordanovoj formi matrice su reda 1. µ(z) = (z − λ1 )m1. postoji rastav nk = mk. r1 = 1 i tada je Jordanov oblik od A jedna elementarna Jordanova z klijetka reda n.1 + · · · + m1. Zbog det(zI − S −1 AS) = det(S −1 (zI − A)S) = det(zI − A) zakljuˇujemo da je ni algebarska kratnost od λi . svaki Jordanov blok J(λk ) je oblika (2. Pomo´u unitarne transformacije sliˇnosti matrica se moˇe svesti na trokuc c z tasti oblik. ˇto znaˇi da je Jordanova klijetka J(λk ) jedna elementarna s c Jordanova klijetka. U teoremu moˇe biti p = 1.5 takoder slijedi da je minimalni polinom od A.5).2.1 (z − λ1 )m2. Teorem 2. U drugoj krajnosti kad je p = n. pa za svako 1 ≤ k ≤ p.1 .1 = 1. Kako elementarne Jordanove klic jetke imaju samo jedan vlastiti vektor e1 .j dimenzija j-te po redu elementarne Jordanove klijetke u J(λk ).1 +· · ·+mk.rp . Naime.r1 .j ≤ nk ≤ n. U ostalim sluˇajevima ´e op´enito vrijediti c c c n = n1 + · · · + np n1 = m1. np = mp. pa je rk = 1 i mk. takva da je T = U ∗ AU gornjetrokutasta matrica. pa je matrica dijagonalizibilna. zakljuˇujemo da je geometrijska kratnost c od λi broj ri . Iz teorema 2. Za broj rk elementarnih Jordanovih klijetki unutar Jordanove klijetke J(λk ) vrijedi ograniˇenje 1 ≤ rk ≤ n. gdje je za svako k. Matrica U moˇe biti izabrana tako z da se na dijagonali matrice T pojave vlastite vrijednosti od A u bilo kojem zadanom poretku.j vrijedi c 0 ≤ mk.rk .2.2. Dakle. .1 najve´i red elementarne klijetke unutar Jordanove klijetke c J(λk ). mk. pri ˇemu c je mk. oblik koji je dosta blizak dijagonalnoj fromi. a za dimenzije elementarnih Jordanovih klijetki mk. tada je doseg dijagonalizacije c c c slabiji.

8) moˇemo proˇiriti pojam skalarne funkcije c z s na hermitske matrice.2.7) gdje je U = [u1 . Taj oblik zovemo spektralna dekompozicija od H.7 Ako je A normalna matrica i T = U ∗ AU Schurova dekompozicija od A.2. Dakle.9) Uoˇimo da formula (2. i (2.7). Ponekad ´emo koristiti i zapis c H= i λi u i u ∗ . Sljede´i teorem pokazuje da se normalne matrice mogu dijagoc nalizirati pomo´u unitarne transformacije sliˇnosti. euklidske norme jedan) vlastitih vektora koji razapinju Cn . i (2.2. (2. Spomenuli smo dvije najznaˇajnije klase normalnih matrica: unitarne i herc mitske matrice. onda se drugi korijen matrice H dobiva formulom H2 = i 1 λi2 uiu∗ .9) vrijedi za polinome. Tada je B ∗ B = U ∗ A∗ UU ∗ AU = U ∗ A∗ AU = U ∗ AA∗ U = U ∗ AUU ∗ A∗ U = BB ∗ . Hermitska matrica je normalna matrica koja ima realne vlastite vrijednosti. To se ˇini na slijede´i naˇin c c c ϕ(H) = i ϕ(λi )ui u∗ . a vrijedi i za neprekidne funkcije c realnog argumenta.7. c c Teorem 2.2. i 1 . Pokaˇimo da je unitarno sliˇna z c ∗ matrica normalnoj matrici opet normalna. un ] unitarna matrica kojoj su stupci vlastiti vektori od H. .2. matrica A je normalna ako je A∗ A = AA∗ . c Unitarna matrica je normalna matrica kojoj vlastite vrijednosti imaju modul jedan. a Λ je dijagonalna matrica s realnim vlastitim vrijednostima od H na dijagonali. Sjetimo z se. Ako je c sc s H pozitivno definitna matrica. pa je B normalna. Pomo´u formule (2. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 49 Schurov teorem ima neke vrlo vaˇne posljedice. To odmah slijedi iz zadatka 2. . Jedna od najˇeˇ´e koriˇtenih funkcija je drugi korijen.2.1(v) u kojem uzmite A = UΛ. . hermitska matrica H moˇe se prikazati u obliku z H = UΛU ∗ .2. Jedna od posljedica ovog teorema jest tvrdnja da normalna matrica reda n ima sustav od n ortonormiranih (ortogonalnih i normiranih tj.2.2.8) koji je ekvivalentan s (2. . Sljede´e tvrdnje proizlaze iz teorema 2. Neka je A normalna i B = U AU za neku unitarnu matricu U. B = U ∗ . kao ˇto je naredni teorem z s koji kaˇe da je Schurova dekompozicija normalnih matrica dijagonalna. tada je T dijagonalna matrica.2.

Ako je m = n. σmin{m. . a Q je ortogonalna matrica ˇiji su stupci vlastiti vektori od A. pa se njena spektralna c c dekompozicija zapisuje u obliku A = QΛQT .n} zovemo singularne vrijednosti matrice C. tada postoje unitarne matrice U ∈ Cm×m i V ∈ Cn×n . .1.n} ≥ 0. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 50 Ako je Hermitska matrica realna. . Teorem 2. Definicija i osnovni teoremi Ako je H hermitska pozitivno definitna (semidefinitna) matrica onda su njene vlastite vrijednosti pozitivne (nenegativne). = max{ Cx 2 | x 2 = 1. pa postoji jediniˇni vektor v ∈ Cn . takav da je c Cv 2 Σ = diag(σ1 . Ako je m = n. c 2. Dokaz. matrica C ∗ C (CC ∗ ) ima n (m) vlastitih vrijednosti. Pritom su netrivijalne vlastite vrijednosti ovih matrica jednake. . Sljede´i teorem o egzistenciji singularne dekompozicije sluˇi i kao definicija c z singularnih vrijednosti i vektora matrice.2. Singularna dekompozicija matrice Singularna dekompozicija matrice jedna je od najkoriˇtenijih dekompozicija u s numeriˇkoj linearnoj algebri. σ2 . Ako je C ∈ Cm×n onda su obje matrice C ∗ C i CC ∗ hermitske i pozitivno semidefinitne. Stupce matrice U zovemo lijevi. σ1 ≥ σ2 ≥ · · · ≥ σmin{m.3.3. . pri ˇemu vrijedi c Brojeve σ1 . 2. . Pomo´u njega ´e se jednostavno dokazati c c ∗ spomenuta tvrdnja o vlastitim vrijednostima matrica C C i CC ∗ . Poˇto je jediniˇna sfera u Cn ograniˇen i zatvoren skup. x ∈ Cn }.1 (Singularna dekompozicija matrice) Ako je C ∈ Cm×n . vlastite vrijednosti matrica C ∗ C i CC ∗ se podudaraju. on je kompaktan. zove se simetriˇna. Funkcija z f (x) = Cx 2 je neprekidna. σ2 . gdje je Λ dijagonalna matrica vlastitih vrijednosti od A. Stoga ´emo dokazati glavne rezultate vezane uz tu c c dekompoziciju.n} ). .3. takve da je U ∗ CV = Σ. a stupce matrice V desni singularni vektori matrice C. Ona se moˇe dijagonalizirati c z pomo´u transformacije sliˇnosti s ortogonalnom matricom. . Uskoro ´emo pokazati vezu vlastitih vrijednosti ovih matrica sa singularnim c vrijednostima od C. . σmin{m. s c c pa svaka neprekidna funkcija na njemu dostiˇe minimum i maksimum.

Ako je m ≤ n. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 51 Ako je Cv 2 = 0. vn ] unitarna. . um       [ σ1 u1 Cv2 · · · Cvn ] σ1 0 = . 0 ] . . . C2 (2. . . . . C2 ∈ C(m−1)×(n−1) . . Ako je m ≥ n taj postupak vodi do dijagonalne matrice Σ. Gramm– Schmidtov proces ortogonalizacije. tako da dobijemo ortonormiranu bazu u1 . . u2 . . v3 . respektivno. Sliˇno. . um       [ Cv1 u∗ Cv2 1 u∗ Cv2 2 Cv2 ··· ··· · · · Cvn ] = u∗ Cvn 1 u∗ Cvn 2             u∗ 1 u∗ 2 . . 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. 0. . σ1 Nadopunimo u1 s m − 1 vektora do baze u Cm i onda primijenimo npr. v2 .1) zbog unitarne invarjantnosti euklidske norme. . Tada je       C1 = ∗ U1 CV1 = u∗ 1 u∗ 2 . Moˇe z se pokazati da za Cm postoji unitarna matrica. Na taj taj naˇin c dobivamo unitarne matrice U i V kao produkt unitarnih matrica koje su dobijene nakon svakog koraka. um za Cm . Za jediniˇni vektor c y= 2 σ1 + z ∗ z σ1 . Ako je Cv 2 > 0.3. zakljuˇujemo da je z = 0.2) Sada ponavljamo isti argument za matricu C2 ∈ C(m−1)×(n−1) . 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. u zadnjem koraku radimo s matricom Cm ∈ C1×(n−m+1) . .       0 .2. Stoga je c ∗ C1 = U1 CV1 = σ1 0 0 . vn ∈ Cn . ∗ um Cv2 ··· · · · u∗ Cvn m 1 = σ1 0 z∗ . um]. . . . c c za v1 = v postoji n − 1 ortonormiranih vektora v2 . takva da je Cm Vm = [ Cm 2 . . . · · · . stavimo σ1 = Cv u1 = 2 i formirajmo jediniˇni vektor c Cv ∈ Cm . 2 a ovo je striktno ve´e od σ1 ako je z = 0. z (2. .3. . takvih je da matrica V1 = [v1 . Drugim rijeˇima. . . C2 gdje je z ∈ Cn−1 . dobili smo unitarnu matricu U1 = [u1 . Poˇto je to u suprotnosti sa maksimalnoˇ´u c s sc od σ1 . .

ˇto je traˇena singularna dekompozicija od C. Singularne vrijednosti su unitarno invarijantne.6 −0.8 T . Ako je m < n. Ako ˇitatelju nije jasan pojam LQ faktorizacije.3. . vn s matricom C. vidimo da se djelovanje matrice na vektor moˇe opisati kao niz od tri jednosz tavnije transformacije: rotacije. Tada je Σ∗ = V ∗ C ∗ U. tada je za proizvoljne unitarne matrice W1 ∈ Cm×m i ∗ W2 ∈ Cn×n .1 Evo primjera singularne dekompozicije matrice reda dva: C= 0. jer ako je C = UΣV ∗ singularna dekompozicija od C. . . I 2 2 2 Dakle. Iz relacije Cx = UΣV ∗ x = U(Σ(V ∗ x)). produljivanje/skra´ivanje komponenata vektora i c opet jedne rotacije.96 1. σmin{m. σ2 .1 odmah slijede vaˇne relacije z Cvi = σi ui.6 0. Σ = diag(σ1 . primijenimo postupak opisan z c c ∗ u dokazu teorema na matricu C .8 0. Dobijemo C = V ΣT U ∗ . .8 0. Nakon dobivene dekompozicije C ∗ = UΣV ∗ . σ2 . pa ´e lijeve i desne komponentne unitarne matrice c u zadnjem koraku biti Um = I1 i Vm .28 0.2.8 = UΣV T = 2.6 3 0 0 1 0. . Neka je U ∗ CV = Σ.96 0. um i v1 . . . pri ˇemu moramo joˇ preimenovati V s z c s T u U. Polaze´i od definicije singularnih vrijednosti iz teorema 2. . pa je njen geometrijski smisao rotacija. .72 0.n} ) singularna dekompozicija matrice C. . . . C ∗ ui = σi vi . . LQ faktorizazija od Cm ). σmin{m. U u V i Σ u Σ. respektivno. Ako je m > n (n > m) onda CC ∗ (C ∗ C) ima joˇ dodatnih m − n (n − m) vlastitih s ∗ ∗ . pokaˇimo da c z su σi . koje otkrivaju vezu ortonormiranih baza ui . Primjer 2. (W1 U)Σ(W2 V )∗ singularna dekompozicija od W1 CW2 . . Iz teorema 2. 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. za koju je broj redaka n ve´i od broja stupaca c m. kompleksno transponirajmo obje matrice u toj jednakosti. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 52 (to tzv.1. . 1 ≤ i ≤ min{m. . σ1 .6 −0. unitarna matrica ne mijenja normu vektora. zadnji dio dokaza teorema c moˇemo premostiti na sljede´i naˇin. Naime.3.n} su (neke) vlastite vrijednosti od C ∗ C i CC ∗ . n} kvadratni korijeni vlastitih vrijednosti matrica C ∗ C i CC ∗ .

Dokaz. Sljede´i teorem govori o tome koliko su U i V jedinc c stvene. vrijedi s σ1 > σ2 > · · · > σk > 0 i respektivno. tada vrijedi CC ∗ = U S1 U ∗ . takve da je V = V (V1 ⊕ V2 ⊕ · · · ⊕ Vk ⊕ V0 ). 1 ≤ i ≤ k. . Na sliˇan naˇin. U njemu oznaka ortogonalne sume matrica U1 ⊕ U2 ⊕ · · · ⊕ Uk ⊕ U0 oznaˇava c blok-dijagonalnu matricu diag(U1 . . pa je US1 U ∗ = U S1 U ∗ . Neka je C = UΣV ∗ . Pretpostavimo da za netrivijalne singularne vrijednosti matrice C i za pripadne viˇekratnosti. tj. σ2 Iµ2 . Ako su U ∈ Cm×m i V ∈ Cn×n unitarne matrice za koje je C = U ΣV ∗ . . . . 0min{m.2. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 53 vrijednosti koje su jednake nuli. . U = U(U1 ⊕ U2 ⊕ · · · ⊕ Uk ⊕ U0 ) gdje su Iµj ∈ Cµj ×µj . a 0m−r ∈ C(m−r)×(m−r) i 0n−r ∈ c (n−r)×(n−r) C nul-matrice. Iz singularne dekompozicije C = UΣV ∗ slijedi 2 2 2 CC ∗ = UΣΣ∗ U ∗ = U[σ1 Iµ1 ⊕ σ2 Iµ2 ⊕ · · · ⊕ σk Iµk ⊕ 0m−r ]U ∗ ≡ US1 U ∗ . U tom smislu kaˇemo da su singularne vrijednosti z matrice C korijeni vlastitih vrijednosti od C ∗ C i CC ∗ . 1 ≤ j ≤ k jediniˇne matrice. singularna dekompozicija od C i neka su U ∈ Cm×m i V ∈ Cn×n unitarne matrice.3.1. Teorem 2. σk Iµk . 2 2 2 C ∗ C = V Σ∗ ΣV ∗ = V [σ1 Iµ1 ⊕ σ2 Iµ2 ⊕ · · · ⊕ σk Iµk ⊕ 0n−r ]V ∗ ≡ V S2 V ∗ . .n}−r ) µ1 + µ2 + · · · + µk = r. . Σ = diag(σ1 Iµ1 .2 Neka je C definirana kao u teoremu 2.3. Uk . V0 ∈ C(n−r)×(n−r) i Ui ∈ Cµi ×µi . relacija C = U ΣV ∗ povlaˇi c c c C ∗ C = V S2 V ∗ . Tada je C = UΣV ∗ onda i samo onda ako postoje unitarne matrice U0 ∈ C(m−r)×(m−r) . U0 ). da je matrica Σ odredena na jedinstven naˇin matricom C. Odavde slijedi S1 (U ∗ U) = (U ∗ U )S1 . . Pritom su S1 i S2 dijagonalne. Veza izmedu singularnih vrijednosti od C i vlastitih vrijednosti od C ∗ C pokazuje da su singularne vrijednosti jedinstvene.

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

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

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

Stoga se. Mirsky) Neka je C = UΣV ∗ singularna dekompozicija matrice C ∈ Cm×n ranga r. . . . Teorem 2.3. odredivanje ranga postaje netrivijalan s zadatak. Za singularnu dekompoziciju matrice postoje pouzdane i priliˇno toˇne c c metode. .2.3.4 (Ekhard. Dokaz. 2. . σk .3 Svaka kvadratna matrica C dopuˇta prikaz s C = QH1 = H2 Q. rang matrice najsigurnije raˇuna iz z c singularne dekompozicije. Neka je k < r i k Ck = i=1 ∗ σi uivi . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 57 Dekompoziciju opisanu u tvrdnji (viii) korolara 2. Ona se dobije izravno od singularne dekompozicije matrice. Aproksimacija matrice matricom manjeg ranga Jedna od vaˇnijih upotreba singularne dekompozicije matrice je odredivanje z ranga matrice. .3.3. 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 . a H1 i H2 su hermitske pozitivno semidefinitne matrice kojima su vlastite vrijednosti upravo singularne vrijednosti od C. 0. Tada je rang(K)=k min C −K 2 = C − Ck 2 = σk+1 . onda vrijedi to i to svojstvo”. gdje je Q unitarna. Teorem 2. Zbog pogreˇaka zaokruˇivanja s z i eventualnih pogreˇaka ulaznih podataka. . 0). Sljede´i teorem nam govori o aproksimaciji matrice pomo´u matrica manjeg c c ranga.1 zvat ´emo skra´ena c c singularna dekompozicija matrice C. Brojni teoremi u linearnoj algebri imaju oblik : “ako je ta i ta matrica punog ranga. σ2 . Jedna od vaˇnijih posljedica singularne dekompozicije matrice je i polarna z dekompozicija. Young. Dokaz. .3. iako postoje brˇe metode.

2 Neka se 6.0 5      0. c Primjer 2. σmin{m. Zbog moˇemo prona´i jediniˇni vektor z koji pripada ovom presjeku. .0  0. Zadnji teorem nam specijalno kaˇe da je najmanja singularna vrijednost maz trice jednaka udaljenosti (u spektralnoj normi) izmedu matrice i skupa singularnih matrica.4 1.2. Sljede´i primjeri ilustriraju tvrdnju teorema.4 1.0   0  0.  1. .6     0.0   0.0 0. . .4 3. xn−k }.0     0.4     0.6 0. xn−k takve da je N (K) = span{x1 .8 0. σk+1 .8 6.0  0.0 −0.8 0. Poˇto je Kz = 0 i z c c s k+1 C − Ck 2 = U ∗ (C − Ck )V 2 = diag(0.4 2.0 0. .0 0. . .0 0.4 −0.8  0. vk+1} = {0}.3.0 0. .6   3.6  .0 0.0 −2.6 0. . .8 0. ∗ a konveksnost sume slijedi iz ˇinjenice da je 0 ≤ |vi z|2 ≤ 1 i c k+1 i=1 ∗ |vi z|2 = z 2 2 = 1.0  . Spektralnu normu od C − K dobijemo opet preko njene singularne dekompozicije  6.0 1.  −2. σ2 (C) = 5. span{x1 .8 0.0 0. .8 2.2  =  0.0  . . . 0.4  −4.0 0. .8 0.n} ) 2 = σk+1 . . 1 ≤ i ≤ k + 1. .8  zakljuˇujemo da je σ1 (C) = 8.0   5 −1. .8 1. . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 58 lako se dobije Neka je K ∈ Cm×n proizvoljna matrica ranga k.0  0. xn−k } span{v1 . .2  .8 0.6 3 0. To znaˇi da moˇemo na´i ortonorc z c mirane vektore x1 . .2  =  0. . 0.8  2.4 0. −0.0 0. σ3 (C) = 3.8 Dakle imamo C − K 0. .0 1.0 K =  −4.8 2.0 0.8  0.4 3.8  . ∗ σi (vi z)ui .4 C =  −4.8 0.8 0 1.0 8   0.0 −2.4 0.6 −0.0 −1. Zadnja nejednakost vrijedi jer se radi o konveksnoj sumi brojeva σi . . . Cz = i=1 imamo C −K 2 2 ≥ (C − K)z 2 2 = Cz 2 2 k+1 = i=1 2 ∗ 2 σi |vi z|2 ≥ σk+1 .0      Iz singularne dekompozicije od C  1.0 2     = 5 > 3 = σ3 (C). pa je rang(C) = 3.0 0. Uoˇimo da c c je rang(K) = 2.0 2.4 2. 0.

Oˇito je rang(K) = 3.96 0.92  C=  2.0 0. . σ4 (C) = 1. Neka je A= 0 C C∗ ∈ C(m+n)×(m+n) .72 0. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 59 Primjer 2. σ3 (C) = 2. . Moˇemo pretpostaviti da je m ≥ n. pa se udaljenost matrice C do skupa singularnih matrica dostiˇe na matrici K.0    0. singularnom dekompozicijom matrice C dobic vamo σ1 (C) = 4.5 (Jordan–Wielandt) Neka je C = UΣV ∗ . U protivnom radimo s matricom C ∗ .3. . . σmin .0 0.0 =    0.0 0.56 0. σ2 (C) = 3.40 1.28   .96  0.6  = 1. .00 1.0 0.96  0.00  Sliˇno kao u prethodnom primjeru. singularna dekompozicija matrice C ∈ Cm×n . 2 Dakle. .0 0. .0 0. takva da vrijedi Q∗ AQ = diag(σ1 .40  1. vrijedi rang(C) = 4.80 2. 0. .00  0.92  K=  2.40  1. 0.3. .60  2. 0.4. 0 Tada postoji unitarna matrica Q. a spektralna norma od C − K je c C −K 0.0  2 0. 0). .0  0.08 1. . .0 0.00 0.40 1.00  0.56 0. −σ1 . Dakle. . |m−n| Dokaz.00 1. .8 0.0 0. Teorem 2. .00 2.0  0.44 0. Σ = diag(σ1 .44 0.3 Neka su 2.28   .00 0. σn ).96 0.00 0. .72 0.00 0.3. z Neka je Σ U ∗ CV = 0 . On nam daje svezu imedu singularnih vrijednosti (i vektora) matrice i vlastitih vrijednosti (i vektora) jedne hermitske matrice koja je usko povezana uz danu matricu.2.08 1. z 2. Wielandtova matrica Sljede´i teorem je jedan od znaˇajnijih rezultata vezanih uz singularnu dekomc c poziciju matrice. −σmin . imamo C − K 2 = σ4 (C).0 0.

0. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 60 singularna dekompozicija matrice C. . 2U2  Izraˇunajmo joˇ c s Q∗ AQ = 1 2 1 2 1 2  = = Produkt V ∗ C ∗ U2 je nul-matrica jer je ∗ V∗ U1 0 C∗ V V  ∗ ∗  √0 −U1  V √ ∗ C 0 U1 −U1 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  . . . . odnosno 2 2 U ∗ (CC ∗ )U = diag(σ1 . Dakle U = [ U1 . . . σn ) ∈ Cn×n . . . 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 . Konjugiranjem i transponiranjem dobivamo V ∗ C ∗ U = [ Σ.  −U1 CV + V ∗ C ∗ U1 −U1 CV − V ∗ C ∗ U1  √ ∗ √ ∗ 2U2 CV 2U2 CV 0  V ∗ C ∗ U2 = V ∗ C ∗ UU ∗ U2 = [ Σ. 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 2U U √ 1∗ 2  ∗ ∗ − U1 U1 V ∗ V + U1 U1 − 2U1 U2  √ ∗ ∗ ∗ 2U2 U1 − 2U2 U1 2U2 U2   2I 0 0 1  n  =  0 2In 0  = I. m−n Oznaˇimo matricu prvih n stupaca matrice U s U1 . . .2. 2 0 0 2Im−n V U1  V −U1 √0 . 0 ] . 0 ] I 0 = 0. U2 ]. 0) ∈ Cm×m . . Im−n . σn . .

i H λ1 ≥ λ2 ≥ · · · ≥ λn . . 0). dok se iz matrice Q lako odrede lijevi i desni singularni vektori od C i obratno. [8. Teorem 2. Neka su redom vlastite vrijednosti matrica H. 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 . Poˇto su U1 CV = Σ i V ∗ C ∗ U1 = Σ∗ s kvadratne realne i dijagonalne. Rezultat prvog teorema je jedna c od mnogobrojnih posljedica Fischerove karakterizacije vlastitih vrijednosti hermitskih matrica.7 Neka matrica C ∈ Cm×n ima particiju C= Tada vrijedi σi (C1 ) ≤ σi (C). Dokaz. . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 61 ∗ ∗ Zbog toga vrijedi U2 CV = (V ∗ C ∗ U2 )∗ = 0. Prethodni teorem omogu´ava da mnoge rezultate o vlastitim vrijednostima c hermitske matrice formuliramo. n.6 ima mnogo vaˇnih posljedica.14 (str. .3. Prvo ´emo formulirati Weylov teorem. . C1 }k . k} 1 ≤ j ≤ min{n. one su i jednake. . σj (C2 ) ≤ σj (C). Vidi npr. . . . C2 }m − k i = 1. . . . Neke nejednakosti sa singularnim vrijednostima U ovom odjeljku prikazat ´emo dva teorema. . 25–26)]. σ2 .5.3. .6 Neka su H i M hermitske matrice i neka je H = H + M. −σ1 . 2. Tada vrijedi ˜ λi + µ n ≤ λi ≤ λi + µ 1 . µ1 ≥ µ2 ≥ · · · ≥ ˜ ˜ ˜ µn i λ1 ≥ λ2 ≥ · · · ≥ λn . z c Teorem 2. σn . netrivijalne vlastite vrijednosti matrice A su pozitivne i negativne netrivijalne singularne vrijednosti matrice C. a njegov dokaz se moˇe prona´i c z c u poglavlju o vlastitim vrijednostima. uz prirodne modifikacije. m − k}. −σn .3. −σ2 . . m−n     Dakle. 1 ≤ i ≤ min{n. za singularne vrijednosti proizvoljne matrice. . Teorem 2. teorem 3. M. Ovdje ´emo dokazati tek dvije. . . 0.2.3.

n. Prema teoremu 2. c Zanimljivo je vidjeti koji je odnos izmedu singularnih vrijednosti produkta dviju matrica i singularnih vrijednosti samih matrica.2. O tome govori sljede´i teorem.3.3. npr. ve´e ili jednake od c c ∗ ∗ odgovaraju´ih vlastitih vrijednosti matrice C1 C1 (C2 C2 ). uzete u nepadaju´em poretku. Kvadrati singularnih vrijednosti od C jednaki su vlastitim vrijednostima od C ∗ C. 1 ≤ i ≤ min{m.6 zakljuˇujemo da su vlastite vrijednosti od A 2 B ∗ B = σ1 (A)2 B ∗ B ve´e ili jednake od c c odgovaraju´ih vlastitih vrijednosti od C ∗ C. Na osnovu teorema 2. σi (AB) ≤ σi (A)σ1 (B). 1 ≤ i ≤ min{m. Generalizirani inverz koristan je alat u raznim podruˇjima lic c nearne algebre. Dokaz. Tada je M = Q( A 2 I − Λ2 )Q∗ 2 hermitska pozitivno semidefinitna matrica za koju je A∗ A + M = A 2 I.6 slijedi da su vlastite vrijednosti od C ∗ C.3. Prvu tvrdnju dokazat ´emo usporedivanjem vlastitih vrijednosti matrica C ∗ C s c vlastitim vrijednostima od A 2 B ∗ B. k}.6. Zamijetimo da je ∗ ∗ C ∗ C = C1 C1 + C2 C2 . k}. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 62 Dokaz. Na ovom mjestu uvest . a kvadrati singularnih vrijednosti od C1 (C2 ) su vlastite vrijednosti od ∗ ∗ C1 C1 (C2 C2 ). 2 Vrijedi A 2 B ∗ B = B ∗ (A∗ A + M)B = C ∗ C + B ∗ MB. 2 Uoˇimo da je c pa je B ∗ MB. ∗ ∗ Matrica C2 C2 (C1 C1 ) je pozitivno semidefinitna. takoder. n. linearnom problemu najmanjih kvadrata. c Teorem 2. Neka je A∗ A = QΛ2 Q∗ spektralna dekom2 pozicija od A∗ A. Druga tvrdnja slijedi iz prve zbog σi (C) = σi (C ∗ ) = σi (B ∗ A∗ ) ≤ σ1 (B ∗ )σi (A∗ ) = σ1 (B)σi (A). Tada vrijedi σi (AB) ≤ σ1 (A)σi (B). pozitivno semidefinitna. 2.8 Neka su A ∈ Cm×k . Generalizirani inverz Singularna dekompozicija ima direktnu primjenu u raˇunanju generaliziranog c inverza op´e matrice. c x∗ B ∗ MBx = (Bx)∗ M(Bx) ≥ 0.3. B ∈ Ck×n i C = AB.

c c Penroseovi uvjeti [8]): 1. A(1. 4.2. koja zadovoljava Penroseove uvjete 1–4. (XA)∗ = XA. Dokaz. (2. Za matricu X koja zadovoljava.3. Σ+ 0 0 V∗ 0 Σ−1 + 0 0 U ∗. c Prirodno je pokuˇati proˇiriti pojam inverza i na matrice koje nisu regularne ili s s ˇak nisu niti kvadratne. 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 † koju onda oznaˇavamo s A . (1)-inverz A zadovoljavati c samo prvi Penroseov uvjet. 0 . Teorem 2. Dakle A c ´e zadovoljavati sva ˇetiri uvjeta.2.4) . U slijede´em teoremu odredujemo eksplicitnu formulu c c za generalizirani inverz A† .3.4) ˇetvrti uvjet. XAX = X. a (1. AXA = A. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 63 ´emo pojam generaliziranog inverza A† matrice A i navesti neka njegova osnovna c svojstva. j)-inverz. Ta matrica ima oblik A† = V pri ˇemu je c A=U singularna dekompozicija matrice A. 4)-inverz. i-ti i j-ti Penroseov uvjet koristit ´emo c (i.j) (1) oznaku A i zvati ga (i.3). Tada postoji jedinstvena matrica X ∈ Cn×m . (AX)∗ = AX.3. Moore–Penroseov inverz koji je odreden sa sljede´a ˇetiri uvjeta (tzv. npr. da za regularnu matricu A ∈ Cn×n postoji jedinstvena matrica X koja zadovoljava AX = XA = I.3) Matrica X je inverz matrice matrice A i oznaˇava se s A−1 . 2. Najpoznatiji generalizirani s c s inverz je tzv. drugi i c (1. 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 ∗. 2. pa ´e ta matrica biti c c c generalizirani inverz matrice A.9 Neka je A ∈ Cm×n . na primjer.3.2. zadovoljavat ´e prvi. Tako ´e. Dobro je poznato.

Iz drugog Penroseovog uvjeta slijedi A(1. slijedi da je A† relacijom (2. gdje su K. L i M proizvoljne. svaki (1)-inverz ima oblik + A(1) = V Σ−1 + L K M U ∗. Tre´i Penroseov uvjet se zapisuje u obliku c (AA(1.3. 4)-inverza zakljuˇujemo da je c c c A† = A(1.2.3) A = U 0 I Σ+ K 0 0 U ∗. tj. 2. 2)-inverz. c s Na isti naˇin odredit ´emo i (1.2. On je i (1)-inverz pa c polazimo od te matrice.2. 0 (2.3.4) slijedi da A zadovoljava sve sve Penroseove uvjete pa je A† = A(1. Polazimo od c c A(1. 0 Dakle je T = Σ−1 . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 64 Uvrˇtavanjem ovog izraza za A(1) u prvi Penroseov uvjet. 0 Dakle.3.2. 3)-inverz. 2. ako A† postoji nuˇno ima oblik kao u relaciji (2.2. 0 0 gdje je K proizvoljna podmatrica. 2. pa zakljuˇujemo da je M = LΣ+ K.2. Izraˇunajmo sada (1. 2. Kako u dokazu niˇta nije proizvoljno.2.4). 3)-inverz ima oblik c A(1.4) Σ−1 + L 0 U ∗. Iz dokaza medutim z (1. iz op´eg oblika (1.3) )∗ = U I K ∗ Σ+ 0 U ∗ = A(1.3.4) . dobivamo s AA(1) A = U Σ+ T Σ+ 0 0 V∗ = A =U 0 Σ+ 0 0 V ∗.4) = V U ∗. 3)-inverza i (1.2) = V Σ−1 + L K M U ∗ = A(1.2.3) = V Σ−1 + L K LΣ+ K U ∗. 2.2) AA(1. dok su K i L joˇ uvijek proizvoljne matrice.3.2) = V Σ−1 + L K LΣ+ K U ∗. iz ˇetvrtog Penroseovog uvjeta zakljuˇujemo da svaki (1. 4)c c c inverz ima oblik Σ−1 K + A(1. Na isti naˇin.4) na jedinstven naˇin s c . odakle zakljuˇujemo da svaki (1.4) = V Σ−1 + 0 0 U ∗.3) = V Pritom je L proizvoljna podmatrica.2. Konaˇno.3.

KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 65 odredena iz singularne dekompozicije matrice A.4). ¯ 2. ∀α ∈ R. (AA∗ )† AA∗ = AA† . (AA∗ )† = (A∗ )† A† . s c c Definicija 2. Ako su U i V unitarne matrice. (A)† = (A† ). Ako matrica A ∈ Cm×n ima rang n. (AT )† = (A† )T . Ako je A = F G∗ i rang(A) = rang(F ) = rang(G). αx = |α| x . kao ˇto A ne ovisi o toj slobodi u s † matricama U i V . tako ne ovisi ni A . (A† )† = A. Teorem 2. i 8. Medutim.4.3. tada je (UAV )† = V ∗ A† U ∗ . 7. tada je A† = (A∗ A)−1 A∗ i A† A = In . rang(A) = rang(A† ) = rang(AA† ) = rang(A† A). tada je A† = A∗ (AA∗ )−1 i AA† = Im .2 odredena do na mnoˇenje matrica U i V s desna s blokz dijagonalnim unitarnim matricama. 6.3. posebno u numeriˇkoj linearnoj algebri.3.1. Ako matrica A ∈ Cm×n ima rang m. (A∗ A)† A∗ A = A† A. ∀x ∈ Cn .2. a jednakost vrijedi ako i samo ako je x = 0. 2.4. 4. ∀x ∈ Cn .4. · : . Sama singularna dekompozicija je prema teoremu 2. Sada ´emo navesti neka osnovna svojstva generaliziranog inverza koja se lako c dokazuju ili direktno iz Penroseovih uvjeta ili iz relacije (2. 9. 5.1 (Vektorska norma) Vektorska norma je svaka funkcija Cn → R koja zadovoljava sljede´a svojstva: c 1. Vektorske i matriˇne norme c Vektorske norme Vektorske i matriˇne norme osnovno su sredstvo koje koristimo kod ocjene c greˇaka vezanih uz numeriˇke metode. 2. (A∗ A)† = A† (A∗ )† . x ≥ 0. A† = (G† )∗ F † .10 Za proizvoljnu matricu A vrijedi: 1. 2. 3. tada je A† = G(F ∗ AG)−1 F ∗ 10.

KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 66 3. Ona je inc varijantna na unitarne transformacije vektora x. . p ≥ 1.. 1-norma ili ℓ1 norma. 1 1 + = 1. ∞-norma ili ℓ∞ norma 2 = (x∗ x)1/2 = i=1 |xi |2 . y ∈ Cn . ako je Q unitarna matrica (Q∗ Q = QQ∗ = I). . tj.. x ∞ = max |xi |. Takoder ona je diferencijabilna za sve x = 0.. onda je Qx 2 = (x∗ Q∗ Qx)1/2 = (x∗ x)1/2 = x 2 . 2. u oznaci x = (x1 . 2-norma ili ℓ2 norma ili euklidska norma n x 3. p q . n. . i = 1. dok ostale dvije to nisu. U numeriˇkoj linearnoj algebri najˇeˇ´e se c c c sc koriste sljede´e tri norme: c 1. u engleskom govornom podruˇju poznatija kao “Manc hattan” ili “taxi-cab” norma n x 1 = i=1 |xi |. Neka je x vektor iz Cn s komponentama xi .2. ili. x 2 Sve ove tri norme specijalni su sluˇaj H¨lderove p-norme (ℓp norme) definic o rane s: n x p = i=1 |xi |p 1/p .. 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. ∀x. . x + y ≤ x + y . . s gradijentom ∇ x 2 = x . i=1. Ova je nejednakost poznatija pod imenom nejednakost trokuta (zbroj duljina bilo koje dvije stranice trokuta ve´i je od c duljine tre´e stranice). . c Analogno se definira vektorska norma na bilo kojem vektorskom prostoru V nad poljem F = R ili C. . . xn )T . skra´eno x = [xi ]. 2-norma ima dva bitna svojstva koje je ˇine posebno korisnom.

tj. c koja se moˇe dosti´i. L1 norma f 1 b = a |f (t)| dt. n. norme definirane na vekc torskom prostoru neprekidnih funkcija na [a. Koliko se dvije p-norme medusobno razlikuju.4.2. pa je p-norma rastu´a funkcija apsolutnih vrijednosti komponenti xi . Neka su α i β dvije p norme takve da je α ≤ β. Teorem 2. gdje su Primijetite da sve p-norme ovise samo o apsolutnoj vrijednosti komponenti xi . Na primjer. ∀i = 1.1 Norma na Cn je monotona ako i samo ako je apsolutna. . b]) definiraju se sliˇno c normama na C n : 1. Za vektore apsolutnih vrijednosti (u Rn ) moˇemo uvesti parcijalni uredaj relacijom z |x| ≤ |y| ⇐⇒ |xi | ≤ |yi|. Norma na Cn je apsolutna ako vrijedi |x| = x . . α Ova se nejednakost ˇesto proˇiruje i zapisuje tablicom x c s CM -ovi 1 2 ∞ α\β √ 1 1 n n √ 2 1 1 n ∞ 1 1 1 ≤ CM x β . y ∈ Cn . Tada vrijedi z c x β ≤ x α ≤ n(1/α−1/β) x β . 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. pokazuje sljede´a nejednakost.4. Bauer. ∀x ∈ Cn . Definicija vektorskih normi u sebi ne sadrˇi zahtjev da je vektorski prostor z iz kojeg su vektori konaˇno dimenzionalan. . b] (u oznaci C[a. Definicija 2. Oznaˇimo s c c |x| vektor apsolutnih vrijednosti komponenti vektora x. Stoer i Witzgall dokazali su netrivijalni teorem koji pokazuje da su ta dva svojstva ekvivelentna. ∀x. |x| = [|xi |].2 (Monotona i apsolutna norma) Norma na Cn je monotona ako vrijedi |x| ≤ |y| =⇒ x ≤ y . . .

1 vektor x ∈ Cn matricom A ∈ Cm×n . 3.4.2. c Definicija 2. L2 norma f 3. A + B ≤ A + B . c Matriˇne norme mogu nastati na dva razliˇita naˇina. f ∞ = max{|f (x)| | x ∈ [a. Ako matricu A promac c c tramo kao vektor s m × n elemenata.3 (Matriˇna norma) Matriˇna norma je svaka funkcija c c Cm×n → R koja zadovoljava sljede´a svojstva: c 1. B i AB ne moraju c biti definirane na istom prostoru (dimenzije)! Neki autori smatraju da je i ovo posljednje svojstvo sastavni dio definicije matriˇne norme (tada to svojstvo obiˇno zovu submultiplikativnost). onda. ∀α ∈ R. Matriˇne norme c Zamijenimo li u definiciji 2. AB ≤ A B · : kad god je matriˇni produkt AB definiran. 2. ∀A ∈ Cm×n . ∀A ∈ Cm×n . B ∈ Cm×n . dobivamo matriˇnu normu. L∞ norma 4. Lp norma b 2 b = a |f (t)|2 dt 1/2 .4. direktna primjena vektorskih normi (uz oznaku aij matriˇnog elementa u i-tom retku i j-tom stupcu) daje sljede´e definicije: c c 1. ℓ1 norma | A |1 := A S m n = i=1 j=1 |aij |. a jednakost vrijedi ako i samo ako je A = 0. Za matriˇnu normu ´emo re´i da je konzistentna ako vrijedi c c c 4. Oprez. p ≥ 1. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 68 2. |f (t)|p dt 1/p f p = a . onda to zovu generalizirana matriˇna norma. b]}. αA = |α| A . A ≥ 0.2. norme od A. ∀A. 2. Ako su ispunjena c c samo prva tri svojstva.4. .

.n tr je oznaka za trag matrice – zbroj dijagonalnih elemenata matrice. n ≤ AB 2 F i=1 k=1 m s |aik | n ℓ=1 j=1 2 |bℓj | = A m s B = i=1 j=1 k=1 m n aik bkj |aik |2 ≤ n i=1 j=1 s |aik |2 2 F ℓ=1 |bℓj |2 = i=1 k=1 ℓ=1 j=1 |bℓj |2 = A B 2 F. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 69 2. A M B M se moˇe napraviti konzistentna norma... | A |∞ := A M = max |aij |.m j=1. vrijedi n n | AB | = m max i=1.. Pokaˇimo da ℓ1 i ℓ2 norma zadovoljavaju svojstvo konzistentnosti. Frobeniusova.m j=1. Za matrice A=B= pa je AB Ipak i od · M M 1 1 1 1 = 2. Hilbert–Schmidtova... je AB = 2 2 . Definiramo li z | A |=m A M.. Pokaˇimo na jednom primjeru da ℓ∞ norma ne zadovoljava svojstvo konzisz tentnosti... 2 2 = 1.s k=1 n i=1.2....m j=1.. Vrijedi m s n m s n n AB S = i=1 j=1 k=1 m n |aik bkj | ≤ n s i=1 j=1 k=1 ℓ=1 S n k=1 |aik bℓj | S. Schurova) m n | A |2 := A 3... a ℓ∞ norma z ga ne zadovoljava.............s k=1 aik bkj ≤ m max A M i=1..m j=1. i=1... ℓ2 norma (euklidska...s k=1 |aik bkj | M ) (n ≤ m max B M = (m A B M) = | A | | B |. ℓ∞ norma F = (tr(A∗ A))1/2 = i=1 j=1 |aij |2 . Primijetite da se u dokazu da je Frobeniusova norma konzistentna koristila CauchySchwarzova nejednakost. .

(B kvadratna!).. singularnu vrijednost matrice.. 2. x =1 x (2... 3.. “maksimalna retˇana norma” c c n A ∞ = max i=1. Matriˇna 2-norma se teˇko raˇuna.4. “maksimalna stupˇana norma” c c m A 1 = max j=1. matriˇna 2-norma. dobit ´ete u poglavlju koje ´e se baviti dekompozis c c cijom singularnih vrijednosti. 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 ). spektralna norma c A 2 = (ρ(A∗ A))1/2 = σmax (A).. 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}. Tablica ovisnosti koja vrijedi medu matriˇnim normama je: A c 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) ∞ F √ m 1 √ n 1 √ 1 mn M m √ mn √ n mn 1 mn α ≤ CM A β . (2. pa je uobiˇajeno da se ona procjenjuje koriˇtenjem c c s ostalih normi. matriˇna ∞-norma.n i=1 |aij |. (trebalo bi na´i po apsolutnoj vrijednosti c s c c najve´u svojstvenu vrijednost).m j=1 |aij |..1) Kad se uvrste odgovaraju´e vektorske norme u (2. dobivamo c 1. matriˇna 1-norma.2) a σ je standardna oznaka za tzv.. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 70 S druge strane.4.2. S 1 1 1 1 1 1 m √ m 1 √ m 1 m .1). Detaljnu definiciju ˇto je to singularna vrijednost.4.

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

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

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

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

Da bi se to ostvarilo. ve´ i c mnogi racionalni brojevi. (vidi primjer 3. [9. y i operaciji ◦. Tipiˇni sluˇaj je mnoˇenje koje u pravilu daje mantisu c c c z rezultata ˇija je duljina pribliˇno zbroj duljina mantisa faktora.ˇ ˇ ˇ 3. c c c Pretpostavimo sada da su x i y brojevi koji su smjeˇteni u raˇunalo (to s c matematiˇki zapisujemo x = fℓ(x) i y = fℓ(y)). Detaljno prouˇavanje c c c (vidjeti npr. jer raˇunala koriste konaˇnu aritmetiku. Kad se jednom polazni brojevi smjec c ste u raˇunalo.000110011001100110 . c 1/10 ima u binarnom sustavu prikaz s beskonaˇno nula i jedinica: (1/10)2 = c 0. s c Kasnije ´emo obrazloˇiti da za raˇunala koja koriste binarnu aritmetiku sa p binarnih c z c znamenaka u mantisi. algoritam za c c dijeljenje u raˇunalu takoder daje rezultat koji nije toˇan. mantisa jednog od njih (onog s manjom apsolutnom vrijednosti) bit ´e c pomaknuta za jedno ili viˇe mjesta. 4]) pokazuje da je kod svake operacije u raˇunalu prisutna greˇka.1. nego pribliˇne binarne reprezentacije. . c . |ε| ≤ u ◦ ∈ {+. Ako smjeˇtaj u c z s raˇunalu dopuˇta p binarnih mjesta za mantisu. preciznost raˇunanja c c c ili strojni u. ∗.1). vrijedi u = 2−p+1 ili u = 2−p ovisno o naˇinu zaokruˇivanja c z koje raˇunalo koristi. treba imati s s c pod kontrolom sve tipove greˇaka koje smo nabrojali. c s Ako je greˇka nula rezultat je toˇan. medurezultata te konaˇnog rezultata. Kako se rezulz c tat opet sprema u memoriju. Dakle. pa ´e rezultat opet imati mantisu duljine koja s c je ve´a od p. dok u ovisi s o raˇunalu (ili toˇnije o IEEE standardu ako ga raˇunalo podrˇava). tada ´e svaki od faktora imati c s c mantisu duljine p.2.1) pri ˇemu su +. ˇak i oni umjerene veliˇine i s malo dekadskih znamenaka. a vezani su uz netoˇnosti c c c polaznih podataka. /} (3. a to znaˇi da treba poznavati s c sve fenomene koji mogu nai´i prije ili u tijeku raˇunanja. a ostale ´e z c c se odbaciti (s korektnim zaokruˇivanjem na posljednjem znaˇajnom mjestu). to uglavnom nisu njihove toˇne. Pritom greˇka ε ovisi o operandima x. u procesu izvrˇavanja c s operacija. a umnoˇak ´e imati mantisu duljine 2p ili 2p − 1. a u je tzv. Zna se da npr. zadrˇat ´e se samo prvih p znamenaka. c c ne moraju biti toˇno reprezentirani u raˇunalu. 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. −. / operacije u raˇunalu. njegova reprezentacija u raˇunalu se obiˇno oznaˇava sa fℓ(x). Konaˇno. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 75 stabilnost algoritama. ∗. c s Glavna zada´a osobe koja se bavi numeriˇkim raˇunanjima. 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. je odredivanje ˇto c c c bolje aproksimacije rjeˇenja u ˇto kra´em vremenu. Taj zakljuˇak se zapisuje u obliku s c c fℓ(x ◦ y) = (x ◦ y)(1 + ε). Iz zadnje c c c z relacije vidi se da je u uniformna gornja ograda za sve greˇke ε na danom raˇunalu. kod dijeljenja kao najkompliciranije operacije. ne samo iracionalni. . c c z Ako je x realni broj. −. Kod z c zbrajanja i oduzimanja brojeva koji nisu istog reda veliˇine. Greˇke zaokruˇivanja su neizbjeˇne pri svakom zahtjevnijem s z z raˇunanju.

Drugi naˇin zapisivanja relativne greˇke je c s Grel (ˆ) = |ρ|.99 · 10−3. Znas c c ˇajne znamenke u broju su prve netrivijalne (tj. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 76 3. c Tada je relativna greˇka ˇesto primjerenija. Medutim. ve´ s c c c se tek zna neka ograda za |x − x|. razliˇite od nule) znamenke i one c c koje slijede iza njih u zapisu.9949 c . veliˇine vezane uz svemir i njegove objekte) vrijednosti.1. ˇesto toˇna vrijednost x nije poznata. ˆ Grel = 4. znaˇajne znamenke s c Neka je x neka aproksimacija realnog broja x. brojevi x = 0. Medutim. ako je x = 1. Neki autori izostavljaju u definiciji apsolutne greˇke znak apsolutne vrijednosti. |x| koja nije definirana za x = 0. Sto c c c znamenaka? Npr.0832 imamo tri. prema toj definiciji. U znanosti medutim. x = 9. Npr. no tada je s pridjev “apsolutna” suviˇan. c x ˇesto varira izmedu vrlo malih (npr. Grel = 1. c ˇ znaˇi broj “toˇnih” ili “korektnih” znaˇajnih dok ih u broju 0.ˇ ˇ ˇ 3. veliˇine vezane uz atomsku ili molekularnu c c strukturu) i velikih (npr. u broju 6.9990 imamo pet znaˇajnih znamenaka.12 · 10−4. Apsolutna i relativna greˇka. x x = x(1 + ρ). ˆ (3. ˆ Relativna greˇka povezana je s “brojem toˇnih znaˇajnih znamenaka”. Ona ima dodatno lijepo svojstvo da je s c nezavisna od skaliranja.3.99899. ˆ x = 8. ˆ z c Zaokruˇiti broj na p znaˇajnih znamenaka znaˇi zamijeniti ga s najbliˇim brojem z c c z koji ima p znaˇajnih znamenaka. apsolutna greˇka je c s dobra mjera za udaljenost aproksimacije od toˇne vrijednosti. x = 1. a ipak je relativna ˆ z c c greˇka za ta dva sluˇaja razliˇita ˇak za faktor 44. s Time se daje (ili zahtijeva) dodatna informacija o predznaku greˇke. |x − x| ˆ |αx − αˆ| x = .00000. 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 Grel (ˆ) = x |x − x| ˆ . |x| |αx| α ∈ R. 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.00499.00000.1. vidimo da se x slaˇe s odgovaraju´im x na tri znaˇajne znamenke.2) Ako je x poznat ili se zna da je “reda veliˇine jedan”.

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

x = 32. Uoˇimo da se i svaki konaˇni decimalni prikaz broja moˇe c c c z ˙ Sliˇna je situacija napisati s beskonaˇno znamenaka.2.2.749. 10 je baza.75 = 32. Pretvaranje decimalne u binarnu reprezentaciju Ne samo iracionalni.11011)2 · 2 . svaki se realni broj moˇe na jednoznaˇan naˇin zapisati u obliku c z c c e ±m × 10 gdje je 1 ≤ m < 10. npr.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 . Medutim.1. Vrijedi li i obrat? c Da bismo se u to uvjerili. “znanstvena notacija” brojeva. Npr. .2941176470588235.3. Op´enito.1011)2 = 1 · 21 + 1 · 20 + 1 · 2−1 + 0 · 2−2 + 1 · 2−3 + 1 · 2−4 = (1 · 20 + 1 · 2−1 + 1 · 2−2 + 0 · 2−3 + 1 · 2−4 + 1 · 2−5 ) · 21 = (1.625)10 . c c y = (11. ˙ ˙ prikaz 0. ˇto se uobiˇajeno kaˇe da je y broj 3.77 prikazuje kao −2. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 78 3. Tako je npr. Ovdje je (11.77 = −2. Zapis x = −27. je decimalna toˇka. a njen oblik u prikazu s pomiˇc 1 nom toˇkom (1. c c i s brojevima zapisanim u binarnom sustavu. dok u binarnom susc tavu imaju beskonaˇni prikaz.625. s c z 3. pri ˇemu se znamenke koje su oznaˇene izmedu toˇaka c c c periodiˇki ponavljaju. koja se joˇ zove signifikantni ili c s razlomljeni dio broja. a 1 je eksponent.ˇ ˇ ˇ 3. c z koja npr.11011)2 · 21 . zanimljivo je da mnogi racionalni brojevi imaju u dekadskom sustavu konaˇni prikaz. 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). 1/3 ima prikaz 0. Lako se izraˇuna da y ima decimalnu reprezentaciju c c (3. Aritmetika s pomiˇnom toˇkom c c Na kalkulatorima se ˇesto moˇe izabrati tzv. izvedimo prvo algoritam za pretvaranje decimalnog oblika u binarni oblik.1011)2 binarna reprezentacija broja y. broj −27.777 · 101 pri ˇemu je − predznak broja (ili c mantise). 2. Raˇunala za spremanje realnih brojeva koriste sliˇnu reprezentaciju broja koja c c se zove pomiˇna toˇka.777 je mantisa. a kako vrijedi x = [(−1) · (2 · 100 + 7 · 10−1 + 7 · 10−2 + 7 · 10−3 )] · 101 . predznak broja je ujedno i predznak mantise. ve´ i mnogi racionalni brojevi imaju beskonaˇno mnogo c c ˙ dok 5/17 ima znamenaka u decimalnom brojnom sustavu. .

xr = (.2.2) Ako je zadan cijeli broj xc u decimalnom obliku.1) vidimo da cjelobrojno dijeljenje broja xc s 2 daje novi cijeli broj i ostatak a0 . Primjenom funkcije log2 i koriˇtenjem njene monotonosti.2. on ´e i u binarnom sustavu imati konaˇni prikaz. dobivamo sljede´u znamenku. kako odrediti njegove binarne znamenke ak . odnosno (p − 1) log2 (10) ≤ log2 (xc ) < p log2 (10).2).b1 b2 · · · bl−1 bl )2 = b1 · 2−1 + b2 · 2−2 + · · · + bl−1 · 2−(l−1) + bl · 2−l . ali tada imamo beskonaˇno koraka. . Tada x moˇemo prikazati kao sumu njec z govog cijelog i razlomljenog dijela. Kako je log2 (10) ≈ 3. tada vrijedi 10p−1 ≤ xc < 10p . S obzirom da je xc cijeli broj.1) (3. a0 . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 79 Neka x ima konaˇni binarni prikaz. s x′c = ak · 2k−1 + ak−1 · 2k−2 + · · · + a1 · 20 . Tada mnoˇenjem broja xr s dva i uziz manjem cijelog dijela rezultata dobivamo b1 . odmah zakljuˇujemo da postupak vrijedi i u sluˇaju kad xr nema konaˇni binarni c c c prikaz. (3. dakle oko 3. s Neka je sada xr kao u relaciji (3. Zbog jednostavnosti postupka. Ponavljaju´i isti postupak s ostatkom c x′r = b2 · 2−1 + · · · + bl−1 · 2−(l−2) + bl · 2−(l−1) .2. Ako postupak ponovimo na broju x′c . . binarna reprezentacija zahtijeva oko 3. Oznaka c [z] za realni broj z oznaˇava najve´i cijeli broj koji nije ve´i od z. u redosljedu od b1 do bl .3219. koriste´i nama razumljivu decimalnu aritmetiku? c Iz relacije (3. c c Pritom ´e binarni prikaz imati [log2 (xc )] + 1 binarnih znamenaka (bitova). Ponavljanjem tog postupka (u naˇem sluˇaju k puta) dobivamo sve binarne s c znameke broja xc u redosljedu od a0 do ak . Ako xc ima c c c p decimalnih znamenaka (decimala). zadnje nejednakosti daju s log2 (10p−1) ≤ log2 (xc ) < log2 (10p ).2. x = (ak ak−1 · · · a1 a0 .b1 b2 · · · bl−1 bl )2 = xc + xr . xc = (ak ak−1 · · · a1 a0 )2 = ak · 2k + ak−1 · 2k−1 + · · · + a1 · 21 + a0 · 20 . dobivamo binarnu znamenku b2 . c U sljede´em algoritmu za pretvaranje decimalne reprezentacije brojeva u bic narnu. pretpostavljamo koriˇtenje decimalne aritmetike. c a1 .3p znamenka. .3 puta viˇe nego decimalna reprezentacija.ˇ ˇ ˇ 3. Nastavljanjem postupka (l puta) lako dobivamo sve binarne znamenke broja xr . .

a xr razlomljeni dio takav da je 0 ≤ xr < 1.4 0 0. mod za dobivanje ostatka kod cjelobrojnog dijeljenja i int za zaokruˇivanje realnog broja do cijelog broja u smjeru nule. Algoritam koristi operaciju div za cjelobrojno dijeljenje. Toˇka na kraju oznaˇava kraj.1 u s c binarni. Sliˇno. 0. a(k) := mod(y. c Primjer 3.2. s desne c strane piˇemo rezultat mnoˇenja s dva. repeat k := k + 1.6 1 1. repeat l := l + 1. 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). Ako je rezultat dijeljenja ve´i ili jednak jedan. 2). Algoritam raˇuna binarc nu reprezentaciju decimalnih brojeva xc i xr .1 u binarni broj. prije samog mnoˇenja automatski oduzimamo jedinicu. 2).2 1 . . kod pretvaranja decimalnog dijela broja.6 1 1.1 Neka je zadan racionalan broj x = xc + xr pri ˇemu je xc cijeli c dio broja x.8 0 1. zz := 2 ∗ z.1 pretvorit ´emo decimalni broj 111. tako da kod pretvaranja c broja 111 za svaki korak piˇemo s desne strane rezultat cijelobrojnog dijeljenja. 55 1 27 1 13 1 6 0 3 1 1 1 0 .8 0 1. b(k) := int(zz). z := zz − b(k). Dakle. z := xr . int je funkcija z koja odgovara matematiˇkoj funkciji x → [x] koju smo ve´ spomenuli. Kad radimo “ruˇno” zgodno je nacrtati tablicu. until y = 0.1 . l := 0. c c y := xc . c c 111 1 ˇto daje s 111 = (110111)2.2 0 0. 0. y := div(y.2. u sljede´em c c mnoˇenju. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 80 Algoritam 3. a s ispod crte rezultat zaokruˇivanja do cijelog s z z broja u smjeru nule. k := −1.2 1 0.1 Koriˇtenjem algoritma 3.2. Binarna toˇka z z c prethodi raˇunanju i piˇemo je ispod polaznog decimalnog broja c s 0.ˇ ˇ ˇ 3.4 0 0. a s ispod djeljenika ostatak pri dijeljenju.

pa dobivamo ˙ ˙ 0.)2 = (1101111. Neki programski jezici imaju tip podataka cijeli broj bez predznaka i spomenuta reprezentacija je odgovaraju´a c za njih. s . koji su dostatni za reprezentaciju jednog znaka. Konaˇno. . Broj 232 je prevelik. Najoˇitija mogu´anost c c je uzeti jedan bit za predznak.0001100110011001100 . .1 = (0. implementacije c aritmetika kao i cijeli operacioni sustav. c Reprezentacija cijelih brojeva u raˇunalu c Pozitivni cijeli brojevi reprezentiraju se u 32 bitnoj ´eliji kao desno pozicionic rani binarni brojevi. I pripadna aritmetika s je drukˇija od realne aritmetike (jer je viˇe nego dvostruko preciznija).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). ako unutar 32 bita moramo spremati i pozitivne i negativne brojeve.0001100110011001100 . realna aritmetika koristi takozvani c c realni tip podataka kojem pripada tek konaˇni podskup racionalnih brojeva. .2. Njegova binarna reprezentacija zahtijeva jednu jedinicu i 32 nule. Reprezentacija brojeva u raˇunalu c U programskim jezicima postoji nekoliko vrsta aritmetika koje koriste posve odredene tipove podataka. Danaˇnja raˇunala c s c imaju ´elije od 32 bita pa su tome prilagodeni grada procesora. na primjer prvi. Cjelobrojna aritmetika koristi cjelobrojni tip podataka koji ˇine konaˇni interval u skupu cijelih brojeva.1)10 = (1101111.00011)2 . odnosno ˙ ˙ (111. Svaki od tih glavnih tipova obiˇno ima svoje c podtipove (ili ekstenzije) koje obiˇno odreduje broj bajtova. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 81 Primijetite da se parovi znamenki 0011 ponavljaju.)2 = (0. prvo moramo vidjeti kako spremiti negativne cijele brojeve. Danas su dostupna i raˇunala bazirana na c 64 bitnim ´elijama. 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. 3. 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.00011)2 . Jedan bajt (engl. S obzirom da na raspolaganju imamo joˇ 31 bit. Medutim.ˇ ˇ ˇ 3. Npr. . byte) c ˇini 8 bitova. tako da je taj bit 0 ako je broj pozitivan i 1 ako je negativan.

komplement. 0 ≤ x ≤ 2 − 1 smjeˇta se kao binarna reprezentacija tog broja. pa se odbacuje. Joˇ se koristi naziv dvojni komplement. tj. Za koji od ovih sustava je reprezentacija nule jedinstvena? Promotrite sluˇajeve kad za reprezentaciju cijelih brojeva imate na raspolaganju c (i ) 32 bita. 1. pa je za 111 1. Ime dolazi odatle ˇto se je izmedu 1960. gotovo sva danaˇnja raˇunala koriste pametniji naˇin reprezentacije negativnih brojeva koji s c c 1 se zove drugi komplement i piˇe 2. na s s nekim superraˇunalima koristio tzv. 1 (ii ) 16 bita. s Zadatak 3. tj. Dodamo li 1 toj reprezentaciji. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 82 raspon tako reprezentiranih brojeva je od od −231 + 1 do 231 − 1. 16 bytea. mjestu. komplement broja dobiva se s jednostavnim komplementiranjem znamenki. c Primjer 3. (iii ) 8 bita. komplement kod kojeg se negativni broj −x smjestio kao c binarna reprezentacija od 232 − x − 1. Preostaje 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ˇto je reprezentacija broja nula. 4 bytea. 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. nenegativni cijeli broj x. i 1980.ˇ ˇ ˇ 3. prekobrojni bit. nema c se gdje spremiti. tj. jer je na 33. Medutim.1 Koliko se razliˇitih cijelih brojeva moˇe reprezentirati ako se koristi c z sustav (a) predznak i modul. komplement? Koristite potencije od 2. tj. 1 byte. komplement 31 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. s U sustavu koji koristi drugi komplement.2. . ˇime je reprezentiran broj −111.2 Zbrojimo u binarnoj aritmetici brojeve 111 i −111 koriˇtenjem 32s bitne reprezentacije i drugog komplementa. 2 bytea. (iv ) 64 bita. 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. (b) 2. 1 ≤ x ≤ 231 − 1 s smjeˇta kao binarna reprezentacija broja 232 − x.2. dok se −x.

GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 83 Zadatak 3. for i := 1 to 34 do. jer je matematiˇki c c s c gledano. (stvarni) rezultat moˇe biti broj koji je ve´i od maksimalnog prikazivog broja. aritmetika cijelih brojeva u raˇunalu modularna aritmetika u prstenu osc tataka modulo 232 . c f act := 1. komplec menta s 32 bita. z c Zanimljivo je da tada raˇunalo ne´e javiti nikakvu greˇku. . c −231 . begin f act := f act ∗ i.2. Ako se zbroje dva pozitivna cijela broja ili dva negativna cijela broja. 231 − 1.62880000000000e+05) . kontrole radi stavimo varijablu f act da pripada relnim brojevima (u barem dvostrukoj toˇnosti).2. c Napiˇimo jednostavni program koji raˇuna n!. z c komplementa (npr. . s tim da su sve varijable u pros c gramu prvo cijeli brojevi.2. Brojeve izvan tog raspona uop´e ne moˇemo spremiti u raˇunalo. a zatim. c s Prvi je promijeniti svaku 0 u 1 i svaki 1 u 0. .03200000000000e+04) (3.40000000000000e+01) (1. Zadatak 3.ˇ ˇ ˇ 3.2 Pokaˇite da je u sustavu reprezentacije cijelih brojeva pomo´u 2. od ve´ uskladiˇtenog broja x dobili −x treba poduzeti dva koraka.3 U cjelobrojnoj aritmetici izraˇunajmo n! za sve n ≤ 34. 0. (ispis i! = f act.00000000000000e+00) (6. Koji je drugi korak? Sva raˇunala imaju ugradene (“hardverske”) instrukcije za zbrajanje cijelih c brojeva.3 Da bi u sustavu reprezentacije cijelih brojeva pomo´u 2. u zagradi c u realnoj): 1! = 2! = 3! = 4! = 5! = 6! = 7! = 8! = 9! = 1 2 6 24 120 720 5040 40320 362880 (1. c z c Primjer 3. Rezultati programa bit ´e (lijevo rezultati u cjelobrojnoj aritmetici. najljeviji bit 1 ako i samo ako je x negativan. 1. .) end. −1.04000000000000e+03) (4. .20000000000000e+02) (5. samo je sistem ostataka simetriˇan oko 0. . u 32 bitnom formatu).00000000000000e+00) (2. tj. . .20000000000000e+02) (7.00000000000000e+00) (2.

GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 84 10! = 3628800 11! = 39916800 12! = 479001600 13! = 1932053504 14! = 1278945280 15! = 2004310016 16! = 2004189184 17! = −288522240 18! = −898433024 19! = 109641728 20! = −2102132736 21! = −1195114496 22! = −522715136 23! = 862453760 24! = −775946240 25! = 2076180480 26! = −1853882368 27! = 1484783616 28! = −1375731712 29! = −1241513984 30! = 1409286144 31! = 738197504 32! = −2147483648 33! = −2147483648 34! = 0 (3. gdje su 0 ≤ x ≤ 231 − 1 i 0 ≤ y ≤ 231 .08888694504184e+28) (3. komplementa ima binarni prikaz od 232 −y.12400072777761e+21) (2. Zadatak 3.79001600000000e+08) (6.22283865417792e+33) (2.84176199373970e+30) (2.2. postoji k takav da je za svaki n > k uvijek n! = 0. primijetite da n! u cjelobrojnoj aritmetici moˇe biti negativan z broj ili 0.68331761881189e+36) (2.ˇ ˇ ˇ 3.4 Pokaˇite.03291461126606e+26) (1.55112100433310e+25) (4.99168000000000e+07) (4.95232799039604e+38). Nadalje.40237370572800e+15) (1.20448401733239e+23) (1.71782912000000e+10) (1.09227898880000e+13) (3. .22702080000000e+09) (8.58520167388850e+22) (6.63130836933694e+35) (8.04888344611714e+29) (8. da bez obzira kolika je duljina ´elija u koju spremamo z c cijeli broj. kad u cjelobrojnoj aritmetici dobijemo da c je 13! < 12!.30767436800000e+12) (2.55687428096000e+14) (6. Promotrimo operaciju x + (−y). zbroj ´emo zapisati kao c 232 + x − y = 232 − (y − x). S obzirom da je broj −y u reprezentaciji 2. Primijetite da razlike poˇinju kod 13!.65252859812191e+32) (8.21645100408832e+17) (2.43290200817664e+18) (5.62880000000000e+06) (3.10909421717094e+19) (1.

c a pritom se eksponent pove´ao za 6. pa ga ne s treba spremati. rezultat 232 − (y − x) stane unutar 32-bitne reprezentacije i reprezentira broj −(y − x). U tom prikazu. komplementom: nije potrebna nikakva posebna (hardverska) operacija za cjelobrojno oduzimanje. c s c z gdje je 1 ≤ m < 2. Pored zbrajanja. Sam proces dobivanja tog oblika se zove normalizacija. Realni broj x nazivamo c egzaktno reprezentabilnim u raˇunalu ili brojem s pomiˇnom toˇkom ako c c c se na opisani naˇin moˇe bez greˇke smjestiti u raˇunalo. Da bismo spremili normalizirane brojeve u raˇunalo. . Ako je c c c x < y. broj 111. Polje za eksponent ima osam bitova pa moˇe reprezentirati ekponent e koji je izmedu granica −128 i 127 (npr. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 85 Ako je x ≥ y najljeviji bit u reprezentaciji od 232 + (x − y) bit ´e jedinica (na c poziciji potencije 232 ) i ona ´e se odbaciti. 8 bita za eksponent e i 23 bita za mantisu. dovoljno je koristiti samo operaciju hardverskog zbrajanja. (3. Preostala 23 bita za smjeˇtaj mantise s koriste se za smjeˇtaj razlomljenog dijela mantise. pomo´u z c reprezentacije s drugim komplementom). Stoga je m = (b0 .2.4) predstavljaju normalizirani oblik ili reprezentaciju broja x. podijelimo memorijsku c rijeˇ (sadrˇaj jedne ´elije) u tri dijela koja zovemo polja. Kod 32-bitnih raˇunala.3) i (3. 200 + (−50) i 200 − 200. pa ´e ostati toˇan rezultat x − y. pokaˇite z detalje kako nastaju cjelobrojne sume: 50 + (−200).2. on se mora prije smjeˇtanja u raˇunalu zaokruˇiti.5 = (1101111. bp−1 )2 . z Reprezentacija realnih brojeva u raˇunalu c U raˇunalu se realni brojevi reprezentiraju pomo´u binarne reprezentacije u c c “znanstvenoj notaciji”. Kako se zahtijeva da je b0 = 1.ˇ ˇ ˇ 3. bp−1 )2 pri ˇemu je b0 = 1. Ovo razmatranje pokazuje jedno vaˇno svojstvo sustava reprezentacije s z 2. Ako broj nije egzaktno c z s c reprezentabilan u raˇunalu. . postoje joˇ dvije standardne (hardverske) operacije za cjelos brojne operande: cjelobrojno mnoˇenje i cjelobrojno dijeljenje.5 Ako cijele brojeve prikazujemo 8-bitnom reprezentacijom. Zato se b0 obiˇno naziva skriveni bit. c (3.2.2.b1 b2 b3 .b1 b2 b3 . kad se jednom broj −y reprezentira. binarne znamenke desno od binarne toˇke ˇine razlomljeni dio manc c tise. moˇemo pisati c z m = (1.1011111)2 × 26 . x = ±m × 2e .2. . a relacije (3. Jer. Zadatak 3. z Vidimo da je u znanstvenom prikazu binarna toˇka pomaknuta za 6 mjesta ulijevo. 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.4) Na primjer. . jer je uvijek b0 = 1.1)2 se moˇe napisati kao (1. Bit za predznak je 0 (1) ako je broj pozitivan (negativan).3) .

Normalizirajmo taj broj c ˙ ˙ x = (1. compiler) za odgovaraju´i programski jezik. Dakle. c . Koji je najmanji cijeli c pozitivni broj koji nije egzaktno reprezentabilan? Zadatak 3.1)10 = (1101111. U tom sluˇaju dolazi do tzv.2. 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 . gdje je c c c 1.4 U primjeru 3.4) u relaciji (3.00011)2 . Najˇeˇ´e c c sc se prekida raˇunanje uz adekvatnu poruku.10111100011)2 · 26 . ˇto ´emo kra´e oznaˇavati eksp(6). . 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. Zadatak 3. . overflow).ˇ ˇ ˇ 3. broj se zaokruˇuje na 23 znamenke iza c c z decimalne toˇke i sprema u prostor za mantisu.2.2. U sluˇaju mantise duljine 23 bita.6 Koji su najve´i i najmanji pozitivni brojevi koji se mogu reprezenc tirati kao realni brojevi u raˇunalu (brojevi zapisani s pomiˇnom toˇkom. pri ˇemu je b1 = 1.3) zahtijevamo S = (0. U polje eksponenta sprema se broj c 6 u binarnom zapisu (110)2.2. Oˇito je da se u raˇunalo moˇe pohraniti samo konaˇan broj znamenki iza binarne c c z c toˇke.b1 b2 b3 .1 nije egzaktno reprezentabilan u raˇunalu. kao i prije.2. pa x = 111. Sto raˇunalo u takvom sluˇaju naˇini c c c c ovisi o prevodiocu (engl. z z c ˇ preljeva ili prekoraˇenja (engl. bp−1 )2 . S druge strane broj y = −222 = −4194304.7 Pretpostavimo da umjesto oblika (3. sprema se s c c c 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 . 127] za eksponent. .1 pokazano je da je ˙ ˙ (111. . mnoˇenjem dva velika broja c z rezultat moˇe biti takav da se ne moˇe spremiti. b24 i da je. Na primjer. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 86 Primjer 3. raspon za eksponent −128 ≤ e ≤ 127. Pretpostavimo da se u polje za mantisu smjeˇtaju binarne c s znamenke b2 b3 . bit za predznak.2.

Ako promatramo sve brojeve u BSP-u za koje je e = 0. koji se sastoji od brojeva oblika c ±(b0 . definirat ´emo pojednostavljeni brojevni sustav za prikazivanje c ili kra´e BSP.5. Ako je x > 0 (x < 0). 01)2 = 1 + 2−(p−1) . 100. 3. najve´i prikazivi broj je c (1. (3.b1 b2 .b1 b2 )2 × 2e .00)2 × 2−1 = (0. z BSP ili brojevni sustav za prikazivanje Da bismo shvatili koje toˇke na brojevnom pravcu odgovaraju reprezentabilc nim brojevima. Tomu ´emo posvetiti viˇe s c s paˇnje kod opisa IEEE standarda. 1}.00 . c (1. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 87 Strojni epsilon. strojni epsilon je ǫM = 0. 125.25.5)10 . 8. b1 . c c U brojevnom sustavu s preciznoˇ´u p. . a najmanji Kako je desni susjed od 1 u BSP-u 1. . b0 .ˇ ˇ ˇ 3. . . . 01)2 × 2e = 2−(p−1) × 2e = ǫM × 2e .00 .25. 0. tako da je ǫM = 2−23 . bp−2 bp−1 ) × 2e . ulp i preciznost Preciznost p moˇemo u danom brojevnom sustavu definirati brojem bitova u z mantisi pri ˇemu se raˇuna i skriveni bit. 10. 0. . za x kao u relaciji (3. c c Zadatak 3. machine epsilon) i zapisuje ǫM = 2−(p−1) .11)2 × 21 = (3. Preciznost je p = 3. Op´enitije.5) Najmanji takav x koji je ve´i od 1 je c (1. (3. vidjet ´emo da su to brojevi 1.2. 1}. Razmak izmedu ta dva broja se zove strojni epsilon (engl.5) definira se c ulp(x) = (0. postavlja se pitanje kako spremiti nulu u raˇunalo? To se postiˇe c z koriˇtenjem specijalnog niza bitova u polju za eksponent. .2.25.125.2. U opisanom brojevnom sustavu je p = 24.8 Neka je p = 24. Odredite ulp(x) redom za x = 0. Nadalje. e ∈ {−1.5)10 . b2 ∈ {0. normalizirani broj s pomiˇnom toˇkom ima sc c c oblik x = ±(1.6) Ulp je kratica engleskih rijeˇi unit in the last place. ulp(x) c je razmak izmedu x i sljede´eg ve´eg (manjeg) reprezentabilnog broja.2. 1.

s U tom standardu je vode´a jedinica normalizirarog broja skrivena. IEEE standard za binarnu aritmetiku je publiciran 1985. Uskoro ´emo vidjeti da se razmak izmedu nule i ±0.5 i ±1. pa je zato potrebc na specijalna reprezentacija broja nula. Uvodi se i specijalna reprezentacija brojeva ±∞. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 88 1.825 i za njih je ulp(x) = ǫM /2. i c spominje se kao IEEE 754. 2. isti c c . Brojevi u BSP-u za koje je e = 1 dobiju se mnoˇenjem s dva onih brojeva za koje je e = 0. Kahanom sa kalifornijskog c s sveuˇiliˇta u Berkeleyu.5 mnogo ve´i od razmaka brojeva c c izmedu ±0. pa su to brojevi z 2. Predvodeni W.5.1 BSP brojevni sustav Uoˇimo da je razmak izmedu nule i ±0. dijeljenje s nulom.2. Bitni zahtjevi IEEE standarda su: (i) konzistentna reprezentacija brojeva s pomiˇnom toˇkom na svim raˇunalima c c c koja prihva´aju standard. 3. Sliˇno. doˇlo je do izuzetne suradnje s eksperata iz industrije i sa sveuˇiliˇta. 3.5 i 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. IEEE Aritmetika U kasnim 70-tim i ranim 80-tim godinama.3.75 i 0.5 i za njih je ulp(x) = 2ǫM . Izmedu svih njih je isti razmak ulp(x) = ǫM . brojeva ±0 (to je za razliku od matematiˇki gledano razliˇitih +∞ i −∞. Vidimo da je razmak izmedu broja x ∈ BSP i njegovog desnog susjeda u BSP-u jednak ulp(x) = ǫM × 2e . c (ii) korektno zaokruˇene raˇunske operacije u svim naˇinima rada i z c c (iii) konzistentno tretiranje izvanrednih situacija kao ˇto je npr. 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. Kad se spominje “IEEE aritmetika” podrazumijeva se da ta aritmetika udovoljava spomenute standarde. 0. tzv. −3 −2 −1 0 1 2 3 Slika 3. 0.75.5 moˇe c z ispuniti tzv. Razvoj kalkulatora i malih. brojevi iz BSP-a za koje je e = −1 c su 0.ˇ ˇ ˇ 3.625. 3. To s c je bilo vrijeme naglog razvoja osobnih raˇunala s Intelom i Motorolom kao glavnim c proizvodaˇima procesora.5. subnormalnim brojevima.

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

000 .ˇ ˇ ˇ 3. imat ´emo +0.3. 1 < Nmax . Najmanji pozitivni subnormalni broj reprezentiran je kao 0 00000001 00000000000000000000001 .1755 × 10−38 reprezentira se s 0 00000001 00000000000000000000000 . . ili −0 ovisno o prvom bitu. c Najmanji normalizirani broj Nmin = (1. U njemu je ekspoc s nencijalni dio uvijek 0000000. . 0)2 × 2−126 = 2−126 ≈ 1. 1)2 × 2127 = (2 − 2−23 ) × 2127 ≈ 2128 ≈ 3. 0 01111011 10011001100110011001100 .111 . dok razlomljeni dio moˇe imati bilo koji izbor jedinica z i nula. reprezentira kao s a ako se “viˇak” znamenki korektno zaokruˇuje (tako to rade sva moderna raˇunala). dobit ´emo tzv. . s z c jer su prve dvije odbaˇene znamenke 11. c 0 01111011 10011001100110011001101 .10011)2 · 2−4 .1. Odmah vidimo da je .1 = (1. pogledajmo joˇ jednom prvi redak tablice 3. dok se najve´i broj c Nmax = (1. . subnormalne ili denormalizirane brojeve koji ekvidisc tantno ispunjavaju razmak izmedu −Nmin i +Nmin . Najmanji i najve´i eksponent od 2 u tom formatu su emin = −126 i emax = 127. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 90 dok se broj ˙ ˙ 0. 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. . . Ako nisu svi c bi nula. ako se “viˇak” znamenki odbacuje. 01) × 2−126 . a vrijednost mu je 2−149 = (0.4028 × 1038 reprezentira s 0 11111110 11111111111111111111111 .000 . Ako su svi bi nula. Nmin pa inverz najmanjeg normaliziranog broja ne dovodi do prekoraˇenja gornje granice c (overflow). Konaˇno.

GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 91 i on je za 2−149 manji od Nmin .1100)2 × 2−139 ima reprezentaciju 0 00000000 00000000000001100110011 . Sve reprezentabilne brojeve u brojevnom sustavu za prikazivanje. Treba usporedivati bitove slijeva c ˇ nadesno i donijeti zakljuˇak na prvom mjestu na kojem se razlikuju. c 3.5.3. c c Zadatak 3.ˇ ˇ ˇ 3. c ˙ ˙ (1/10) × 2−136 = (0.2. Zadatak 3. c c z To je najmanji broj koji se moˇe reprezentirati pomo´u jednostrukog formata.1 U jednostrukom IEEE formatu odredite reprezentacije sljede´ih broc jeva s pomiˇnom toˇkom: 3. . Naz c jve´i subnormalni broj je c (0. Detalji su vidljivi u tablici 3. . b52 . .3.5 × 2100 i 0. 2000.111 . ukljuˇuju´i i subnormalne brojeve sada moˇemo prikazati slikom 3. 11.3. 11)2 × 2−126 −3 −2 −1 0 1 2 3 Slika 3. Npr.1 × 2−142 . . pa su zato emin = −1022 i emax = 1023.2 Napiˇite algoritam koji odreduje koji je od dva broja x. jednostruki format nije adekvatan. tako zbog premalog raspona brojeva u tom formatu.225 × 10−308 . a11 b1 b2 . samo su polja za mantisu i eksponent ve´a: 11 bitova za eksponent i 52 bita za razlomljeni c dio mantise.3.1 BSP brojevni sustav sa subnormalnim brojevima Subnormalni brojevi su manje toˇni od normaliziranih. 11. c ± a1 a2 . z s z Zato IEEE standard specificira i drugi tzv.1.2. Cinjenica da c se to moˇe uˇiniti tako jednostavno utjecala je na to da se eksponent smjesti u polje z c pomo´u karakteristike. . Ideje su iste kao kod jednostrukog formata. kako zbog neizc bjeˇnih greˇaka zaokruˇivanja. .3. y zapisanih s u jednostrukom IEEE formatu ve´i od drugoga. te Nmin = 2−1022 =≈ 2. dvostruki format koji koristi 64-bitnu rijeˇ.3. Dvostruki format Kod zahtjevnijih raˇunanja.

Dvoc c struki format se zahtijeva tek kao mogu´nost. a11 (00000000000)2 = (0)10 (00000000001)2 = (1)10 (00000000010)2 = (2)10 (00000000011)2 = (3)10 .8 × 10308 ≈2 128 ≈ 3. . . . . . . inaˇe NaN c Tablica 3.b1 b2 .b1 b2 . format jednostruki dvostruki emin −1022 −126 emax 127 1023 2 −126 Nmin 2−1022 ≈ 2. . . . . b52 )2 × 21023 (11111111111)2 = (2047)10 ±∞ ako su svi bi = 0. iako zbog brzine rada raˇunala. . .2 IEEE dvostruki format i Nmax = (2 − 2−52 ) × 21023 ≈ 1.b1 b2 . exz c s s tended) format koji bi trebao imati barem 15 bitova za eksponent i barem 63 bita za . . . Podrˇka na zahtjeve standarda moˇe biti programz s z ska (“softverska”) ili elektroniˇka (“hardverska”).3 Raspon brojeva s pomiˇnom toˇkom u IEEE formatima c c Standard takoder snaˇno preporuˇa i podrˇku za tzv. b52 )2 × 2−1022 ±(1. proˇireni (engl. b52 )2 × 2−1022 ±(1.2 × 10−308 ≈ 1.3. U sljede´oj tablici prikazani su karakteristiˇni podaci za jednostruki i dvostruki c c format.3. b52 )2 × 21021 ±(1.b1 b2 . b52 )2 × 2−1020 . b52 )2 × 21022 ±(1. iako ga gotovo sva raˇunala koja c c podrˇavaju standard imaju.4 × 1038 Tablica 3.2 × 10 −38 Nmax ≈ 21024 ≈ 1. . . . . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 92 ako je niz a1 a2 . b52 )2 × 21 . . . c c c c c sc s proizvodaˇi raˇunala najˇeˇ´e daju hardversku podrˇku standardu.b1 b2 . b52 )2 × 2−1021 ±(1. (11111111100)2 = (2044)10 (11111111101)2 = (2045)10 (11111111110)2 = (2046)10 onda je numeriˇka vrijednost c ±(0.b1 b2 .797693 × 10308 . . .ˇ ˇ ˇ 3. .b1 b2 .b1 b2 . b52 )2 × 20 ±(1. IEEE standard zahtijeva da raˇunalo omogu´ava jednostruki format. . . ±(1. ±(1.b1 b2 . . . . (01111111111)2 = (1023)10 (10000000000)2 = (1024)10 .

. koriˇtenjem 80-bitnih regisatra. a7 (σ je predznak). S obzirom da je log10 (223 ) ≈ 6. prvi desni susjed z je 1 + 2−63 . Te oznake se odnose na razmatrani c c sustav/skup brojeva za koji ´emo smatrati. format jednostruki dvostruki proˇireni (Intel) s preciznost (p) 24 53 64 strojni epsilon (ǫM ) 2−52 ≈ 2. brojevi ±0. za razliku od jednostrukog i dvostrukog c formata. Ako z s je taj byte adresiran s B1 (B4 ).9236. ako vrijedi c c Nmin ≤ |x| ≤ Nmax . Sliˇno. BSPT i zaokruˇivanje u BSPT z Brojevni sustav s pomiˇnom toˇkom kra´e ´emo oznaˇavati s BSPT. U jednostrukom c formatu. B4 . c c c c c a skup brojeva s pomiˇnom toˇkom s BPT. pa je aritmetika ovdje s sporija. c 3. To znaˇi da kod transfera podataka s c jednog raˇunala na drugo traba biti oprezan. dok Intel koristi Small Endian (neki procesori kao DEC Alpha mogu raditi s oba sustava). s ali kako se on ne moˇe reprezentirati jer nema skrivenog bita. Npr. .3. pa 32-bitnu rijeˇ adrec c siraju sa 4 byte-a. od ˇega se 15 bitova koristi za eks c sponent. Dakle. nazovimo ih B1 . pri ˇemu je B4 = B1 +3. tada se takav adresni sustav zove Big (Small) Endian. . vode´i bit (jedinica) nije skriven. . .4 Preciznost kod IEEE formata Moderna raˇunala adresiraju memoriju po byte-ovima.ˇ ˇ ˇ 3. IBM i Sun koriste BIG. ali softverski. Kod Intelovog proˇirenog formata. Drugi strojevi (npr. a 64 bita za mantisu. log10 (224 ) ≈ 7.2247. Sun i Sparc) imc plementiraju proˇireni format sa 128 bitova. . Za realni broj x re´i ´emo da leˇi u intervalu normaliziranih brojeva susc c z tava s pomiˇnom toˇkom. pri ˇemu.3. a1 . najvaˇniji je byte u kojem su smjeˇteni σ. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 93 mantisu. . a p = 64 odgovara pribliˇno 19 znaˇajnih decimalnih z z c znamenki. preciznost p = 24 odgovara pribliˇno 7 znaˇajnih decimalnih znamenki.2 × 10−7 2−63 ≈ 1. .2 × 10−16 2−23 ≈ 1. Intelovi mikroprocesori implementiraju aritmetiku s proˇirenim formatom s u hardware-u. ako drugaˇije ne naznaˇimo. ±∞ i subnormalni brojevi nisu u tom intervalu. preciznost z c c p = 53 odgovara pribliˇno 16. da zadoc c c voljavaju IEEE standard. . prvi desni susjed od 1 bio bi 1 + 2−64 . iako pripadaju spomenutom brojevnom sustavu.1 × 10−19 Tablica 3.3.

b1 b2 . c z Postoje ˇetiri naˇina: c c • zaokruˇivanje prema dolje (joˇ se kaˇe prema −∞): round(x) = x− . pri ˇemu su brojevi s pomiˇnom toˇkom x− i x+ najbliˇi broju x (vidi sliku ). . . U oba sluˇaja porebno je X zamijeniti brojem iz sustava brojeva s pomiˇnom c c toˇkom. Tada je barem jedna od sljede´ih tvrdnji istinita: c c • x leˇi izvan intervala normaliziranih brojeva (npr. . .2 Zaokruˇivanje u BSPT brojevnom sustavu z Ako pretpostavimo da je x = (1. ako je x < 0. 01)2 ] × 2e .)2 × 2e . c c c c onda vrijednost od round(x) ovisi o naˇinu (modu) zaokruˇivanja koji je aktivan. Neka je c x− ≤ x ≤ x+ .1). koja se oznaˇava s round(x) na z c sljede´i naˇin. tada je situacija analogna (zrcalna slika u odnosu na ishodiˇte). . z s z • zaokruˇivanje prema nuli: z • zaokruˇivanje prema gore (joˇ se kaˇe prema ∞): round(x) = x+ . Ako je x negativan. . . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 94 Neka je x realni broj koji nije reprezentabilan u sustavu brojeva s pomiˇnom c toˇkom.ˇ ˇ ˇ 3. a x+ je subnormalni ili Nmin .3. IEEE standard s definira korektno zaokruˇenu vrijednost od x.3.1) i razmak izmedu x− i x+ je 2p−1 × 2e = ulp(x− ).b1 b2 . Ako nije.00 . tada je round(x) = x. c c c z x− x+ −3 −2 −1 0 1 2 3 x Slika 3. onda su x− = (1. bp−1 bp bp+1 . round(x) = . tada je x− ili nula ili subnormalni broj. bp−1 )2 + (0. x = 2129 u jednostrukom z formatu). .b1 b2 . tada je x− = Nmax i x+ = ∞. bp−1 )2 × 2e x+ = [(1. Ako je x broj s pomiˇnom toˇkom. (3. . • binarna reprezentacija od x zahtijeva viˇe od p bitova za egzaktnu reprezens taciju (npr. x = 0. Ako je 0 < x < Nmin . z s z x− x+ ako je x > 0. Ako je x > Nmax . .

default) naˇin uzima zaokruˇivanje c c z prema najbliˇem. nije reprezentabilan jasno je da je x− ≤ x ≤ x+ . tada je round(x) = x+ . Ako je bp = 1 i joˇ barem jedan od sljede´ih bitova nije s c nula. ili x+ ovisno o tome koji od njih ima najmanje znaˇajan bit 0. . . c z Zadatak 3. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 95 • zaokruˇivanje prema najbliˇem: z z round(x) = x− x+ ako je |x − x− | < |x − x+ |.3. Tada je x = (0. Uoˇimo c c da se x− i x+ razlikuju samo u zadnjem bitu. c a ako je x < Nmin uzima se round(x) = −∞. bez obzira na naˇin zaokruˇivanja. ako se ne spomene drugaˇije.b1 b2 .1). U praksi se gotovo uvijek koristi zadnji naˇin zaokruˇivanja. z tada je round(x) = x− .3 Napiˇite u jednostrukom IEEE formatu reprezentacije zaokruˇenih s z vrijednosti (u naˇinu do najbliˇeg) brojeva: 1/10. tada se uzima x− .ˇ ˇ ˇ 3.3. jednak 1. Ako je prvi bit koji se ne moˇe reprezentirati. 2 · 224 i 2131 .b1 . pa ´e jedan sigurno biti izabran.5 Neka x.)2 × 2emin . . pa kaˇemo da je apsolutna greˇka kod zaokruˇivanja manja od jednog ulp-a. Ako je bp = 1 i svi preostali bitovi od x su 0. round(x) koristiti z c c u tom smislu. IEEE c standard zahtijeva da se kao prvi (uobiˇajen. z Zadatak 3. pa ´e se nadalje. prema najbliˇem c z z susjedu u sustavu brojeva s pomiˇnom toˇkom i njega ´emo joˇ malo pojasniti.3. Neka c c c s je x opet kao u (3. Ako broj x. (Pretpostavka je jednostruki format i emin = −126). Zadatak 3. z s z x = (1. ˇ pri ˇemu je bar jedan od brojeva bp bp+1 . Ako je |x−x− | = |x−x+ | uzima se x− ili x+ . .3. Kad je prisutno zaokruˇivanje z do najbliˇeg. c z Stoga je | round(x) − x| < 2−(p−1) × 2e . . Sto je x− ? Uzmi kao primjere c −130 −150 brojeve 2 i2 . bp−1 bp bp+1 . . . pa kaˇemo da je apsolutna greˇka zaokruˇivanja pola ulp-a. bp−1 bp bp+1 . Pritom z s z se misli na ulp(x− ) ako je x > 0 i ulp(x+ ) ako je x < 0. ako je |x − x− | > |x − x+ |. Ako je x > Nmax uzima se round(x) = +∞. . ve´ prema tome je li u x− ili u x+ c najmanje znaˇajni bit bp−1 nula. tada je c z z round(x) = ∞ iako je x naravno bliˇe Nmax nego ∞. . onda vrijedi jaˇa ocjena z c | round(x) − x| ≤ 2−p × 2e . Ako je x > Nmax i naˇin zaokruˇivanja je prema najbliˇem. bp jednak 0.)2 × 2e . 0 < x < Nmin nije subnormalni broj.4 Konstruirajte x za koji su x− i x+ jednako udaljeni od x i nadite pripadnu reprezentaciju broja x. .

1. Koristite svaki od ˇetiri naˇina zaokruˇivanja. p = 53 za dvostruki i p = 64 za proˇireni format. ako ne´e biti drugaˇije naznaˇeno.6 Odredite apsolutnu greˇku prikaza 1/10 u jednostrukom IEEE fors matu. c c z Zadatak 3. Iz relacije (3.3.3.3. |δ| ≤ u.9 Nadite x u normaliziranom intervalu BPT za koji je δ = 2−p ako se koristi uobiˇajeni naˇin zaokruˇivanja do najbliˇeg.2) i (3.3. Pritom je p preciznost raˇunala. S obzirom da apsolutna greˇka kod zaokruˇivanja raste kad |x| raste. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 96 Zadatak 3. promos z trimo relativnu greˇku od round(x) kao aproksimaciju od x.3. e | round(x)| 2 .3. Stoga za sve naˇine zaokruˇivanja vrijedi c z | round(x) − x| 2−(p−1) × 2e < = 2−(p−1) ≡ u. Zadatak 3. Uoˇimo da δ = δ(x) c z c c ovisi o x i naˇinu zaokruˇivanja. vidimo da mjera − log2 (δ(x)) daje broj binarnih znamenaka do koz jeg se x i round(x) podudaraju. Pazite na definiciju round(x). S obzirom da raˇunala u normalnom radu koriste c z c zaokruˇivanje do najbliˇeg. u = 2−p . Sliˇno ´e − log10 (δ(x)) > − log10 (u) mjeriti broj c c decimalnih mjesta u kojima se x i round(x) podudaraju. pri ˇemu je z z c c c c p = 24 za jednostruki. e |x| 2 Kod zaokruˇivanja do najbliˇeg vrijedi malo bolja ocjena z z | round(x) − x| 2−p × 2e ≤ = 2−p ≡ u.3.10 Vrijedi li ocjena (3. S obzirom da je 2−p+1 × 2e | round(x) − x| < = 2−p+1 ≡ u. (3.3.ˇ ˇ ˇ 3.8 Kolika je apsolutna greˇka za svaki od naˇina zaokruˇivanja ako je s c z |x| < Nmin .2) gdje je u = 2−p ako se koristi zaokruˇivanje do najbliˇeg i u = 2−p+1 ako se koriste z z ostali naˇini zaokruˇivanja. e |x| 2 Koriˇtenjem oznaka iz relacija (3.2) za |x| < Nmin? S obzirom da je − log2 (δ(x)) > p (odnosno p − 1 ako nije uobiˇajeni naˇin c c zaokruˇivanja).1) znamo s da je |x| ≥ 2e . c c z z Zadatak 3. s Zadatak 3.7 Vrijede li gornje ocjene za apsolutnu greˇku zaokruˇivanja ako je s z |x| < Nmin ? Objasnite.1) moˇemo za realne brojeve koji leˇe u s z z normaliziranom intervalu napisati round(x) = x(1 + δ).1.

3) ne mora biti jednak onom iz relacije (3. |δ| ≤ u. x ⊘ x = 1. ⊖. fℓ(x − c z y). | round(x)| 2e 3.4) katkad se c naziva aritmetika s korektim zaokruˇivanjem. (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. ⊗. Konaˇna aritmetika koja zadovoljava (3. ⊘}. ⊖.5 ⊗ x = x ⊘ 2 kao i vaˇno svojstvo: ako su x i y brojevi u skupu BPT i vrijedi z x ⊖ y = 0. a x i y su reprezentabilni brojevi.3.3) 1+δ Pritom δ iz relacije (3.3.1 U numeriˇkoj matematici uvrijeˇila se notacija fℓ(x + y).3.2) koristiti i z z z relaciju x round(x) = .3. Koriˇtenjem izvoda i same relacije (3. moˇemo pored relacije (3. ⊙ ∈ {⊕. Relacije (3.3. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 97 odnosno. odmah vidimo da vrijedi i ocjena s x ⊙ y = fℓ(x ◦ y) = x◦y . (3. 0.4.3. ako je prisutno zaokruˇivanje do najbliˇeg. ×. pa vrijedi: 1 ⊗ x = x. z Lijeva strana u (3.4) gdje su ◦ ∈ {+.3. Takoder. fℓ(x/y) za operacije x ⊕ y. x ⊗ y i x ⊘ y. x ⊖ y. c c c c tada IEEE standard zahtijeva da vrijedi x ⊙ y = fℓ(x ◦ y) = round(x ◦ y) = (x ◦ y)(1 + δ). /}.3.3). ⊖. c c Napomena 3. Ako s ◦ i ⊙ oznaˇimo odgovaraju´e operacije u algebri i u raˇunalu.3) su osnova za analizu greˇaka zaokruˇivanja koju ´emo upoznati s z c kasnije.4). ⊗ i ⊘.3.3.2) i (3.3. 1+δ |δ| ≤ u. c c c c fℓ(f (x)) oznaˇava izraˇunatu vrijednost funkcije f u toˇki x.3.3. ×.4) vrijedi i za unarnu c c operaciju drugog korijena.ˇ ˇ ˇ 3.5) pri ˇemu zadnji δ nije op´enito jednak δ iz relacije (3. Osim za ˇetiri osnovne raˇunske operacije. (3. | round(x) − x| 2−p × 2e ≤ = 2−p ≡ u.4) je broj u skupu BPT. i / kako su stvarno implementirane c u raˇunalu.3. standard zahtijeva da (3.2). fℓ(x × y). fℓ(izraz) oznaˇava izraˇunatu vrijednost izraza pomo´u operacija ⊕. ⊗ i ⊘ operacije +. tada je x = y. c c c . |δ| ≤ u. −.3. Sliˇno. c z Oznaˇimo sa ⊕. −.

asocijativnost zbrajanja i distributivnost mnoˇenja prema zbrajanju. Ti brojevi su u skupu BPT. egzaktni je rezultat . c z ne´e u IEEE aritmetici uvijek vrijediti. Sliˇno. z z −5 −10 −15 koliko je 1 ⊕ round(10 ).1 × 2−25 = 1 + 2−23 . (x ⊕ y) ⊕ z = 1 ⊕ z = 1. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 98 Zadatak 3. Medutim. y = 2−25 . (x + y) − z = 2−25 reprezentabilan u sustavu brojeva BPT.1 × 2−25 . c z s ne vrijedi u konaˇnoj algebri s IEEE standardom. y = 2−25 . pa vrijedi Pokazali smo da je fℓ((x + y) − z) = 0. pa ´e uz zaokruz c ˇivanje prema najbliˇem biti z z x ⊕ y = 1. b ≡ x ⊕ (y ⊕ z).3. c Primjer 3. S druge strane. Pokaˇite da a i b nisu jednaki! z Rjeˇenje s x ⊕ y = 1. pa za taj izraz ne vrijedi pravilo koje je aksiom IEEE standarda za osnovne raˇunske c operacije. ve´ za malo sloˇenije izraze. y ⊕ z = 2. x ⊖ y = −(y ⊖ x) i x ⊗ y = y ⊗ x. Stoga ´e vrijediti c (x ⊕ y) ⊖ z = 1 ⊖ z = 0. Kako je y = 1.1 Neka je x = 1.0 × 2−25 . x ⊕ (y ⊕ z) = 1 ⊕ 2. iako je round((x + y) − z) = 2−25 .12 Neka su x = 1.3. c Zadatak 3. ⊖ i ⊗ slijedi x ⊕ y = y ⊕ x. Uz pretpostavku IEEE jednostrukog formata i zaokruˇivanja do najbliˇeg.1 × 2−25 . 1 ⊕ round(10 ).0000000000000000000000001 se ne moˇe egzaktno reprezemtirati u IEEE jednostrukom formatu.ˇ ˇ ˇ 3. ono ˇto vrijedi u aritmetici. Pretc postavke su: IEEE jednostruki format i zaokruˇivanje do najbliˇeg. Uz iste uvjete. 1 ⊕ round(10 )? Iz same definicije operacija ⊕. z = 1. z = 1. suma x + y = 1.3.11 Koji je najve´i broj x iz skupa BPT za koji je 1 ⊕ x = 1. izraˇunajte z z c a ≡ (x ⊕ y) ⊕ z. round((x + y) − z) = 2−25 .

pri ˇemu je c c Izjednaˇavanjem eksponenata. Ovdje smo koristili jedan dodatni bit (iza okomite crte | koja prikazuje granicu). 01)2 × 2−24 Koriˇtenjem (ˇak!) 25 dodatnih bitova. z c s s Promotrimo raˇunanje razlike x − y u jednostrukom formatu. opet se pomakne. .00000000000000000000000| − (0. normalizacija: (1. dobivamo s c )2 × 2 0 (1. c Sljede´i primjer pokazuje da katkad nije dovoljan jedan bit. jer se skoro svi bitovi rezultata pokrate. .5. jer je c c Ako operandi nemaju isti eksponent.00000000000000000000000|0100000000000000000000001)2 × 20 = (0.0)2 × 20 i y = (1. Sigurnosni i zalijepljeni bitovi Da bi se implementirala IEEE aritmetika potrebni su i tzv. pri ˇemu su c z z c brojevi iz BSPT. koje ne´emo posebno razlikovati.ˇ ˇ ˇ 3.11111111111111111111111|1)2 × 20 = (0. To znaˇi da aritmetika u raˇunalu koristi registre s c c koji sadrˇe rijeˇ s viˇe bitova nego ˇto zahtijeva standard za reprezentaciju brojeva. Ovo je primjer kra´enja.0)2 × 20 i y = (1. Svako pomicanje mantise rezultira z istovremenim pomakom eksponenta. Promotrimo c raˇunanje x − y u jednostrukom formatu uz zaokruˇivanje do najbliˇeg. x = (1. zaokruˇi i. . Implementacija operacija na raˇunalu c x − y = x + (−y). sigurnosni (dodatni. Zatim se rezultat svede na normalizirani oblik. pri ˇemu c se prvo mantisa pomakne ulijevo ili udesno ako je potrebno. dobije se c x = (1.00000000000000000000000| )2 × 20 − (0. rezervni) bitovi.3.111 . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 99 3. Poˇnimo od zbrajanja i oduzimanja.11111111111111111111111|1011111111111111111111111)2 × 2−1 normalizacija: . . zaˇtitni. ako je z nakon zaokruˇivanja potrebno.00000000000000000000000|1)2 × 20 = (1.00000000000000000000000|0)2 × 2−24 . 1)2 × 2−1 . onda se (po modulu) manji operand napiˇe s u obliku nenormaliziranog broja s eksponentom ve´eg.000 . To znaˇi da mu se mantisa c c pomakne udesno za onoliko binarnih mjesta kolika je na poˇetku bila razlika u c eksponentima operanada.

00000000000000000000000|011)2 × 20 = (0.11111111111111111111111|01 )2 × 2−24 = (1. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 100 = (1. . • razliku eksponenata.11111111111111111111111| Mnoˇenje i dijeljenje z Mnoˇenje i dijeljenje u BSPT ne zahtijeva poravnavanje eksponenata. umjesto 25 (ili u sliˇnim s c c namjeˇtenim sluˇajevima po volji veliki broj) dodatnih bitova. normalizacija: zaokruˇivanje: z • zbrajanje eksponenata. )2 × 2−24 . . Ako je z x = mx × 2ex tada je pa pri implementaciji mnoˇenja u BSPT postoje tri koraka: z • mnoˇenje mantisa. Kod dijeljenja isto ´emo tako raˇunati c c • kvocijent mantisa.00000000000000000000000| )2 × 20 − (0. Na sre´u. Dakle. rezultat bi (nakon dodatne renormalizacije) bio (1. z . toˇnije. i y = my × 2ey . z z = x · y = (mx · my ) × 2ex +ey . • i normalizaciju sa zaokruˇivanjem. .00000000000000000000000)2 × 20 .11111111111111111111111|0111111111111111111111110)2 × 2−24 zaokruˇivanje: z = (1. dovoljno je koristiti s c tek tri dodatna bita. Zovemo ga zac s lijepljeni jer kad ga aktiviramo. . 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. on se viˇe ne mijenja.11111111111111111111111|101)2 × 2−1 = (1. dva zaˇtitna i jedan zalijepljeni bit.11111111111111111111111| )2 × 2−24 . prije oduzimanja treba dodati zalijes pljenu jedinicu iza drugog zaˇtitnog bita: s (1. Da smo koristili samo dva dodatna bita. u zadnjem primjeru. • ako je potrebno normalizacija produkta mantisa i pravilno zaokruˇivanje rezulz tata. Isti (pogreˇan) rezultat dobis vamo koriˇtenjem 3. 24 dodatna bita. 4.ˇ ˇ ˇ 3.

c s Zadatak 3. a koliko 2/3 < x ≤ 1? (i) Koliko brojeva x s pomiˇnom toˇkom zadovoljava 1 ≤ x < 2? Koliko od njih c c zadovoljava 1 ≤ x < 3/2. −1 ≤ e ≤ 1) i • BSPT u jednostrukom IEEE formatu. ostatak pri dijeljenju i konverzija formata Pored zahtjeva da su osnovne aritmetiˇke operacije korektno zaokruˇene. toliko s c ubrzati mnoˇenje da je gotovo jednako brzo kao i zbrajanje.6. odnosno oduzimanje. uz dovoljnu rezervu memorije. lijevo od binarne toˇke u binarnoj reprezentaciji od mz mogu biti samo c kombinacije bitova 11. 2 my pa ´e pomicanje kod normalizacije biti najviˇe jedan bit ulijevo ili udesno. Stoga se mogu´i izbor pomaka mantise svodi c najviˇe za jedno mjesto ulijevo uz istodobno pove´anje eksponenta za 1. 10 ili 01 tj 1.13 Odgovorite na sljede´a pitanja u sluˇaju: c c • brojevnog sustava za prikazivanje (p = 3. (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? (ii) Koliko brojeva y s pomiˇnom toˇkom zadovoljava 1/2 < y ≤ 1? Koliko od njih c c aproksimativno zadovoljava 1/2 < x ≤ 2/3. Drugi korijen. Drugi korijen je unarna operacija (jer je funkcija) definirana za . z c Uoˇimo da nejednakosti 1 ≤ mx < 2 i 1 ≤ my < 2 povlaˇe c c 1 ≤ mz = mx · my < 4. Dakle.3. s c Kod dijeljenja ´e vrijediti c 1 mx < < 2. ǫM = 0. a koliko 3/2 ≤ x < 2? 3.ˇ ˇ ˇ 3. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 101 Danaˇnji dizajneri ˇipova uspjeli su. z Jedino treba voditi raˇuna da je dijeljenje joˇ uvijek nekoliko puta sporije od mnoc s ˇenja.25.3. IEEE c z standard zahtijeva da su korektno zaokruˇene i operacija drugog korijena i ostatak z pri dijeljenju. Dijeljenje s nulom razmotrit ´emo kasnije.

Konverzija iz kra´eg c c c u dulji format (npr. Takoder. mogu´e je 0. Pritom se koristi naˇin c zaokruˇivanja koji je aktivan. Konverzije iz duˇeg u kra´i zahtijeva zaokruˇivanje. njega moˇemo u programu uvesti c z kao konstantu ili pridruˇiti tu vrijednost nekoj varijabli. dakle unijeti (cijele ili realne) brojeve 4 i 10.4 sudjeluje u raˇunu.4. c s c operandi moraju biti u binarnoj reprezentaciji pomiˇne toˇke jer ´e rezultat biti u c c c tom formatu. zahtijeva se zaokruˇivanje broja iz skupa BSPT u z z cijeli broj reprezentiran istim formatom. • Konverzija iz decimalnog u binarni sustav i obrnuto. koje smo navikli prepoznavati. Ako je broj u BSPT c z cijeli broj. niz znakova (koji su: decimalne znamenke.ˇ ˇ ˇ 3. Ostatak pri dijeljenju realnih brojeva x i y je realni broj x − y × n. iz neke tekst datoteke na disku. a x moˇe dobiti vrijednost i uˇitavanjem broja z z c 0. npr. z c z • Konverzija iz BSPT u cjelobrojni format zahtijeva zaokruˇivanje do najbliˇeg z z cijelog broja uz trenutno aktivni naˇin zaokruˇivanja. konverzija mora dati isti cijeli broj. z iz cjelobrojnog formata u format s pomiˇnom toˇkom moˇda ´e zahtijevati c c z c zaokruˇivanje. d. Kod izlaza podataka iz raˇunala. 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. Tu spadaju sljede´e pretvorbe ili konverzije. iz jednostrukog u dvostruki) mora biti egzaktna. kod ispisa ili spremanja rezulc tata u tekst datoteku. 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. Ako npr. gdje je n cijeli broj najbliˇi kvocijentu x/y. Te rutine generiraju strojne instrukcije koje prevode decimalni broj. U svakom sluˇaju. Pridruˇivanje varijabli z z moˇe biti u naredbi oblika x = 0. a zatim unutar programa koristiti operaciju dijeljenja da bismo izraˇunali 0. toˇka i moˇda slova kao e. Ako se 4 i 10 unose kao c cijeli (realni) brojevi. c s .4 s neke vanjske memorije. Prevodilac ili interpreter tada poziva standardne rutine odnosno potprograme za ulaz podataka. Isto tako. c • Konverzije izmedu formata brojeva s pomiˇnom toˇkom. Obrnuta konverzija. 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. kad je uveden IEEE 754 standard. z Brojevi ulaze u raˇunalo na nekoliko naˇina.4 unijeti z c kao razlomak 4/10. 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. Nakon 1985. broj 0. prije nego ˇto ´e se pozvati operacija dijeljenja. tj. npr. osim ako se taj cijeli broj ne moˇe reprezentirati u danom cjelobrojnom formatu.4. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 102 nenegativni operand pri ˇemu u implementaciji (koja je najˇeˇ´e hardverska) vrijedi c c sc √ −0 = −0. IEEE standard zahtijeva podrˇku za korektno prevodenje izmedu raznih fors mata. prevodilac ili interpreter (kra´e kaˇemo – raˇunalo) generira c z c instrukcije za konverziju binarnih formata u decimalne brojeve. E.

uz poruku oblika: “fatalna greˇka – dijeljenje s nulom”. varijable s c z izlaznim vrijednostima imati sadrˇaj NaN. Ako se NaN pojavi u nekom z izrazu. Na kraju ´e. 0/0. −a/0 = −∞ kao i a/∞ = 0. jer se smatralo da je odgovornost programera c z da ne dode do djeljenja s nulom. s s Pogledajmo kako ih iskoristiti. Stoga su nakon z c 1960. tada cijeli izraz dobiva vrijednost NaN. 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. Ako je a pozitivni konaˇni broj. −∞ + (−∞) = −∞. Dakle je 0/0 = NaN i ∞/∞ = NaN. a/−∞ = −0. Sliˇno. jer c imaju razliˇitu reprezentaciju. −a/ − ∞ = 0. op´i ˇlan niza brojeva) teˇi z c c c c z prema sve ve´im ili manjim brojevima. S obzirom da standard uvodi predznake ispred posebnih brojeva 0 i ∞: +0 je isto ˇto i 0 pa koristimo 0 i −0. dok 0/0 i ∞/∞ nemaju smisla jer mogu u interpretaciji nizova biti bilo koji brojevi. c 0/∞ = 0. ∞/0 = ∞. . c a/−0 = −∞. Isto tako +0 i −0. proizvodaˇi raˇunala usvojili pravilo da se izvrˇavanje programa prekida ako c c s se broj dijeli s nulom. ∞ − ∞ nema smisla pa je ∞ − ∞ = NaN. stavljamo a/0 = ∞. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 103 3. s pogotovo ako se takva stvar dogodila usred sloˇenijeg raˇunanja. znat ´e da je neˇto krenulo loˇe. misle´i na brojeve c c s kojima raˇunalo radi. −a/∞ = −0. a − ∞ = −∞ za svaki konaˇni broj a. dok je predikat ∞ = −∞ laˇan.3. Prije IEEE standarda neki su proizvodaˇi raˇunala rezultat dijeljenja pozitivnog broja s c c nulom definirali najve´im prikazivim brojem. pa je i ∞ + ∞ = ∞. Na taj s naˇin je bilo oteˇano programiranje. Obrazlagali su to tvrdnjom da kada c korisnik primijeti vrlo velike brojeve. pa je najbolje da raˇunalo to tretira kao c nepravilnu operaciju. +∞ je isto ˇto i ∞ pa koristimo ∞ i −∞. a/0 = ∞ c c za svaki pozitivni broj a. Kako je to razrijeˇio IEEE standard? s Matematiˇki je jasno da vrijedi: a × 0 = 0 za svaki konaˇni broj a. pa to korisnik vjerojatno ne bi primijetio. iako imaju istu c c vrijednost 0.7. S druge strane izrazi poput 0 × ∞. a × ∞ = ∞ za svaki pozitivni a. ∞/∞ nemaju smisla. Stoga IEEE standard zahtijeva da se svakoj takvoj operaciji pridruˇi vrijednost NaN (Not a Number . U ovom dijelu teksta. Tada bi c s s rezultat operacije kao ˇto je 1/0−1/0 bio 0.nije broj). spominjemo ∞ i −∞ kao brojeve. Na taj naˇin do´i ´e poruka programeru z c c c da je neˇto krenulo loˇe. moˇda sve. Oznake ∞ ili −∞ tek c sluˇe za naznaˇavanje da vrijednost neke veliˇine (npr. spominjemo kao dva razliˇita broja. Izuzeci U matematici su realni ili cijeli brojevi uvijek konaˇni. Predikat 0 = −0 je istinit.ˇ ˇ ˇ 3. Najjednostavniji primjer jedne izuzetne situacije je dijeljenje s nulom. c To se lako pokaˇe pomo´u konvergiraju´ih (prema a) i divergiraju´ih (prema ∞) z c c c nizova. s s Zbrajanja u kojima se pojavljuje ∞ uglavnom imaju smisla: a + ∞ = ∞. Medutim. −a/−0 = ∞.

dok ´e zaokruˇivanje prema dolje i prema nuli broj zaokruˇiti na Nmax . potkoraˇenje i postupno potkoraˇenje c c c O prekoraˇenju (engl. Naime. jer ´e nam to otkriti greˇku njihova preranog koriˇtenja (prije no c s s ˇto dobiju neku vrijednost) u programu. tada ´e zaokruˇivanje prema gore zaokruˇiti c c z z broj na ∞. 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. a kad bi se broj zaokruˇio na (matematiˇki najbliˇi z c z BPT) Nmax . a s rezultat operacije a ⊙ NaN je NaN za svaki reprezentabilni broj i svaku aritmetiˇku c operaciju ⊙. Uoˇimo da Nmax ovisi o binarnom formatu. Medutim. U IEEE aritmetici. Zadatak 3. Prekoraˇenje. radi se o osnovnom modu zaokruˇivanja z c z koji se gotovo uvijek koristi. Taj dogadaj se naziva postupno potkoraˇenje (engl. Prije IEEE standarda tipiˇni c c odgovor raˇunala je bio stavljanje broja–rezultata na nulu. stanc dardni odgovor je pravilno zaokruˇeni broj (prema aktivnom naˇinu u BSPT) koji z c je moˇda subnormalni broj. takav broj treba zaokruˇiti prema naˇinu zaokruˇivanja koji se koristi. ∞/ − ∞ i −∞/ − 0? 3.14 Ima li joˇ sluˇajeva kad implikacija s c a=b =⇒ 1 1 = a b ne vrijedi? Koje su vrijednosti izraza: 0/ − 0.8.2 ´e biti NaN. raˇunanje bi moglo dati rezultat koji zavarava – izgleda kao da je sve c u redu. 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. z c gradual underflow) i on je i danas najkontraverzniji dio IEEE standarda. Potkoraˇenje (engl. ali po modulu je ve´i od najve´eg prikazivog broja u BSPT c c c kojeg oznaˇavamo s Nmax . NaN nije u uredaju ni s jednim brojem. . rezultat operacije −3. postupno potkoraˇenje daje rezultate koji imaju manju (to manju ˇto c s je potkoraˇenje ve´e) relativnu toˇnost. Prema IEEE c c standardu. overflow) govori se kad je egzaktni rezultat neke oc peracije konaˇan broj. c Takoder. i to je u ve´ini sluˇajeva bolje c c c c c nego definirati rezultat nulom i tako potpuno izgubiti relativnu toˇnost.3. z c z Ako je broj koji prekoraˇuje pozitivan.ˇ ˇ ˇ 3. npr. kojeg oznaˇavamo s Nmin . Osim toga c postupno potkoraˇenje osigurava da za brojeve u BSPT vrijedi implikacija c x⊖y = 0 =⇒ x = y.3. a nije. c z z Zaokruˇivanje prema najbliˇem. Razlog je praktiˇne naravi. zgodno je polazne vrijednosti varijabli koje nemaju polazne vrijednosti definirati s NaN. odudara od ove matematiˇke logike jer ´e broj z z c c zaokruˇiti na ∞.

Raˇunaje broja z u jednostrukom IEEE formatu c c normalizacija: Pritom je zadnja jedinica u binarnom prikazu broja x nastala zbog zaokruˇivanja. pri ˇemu rezultat prve operacije c potkoraˇuje.2 Neka je y = 0. s .00001001100110011001101)2 × 2−127 = (1. da je tada oduzimanje egzaktno.15 Promotrimo operaciju (y ⊖x)⊕x. c Zadatak 3. z Vidimo da je rezultat subnormalni broj.1 × 2−123 . daje (1.5 IEEE odgovor na izuzetne situacije IEEE standard specificira da se svaki izuzetni dogadaj mora signalizirati pomo´u tzv.3. Uoˇimo da je 25 = (11001)2. Zadatak 3.10011001100110011010000)2 × 2−132 . za vrijeme izvrˇavanja programa.10011001100110011001101)2 × 2−127 − (1. Koji je rezultat. rezultat bi bio nula. statusnog signala (engl.3. ako postoji. ˇto se relativne preciznosti tiˇe.16 Neka su x i y brojevi u BSP T za koje vrijedi x 1 ≤ ≤ 2. tj. c iskoristiti za pravljenje programa (vidi sljede´i primjer) ili pustiti raˇunalo da daje c c standardne ispise kao u zadnjoj tablici. x = 25 × 2−131 i z = y ⊖ x.10010000000000000000000)2 × 2−127 = (0.ˇ ˇ ˇ 3.3. z IEEE standard ukupno definira pet vrsta izuzetnih situacija koje su ukratko opisane u sljede´oj tablici.3. status flag) kojeg bi programer mogao dohvatiti tj. 2 y Pokaˇite da je tada x − y broj u BSPT. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 105 Primjer 3. Bez c s z postupnog potkoraˇenja. s c izgubio zadnja ˇetiri bita ˇto odgovara pribliˇno jednoj decimalnoj znamenki. c pogreˇna operacija s dijeljenje s nulom prekoraˇenje c potkoraˇenje c neegzaktni rezultat rezutat je NaN rezultat je ±∞ ili ±Nmax rezultat je ±∞ rezultat je ±0 ili ±Nmin ili subnormalni broj rezultat je korektno zaokruˇeni broj z Tablica 3. koji je. ili ako ne postoji postupno potkoraˇenje? c c Koristite prethodni primjer.

a ako dode do izuzetne situacije. max i min i jedno dijeljenje. Ve´ina primjera je uzeta iz knjige [5]. jedno zbrajanje i z s jedan korijen. za koji ∆x s . u prisustvu greˇaka c c s zaokruˇivanja koje su neizbjeˇne kad se koristi konaˇna aritmetika. tj. Ovaj algoritam zahtijeva kao i onaj direktni dva mnoˇenja.1. √ S IEEE aritmetikom. Erel ≈ ε.4.5. Ako se pojavi c izuzetna situacija s prekoraˇenjem (ˇto je vrlo rijedak sluˇaj).1). Pretpostavimo da se u aritmetici preciznosti u vrijednost y = f (x) izraˇuna kao y . Pokaˇite da je sporiji algoritam prikladan i za sluˇaj z c √ √ |x| < Nmin i y < Nmin .ˇ ˇ ˇ 3. |y|).3. Kroz primjere z z c upoznat ´emo neke neugodne fenomene koji se mogu pojaviti kod koriˇtenja konaˇne c s c odnosno aritmetike raˇunala.3 Raˇunanje izraza x2 + y 2 daje jednostavan primjer kako se koric ˇtenjem IEEE standarda za izuzetne situacije mogu naˇiniti brzi i pouzdani programi. Tada se z = x2 + y 2 raˇuna pomo´u c c c c c c algoritma: u := max(|x|. medutim dodatno zahtijeva izvrˇavanje nekoliko funkcija: | · |. 3. s c Pravilo je: pokuˇaj prvo na jednostavan i brz naˇin. |y|). tek tada treba ukljuˇic s c c ti sofisticiraniji algoritam. v := min(|x|. s c raˇunaj √ c ponovo na siguran. if u = 0 then z := 0 else z := u 1 + (v/u)2. do´i ´e do prekoraˇenja. pa je nekoliko puta sporiji i neˇto netoˇniji (vidi prims c jer 3. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 106 √ Primjer 3. U ovom primjeru. Greˇke unazad i unaprijed s Neka je f realna funkcija realne varijable.4. pojmom usko c sc c vezanim uz pozdanost dobivenih rjeˇenja. ali sporiji naˇin. prvo se izraˇuna z = x2 + y 2 direktno. 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 rezultatu. c c 3. Stabilnost numeriˇkog raˇunanja c c U ovom dijelu bavit ´emo se stabilnoˇ´u numeriˇkih algoritama. Umjesto toga moˇemo c c c z se zapitati za koji skup podataka smo zapravo rijeˇili problem? Dakle. Susrest ´emo niz pojmova koji odreduju s c ili opisuju toˇnost kojom algoritam raˇuna izlazne podatke. ali to se ne´e mo´i uvijek posti´i. ako je |x| ili |y| c √ ve´i od Nmax .

ve´ samo slabiji rezultat: ˆ c y + ∆y = cos(x + ∆x) ˆ .ˇ ˇ ˇ 3. Kada z dobijemo ocjenu za povratnu greˇku rjeˇenja kod primjene odredene metode. ako ona za svako x producira izraˇunati y s malom c ˆ povratnom greˇkom. tada s s dodatnom primjenom op´e teorije perturbacije za dani problem lako dolazimo do c ocjene za greˇku unaprijed. sve osnovne raˇunske operacije u raˇunalu zadovoljavaju relaciju (3.1 Greˇke unaprijed i unazad s Metoda za raˇunanje vrijednosti y = f (x) je povratno stabilna ili stabilna c unazad (engl. Druga privlaˇnost povratne analize greˇaka z c c s s je ˇto ona reducira problem omedivanja greˇke unaprijed na primjenu teorije perturs bacije za dani problem.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. vrijedi y = f (x + ∆x) za malo ∆x.1. c c Medutim. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 107 imamo y = f (x + ∆x)? ˆ Op´enito. Dakle. sve su osnovne operacije u raˇunalu povratno c stabilne. Podaci s z s ˇesto kriju netoˇnosti nastale zbog prethodnih izraˇunavanja. tada se izraˇunato rjeˇenje ne moˇe mnogo kritizirati jer je to rjeˇenje c c s z s koje traˇimo do na “ulaznu” netoˇnost. Apsolutna i relativna greˇka od y zovu se greˇke unapris s ˆ s jed ili kra´e greˇke. a ne o pojedinoj metodi za dani problem. backward stable). Ako povratna greˇka nije ve´a od tih polaznih c s c netoˇnosti. Proces omedivanja (tj. backward error) z s ili povratna greˇka. Vrijednost |∆x| (ili c c s c c max |∆x|) moˇda podijeljena sa |x| zove se greˇka unazad (engl. c Npr. za dani problem moˇe postojati viˇe metoda od kojih ´e neke c z s c biti povratno stabilne. backward error analysis). ve´ina metoda za raˇunanje funkcije cos(x) ne zadovoljava relaciju y = cos(x + ∆x) za malo ∆x. Prvo. zbog spremanja u c c c raˇunalo ili kao rezultat mjerenja.4. ona interpretira greˇke zaokruˇivanja kao greˇke u podacima. U naˇelu. s f x greˇka unazad s x + ∆x f y = f (x + ∆x) ˆ greˇka unaprijed s y = f (x) Slika 3. bit ´e viˇe takvih ∆x pa ´e nas zanimati najve´i. a neke ne´e. Teorija perturbacije je dobro poznata za ve´inu problema i c vaˇno je da ona ovisi o problemu. tj. 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. a motivacija za taj postupak je dvostruka. Oznaka mala ovisi o s ˆ kontekstu.

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

To znaˇi da mala relativna promjena u x uvijek c izazove malu apsolutnu promjenu promjenu u f (x) = ln(x). a) = aCn (x). dok obrat ne vrijedi (primjer je npr. prijelazom na greˇku aprijed. U graniˇnom c . Kad se greˇke unaprijed. koja su sliˇnog s s c reda veliˇine kao ona koja se dobiju primjenom povratno stabilne metode. Cak c s s s unaprijed.3. kriva je jedna. ta tvrdnja uglavnom nije istinita. Na sre´u. x 3. c Definicija 3. tada se za c metodu kaˇe da je stabilna unaprijed. unazad. formula sloˇenog ukama´ivanja. x = 0.4. z Dakle. gdje je Cn (x) = 1 + x n n . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 109 je uvjetovanost velika za x ≈ 1. dana formulom Cn (x. sama metoda ne treba biti povatno stabilna da bi bila stabilna unaprijed.1 Ako metoda daje rjeˇenja s greˇkama unaprijed.) Ako se a novˇanih jedinica investira c z c na godinu dana po godiˇnjoj kamatnoj stopi x (npr.4. To je tzv. Zato se uvodi z c sljede´a definicija.1 (Sluˇaj sloˇenih kamata. s s Dakle. vrijedi jednostavno pravilo: c greˇka unaprijed ≈ uvjetovanost × greˇka unazad. ili tek nekoliko. a u rijetkim sluˇajevis c c ma kada dolazi do ve´ih greˇaka u rezultatu. 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. izraˇunato rjeˇenje loˇe uvjetovanog problema moˇe imati veliku greˇku unc s s z s ˇ i kad izraˇunato rjeˇenje ima malu greˇku unazad. < ∆x . s z Primjer 3.4. Cn (x) monotono raste prema vrijednosti ex . te uvjetovanost za dani problem definiraju s na konzistentan naˇin. ona se moˇe pove´ati za faktor velik kao broj uvjetovanosti.05). podmuc s klih greˇaka zaokruˇivanja. Cramerovo pravilo za 2 × 2 linearne sustave). Poznato je da kad broj ukama´ivanja z c c tijekom godine n raste.ˇ ˇ ˇ 3. Povratna stabilnost implicira stabilnost unaprijed. tada je budu´a vrijednost uloˇenog novca c c z nakon jedne godine. uz n ukama´ivanja s c (npr. jer je f (x + ∆x) − f (x) ≈ f ′ (x)∆x = ali i veliku relativnu promjenu za neke x. za kvartalno ukama´ivanje je n = 4).

4 C := exp(n ∗ log(1. U FORTRANU se xn piˇe x∗∗n.0 + x/n. w := 1. x se raˇuna kao x · (((x ) ) ) . U Matlabu je oblika xˆn. Algoritam 3.0 + x/n)).0. n). Taj sluˇaj se u praksi c c c manje susre´e u bankarstvu. w := log(z). Pritom moˇemo korisc c z titi sljede´a dva algoritma c Algoritam 3.2 z := 1. Koriˇten je jednostruki realni format (REAL). pa koristi z c ˇ 5 mnoˇenja). C := w. Programi c su napisani u jeziku FORTRAN 77 i koriˇten je Digital Visual Fortran 6.0 + x/n. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 110 sluˇaju. Tada se c s s c govori o prirastu ˇume. C := exp(n ∗ w). Promotrimo sljede´e algoritme za c raˇunanje Cn (x). Prednost je u tome ˇto algoritam koji stoji s iza operacije ili funkcije potenciranja zahtijeva oko log2 (n) mnoˇenja.ˇ ˇ ˇ 3. No. n). |1 + n | pa uvjetovanost konvergira prema |x| (provjerite da je to uvjetovanost od ex ) kad n raste. U sljede´oj tablici c . pametno je iskoristiti operaciju (ili funkciju) potenciranja. bit ´e i manje greˇaka zaokruˇivanja. velika je tek kad je |x| veliko.0 prevodilac s za PC raˇunala.1 z := 1. govorimo o neprekidnom ukama´ivanju. 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). for i := 1 to n w := w ∗ z. kad n → ∞.4.4.4. Prouˇit ´emo stabilnost nekoliko algoritama za raˇunanje Cn (x).4. dok se u jeziku C poziva funkcija s pow(x. umjesto n z 17 2 2 2 2 mnoˇenja kao u prvom algoritmu (npr. Nas ´e ovdje zanimati ulaganje novca pa ´emo pretpostaviti da je n c c konaˇan. Dakle.3 z := 1. C := pow(z. Kako n moˇe biti velik. c c c c prvo ´emo odrediti uvjetovanost za Cn (x). z z c s z Sljede´a je mogu´nost iskoristiti identitet z n = en ln(z) . razmnoˇavanju kuni´a u nekoj populaciji ili ˇirenju zaraze s z c s u medicini. Imamo c κ(Cn (x)) = ′ xCn (x) x = Cn (x) 1+ x n = |x| x . Sto je manje mnoˇenja.0 + x/n. z ako postoji. Algoritam 3. a viˇe u bioloˇkim i medicinskim podruˇjima. c Algoritam 3.05. U tablici su prikazani rezultati koje daju sva ˇetiri algoritma za x = 0.

ˇ ˇ ˇ 3. GRESKE U NUMERICKOM RACUNANJU

ˇ GRESKE – 111

dani su izlazni rezultati. 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 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 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, ǫ = 2−24 imamo s z c (1 + ǫ)n ≈ 1 + nǫ = 1.005960464477539. S druge strane, za n = 1000000 imamo z = 1 + 0.05/106 = 1 + 5 × 10−8 , pa je fℓ(z) = 1 ˇto se vidi iz zadnjeg retka tablice. Dakle, do greˇke dolazi jer funkcija s s n pot : z → z nije dobro uvjetovana za veliko n. Provjerimo njezinu uvjetovanost: κ(pot) = |z · nz n−1 | = n. |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 jezika FORTRAN 77 u jednostrukoj preciznosti (u = 2−24 ): 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 n (npr. za n = 106 ili 107 ), 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 mule 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 ,

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 fℓ(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 2 x := x ;

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,
−15

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

ln(10)

< e10

= 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 1 π2 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 , 2 n

pri ˇemu je sn−1 ≈ 1.6. U jednostrukoj preciznosti raˇunalo radi s mantisama od 24 c 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 9 10 ˇlanova dobije se suma 1.66493406 koja je korektna na 8 znaˇajnih znamenaka. c c 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 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

1 − c = 0.0000000001.

.

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 Clanovi ∆a i ∆b su relativne greˇke ili netoˇnosti u podacima, koje, recimo, dolaze s c 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 ≫ y ≈ z > 0, tada je c 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 Sto je korak ili pomak h manji, dobit ´emo toˇniju aproksimaciju za f ′ (x). 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) +

f (x + h) − f (x) h − 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 ex + e−x ch(x) = . 2 ex − e−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 sh(x) = ch(1) = i e2 + 1 ≈ 1.5431 2e e2 − 1 ≈ 1.1752, 2e Derivacija te funkcija je

ch′ (1) = sh(1) =

znamo vrijednosti funkcije i derivacije u toˇki 1. Za h ´emo uzeti padaju´i niz c c c vrijednosti 0.1, 0.01, 0.001, . . . , 10−20 . 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 √ je pribliˇno jednaka ǫM . Apsolutna i relativna greˇka smanjuju se za faktor 10 ˇto z s s 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 pa je izgubljeno 10 decimalnih znamenka, ˇto znaˇi da relativna greˇka aproksimacije s c s −6 ne moˇe biti bitno bolja od 10 . 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 macije za f ′ (x) no ˇto je to koriˇtenjem obiˇne podijeljene razlike. Jedno takvo s s c 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) f (x + h) − f (x) ≈ 1.543080634932764 − 1.543080634815244 = 1.1752 · 10−10 ,

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 pada s faktorom h2 . 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 taj naˇin da konaˇni rezultat bude mnogo toˇniji od medurezultata (tj. veliˇina c 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 −8 −24 −8 nanje za x = 9 · 10 uz u = 2 ≈ 6 · 10 . Toˇan rezultat je (do na broj prikazanih c 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 fℓ ≡ fℓ = 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 fℓ ≡ fℓ = 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 ≫ |4ac| tada je b c s predznaka u formuli (3.4.4) dogada kra´enje. To je opasno kra´enje jer je jedan od c c √ argumenata, fℓ( b2 − 4ac) netoˇan zbog koriˇtenja konaˇne aritmetike, pa kra´enje c s c c √ 2 − 4ac) (takoder i u fℓ(b) ako i on nosi greˇku u odnosu na pojaˇava greˇku u fℓ( b 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) x1 = . (3.4.5) 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)

pri ˇemu se obje formule u (3.4.6) mogu koristiti. Formula c/(a · x1 ) je vrlo toˇna, c c tj. ako se x1 izraˇuna s relativnom greˇkom εx1 , tada se x2 izraˇuna s relativnom c s c 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 se gubi ako je b ≈ 4ac (sluˇaj bliskih korijena) i nikakva algebarska transformacija c 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

. To znaˇi da nije povoljno cijepati sloˇenije formule u viˇe proc z s gramskih linija koriˇtenjem pomo´nih varijabla. Kod s matrica to znaˇi koristiti ortogonalne matrice kad god je to mogu´e. ). broj raˇunskih operacija. Koristite prednosti jednostavnih formula za aˇuriranje tipa z nova vrijednost = stara vrijednost + mala korekcija. 5. s 3. Pokuˇajte izbje´i oduzmanje veliˇina bliskih vrijednosti koje nose greˇke. ali najbolji je savjet spoznaja da je numeriˇka stabilnost vaˇnija od drugih karakteristika alc z goritma. Kratki raˇun bez kra´enja i bez prekoraˇenja granica (underflow i overflow) c c c uvijek mora dati toˇan rezultat (vidjeti [5]). s c c U tijeku raˇunanja uvijek je dobro imati odredeno pra´enje nekih. z c c 4. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 123 3.4. te dobra vektorizacija ili pas c ralelizacija (prilagodljivost algoritma vektorskim ili viˇeprocesorskim raˇunalima). . . veliˇina. Koristite samo dobro uvjetovane transformacije za dobivanje rjeˇenja. z s S vremenom se nakupilo podosta krivih uvjerenja u vezi raˇunanja na raˇuc c nalima. jer neorc c togonalne matrice mogu biti loˇe uvjetovane. Newtonova metoda. c 7. c s 2. Kod nekih raˇunala centralna aritmetiˇka jedinica koristi precizniju aritmetiku c c za operande u registrima. 1. Kra´enje pri oduzimanju je uvijek loˇa stvar. po stabilnost c vaˇnih. 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.ˇ ˇ ˇ 3. iako s c c s je to katkad nemogu´e. Greˇke zaokruˇivanja mogu “nadvladati” rezultat samo ako ih ima veliki broj. Kako dizajnirati stabilne algoritme Nema jednostavnog recepta za dizajniranje stabilnih algoritama. ako se mala korekcija moˇe izraˇunati na dovoljan broj znaˇajnih znamenki z c c (Eulerova metoda. Poduzmite mjere opreza da biste sprijeˇili mogu´a prekoraˇenja granice konac c c ˇne aritmetike (overflow i underflow). c . s c Evo nekih op´ih uputa u redosljedu kako se spominju u [5]: c 1. Nabrojimo neka. s 6. Potraˇite drugaˇije formulacije istog problema ili druge formule za isti raˇun. c 2. kao ˇto su npr. Minimizirajte veliˇinu medurezultata u odnosu na konaˇni rezultat. a zaokruˇivanje nastupa tek kod spremanja podatka z u memoriju.7. To je c c vaˇno da konaˇni rezultat ne bi bio dobiven opasnim oduzimanjem velikih z c vrijednosti koje nose u sebi greˇke. s z 3.

pretpostavka je da ´emo koristiti dvostruz s c c ku preciznost (IEEE dvostruki format). greˇke se ne mogu pokratiti.5. 3. Ovdje je tipiˇni primjer metoda inverznih iteracija za raˇunanje vlastitih c c vektora matrice (vidjeti [9.2) To znaˇi. ako radimo u jednostrukoj preciznosti i koristimo bilo koji naˇin zaokruˇic c z vanja. Pove´anje preciznosti aritmetike koja se koristi uvijek pove´ava toˇnost rezulc c c tata (vidjeti [5]). broja sumanada u konaˇnoj sumi. n s c z 14 najviˇe moˇe biti 1. (3. Ako ˇelimo joˇ ve´i n. tada u skup P moˇemo ubaciti i neke negativne potencije od c z −12 10 (npr.ˇ ˇ ˇ 3. ali ne i pomo´i u uspjehu raˇunas z s c c nja. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 124 4. Konaˇno. 10 ). Greˇke zaokruˇivanja mogu samo pogorˇati. stupnja polinoma. . a ako joˇ koristimo standardni naˇin zaokruˇivanja. 2−53 .5. Osnove analize greˇaka zaokruˇivanja s z U ovom dijelu. za n dozvoljavamo gornju c granicu 246 ≈ 7. tada c c ´emo pretpostaviti da vrijedi c u∈P =⇒ nu ≤ 2−6 . ili broja faktora u konaˇnom produktu i sl. 2−63 }. tj. mo´an alat za analiziranje pa zato i dizajs c niranje numeriˇkih algoritama. s 6. Ako koristimo standardni naˇin zaokruˇivanja do najbliˇeg. 2−24 . pozabavit ´emo se osnovnim alatom za analiziranje stabilnosti c numeriˇkih algoritama.. Izlazni rezultat kod nekog algoritma ne moˇe biti toˇniji od bilo kojeg medurez c zultata. Analiza greˇaka zaokruˇivanja je zajedno sa perturbacijc s z skom analizom problema koji se rjeˇava. moramo osigurati s z z s c koriˇtenje raˇunanja u proˇirenoj toˇnosti. Sljede´a “tehniˇka” lema ˇesto ´e se koristiti u ocjenjivanju greˇaka zaokruˇivac c c c s z nja. dozvoljavamo c z z n ≤ 262144.037 · 1013 . ako u razmatranje ˇelimo s c s c c z ukljuˇiti i kalkulatore. maksimalna vrijednost od n ´e biti c 217 = 131072. U tom sluˇaju. (3.40737488355328 · 10 . 5.1) Ako je n cijeli broj koji ima ulogu dimenzije vektora ili matrice. 2−52 . 5]). jer kalkulatori koriste decimalnu aritmetiku.5. c Oznaˇimpo sa P skup negativnih potencija broja 2 koje ulaze u definiciju prec ciznosti aritmetike raˇunala po IEEE standardu: c P = {2−23 . Ako ˇelimo raditi s joˇ ve´im dimenzijama.

500000015 |ε| ≤ 0. |ε2| ≤ 2. (i) Zbog (1 + ε)2 = 1 + ε(2 + ε) je |ε2 | = |2 + ε| · |ε| ≤ (2 + 2−23 )u ≤ 2.00000012u. |ε′1| ≤ 1. (ii) Sliˇno. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 125 Lema 3.00000012u.5.00000035762793. imamo 1 1 |ε| ≤ =1+ ≤ 1 + (1 − 2−23 )−1 u ≤ 1.2). (iii) Zbog |ε| < 1. 2 + 3|ε| + 4|ε|2 + 5|ε|3 + · · · ≤ 2. |ε√ | ≤ 0.1 Neka u ∈ P i n zadovoljavaju uvjet (3. (v) Razvoj binoma na n-tu potenciju daje |εn | = n ε 1 + n−1 (n − 1)(n − 2) 2 1 ε+ ε + · · · + εn−2 + εn−1 2 2·3 n −6 2 3 2 n−2 n−2 n−2 ≤ nu 1 + 1+ u+ u + u +··· 2 3 3 3 2−7 2−7 385 ≤ nu 1 + ≤ nu 1 + = nu ≤ 1. (iii) (1 + ε)−1 = 1 + ε′1 . odmah slijedi Joˇ treba iskoristiti da je s (1 + ε)−2 = 1 + ε(2 + 3ε + 4ε2 + · · ·).500000015 u. Ako je |ε| ≤ u.008nu. (1 + ε)3 = 1 + ε(3 + 3ε + ε2 ). tada vrijedi (ii) (1 + ε)3 = 1 + ε3 .ˇ ˇ ˇ 3. Dokaz.00000012u. (vi) (1 + ε)−n = 1 + ε′n .008nu.00000036u. |ε′n | ≤ 1.00000012u. (i) (1 + ε)2 = 1 + ε2 . 1 (iv) (1 + ε)−2 = 1 + ε′2 . (n−2)u 2−6 382 1− 3 1− 3 . |εn | ≤ 1.5.00000036u. |ε′2| ≤ 2. (vii) (1 + ε) 2 = 1 + ε√ . 1+ε 1 − |ε| 1 − |ε| (iv) Koriˇtenjem Taylorovog razvoja s (1 + t)−2 = 1 + 2t + 3t2 + · · · ktk−1 + · · · . pa je c |ε3 | ≤ (3 + 3 · 2−23 + 2−46 )u ≤ 3. (v) (1 + ε)n = 1 + εn .00000036u.008nu. |ε3| ≤ 3.

Kako je α 1+ dokaz je gotov.00000012. ≤ 0.1 zavrˇen. imamo |ε′n | = n ε′ 1 + n − 1 ′ (n − 1)(n − 2) ′ 2 1 n−1 n−2 ε + ε + · · · + ε′ + ε′ 2 2·3 n 2 n−2 n−2 2−6 α 1+ αu + αu + · · · ≤ nαu 1 + 2 3 3 −7 2 α ≤ nαu 1 + . Time je dokaz lemme 3. rijeˇimo sljede´i problem. (1 + ε)−n = (1 + ε′ )n = 1 + ε′n . tako da vrijedi x = fℓ(x) c i y = fℓ(y). s 1 − |η| + 1 Za prvi dojam o korisnosti leme 3. |y|} ≥ Nmin . pretpostavimo prvo da je s fℓ(x2 ) + fℓ(y 2 ) < Nmax i min{|x|. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 126 (vi) Dokaz je posve analogan prethodnom. .1. tada je η√ = pa je |η√ | ≤ |η| ≤√ |η| |η| ≤√ 1−u+1 1 − 2−23 + 1 (3. s c Primjer 3.5. zbog (iii).5. Kako je.3) 1+η−1= √ η .500000015u. (vii) Ako su η i η√ povezani relacijom 1 + η = 1 + η√ . 1 − (n−2) αu 3 2−7 α −6 1− 2 3α gdje je α = 1.007854.5.500000015|η| ≤ 0.ˇ ˇ ˇ 3.5. S √ kolikom relativnom greˇkom ´e raˇunalo koje koristi IEEE standard s c c 2 + y2? izraˇunati z = x c Da bismo rijeˇili problem. 1+η+1 < 1.1 Neka su x i y reprezentabilni u raˇunalu.

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

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

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. dobitak je c u proˇirenju domene funkcije koja paru reprezentabilnih brojeva (x. Ako samo x2 (y 2 ) potkoraˇuje u nulu ili subnormalni broj. ako z postaje nula.0000012u. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 129 2 a kako je w2 = w1 .3). rezultat ´e imati c c 1 + η3 (1 − ε4 ). dobivamo i rezuls s tat koji je generalno neˇto netoˇniji (iako se joˇ uvijek radi o greˇci u zadnjoj sis c s s gurnoj decimali kad se egzaktni rezultat smjesti u raˇunalo). 1 + 1 − 4. w2 η2 (1 + ε3 ). pa je |η5 | ≤ |η4 | + |ε5 | + |η4 ε5 | ≤ 4. daje |η3 | = Piˇu´i s c z4 = √ z3 (1 + ε4 ) = w3 (1 + η3 )(1 + ε4 ) = w4 1 + η3 (1 + ε4 ).ˇ ˇ ˇ 3.00000036u.5.00000036(1 + u)]u ≤ 4. Sljede´a jednadˇba c z z3 = (1 + z2 )(1 + ε3 ) = [1 + w2 (1 + η2 )](1 + ε3 ) = (1 + w2 ) 1 + zbog w2 ≥ 0. Medutim. ili ako x2 + y 2 padne u podruˇje subnormalnih c c brojeva.000000837u.00000072u √ ≤ 1+ (1 + u) − 1 ≤ 3. 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. koja zahtijeva viˇe instrukcija. To je dosta vaˇno kako bi se izbjeglo prekoraˇenje i prekid rada z c raˇunala ili mogu´a relativna netoˇnost ako je rezultat mali broj. .0000012u. 1 + w2 i koriste´i relaciju (3. w2 w2 η2 + ε3 + η2 ε3 ≤ |ε3 | + |η2 | + |ε3η2 | 1 + w2 1 + w2 ≤ [1 + 3.00000072 · 2−23 Konaˇno. Koriˇtenjem sofisticiranije formule. dobivamo c 1 + η4 = pa je |η4 | ≤ | 1 + η3 (1 + ε4 ) − 1| 4. c 1 + η5 = (1 + η4 )(1 + ε5 ). y) pridruˇuje z √s fℓ( x2 + y 2).

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. uz skretnicu koja u sluˇaju izuzetne situacije vodi kontrolu na kompliciraniji c algoritam. Sto c c Ako je |µ| ≥ Nmin . direktna formula ne´e dati c c c ˇ ´e dati druga kompliciranija formula? toˇan rezultat. da je i |εx εy | manje od u i taj ˇlan moˇemo zanemariti. prije s c uˇitavanja. s c Ako je pak µ subnormalan broj. takoder.1. 3. Nakon c raˇunanja. kad prijeti potkoraˇenje ili postupno potkoraˇenje. tada ´e se fℓ(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. subnormalna i kod smjeˇtanja brojeva u raˇunalo doˇlo je do gubljenja relativne toˇnosti. s Ako je signaliziranje implementirano. Zakljuˇujemo da se relativna c z c greˇka kod mnoˇenja propagira tako da se zbroju relativnih greˇaka faktora s z s .ˇ ˇ ˇ 3. respektivno. Ako izraˇunati fℓ(x2 + y 2 ) padne u s c c podruˇje subnormalnih brojeva. Pretpostavit ´emo da su c s c x = x(1 + εx ) i y = y(1 + εy ) ˆ ˆ podaci spremljeni u raˇunalo. Vadenje korijena ´e tu greˇku pribliˇno prepoloviti. Tada ´e i s c s c c egzaktni kvocijent ν/µ i izraˇunati kvocijent fℓ(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 −1.5. ali ´e ona i dalje ostati s c s z c velika. ne ve´u od nekoliko u. Oni aproksimiraju toˇne podatke x i y s relativnim c c greˇkama εx i εy . Propagiranje greˇaka zaokruˇivanja s z Promotrimo prvo kako jedna raˇunska operacija na raˇunalu pove´ava posc c c toje´e greˇke u podacima. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 130 malu relativnu greˇku. skaliraju potencijom od 2 tako da µ ne bude subnormalni broj. Ako su |εx | i |εy | tako mali. z treba skalirati inverznom (negativnom) potencijom broja 2. c c s Dakle. s Za operaciju mnoˇenja vrijedi z fℓ(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). 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. Jedini lijek je da se ulazni podaci x i y. tada su oba polazna broja. tada ´e fℓ(x2 + y 2 ) moˇda nositi veliku relativnu c c z greˇku.

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

4). potreban je ogroman broj operacija tih vrsta da bi greˇka u “zadnjem s medurezultatu” bitnije narasla. c c c c . Ako je npr.5.5.4) koja pokazuje da se εx mnoˇi s |x|/(|x| + |y|) c z dok se εy mnoˇi s |y|/(|x| + |y|).ˇ ˇ ˇ 3. tada ´e |εs | biti z c blizu manje greˇke |εx |. Stoga je |εs | ≤ max{|εx + ε± + εx ε± |. |εy |}) ≈ max{|εx |. onda ne´e do´i do opasnog kra´enja. (3. s Kod svih dosadaˇnjih sluˇajeva relativna greˇka u rezultatu nije bitno ve´a s c s c od relativnih greˇaka u polaznim podacima. |εy |} + u. |x| − |y| |x| − |y| |x| ≈ |y| |x| |y| (εx + ε± + εx ε± ) − (εy + ε± + εy ε± ). imat ´emo c εs = Ako je greˇke εx + ε± + εx ε± i εy + ε± + εy ε± mnoˇit ´e se s potencijalno vrlo velikim s z c brojevima |x| |y| b1 = odnosno b2 = − .5. koji ´e vrijediti ako je c ±=+ i ±=− i Umjesto relacije (3. s c x ± y = sign(x)(|x| − |y|). |εy + ε± + εy ε± |} ≤ max{|εx |. |x| ≫ |y| i |εx | ≪ |εy |.5. 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. ili ako je Taj fenomen smo ve´ upoznali kao opasno/katastrofalno “kra´enje”.4) konveksna suma realnih brojeva εx + ε± + εx ε± i εy + ε± + εy ε± . |x| − |y| |x| − |y| (3. pa je εs izmedu tih brojeva.5. sign(x) = sign(y). Ako polazimo od toˇnih polaznih s c podataka. |εy |} + |ε± |(1 + max{|εx |.6) sign(x) = − sign(y). Medutim joˇ nismo razmatrali preostali sluˇaj. Finije razs c s matranje koristit ´e relaciju (3. Ako su b1 i b2 c c brojevi reda veliˇine jedan.5) pa na relativnu greˇku rezultata utjeˇu obje “donesene” greˇke εx i εy .

1 ≤ i ≤ n i neka je | fℓ(x1 · x2 · · · xi )| ≤ Nmax . pa moˇemo tek birati izmedu algoriatma koji ´e dati katastrofalno kra´enje z c c u jednoj ili nekoliko operacija. nakon kra´enja pomo´nih z c c c c varijabli.7) 1 ≤ i ≤ n. Mnoˇe´i lijeve i desne strane svih jednakosti. Definiramo li 1 + ε = (1 + ε2 )(1 + ε3 ) · · · (1 + εn ). te zbrajanja c z c z sumanada istog predznaka “dobre” operacije koje ne´e bitnije pogorˇati relativnu c s pogreˇku operanada.008(n − 1)u. dok za operaciju oduzimanja brojeva istog predznaka to vrijedi s tek ako nije doˇlo do kra´enja.ˇ ˇ ˇ 3. .5. dobivamo (1 − |ε2 |)(1 − |ε3 |) · · · (1 − |εn |) − 1 ≤ ε ≤ (1 + |ε2|)(1 + |ε3 |) · · · (1 + |εn |) − 1.2 Neka je xi = fℓ(xi ). Dokaz.2. tada vrijedi pravilo: ˇto s c s c s jaˇe kra´enje u operandima. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 133 U zakljuˇku moˇemo re´i da su operacije mnoˇenja i dijeljenja. zn = x1 · · · xn (1 + ε2 )(1 + ε3 ) · · · (1 + εn ). z s imat ´emo c z1 = x1 z2 = fℓ(z1 · x2 ) = (z1 · x2 )(1 + ε2 ) z3 = fℓ(z2 · x3 ) = (z2 · x3 )(1 + ε3 ) .3. |ε| ≤ 1. c 3. sljede´i iteracije algoritma za mnoc c ˇenje brojeva x1 x2 · · · xn u redoslijedu kako je napisano. c kratiti medurezultate kroz mnogo aditivnih operacija. . (3.5. Ako je doˇlo do kra´enja.5. Ako definiramo pomo´ne varijable zi . Promotrimo sada akumulaciju greˇaka kod raˇunanja produkta i sume n s c brojeva. jedva primjetno. . ili algoritama koji ´e postupno. . kao i kod osnovnih vektorskih i matriˇnih operacija. dobit ´emo. c c c s Koji puta je kra´enje neizbjeˇno zbog naravi problema (loˇe uvjetovani proc z s blemi). . koriˇtenjem relacije (3.4). Tada je fℓ(x1 · · · xn ) = (x1 · · · xn )(1 + ε). . to je ve´a relativna greˇka u rezultatu. Stabilnost produkta od n brojeva Za produkt brojeva vrijedi Lema 3. zn−1 = fℓ(zn−2 xn−1 ) = (zn−2 xn−1 )(1 + εn−1) zn = fℓ(zn−1 xn ) = (zn−1 xn )(1 + εn ).

Zadnja nejednakost slijedi iz leme 3. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 134 Kako je 1 − (1 − |ε2|)(1 − |ε3|) · · · (1 − |εn |) ≤ (1 + |ε2 |)(1 + |ε3|) · · · (1 + |εn |) − 1. Ako interpretiramo faktore xi (1 + εi ) kao malo perturbirane polazne podatke xi . (3.5.5. c c c a zatim ih egzaktno pomnoˇimo! z Iz relacije (3. greˇke εi s c z z s iz dokaza ´e biti i pozitivne i negativne. 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.7) slijedi ε = (1 + ε2 )(1 + ε3 ) · · · (1 + εn ) − 1 = ε2 + ε3 + · · · + εn + = ε2 + ε3 + · · · + εn + O(u ). Ako se koristi naˇin zaokruˇivanja prema najbliˇem. pa se iskaz leme joˇ zapisuje u obliku s fℓ(x1 · · · xn ) = (x1 · · · xn )(1 + ε). 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). Medutim. Npr. umnoˇak milijun brojeva raˇunan u dvostrukoj toˇnosti.5. |ε| ≤ (n − 1)u + O(u2 ). 2 ≤ i ≤ n. Formalno.5. Izraˇunati z s c produkt je jednako toˇan kao kad polazne brojeve koji nisu BPZ uˇitamo u raˇunalo.ˇ ˇ ˇ 3. pa ´e ukupna greˇka c c s (1 + ε2 )(1 + ε3 ) · · · (1 + εn ) − 1 ≈ ε2 + ε3 + · · · + εn biti joˇ manja. imat s z c c ´e barem 10 toˇnih znaˇajnih znamenaka. Iz dokaza leme vidimo da rezultat moˇemo zapisati u z obliku fℓ(x1 · · · xn ) = x1 [x2 (1 + ε2 )][x3 (1 + ε3 )] · · · [xn (1 + εn )]. ako se taj rezultat koristi kao dio analize nekog sloˇenijeg izraza ili c z . zakljuˇujemo da je c |ε| ≤ (1 + u)n−1 − 1 ≤ 1. lema 3.2 pokazuje da je svaki algoritam koji uzastopce mnoˇi z brojeve stabilan unaprijed. vidimo da je algoritam mnoˇenja n brojeva savrˇeno stabilan unazad. za pomo´ne varijable vrijedi zk ≤ Nmax ). c Ovaj rezultat pokazuje da mnoˇenje viˇe faktora sporo akumulira relativnu z s greˇku u rezultatu.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 ˇlan u.008(n − 1)u. |εi| ≤ u.1(v) uzimanjem ε = u.

nu . Pokaˇimo da tvrdnja leme vrijedi za n + 1. ako u nejednakosti postoji ˇlan oblika c O(u2 ). postoje dvije neugodnosti. Za ocjenjivanje izraza koji sadrˇe samo mnoˇenja i dijeljenja moˇemo koristiti sljede´u lemu. 1−u Ako je p1 = −1. To znaˇi da je nu < 1. pa je svrha analize naruˇena. Dokaz se provodi indukcijom po n.5.5. c pa je 1 + δi > 0 za sve 1 ≤ i ≤ n.3 Neka je u > 0 realni broj i n cijeli pozitivni broj takav da vrijedi nu < 1. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 135 algoritma.5.8) uglavnom koristi kod jednostavnijih izraza u svrhu dobivanja ˇto povoljnije konstante uz u.5. dobivamo |θ1 | = ˇime je lema dokazana za n = 1. . δi realni brojevi. Prvo. z c s Stoga se oblik (3. Prema tome. 1 + δ1 1−u . onda je θ1 = δ1 . Drugo. Iz pretpostavke z (n + 1)u < 1 |δ1 | u ≤ .5. s c c c ako se u kasnijoj analizi ˇlan O(u2 ) mnoˇi s potencijalno velikim brojevima.10). 1}. produkt na lijevoj strani relacije (3. i pi ∈ {−1. onda vrijedi n (1 + δi )pi = 1 + θn . n.9) i=1 uz ocjenu |θn | ≤ γn := (3. . Za n = 1 vrijedi u < 1. c Pretpostavimo da tvrdnja leme vrijedi za neko n ≥ 1. pa je θn dobro definiran i zadovoljava ocjenu (3. z z z c Lema 3.7) javlja se produkt faktora koji su oblika 1+εk . . Ako je p1 = 1.9) je pozitivan.5. 1 − nu (3. viˇe c z s nismo sigurni je li postao O(u) ili moˇda ˇak O(1).10) Dokaz.ˇ ˇ ˇ 3. Ako su svi |δi | ≤ u. pa je u |θ1 | ≤ u ≤ . . 1 + θ1 = 1 + δ1 pa je 1 δ1 θ1 = −1=− . Neka su za i = 1. 1 + δ1 1 + δ1 S obzirom da je 1 + δ1 ≥ 1 − u > 0.5. onda je 1 . viˇe nemamo ˇistu ocjenu ve´ tek ocjenu “do na veliˇinu reda u2 ”. s Jedan koristan pomo´ni rezultat c U formuli (3.

5. Takoder.11) (i) Dokaˇite nejednakost (3. 1 ≤ i ≤ n + 1 slijedi nu < 1 i |δi | ≤ u.11).5. 1 + δn+1 1 + δn+1 |θn | + |δn+1 | . Za pn+1 = 1 dobivamo pa je |θn+1 | ≤ Za pn+1 = −1 dobivamo nu nu2 (n + 1)u (n + 1)u +u+ = < .008? Nakon analize stabilnosti produkta brojeva. n ≥ 1 imaju vrlo praktiˇno svojstvo.ˇ ˇ ˇ 3.3 na relaciju (3. lako slijedi nu +u (n + 1)u − nu2 (n + 1)u |θn+1 | ≤ 1 − nu = < .5. (3. 1 + δn+1 θn+1 = pa je |θn+1 | ≤ Kako je 1 + δn+1 ≥ 1 − u > 0.1 γm + γn + γm γn ≤ γm+n . Je li dobivena konstanta uz u ve´a c ili manja od 1. z (ii) Primijenite lemu 3.5.5. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 136 i |δi | ≤ u. 2 1−u 1 − (n + 1)u + nu 1 − (n + 1)u Time je dokaz indukcijom zavrˇen. 1 − nu 1 − nu 1 − nu 1 − (n + 1)u θn − δn+1 1 + θn −1= . pa je 1 + θn+1 = n i=1 (1 + δi )pi · (1 + δn+1 )pn+1 = (1 + θn )(1 + δn+1 )pn+1 . pa moˇemo koristiti z relaciju (3. 1 ≤ i ≤ n. θn+1 = θn + δn+1 + θn δn+1 .5. prouˇimo stabilnost sume brojeva. s Brojevi γn .7). c .5. c Zadatak 3.9) i ocjenu (3. broj θn+1 je dobro definiran relacijom n+1 1 + θn+1 = i=1 (1 + δi )pi .10).

ˆ (3.5. (n − i + 1)u. prema relaciji (3. (3. c s3 = fℓ(ˆ2 + x3 ) = (ˆ2 + x3 )(1 + ε2 ) ˆ s s = x1 (1 + ε1 )(1 + ε2 ) + x2 (1 + ε1 )(1 + ε2 ) + x3 (1 + ε2 ).5. 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 . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 137 3. vrijedi c ˆ c s2 = fℓ(x1 + x2 ) = (x1 + x2 )(1 + ε1 ) = x1 (1 + ε1 ) + x2 (1 + ε1 ). Oznaˇimo s si izraˇunatu vrijednost si .5.13) . c z c s s c |ηi | ≤ 1. Stabilnost sume sn = x1 + x2 + · · · + xn . gdje su svi |εi| ≤ u. .1(v). i = 1.5.3.12) |ε1 | ≤ u. dobivamo c c sn = fℓ(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 ).5. pri ˇemu ηi moˇemo ocijeniti pomo´u leme 3. Nastavljaju´i na taj naˇin. Tada prethodnu relaciju moˇemo zapisati u obliku z sn = x1 (1 + η1 ) + x2 (1 + η2 ) + · · · + xn (1 + ηn ).008 · (n − 1)u. kao i prije. Suma sn c moˇe se raˇunati na razne naˇine. 1 + ηn−1 = (1 + εn−2 )(1 + εn−1 ) 1 + ηn = 1 + εn−1. . Neka je pri ˇemu za brojeve xi vrijedi. 1 ≤ i ≤ n. for i := 2 to n do si := si−1 + xi .3.3 ili joˇ oˇtrije pomo´u leme 3. 2 ≤ i ≤ n.ˇ ˇ ˇ 3.4). Tada. ˆ Sliˇno. xi = fℓ(xi ).

14) daje oˇtru ocjenu jer se jednakost dostiˇe npr. z s a sn ne ovisi o redoslijedu sumiranja).5. j2 . 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 . Stoga s s je cond(sn ) broj uvjetovanosti za sn i on.5. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 138 Relacije (3. jn z za koji je |xj1 η1 + xj2 η2 + · · · + xjn ηn | . s povezuje greˇku unaprijed s greˇkom unazad.008(n − 1)u. Stoga je relativna greˇka od sn kao aproksimacije za sn . |sn | gdje je cond(sn ) = (3.15) |x1 | + |x2 | + · · · + |xn | . stabilan unaprijed? Da bismo odgovorili na to pitanje oduzmimo od sn egzaktnu sumu sn .5. kao ˇto znamo iz odjeljka o uvjetovanosti. ˆ sn − sn = x1 η1 + x2 η2 + · · · + xn ηn ˆ i ocjenjujemo apsolutnu vrijednost razlike |ˆn − sn | ≤ |x1 | |η1| + |x2 | |η2| + · · · + |xn | |ηn | s ≤ max{|ηi|}(|x1 | + |x2 | + · · · + |xn |) i (3.5. . Je li algoritam.12) s tim da z c umjesto x1 i x2 stoje oni sumandi koji se prvi zbrajaju. Kako cond(sn ) moˇe biti proizvoljno s s z velik (uzmimo npr. traˇimo redoslijed indeksa j1 . s z za pozitivne xi i η1 = η2 = · · · = ηn . c Umjesto da sumiranje vrˇimo redom od x1 do xn . c Katkad su svi ˇlanovi sume istog predznaka i pritom joˇ uredeni u monotoni c s niz. −1 i t. ako svi xi imaju isti predznak. pa je i greˇka unaprijed mala. .5. Ocjene ´e nakon odgovaraju´e analize greˇaka c c s zaokruˇivanja biti posve analogne.14) ≤ (|x1 | + |x2 | + · · · + |xn |) · 1. Pritom ´e vrijediti relacija (3.008(n − 1)u. ocijenjena s s ˆ |ˆn − sn | s ≤ cond(sn )1. algoritam nije op´enito c stabilan unaprijed. a to znaˇi da je algoritam stabilan unaprijed.ˇ ˇ ˇ 3.5. . Dakle.13) pokazuju da je rekurzivni algoritam za sumiranje brojeva povratno stabilan.15) pokazuje kako se ponaˇa s relativna greˇka funkcije sn pri relativnim greˇkama njenih argumenata xi . moˇemo koristiti bilo koji s z (sekvencijalni) redoslijed sumiranja. . s c Isti zakljuˇak vrijedi kadgod cond(sn ) nije veliki broj. onda vidimo da formula (3. onda je cond(sn ) = 1. takoder. Nejednakost (3. umjesto x3 onaj sumand koi se sljede´i dodaje sumi itd.5.5. brojeve 1. pa pustite da t → 0). Ipak.16) |x1 + x2 + · · · + xn | Ako na trenutak pretpostavimo da je ηi xi proizvoljna perturbacija od xi za svako i.12) i (3. (3. Ocjene za relativnu greˇku svakog perturbiranog polaznog s podatka xi (1 + ηi ) su manje od nu.

. treba izabrati onu koja daje ˇto manje apsolutne vrijednosti s medurezultata. Pokuˇajte napisati algoritam s za op´i sluˇaj kad n nije potencija od 2. Koliko prolaza ima glavna petlja kad je n c c jednako 8. .. 1 ≤ i ≤ [n/2].2 Ako je n = 2k . 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. c c Kaskadno sumiranje najmanje. wm2 = zm1 −1 + zm1 . . . . Ako je n = 2 . j2 . jn daje najbolju ocjenu za |xj1 η1 + · · · + xjn ηn |? Tako dolazimo do jednostavnog pravila. w1 = z1 + z2 ..3 Prije primjene zadnjeg algoritma moˇemo sortirati elemente niza z (xi ).. k ≥ 2 algoritam ima k glavnih koraka.008ku. 11.12). Problem je teˇak jer greˇke εk koje definiraju svaki ηi mogu biti i pozitivne z s i negativne. zm1 = xn−1 + xn . 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. 10. c Kod odabiranja sumacijske metode s ciljem dobivanja ˇto toˇnije s c sume sn . Koju strategiju biste izabrali? Npr. . 9.. dokaˇite da svaki xi sudjeluje u toˇno k zbrajanja. w2 = z3 + z4 . |xn | monoton. Zadatak 3. . sumiramo u smjeru od apsolutno najmanjeg do apsolutno najve´eg ˇlana. y1 = xmin + xmax . z2 = x3 + x4 . . 12. U prvom zbrajamo u parovima zi = x2i−1 + x2i .5.5.12) svaki |ηi | omeden sa 1. . z1 = x1 + x2 . 15? Generalizirajte zaljuˇak za n izmedu 2k i 2k+1 . U drugom ponavljamo istu operaciju nad z1 . ali na raˇunalu traˇi cijelo polje dodatnih lokacija u s c z memoriji. . c c c pa se u k-tom koraku oni zbroje daju´i sn .. m2 = m1 /2 = 2k−2 . a pribliˇno tolika ´e biti i z z c k ograda za svaki |ηi | iz relacije (3. 13.. 16. c Zadatak 3. pa |η1 | moˇe biti manji od bilo kojeg ηj . 14.ˇ ˇ ˇ 3. Stoga moramo zaz htjev malo oslabiti pitanjem koji redoslijed indeksa j1 . Zovemo ga sumiranje po parovima ili kaskadno sumiranje. |x2 |. Algoritam ima pribliˇno log2 (n) glavnih koraka. nakon k − 1 glavnih koraka imamo 2(k−(k−1)) = 2 ˇlana. Osim danog jednostavnog algoritma za sumiranje. spomenimo joˇ jedan koji s daje najmanju ocjenu greˇke. zm1 . Nastavljaju´i na taj naˇin. .5. 3 ≤ j ≤ n. m1 = n/2 = 2k−1. .5. z c pa je u relaciji (3. . . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 139 Ako je niz |x1 |.

Zatim se mantise zbroje. koja koristi izduˇene pravokutnike za prikaz manc z tise. dvostruku preciznost podataka i aritmetike). mogao bi zahtijevati daleko ve´i broj dohva´anja c c ˇlanova niza xi nego standardni algoritam. nego kod standardnog algoritma? Kod ve´ine aplikacija ne. Neka je s = fℓ(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. zaokruˇe na t bitova (koliko mantisa z dopuˇta). i kako dalje? Napomena 3.ˇ ˇ ˇ 3. s 3. Usprkos mnogo ve´im ogradama stvarne greˇke ηi kod stanc c s dardnog algoritma su bitno manje. Prije zbrajanja operanada moderna raˇunala zahvate cijeli blok poc dataka (onih u uzastopnim ´elijama) oko teku´ih operanada u brzu cache memoc c riju. ˇto je mnogo povoljnije od (n − 1)u). ˆ Promotrimo sljede´u ilustraciju. mantisa se normalizira. ili y1 = xmin1 + xmin2 . a ako je pritom doˇlo do prekoraˇenja vrijednosti. c Isplati li se investirati dodatnu memoriju i raˇunsko vrijeme da bismo imali c osigurane bitno manje ograde za svaki ηi . gdje su xmin1 i xmin2 dva najmanja broja. Malo viˇe svjetla na tu zagonetku baca i statistiˇka analiza osnovnih greˇaka s c s zaokruˇivanja za sumu ε1 + · · · + εn . s s c a eksponent podesi. .5. Ako se binarni algoritam ne programira vrlo precizno. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 140 i kako dalje. Ako je elemenata xi previˇe da bi svi stali u brzu memoriju. s s z Neka su a = fℓ(a) i b = fℓ(b) takvi da je |a| ≥ |b|. pokazuje da je oˇekivana vrijednost za njihovu sumu omedena s nu c ˇto je daleko povoljnije od teoretske granice nu (npr. oˇekivana vrijednost za η1 je s √ c oko n − 1u. Ne radi se o ve´em broju zbrajanja. uz jasno poznavanje kako koristi brzu memoriju. Radi se c o rekurzivnom algoritmu s korektivnim sumandom koji je tako odreden da gotovo poniˇti greˇke zaokruˇivanja. Analiza koja pretpostavlja da su osnovne z greˇke nezavisne sluˇajne varijable s oˇekivanjem nula i konaˇnom standardnom s c c c √ devijacijom.4. Kompenzirano sumiranje Kompenzirano sumiranje je posebno atraktivno ako ve´ koristimo najprecizniju c aritmetiku u raˇunalu (npr.1 Prednost standardnog algoritma prema “binarnom” je i u kra´em trajanju na raˇunalu. nego o naˇinu c c c c dohva´anje elemenata polja u raˇunalo kod izvodenja aritmetiˇkih operacija s elec c c mentima polja. dohva´aju se po s c blokovima.5.

ˆ ako se izraˇuna na raˇunalu u redoslijedu naznaˇenom zagradama c c c e = (((a ⊕ b) ⊖ a) ⊖ b). s := 0. e := 0.5.1 Izvlaˇenje greˇke zaokruˇivanja c s z Iz slike 3. z := xi + e. Gotovo uvijek je parcijalna suma po modulu ve´a od elementa koji joj se c dodaje. for i := 1 to n do begin temp := s. ˆ dobra aproksimacija greˇke (a + b) − s. za standardni naˇin zaokruˇivanja s ˆ c z u IEEE aritmetici moˇe se pokazati da je z a + b = s + e. c Evo algoritma. s := temp + z.5. 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. ˆ ˆ pa e reprezentira pravu greˇku. z c s e = −[((a + b) − a) − b] = (a − s) + b. moˇe mijenjati element xi . ˆ s Sljede´i Kahanov algoritam koristi korekciju e u svakom koraku standardnog c rekurzivnog sumacijskog algoritma. koja se u sljede´em koraku dodaje ˇlanu xi prije c c c njegova dodavanja parcijalnoj sumi si−1 . Nakon ˇto je izraˇunata parcijalna suma si−1 .ˇ ˇ ˇ 3. e := (temp − s) + z end {vaˇan je redoslijed izvrˇavanja} z s . s c odmah se raˇuna njena korekcija. Zapravo.1 moˇemo zakljuˇiti da je greˇka e. koja je mala. ali ne moˇe mijenjati z z si−1 koja je ve´ najbolja strojna aproksimacija od si−2 + xi−1 . pa korekcija e.

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

S obzirom da je za taj sluˇaj broj uvjetovanosti 1. . z x + δx = [x1 (1 + η1 ). 1 n 1 n pa se jednostavno dobije fℓ( x ) = x (1 + ε · ). takoder. . pa je sn = x1 y1 (1 + η1 ) + x2 y2 (1 + η2 ) + · · · + xn yn (1 + ηn ).18) Relacija (3. |ˆn − sn | s |x1 y1 | + |x2 y2 | + · · · + |xn yn | ≤ max{|ηi |} i |sn | |x1 y1 + x2 y2 + · · · + xn yn | ≤ cond(sn )1. . . ˆ nu. koristimo analogne ocjene kao u relaciji s (3. .5. Zakljuˇak je isti kao i kod sumiranja: greˇka c s unaprijed moˇe biti velika. .1(v) c z c s s c |ηi | ≤ 1.17) pri ˇemu ηi moˇemo ocijeniti pomo´u leme 3.5. pa algoritam nije stabilan unaprijed. xn 1 + ηn ] i y + δy = [y1 1 + η1 .5.14).008nu. i = 1. . ili joˇ oˇtrije pomo´u leme 3. . Kao perturbirane vektore moˇemo uzeti npr.504n)u |ε| ≤ 1.19) Vidimo da broj uvjetovanosti cond(sn ) za skalarni produkt moˇe biti po volji velik. . . (n − i + 2)u.3.5. c x = zasluˇuje razmatranje. (3. x i y + δy = [y1 (1 + η1 ). Da bismo dobili ocjenu za greˇku unaprijed. x2 + · · · + x2 1 n ˇto je manje od 0. Raˇunanje 2-norme. 2 ≤ i ≤ n. xn (1 + ηn )] i y.008nu.5. .008nu(1 + u) − 1 ≤ (1 + 0. . Algoritam je povratno stabilan. z T T To se dogada kad je |x y| ≪ |x| |y|.5. yn (1 + ηn )]. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 143 gdje je |δ1 | ≤ u. (3.5. vrijedi z c fℓ(x2 + · · · + x2 ) = (x2 + · · · + x2 )(1 + ε). yn 1 + ηn ]. raˇunanje norme je stabilno (uns c aprijed i unazad). . . s z Izraˇunati skalarni produkt fℓ(xT y) je egzaktan skalarni produkt mac lo perturbiranih vektora x i y. . ali i x + δx = [x1 1 + η1 . |ε · | ≤ √ 1 + 1. . Dakle. Ipak on je stabilan z unaprijed kad su svi produkti xi yi istog predznaka (tada je cond(sn ) = 1).504(n + 1)u za n ≥ 2.008 · (3.17) je rezultat analize povratne greˇke koji se moˇe ovako interpretirati.ˇ ˇ ˇ 3. .

j. ˆ |A − A| ≤ u|A|. ˆ za sve i. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 144 Zadatak 3.4 Je li raˇunanje ostalih normi. . E = [ εij ] . pa je c aij = fℓ(aij ) = aij (1 + εij ). stabilno? Za razliku od skalarnog (unutraˇnjeg) produkta. pa vrijedi |E| ≤ u|xy T | = u|A|. onda vrijedi aij = xi xj . odnosno. Stoga je ˆ A = fℓ(xy T ) = A + E. vanjski produkt vektora s A = xy T nije povratno stabilan. 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 1 . Ovdje ˇak x i y ne trebaju biti iste dimenzije. x p . |εij | ≤ u pa je raˇunanje vanjskog produkta operacija stabilna unaprijed. Ako elemente c matrice A oznaˇimo s aij .5. npr.ˇ ˇ ˇ 3. x c ∞.

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

Paˇljivo. Vodiˇ kroz ovo poglavlje c Materijal u ovom poglavlju je prije svega namijenjen naprednom studiranju numeriˇke matematike i usvajanju nekih osnovnih principa. Koliko onda s s z moˇemo vjerovati izraˇunatom rjeˇenju? z c s 4.4. Medutim. te biti u stanju na ruke rijeˇiti sustave manje dimenzije. . nivo : Prouˇiti i shvatiti barem jedan primjer iz odjeljka 4. Kako je broj operacija u Gaussovim eliminacijama O(n3 ). veliˇinu tzv.3. Materijal iz odjeljka 4.3. Dakle. Shvatiti vaˇnost pivotiranja za numeriˇku stabilnost Gaussovih eliminacija. Sjetimo se. c c c 1. Citatelj na ovom nivou treba nauˇiti kako funkcioniraju c Gaussove eliminacije. svladati algoritme za rjeˇavanje trokutastih sus stava. Ipak. z U divljenju brzini kojom raˇunalo zbraja. 10 operacija u sekundi. 3. mogu´e je da je svaka od O(n3 ) c z c operacija u Gaussovom algoritmu izvrˇena s greˇkom zaokruˇivanja.3.ˇ 4. organiziran je u c viˇe nivoa tako da ga mogu ˇitati i poˇetnici i napredniji ˇitatelji.2. n. nivo : Sekcije 4. Sljede´i pregled s c c c c bi trebao pomo´i ˇitatelju pri planiranju prouˇavanja ponudenog materijala. to znaˇi da c je npr. Po potrebi se sluˇiti materijalom z iz dodataka ili druge literature.1. uoˇiti vezu izmedu procesa eliminacija i faktorizacije c matrice koeficijenata sustava. cache memoc c c rije. oduzima ili mnoˇi brojeve ˇesto c z c zaboravljamo da su rezultati tih operacija uglavnom netoˇni. . za n = 105 broj operacija reda veliˇine 1015 pa brzinom od 109 operacija u c sekundi dobivamo vrijeme izvrˇavanja4 oko 106 sekundi. i 4. Dakle. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 146 procedure (potprogrami) koji generiraju A i b. problem koji je matematiˇki posve jeds c nostavan u praksi moˇe biti puno izazovniji i netrivijalniji. svladati u potpunosti. . Za precizniju procjenu je s potrebno uraˇunati i vrijeme pristupa memoriji i dohva´anje podataka. raˇunalo c c reprezentira brojeve i izvrˇava raˇunske operacije koriste´i fiksni broj znamenki – to s c c znaˇi da se rezultati operacija zaokruˇuju. ˇitati do iskaza teorema. ono ˇto je osnovna znaˇajka z s c moderne numeriˇke matematike je da joj u primjenama dolaze problemi sve ve´ih c c dimenzija. s s s U ozbiljnim primjenama treba u procesu projektiranja puno puta rjeˇavati s takve sustave. nivo : Materijal iz odjeljka 4. Tada je brzina raˇunala samo jedan faktor u razumno (ili dovoljno) c brzom rjeˇavanju linearnog sustava. onda je zadatak izraˇunati numeriˇke c c vrijednosti xi . svladati u potpunosti. obraditi primjere i opis Gaussovih eliminacija na primjeˇ ru male dimenzije. Ono po ˇemu su raˇunala poznata je brzina – dobro jednoprocesorsko raˇunalo c c c 9 moˇe napraviti npr. z c c . s 2. z c 4 Ovdje namjerno pojednostavljujemo ocjenu vremena izvrˇavanja. . z c z uz papir i olovku. ˇto je viˇe od deset dana. i = 1. Analizirati i shvatiti sve primjere. itd. o primjeni linearnih c sustava jednadˇbi. U ovom trenutku vaˇno je dobiti osje´aj za red veliˇine.

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. tj. Kriterij za odabir polinoma p(x) je da u toˇkama xi ima vrijednost p(xi ) = c yi = f (xi ).1) Matrica V zove se Vandermondeova matrica. . n−1 a0 + a1 x0 + a2 x2 + · · · + an−1 x0 + an xn 0 0 n−1 2 n a0 + a1 x1 + a2 x1 + · · · + an−1 x1 + an x1 .  =  . . ··· .2  .  i  . . c s z Primjer 4.) Ako p(x) prikaˇemo u z kanonskom obliku n p(x) = a0 + a1 x + a2 x2 + · · · + an xn = aj xj j=0 onda treba odrediti koeficijente a0 . . .   . Pretpostavljamo i da je xi = xj za i = j. . n−1 2 a0 + a1 xi + a2 xi + · · · + an−1 xi + an xn i n−1 a0 + a1 xn + a2 x2 + · · · + an−1 xn + an xn n n = y0 = y1 . Zahvaljuju´i njenom specijalnom obc liku. .2. mogu´e je efikasno odrediti a = V −1 y. . yi ). . . . i = 0. . Sve jednadˇbe ˇine sustav linearnih jednadˇbi kojeg z c z moˇemo matriˇno zapisati u obliku V a = y. . n.        an−1   yn−1  xn an yn n a y     (4. . . s c 4. 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. .   . .1 Zadani su parovi toˇaka (xi . . xn   . 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 ··· ··· ··· ··· ··· ··· n−1 x0 n−1 x1 n−1 xi n−1 xn y0 a0 xn 0   y  n a x1   1   1        a2   y    .2.2. . . 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. . n.ˇ 4. . Vidimo da svaki uvjet interpolacije daje jednu jednadˇbu u kojoj se nepoznati koz eficijenti pojavljuju linearno. (Govorimo o interpolacijskom polinomu. = yi = yn . . tj. i = 0. . c . . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 147 4. . . an tako da vrijede uvjeti interpolacije p(xi ) = yi .

. n + 1. Iz Taylorovog teorema je u′′ (xi ) 2 u′′′ (xi ) 3 u(4) (xi + αi ) 4 h + h + h . 0 < x < 1. 1]. . . .5) u(xi + h) = u(xi ) + u (xi )h + 2 6 24 u′′ (xi ) 2 u′′′ (xi ) 3 u(4) (xi + ζi ) 4 h − h + h .2.8) 2 −1  −1 2 −1    −1 2 −1   ··· ···   −1    Tn ··· 2 −1 −1 2 −1   u1   u2     u   3    .2.9) fn f en e U jednadˇbi Tn u = h2 f + h2 e ˇlan e ne znamo.2) (4.  (4.2. . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 148 Primjer 4. Iz uvjeta (4.3) odmah vidimo da je u0 = un+1 = 0. (4. n + 1. dx u(0) = u(1) = 0. (4. xi ). e 2 = O(h2 ).2.2.3) Rjeˇenje u problema (4. e1 e2 e3 .2 Promotrimo sljede´i rubni problem: c d2 − 2 u(x) = f (x). .ˇ 4.2.2. i = 0.6) za z i = 1. . . . ζi ∈ (xi − h. . . (4.2. 24 (4.   . tj.6) u(xi − h) = u(xi ) − u′ (xi )h + 2 6 24 ′ gdje su αi ∈ (xi . 4.2. . i = 0. −u′′ (xi ) = gdje je ei = −(u(4) (xi + αi ) + u(4) (xi + ζi )) Matriˇno to moˇemo zapisati kao c z  h4 . . .2. Primijetimo da pod odredenim uvjetima moˇemo oˇekivati c s ˆ z c da je e 2 mali broj.2. .4) Sada promatramo vrijednosti ui = u(xi ). n dobivamo ui+1 + ui−1 = 2ui + u′′ (xi )h2 + (u(4) (xi + αi ) + u(4) (xi + ζi )) tj.2. pokuˇat z c s 2 ´emo rijeˇiti Tn u = h f .      un−2    −1   un−1    = 2 un u                       2 2 h   +h  . . pa ga zanemarujemo.2.5) i (4.2. xi + h). (4.     f  e   n−2   n−2       fn−1   en−1   f1 f2 f3 .   . 24   (4. Zbrajanjem jednadˇbi (4. n+1 xi = ih. h2 h2 . Odaberimo prirodan broj n i definirajmo c h= 1 . .2.3) aproksimirat ´emo na skupu od konaˇno mnogo s c c toˇaka iz segmenta [0.7) −ui−1 + 2ui − ui+1 − ei .

5 "egzaktno_rjesenje" "numericka_aproksimacija_50" "numericka_aproksimacija_10" 1 0. za kojeg znamo toˇno c rjeˇenje u(x) = sin 4πx.ˇ 4. uzmimo npr.2 0.5 0 0.5 -1 -1. f (x) = 16π 2 sin 4πx.6 0.4 0.8 1 Egzaktno rjeˇenje i numeriˇka rjeˇenja dobivena s n = 10 i n = 50 ˇvorova. c Numericko rjesenje od -u’’=f 1. s c s c . Uzet ´emo n = 10 i n = 50 i vidjeti koliko su dobre s c dobivene aproksimacije. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 149 Tek da ilustriramo. Rezultati su dani na sljede´oj slici.5 0 -0.

tj. Neka je u izraˇunata aproksimacija vektora u. ˇto znaˇi da je relacija (4. z z . Iz relacije (4. najjednostavniji i najpoznatiji algoritam za rjeˇavanje sustava linearnih jednadˇbi Ax = b.) Lako se pokaˇe da je matrica Tn regularna. 2 2 ≥ f Tn 2 2 (jer je Tn 2 = max x=0 Tn x 2 y 2 = max −1 y=0 x 2 Tn y Vidimo da nejednakost u relaciji (4. s Mi ne moˇemo toˇno odrediti niti u jer raˇunamo u aritmetici s konaˇnom z c ˆ c c preciznosti. 2 2 2 x1 odakle je x1 = 1.3. Kaˇemo da smo x1 eliminirali iz druge jednadˇbe.11) Pri tome smo koristili sljede´e nejednakosti: c −1 Tn e −1 Tn f 2 −1 ≤ Tn 2 e 2 −1 (jer je Tn 2 = max x=0 −1 Tn x x 2 2 ).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).2.ˇ 4. pa je druga z 2 jednadˇba z 3 3 1 − (1 + x2 ) +2x2 = 1. x2 = 1.2)–(4. tj.2. c c z −1 Neka je u = h2 Tn f .2. x2 = . Ideja je jednos z stavna.2. ). ˆ (4. (Osc c s tali mogu preskoˇiti sljede´u diskusiju. Imamo ˆ −1 −1 −1 u − u = Tn (h2 f + h2 e) − h2 Tn f = h2 Tn e.2.3).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 . (4. Gaussove eliminacije i trokutaste faktorizacije Metoda Gaussovih eliminacija je svakako najstariji.11) moˇe za neke izbore vektora e i f prije´i z c u jednakost.2. Da bismo rijeˇili sustav s 2x1 − x2 = 1 −x1 + 2x2 = 1 1 dovoljno je primijetiti da zbog prve jednadˇbe vrijedi x1 = (1 + x2 ). z 4.2. Pitanje je koliku toˇnost ˜ c ˆ c aproksimacije treba imati u.11) realistiˇna ocjena greˇke diskretizacije s c c s e na aproksimaciju rjeˇenja polaznog rubnog problema (4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 150 Za iskusnije ˇitatelje odmah ´emo malo prodiskutirati dobiveno rjeˇenje.

−9 x3 −32 (4.1 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  . Druga jednadˇba sada z z glasi 2x2 − x3 = 1.3. 10 10 − (x2 + 4x3 ) + 4x2 + 7x3 = 39 + − 19 . 5 tj. koje postaju dvije c z jednadˇbe s dvije nepoznanice (x2 i x3 ). odnosno eliminacija. Pokazuje se da takav algoritam z ima dosta zanimljivu strukturu i da ga se moˇe ekvivalentno zapisati u terminima z matriˇnih operacija.3. Ako ovu transformaciju sustava zapiˇemo matriˇno. te to uvrstimo u zadnje dvije jednadˇbe. . 5 5 Dakle. Dobivamo z 1 x1 = (19 − x2 − 4x3 ).1) A = [ aij ]3 i.3.1 4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 151 Ovu ideju moˇemo lako generalizirati na dimenziju n > 1. 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. 5 pa druga jednadˇba sada glasi z 10 (19 − x2 − 4x3 ) + 4x2 + 7x3 = 39.1. Kvalitativno novi moment u analizi metode eliminacija nastaje c kada sam proces eliminacija interpretiramo kao faktorizaciju matrice sustava A na produkt trokutastih matrica.j=1  Takav koncept je prvi uveo Alan Turing. Matriˇni zapis metode eliminacija c      Primjer 4.j=1 b = [ bi ]3 i=1 Koristimo metodu supstitucija. imamo s c  5   10 −15 1 A 1 4  4 7 5 −9  →  1 0   −2 1 0 0 L(2.ˇ 4.1) 0 5  0   10 1 −15  A 1 4 5   4 7 =  0 5 −9 −15   A(1) = a(1) ij 1 4  2 −1  . Prvo iz prve jednadˇbe izraziz mo x1 pomo´u x2 i x3 . 5 −9 3 i. gdje sustavno eliz miniramo neke nepoznanice iz nekih jednadˇbi.

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 zadovoljava (4. 3 0 1 −32 25 L(3.3. onda mnoˇenjem prve jednadˇbe z z u (4. Eliminaciju nepoznanice x1 smo prikazali kao rezultat c mnoˇenja matrice koeficijenata i vektora desne strane s lijeva jednostavnim maz tricama L(2.1) i L(3. (4.3.3. . c s Obratno.3. primijetimo da smo proces eliminacija (tj.1) zadovoljava i sustav (4.2) u kojem su druga i tre´a jednadˇba sustav od dvije jednadˇbe s dvije nepoznanice. 5x1 + x2 + 4x3 = 19 2x2 − x3 = 1 8x2 − 3x3 = 25.1) 0 19 19     0   39  =  1  1 −32 −32 b(1)         1 0 0 19 19      → 0 1 0 1 =  1.1) A(2) = a(2) ij 4 −1  .2) ekvivalentni: imaju isto rjeˇenje.3.  3 3 i. sustav je A(2) x = b(2) .ˇ 4. x2 .1).3. ako trojka x1 .2).1) .1) c z z i (4. To znaˇi sljede´u promjenu matrice koeficijenata: c c 5 1  0 2  −15 5 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 A(1)  A(1) L(3. U tom smislu kaˇemo da sustavi (4. izraˇavanja nepoznanice z x1 pomo´u x2 i x3 i eliminiranjem x1 iz zadnje dvije jednadˇbe) jednostavno opisali c z matriˇnim operacijama.3.3. tj.1) b(2) Novi.j=1 Vektor desne strane je u ove dvije transformacije promijenjen u  1 0 19     39  →  −2 1 0 0 −32 b    L(2.3. x2 . x3 ) sustava (4. s Nadalje.2). ekvivalentni. c z z T Oˇito je da rjeˇenje x = (x1 .3. Na sliˇan naˇin iz prve i tre´e jednadˇbe sustava (4.1).2) s 2 i zatim pribrajanjem drugoj jednadˇbi. dobijemo drugu jednadˇbu sustaz z va (4.2) rekonstruiramo c c c z tre´u jednadˇbu polaznog sustava (4.

Iz prve jednadˇbe je x1 = (19 − x2 − 4x3 ) = 1.3. L = (L(2.3. a cijeli sustav ima c c z oblik 5x1 + x2 + 4x3 = 19 2x2 − x3 = 1 (4. koji je ekvivalentan polaznom.1) L(2.5) (3) b(3) = (bi )3 i=1 Sustav (4. Transformaciju eliminacije x2 iz tre´e jednadˇbe moˇemo matriˇno zapisati kao c z z c transformaciju matrice koeficijenata  A(2) L(3. s 21 = 3.3.3. x3 rjeˇenja polaznog sustava (4. Dakle. a produkt L(3.2) L(3. x2 .1) )−1 (L(3.3.3) 7x3 = 21.3).2) )−1 . .2) 0 19 19     0 1 =  1 . Iz druge jednadˇbe je x2 = (1 + x3 ) = 2.2) i transformaciju vektora desne strane  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) 4 5 1   −1  =  0 2 3 0 0      A(3) 4  −1  7  (4. z 2 1 3. z 5 1. To moˇemo proˇitati i ovako: c z c A = LA(3) . 7 1 2. 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) a32 − (2) = −4 a22 i pribrojimo je tre´oj. polaznu matricu A smo mnoˇenjem slijeva donjetrokutastom matricom z naˇinili gornjetrokutastom.1) L(2.3. lako rijeˇimo. 1 25 21 b(2)  (4.ˇ 4. Iz tre´e jednadˇbe je x3 = c z Jednostavna provjera potvrduje da su x1 . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 153 Jasno je da je sustav (4. s Analizirajmo postupak rjeˇavanja u prethodnom primjeru.2) L(3.1) je donjetrokutasta matrica.1) )−1 (L(3.2) jednostavniji od polaznog. Tako tre´a jednadˇba postaje 7x3 = 21.1). Paˇljivo pogledajs z mo oblik matrica u realaciji A(3) = L(3. Matrica A(3) je gornjetrokutasta.4) 19    1 25 b(2)  →  1  0 0 0 1 −4 L(3.1) A.

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

SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 155 4. Ovakav postupak zovemo supstitucija unaprijed. x4 = ℓ44 x1 = Vidimo da x1 moˇemo odmah izraˇunati. . c c Dakle. To znaˇi da su ℓii = 0 za i = 1.3. 3. zatim x1 c i x2 uvrstimo u izraz za x3 . 0   x3   b3  ℓ44 x4 b4     Neka je matrica L regularna.3. ℓ11 za i = 2. donjez s trokutasti sustav Lx = b dimenzije n = 4:  ℓ11 ℓ  21   ℓ31 ℓ41 0 ℓ22 ℓ32 ℓ42 0 0 ℓ33 ℓ43 0 x1 b1 0   x2   b2        =  . . n { i−1 xi = bi − ℓij xj j=1 ℓii . . . . Oˇito je c c b1 ℓ11 1 (b2 − ℓ21 x1 ) x2 = ℓ22 1 x3 = (b3 − ℓ31 x1 − ℓ32 x2 ) ℓ33 1 (b4 − ℓ41 x1 − ℓ42 x2 − ℓ43 x3 ). na primjer. . } Prebrojimo operacije u gornjem algoritmu: • dijeljenja: n . Pogledajmo. 2. 2 1 n(n − 1).1 Rjeˇavanje linearnog sustava jednadˇbi Lx = b s regularnom dos z n×n njetrokutastom matricom L ∈ R . Trokutasti sustavi: rjeˇavanje supstitucijama unaps rijed i unazad Trokutasti sustavi jednadˇbi lako se rjeˇavaju. /∗ Supstitucija unaprijed za Lx = b ∗/ b1 x1 = . .2. itd. 4. pa tu vrijednost uvrstimo u izraz koji daje x2 . . 2 • zbrajanja i oduzimanja: 1 + 2 + · · · + (n − 1) = .ˇ 4. • mnoˇenja: 1 + 2 + · · · + (n − 1) = z 1 n(n − 1). prvo izraˇunamo x1 . a za i > 1 formula za xi je funkcija od bi . Algoritam 4. z c i-tog retka matrice L i nepoznanica x1 . xi−1 koje su prethodno ve´ izraˇunate.

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

L = 11     a41  − 0 0 1 0  a    11    a51  − 0 0 0 1 a11 onda je x1 eliminiran iz svih jednadˇbi osim prve. Primijetimo da je transformaciju A → A(1) mogu´e izvesti samo ako je c a11 = 0.  a45  a55  Sjetimo se. . s . pa smo to eksplicitno naznaˇili u zapisu c (1) matrice A . 1). tj. 1 ≤ j ≤ n. (3. Ako z definiramo matricu   1 0 0 0 0  a  21   − 1 0 0 0  a11       a31  − 0 1 0 0 (1)  a . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 157 ideje ilustrirati na primjeru n = 5. . 2 (4. z              a11 0 0 0 0 a12 a22 a32 (1) (1) a13 a23 a33 (1) (1) a14 a24 a34 (1) (1) a15 A(1) ≡ L(1) A = (1) a42 (1) a43 (1) a44 (1) a45 (1) a35  . 1). .3. elementi A(1) c (1) oznaˇeni su s aij . To moˇemo napraviti u jednom potezu2 . elementi prvog retka u A(1) jednaki su c (1) prvom retku u A. Op´enito.  (1) (1) a25            a52 (1) a53 (1) a54 (1) a55 Objasnimo oznake koje koristimo za elemente matrice A(1) . 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.3.6) U primjeru 4. . 1 ≤ i. Medutim. (n. eliminacija prve nepoznanice manifestira se poniˇtavanjem koeficijenata s na pozicijama (2. 1).1 smo zbog jednostavnosti poniˇtavali koeficijente jedan po jedan. a1j = a1j .ˇ 4.

   0       Jednostavno.7) a55 (2) .3.3. onda je i a22 = 0 pa je dobro definirana matrica  1  0  L (2) = Vrijedi    0       0       0 1 − a32 (1) (1) a22 1 0 0 1 0 0 0  0 0 0     0       0        1  0  i njen inverz (L ) (2) −1 (1) a42 − (1) a22 = 0 − a52 a22 (1) (1) 0 0 1    0       0       0 1 a32 a22 (1) (1) (1) a42 (1) a22 1 0 0   0 1 0 0 0  0 0 0   0 a52 a22 a15  (1) (1) 0 0 1  .6). Stavimo α2 ≡ det (1) 1 a12 =  a21 a22 a11 0 1   a11 0 a12 a22 (1) .ˇ 4.   0        A(2) ≡ L(2) A(1) = L(2) L(1) A =             a11 0 0 0 0 a12 (1) a22 a13 (1) a23 (2) (2) (2) a14 (1) a24 (2) (2) (2) (1) a25 0 0 0 a33 a34 a43 a44 a53 a54      (2)  a35  . a22     Ako je α2 = 0. lako se uvjerimo da je 1 a  21   a11    a31  =  a11    a41  a  11   a51 a11   0 0 0 0 (L(1) )−1 1 0 0 0 0 1 0 0 0 1 0 0 0 1 te da iz A = (L(1) )−1 A(1) slijedi a11 a21       0 . a11 a21 a12 (1) = a11 a22 . dobili smo faktorizaciju vode´e 2 × 2 podmatrice od A. Uvjet za izvod c ove faktorizacije bio je (4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 158 Takoder.  (2)  a45    (4.

    Dakle.       (L ) (3) −1 = 1 0  0 1  0 0     0       0 0 1 a43 (2) (2) (2) (2) 0 a33 a53 a33 1 0 0 0 0   0 0   0 0 0 1    0.3.  (2)  a45    a15  (4.j=1 prvi redak jednak prvom retku matrice A.3.7) naglaˇavaju da je u matrici A(2) = a(2) c s ij i. ako je a11 = 0 i α2 = 0. a drugi redak jednak drugom retku matrice A(1) . a33   Ako je α3 = 0 onda je i a33 = 0 pa su dobro definirane matrice  L (3) = 1 0  0 1  0 0     0       0 0 1 a43 (2) (2) a33 0 − 1 0 0 0 0   0 0   0 0 − a53 a33 (2) (2) 0 1    0.       .8) a55 (2) odakle zakljuˇujemo da vrijedi c    a21 a11 a31 a12 a22 a32 a33 1  a21   a13    a  =  a11 23     0 1 a32 (1) a31 a11 (1) a22 1 0   a11 0    0     a12 a22 0 (1) a13 (2) a33 0 (1) a23  . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 159 Uoˇimo da oznake u relaciji (4. Stavimo a11  α3 ≡ det  a21 a31 (2)  a12 a22 a32 a13 (1) (2)  a23  = a11 a22 a33 . onda smo dobili trokutastu faktorizaciju vode´e 3 × 3 c podmatrice od A.ˇ 4. Ako sada u relaciji A = (L(1) )−1 (L(2) )−1 A(2) izraˇunamo produkt c (L(1) )−1 (L(2) )−1 dobivamo                   n 1 a  21   a11  A= a31 a11 a41 a11 a51 a11 0 1 a32 a22 (1) (1) 0 0 0 1 0 0 1 0 0 0  (1) a42 (1) a22 a52 a22 (1) (1) 0 0 1  a11     0 0    0    0 0    0      a12 (1) a22 a13 (1) a23 (2) (2) (2) a14 (1) a24 (2) (2) (2) (1) a25 0 0 0 a33 a34 a43 a44 a53 a54      (2)  a35  .

 a54 (3) a55 (3) Ako izraˇunamo produkt (L(1) )−1 (L(2) )−1 (L(3) )−1 .ˇ 4. (2)  a34   (1) a14  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 . a34  a44  .  a54 (3) a55 (3) te da je 1 a  21   a11  0 1 a32 a22 a42 a22 (1) (1) (1) (1) 0 0 1 a43 a33 (2) (2) 0  a  21   a31 a11 a41 a12 a22 a32 a42 a13 a23 a33 a43 a14  a24   a31  = a34   a   11  a44    a41 a11   1      0       0  a11  0 0 0   a12 a22 0 0 (1) a13 a23 (1) (2) a33 0 a24  a44 (3)    . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 160 i vrijedi              a11 0 0 0 0 a12 a22 0 0 0 (1) a13 a23 (1) (2) a14 a24 (1) (2) a15 A(3) ≡ L(3) A(2) = L(3) L(2) L(1) A = a33 0 0 a34 (3) a44 (1) a25   (3) a45          (2) a35  . onda vidimo da vrijedi c                   1 a  21   a11  A= a31 a11 a41 a11 a51 a11 0 1 a32 a22 a42 a52 a22 (1) (1) (1) 0 0 1 a43 a53 (2) 0 0 0 1 0 0  (1) a22 (1) (1) (2) a33 (2) (2) a33  0 1  a11     0 0    0    0 0    0      a12 a22 0 0 0 (1) a13 a23 (1) (2) a14 a24 (1) (2) a15 a33 0 0 a34 (3) a44 (1)  a25   (3) a45         (2) a35  .

c                               a11 0 0 0 0 a12 (1) a22 a13 (1) a23 (2) a14 (1) a24 (2) (3) (1) a25 0 0 0 a33 0 0 a34 a44 0 a55      (2)  a35  . a44 = 0. α4 su glavne minore matrice A. uoˇili smo da su ti uvjeti osigurani ako su u matrici A determinante glavnih c podmatrica dimenzija 1. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 161 Ako je α4 = 0. a33 = 0.      (L(4) )−1 1 0   0  = 0      0 1 0 0 0 0 1 0 0 0 0 1 a54 (3) (3) 0 0 0 a44 1 0 0   0  0. Brojevi α1 . . onda je i a44 = 0. n−1 razliˇite od nule. α2 = 0. a33 .10) .9)  A(4) ≡ L(4) A(3) = L(4) L(3) L(2) L(1) A = te da je.  (3)  a45    (4) a15 1 a  21   a11  A= a31 a11 a41 a11 a51 a11 0 1 a32 a22 (1) 0 0 1 (2) a43 (2) a33 0 0 0 1 a54 a44 (3) (3) 0 (1) (1) a42 (1) a22 a52 a22 (1) a53 (2) (2) (1) a33 1 L Vidimo da je izvedivost operacija koje su dovele do faktorizacije A = LU ovisila o uvjetima (1) (2) (3) a11 = 0.ˇ 4. a22 = 0. Takoder. 2. α3 .  a55  (3)  a45    (4) (4.       (4. nakon raˇunanja produkta (L(1) )−1 (L(2) )−1 (L(3) )−1 (L(4) )−1 . α4 = 0.3. .3. a22 . . α2 . Brojeve a11 . α3 = 0. a44 zovemo pivotni elementi ili kratko pivoti. Dakle. . 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) a44 Lako provjerimo da vrijedi 0 0 0 − 1 0 0   0  0. moˇemo zakljuˇiti sljede´e: z c c (1) (2) (3)  a11     0 0    0    0 0    0    0    a12 a22 0 0 0 (1) a13 a23 (1) (2) a14 a24 (1) (2) (3) a15 a33 0 0 U a34 (1) a25       a44 0 (2) a35  . To je u naˇem primjeru znaˇilo c s c uvjete α1 ≡ a11 = 0.

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

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

1 1 A Matricu P zovemo matrica permutacije ili jednostavno permutacija. jer 0 1 1 = 1 1 ℓ21 povlaˇi da je c 1 · u11 1 · u12 ℓ21 · u11 ℓ21 · u12 + u22 =0 =1 =1 = 1. x2 = b1 . 1 1 Ova matrica je regularna. matrica A reprezentira linearni sustav 0x1 + x2 = b1 x1 + x2 = b2 koji uvijek ima rjeˇenje x1 = b2 − b1 . i kojeg moˇemo ekvivalentno zapisati s z 3 kao x1 + x2 = b2 0x1 + x2 = b1 . z s . Vezu izmedu A i A′ c zapisujemo matriˇno: c A′ = 1 1 0 1 = 0 1 1 0 P 0 1 .2 Neka je matrica sustava Ax = b dana s A= 0 1 . Njeno djelovanje na matricu A je jednostavno permutiranje redaka. s c S druge strane. pa sustav uvijek ima rjeˇenje. 0 1 u11 0 u12 u22 Iz prve jednadˇbe odmah vidimo da mora biti u11 = 0. Matrica ovog sustava je A′ = 1 1 1 0 = 0 1 0 1 1 1 .3. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 164 Primjer 4. ali A oˇito s c nema LU faktorizaciju. z c ˇto je nemogu´e. a iz tre´e slijedi da ℓ21 · 0 = 1. det A = −1. 0 1 i oˇito ima jednostavnu LU faktorizaciju s L = I.ˇ 4. 3 Zamjena redoslijeda jednadˇbi ne mijenja rjeˇenje sustava. U = A′ .

jer je cilj transformacije L poniˇtiti a43 i a53 .8): s              a11 0 0 0 0 a12 a22 0 0 0 (1) a13 a23 (1) (2) a14 a24 (1) (2) a15 A(2) ≡ L(2) A(1) = L(2) L(1) A = a33 a34 (2) a43 (2) a44 (1) a25   (2) a45          (2) a35  . onda moˇemo staviti L(3) = I i z (2) (2) (3) nastaviti dalje. Ako su oba jednaka nuli.7).3. Neka je sada npr.  0 0   onda je P (3) A(2) =             a11 0 0 0 0 a12 a22 0 0 0 (1) a13 a23 (1) (2) a14 a24 (1) (2) a15 a53 a54 (2) a43 (2) a44 (1) a25   (2) a45          (2) a55  . relacije (4.  a53 (2) a54 (2) a55 (2)                   1  a21   a11  A= a31 a11 a41 a11 a51 a11 0 1 a32 a22 a42 a22 (1) (1) (1) (1) 1 0 0 1 0 0 0 0 0 0   (1) a52 (1) a22 0 0 1 Neka je a33 = 0. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 165 Da bismo ilustrirali kako zamjenama redaka uvijek moˇemo dobiti LU faktoz rizaciju. (4. Dakle. a53 = 0. Ako definiramo matricu c 1 0   = 0  0 0  (2)  a11    0 0    0    0 0    0     a12 a22 0 0 0 (1) a13 a23 (1) (2) a14 a24 (1) (2) a15 a33 a34 (2) a43 (2) a44 (1) a25   (2) a45          (2) a35  . vratimo se naˇem 5 × 5 primjeru i pogledajmo npr. Ako su oni ve´ s c jednaki nuli onda u ovom koraku ne treba niˇta raditi pa je transformacija jednaka s (2) jediniˇnoj matrici.  a33 (2) a34 (2) a35 (2) . Pogledajmo s z (2) (2) elemente a43 i a53 .  a53 (2) a54 (2) a55 (2) P (3) 0 1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0   1. viˇe ne moˇemo kao ranije definirati L(3) .ˇ 4.3.

Za c (3) (3) sljede´i korak eliminacija provjeravamo vrijednost a44 . mi sada imamo permutacijske matrice izmedu.ˇ 4. tj.3. Neka je z c c (3) (3) (4) a44 = 0. Vidjeli smo ranije da je mnoˇenje inverza trokutastih matrica L(k) jednostavno.       (L ) (3) −1 = 1 0  0 1  0 0     0       0 0 1 a43 (2) (2) (2) (2) 0 a53 a33 a53 1 0 0 0 0   0 0     0        0 0 0 1 i posti´i c              a11 0 0 0 0 a12 (1) a22 a13 (1) a23 (2) a14 (1) a24 (2) (3) (3) (1) a25 A(3) ≡ L(3) P (3) A(2) = L(3) P (3) L(2) L(1) A = 0 0 0 a53 0 0 a54 a44 a54      (2)  a55  . z Medutim. Sve zajedno. onda moˇemo staviti L(4) = I. moˇemo staviti L(4) = I i matrica U = L(4) P (4) A(3) z je gornjetrokutasta. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 166 Sada moˇemo definirati matrice z  L (3) = 1 0  0 1  0 0     0       0 0 1 a43 a53 a33 a53 (2) (2) (2) (2) 0 − 1 0 0 0 0   0 0    0 0 − 0 1    0. Ako je a44 = 0. pa ostaje istraˇiti kako z . tako da L nije definirana. Lako provjerimo da permutacijska matrica 1 0   = 0  0 0  P (4) 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 (1) (2) a14 a24 (1) (2) a15 a53 0 0 a54 (3) a54 (1) a25   (3) a55          (2) a55  . Ako je a44 = a54 = 0.  (3)  a45    a15  a55 (3) Primijetimo da je tre´i redak matrice A(3) jednak petom retku matrice A(2) . jer je u tom sluˇaju A(3) ve´ gornjetrokutasta. definiramo matricu L(4) kao u relaciji (4.  a44 (3) a45 (3) Kako je po pretpostavci a44 = 0.9). postupamo c (3) (3) kao i ranije. ali a54 = 0. vrijedi relacija U = L(4) P (4) L(3) P (3) L(2) L(1) A.

ˇ 4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 167 one djeluju na strukturu produkta.  1 0 Dakle. P L Produkt koji definira matricu L je iste strukture kao i ranije. 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. 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. dakle. ako u L(3) z permutiramo elemente ispod dijagonale u tre´em stupcu. Primijetimo. 1  0 0 0   0  00  1   0    0  P (4) L (3) =  0   0  0  1 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 1 0 0 − 0 −  0 0 1 a43 a33 a53 (2) (2) a53 (2) (2) 1 0 0 0 0   0 0     0          = 1 0  0 1  0 0     0       0 0 1 a33 (2) (2) (2) (2) 0 − a53 a43 a53 0 0 0 0 0   0 0     1        0 1 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 − L(3) 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) . . P (4) P (3) A = (L(4) )−1 (L(3) )−1 (L(2) )−1 (L(1) )−1 U. tj. imamo jednostavno slaganje odgovaraju´ih elemenata. P (4) moˇemo prebaciti s lijeve na desnu stranu od L(3) . Tako dobivena matrica c L(3) ima istu strukturu kao i L(3) .

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

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

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

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

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

3 postaje joˇ c z c s jednostavniji i elegantniji. memorija). c za k = 1. j) − A(i. . Isto tako. . s . Algoritam 4. . 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 a22 (1) a13 a23 (1) a14 a24 (1) a15 a31 a11 a41 a11 (1) a32 (1) a22 a33 a43 a53 a33 (2) a34 a44 a54 a44 (2) a42 a52 (1) (2) (3) (1) a22 (1) (1) (2) a33 (2) a51 a11 (3) (3) a22 (2)    (2)  a35    . . . k) . . . n { A(j.} A(k. . . 2. Dodatnu s c paˇnju zahtijeva izvodenje aritmetiˇkih operacija pri ˇemu ne moˇemo izbje´i greˇke z c c z c s zaokruˇivanja.   (3)  a45       (4)  (1) a25      a55 Sve matrice A(k) . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 173 ne treba nigdje posebno zapisivati. j). . . . . Vaˇno je s z c z uoˇiti da cilj takve analize nije jednostavno tehniˇko prebrojavanje svih greˇaka c c s zaokruˇivanja nego izvodenje sloˇenijih i dubljih zakljuˇaka o numeriˇkoj stabilnosti z z c c algoritma i o pouzdanosti koriˇtenja dobivenih rezultata. ponekad. vidimo da c konkretna realizacija algoritma na raˇunalu ukljuˇuje dodatne trikove i modifikacije c c kako bi se ˇto racionalnije koristili resursi raˇunala (npr. Na taj naˇin se elementi polazne matrice gube. . z Analiza greˇaka zaokruˇivanja je. j) = A(i. k) = A(j. n { za i = k + 1. tehniˇki komplicirana. . Na ovaj naˇin zapis algoritma 4.3. n − 1 su pohranjene u istom n × n polju koje na poˇetku sadrˇi matricu A ≡ A(0) .ˇ 4. .1 Raˇunanje LU faktorizacije matrice A bez dodatne memorije. . j). . . k)A(k. k) za j = k + 1. k = 1. n − 1 { za j = k + 1.4. } } } Primijetimo da smo koristili oznake uobiˇajene u programskim jezicima – element c matrice (dvodimenzionalnog polja) oznaˇili smo s A(i. n { A(i. .

4. c Izraˇunate aproksimacije oznaˇavamo s L(i) i A(i) . Pric c c (1) mijetimo da su u prva dva retka matrice A ve´ izraˇunata prva dva retka matrice c c U . 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   . . n − 1.3. Sada umjesto matrica L(1) i A(1) = L(1) A imamo izraˇunate matrice c 1  −ℓ  ˜ =  ˜21  −ℓ31 ˜ −ℓ41 a11  0  =  0 0    L(1) A(1) a12 ˜ a22 ⊖ ℓ21 ⊙ u12 ˜ ˜31 ⊙ u12 a32 ⊖ ℓ ˜ ˜ a42 ⊖ ℓ41 ⊙ u12 ˜ u12 ˜ u22 ˜ ⋆ ⋆ u13 ˜ u23 ˜ ⋆ ⋆ u11 ˜  0  =  0 0 u14 ˜ u24  ˜  . 3. . u34  ˜ u44 ˜ u1j = a1j . a34  a44  ˜ Izraˇunate aproksimacije matrica L = [ ℓij ] i U = [ uij ] oznaˇiti ´emo s L = [ ℓij ] i c c c U = [ uij ].ˇ 4. . ˜ ˜ Ovdje smo sa ⋆ oznaˇili one elemente koje ´emo mijenjati u sljede´em koraku. ˜ c koristit ´emo matrice L(i) i transformacije oblika A(i) = L(i) A(i−1) . . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 174 Da bismo dobili ideju o kvaliteti izraˇunate faktorizacije. .  ˜ u2j = a2j ⊖ ℓ21 ⊙ u1j . ⋆  ⋆  a13 ˜ a23 ⊖ ℓ21 ⊙ u13 ˜ ˜31 ⊙ u13 a33 ⊖ ℓ ˜ ˜ a43 ⊖ ℓ41 ⊙ u13 ˜ a14 ˜ a24 ⊖ ℓ21 ⊙ u14  ˜  ˜31 ⊙ u14  a34 ⊖ ℓ ˜  ˜ a44 ⊖ ℓ41 ⊙ u14 ˜ j = 2.3. U sljede´em koraku raˇunamo c c 1 0 0 1  = ˜  0 −ℓ32 ˜ 0 −ℓ42  L(2) 0 0 1 0 0 0   0 1  . . ˜ j = 1. . 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 0 1 0 0 0 0 1 0 0 0   0 1  a12 u22 ˜ 0 0 a13 u23 ˜ u33 ˜ 0 a14 u24  ˜  . . Kao u opisu algoritam za raˇunanje LU faktorizacije u odjeljku 4.. i = 1. 4.

˜ ˜ I. . 0 1  koja primjenom na A(2) . i − 1 { ˜ uij = uij ⊖ ℓim ⊙ umj . pri ˇemu je u1j = a1j .1) je samo specijalan sluˇaj raˇunanja op´enitog izraza oblika c c c s = v1 w1 ± v2 w2 ± v3 w3 ± · · · ± vp wp . ζijm takvi da je s c u (4.4. ˜ ˜ ˜ u44 = ((a44 ⊖ ℓ41 ⊙ u14 ) ⊖ ℓ42 ⊙ u24 ) ⊖ ℓ43 ⊙ u34 . u zadnjem koraku je ostala transformacija 1 0  = 0 0  L(3) 0 0 1 0 0 1 ˜ 0 −ℓ43 0 0  . u34  ˜ ⋆  a14  u24 ˜   ˜ ˜ (a34 ⊖ ℓ31 ⊙ u14 ) ⊖ ℓ32 ⊙ u24  ˜ ˜ ˜ ˜ (a44 ⊖ ℓ41 ⊙ u14 ) ⊖ ℓ42 ⊙ u24 ˜ ˜ j = 3. zbog greˇaka zaokruˇivanja.j .2) m=1 .1) i−1 uij = aij (1 + ξij ) − ˜ ˜ ˜ ℓim umj (1 + ζijm ).3. ˜ za m = 1. daje i preostali element matrice U.i−1 ⊙ ui−1.4. . . zakljuˇujemo da postoje ξij . ˜ ˜ ˜ ˜ Uoˇavamo da se elementi uij raˇunaju prema formuli c c i−1 uij = aij − ℓim umj . i ≤ j ≤ n. ˜ ˜ ˜ ˜ Formula (4. s s z vrijedi ˜ ˜ ˜ uij = ( · · · ((aij ⊖ ℓi1 ⊙ u1j ) ⊖ ℓi2 ⊙ u2j ) ⊖ · · · ) ⊖ ℓi. . (4. U naˇem algoritmu.  ˜ ˜ ˜ u3j = (a3j ⊖ ℓ31 u1j ) ⊖ ℓ32 ⊙ u2j .4.4.1) Koriˇtenjem propozicije 4.ˇ 4. } ˜ ˜ ˜ (4. m=1 2 ≤ i ≤ n. Ovu formulu je lako provjeriti raspisivanjem c produkta A = LU po elementima. 1 ≤ j ≤ n. pri ˇemu se koristi algoritam c uij = aij .4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 175 A(2) u11 ˜  0  =  0 0 a11  0  =  0 0   a12 u22 ˜ 0 0 u12 ˜ u22 ˜ 0 0 a13 u23 ˜ ˜ ˜ (a33 ⊖ ℓ31 ⊙ u13 ) ⊖ ℓ32 ⊙ u23 ˜ ˜ ˜41 ⊙ u14 ) ⊖ ℓ42 ⊙ u23 ˜ (a43 ⊖ ℓ ˜ ˜ u13 ˜ u23 ˜ u33 ˜ ⋆ u14 ˜ u24  ˜  . 4.

(4. jer z ˇesto je u primjenama nemogu´e raditi s egzaktnim podacima – matrica A moˇe biti c c z rezultat mjerenja ili nekih prethodnih proraˇuna.1 Rezultat teorema zasluˇuje poseban komentar. a druga za 2nε < 1. Ako su L i U izraˇunati trokutasti faktori. 1 − nε i aij = m=1 ˜ ˜ ℓim umj + δaij . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 176 Pri tome je za sve i. onda je LU = A + δ A + δA i LU = A + δ A.4. s s c onda je LU = A + δA. |δA| ≤ nε 2nε (|A| + |L| |U|) ≤ |L| |U|.1 Komutativni dijagram LU faktorizacije u aritmetici konaˇne preciznosti. δaij = m=1 ˜ ˜ ℓim umj ζijm − ξij aij . uz ℓii = 1 i ζiji = 0.ˇ 4. Ako su δA i δ A usporedivi po veliˇini.4. Naˇa analiza nije z s dala odgovor na pitanje koliko su L i U daleko od toˇnih matrica L i U.4.2) moˇemo proˇitati i kao z c i nε . onda moˇemo u mnogim primjenama L i U c z smatrati jednako dobrim kao i L i U.4. c Izraˇunati rezultat je ekvivalentan egzaktnom raˇunu s promijenjenim polaznim c c podacima. Umjesto c toga.1 primijenjen na matricu A ∈ Rn×n i neka su uspjeˇno izvrˇene sve njegove operacije. Napomena 4. izraˇunato c E A perturbacija podataka c        egzaktna     L. .4. 1 − nε 1 − 2nε gdje prva nejednakost vrijedi za nε < 1. Dobiveni rezultat je u praksi od izuzetne vaˇnosti. Ako je egzaktna c c (nepoznata) matrica A i A = A + δ A.1. ˜ Time smo dokazali sljede´i teorem. m |ξij |.3) ˜ ˜ ˜ gdje smo uij napisali kao ℓii uij (1 + ζiji). U faktorizacija A + δA Slika 4. Ovu situaciju moˇemo ilustrirati komutativnim z dijagramom na slici 4. dakle netoˇna. c Teorem 4.4. |ζijm| ≤ Relaciju (4.1 Neka je algoritam 4. c c Drugim rijeˇima.4. j. ako bismo A promijenili u A + δA i zatim uzeli egzaktnu faktorc izaciju. dobili smo zakljuˇak da L i U ˇine egzaktnu LU faktorizaciju matrice A + δA. dobili bismo upravo L i U .

α pa je LU faktorizacija matrice A dana s α 1 A 1 1 1 = 1 α  α 0 1 1− U 1 . c Primjer 4.ˇ 4. L(2.1 Neka je α mali parametar. ˜ |ǫ1 | ≤ ε. npr.1) A =  0 1 L   α 0 1 1−  1 . −1 δA . odnosno LU faktorizacije. To na ˇalost nije osigurano u LU faktorizaciji. 1   0 1  . α Pretpostavimo sada da ovaj raˇun provodimo na raˇunalu u aritmetici s 8 decimalnih c c znamenki. Kako je c problem jednostavan. u22 1−ε Dakle svi elementi matrica L i U izraˇunati su s malom relativnom pogreˇkom. u11 = u11 . neka je α = 10−10 . 1 u22 = 1 ⊖ 1 ⊘ α = −1 ⊘ α = − (1 + ǫ1 ).1) 1 = 1 − α  α 1 1 . vrijedi ˜ ℓ21 = ℓ21 (1 + ǫ1 ). c s Sjetimo se da je ovaj primjer najavljen kao primjer numeriˇke nestabilnosti procesa c eliminacija. Sljede´i primjer z c pokazuje numeriˇku nestabilnost algoritma. ˜ u12 = u12 . Neka je |α| < ε. 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|.4. 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 α = −1 ⊘ α 1 1 α = 0 1 A 1 0 + 1 0 0 . tj. toˇnosti ε ≈ 10−8 . ˜ α Primijetimo da je u22 − u22 ˜ 2ε ≤ . i neka je matrica A definirana s A= U egzaktnom raˇunanju imamo c L(2. |α| ≪ 1.

zapravo bismo radili c s s na sustavu (A + δA)x = b. c c objasni fenomene vezane za numeriˇku nestabilnost i ponudi rjeˇenja za njihovo c s uklanjanje.1. 0 1 α 1 1 1 A′ = P A = = .1. c s z Cilj numeriˇke analize algoritma je da otkrije mogu´e uzroke nestabilnosti.4.1. Jasno nam je da je. Primjer 4. x2 2 α 1 1 0 x1 ˜ 1 = . Ako c bismo koriste´i L i U pokuˇali rijeˇiti linearni sustav Ax = b. pogledajmo linearne sustave z α 1 Njihova rjeˇenja su s x1 x2 −1   α−1  1   = ≈ .4. Zakljuˇujemo da Gaussove eliminacije mogu ˜ c biti numeriˇki nestabilne – dovoljna je jedna greˇka zaokruˇivanja “u krivo vrijeme c s z na krivom mjestu” pa da dobiveni rezultat bude potpuno netoˇan. Nestabilnost ilustrirana primjerom u skladu je s teoremom 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. Tek da dobijemo osje´aj kako katastrofalno loˇ rezultat c s moˇemo dobiti. Zamijenimo joj poredak redaka. 1 0 1 1 α 1 . Pogledajmo c nastavak primjera 4.2 I ovaj primjer zasluˇuje komentar. vidimo da nam teorem ne moˇe garantirati mali c z δA. zbog nenegativnosti matrica |L| i |U|. 2) u matrici |L| |U| element koji je reda veliˇine 1/|α| > 1/ε. s malom greˇkom zaokruˇivanja. Vidimo da katastrofalno vez lika greˇka nije uzrokovana akumuliranjem velikog broja greˇaka zaokruˇivanja. c Napomena 4. ako izraˇunamo |L| |U| dobijemo c |L| |U| = |α| 1+ǫ 1 .4. a22 = 1.  2α − 1  1 α−1  1 1 x1 1 = . 2 x2 ˜ x1 ˜ 2 = .4. mali produkt |L| |U| mogu´ samo ako su elementi od L i U mali po apsolutnoj vrijednosti. Cis s z jeli problem je u samo jednoj aritmetiˇkoj operaciji (pri raˇunanju u22 ) koja je zac c ˜ pravo izvedena jako toˇno. |ǫ| ≤ ε. x2 ˜ 1 − 2α Vidimo da se x1 i x1 potpuno razlikuju. je promijenjen u nulu. Naime.4. Kako je na poziciji (2.ˇ 4.2 Neka je A matrica iz primjera 4. 2|1 ⊘ α| gdje je 1 + ǫ = α(1 ⊘ α).

k = 0. Ako je |α| < ε. Primijetimo da u analizi greˇaka zaokruˇivanja pivotiranje ne predstavlja dos z datnu tehniˇku poteˇko´u.4) dobra mjera za relativni rast (u odnosu na A) elemenata u produktu |L| |U|. lako se vidi da su tada i c svi elementi matrice |L| manji ili jednaki od jedan. n − 1.2. 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 1 α 0 . . 2 |δA| ≤ 2nε P T |L| |U|. 1 − 2nε Vidi teorem 4. Ako je pri tome koriˇtena permutacija P . . koje osigurava da su u matrici L svi elementi po apsolutnoj vrijednosti najviˇe s 2 jednaki jedinici . . .2 Neka je LU faktorizacija n × n matrice A izraˇunata s pivotiranjem c redaka u aritmetici s relativnom toˇnosti ε i neka su L i U dobivene aproksimacije c za L i U. Iz prethodnih primjera i diskusija jasno je da standardno pivotiranje redaka. 1−α 1 1 .ˇ 4.4. pa odmah moˇemo iskazati sljede´i teorem. doprinosi numeriˇkoj stabilnosti. 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′ .k ij (k) max aij (4.3. Naime. c s c z c Teorem 4. elementi matrice U su dobiveni iz matrica A(k) . . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 179 LU faktorizacija matrice A′ = LU je 1 α 1 1 = 1 α 0 1 1 0 1 . 1. Dakle. α |δA′ | ≤ ε|A|. 0 1 0 . onda je s LU = P (A + δA). pa je broj max aij ˜ ρ= i. U tom sluˇaju veliˇina produkta c c |L| |U| bitno ovisi o elementima matrice U.j.4. S druge strane. Broj ρ zovemo faktor rasta elemenata u LU faktorizaciji i definiran je bez obzira da li koristimo pivotiranje redaka. 1 U= δA′ po elementima istog reda veliˇine kao i |A′ |.

u sluˇaju egzaktnog raˇunanja je ρ ≤ 2n−1 . Postoje primjeri na kojima se ta gornja ograda i dostiˇe.4. U primjeru 4. ˇto brzo raste kao c s funkcija od n. δA F ≤ 2nε 1 − 2nε n(n + 1) 2 n(n + 1) ρ A 2 F.3.ˇ 4. Moˇemo s z z zakljuˇiti i preporuˇiti sljede´e: c c c • Gaussove eliminacije. 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. 1 − 2nε Kako je A′ + δA′ = P (A + P T δA′ ). Sada primjenom teorema 4. Sljede´a propozicija z c pokazuje da u sluˇaju pivotiranja redaka faktor ρ ima gornju ogradu koja je funkcija c samo dimenzije problema.4. tj. c c Dokaz. bez obzira na pivotiranje. |δA′ | ≤ 2nε |L| |U|. Razlika u numeriˇkoj stabilnosti koju donosi pivotiranje redaka je bolje ponac ˇanje parmetra ρ. Propozicija 4. Primijetimo i da je. c z Primijetimo da je gornja ograda za ρ reda veliˇine 2n . δA F ≤ O(n3 )ερ A F. onda je s z ρ ≤ 2n−1 (1 + ε)2(n−1) . Dokaz ostavljamo ˇitatelju za vjeˇbu. Nakon ponovnog ˇitanja dokaza teorema 4.1 dobijemo da vrijedi LU = A′ + δA′ . valja u praksi uvijek raditi s pivotiranjem redaka. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 180 Specijalno je. Dakle. Specijalno. bez obzira da li pivotiramo retke ili ne.1 Ako LU faktorizaciju raˇunamo s pivotiranjem redaka u aritc metici s maksimalnom greˇkom zaokruˇivanja ε.1 smo vidjeli da u LU faktorizaciji bez pivotiranja rast elemenata tokom faktorizacije moˇe biti po volji velik. odnosno LU faktorizaciju.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). stavljanjem δA = P T δA′ dobivamo tvrdnju teorema. pivotiranjem moˇemo osigurati umjeren rast elemenata u toku s z LU faktorizacije. Ipak.4. . 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. Dokaz.

3.i | ≤ ε.4. } ˜ ˜ ˜ vi = (di ⊖ vi ) ⊘ Tii .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. 1 − (i − 1)ε |ǫ1.4.i )(1 + ǫ2. onda postoji donjetrokutasta (gornjetrokutasta) matrica δT takva da vrijedi nε (T + δT )˜ = d. . . 1 − nε Dokaz. ˜ ˜ za j = 2. trokutaste sustave rjeˇavamo jednostavnim s i elegantnim supstitucijama unaprijed ili unazad. Napomena 4. .i ) . 3 Vidi odjeljak 4. . Sljede´a c c c propozicija opisuje kvalitetu numeriˇki izraˇunatog rjeˇenja trokutastog sustava jedc c s nadˇbi. gdje se elementi od T c ˜ ˜ i T poklapaju u barem 5 decimalnih znamenki (od 8 na koliko je zadana matrica T ). Ta jednostavnost se odraˇava i z na dobra numeriˇka svojstva supstitucija. 0 ≤ η⊲ ≤ v .4. . Dokaz zbog jednostavnosti provodimo samo za donjetrokutastu matricu T . Ako je v rjeˇenje dobiveno primjenom aritmetike raˇunala pre˜ s c ciznosti ε.3 Koliko god da je prethodni rezultat tehniˇki jednostavan.2 Neka je T donjetrokutasta (gornjetrokutasta) matrica reda n i neka je sustav T v = d rijeˇen supstitucijama unaprijed (unazad) kako je opisano s u odjeljku 4..2. . |ǫ2..4..2. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 181 4. Pretpostavljamo da se i-ta komponenta rjeˇenja za i > 1 raˇuna na sljede´i naˇin: s c c c vi = Ti1 ⊙ v1 .ˇ 4. Analiza numeriˇkog rjeˇenja trokutastog sustava c s Kako smo vidjeli u odjeljku 4. onda izraˇunati vektor v zadovoljava T v = d. kada ih provedemo na raˇunalu. te za i = 2. |ζj | ≤ (i − 1)ε . i − 1 { vi = vi ⊕ Tij ⊙ vj . n i−1 vi = ˜ di − Tij (1 + ζj )˜j v j=1 Tii (1 + ǫ1. z Propozicija 4. . Pojednostavljeno govore´i.3. .i | ≤ ε. T11 |ǫ1 | ≤ ε. |δT | ≤ η⊲ |T |. ˜ ˜ Primjenom pravila aritmetike raˇunala dobijemo3 c v1 = ˜ d1 (1 + ǫ1 ). ako radimo s ε ≈ 10−8 i c ako je n = 1000.2. .

|δ L| ≤ y |L|.ˇ 4. tj. LU faktorizaciju moˇemo napraviti tako da L i U smjestimo u matricu A. gdje je LU = A + δA.3 Neka je x rjeˇenje regularnog n × n sustava jednadˇbi Ax = b. Time smo dokazali sljede´i teorem. Izraˇunato rjeˇenje y sustava Ly = b zadovoljava (prema propozic s ˜ ciji 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)). |E| ≤ |L| |δ U| + |δ L| |U| + |δ L| |δ U|.4.4. Tako dobijemo sljede´u implementaciju Gaussovih eliminacija: c . do˜ s z biveno Gaussovim eliminacijama s pivotiranjem redaka. Na kraju ovog odjeljka. 1 − nε Na isti naˇin rjeˇenje x sustava U x = y zadovoljava c s ˜ ˜ (U + δ U )˜ = y . (L + δ L)(U + δ U )˜ = b. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 182 4. Kako to pojednostavljuje oznake. x (A + δA + E)˜ = b. x E = Lδ U + δ LU + δ Lδ U . Kako smo vidjeli u prethodnim odjeljcima.4. tako da su formule c jednostavno A = LU i x = U −1 (L−1 b)). kao u c teoremu 4.1. Neka su L i U izraˇunate trokutaste matrice. Tada postoji perturbacija ∆A za koju vrijedi (A + ∆A)˜ = b. x ˜ Dakle.4. c Teorem 4. 1 − nε Ovdje je P permutacija koja realizira zamjenu redaka. permutacija P se moˇe (za potrebe z analize) odmah primjeniti na polazne podatke i numeriˇku analizu moˇemo provesti c z bez pivotiranja. 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. 1 − 2nε |δ U| ≤ nε |U|. mi ´emo pretpostaviti da su c na polazne podatke A i b ve´ primijenjene zamjene redaka.2) nε (L + δ L)˜ = b. x |∆A| ≤ 5nε P T |L| |U|. Kako smo prije vidjeli. Takoder pretpostavljamo da je 2nε < 1. pokaˇimo kako cijeli algoritam na raˇunalu moˇemo z c z implementirati bez dodatne memorije.3.

. i). . . j)b(j). } b(i) = b(i)/A(i. . c c z s c Rezultat zbrajanja. n − 1 { za j = k + 1. /∗ LU faktorizacija. j).ˇ 4. . .} A(k. mnoˇenja ili dijeljenja dva broja x i y prikaziva z u raˇunalu je po definiciji broj u raˇunalu koji je najbliˇi egzaktnom zbroju. . . . . } } /∗ Rjeˇavanje sustava Ux = y. n { A(i. . . . 1 { za j = i + 1. .4. . . y napisan na mjesto b. . n { za i = k + 1. x napisan na mjesto b. . } 4. j) − A(i. . ∗/ s b(n) b(n) = . . 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 . } } } /∗ Rjeˇavanje sustava Ly = b. j) = A(i. k)A(k. . . . j)b(j). n { za j = 1. k) za j = k + 1. A(n. k) . . Pri tome je relativna greˇka tako izves s denih operacija manja ili jednaka polovini najve´eg relativnog razmaka dva susjedna c broja u raˇunalu. .2 Rjeˇavanje trokutastog sustava jednadˇbi Ax = b Gaussovim elis z minacijama bez dodatne memorije. n { A(j. . i − 1 { b(i) = b(i) − A(i. s c s Navedena pravila za izvrˇavanje elementarnih aritmetiˇkih operacija lako zas c . . . rac c z zlici. umnoˇku. n) za i = n − 1. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 183 Algoritam 4.4. odnosno kvocijentu x i y. ∗/ s za i = 2. n { b(i) = b(i) − A(i. . A = LU ∗/ za k = 1. oduzimanja. .4. k) = A(j. . Dodatak: Osnove matriˇnog raˇuna na raˇunalu c c c Na raˇunalu op´enito ne moˇemo egzaktno izvrˇavati aritmetiˇke operacije. Na primjer. .

ˇ 4. matriˇne c c operacije) bazirana na raˇunanju c m s= i=1 xi yi. M ≈ 10308 . npr. y = 0. |ǫ4 | ≤ ε. . s c c c c m = 4. (U c dvostrukoj preciznosti (64-bitna reprezentacija brojeva) je µ ≈ 10−308 . lako se provjeri da je s = (((x1 y1 (1 + ǫ1 ) + x2 y2 (1 + ǫ2 ))(1 + ξ2 ) + x3 y3 (1 + ǫ3 ))(1 + ξ3 ) ˜ + x4 y4 (1 + ǫ4 ))(1 + ξ4 ) = x1 y1 (1 + ǫ1 )(1 + ξ2 )(1 + ξ3 )(1 + ξ4 ) +x2 y2 (1 + ǫ2 )(1 + ξ2 )(1 + ξ3 )(1 + ξ4 ) 1 + ζ1 1 + ζ2 + x3 y3 (1 + ǫ3 )(1 + ξ3 )(1 + ξ4 ) +x4 y4 (1 + ǫ4 )(1 + ξ4 ) 1 + ζ3 m=4 1 + ζ4 = i=1 xi yi (1 + ζi ). u 32-bitnoj reprezentaciji µ = 2−126 ≈ 10−38 najmanji a M = (1 + 2−1 + · · · + 2−23 )2127 ≈ 1038 najve´i normalizirani strojni broj. u raˇunalu dobijemo. ξi po modulu manje od ε. ˜ Sustavnom primjenom osnovnih svojstava aritmetike na stroju. M) je neˇto sloˇenija pa je ne´emo raditi. . vrijedi |ζk | ≤ mε . Sada je jasno kako bi izgledala formula za proizvoljan broj od m sumanada. Ako s raˇunamo na standardan naˇin. 1 − mε tj. linearne kombinacije. Primijetimo da 1+ζk moˇemo ocijeniti s z 1 − mε ≤ 1 + ζk ≤ 1 . . |ǫ2 | ≤ ε mnoˇenje: x ⊙ y = xy(1 + ǫ3 ).) Analiza za rezultate izvan intervala (µ. norma. s z c Kako na raˇunalu izgledaju osnovne operacije linearne algebre? Lako se uvjeric mo da je ve´ina operacija (skalarni produkt. 1 − mε k = 1. |ǫ1 | ≤ ε oduzimanje: x ⊖ y = (x − y)(1 + ǫ2 ). . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 184 piˇemo na sljede´i naˇin: s c c zbrajanje: x ⊕ y = (x + y)(1 + ǫ1 ). gdje su xi . 2. . yi skalari (realni ili kompleksni brojevi ili njihove aproksimacije na raˇunalu). m. izraz oblika s = ((((x1 ⊙ y1 ) ⊕ x2 ⊙ y2 ) ⊕ x3 ⊙ y3 ) ⊕ x4 ⊙ y4 ). gdje su sve vrijednosti ǫi . y Ove relacije vrijede ako su rezultati navedenih operacija po apsolutnoj vrijednosti u intervalu (µ. |ǫ3 | ≤ ε z x dijeljenje: x ⊘ y = (1 + ǫ4 ). M) gdje je npr.

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

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

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

. . n}.1 uspjeˇno izvrˇio sve operacije u konaˇnoj aritmetici s greˇkom zaokruˇis s c s z vanja ε. r11 za i = 2. . j ≤ n vrijedi c √ |δaij | ≤ ηC aii ajj . . k=1 rij = aij − rki rkj k=1 rii . . U i-tom koraku. . 1 − 2c(n)ε c(n) = max{3. . ˜2 k=1 (4.1 vrijedi1 i−1 rii = (1 + ε2 ) (1 + ε1 ) aii − ˜ rki(1 + ζk ) . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 188 Algoritam 4. n { i−1 yi = bi − rjiyj j=1 rii . . . n { i−1 aii − 2 rki.5. /∗ Trokutasta faktorizacija A = RT R ∗/ za i = 1. n { i−1 rii = √ /∗ za i = 1. tj. (4.1. . c gdje je δA = [ δaij ] simetriˇna matrica i za sve 1 ≤ i.5. c c Propozicija 4.2 Rjeˇavanje linearnog sustava jednadˇbi Ax = b s pozitivno defis z nitnom matricom A ∈ Rn×n .5.2) 1 Ovdje koristimo pretpostavku da je algoritam uspjeˇno zavrˇio sve operacije.5. 2 ≤ i ≤ n. ako njegove operacije s c izvedemo na raˇunalu u aritmetici konaˇne preciznosti ε. } } /∗ Supstitucije naprijed za RT y = b ∗/ b1 y1 = .1 Neka je za zadanu n × n pozitivno definitnu matricu A algoritam 4. 1 { n xi = yi − rij xj j=i+1 rii . rii = aii ∗/ za j = i + 1.1) Dokaz. u algoritmu 4. } /∗ Supstitucije unazad za Rx = y ∗/ yn xn = . rnn za i = n − 1.ˇ 4. ηC = c(n)ε .5. . . } Naˇ je cilj ispitati numeriˇka svojstva algoritma 4. Ako je R izraˇunata aproksimacija matrice R. onda je RT R = A + δA.5. .5. . . da je uspjeˇno s s s izraˇunao rii > 0 za sve i. . c ˜ .

. ˜2 k=1 (4.4) (1 + ε2 )2 a11 = a11 + δa11 . 1 + η 1≤k≤i−1 Uz prethodnu definiciju.ˇ 4. ˜2 1+η k=1 (4.3) Ovu relaciju moˇemo zapisati i u obliku z i−1 rii = ˜ Za i = 1 oˇito je c r11 = ˜ Definirajmo aii + δaii − rki . 1 − c(n)ε Na isti naˇin analiziramo raˇunanje vrijednosti rij . ˜ ˜ ′ 1+τ k=1 (4. Imamo c c ˜ i−1 rij = (1 + ǫ1 )(1 + ǫ2 ) ˜ aij − ′ rkj rki (1 + ζk ) ˜ ˜ k=1 rii ˜ . 1 + τ 1≤k≤i−1 k i i |δaij | ≤ τi ≤ k=1 |˜kj | |˜ki| ≤ τi r r τi √ rkj ˜2 k=1 k=1 rki ˜2 τi ≤ 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 . 1 − (i − 1)ε pa stavljanjem 1 + τ = (1 + ǫ1 )(1 + ǫ2 ) lako dolazimo do relacije i rkj rki = aij + ˜ ˜ k=1 i−1 τ rij rii − ˜ ˜ rkj rki ζk = aij + δaij = aji + δaji. ′ |ζk | ≤ (i − 1)ε .5. lako provjerimo da u relaciji (4.5.5. |η| . j > i.5.5.4) vrijedi ηi = max i |δaii | ≤ ηi k=1 rki ≤ ˜2 ηi aii . 1 − ηi ηi ≤ c(n)ε . max |ζ ′ | .6) τi = max moˇemo pisati da je z i |τ | .5) Ovu relaciju moˇemo proˇitati i na drugi naˇin kao z c c i−1 rij = ˜ Ako sada definiramo aij + δaij − rii ˜ rkj rki ˜ ˜ k=1 . 1 − c(n)ε (1 − ηi )(1 − ηj ) aii ajj . (4. max |ζk | .

Primijetimo i da je √ 2 2 |Eij | ≤ (2η⊲ + η⊲ ) aii ajj ≤ (2η⊲ + η⊲ )(1 + ηC ) aii ajj . |δaij | max √ ≤ ηC . i. slijedi da izraˇunati x zadovoljava c ˜ (R + δ1 R)T (R + δ2 R)˜ = b. (RT R + RT δ2 R + (δ1 R)T R + (δ1 R)T δ2 R)˜ = b. Prema propoziciji 4. postoje ˜ ˜ c s gornjetrokutaste matrice δ1 R i δ2 R tako da vrijedi (R + δ1 R)T y = b. x Definiramo li tj.4. redom izraˇunati vektori rjeˇenja.5.5. c gdje je δA = [ δaij ]n .5) pokazuju da je RT R = A + δA. Time je tvrdnja propozicije dokazana.5. Ako je x izraˇunata c ˜ c −1 aproksimacija toˇnog rjeˇenja x = A b. x ˜ Pri tome je |δ1 R| ≤ η⊲ |R| i |δ2 R| ≤ η⊲ |R|. c s Kako je A = A + δA. gdje je F = δA + E. ˜ ˜ 1 ≤ i. x E = RT δ2 R + (δ1 R)T R + (δ1 R)T δ2 R dobivamo da je pa zakljuˇujemo da x zadovoljava sustav (RT R + E)˜ = b. Neka su c s y ≈ y i x ≈ x. na primjer. s . 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.2. RT y = b i Rx = y.5.j aii ajj 2 ξ = ηC + (2η⊲ + η⊲ )(1 + ηC ). 1 − nε Nadalje. u kojem je E po elemenc ˜ x T tima mala perturbacija matrice sustava A = R R. Da smo.1 c s s z c ˜ znamo da izraˇunata matrica R zadovoljava c RT R = A + δA. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 190 Konaˇno. imali bismo F = δA i ξ = ηC .j=1 Sad nas zanimaju numeriˇka svojstva algoritma 4. nakon faktorizacije A + δA = RT R trokutaste sustave po y i x rijeˇili egzaktno. i. dobivamo vezu izmedu polaznog sustava i izraˇunatog rjeˇenja x: ˜ (A + F )˜ = b. na isti naˇin i s pribliˇno istom c z gornjom ogradom. primijetimo da relacije (4.3) i (4. x Pri tome su i E i δA ocijenjeni po elementima.2. 2 |E| ≤ (2η⊲ + η⊲ )|R|T |R|. j ≤ n. ˇto moˇemo re´i o x? Iz propozicije 4. i.j aii ajj U sljede´em koraku rjeˇavamo dva trokutasta sustava.ˇ 4. gdje je η⊲ = nε . ˜ (R + δ2 R)˜ = y .

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

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

tj. Ako oznaˇimo Sm = I + X + · · · + X m . jedina perturbacija je ona koja A promijeni u A+δA. Iz jednakosti A + δA = A(I + A−1 δA) vidimo da je regularnost matrice A + δA osigurana ako je I + A−1 δA regularna. Neka je izabrana matriˇna norma jednaka Frobeniusovoj normi. Izbor matriˇne norme · ovisi o konkretnoj c situaciji. Uvjet pod kojim moˇemo garantirati z −1 regularnost matrice I + A δA daje sljede´a propozicija. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 193 postavlja pitanje kako ocijeniti veliˇinu greˇke δx = x −x. ako je poznata informacija c s ˜ o veliˇini greˇaka δA i δb. kada m → ∞. Koriˇtenjem ove propozicije. Kako mi u realnoj primjeni ne znamo toˇno rjeˇenje.j=1 |Xij |2 = tr(X T X).1 vidjeli smo da ˇak i mala perturbacija δA moˇe potpuno c z promijeniti rjeˇenje x. npr. c Propozicija 4. c s U primjeru 4. c n zakljuˇujemo da je za dovoljno veliki indeks m matrica Sm po volji blizu matrici c (I − X)−1 . . o tipu informacije o δA ili o teorijskim rezultatima koje koristimo u analizi. 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. Kako je. Sm = (I − X)−1 − (I − X)−1 X m+1 . Zbog jednostavnosti promatrat ´emo samo (inaˇe. promotrimo jednostavniji sluˇaj u kojem je δb = c c 0.1 Neka je X n × n matrica i · Ako je X < 1 onda je I − X regularna matrica i proizvoljna matriˇna norma. onda moˇemo pisati c z (I − X)Sm = Sm (I − X) = I − X m+1 . pa je x + δx jedinstveno odreden. · = · F .ˇ 4. regularnost matrice A + δA obiˇno osiguravamo s c −1 tako da zahtijevamo da je A δA < 1. Dakle. 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 . Dokaz. zbog X < 1.4. nego i procjenu koliko je ta aproksimacija dobra.6. X F = i. X m+1 (I − X)−1 X m+1 ≤ (I − X)−1 −→ 0. vaˇan) sluˇaj u kojem je matrica koeficijenata A + δA c c z c i dalje regularna. ˜ Na poˇetku teorijske analize. c ∞ k=0 (I − X)−1 = I + X + X 2 + · · · = Xk.

tj. pa x = (A + δA)−1 b moˇemo pisati kao ˜ z x = (I + A−1 δA)−1 A−1 b = (I + A−1 δA)−1 x. δb = ǫ b . F Tada je A−1 δA <1i (A + δA)−1 = (I + A−1 δA)−1 A−1 . 1 − ǫ A−1 A Pri tome postoje perturbacije δA i δb za koje je gornja nejednakost skoro dostignuta. postoje δA i δb takvi da je δA = ǫ A . A−1 F δA F F = ǫ( A F A−1 F) < 1.6.6. Regularnost matrice A + δA je osigurana ako je npr. . da je perturbacija mala po normi. a mjerenja perturbacija ´e biti u proizvoljnoj c c c vektorskoj normi · i pripadnoj matriˇnoj normi · .1) pokazuje da relativna greˇka u izraˇunatom rjeˇenju x moˇe biti s c s ˜ z −1 uve´ana najviˇe s faktorom κF (A) = A F A F u odnosu na relativnu promjenu c s ǫ = δA F / A F u polaznoj matrici A.ˇ 4. zadano (poznato) da je ǫ≡ δA F ≪1 A F mali broj. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 194 pri ˇemu je tr oznaka za trag matrice. c Teorem 4. x − x = A−1 δA˜. Informacija o perturbaciji δA je vaˇan faktor c z u razvoju analize.1 Neka je Ax = b. Preciznije. gdje je δA ≤ ǫ A . Ako je ǫ A−1 A < 1. x ≤ A−1 δA dobivamo A F F x 2. ˜ Znaˇi. tj.6. (4. onda je δx ǫ ≤ x 1 − ǫ A−1 A A−1 b + A−1 x A ≤2 ǫ A−1 A . Perturbacije male po normi Sljede´i teorem daje potpuni opis greˇke ako je perturbacija dana po normi. δb ≤ ǫ b .6. na primjer. ǫ < A F 1 A−1 . c s Op´enito ´emo promatrati i δA i δb. 4. tj. ˜ x−x ˜ x 2 ˜ ≤ A−1 2 F δA ≤ A−1 F δA F = ǫ A−1 A F F A F. (I + A−1 δA)˜ = x.1) Relacija (4. (A + δA)(x + δx) = b + δb.1. pa je c ˜ x x−x ˜ Kako je A−1 δA F 2 F. te δx ǫ ≥ x 1 + ǫ A−1 A A−1 b + A−1 x A . Neka je.

te da je norma razlike A−1 δb − A−1 δAx jednaka sumi normi vektora.3) odluˇuju´i faktor u donoˇenju suda o numeriˇkoj kvaliteti izraˇunate aproksimacije c c s c c x = x + δx sustava Ax = b. b + ǫ A−1 A x . Ovaj zadnji uvjet znaˇi da A−1 δb i −A−1 δAx moraju biti kolinearni. δb tako da vrijedi s A−1 δb − A−1 δAx = ǫ A−1 A−1 δb = ǫ A−1 b . konstruirali smo δA i δb za koje je δx ≥ ǫ A−1 b + ǫ A−1 A x − ǫ A−1 A δx . te da je |v T x| = x . rjeˇavanjem nejednakosti po δx slijedi tvrdnja. Dakle. δb ≤ ǫ b . Dakle. ˇime je dokaz druge tvrdnje teorema zavrˇen. δb ≤ ǫ b ) izvodi optimalnu ocjenu iz koje se jasno vidi da je broj κ(A) = A−1 A (4. c s Vidimo da teorem 4. Pokuˇajmo odrediti perturbacije δA. (ii ) A−1 δAx = ǫ A Dakle. z=0 z z A−1 |v T x| treba postati A−1 δAx = ǫ A A−1 x .2). s Da bismo konstruirali perturbacije za koje dobivena nejednakost skoro postaje jednakost. gdje je v ∈ Rn vektor kojeg ´emo odrediti da postignemo ˇeljene relacije: c z (i ) δA = ǫ A max z=0 uv T z |v T z| = ǫ A max treba postati δA = ǫ A .6. Sada stavimo δA = ǫ A uv T . pa uzimanjem norme dobijemo δx ≤ ǫ A−1 b + ǫ A−1 A x + ǫ A−1 A δx . Postojanje takvog vektora je rezultat Hahn–Banachovog teorema: takav vektor v postoji. δA i δb treba odabrati tako da je δA ≤ ǫ A .2) odakle. Pravilo je jednostavno: ˜ 1 Ovdje pod optimalnosti podrazumijevamo ˇinjenicu da je gornju ogradu za δx / x nemogu´e c c bitno poboljˇati.ˇ 4. pogledajmo desnu stranu jednakosti (4. Iz pretpostavki teorema je δx = A−1 δb − A−1 δAx − A−1 δAδx. onda δb = ǫ b u c zadovoljava δb = ǫ b i A−1 δb = ǫ A−1 b .6.6.6.1 iz zadane informacije o veliˇini perturbacija po normi c 1 ( δA ≤ ǫ A . treba nam vektor v sa svojstvom da je. c Ako je u jediniˇni vektor za kojeg je A−1 u = A−1 . Vrijedi δx ≥ A−1 δb − A−1 δAx − A−1 δAδx . za sve z. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 195 Dokaz. (4. s . A−1 δAx = ǫ A−1 A x . |v T xz| ≤ z .

Ako relaciju (4.6. x tj. ǫ ≥ ǫ ≡ b − A˜ x . kao A˜ = b + δb.4) proˇitamo kako c A˜ = b − r. x + b ˜ tj. onda moˇemo x prihvatiti kao zadovoljavaju´u aproksimaciju. A x + b ˜ b r. Ako je ǫ ≥ 0 takav da postoje δA. onda vidimo da je x egzaktno rjeˇenje sustava koji je dobiven iz originalnog sustava ˜ s promjenom desne strane u b + δb. Neka je r = b − A˜ rezidualni vektor. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 196 • Ako je relativna greˇka (po normi) u podacima najviˇe ǫ. ˜ tj.2.4) Kako je b−Ax = 0. Odredimo δA tako da je δA = ǫ A i c (A + δA)˜ = b − x A b r. A x + b ˜ δA ≤ ǫ A . Dokaz. A x + b ˜ .6. x (4.6. Rezidualni vektor i stabilnost Postoji joˇ jedan jednostavan i koristan naˇin kako prosuditi kvalitetu aproksis c macije x rjeˇenja sustava Ax = b. s s s 4. onda vrijedi x r = δA˜ − δb. jasno je da bi za dobru aproksimaciju x pripadni rezidual trebao ˜ biti mali po normi. c Teorem 4. z ˜ c Zaˇto? Recimo da su naˇa polazna matrica A i vektor b rezultati mjerenja ili nekih s s prethodnih proraˇuna.ˇ 4. (A + δA)˜ = b + δb. δb ≤ ǫ b . x δb takvi da je δA ≤ ǫ A . Radi se o rezidualnom vektoru ˜ s r = b − A˜. onda se relativna s s greˇka u rjeˇenju ponaˇa kao κ(A)ǫ.6. x gdje je δb = −r. x + b ˜ Oˇito je δb = ǫ b . x x Tada je β(˜) = x b − A˜ x . δb ≤ ǫ b }. x Stavimo sada δb = − A pa je r ≤ ǫ( A x + b ).2 Neka je x aproksimacija rjeˇenja sustava Ax = b i neka je ˜ s β(˜) = min{ǫ : (A + δA)˜ = b + δb. Ako je ǫ≡ r b dovoljno mali broj. δA˜ = x A x ˜ r.

svakog koeficijenta u sustavu jednadˇbi. Na isti naˇin piˇemo |δb| ≤ ε|b|. apsolutne vrijednosti matrica i nejednakost medu matricama shva´amo po elc ementima. c . n. . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 197 Slika 4. ove perturbacije su neizbjeˇne pri pohranjivanju z podataka u raˇunalo. Ove nejednakosti jednostavno zapisujemo kao |δA| ≤ ε|A|.ˇ 4. A A rv T . z Definirajmo δA = gdje je v vektor sa svojstvima vT x = x ˜ ˜ i za sve z vrijedi |v T z| ≤ z .1 Interpretacija izraˇunatog rjeˇenja x kao egzaktnog rjeˇenja promijenc s ˜ s jenog sustava jednadˇbi. x + b ˜ Takav vektor v postoji po Hahn–Banachovom teoremu i lako provjerimo da δA ima sva traˇena svojstva. gdje je 0 ≤ ε ≪ 1. Nadalje. tj. tj. .6. Perturbacije po elementima Najpreciznija ocjena perturbacije u matrici A je kada imamo informaciju o perturbaciji svakog njenog elementa. z 4.3. j = 1. Primijetimo da ovakve perturbacije c s (|δA| ≤ ε|A|. . onda je takva ocjena dana relacijama i. . 2.j=1 i.j=1 |δaij | ≤ ε|aij |.6. Ako z je A = [ aij ]n i A + δA = [ aij + δaij ]n . |δb| ≤ ε|b|) ˇuvaju strukturu u smislu da nule u matrici A i vektoru c b ostaju nepromijenjene. i.

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

x |δA| ≤ ε|A|. = |A−1 | |A| |x| + |A−1 | |b| x ∞ |δb| ≤ ε|b| ∞ . (|A| |˜| + |b|)i x Optimalna perturbacija polaznih podataka koja reproducira izraˇunato rjeˇenje dana c s je s δA = D1 |A|D2 . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 199 Korolar 4. |δb| ≤ ε|b|} = max i |ri | . 0 0 x = A−1 b =  1  . Zato kao koeficijent osjetljivosti moˇemo koristiti veliˇinu z c κ∞ (A.6. gdje je |ri | D1 = diag (|A| |˜| + |b|)i x n . β α 0 β . Neka su α = 0 i β = 0 zadani i neka je A= α α β . 0 b= 1 .1 U ovom primjeru istraˇujemo stabilnost Gaussovih eliminacija po z elementima matrice. Vrijedi x c min{ε ≥ 0 : (A + δA)˜ = b + δb. Teorem 4. δb = −D1 |b|. −β   Trokutasta LU faktorizacija matrice A je α α A β 1 = 0 1 L 0 1 U .ˇ 4.6. i=1 D2 = diag(sign(˜i ))n .4 Neka je x izraˇunata aproksimacija rjeˇenja sustava Ax = b i neka ˜ c s je r = b − A˜ izraˇunati rezidual. Primijetimo da je |A−1 | |A| |x| ∞ ≤ |A−1| |A| |x| + |A−1 | |b| |A−1 | |A| |x| x ∞ ∞ ≤ 2 |A−1| |A| |x| ∞. ε→0 ε                     |δA| ≤ ε|A|.6.1 Relativni faktor osjetljivosti je dan relacijom δx ∞ x ∞ lim sup  : (A + δA)(x + δx) = b + δb. x i=1 Primjer 4. x) = ∞ .

A + ∆A s . Dodatak: Udaljenost matrice do skupa singularnih matrica Neka je A n × n regularna matrica. op´enito ne moˇemo garantirati da ´e izraˇunato rjeˇenje c c c z c c s ˜ u kojem su A i ˜ nastali malim relativnim x biti toˇno rjeˇenje sustava A˜ = b ˜ c s x b perturbacijama koeficijenata u A i b. c c Iz A + ∆A = A(I + A−1 ∆A) slijedi da je I + A−1 ∆A singularna. Pokuˇajmo joj na´i najbliˇu singularnu s c z matricu. tj. c ˜ Na primjer. .4. 4. u IEEE aritmetici je takav broj. Znaˇi da z s c c imamo veliku promjenu elementa. ξ3 . δa21 = −a21 . bit ´e x1 = 0. ξ2 . (Citatelju za vjeˇbu ostavljamo c z da pokuˇa na´i joˇ takvih brojeva. i. npr. A F 2 3|α| Iz prethodnog primjera zakljuˇujemo da bez obzira na toˇnost koju koristimo c c u raˇunanju na raˇunalu. jasno je da je za zadovoljavanje druge jednadˇbe u gornjem sustavu ˜ z nuˇno uzeti ǫ21 = −1. β = 4. j = 1. Drugim rijeˇima. . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 200 Vektor y = L−1 b = 1 je izraˇunat bez greˇke. Ako je β broj u raˇunalu takav da je c z ˜ c β ⊙ (1 ⊘ β) = 1. pri ˇemu mjerimo u nekoj matriˇnoj normi · .8) α(1 + ǫ21 ) 0 x2 ˜ 0 Ako je x1 = 0. Primijetimo da s c c c op´enito ne moˇemo garantirati x1 = 0. prelaze u x2 = ˜ 1 (1 + ξ1 ). εi .6.057062130620955e−001. tako da c vrijedi α(1 + ǫ11 ) β(1 + ǫ12 ) x1 ˜ 1 + ε1 = . a elementi x od δb su bi (1 + εi ). β 1 1 x1 = (1 − β x2 (1 + ξ2 ))(1 + ξ3 )(1 + ξ4 ) = (−ξ1 − ξ2 − ξ1 ξ2 )(1 + ξ3 )(1 + ξ4 ). treba odrediti ǫij . x2 interpretirati kao egzaktno rjeˇenje s c s ˜ ˜ s sustava (A+δA)˜ = b+δb. ˇto znaˇi da element a21 treba promijeniti u nulu. ξ4 male greˇke reda veliˇine toˇnosti raˇunala. ˜ ˜ α α gdje su ξ1 . (4. pa je i δA F |α| 1 ≥√ > . ˇ pri ˇemu je β ⊙ (1 ⊘ β) = 9.ˇ 4. egzaktne formule x2 = 1/β. gdje su elementi matrice δA oblika aij (1+ǫij ).6. . x1 = 0. Neka je A+∆A singularna. Ako pogledamo proces supstitucija c s −1 unazad.999999999999999e−001. n. . (δA)22 = −α. (I viˇe.) s c s Pokuˇajmo sada izraˇunato rjeˇenje x1 .

z c Kako u takvim uvjetima implementirati Gaussove eliminacije? U puno vaˇnih primjena matrica sustava A je velike dimenzije. u nekim primjenama niti c z c c toˇno rjeˇenje x = A−1 b nije puno bolje od neke dovoljno dobre aproksimacije x. ali je rijetko z popunjena. c Nadalje. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 201 i I + A−1 ∆A su istog ranga. pa je 1 ∆A ≥ . Lako se uvjeriti da je u takvim s primjerima proces Gaussovih eliminacija ˇesto praktiˇno neupotrebljiv.2 Neka je A regularna matrica i · proizvoljna matriˇna norma. Naime. To znaˇi da je velika ve´ina elemenata od A jednaka nuli. 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. a elementi c c koji nisu nula obiˇno su pravilno rasporedni po matrici ili ˇak imaju i pravilno c c rasporedene numeriˇke vrijednosti. c s ˜ gdje obiˇno x zadovoljava sustav (A + δA)˜ = b. A = i=1 T z σi ui vi moˇe pokazati da je nejednakost u gornjoj propoziciji zapravo n−1 T σi ui vi . Na primjer. Gaussove c ˜ x eliminacije. Dakle. A−1 ∆A < 1 z povlaˇi (zbog propozicije 4. matrica iz primjera 4. Moderne primjene matematike zahtijevaju s rjeˇenja sustava velikih dimenzija. blizak polaznom. · = · 2. Jer. Iterativne metode U prethodnim odjeljcima vidjeli smo da rjeˇenje linearnog sustava Ax = b s op´enito ne moˇemo izraˇunati apsolutno toˇno. ne c s garantiraju idealnu toˇnost. sporoj memoriji (datoteka s c z na disku) i onda moˇemo dijelove matrice uˇitavati dio po dio u radnu memoriju. c Tada je 1 inf A−X ≥ . Takoder.ˇ 4. A−1 Time smo dokazali: Propozicija 4. koje su jednostavno konaˇan niz formula koje vode rjeˇenju sustava. 1 ≤ A−1 ∆A ≤ c A−1 ∆A . svaka barem 4 bajta (veliˇina reprezentacije realnog broja u jednostrukoj preciznosti).2. det(X)=0 A−1 Ako odaberemo n A.6. c mogu´e je da samo spremanje matrice koeficijenata u memoriju raˇunala predc c stavalja poteˇko´u – ponekad matricu drˇimo na vanjskoj.6.) Tada je nuˇno A−1 ∆A ≥ 1. mac c 5 2 10 trica dimenzije n = 10 zahtijeva n = 10 lokacija u memoriji.2 ima broj 2 c . onda se koriˇtenjem SVD dekompozicije matrice s jednakost koja se postiˇe za X = z i=1 4. npr.1) da je I +A−1 ∆A regularna. n > 105 . Dakle. Dakle.7.

Toˇkice pokazuju pozicije elemenata u mac trici koji su razliˇiti od nule. tako da jednostavno ne moˇe stati u memoriju c z raˇunala. zahtijeva 3n mnoˇenja c z i 2n zbrajanja – ukupno 5n operacija. To znaˇi da c za takvu matricu A raˇunanje produkta Av. Najbolje ˇto moˇemo je uˇitavanje dijelova matrice iz vanjske u radnu c s z c memoriju.1.7. pozc nato da je aij = fij (· · ·).) Joˇ jedan primjer rijetko popunjene c s matrice je dan na slici 4.ˇ 4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 202 na dijagonali i −1 na dvije sporedne dijagonale. Ponekad je poznat naˇin kako su generirani elementi matrice (npr. 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. onda op´enito c 2 raˇunanje Av zahtijeva 2n − n operacija. To znaˇi da je raˇunanje produkta c c 2 Av sloˇenosti puno manje od 2n − 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. gdje je v ∈ Rn . kako onda c c c rijeˇiti Ax = b? s . c Ponekad je matrica A velike dimenzije i gusto popunjena (svi ili velika ve´ina c elemenata je razliˇita od nule). z Slika 4.1 Rijetko popunjena matrica. gdje su fij (· · ·) poznate funkcije nekih parametara) pa uvijek moˇemo generirati dijelove matrice. Ako je to jedini naˇin kako do´i do matrice A. a ostali elementi su nule.7. (Ako A nema strukturu.

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

2 b= 19. −1.1 0.9 . pa A−1 b c aproksimiramo s D −1 b.ˇ 4. Ipak. ako stavimo (k) A = D − N. (4. Naravno da je ovo gruba aproksimacija. Primijetimo da vrijedi  1  0  (k+1) (k) a b1 0 −a12 x1 x1  11  + . −1. Zbog jednostavnosti s primjer je dimenzije 2 × 2 tako da svatko moˇe lako slijediti raˇun.000012500000000e+001 .7.7.999937500000000e−001 9. poˇeljno je da je polazna iteracija c z ˇto je mogu´e bliˇe cilju.9 9.3) Pokuˇajmo ovaj proces ilustrirati na jednom primjeru. (k+1) =  (k) 1  b2 −a21 0 x2 x2 0 a22 Dakle.002500000000000e+001 .7.1 . z c Primjer 4.3) definirana je Jacobijeva iterativna metoda. −9. Sada iteriramo kao u relaciji (4.7. Za poˇetnu iteraciju uzmimo vektor s c 1  0  19.2) x(k+1) = D −1 (b + Nx(k) ) = D −1 Nx(k) + D −1 b.000003125000000e+000 1.7. a22 N= onda moˇemo jednostavno pisati z 0 −a21 −a12 .1 Neka je A= 2 −0. Naˇ izbor je bio rezultat jednostavne ideje: matricu A s c z s aproksimiramo s D (jer su dijagonalni elementi ve´i od izvandijagonalnih). −9. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 204 Prije same analize.2).5 0 2 Primijetimo da u poˇetnoj iteraciji pokuˇavamo “pogoditi” rjeˇenje. 0 (4. −1.999999687499999e+000 .987500000000000e−001 9. −3 x = A−1 b = 10 . Ponekad je c s s dovoljno uzeti sluˇajno odabran vektor.949999999999999  = .000000015625000e+001 . ali ipak ima smisla. x(0) = D −1 b =  2 1  −3 −1.002500000000000e+000 1. −1 Matricu A napiˇimo kao u relaciji (4.3) i dobijemo x(1) = x(2) = x(3) = x(4) = x(5) = 1.000000015625000e+000 .7. zgodno je uoˇiti strukturu raˇunanja vektora x(k+1) pomo´u c c c x . Relacijom (4. D= a11 0 0 .999937500000000e+000 .

(4.7. . i=1 aii = 0.4) Primijetimo da izvedene relacije (4. e(k) = D −1 Ne(k−1) = (D −1 N)2 e(k−2) = (D −1 N)k e(0) .2).7.000000000000000e−001 = 2.4) slijedi D = diag(a11 .ˇ 4. . Vidimo i da je nakon k-tog koraka greˇka e(k) barem s −1 k (0) D N puta manja od polazne e .5) gdje je e(0) = x(0) − x pogreˇka prve iteracije x(0) . (4. ako je D −1 N < 1.7. Vrijedi c s s e(k+1) = x(k+1) − x = D −1 N(x(k) − x) = D −1 Ne(k) .7.1 Ako je u rastavu A = D −N u nekoj matriˇnoj normi ispunjeno c D −1 N < 1.7) . ann ). 2.7.3) i relacije s b = Ax = (D − N)x. (4.7.250000000029843e−005 = 3. Sada iz (4.7. . gdje je n A = D − N. dobivamo c c e(k) ≤ (D −1 N)k e(0) ≤ D −1 N k e(0) .3). konvergira rjeˇenju x sustava Ax = b. . s k = 0. . .7. Na primjer. s c Propozicija 4. (4.562499996055067e−007.4) vrijede za proizvoljni n ≥ 2. (4.7. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 205 Ako izraˇunamo relativne greˇke ǫk = x − x(k) c s ǫ0 ǫ1 ǫ2 ǫ3 ǫ4 ǫ5 ∞/ x ∞. Uzimanjem proizvoljne vektorske s norme · i odgovaraju´e matriˇne norme.7. Zapiˇimo ove zakljuˇke u obliku propozicije. lako izraˇunamo ponaˇanje pogreˇke e(k) = x(k) − x. Koriˇtenjem (4.125000000103739e−006 = 1.6) zakljuˇujemo da ´e e(k) teˇiti nuli za svaki poˇetni x(0) ako matrice c c z c (D −1 N)k teˇe nuli za k → ∞. onda za svaku poˇetnu iteraciju x(0) niz c x(k+1) = D −1 (b + Nx(k) ). .7. (4. 1. onda svakako z D −1 N k → 0 za k → ∞.249999999999973e−003 = 6.6) Iz relacije (4. onda je = 5.499999999999858e−002 = 1.

x4 = a44 Jasno je da je u op´enitom sluˇaju c c (k+1) xi i−1 n 1 (k+1) (k) = bi − aij xj − aij xj .7. Uoˇimo da je u relaciji (4.9) Gornje formule definiraju Gauss–Seidelovu iterativnu metodu. . pomo´u c c (0) (0) x1 i x2 .ˇ 4. Lako je pokazati da je D −1 N ∞ < 1. u sluˇaju n = 4 imali z c c bismo 1 (k) (k) (k) (k+1) (b1 − a12 x2 − a13 x3 − a14 x4 ). upravo izraˇunatu (i vjerojatno bolju) c (1) (k+1) vrijednost x1 . x1 = a11 1 (k+1) (k+1) (k) (k) x2 = (b2 − a21 x1 − a23 x3 − a24 x4 ). x3 = a33 1 (k+1) (k+1) (k+1) (k+1) (b4 − a41 x1 − a42 x2 − a43 x3 ).   (k+1)    (k) 0   x3 −a34 x4    (k+1) a44 0 x4    (4. vratimo se primjeru n = 4. (1) (1) Primijetimo da smo u relacijama (4. (4. =   (k)    (k) a34   x3    −a34 x4 (k) 0 0 x4  (k)    (k) (k) (k) x1 −a12 x2 − a13 x3 − a14 x4 0     (k) (k)  0   x(k+1)   −a23 x3 − a24 x4  2 = . . aii j=1 j=i+1 i = 1. . vidimo da bi imalo smisla u z (1) (0) formuli za x2 umjesto x1 koristiti novu.7. j=i onda niz generiran Jacobijevom metodom s proizvoljnim x(0) konvergira prema rjeˇenju sustava Ax = b.7. Na primjer. n. formulu za x c modificiramo tako da u svakoj komponenti koristimo najsvjeˇije izraˇunate vrijednosti.7.2 Ako je matrica A dijagonalno dominantna u smislu da je n |aii | > j=1 |aij |.1). .7.7.1) x1 i x2 raˇunali neovisno. Ako paˇljivije promotrimo formule (4. Da bismo bolje shvatili strukturu izvedenih formula. . i = 1. . .8) c 0 a12 0 0  − 0 0 0 0   a13 a23 0 0 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+1) (k) (k) (k) x1 −a12 x2 − a13 x3 − a14 x4 a14   (k)   (k) (k)  a24   x2   −a23 x3 − a24 x4  .8) 1 (k+1) (k+1) (k+1) (k) (b3 − a31 x1 − a32 x2 − a34 x4 ). s Dokaz. . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 206 Propozicija 4.7. n. a22 (4. Op´enito.10) .

osnovni potprogrami za linearnu algebru) sadrˇi potprograme za elementarne operacije s vektorima i matricama. (4.8. 2. . c .11) Kao i u analizi Jacobijeve metode. a34  0  (4. onda niz c generiran Gauss–Seidelovom metodom s proizvoljnim poˇetnim x(0) konvergira prec ma rjeˇenju sustava Ax = b. gdje je M regularna matrica. 2. Biblioteka s c BLAS (Basic Linear Algebra Subroutines. . (4.7.7. (4.netlib. k = 1. a u Gauss–Seidelovoj M = L je donjetrokutasta matrica. U Jacobijevoj metodi je M = D dijagonalna. . da je lako rijeˇiti s sustav Mx(k+1) = b + Sx(k) . Konvergencija prema rjeˇenju sustava Ax = b je osigurana s −1 ako je M N < 1 za neku matriˇnu normu · . . dok je LAz PACK opseˇna biblioteka sa gotovim rjeˇavaˇima za probleme kao ˇto su linearni z s c s sustavi jednadˇbi. dobivamo da je e(k) = (L−1 U)k e(0) . c 4.13) Propozicija 4. uz uvjet regularnosti matrice L. U LAPACK-u su sve elementarne operacije c nad matricama i vektorima izvedene pomo´u poziva biblioteke BLAS. c Obje biblioteke dostupne preko Interneta. . k = 1. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 207 Stavimo a11 a  21 L=  a31 a41  0 a22 a32 a42 0 0 a33 a43 Vrijedi A = L − U i. . .org mogu se na´i implementacije u programskim jezicima FORTRAN i C.12) 0 0   .7.7. Gauss–Seidelovu metodu moˇemo zapisati kao z x(k+1) = L−1 (b + Ux(k) ).14) Pri tome je matrica M odabrana tako da ju je lako invertirati. problemi svojstvenih i singularnih z vrijednosti za matrice i matriˇne parove. 2. . tj. Na adresi http://www.3 Ako je A simetriˇna i pozitivno definitna matrica. 0  a44  0 a12 0 0  U = − 0 0 0 0  a13 a23 0 0 a14 a24   . s I Jacobijeva i Gauss–Seidelova metoda generirane su istom shemom: Matrica A je napisana u obliku A = M − S. k = 1. dvije trenutno najpopularnije biblioteke programa za rjeˇavanje problema numeriˇke linearne algebre.7. Matematiˇki software za problem Ax = b c U ovom poglavlju opisujemo BLAS i LAPACK. . problemi najmanjih kvadrata.ˇ 4. a iteracije su dane s x(k+1) = M −1 (b + Sx(k) ).

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

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

kx. ky) (raˇuna c i xi yi ). kx). c Deklarirana je sa SUBROUTINE SSCAL (n. xi yi ). DX. • SASUM raˇuna ℓ1 normu x 1 = |x1 | + · · · + |xn |. Rezultat je u vektoru x. CX. REAL FUNCTION SCNRM2 (n. kx. ZY. matrica [x y] je zamijenjena s [c · x + s · y. kx. CX. C. kx. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 210 • SNRM2 raˇuna euklidsku duljinu x 2 vektora x = (n. kx). ky). c Deklarirana je s REAL FUNCTION SASUM (n. REAL FUNCTION SCASUM (n. ZX. DX. kx). • SROT primijenjuje ravninsku rotaciju na vektore x i y. ky. Varijante su: DOUBLE PRECISION FUNCTION DDOT (n. kx. C. y) = y ∗ x vektora x i y. kx). X. kx). CSCAL (n. ky). kx). CX. DY. c · y − s · x]. ZX. • SDOT raˇuna skalarni produkt (x. ZA. ZX. kx). DS). kx. ZSCAL (n. CY.ˇ 4. kx. X. ky. CY. ky) (raˇuna c i COMPLEX FUNCTION CDOTU (n. S). kx). DOUBLE COMPLEX FUNCTION ZDOTC (n. kx. Y. COMPLEX FUNCTION CDOTC (n. CSROT (n. SX. ZX. Varijante su: DROT (n. DOUBLE PRECISION FUNCTION DZNRM2 (n. ky. ky) i DOUBLE COMPLEX FUNCTION ZDOTU (n. CX. DOUBLE PRECISION FUNCTION DZASUM (n. CX. CX. CY. ZX. c Deklarirana je s REAL FUNCTION SNRM2 (n. ZY. X. Y. DY. Procedura je deklarirana sa SUBROUTINE SROT (n. CA. Varijante su: DOUBLE PRECISION FUNCTION DNRM2 (n. Varijante su: DSCAL (n. Preciznije. c Deklarirana je s REAL FUNCTION SDOT (n. kx). • SSCAL raˇuna a·x. X. kx. kx. DS). Varijante su: DOUBLE PRECISION FUNCTION DASUM (n. gdje je a skalar istog tipa kao i vektor x. ZY. ZDROT (n. DX. S). DX. SA. DX. ky. DC. ky). . ZX. kx). DC. DA. kx) tipa REAL. kx). kx). X.

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

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

Matematiˇki c c detalji. rjeˇavanje linearnog sustava jeds nadˇbi ima tri faze: LU faktorizacija. Prenosivost i efikasnost na raznim raˇunalima.0. (Numeriˇka nestabilnost moˇe c c z biti znak greˇke u modelu. Prenosivost je osigurana strogim pridrˇavanjem stanc z darda konkretnog programskog jezika (FORTRAN ili C). zajedno s MAKE datotekama koje same izvrˇavaju proces instaliranja. onda ´e LAPACK dobro iskoristiti c c resurse tog raˇunala.0) -Univ. z Zbog jednostavnosti. bilo kao nove procedure. . 6. NAG Ltd. Naravno. INFO ) * * * -. cijeli kod je dostupan “online”. kako je napisano u izvornom kodu: SUBROUTINE SGETRF( M. N. Kompletan izvorni kod je dostupan preko Interneta. u c c uporabi je LAPACK. 4. Univ. Sve su procedure detaljno s dokumentirane na jednoobrazan i unaprijed definiran naˇin.3. Neprestano usavrˇavanje. kao i detalji implementacije su detaljno opisani u seriji tehniˇkih c izvjeˇtaja (LAPACK Working Notes) koji su dostupni preko Interneta. c 5. Drugim rijeˇima. Obs javljen je i priruˇnik [1]. of Tennessee. IPIV. U vrijeme pisanja ovih redaka. Pogledajmo kako je to napravljeno u LAPACK-u. boljih algoritama z koji nakon strogih provjera postaju dijelovi LAPACK-a. kao ilustraciju dobre prakse programiranja – kako strukture programa tako i dokumentiranosti. c 4. verzija 3.8.) s 3. rjeˇavanje donjetrokutastog i rjeˇavanje gornz s s jetrokutastog sustava jednadˇbi. Efikasnost biblioteke LAPACK c je postignuta oslanjanjem na biblioteku BLAS. Numeriˇka pouzdanost. Uz dosta algoritama ponudjene su procedure za ocjenu greˇke s u izraˇunatim rezultatima. LDA. Trokutastu faktorizaciju raˇunamo procedurom SGETRF. Pogledajmo opis c parametara te procedure.ˇ 4. tako da korisnik moˇe dobiti dodatne informacije i o z rezultatima ali i o svom matematiˇkom modelu. ako imamo c BLAS optimiran za konkretno raˇunalo. Dani su teorijski okviri u kojima je ocjenjena c stabilnost algoritama.. Rjeˇavanje linearnih sustava pomo´u LAPACK-a s c Kako smo vidjeli u prethodnim odjeljcima. U LAPACK-u se posebna paˇnja posve´uje numeriˇc z c c koj stabilnosti. opisujemo procedure u jednostrukoj preciznosti. of California Berkeley.LAPACK routine (version 3. Dat ´emo i c dijelove izvornog koda. Istraˇivaˇi koji sudjeluju u projektu LAPACK dolas z c ze iz cijelog svijeta i neprestano rade na pronalaˇenju novih. A. Za neka raˇunala postoji s c gotova biblioteka koju samo treba kopirati koriste´i FTP. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 213 2. bilo kao zamjena za ve´ postoje´e. Dobra dokumentiranost i jednostavno koriˇtenje.

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

Array Arguments . Argonne National Lab. the i-th argument had an illegal value > 0: if INFO = i. 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. N.. LDB.. Arguments ========= TRANS (input) CHARACTER*1 Specifies the form of the system of equations: * * * * * * * * * * * * * * * * * . * ). INFO ) * * * * * * * -.. * ) .0) -Univ. and division by zero will occur if it is used to solve a system of equations. of California Berkeley.LAPACK routine (version 3. of Tennessee. Courant Institute. B( LDB. 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. NRHS . CHARACTER TRANS INTEGER INFO..i) is exactly zero.. NRHS. N. IPIV.. c SUBROUTINE SGETRS( TRANS. The factorization has been completed. LDB. B. U(i. LDA. Univ.ˇ 4. 1993 . INTEGER IPIV( * ) REAL A( LDA. A. and Rice University March 31. LDA.. . Evo kako izgleda poˇetak procedure SGETRS. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 215 * * * * * * * * * * INFO (output) INTEGER = 0: successful exit < 0: if INFO = -i. but the factor U is exactly singular. NAG Ltd.

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

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

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

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

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

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

Drugim rijeˇima. nije baˇ tako. a katkad i puno dulje. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 222 Trenutno zanemarimo pitanje kako se zadaje funkcija f . Takve funkcije moˇemo jednoznaˇno zadati konaˇnim brojem parametara — z c c na primjer. 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. Raˇunanje f (x0 ). Reklo bi se da je ovdje sve rijeˇeno.6. √ Za osnovne matematiˇke funkcije kao ˇto su: c s x (katkad i op´e potencije xα ). teorija izraˇunljivosti u okviru matematiˇke c c logike i osnova matematike. polinomima ili c racionalnim funkcijama. Naime. nego ˇto je trajanje jedne osnovne s mora raditi za sve ulaze x0 ∈ D. ako imamo na c c c raspolaganju samo 4 osnovne aritmetiˇke operacije.3. ili s • koristimo neki gotovi (pot)program (“software”) koji to radi. hiperboliˇke i njima inverzne funkcije razvijeni su c dobri algoritmi za njihove aproksimacije.6. ponaˇanjem ondosno vrijednostima u konaˇnom broju toˇaka (vidjeti s c c poglavlje o interpolaciji) ili koeficijentima u nekom prikazu funkcije. onda su racionalne funkcije c jedine funkcije f kojima moˇemo izraˇunati vrijednost u bilo kojoj toˇki x0 ∈ z c c D.) i 3. sigurno trebamo efikasne algoritme za raˇunanje vrijednosti racionalc nih funkcija. c z c Odgovore na takva pitanja daje tzv. U praksi se odmah name´u i bitno jaˇa ograniˇenja. sve ostale funkcije moramo aproksimirati.). traje dulje. Dakle. Naime. O tome kako se nalaze takve aproksimacije bit ´e opˇirnije govora u poglavlju o aproksimacijama.4. toˇnost raˇunanja). . onda f mora biti zadana s najviˇe konaˇano mnogo podataka (o f ) i s c ti podaci moraju jednoznaˇno odrediti f . Ako se sjetimo da racionalnu funkciju moˇemo zapisati kao kvocijent z dva polinoma. eksponencijalne. onda je zgodno imati i algoritme za izvrednjavanje polinoma. a definirane su na su za sve realne (ili kompleksne) brojeve (nema problema s nultoˇkama nazivnika). s s c u principu. 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). c s Bez obzira na realizaciju. ako je f ulaz u algoritam. Osim toga. polinomi su joˇ jednostavnije funkcije. Medutim. c c Strogo govore´i. c trigonometrijske. a imaju veliku teoretsku i praktiˇnu primjenu. moˇemo pretpostaviti da za c c c z fℓ(f (x0 )) vrijede iste ili sliˇne ocjene kao i za osnovne aritmetiˇke operacije (vidi c c odjeljke 3.1. pri njihovom izvrednjavanju nema dis jeljenja. To je fundamentalno ograniˇenje i bitno c c smanjuje klasu funkcija kojima vrijednosti uop´e moˇemo algoritamski izraˇunati.

a kasnije ´emo algoritme modificirati i c za neke druge baze. . Zbog toga ponekad izbjegavamo puno poziva takvih c funkcija. . imaju algebarsku strukturu prstena. . u teoriji c z aproksimacije obiˇno se koriste ortogonalni sustavi funkcija za aproksimaciju. Sloˇenost oˇito ovisi o broju ˇlanova u sumi. Polinomi. n ∈ N0 . z c poput R i C. . Moˇemo ih definirati nad z bilo kojim prstenom R u obliku n p(x) = i=0 ai xi . . Ideja je koriˇtenje rekurzivnih relacija koje zadoc s voljavaju takve i sliˇne. gdje su ai ∈ R koeficijenti iz tog prstena. pogotovo ako se to moˇe razumno izbje´i. Da broj ˇlanova ne bi bio umjetno z c c c prevelik. Na poˇetku razmatranja c c 2 n koristimo standardnu bazu 1. Polinom se obiˇno zadaje stupnjem n i koeficijentima a0 . Za osnovne funkcije. . uvrˇtavanjem x0 umjesto simboliˇke varijable c s c x. Kada ˇelimo naglasiti stupanj. tako da c je n stupanj tog polinoma p. x . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 223 aritmetiˇke operacije (ˇak i ako sve ˇetiri operacije nemaju isto ili podjednako trac c c janje). polinom oznaˇavamo s z c pn . a x je simboliˇka “varijabla”. . Lako je pokazati da za c svako n. efikasno i bez ve´eg gubitka z c c toˇnosti. 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. polinome moˇemo interpretirati i kao funkcije. a c funkcije takvog sustava zadovoljavaju troˇlanu rekurziju. an u nekoj bazi c vektorskog prostora polinoma stupnja ne ve´eg od n. c Medutim. c kao simboliˇki objekti. . tj. trajanje moˇe biti 10 pa i viˇe puta dulje od trajanja z s jedna aritmetiˇke operacije. x . Zanimaju nas efikasni algoritmi za raˇunanje c te vrijednosti. Zbog toga. a za aproksimaciju vaˇne funkcije. ali c neki rezultati o njihovoj sloˇenosti vrijede samo za beskonaˇna neprebrojiva polja. Na primjer. x.1. ˇto su ionako najvaˇniji primjeri u praksi. Hornerova shema Polinomi su najjednostavnije algebarske funkcije. c U mnogim sluˇajevima to se moˇe napraviti i u ovom poglavlju ´emo pokazati c z c neke op´e algoritme tog tipa. standardno uzimamo da je p = 0 i da je vode´i koeficijent an = 0.6. koje moˇemo izvredz z njavati u svim toˇkama x0 prstena R. u nastavku prets z postavljamo da radimo iskljuˇivo s polinomima nad R ili C. c 6. . Algoritmi koje ´emo napraviti u principu rade nad bilo kojim prstenom R. Dobiveni rezultat p(x0 ) je opet u R.

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

c s z tj. Predloˇio ga je W.1.1.2 (Hornerova shema) sum := an . Hornerovu shemu treba modificirati tako da koristi samo parne potencije (potenciranjem x → x2 ). Pod aktivnim mnoˇenjem podrazumjevamo mnoˇenje z z z izmedu ai i x.2. G. Dakle. polic c nom p100 (x) = x100 + 1 besmisleno je izvrednjavati Hormerovom shemom. Isto vrijedi i za polinom koji ima samo neparne potencije. { Na kraju je pn (x0 ) = sum. Rezultat prethodnog z teorema moˇe se poboljˇati samo ako jedan te isti polinom izvrednjavamo u mnogo z s . Munro) Za op´i polinom n-tog stupnja potrebno je bac rem n aktivnih mnoˇenja. Sastavite pripadne algoritme. Na primjer. z 6. Ukupno bismo imali 8 mnoˇenja i 1 zbrajanje. z z Takoder. s Algoritam 6. z Teorem 6. Hornerova shema ima optimalan broj mnoˇenja. } Odmah je oˇito da smo koriˇtenjem ovog algoritma broj mnoˇenja prepolovili. jer bi to predugo trajalo (binarno potenciranje je brˇe). 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. da je njegova sloˇenost z n mnoˇenja + n zbrajanja. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 225 Algoritam koji po prethodnoj relaciji izvrednjava polinom zove se Hornerova shema. ali sliˇan zapis je koristio i Isaac z c Newton.6. godine. Za Hornerovu shemu moˇe se pokazati da je optimalan algoritam. for i := n − 1 downto 0 do sum := sum ∗ x0 + ai . kad izvrednjavamo polinom koji ima samo parne koeficijente n p2n (x) = i=0 a2i x2i .1. i na kraju pomnoˇil x64 · x32 · x4 . godine. joˇ 1669. Horner. Binarnim potenciranjem redom bismo potencirali bazom 2 za z dani x x → x2 → x4 → x8 → x16 → x32 → x64 . 1819.1 (Borodin.

n paran. Zato napiˇimo p4 po potencijama od x s 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 ). . V. tako da bismo kasnije imali ˇto manje operacija po svakoj s pojedinoj toˇki. dobivamo c s 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 ). Pokaˇimo jedan primjer c c s c z adaptiranja koeficijenata za polinom stupnja 4. Pan je pokazao da vrijedi sljede´i teorem. Rjeˇavanjem po ai . c c Teorem 6.1 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 .1. ⌈n/2⌉ − 1. . jer zbrajanje na raˇunalu troˇi manje vremena od mnoˇenja. Ove relacije zahtijevaju dosta raˇunanja. z := an y + e0 . n neparan. prvo treba odrediti z ci u ovisnosti o ai .1. 1 Uoˇimo da veza izmedu ai i ci nije linearna. takvi da se pn moˇe izraˇunati koriˇtenjem z c s (⌊n/2⌋ + 2) mnoˇenja + n zbrajanja z po sljede´oj shemi c y =x+c w = y2 (an y + d0 )y + e0 . . di .2 (Pan) Za bilo koji polinom pn stupnja n ≥ 3 postoje realni brojevi c. z := z(w − di ) + ei . za i = 1. c s z Dapaˇe. 2. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 226 toˇaka. p4 (x) = ((y + x + c2 )y + c3 )c4 . ei . Tada se koeficijenti polinoma prije samog izvrednjavanja adaptiraju ili c prekondicioniraju. c Zanimljivo je Hornerova shema optimalna za polinome stupnjeva n = 1. Primijetimo da ona koristi 3 mnoˇenja i 5 zbrajanja. za 0 ≤ i ≤ ⌈n/2⌉ − 1. ˇak i kad raˇunamo vrijednost polinoma u viˇe toˇaka.6. Primjer 6. 2 i 3. Nakon toga c ´e svako izvrednjavanje zahtijevati manje vremena od Hornerove sheme na polaznom c polinomu. ali se to obavlja samo jednom. . Medutim.

sljede´i teorem pokazuje je red veliˇine broja c c c operacija u Hornerovoj shemi optimalan za gotovo sve polinome. Teorem 6.95 0.1. di i ei . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 227 U prethodnom teoremu nije niˇta reˇeno o tome koliko je operacija potrebno s c za raˇunanje c.5 · 10−13 0. 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.05 x Izvrednjavanje polinoma (x − 1)10 razvijenog po potencijama od x: koriˇtenjem direktne sumacije u double precision aritmetici.3.5 · 10−13 0. s y 1.0 · 10−13 1 1.6.3 (Motzkin. 6. y 1. Stabilnost Hornerove sheme U proˇlom smo odjeljku pokazali da je Hornerova shema optimalan algoritam s u smislu efikasnosti.5 · 10−13 0.5 · 10−13 1 1.1. Paˇljivom analizom greˇaka zaokruˇivanja nije teˇko pokazati z s z s da je Hornerova shema i stabilan algoritam. Medutim.5 −1.0 · 10−13 0.05 x .0 · 10−13 0.95 −0.

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

1. . 3 −3 .2) i sredimo koeficijente uz odgovaraju´e potencije. koeficijenti koje dobijemo u Hornerovoj shemi su baˇ koeficijenti polinomas kvocijenta i ostatka pri dijeljenju polinoma pn linearnim faktorom x − x0 . Primjer 6. c dobivamo pn (x) = bn xn + (bn−1 − x0 bn )xn−1 + · · · + (b1 − x0 b2 )x + b0 − x0 b1 . .1. odmah zakljuˇujemo bn = an . 1 ≤ i ≤ n (ˇto c s je pomak indeksa za jedan u odnosu na dosad koriˇtenu notaciju). Dakle. Provjerite zadnju relaciju mnoˇenjem polinoma! z 2 0 −2 −1 1 4 0 1 4 . Znamo da s je qn−1 polinom stupnja n − 1.3 Podijelimo p5 (x) = 2x5 − x3 + 4x2 + 1 linearnim polinomom x + 1. Zadnja relacija i veza bn = an pokazuju da bi moˇemo izraˇunati iz bi+1 rekurzijom z c bi = ai + x0 · bi+1 .1.1. Primijetite da je to ista tablica kao u primjeru 6. . a kako je inicijalno i bn = cn−1 . i = n − 1. i = 1.1). Za vode´i koeficijent bn . zakljuˇujemo da vrijedi c bi = ci−1 .3) u (6. a njegove koeficijente oznaˇimo s bi . i < n c c je ai = bi − x0 · bi+1 .2. c Uvrstimo li (6. b0 = r0 . .1.1. samo s pomaknutim indeksima.1.2) pokazuje da za ostatak vrijedi r0 = pn (x0 ).6. a za ai uz potenciju xi . Primijetite da je to relacija istog oblika kao (6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 229 Uvrˇtavanje x = x0 u (6. oznaˇimo.3) Dodatno. . (6. s n−1 qn−1 (x) = i=1 bi+1 xi . . n. . 0. pa imamo 2 −1 Odatle lako ˇitamo c 2x5 − x3 + 4x2 + 1 = (x + 1) (2x4 − 2x3 + x2 + 3x − 3) + 4. .

1. Koja su znaˇenja c ri ? Usporedimo dobiveni oblik s Taylorovim polinomom oko x0 pn (x) = pa zakljuˇujemo da vrijedi c ri = p(i) (x0 ) n .3 (Dijeljenje polinoma s (x − x0 )) bn := an . c . 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 . napiˇimo algoritam koji nalazi koeficijente pri dijeljenju polinoma c s linearnim polinomom. Dakle.6. i! 0 ≤ i ≤ n.1. p(i) (x0 ) n (x − x0 )i .5. polinom pn napisan je razvijeno po potencijama od (x−x0 ).1. tj. {polinom-kvocijent: bn xn−1 + · · · + b2 x + b1 } 6. Algoritam 6. i! i=0 n Potpuna Hornerova shema raˇuna sve derivacije polinama u zadanoj toˇki podijec c ljene pripadnim faktorijelima. Potpuna Hornerova shema ˇ Sto se dogada ako postupak dijeljenja polinoma linearnim faktorom nastavimo. for i := n − 1 downto 0 do bi := bi+1 ∗ x0 + ai . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 230 Konaˇno. Primjer 6.4 Nadimo sve derivacije polinoma p5 (x) = 2x5 − x3 + 4x2 + 1 u toˇki −1.

kod izvrednjavanja interpolacijskog polinoma u Newtos c novoj formi.6. c z c Algoritam 6.1. for i := 1 to n do for j := n − 1 to i − 1 do rj := rj + x0 ∗ rj+1 . Ako s c oznaˇimo yi = x − xi i postavimo zagrade kao u Hornerovoj shemi. . a x toˇka u kojoj ˇelimo izraˇunati vrijednost c c c c z c polinoma. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 231 Formirajmo potpunu Hornerovu tablicu.6. 2 −1 −1 −1 −1 −1 −1 Odatle lako ˇitamo c p5 (−1) = 4. (5) (3) (1) p5 (−1) = −10 · 4! = −240. p5 (−1) = −13 · 2! = −26. Algoritam koji nalazi koeficijente ri . (4) (2) 2 2 2 2 2 2 −2 −4 −6 −8 0 −1 4 3 −2 0 −1 −3 1 4 1 5 11 −13 19 −10 p5 (−1) = −1 · 1! = −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 . Algoritam kojim se vrˇi izvrednjavanje je vrlo sliˇan Hornerovoj shemi. “Hornerova shema” za interpolacijske polinome Kao ˇto ´emo vidjeti. p5 (−1) = 2 · 5! = 240.4 (Taylorov razvoj) for i := 0 to n do ri := ai . p5 (−1) = 19 · 3! = 114. odnosno koeficijente Taylorovog razvoja zadanog polinoma oko toˇke x0 . imamo c pn (x) = (· · · ((an yn−1 + an−1 )yn−2 + an−2 )yn−3 + · · · + a1 )y0 + a0 . 6. moˇe se napisati koriste´i samo jedno polje.1. Tako smo dobili “Hornerovu shemu” za interpolacijske polinome. pri ˇemu su toˇke xi toˇke interpolacije.

s vode´im koeficijentom 1. takav c da je s2 (z0 ) = 0. koji z niju razvijen u standardnoj bazi. polinoma s realnim z c s koeficijentima) u kompleksnoj toˇki. . {pn (x) = sum} Dakle. c z Neka je z0 = x0 + iy0 . s2 (x) = (x − x0 − iy0 ) (x − x0 + iy0 ). jer ako je x0 + iy0 nultoˇka polinoma s realnim c koeficijentima. for i := n − 1 downto 0 do sum := sum ∗ (x − xi ) + ai .5 (“Hornerova shema” za interpolacijske polinome) sum := an . Hornerovu shemu moˇemo iskoristiti i za ovakav prikaz polinoma. z1 · z2 = z1 · z2 . vrijedi op´enito. Tvrdimo da postoji realan polinom s2 stupnja 2. Oznaˇimo koeficijente polinoma s2 sa c s2 (x) = x2 + px + q. Dokaz je jednostavan i moˇe se pokazati na viˇe naˇina. Dokaz se moˇe provesti i direktno. 6. Ako ˇelimo izraˇunati vrijednost realnog polinoma (tj.1.7. koriˇtenjem svojstava konjugiranja z s z1 + z2 = z1 + z2 . tj. Konjugiranjem s2 (z0 ) = 0 izlazi 2 2 0 = s2 (z0 ) = z0 + pz0 + q = z0 + pz0 + q = z0 2 + pz0 + q = s2 (z0 ).1. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 232 Algoritam 6. realne koeficijente od s2 moˇemo napisati koriˇtenjem realnog i imaginarnog dijela z0 z s s2 (x) = x2 + px + q = (x − x0 − iy0 ) (x − x0 + iy0 ). onda je to i x0 − iy0 . to se moˇe napraviti uz odredenu uˇtedu. Dakle. s2 (z0 ) = 0 vrijedi ako i samo ako vrijedi s2 (z0 ) = 0.6. Jedan je z s c posljedica osnovnog teorema algebre. Hornerova shema za realni polinom i kompleksni argument Sve ˇto smo dosad izvodili. ako su koeficijenti polinoma i toˇka s c c x0 iz istog polja. kod realnog polinoma kompleksne nultoˇke c dolaze u konjugirano-kompleksnim parovima. tj. R ili C.

. s tim da ´e indeksi i = 2. 0.1. ovaj put s indeksima pomaknutim za 2 n−2 i=0 qn−2 (x) = bi+2 xi . Napiˇimo proˇlu relaciju u pogodnoj formi. . . . s bi = ai − pbi+1 − qbi+2 . uz bn+1 = bn+2 = 0. . izlazi rekurzivna relacija ai = bi + pbi+1 + qbi+2 . koeficijente bi raˇunamo iz dva koja c c odgovaraju susjednim viˇim potencijama.1.6) ponovno. (6. n dati koeficijente c c . . . Drugim rijeˇima. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 233 tj. podijelimo polazni realni polinom polinomom s2 . 0. onda prethodnu relaciju moˇemo pisati kao z n n ai x = i=0 i=0 i (bi + pbi+1 + qbi+2 ) xi . Ostatak pri dijeljenju viˇe nije samo konstanta. . (6. i = n. (6. . nego moˇe biti i polinom r stupnja 1 s z pn (x) = s2 (x)qn−2 (x) + r(x).6. 2 q = x2 + y0 . dobivamo: n n−2 n−2 n−2 ai xi = i=0 i=0 n bi+2 xi+2 + p i=0 bi+2 xi+1 + q i=0 n−2 i=0 n−2 bi+2 xi + b1 (x + p) + b0 = i=2 n bi xi + p bi xi + p n−1 i=1 n−1 bi+1 xi + q bi+1 xi + q bi+2 xi + (b1 x + b0 ) + pb1 bi+2 xi . ˇ Sto je rezultat? Ako traˇimo rezultat dijeljenja kvadratnim polinomom. napiˇimo na “ˇudan” naˇin s s s c c polinom r pn (x) = (x2 + px + q) qn−2 (x) + b1 (x + p) + b0 .1. = i=0 i=0 i=0 Definiramo li dodatno bn+1 = bn+2 = 0. 0 Po analogiji.4) Izaberimo oznaku za koeficijente polinoma qn−2 .4) i usporedivanjem koeficijenata uz odgovaraju´e pos c tencije. . Usporedivanjem koeficijenata lijeve i desne strane. p = −2x0 . . i = n.5) Uvrˇtavanjem (6.1. .5) u (6. onda z moramo izraˇunati sve koeficijente bi . uz start bn+1 = bn+2 = 0. tj.1.

Relaciju (6. Odmah se dobije pn (x0 + iy0 ) = b1 ( − x0 + iy0 ) + b0 = (b0 − x0 b1 ) + iy0 b1 .1.4). na kraju raˇuna. tj. bez ikakvih ograniˇenja. 2 q := x2 + y0 . Koeficijenti p i q su tada ulazni podaci.6) Algoritam 6.1. (6.1.1. Uoˇimo da je s2 (x0 + iy0) = 0 (tako je definiran). Ako c ˇelimo ostatak napisan u standardnoj bazi. Konaˇno.7) To znaˇi da nam trebaju samo koeficijenti b1 i b0 da bismo znali izraˇunati vrijednost c c u toˇki z0 . postavit ´emo c c c b0 := b0 + b1 p Sljede´i algoritam raˇuna kvocijent polinoma pn i kvadratnog polinoma s2 u stanc c dardnoj bazi. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 234 polinoma qn−2 .4). nego samo “trenutna” tri koji su nam c potrebni u rekurziji (6. Promotrimo c relaciju (6. bn−1 := an − p ∗ bn . onda ´emo r napisati kao z c r(x) = b1 x + (b0 + b1 p).4) svede c na pn (x0 + iy0 ) = b1 (x0 + iy0 + p) + b0 . kad izraˇunamo sve koeficijente bi .1. 0 b1 := 0.1. onda nam ne trebaju svi bi -ovi. tj. vratimo se zadatku od kojeg smo krenuli. q c ne mora biti nenegativan.7 (Vrijednost realnog polinoma u kompleksnoj toˇki) c p := −2 ∗ x0 .6. pa se (6. a b1 i b0 bit ´e ostaci pri dijeljenju napisani u formi (6. b0 := b0 + p ∗ b1 . ne c c moramo pamtiti ˇitavo polje koeficijenata bi .1.7) moˇemo i ljepˇe napisati jer znamo da je c z s p + x0 = −2x0 + x0 = −x0 .1. for i := n − 2 downto 0 do bi := ai − p ∗ bi+1 − q ∗ bi+2 . Ako ˇelimo izraˇunati c z c vrijednost polinoma pn u toˇki x0 + iy0 . b0 := an . pa vidimo da za raˇunanje vrijednosti realnog polinoma u kompleksnoj toˇki. for i := n − 1 downto 0 do .6 (Dijeljenje polinoma kvadratnim polinomom) bn := an . Algoritam 6.

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

Im(p3 (2 + i)) = b1 b = 43. c Uzmimo toˇku 2 + i. a z rekurzija je bi = ai + pbi+1 + qbi+2 . z = x + iy.1. Funkcije u i v moˇemo interpretirati i kao realne funkcije kompleksnog argumenta z u(z) = Re (pn (z)). . imamo algoritam za nalaˇenje njihovih vrijednosti. pa. .6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 236 Primjer 6. i = n. gdje je z = x + iy. . Dakle. Formirajmo c tablicu. p3 (2 − i) = 27 − 43i. gdje je Algoritam za nalaˇenje koeficijenata u ovoj formulaciji je: start bn+2 = bn+1 = 0. y). s uzmimo da nam i kvadratni polinom ima oblik x2 − px − q (pa svugdje gdje u proˇlom odjeljku piˇe p treba pisati −p. pa je Re(p3 (2 + i)) = b0 − b1 a = 113 − 86 = 27.1.5 Nadimo vrijednost polinoma p3 (x) = x3 + 8x2 + 1 u toˇkama 2 ± i. prema proˇlom odjeljku. imamo p3 (2 + i) = 27 + 43i. Vrijedi pn (z) = u(x. Raˇunanje parcijalnih derivacija kompleksnog polic noma Kompleksni polinom u varijabli z. pa je x0 = 2.8) r(x) = b1 (x − p) + b0 . . rastav s s s u produkt kvadratnog polinoma i polinoma stupnja n − 2 u ovakvoj notaciji glasi: pn (x) = s2 (x)qn−2 (x) + r(x). 0. Dakle. v(z) = Im (pn (z)). a p = −4. y) + iv(x. q = 5. moˇe se zapisati pomo´u dva polinoma u i z c v u dvije realne varijable x i y. s z Da bismo oponaˇali dijeljenje polinoma linearnim polinomom oblika x − x0 .1. a gdje piˇe q treba pisati −q). (6.8. 1 8 0 1 5 −4 4 1 12 + −5 48 43 −60 172 113 . 6. . Posljednja dva koeficijenta su b1 = 43. b0 = 113. y0 = 1.

i = n.1. ∂p ∂q ∂p ∂q Uvedimo oznake ∂bi ∂bi ci = .9) Dakle. . da bismo izraˇunali vrijednosti parcijalnih derivacija u nekoj toˇki. . y). ∂y ∂p ∂y ∂q ∂y dobivamo (izostavljaju´i pisanje toˇke u kojoj deriviramo) c c ∂u ∂b0 ∂b1 ∂b0 ∂b1 ∂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 . . . i = n. n. vrijedi ci+1 = di . ∂y ∂x Zbog toga je dovoljno prona´i samo ili parcijalne derivacije jedne od funkcija ili c parcijalne derivacije po jednoj varijabli. Iskoristimo li da vrijedi ∂ ∂ ∂p ∂ ∂q = + . 0. ∂x ∂y ∂u ∂v (x. . y) = (x. . v(x. y). . c c dovoljno je znati ∂b0 ∂b0 ∂b1 ∂b1 . 0 = dn+1 = 0 = bi+2 + pdi+1 + qdi+2 . . . ∂y ∂y ∂q ∂q (6.6. y). 0. . . pa za njihove parcijalne derivacije vrijede c Cauchy–Riemannovi uvjeti ∂u ∂v (x. . i = n + 1. samo s indeksom translatiranim za 1.8) prvo po p. . y) = − (x. . . y) = yb1 . i = n + 2. . n − 1.1. ∂p ∂q Deriviramo li formalno relaciju (6. . . onda su realni i imagic c narni dio te funkcije u(x. Parcijalne derivacije funkcija u i v moˇemo dobiti koriˇtenjem deriviranja sloˇenih z s z funkcija. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 237 Pokazali smo da je tada pn (z0 ) = (b0 − x0 b1 ) + iy0 b1 . a zatim po q. 0 Odavde odmah vidimo da ci -ovi i di -ovi tvore istu rekurziju. . y) = b0 − xb1 . tj. di = . dobivamo cn+2 ci dn+2 di = cn+1 = 0 = bi+1 + pci+1 + qci+2 . Shvatimo li pn (z) kao funkciju u odgovaraju´oj toˇki (x. Polinomi su analitiˇke funkcije. .

Ta generalizacija Newtonove metode zove se metoda Newton–Bairstow. tj. c Pretpostavimo da se funkcija f u okolini neke toˇke x0 (u R ili C) moˇe razviti c z . y0 ) = − (x0 . analitiˇkih funkcija.2. y0) = 2y0(x0 d1 − d0 ) = 2y0 (x0 c2 − c1 ) ∂y ∂x ∂v ∂u 2 2 (x0 . Ako ˇelimo na´i kompleksne nultoˇke realnog z c z c c polinoma. y0 ) = (x0 . Relacija (6.8 (Algoritam Bairstowa) b1 := an .9) odmah daje kako se iz c-ova i b-ova dobivaju parcijalne derivacije ∂u ∂v (x0 . uz z paralelno raˇunanje bi . end. c0 := an . c2 := c1 . ∂y ∂x Motivacija za ovaj algoritam potjeˇe iz modifikacije Newtonove metode za c traˇenje realnih nultoˇaka polinoma. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 238 Zbog toga. moˇemo koristiti i kao pribliˇne algoritme za izvrednjavanje redova z z potencija. Algoritam 6. c 6.1. b1 := b0 . umjesto dvije rekurzije za koeficijente moˇemo raditi samo s jednom. c0 := b1 + p ∗ c1 + q ∗ c2 .6. c2 := 0. c Algoritam dobivanja parcijalnih derivacija zove se algoritam Bairstowa. koji su egzaktni u egzaktc noj aritmetici. Generalizirana Hornerova shema U proˇlom odjeljku napravili smo nekoliko algoritama za izvrednjavanje polis noma i njegovih derivacija u zadanoj toˇki. for i := n − 2 downto 0 do begin b2 := b1 . c1 := 0.1. Te algoritme. y0 ) = b1 − 2y0 d1 = b1 − 2y0 c2 . c1 := c0 . prvo treba izluˇiti kvadratni polinom s konjugirano kompleksnim parom c nultoˇaka. b0 := an−1 + p ∗ b1 . b0 := ai + p ∗ b1 + q ∗ b2 .

z c c ovim pristupom moˇemo bitno pove´ati klasu funkcija s kojima moˇemo raˇunati. s . Algoritam za raˇunanje fN (x) u zadanoj toˇki x bitno ovisi u tome da li c c N znamo unaprijed ili ne.6. Zasad recimo samo to da z se izbjegava direktno koriˇtenje redova potencija (6. recimo reda veliˇine osnovne greˇke zaokruˇivanja u. postoji N ∈ N takav da je c N fN (x) = n=0 an (x − x0 )n . Tome ´emo c posvetiti punu paˇnju u poglavlju o aproksimacijama. . sve dok se izraˇunata suma ne stabilizira na zadanu toˇnost. No. (6. ovu beskonaˇnu sumu ne moˇemo efektivno algoc c c z ritamski izraˇunati. (6. (x − x0 ). z c z c Ako je greˇka ε dovoljno mala. Kad uzmemo u obzir da ionako pribliˇno raˇunamo u aritmetici raˇunala.2).2. ve´ smo vidjeli u primjeru za sin x. . odnosno neki krug u C. Nije bitno da li greˇku mjerimo u s s apsolutnom ili relativnom smislu. konaˇne komade ovog razvoja moˇemo iskoristiti za aproksimaciju c z funkcije f na toj okolini. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 239 u red potencija oblika f (x) = ∞ n=0 an (x − x0 )n . . moˇemo posti´i i uniformnu aproksimaciju s toˇnoˇ´u ε z c c sc na takvim kompaktima. Cak da N bude “savrˇen”.} i nejednolikog rasporeda pogreˇke e(x) = f (x) − fN (x) na domeni aproksimacije. Katkad s c s c je sasvim dobra i pribliˇna vrijednost za N.1) s tim da znamo taj red konvergira prema f na toj okolini od x0 . tj. cs Vrlo ˇesto se N moˇe unaprijed odrediti iz analitiˇkih svojstava funkcije f .2) aproksimacija za f (x) s greˇkom manjom od ε. Iz konvergencije razvoja po toˇkama odmah slijedi da.2. potrebna c duljina razvoja N ovisi i o ε i o x. pa N onda ovisi samo o ε. Naravno. Ako ga ne znamo. . pretpostavimo da znamo sve koeficijente an u ovom razvoju. ako se sjetimo da redovi potencija konvergiraju uniformno na kompaktima. za c bilo koju unaprijed zadanu toˇnost ε > 0.2. tako c z c da dobijemo uniformnu aproksimaciju s toˇnoˇ´u ε na nekom kompaktu. Zbog toga se sumacija z c unaprijed koristi samo kao “zadnje utoˇiˇte”. ako je takav N teˇko izraˇunati. . zbog loˇe uvjetovanosti sustava funkcija s {1. . z c Trenutno ne ulazimo u to kako se nalaze takve aproksimacije. c c c Medutim. osim ako je f (x) = 0. Tada je fN polinom poznatog stupnja z N i moˇemo koristiti Hornerovu shemu i njene varijacije za raˇunanje fN (x). (x − x0 )n . Obiˇno se c sc c ˇ nije jako bitno za taj kompakt uzima neki segment u R. . Dodatno. jer zahtijeva beskonaˇan broj aritmetiˇkih operacija.2. s c s z onda je pripadna aproksimacija fN (x) gotovo jednako dobra kao i f (x). (x − x0 )2 . Koliko c c to moˇe biti opasno. Sasvim op´enito.1) i pripadnih polinomnih s aproksimacija u obliku (6. najmanji mogu´i. onda se obiˇno koristi sumacija c unaprijed. u smislu da ih moˇemo z brzo i toˇno izraˇunati.

(6. moˇemo iskoristiti za aproksimaciju funkcije f . iz teorije aproksimacija. Funkcije pn ne moraju biti polinomi. Kasnije ´emo pokazati i algoritam za nalaˇenje takve “kvazi–uniformne” c z ˇ s aproksimacije iz poznatog reda potencija (tzv. U aproksimaciji elementarnih i “manje elementarnih” tzv.2). onda se sumacija vrˇi unaprijed. troˇlane rekurzije istog op´eg oblika vrijede i za mnoge specijalne funkcije c c koje ne moraju biti ortogonalne. po istom principu. relativno jednostavnu rekurziju po n.3) gdje je {pn | n ∈ N0 } neki ortogonalni sustav funkcija na domeni aproksimacije. vrlo ˇesto je mogu´e unaprijed na´i koliko c c c ˇlanova N treba uzeti za (uniformnu) zadanu toˇnost. i sve funkcije αn .2. Izvrednjavanje rekurzivno zadanih funkcija Budu´i da ortogonalni polinomi zadovoljavaju troˇlane. (6. Medutim. Naravno.1. za n ∈ N0 . homogene rekurzije.2. . znamo da funkcije pn zadovoljavaju neku.2.2. specijalnih funkcija vrlo ˇ s ˇesto se koriste tzv. za c c sve n ∈ N0 . u ve´ini primjena c nemamo direktnu “formulu” za raˇunanje vrijednosti pn (x) u zadanoj toˇki x. Tada bi bilo zgodno koristiti c c neku generalizaciju Hornerove sheme za brzo izvrednjavanje fN oblika (6. standardno se koriste razvoji oblika f (x) = ∞ n=0 an pn (x). Cebiˇevljevi polinomi.1).4) i to je cilj ovog odjeljka. Ako unaprijed ne c znamo N. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 240 Umjesto reda potencija (6. a pn (x) raˇuna redom iz rekurzije. Dovoljno je da ih moˇemo rekurzivno raˇunati! z c Pristup raˇunanju vrijednosti fN (x) je isti kao i ranije.2.2. . z ako znamo da on konvergira prema f na nekoj domeni.5) s tim da su poznate “poˇetne” funkcije p0 i p1 . da bismo izraˇunali fN (x) s c c moramo znati sve koeficijente an i sve funkcije pn . Osim c z c s toga. zbog skoro jednolikog rasporeda greˇke c s na domeni. n = 1. a c c vrlo se ˇesto koriste.3) je oˇita generalizacija reda potencija. 2.2. c . Razvoj funkcije f u red oblika (6.6. takoder. Zato pretpostavljamo da funkcije pn . Umjesto toga. “Rezanjem” reda dobivamo aproksimaciju funkcije f N fN (x) = n=0 an pn (x). βn . posebnu paˇnju posvetit ´emo baˇ takvim rekurzijama. . koje c su obiˇno jednostavnog oblika. za n ∈ N.2. zadovoljavaju rekurziju oblika pn+1 (x) + αn (x)pn (x) + βn (x)pn−1 (x) = 0. S s c druge strane.4) ˇto je oˇita generalizacija polinoma iz (6. c Njega. Cebiˇevljeva ekonomizacija). . 6. (6.

n ∈ N. do pripadnog algoritma moˇemo c z do´i deriviranjem relacije (6. for k := N − 1 downto 0 do begin. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 241 Primijetite da potencije pn (x) = xn zadovoljavaju dvoˇlanu homogenu rekurc ziju uz p0 (x) = 1. 0.5) zaista generalizacija polinomnog sluˇaja. Sliˇan algoritam c c za brzo izvrednjavanje fN moˇe se napraviti i kad pn zadovoljavaju ˇetveroˇlane ili z c c viˇeˇlane rekurzije. fN (x) := B0 ∗ p0 (x) + B1 ∗ (p1 (x) + α0 (x) ∗ p0 (x)). ′ Ako trebamo izraˇunati i derivaciju fN (x).2. Pripadni silazni algoritam izvrednjavanja ima sljede´i oblik. ali se takve rekurzije rijetko pojavljuju u praksi. Bn = an − αn (x)Bn+1 − βn+1 (x)Bn+2 .2. (6. B2 := B1 .6. c c Definiramo rekurziju za koeficijente BN +2 = BN +1 = 0. . B1 := B0 .2.2. end. Uvrˇtavanjem u formulu (6.1 (Generalizirana Hornerova shema za fN (x)) B1 := 0.4) za fN (x). . pa je (6. B0 := ak − αk (x) ∗ B1 − βk+1 (x) ∗ B2 . . n = N.6) fN (x) = = = an pn (x) = n=0 N −1 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) 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). s c Algoritam je vrlo sliˇan izvrednjavanju realnog polinoma u kompleksnoj toˇki.2. . . c Algoritam 6.4) c N ′ fN (x) = n=0 an p′n (x). B0 := aN . dobivamo s N N pn (x) − xpn−1 = 0.

c s ′ Vidimo da nam za raˇunanje fN (x) treba i rekurzija za raˇunanje fN (x). da bismo izraˇunali fN (x).6). iako ju nije teˇko napisati.2. . c ′ βn funkcija iz polazne troˇlane rekurzije. Tada rekurzije c c ′ za Bn i Bn provodimo u istoj petlji. osim zamjene an u bn . ′ Odavde odmah vidimo da je i BN = 0. . ˇto ima skoro isti oblik kao i rekurzija za Bn . Pokuˇajte to napraviti sami. n = N. . sliˇno kao c u algoritmu Bairstowa. n = N. ′ + B1 (p1 (x) + α0 (x)p0 (x)). Bn = an − αn (x)Bn+1 − βn+1 (x)Bn+2 . Konaˇni rezultat. rekurziju za Bn moˇemo napisati u obliku c z ′ ′ ′ Bn = bn − αn (x)Bn+1 − βn+1 (x)Bn+2 . s tim da Bn oznaˇava derivaciju od Bn po x. ′ ′ ′ Bn = −αn (x)Bn+1 − αn (x)Bn+1 ′ ′ − βn+1 (x)Bn+2 − βn+1 (x)Bn+2 . ˇto oni zaista i jesu.2. 0.2. koje su obiˇno jednostavne. . . a ne svaka posebno. u toˇki x. . pa c c se te dvije vrijednosti obiˇno zajedno raˇunaju.5). ′ s tim da je oˇito bN = 0. . . Ovdje je to joˇ bitno jednostavnije. . postoji i jednostavniji put. BN +2 = BN +1 = 0. .6. Rekurzija c c za derivacije p′n nas uop´e ne zanima. Takvim c c ′ “formalnim” deriviranjem dobivamo rekurziju za koeficijente Bn . s c takoder. ali c kad u njih uvrstimo konkretne objekte. dovoljno je znati samo derivacije “poˇetnih” c c ′ ′ ′ funkcija p0 i p1 . odakle slijedi ′ ′ ′ fN (x) = B0 p′0 (x) + B0 p0 (x) + B1 (p′1 (x) + α0 (x)p0 (x) + α0 (x)p′0 (x)). . Koeficijente Bn shvatimo kao funkcije od x. . deriviranjem rekurzije (6.6). n = N. . n = N. jer imamo samo jednu s varijablu. Konaˇni rezultati izgledaju komplicirano. Uz standardnu oznaku ′ ′ bn = −αn (x)Bn+1 − βn+1 (x)Bn+2 . 0. ali i one su obiˇno jednostavne. . ′ Dakle. dobivamo deriviranjem ranijeg konaˇnog rezultata c fN (x) = B0 p0 (x) + B1 (p1 (x) + α0 (x)p0 (x)). treba znati i derivacije αn . 0. fN (x) = B0 . s Medutim. Zatim s ′ deriviramo (6. 0. . ′ ′ BN +2 = BN +1 = 0. Naravno. . vrlo rijetko ostanu svi ˇlanovi. . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 242 i deriviranjem rekurzije (6. tako da dobijemo i rekurziju za funkcije p′n . Obiˇno se te c c formule svedu na ′ ′ fN (x) = B0 .

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

Neke primjere klasiˇnih ortogonalnih polinoma i pripadnih rekurzija c dajemo neˇto kasnije. . Pretpostavimo da su nam koeficijenti an i bn poznati. c Vidimo da se on sastoji iz dva dijela. gdje je N unaprijed zadan. funkciju f moˇemo razviti u Fourierov red z oblika ∞ ∞ an cos(nx) + bn sin(nx). IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 244 koja ne mora imati istu duljinu. Ovakav izraz se ˇesto zove i trigonometrijski polinom. radi jednostavnosti. pa ´emo tako i sastaviti c algoritam. uz relativno blage pretpostavke. pa je besmisleno brojati pojedinaˇne c aritmetiˇke operacije na nivou op´eg algoritma. ve´ smo rekli da funkcije pn ne moraju biti polinomi i prvi primjer je baˇ tog tipa.2. Uoˇimo samo da ove c c trigonometrijske funkcije tvore ortogonalan sustav funkcija. c Pretpostavimo. Izvrednjavanje Fourierovih redova Za aproksimaciju periodiˇkih funkcija standardno koristimo Fourierove redove. π]. ortogonalne familije c c sc funkcija pn . s 6.6. c c U praktiˇnim aproksimacijama se najˇeˇ´e koriste tzv. ali to nije bitna razlika. kosinusnog i sinusnog. sjetimo se da Fourierov red parne funkcije f (x) = f (−x) ima samo kosinusni dio. c Tada. koje ˇine ortogonalnu bazu u nekom prostoru funkcija. αn . i njihovih derivacija.2. s c Medutim. z c Sloˇenost ovih algoritama kljuˇno ovisi o sloˇenosti raˇunanja svih potrebnih z c z c funkcija — p0 . Usput. Vrlo ˇesto je pn polinom stupnja n. n=0 n=1 Umjesto a0 . da je f periodiˇka funkcija na segmentu [−π. βn . p1 . ali zato ima ˇeljenu toˇnost. Pretpostavimo stoga da je f parna funkcija i trebamo izraˇunati aproksimaciju c oblika N fN (x) = n=0 an cos(nx). obzirom na c neki skalarni produkt na tom prostoru. standardno se piˇe a0 /2. obzirom na skalarni produkt definiran integralom. a Fourierov red neparne funkcije f (x) = −f (−x) ima samo sinusni dio razvoja. Naˇ zadatak je izraˇunati s c aproksimaciju oblika N N fN (x) = n=0 an cos(nx) + n=1 bn sin(nx). Zanemarimo trenutno s pitanje konvergencije ovog reda i znaˇenja njegove sume. za c svaki n ∈ N0 .

c Poˇetne funkcije su p0 (x) = 1 i p1 (x) = cos x.2. moˇemo na´i i bolji algoritam. . n ∈ N. Vidimo da αn (x) i βn (x) ne ovise o n. koji treba s z c samo jedno jedino raˇunanje funkcije cos.4) iz generalizirane Hornerove sheme. ve´ je konstanta. Medutim. Algoritam 6.5) treba uzeti c αn (x) = −2 cos x. Fali nam joˇ samo troˇlana homogena rekurzija za ove funkcije. Iako c to danas viˇe ne traje pretjerano dugo. alpha := 2 ∗ cos x.6.2. Rekurzija (6. a βn (x) ne ovisi ni o x. oˇito treba definirati c pn (x) = cos(nx). n = N. B0 := aN . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 245 U direktnoj sumaciji trebamo N raˇunanja funkcije cos. pa traˇena rekurzija ima oblik z pn+1 (x) − 2 cos x pn (x) + pn−1 (x) = 0. βn (x) = 1. for k := N − 1 downto 0 do begin. 2 2 Dovoljno je uzeti a = (n + 1)x i b = (n − 1)x. Bn = an + 2 cos x Bn+1 − Bn+2 .3 (Fourierov “red” parne funkcije) B1 := 0. pa je konaˇni rezultat c 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. Dobivamo cos((n + 1)x) + cos((n − 1)x) = 2 cos(nx) cos x. uz n ≥ 1. . c Da bismo dobili polazni oblik aproksimacije (6. za cos(nx). n ∈ N. . Sad imamo sve elemente za generaliziranu Hornerovu shemu.6) za Bn ima oblik BN +2 = BN +1 = 0. . .2.2. 0. odakle slijedi da u op´oj rekurziji (6. i to ide s c lako. ako se sjetimo formule koja sumu kosinusa pretvara u produkt cos a + cos b = 2 cos a+b a−b cos .

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

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

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

Graf prvih par polinoma izgleda ovako. ∗ ∗  Tm (x) Tn (x) √ za m = n = 0.5 −0. Koriˇtenjem linearne (preciznije.5 0. 1] dolazimo do svih svojstava tih polinoma.25 0. relacija ortogonalnosti tada postaje  1  0. ∗ T1 (x) = 2x − 1. Na primjer.75 1 x T1 (x) T2 (x) T3 (x) T4 (x) −0. u oznaci Tn .   x − x2 π/2. za m = n = 0. 1] ∋ x → ξ := 2x − 1 ∈ [−1.75 −1 ˇ s Katkad se koriste i Cebiˇevljevi polinomi prve vrste transformirani na interval ∗ [0. n-ti Cebiˇevljev polinom prve vrste Tn zadovoljava diferencijalnu jednadˇbu z (1 − x2 )y ′′ − xy ′ + n2 y = 0. 1]. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 249 Za njih postoji i eksplicitna formula Tn (x) = cos(n arccos x). dx = π.75 0. za m = n. 0 a rekurzivna relacija ∗ ∗ ∗ Tn+1 (x) − 2(2x − 1)Tn (x) + Tn−1 (x) = 0. afine) transformacije s [0.25 −0.6. . y 1 0.25 0. ˇ s Osim toga.5 −0. uz start ∗ T0 (x) = 1.75 −0.5 0.25 −1 −0.

sin(arccos x) U1 (x) = 2x. π/2.5 0. ˇ s Osim toga. ˇ s Oni zadovoljavaju istu rekurzivnu relaciju kao Cebiˇevljevi polinomi prve vrste Un+1 (x) − 2xUn (x) + Un−1 (x) = 0.25 −1 −2 −3 −4 0.6. za m = n. samo uz malo drugaˇiji start c U0 (x) = 1. Za njih postoji i eksplicitna formula Un (x) = sin((n + 1) arccos x) .75 −0. y 5 4 3 2 1 −1 −0. 1] obzirom na teˇinsku funkciju z √ w(x) = 1 − x2 . n-ti Cebiˇevljev polinom druge vrste Un zadovoljava diferencijalnu jednadˇbu z (1 − x2 )y ′′ − 3xy ′ + n(n + 2)y = 0.5 −0. Vrijedi 1 √ −1 1 − x2 Um (x) Un (x) dx = 0. Graf prvih par polinoma izgleda ovako. Oni su ortogoc c nalni na intervalu [−1.75 1 x U1 (x) U2 (x) U3 (x) U4 (x) . za m = n.25 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 250 ˇ Cebiˇevljevi polinomi druge vrste s ˇ s Cebiˇevljevi polinomi druge vrste obiˇno se oznaˇavaju s Un .

6. P1 (x) = x.25 0.5 −0. Oni su ortogonalni na interc c valu [−1.75 0.5 0. y 1 0. Osim toga.25 −0. Graf prvih par polinoma izgleda ovako.75 1 x P1 (x) P2 (x) P3 (x) P4 (x) −0.75 −0.25 0. n-ti Legendreov polinom Pn zadovoljava diferencijalnu jednadˇbu z (1 − x2 )y ′′ − 2xy ′ + n(n + 1)y = 0. za m = n. 1] obzirom na teˇinsku funkciju z w(x) = 1.5 0. 2/(2n + 1). Oni zadovoljavaju rekurzivnu relaciju (n + 1)Pn+1 (x) − (2n + 1)xPn (x) + nPn−1 (x) = 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 251 Legendreovi polinomi Legendreovi polinomi obiˇno se oznaˇavaju s Pn .5 −0. Vrijedi 1 Pm (x) Pn (x) dx = −1 0.25 −1 −0. uz start P0 (x) = 1. za m = n.75 −1 .

n-ti Laguerreov polinom Ln zadovoljava diferencijalnu jednadˇbu z xy ′′ + (1 − x)y ′ + ny = 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 252 Laguerreovi polinomi Laguerreovi polinomi obiˇno se oznaˇavaju s Ln . Graf prvih par polinoma izgleda ovako. Oni zadovoljavaju rekurzivnu relaciju (n + 1)Ln+1 (x) + (x − 2n − 1)Ln (x) + nLn−1 (x) = 0. . Osim toga. Oni su ortogonalni na interc c valu [0.6. 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. za m = n. uz start L0 (x) = 1. L1 (x) = 1 − x. 1. za m = n. ∞) obzirom na teˇinsku funkciju z w(x) = e−x . Vrijedi ∞ 0 e−x Lm (x) Ln (x) dx = 0.

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

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

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

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

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

s Iz (6. Ovu jednadˇbu moˇemo promatrati na cijeloj kompleksnoj ravnini i u sluˇaju kad n z z c nije cijeli broj.3) je izrazito nestaz bilna unaprijed.4. tako da upotrijebimo neku od metoda numeriˇke intec gracije. umjesto n. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 258 raˇunanje.1) moˇemo iskoristiti i za numeriˇko raˇunanje vrijednosti Jn (x).4. Naˇalost.4.4.4. c Relaciju (6. Iz (6. Naˇalost. x n ∈ N. kad bismo znali izraˇunati J0 (x) i J1 (x) c ′ (ili J0 (x)). Analitiˇki im je oblik c c 1 Jν (x) = x 2 ν (−x2 /4)k . z Besselove funkcije zadovoljavaju troˇlanu rekurziju c Jn+1 (x) − 2n Jn (x) + Jn−1 (x) = 0.2) moˇe se pokazati da Besselove funkcije Jn zadovoljavaju diferenciz jalnu jednadˇbu z x2 y ′′ + xy ′ + (x2 − n2 )y = 0. c z c U tom redu se su se kao koeficijenti javile funkcije oblika 1 Jn (x) = π π 0 cos(x sin θ − nθ) dθ.1) koje zovemo Besselovim funkcijama prve vrste.4. (6. koje imaju bitno s z svojstvo da su ograniˇene u 0 kad je Re ν ≥ 0. Tada se. postoje i mnogo brˇi algoritmi za postizanje iste traˇene toˇnosti z z c izraˇunate vrijednosti Jn (x). onda bismo iz (6.6. generalizirac nom Hornerovom shemom mogli bismo onda raˇunati i razne razvoje po Besselovim c funkcijama. z c c za zadane n ∈ N0 i x ∈ R.1).4. c U klasiˇnom pristupu preko funkcije izvodnice.4. Da bismo to pokazali. n ∈ N. Medutim. Bessel je traˇenu veliˇinu prikazao kao red funkcija poznatih podataka. k! Γ(ν + k + 1) k=0 ∞ (6. ni za jednu od ovih funkcija ne z postoji neka jednostavna formula ili oblik za raˇunanje. (6.4) . Na primjer.4. vrijedi J1 (x) = −J0 (x).3) mogli izraˇunati i Jn (x). c z Jedno od rjeˇenja ove jednadˇbe su Besselove funkcije prve vrste Jν .3) ′ Takoder. 2 n=−∞ (6.2) Nije teˇko dokazati da je ova definicija ekvivalentna integralnoj reprezentaciji (6. Rekurzija (6. Oˇito se ova definicija moˇe proˇiriti c z s na n ∈ Z i tada je J−n (x) = (−1)n Jn (x). Dakle. promotrimo ponaˇanje vrijednosti Besselovih s funkcija Jn (x) u ovisnosti o n i x. obiˇno koristi oznaka ν za parametar jednadˇbe.2) mogu se izvesti mnoge vaˇne relacije za Besselove funkcije. Besselove funkcije moˇemo c z definirati kao koeficijente uz tn u razvoju ∞ t − 1/t exp x = Jn (x) tn .4. Osim toga. to je tako samo u teoriji.

ovaj red vrlo brzo konvergira za relativno male x.6. kad je x ≈ n (ili ν) i dalje. prve tri Besselove funkcije izgledaju ovako c y J0 (x) 1 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 259 gdje su ν i x.4). kompleksni brojevi. s dolazi do sve ve´eg kra´enja zbrajanjem uzastopnih ˇlanova reda (6.5 0. k=0 k! (n + k)! Oba reda oˇito konvergiraju za x ≥ 0. U nastavku gledamo ponaˇanje ovih c s funkcija samo za nenegativne realne indekse ν ≥ 0 i argumente x ≥ 0. dobivamo sliˇno c c c ponaˇanje kao i kod aproksimacije trigonometrijskih funkcija Taylorovim redom. s c Zaista. Ako je ν cijeli broj. za malo ve´e x. Na prvi c c pogled izgleda kao da smo time rijeˇili i problem raˇunanja vrijednosti J0 (x) i J1 (x).5 2 4 6 8 10 12 14 16 18 20 x J1 (x) J2 (x) . onda prethodna relacija glasi Jn (x) = 1 x 2 n ∞ (−x2 /4)k . c c c Grafiˇki. op´enito.4. tj.25 −0. pa se moˇe koristiti z za raˇunanje. a donji ˇak na cijelom skupu C. Medutim.25 0 −0.75 0.

5 2 4 6 8 10 12 14 16 18 20 x J4 (x) J5 (x) a.25 −0. kao ˇto smo i oˇekivali iz Taylorovog reda.75 0.25 −0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 260 sljede´e tri ovako c y J3 (x) 1 0. nego za fiksni x.25 0 −0.75 0. kao funkcije .25 0 −0.5 0. deseta Besselova funkcija ovako y 1 0. c z s c Gledamo li Besselove funkcije ne kao funkcije od x.5 2 4 6 8 10 12 14 16 “eksponencijalno ponaˇanje” s J10 (x) “trigonometrijsko ponaˇanje” s 18 20 x Uoˇite da se podruˇje eksponencijalnog ponaˇanja mijenja u trigonometrijsko poc c s druˇje pribliˇno za x = ν.5 0.6. recimo.

3.75 0. k = 1. k = 4. Jν Jν (4) 1 0. s Jν Jν (1) 1 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 261 indeksa ν.25 −0.5 0.25 0 −0. 6.5 2 4 6 8 10 12 ν Jν (5) Jν (6) . 2.6.5 0.5 1 2 3 4 5 6 ν Jν (2) Jν (3) za Jν (k).25 0 −0. 5.25 −0. onda Besselove funkcije pokazuju ovakvo ponaˇanje za Jν (k).75 0.

IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 262 odnosno.25 0 −0.4. ˇim udemo u ekponencijalno podruˇje.4. ˇto znaˇi da mora do´i do kra´enja.5 2 4 6 8 10 12 14 16 “trigonometrijsko ponaˇanje” s Jν (10) “eksponencijalno ponaˇanje” s 18 20 ν Primijetite da i po ν postoji podruˇje trigonometrijskog ponaˇanja koje za x ≈ ν c s prelazi u eksponencijalni pad prema nuli. Vidimo da kad n raste.75 0. Dobiveni rezultati c .6. u extended preciznosti. c c c Za ilustraciju nestabilnosti moˇemo uzeti x = 1 i raˇunati vrijednosti Jn (x) z c koriste´i rekurziju (6. To pokazuje da je rekurzija nestabilna u s c c c rastu´em smjeru po n.3) uzlazno po n.5 0.3) dobivamo sve manje i manje brojeve. u rekurziji (6.25 −0. Jν (10) izgleda kao na sljede´oj slici: c Jν (10) 1 0.

a ne relativno.5) 2πν 2ν za fiksni x i velike ν. Uoˇimo da je x fiksan. No. za ν → ∞.000000005249325991 0.2) za t = 1. koji je toˇan).000001502325817437 0.019563353982668406 0.002476638964109955 0.4. a zanima nas ponaˇanje Jn (x) za s c s velike n.000000000264421352 0. ˇto upu´uje na s c c s c okretanje rekurzije i primjenu Millerovog algoritma.4. Ova relacija izlazi direktno iz (6. Medutim.000000005249250180 . To pokazuje da se Jn (x). ulaskom u c c c eksponencijalno podruˇje.019563353982668406 0.000020938338002389 0. za n = 11 nemamo viˇe niti jednu toˇnu s c znamenku.000249757730211234 0.000249757730211237 0. a time i gubitak relativne toˇnosti poˇinje odmah za n = 2. za velike n ponaˇa kao s cn .000000000263061512 11 0.000000000000499972 Kra´enje. to se ne vidi u ovoj tablici. gledano po n.3).002476638964109955 0.765197686557966552 0.000000094223441726 0.000001502325817779 0.6.440050585744933516 0. Koriˇtenjem Millerovog algoritma dobivamo izuzetno dobre rezultate (drugi s stupac tablice.765197686557966552 0. nn+0. tj. J−n = (−1)n Jn . kad iskoristimo parnost i neparnost Besselovih funkcija po n.4. (6.000000000595801917 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 263 na 18 decimala (apsolutno) dani su u sljede´oj tablici. Moˇe se pokazati da u eksponencijalnom podruˇju vrijedi tzv. Vidimo da se dogada neˇto sliˇno kao kod raˇunanja e−nx .000000000039101058 0.000000000011980067 12 0. Funkcija izvodnica koja se pritom koristi za normalic zaciju je vrlo jednostavna J0 (x) + 2(J2 (x) + J4 (x) + · · · + J2k (x) + · · ·) = 1.000020938338002418 0.114903484931900481 0.000000094223446486 0. tj.114903484931900481 0. asimptotska z c relacija ex ν 1 Jν (x) ≈ √ .5 . jer su rezultati c prikazani apsolutno. Za praktiˇnu primjenu Millerovog algoritma poˇeljno je znati precizno ponac z ˇanje rekurzije (6. c n 0 1 2 3 4 5 6 7 8 9 izraˇunati Jn (1) c toˇni Jn (1) c 0. 10 0.440050585744933516 0. a za n = 12 gubimo i monotoni pad po n.

U prikazanom rasponu po ν i po c c x.4. uz jednak razmak po x osi.1 Napomenimo joˇ da su sve potrebne vrijednosti Jν (x) za crtanje s prethodnih 6 slika izraˇunate sumacijom Taylorovog reda (6. Naime. ˇto ´emo napraviti u poglavlju o aproksis c macijama. U principu. a to vrlo brzo trne kad n raste. U tom s trigonometrijskom podruˇju vrijedi c Jν (x) ≈ π νπ 2 cos x − − .6. u mnogim modelima. Odgovor na to pitanje slijedi iz ocjena greˇke raznih vrsta s aproksimacija. poˇev od difrakcije svjetlosti do energetskih nivoa u kvantnoj mehanici. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 264 √ gdje je cn = (ex/2)n / 2π. za crtanje grafova nam i ne treba neka velika toˇnost funkcijskih vric jednosti. Uz malo paˇnje.6) bit ´e objaˇnjeno u c c c s sljede´em odjeljku o asimptotskim razvojima. a i to je bitno previˇe. Greˇku od s jedne tisu´inke skale nitko ne´e ni primijetiti. Jn (x) se ponaˇa poput kosinusa. Zasad recimo samo to da je svaki od ovih grafova nacrtan koriˇtenjem s 101 toˇke. savrˇeno dovoljno je imati 3 znaˇajne znamenke u izraˇunatoj s c c −3 vrijednosti funkcije. oˇito. Γ(ν + 1) koja je. Dovoljna je relativna toˇnost istog reda veliˇine. raspon vrijednosti funkcije na cijelom grafu. a gledamo male ili velike argumente x. tako da osiguramo z c c potrebnu toˇnost. Napomena 6. S druge strane. za takve asimpotske relacije. Jedini zanimljivi dio c c tog algoritma je raˇunanje vrijednosti Γ funkcije. Tridesetak toˇaka je c s c sasvim dovoljno za vizuelno toˇan graf na ovim slikama. 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. sve dok c zadnji dodani ˇlan ne padne ispod zadane toˇnosti. Koriˇtenjem c s . c Besselove funkcije imaju vrlo velike primjene u fizici.4. dobra aproksimacija za x u dijelu domene gdje se Jν (x) ponaˇa kao c s eksponencijalna funkcija. ako je cijeli graf visok 10 cm. odavde z se moˇe izraˇunati poˇetni indeks M za Millerov algoritam. Za fiksni ν. Toˇno znaˇenje relacija (6. oscilira. tj. πx 4 2 (6.4.4. ne trebamo ni toliko. ali c c obzirom na cijelu skalu. kad x → 0 iz prvog ˇlana c Taylorovog reda dobivamo i asimptotsku relaciju Jν (x) ≈ 1 x 2 ν 1 . a posebno interpolacije. Uobiˇajeno se koristi oznaka ∼. c c c s c Naravno.6) za fiksni ν.5) i (6. relativnu toˇnost reda veliˇine 10 . kad x → ∞. Za vrijednosti blizu c c nule. c Na sliˇan naˇin moˇe se opisati i ponaˇanje Besselovih funkcija Jν kada je ν c c z s fiksan. tj.4) unaprijed. tj. kra´enje je minimalno (2–3 dekadske znaˇajne znamenke). a ne c c ≈. o ˇemu ´e uskoro biti viˇe rijeˇi.4. za x n.

1 Neka je f funkcija definirana integralom f (x) = ∞ 0 e−xt cos t dt (6.3) zamijenili smo razvoj funkcije f oblika f (x) = konaˇnom parcijalnom sumom (6. takoder. c s Primjer 6. ako se sjetimo definicije sume reda. tj. Asimptotski razvoj Sve aproksimacije koje smo do sada promatrali dobivene su “rezanjem” konvergentnih razvoja po nekom sustavu funkcija. a to se postiˇe upravo Millerovim algoritmom. Ovaj pristup se najˇeˇ´e koristi za z c c c sc raˇunanje vrijednosti integrala. za numeriˇko raˇunanje njic c hovih nultoˇaka trebamo maksimalnu mogu´u toˇnost funkcijskih vrijednosti (barem c c c u apsolutnom smislu). s U ovom odjeljku ´emo pokazati da zamjenom uloge N i x u iskazu o u konc vergenciji razvoja dobivamo novi pojam asimptotskog razvoja. dobro se mogu izraˇunati i nultoˇke Besselovih funkcija. z 6.5.4) c N ∞ n=0 an pn (x). zajedno s Newtonovom metodom za nalaˇenje nultoˇaka funkz c cija. podrazumijevaju´i da je rijeˇ o konvergentnom redu u toˇki x. i sam zapis za f (x) u obliku reda je sinonim za konvergenciju u ovom smislu. zamjenom konvergentnih redova konaˇnom sumom. ali nije bitna za ideju ove aproksimacije. Strogo formalno. pa ga je zgodno uvesti baˇ na takvim primjerima.2. vrlo c c ˇesto koriste. kojeg vrlo efikasno moˇemo iskoristiti i za praktiˇno raˇunanje.2. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 265 Millerovog algoritma. fN (x) = n=0 an pn (x). z lim (f (x) − fN (x)) = lim ∞ n=N +1 N →∞ N →∞ an pn (x) = 0. c U relaciji (6.6. koje se. Eventualna uniformna konvergencija za sve x na nekoj domeni je dobrodoˇla. c c c ostatak reda teˇi prema nuli po N.1) . Tada za fiksni x.5. c Za razliku od crtanja grafova Besselovih funkcija.5.

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

f (x) = ∞ e −xt cos t dt = ∞ ∞ e−xt d(sin t) e−xt sin t dt. n ∈ N0 . x x Mnoˇenjem s x2 .5. 1+t x > 0. dobivamo z x2 f (x) = x − f (x).5. c z Primjer 6. Supstitucijom razvoja c 1 = 1 − t + t2 − · · · 1+t dobivamo redom g(x) = = ∞ 0 ∞ 0 e−xt (1 − t + t2 − · · ·) dt e −xt dt − ∞ 0 e −xt t dt + ∞ 0 e−xt t2 dt − · · · . treba izraˇunati integrale oblika c c c In (x) = ∞ 0 e−xt tn dt.6.5. (6. pa ostaje c 1 f (x) = x ∞ 0 ∞ 0 e−xt d(− cos t) e−xt cos t dt ∞ 1 1 = − e−xt cos t − 2 x x t=0 1 1 = − 2 f (x). Ovdje vrijedi 1/(1 + t) → 0 kad t → ∞.2). IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 267 Ovaj rezultat moˇemo dobiti i direktno iz (6. jer podintegralna funkcija joˇ brˇe trne nego u prethodc s s z nom kad t → ∞. za x > 0.1) dvostrukom parcijalnom inz tegracijom. . Za integraciju ˇlan po ˇlan. pa zakljuˇujemo da vrijedi (6.5.2 Pokuˇajmo primijeniti istu ideju na funkciju g definiranu integralom s g(x) = ∞ 0 e−xt dt. 0 0 −xt =e 1 sin t + x t=0 ∞ 0 Prvi ˇlan je nula na obje granice.3) Oˇekujemo joˇ bolje rezultate. dok je cos t u funkciji f samo ograniˇen izmedu −1 i 1. samo uz blaˇu pretpostavku x > 0.

5.5.5. a c divergira za t ≥ 1. a ostao bez rezultata u s s drugom? Odgovor je jednostavan. Dakle. U drugom sluˇaju. Pogledajmo ˇto ´e se s c dogoditi. a viˇe c s praktiˇno. x x x x xn (6.4) Medutim.3) ne moˇemo izraˇunati na ovaj naˇin. Rezultat iz (6. ali na intervalu na kojem taj red ne konvergira uniformno. funkciju g iz (6. ako cijelu stvar gledamo malo manje teorijski. ˇak i jaˇe. tj. ovaj red divergira za sve konaˇne vrijednosti x i relacija (6. x Kad ove integrale uvrstimo natrag u red za g.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 . a zatim pustiti gornju granicu integracija na limes c t → ∞. tako da nazivnici relativno brzo padaju c i izraˇunajmo prvih nekoliko vrijednosti gn (10). n ∈ N0 . Numeriˇkom integracijom moˇe se izraˇunati da je c z c g(10) = 0.6. na cijeloj domeni integracije.5. . z c c Zaˇto je isti postupak bio uspjeˇan u prvom primjeru.0915633339397880819 . x x x x (6.4) je bec smislena.5.3 Oznaˇimo s gn (x) parcijalne sume prvih n ˇlanova reda iz (6. Za usporedbu. iako je to u potpunoj suprotnosti s poznatom teorijom! Primjer 6. Medutim. trebamo joˇ i toˇnu c s c vrijednost g(10).5. Zbog toga smijemo iskoristiti integraciju ˇlan po ˇlan c c c na svakom konaˇnom intervalu. c c Sve dosad reˇeno su standardne ˇinjenice o redovima i integraciji iz matec c matiˇke analize. dobivamo g(x) = I0 (x) − I1 (x) + I2 (x) − · · · = 1! 2! 3! 1 − 2 + 3 − 4 + ···. razvoj funkcije 1/(1 + t) konvergira samo za t < 1. onda nam nitko ne brani da pokuˇmo sumirati prvih nekoliko ˇlanova c s c reda na desnoj strani u (6. on konvergira uniformno na svakom c c konaˇnom intervalu za t. Razvoj funkcije cos t konvergira za sve vrijednosti t.5) Uzmimo neki malo ve´i x.4) c c gn (x) = 1 1! 2! 3! (n − 1)! − 2 + 3 − 4 + · · · + (−1)n−1 .4). recimo x = 10.5. za neku fiksnu vrijednost x.4) treba shvatiti kao posljedicu integracije reda ˇlan po ˇlan.

090000000000000000 0.091592000000000000 −0. dobivamo da je greˇka en (x) upravo integral s ostatka iz prethodne relacije pomnoˇenog s e−xt .000017701939788082 0. Ako joˇ i razvoj funkcije 1/(1 + t) napiˇemo u istom obliku kao zbroj prvih n ˇlanova s s c plus ostatak. koja daje skoro 5 toˇnih decimala i skoro 4 toˇne vode´e znamenke.000028666060211918 0.091581920000000000 −0.091520000000000000 0. s s e t dt. 1 (−1)n tn = 1 − t + t2 − · · · + (−1)n−1 tn−1 + .091581920000000000 −0.001563333939788082 0. 1+t 1+t i to uvrstimo u definiciju (6. c c s n 0 1 2 3 4 5 6 7 8 9 izraˇunati gn (10) c 0. z en (x) = (−1) n ∞ −xt n 0 Dobivene vrijednosti su sasvim dobre aproksimacije! Vidimo da je g9 (10) najbolja aproksimacija. za n ≥ 10 pogreˇke sve viˇe rastu i rezultati postaju beskorisni.091589903360000000 −0.000163333939788082 0.6.091640000000000000 −0.000026569420211918 Sve u svemu.5. 11 0. Jasno je da treba promatrati greˇku n-te parcijalne sume iz (6.000018586060211918 12 0. kad uzmemo da je nastao sumiranjem c s ˇlanova divergentnog reda. 1+t .5.092000000000000000 −0.008436666060211918 0.000021733939788082 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 269 Sljede´a tablica pokazuje izraˇunate vrijednosti gn (10) i pripadne pogreˇke.000018586060211918 0.091545632000000000 greˇka g(10) − gn (10) s 0. c c c Naravno.091542003200000000 10 0.3) za g.000021330739788082 .000076666060211918 0. rezultat uop´e nije loˇ.091400000000000000 0.000436666060211918 0.000043333939788082 0.091541600000000000 0.100000000000000000 −0. Neka je c en (x) := g(x) − gn (x).5) u fiksnoj s toˇki x. Ndimo joˇ i objaˇnjenje za ovaj priliˇno neoˇekivani c s s c c uspjeh.

c Iz ocjene (6.8) Pritom ∼ oznaˇava asimptotsku konvergenciju reda na desnoj strani ove relacije. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 270 Uoˇimo da smo ovdje imali konaˇnu sumu. ˇlanove reda moˇemo iskoristiti c c c z za ocjenu pogreˇke i zbrajanje ˇlanova treba zaustaviti toˇno ispred apsolutno najs c c manjeg ˇlana. a relaciju (6.5. ∞ 0 e t dt ≤ 1+t e−xt tn dt = n! . zato ˇto ˇlanovi alterniraju po predznaku. c c Takvom aproksimacijom ne moˇemo posti´i proizvoljno veliku toˇnost. Relacija (6. objasnimo joˇ vris jednost prethodnog zakljuˇka. c c c c Ovu greˇku nije teˇko ocijeniti. u ovom sluˇaju. onda vrijedi |en (x)| → 0 za x → ∞. Osim toga.5. odnosno z c c . pa smo smjeli integrirati ˇlan po ˇlan. Oˇito je s s c 1 ≤ 1. u odgovaraju´oj okolini toˇke +∞. pa nema govora o konvergenciji parcijalnih suma gn (x) prema g(x). Dakle.6. 1+t pa je |en (x)| = ∞ −xt n 0 t ≥ 0. Takvu vrstu s konvergencije zovemo asimptotska konvergencija.5. (6. To odgovara ranijem zakljuˇku da pripadni red divergira u svakoj toˇki x > 0. ali sa zamijenjenim ulogama n i x.7). c c S druge strane.5.5. pogreˇka c c s c s ima isti predznak kao i prvi odbaˇeni ˇlan. onda je c |en (x)| → ∞ za n → ∞. Parcijalne sume gn iz (6.5.5. 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. tj.6) To pokazuje da je pogreˇka n-te parcijalne sume manja od apsolutne vrijednosti prs vog odbaˇenog ˇlana. u c smislu (6.6) za pogreˇku n-te parcijalne sume odmah slijede dva zakljuˇka.5. xn+1 (6. (6.7) vrijedi za svaki n ∈ N. ˇto znaˇi da c s c svaku od funkcija gn moˇemo koristiti za aproksimaciju funkcije g.4).5.4) z c piˇemo u obliku s g(x) ∼ 1 1! 2! 3! (n − 1)! − 2 + 3 − 4 + · · · + (−1)n−1 + ··· x x x x xn (x → +∞). ako uzmemo da je n fiksan. s c Ako gledamo konvergenciju u fiksnoj toˇki x > 0. Prije precizne definicije pojma asimptotske konvergencije. u okolini toˇke c c +∞.7) ˇto odgovara “konvergenciji”.

8) slijede (6.5. Za razliku od toga. kao kod obiˇne konvergencije. c po definiciji. s z c c Osim toga. Druga je z g(x) − g1 (x) = o(g1 (x)) (x → +∞). Lijevo je funkcija. da g(x) pada kao 1/x. x→+∞ g1 (x) lim Posljednju relaciju obiˇno piˇemo u obliku c s g(x) ∼ g1 (x) (x → +∞) (6.5.5. s z ˇ Sve to slijedi samo iz prvog ˇlana asimptotskog razvoja. tj.5.5. Uzmimo da je n = 1 u (6. rezultat (6.5.5. s c c relaciju (6.9). Medutim. c s Napomenimo da ista oznaka ∼ ima razliˇita znaˇenja u relacijama (6.9) i sliˇni zakljuˇci za aproksimacije gn c c c s viˇe ˇlanova reda.7).8) c c i (6.5. Ali oprezno.6. Sto znamo viˇe c s ˇlanova.9) ∼ je relacija asimptotskog ponaˇanja i ta relacija je simetriˇna.6) slijedi |e1 (x)| ≤ ∞ 0 e−xt t dt = 1 . dobivamo sve preciznije informacije o ponaˇanju fukcije g u okolini +∞. a desno je red potencija (red c funkcija). u prvoj aproksimaciji. ova oznaka ∼ se tradicionalno koristi u oba znaˇenja. U (6.5. Naime. znaˇi samo c g(x) = 1. lim x→+∞ g1 (x) . u (6. Ovisno o x.5.6) dobivamo i c ocjenu greˇke za takvu aproksimaciju. i to se s z uspjeˇno moˇe iskoristiti za praktiˇno raˇunanje. s tim da je naveden samo prvi ˇlan razvoja. ˇto znaˇi da relativna c s c greˇka od g1 (x) kao aproksimacije od g(x) teˇi prema nuli kad x → +∞.5. Iz (6.9) moˇemo interpretirati i kao skra´eni zapis nekog asimptotskog razvoz c ja. To znaˇi da se. postoji minis c malna greˇka koju moˇemo dobiti (gledano po n) i bolje ne ide. kad x → +∞.7) ima i teorijsku vrijednost. s g(x) − g1 (x) = g(x) − 1/x = e1 (x).5. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 271 proizvoljno malu greˇku. ekvivalentno (jer je g1 (x) = 0 za x > 0) g(x) = 1. Prva je c s g(x) − g1 (x) = O(1/x2) (x → +∞) i ona sluˇi kao osnova za definiciju asimptotskog razvoja. tada zapis g(x) ∼ g1 (x). s c ˇak relacija ekvivalencije. funkcija g ponaˇa kao g1 u okolini c s toˇke +∞. Iz relacije (6.8) ∼ oznaˇava asimptotski c c razvoj i ta relacija nije simetriˇna. Uoˇimo da iz (6. x2 pa odmah vidimo da vrijede sljede´e dvije relacije asimptotskog ponaˇanja.9) i ˇitamo “g(x) je asimptotski jednako g1 (x) kad x → +∞”. ili.

s tim da c moˇe biti i +∞ ili −∞. z Podsjetimo. c z Definicija 6. c z z Ista definicija vrijedi i za kompleksne domene D ⊆ C. u okolini toˇke c. osim eventualno u samoj toˇki c.5.2 (Asimptotski razvoj) Neka je (ϕn . asimptotski niz kad x → c u skupu D. Formalni red funkcija ∞ n=0 an ϕn je asimptotski razvoj funkcije f kad x → c u skupu D. tada svaka funkcija ϕn raste bitno sporije od prethodne funkcije ϕn−1 u okolini toˇke c. Zato. 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.5. Tada kaˇemo da je (ϕn ) asimptotski niz kad x → c u skupu D. ako funkcije ϕn ˇine asimptotski c c niz. c c . u smislu c da vrijedi ϕn (x) lim = 0. x→c ϕ n−1 (x) x∈D ˇto ukljuˇuje i pretpostavku da je ϕn−1 (x) = 0 u nekoj okolini toˇke c gledano u s c c skupu D. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 272 i nema govora o nekoj asimptotskoj konvergenciji koja se iskazuje relacijom (6. u oznaci f (x) ∼ ∞ n=0 an ϕn (x) (x → c u D). apsolutna greˇka izmedu f i (N − 1)-e parcijalne sume reda raste najviˇe jednako s s brzo kao i N-ti ˇlan asimptotskog niza. Upravo tako treba interc pretirati i asimptotske relacije za Besselove funkcije iz prethodnog odjeljka. (6. c Definicija 6. 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. neka je c c z ϕn : D → R.5. Nadalje.1 (Asimptotski niz) Neka je D ⊆ R neki skup i c ∈ Cl D neka toˇka iz zatvaraˇa skupa D. c z tada svaka sljede´a funkcija teˇi prema nuli bitno brˇe od nje. jer ne postoje ostali ˇlanovi razvoja (nema parametra n).7). Ili. tj. n ∈ N0 . niz funkcija za kojeg vrijedi ϕn (x) = o(ϕn−1 (x)) (x → c u D).10) ako za svaki N ∈ N vrijedi relacija asimptotskog ponaˇanja s f (x) = N −1 n=0 an ϕn (x) + O(ϕN (x)) (x → c u D).6. za svaki n ∈ N.5. a toˇka c moˇe biti i ∞. n ∈ N0 ).

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

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

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

IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 276 zovemo (brojevni) veriˇni razlomak. onda se ona definira kao z Rn = b0 + R = lim Rn . gdje je Rn n-ta konvergencija definirana izrazom (6. c z c 6. | b1 | b2 | b3 i moˇda najzgodniji zapis z R = b0 + a1 a2 a3 ···. a1 a2 a3 . Uzlazni algoritam za izvrednjavanje brojevnih veriˇnih razlomaka z Promatrajmo n-tu konvergenciju veriˇnog razlomka. (6. jedini je z c uvjet da je P0 /Q0 = b0 ).1). b1 b2 b3 R = b0 + a1 | a2 | a3 | + + + ···.2). Q1 b1 b1 b1 Q0 . Q0 pa moˇemo izabrati da je P0 = b0 .6.6.. Q0 = 1 (mogli smo i drugaˇije birati. .6. kvocijent Pn i Qn Rn = a1 a2 a3 an Pn = b0 + + + + · · · .2) + b + b + b1 2 3 bn onda se takav izraz zove n-ta konvergencija veriˇnog razlomka R..6. pa su smiˇljeni z s alternativni zapisi.2. U razliˇitoj literaturi nailazimo na tri oblika zapisa veriˇnih c z razlomaka R = b0 . . b1 + b2 + b3 + (6.6. Ako postoji z vrijednost veriˇnog razlomka (6.1) Ako u beskonaˇnom veriˇnom razlomku uzmemo samo konaˇno mnogo ˇlanoc z c c a1 a2 a3 an ··· . Ovakav zapis je nespretan. Za sljede´u konvergenciju vrijedi c R1 = P1 a1 b0 b1 + a1 b1 P0 + a1 = b0 + = = . koju moˇemo prikazati z z kao racionalni broj..6. n→∞ va. Drugim rijeˇima. vaˇno je znati kako efikasno izraˇunati Rn . Qn b1 b2 b3 bn Za nultu konvergenciju je R0 = P0 = b0 . .

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

To se moˇe posti´i koriˇtenjem tzv. uzlazni algoritam izvrednjavanja veriˇnog razlomka z Pk = bk Pk−1 + ak Pk−2 . S0 = b0 . .1). Tvrdimo da postoji veza izmedu Pk i Sk . 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 . .6. karike u veriˇnom razlomku. i=1 Tk = Qk · wi . . 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 + ··· . proizvoljni brojevi razliˇiti od 0 i w−1 = w0 = 1. . n. 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. . k Sk = P k · wi . k = 1. . 2.6. S1 = w1 b1 S0 + w0 w1 a1 S−1 = w1 b1 P0 + w1 a1 P−1 = w1 (b1 P0 + a1 P−1 ) = w1 P1 . (6. . 2. n. uz S−1 = 1. te Qk i Tk .6. z z c s ekvivalentne transformacije.4) Primijetite da se u ovakvom zapisu algoritma lako mogu dodavati novi ak i bk . . z Iz (6. c tako da ne moramo mnoˇiti tim koeficijentima. k k = 1. dobivamo tzv. T0 = 1. za k ≥ 1. .5) R′ = b0 + w1 b1 + w2 b2 + w3 b3 + dobijemo isti R kao u (6. T−1 = 0. Tk = wk bk Tk−1 + wk−1 wk ak Tk−2 .6. tzv. Za bazu indukcije uzmimo k = 1. proˇirenih ak i bk s Sk = wk bk Sk−1 + wk−1wk ak Sk−2 . Prvo napiˇimo rekurzije s za Sk i Tk . . P2 = b2 P1 + a2 P0 . Dokaz se provodi indukcijom po k. Uoˇite da bi nam u algoritmu (6. jednostavno umetanjem “novih”. n. Qk = bk Qk−1 + ak Qk−2 . . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 278 onda.4) odgovaralo da su ili ak ili bk jednaki 1.6. Tn w1 b1 + w2 b2 + w3 b3 + wn bn Pogledajmo u kojem su odnosu Sk i Tk obzirom na Pk i Qk . Iz rekurzija dobivamo: P1 = b1 P0 + a1 P−1 .6. c Tvrdimo da izvrednjavanjem veriˇnog razlomka z w0 w1 a1 w1 w2 a2 w2 w3 a3 ···. i=1 k = 1. . (6. Neka su wk . .

Na sliˇan se naˇin dokazuje i relacija za Tk i Qk . Tada vrijedi wi . k ≥ 1 proizvoljan wk c moˇemo izabrati tako da vrijedi z w1 a1 = 1. a1 a3 · · · a2k+1 1 . Qk = b′k Qk−1 + Qk−2 . 2.. w1 w2 a2 = 1. i=1 Sk−1 = Pk−1 · wi i=1 Sk+1 = wk+1bk+1 Sk + wk wk+1ak+1 Sk−1 k k−1 = wk+1bk+1 Pk · i=1 wi + wk wk+1 ak+1 Pk−1 · k+1 wi wi i=1 k+1 i=1 = (bk+1 Pk + ak+1 Pk−1) · i=1 wi = Pk+1 · ˇto je i trebalo pokazati. w1 a2 a2 w3 = 1 a2 = . wk = 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 279 Za korak indukcije. .. Pretpostavimo da su ak = 0 za sve k ≥ 1. ˇto se dokazuje indukcijom..6. II tip veriˇnog razlomka u kojem s z su brojnici jednaki 1.. k = 1.4) ili ak ili bk budu jednaki 1. Odatle odmah slijedi w1 = odnosno op´enito c w2k = a1 a3 · · · a2k−1 . Qn i=1 Sada moˇemo pojednostavniti veriˇni razlomak R. w2 a3 a1 a3 . a2 a4 · · · a2k w2k+1 = a2 a4 · · · a2k . .. .. svesti ga na alternativnu z z formu. tj. b1 b2 b3 Pripadna uzlazna rekurzija za izvrednjavanje ima oblik Pk = b′k Pk−1 + Pk−2 . 1 1 1 R′ = b0 + ′ + ′ + ′ + · · · . vrijedi n+1 ′ Rn Sn = = Tn Pn · Qn · wi i=1 n+1 = wi Pn = Rn . wn−1 wn an = 1. k − 1. . n. tako da u rekurziji (6. . Time smo dobili tzv.6. a1 w2 = 1 a1 = . pretpostavimo da vrijedi k k−1 Sk = P k · za neke k. . s c c Dakle. Budu´i da je izbor skalara wk .

3). . I tip veriˇnog razlomka u kojem su nazivnici jednaki 1. n.4) za Qk odnosno s c . k = 1. . . Pretpostavimo da z c su bk = 0 za sve k ≥ 1.3). tj. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 280 uz startne podatke iz relacije (6. S druge strane. moˇemo posti´i i da su nazivnici jednaki 1.3. onda se veriˇni razlomak svede na tzv. Budu´i da je izbor wk . 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). wk−1 wk ak + wk bk = 1. uz start (6. tj. .6. . wn bn = 1.6. k ≥ 1 proizvoljan. + (1 − α )+ (1 − α )+ 1 2 3 Da bismo uspostavili vezu poˇetnog veriˇnog razlomka i dobivenog veriˇnog rac z z zlomka u Eulerovoj formi. b1 a′2 = a2 . .6. Qk = Qk−1 + a′k Qk−2 . izaberemo c tako da vrijedi w1 b1 = 1. . 1+ 1+ 1+ Pripadna rekurzija za uzlazno izvrednjavanje je Pk = Pk−1 + a′k Pk−2 . 6. b2 b3 a′1 a′2 a′3 ···.6. a′3 = a3 . stavljanjem 1 bk dobivamo tzv. z wk = R′ = b0 + Koeficijenti a′k su jednaki a′1 = odnosno op´enito c a′k = a1 . . napiˇimo rekurzije za veriˇni razlomak u Eulerovoj formi s z koriˇtenjem veliˇina Sk i Tk . k = 2. wk = 0. w2 b2 = 1. . b1 b2 ak bk−1 bk . . Promatrajmo drugu rekurziju iz (6.6. . . 3. ako uzmemo w1 b1 = 1. 2. Eulerovu formu z R′ = b0 + α1 α2 α3 ···.

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

potraban nam je jedz nostavan izraz za Rk . Qk Qk−2 (6. (6. Qk Qk−1 bk ak−1 · · · a1 .6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 282 uz dogovor w0 = 1.6. iz rekurzija za Pk i Qk nadimo koliko je Rk − Rk−1 . a zatim i Rk − Rk−2 . po mogu´nosti neki red. (6.6.11) pa je |Rk − R| = i=k+1 (−1)i+1 αi αi−1 · · · α1 .10) dobivamo da je k Rk = (−1)k+1 αk αk−1 · · · α1 + Rk−1 = · · · = b0 + Ako veriˇni razlomak konvergira.6.6) moˇemo (6.6. Sada moˇemo izre´i i dokazati neke rezultate o konvergenciji veriˇnih razloz c z maka. onda je z R = lim Rk = b0 + k→∞ ∞ i=1 ∞ i=1 (−1)i+1 αi αi−1 · · · α1 .6.8) Na sliˇan se naˇin dokazuje da je c c Rk − Rk−2 = (−1)k k ≥ 2.8) zapisati u terminima αk (ponovno s z uz pretpostavku da su svi Qi razliˇiti od 0). uglavnom ´emo koristiti pri dokazivanju z c tvrdnji. . (6. Za k ≥ 1 vrijedi Rk − Rk−1 = Pk Pk−1 Pk Qk−1 − Pk−1 Qk − = Qk Qk−1 Qk Qk−1 (bk Pk−1 + ak Pk−2)Qk−1 − Pk−1 (bk Qk−1 + ak Qk−2 ) = Qk Qk−1 −ak (Pk−1 Qk−2 − Pk−2 Qk−1 ) = Qk Qk−1 ak ak−1 (Pk−2 Qk−3 − Pk−3 Qk−2 ) = = ··· Qk Qk−1 ak ak−1 · · · a1 = (−1)k+1 . c Prvo. odmah slijedi da je αk = Qk−2 ak . Qk k ≥ 2.9) Koriˇtenjem relacije (6. Vrijedi c ak ak−1 · · · a1 Rk − Rk−1 = (−1)k+1 = (−1)k+1 αk αk−1 · · · α1 .6.10) Qk Qk−1 Rekurzivnom primjenom (6. Da bismo dokazali konvergenciju veriˇnog razlomka. (6.7) Eulerovu formu veriˇnog razlomka.6. (−1)i+1 αi αi−1 · · · α1 .6.

ˇto slijedi iz uvjeta bk ≥ ε > 0 i rekurzije za Qi . Budu´i da su ak . bk > 0. Iz (6. dovoljno je pokazati da je αi ≤ q za neko q < 1 (D’Alembertov kriterij konvergencije). z Dokaz. Lako se dokazuje da je Qi ≥ εQi−1 . onda su to i Qk (po rekurziji). dokaz trivijalno slijedi raspisivanjem relacije (6. pa iz (6. R0 < R2 < · · · < R2k < · · · i R2m−1 > R2k za svako m i k.11) alterniraju´i. tada vrijede nejednakosti R1 > R3 > · · · > R2k−1 > · · · . bk > 0. gdje je ε neka konstanta.6. (1 + ε)Qi−2 1+ε Takoder. Nakon toga.1) konvergentan. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 283 Teorem 6. red je alterniraju´i. Po Leibnitzovom kriteriju dovoljno je pokazati da c n-ti ˇlan tog reda teˇi u 0 i da mu ˇlanovi opadaju po apsolutnoj vrijednosti. Dokaz. s pa odatle slijedi da je Qi−2 1 αi < = < 1. Teorem 6. bk > 0 i vrijedi ak ≤ bk i bk ≥ ε > 0 za k ≥ 1. pa po Leibnitzovom kriteriju.1 Ako su ak .6.6.6. onda je veriˇni razlomak (6. Ako su ak . Qi Qi−1 pa je red u (6.6.6. Qk Qk+1 .6.2 Ako su ak . tj. c z c Da bismo pokazali konvergenciju. greˇka koju smo napravili c s ako R aproksimiramo s Rk manja je ili jednaka prvom odbaˇenom ˇlanu u redu.6. onda su to i Qk . bk > 0.7) dobivamo αi = ai Qi−2 ai Qi−2 ai Qi−2 Qi−2 = < = .9) za parne i neparne indekse.7) izlazi c α1 α2 · · · αi = a1 a2 · · · ai > 0. 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 . c c vrijedi a1 a2 · · · ak+1 |Rk − R| ≤ .

. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 284 6. moˇe se pokazati da je silazna rekurzija za izvrednjavanje veriˇnih rac z z zlomaka optimalna ˇto se tiˇe broja operacija. ˇak i ako su dozvoljene transformacije s c c koeficijenata veriˇnog razlomka prije poˇetka izvrednjavanja. moˇemo z pretpostaviti da nam je unaprijed poznato koliko konvergencija trebamo da bismo dobro aproksimirali neki veriˇni razlomak. onda ´e sljede´a rekurzija izvrednjavati Rn . Funkcijski veriˇni razlomci z Funkcijski veriˇni razlomci mogu se dobiti na viˇe naˇina. . z c ak+1 . z Ova dva tipa rekurzija analogon su izvrednjavanja polinoma: silazna rekurzija analogon je Hornerove sheme. . Prethodni je s z teorem dao neke ocjene o tome koliko dobro Rn aproksimira R. 0. Op´enito. Dapaˇe.13) Izvrednjavanje veriˇnih razlomaka oba tipa vrlo je sliˇno izvrednjavanju broz c jevnih veriˇnih razlomaka. i takve veriˇne raz z zlomke zovemo veriˇni razlomci tipa II. oni imaju oblik z c f (x) = b0 + a1 a2 a3 ···. 6. a uzlazna je analogon potenciranja i zbrajanja. koja u svakom koraku (u op´em sluˇaju) ima c c 4 mnoˇenja i 2 zbrajanja. 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 ···.12) Funkcijski veriˇni razlomci mogu imati varijablu u nazivniku. Silazni algoritam za izvrednjavanje brojevnih veriˇz nih razlomaka Vratimo se joˇ jednom na izvrednjavanje veriˇnih razlomaka. Fk+1 k = (n). (x + b1 )+ (x + b2 )+ (x + b3 )+ (6. i mogu imati viˇe z s c s oblika. Za izvrednjavanje n-te konvergencije fn (x) veriˇnih z z .4. z Krenemo li od “silazno” od bn . Primijetite da silazna rekurzija u svakom koraku ima toˇno jedno zbrajanje i c jedno dijeljenje. za razliku od uzlazne. c c Definiramo Fn = bn (ili Fn+1 = ∞) i raˇunamo c Fk = bk + na kraju ´emo dobiti c Rn = F0 . n − 1.6. Zbog toga.6.6.6. .6.5. β1 + β2 + β3 + (6.

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

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

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

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

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

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

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

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

z Ako je [a. s s • konstrukcija algoritama za raˇunanje najbolje aproksimacije. Naime. Interpolacija polinomima Pretpostavimo da imamo funkciju f zadanu na diskretnom skupu razliˇitih c toˇaka xk .. samo nije jasno da li se to moˇe posti´i. . 7. n. b] segment na kojem koristimo interpolaciju (i promatramo greˇku). . c c c kad bismo dozvolili da je xi = xj uz i = j.2. Poznate funkcijske vrijednosti u tim c toˇkama skra´eno oznaˇavamo s fk = f (xk ). c c . . tj. k = 0.7.2. n. . tj. tako da je ϕ i interpolacijska s funkcija. da li postoji takva aproksimacijska z c funkcija ϕ ∈ Pn za koju je minimum greˇke jednak nuli. . xi = xj za i = j. U odjeljaku 7. pokazat ´emo da je odgovor za ovaj primjer potvrdan.. k=0. s • analiza kvalitete dobivene aproksimacije — vrijednost “najmanje” pogreˇke i s ponaˇenje funkcije greˇke e (jer norma je ipak samo broj).n = 0 ekvivalentno uvjetima interpolacije f (xk ) = ϕ(xk ). s u praksi su toˇke obiˇno numerirane tako da vrijedi a ≤ x0 < x1 < · · · < xn ≤ b. ˇto ovisi o tome s s koje funkcije f aproksimiramo kojim funkcijama ϕ (dva prostora) i kako mjerimo greˇku. 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. .. ili f ne bi bila funkcija (ako je fi = fj ) ili bismo imali redundantan podatak (ako je fi = fj ). . c • dokaz efikasnosti i toˇnosti algoritma. a ako je proces beskonaˇan njegovu c c globalnu i asimptotsku konvergenciju. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 293 odnosno e Oˇito je e c p ∞ = f −ϕ ∞ = max |f (xk ) − ϕ(xk )| → min . k = 0. c c c Primijetite da pretpostavka o razliˇitosti toˇaka nije bitno ograniˇenje.. koji moˇemo ispustiti. .

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

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

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

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

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

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

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

. Op´enito. Za polinom b1 u drugom stupcu dobivamo toˇno jedan uvjet b1 (x0 ) = 0. . k = 0. a to je b1 (x) = (x − x0 ). APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 301 Za polinom b0 u prvom stupcu matrice sustava nemamo nikavih uvjeta. k = 0. Kako op´enito izgledaju koeficijenti ci .2) Polinomi ℓk su stupnja n. Interpolacijski polinom pn moˇemo odmah napisati z koriˇtenjem tzv.7. xi−1 . . .2. . odgovara i pove´anju stupnja interpolacije kod dodavanja novog ˇvora. pa moˇemo uzeti c c z bi (x) = (x − x0 ) · · · (x − xi−1 ).3.1) pri ˇemu je c ℓk (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) := . = ωk (xk ) i=0 xk − xi i=k (7. . a to je b0 (x) = 1. c 7. za i = k. pa je pn polinom stupnja najviˇe n. Lagrangeov oblik interpolacijskog polinoma Da bismo naˇli koeficijente interpolacijskog polinoma. vrijedi s ℓk (xi ) = 0.2.2. To. Osim toga. Lagrangeove baze {ℓk . 1. ˇto opet odgovara dizanju stupnja. koji odgovara interpolaciji polinomom stupnja 0 u prvom ˇvoru. 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 . za i = k. . ovaj postupak se moˇe nastaviti. n} prostora polinoma Pn s n pn (x) = k=0 fk ℓk (x). nije nuˇno rjeˇavati lis z s nearni sustav za koeficijente. x1 − x0 Kao ˇto ´emo vidjeti. c c Supstitucijom unaprijed izlazi i koeficijent c1 c1 = f1 − f0 . n. usput. . . . Iz prve jednadˇbe supstitucijom unaprijed odmah c z dobivamo i c0 = f0 . opisat s c ´emo malo kasnije. . . (7. pa uzimamo najjednostavniju oblik. . Opet c uzmemo najjednostavniji oblik polinoma koji zadovoljava taj uvjet.

. . z c c k = 0. k = 0.7.2. b] za neki n ∈ N0 .1)–(7. . .1). xn .1) dobivamo da je s pn (x) = ω(x) Uoˇimo da je c ω(x) .2. . x} < ξ < max{x0 .5) Ova se forma moˇe koristiti za raˇunanje vrijednosti polinoma u toˇki x = xk . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 302 Uvrstimo li to u (7. moˇemo napraviti i ocjenu greˇke s z s interpolacijskog polinoma.2. c c Ukupan broj operacija je proporcionalan s n2 . n. dok se s c ′ ωk (xk ) = ω (xk ) izraˇuna samo jednom za svaki k i ˇuva u tablici. n. xi = xj za i = j. b]. Neka su xk ∈ [a. . .2.2 Pretpostavimo da funkcija f ima (n + 1)-u derivaciju na segmentu c c [a.3) Uvrˇtavanjem u (7.1) svodi na jedan jedini ˇlan za i = k. tj. Taj polinom moˇemo napisati u joˇ jednom. da vrijedi c pn (xk ) = fk . Prednost je ˇto se za svaki novi x raˇuna samo ω(x) i (x − xk ).4) moˇemo pisati kao z pn (x) = ω(x) fk .2. zgodnijem obliku.2. . 7. trebamo joˇ reda veliˇine n operacija.2. Teorem 7. jer ne ovisi o x. Ipak.4) ωk (xk ) = ω ′ (xk ). . pa (7. tj. (x − xk ) ωk (xk ) fk . .2. Ocjena greˇke interpolacijskog polinoma s Ako znamo joˇ neke informacije o funkciji f . Oblik (7.2. a za raˇunanje u svakoj novoj c toˇki x. . odmah slijedi da se suma u (7. (x − xk ) ωk (xk ) k=0 n (7. Za bilo koju toˇku x ∈ [a. i neka je pn interpolacijski polinom za funkciju f u tim ˇvorovima. . (7. . x} =: xmax .2) zove se Lagrangeov oblik interpolacijskog polinoma.4. xn . . b] postoji toˇka ξ iz otvorenog intervala c c c xmin := min{x0 .2. Definiramo z s n ω(x) = pa je ℓk (x) = k=0 (x − xk ). . ′ k=0 (x − xk ) ω (xk ) n (7. Lagrangeov oblik c s interpolacijskog polinoma uglavnom se koristi u teoretske svrhe (za dokaze). ve´ neˇto bolji Newtonov oblik. . u praksi se ne koristi ovaj c s c oblik interpolacijskog polinoma.2. medusobno razliˇiti ˇvorovi interpolacije.

xmax ). Budu´i da je g derivabilna na tom segmentu. s s pa je e(n+1) (t) = f (n+1) (t).7) n + 1 puta. ω (n+1) (t) = (n + 1)!. . za j = n + 1 dobivamo da c g (n+1) ima bar jednu nultoˇku ξ ∈ (xmin . . . Cak i jaˇe. . Ako je x = xk . Deriviranjem lijeve i desne strane jednadˇbe (7. i one su neprekidne s c kad su to i odgovaraju´e derivacije od f . c Induktivnom primjenom Rolleovog teorema zakljuˇujemo da g (j) ima bar n + 2 − j c nultoˇaka na (xmin . . dobivamo z g (n+1) (t) = e(n+1) (t) − ω (n+1) (t) e(x) e(x) = f (n+1) (t) − (n + 1)! . ω(x) ω(x) g(x) = e(x) − e(x) = 0.7) ω(x) Funkcija pogreˇke e ima toˇno onoliko derivacija (po t) koliko i f . po Rolleovom c teoremu slijedi da g ′ ima barem n + 1 nultoˇku na otvorenom intervalu (xmin . xmax ). za neki k ∈ {0. z Pretpostavimo stoga da x nije ˇvor interpolacije. g (n+1) postoji kao funkcija na [a. za j = 0. n + 1. xmax ]. g ima barem n + 2 nultoˇke na [a. c Dokaz. b]. . iz uvjeta interpolacije i definicije polinoma ω dobivamo da su obje strane u (7. Nadimo koliko nultoˇaka ima c funkcija g. b].3).2. ω(x) k = 0. .2. e(x) = 0. xmax ). . . n. (n + 1)! (7.2.2. Dakle. sve te nultoˇke su c c c c na segmentu [xmin .2. dobivamo g(xk ) = e(xk ) − ω(xk ) Jednako tako je i ˇ Drugim rijeˇima. Uzmimo sad da je x fiksan i definirajmo c funkciju e(x) g(t) = e(t) − ω(t)s(x) = e(t) − ω(t) . gdje je s(x) dobro definirano ako x nije ˇvor. pa teorem oˇito vrijedi c (ξ moˇe biti bilo koji). . 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). c Iskoristimo joˇ da je pn polinom stupnja najviˇe n. b]. . t ∈ [a. (7.7. Ako za t uvrstimo xk . n}. . Tada je ω(x) = 0 i greˇku c s interpolacije moˇemo prikazati u obliku z e(x) = f (x) − pn (x) = ω(x)s(x). Budu´i da x nije ˇvor.6) jednake 0. a ω polinom stupnja n + 1. tj.6) pri ˇemu je ω(x) definirana relacijom (7. . to isto vrijedi i c c c za funkciju g.

mora vrijediti c(xk ) = pn (xk ) − pn−1 (xk ) = f (xk ) − f (xk ) = 0. zbog toga ˇto interpolacijski polinom moramo raˇunati od poˇetka. 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. polinom stupnja n. dobivamo f (xn ) = pn (xn ) = pn−1 (xn ) + c(xn ) = pn−1 (xn ) + an (xn − x0 ) · · · (xn − xn−1 ).5. b]. (7. Polinom s c pn tada moˇemo napisati u obliku z pn (x) = pn−1 (x) + c(x). b] ili. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 304 Konaˇno. gdje je c korekcija. Nadalje. b] c |f (x) − pn (x)| ≤ |ω(x)| Mn+1 . a korisna je ako relativno jednostavno moˇemo z izraˇunati ili odozgo ocijeniti Mn+1 . Takoder.6).2. c 7. (n + 1)! Mn+1 := max |f (n+1) (x)|. x∈[a. pa ga moˇemo napisati u obliku c z c(x) = an (x − x0 ) · · · (x − xn−1 ). . .7. tj. .2. n − 1.8) Vidimo da su xk nultoˇke od c. pove´avati stupanj interpolacijskog polinoma. k = 0. . k = 0. Neka je pn−1 c c interpolacijski polinom koji interpolira funkciju f u toˇkama xk . jaˇe. . . (n + 1)! Ova ocjena direktno slijedi iz (7. onda je c z 0 = g (n+1) (ξ) = f (n+1) (ξ) − (n + 1)! odnosno e(x) = ˇto je upravo (7. n − 1. c Neka je pn interpolacijski polinom koji interpolira funkciju f joˇ i u toˇki xn . s s c c Postoji forma interpolacijskog polinoma kod koje je mnogo lakˇe dodavati s toˇke interpolacije. ako uvaˇimo da je g (n+1) (ξ) = 0. 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. . . s Ako je f (n+1) ograniˇena na [a.6). ω(x) ω(x) f (n+1) (ξ). .2.2. iz zadnjeg uvjeta interpolacije pn (xn ) = f (xn ).b] e(x) . ako je f ∈ C n+1 [a.

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 . . xn−1 ] . . . .2. oˇito je funkcija ˇvorova x0 . xn ] = = f (xk ) k=1 (xk − x1 ) · · · (xk − xk−1 ) (xk − xk+1 ) · · · (xk − xn ) n−1 n f [x1 . . Stoga c iskoristimo relaciju (7.2.11) slijede neka svojstva podijeljenih razlika. . xn ]. . .2. (7.5). x1 . . xn ]. Vrijedi f [x1 . .10) Da bismo bolje opisali an . . Primijetimo da je an koeficijent uz vode´u potenciju xn u pn . . xn ] = . . . tj. Koeficijent an . c c Druga korisna formula je formula za rekurzivno raˇunanje podijeljenih razlika c f [x0 .2. xn−1 ] = = n−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 ) − . . (xn − x0 ) · · · (xn − xn−1 ) ω(xn ) Koriˇtenjem relacije (7. (7. . . Formalno ´emo to oznaˇiti s c c an = f [x0 . . . xn − x0 n−1 f [x0 . . . xn ] − f [x0 . . . . xn ] = Izvedimo tu formulu. . sada imamo sve elemente za raˇunanje pn (x) u bilo s c kojoj toˇki x. 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 ) = . . tj. podijeljena razlika neosjetljiva je na poredak ˇvorova. . x1 . (7. .8). .7. nadimo koeficijent uz xn na desnoj strani te relacije.2. .2. . . xn i zvat ´emo ga n-ta c c c c podijeljena razlika. . Primijetimo da poredak ˇvorova nije bitan. . vratimo se na Lagrangeov oblik interpolacijskog polinoma.11) ω ′(xk ) k=0 Iz formule (7. . Dobivamo n f (xk ) f [x0 . (x0 − x1 ) · · · (x0 − xn ) 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 ) . .

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

. x1 . . . . Konstruirajmo interpolacijski polinom koji prolazi toˇkama x0 . xn . c s xn+1 se zamijeni s x (Prije nam to nije odgovaralo zbog pisanja interpolacijskog polinoma u varijabli x. . s moˇemo napisati koriˇtenjem podijeljenih razlika.1. .7.2. .2. xn+1 ]. x1 . . u polju f na mjestu i piˇe s f [x0 . . . .2. xn . (n + 1)! (7. samo razvijenog oko s s c toˇaka x0 . xn c c i xn+1 . . . . xn . . To nas motivira da interpolacijski polinom u toˇki x izvrednc c javamo na sliˇan naˇin kao ˇto se Hornerovom shemom izvrednjava vrijednost polic c s noma.2. xn . x1 . x1 . . x2 ] + · · · + (x − x0 ) · · · (x − xn−1 )f [x0 . . s c a ne x) ω(xn+1 ) (n+1) f (xn+1 ) − pn (xn+1 ) = f (ξ). . (n + 1)! odmah se ˇita da je c f (n+1) (ξ) f [x0 . xi ].2 (napisanu u toˇki xn+1 . .13) (7. x1 ] + (x − x0 ) (x − x1 )f [x0 . I greˇku interpolacijskog polinoma (koja je jednaka onoj kod Lagrangeovog). . xn+1 ] = pn (x) + (x − x0 ) · · · (x − xn )f [x0 . b) realan broj z s koji nije ˇvor. xn ] + (x − x0 ) · · · (x − xn )f [x0 . x1 . .2.12) Zajedno s (7. . tj. . xn .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]). . x] = f (n+1) (ξ) . x1 . x1 . . . . . Prethodna se formula uobiˇajeno piˇe u ovisnosti o varijabli x.) f [x0 . . . . Dobivamo pn+1 (x) = f [x0 ] + (x − x0 )f [x0 . xn+1 ] = (n + 1)! za neki ξ ∈ I. .12). . xn .12) slijedi f (xn+1 ) = pn (xn+1 ) + (xn+1 − x0 ) · · · (xn+1 − xn )f [x0 . Usporedimo li tu formulu s ocjenom greˇke iz Teorema 7. Pretpostavimo da sukladno algoritmu 7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 307 Algoritam 7. . Budu´i da je c pn+1 (xn+1 ) = f (xn+1 ). Neka je xn+1 ∈ (a. . . xn+1 ]. Newtonov interpolacijski polinom tada poprima oblik Taylorovog polinoma (s greˇkom nastalom zanemarivanjem viˇih ˇlanova). . x1 .2.2. onda iz relacije (7.

} 7. ako je n = 2r + 1. . dobivamo z en (x) = f (x) − pn (x) = ω(x) f [x0 .14) Prvo pokaˇimo tvrdnju za n = 2r + 1. x]. . Koliko je dobar interpolacijski polinom? U praksi se obiˇno koriste interpolacijski polinomi niskih stupnjeva. . c c Primjer 7. uvaˇavanjem relacije (7. n k = 0. . x] = f (x) · (−1)r+1 r (1 + k=0 x2 ) k · 1. x1 . c c s tj. 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. h= 10 . Odaberimo n i izaberimo ekvidistantne ˇvorove interpolacije xk . { Na kraju je pn (x) = sum. zadovoljavaju xk = −xn−k . . On je konstruirao funkciju (poznatu kao z c Rungeova funkcija). . 1901. koriˇtenjem indukcije po r.2.7. . 5].2.13). n c xk = −5 + kh. Zbog toga z c s se umjesto visokog stupnja interpolacijskog polinoma u praksi koristi po dijelovima polinomna interpolacija. najˇeˇ´e c c sc do 5. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 308 Algoritam 7. for i := n − 1 downto 0 do sum := sum ∗ (x − xi ) + f [i]. n. . U tom sluˇaju z s c imamo paran broj interpolacijskih toˇaka.1 (Runge.2. koje su simetriˇne obzirom na ishodiˇte. . . Zanima nas ponaˇanje greˇaka koje nastaju pove´avanjem stupnja n interpolacijskog s s c polinoma.2 (Algoritam izvrednjavanja interpolacijskog polinoma) sum := f [n]. . .) Promotrimo (Rungeovu) funkciju f (x) = 1 . k = 0. ako je n = 2r. (7. Tvrdimo da vrijedi f [x0 . . . xn . pove´avanje s c c stupnja interpolacijskog polinoma moˇe dovesti do pove´anja greˇaka. x1 .2. . Njemaˇki matematiˇar Runge prvi je uoˇio probleme koji nastupaju kod interc c c polacije na ekvidistantnoj mreˇi ˇvorova.2. Po Teoremu 7. xn . .6.2. x. Zaˇto? Kod nekih funkcija za neki izbor toˇaka interpolacije. 1 + x2 x ∈ [−5. .2.

k onda je za n = 2r + 1 n k=0 r (x − xk ) = k=0 (x2 − x2 ). Osim toga je g[x0 . po pretpostavci indukcije. xm . . vrijedi g(x) = f (x) · ar . Za paran n. (1 + k=1 x2 ) k Po definiciji podijeljenjih razlika. s c c Budu´i da je c (x − xk ) (x − xn−k ) = (x − xk ) (x + xk ) = x2 − x2 . r). prijelaz s r u r + 1. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 309 Ako je r = 0. tj. . −x0 . pa izdvajanjem srednje toˇke dobivamo c c n k=0 r−1 (x − xk ) = x · k=0 (x2 − x2 ) = k 1 r 2 · (x − x2 ). xr = 0. . lako je pokazati da vrijedi g[x0 . onda je n = 1 i x1 = −x0 . xm . x]. xm . Provedimo korak indukcije. x] = f [−x0 . x] = f [x0 . x] = ar f [x0 . dokaz je vrlo sliˇan. Neka vrijedi (7. . x1 . Zbog definicije g. . k = 1. (ˇto znaˇi da u n “skaˇemo” za 2). k U parnom je sluˇaju n = 2r. x] = f [x0 . . a zbog parnosti funkcije f i f (−x0 ) = f (x0 ). 1 + x2 0 ˇto zakljuˇuje korak indukcije. 2 a + x2 1 + x0 1 + x2 0 Time je pokazana baza indukcije. . x] − f [x0 . x]. . . .2. xm−1 . xm . k x k=0 . . −x0 ] x − x0 1 1 − 2 f (x) − f (x0 ) 1+x 1 + x2 0 = = x2 − x2 x2 − x2 0 0 1 −1 −1 = = f (x) .14) za n = 2r + 1 i bilo s c c koji skup od r parova simetriˇnih toˇaka (xk = −xn−k . x] = ar f (x) −1 . ar = (−1)r+1 r . Definiramo funkciju g(x) = f [x1 . Izraˇunajmo podijeljenu razliku c f [x0 . Neka je c c m = n + 2 = 2(r + 1) + 1.7. .

Time smo pokazali ˇeljeni oblik formule za podijeljene razlike. x. ako je n = 2r.15). 1 + x2 k k=0 r (7. pa moˇemo sve gledati na intervalu [0. a najmanja u ±5. pa imamo 1 ≤ f (x) ≤ 1. 1 + ξ2 . Prema (7. njena najve´a vrijednost nalazi u c 0. Ako tu formulu z uvrstimo u greˇku. tj. konvergencija Newtonovog polinoma ovisi samo o gn (x). 1 + ξ2 Ostavimo li zasad jednakost posljednje sume i integrala po strani (treba na´i malo c sloˇeniji limes). Osim toga je i gn parna funkcija. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 310 ili zajedno n r ω(x) = k=0 (x − xk ) = k=0 (x2 − x2 ) · k 1. dobivamo s en (x) = f (x) − pn (x) = ω(x) f (x) · = (−1) gdje je gn (x) = r+1 (−1)r+1 r (1 + x2 ) k k=0 · 1. pa se zbog simetrije. ako je n = 2r + 1.7. za eksponent eksponencijalne funkcije imamo h ln |gn (x)| = h · Tvrdimo da je ln k=0 x2 − x2 k . 26 Zbog toga. gn (x) = gn (−x). z I apsolutnu vrijednost funkcije gn moˇemo napisati na malo neobiˇan naˇin z c c |gn (x)| = eh ln |gn (x)| r 1/h . ako je n = 2r. 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 5.15) Funkcija f pada od 0 do 5. f (x) gn (x).2. x2 − x2 k . ako je n = 2r + 1. 5]. 1 + x2 k x2 − x2 k lim h ln |gn (x)| = lim h · ln 2 n→∞ r→∞ 1 + xk k=0 0 r = −5 ln x2 − ξ 2 dξ =: q(x).2. 1/x.

Runge uzmemo neekvidistantne. ako umjesto ekvidistantnih toˇaka interpolacije u primjeru c ˇ sevljeve toˇke na intervalu [a. en (x) → ∞.63 (moˇemo ju i toˇnije odrediti).63. priliˇno c z jednaku 3. 2 2n + 2 k = 0. Zadatak 7.2. Za dokaz da je c r r→∞ 0 lim k=0 h ln |x + xk | = −5 ln |x + ξ| dξ. pa i tj.63 i h = 10/n slijedi da je n→∞ lim |gn (x)| = ∞. r→∞ lim k=0 h ln |x − xk | = −5 zbog neprekidnosti podintegralnih funkcija i definicije Riemannovog integrala. . Cebiˇ c c xk = 1 2k + 1 a + b + (a − b) cos .63 < |x| ≤ 5. zbog parnosti funkcije q. onda ´e porastom stupnja niz interpolacijskih polinoma konvergirati prema funkciji c f. 5] vrijedi q(x) = 0 za |x| = 3.63! Zanimljivo je da. q(x) < 0 za |x| < 3. Preciznije.1 Dokaˇite da vrijedi z 0 n→∞ lim h ln |gn (x)| = ln −5 x2 − ξ 2 dξ. niz interpolacijskih polinoma divergira za |x| > 3. . na z c [−5. q(x) > 0 za 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 2 1 + xk lim k=0 r h ln |1 + x2 | k = −5 0 ln |1 + ξ 2 | dξ ln |x − ξ| dξ.7. . . n. b].63. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 311 Analizom toka funkcije vidimo da q(x) ima jednu nultoˇku u intervalu [0. toˇnije tzv. . 5]. Za |x| > 3. budu´i c je rijeˇ o specijalnim Darbouxovim sumama.

|x + xk | > δ.1. a poˇetna toˇka interpolacije je blizu.2.5 2 3 4 5 6 7 8 9 10 x .2 Promotrimo grafove interpolacijskih polinoma stupnjeva 1–6 koji interpoliraju funkciju f (x) = log(x) za x ∈ [0. te pripadna greˇka. z Primijetit ´ete da je greˇka interpolacije najve´a na prvom podintervalu bez c s c obzira na stupanj interpolacijskog polinoma. a zatim to isto za Cebiˇevljevu mreˇu. Razlog leˇi u ˇinjenici da funkcija log(x) z c ima singularitet u 0. 10] ˇ s na ekvidistantnoj i Cebiˇevljevoj mreˇi.5 1 −0. z s z y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa. c c Prva grupa slika su redom funkcija (crno) i interpolacijski polinom (crveno) ˇ s za ekvidistantnu mreˇu. interpolacijski polinom stupnja 1. c Primjer 7. z y 1 0.7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 312 potrebno je napraviti “finu analizu” i posebno razmatrati situacije |x + xk | < δ. za neki mali 0 < δ < 1 (ili se pozvati na jaˇe teoreme iz teorije mjere).

z y 1 0. interpolacijski polinom stupnja 2. z s . z s y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 313 Ekvidistantna mreˇa.5 1 −0. greˇka interpolacijskog polinoma stupnja 2. greˇka interpolacijskog polinoma stupnja 1.5 2 3 4 5 6 7 8 9 10 x Ekvidistantna mreˇa.7.

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

greˇka interpolacijskog polinoma stupnja 4.5 2 3 4 5 6 7 8 9 10 x Ekvidistantna mreˇa.25 −0. z s .5 0.25 1 −0. interpolacijski polinom stupnja 4.7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 315 y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa. z y 0.

25 1 −0. interpolacijski polinom stupnja 5. z y 0.7. z s . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 316 y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa.25 2 3 4 5 6 7 8 9 10 x Ekvidistantna mreˇa. greˇka interpolacijskog polinoma stupnja 5.

25 1 −0.25 2 3 4 5 6 7 8 9 10 x Ekvidistantna mreˇa. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 317 y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa. interpolacijski polinom stupnja 6. z y 0.7. greˇka interpolacijskog polinoma stupnja 6. z s .

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

7.5 −1 2 3 4 5 6 7 8 9 10 x ˇ s Cebiˇevljeva mreˇa. interpolacijski polinom stupnja 2.25 1 −0. z y 0. z s . 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. greˇka interpolacijskog polinoma stupnja 2.

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.5 2 3 4 5 6 7 8 9 10 x ˇ s Cebiˇevljeva mreˇa.125 1 −0.25 −0. z y 0. interpolacijski polinom stupnja 3. greˇka interpolacijskog polinoma stupnja 3.7. z s .

7.125 1 −0. interpolacijski polinom stupnja 4. z y 0.25 −0.5 2 3 4 5 6 7 8 9 10 x ˇ s Cebiˇevljeva mreˇa. z s . greˇka interpolacijskog polinoma stupnja 4. 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.

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

16 (parnost funkcije!). greˇka interpolacijskog polinoma stupnja 6. pogledajmo ˇto se dogada z s ˇ s s polinomima koji interpoliraju tu funkciju u Cebiˇevljevim toˇkama. Interpolacijski c polinomi su stupnjeva 1–6. 14. interpolacijski polinom stupnja 6. z s Primjer 7.7. 8.2.25 ˇ s Cebiˇevljeva mreˇa.1 1 2 3 4 5 6 7 8 9 10 x −0.3 Ve´ smo pokazali da na primjeru Runge interpolacijski polinomi koji c interpoliraju funkciju 1 f (x) = za x ∈ [−5. 10. z y 0. S druge strane. 12. 5] 1 + x2 na ekvidistantnoj mreˇi ne konvergiraju. 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. .

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

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

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

interpolacijski polinom stupnja 4. z s . greˇka interpolacijskog polinoma stupnja 4.5 −6 −5 −4 −3 −2 −1 −0.7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 327 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x Ekvidistantna mreˇa.5 1 2 3 4 5 6 x Ekvidistantna mreˇa. z y 0.

7. z s . greˇka interpolacijskog polinoma stupnja 5.5 −6 −5 −4 −3 −2 −1 −0. z y 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.5 1 2 3 4 5 6 x Ekvidistantna mreˇa. interpolacijski polinom stupnja 5.

z s . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 329 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x Ekvidistantna mreˇa. z y 0.5 −6 −5 −4 −3 −2 −1 −0. interpolacijski polinom stupnja 6. greˇka interpolacijskog polinoma stupnja 6.5 1 2 3 4 5 6 x Ekvidistantna mreˇa.7.

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

greˇka interpolacijskog polinoma stupnja 10. z s . 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 10.7. z y 2 1 −6 −5 −4 −3 −2 −1 −1 −2 1 2 3 4 5 6 x Ekvidistantna mreˇa.

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

greˇka interpolacijskog polinoma stupnja 14.7. z y 5 3 1 −6 −5 −4 −3 −2 −1 −1 −3 −5 −7 1 2 3 4 5 6 x Ekvidistantna mreˇa. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 333 y 7 5 3 1 −6 −5 −4 −3 −2 −1 −1 −3 −5 1 2 3 4 5 6 x Ekvidistantna mreˇa. z s . interpolacijski polinom stupnja 14.

7. z s . 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. greˇka interpolacijskog polinoma stupnja 16. z y 14 10 6 2 −6 −5 −4 −3 −2 −1 −2 −6 −10 1 2 3 4 5 6 x Ekvidistantna mreˇa.

interpolacijski polinom stupnja 1. z y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa. z s . 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 1.7.

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. 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. z s .

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

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.25 −6 −5 −4 −3 −2 −1 −0. interpolacijski polinom stupnja 4. z y 0.7. greˇka interpolacijskog polinoma stupnja 4.5 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa.

25 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa. interpolacijski polinom stupnja 5.7. greˇka interpolacijskog polinoma stupnja 5. z y 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 339 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa.5 −6 −5 −4 −3 −2 −1 −0. z s .

5 0.25 −6 −5 −4 −3 −2 −1 −0. interpolacijski polinom stupnja 6. z y 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 340 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa.7. z s .25 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa. greˇka interpolacijskog polinoma stupnja 6.

25 ˇ s Cebiˇevljeva mreˇa. interpolacijski polinom stupnja 8. greˇka interpolacijskog polinoma stupnja 8.125 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0. 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.7. z y 0. z s .

interpolacijski polinom stupnja 10. greˇka interpolacijskog polinoma stupnja 10.125 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0.7. z y 0. z s . 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.125 ˇ s Cebiˇevljeva mreˇa.

z s .7. z y 0. 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.075 ˇ s Cebiˇevljeva mreˇa.075 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0. greˇka interpolacijskog polinoma stupnja 12. interpolacijski polinom stupnja 12.

05 ˇ s Cebiˇevljeva mreˇa. z y 0. greˇka interpolacijskog polinoma stupnja 14.7. interpolacijski polinom stupnja 14.05 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0. 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 s .

kao ˇto su numeriˇka integracija. z s 7. interpolacijski polinom stupnja 16.7. deriviranje.025 ˇ s Cebiˇevljeva mreˇa. Konvergencija interpolacijskih polinoma Interpolacija polinomima vrlo je znaˇajna zbog upotrebe u raznim postupcima c u numeriˇkoj analizi. greˇka interpolacijskog polinoma stupnja 16. z s . rjeˇavanje difec s c s rencijalnih jednadˇbi i joˇ mnogo toga.2.025 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0. z y 0.7. 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.

da li neki izbor neekvidistantne mreˇe. Postoje i joˇ “gori” primjeri divergencije.2. 1912. sa stanoviˇta teorije aproksimacije.8. 1914.2. interpolacija se ne pokazuje s kao sredstvo kojim moˇemo do´i do dobrih aproksimacija funkcija. c Na prvi pogled se ˇini da to ˇto interpolacija ne mora biti dobra aproksic s macija funkcije ovisi o izboru ˇvorova interpolacije. to je nemogu´e napraviti za svaku neprekidnu funkciju. a kamo li uniformno. s ˇvorovima koji su bliˇe rubovima intervala. 7. moˇe z c z z popraviti konvergenciju. izborom toˇaka interpolacije moˇemo poboljˇati aproksimativna svojstva interc z s polacijskih polinoma.) Neka je f (x) = |x| i neka je pn (x) interpolacijski polinom u n + 1 ekvidistantnih toˇaka u [−1. 0. Drugi bitni faktor kvalitete je glatko´a funkcije. Dovoljno je uzeti manje glatku s funkciju od funkcije Runge. 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). Odgovor nije potpuno jednostavan. 1.3 (Faber. Naˇalost. kad n → ∞.7. c Iz primjera funkcije Runge vidi se da je Lagrangeova interpolacija dobrih svojstava aproksimacije u sredini intervala. Pitanje je. ali ne i na rubovima. poznati z c Weierstraßov teorem tvrdi da za svaku neprekidnu funkciju f (x) postoji niz polinoma stupnja n. Tada 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.2. samo u tri toˇke: x = −1. To je samo djelimiˇno toˇno. Iako se mogu konˇ s struirati mreˇe (poput Cebiˇevljeve) na kojima se funkcija Runge bolje aproksimira z interpolacijskim polinomima. Primjer 7. nazovimo ih Bn (x).) Za svaki mogu´i izbor toˇaka interpolacije postoji c c neprekidna funkcija f . Istina. c c c tj. Takva interpolacija c . c Sljede´i teorem je egzistencijalnog tipa.4 (Bernstein. za ˇiji interpolacijski polinom pn (x) stupnja n vrijedi c f (x) − pn (x) ∞ → 0. c Teorem 7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 346 Medutim. 1]. Hermiteova i druge interpolacije polinomima Do sada smo promatrali problem interpolacije polinomima u kojem su zadane samo funkcijske vrijednosti fi u ˇvorovima interpolacije xi . tako da f (x) − Bn (x) ∞ →0 za n → ∞.

ili barem. . . .2. = . . i = 0. u okolini c svakog ˇvora).1) pokazali smo da vrijedi 1  1 V (x0 . Laz grangeovoj formi.2.17) Iz pretpostavke o medusobnoj razliˇitosti ˇvorova xk slijedi regularnost sustava i c c egzistencija i jedinstvenost polinoma pn .2. xn 0 . ponovimo ukratko “izvod” i s konstrukciju Lagrangeove interpolacije polinomom. .2. . . . . c Da bismo jednostavno doˇli do tih generalizacija. (7. (7. a za pripadnu Vandermondeovu determinantu (vidjeti teorem 7.2. xn n  0≤i<j≤n (xj − xi ). n. . . . . .  .2. . . n. xn  1  . recimo. Traˇeni polinom pn mora zadoz voljavati interpolacijske jednadˇbe z pn (xi ) = fi = f (xi ). .2.2.16) moˇemo zapisati kao z n pn (x) = i=0 f (xi )ℓi (x). x. x2 n 1 xn . . koji su jednoznaˇno odredeni interpolacijskim uvjez c tima (7.18). x2 0 x2 1 . Lagrangeova interpolacija nikako ne iscrpljuje sve mogu´e sluˇajeve interpoc c lacije polinomima. (7. xi − xj i = 0. . . Lagrangeov interpolacijski polinom pn moˇe se napisati i eksplicitno u tzv. c Ako definiramo n + 1 polinom {ℓi (x)}n specijalnim interpolacijskim uvjetima i=0 ℓi (xj ) := δij .19) Traˇene polinome ℓi stupnja n. tada Lagrangeov interpolacijski polinom koji udovoljava uvjetima (7. Mogu´e su razne generalizacije ovog problema za funkcije f koje c imaju dodatna svojstva. . koja se ˇesto zove i Lagrangeova interpolacijska formula. . (7. xn ) := det  . . . . xn vodi na linearni sustav s Vandermondeovom matricom.7.  x0 x1 . . . ve´i broj derivacija (globalno.16) Zapis polinoma pn u standardnoj bazi potencija 1.20) Funkcije ℓi zovu se funkcije Lagrangeove baze. 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). . .18) gdje je δij Kroneckerov simbol.  . moˇemo “pogoditi” z n ℓi (x) = j=0 j=i x − xj . (7.

Direktno moˇemo provjeriti da su z hi. hi. Neka je q2n+1 (x) bilo koji drugi polinom koji ispunjava interpolacijske uvjete teorema. .0 (x) + fi′ hi. sliˇno kao i za Lagrangeov polinom.2. c c Dokaz. Neka c su hi. . c interpoliramo i vrijednost derivacije fi′ = f ′ (xi ). i = 0. .0 (x) i hi. i=0 i=0 hi. osim funkcijske vrijednosti fi = f (xi ). . Teorem 7.2.1 (xj ) = δij . moramo ju dokazati posebno. koji ima c nultoˇke multipliciteta barem 2 u svakom ˇvoru interpolacije xi . vriz jedi n n ℓi (x) = 1.3 Pokaˇite da za funkcije Lagrangeove.0 (xj ) = 0. Gaussovih z c integracijskih formula). j = 0.1 (x) = (x − xi ) ℓi (x). zovu se funkcije Hermiteove baze.7. Obzirom da iz gornjeg ne slijedi jedinstvenost.0 . hi. Zadatak 7. fi′ zadani realni brojevi. n. .0 (x) = [1 − 2(x − xi )ℓ′i (xi )] ℓ2 (x) i (7.2. tj.1 (x) . Egzistenciju polinoma h2n+1 (x) moˇemo dokazati konstruktivnim metoz dama — konstrukcijom eksplicitne baze.2.22) lagano provjerimo da h2n+1 zadovoljava uvjete teorema.4 Postoji jedinstveni polinom h2n+1 stupnja najviˇe 2n + 1. za i.2. n. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 348 Zadatak 7. .1 (xj ) = 0. . ˇto je mogu´e samo ako je identiˇki jednak nuli. . a posebno s c z s ga tretiramo zbog vaˇnosti za teoriju numeriˇke integracije (preciznije. barem 2n + 2 c c nultoˇke. ˇto opravdava naziv baza. . koji zados voljava interpolacijske uvjete h2n+1 (xi ) = fi .0 (xj ) = δij . gdje su ℓi funkcije Lagrangeove baze (7. s Postoji joˇ jedan sluˇaj koji se moˇe rijeˇiti jednostavnom formulom.1 . h′i. Tada je h2n+1 (x) − q2n+1 (x) polinom stupnja ne ve´eg od 2n + 1.20). odnosno Hermiteove baze.1 (x) polinomi stupnja 2n + 1 koji zadovoljavaju sljede´e relacije c hi.21) 2 hi. a polinom h2n+1 obiˇno c se zove Hermiteov interpolacijski polinom.0 (x) = 1. c s c c Polinomi hi. gdje su xi medusobno razliˇite toˇke i fi .2 Dokaˇite da su funkcije Lagrangeove baze linearno nezavisne i ˇine z c skup izvodnica za prostor polinoma stupnja n. h′i.2. Ako definiramo polinom formulom n h2n+1 (x) = i=0 fi hi. h′2n+1 (xi ) = fi′ . (7. U svakom ˇvoru xi .

. . . . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 349 Zadatak 7. c Teorem 7. . (2n + 2)! . ali sada z c f (2n+2) (ξ) 2 ω (x). tj. naravno. i Za ocjenu greˇke Hermiteove interpolacije vrijedi vrlo sliˇan rezultat kao i za s c obiˇnu Lagrangeovu interpolaciju (teorem 7. Hermiteov interpolacijski polinom. . dobijemo c s f (2n+2) (ξ) 2 F (xn+1 ) − h2n+1 (xn+1 ) = ω (xn+1 ). . razliˇit samo od ˇvorova x0 . F ′ ima n + 1 nulu u nekim toˇkama izmedu njih. Ona takoder c ima nule u x0 . Na kraju. pa oˇekujemo da je c f (x) − h2n+1 (x) ≈ Cω 2(x) za neku konstantu C. Izaberemo li neki xn+1 ∈ [xmin . . odnosno Hermiteove baze. xn }. itd. . . .2. . odakle izraˇunamo C. vriz jedi n n xi hi. oznaˇimo ju s ξ. pa ukupno ima (barem) 2n + 2 nula.2..0 (x) + hi. Dokaz. .2. .2. . n.2). moˇemo zapisati i u “Newtonovom” obliku — koriste´i podijeljene razlike. na osnovu Rolleovog teorema.7. Definiramo li F (x) = f (x) − h2n+1 (x) − Cω 2 (x). jer su obje strane nula. . . . (2n + 2)! Ali kako je xn+1 proizvoljan.4) funkcije f ∈ C (2n+2) [xmin . . osim u “Lagrangeovom” obliku. . No onda F ′′ ima bar 2n + 1 nula. vidimo da F ima nultoˇke multipliciteta 2 u x0 . xn . F ′′′ 2n nula. Uvrstimo li taj rezultat u izraz za greˇku.1 (x) = x. . Iz uvjeta interpolacije znamo da je f (x) = h2n+1 (x) i f ′ (x) = h′2n+1 (x) za x = x0 . xn . Na kraju primijetimo da je gornji rezultat toˇan i za c x ∈ {x0 . . F (xk ) = F ′ (xk ) = 0 za c k = 0. . c c c moˇemo odrediti konstantu C tako da vrijedi F (xn+1 ) = 0. i=0 i=0 (x − xi ) ℓ2 (x) ℓ′i (xi ) = 0.5 Greˇka kod interpolacije Hermiteovim polinomom h2n+1 (x) (v. xn . F (2n+2) ima barem jednu nulu u promatranom intervalu. . pa dokaz slijedi. moˇemo ga zac c z mijeniti s proizvoljnim x. Deriviranjem izraza c za F (x) dobijemo F (2n+2) (ξ) = f (2n+2) (ξ) − C(2n + 2)! = 0. . teos rem 7. xn je oblika c e(x) := f (x) − h2n+1 (x) = gdje su ξ i ω kao u teoremu 7. xmax ] u n + 1 ˇvorova x0 . xn .2.2. xmax ] razliˇit od postoje´ih ˇvorova.4 Pokaˇite da za funkcije Lagrangeove. . . Kako F (x) sada ima z (barem) n + 2 nule.

. . . Zato s zapiˇite hn kao linearnu kombinaciju potencija. li . .2. i = 0. . 0≤i<j≤d odakle slijedi egzistenicija i jedinstvenost polinoma hn . t0 . s tim da je l0 + · · · + ld = n + 1. . Pokaˇite da z za svaki skup realnih brojeva {fij | j = 1. ld zadani prirodni brojevi koji zadovoljavaju i=0 li = n + 1. . Neka je E matrica c z c c tipa (m+1)×(n+1) s elementima Eij koji su svi 0.17). bez pretpostavke da su c z ˇvorovi razliˇiti. Uputa: Konstrukcija Hermiteove baze postaje vrlo komplicirana (pokuˇajte!). . Pretpostavimo da u ˇvoru xi koristimo li > 0 podataka (funkcija i prvih li − 1 c derivacija). pa ju. .2. n + 1. . stupnja ne ve´eg od n. m. l1 . i = 0. . Op´eniti sluˇaj interpolacije funkcije i derivacija. .7. .) Ponekad se naziv “Hermiteova interpolacija” koristi i za op´enitiji sluˇaj proc c ˇirene Hermiteove interpolacije koji ukljuˇuje i viˇe derivacije od prvih. . t1 . takoder. . . . . . td . . . . Zadatak 7. . . j = 1. . Sto to znaˇi? Pokuˇajte ga sami izvesti! (Taj oblik ´emo c c s c kasnije uvesti i iskoristiti za zapis po dijelovima polinomne interpolacije. . . za koji vrijedi c (j−1) hn (ti ) = fij . . Tada problem nalaˇenja c z polinoma P (x) stupnja n koji zadovoljava Eij (P (j−1) (xi ) − cij ) = 0. xn ) = (tj − ti )li lj · d li −1 i=0 ν=1 ν! . xn ). koji obuhva´a gornje interc c c polacije kao specijalni sluˇaj. . d. . . . d} postoji jedinstveni polinom hn . Dokaˇite da vrijedi c c V (x0 . . . takoder. Ta determinanta c je generalizacija Vandermondeove determinante iz (7. td . oznaˇavamo s V (x0 . . . 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 . . koji su jednaki 1. .5 Neka su t0 . osim n+1 njih. . td zadani medusobno razliˇiti ˇvorovi i neka su c c d l0 . ima jedinstveno rjeˇenje. . . l0 ld uz ti = tj za i = j. . . . i neka je zadan skup od m + 1 toˇaka x0 < x1 < · · · < xm . . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 350 ˇ i s dvostrukim ˇvorovima. . . . li . formulirajte problem interpolacije s matriˇno i analizirajte determinantu dobivenog linearnog sustava. Bitno s c s je samo da u odredenom ˇvoru xi interpoliramo redom funkcijsku vrijednost i prvih c nekoliko (uzastopnih) derivacija. i = 0. j = 1. moˇe se zapisati na sljede´i naˇin. . . Problem proˇirene Hermiteove s s interpolacije. . .

pretpostavimo da na svakom podintervalu [xk−1 . . Ukupno moramo odrediti koeficijente polinoma pk u n podintervala. spomenimo da i time problem nije do kraja iscrpljen. ovdje pretpostavljamo da su rubovi podintervala interpolacije c uzlazno numerirani. To joˇ ne osigurava s da je ϕ funkcija jer je mogu´a dvoznaˇnost u dodirnim toˇkama podintervala. ali o c c c tome ´emo voditi raˇuna kod zadavanja uvjeta interpolacije. . Za razliku od polinomne interpolacije funkcijskih vrijednosti. ukupno (m + 1) · n koeficijenata. .3. U punoj op´enitosti. kako je formuliran. Idenc z s tifikacija matrica E koje vode na regularne sisteme jednadˇbi ve´ je dosta izuˇena. . Umjesto toga. Taj se problem ˇesto naziva proˇirena Hermite–Birkhoffova interpoc c s lacija. n. .xk ] = pk . n. . tj. pa se u praksi ne smije koristiti.2) k = 0. tj. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 351 za neki izbor brojeva cij . Interpolacijski uvjeti su ϕ(xk ) = fk . . k = 1. da vrijedi a = x0 < x1 < · · · < xn = b. zovemo Hermite–Birkhoffovim interpolacijskim problemom. gdje su pk polinomi niskog (ali fiksnog) stupnja.1) . . . Mogu´e je umjesto c derivacija zadavati razne linearne funkcionale u ˇvorovima. Interpolacija po dijelovima polinomima U proˇlom smo poglavlju pokazali da polinomna interpolacija visokog stupnja s moˇe imati vrlo loˇa svojstva.xk ] = pk . Jedan specijalni probc lem u kojem su ovi linearni funkcionali linearne kombinacije derivacija. tj. n. (7. c s z Zadatak 7. z c c I na kraju.3. na svakom podintervalu vrijedi ϕ [xk−1 .2. ˇto za svaki polinom daje po 2 uvjeta s pk (xk−1 ) = fk−1 pk (xk ) = fk . . k = 1.6 Zapisom polinoma P u standardnoj bazi potencija formulirajte matriˇno problem proˇirene Hermite–Birkhoffove interpolacije. da je ϕ [xk−1 . (7. c s 7. z s koristi se po dijelovima polinomna interpolacija. k = 1. a u vezi je s numeriˇkim metodama za rjeˇavanje diferencijalnih jednadˇbi.3. donekle je prouˇen. n. . Svaki polinom pk stupnja m odreden je s (m+1)-im koeficijentom. . tj. . . 2. . xk ] koristimo polinom stupnja m. . problem moˇe i nemati rjeˇenje. gdje je bilo dovoljno da su ˇvorovi interpolacije c medusobno razliˇiti. c c Preciznije.7.

n. pa odmah vidimo da vrijedi c0. high := n. .3. polinom pk je jedinstveno odreden. a moramo na´i (m + 1) · n koefic cijenata. jer je pk−1 (xk−1 ) = pk (xk−1 ). . Uoˇimo da smo postavljenjem prethodnih c uvjeta interpolacije osigurali neprekidnost funkcije ϕ. Bez dodatnih uvjeta to je mogu´e napraviti samo za m = 1.1. Obiˇno c ga zapisujemo relativno obzirom na poˇetnu toˇku intervala (razlog je stabilnost) u c c obliku pk (x) = c0.1 (Binarno pretraˇivanje) z low := 0. . c 7. Interpolacijski polinom pk moˇemo zapisati u Newtonovoj formi z pk (x) = f [xk−1 ] + f [xk−1 . xk ] · (x − xk−1 ). while (high − low ) > 1 do begin . c1. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 352 a ukupno daje 2n uvjeta interpolacije.k = f [xk−1 . z z Algoritam 7. s Na svakom podintervalu [xk−1 . prvo treba z c prona´i izmedu kojih se ˇvorova toˇka x nalazi. k = 1. . xk ]. n. . Primijetimo da uvjeta interpolacije ima 2n.3.7. . Za m > 1 moraju se dodati uvjeti na glatko´u interpolacijske funkcije ϕ u c ˇvorovima interpolacije. . Po dijelovima linearna interpolacija Osnovna ideja po dijelovima linearne interpolacije je umjesto jednog polinoma visokog stupnja koristiti viˇe polinoma. . ali stupnja 1. . xk ] = xk − xk−1 k = 1. Ako ˇelimo aproksimirati vrijednost funkcije f u toˇki x ∈ [a. c c c Tek tada moˇemo raˇunati koeficijente pripadnog linearnog polinoma.k + c1. . .k = f [xk−1 ] = fk−1 fk − fk−1 . n. . b]. tj. tj za koji k vrijedi xk−1 ≤ x ≤ xk . xk ]. k = 2.k (x − xk−1 ) za x ∈ [xk−1 . za po c dijelovima linearnu interpolaciju. z c Za traˇenje tog intervala koristimo algoritam binarnog pretraˇivanja.

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

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

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

pa imamo c c c c pk (x) = f [xk−1 ] + f [xk−1 . xk+1 . toˇkom koja je “jako blizu” xk i toˇkom xk . dobivamo dva dvostruka ˇvora. xk . xk ] = xk − xk−1 f [xk−1 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 356 U naˇem sluˇaju. xk−1 ] = sk−1 f [xk−1 . ako u toˇki xk derivaciju f ′ (xk ) zadajemo ili aproksimiramo s sk . h2 k (7. xk+2 ] f [xk . xk−1 . toˇkom koja c c c c je “jako blizu” xk−1 . xk ] · (x − xk−1 )2 + f [xk−1 . xk ] xk xk fk sk fk sk − f [xk−1 . c c pa tablica podijeljenih razlika izgleda ovako: xk xk−1 xk−1 f [xk ] fk−1 sk−1 fk−1 f [xk−1 . xk ] f [xk−1 . xk ] h2 k f [xk . xk+2 . xk ] − [xk−1 . xk ] − sk−1 hk sk + sk−1 − 2f [xk−1. xk ] = . xk ] − f [xk−1 . xk−1 ] f [xk−1 .3.7. xk ] − sk−1 = hk f [xk−1 . To si je najjednostavnije predoˇiti c c kao kubiˇni interpolacijski polinom koji prolazi kroz ˇetiri toˇke: xk−1 . Sada moˇemo napisati tablicu podijeljenih razlika za kubiˇni interpolacijski z c polinom koji ima dva dvostruka ˇvora xk−1 i xk . xk−1 ] · (x − xk−1 ) + f [xk−1 . xk . xk ] f [xk−1 .4) uz uvaˇavanje da je z . xk−1 . xk ] = xk − xk−1 sk − f [xk−1 . xk ] − sk−1 − hk hk = hk sk + sk−1 − 2f [xk−1 . xk−1 . xk ] · (x − xk−1 )2 (x − xk ) f [xk−1 . xk ] hk f [xk−1 . xk . xk ] = sk . xk−1 . xk+3 ] Forma Newtonovog interpolacijskog polinoma ostat ´e po obliku jednaka kao c u sluˇaju da su sve ˇetiri toˇke razliˇite. Kad se te dvije c c toˇke koje su “jako blizu” stope sa svojim parom. xk+1 . s c c onda je f [xk . xk−1 . xk+1 ] f [xk .

xk−1 . xk−1 .k .4).k = c2.k . . Usporedivanjem koeficijenata uz odgovaraju´e potencije prethodne relacije i relacije c (7. za sve k = 1. Dobivamo c c3. xk−1 . c1. ako znamo skalare sk . xk ] · (x − xk−1 )3 . xk . xk .7. xk ] − hk f [xk−1 . onda relacija (7. naˇli smo traˇeni pk . Usporedimo li forme (7. Relaciju (7. onda nije problem na´i koeficijente po dic c jelovima kubiˇne interpolacije.3) i (7. .4) poprima oblik pk (x) = f [xk−1 ] + f [xk−1 . xk−1 .3.k . dobit c s z ´emo koeficijente ci. otkrivamo da se isplati prvo izraˇunati c koeficijent c3.3.3). p′′ (xk−1 ) c2. te u njegovu derivaciju p′k moˇemo s z provjeriti da je pk (xk−1 ) = fk−1 .3. a zatim ga upotrijebiti za raˇunanje c2. . Ponovno. n. xk . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 357 Uvrˇtavanjem xk−1 i xk u polinom pk iz (7. p′k (xk−1 ) = sk−1. 2 p′′′ (xk−1 ) c3. Ostaje nam samo pokazati kako bismo mogli birati c sk -ove. = hk Drugim rijeˇima. xk ] .k = k = f [xk−1 . c c .3.3. pk (xk ) = fk . xk ] − sk−1 − hk c3. xk ]. Drugim rijeˇima. .k sk + sk−1 − 2f [xk−1. xk−1 . h2 k f [xk−1 .4). xk ] − hk f [xk−1 . xk−1 ] · (x − xk−1 ) + (f [xk−1 . 6 Promotrimo li bolje posljednje dvije relacije.k = k = f [xk−1 . tako da polic z c nom bude napisan po potencijama od (x − xk−1 ). postoje dva bitno razliˇita naˇina. xk . xk ]) · (x − xk−1 )2 + f [xk−1 .4) moˇemo malo drugaˇije zapisati. p′k (xk ) = sk .k = pk (xk−1 ) = fk−1 .k . dobivamo c0. 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 . xk−1 .k = p′k (xk−1 ) = sk−1 .3. xk ].

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

xn ]. s z Ipak. x2 ] + · · · + (x0 − x1 ) · · · (x0 − xn−1 )f [x0 . xn ]. 4! 16 384 Drugim rijeˇima. onda c c c i maksimalna greˇka teˇi u 0. (n + 1)! Deriviranjem interpolacijskog polinoma. ponovno. Numeriˇko deriviranje c Problem koji trebamo rijeˇiti je kako aproksimirati derivaciju diferencijabilne s funkcije f u nekoj toˇki. a en (x) greˇka interpolacijskog polinoma s en (x) = ω(x) f (n+1) (ξ). na primjer ako su toˇke dobivene mjerenjem. . b] moˇemo pisati c z |f (x) − ϕ(x)| ≤ M4 h4 1 = M4 · h4 . prijelazom na apsolutnu vrijednost.7. . x1 . a zatim uvrˇtavanjem x = x0 dobivamo s p′n (x0 ) = f [x0 . . uz z s s pretpostavku da je f klase C n+1 [a. gdje je pn (x) interpolacijski polinom napisan. . b]. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 359 Odatle. u Newotnovoj formi pn (x) = f [x0 ] + (x − x0 )f [x0 . . . . . funkciju f moˇemo napisati (vidjeti relaciju z (7. . .2. tada moˇemo aproksimirati prave vrijednosti derivacije koriˇtenjem vrijednosti z s funkcije u susjednim toˇkama. odmah slijedi da je xe toˇka lokalnog c maksimuma za |ω| i |ω(x)| ≤ |ω(xe )| ≤ (xk − xk−1 )4 . c s 7. ako ravnomjerno pove´avamo broj ˇvorova. x1 ] + · · · + (x − x0 ) · · · (x − xn−1 )f [x0 .3. Definiramo li. tako da h → 0. koriˇtenjem samo c c s vrijednosti funkcije f u zadanim toˇkama. Ostaje joˇ samo pokazati kako. maksimalni razmak ˇvorova c h = max {hk = xk − xk−1 }.6)) kao f (x) = pn (x) + en (x). . c Taj problem moˇemo rijeˇiti koriˇtenjem interpolacijskog polinoma. recimo. recimo x0 i susjednim toˇkama x1 . 1≤k≤n na ˇitavom [a. xn . u cijelom ovom pristupu ima jedan problem. x1 . . x1 ] + (x0 − x1 )f [x0 . Tada. c c No. . xk ]. Vrlo ˇesto derivacije funkcije c u toˇkama interpolacije nisu poznate. 16 ∀x ∈ [xk−1 . x1 .4.

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

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

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

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

. Na sliˇan naˇin. tako da tablice u prvom redu imaju kra´e oznake za stupce. Po dijelovima kubiˇna kvazihermiteova interpolacija c Sad se moˇemo vratiti problemu kako napraviti po dijelovima kubiˇnu Herz c miteovu interpolaciju. .7. s f [j] [xk ] := f [xk . Najjednostavnije je uzeti podijeljene razlike kao aproksimacije derivacija u ˇvorovima. c Za prvi polinom imamo sljede´u tablicu podijeljenih razlika c xk 0 0 1 1 Iz nje dobivamo p1 (x) = 1 + (1 + 1)(x − 0)2 − 1(x − 0)3 = 1 + 2x2 − x3 . j ≥ 0.5. greˇka po dijelovima kubiˇc s c ne interpolacije ovisi o tome koliko je dobra aproksimacija derivacije. c Primijetimo da u sluˇaju aproksimacije derivacije. c . One mogu biti unaprijed (do na posljednju) ili unazad (do na prvu).3. 7. ako nemamo zadane derivacije. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 364 skra´enu oznaku za podijeljene razlike reda j. a samu interpolaciju ´emo zvati kvaziherz c c c miteova po dijelovima kubiˇna interpolacija. po ugledu na oznaku za derivacije c viˇeg reda. 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 . U tom sluˇaju derivacije c moˇemo aproksimirati na razliˇite naˇine. xk+j ]. . .

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

Deriviranjem. .n−1 (xn ) = f [xn−2 . xk+1 ] − f [xk−1 . pa uvrˇtavanjem xn dobivamo s sn = p′2. xn−1 . . hk + hk+1 hk + hk+1 k = 1. xk ] + hk hk+1 f [xk−1 . xn−1 ] + f [xn−2 . n. x2 ](x0 − x1 ) = Za k = n pripadni polinom je p2. xk ] = .1 (x0 ) = f [x0 . z Za k = 0 pripadni polinom ima oblik p2. xn−1 ] − hn f [xn−1 . sk =  hk + hk+1                       (2h1 + h2 ) f [x0 . x1 ] − h1 f [x1 . . s c . x1 .k (xk ) = f [xk−1 . h1 + h2 za k = 0. x1 ](x − x0 ) + f [x0 . xn ] = . hn−1 + hn Dakle. . pa uvrˇtavanjem x0 dobivamo s s0 = p′2. xk ] + hk f [xk . x1 .7.1 (x) = f0 + f [x0 . hn−1 + hn Greˇka u derivaciji (vidjeti prethodni odjeljak) je reda veliˇine O(h2 ). xk ] + f [xk−1 . sk je teˇinska srednja vrijednost podijeljene razlike unaprijed i unatrag. xn−1 ](x − xn−2 ) + f [xn−2 . xn ](x − xn−2 ) (x − xn−1 ). xk+1 ] . za k = n. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 366 a zatim. x2 ] . xn−1 ] − hn f [xn−1 . (hn−1 + 2hn ) f [xn−2 . za k = 1. xn ](2xn − xn−1 − xn−2 ) (hn−1 + 2hn ) f [xn−2 . . za Besselovu po dijelovima kubiˇnu interpolaciju stavljamo c (2h1 + h2 ) f [x0 . Uz oznaku hk = xk − xk−1 . h1 + h2 hk+1 f [xk−1 . xk+1 ] f [xk . x1 ] − h1 f [x1 . xk .n−1 (x) = fn−2 + f [xn−2 . ˇto znaˇi s c s c da je greˇka u funkciji reda veliˇine O(h3 ). Deriviranjem. . xn−1 . . xn ] . xk ] + hk f [xk . n − 1. tj. . x1 ] + f [x0 . x2 ] . deriviranjem i uvrˇtavanjem xk s sk = p′2. xk+1 ](xk − xk−1 ). prethodna se formula moˇe napisati i kao z sk = f [xk−1 . x2 ](x − x0 ) (x − x1 ).

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

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

dobivamo s f [xk−1 .k+1 + 6c3. n − 1.k (xk − xk−1 ) = c2.k + 6c3. tj. xk+1 ] − sk sk+1 + sk − 2f [xk . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 369 polirati rubne toˇke svog podintervala) ima 2n.k + 6c3.3). ostaje nam samo postaviti uvjete c ljepljenja druge derivacije u unutarnjim ˇvorovima.3.k u terminima fk i sk iz relacija koje su dobivene iz uvjeta ljepljenja prvih derivacija.k (x − xk−1 ) k ′′ pk+1 (x) = 2c2. xk ] − sk−1 = − hk c3. Kako se oni biraju. hk Uvrˇtavanjem u (7.k (x − xk−1 )2 + c3. . Odmah vidimo da nam nedostaju 2 uvjeta da bismo te koeficijente mogli odrediti. k k+1 k = 1. . Zahtjev je c p′′ (xk ) = p′′ (xk ). . To nam omogu´ava da c c c sk -ove odredimo i na neki drugi naˇin. prva derivacija se lijepi c u unutarnjim toˇkama ˇim postavimo zahtjev da je ϕ′ (xk ) = sk u tim toˇkama. Zbog toga. 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).3. h2 k f [xk−1 . podijelimo li prethodne jednadˇbe s 2.k+1 .k+1 (x − xk ). Ako polinome pk piˇemo u formi (7. uvjet ljepljenja glasi c z c2. imamo ukupno 4n − 2 uvjeta.k sk + sk−1 − 2f [xk−1.3.5) Ostaje samo izraziti koeficijente ci.k + c1.k+1.k (x − xk−1 )3 . Uvjeta ljepljenja prve derivacije u c unutarnjim toˇkama ima n − 1 jer je toliko unutarnjih toˇaka. . a moramo odrediti 4n koeficijenata. Ponovimo c3. pa je Drugim rijeˇima. xk+1 ] = − .7. ako je pk (x) = c0.k + 3c3. Dakle. to ostavimo za kasnije.5).k = c2. p′′ (xk ) = 2c2. xk ] − sk−1 sk + sk−1 − 2f [xk−1 . xk ] . xk ] +2 hk hk f [xk . (7. relativno obzirom na poˇetnu toˇku pods c c intervala. a jednako je toliko i c c uvjeta ljepljenja druge derivacije.k (x − xk−1 ) + c2.k . Za poˇetak. hk+1 hk+1 . onda je p′′ (x) = 2c2.k (xk − xk−1 ) k ′′ pk+1 (xk ) = 2c2.

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

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

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

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

9389262615 1.0000000000 0. xk ] + hf [xk . Dobiveni linearni sustav viˇe nije trodijagonalan. x1 ] s4 + 2s5 = 3f [x4 .1 Pokuˇajte na´i jedan takav algoritam. x5 ]. . s c U sluˇaju potrebe. za k = 0.3. .0 0.6 0.0000000000 −1.9389262615 k = 1. . Za njegovo rjeˇavanje postoje s s efikasni algoritmi (sloˇenost ostaje linearna u n). z Zadatak 7. ˇto vodi na jednadˇbe s z p′1 (x0 ) = p′n (xn ). . . xk+1 ] 2. 1 n ϕ′′ (x0 ) = ϕ′′ (xn ).9510565163 0.8163563200 −2. Za desnu stranu sustava trebamo izraˇunati prve podijeljene razlike c xk 0. U praksi se najˇeˇ´e koristi zahc c sc tjev periodiˇnosti prve i druge derivacije na rubovima c ϕ′ (x0 ) = ϕ′ (xn ).9510565163 0. Primjer 7. . p′′ (x0 ) = p′′ (xn ).8 1. . c ovakvi oblici zadavanja rubnih uvjeta nisu pogodni. .8163563200 0. dozvoljeno je i kombinirati razne oblike rubnih uvjeta u c jednom i drugom rubu.2 Neka je f (x) = sin(πx).0 fk 0. 1] s ˇvorovima interpolacije c xk = 0.7. jednadˇbe linearnog c c z sustava za splajn su hsk−1 + 4hsk + hsk+1 = 3(hf [xk−1 . Da bismo oˇuvali periodiˇnost. c c Budu´i da su toˇke ekvidistantne s razmakom h = 0.0000000000 f [xk . periodiˇke rubne uvjete.2. . 5.55. xk+1 ]).2k. Nadite prirodni splajn koji aproksimira funkciju f na [0. Izraˇunajte vrijednost tog splajna u toˇki 0. Dodatne jednadˇbe (prva i zadnja) za prirodni splajn su z 2s0 + s1 = 3f [x0 .3.5877852523 0.4 0. c c prirodno je postaviti tzv. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 374 Za aproksimaciju periodiˇkih funkcija na intervalu koji odgovara periodu. 4.5877852523 0.2 0.

2  2.1387417029.2 0.4 0.4) − 4. tj.9510565163 0.4.6].8496226357(x − 0.55) greˇka s 0.9510565163 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 375 Iz svih ovih podataka dobivamo linearni sustav  1.8 0.2 s0        0.9510565163 0.9699245271(x − 0.55) ϕ(j) (0.4 0.8 0. 0.9699245271 0.0000000000 −0.0064911026 druga derivacija j=2 −9. a druge derivacije O(h2 ).8 0. prve derivacije s c O(h3 ).4 0. To je zato ˇto c s ′′ ′′ funkcija f (x) = sin(πx) zadovoljava prirodne rubne uvjete f (0) = f (1) = 0. s c funkcija j=0 f (j) (0. iako je h relativno velik.4914533661 −0.2 0. x3 ] = [0.4 Rjeˇenje tog linearnog sustava za “nagibe” sk je s s0 = −s5 = 3.55 nalazi u intervalu [x2 .5392953786.4849622636 −0. s1 = −s4 = 2.7633557569 0. p3 je zapravo kvadratni polinom. Greˇka aproksimacije funkcije je reda veliˇine O(h4 ).2    3          0.9510565163 f [1] [xk ] 0.9874286861 0.7633557569 0.2 0. kao i prirodni splajn. s2 = −s3 = 0.6992452715 −0.2   =  1. kojeg nalazimo iz tablice podijeljenih razlika xk 0. restrikcija c c splajna na taj interval je polinom p3 .9510565163 + 0. prvu i drugu derivaciju u toˇki 0.0000000000 Odavde odmah slijedi da je taj kubiˇni polinom jednak c p3 (x) = 0.7.8531695489    s1             s2  0.0898137920    s  0.55.8496226357 0.8 0.6 fk 0.8496226357 −4.2 0.8531695489  s5 −1.9876883406 0. Budu´i da se toˇka x = 0.4)2 .9699245271 f [2] [xk ] f [3] [xk ]      −4.0898137920  ·  −1.9699245271.0488479218 Vidimo da su aproksimacije vrlo toˇne.6 0. Pogledajmo joˇ aproksimacije za funkciju.2 0.0002596545 prva derivacija j=1 −0.7480931932 −9.2   s4   −2. .

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

N − 1. Ako je f (a) = f (b) tvrdnja je oˇigledna. c z Ako je f (a) = f (b). i = 0. β imaju isti znak. za i = 0. Vrijednost ωi (f ) zovemo oscilacija funkcije f na podintervalu [xi . xN ].4.1.1 Nadite ˇto je u gornjoj diskusiji neformalno. tada postoji ξ ∈ [a. uz ξ = b. i dokaˇite da je dim S(n) = n + N. odnosno. . b] i α. hi hi hi x ∈ [xi . uz ξ = a.xi+1 ] ∈ Pn (Pn je prostor polinoma stupnja n). b] zadanoj s (7.xi+1 ] 0≤i≤N −1 max |f (x′′ ) − f (x′ )|. ω(f ) = max ωi (f ). . N − 1. a ω(f ) je (oˇito) najve´a oscilacija po svim podintervalima mreˇe. b) tako da je ψ(ξ) = 0. U dokazima ´emo koristiti jednu sporednu lemu. N. z z 7.1). . pa zbog neprekidnosti postoji ξ ∈ (a.4. c c z . (2) s ∈ C n−1 [x0 . odnosno. Za precizno odredivanje reda konvergencije aproksimacija neprekidne funkcije f zgodno je uvesti oznake ωi (f ) = x′ .1 Ako je f ∈ C[a. i ˇto je potrebno za s s precizan matematiˇki dokaz. xi+1 ]. . Algoritam za raˇunanje je trivijalan. . Tvrdnja vrijedi i ako je α = 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 377 Zadatak 7. b] tako da vrijedi αf (a) + βf (b) = (α + β)f (ξ). . jer moˇemo uzeti ξ = a ili ξ = b.4. Oˇito imamo z c c S1 (x) = fi x − xi x − xi xi+1 − x + fi+1 = fi + (fi+1 − fi ). u raznim normama c koje se koriste za aproksimaciju. xi+1 ].4. na mreˇi ˇvorova — subdiviziji segmenta [a. . . .x′′ ∈[xi . Ako je prostor polinomnih splajnova S(n) stupnja n c definiran zahtjevima: (1) s ∈ S(n) =⇒ s|[xi. i = 0. pokaˇite da je S(n) vektorski prostor. tada funkcija ψ(x) = αf (a) + βf (b) − (α + β)f (x) poprima suprotne predznake na krajevima intervala. pa c moˇemo odmah ispitati pogreˇku. . c Lema 7. . β = 0. razmotriti svojstva interpolacijskog liz s nearnog splajna obzirom na glatko´u funkcije koja se interpolira. Dokaz. . gdje je hi = xi+1 − xi . Linearni splajn Najjednostavniji linearni interpolacijski splajn S1 odreden je uvjetom globalne neprekidnosti i uvjetom interpolacije S1 (xi ) = fi .7.

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

Prema (7. xi+1 ] tada je ∞ S1 (x) − f (x) ∞ ≤ ¯ h2 D2f 8 ∞. (7. ocjena greˇke mora ukljuˇvati ovisnost o nekoj veliˇini koja s c c mjeri “gusto´u” mreˇe.1 (Uniformna ocjena pogreˇke linearnog splajna) s Neka je S1 (x) linearni interpolacijski splajn za funkciju f . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 379 integrabilna.4. maksimalni razmak susjednih ˇvorova c ¯ h := max hi 0≤i≤N −1 mora teˇiti prema nuli. koja se joˇ zove i dijametar s z c s mreˇe.7. 1]. za neprekidne funkcije. x ∈ [xi . Ako profinjavanjem mreˇe ˇelimo c z c z z dobiti konvergenciju. odnosno razmak ˇvorova. standardno se ocjez ¯ ne greˇke izraˇavaju upravo u terminima veliˇine h. b] tada je S1 (x) − f (x) (2) ako je f ∈ L1 [a. xi+1 ].4. ili je jedan od njih jednak nula. . b].1) greˇka je s E(x) := S1 (x) − f (x) = (1 − t)fi + tfi+1 − f (x). Da bismo izbjegli ovisnost o svim hi . ≤ ¯ h Df 2 ∞. b] tada je ∞ S1 (x) − f (x) (3) ako je f ∈ C[a. b] N −1 i=0 L2 [xi . b] N −1 i=0 ∞ ∞ ≤ ω(f ). pa (1−t) i t imaju isti (pozitivni) c predznak. 4 (4) ako je f ∈ C[a. z Teorem 7.4. Obzirom na svojstva glatko´e funkcije f vrijedi: c (1) ako je f ∈ C[a. xi+1 ] ekvivalentno s t ∈ [0. xi+1 ] tada je S1 (x) − f (x) ∞ ≤ ¯ h ω(Df ). Medutim.2) Uoˇimo da je x ∈ [xi . Dokaz. 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. odmah je jasno da to profinjavanje mora biti “ravnomjerno” u cijelom [a. C 1 [xi . tj. Neka je t := (x − xi )/hi . ω(f ) daje bitno precizniju uniformnu ocjenu greˇke od globalne norme.

Ako je prva derivacija ograniˇena i integrabilna. fi+1 = f (x) + x Df (v) dv. Supstitucijom u (7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 380 Ako je f ∈ C[a. onda prema Lemi 7. Neka je sada f ∈ C[a. pa je |E(x)| ≤ ωi (f ) ≤ ω(f ).1 postoji ξ ∈ [xi .4. b].4. pa opet ocjenom parabole na desnoj strani dobijemo da vrijedi |E(x)| ≤ 1¯ h ω(Df ). xi+1 |E(x)| ≤ (1 − t) dv + t xi x dv Df ∞ = 2t(1 − t) hi Df ∞. Supstitucijom u (7. xi+1 ] takav da vrijedi E(x) = f (ξ) − f (x). dokazali smo da vrijedi |E(x)| ≤ 1¯ h Df 2 ∞. b] klase C 1 na svakom podintervalu mreˇe (eventualni z prekidi prve derivacije mogu biti samo u ˇvorovima mreˇe).2) dobijemo x xi+1 E(x) = −(1 − t) i |E(x)| ≤ (1 − t) Slijedi x Df (v) dv + t xi x Df (v) dv x xi+1 xi |Df (v)| dv + t x |Df (v)| dv. Kako parabola 2t(1 − t) ima maksimum 1/2 u t = 1/2.2) dobijemo E(x) = t(1 − t) hi (Df (η) − Df (ξ)).7.4. odakle slijedi |E(x)| ≤ t(1 − t) hi ωi (Df ). vrijedi c xi xi+1 fi = f (x) + x Df (v) dv. Prema Taylorovoj c z formuli s Lagrangeovim oblikom ostatka fi = f (x) − t hi Df (ξ). ξ. 4 . xi+1 ]. fi+1 = f (x) + (1 − t) hi Df (η). η ∈ [xi .

|E(x)| ≤ 1 2 h t(1 − t) D 2 f 2 i ∞ ≤ 1 ¯2 h D2f 8 ∞. h . Zadatak 7. ¯ h ≤ D2f 2 ∞. tj.4. xi+1 2 E(x) = (1 − t) Odavde lako slijedi x (xi − v) D f (v) dv + t x (xi+1 − v) D 2f (v) dv. da vrijedi: s c (3) DS1 (x) − Df (x) (4) DS1 (x) − Df (x) ∞ ∞ ≤ ω(Df ). z (1) Da li su navedene ocjene najbolje mogu´e. ako f ima na svakom podintervalu ograniˇenu i integrabilnu drugu c derivaciju. U ve´ini sluˇajeva to su iskazi tipa “red aproksimacije naveden u c c direktnom teoremu je najbolji mogu´i”.2 Dokaˇite da se u sluˇajevima (3) i (4) teorema 7. Teoremi poput teorema 7.1 moˇe ocijeniti z c z i greˇka u derivaciji. da nije tako. 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) + pa iz formule (7.2) slijedi xi x (xi+1 − v) D 2f (v) dv. primijetimo da se prirodno pojavljuju dva vaˇna pitanja. Doista. Iako u daljnjem ne´emo slijediti ovaj pristup c do krajnjih detalja. iskoristili nedovoljno “finu” nejednakost. toˇnije. trebalo bi dopuniti ili c popraviti direktni teorem! Ocjena optimalnosti konstanti je neugodan problem. s c 2 3 ocjene s h . na primjer. u sluˇaju linearnog splajna. da li smo zbog tehnike dokazic vanja napravili na nekom mjestu pregrubu ocjenu.7.4.4. moˇemo li dobiti c c z sve bolje i bolje ocjene za greˇku. i tako redom? Teoremi koji se bave problematikom kao u (2) zovu se inverzni teoremi teorije aproksimacija. 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.4. koji .1 pripadaju grupi teorema koji se nazivaju direktni teoremi teorije aproksimacija. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 381 Na kraju.

raniju diskusiju). t= x − xi . svi direktni teoremi koji c c slijede optimalni su u smislu postojanja odgovaraju´ih inverznih teorema i teorema c zasi´enja. Ako preskoˇimo paraboliˇke splajnove c c (v. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 382 za op´i stupanj splajna nije rijeˇen — treba konstruirati primjer funkcije na kojoj c s se dostiˇe konstanta iz direktnog teorema. da vrijedi “=” umjesto “≤”.1 Neka su u ˇvorovima a = x0 < x1 < · · · < xN = b zadane vric jednosti fi . = Df xi + hi + O(h2 ). Hermiteov kubiˇni splajn c Kao i u sluˇaju Hermiteove interpolacije polinomima. b] DS xi + hi 2 N −1 i=0 C 3 [xi .1 funkcija f (x) = x2 igra z c ulogu ekstremale.4. 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. prvi je netrivijalni sluˇaj po dijelovima kubiˇnih splajnova s c c globalno neprekidnom derivacijom. xi+1 ]. moˇemo razmatrati i c z Hermiteovu interpolaciju splajn funkcijama.7. ali red aproksimacije z 2 ´e ostati h . z Sliˇni su i tzv. . pa je ocjena ujedno i najbolja mogu´a.3 Pokaˇite da u sluˇaju (4) teorema 7. xi+1 ]. c Zadatak 7. Definicija 7.2. N. Hermiteov interpolacijski kubiˇni splajn je funkcija c 1 H ∈ C [a.2. DH(xi ) = fi′ . to je efekt superkonvergencije. N − 1. hi (7. . tj. . za svaki x ∈ [xi . za i = 0. N. Sam prostor u kojem se aproksimira jednostavno ne moˇe toˇnije reproc z c ducirati funkciju koja se aproksimira. . .4 na svakom podintervalu mreˇe c z [xi . za i = 0. nedostaje mu “snage aproksimacije”. lagano vidimo da vrijedi ′ H(x) = ϕ1 (t)fi + ϕ2 (t)fi+1 + ϕ3 (t)hi fi′ + ϕ4 (t)hi fi+1 . za linearni splajn moˇemo staviti da je f ∈ C ∞ [a. Iako se u daljnjem ne´emo baviti op´im teoremima aproksimacije.4. c Zadatak 7. . (2) H(xi ) = fi . Koriste´i Hermiteovu bazu iz teorema 7. xi+1 ]. .4 Ako je f ∈ C[a. . c z s 7. b].3) . .4.4. i 2 Iz toga moˇemo zakljuˇiti da red aproksimacije derivacije u specijalno izabranim z c toˇkama moˇe biti i viˇi od optimalnog. fi′ .4. b] koja zadovoljava (1) H(x) = ai0 + ai1 (x − xi ) + ai2 (x − xi )2 + ai3 (x − xi )3 . . tada vrijedi i = 0. . teoremi zasi´enja teorije aproksimacija.4.

Hermiteov splajn raˇunamo formulom c c H(x) = fi + (thi ) [fi′ + t(Bi + tAi )]. b] tada je ∞ H(x) − f (x) (3) ako je f ∈ C 1 [a. xi+1 ] tada je ∞ H(x) − f (x) (4) ako je f ∈ C 1 [a. C 2 [xi .5) Obzirom na ˇinjenicu da su nam derivacije fi′ najˇeˇ´e nepoznate. U tom smislu koristit ´emo sljede´i direktni c s c c c teorem. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 383 gdje je Napomenimo joˇ samo da kod raˇunanja treba prvo izraˇunati koeficijente Ai i Bi s c c formulama fi+1 − fi ′ + (fi′ + fi+1 ). viˇe teorijska nego praktiˇna. kao ˇto ´emo vidjeti kasnije. preostaje c c sc nam samo da ih aproksimiramo iz zadanih vrijednosti funkcije. xi+1 ].4. ϕ2 (t) = t2 (3 − 2t). i tada ne moˇemo viˇe oˇekivati isti red z z s c s konvergencije. 32 L3 [xi . . . Vrijednost Hermiteove interpolacije je. b] tada je H(x) − f (x) (2) ako je f ∈ L2 [a. 8 ≤ 1 ¯2 h D2f 16 ∞. ovisno o glatko´i funkcije f .7. ϕ4 (t) = −t2 (1 − t). Teorem 7. . N − 1. hi Ai = −2 ϕ1 (t) = (1 − t)2 (1 + 2t).4) i zapamtiti ih. hi fi+1 − fi Bi = Ai + − fi′ . To je problem pribliˇne Hermiteove interpolacije. . .4. medutim. (7.4.2 Za Hermiteov kubiˇni splajn. b] N −1 i=0 ≤ 1 ¯2 h ω(D 2 f ). b] N −1 i=0 ∞ ∞ ≤ 3¯ h ω(Df ). xi+1 ] tada je ∞ ∞ H(x) − f (x) ≤ 1 ¯3 h D3f 96 ∞. (7. ϕ3 (t) = t(1 − t2 ). Za zadanu toˇku x ∈ [xi . za i = 0. vrijede c c sljede´e uniformne ocjene pogreˇke: c s (1) ako je f ∈ C 1 [a.

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. Ako fi . . 192 L4 [xi . dobijemo ′ E(x) = hi [(1 − t) ϕ2 (t) Df (ξ) − t ϕ1 (t) Df (η) + ϕ3 (t)fi′ + ϕ4 (t)fi+1 ].7.1 moˇemo c c z grupirati ˇlanove istog znaka (prvi i tre´i. pa dobijemo c c c ¯ E(x) = hi t(1 − t)(1 + 2t − 2t2 ) [Df (ξ) − Df (¯)]. uzimanjem maksimuma polinoma u varijabli t. . τ ) D 2 f (xi + τ hi ) dτ + i 0   t 1 t gdje je ψ2 (t. b] N −1 i=0 ≤ 1 ¯3 h ω(D 3f ). drugi i ˇetvrti). xi+1 ]. c ′ fi+1 .   (7. fi′ . xi+1 ] tada je ∞ H(x) − f (x) (6) ako je f ∈ C 1 [a. ali koriste´i Taylorovu formulu s integralnim oblikom ostatka. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 384 (5) ako je f ∈ C 1 [a.6) ψ1 (t. 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). . τ ) D 2 f (xi + τ hi ) dτ  .4. oznaˇavaju toˇke u [xi . razvijemo opet fi . xi+1 ] tada je ∞ ∞ H(x) − f (x) ≤ 1 ¯4 h D4f 384 ∞. Prema Lemi 7. Dokaz. ψ2 (t. Odavde odmah slijedi tvrdnja (1). U daljnjem oznake ξ. τ ) = (1 − t)2 [(1 + 2t)τ − t]. b] N −1 i=0 C 3 [xi . Ako f ima drugu derivaciju ograniˇenu i integrabilnu. η.4. Zamjenom varijable v − xi = τ hi dobivamo E(x) = h2  ψ1 (t. η odakle slijedi ocjena greˇke po toˇkama s c |E(x)| ≤ hi t(1 − t)(1 + 2t − 2t2 ) ωi(Df ). fi+1 zamijenimo njihovim Taylorovim razvojem oko toˇke x = xi + thi s c ostatkom u Lagrangeovom obliku. fi+1 oko toˇke x. τ ) = t2 [(3 − 2t)(1 − τ ) − (1 − t)]. .

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

2 3 (3 − 2t) ∞. c .7) Odavde se lagano dobije ocjena za E(x) N −1 Zadatak 7. 3}. pa se mogu “proˇitati” iz teorema (r = 0).4. τ ) D 4 f (xi + τ hi ) dτ  . b] i=0 L4 [xi . ako f ima ograniˇenu i integrabilnu ˇetvrtu derivaciju na svakom c c podintervalu. 2. na´i integralnu reprec k zentaciju za D E(x). (7.2 izvesti sliˇne ocjene za one derivacije koje imaju smisla obzirom na c pretpostavljenu glatko´u. τ ) = t2 (1 − τ )2 [−3(1 − t) + (3 − 2t)(1 − τ )]. za s Na kraju. r ∈ {0. Odavde slijedi ocjena greˇke za E(x) s t = 1/2. 12 1¯ D 3 H(x) − D 3 f (x) ∞ ≤ h D 4 f ∞ . Uvjerite c se da ocjene imaju smisla samo za r ≤ ef . t2 (1 − t)2 4 hi D 4 f 4! ∞. ocjene treba traˇiti u obliku c s z D r H(x) − D r f (x) ∞ ¯ ≤ Cr hef −r Mf . gdje su Cr konstante ovisne o r. τ ) D 4 f (xi + τ hi ) dτ + t gdje su ψ2 (t. c Maksimalna greˇka je u xi + hi /2. 3. a osnovni eksponenti ef i “mjere” funkcije Mf ovise samo o klasi funkcije (ne i o r).4.5 Pokaˇite da za f ∈ C 1 [a.7. tada je 1  E(x) = h4  6 i  0 t 1 ψ1 (t. 1]. pa slijedi |E(x)| ≤ 2 3 t2 (1 − t)3 hi ωi (D 3 f ). Sliˇno slijedi i ocjena (4).4. 2 Uputa: Treba derivirati integralnu reprezentaciju za E(x). Prema proˇlom zadatku. 1. xi+1 ] (sluˇaj (6) iz prethodz c ∞ nog teorema) vrijede sljede´e ocjene za derivacije: c √ 3 ¯3 DH(x) − Df (x) ∞ ≤ h D4f ∞. a dokazuju se sliˇnom tehnikom. t ∈ [0. Zadatak 7. ψ2 (t.4. k = 1. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 386 Zbog simetrije. tj. τ ) = (1 − t)2 τ 2 [−3t + (1 + 2t)τ ]. 1/2]. tj.6 Pokuˇajte za prvih pet sluˇajeva (klasa glatko´e funkcije f ) iz teos c c rema 7. dovoljno je razmatrati t ∈ [0. 216 1 ¯2 D 2 H(x) − D 2 f (x) ∞ ≤ h D4f ∞.   pa zakljuˇujemo da vrijedi c ψ1 (t. 2. |E(x)| ≤ ∞.

gdje je E Youngov modul elastiˇnosti ˇtapa. U matematiˇkom smislu pojavljuje se prvi put u radovima c Eulera. vrijedi c √ 3 3 hi 5 2 2 D H(¯) = D f (¯) ± x x D f (¯) + O(h4 ). Pretpostavimo li da je ˇtap izraden od homogenog materijala. oko 1700. Toˇnije. “spline”) oznaˇava elastiˇnu letvicu koja se mogla z c c uˇvrstiti na rebra brodova kako bi se modelirao oblik oplate.4. 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 −D 2 (EI D2 s(x)) = f (x). x i 540 DH(x∗ ) = Df (x∗ ) − Nadite uz koje pretpostavke dodatne glatko´e funkcije f vrijede ove tvrdnje i ocjene. z 7. dolazimo prirodno na definiciju potpunog kubiˇnog splajna. Takav splajn zovemo kubiˇni z c c c interpolacijski splajn. Toˇnije. toˇna etimologija rijeˇi c c c pomalo je zaboravljena.4.3. Od svih splajn funkcija. i slijedi mehaniˇku definiciju elastiˇnog ˇtapa. i 40 √ z (b) U toˇkama xi := xi + (3 ± 3)hi /6 druga derivacija moˇe se aproksimirati s c ¯ 3 O(hi ). od aproksis c macije u raznim normama.7. i da ne s .7 (Superkonvergencija) Uz pretpostavke dodatne glatko´e funkcije c f . Ime “splajn” (eng. a I moment inercije presjeka ˇtapa oko c s s njegove osi. jer traˇimo ve´u glatko´u. u posebno izbaranim toˇkama moˇe se dobiti i viˇi red aproksimacije pojedinih c z s derivacija funkcije f . godine. i 1920 h2 D 3 H(x∗ ) = D 3 f (x∗ ) + i D 4 f (x∗ ) + O(h3 ). (a) U toˇkama x∗ := xi + hi /2 prva derivacija moˇe se aproksimirati s O(h4 ). ali c ne i njezine derivacije. Potpuni kubiˇni splajn c Zahtijevamo li neprekidnost druge derivacije od po dijelovima kubiˇnih funkc cija. vrijedi c c h4 i D 4 f (x∗ ) + O(h5 ). APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 387 Zadatak 7. Cilj nam je razmotriti algoritme za konstrukciju s c kubiˇnih splajnova koji interpoliraju zadane podatke — vrijednosti funkcije. a c z i i 2 tre´a s O(hi ). do rjeˇavanja rubnih problema za obiˇne diferencijalne s c jednadˇbe. kubiˇni interpolacijski splajn je vjerojatno najviˇe c s koriˇten i najbolje izuˇen u smislu aproksimacije i brojnih primjena. c i dokaˇte ih. koji se ˇesto c c joˇ zove i samo kubiˇni splajn.

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

.4. z s Za rubne uvjete (R1). (7. a za ocjenu greˇke trebamo i jednog i drugog.10) treba dodati joˇ neke rubne uvjete.10) D 2 S3 (xi − 0) = −6 Uz oznake µi = hi−1 . . . mi+1 moramo odrediti tako da je druga derivacija D 2 S3 neprekidna u unutraˇnjim ˇvorovima. . Parametre mi . i = 1. za nepoznate parametre koje treba odrediti uzimamo vric jednosti prve derivacije splajna u ˇvorovima. za i = 1. .4. λ∗ mN −1 + 2mN = c∗ . Tradicionalna oznaka za te parametre c je mi := DS3 (xi ). ali ne zadajemo derivacije. 2 hi hi hi fi+1 − fi 4mi 2mi+1 − − . . pa ´emo napraviti oba izvoda. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 389 Algoritam za konstrukciju interpolacijskog kubiˇnog splajna moˇemo izvesti c z na dva naˇina. (7. ve´ nepoznate derivacije mi ostavljamo kao parametre. . N − 1. . uvjete neprekidnosti D 2 S3 u xi . za x ∈ [xi . . . uvjetima (7. za i = 0. . Naravno. za nepoznate parametre uzimamo vrijednosti druge derivacije splajna u ˇvorovima. . . U prvom. . Drugim rijeˇima. b].9) gdje je t = (x − xi )/hi . U drugom. . h2 hi hi i fi − fi−1 2mi−1 4mi + + . Dobili smo N − 1 jednadˇbi za N + 1 nepoznanica mi . .4. . 0 0 λi mi−1 + 2mi + µi mi+1 = ci . za i = 0.7. moˇemo napisati u obliku z λi mi−1 + 2mi + µi mi+1 = ci .11) . N. N − 1. traˇimo da S3 zadovoljava uvjete interpolacije S3 (xi ) = fi . N. .4. 2 hi−1 hi−1 hi−1 ci = 3 µ i fi+1 − fi fi − fi−1 + λi . N N i = 1. . prema (7.3). za i = 0. xi+1 ]. . uz tradicionalnu oznaku Mi := D S3 (xi ).4. a mi nepoznati. . hi hi−1 (7. Napomenimo odmah da se ta dva algoritma dosta ravnopravno koriste u praksi. . (R2) i (R3) dobivamo linearni sustav oblika 2m0 + µ∗ m1 = c∗ . koriste´i globalnu neprekidnost c c 2 2 D S3 . . hi−1 + hi λi = 1 − µ i . s c Prvi algoritam dobivamo primijenom Hermiteove interpolacije. Budu´i da je s c c D 2 S3 (x) = slijedi D 2 S3 (xi + 0) = 6 fi+1 − fi mi mi+1 (6 − 12t) + (−4 + 6t) + (−2 + 6t). N. pa nam fale joˇ dvije jedz s nadˇbe. Uz standardne oznake iz prethodnog odjeljka. c z DS3 (xi ) = mi . gdje su fi zadani. 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). koje treba odrediti c tako da se postigne globalna pripadnost splajna klasi C 2 [a.

5) izraˇunaj S3 (x).12) Uoˇite da smo jednadˇbu m0 = mN ve´ iskoristili za eliminaciju nepoznanice m0 . c moˇemo na periodiˇki naˇin produljiti mreˇu. hN = h0 . Naime. (7. U svim navedenim sluˇajevima lako se vidi da je matrica linearnog sustava c strogo dijagonalno dominantna. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 390 Koeficijenti µ∗ . . Na taj naˇin. c . h0 2 c∗ = 3 N fN − fN −1 hN −1 2 + D f (b). c∗ = 2Df (a). c jednadˇbi oblika (7.4. uz D 2 f (a) = D 2 f (b) = 0.10) za i = N. Dokaz. a zbroj izvandijagonalnih elemenata je najviˇe λi + µi = 1. c∗ . hN −1 2 Prirodni rubni uvjeti (R2) su specijalni sluˇaj (R3). c Ako je f periodiˇka funkcija. z c c z s c ali tako da je xN +1 − xN = x1 = x0 .3 Postoji jedinstveni interpolacijski kubiˇni splajn koji zadovoljava jec dan od rubnih uvjeta (R1)–(R4). N 0 Algoritam 7.4. λ∗ i c∗ odreduju se ovisno o rubnim uvjetima. . tj. s (uz dogovor λ∗ = λN i µ∗ = µ0 ). 0 N c∗ = 3 0 f1 − f0 h0 2 − D f (a). ˇto povlaˇi regularnost. hN = h0 .4. i = 2. s Teorem 7. s (2) Binarnim pretraˇivanjem nadi indeks i tako da vijedi x ∈ [xi . . m0 = mN . Za rubne uvjete 0 0 N N (R1) imamo µ∗ = λ∗ = 0. xi+1 ). dobivamo sustav od samo N jednadˇbi z 2m1 + µ1 m2 + λ1 mN = c1 .11) ili (7.4. 0 N 0 N a za rubne uvjete (R3) µ∗ = λ∗ = 1. λi mi−1 + 2mi + µi mi+1 = ci . c moramo staviti fN +1 = f1 i mN +1 = m1 . tako da dodamo joˇ jedan ˇvor xN +1 . mN +1 = m1 . tj.4. c∗ = 2Df (b). µN m1 + λN mN −1 + 2mN = cN . c z c Ostaje odgovoriti na oˇito pitanje: da li dobiveni linearni sustavi imaju jedinc stveno rjeˇenje.7. uvjet periodiˇnosti druge c c derivacije postaje ekvivalentan uvjetu neprekidnosti druge derivacije u toˇki xN .4. onda je f0 = fN i m0 = mN (periodiˇki rubni c c uvjet na prvu derivaciju). .1 (Interpolacijski kubiˇni splajn) c (1) Rijeˇi linearni sustav (7. fN +1 = f1 . z (3) Hornerovom shemom (7. svi dijagonalni s c elementi su jednaki 2.4. Zbog pretpostavke periodiˇnosti. N − 1. Da bismo zapisali uvjet periodiˇnosti druge derivacije.12). Kad iskoristimo sve pretpostavke z f0 = fN .

Odmah se vidi da traˇena korekcija z ima oblik linearne interpolacije druge derivacije puta neki kvadratni faktor koji se poniˇtava u rubovima.4. c Za raˇunanje vrijednosti S3 (x) obiˇno se koriste formule (7. . . za i = 0. Zbog popularnosti i ˇeste implementacije izvedimo c ukratko i ovu reprezentaciju.4)–(7. S3 (xi+1 ) = fi+1 . xi+1 ] napiˇemo kao linearnu interpolaciju s funkcijskih vrijednosti plus neka korekcija. D 2 S3 (xi ) = Mi . hi 6 Mi+1 − Mi . odakle onda moˇemo z s z z izraˇunati koeficijente kubnog polinoma. matrica ne ovisi o vrijedc nostima funkcije koja se interpolira. u nekim sluˇajevima ugodnija je druga reprezentacija s c c interpolacijskog kubiˇnog splajna. Ovaj sustav jednadˇbi ima jedinstveno rjeˇenje (dokaˇite to). Zaˇto? s Kao ˇto smo ve´ rekli. Takoder. N. hi D 2 S3 (x) = Mi (1 − t) + Mi+1 t. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 391 Primijetimo da je za rjeˇavanje sustava potrebno samo O(N) operacija. Zadatak 7.1 sastoji od LR faktorizacije matrice. Medutim. koju treba izraˇunati samo jednom.4. ili skra´eno c PP–reprezentacija. xi+1 ] kubiˇni splajn S3 je kubiˇni polinom kojeg c c odredujemo iz uvjeta interpolacije funkcije i druge derivacije u rubovima S3 (xi ) = fi . xi+1 ]. .4. . pa se korak (1) u Algoritmu 7. 6 gdje je opet t = (x − xi )/hi . za svaki x ∈ [xi . tj. D 3 S3 (x) = .5). u svrhu brze reprodukcije grafa c c splajna). obzis rom na specijalnu vrpˇastu strukturu matrice. .4)–(7. xi+1 ] i i = 0.2) i oblika danog formulama (7.8 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 2 3 je standardni kubni polinom S3 (x) = bi0 + bi1 x + bi2 x + bi3 x . . umjesto mi . Ako c c je potrebno raˇunati splajn u mnogo toˇaka (recimo.4. D 2 S3 (xi+1 ) = Mi+1 . . traˇenu reprezentaciju moˇemo c z z jednostavno i “pogoditi”. ako S3 (x) na [xi . u kojoj se. Na svakom podintervalu [xi . za x ∈ [xi . Dobivamo oblik s S3 (x) = fi (1 − t) + fi+1 t − h2 i t(1 − t) [Mi (2 − t) + Mi+1 (1 + t)]. na´i vezu izmedu definicionog z c oblika splajna (v.4. .7. Njega ne treba koristiti. Definiciona reprezentacija splajna kao kubiˇne funkcije na svakom podintervalu subdic vizije zove se ponekad i po dijelovima polinomna reprezentacija. kao nepoznanice javljaju c 2 Mi := D S(xi ). N − 1. definiciju 7. moˇemo napisati algoritam konverzije. Odavde lako izlazi DS3 (x) = fi+1 − fi hi − [Mi (2 − 6t + 3t2 ) + Mi+1 (1 − 3t2 )].5).4.4.

Teorem 7. r = 0. primijetimo da je algoritam za raˇunanje vrijednosti S3 (x) vrlo sliˇan c c ranijem. N − 1.9 Napiˇite nedostaju´e jednadˇbe za rubne uvjete. Zadatak 7. 1. Ocjena greˇke za potpuni kubiˇni splajn je teˇi problem nego za Hermiteov s c z kubiˇni splajn.4.4. i pokaˇite da je s c z z matrica sustava strogo dijagonalno dominantna.4.4 Neka je S3 interpolacijski kubiˇni splajn za funkciju f koji zadovoc ljava jedan od rubnih uvjeta (R1)–(R4) u (7. . Kako je fi+1 − fi hi − (2Mi + Mi+1 ).5) za algoritam 7.4.13) za i = 1.4. gdje je.4. . 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 − . 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 ]}. 3. .4)–(7. gdje je Mi := Mi /6. ef osnovni eksponenti i Mf “mjere” funkcije (ef .8). hi 6 fi − fi−1 hi−1 DS3 (xi − 0) = + (Mi−1 + 2Mi ). . Na kraju. To treba dodatno zahtijevati. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 392 Interpolacija druge derivacije u ˇvorovima ne garantira da je i prva derivacija nec prekidna. µi = hi−1 /(hi−1 + hi ) i λi = 1 − µi . kao i prije. budu´i da su koeficijenti zadani implicitno kao rjeˇenje jednog linec c s arnog sustava. Tada vrijedi D r S3 (x) − D r f (x) ∞ ¯ ≤ Cr hef −r Mf . s tim ˇto treba primijeniti malo drugaˇiju Hornerovu shemu (ekvivalent s c formula (7. gdje su Cr konstante (ovisne o r). 2.7.4.

da rijetko koriˇtene ocjene koje odgovaraju joˇ niˇoj s s z glatko´i funkcije f . (7. b] nisu navedene.4. b] L3 [a. xi+1 ] (v. 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 ))]. dani sljede´om tablicom: c Klasa funkcije C 1 [a. b] L2 [a. b] C 2 [a. b] ∞ C 2 [a. Oba interpolacijska splajna S(x) i H(x) moˇemo reprezentirati preko Hermiteove z baze na svakom intervalu [xi . sve su konstante najbolje c c mogu´e). Osim toga. xi+1 ] L4 [xi .4 (preostale pokaˇajte dokazati z s sami). nije poznato da li su sve konstante optimalne. Napomenimo. iako se c ∞ mogu izvesti (dokaz nije trivijalan). c Dokaz.4. Tada greˇku moˇemo napisati kao c s z E(x) := S(x) − f (x) = [H(x) − f (x)] + [S(x) − H(x)].4. z β := Mjesta u tablici koja nisu popunjena znaˇe da ne postoje odgovaraju´e ocjec c ne. Dokaˇimo neke od ocjena u teoremu 7.9). b] s tim da je 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. . xi+1 ] ∞ 3 ∞ 4 √ 1 4 3 + 2 9 √ 1 2 3 + 2 9 3 8 ω(D 3f ) D4f ∞ i √ 4 3 1+ β 9 1 1 +β 2 β maxi hi mini hi mjera “neuniformnosti” mreˇe (u zadnjem stupcu tablice). APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 393 i Mf ovise samo o klasi funkcije. b] ili f ∈ L1 [a.3)). iako se to moˇe pokazati u nekim vaˇnim sluˇajevima (na primjer. koji podrazumijeva najve´u glatko´u. takoder. (7.86229 2 3 4 27 2 27 1 24 C2 C3 ω(D 2f ) D f C 3 [xi . b] ∞ C 2 [a. f ∈ C[a.7. u zadz z c njem redu tablice. na primjer. ne i o r). Neka je H Hermitski interpolacijski kubiˇni splajn i S := S3 interpolacijski c kubiˇni splajn.

14) i (7.15).7. i (7. i . (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 )|. ovise o klasi funkcija. i (7.4.5 i 7.17) mini hi i Ako pogledamo nejednakosti (7. kako je (1−t)D 2 f (xi )+tD2 f (xi+1 )−D 2 f (x) pogreˇka kod interpolacije funkcije s D 2 f linearnim splajnom S1 (teorem 7. c Za drugu derivaciju znamo da je D 2 S(x) = Mi (1 − t) + Mi+1 t.4.15) Ocjene za |H(x) − f (x)| izveli smo u teoremu 7.4.4.6).14). i (7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 394 Odavde je |S(x) − f (x)| ≤ |H(x) − f (x)| + hi t(1 − t) max |mi − Df (xi)|.4. a ocjene za |DH(x) − Df (x)| mogu se izvesti na sliˇan naˇin (v.4. Ostaje dakle ocijeniti drugi c c ˇlan na desnoj strani u (7.4. Tvrdimo da vrijedi max |mi − Df (xi )| ≤ qf . zadatke 7. pa je stoga |DS(x) − Df (x)| ≤ |DH(x) − Df (x)| + [(1 − t)|1 − 3t| + t|2 − 3t|] max |mi − Df (xi )|.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 ))]. moˇemo ju i ovako ocijeniti z |D 2 S(x) − D 2 f (x)| ≤ |S1 (x) − D 2 f (x)| + max |Mi − D 2 f (xi )|.16) i (7.4.4.4. kao i sve druge.17).1). 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). Ali.15). (7. Ove ocjene.4.4. vidimo da preostaje ocijeniti maxi |mi − Df (xi )| i maxi |Mi − D 2 f (xi )|.4.4. (7.4.

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

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

Upotrebom Taylorove formule. i i−1 Uvrˇtavanjem µi . ako rubni uvjet ne ovisi o funkciji (na primjer. na ve´ poznati naˇin. Napomenimo joˇ. λi (v. vrijedi samo uz pretpostavku da funkcija f zadovoljava iste rubne uvjete kao i splajn. da je c c s sliˇnu analizu potrebno napraviti i za druge tipove rubnih uvjeta. (R2) ili (R4)).4. To. 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. Pokazuje se da c rezultati i tehnika dokaza ne ovise mnogo o tipu rubnih uvjeta. 1 ∞ 1 µih3 i 0 τ (1 − τ ) dτ + 2 λi h3 i−1 0 τ 2 (1 − τ ) dτ ∞ (µi h3 + λi h3 ). U protivnom.7. . D 3 f (xi + 0) i D 3 f (xi − 0) se skrate. hi−1 Zamijenimo li varijable supstitucijom τ hi := v − xi u prvom integralu. odnosno. dobivamo slabije ocjene. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 397 ˇ Clanovi s Df (xi ). naravno. teorema o srednjoj vrijednosti i leme 7. h2 + h2 i i−1 ≤ max{hi . τ hi−1 := v − xi−1 u drugom integralu.1.4.10) dobivamo s |˜i | ≤ c Na kraju. dobivamo µi h3 i ci = − ˜ 2 1 0 τ (1 − τ )2 D 4 f (xi + τ hi ) dτ 1 λi h3 i−1 + 2 Odavde lagano ocijenimo 1 |˜i | ≤ c D4f 2 = 1 D4f 24 0 τ 2 (1 − τ ) D 4 f (xi−1 + τ hi−1 ) dτ. 7. hi + hi−1 dolazimo do zadnje ocjene u tablici za qf |˜i | ≤ c 1 ¯3 h D4f 24 ∞. D 2 f (xi ). hi−1 }. kako je hi hi−1 h2 + h2 i i−1 D4f 24 hi + hi−1 ∞. dokazuju se i ostale ocjene u tablici.

14): c |S(x) − f (x)| ≤ |H(x) − f (x)| + hi t(1 − t) max |mi − Df (xi )|. moramo na´i ocjene oblika c c max |Mi − D 2 f (xi )| ≤ Qf . i Prvi dio ˇini greˇka kod interpolacije Hermiteovim splajnom. . b] C 2 [a. am ). . tehnika dokaza potpuno je ista i za sve druge klase. za koju. Diskretna metoda najmanjih kvadrata Neka je funkcija f zadana na diskretnom skupu toˇaka x0 . . xn kojih je c mnogo viˇe nego nepoznatih parametara aproksimacijske funkcije s ϕ(x.7). t= x − xi ∈ [0. 1]. hi 1 5 ¯4 t(1 − t) [1 + t(1 − t)] max h4 D 4 f ∞ ≤ h D4f ∞.4. . prema (7.4. Da bismo na kraju dokazali ovaj teorem. . xi+1 ]. za ocjenu druge i tre´e derivacije. c a ovdje ih koristimo samo na rubu (uz rubne uvjete (R1)). i I u ovom sluˇaju imamo tablicu s 4 ocjene. b] ∞ C 2 [a. xi+1 ] ∞ i Tehnika dokaza ove tablice je dosta sliˇna onoj za prethodnu tablicu. |S(x) − f (x)| ≤ a drugi dio proˇitamo u tablici za maxi |mi − Df (xi )|. .4.7. a0 . u ovisnosti o klasi funkcije: c Klasa funkcije C 2 [a.5. ∞ Kljuˇna je ocjena (7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 398 Nadalje. koji zahtijeva poznate derivacije funkcije f u svim ˇvorovima interpolacije. . b] L3 [a. . ograniˇimo se na “najglatkiju” klasu c funkcija C 2 [a.13). s time c da se oslanja na linearni sustav (7. . Ukupno je dakle c 7. c s znamo da vrijedi |H(x) − f (x)| ≤ t2 (1 − t)2 4 hi D 4 f 4! ∞. xi+1 ] L4 [xi . 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 . b] i L4 [xi . pa ocjene ostavljamo kao zadatak. i i 24 384 Zanimljivo je da ova ocjena samo 5 puta ve´a od ocjene za Hermiteov interpolacijski c splajn.

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=

k=0

(f (xk ) − ϕ(xk ))2 → min .

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 n

S = S(a0 , a1 ) =

k=0

(fk − ϕ(xk ))2 =

k=0

(fk − a0 − a1 xk )2 → min .

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

0=

n ∂S = −2 (fk − a0 − a1 xk )xk . ∂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

sℓ =
k=0

xℓ , k

tℓ =
k=0

fk xℓ , k

ℓ ≥ 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 n

S = S(a0 , a1 ) =

k=0

(fk − ϕ(xk )) =

2

k=0

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

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

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 s drugim optimizacijskim metodama, posebno prilagodenim upravo za rjeˇavanje nelinearnog 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 ) =

k=0

(fk − ϕ(xk ))2 =

n

k=0

(fk − a0 ea1 xk )2 → min .

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

hk = h(xk ) = ln fk ,

k = 0, . . . , n,

S = S(b0 , b1 ) =

k=0

(hk − ψ(xk ))2 =

k=0

(hk − b0 − b1 xk )2 → min .

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 Ipak, i kad su neki fk ≤ 0, nije teˇko, koriˇtenjem translacije svih podataka s s dobiti fk + translacija > 0, pa onda nastaviti postupak linearizacije. Pokuˇajte s 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

k=0

(hk − b0 − b1 log(xk ))2 → min, b1 = a1 .

b0 = log(a0 ),

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 ) =

k=0

(hk − a0 − a1 xk )2 → min .

(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) =

k=0

(hk − a0

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 ) =

k=0

(hk − a0 − a1 xk )2 → min .

(d) Funkcija ϕ(x) = linearizira se stavljanjem ψ(x) =

1 a0 + a1 e−x 1 , fk

1 = a0 + a1 e−x , ϕ(x)

hk =

k = 0, . . . , n.

Pripadni linearni problem najmanjih kvadrata je
n

S = S(a0 , a1 ) =

k=0

(hk − a0 − a1 e−xk )2 → min .

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 odredujemo x tako da minimizira greˇku r = Ax − b (r se ˇesto zove rezidual) s c 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 promijeni. S druge strane, medu svim rjeˇenjima x problema najmanjih kvadrata s 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 AT r = 0, ˆ 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 AT r = z = 0 ˆ i uzmimo x = x + εz. ˆ Tada je i r
2 2

2

jednaka r 2 , pa ˆ

r = r − εAz 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. Matrica AT A je simetriˇna i pozitivno semidefinitna, a sustav normalnih jedc nadˇbi 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 semidefinitna. Drugim rijeˇima, AT A je op´enito pozitivno semidefinitna, a pozitivnu c 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 pa je I − PS projektor na ortogonalni komplement od S. (I − PS )2 = I − PS , (I − PS )PS = 0,

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 i u sluˇaju punog ranga matrice A vrijedi c r = (I − PR(A) )b

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 A A pozitivno definitna i kad je njena uvjetovanost mala. Matrica AT A rastavi se faktorizacijom Choleskog, a zatim se rijeˇi linearni sustav s
T

AT Ax = AT b. Ukupan broj aritmetiˇkih operacija za raˇunanje AT A, AT b, te zatim faktorizaciju c c 1 Choleskog je nm2 + 3 m3 +O(m2 ). Budu´i da je n ≥ m, onda je prvi ˇlan dominantan c c T u ovom izrazu, a potjeˇe od formiranja A 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 2 3 2 pokazati da je cijena raˇunanja 2nm − 3 m , ˇto je dvostruko viˇe nego za sustav c s s normalnih jednadˇbi kad je n ≫ m, a pribliˇno jednako za m = n. z z

gdje je R11 nesingularna reda r, a R12 neka r × (m − r) matrica. Zbog greˇaka s zaokruˇivanja, umjesto pravog R, izraˇunamo z c R11 R12   ′ R =  0 R22  . 0 0
 

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

Naravno, ˇeljeli bismo da je R22 2 vrlo mala, reda veliˇine ε A 2 , pa da je moˇemo z c z “zaboraviti”, tj. staviti R22 = 0 i tako odrediti rang od A. Naˇalost, to nije uvijek z tako. Na primjer, bidijagonalna matrica
      
1 2

A=

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. Zbog toga koristimo pivotiranje, koje R11 pokuˇava drˇati ˇto bolje uvjetos z s vanim, 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

1  .. ..  . .   .. . 1  
1 2

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 x = V Σ−1 U T b, tj. dobiva se primjenom “invertiranog” skra´enog SVD-a od A na b. c Dokaz. Vrijedi Budu´i da je A punog ranga, to je i Σ. Zbog unitarne ekvivalencije 2-norme, vrijedi c UΣV x − b
T 2 2 2

Ax − b

2 2

= UΣV T x − b 2 . 2 UT T U0

2

= U (UΣV x − b) = ΣV x − U b T −U0 b
T T

T

T

2 2 2 2

=

(UΣV x − b)
2 2

T

2

= ΣV T x − U T b

T + U0 b 2 . 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 Ax − b 2 moˇe se karakterizirati na sljede´i naˇin. Neka je A = UΣV T SVD od A z c c i neka je Σ1 0 [V1 , V2 ]T = U1 Σ1 V1T , A = UΣV T = [U1 , U2 ] 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

Σ1 V1T x

− T −U2 b T −U3 b

T U1 b

T U1  T  =  U2  (U1 Σ1 V1T x − b) T U3

2

  

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

2

T = Σ1 V1T x − U1 b 2

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 ≫ m, njegovo trajanje pribliˇno jednako kao i trajanje z 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.

Dogovorno smatramo c da je stupanj polinoma pn baˇ jednak n. prvenstveno radi jednostavnosti iskaza. Familije ortogonalnih funkcija Za dvije funkcije re´i ´emo da su ortogonalne. Neka svojstva ortogonalnih polinoma Ortogonalni polinomi imaju joˇ i niz dodatnih “dobrih” svojstava. v = i=0 wi u(xi )v(xi ) . na ovom mjestu je zgodno napraviti razliku izmedu diskretnih i kontinuiranih skalarnih produkata. te funkcije u i v koje imaju konaˇnu normu moˇemo definirati skalarni produkt kao c z u(x) v(x) dλ. Paˇljivije ˇitanje ´e samo potvrditi da bitne z c c razlike nema. 7.8. • Ortogonalni polinomi. b]. c Sljede´i niz teorema sadrˇi samo neka osnovna svojstva koja ´emo kasnije iskoristiti c z c za konstrukciju algoritama. Medutim. onda postoji pripadna familija c ortogonalnih polinoma koju oznaˇavamo s {pn (x) | n ≥ 0}. za neprekidnu ili diskretnu mjeru dλ. ako je njihov skalarni produkt c c jednak 0. Ako svi polinomi pripadaju odgoz varaju´em prostoru kvadratno integrabilnih funkcija. • Trigonometrijski polinomi. Ê Postoji mnogo familija ortogonalnih funkcija. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 413 7.7.7. Standardno ´emo promatrati neprekidni skalarni produkt c b u. v = a w(x)u(x)v(x) dx generiran teˇinskom funkcijom w ≥ 0 na [a. dokaza i kasnijeg pozivanja na ove teoreme. Evo nekoliko primjera takvih familija (sistema). za svaki n ≥ 0. Sva ta svojstva su direktna posljedica ortogonalnosti polinoma i ne ovise bitno o tome da li je skalarni produkt diskretan ili kontinuiran. s Paralelno ´emo promatrati i diskretni skalarni produkt c n u. Na primjer. zbog kos jih se mogu konstruktivno primijeniti u raznim granama numeriˇke matematike.

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

pa polinomom pn . Tada svaki polinom pn ima toˇno n razliˇitih z c c (jednostrukih) realnih nultoˇaka na otvorenom intervalu (a. koriste´i ortogonalnost pj i pn .7. b]. Ostaje samo odrediti koeficijente bj . To je posljedica sljede´e tvrdnje. pm je okomit na f . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 415 u standardnoj bazi. pn = bn pn .8. tj. a zatim integriranjem na [a. f se moˇe razviti po ortogonalnim polinomima z stupnja manjeg ili jednakog m − 1 m−1 f (x) = n=0 bn pn (x). Teorem 7. samo su svi dodatni koeficijenti bn = 0. tj. Mnoˇenjem s w(x)pm (x).8. Dakle. pm = n=0 bn pn . Budu´i da se svaki monom moˇe napisati kao linearna kombic z nacija ortogonalnih polinoma stupnja manjeg ili jednakog od stupnja tog monoma. za j = n. b] s teˇinskom funkcijom w(x) ≥ 0. b). c Korolar 7. te integriranjem. pn = pn . za n > m. Po prethodnom teoremu.1 Ako je f polinom stupnja manjeg ili jednakog m − 1. pm je okomit na sve polinome stupnja strogo manjeg od m. tj. Dokaz. za n = m. zbog svojstva ortogonalnosti ortogonalnih polinoma pn . dobivamo m f. onda je f. pm = 0. dobivamo da je z m−1 f. pn > 0. pn . c . pm = 0.2 Neka je {pn (x) | n ≥ 0} familija ortogonalnih polinoma na intervalu [a. a ne do m. odmah slijedi da se i f moˇe napisati kao neka linearna kombinacija ortogonalnih z polinoma stupnjeva manjih ili jednakih m. da vrijedi m f= j=0 bj pj . skalarnim mnoˇenjem z s pn . pn . Mnoˇenjem prethodne relacije teˇinskom funkz z cijom w. pn = j=0 bj pj . Odatle odmah slijedi da je c bn = jer je pn 2 f. Razvoj polinoma f stupnja m iz prethodnog teorema moˇemo napisati i tako z da suma ide do ∞. pn . pm = 0.

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

Promatrajmo polinom G(x) = pn+1 (x) − an xpn (x) = (An+1 xn+1 + Bn+1 xn + · · · ) − = Bn+1 − An+1 Bn n x + ···. Tada za n ≥ 1 z vrijedi rekurzija pn+1 (x) = (an x + bn )pn (x) − cn pn−1 (x). Raˇunanjem di izlazi c di = G.2 ) · · · (x − xn. b] s teˇinskom funkcijom w(x) ≥ 0. bn = an Bn+1 Bn − . pi = 0 za i ≤ n i da za i ≤ n − 2 vrijedi c b xpn . Kombiniranjem c ta dva rezultata.3 (troˇlana rekurzija) Neka je {pn (x) | n ≥ 0} familija ortogonalc nih polinoma na intervalu [a. pri ˇemu su c Teorem 7. zakljuˇujemo da je stupanj polinoma xpi (x) manji ili jednak n − 1.8.1 )(x − xn. An An+1 x(An xn + Bn xn−1 + · · · ) An Oˇito. pi − an xpn . pi . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 417 Takoder.n ). pi = a w(x)pn (x)xpi (x) dx = 0. . pa ga moˇemo napisati kao c z linearnu kombinaciju ortogonalnih polinoma stupnja manjeg ili jednakog n. dobivamo di = 0 za 0 ≤ i ≤ n − 2. A2 γn−1 n Dokaz. 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).7. pi 1 = ( pn+1 . G(x) = dn pn (x) + · · · + d0 p0 (x) za neki skup konstanti di . An γn = pn . pi γi Budu´i da je pn+1 . polinom G je stupnja manjeg ili jednakog n. Definiramo takoder i an = An+1 . tj. tada pn moˇmo napisati i kao z pn (x) = An (x − xn. An+1 An cn = An+1 An−1 γn · . pi ). pn > 0.

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

. 1. . k = 1. xℓ = ℓx. cos kx · cos ℓx dx =  2π. . uz ozz c naku 2π 2π xk = kx. k. za z c koeficijente u redu formalno dobivamo 1 ak = π 2π f (x) cos kx dx. 7. . . Diskretna ortogonalnost trigonometrijskih funkcija Umjesto neprekidne. .7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 419 Na sliˇan naˇin. . obzirom na normu 2π 1/2 u 2 = 0 |u(t)| dt 2 . 1. k = ℓ = 0. N. 2.9. . . Posebno. ℓ = 0. za pripadnu mjeru moˇemo uzeti i diskretnu mjeru. da je k = ℓ. koji je najbolja L2 aproksimacija za f u klasi trigonometrijskih polinoma stupnja manjeg ili jednakog m. . 1. Ako periodiˇku funkciju f osnovnog perioda duljine 2π ˇelimo aproksimirati c z redom oblika ∞ a0 f (t) = (ak cos kx + bk sin kx). Da bismo dobili ˇeljeni razvoj moramo poznavati z relacije diskretne relacije ortogonalnosti.9. π. takoder. N +1 N +1 . . moˇemo c c z pokazati da je 2π 0 te. a koeficijenti kao Fourierovi koeficijenti. 0 1 bk = π 2π f (x) sin kx dx. + 2 k=1 onda. mnoˇenjem odgovaraju´im trigonometrijskim funkcijama i integriranjem. k = ℓ > 0. . dobivamo sume. . pretvaranjem produkta trigonometrijskih funkcija u zbroj. . ako Fourierov red odsijeˇemo za k = m i dobijemo trigonometrijski c polinom. 2π   0. Teorem 7. pa z umjesto integrala.1. 0 sin kx · cos ℓx dx = 0. 0 Prethodni red poznat je pod imenom Fourierov red.1 Za trigonometrijske funkcije. . ℓ = 0. . na mreˇi od toˇaka 0.

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

N +1 Primijetimo da su argumenti kosinusa u prethodnoj formuli argumenti (N + 1)-og korijena iz 1. N +1 N sin j=0 2πj = 0. nju moˇemo napisati u faktoriziranom obliku kao z z xN +1 − 1 = (x − ω 0 )(x − ω 1 ) · · · (x − ω N ). N +1 . Odmah je jasno da vrijedi N j=0 ω = j=0 j N ωj . Drugim rijeˇima. ˇto znaˇi da su to argumenti od (ω j )(k−ℓ) = z s c (k−ℓ) j (ω ) . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 421 Oˇito svi ω j zadovoljavaju jednadˇbu xN +1 − 1 = 0.7. Trebali smo dokazati da je c N cos j=0 2πj (k − ℓ) = 0. nuli moraju biti jednaki i njegov realni i c njegov imaginarni dio. dobivamo c N 0=− Iskoristimo li (7. pomnoˇeni s (k − ℓ). j=0 N 2πj 2πj 0= ω = cos +i sin . pa je dokazano da je N cos j=0 2πj(k − ℓ) = 0. Iskoristimo li da su ω j svi c z korijeni te jednadˇbe. vrijedi c N cos j=0 2πj = 0. N +1 Na sliˇan se naˇin pokazuje da je c c N cos j=0 2πj(k + ℓ) = 0.9. N +1 Vratimo se na poˇetak. N +1 N +1 j=0 j=0 j=0 j N N Budu´i da je kompleksan broj jednak 0. Usporedivanjem ˇlanova uz N-tu potenciju slijeva i zdesna.1) dobivamo ωj . To bi odgovaralo izboru korijena ω = cos 2π(k − ℓ) 2π(k − ℓ) + i sin N +1 N +1 umjesto ω.

Ako trigonometrijski polinom interpolira c TN interpolira funkciju f u x ∈ M. N +1 sin 2π kx N +1 (7.7. . na mreˇi {0. x=0 k = 0.3) z s cos xℓ ℓ ≥ 0 i upotrebom relacija ortogonalnosti dolazimo do koeficijenata aℓ f (x) cos xℓ = L L a0 cos xℓ + ak cos xk cos xℓ + bk sin xk cos xℓ . . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 422 za j + k = 0. mnoˇenjem lijeve i desne strane u (7. N} c z moˇemo koristiti kao ortogonalnu familiju. . Za bazu se c tada uzima prvih L + 1 kosinusa (prvi je konstanta) i prvih L sinusa. . N = 2L}. tj. 2 k=1 k=1 Zbrajanjem po svim x dobivamo 2L x=0 f (x) cos xℓ = L 2L L 2L a0 2L cos 0 cos xℓ + ak cos xk cos xℓ + bk sin xk cos xℓ 2 x=0 x=0 x=0 k=1 k=1 2L + 1 = aℓ .3) izabranom funkcijom c c z baze uz koju je odgovaraju´i koeficijent. . Linearne kombinacije funkcija (7.9. 1. ˇime je pokazana relacija ortogonalnosti za sinuse. . . a pripadna trigonometrijska aproksimacija ima oblik TN (x) = pri ˇemu je c xk = L a0 + (ak cos xk + bk sin xk ). . ako je Tn (x) = f (x) onda mnoˇemjem (7. . c Ovo znaˇi da restrikcije funkcija c cos 2π kx. z Neparan broj toˇaka c Neka je zadan neparan broj toˇaka M = {0. c Naˇalost baze takvih trigonometrijskih polinoma ovise o parnosti N.9. L.2) pri ˇemu su dozvoljeni k ∈ N0 za kosinuse i k ∈ N za sinuse.3) 2π 2π kx := kx. .2) z zvat ´emo trigonometrijski polinom. . . N +1 2L + 1 Koeficijenti trigonometrijskog polinom odreduju se iz relacija ortogonalnosti na uobiˇajeni naˇin.9. 2 k=1 (7.9.9. 2 Odatle odmah zakljuˇujemo da je (piˇu´i k umjesto ℓ) c s c ak = 2 2L + 1 2L f (x) cos xk .

. . x=0 2L−1 k = 0. . ℓ > 0 i zbrajanjem po svim x dobivamo c c z 2L x=0 f (x) sin xℓ = L 2L L 2L a0 2L cos 0 sin xℓ + ak cos xk sin xℓ + bk sin xk sin xℓ 2 x=0 x=0 x=0 k=1 k=1 2L + 1 = bℓ .9. L − 1. x=0 Zadatak 7. Za bazu se c tada uzima prvih L + 1 kosinusa (prvi je konstanta) i prvih L − 1 sinusa. x=0 k = 1. . . .9. . . mnoˇenjem sa sin xℓ . k = 1. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 423 Na sliˇan naˇin. N = 2L − 1}.3) su c c ak = bk = 2 2L + 1 2 2L + 1 2L f (x) cos xk . . . x=0 2L k = 0. . a pripadna trigonometrijska aproksimacija ima oblik a0 L−1 1 TN (x) = + (ak cos xk + bk sin xk ) + aL cos xL . 1 2L f (x) sin xk . . .4) Na sliˇan naˇin kao kod neparnog broja toˇaka.4) su c c c ak = bk = 1 L 2L−1 f (x) cos xk .9. L. . Paran broj toˇaka c Neka je zadan paran broj toˇaka M = {0. . . 2 2 k=1 pri ˇemu je c xk = 2π π kx := kx.1 Pokaˇite da za bilo koju toˇku x∗ . . u sluˇaju neparnog broja toˇaka koeficijenti u (7. . koeficijenti u (7. x=0 . . ne nuˇno iz M vrijedi z c z 1 TN (x ) = 2L + 1 ∗ 2L 2L f (x) x=0 k=0 cos 2π k(x − x∗ ) 2L + 1 . 1.7. L. . L. . . . L. f (x) sin xk . imamo c bk = 2 2L + 1 2L f (x) sin xk . 2 Sliˇno kao kod ak . N +1 L (7. Dakle. k = 1.9. .

broj toˇaka je neparan. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 424 Zadatak 7. c Primjer 7. 3 3 3 Odatle se odmah moˇe izraˇunati da je z c T2 (x) = T2 (1/2) = 2 2 π 1 − cos = 3 3 3 3 2 2 4 T2 (3/2) = − cos π = . a zatim c izraˇunajmo TN (1/2) i TN (3/2). Ilustrirajmo to na sluˇaju N = 2L paran (broj toˇaka neparan) i M = 2m c c paran (neparna dimenzija potprostora).2). pa je c c 1 2π 2π T2 (x) = a0 + a1 cos x + b1 sin x.9. Sliˇno kao kod interpolacije biramo c poˇetni dio baze (7. Zbog toga se jednostavno koristi za interpolaciju trigonometrijskih funkcija. trigonometrijski polinom koji interpolira zadane toˇke je c 2 2 2π − cos x.1 Funkcija f ima period 3 i zadana je tabliˇno s c xk fk 0 0 1 1 2 1 Nadimo trigonometrijski polinom koji interpolira f u svim toˇkama iz Z. Takoder moramo paziti na parnost/neparnost broja toˇaka c c N i na parnost/neparnost stupnja trigonometrijskog polinoma M.7. 3 3 3 Metoda majnanjih kvadrata za trigonometrijske funkcije I za metodu najmanjih kvadrata moˇemo koristiti trigonometrijske polinome.9.5) 2 k=1 . z jer je dovoljno uzeti podskup baze prostora. (7. 2 3 3 Prema formulama za koeficijente.2 Pokaˇite da i u sluˇaju neparnog i u sluˇaju parnog broja toˇaka. c Budu´i da je N = 2.9. a dovoljno je zadati samo toˇke x iz jednog perioda.9. Trigonometrijski polinom odgovaraju´eg c stupnja je m 1 TM (x) = A0 = (Ak cos xk + Bk sin xk ). TN z c c c ima period N + 1. 3 3 3 a0 = Prma tome. M ≤ N. dobivamo 4 2 (0 cos 0 + 1 · cos 0 + 1 · cos 0) = 3 3 2 2π 4π 2 a1 = 0 cos 0 + 1 · cos =− + 1 · cos 3 3 3 3 2 2π 4π b1 = 0 sin 0 + 1 · sin + 1 · sin = 0.

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

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

. naravno interesira za koji se polinom dostiˇe ta greˇka z s ρn (f ) = f − p∗ ∞ . L L−1 f (x) sin x=1 2π kx. Da bismo rijeˇili problem. 1]. c tj. b]. L − 1. Ako je f parna funkcija f (−x) = f (x).9. . da vrijedi x∈[−1. n Ako je polinom pn jedinstven. da funkcija s ima neparan period. L − 1.1] max |ex − a0 − a1 x| → min . pitamo se koja je od njih najbolja. Minimaks aproksimacija Neka je f neprekidna funkcija na [a.10. . . Primjer 7. .7. tj. P k = 0.1 Nadimo polinom prvog stupnja p∗ (x) = a0 + a1 x koji je minimaks 1 aproksimacija funkcije f (x) = ex na intervalu [−1. tj. Oznaˇimo s ρn (f ) maksimalnu greˇku s c s aproksimacije ρn (f ) = inf f − p ∞. L−1 f (x) cos x=1 2π kx. 7. . n Pokaˇimo kako se najbolja aproksimacija ponaˇa na jednom jednostavnom z s primjeru. Zadatak 7. koja daje najmanju maksimalnu greˇku. Polinom z p∗ zovemo minimaks aproksimacija funkcije f na intervalu [a. Nas. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 427 Ako je f neparna funkcija f (−x) = −f (x). . . . potrebno je malo geometrijskog zora. P k = 1. pokaˇite da je z ak = 0. bk = 4 P k = 0. L bk = 0. . . b]. Nacrtajmo s x graf funkcije e i promatrajmo greˇku svih polinomnih aproksimacija s err(x) = ex − (a0 + a1 x) . deg(p)≤n To znaˇi de ne postoji polinom stupnja manjeg ili jedmakog n koji bi bolje od p c aproksimirao funkciju f na danom intervalu. . Ako usporedujemo polinomne aproksimacije funkcije f dobivene razliˇitim metodama.6 Rijeˇite prethodni zadatak uz uvjet da je P = 2L + 1. zanima nas kako ga moˇemo konstruirati.10. pokaˇite da je z ak = 2 4 (f (0) + f (L) cos kπ) + P P k = 1. .

7.1614 1 x3 ρ1 = e−1 + (e − e−1 ) ≈ 0. 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. moˇe se pokazati da postoji bolja aproksimacija. Rjeˇenje zadatka je pravac paralelan s prethodna dva. x2 takve da je −1 < c c x1 < x2 < 1. err(1) = ρ1 . Odmah je jasno da ´e postojati toˇno tri toˇke u kojima ´e c c c c se dostizati maksimalne pogreˇke: rubovi intervala i x3 . tj. c s jednako udaljen od oba. Zatim.1] Ve´ smo zakljuˇili da pogreˇka mora imati tri ekstrema. x∈[−1.2643. onda moˇemo uvjet maksimuma pogreˇke u x3 c z s ′ napisati i koriˇtenjem derivacije. tj. Budu´i da je err(x) derivabilna. y −1 x3 1 x Prvo. a1 = ex3 − a0 − a1 x3 = −ρ1 ex3 − a1 = 0. Nadimo jednadˇbu pravca kroz toˇke z c s −1 (−1. nadimo koeficijent a0 takav da je taj pravac tangenta funkcije ex u nekoj toˇki x3 . Oznaˇimo z s c c ρ1 = max | err(x)|.1752 2 x3 = ln a1 ≈ 0. e ) i (1. odmah je jasno da linearna minimaks aproksimacija mora sje´i graf funkcije c ex na zadanom intervalu u toˇno dvije toˇke. nazovimo ih x1 . err (x3 ) = 0. mora vrijediti c c s err(−1) = ρ1 . Pokaˇite c c c z z to! z c Iz crteˇa odmah naslu´ujemo i rjeˇenje. ako polinom ne sijeˇe graf niti u jednoj toˇki. s Pokaˇimo sad precizno da su naˇa zakljuˇivanja ispravna. e). . ili ako ga c c sijeˇe u toˇno jednoj toˇki. U protivnom.2788 2 4 a0 = ρ1 + (1 − x3 )a1 ≈ 1. err(x3 ) = −ρ1 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 428 na zadanom intervalu.

995668x + 0. c y 0.2788 1 x Koriˇtenjem tzv. c y −1 1 x jer ´e greˇka biti iznimno mala.542973x2 + 0.7. Taj polinom je p∗ (x) = 0. on se na slici ne´e razlikovati od funkcije.179533x3. s c c y 0.0055 −1 1 x −0.0055 i opet karakteristiˇno oscilic s c c raju´a.2788 x3 −1 −0.0055 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 429 Graf pogreˇke ima karakteristiˇan osciliraju´i izgled. Remesovog algoritma moˇemo konstruirati i kubiˇni polinom s z c koji najbolje aproksimira istu funkciju. 3 Ako nacrtamo graf tog polinoma. reda veliˇine 0.994579 + 0.

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

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

a posljednja je E. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 432 za neki M > 0 i neki 0 < α ≤ 1. Iteracije imaju tri dijela. . Drugi korak . k ≥ 1. pri ˇemu zahtjevamo da pogreˇka E (koju joˇ ne znamo) oscilira s jednakim amplic s s tudama. . z 7.10. n Nadalje. Ako u prethodnom teoremu ˇelimo izbje´i H¨lderov uvjet. Tada postoji konstanta dk nezavisna o f i n za koju je ρn (f ) ≤ Mdk . a kao rezultat o c dobivamo dk−1 ρn (f ) ≤ k f (k) ∞ . b] brˇe nego bilo koja potencija 1/nk . (0) (0) (0) (0) (0) i = 0. dovoljno je pretz c o postaviti da f im k neprekidnih derivacija. nego na skupu toˇaka (tada se on zove diferencijalni algoritam c korekcije). n + 1. stavljamo α = 1 i M = f (k) ∞. Remesov algoritam Traˇenje minimaks aproksimacije p∗ za f moˇe se prona´i iterativnim algoritz z c n mom poznatijim kao drugi Remesov algoritam. n koje odreduju polinom p stupnja deg(p) ≤ n iz uvjeta f (xi ) − p(xi ) = (−1)i E. tj. tada p∗ konvergira prema f c n uniformno na [a. Remesov algoritam koristi svojstvo oscilacije greˇke koje mora imati minimaks s aproksimacija. ako je f beskonaˇno puta derivabilna.1. nk+α n ≥ 1.7. Umjesto k-te derivacije svugdje dalje u teoremu koristimo (k − 1)-u. Prehodna ralacija vodi na linearni sustav s n + 2 nepoznanice od kojih su n + 1 koeficijenti polinoma p. . Tada se H¨lderov uvjet svede na obiˇni teorem srednje vrijednosti. Prvi korak Zadane su n + 2 toˇke c a ≤ x0 < x1 < · · · < x(0) < xn+1 ≤ b. . 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. kaˇe se da f zadovoljava H¨lderov uvjet s z o eksponentom α.

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

Za uniformnu konvergenciju.  (7. potrebno je samo supz ˇ stituirati podatke u op´i algoritam. moˇemo pokazati dosta jak rezultat z ρn (f ) ≤ f − fn ∞ ≤ 4+ 4 ln n ρn (f ).7. formalno gledaju´i. 2 i=1 Ako je f ∈ C[−1. onda se moˇe pokazati da vrijedi z f (x) − fn (x) = ∞ i=n+1 x = cos ϑ. u smislu da je 1 n→∞ −1 lim √ 1 f (x) − fn (x) 1 − x2 2 dx = 0. π2 Kako se ponaˇa greˇka odbacivanja reda? Ako se prisjetimo da je s s Tn (x) = cos nϑ. Iz definicije Tn+1 izlazi |Tn+1 (x)| = | cos(n + 1)ϑ| ≤ 1. Dobivamo z formulu 1 2 f (x)Tj (x) √ cj = dx. za m = n = 0. zatim teˇinskom funkcijom w i integriramo od −1 do 1. ci Ti (x) ≈ cn+1 Tn+1 (x) = cn+1 cos(n + 1)ϑ.   0. Ako je razvoj napiˇemo u obliku s f (x) = ∞ c0 T0 (x) + ci Ti (x).11. . Zelimo odrediti koeficijente ck u razvoju funkcije c ˇ s f po Cebiˇevljevim polinomima. tj.   1 − x2 π/2. π 1 − x2 −1 Oznaˇimo s fn poˇetni komad razvoja. Tm (x) Tn (x) √ za m = n = 0.1) konvergira.11.1) onda ´emo. dx = π. −1 ≤ x ≤ 1. neka je c c fn (x) = n c0 T0 (x) + ci Ti (x). APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 434 ˇ s Vidjet ´emo da su u tu svrhu vrlo pogodni Cebiˇevljevi polinomi. koeficijent cj dobiti ako pomnoˇimo prethodnu rec c z laciju s Tj (x). ako je cn+1 = 0 i ako koeficijenti ci brzo konvergiraju k 0. koji zadoc voljavaju sljede´u relaciju ortogonalnosti c 1 −1 ˇ s Ako ˇelimo funkciju f razviti po Cebiˇevljevim polinomima. 1] tada razvoj (7. 2 i=1 za m = n.

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

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

. onda znamo da je greˇka interpolas cionog polinoma stupnja n jednaka f (x) − pn (x) = (x − x0 ) · · · (x − xn ) (n+1) f (ξ). −1≤x≤1 . onda ga linearnom transformacijom y = cx + d moˇemo svesti na zadani interval. pa je deg(R) ≤ c c n−1. . . Dakle izaberimo toˇke interpolacije xj ∈ [−1.12. 1] z c tako da minimiziraju max |(x − x0 ) · · · (x − xn )|. .11.7. n. ali nije jednostavno re´i c c kako. 2 Sad bi joˇ trebalo pokazati da je to jedini polinom s takvim svojstvom. xn c c c c c nultoˇke polinoma Tn+1 .1. (n + 1)! Vrijednost (n+1)-ve derivacije ovisi o toˇkama interpolacije. ˇ Interpolacija u Cebiˇevljevim toˇkama s c Ako se prisjetimo problema interpolacije. 1]. 2 Tj. minimum ´emo dobiti ako stavimo c 1 (x − x0 ) · · · (x − xn ) = n Tn+1 (x). Taj s dio dokaza vrlo je sliˇan ovom ˇto je ve´ dokazano. Ipak. c s c 7. b]. Po Teoremu c 7. 2n + 2 j = 0. ono ˇto moˇemo kontrolirati je izbor toˇaka interpolacije. to mora postojati bar n nultoˇaka. Odatle odmah ˇitamo da su ˇvorovi x0 . Budu´i da ima bar n + 1 razliˇiti predznak.2) redom. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 437 Tvrdimo da ´e se vode´i koeficijenti funkcija s desne strane skratiti.11. izlazi 1 R(x0 ) = R(1) = n−1 − M(1) > 0 2 1 R(x1 ) = − n−1 − M(x1 ) < 0. . nego s [a. Odatle odmah izlazi da je c 1 M(x) = n−1 Tn (x). Polinom u prethodnoj relaciji je stupnja n+1 i ima vode´i koeficijent 1. za polinom R vrijedi sign(R(xk )) = (−1)k . a njih smo ve´ izraˇunali da su jednake c xj = cos (2j + 1)π . Ispitajmo vrijednosti funkcije R u lokalnim ekstremima funkcije Tn . . 1]. . Iz (7. . 2 n a minimalna ´e vrijednost biti 1/2 . Ako naˇ interval nije [−1. Pretpostavimo s z c da interpoliramo funkciju na intervalu [−1. ˇto c c c s je mogu´e damo ako je R = 0. .

5! M5 = max |f (5) (x)|. c Pretpostavimo da je zadan proizvoljni polinom stupnja n pn (x) = an xn + an−1 xn−1 + · · · + a1 x + a0 .1] x2 x3 x4 + + .7. ˇ Cebiˇevljeva ekonomizacija s ˇ s Cebiˇevljevi polinomi mogu se koristiti za smanjivanje stupnja interpolacionog polinoma. izbor pn−1 (x) je c pn−1 (x) = pn (x) − an Tn (x).11.1 o minimalnom otklanjanju od polinoma xn . 1] Taylorovim polinomom oko 0 stupnja ˇetiri c p4 (x) = 1 + x + Greˇka odbacivanja tog polinoma je s |R4 (x)| ≤ M5 5 |x |. izlazi da mora biti 1 1 (pn (x) − pn−1 (x)) ≥ n−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] an 2 s tim da jednakost vrijedi kad je 1 1 (pn (x) − pn−1 (x)) = n−1 Tn (x). an 2 Primjer 7. x∈[−1. 2n−1 a s tim izborom je maksimalna greˇka jednaka s x∈[−1. 2 6 24 .1] max |pn (x) − pn−1 (x)| = |an | max x∈[−1. Takav postupak zove se ekonomizacija. ako traˇimo z 1 max (pn (x) − pn−1 (x)) → min .13.13.1] max |pn (x) − pn−1 (x)| → min .1] 1 |an | (pn (x) − pn−1 (x)) = n−1 .1 Funkciju f (x) = ex aproksimiramo na intervalu [−1. Rjeˇenje problema se ne´e promijeniti ako normiramo vode´i koeficijent na 1. x∈[−1. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 438 7. na intervalu [−1.1] an Prema Teoremu 7. s c c tj. an 2 Drugim rijeˇima. uz minimalni gubitak toˇnosti. max x∈[−1. 1].

ˇto je bila dozvoljena tolerancija. Budu´i da je z s s c T3 (x) = 4x3 − 3x. Nije teˇko na´i T4 . 192 8 24 Pritom je napravljena greˇka s |p3 (x) − p2 (x)| = 1 1 = ≈ 0.042 > 0. 2 k=1 |x| ≤ 1.7. 6·4 24 Dodamo li tu greˇku na ve´ akumuliranu greˇku 0. . onda je ukupna greˇka manja ili jednaka s s s 0. s s Naravno. Pretpostavimo da moˇemo tolerirati greˇku 0. pa pokuˇajmo z s s spustiti stupanj polinoma.0283. onda je ukupna greˇka s c s s 0.0283. recimo iz rekurzije s c T4 (x) = 8x4 − 8x2 + 1. = 192 24 6 Tim sniˇavanjem stupnja. 3 24 · 2 192 Pribrojimo li tu greˇku greˇci odbacivanja.05.042. 120 120 za −1 ≤ x ≤ 1.023.023 + 0. stupanj polinoma p3 moˇemo pokuˇati joˇ smanjiti. napravljena je greˇka z s |p4 (x) − p3 (x)| ≤ 1 1 = ≤ 0.0053 = 0. dobivamo p2 (x) = p3 (x) − a3 191 13 1 1 T (x) = + x + x2 + x3 − (4x3 − 3x) 3−1 3 2 192 24 6 4·6 191 9 13 = + x + x2 . ˇto je prema uvjetima zadatka dozvoljiva greˇka. pa je greˇka odbacivanja s |R4 (x)| ≤ e 5 e |x | ≤ ≈ 0.0283 + 0. Pokazali smo da mora biti p3 (x) = p4 (x) − a4 x2 x3 x4 1 T4 (x) = 1 + x + + + − (8x4 − 8x2 + 1) 4−1 2 2 6 24 8 · 24 13 2 1 3 191 +x+ x + x . Znamo da se funkcije mogu razviti u s c ˇ sevljevim polinomima oblika red po Cebiˇ ∞ 1 f (x) = c0 + ck Tk (x).05.0053. s Postoji joˇ jedan naˇin ekonomizacije. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 439 Odmah se vidi da je M5 = e.

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

onda oni zadovoljavaju diskretne c relacije ortogonalnosti vrlo sliˇne onima koje zadovoljavaju trigonometrijske funkcic je. z c Teorem 7. 0 < j < n. s c c gdje ima ograniˇene skokove. k < n.  n j = k = 0.1 Neka je fn (x) aproksimacija za f (x). neka je c ˇ s Tn (xα ) = cos(nϑα ) = 0. 2 k=1 (7.  0 Pretpostavimo da je f ′ neprekidna na [−1. . 2n n−1 α = 0. n − 1. n α=0 n α=0 (7. Diskretne ortogonalnosti polinoma Tn ˇ s Budu´i da su Cebiˇevljevi polinomi kosinusi. gdje je Uj.14.k ˇ s Sada moˇemo funkciju razviti po Cebiˇevljevim polinomima koriste´i prethodz c nu relaciju diskretne ortogonalnosti.1) d0 n−1 + dk cos kϑ. .14.7. ˇ s Za Cebiˇevljeve polinome. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 441 7. Moˇe se pokazati da vrijedi sljede´i teorem. tj. ϑα = (2α + 1)π .14. Nije teˇko izraˇunati da je tada s c xα = cos(ϑα ).k = α=0 Tj (xα )Tk (xα ) = α=0 cos jϑα cos kϑα . Tada se f moˇe razviti u konvergentan red oblika c z ∞ c0 f (x) = + ck Tk (x). = n/2 j = k. osim najviˇe u konaˇno mnogo toˇaka. 1]. fn (cos ϑ) = ili d0 n−1 fn (x) = + dk Tk (x). Neka su xα nultoˇke Cebiˇevljevog polinoma Tn . . j = k.2) gdje je 2 ck = π 1 −1 f (x)Tk (x) 2 √ dx = π 1 − x2 π f (cos ϑ) cos kϑ dϑ. 0 . 2 k=1 j. u nultoˇkama vrijede sljede´e relacije ortogonalnosti c c n−1 Uj.14. 2 k=1 Tada je dk = 2 n−1 2 n−1 f (cos ϑα ) cos kϑα = f (xα )Tk (xα ).

neka je xα = cos(ψα ). tj. u ekstremima vrijede sljede´e relacije ortogonalnosti c n−1 1 Vj.14. Iz prethodnih teorema uoˇavamo da xα leˇe u unutraˇnjosti intervala.2 Neka je pri ˇemu su fn i f zadani s (7. . 2 α=1 . n α = 0. pribliˇno z c5n+r cos(2n + r)ϑ + c7n cos 4nϑ − · · · . 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 . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 442 Osim toga. n.k = (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 . Za greˇku ǫn tada vrijedi c s 2n−1 ǫn (x) = f (x) − fn (x). ˇ s Za Cebiˇevljeve polinome. .14. vrijedi ǫn (cos ϑα ) = 0.2). . 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 .14. r=1 k = 1. Teorem 7.1) i (7. . . . Sljede´i teorem govori o greˇkama koje smo napravili aproksimacijom fn obzic s rom na f . n − 1. Primijetite da su to ekstremi odgovaraju´eg c z c ˇ sevljevog polinoma. . 2cn+1 cos ϑ . c ˇ s Neka su xα ekstremi Cebiˇevljevog polinoma Tn .7. ǫn (cos ϑ) = cos nϑ cn + 2 r=1 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. ψα = απ . cn ǫn (cos ϑ) ≈ cn cos nϑ 1 + Posebno. Sada moˇemo napraviti sliˇan niz tvrdnji kao za diskretnu Cebiˇ z c ortogonalnost u nultoˇkama.

Za greˇku δn tada vrijedi c s δn (cos ψ) = −2 sin nψ odnosno.3) i (7. cn+r sin rψ .3) c2rn c(2r+1)n ∞ r=1 en = 2cn + 2 ek = ck + ∞ r=1 ∞ r=1 c2rn−k + c2rn+k . z c Teorem 7.k =  n/2 j = k.14. n j = k = 0 ili j = k = n.14. postoji veza izmedu koeficijenata u diskretnom i kontinuiranom razvoju: e0 = c0 + 2 ∞ j.  0 e0 n−1 en + ek cos kψ + cos nψ.14. 0 < j < n. r=1 k = 1. . .3 Neka je fn (x) aproksimacija za f (x).4 Neka je pri ˇemu su fn i f zadani s (7. j = k. fn (cos ψ) = ili fn (x) = Tada je 2 f (1) + (−1)k f (−1) n−1 ek = + f (cos ψα ) cos kψα n 2 α=1 2 f (1) + (−1)k f (−1) n−1 + f (xα )Tk (xα ) . Moˇe se pokazati da vrijedi sljede´i teorem. pribliˇno z δn (cos ψ) ≈ −2 sin nψ sin ψcn+1 1 + 2cn+2 cos ψ . Vj.14. k < n. 2 2 k=1 (7. 2 2 k=1 en e0 n−1 + ek Tk (x) + Tn (x). . Sljede´i teorem govori o greˇkama koje smo napravili aproksimacijom fn obzic s rom na f . = n 2 α=1 Osim toga. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 443 gdje je ˇ s Sada moˇemo funkciju razviti po Cebiˇevljevim polinomima koriste´i prethodz c nu relaciju diskretne ortogonalnosti.14.2). cn+1 ∞ r=1 δn (x) = f (x) − fn (x). Teorem 7.7. n − 1.

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

.3) Uvrˇtavanjem tog izraza u (7. x2 ) + x − x2 + ρ0 (x1 ) ρ1 (x. xk ) − φk−1(x0 . . . . . . .2) dobivamo s f (x) = f (x1 ) + x − x1 . x2 ) − ρ0 (x1 ) . x1 . φ1 (x0 . . . . x1 ) = slijedi da je x − x1 f (x) − f (x1 ) x − x1 . xk ) = xk − xk−1 . x1 ) = x1 − x0 . x1 ) = ρ1 (x0 . x1 ). ρ2 (x. xn )+ 2 1 2 3 x − xn (7. iz formule ρ2 (x. . xk−2 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 445 Uz reciproˇne razlike. x . Nije teˇko pokazati da c s vrijedi φ0 (x0 ) = ρ0 (x0 ). Pokaˇimo da vrijedi jedan vaˇan identitet iz kojeg ´emo izvesti Thieleovu forz z c mulu. . . x1 ) = ρ1 (x1 . x1 ) − ρ1 (x1 . x2 ) φn−1 (x1 . odnosno φk (x0 . . xn−1 ) ρ1 (x. x1 . . x1 . .1) . . . . . . . . ρn (x. . . .15. . x2 ) + ρ2 (x. xk ) = ρk (x0 . . x1 ) (7. φk−1(x0 . Tvrdimo da je f (x) = f (x1 ) + x − x1 x − x2 x − xn−1 ··· + φ (x . . x )+ φ1 (x1 . xk−1 ) k ≥ 2. x2 ) x − x2 . φ1 (x0 . xn ) − ρn−2 (x1 . . . φ0 (x1 ) − φ0 (x0 ) Postoji i veza izmedu inverznih i reciproˇnih razlika. xk−2 ). x − x2 ρ1 (x1 . . x2 ) = slijedi da je ρ1 (x.15. ˇesto se definiraju i inverzne razlike c c φ0 (x0 ) = f (x0 ). u formuli za reciproˇne razlike uzmemo x0 kao varijablu i oznaˇimo je c c s x.15.2) Iz f (x) = f (x1 ) + Zatim. ρ1 (x. xk ) − ρk−2 (x0 . .7. .15. xk−2 . . x2 ) − ρ0 (x1 ) (7. x1 . Prvo. . odnosno za k ≥ 2 φk (x0 .

Primjer 7. .5).97955 ρ1 ρ2 ρ3 ρ4 . .1) dobivamo indukcijom po n. Pokaˇimo joˇ jednu zanimljivu ˇinjenicu vezanu uz formulu (7.001255851 32. . x1 .15. xn ) 2 1 2 3 (7. uz koriˇtenje definicije inc s verznih razlika. . ako krenemo od xn .0207583 −0.15. . formulu (7. x1 . gledamo R(xn−1 ) i f (xn−1 ). Pokaˇimo na nekoz liko primjera koliko je dobra ta interpolacija.53 1.15. . x . c z c U svakoj daljnjoj toˇki xn−2 . . .5) x − x2 x − xn−1 x − x1 ··· + φ (x . . Prvo izraˇunajmo reciproˇne razlike. . .15. .7. 4.4) jednak 0 za x = xn . xn−1 ) (7. Nakon toga.57 f (xk ) 24. To se odmah vidi iz (7.000224507 92. x )+ φ1 (x1 .1).53 + 0.1 Aproksimirajte tg 1. Oni su za jednu verigu kra´i i to za onu verigu koja sadrˇi “ˇlan razlike” (7. c c xk 1.1). . Formula (7.0106889 2. i = 0. .54 1. Ako z s c izbriˇemo zadnji ˇlan.55 1. jer je ˇlan c x − xn ρn (x.4) zove se Thielova interpolaciona formula. . . i = 1. . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 446 Konaˇno.56 1. . ako znamo vrijednosti funkcije tg u s toˇkama c xi = 1.15. onda ´e za racionalnu funkciju (veriˇni razlomak) s c c z R(x) = f (x1 ) + vrijediti R(xi ) = f (xi ).49841 0.46114 0. .15.96838 3. xn ) − ρn−2 (x1 . . veriˇni je razlomak kra´i za jednu verigu od c z c prethodne.01 ∗ i.15.0308670 −0.76557 −0. . . x2 ) φn−1 (x1 .15.07848 0. pa je R(xn ) = f (xn ).565 koriˇtenjem Thieleove interpolacione formule.62050 0.000640314 48. .000008597 1255. n.56026 2.

. 2 n=1 n ∞ .. I sumacija redova moˇe se znatno ubrzati koriˇtenjem racionalne ekstrapolacije...54 x − 1.. na primjer. u toˇkama 1/N. Ove vrijednosti SN moˇemo interpretirati kao vrijednosti neke funkcije f u z toˇkama N.565) = 172.15. iz s f 1 1 . dok je prava vrijednost tg(1. z s Pretpostavimo da treba izraˇunati c S= ∞ n=0 Uvrˇtavanjem 1.56 x − 1.. N Primjer 7.7.5208. Oznaˇimo s SN .565 dobivamo s an .2 Treba izraˇunati c S= koriˇtenjem racionalne ekstrapolacije. s 1 .55 x − 1.96713+ 3.5293+ 2.. Ideja je f (0) izraˇunati kao ekstrapoliranu vrijednost od c f (1).001255851+ −24.53 ..5211. 0.49841 + x − 1. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 447 Thielova interpolacija daje R(x) = 24. f ili za neke viˇe N.f . N-tu parcijalnu sumu reda c N SN = n=0 an .565) = 172.59113 R(1. ili u nekim drugim toˇkama. 2 3 1 . c c c SN = f Oˇito je da vrijedi c S = S∞ = f (0). N1 N2 N1 < N2 < · · · 1 1 .f .

166126405 −0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 448 Uzet ´emo N = 1. R(x) = 1.25 1 −1. 6 Zanimljivo je spomenuti ˇto se dobije ako samo zbrajamo ˇlanove reda i ne eks c strapoliramo.238678243 −0.44 −2 −0.255616663 x− Uvrˇtavanjem 0 dobivamo s R(0) = 1.644601. 2. 8.097945891 −1.823024776+ 5. onda moˇemo c z formirati tablicu reciproˇnih razlika.947195880 Thielova interpolacija daje 1 1 1 1 x− x− x− 16 8 4 2 .924005034+ 0. 2 n=1 n N Shvatimo li to kao funkciju od x = 1/N i oznaˇimo S(x) = SN .644834. S10000 = 1. 16 i izraˇunati c c Sn = 1 .644901. 4.826059143 0.7.584346533 + −1. dobivamo c S∞ = S3000 = 1.097945891+ −1.644927974.089285214 4. S30000 = 1. Na primjer. S100000 = 1.644934067. c x S(x) ρ1 ρ2 ρ3 ρ4 1 1.527422052 1. Vidjet ´emo da taj red vrlo sporo konvergira. dok je prava vrijednost . π2 = 1.204112002 −1.644924.016938420 9.423611111 1.584346533 16 1 8 1 4 1 2 1 1.

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

Metoda raspolavljanja (bisekcije) Najjednostavnija metoda nalaˇenja nultoˇaka funkcije je metoda raspolavljaz c nja. Ako za sluˇaj p = 1 i c < 1 u (8. I u sluˇaju (8. upotrijebimo indukciju po n. Izolacije jedne ili viˇe nultoˇki.2) nego (8. n∈N (8. onda dobivamo da je c |α − xn | ≤ cn |α − x0 |.1).1. s Osnovna pretpostavka za primjenu algoritma raspolavljanja je neprekidnost funkcije f na intervalu [a.1. tj. (8.1. imamo li c c sigurnu konvergenciju ili ne i po brzini konvergencije. Uobiˇajen je sluˇaj da brze c c metode nemaju sigurnu konvergenciju.2. dok je sporije metode imaju.ˇ ˇ 8. c 8.1. ali zbog toga ima i najloˇiju ocjenu s pogreˇke. kaˇemo da niz konvergira linearno prema α. n ∈ N0 ) konvergira prema toˇki α s redom konc vergencije p. Ovo je teˇi dio posla i obavlja se na temelju analize toka c z funkcije. z c z c Postoji mnogo metoda za nalaˇenje nultoˇaka nelinearnih funkcija na zadanu z c toˇnost.1. Iterativno nalaˇenje nultoˇke na traˇenu toˇnost. . nalaˇenje intervala I unutar kojeg se nalazi s c z bar jedna nultoˇka. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 450 1.2) Katkad ´e biti mnogo lakˇe pokazati (8. p ≥ 1 ako vrijedi |α − xn | ≤ c |α − xn−1 |p . Ako je p = 1.1) za neki c > 0. c z c Relacija (8. b] i uvjet f (a) · f (b) < 0. Ona funkcionira za neprekidne funkcije.1 Niz iteracija (xn .2).1. Brzina konvergencije se definira pomo´u reda konvergencije metode.1. c Definicija 8. One se bitno razlikuju po tome ho´e li uvijek konvergirati.1) katkad nije zgodna za linearne iterativne algoritme. tj.1). n ∈ N. 2. U tom z sluˇaju je nuˇno da je c < 1 i obiˇno se c naziva faktor linearne konvergencije.1. re´i c s c c ´emo da niz iteracija konvergira linearno s faktorom c.

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

bn = bn−1 an = an−1 . } . ako je f (an−1 ) · f (xn−1 ) < 0. metoda raspolavljanja izgleda ovako c y ako je f (an−1 ) · f (xn−1 ) > 0. bn−1 ] toˇkom xn−1 i to tako da je c an = xn−1 . bn ].ˇ ˇ 8. while b − x > ε do begin. bn ] sastoji se u raspolavljanju intervala [an−1 . a x0 x1 b x Napiˇimo algoritam za metodu raspolavljanja. onda je c s |α − xn | ≤ bn − xn . s Algoritam 8. Grafiˇki. end. pa je dovoljno postaviti zahtjev bn − xn ≤ ε. bn ]. bn = xn−1 Postupak zaustavljamo kad je |α − xn | ≤ ε. c budu´i da je xn poloviˇte intervala [an . x := (a + b)/2.2.1 (Metoda raspolavljanja) x := (a + b)/2. a α ∈ [an . if f (x) ∗ f (b) < 0.0 then a := x else b := x. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 452 Konstrukcija intervala [an . { Na kraju je x ≈ α. Kako ´emo znati da je prethodna relacija ispunjena ako ne znamo α? Jednostavno.

c dovoljno je zahtijevati 1 (b − a) ≤ ε. Dobivamo |f (xn )| = |f ′(ξ)| |α − xn |. b].2. (8. log 2 Ako je funkcija f joˇ i klase C 1 [a.1.ˇ ˇ 8. a zatim c c uzmemo apsolutne vrijednosti obje strane. Prvo iskoristimo da je α nultoˇka.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). s moˇe se dobiti dinamiˇka ocjena za udaljenost aproksimacije nultoˇke od prave z c c nultoˇke. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 453 Iz konstrukcije metode lako se izvodi pogreˇka n-te aproksimacije nultoˇke. c Po Teoremu srednje vrijednosti za funkciju f imamo f (xn ) = f (α) + f ′ (ξ)(xn − α). tj.1) 2 2 2 b−a = b − x0 . ali zdesna se nigdje ne pojavljuje |α − x0 |. f (α) = 0.1) mogli pisati kao |α − xn | ≤ 1 (b − x0 ). Ipak c desna strana daje nam naslutiti da ´e konvergencija biti dosta spora. odakle slijedi |α − xn | = |f (xn )| .2.2. n ∈ N0 . Da bismo postigli da je |α − xn | ≤ ε. 2n Ova relacija podsje´a na (8. tj.2. c Relacija (8.2). |f ′ (ξ)| (8. ako f ima i neprekidnu prvu derivaciju. n+1 2 Zadnja nejednakost je ekvivalentna s b−a ≤ 2n+1 . odnosno log(b − a) − log ε n≥ − 1.1) omogu´ava da unaprijed odredimo koliko je koraka raspolavc ljanja potrebno da bismo postigli toˇnost ε. pri ˇemu je ξ izmedu xn i α. ε a zatim logaritmiranjem nejednakosti dobivamo log(b − a) − log ε ≤ (n + 1) log 2. 2 pa bismo relaciju (8.

Konstruirat ´emo metodu koja ´e. dovoljno je zahtijevati c z |α − xn | ≤ |f (xn )| ≤ ε. b].b] Ako je m1 > 0. y − f (b) = a−b b−a Nultoˇku α funkcije f moˇemo aproksimirati nultoˇkom tog pravca. ˇim se nultoˇka c c c c nalazi unutar [a. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 454 Znamo da je α u intervalu [an . x∈[a. Prirodan je pokuˇaj ubrzavanja te metode je regula s falsi . b] i da vrijedi f (a) · f (b) < 0. bn ]. Pretpostavimo da moˇemo ocijeniti z |f ′(ξ)| ≥ m1 . z c y a x0 x1 b x .ˇ ˇ 8. m1 = min |f ′ (x)|. ali tako da nultoˇka α osc c c tane unutar novodobivenog intervala. c z c c Nakon toga. Aproksimirajmo funkciju f pravcem koji prolazi toˇkama (a. Pretpostavimo da je funkcija f : [a.2). izlazi s |f (xn )| . ako ˇelimo da je |α − xn | ≤ ε. c Njegova je jednadˇba z f (b) − f (a) f (a) − f (b) (x − b). ali je vrlo spora. ponovno biti konvergentna. odnosno y − f (a) = (x − a). f (b)). f (a)). (b.2.3. m1 odnosno |f (xn )| ≤ m1 ε. pomaknemo ili toˇku a ili toˇku b u x0 . m1 Drugim rijeˇima. Regula falsi (metoda pogreˇnog poloˇaja) s z U prethodnom poglavlju opisali smo metodu raspolavljanja. 8. Postupak ponavljamo sve dok ne postignemo ˇeljenu toˇnost. koja ima sigurnu konvergenciju. b] → R neprekidna na [a. uvrˇtavanjem prethodne ocjene u (8. toˇkom x0 .

4). b] f [a. α] f [a. b. ako je f klase C 2 [a.1.1) za x0 . b] = Postoji nekoliko ozbiljnih problema s ovom metodom.1. b.4) c f [a. Iskoristimo relaciju (8.1) a−b b−a = a − f (a) . f [a. b. α] = gdje se ζ nalazi izmedu minimima i maksimuma vrijednosti a.3. c Izvedimo red konvergencije metode. iako je aproksimacija pravcem i zatvaranje nultoˇke u odredeni interval sasvim dobra ideja. b] f [a. b] (α − b)f [a. pa je c z x0 = b − f (b) ili drugaˇije zapisano c x0 = b − gdje je f (b) f (a) =a− . b] − f [b. b. 2f (ξ) (8. f [a. f [a. b] f (b) − f (α) f [b. α. Na sliˇan naˇin. α] = (α − b) 1 + = (α − b) 1 + (b − α) (α − b)f [a.2 srednje vrijednosti imamo f [a. b] f [b. f (b) − f (a) f (a) − f (b) f (b) − f (a) . α] = (α − b) 1 − = (α − b) f [a. b]. α−a ξ ∈ [a. imamo c c f [a. α] = −(α − b) (α − a) . b] dobivamo sljede´u ocjenu c f ′′ (ζ) α − x0 = −(α − b) (α − a) ′ . pomnoˇimo je s −1 i dodajmo α na obje strane. b] f [a. onda po teoremu 1. za funkcije klase C 2 [a. b]. 2 Ako je f klase C 1 [a. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 455 Toˇka x0 dobiva se jednostavno iz jednadˇbe pravca.2) .1. b] (8. b−a prva podijeljena razlika (vidi primjer 1. b]. b] .3. α] = f [b. Dobivamo z α − x0 = α − b + f (b) f (b) = (α − b) 1 + f [a. b] (α − b)f [a. b] = f ′ (ξ). 1 ′′ f (ζ). b. b] pri ˇemu je po definiciji f [a. Iskoristimo li te dvije relacije. α] − f [a. α] druga podijeljena razlika (vidi primjer 1.ˇ ˇ 8.3.

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

Da bismo skratili zapis. ε > 0 c c nultoˇke α. x1 ∈ I vrijedi |α − x2 | ≤ |α − x1 | |α − x0 | M. α + ε].2) Teorem 8. Imamo c α − xn+1 = −(α − xn ) (α − xn−1 ) f ′′ (ζn ) .2) za svaki n.3.ˇ ˇ 8.4. Zbog relacije (8. c c Ako su poˇetne aproksimacije x0 i x1 izabrane dovoljno blizu α.4. s Iskoristimo li ocjenu (8. c tako da je x0 < x1 . Budu´i da je nultoˇka jednostruka. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 457 Grafiˇki to izgleda ovako. pa metoda sekante c s c ne mora konvergirati. niz iteracija xn c konvergirat ´e prema α s redom konvergencije p. 2f ′(ξn ) (8. c y x1 x2 x0 x3 x Primijetite da je tre´e iteracija izaˇla izvan poˇetnog intervala. uz odgovaraju´e pretpostavke. dobit ´emo red konvergencije metode c sekante. Primijetite da jednostrukost nultoˇke osigurava f (α) = 0. postoji okolina I = [α − ε. gdje je c √ 1+ 5 ≈ 1. za sve x0 . da smo “prirodno” numerirali prve dvije toˇke. p= 2 Dokaz. Tada je dobro definiran broj c M= max |f ′′ (x)| x∈I x∈I 2 min |f ′(x)| . imali bismo konvergenciju prema rjeˇenju. Jednako tako. takva da je u njoj f ′ (x) = 0. neka je en = α − xn . f ′ i f ′′ neprekidne za sve x u nekom intervalu koji sadrˇi z ′ jednostruku nultoˇku α.2).618.1 Neka su f .4.

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

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

onda je c moˇemo razviti u Taylorov red oko xn do ukljuˇivo prvog ˇlana. Dobivamo z c c f (x) = f (xn ) + f ′ (xn )(x − xn ) + f ′′ (ξn ) (x − xn )2 . Pretpostavimo li da z c c c je funkcija f dva puta neprekidno derivabilna (na nekom podruˇju oko α).ˇ ˇ 8. odakle izlazi da je nova aproksimacija xn+1 := x xn+1 = xn − f (xn ) . Sliˇno kao i kod sekante. U toˇki xn napiˇe se jednadˇba tangente i c s z pogleda se gdje sijeˇe os x. aproksimiramo tangentom. 2 . time smo izgubili c svojstvo sigurne konvergencije. Ideja metode je povu´i tangentu c c c u toˇki (x0 . dobili smo metodu tangente ili Newtonovu metodu. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 460 8.5. f ′ (xn ) Primijetite da je prethodna formula usko vezana uz metodu sekante. c c c y x1 x0 x Geometrijski izvod je jednostavan. Jednadˇba tangente je c z y − f (xn ) = f ′ (xn )(x − xn ). f (x0 )) i definirati novu aproksimaciju x0 u toˇki gdje ona sijeˇe os x. c Pretpostavimo da je zadana poˇetna toˇka x0 . Metoda tangente (Newtonova metoda) Ako graf funkcije f umjesto sekantom. jer je f ′ (xn ) ≈ f (xn ) − f (xn−1 ) . ali se nadamo da ´e metoda brzo konvergirati. xn − xn−1 Do Newtonove metode moˇe se do´i i na drugaˇiji naˇin.

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

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

U tim uvjetima umjesto “lokalnog” M.ˇ ˇ 8. imamo sigurnu konvergenciju iteracija prema nultoˇki. samo s M umjesto M ′ . Ako vrijedi i jaˇi uvjet c c b−a< 1 .1) α − xn = − f ′′ (ξn−1 ) (α − xn−1 )2 . Ova c c ocjena nije naroˇito korisna za praksu. . 2m1 pri ˇemu u definiciju konstanti M2 i m1 ulazi cijeli interval [a. Veliˇine M2 i m1 daju i lokalne ocjene greˇke iteracija u Newtonovoj metodi. odnosno M2 i m1 . Zbog |x0 − α| ≤ ε < 1/M ′ . c s uz uvjet da su sve iteracije u segmentu [a. Ako vrijedi c b−a 1 < ′. moˇemo uzeti i z c z neku gornju ogradu za M2 . 2 M onda moˇemo uzeti ε = (b − a)/2. iskoristit ´emo Taylorov teos c rem. 2m1 Sliˇnu ocjenu smo ve´ imali u prethodnom teoremu. b]. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 463 jedinstvenu jednostruku nultoˇku α u [a. c gdje je ξn−1 izmedu α i xn−1 . c Da bi izveli za praksu pogodniju ocjenu greˇke. b]. b] daje sigurnu konvergenciju. Iz ranije relacije (8. Po definiciji iteracija u Newtonovoj metodi c vrijedi i f (xn−1 ) + f ′ (xn−1 )(xn − xn−1 ) = 0. jer α ne znamo. 2f ′ (xn−1 ) onda bilo koja startna toˇka x0 ∈ [a. to moˇemo iskoristiti samo ako imamo dovoljno informacija o funkciji z f tako da moˇemo izraˇunati M ′ . c moˇemo koristiti “globalnu” veliˇinu z c M ′ := M2 . b]. a startna toˇka je poloviˇte intervala x0 := z c s (a + b)/2.5. odmah slijedi |α − xn | ≤ M2 (α − xn−1 )2 . neku pozitivnu donju ogradu za m1 . a umjesto m1 . Umjesto M2 . 2 pri ˇemu je ξn−1 izmedu xn−1 i xn . M′ Naravno. Za dvije susjedne iteracije u Newtonovoj metodi vrijedi f (xn ) = f (xn−1 ) + f ′ (xn−1 )(xn − xn−1 ) + f ′′ (ξn−1 ) (xn − xn−1 )2 .

(tj. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 464 f ′′ (ξn−1) (xn − xn−1 )2 .5. b]. onda moˇemo s z dobiti i globalnu konvergenciju Newtonove metode. Ako polazna iteracija x0 iz intervala [a. zadnja c c nejednakost ´e vrijediti do na greˇke zaokruˇivanja. 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. m1 ˇto se moˇe iskoristiti u praksi. Ako je ε gornja ograda za apsolutnu greˇku (uobis z s ˇajeno se to kaˇe samo traˇena toˇnost). m1 U prethodnim ocjenama greˇke koristili smo pretpostavku da je f strogo monos tona na [a.2) slijedi ocjena |α − xn | ≤ Kombinacijom ovih ocjena dobivamo |α − xn | ≤ M2 (xn − xn−1 )2 . xn ∈ [a. 2 Koriste´i pretpostavku xn−1 . f (a) · f (b) < 0 i neka f ′ i f ′′ nemaju nultoˇke c ′ ′′ u [a. c . onda niz iteracija dobiven Newtonovom metodom konvergira prema (jedinstvenoj jednostrukoj) nultoˇki α funkcije f . Ako joˇ i druga derivacija ima fiksni predznak na tom intervalu. b]. Jasno. dobivamo c f (xn ) = |f (xn )| ≤ M2 (xn − xn−1 )2 . Uoˇimo da moˇemo koristiti i c s z c z raniji test |f (xn )| ≤ ε. b]. b]). iz (8.2 Neka je f ∈ C 2 [a. ako je m1 > 0. Teorem 8. b] zadovoljava uvjet f (x0 ) · f ′′ (x0 ) > 0. s obzirom da raˇunamo na raˇunalu. b]. 2 pa je Kao i kod metode bisekcije. da prva derivacija ima isti predznak na cijelom intervalu.ˇ ˇ 8.2. ili ekvivalentno. f i f imaju fiksni predznak na [a. 2m1 |f (xn )| .

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

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

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

Dokaˇimo joˇ konvergenciju jednostavnih iteracija za proizvoljnu startnu toˇku z s c x0 ∈ [a. Primijetite λ moˇe biti ve´i od 1! z c Teorem 8. za jednostavnu iteraciju xn+1 = g(xn ).6.b] Ako je g derivabilna na [a. n ≥ 0 vrijedi n→∞ |α − xn | ≤ λn |α − x0 | i n→∞ lim α − xn+1 = g ′ (α). neka je g([a. c c vrijedi |α − xn | = |g(α) − g(xn−1 )| ≤ λ|α − xn−1 |. odnosno indukcijom po n dobivamo |α − xn | ≤ λn |α − x0 |. b] povlaˇi da je xn = g(xn−1 ) ∈ [a. Prvo. b]. x∈[a. b].1 Neka je funkcija g neprekidno diferencijabilna na [a. b]. y ∈ [a.6. g(x) − g(y) = g ′(ξ)(x − y).6.6. b]. uoˇimo da xn−1 ∈ [a. b]) ⊆ [a. (8. b]. i neka za λ iz (8. n ≥ 1. b]. c s lim xn = α. onda je po Teoremu srednje vrijednosti ξ izmedu x i y (8. onda λn → 0. 2. Nadalje. za proizvoljni x0 ∈ [a. mora biti α = β. b].2) onda moˇemo pisati z |g(x) − g(y)| = λ|x − y|. za sve x. pa vrijedi xn → α. b]. α − xn .ˇ ˇ 8. Tada vrijedi: 1. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 468 ili drugim rijeˇima c Budu´i da je 1 − λ > 0. Definiramo λ = max |g ′ (x)|.3) ∀x ∈ [a. x = g(x) ima toˇno jedno rjeˇenje na α ∈ [a.2) vrijedi λ < 1. c (1 − λ) |α − β| ≤ 0. b]. Ako pustimo n → ∞.

b]. onda i ξn → α. . tj. Ako je g(x) = x2 + x − a. z Primjer 8.6. b] = I. tako da se ne navodi eksz plicitno interval [a. Teorem 8.6. Tada vrijede svi rezultati Teorema 8. Sve tvrdnje ovog teorema dokazane su u prethodne dvije leme.2 U primjeru 8. uz pretpostavku da je x0 dovoljno blizu α.1.6. osim posljednje relacije o brzini konvergencije. α + ε] takav da je max |g ′(x)| ≤ λ < 1. Za xn dovoljno blizu α.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. n→∞ α − xn n ≥ 0. √ a je pa ta iteracijska funkcija ne´e konvergirati. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 469 Dokaz. x∈I Tada je g(I) ⊆ I. pretpostavimo da je z c |g (α)| > 1. U op´enitijem je sluˇaju g(x) = c c c 2 ′ x + c(x − a). α − xn+1 = lim g ′ (ξn ) = g ′ (α).3) znaˇajna. Uzmimo I = [α − ε. Budu´i da xn → α. Tada. Dokaz. Sada moˇemo primijeniti prethodni teorem za [a. pa je |α − xn+1 | ≥ |α − xn |.ˇ ˇ 8. ako imamo niz xn+1 = g(xn ) i rjeˇenje α = g(α). onda je i i |g ′(ξn )| > 1. pa konvergencija metode nije mogu´a. gdje je ξn neki broj izmedu α i xn .6. vrijedi s ′ α − xn+1 = g(α) − g(xn ) = g ′ (ξn )(α − xn ). definirali smo tri iteracijske funkcije. 1. jer |α − x| ≤ ε povlaˇi c |α − g(x)| = |g(α) − g(x)| = |g ′(ξ)||α − x| ≤ λ|α − x| ≤ ε. c Prethodni teorem se moˇe malo i pojednostavniti.6. onda je g ′(x) = 2x + 1 i u nultoˇki α = c √ √ g ′ ( a) = 2 a + 1 > 1. pa je g (x) = 1 + 2cx i √ √ g ′ ( a) = 1 + 2c a. Vrijedi α − xn+1 = g(α) − g(xn ) = g ′(ξn )(α − xn ).1. pa vrijedi c n→∞ lim Pokaˇimo koliko je pretpostavka (8.

5 (x + a/x). p! .6. Ovaj odjeljak zavrˇit ´emo promatranjem jednostavnih iteracionih funkcija. Ako je g(x) = a/x. uvrstimo x = xn . odnosno 1 − √ < c < 0.6. a 2. imat ´e red konvergencije p i c α − xn+1 g (p) (α) = (−1)p−1 .6. kao ˇto je. 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 . za neki p ≥ 2. Ako je startna vrijednost x0 dovoljno blizu α. (p − 1)! p! n≥0 (8. pa je √ g ′( a) = 0. p! g (p) (ξn ) (xn − α)p . pretpostavimo da je g ′(α) = · · · = g (p−1) (α) = 0. 3. onda je g ′ (x) = 0.ˇ ˇ 8. Zatim.4). slijedi xn+1 = α + odnosno α − xn+1 = − g (p) (ξn ) (xn − α)p . Razvijmo g(x) u okolini α do ukljuˇivo (p − 1)-ve potencije i napiˇimo c s ostatak. na primjer Newtonova metoda. Iskoristimo li da je g(α) = α i pretpostavku (8. Ako je g(x) = 0.4) za neki ξn izmedu xn i α. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 470 Da bismo osigurali konvergenciju. mora biti √ −1 < 1 + 2c a < 1. n→∞ (α − xn )p p! lim Dokaz. pa je √ g ′ ( a) = −1. onda je g ′(x) = −a/x2 . iteracijska funkcija xn+1 = g(xn ).3 Neka je α rjeˇenje od x = g(x) i neka je g p puta neprekidno difers encijabilna za sve x u okolini α. s c ali viˇeg reda konvergencije. Nadalje. s s Teorem 8.5 (1 − a/x2 ).

ph(x) + (x − α)h′ (x) .7. pa i ξn → α.1) Ograniˇimo se samo na cjelobrojne p i promatrajmo Newtonovu metodu kao jedc nostavnu iteraciju.ˇ ˇ 8. f ′ (α) f (x)f ′′ (x) (f ′ (x))2 − f (x)f ′′ (x) = . p ≥ 2 nultoˇku u α. c s z pa ako je f ′′ (α) = 0. f (x) Deriviranjem (8. moˇemo pokazati da je red konvergencije Newtonove metode z ′ jednak 2. h(α) = 0. pa je g(x) = x − (x − α)h(x) . g(x) = x − ′ . Nadalje. (f ′ (x))2 (f ′ (x))2 Sada moˇemo primijeniti prethodni Teorem. koji pokazuje da ´e iteracijska funkcija z c konvergirati. c 8. uz pretpostavku da je f ′ (α) = 0. f (p) (α) = 0. onda ´e red konvergencije biti barem 3. f (x) Deriviranjem dobivamo da je g ′ (x) = 1 − pa je g(α) = 0.1) dobivamo jednostavniji oblik za derivaciju f ′ (x) = p(x − α)p−1h(x) + (x − a)p h′ (x). ako funks c cija f ima neprekidnih prvih p + 1 derivacija i p-struku. dobivamo c c g ′′(α) = f ′′ (α) . to znaˇi da xn → α.7. (8. ˇto daje traˇenu relaciju. Samu funkciju f moˇemo napisati i u obliku z f (x) = (x − α)p h(x). Na sliˇan naˇin. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 471 Koriˇtenjem prethodnog teorema moˇemo analizirati i Newtonovu metodu za s z koju je f (x) g(x) = x − ′ .7. f (x) xn+1 = g(xn ). Newtonova metoda za viˇestruke nultoˇke s c Promotrimo ˇto ´e se dogoditi s konvergencijom Newtonove metode. f ′′ (α) = 0. Ako je f (α) = 0. Tada c vrijedi f (α) = f ′ (α) = · · · = f (p−1) (α) = 0.

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)]. f ′ (x) (f ′ (x))2 − f (x)f ′′ (x) f (x)f ′′ (x) g (x) = 1 − p =1−p+p .6. z c p ≥ 2. ali c c c primijenjena na u(x) konvergirat ´e kvadratiˇno. Prema teoremu 8. ˇto pokazuje da ova modifikacija osigurava barem kvadratiˇno konvergentnu metodu. u′ (xn ) . x→α (f ′ (x))2 p lim x→α Odatle odmah slijedi lim g ′ (x) = 0.ˇ ˇ 8. c c xn+1 = xn − u(xn ) . Definiramo iteracionu funkciju g(x) = x − p Tada je f (x) . ′ (x) ph(x) + (x − α)h dx ph(x) + (x − α)h′ (x) 1 = 0 za p > 1. c s Kako moˇemo popraviti (ubrzati) Newtonovu metodu za p-struke nultoˇke. ˇto je vrlo sporo. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 472 Deriviranjem funkcije g dobivamo g ′(x) = 1 − tako da je g ′ (α) = 1 − d h(x) h(x) − (x − α) . pa je f (x)f ′′ (x) 1 =1− . obiˇna Newtonova metoda. faktor konvergencije bit s ´e g ′ (α) = 1 − 1/p. Prvo pretpostavimo da znamo p. p ˇto pokazuje linearnu konvergenciju. U prosjeku to je podjednako brzo kao bisekcija c s za p = 2 ili ˇak loˇije od bisekcije za p ≥ 3. (f ′ (x))2 (f ′ (x))2 ′ Iskoristimo li oblik funkcije f . s c ˇ c Sto ´emo napraviti ako unaprijed ne znamo p? Primijetimo da funkcija u(x) = f (x) (x − α)p h(x) (x − α)h(x) = = ′ (x) p−1 [ph(x) + (x − α)h′ (x)] f (x − α) ph(x) + (x − α)h′ (x) ima jednostruku nultoˇku u α. Drugim rijeˇima.1.

ali inverznom (uloga x i y zamijenjena) i time dobivamo ˇetvrtu toˇku. iako ne znamo red nultoˇke.1) za red konvergencije p niza iteracija (xn .ˇ ˇ 8.1. metoda se “vrti” izmedu svoja tri sastavna dijela. odc c c nosno odbacuje kao loˇa su dosta sloˇeni. ali ´e imati sigurnu konvergenciju. u(xn ) − u(xn−1 ) gdje je I u ovom sluˇaju postoji “cijena”. c c c Ako je tre´a toˇka odbaˇena kao loˇa. Metoda je sastavni dio velikih numeriˇkih s z c biblioteka programa. 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. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 473 f ′′ (x) (f ′ (x))2 − f (x)f ′′ (x) =1− ′ u(x). kao da radimo s jednosc c trukim nultoˇkama. c Toˇni parametri kad se neka aproksimacija nultoˇke prihva´a kao dobra. koje grubo moˇemo opisati kao inverznu kvadratz nu interpolaciju. kao ˇto je IMSL. Kako se to radi? Prisjetimo se definicijske relacije (8. Hibridna Brent–Dekkerova metoda Brent–Dekkerova metoda smiˇljena je kao metoda koja ´e imati sigurnu kons c vergenciju. a mi se nadamo c da ´e rijetko koristiti bisekciju. pa ako joj je red konc c c vergencije u prosjeku bolji od sekante. s 8. u najboljem c z sluˇaju kvadratiˇno. a to je raˇunanje f ′ . Algoritam poˇinje metodom c sekante koja generira tre´u toˇku. Ako se prema nekim kriterijima ta toˇka prihva´a c c c c kao dobra.9. Za ve´inu “brzih” c c . c s u′ (x) = Sliˇno vrijedi i za metodu sekante. c c Metoda se sasoji od tri dijela. s c c c ′′ ali uz raˇunanje joˇ jedne derivacije funkcije (f ).8. Ona ne zahtijeva raˇunanje derivacija. moˇemo oˇekivati da ´e metoda po brzini z c c biti sliˇna Newtonovoj. n ∈ N0 ) koji konvergira prema nultoˇki α. a nadamo se da ´e konvergirati brˇe nego metoda sekante. c c 8. moˇemo nastaviti raditi s kvadratnom interpolacijom kroz posljednje tri z toˇke. koju ´emo ubrzati. (f ′ (x))2 f (x) ˇto pokazuje da ´emo dobiti kvadratiˇnu konvergenciju. ako primijenimo metodu sekante za funkciju u c xn+1 = xn − u(xn ) xn − xn−1 . Primjeri Prije konkretnih primjera. metodu sekante i metodu bisekcije. c c c s Drugim rijeˇima. radi se jedan korak metode bisekcije.

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

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. Zatraˇimo li pogreˇku manju od 10−8 . ˇto z c s je signaliziralo da smo ili loˇe derivirali. . fk ). .144714242553332.1 Za funkcije iz prethodna dva primjera napiˇite programe za nalaˇes z s nje nultoˇaka raznim metodama i numeriˇki nadite brzinu konvergancije koriˇtenih c c metoda. Modificiramo li Newtonovu metodu tako da korekciju pomnoˇimo s viˇestrukoˇ´u nultoˇke.5. a pribliˇna nultoˇka bit ´e x27 = 1. √ Primjer 8. s s c Nije teˇko pokazati da je 1.1 Usporedimo brzinu metoda za izraˇunavanje 3 1.9. traˇimo aproksimaciju oblika z ϕ(z) = cz p koja najbolje aproksimira skup podataka (zk .144714239984751. Primjer 8. n. Definiramo li fk = |xn+1 − xk |. pa Newtos c nova metoda konvergira samo linearno.9.2 Nadite nultoˇku funkcije f (x) = x3 − 5. . . c Taj problem moˇemo interpretirati i kao traˇenje realne pozitivne nultoˇke z z c funkcije f (x) = x3 − 1.9.1389x − 4.ˇ ˇ 8.68999 koriˇtenjem Newtonove metode. Umjesto toga. za istu toˇnost bilo nam je potrebno z s sc c c samo 7 iteracija.5. |x | > |β| Newtonova metoda sa startom x0 divergira. metodi bisekcije bit ´e potrebno 27 rasz s c polavljanja. ali Newtonova metoda ne´e konvergirati iz svake startne toˇke x0 . Na´i c c c ´emo toˇku β za koju vrijedi c c   |x0 |  < |β| Newtonova metoda sa startom x0 konvergira. k = 1.56x2 + 9.9. ili funkcija ima viˇestruku nultoˇku. s s Pouˇeni prethodnim primjerom oˇekujemo desetak iteracija.  0  |x0 | = |β| Newtonova metoda sa startom x0 ciklira.230000000463810.229999999995655. tako da greˇka bude manja od 10−15 . c c bilo nam je potrebno 30 iteracija za traˇenu toˇnost. . x7 = 1. c Zadatak 8. z c c Za greˇku manju od 10−15 Newtonova metoda trebat ´e samo 7 iteracija i x7 = s c 1. a konvergencija je bila kvadratiˇna.3 Nultoˇka funkcije c f (x) = arctg(x) je x = 0. x30 = 1. c Primjer 8.23 dvostruka nultoˇka zadane funkcije. zk = |xn+1 − xk−1 |.

y −β β x y −0. recimo za x0 = 1. suprotnih c z c s predznaka. dovoljno je da tangenta na funkciju u toˇki β presijeˇe os x c c u toˇki −β.0 x . 1 + β2 ˇime smo dobili nelinearnu jednadˇbu po β. pa da c c c bismo dobili cikliranje.ˇ ˇ 8. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 476 Kako ´emo na´i toˇku “cikliranja”? Funkcija f (x) = arctg x je neparna. postoje dva rjeˇenja.5. Nacrtajmo grafove Newtonove metode za sve tri mogu´nosti za x0 . Jednadˇba tangente na arctg u toˇki β je c z c y − arctg β = pa ´e tangenta sije´i os x u −β. Oˇito. ako je c c arctg β = 2β . i nije ih teˇko izraˇunati metodom bisekcije s c β = ±1. 1 + β2 1 (x − β).39174520027073489.57 1. c x0 = β i x0 = 1.

5 2.69 1.ˇ ˇ 8. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 477 y −1.32 x .

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

.1. . (m) (m) (m) (9. x. x3 . tj. Drugim rijeˇima. z U op´em sluˇaju. recimo na {1. xm .2) zovu se ˇvorovi c pri ˇemu je m neki unaprijed zadani prirodni broj. Zaˇto baˇ s s s s tako? Ako postoji Taylorov red za funkciju f i ako on konvergira. Ove posljednje formule zovu se formule Gaussovog tipa. .3) dovoljno je gledati egzaktnost tih formula na nekoj bazi vektorskog prostora.ˇ 9.3) onda osigurava egzaktnost za sve polinome do najviˇeg stupnja s baze. moramo nekako odrediti 2m + 2 nepoznatih c c koeficijenata. c S druge strane. Kasnije ´emo pokazati da se te formule mogu dobiti i kao integrali z c interpolacijskih polinoma stupnja m za funkciju f na zadanoj (ekvidistantnoj) mreˇi z ˇvorova. Ideja je “razdvojiti” podintegralnu . z Uvjeti egzaktnosti na vektorskom prostoru polinoma tada vode na sustav linearnih jednadˇbi.1. Uobiˇajen naˇin njihovog odredivanja je zahtjev da su integracijska c c formule egzaktne na vektorskom prostoru polinoma ˇto viˇeg stupnja. Koeficijenti xk c (m) integracije. za koje moramo odrediti m + 1 nepoznati koeficijent (teˇine).1. Ako su ˇvorovi fiksirani. s Zbog linearnosti integrala kao funkcionala (αf (x) + βg(x)) dx = α f (x) dx + β g(x) dx.4) pri ˇemu je funkcija w ≥ 0 tzv.1. Newton– c Cotesove formule. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 479 Ako koristimo samo funkcijske vrijednosti za aproksimaciju integrala. moˇemo fiksirati samo neke ˇvorove. recimo ekvidistantni. . (9. (9. onda dobivano tzv. greˇka bi bila mala. jer svojstvo (9. Ona ima istu ulogu “gusto´e” c z c mjere kao i kod metode najmanjih kvadrata. ili dozvoliti da su svi z c ˇvorovi “slobodni”. c c tj.1. . jednaka integralu c s greˇke koji nastaje kad iz Taylorovog reda napravimo Taylorov polinom. onda bi to znaˇilo da integracijska formula egzaktno integrira poˇetni komad Taylorovog reda.}. . Taylorov polinom. U c sluˇaju Gaussovih formula (ali moˇe se i kod teˇinskih Newton–Cotesovih formula) c z z uobiˇajeno je (9. . x2 . a wk teˇinski koeficijenti. teˇinska funkcija. onda aproksimacija Im (f ) ima oblik m Im (f ) = k=0 wk f (xk ).1) zapisati u obliku c b I(f ) = a w(x)f (x) dx. za fiksni m.

. hm = b−a . koja omogu´ava c efikasno raˇunanje svih parametara za Gaussove formule. koji nisu z c prostori polinoma do odredenog stupnja.1) ima oblik I1 (f ) = w0 f (x0 ) + w1 f (x0 + h1 ). m. aproksimacija integrala (9. tako da integracijska formula egzaktno integrira c z polinome ˇto viˇeg stupnja na intervalu [a. piˇemo wk := wk .1. 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). 9. tj.2. s tim c da je prvi ˇvor u toˇki x0 := a. Pokazat ´emo da postoji veza Gaussovih formula. . tako da singulariteti budu ukljuˇeni u w. Da bismo olakˇali pisanje. c Na kraju ovog uvoda spomenimo joˇ da postoje primjene u kojima je korisno s traˇiti egzaktnost integracijskih formula na drugaˇijim sustavima funkcija. m Drugim rijeˇima. k=0 (m) (9. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 480 funkciju na dva dijela. Trapezna formula Izvedimo najjednostavniju (zatvorenu) Newton–Cotesovu formulu za m = 1. pri ˇemu je c b−a = b − a. Gaussove se forc mule nikad ne raˇunaju “direktno” iz uvjeta egzaktnosti. k = 0. b]. b]. . a posljednji u xm := b. moˇemo s z (1) (1) izostaviti gornje indekse u wk . 1 pa je x0 = a i x1 = b. jer to vodi na nelinearni c sustav jednadˇbi. Dakle.2.1) 9.2. kad znamo da je m = 1. Newton–Cotesove formule Newton–Cotesove formule zatvorenog tipa imaju ekvidistantne ˇvorove..ˇ 9. tj. s moramo prona´i teˇine w0 i w1 . funkcije w i z c ortogonalnih polinoma obzirom na funkciju w na intervalu [a. . za zatvorenu (to c c se ˇesto ispuˇta) Newton–Cotesovu formulu s (m + 1)-nom toˇkom ˇvorovi su c s c c xk (m) = x0 + khm .2. a . radi jednostavnosti. osnovni je oblik Newton–Cotesovih formula c b m a f (x) dx ≈ Im (f ) = wk f (x0 + khm ). Za m = 1. Preciznije.

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

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

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

b] Nadalje. Tada postoji broj µ. Sliˇno vrijedi i za sup (ˇitati supremum). ali je x∈(0. inf (ˇitati infimum) je minimum funkcije koji se ne c c mora dosti´i.b] M = sup g(x).4) nema ni maksimum. Na primjer.4) inf x = 0.1 Neka su funkcije g i w integrabilne na [a. Na primjer. jer je m ≤ g(x) ≤ M =⇒ mw(x) ≤ g(x)w(x) ≤ Mw(x). b] i ako je w(x) ≥ 0 na [a. M = sup g(x). a (9. 1) nema minimum. funkcija c g(x) = x na (0.2. Iskoristit ´emo generalizaciju teorema srednje c c vrijednosti za integrale. ali je c sup x = 1.1) (9.2. pa je b b b m a w(x) dx ≤ a w(x)g(x) dx ≤ M w(x) dx.3) Digresija za nematematiˇare.b] onda vrijedi b b b m a w(x) dx ≤ a w(x)g(x) dx ≤ M w(x) dx. Supremum je maksimum funkcije koji se c c ne mora dosti´i. x∈[a. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 484 Ostaje samo izraˇunati E1 (f ).2. lako dokazujemo integralni teorem srednje vrijeds nosti s teˇinama. m ≤ µ ≤ M takav da vrijedi b b w(x)g(x) dx = µ a a w(x) dx.3).2. b] i neka je m = inf g(x). x∈(0. funkcija iz relacije (9. neka je w(x) ≥ 0 na [a.ˇ 9. x∈[a.1) Koriˇtenjem relacije (9. a m = inf g(x).b] x∈[a. Ako su funkcije g i w integrabilne na [a. b]. b].2. x∈[a. z Teorem 9. . a Prethodna formula lako se dokazuje.

b µ= a w(x)g(x) dx b a . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 485 Posebno. b]. c Prisjetite se.ˇ 9. w(x) dx Posljednji zakljuˇak teorema slijedi iz ˇinjenice da neprekidna funkcija na segmentu c c postiˇe sve vrijednosti izmedu minimuma i maksimuma. Ako je b w(x) dx = 0. a onda dijeljenjem formule (9.2.3) s prethodnim integralom dobivamo b m≤ pa za µ moˇemo uzeti z a w(x)g(x) dx b a w(x) dx ≤ M. a onda je po (9. 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. Ako je z b w(x) dx > 0. Dokaz. pa mora posti´i i µ. ako je g neprekidna na [a. Drugim z c rijeˇima.2. b]. a pa za µ moˇemo uzeti proizvoljan realan broj. 2 . postoji ζ takav da je µ = g(ζ). onda postoji broj ζ takav da je b b w(x)g(x) dx = g(ζ) a a w(x) dx.3) i b w(x)g(x) dx = 0.

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

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 ) = . Iako je dobivena iz uvjeta egzakts nosti na vektorskom prostoru polinoma stupnja manjeg ili jednakog 2. integracijska formula I2 (f ) dobivena je iz egzaktnosti na svim c polinomima stupnja manjeg ili jednakog 2. a2 w0 + 4 3 Rjeˇavanjem ovog sustava. 4 a po Simpsonovoj formuli. ona egzaktno integrira i sve polinome stupnja 3. dobivamo s w0 = w2 = h b−a = . 3 6 w1 = 4h 4(b − a) = . 4 4 . 4 Sada imamo linearni sustav s tri jednadˇbe i tri nepoznanice z w0 + w1 + w2 = b − a b2 − a2 a+b w1 + bw2 = aw0 + 2 2 b3 − a3 (a + b)2 w1 + b2 w2 = . Dovoljno je pokazati da egzaktno integrira f (x) = x3 . 3 2 Simpsonova formula ima joˇ jednu prednost. Egzaktni integral jednak je b x3 dx = a b4 − a4 .ˇ 9. i glasi b a f (x) dx ≈ a+b h f (a) + 4f + f (b) . za f (x) = x2 dobivamo c b3 − a3 = 3 b a x2 dx = w0 · a2 + w1 (a + b)2 + w2 · b2 . 3 6 Drugim rijeˇima. 2 Konaˇno. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 487 Za f (x) = x izlazi b2 − a2 = 2 b a x dx = w0 · a + w1 a+b + w2 · 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. nije teˇko pokazati da je i ova formula interpolacijska. Ako povuˇemo s c kvadratni interpolacijski polinom kroz (a. vidjet ´emo da joj je greˇka bitno manja. . integracijom s c c greˇke kvadratnog interpolacijskog polinoma s e2 (x) = f (x) − p2 (x) = f ′′′ (ξ) a+b (x − a) x − (x − b). da se one na grafu ne razlikuju. a+b (x − b) 2 nije viˇe fiksnog znaka na [a. Posebno. ( a+b . Pretpostavimo da je f ∈ C 4 [a.ˇ 9. b]. a zatim ga 2 2 egzaktno integriramo od a do b. na prvom c s primjeru. funkcija z a+b 2 (t − a) (t − c) (t − b) dt. f (a)). Oznaˇimo c (x − a) x − c := i definiramo w(x) = a x Naˇalost. f (b)). f ( a+b )) i (b. dobivamo Simpsonovu formulu. Ako pogledamo kako ona funkcionira na funkcijama koje smo ve´ integrirali c trapeznom formulom. 6 2 Dakle. b]. za greˇku Simpsonove formule vrijedi s b E2 (f ) = a e2 (x) dx. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 488 Ponovno. pa ne moˇemo direktno primijeniti generalizirani s z teorem srednje vrijednosti. kvadratni interpolacijski polinom tako dobro aproksimira funkciju f .

6 Uz oznaku (9. b). x] dx.5). dx Prvi ˇlan je oˇito jednak 0.2. x ∈ (a.2.ˇ 9. 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. onda moˇemo napisati kao s z b E2 (f ) = a w ′ (x)f [a. x] a − w(x) a d f [a. a posebno za n = 3 vrijedi f [a. c. b. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 489 Tvrdimo da vrijedi w(a) = w(b) = 0. b. Kod splajnova smo objaˇnjavali da je podijeljena razlika s dvostrukim ˇvorom c s c jednaka derivaciji funkcije. To smo pokazali op´enito u poglavlju o Newtonovom interpolacijskom polic nomu. c. x] dx.5) a c b t pa ´e integral rasti od 0 do svog maksimuma (plava povrˇina). b. Parcijalnom integracijom ovog integrala dobivamo b b E2 (f ) = w(x)f [a. (9. Ostaje joˇ “srediti” drugi c c s ˇlan. a zatim padati (kad c s dode u crveno podruˇje) do 0. Na sliˇan je naˇin derivacija tre´e podijeljene razlike c c c . x] = f ′′′ (ξ) . b. c. greˇku Simpsonove formule. jer je w(a) = w(b) = 0. c. c Ostaje samo joˇ napisati greˇku interpolacijskog polinoma kao podijeljenju s s razliku.

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

67330055565349876 −1.3.37400530503978780 0.05973804964347061 13 1. s s I ˇto sad? Ne smijemo dizati red formula.66535357008912674 4 2.12364713958076805 7 2. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 491 9.43910922619772403 6 3.79487179487179487 −4.08144796380090498 0. Prava vrijednost integrala je z 5 −5 dx = 2 arctg 5 ≈ 2.98823884866311501 17 0.82700431705764282 14 7.12981975621917490 19 7.49922455199193763 20 −26.38461538461538462 2. 1 + x2 Sljede´a tablica pokazuje aproksimacije integrala izraˇunate Newton–Cotesovim forc c mulama raznih redova i pripadne greˇke.04807026098176315 3 2. jer to postaje opasno.34818363604819700 10 4.89899440974837875 −0.15555899270655713 −1.24477294027858525 −0.24143731477308329 8.49797140638855353 12 −0.74680153389003172.59635362271451140 Oˇito je da aproksimacije ne konvergiraju prema pravoj vrijednosti integrala.48629209245242800 18 18.26050944143760372 2.89954464085193082 −5.40875745881652541 16 −6. Produljene formule Nije teˇko pokazati da su sve Newton–Cotesove formule integrali interpos lacijskih polinoma na ekvidistantnoj mreˇi.ˇ 9.24602608588196936 −4.84955208882447960 29.2.39861789784183472 0.15219287585834703 8 1.30769230769230769 0.36218614927464711 2 6.91979721683238891 0. Potc punije opravdanje ovog ponaˇanja dajemo neˇto kasnije.15274310696189909 15 4. z c Pokaˇimo to na primjeru Runge.87662129010920670 −16.31293651575343889 3.87044867347079978 −1.24631262676211993 9 2. Rjeˇenje s s je vrlo sliˇno onome ˇto smo primijenili kod interpolacije. s Red formule m Aproksimacija integrala Greˇka s 1 0. onda ne´e biti dobri niti njihovi integrali.92649902176346704 11 3. Ako ne valja dizanje stupnjeva interpoz lacijskih polinoma na ekvidistantnoj mreˇi.37279622885024392 5 2. Umjesto da diˇemo red c s z .50048890712791179 1.

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

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

180 180 Ponovno. ξ ∈ [a.b] S ˇ Zelimo li da je |En (f )| ≤ ε.2. pa dobivamo S En (f ) = − h5 n (4) (b − a)h4 (4) f (ξ) = − f (ξ). Primjeri Primjer 9. Nadite pravu vrijednost integrala i pogreˇke.ˇ 9. 180n4 odnosno da je n≥ 4 (b − a)5 M4 . 9.4. b]. izraz u zagradi moˇemo zamijeniti c c z s f (4) (ξ). NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 494 S pri ˇemu je En (f ) greˇka produljene formule. x∈[a. onda je dovoljno traˇiti da bude z (b − a)5 M4 ≤ ε. 90 Opet je greˇku korisno napisati malo drugaˇije s c S En (f ) = − h5 (n/2) 2 n/2 (4) f (ζk ) . Koliko je podintervala potrebno s za istu toˇnost koriˇtenjem (produljene) trapezne formule? c s . 90 n k=1 Sliˇnim zakljuˇivanjem kao kod trapezne formule. 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 . 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 .2. 180ε n paran cijeli broj. 180 180n4 M4 = max |f (4) (x)|.1 Izraˇunajte vrijednost integrala c 2 xe−x dx 1 koriˇtenjem (produljene) Simpsonove formule tako da greˇka bude manja ili jednaka s s 10−6 .

09. Na intervalu [1. Za to su nam potrebni maksimumi apsolutnih vrijednosti druge i ˇetvrte derivacije na zadanom intervalu. f (2) (x) = (x − 2)e−x .2] Broj podintervala nT za produljenu trapeznu formulu je nT ≥ (b − a)3 M2 = 12ε e−1 ≈ 175. Prvo ocijenimo greˇku za produljenu trapeznu formulu. f (3) (x) = (3 − x)e−x . Uoˇimo joˇ da je na zadanom intervalu f (2) (x) ≤ s c c s 0.103638323514. 12 · 10−6 pa je najmanji broj podintervala nT = 176. x∈[1. pa je maksimum apsolutne vrijednosti druge derivacije u lijevom rubu. ˇto znaˇi da f (4) raste. Derivacije su redom c f (1) (x) = (1 − x)e−x . Sad moˇemo upotrijebiti produljenu Simpsonovu formulu s 10 podintervala (11 z . x∈[1.85. Sada ocijenimo greˇku za produljenu Simpsonovu formulu. 2] je s f (3) (x) > 0.367879441171. treba najmanje nS = 10 podintervala. tj.2] Za greˇku produljene Simpsonove formule imamo s nS ≥ 4 (b − a)5 M4 = 180ε 4 3 · e−1 ≈ 8. 180 · 10−6 tj. M2 = max |f (2) (x)| = |f (2) (1)| = e−1 ≈ 0. moramo ocijeniti pogreˇku za produljenu trapeznu i produljenu Simps sonovu formulu.ˇ 9. Takoder je i f (4) (x) < 0. ˇto znaˇi da f (2) raste. Nadimo maksimume apsolutnih vrijednosti derivacija na zadanom intervalu. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 495 Prmo. f (4) (x) = (x − 4)e−x . ˇto znaˇi da je njen s c s c maksimum po apsolutnoj vrijednosti ponovno u lijevom rubu. tj. 2] s je f (x) > 0. (5) M4 = max |f (4) (x)| = |f (4) (1)| = 3 · e−1 ≈ 1. f (5) (x) = (5 − x)e−x . Na intervalu [1.

Parcijalna integracija daje s 2 xe 1 −x dx = u = x.2 1. s s .ˇ 9.3 1.3678794412 0.1 (S0 + S1 + S2 ) = 0.4 1.3105619909 0. ocjena greˇke nije daleko od prave pogreˇke.2706705665 U ovom konkretnom sluˇaju moˇemo bez puno napora izraˇunati i egzaktnu c z c vrijednost integrala.2975379988 0.3452357495 0.3346952402 0.3542913309 0.1 1.3297530326.3661581921 0.5 1. Vrijednost integrala po Simpsonovoj formuli je Is = 0. Drugim rijeˇima. Jedina korist od toga je da vidimo koliko je zaista ocjena za Simpsonovu metodu bliska sa stvarnom greˇkom. prava pogreˇka je c s I − IS = 0. v = −e−x 2 1 2 2 = −xe −x 1 + 1 e−x dx = e−1 − 2e−2 − e−x = e−1 − 2e−2 − e−2 + e−1 = 2e −1 − 3e −2 ≈ 0.8 1.7 1.2841803765 0.3297526998 = 3.6544824628.9 2.3297530326 − 0.63855000765. tj.6 1. 3 xk 1. du = dx −x dv = e dx.3230344288 0. S2 = 2(f (x2 ) + f (x4 ) + f (x6 ) + f (x8 )) = 2. Imamo c k 0 1 2 3 4 5 6 7 8 9 10 Sada je S0 = f (x0 ) + f (x10 ) = 0.3614330543 0.0 f (xk ) 0.0 1. S1 = 4(f (x1 ) + f (x3 ) = f (x5 ) + f (x7 ) + f (x9 )) = 6.5995485226.3297526998. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 496 ˇvorova).328 · 10−7 .

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

NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 498 Da bismo izveli produljenu formulu. . k = 0.1 Neka je m ≥ 0. podijelimo interval [a. Ponovljena c s primjena ovog principa zove se Richardsonova ekstrapolacija. n. b].3. h= b−a . Za pogreˇku produljene trapezne metode vris jedi b m d2i T En (f ) = f (x) dx − In (f ) = + Fn. b].ˇ 9. (2i)! . 2i i=1 n a gdje su koeficijenti d2i = − a ostatak je Fn. Tada vrijedi M In (f ) = h(f1 + · · · + fn ) + En (f ). n xk = a + k − 1 h. . b] na n podintervala i na svakom upotrijebimo midpoint formulu. Rombergov algoritam Pri izvodu Rombergovog algoritma koristimo se sljede´im principima: c • udvostruˇavanjem broja podintervala u produljenoj trapeznoj metodi. Pretpostavimo da je f ∈ C (2m+2) [a. 2 M pri ˇemu je En (f ) ukupna greˇka koja je jednaka c s M En (f ) h3 n 1 n ′′ h3 n ′′ h2 (b − a) ′′ h3 = f (ξk ) = f (ξk ) = f (ξ) = f (ξ). z h= b−a . n cijeli brojevi. n xk = a + kh.m . . 24 24 n k=1 24 24 k=1 ′′ n 9. . Definiramo ekvidistantnu mreˇu s n podintervala na [a. m. Asimptotski razvoj ocjene pogreˇke za trapeznu integraciju daje Euler–Macs Laurinova formula. Teorem 9.3. 2m+2 (2m + 2)!n h a b B2i (b − a)2i (f (2i−1) (b) − f (2i−1) (a)). n ≥ 1.m (b − a)2m+2 b − a (2m+2) = · B 2m+2 f (x) dx. c • eliminacijom ˇlana greˇke iz dvije susjedne produljene formule. tj.

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

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

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

.9998 1.9969 3. Pokaˇimo na primjeru da prethodni omjeri pogreˇaka u stupcu vrijede samo z s ako je funkcija dovoljno glatka.6517 15. .6087 249.0000 3.71828182845904524 I = e − 1 = 1.0000 63.3.9913 15. x dx.9512 3.9875 3. uz pretpostavku dovoljne s c glatko´e.9944 1. . .0000 . .0000 62. Pokaˇimo omjere pogreˇaka u stupcima. c s 5 Kao vrijednost. (k) E2n tj.ˇ 9.4639 1.71828182845904524 I − I5 = 0. omjeri pogreˇaka u stupcu se moraju ponaˇati kao s s 1 4 4 4 .4010 1000. .7197 1. . Eksponencijalna funkcija ima beskonaˇno mnogo c neprekidnih derivacija. . onda dobivamo c (k) En = 22k+2 . . z s 0 1 2 3 4 5 1.9017 254.. . . Primjer 9. nakon 2 podintervala u trapeznoj formuli. 1 16 16 .0000 15. 1 64 . z s s Pogledajmo redom funkcije.1 Rombergovim algoritmom s toˇnoˇ´u 10−12 nadite vrijednosti intec sc grala 1 1 1 √ x 3/2 e dx.0000 63. x dx 0 0 0 i pokaˇite kako se ponaˇaju omjeri pogreˇaka u stupcima. pa bi se raˇunanje integrala morala ponaˇati po predvidanju. dobivamo umjesto prave vrijednosti integrala I.9992 3. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 502 Ako pogledamo omjere greˇaka ˇlanova u stupcu.5738 1. pribliˇnu vrijednost z I5 = 1. 1 .9777 15.

0000 2.ˇ 9.5000 2..6568 ··· 1.00000000000004512.9682 3.4978 2.0000 5.9912 7. .9666 1. ...5000 1.0000 3.9531 1. .6569 1.4978 2.9823 1. . . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 503 a zatim samo eksponente omjera pogreˇaka (eksponenti od 2.9978 7. Bit ´e c s c nam mnogo lakˇe provjeriti ˇto se dogada ako napiˇemo samo eksponente omjera s s s pogreˇaka.6568 5. pa bi zanimljivo ponaˇanje moralo poˇeti ve´u drugom stupcu (za trapez je funkcija dos c c voljno glatka za ocjenu pogreˇke). 1. 1. pribliˇnu vrijednost z I15 = 0.40000000000000000 I − I15 = −0.9995 1.5912 5. .9676 1.5000 1.6539 . ˇ Primijetite da je broj intervala popriliˇno velik! Sto je s omjerima pogreˇaka? c s 0 1 2 3 4 5 6 .5000 2. 1.6566 1.9993 2.0000 5. Kao vrijednost.9642 1. 1.8721 3.9981 5. .0000 5.6484 5. 1.6331 5. .4554 2.6569 1.0000 5.6484 5.5000 ··· 1. . .6569 1. .0000 2.0000 2.6569 · · · 5.9318 1.5000 .0000 .9989 1.0000 5. dobivamo umjesto prave vrijednosti integrala I.5000 2.9999 1.5000 2..9010 1.0000 5.7346 3.0000 ˇ Sto je s drugom funkcijom? Funkciji f (x) = x3/2 puca druga derivacija u 0.9843 . . . koji bi ako je funkcija s glatka morali biti 2k + 2).9567 . 1.4939 2.6559 5.9920 3. nakon 215 podintervala u trapeznoj s formuli.5000 1.6568 5.9650 1.9910 9.9381 3. ··· 15 1. 0 1 2 3 4 5 1.4999 1. ··· 15 3.5000 2.0000 1.6569 .0000 .9980 3. Primje´ujemo da su se nakon prvog stupca omjeri pogreˇaka stabilizirali.0000 2.4847 5.9955 1.0000 3.0000 5.8154 3.0000 5.0000 2.0000 1.4992 .9775 1.9112 3.4832 2.40000000000004512 I = 2/5 = 0. s 0 1 2 3 4 5 6 .0000 .0000 . . 5. .9997 1. 2.

. . .0000 1.7667 2. 1.0000 1.00000001155829033.8284 · · · · · · 2.. 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!). 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 . 15 2.4957 1.7393 2.8284 2.5000 1. 1.. .8284 1. . jer njoj puca prva derivas 15 cija u 0.4998 1. ne dobivamo ˇeljenu toˇnost z c I15 = 0. . podintegralna ´e funkcija imati beskonaˇno mnogo c c neprekidnih derivacija.. Omjeri pogreˇaka u tablici su: s 1.0000 1.0000 2. .ˇ 9.0000 1. 15 1..0000 Pripadni eksponenti su 1.5000 1. . moˇe se Rombergovom algoritmu “poz mo´i” tako da supstitucijom u integralu dobijemo glatku funkciju.5000 1.4324 1.8200 1.4779 . .0000 2.0000 Ipak.8281 2.66666665510837633 I = 2/3 = 0.0000 . U oba sluˇaja.0000 2.5000 · · · · · · 1. . . . u ova dva jednostavna primjera.4538 1.66666666666666667 I − I15 = 0.4010 1.4993 1.7854 . .5000 · · · · · · 1. .6990 2.0000 2. 4m − 1 0 1 2 3 4 5 .8281 1. c c 2 ako stavimo supstituciju x = t . Nakon 2 podintervala u trapeznoj formuli (ˇto je ograniˇenje zbog veliˇine s c c polja u programu).8271 2. . c √ Situacija s funkcijom f (x) = x mora biti joˇ gora. . . . .8284 1. pa ´e se algoritam ponaˇati po ocjeni pogreˇke.8267 2.4681 1.4998 1.4991 1.8284 1. .0000 1. .6408 2.0000 2.8284 · · · · · · 2.5000 1. 0 1 2 3 4 5 .

63807 0.03710 0.02832 0.06225 0.. ali nemamo prostora za ispis) c 0 0.06362 6 0. .03982 0. (0) .03745 0.50000 0. odnosno ne treba koristiti Romberz gov algoritam.66667 2 0.00000 1 0. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 505 Sama tablica ima oblik T0 T0 (0) (1) (2) T1 (0) (1) T0 .03741 0.60355 0. ostale pamtimo u raˇunalu. pa oko druge vrijednosti? Nedovoljan broj podintervala u trapezu. koji ne opisuju dobro ponaˇanje funkcije. Pokaˇimo sad nekoliko primjera kako treba.03690 0.03745 0.2 Izraˇunajte koriˇtenjem Rombergovog algoritma pribliˇnu vrijednost c s z integrala 1 sin(17πx) dx 0 Tako da greˇka bude manja ili jednaka 10−4 . Primjer 9.03745 0.27464 −0. .63671 0. .63662 4 −0.63661 0.06397 0.03700 7 0.03697 0.03697 0. .03745 ˇ Sto je razlog stabilizacije oko jedne. .03745 0.3.62841 0.ˇ 9. Napiˇimo tablicu (samo prvih par s s decimala.29273 5 0. .05698 0.03745 0. T1 .00616 −0. s y x Produljena trapezna formula s 2 podintervala.63616 3 0. T2 .03525 0. .28910 −0.03745 0. . .03756 0.21768 −0.

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

4.1). Katkad koristimo i skra´enu oznaku I(f ).ˇ 9.4. s Osnovnu podlogu za konstrukciju integracijskih formula i ocjenu greˇke En (f ) s daje sljede´i rezultat. s tim da dozvoljavamo da w nije definirana u rubovima a i b. a ne od 0. Interval integracije moˇe biti konaˇan. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 507 9.1 Ako je Iw (f ) iz (9. za intec gral u (9. sasvim op´enito moˇemo pisati c z b Iw (f ) = a f (x)w(x) dx = In (f ) + En (f ).1) Riemannov integral. ako su oˇiti iz konteksta. Teˇinske integracijske formule z Dosad smo detaljno analizirali samo nekoliko osnovnih Newton–Cotesovih integracijskih formula s malim brojem toˇaka i pripadne produljene formule. 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 ). ali i beskonaˇan.4. ovdje c c je zgodnije toˇke numerirati od 1. i ako je f bilo koja druga funkcija za koju postoji Iw (f ). s c Dakle. c Teorem 9. ako je w(x) = 1 na cijelom [a. b). z c c Drugim rijeˇima. (9.4.3) gdje je En (f ) greˇka aproksimacije. da skratimo pisanje. gornje indekse (n) za ˇvorove i teˇine ˇesto ne c z c piˇemo. z .4.1) gdje je w pozitivna (ili barem nenegativna) “teˇinska” funkcija za koju pretpoz stavljamo da je integrabilna na (a. ukljuˇuju´i op´e Newton–Cotesove i Gaussove formule. Dakle.4.4) i postoji funkcija f za koju se ova ocjena dostiˇe. b]. promatramo op´i problem jednodimenzionalne integracije zadane c c funkcije f po zadanoj neprekidnoj mjeri dλ generiranoj teˇinskom funkcijom w na z zadanoj domeni. (9. (n) (n) (9. (9. ali ne treba zaboraviti na ovisnost o n. onda vrijedi ocjena |Iw (f ) − Iw (f )| ≤ w 1 f −f ∞. ovaj integral aproksimiramo “teˇinskom” sumom funkcijskih vriz jednosti funkcije f na konaˇnom skupu toˇaka. Kao i prije. U ovom c odjeljku napravit ´emo op´u konstrukciju i analizu toˇnosti za neke klase integracic c c jskih formula. umjesto Iw (f ).4. c c c ˇ Zelimo (pribliˇno) izraˇunati vrijednost integrala z c b Iw (f ) = a f (x)w(x) dx. Za razliku od ranijih oznaka. ili kad je teˇinska funkcija jasna iz z konteksta. Kao i ranije.4.2) gdje je n prirodni broj.

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

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

teˇine integracijske formule. i = 1. i=1 gdje je w teˇinska funkcija. onda su toˇke integracije xi nultoˇke polinoma s c c c c koji su ortogonalni na intervalu (a. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 510 9. c c Teˇinska funkcija u op´em sluˇaju utjeˇe na teˇine i toˇke integracije. Gaussove integracijske formule o su oblika b n a f (x) dx ≈ wif (xi ). Gornji z c z specijalni sluˇaj u kojem je w ≡ 1 ˇine formule koje se zovu Gauss–Legendreove. ∞) (−∞. 1] [−1. ˇvorovi z c i teˇine standardno tabeliraju u priruˇnicima. .ˇ 9. skra´eno. i=1 u kojima toˇke integracije xi nisu unaprijed poznate. . Motivirani praktiˇnim razlozima. b). To su z c teˇinska funkcija w z 1 √ 1 1 − x2 1 − x2 e−x e−x 2 interval [−1. pozitivna na otvorenom intervalu (a. Gaussove formule imaju dvostruko viˇe slobodnih s c s parametara nego Newton–Cotesove. . n. . 1] [0. ∞) formula Gauss– Legendre ˇ s Cebiˇev ˇ s Cebiˇev 2. ali se ne z c c c z c pojavljuje eksplicitno u Gaussovoj formuli. .5. Bitno je znati da se za neke teˇinske funkcije na odredenim intervalima. b) obzirom na teˇinsku funkciju w. pa bi zbog toga trebale egzaktno integrirati polinome pribliˇno dvostruko ve´eg stupnja od Newton–Cotesovih. a teˇine wi z z mogu se eksplicitno izraˇunati po formuli c b wi = a w(x) ℓi(x) dx. z c Za razliku od Newton–Cˆtesovih formula. vrste Laguerre Hermite √ Glavni rezultat je sljede´i: ako zahtijevamo da formula integrira egzaktno c polinome ˇto je mogu´e ve´eg stupnja. nego se izraˇunaju tako da c c greˇka takve formule bude najmanja. Koeficijente z wi zovemo teˇinski koeficijenti ili. promatrat s c ´emo malo op´enitije integracijske formule oblika c c b n a w(x) f (x) dx ≈ wi f (xi ). 1] [−1. Gaussove integracijske formule Kao ˇto smo ve´ rekli.

5. pa je ovakav pristup teˇi. 2n − 1. Kao ˇto se Newton–Cˆtesove formule mogu dobiti integracijom Lagrangeovog s o interpolacijskog polinoma. . .2. koji u ˇvorovima integracije xi interpolira vrijednosti fi = f (xi ) c i fi′ = f ′ (xi ). Zato oˇekujemo da ovakva formula egzaktno integrira c . da vrijedi s b n w(x) xj dx = a i=1 wi xj . z ˇ i dokaz da taj nelinearni sistem ima jedinstveno rjeˇenje nije jednostavan. definiran uvjetom ℓi (xj ) = δij (v. c c Kad bi. Mogli bismo iskoristiti ovu relaciju da napiˇemo 2n jednadˇbi za 2n nepoznanica xi s z i wi .ˇ 9.1) gdje su b Ai = a b w(x) [1 − 2(x − xi )ℓ′i (xi )] ℓ2 (x) dx. .18)). .5. i (9. (7. 1. i j = 0.1 (x) fi′ [1 − 2(x − xi )ℓ′i (xi )] ℓ2 (x) fi + (x − xi ) ℓ2(x) fi′ . i i = i=1 Integracijom dobijemo b n w(x) h2n−1 (x) dx = a i=1 Ai fi + Bi fi′ . n.5.22) dobivamo n h2n−1 (x) = i=1 n hi. pa je i ℓi polinom stupnja n − 1. s s stupnja 2n − 1. Bi .21) i (7. Iz relacija (7.1) sliˇi na Gaussovu integracijsku formulu. . . medutim nepoznanice xi ulaze u sistem nelinearno. i w(x) (x − xi ) ℓ2 (x) dx. tj. Primijetimo samo da je kod numeriˇke integracije zgodnije ˇvorove numerirati od x1 do xn . .0 (x) fi + hi. osim ˇto ima c s ′ dodatne ˇlanove Bi fi .2) Bi = a Integracijska formula (9. . Takav pristup ekvivalentan je s pristupom u kojem zahtijevamo da Gaussove formule integriraju egzaktno polinome ˇto je mogu´e s c viˇeg stupnja. ˇvorovi xi bili unaprijed zadani. c iz uvjeta egzaktne integracije polinoma trebalo bi odrediti 2n parametara — teˇinz skih koeficijenata Ai . koji koriste i derivacije funkcije f u ˇvorovima integracije. tako se i Gaussove formule mogu dobiti integracijom Hermiteovog interpolacijskog polinoma. (9. (za c c razliku od numeracije x0 do xn u poglavlju o interpolaciji).2. za i = 1. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 511 Pritom je ℓi poseban polinom Lagrangeove baze kojeg smo razmatrali u poglavlju o polinomnoj interpolaciji. kao u Newton–Cotesovim formulama.2. Cak s Napiˇimo joˇ jednom formulu za Hermiteov interpolacijski polinom h2n−1 .

. c Lema 9. . . . ali tako dobivena formula koristila bi samo funkcijske vrijednosti u ˇvorovima.2) jednaki nula. n. Toˇnost integracijske formule mora s c ostati ista (egzaktna integracija polinoma stupnja do 2n − 1).1 Ako je ωn (x) = (x − x1 ) · · · (x − xn ) ortogonalna s teˇinom w na z sve polinome niˇeg stupnja. (9. a Kako je ℓi polinom stupnja n − 1. ako vrijedi z b w(x) ωn (x) xk dx = 0. tj. “node polynomial”) ωn .5. za upotrebu ove formule trebamo znati ne samo funkcijske vrijednosti f (xi ) u ˇvorovima.2. z s i = 1.2) za Bi slijedi 1 Bi = ′ ωn (xi ) b ωn (x) . tj. ve´ i vrijednosti c c ′ derivacije f (xi ) funkcije u tim ˇvorovima.ˇ 9. Zaista.4) w(x) ωn (x) ℓi (x) dx. ako i samo ako je polinom ˇvorova ωn ortogonalan na sve polinome niˇeg c z stupnja (do n − 1). s teˇinskom funkcijom w. tvrdnja slijedi.5.2). a k = 0. uvodimo posebni “polinom ˇvorova” (engl. postala bi Gaussova c integracijska formula. . n − 1.3) onda su svi koeficijenti Bi u (9.5. ′ ωn (xi ) (9. Da bismo to dokazali. . . Razlog tome je ˇto su funkcije ℓi . Lagano provjerimo identitet (x − xi )ℓi (x) = Supstitucijom u izraz (9. da su svi koeficijenti Bi = 0 u (9. tako da izborom ˇvorova c s c ′ xi poniˇtimo koeficijente Bi uz derivacije fi . Lako se vidi da vrijedi i obrat ove tvrdnje.5. koji ima nultoˇke u svim ˇvorovic c c ma integracije ωn := (x − x1 )(x − x2 ) · · · (x − xn ).5. i po pretpostavci je ωn ortogonalna s teˇinom w z na sve takve polinome. Iz ranijih rezultata o ortogonalnim polinomima znamo da ortogonalni polinom stupnja n obzirom na w postoji i jednoznaˇno je odreden do na (recimo) vode´i c c . No. . odgovaraju´im izborom ˇvorova xi moˇe se posti´i da teˇinski koeficic c z c z jenti Bi uz derivacije budu jednaki nula. Taj polinom smo ve´ susreli u poglavlju o Lagrangeovoj interpolaciji. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 512 polinome do stupnja 2n − 1 (dimenzija prostora je 2n). c Zato je ideja da probamo izbje´i koriˇtenje derivacija. tj. Lagrangeove baze zaista baza prostora Pn−1 (zadatak 7. Dokaz.1). 1. Sljede´i rezulc c tat govori o tome kako treba izabrati ˇvorove.5.

ˇ 9. i Podintegralna funkcija je nenegativna i ℓ2 je polinom stupnja 2(n − 1) koji nije i nul-polinom. moˇemo pojednosz tavniti i izraze za koeficijente wi = Ai u (9. tj.2). . i Uz uvjet ortogonalnosti (Gaussova integracija) je Bi = 0 i Ai = wi. . . . koriste´i relaciju c c za Bi . xn moˇemo samo permutirati (drugaˇije indeksirati). polinom ˇvorova ωn mora biti ortogonalni polinom s vode´im koeficijentom 1. . Iz teorema 7. a uz stanc z c dardni dogovor x1 < · · · < xn . Dakle.1). b] s c teˇinskom funkcijom w.1. c Pokaˇimo joˇ da vrijedi i z s b b wi = a w(x) ℓ2(x) dx i = a w(x) ℓi (x) dx. . ˇto je vrlo s bitno za numeriˇku stabilnost i konvergenciju.5. . one su jednoznaˇno odredene. uvjet ortogonalnosti (9. budu´i z z z c c da je tada wi = Ai . Sasvim op´enito. slijedi da su svi teˇinski z koeficijenti u Gaussovoj integraciji pozitivni.2 slijedi da ωn ima n jednostrukih nultoˇaka u otvorenom intervalu (a. . Njegove c s s nultoˇke x1 . za i = 1.5. . b) (ˇto nam baˇ odgovara za integraciju). a teˇinske koeficijente moˇemo izraˇunati iz (9. c Time smo dokazali da postoji jedinstvena Gaussova integracijska formula obb n lika a w(x) f (x) dx ≈ wi f (xi ). Da bismo dobili Gaussovu integracijsku formulu u (9.5. Iskoristimo li pretpostavku ortogonalnosti iz leme 9. ωn postoji c c i jedinstven je. n. koeficijent Ai moˇemo napisati u obliku z b b Ai = a w(x) [1 − 2(x − xi )ℓ′i (xi )] ℓ2 (x) dx i = a w(x) ℓ2 (x) dx − 2ℓ′i (xi )Bi . to je isto kao i dokazati c b b b w(x) ℓ2 (x) dx i a − w(x) ℓi(x) dx = a a w(x) ℓi (x) (ℓi (x) − 1) dx = 0.5. pa desna strana mora biti pozitivna. wi > 0. za i = 1.5. Nadalje. i=1 ˇ Cvorovi integracije xi su nultoˇke ortogonalnog polinoma stupnja n na [a.2). . . n. . .8. pa je b wi = a w(x) ℓ2(x) dx. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 513 koeficijent.3) jednoznaˇno odreduje raspored ˇvorova c c za Gaussovu integraciju. Oˇito.

Dakle. U oba sluˇaja do s c integracijskih formula dolazimo interpolacijom funkcije u ˇvorovima. moˇemo c z z napisati ℓi (x) − 1 = (x − xi )q(x). −1 k = 0. c . gdje je q neki polinom stupnja n − 2. (9. funkz cije ωn (x) na sve polinome niˇeg stupnja zapravo odreduje toˇke integracije xi .5.5. 2a + c = 0. budu´i da c c integrale na drugim intervalima moˇemo lagano raˇunati. w(x) ωn (x) q(x) dx = 0. Odredimo toˇke integracije iz uvjeta c ortogonalnosti. a + c = 0. Uobiˇajeno je da za interval integracije uzmemo (−1. 3 3 5 3 5 odakle nademo a = c = 0 i b = −3/5.1 Neka je w(x) = 1 i n = 3. a za teˇinske c c z koeficijente vrijedi b wi = a w(x) ℓi (x) dx. c z 2 2 2 2 2 b + = 0. po definiciji polinoma ℓi . tj. jer s c je ℓi (xj ) = δij . Znaˇi da ℓi (x) − 1 mora sadrˇavati x − xi kao faktor.ˇ 9. Dobivamo 3 ω3 (x) = x3 − x = x + 5 3 x x− 5 3/5. 2. ako podintegralnu funkciju z c transformiramo linearnom supstitucijom. ˇto je ovdje posljedica pretpostavke o ortogonalnosti. 0. za jedan manje od stupnja polinoma ℓi . 5 odakle slijedi da su toˇke integracije xi = − 3/5. Nakon integracije dobivamo sustav jednadˇbi za koeficijente a. 3 . uz odgovaraju´i izbor ˇvorova. 1). z c Primjer 9. b. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 514 Ali polinom ℓi (x) − 1 se poniˇtava u toˇki x = xi . 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. 1. ℓi (x) (ℓi (x) − 1) = b pa je zbog ortogonalnosti ωn na sve polinome niˇeg stupnja z 1 w(x) ℓi (x) (ℓi (x) − 1) dx = ′ ωn (xi ) b ωn (x) ′ (x )(x − ωn i xi ) (ℓi (x) − 1) = 1 ′ ωn (xi ) ωn (x) q(x). a a Pokazali smo da Gaussovu integracijsku formulu moˇemo dobiti kao integral z Hermiteovog interpolacijskog polinoma. tj.5) Primijetimo da je ova formula za koeficijente ista kao i ona u Newton–Cˆtesovim o formulama. c Pokaˇimo i primjerom da ortogonalnost produkta korijenskih faktora.

Q := −1 P (x) Q(x) dx. pa stoga z z raˇunanje ovih faktora ne predstavlja ve´e probleme. Gauss–Legendre-ovu formulu 1 n −1 f (x) dx ≈ wi f (xi ). tj. n − 1. (9. ovaj pristup moˇemo iskoristiti za sve mogu´e intervale integracije i z c razne teˇinske funkcije. 1) i izvedimo specijalnu Gaussovu formulu. . . Za ve´e n potrebno je odrediti nule polinoma visokog stupz c nja. ˇto je egzaktno nemogu´e. . iz kojeg slijede sva ostala: Lema 9. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 515 Teorijski.1 Iz uvjeta egzaktnosti i poznatih toˇaka integracije za n = 3 izraˇuc c najte teˇinske koeficijente wi . Zadatak 9. Primijetite da je sustav jednadˇbi linearan. oni su linearno nezavisni i ortogonalni obzirom na skalarni produkt 1 P. 2 n! dxn Tako definirani polinomi ˇine ortogonalnu bazu u prostoru polinoma stupnja n. Rijeˇimo z s na poˇetku vaˇnu situaciju w ≡ 1.5. u gornjem primjeru izraˇunali smo toˇke integracije za c c Gauss–Legendreovu formulu reda 3. c c 9. 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. Gauss–Legendreove integracijske formule Prepostavimo u daljnjem da je w ≡ 1 na intervalu (−1. −1 za k = 0.2 Legendreov polinom stupnja n ortogonalan je na sve potencije xk niˇeg z stupnja. Za nas je bitno samo jedno z specijalno svojstvo.1. c tj. tj. i=1 Kao ˇto znamo. . Stoga je s c c potrebno za specijalne teˇine i intervale integracije do´i do dodatnih informacija o z c ortogonalnim polinomima.5. Pripadne formule nazvali c z smo Gauss–Legendreovima. Legendreov polinom stupnja n definiran je Rodriguesovom fors mulom 1 dn 2 Pn (x) = n (x − 1)n . . bilo bi dobro izraˇunati formulom i teˇinske c z faktore wi u Gaussovim formulama. Na kraju.6) Pojavljuju se prirodno u parcijalnim diferencijalnim jednadˇbama. vrijedi 1 xk Pn (x) dx = 0. a = −1. 1.5. b = 1. kod metode sez paracije varijabli za Laplaceovu jednadˇbu u kugli.5. a numeriˇki u najmanju ruku neugodno.

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

pa druga tvrdnja leme 9. −1 za m = n.3 Legendreovi polinomi su ortogonalni na intervalu (−1. I tako redom.ˇ 9. 1).6) 1 Pm (x) Pn (x) dx = 0.5. prva c derivacija je. Na kraju c s zakljuˇimo da n-ta derivacija. Taj rezultat rezimiran je c c u sljede´em teoremu. c . 2n n! dxn induktivnom primjenom Rolleovog teorema. 1). 2n + 1 Dokaz. Prema Rolleovom s c teoremu. iz uvjeta s z egzaktne integracije potencija najve´eg mogu´eg stupnja. Polinom (x2 − 1)n je stupnja 2n i ima viˇestruke (n-terostruke) nultoˇke u rubovima intervala ±1. 1].5. Dokaz ide iz definicije Legendreovih polinoma Pn (x) = 1 dn 2 (x − 1)n . pa ima ukupno ˇetiri nule u [−1. prva derivacija ima jednu nultoˇku u intervalu (−1. vidimo c da n − 1-a derivacija ima n − 1 unutarnju nultoˇku i joˇ dvije u ±1. Prva tvrdnja je direktna posljedica dokazane ortogonalnosti na potencije niˇeg stupnja. n! Potencije manje od xn ne doprinose integralu. ima c n unutarnjih nultoˇaka. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 517 Lema 9. c Dokaz.4 Legendreovi polinomi Pn imaju n nultoˇaka. 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 . 1) obzirom na skalarni produkt (9.5. koja je do na multiplikativni faktor jednaka Pn . n (n!)2 (2n + 1)! 2 2n + 1 Lema 9. Druga tvrdnja slijedi iz z 1 1 [Pn (x)] dx = −1 −1 2 1 2n n! (2n)! n x + · · · Pn (x) dx. i dvije u ±1. 1]. takoder.5. pa ukupno mora imati tri nultoˇke u zatvorenom c intervalu [−1. Medutim. i nalaze se u otvorenom intervalu (−1. koje su sve realne i razlic ˇite. Norma Legendreovog polinoma je 1 Pn 2 := −1 [Pn (x)]2 dx = 2 . Druga derivacija stoga ima dvije unutarnje nule po Rolleovom teoremu.2 povlaˇi c 1 [Pn (x)]2 dx = −1 (2n)! 2n+1 (n!)2 2 = . nula u ±1.

odakle je ωn (x) = 2n (n!)2 Pn (x).4). na primjer. c c Primjer 9. pa brzina algoritma nije vaˇna.1.5. s vode´im koeficijentom 1. P2 (x) = 2 8 dx 2 3 1 d 1 (x2 − 1)3 = (5x3 − 3x). za svaki n. 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. nego samo preciznost. 128 Vidimo. P0 (x) = 1. te da je dovoljno tabelirati te nultoˇke jednom. budu´i da egzaktne formule postoje samo za male stupnjeve. da su nultoˇke od P3 identiˇne s toˇkama integracije koje smo c c c dobili u primjeru 9. 2 dx 1 d2 2 1 (x − 1)2 = (3x2 − 1).5.5. Dokaz. P7 (x) = 16 1 P8 (x) = (6435x8 − 12012x6 + 6930x4 − 1260x2 + 35). direktno iz uvjeta ortogonalnosti.1 Cvorovi integracije u Gauss–Legendreovoj formuli reda n su nultoˇke c Legendreovog polinoma Pn . Raˇunanje nultoˇaka Legendreovih polinoma (na maˇinsku toˇnost!) nije jedc c s c nostavan problem. c c .ˇ 9.2 Iz Rodriguesove formule moˇemo izraˇunati nekoliko prvih Legenz c dreovih polinoma.3) polinom ωn .5. 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 9.5. Znamo da su toˇke integracije xi nultoˇke polinoma ωn po konstrukciji. proporc cionalan je Legendreovom polinomu Pn . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 518 ˇ Teorem 9. c Napomenimo za sad samo toliko. Vode´i koeficijent u Pn lako izraˇunamo iz c c Rodriguesove formule. P3 (x) = 3 48 dx 2 4 1 d 1 P4 (x) = (x2 − 1)4 = (35x4 − 30x2 + 3). 16 1 (429x7 − 693x5 + 315x3 − 35x). c c Zbog uvjeta ortogonalnosti (9. 8 1 P6 (x) = (231x6 − 315x4 + 105x2 − 5). 1 d 2 P1 (x) = (x − 1) = x. da postoje specijalni algoritmi.

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).5. .5. z n (n!)2 n 2 2 (n!)2 (9. zbog ortogonalnosti z (lema 9. zasnovan na ˇinjenici da Legendreovi s c c c polinomi zadovoljavaju troˇlanu rekurziju. cn+1 = odakle slijedi da je . ˇiji se koeficijenti mogu eksplicitno izc c raˇunati. xPn (x) = i=0 ci Pi (x).3) slijedi 1 1 xPk (x) Pn (x) dx = ck −1 −1 2 Pk (x) dx. tj. pa je Pn (x) ortogonalan na njega (lema 9. cn i cn−1 . . postoje koeficijenti ci tako da vrijedi n+1 n ≥ 1.5. Ova rekurzivna formula igra vaˇnu ulogu i u konstrukciji spomenutog c z specijalnog algoritma za traˇenje nultoˇaka.5. Treba joˇ izraˇunati koeficijente cn+1 .5. Kako je xPn (x) polinom stupnja n + 1 i {Pi }n+1 baza za prostor polinoma i=0 stupnja do n + 1. n.5. P1 (x) = x.ˇ 9. . 2n (n!)2 2 [(n + 1)!]2 n+1 . 2n + 1 Lagano se vidi (iz Rodriguesove formule) da se u Legendreovim polinomima pojavljuju samo alterniraju´e potencije. P2n je linearna kombinacija parnih potenc 2k cija x . (9. z c Lema 9. a P2n+1 je linearna kombinacija neparnih potencija x2k+1 .2).8) usporedimo li koeficijente uz xn+1 u (9. s poˇetnim vrijednostima P0 (x) = 1. dobivamo da je (2n)! (2n + 2)! = cn+1 n+1 .8).5 Legendreovi polinomi zadovoljavaju rekurzivnu formulu (n + 1)Pn+1 (x) = (2n + 1)xPn (x) − nPn−1 (x). Stoga je ck = 0 za k < n − 1.7) Ali za k < n − 1 je xPk (x) polinom stupnja manjeg ili jednakog n − 1. Kako je s c Pn (x) = (2n)! (2n)! n ω (x) = n x + niˇe potencije od x. k = 0. . Pomnoˇimo li obje strane s Pk (x) i integriramo od −1 do 1. c Dokaz. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 519 Postoji lakˇi naˇin za raˇunanje Pn (x).

dobivamo z (2n − 2)! n−1 [(n − 1)!]2 2 1 (2(n − 1))! xn + niˇe potencije od x z 2 − 1)!] x Pn (x) dx = cn−1 −1 −1 n 2 Pn−1 (x) dx.5. iz (9. .6 (Christoffel–Darbouxov identitet) Za Legendreove polinome Pn vrijedi n (t − x) k=0 (2k + 1)Pk (x)Pk (t) = (n + 1) [Pn+1(t)Pn (x) − Pn (t)Pn+1 (x)]. .2 i lema 9.ˇ 9. Koriste´i rekurziju iz c leme 9. 2n + 1 Tako smo naˇli sve nepoznate koeficijente u linearnoj kombinaciji (9.3). Lema 9. odakle s odmah slijedi troˇlana rekurzija. .8). Primijetimo da smo usput dokazali i formulu c 1 xPn−1 (x) Pn (x) dx = −1 n 2 2n = 2 . pa slijedi cn−1 = n .5. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 520 k = 0.5. pa c preostaje samo izraˇunati cn−1 .8) na osnovu toga zakljuˇimo da je cn = 0.2 Budu´i da Legendreovi polinomi zadovoljavaju troˇlanu rekurziju.5.5. . .5. Zbog xPn−1 (x) = 2n−1 [(n 1 i ortogonalnosti Pn na sve niˇe potencije od x. c c mogu´e je napisati algoritam za brzu sumaciju parcijalnih suma redova oblika c ∞ n=0 an Pn (x).5.7) imamo da je c 1 1 xPn−1 (x) Pn (x) dx = cn−1 −1 −1 2 Pn−1 (x) dx. c s z Sljede´e dvije leme korisne su za dobivanje ekplicitnih formula za teˇine u c z Gauss–Legendreovim formulama. Razvoji po Legendreovim polinomima s pojavljuju se ˇesto kod rjeˇavanja Laplaceove jednadˇbe u sfernim koordinatama.5.5. napiˇite eksplicitno taj algoritam.9) Zadatak 9. Iz rekurzije (9.5. Za k = n − 1. poznat pod nazivom generalizirana Hornerova shema. n. 2n + 1 2n − 1 4n − 1 (9. Ovi integrali su poznati (lema 9.

. moraju postojati koeficijenti ci takovi da vrijedi n−1 2 ′ )Pn (x) (1 − x + nxPn (x) = i=0 ci Pi (x).7 Derivacija Legendreovih polinoma moˇe se rekurzivno izraziti pomo´u z c samih Legendreovih polinoma. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 521 Dokaz. Sumiramo li po k od 1 do n. c Napiˇimo Pn kao linearnu kombinaciju potencija od x (pojavljuje se samo svaka s druga potencija) Pn (x) = an xn + an−2 xn−2 + · · · .5 (uz zamjenu n → k) s Pk (t). Kao i u dokazu rekurzivne formule. dobijemo z (2k + 1)xPk (x)Pk (t) = (k + 1)Pk+1(x)Pk (t) + kPk−1 (x)Pk (t). pa c ostaju samo prvi i zadnji n (t − x) k=1 (2k + 1)Pk (x)Pk (t) = (n + 1) [Pn+1(t)Pn (x) − Pn (t)Pn+1 (x)] − (t − x). ′ Dokaz. formulom ′ (1 − x2 )Pn (x) + nxPn (x) = nPn−1 (x). pa je ′ Pn (x) = nan xn−1 + (n − 2)an−2 xn−3 + · · · . Pomnoˇimo li rekurziju iz leme 9. Zadnji ˇlan moˇemo prebaciti na lijevu stranu kao nulti ˇlan u sumi. n ≥ 1. a to je baˇ c z c s Christoffel–Darbouxov identitet. sukcesivni ˇlanovi u sumi na desnoj strani se krate. onda je ′ (1 − x2 )Pn (x) + nxPn (x) = (−nan + nan )xn+1 + O(xn−1 ). Polinom (1 − x2 )Pn + nxPn je oˇito stupnja manjeg ili jednakog od n + 1. Zamijenimo li x i t imamo (2k + 1)tPk (t)Pk (x) = (k + 1)Pk+1 (t)Pk (x) + kPk−1 (t)Pk (x).ˇ 9. Odbijanjem prve relacije od druge. Lema 9. polinom (1 − x2 )Pn + nxPn je zapravo stupnja n − 1.5. No.5. ′ tj. 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)].

Za k = n − 1 treba izraˇunati dva integrala u prethodnoj relaciji. dx 2 [(n − 1)!]2 a zbog druge tvrdnje u lemi. ck = 0 za k < n − 1.5. pa je taj integral jednak 1 Pn (x) −1 d (2n − 2)! x2 n−1 xn−1 dx. . . pa kako se faktor (1 − x2 ) poniˇtava na granis cama integracije. oba integranda su oblika Pn (x) × (polinom stupnja najviˇe n − 1).2 (ortgonalnost). pa s su svi ovi integrali jednaki nula (lema 9.9) = 2n2 . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 522 Pomnoˇimo ovu relaciju s Pk (x) i integriramo od −1 do 1. . n.5. s Lema 9.5. n−1 [(n − 1)!]2 2 (2n + 1)! (2n + 1)(2n − 1) cn−1 = 2n − 1 2n(n + 1) 2n2 + = n. Prvi integral integriramo parcijalno.2). Zbog ortogonalnosti. doprinos daje samo vode´i ˇlan u c c (1 − x2 )Pn−1 (x).ˇ 9.8 Teˇinski faktori u Gauss–Legendreovim formulama mogu se eksplicitno z izraˇunati formulama c 2(1 − x2 ) i wi = 2 . dx zbog prve tvrdnje u lemi 9. 4n2 − 1 U prvom integralu 1 − Pn (x) −1 d [(1 − x2 )Pn−1 (x)] dx. i = 0.5. Drugi je jednostavan c 1 n −1 xPn (x) Pn−1 (x) dx = (9. c . tj. n [Pn−1 (xi )]2 gdje su xi . nultoˇke Legendreovog polinoma Pn . integral se svodi na (2n − 2)! 2n+1 (n!)2 2n(n + 1) (n + 1) = . 2 (2n + 1)(2n − 1) (2n + 1)(2n − 1) Na kraju je ˇto smo i htjeli dokazati. na z desnoj strani ostaje samo jedan ˇlan c 2 ck = 2k + 1 1 1 −1 (1 − x 2 ′ ) Pn (x) Pk (x) dx +n −1 xPn (x) Pk (x) dx. −1 Za k < n − 1. . slijedi 2 ck = − 2k + 1 1 −1 d Pn (x) [(1 − x2 )Pk (x)] dx + n dx 1 xPn (x) Pk (x) dx.

6). 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.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 ). pa je stoga 1 −1 Pn (x) 2 dx = . 1 xi ) dx. (x − xi ) (n + 1)Pn+1 (xi ) −1 Troˇlana rekurzija iz leme 9.5.5 u nultoˇki xi Legendreovog polinoma Pn ima oblik c c (n + 1)Pn+1 (xi ) = −nPn−1 (xi ). i Uvrstimo li taj rezultat u (9.5. (x − xi ) nPn−1 (xi ) Za teˇinske koeficijente wi vrijede relacije (9. iskoristimo rekurzivnu formulu za derivacije Legendreovog polinoma iz leme 9.5.5.5) i (9. Dobivamo da vrijedi c ′ (1 − x2 )Pn (xi ) = nPn−1 (xi ).5. x − xi k=0 Kad integriramo ovu jednakost od −1 do 1 i uzmemo u obzir da je k-ti Legendreov polinom ortogonalan na konstantu Pk (xi ). NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 523 Dokaz. pa je dakle wi = ′ nPn (xi ) Pn−1 (xi ) (9.7 u specijalnom sluˇaju kada je x = xi . (x − xi ) −1 u kojem podintegralna funkcija ima uklonjivi singularitet.10).4) z 1 1 wi = −1 ℓi (x) dx = −1 ωn (x) dx = ′ (x )(x − x ) ωn i i 2 Pn (x) ′ (x )(x − Pn i −1 . na desnoj strani preostane samo ˇlan za c k=0 1 Pn (x) −2 dx = .ˇ 9.5. U dokazu prethodne leme 9. Stavimo li t = xi u Christoffel–Darbouxov c identitet (lema 9. tvrdnja slijedi.5. i .5. Na kraju. dobivamo n (n + 1)Pn+1 (xi )Pn (x) = − (2k + 1)Pk (x)Pk (xi ).

NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 524 Ovu relaciju moˇemo iskoristiti na razliˇite naˇine u (9.5. i uvrstiti s odgovaraju´i ωn . 1] Gauss–Legendreova formula integracije glasi 1 n f (x) dx = −1 i=1 wi f (xi ) + En (f ). 3 2n + 1 (2n + 1) [(2n)!] .11). Teorem 9. gdje su xi nultoˇke Legendreovog polinoma Pn i koeficijenti wi dani u (9. ˇto daje pet raznih z c c s formula za teˇinske koeficijente u Gauss–Legendreovim formulama z 2(1 − x2 ) 2(1 − x2 ) i i wi = = 2 [nPn−1 (xi )] [(n + 1)Pn+1 (xi )]2 2 2 = =− ′ (x ) P ′ (x ) P nPn i n−1 (xi ) (n + 1)Pn i n+1 (xi ) 2 = . Kako je Gauss–Legendreova s formula zapravo integral Hermiteovog interpolacijskog polinoma. 1). Integracijom i primjenom teorema srednje vrijednosti za integrale.2. ′ (1 − x2 ) [Pn (xi )]2 i (9. i ujedno daje ocjenu greˇke za c s Gauss–Legendreovu integraciju. Kako je 2n (n!)2 ωn (x) = Pn (x). (2n)! zbog poznatog kvadrata norme Legendreovog polinoma (lema 9. (2n + 1) [(2n)!]3 ξ ∈ (−1. c dobivamo 1 f (2n) (ξ) 2 En (f ) = ωn (x) dx. imamo En (f ) = f (2n) (ξ) 2n (n!)2 (2n)! (2n)! 2 2 22n+1 (n!)4 = f (2n) (ξ). (2n)! −1 za neki ξ ∈ (−1. 1).5.ˇ 9.3).2 Za funkciju f ∈ C 2n [−1.10). koju smo procijenili u teoremu 7. treba integrirati greˇku kod Hermiteove interpolacije. Treba samo dokazati formulu za ocjenu greˇke.5.5. Dokaz.11) Sljede´i teorem rezimira prethodne rezultate. Za c greˇku En (f ) vrijedi s En (f ) = 22n+1 (n!)4 f (2n) (ξ).5.5.

lagano vidimo da ve´ sa ˇest c c s toˇaka dobivamo 6 znamenaka toˇno. Ipak. Da ocjena greˇke za Gaussove formule moˇe biti previˇe pesimistiˇna. koja ukljuˇuje 2n-tu derivaciju. pokazuje s z s c sljede´i primjer. Na o primjer.6 · 10−12 f (12) (ξ). Dokaz. za n = 6. c z c koja raste s faktorijelima. 2 Zamjena varijable t = π(x + 1)/4 prebacuje integral na standardnu formu 1 −1 π π(x + 1) dx. . trapeznu i Simpsonovu c s formulu). Tako c c c je. Zapravo. Moˇemo slutiti. c c s Korolar 9. budu´i da se greˇka.3 Primijenimo Gauss–Legendreovu formulu na integral π/2 log(1 + t) dt = 1 + 0 π 2 log 1 + π − 1 + 1. 4 (1 + t)8 pa je greˇka 7! puta ve´a nego da smo.ˇ 9. da je za analic c z tiˇke funkcije mogu´a bolja ocjena greˇke.5. osma derivacija. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 525 Navedeni izraz za greˇku nije lagano primijeniti. ali Gaussove formule naroˇito.2.1 (Uvjeti egzaktnosti) Gauss–Legendreova formula egzaktno integrira polinome stupnja 2n − 1. log 1 + 4 4 U ovom sluˇaju moˇemo lagano izraˇunati bilo koju derivaciju podintegralne funkcije. Clan uz f (2n) (ξ) vrlo brzo pada s porastom n. kao ˇto smo napomenuli na poˇetku. poniˇtava na c c s c s takvim polinomima. Hermiteova interpolacija posluˇila s c z je kao “trik”. sve ocjene greˇke formula za numeriˇku intes c graciju pokazuju sliˇno ponaˇanje (usporedite. na primjer.5. integrirali trigonometrijsku funkciju s c sin ili cos. c c s c Simpsonovoj formuli treba 64 toˇke za istu toˇnost. na primjer. Oˇito. 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). koja je potrebna za Gaussovu formulu s ˇetiri toˇke c c jednaka −7! π 9 · . budu´i da ukljuˇuju visoke derivacije. Svojstvo iz gornjeg korolara moˇe se upotrijebiti za alternativni dokaz teoz rema 9. c Primjer 9. da izbjegnemo rjeˇavanje nelinearnog sistema koji proizilazi iz uvjeta s egzaktnosti. greˇka je oblika s 1.5. recimo. koje imaju ograniˇene derivacije. iako ocjena greˇke ukljuˇuje faktor od 11!.

Druge Gaussove integracijske formule U praksi se ˇesto javljaju specijalni integrali koji ukljuˇuju teˇinske funkcije c c z −x −x2 poput e . s s s z ali takoder i time ˇto upotreba takvih formula na “finijoj” mreˇi zahtijeva ponovno raˇunanje funkcije u drugim ˇvorovima.3). 2n + 1 Na kraju.3 Dokaˇite da za Legendreove polinoma vrijedi Pn (1) = 1. Takoder. z ˇto opravdava izbor normalizacije. 9. Rezultat su formule visoke toˇnosti. c Zadatak 9. raspolavljanjem h). Teˇine wi onda moˇemo odrediti rjeˇavanjem linearnog sistema. ova formulu ne moˇemo upotrijebiti u rubnim toˇakama x = ±1.5. Naˇalost.7 moˇemo koristiti z ′ i za raˇunanje vrijednosti Pn (x) c ′ (1 − x2 )Pn (x) = n(Pn−1 (x) − xPn (x)).5. ′ ′ Pn+1 (x) − Pn−1 (x) = (2n + 1)Pn (x) x Pn (t) dt = −1 1 (Pn+1 (x) − Pn−1 (x)). Legendreovi polinomi zadovoljavaju i mnoge druge rekurzivne relacije. Neke od njih dane su u sljede´em zadatku. z Alternativa je iskoristiti odgovaraju´e Gaussove formule s “prirodnom” teˇinc z skom funkcijom. naprotiv. Cijenu smo platili time ˇto ocjena greˇke zahtijeva vrlo glatku funkciju. jedan dio ˇvorova ostaje zajedniˇki.5. Iz prethodnog odjeljka znamo da za ˇvorove integracije treba uzeti c nultoˇke funkcije ωn (x) = (x − x1 ) · · · (x − xn ). zbog z z c dijeljenja s nulom.5.2. 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. koji s ˇvorovima formule niˇeg reda nemaju c c c z niˇta zajedniˇko. ′ ′ xPn (x) − Pn−1 (x) = nPn (x). Kod profinjavanja mreˇe ˇvorova za formule Newton–Cˆtesovog s c z c o tipa (na primjer. i imaju vrlo mali broj izvrednjavanja podintegralne funkcije. s c s c c koje se lagano implementiraju. na specijalnim intervalima. n ≥ 1. ˇesto neograniˇenim. Medutim. s tim da vrijede relacije ortogoc nalnosti (9. c c Jednostavnom linearnom supstitucijom nije mogu´e takve intervale i/ili teˇinske c z funkcije prebaciti na interval (−1. c c pa ve´ izraˇunate funkcijske vrijednosti moˇemo iskoristiti (kao u Rombergovom c c z algoritmu). a z z s . e i mnoge druge. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 526 Rekurziju za derivacije Legendreovih polinoma iz leme 9. za n ≥ 0.ˇ 9. dokaˇite da za n ≥ 1 vrijede rekurzivne s z relacije ′ ′ Pn (x) − xPn−1 (x) = nPn−1 (x). 1) i jediniˇnu teˇinsku funkciju — situaciju u c z kojoj moˇemo primijeniti Gauss–Legendreove formule.

kad je iz konteksta oˇito po kojoj varijabli se derivira. ˇto c c s ostavlja postora za daljnja istraˇivanja. 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. Ovdje opet koristimo oznaku D za operator deriviranja funkcije f jedne varijable. Poznati postupci (Stieltjesov i Cebiˇevljev algoritam) c ne pokrivaju. konstruirat ´emo funkciju Un formulom. c s ne´emo dokazivati ovaj teorem.5. Funkcije Un iz prethodnog teorema generiraju familiju ortogonalnih polinoma na (a. tj. b) postoji. U svakom konkretnom sluˇaju. U drugim sluˇajevima. jer ta oznaka znatno c skra´uje zapis nekih dugih formula. poput z c troˇlane rekurzije i sliˇno (v. tj. za zadane a. Napomenimo joˇ da teorem 9. kao ˇto smo z c z c s to uˇinili u sluˇaju Gauss–Legendreovih formula.ˇ 9. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 527 moˇda u specijalnim sluˇajevima moˇemo do´i i do eksplicitnih formula. z .5. sve mogu´e situacije.3 c s vrijedi i na neograniˇenim i poluograniˇenim intervalima. mogu´e je analitiˇki do´i do forz c c c c mula sliˇnim onima u sluˇaju Gauss–Legendreove integracije. b i c c w(x). b) s teˇinskom funkcijom w. lema 9.2). 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). z Teorem 9. Sluˇajevi tzv. od c kojih je prvi egzistencijalni. c c c koji nisu pokriveni egzaktnim formulama.3 (Generalizirana Rodriguesova formula) Na otvorenom intervalu (a. nisu uvijek numeriˇki stabilni. u principu je mogu´e generirati ortogoc ˇ s nalne polinome i numeriˇki. c c U mnogim vaˇnim sluˇajevima. 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. medutim. ali ne i uvijek. i vezan uz teoriju rubnih problema za obiˇne diferencic jalne jednadˇbe. dxn Budu´i da nas interesiraju rjeˇenja koja se mogu eksplicitno konstruirati. ukljuˇivo i ostale formule na koje smo se oslanjali. u sluˇajevima a = −∞ c c c i/ili b = ∞. do na multiplikativnu konstantu. klasiˇnih ortogonalnih z c c polinoma uglavnom se mogu karakterizirati na osnovu sljede´a dva teorema. Un (b) = DUn (b) = · · · = D n−1 Un (b) = 0.5.

a za k = 0. integriramo parcijalno k puta i iskoristimo opet rubne uvjete koje zadovoljava funkcija Un . tj. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 528 Teorem 9. 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 xk−1 D n−1 Un (x) dx a b b =0 = −k x k−1 D n−2 Un (x) a − (k − 1) xk−2 D n−2 Un (x) dx a b b =0 = · · · = (−1) k−1 k(k − 1) · · · 2 x D n−k Un (x) b a − D n−k Un (x) dx a =0 = (−1)k k(k − 1) · · · 2 · 1 D n−k−1 Un (x) =0 = 0.5. 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. Ovaj teorem u mnogim sluˇajevima omogu´ava efektivnu konstrukciju ortogoc c nalnih polinoma. jer je D n+1 pn (x) = 0. Dokaz.4 Uz pretpostavke teorema 9. . b) obzirom na teˇinsku funkciju w(x). Da dokaˇemo c z ortogonalnost. vrijedi z b w(x) pn (x) xk dx = 0. . a jer je n−k −1 ≥ 0. . Funkcija pn je oˇito polinom stupnja n. a b zbog rubnih uvjeta D n−1Un (a) = D n−1 Un (b) = 0.3. pretpostavimo da je n ≥ 1. . . Za 1 ≤ k ≤ n−1. n − 1.ˇ 9. 1. 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. Primijetimo da smo za dokaz ortogonalnosti iskoristili sve rubne uvjete na funkciju Un .5.

.5 Neka je w(x) = e−αx na intervalu (0. jer je Pn ∞ = 1 na [−1. c z ˇto je dodatno opravdanje za izbor normalizacije. a rubni uvjet u toˇki 0 povlaˇi c c c c c0 = · · · = cn−1 = 0. Nadimo pripadne ortogonalne polinome. Nadimo pripadne ortogonalne polinome. Rubni uvjet u toˇki ∞ povlaˇi d0 = · · · = dn−1 = 0. za neki α > 0. 1).4 Neka je w(x) = 1 na intervalu (−1. pa je Un (x) = Cn xn e−αx . Polinom 2n-tog stupnja koji se poniˇtava u krajevima mora.3. Takoder.3.5. gdje je Cn proizvoljna multiplikativna konstanta (razliˇita od c nule). Prema teoremu 9. zbog simetrije. Tradicionalno.ˇ 9.4. prvi korak je rjeˇavanje diferencijalne jednadˇbe s z D n+1 (D n Un (x)) = D 2n+1 Un (x) = 0.5. Oˇito je rjeˇenje oblika c s Un (x) = e−αx (c0 + c1 x + · · · + cn xn ) + d0 + d1 x + · · · + dn−1 xn−1 .5. biti oblika s 2 n Un (x) = Cn (x − 1) . Prema teoremu 9. Polinomi za koje je α = 1 i Cn = 1 zovu se tradicionalno Laguerreovi polinomi.5. uz rubne uvjete Un (±1) = DUn (±1) = · · · = D n−1 Un (±1) = 0. 1].4 Pokaˇite da je multiplikativna konstanta Cn odabrana tako da vriz jedi Pn (1) = 1. ∞).5. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 529 Primjer 9. n n! 2 tj. Legendreove polinome. za svako n. Un (∞) = DUn (∞) = · · · = D n−1 Un (∞) = 0. za svaki z x ∈ [−1. Njihova Rodriguesova formula je dakle Ln (x) = ex D n (xn e−x ). u oznaci Ln . To znaˇi da Pn dostiˇe ekstreme u rubovima intervala. prema teoremu 9. pokaˇite da vrijedi |Pn (x)| ≤ 1. dobivamo. dani formulom Pn (x) = 1 D n (x2 − 1)n . c Zadatak 9. oˇekivano. 1] i svaki n ≥ 0. konstanta Cn uzima se u obliku Cn = 1 2n n! . uz rubne uvjete Un (0) = DUn (0) = · · · = D n−1 Un (0) = 0. s Primjer 9.5. Pripadni ortogonalni polinomi su tada. trebamo prvo rijeˇiti diferens cijalnu jednadˇbu z D n+1 (eαx D n Un (x)) = 0.

u oznaci Hn . dolazimo do klasiˇnih c polinoma. Prema teoremu 9. Napomenimo joˇ da oznaku Ln koristimo za ortonormirane Laguerreove polinome. Za Laguerreove i Hermiteove polinome mogu se analitiˇki izraˇunati koeficijenti u rekurziji. izvod Stieltjesovog c algoritma uz metodu najmanjih kvadrata). . c ˇ s takoder. Svi ortogonalni polinomi zadovoljavaju troˇlane rekuzije (v. m = n. lagano vidimo da je pn (x) = Ln (αx). za neki α = 0. U op´em sluˇaju. uz Cn = 1. uz Cn = (−α)n . i da smo taj sluˇaj do kraja prouˇili. s Njih dobivamo izborom normalizacijske konstante Cn = 1/n!. uz Cn = (−1) . postupkom koji je vrlo sliˇan c c c onom kojeg smo u detalje proveli u sluˇaju Legendreovih polinoma. Primjer 9. Nadimo pripadne ortogonalne polinome. koji nose ime Hermiteovi polinomi.5. s Rodriguesovom formulom 2 2 Hn (x) = (−1)n ex D n (e−x ).3. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 530 U op´em sluˇaju. Primijetimo.ˇ 9.5. Pripadne relacije ortogonalnosti su ∞ −∞ e−α 2 x2 Hm (αx) Hn (αx) dx = 0. 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 ). za α = 1. m = n.6 Neka je w(x) = e−α x na intervalu (−∞. da i Cebiˇevljevi polinomi prve vrste zadovoljavaju relacije ortogonalnosti i troˇlanu rekurziju. ∞). Lagano pogodimo da je Un (x) = Cn e−α 2 x2 2 x2 2 2 D n Un (x)) = 0. za α2 = 1. koja odgovara izboru α = 1/2. U literaturi se ponekad moˇe na´i joˇ jedna definicija za klasiˇne Hermiteove poliz c s c 2 n nome. trebamo prvo rijeˇiti s diferencijalnu jednadˇbu z D n+1 (eα uz rubne uvjete Un (±∞) = DUn (±∞) = · · · = D n−1 Un (±∞) = 0. pa su Ln i Ln vezani relacijom Ln (x) = n! Ln (x). Tada c c vrijede relacije ortogonalnosti ∞ 0 e−αx Lm (αx) Ln (αx) dx = 0. Kako su ˇvorovi Gaussove c c c c . Odaberemo li α2 = 1 i multiplikativnu konstantu Cn = (−1)n .

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

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

kao ˇto se vidi iz sljede´ih primjera.5.ˇ 9. x2. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 533 Pomo´u Gaussovih formula moˇemo jednostavno raˇunati neke odredene intec z c grale analitiˇki. pa je x1 = 1 i w1 = 1/[L′ (1)]2 = 1. imamo pribliˇnu formulu z ∞ 0 e−x f (x) dx ≈ f (1). za f (x) = 1 imamo ∞ 0 e−x dx = f (1) = 1.8 Ako Gauss–Cebiˇevljevom formulom raˇunamo c 1 −1 √ x4 dx 1 − x2 ˇ s zgodno je upotrijebiti formulu Gauss–Cebiˇeva reda 3. koja zahtijeva nultoˇke polic √ 3 noma T3 (x) = 4x − 3x.7 Ako Gauss–Laguerreovom formulom reda n = 1 raˇunamo integral c ∞ 0 e−x dx. 2 3 16 16 8 1−x −1 .3 = ± 3/2.5. budu´i da formula egzaktno integrira i linearne funkcije. Kako formula c egzaktno integrira konstante. Formula vodi na egzaktan rezultat 1 x4 π 9 9 3π √ dx = 0+ + = . a to su x1 = 0. budu´i da je L1 (x) = 1 − x. za f (x) = ax + b. Sliˇno. ˇ s Primjer 9. c s c Primjer 9. c c ∞ 0 e−x (ax + b) dx = f (1) = a + b.

Sustav obiˇnih diferencijalnih jednadˇbi je op´enitiji problem: c z c ′ y1 = f1 (x. Stoga takve jednadˇbe rjeˇavamo numeriˇki. . . yn ). . Dok je nekim jednadˇbama rjeˇenje mogu´e eksplicitno izraziti pomo´u z s c c poznatih funkcija. Medutim. y(x)).1): s z y′ (x) = f(x. .ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 534 10. . gdje je c r neka zadana funkcija. y1 . y(b)) = 0.1. Uvod Rjeˇavanje diferencijalnih jednadˇbi je problem koji se ˇesto javlja u raznim s z c primjenama. Ponekad je ˇak brˇe s z s c c z i jednostavnije izraˇunati rjeˇenje numeriˇkim putem umjesto dugotrajnim analc s c itiˇkim postupkom.1. yn ). . . yn ). . . (10. . . fn ]T sustav piˇemo u obliku analognom jednadˇbi (10. daleko su brojnije one jednadˇbe za koje ne moˇemo napisati egzaz z ktno rjeˇenje. . y1 . y ∈ (a. . Obiˇne c diferencijalne jednadˇbe z 10. c Opisat ´emo nekoliko najˇeˇ´ih numeriˇkih metoda za rjeˇavanje obiˇnih diferc c sc c s c encijalnih jednadˇbi (skra´eno ODJ) oblika z c y ′(x) = f (x. y(x)). . . y1 . ′ yn = fn (x. .1) uz zadani poˇetni uvjet y(a) = y0 ili uz zadani rubni uvjet r(y(a). koriste´i vektorsku notaciju c y = [y1 .1. ′ y2 = f2 (x. . . . b). . yn ]T i f = [f1 . . . . .

U ovom poglavlju prikazat c ´emo sljede´e metode za rjeˇavanje inicijalnog problema: c c s • Runge–Kuttine metode. y2 = y ′ . y1 . te i u ovom sluˇaju moˇemo koristiti metode razvijene za diferencijalnu jednadˇc z z bu (10. . . . . y ′. Eulerova metoda z Eulerova metoda je zasigurno najjednostavnija metoda za rjeˇavanje inicijalnog s problema za ODJ oblika y ′ = f (x.ˇ ˇ 10.1) vode´i raˇuna o tome da se umjesto skalarnih funkcija y i f javljaju c c vektorske funkcije y i f. y ′′. s c 10. y(x)) + O(h2 ). y(a) = y0 . y. .2.. y (n−1) ) = f (x.1). ′ y2 = y ′′ = y3 . . ′ yn−1 = y (n−1) = yn . . Diferencijalne jednadˇbe viˇeg reda z s y (n) = f (x. • linearne viˇekoraˇne metode. . y ′′ . yn ). y. .1. y3 . h pa rjeˇenje diferencijalne jednadˇbe zadovoljava s z y(x + h) = y(x) + hy ′ (x) + O(h2 ) = y(x) + hf (x. . . Inicijalni problem za obiˇnu diferencijalnu c jednadˇbu. yn = y (n−1) svodimo na sustav jednadˇbi prvog reda: z ′ y1 = y ′ = y2 . Metoda se zasniva na ideji da se y ′ u gornjoj jednadˇbi zamijeni s podijeljenom z razlikom y(x + h) − y(x) y ′(x) = + O(h). y2.. .1. . ′ yn = y (n) = f (x.. . . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 535 te primijenjujemo iste numeriˇke metode kao za rjeˇavanje diferencijalne jednadˇc s z be (10. y ′. y (n−1)) supstitucijama y1 = y. I za sustav diferencijalnih jednadˇbi i za jednadˇbu viˇeg reda razlikujemo iniz z s cijalni (poˇetni ili Cauchyjev) problem i rubni problem. . y). .

Runge–Kuttine metode y ′ = f (x.3. xi = a + ih. h.1) na intervalu [a. Koriste´i sliˇnu ideju kao u Eulerovoj metodi. Ova formula je toˇnija ˇto je h manji. Stoga interval [a. . gdje je poˇetni uvjet y0 zadan kao inicijalni uvjet diferencijalne jednadˇbe. . i moˇemo ga kra´e zapisati z c rekurzijom yi+1 = yi + hf (xi . n Koriˇtenjem (10. oznaˇivˇi c s h= b−a . diferencijalnu jednadˇbu c c z y(a) = y0 (10. . . aproksimaciju rjeˇenja u toˇki xi+1 . b] podijelimo na n jednakih dijelova te z stavimo b−a h= . n. Sada yi+1 . b] na n jednakih z s podintervala. i = 0. y(x). raˇunamo iz yi koriˇtenjem aproksis c c s macije oblika y(x + h) ≈ y(x) + hΦ(x. .3. n xi = a + ih. y). . .ˇ ˇ 10. n − 1. .2) te dobivamo rekurziju: yi+1 = yi + hΦ(xi . . . f ). tako da aproksimacija c s y(b) ≈ y(a) + (b − a)hf (a. . y1 ). Opisani postupak nazivamo Eulerova metoda.3. Dobivenu aproksimaciju y1 iskoristimo za raˇunanje aproksimacije rjeˇenja u toˇki c s c x2 = x1 + h: y2 = y1 + hf (x1 . moˇemo rjeˇavati tako da podijelimo interval [a. Dobivene c z vrijednosti yi su aproksimacije rjeˇenja diferencijalne jednadˇbe u toˇkama xi . i = 0. y0 ). i = 1. (10. (10. n. . . prvo aproksimiramo rjeˇenje u toˇki x1 = a + h s s c y(x1) ≈ y1 = y0 + hf (x0 . i = 0. yi ). y(x)).3. y(a)) = y0 + hf (a. s z c (10. te postupak ponavljamo sve dok ne dodemo do kraja intervala b = xn . b]. h. .1) 10. yi. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 536 Zanemarivanjem kvadratnog ˇlana u gornjem razvoju dobivamo aproksimaciju c y(x + h) ≈ y(x) + hf (x.2. y0 ) moˇe biti jako neprecizna.2.1). n. .3) . f ). .

y). h) = ∆(x. h).3. y + h l=1 ajl kl (x. . Ako je jednokoraˇna metoda reda p. Uoˇimo da je funkcija f iz diferencijalne jednadˇbe (10. gdje je y(x) toˇno rjeˇenje diferencijalne jednadˇbe (10.4) nazivamo lokalna pogreˇka diskretizacije. h) = y(x + h) − y(x) . ˇ Sto je ve´i p metoda je toˇnija. Op´enito. u Eulerovoj metodi Φ(x. y. Da c sc s s bismo pojednostavnili argumentaciju. h (10.3.5) . h.1) parametar od c z Φ (tj. y. Za oˇekivati je da ako izaberemo c c Φ tako da aproksimacija toˇnog rjeˇenja y(x + h) dana s (10. h.3. h) = O(hp ). . Pogreˇku c c s aproksimacije (10. f ) . Tako je npr. za jednokoraˇne metode c c c kaˇemo da su reda p ako je z τ (x. promatrat ´emo pogreˇku u fiksiranoj toˇki c s c b.ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 537 Funkciju Φ nazivamo funkcija prirasta. r. c s s c da ´e toˇnija biti i aproksimacija yi za y(xi ) dana rekurzijom (10. . y. c Najpoznatije jednokoraˇne metode su svakako Runge–Kuttine metode. y. (10. y(x). a kj su zadani s r kj (x.3. Φ zavisi o f ). h) = j=1 ωj kj (x. h) = f x + cj h.3. tj. u jednom koraku dobijemo c yi+1 iz yi ). Da bismo pojednostavili zapis.3) zovemo jednokoraˇne metode (jer za aproksimaciju yi+1 c koristimo samo vrijednost yi u prethodnoj toˇki xi . Kod c njih je funkcija Φ oblika r Φ(x. f ) = f (x. a razliˇit izbor te funkcije definira razliˇite c c metode. ubudu´e ´emo f izostaviti kao argument c c funkcije Φ.2): τ (x.1) i c s z ∆(x.3). O odabiru funkcije Φ ovisi i toˇnost metode.2) bude ˇto toˇnija. h) − Φ(x. tada je c y(b) − yn = O(hp ). a to postiˇemo odabirom funkcije Φ.3. Uoˇimo da je h = (b − a)/n te da je yn uvijek (za svaki n) aproksimacija za y(b).3. y. . c c z Pod toˇnoˇ´u metode podrazumijevamo ponaˇanje pogreˇke y(xi ) − yi. Metode oblika (10. s Red metode odgovara njezinoj toˇnosti. j = 1.3. h).

ˇ ˇ 10. z c tj.5) c sc s c c vidimo da se kj nalazi na lijevoj i na desnoj strani jednadˇbe. . kj−1 . fxy i fyy odgovaraju´e druge parcijalne derivacje. y. i on oznaˇava koliko puta c moramo raˇunati funkciju f u svakom koraku. obiˇno se dodaje uvjet c r ajl = cj . zadan je implicitno z te govorimo o implicitnoj Runge–Kuttinoj metodi. h) = f + h(fx a + fy af ) + y(x + h) = y(x) + hf + h2 h3 (fx + fy f ) + [fxx + 2fxy f + fyy f 2 + fy (fx + fy f )] + O(h4 ). odnosno y. y. tj.3. . y) = f. c Razliˇit izbor koeficijenata ωj . y. y) po x. Nadalje. Iz izraza (10. k1 (x. Sada je lokalna pogreˇka diskretizacije jednaka s y(x + h) − y(x) y(x + h) − y(x) − Φ(x. U praksi se najviˇe koriste s metode gdje je ajl = 0 za l ≥ j.1. s Primjer odabira koeficijenata prikazat ´emo na RK metodi s dva stadija: c Φ(x. Razvojem k2 u Taylorov red po varijabli h dobivamo h2 (fxx a2 + 2fxy a2 f + fyy a2 f 2 ) + O(h3 ). k2 (x. te pravila za deriviranje y ′′(x) = fx + fy f. a fxx . h). l=1 Ovaj izvor koeficijenata cj je detaljnije objaˇnjen u poglavlju 10. Takve RK metode nazivamo eksplicitnima. 2 6 y ′(x) = f (x. .. y). Razvoj rjeˇenja diferencijalne c s jednadˇbe y(x) ima oblik z k2 (x.3. h) = f (x. y. y. y ′′′ (x) = fxx + 2fxy f + fyy f 2 + fy (fx + fy f ). 2 gdje su fx i fy prve parcijalne deivacije funkcije f = f (x. cj i ajl definira razliˇite metode. h)) h h 1 = (1 − ω1 − ω2 )f + h(fx + fy f ) − ω2 a 2 1 1 ω2 a2 2 2 − + fy (fx + fy f ) + h (fxx + 2fxy f + fyy f ) · 6 2 6 + O(h3 ). . y + ahk1 ). y. y. Tada kj moˇemo izraˇunati preko k1 . h) = ω1 k1 (x. h) + ω2 k2 (x. h) = f (x + ah. y(x). h) + ω2 k2 (x. y. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 538 Broj r zovemo broj stadija Runge–Kuttine (RK) metode. Ovdje smo iskoristili da je y(x) rjeˇenja diferencijalne jednadˇbe: s z . h) = − (ω1 k1 (x. funkcije kj su zadane eksplicitno. Ovi koeficijenti c c se najˇeˇ´e biraju tako da red metode bude ˇto je mogu´e ve´i.

2 2 3 12 1 ω3 c2 c3 a32 + ω4 (c2 a42 + c3 a43 )c4 = . i to upravo o Eulerovoj metodi. Φ= dok se za t = 1 dobiva modificirana Eulerova metoda: h h Φ = f x + . 6 1 ω 2 c3 + ω 3 c3 + ω 4 c3 = .8) (10.9) (10.10) (10. radi se o metodi s jednim stadijem. y) . y + f (x. 24 (10.6) (10.ˇ ˇ 10. y + hk1 ). 2 2 Najraˇirenije su metode sa ˇetiri stadija.3. Za t = 1/2 dobivamo Heunovu metodu: 1 (k1 + k2 ). 2 k1 = f (x.3.12) (10.11) (10.3. 2 3 4 3 1 ω3 c2 a32 + ω4 (c2 a42 + c3 a43 = .13) . 1 − ω2 a = 0 2 metoda ´e biti reda 2. Odgovaraju´e jednadˇbe koje moraju s c c z zadovoljavati koeficijenti RK-4 metoda su: ω1 + ω2 + ω3 + ω4 = 1. a= 1 . 1 ω 2 c2 + ω 3 c3 + ω 4 c4 = . 8 1 ω4 c2 a32 a43 = . Uvodenjem slobodnog koeficijenta t rjeˇenje ove dvije jedc s nadˇbe moˇemo napisati u obliku: z z ω2 = t = 0.3. k2 = f (x + h. 2t Ukoliko je zadovoljeno i Uoˇimo da t ne moˇemo odabrati tako da poniˇtimo i ˇlan uz h2 tako da metoda c z s c bude reda 3. 2 1 ω 2 c2 + ω 3 c2 + ω 4 c2 = . ω1 = 1 − t.7) (10.3. 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 = 0.3.3. Ukoliko je ω2 = 0.3. 2 3 4 4 1 ω3 c2 a32 + ω4 (c2 a42 + c2 a43 ) = . y).

y + k1 .6) treba biti zadovoljen da bi metoda bila reda 1. 2 2 h h k3 = f x + . 6 k1 = f (x. z Za metodu s tri stadija uvrˇtavanjem s c4 = a41 = a42 = a43 = ω4 = 0 dobivamo 9 koeficijenata i 7 jednadˇbi. ˇto pove´ava c s c sloˇenost metode. y). Za metode s 5. y).13). h h k2 = f x + .9) za red 3.3. 8 k1 = f (x. dva. Red je 4. Spomenimo joˇ i 3/8-sku metodu: s 1 Φ = (k1 + 3k2 + 3k3 + k4 ). 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 ). h h k2 = f x + . Op´enito. 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. y + hk3 . tri i ˇetiri stadija najve´i mogu´i red c c c c metode odgovara broju stadija.3. 3 3 k4 = f (x + h. tj.3. c3 = a31 + a32 . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 540 gdje je c1 = 0. c c 5 i 6. Najpopularnija je “klasiˇna” Runge– c Kutta metoda.ˇ ˇ 10. Ukupno imamo 10 koeficijenata i 8 jednadˇbi ukoliko je metoda reda 4. c4 = a41 + a42 + a43 . s c a da bismo postigli red 5 trebamo pove´ati broj stadija barem za dva. y − k1 + hk2 . za metode s jednim.3. y + k2 . Uvjet (10. 3 3 2 h k3 = f x + h. uvjeti (10. To je razlog zaˇto su metode s ˇetiri stadija najpopularnije.10)– (10. Metoda s ˇetiri stadija moˇe posti´i najviˇe z c z c s red ˇetiri. 6 i 7 stadija najve´i mogu´i red je 4. dok za red 4 trebaju biti ispunjeni i uvjeti (10. uvjet (10.8)–(10. c2 = a21 . z Evo nekoliko primjera RK-4 metoda. y + h(k1 − k2 + k3 )) .7) za red 2. 2 2 k4 = f x + h. y + k1 . ne moˇemo dva stupnja slobode iz sustava jednadˇbi iskoristiti da red c z z metode podignemo na pet.3.

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

ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE

ODJ – 542

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

ajl .

Medutim, ostaje pitanje da li moˇemo pove´ati red konzistencije drugaˇijim izborom z c c 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)

˜ Neka je yi aproksimacija za y(xi ) dobivena metodom (10.3.2). S yi i xi oznaˇit ´emo ˜ ˜ c c ˜ 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 + cj h, y + h 1

˜ ajl kl

=

 

f x+h
l

ajl , y + h
l

˜ ajl kl

1

 

,

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 ˜ ωj kj =
j

˜ ˜ yi+1 = yi + h

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). Sada za svaki n ∈ N vrijedi xn = x, te moˇemo promatrati globalnu pogreˇku z s 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 nδ e −1 , ≤ enδ |ξ0| + B δ jer je 0 < 1 + δ < eδ za δ > −1. δ > 0, B ≥ 0, i = 0, 1, 2, . . .

enδ − 1 B. δ

Pomo´u ove leme dokazujemo sljede´i, glavni, teorem. c c

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 ¯ = h0 . je h Dokaz. Funkcija za (x, y, h) ∈ G, Φ(x, y; h) = 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
  Φ(x, y; h), 

˜ 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 |˜i+1 | ≤ (1 + |h|M)|˜i | + N|h|p+1 . e 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 ¯ ¯ ¯ postoji h, 0 < h ≤ h0 takav da je |˜(x; hn )| ≤ γ za sve x ∈ [a, b], |hn | ≤ h, tj. za e 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). ˜

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 ∂ jen ako Φ(x, y; h) postoji i neprekidna je u domeni G danoj u teoremu. Teorem, ∂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≈

Tvrdnja teorema dakle slijedi za sve x ∈ [a, b] i sve hn = (x − x0 )/n, n = 1, 2, . . ., ¯ uz |hn | ≤ h.

∂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 ¯ i , y(xi), hi ) + O(hp+2 ). y(xi + hi ) = y(xi ) + hi Φ(x i Cilj je da pogreˇka u i-tom koraku bude manja od ε. Stoga ´emo pretpostaviti da s c je aproksimacija yi za y(xi ) toˇna, tj. yi = y(xi ). Sada oduzimanjem gornje dvije c 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 (10.3.17)

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

ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE

ODJ – 548

odnosno

hp+1 ≤ hp+1 i i−1

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

ε . |¯i − yi | y 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 ) =

y (x) dx =
xi−1 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 vrijednosti yi i yi−1 , a budu´i da je se radi o dvije toˇke, govorimo o dvokoraˇnoj metodi. c c c 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 ) = ≈ ˇto vodi na metodu s

f (x, y(x)) dx
xi−1

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

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 njegovo odredivanje treba upotrebiti jednu od jednokoraˇnih metoda. c 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 ) =

f (t, y(t)) dt.
xp−j

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,
q

koriˇtenjem interpolacijskog polinoma u Lagrangeovoj formi s
q

Pq (x) =
i=0

f (xi , y(xi))ℓi (x),

ℓi (x) =
l=0 l=i

x − xp−l , xp−i − xp−l

izraz (10.4.2) prelazi u
q xp+k q

y(xp+k ) − y(xp−j ) ≈ gdje smo s βqi oznaˇili c 1 βqi = hx
xp+k

f (xi , y(xi ))
i=0 xp−j

ℓi (t) dt = h
i=0

βqi f (xi , y(xi)),

k

q

ℓi (t) dt =
p−j

−j l=0 l=i

s+l ds, −i + l

i = 0, . . . , q.

(10.4.3)

Zamjenom vrijednosti y(xi ) aproksimacijama yi dobivamo viˇekoraˇnu metodu obs c lika 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: 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 −16 −2774 −59 −1 5 37 2616 −1274 −9 251 1 2 3 4 yp+1 = yp + h(βq0 fp + βq1 fp−1 + · · · + βqq fp−q ). (10.4.4)

Izborom k = 0 i j = 1 dobijamo Adams–Moultonove metode: 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 −264 −5 1 106 −19 1 2 3 4 yp+1 = yp + h(βq0 fp+1 + βq1 fp + · · · + βqq fp+1−q ). (10.4.5)

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

P (x) =
i=0

ℓi (x)y(xn−i ),

ℓi (x) =
j=0 j=i

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 hℓ′i (xn−r )y(xn−i ). h i=0

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 = hℓ′i (xn−r ) d = dp
k j=0 j=i

p+j j−i

1 = r−i p=−r

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

a zatim dobiveni izraz razviti u Taylorov s z red: r r ∞ j=0 αj y(xi+1−j ) − h βj f (xi+1−j . Ukoliko je p ≥ 1 kaˇemo da je metoda konzistentna. yi+1−j ). y(xi+1−j )) = Cj hj . ukoliko je C0 = C1 = · · · = Cp = 0 i Cp+1 = 0. U gornju ´emo rekurziju umjesto yj uvrstiti s c c rjeˇenje diferencijalne jednadˇbe y(xj ). yi) .ˇ ˇ 10. 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. b]. zadovoljava rekurzivnu formulu r r y(x0 ) = y0 . x0 ∈ [a. Kao i kod jednokoraˇnih metoda. y0 ∈ R (10.4. (10.8) αj yi+1−j = h j=0 j=0 βj f (xi+1−j .9) koja definira viˇekoraˇnu metodu. y).4.4.4. (10.1. Konzistencija i stabilnost Nakon ovih primjera izvoda nekih viˇekoraˇnih metoda postavlja se pitanje s c njihove toˇnosti. z Tako za metodu yi+1 = yi−1 + 2hf (xi . prvo ´emo promatrati koliko c c c dobro rjeˇenje diferencijalne jednadˇbe s z y ′ = f (x.10) j=0 j=0 Rekurzivna formula biti ´e toˇnija ˇto je viˇe prvih ˇlanova u razvoju jednako nuli. kaˇemo da je metoda reda c z p. c c s s c Op´enito.

(2j + 1)! 3 Dakle. h) = r 1 (y(x + h)) − y(x)) − βri y ′ (x − ih). h) = r 1 (y(xp+1)) − y(xp )) − βri y ′ (xp−i ).1 Pokaˇimo da je red (r + 1)-koraˇne Adams–Bashforthove metode z c (10.4. Iskoristimo li rekurziju za Adams–Bashforthovu metodu (10. z Definicija 10. h i=0 . da vrijedi y ′(xi ) = f (xi .4. tj.4. h) = O(hp ) kaˇemo da je metoda reda p. . b). c c gdje je y egzaktno rjeˇenje diferencijalne jednadˇbe (10. . Sada je lokalna pogreˇka c s diskretizacije jednaka τ (x.4) jednak r + 1. z no oˇito je dovoljno zahtijevati da y ima neprekidnu tre´u derivaciju. j = −r. b). Ukoliko je τ (x. dobivamo c s τ (x. h) = r 1 r αj y(x − jh) − βj y ′ (x − jh). tzv. 1. oznaˇimo xj = x + jh. b) i x ∈ [a.1 Viˇekoraˇnu metodu zovemo konzistentnom ako za svaki f ∈ s c F1 (a. z Primjer 10.10) pokazuje kvalitetu aproksimacije viˇekoraˇne metode. Sada moˇemo definirati konzistenciju metode. Pretpostavili smo da je y ∈ C ∞ (a. tj.8). lokalnu c s pogreˇku diskretizacije: s 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=1 ∞ j=0 y (j)(xi ) ∞ hj (−1)j hj − y (j) (xi ) − 2hy ′ (xi ) j! j=0 j! y (2j+1) (xi ) y (3) (xi ) 3 2 h2j+1 = h + O(h5 ) = O(h3 ). . h) = 0.4. Uoˇimo da je lokalna s z c pogreˇka diskretizacije dobivena uvrˇtavanjem toˇnog rjeˇenja u rekurziju (10.4. y ∈ C 3 (a. Uoˇimo da smo iskoristili da je y rjeˇenje diferencijalne c s jednadˇbe. b] lokalna pogreˇka diskretizacije τ zadovoljava s h→0 lim τ (x.4. izraz (10. s c U daljnjem tekstu koristiti ´emo malo promijenjen izraz za pogreˇku. h i=0 Radi jednostavnosti.8) s s c s uz zamjenu x = xi+1 . .ˇ ˇ 10.4. h j=0 j=0 te je ova metoda reda 2. y(xi )).4) uvrˇtavanjem s toˇnog rjeˇenja y(x).

3). . xp+1 ] pa vrijedi y r+2(η) 1 τ (x. 0 j=0 te je red (r + 1)-koraˇne Adams–Bashforhove metode jednak r + 1. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 556 Uvrˇtavanjem izraza za koeficijente βri dane s (10. h) = h h (r + 1)! h 1 xp+1 ω(t) dt. xp sve nultoˇke polinoma ω. . red metode odgovara broju koraka. y r+2(η) (r + 1)! 1 r 0 u(u + 1) · · · (u + r) du = h r+1 (u + j) du.4. . . xp i ω(t) = hr+1 u(u + 1) · · · (u + r).4.4. . h) = h y (r+2) (ξ(t)) .7) izvedene c c iz formula za deriviranje.ˇ ˇ 10. gdje je Pr polinom koji interpolira y ′ u toˇkama xp−r . ω ne mijenja predznak na inc c tervalu [xp . Za c c r-koraˇne eksplicitne metode (10. xp+1 ω(t) xp y r+2(ξ(t)) dt. (r + 1)! ω(t) = (t − xp−r )(t − xp−r+1 ) · · · (t − xp ). xp . koeficijente u r-kos raˇnoj metodi c r r αj yi+1−j = h j=0 j=0 βj f (xi+1−j . . 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 τ (x. .6) i r-koraˇne implicitne metode (10. yi+1−j ) . dobivamo s 1 τ (x. (r + 1)! Budu´i da su xp−r . ξ(t) ∈ (xp−r . Primjenom ocjene za c pogreˇku interpolacije s y ′ (t) − Pr (t) = ω(t) dobivamo 1 τ (x. 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. Koriˇtenjem iste ideje kao kod Runge–Kuttinih metoda. xp ). . h) = h 1 = h xp+1 xp xp+1 y (t) dt − ′ ′ r i=0 1 h xp+1 ℓi (t) dt y ′(xp−i ) xp xp+1 xp 1 y (t) dt − h xp+1 xp 1 Pr (t) dt = h xp [y ′ (t) − Pr (t)] dt.

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

. 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 . y(0) = 1. 96 97 98 99 100 −0. h) = O(h3 ).ˇ ˇ 10.164 · 10−8 −0. s egzaktnim rjeˇenjem y = e−x .257 · 1059 −0. Ako je |zj | = 1 tada je zj jednostruka nultoˇka (ρ′ (zj ) = 0). .512 · 1058 +0. c 2.129 · 1060 +0. σ)-shema. pa se ˇesto umjesto s c c viˇekoraˇne metode koristi naziv (ρ.2 Za viˇekoraˇnu metodu kaˇemo da je stabilna ako nultoˇke zj s c z c polinoma ρ(z) zadovoljavaju 1. s Viˇekoraˇna metoda s c r r αj yi+1−j = h j=0 j=0 βj f (xi+1−j . Sve nultoˇke su po apsolutnoj vrijednosti manje od 1 (|zj | ≤ 1).652 · 1060 +0. ova dva polinoma odreduju jednu viˇekoraˇnu metodu. −0. a moˇe se provjeriti da je ˇlan uz h3 z c razliˇit od nule).501 · 10−8 yi − y(xi ) Iz tablice je jasno da metoda divergira. Ujedno.300 · 10−7 +0.4. . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 558 Ova metoda je reda 3 (jer je τ (x. . c Promatrat ´emo numeriˇko rjeˇavanje diferencijalne jednadˇbe c c s z y ′ = −y. Uzrok tome je objaˇnjen u daljnjem tekstu.144 · 10−6 .101 · 1058 −0. s c Definicija 10. Uz korak h = 10−2 i egzaktne poˇetne vrijednosti s c −h y0 = 1 i y1 = e dobivamo sljede´u tablicu: c i 2 3 4 5 . . c Zajedno uvjete 1 i 2 zovemo uvjet stabilnosti.

konvergiraju prema rjeˇenju jednadˇbe. ako je r neparan. . Budu´i da je |z2 | > 1.1 Linearna viˇekoraˇna metoda je konvergentna ako i samo ako je s c konzistentna i stabilna. Budu´i da moˇemo izabrati dovoljno s z c z malen korak integracije h takav da je nejednakost ∗ |ϕ′ (y)| = h|β0 | ∂f (xi+1 . . r + 2. Definicija konvergencije viˇekoraˇne metode se neˇto razlikuje od konvergencije jeds c s nokoraˇnih metoda. Sljede´i teorem nam objaˇnjava razlog divergencije c s ove metode. . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 559 Uvjet stabilnosti se ˇesto naziva i uvjet korijena. 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 . ako je r paran. metoda nije stabilna. yi+1 ) k +h j=1 ∗ βj fi+1−j . yi+1 je rjeˇenje nelinearne jednadˇbe y = ϕ(y). c Za metodu iz proˇlog primjera je s ρ(z) = z 2 + 4z − 5. ρ ne zadovoljava uvjet stac c bilnosti. y) <1 ∂y zadovoljena.4. z c 10.4. pa ´e objaˇnjenje ove definicije i dokaz prethodnog teorema biti c c s izloˇeni u sljede´im potpoglavljima. Teorem 10. slijedi da jednostavne iteracije y [m+1] = ϕ(y [m] ). m = 0. ∗ ϕ(y) = β0 hf (xi+1 . Moˇe se pokazati da stabilna r-koraˇna metoda ima red z c p≤ r + 1. y) + c. 1.2. Nultoˇke su mu z1 = 1 i z2 = −5. 2. Ako oznaˇimo c k k c=− α∗ yi+1−j + h j=1 j=1 ∗ βj fi+1−j .ˇ ˇ 10. tj. . Prediktor-korektor par Dosad je ostalo otvoreno pitanje kako izraˇunati yi+1 u implicitnoj metodi c k yi+1 + j=1 ∗ αj yi+1−j = ∗ β0 hf (xi+1 .

11) dobivamo pomo´u nultoˇaka polinoma ρ. Konvergenciju moˇemo ubrzati primjenom Newtonove metode. (10. 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. za jedan red toˇnija c c c c c nego ˇto je rjeˇenje nelinearne jednadˇbe (korektora). c Joˇ nam je ostalo za promotriti kako odabrati korektor-prediktor par.11).4.3. . j = 0. broj iteracije nije velik. . . ˇto ´e biti z s c opisano u sljede´em potpoglavlju. implicitne metode. j = 0. Toˇnost s c metode definirana je s toˇnoˇ´u korektora. Ako je red korekc sc [0] c tora. s z Uz gornju diferencijsku jednadˇbu veˇemo polinom z z ρ(z) = z r + αr−1 z r−1 + · · · + α1 z + α0 . c 10. . 1. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 560 Sada moˇemo zapisati cijeli algoritam: z yi+1 = − yi+1 [m+1] [0] ¯ k ¯ k αj yi+1−j + h j=1 [m] j=1 k βj fi+1−j . te bi trec balo previˇe iteracija korektora da se nelinearna jednadˇba rijeˇi na zadovoljavaju´u s z s c toˇnost. s c uvijek se radi o nekoliko iteracija. yi+1 = yi+1 . 2. Znamo da jednostavne iteracije konvergiraju linearno prema rjeˇenju jednadˇs z be. . . . . eksplicitna i implicitna k-koraˇna metoda izvedena iz formula c za numeriˇko deriviranje koriste se kao prediktor-korektor par. k ∗ αj yi+1−j + h j=1 j=1 ∗ βj fi+1−j . 1. . S druge strane.4. Isto tako. Stoga je uobiˇajeno da se za prediktor-korektor par uzimaju eksplicitna i c c ˇ implicitna metoda istoga reda. tj. s z c c .4. za jedan ve´i od reda korektora poˇetna ´e aproksimacija biti pretoˇna. . Cesto koriˇten par je k-koraˇna Adams–Bashforthova s c metoda kao prediktor i (k−1)-koraˇna Adams–Moultonova metoda kao korektor. . Broj iteracija (M) moˇe biti unaprijed zadan ili se iteracije provode dok se jednadˇba z z ne rijeˇi do na neku unaprijed zadanu toˇnost. (10.11) Oˇito je da je za svaki skup poˇetnih vrijednosti u0 . ako je red s s z prediktora manji od reda korektora. 2. Uz c ovakav odabir prediktor-korektor para govorimo o Adams–Bashforth–Moultonovim metodama. ur−1 jednoznaˇno odreden c c c niz brojeva uj . poˇetna aproksimacija je preslaba. yi+1 ) − [M ] m = 0. eksplicitne metode kojom odredujemo poˇetnu aproksimaciju yi+1 . .12) Rjeˇenje diferencijske jednadˇbe (10. Linearne diferencijske jednadˇbe z Za razumijevanje stabilnosti viˇekoraˇnih metoda nuˇno je poznavati neke oss c z novne ˇinjenice o linearnim diferencijskim jednadˇbama. ∗ = β0 hf (xi+1 . koji rjeˇava jednadˇbu (10.4.ˇ ˇ 10. .4. . M − 1. U primjeni.

ˇ ˇ 10. niz uj = P1 (j)λj + P2 (j)λj + · · · + Pk (j)λj . sada c slijedi r uj+r + αr−1 uj+r−1 + · · · + α0 uj = λj r αp λp P (j + p) p=0 r τ =1 = λj p=0 αp λp a0 + aτ p(p − 1) · · · (p − τ + 1) = λj [a0 ρ(λ) + a1 ρ′ (λ) + · · · + aσ−1 ρ(σ−1) (λ)] = 0. tj. . . r − 1. . rjeˇenje diferencijske jednadˇbe (10.2 Neka polinom ρ(z) iz (10. Dokaz ove tvrdnje je elementaran. svako rjeˇenje diferencijske s z s jednadˇbe (10. z z Dokaz.4. . c . (10.4.4. 2. . stoga ga ovdje preskaˇemo.11). i = 1. k.4. Budu´i da je ∂P < σ vrijedi aσ = aσ+1 = · · · = ar = 0.13). gdje je P proizvoljan polinom stupnja s z strogo manjeg od σ.11). OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 561 Teorem 10. . . s c z koeficijenata polinoma Pi (i = 1. Stoga je dovoljno pokazati da za λ. i = 1. ali i dugotrajan. . Tada za proizvoljne polinome Pi (t) stupnja strogo manjeg od σi . z Drugi dio teorema dakle kaˇe da prikladnim odabirom parametara moˇemo z z dobiti proizvoljno rjeˇenje. . Uz oznaku αr = 1. .4. .13) je rjeˇenje diferencijske jednadˇbe (10. . nultoˇku s z c polinoma ρ viˇestrukosti σ. . 2.13) c sadrˇi ukupno r slobodnih parametara (koeficijenata polinoma Pi ). Obratno. . .12) ima k razliˇitih nultoˇaka λi viˇec c s strukosti σi .11) moˇe se jedinstveno prikazati u obliku (10. 1 2 k j = 0. 1 2 k j = 0. (oznaka ∂P < σ). . . 1. 1.4.4. . j = 0. ρ(τ ) (λ) = 0 za 0 ≤ τ ≤ σ − 1. jer je viˇestrukost nultoˇke λ jednak σ. . .4. . Zbog homogenosti jednadˇbe (10. . . ur−1 s c postoji jedinstveno rjeˇenje sljede´eg sustava od r linearnih jednadˇbi s r nepoznatih. vrijedi da je niz s uj = P (j)λj . tako da zbog σ1 +σ2 +· · ·+σk = r prikaz (10. Za fiksni j ≥ 0. 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). Time smo s c dokazali prvi dio teorema. tj.4. .11) vrijedi da je uj + vj rjeˇenje ako su z s uj i vj rjeˇenja diferencijske jednadˇbe. k): P1 (j)λj + P2 (j)λj + · · · + Pk (j)λj = uj . . . k. Uoˇimo da je polinom P (t) = c0 + c1 t + · · · + cσ−1 tσ−1 stupnja manjeg od σ c odreden s toˇno σ koeficijenata cj . da za svaki izbor poˇetnih vrijednosti u0 .

1 0 .12) zadovoljava uvjete stabilnosti iz definicije 10. Za |λ| > 1 niz s z un λn = n n divergira. postoji norma na Cr takva da odgovaraju´a inducirana matriˇna norma c c r zadovoljava A ≤ 1.2 tada rjeˇenje diferencijske jednadˇbe (10.. Neka je sada |λ| = 1 i λ je viˇestruka nultoˇka od ρ. . . . . . . neka je zadovoljen uvjet stabilnosti. A=   0 .11) je ekvivalentna rekurziji z ρ je karakteristiˇni polinom matrice A te.14). .. . pa mora biti λ ≤ 1.4. j ≥ 0 rjeˇenje diferencijske jednadˇbe (10.ˇ ˇ 10. diferencijska jednadˇba (10. 1. c Obratno.4. Prema tome.  . Ako definiramo             Uj =   uj uj+1 .. −αr−1 Uj+1 = AUj .. 0 1 0  −α0 .4. 0 . budu´i da je uvjet stabilnosti zadovolc c jen. .  . za svaki U0 ∈ C vrijedi Un = An U0 ≤ A n U0 ≤ U0 za n = 0. Posebno je vaˇno utvrditi uvjete koji z z osiguravaju da je un lim =0 (10. .  .11) kad n → ∞.4. Prema tome je i niz uj = jλj . . .4. Tada je s c ρ′ (λ) = rλr−1 + (r − 1)αr−1 λr−2 + · · · + 1 · α1 = 0. .. Pretpostavimo da vrijedi (10. . Tada je niz c uj = λj rjeˇenje diferencijske jednadˇbe (10.11). . .4.  . s z Dokaz.4. ..4.14). To nam daje sljede´a lema. .4.. . ur−1. . 0  . slijedi da λ mora biti c jednostruka nultoˇka.11): s z uj+r + αr−1 uj+r−1 + · · · + α0 uj = jαj (λr + αr−1 λr−1 + · · · + α0 ) = jαj ρ(λ) + λj+1 ρ′ (λ) = 0. i neka je λ nultoˇka od ρ.4. uj+r−1 ∈ Cr .1 Ako polinom ρ iz (10.14) n→∞ n za sve realne poˇetne vrijednosti u0 . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 562 U primjeni viˇekoraˇnih metoda od interesa je ponaˇanje rasta rjeˇenja un s c s s diferencijske jednadˇbe (10. .11) zadovoljava (10. . c c Lema 10. . + λj+1 (rλr−1 + (r − 1)αr−1 λr−2 + · · · + α1 ) Budu´i da niz un /n = λn ne konvergira nuli kada n → ∞. . .4.

. . . . .4. hn = .4. r − 1. h = hn = (x − a)/n. Oˇito je. r − 1. r − 1. . to nije jedini izvor pogreˇke. Da bismo startali r-koraˇnu metodu. r − 1 za koje je n→∞ lim (y(xi) − yi ) = 0.9) zovemo konvergentnom s c ako je x−a lim e(x. . . yr−1 . ≤ k 2 U0 n→∞ ∞. . . ve´ o naˇinu na koji s s c c c odredujemo poˇetne vrijednosti. b). sve f ∈ F1 (a. n→∞ n za sve x ∈ [a. najˇeˇ´e jednokoraˇnom. n ∞ ∞ ≤k U . .ˇ ˇ 10. Jasno je da globalna pogreˇka diskretizacije ovisi o lokalnoj pogreˇci diskretis s zacije. kada govorimo o konvergenciji metode misc limo na ponaˇanje globalne pogreˇke diskretizacije: s s e(x. . da ako ˇelimo da globalna pogreˇka c c z s diskretizacije teˇi nuli kada n → ∞. Konvergencija linearnih viˇekoraˇnih metoda s c Kao i kod jednokoraˇnih metoda. . ∞ lim Un n tj. i = 0. h) = yn − y(x). . . U svakom sluˇaju. . . Dok y0 moˇemo c c z odrediti iz poˇetnog uvjeta diferencijalne jednadˇbe. 1. . . Ova pogreˇka ne ovisi o promatranoj viˇekoraˇnoj metodi. . n→∞ Sada moˇemo izre´i definiciju konvergencije viˇekoraˇne metode. hn ) = 0.4. i = 0. . . n = 0. ostale vrijednosti moramo c z odrediti nekom drugom. i = 0. 2. metodom. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 563 Budu´i da su na Cr sve norme ekvivalentne. . z c s c Definicija 10. gdje je x ∈ (a. . = 0. b]. . b) i sve yi . Medutim. s c prvo je potrebno izraˇunati r poˇetnih vrijednosti y0 . . n = 1. i = 0. c sc c c pri njihovom odredivanju javit ´e se odredena pogreˇka εi : c s y(xi ) = yi + εi. postoji k > 0 takav da je c U ≤ U k te posebno vrijedi Un Stoga je un = 0.3 Viˇekoraˇnu metodu danu s (10.4. pogreˇke poˇetnih vrijednosti trebaju zadoz s c voljavati lim εi = 0. . posebno vrijedi lim n→∞ 10.

Uvjet lim εi = 0 znaˇi da postoji funkcija ε(h) takva da je |εi | ≤ ε(h) za c n→∞ i = 0. z c s c Teorem 10. . y(xi−j )) h j=1 j=0 (10. . .4. n→∞ i = r. Fiksirajmo x ∈ [a.15). Jednako tako. (10.4 Stabilne i konzistentne linearne viˇekoraˇne metode su konvergents c ne. uz yi = y(xi) + εi.1 Linearna viˇekoraˇna metoda je konzistentna ako i samo ako je s c ′ ρ(1) = 0 i ρ (1) = σ(1).16) i = 0.4. gdje je lim εi = 0. (10. . r − 1 i lim ε(h) = 0. . Dokaz ovog teorema je sliˇan dokazu konvergencije jednokoraˇnih metoda. y). c c Neka je y egzaktno rjeˇenje jednadˇbe s z y ′ = f (x.4.ˇ ˇ 10. .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). f ∈ F1 (a.15) ln z Prethodni teorem povlaˇi i sljede´i korolar. Zbog konzistentnosti metode. Dokaz. h) = τi = r r 1 y(xi) + αj y(xi−j ) − βj f (xi−j . Zbog ln 1 = 0 treba vrijediti i ρ(1) = 1. 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. Na kraju.4. S yi oznaˇit ´emo c c aproksimaciju dobivenu linearnom viˇekoraˇnom metodom s c yi +α1 yi−1 +· · ·+αr yr = h(β0 fi +β1 fi−1 +· · ·+βr fi−r ). b). pokaˇimo vezu izmedu stabilnosti i konzistentnosti te konvergencije z linearne viˇekoraˇne metode. r − 1.17) .4. . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 564 Sada moˇemo izre´i teorem o redu viˇekoraˇne metode. c c Korolar 10. b] i za n ∈ N definirajmo h = hn = (x − x0 )/n. lokalna pogreˇka s h→0 diskretizacije u toˇki xi c τ (xi . .4. . y(x0 ) = y0 . . Dokaz. r +1. Iz teorema slijedi da je metoda konzistentna ako i samo ako je 1 nultoˇka c funkcije (10. .4. s c Teorem 10. .

0 1   0 . .. y) ≤ m ∀x ∈ [a. .r Pomo´u vektora c i matrice ej   ej+1 ej =  . .  .18) tj. Budu´i da je f ∈ F1 (a. τi moˇemo omediti nekom funkcijom t(h). 0 1 0  −αr . j=0.4. r + 1. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 565 zadovoljava h→0 lim τi = 0. .4.. . . (10. ∂y Iskoristivˇi ovu nejednakost. uz ei = εi. (10. y(xk ))| = ∂f (xk .  A=   0 . −α1 . postoji konstanta m > 0 takva da je c ∂f (x. ∂y te vrijedi |f (xk .20) M = m max |βj |.ˇ ˇ 10.  . b] i ∀y ∈ R. .  .    ej+r−1 0  . .  . .. . η)(yk − y(xk )) ≤ M|ek |. (10.17) pomnoˇene s h od jednakosti (10. ...   bj =   ∈ Rr . . . . . r − 1 βj [f (xi−j . .4.. . dobivamo da ci zadovoljava s r |ci | ≤ hM gdje je j=0 |ei−j | + |h|t(h).   .  . .. yi−j ) − f (xi−j . . yk ) − f (xk .  .. .4.. |τi | ≤ t(h). .16) doz bivamo rekurziju za pogreˇke ei = yi − y(xi ): s ei + α1 ei−1 + · · · + αr er = ci . . .   1 0 . 0 ..4.. y(xi−j ))] − hτi . i ci = h j=0 r i = r.19) i = 0. Oduzimanjem jednakosti (10. koja zadovoljava lim t(h) = z h→0 0. b).

 εr−1   (10. .22) prelazi u 1 + |h|Mk 2 ≤ 1 + 4|h|Mk 2 . po apsolutnoj vrijednosti manje od 1. 1 − |h|Mk 2 j = 0.20) slijedi da je |cj+r | ≤ |h|Mk( ej + ej+1 ) + |h|t(h).4. Uoˇivˇi da je c s |ej+r | ≤ r i=1 |ej+i| ≤ k ej+1 iz nejednakosti (10. 1 2Mk 2 1 2 Sada nejednakost (10.  .4. Budu´i da su sve norme na Cr c ekvivalentne. tj. ε0 .19) moˇemo zapisati u ekvivalentnom vektorskom zapisu z ej+1 = Aej + cj+r b. . definiran viˇekoraˇnom metodom (10. postoji konstanta k > 0 takva da je r−1 1 |ej+i| = ej ej ≤ k i=0 1 ≤ k ej . . . . (10.4. i Za je 1 − |h|Mk 2 ≥ i e0 ≤ k e0 |h| ≤ 1 1 = k.ˇ ˇ 10. e0 =  . . 1.4.4.16). Iskoristivˇi vektorski zapis rekurzije (10.4. ujedno i svojc s c stveni polinom matrice A. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 566 rekurziju (10. 1. .22) ≤ krε(h). c c svojstvene vrijednosti od A. .4. j = 0. Stabilnost metode povlaˇi da su sve nultoˇke od ρ. ej+1 ≤ (1 + 4|h|Mk 2 ) ej + 2k|h|t(h). To znaˇi da postoji vektorska norma c na Cr takva da za induciranu vektorsku normu vrijedi A ≤ 1.21) Uoˇimo da je polinom ρ. a ako su jednake 1 tada su jednostruke.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).

pa je ˜ |e(xi . n→∞ Iz ocjene (10.4. iz teorema 10. r − 1 Primjenom teorema srednje vrijednosti dobivamo da postoji θ ∈ (0. . Ukoliko za njihovo odredivanje s s c koristimo jednokoraˇnu metodu reda p. . h)| = |en | = |yn − y(xn )| ≤ C1 ε(hn ) + C2 t(hn ) za dovoljno veliki n.4. n Ovaj korolar ujedno kazuje koju metodu moramo izabrati za odredivanje poˇetc nih vrijednosti y0 .3. . . h) takav da je eM i|h| − 1 = Mi|h|eM iθ ≤ Mi|h|eM i|h| .3. te f ∈ Fp (a. Konvergencija metode sada slijedi iz ˇinjenice da je c n→∞ (10. yr−1 . postoje konstante C1 i C2 .2 Neka je linearna viˇekoraˇna metoda stabilna i konzistentna reda s c p.ˇ ˇ 10. c Korolar 10. . za x = x0 . h)| ≤ |h|p Ni|h|eM i|h| . 2Mk 2 tj. |hn | ≤ 1/(2Mk 2 ) vrijedi en ≤ e4M k 2 |x−x 0| krε(hn ) + t(hn ) e4M k 2 |x−x 0| 2Mk −1 . Dakle.1 slijedi en ≤ e 4n|h|M k 2 e4n|h|M k − 1 krε(h) + t(h) . takve da je |e(x. Da bismo postigli da se pogreˇka ponaˇa kao O(hp ). . . h = hn = (x − x0 )/n. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 567 Iz leme 10. b).23) dobivamo sljede´i korolar.4. . hn ) = O(hp ) n za sve hn = (x − x0 )/n ˇim pogreˇke εi zadovoljavaju c s |εi| ≤ ε(hn ). uz ε(hn ) = O(hp ). h)| ≤ |h|p N M i|h| eM |xi −x0 | − 1 −1 ˜ e = |h|p N . .23) lim ε(hn ) = lim τ (hn ) = 0. nezavisne o h. M M i = 0. Tada globalna pogreˇka diskretizacije zadovoljava s e(x. tako s s se mora ponaˇati i pogreˇka poˇetnih vrijednosti.3 slijedi da pogreˇka poˇetnih c ˜ s c vrijednosti zadovoljava ˜ |e(xi .

2. gdje je niz ui dobiven rekurzijom uj+r + α1 uj+r−1 + · · · + αr uj = 0. . . Budu´i da je metoda konvergentna.4. b] neka je yn aproksimacija za y(x) s uz h = (x − a)/n. . .4. Budu´i da je metoda konvergentna. i = 0. Promatrajmo diferencijalnu jednadˇbu z y ′ = 0. r − 1. te moˇemo izabrati metodu reda p = p − 1 da bi se pogreˇka viˇekoraˇne metode z ˜ s s c p ponaˇala kao O(h ). n = 1. r − 1.5 Konvergentne linearne viˇekoraˇne metode su stabilne. . . . s c Dokaz. . Izaberimo sada za neke fiksne konstante u0 . Teorem 10. Sada definirajmo niz yi rekurzivnom formulom yj+r + α1 yj+r−1 + · · · + αr yj = 0 uz poˇetne vrijednosti c yi = εi Sada vrijedi yi = hui . y(a) = 0 Sljede´a dva teorema govore o svojstvima konvergentnih viˇekoraˇnih metoda. Za fiksirani x ∈ [a.4. εi = hui i = 0. .1. un . . s c .4. h)| ≤ |h|p+1 N(r − 1)eM (r−1)|h| . vrijedi c n→∞ lim yn = 0 (10. vrijedi c 0 = lim yn = lim (hun ) = (x − a) lim n→∞ n→∞ n→∞ i = 0. s Teorem 10. vrijedi c c ˜ |e(xi . .6 Konvergentne linearne viˇekoraˇne metode su konzistentne. . r − 1. . te neka su zadane poˇetne vrijednosti c yi = εi . . c s c s egzaktnim rjeˇenjem y = 0. . . n Tvrdnja teorema sada slijedi direktno iz leme 10.24) ˇim je zadovoljeno c n→∞ lim εi = 0 i = 0. r − 1. .4. . . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 568 Kako je za poˇetne vrijednosti r-koraˇne metode 0 ≤ i ≤ r − 1. ur−1. . Uz ovakav izbor εi zadovoljili smo uvjet (10. . .ˇ ˇ 10.24). ..

r − 1. 1. n→∞ n→∞ n→∞ Dakle. Stavivˇi h = x/n. . . Za poˇetne vrijednosti yi = 1. tj. Da bismo dokazali da je i C1 = 0. konstanta c K= je dobro definirana. Sada direktno iz (10. j = 0. j = 0. lim εj = 0 za j = 0. te je C1 = ρ′ (1) − σ(1) = 0. lagano se moˇe s z s z provjeriti da je yj = jhk za sve j. Zbog konvergencije metode je x = y(x) = lim yn = lim (nhK) = lim (xK) = Kx. . . . Uz poˇetne uvjete c yj = jhK yj = y(xj ) + εj Oˇito je zadovoljeno c n→∞ σ(1) ρ′ (1) za inicijalni problem y ′ = 1. Metoda. . s c metoda daje vrijednosti yj+r . r − 1. K = 1. ˇto znaˇi da je s c metoda konzistentna. .4. iz teorema 10. . i = 0. j = 0. + α0 = 0. . daje niz yj koji zadovoljava c yj+r + αr−1 yj+r−1 + · · · + α0 yj = h(β0 + β1 + · · · + βr ) = hσ(1). y(0) = 1 s egzaktnim rjeˇenjem y(x) = 1. . Fiksirajmo sada x i stavimo h = x/n.4. zbog konvergencije metode vrijedi s n→∞ (10. Ve´ smo vidjeli da je C0 = ρ(1) = 0. imamo s uz εj = jh(K − 1). pa je λ = 1 jednostruka nultoˇka od ρ. . . r − 1.ˇ ˇ 10. r − 1. gdje je yj+r + αr−1 yj+r−1 + · · · + α0 yj = 0. . uz ove poˇetne vrijednosti. s egzaktnim rjeˇenjem y(x) = x.25) za j → ∞ slijedi C0 = 1 + αr−1 + . . y(0) = 0. . . ρ′ (1) = 0. Promatrajmo inicijalni problem y ′ = 0. Uvrˇtavanjem u gornju jednadˇbu. y(0) = 0. . . . uzevˇi u obzir da je y(xj ) = xj = jh. . . uzevˇi u obzir da je ρ(1) = 0. Dakle. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 569 Dokaz.4. odnosno ρ′ (1) = σ(1). Zbog s c konvergentnosti metode.5 slijedi i njena stabilnost. iskoristit ´emo ˇinjenicu da je metoda konverc c gentna i za inicijalni problem y ′ = 1.25) lim yn = y(x) = 1. .

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

4) P (z) dz + yn−1. yn ). . . (10. 0 .. . k. . xn−1 (10.3) Za izvod Adams–Bashforthove metode iskoristili smo interpolacijski polinom P koji interpolira vrijednosti fn−i u toˇkama xn−i za i = 1. . . gdje je Za yn odabrat ´emo zadnju iteraciju: c m = 0. .. u0 ) − u1 . (10.  . . . yn − dn . m = 1. [m] Uoˇimo da funkcija F koristi samo prve dvije komponente vektora yn : c F ([u0 . M.  . uk ]T ) = hf (xn . . 0 . . . . [0] hf (xn .. i = 1. .. . te iz (10..5) slijedi Q(xn−1 ) = yn−1 i Q(xn ) = yn . . M definiramo vektor 1  0   B = 0 . . yn ) − hf (xn . [M yn = yn ] .2) ∗ c = [β0 . .5.. (10.. .5. .. .. .. .. .  β1 δ1 1 . . 0]T . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 571 gdje je Nadalje. M − 1.. hfn+1−k ]T i funkciju [m] F (yn ) = [m] [m−1] hf (xn .4) i (10. ′ . hfn−1 .   [m] [m] [m−1] yn = [yn . u1. 1. . . 0. . . . Sada je [m+1] [m] [m] yn = yn + cF (yn ). . . ..5.5. . . . k te definirali metodu c pomo´u c xn yn − yn−1 = Definirajmo polinom Q(x) = xn−1 x P (x) dx.. m = 0. 0 1 0 βk  δk   0 . .  . . yn .5) Zbog Q (x) = P (x) izlazi Q′ (xn−i ) = fn−i .ˇ ˇ 10.5. hf (xn .. .5. . . . za m = 1. .

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

n (10. n n n [m] Budu´i da F koristi prve dvije komponente od zn .9) Koeficijenti vektora l za Adams–Bashforth–Moultonovu metodu dani su u sljede´oj c tablici.5.8) m = 0. Iteracije korektora moˇemo napisati u obliku z zn = z[0] + [F (z[0] ) + · · · + F (z[M −1] )]l. jedino se razlikuju c .5. 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 . . Uz oznaku c en = F (z[0] ) + · · · + F (z[M −1] ) n n prethodna relacija postaje zn = z[0] + en l. .7) (10. n n n [M ] zn = zn .5.5. n z[m+1] = z[m] + F (z[m] )l.6) (10. (10. . M − 1. i viˇekoraˇnu metodu moˇemo pisati u obliku s c z z[0] = Pzn−1.ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 573 Oznaˇimo joˇ s c s l = Dc. dovoljno je tijekom iteracija c raˇunati samo njih. .

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

10) moˇemo rjeˇavati Newtonovom metodom umjesto jednostavnim z z s iteracijama: z[m+1] = z[m] + W F (z[m] )l.k ). . .k − zn. Koriste´i podijeljene razlike unazad dobic vamo Q(k+1) (xn ) ≈ y (k+1) (xn ) ≈ ≈ k! hk+1 y (k) (xn ) − y (k) (xn−1 ) h k (k) k (k) h y (xn ) h y (xn−1 ) k! − ≈ k+1 (zn.5. y0 )]T .k = zn. .5. Dovoljno je poˇeti integraciju s c c s jednokoraˇnom metodom i vektorom c z0 = [y0 . (10. jedc c nadˇbu (10. ∂z ∂y Raˇunanje W -a zahtijeva relativno mnogo raˇunanja tako da se radi ubrzanja u c c iteracijama koristi W izraˇunat u prvoj iteraciji. Da bi se prevladao ovaj problem. s c Iteracije korektora u (10.k = en lk gdje smo iskoristili prikaz (10. ali i pove´anje ili smanjenje broja koraka. hf (x0 .10) Problem se javlja kod krutih sustava. k! k! h Uoˇimo da su zbog oblika matrice P zadnje komponente vektora zn−1 i z[0] jednake. Joˇ nam je ostalo za razmotriti izbor veliˇine koraka i reda metode. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 575 treba aproksimirati zadnju komponentu.5. nerealno smanjenje koraka integracije znaˇajno pove´ava broj koraka integracije.k − zn−1.5. Sada c ¯ ¯ za aproksimaciju zadnje komponente vektora zn moˇemo iskoristiti z en lk hk+1 Q(k+1) (xn ) = .7) nisu niˇta drugo nego metoda jednostavnih its eracija za rjeˇavanje jednadˇbe s z F (zn )l = 0. (10.5. c W = − . c n te vrijedi [0] zn. Medutim. (k + 1)! k+1 Ovime smo pokazali da ovakav prikaz viˇekoraˇnih metoda omogu´ava laganu pros c c mjenu koraka integracije. . n n n gdje je m = 0.11) ∂F [m] −1 ∂f −1 zn l = l1 − hl0 .9) i s lk oznaˇili zadnju komponentu vektora l. odnosno reda c metode.ˇ ˇ 10.k − zn−1. W se ponovno raˇuna. Tada iteracije konvergiraju samo ako je korak integracije h dovoljno malen. M − 1. U sluˇaju da nije zadovoljen kriterij c c konvergencije. Ujedno je i rijeˇen problem poˇetnih vrijednosti.

12) zamjenjujemo s c ck+1 |en | |lk |k! ≤ ε.5.5. (10.14) moˇemo napisati u obliku z hk+1 y (k+1) (xn ) ≈ k!en lk . i jer matrica P ne mijenja zadnju komponentu vektora zn−1 . h hk (k) Vrijednost y (xn ) nalazi se u zadnjoj komponenti zn. tada moramo zahtijevati ck+1 hk+1 |y (k+1)(xn )| ≤ ε. Koriste´i ove aproksimacije.5. ∗ pri ˇemu je za Adamsove metode ck+1 = γk a za BDF metode je ck+1 = 1/(k + 1).16) (10.5. y∞ Uz oznake D2 = |en | y∞ i E2 = ε . ck+1 |lk |k! (10.k . c Ako ˇelimo da nam relativna toˇnost n-tog koraka bude manja od unaprijed zadane z c vrijednosti ε.5. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 576 Apsolutna pogreˇka metode dana je s s ck+1 hk+1 y (k+1)(xn ) + O(hk+2 ). slijedi da je zn. Sada zbog (10.5.ˇ ˇ 10. y∞ gdje je y∞ = max |yi|.13) y (k)(xn ) − y (k)(xn−1 ) .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 ) . 0≤i≤ (10.k ).5. te (10. k! k! (10.k = zn−1.9) relaciju (10.13) k! prelazi u hk+1 y (k+1) (xn ) ≈ k!(zn.14) Budu´i da je c 0 z[n ] = Pzn−1.15) [0] . nejednakost (10.5.5.k − zn−1.k vektora zn .

Da smo u n-tom koraku koristili metodu jednog reda manju. nejednakost (10. analogan zahtjev na relativnu pogreˇku glasio bi s ck hk |y (k)(xn )| ≤ ε. y∞ Iskoristivˇi aproksimaciju s hk y (k) (xn ) ≈ k!zn.17) Ukoliko gornji uvjet nije zadovoljen.k |k! ≤ ε. (10. 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 (10.16) moˇemo zapisati u obliku z D2 ≤ E2 . dakle reda k + 1.k .18) zamjenjujemo s ck |zn.18) Sliˇno razmatranje moˇemo provesti i za sluˇaj da smo koristili za jedan red c z c ve´u metodu. pri ˇemu je c D1 = |zn. ali s manjim korakom integracije: h2 = gdje je D2 p2 = 1. p2 1 k+1 . dakle reda k − 1. (10. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 577 kriterij (10. ck k! (10.5.5. dobivamo s hk+2 y (k+2) (xn ) ≈ (en − en−1 )lk k!. tj. nismo postigli traˇenu toˇnost. y∞ odnosno D1 ≤ E1 .k | y∞ i E1 = ε .5.19) .5. zadnji korak z c se ponavlja.15).5.2 E2 h .5. Zahtjev na relativnu pogreˇku glasio bi c s ck+2 hk+2 |y (k+2) (xn )| ≤ ε.ˇ ˇ 10.

p1 i p3 su teˇine kojima dajemo c z prednost na mijenjanju i smanjivanju reda metode.17) prelazi se na izbor reda metode i koraka h u novom.5. 1.19) zamjenjujemo s D3 ≤ E3 . dok se red metode pove´ava za jedan ako je p3 najmanja konstanta. pi Faktori 1. Ukoliko je p1 najmanja konstanta. . ε .4 E3 1 k+2 .3 i 1. ck+2 k!|lk | Ako je u n-tom koraku zadovoljen uvjet konvergencije (10. pri izboru reda i koraka raˇunaju se i konstante c D1 p1 = 1.ˇ ˇ 10. tada se red metode smanjuje za jedan.3 E1 1 k D3 i p3 = 1.2. Red metode se ne mijenja c ako je p2 najmanja konstanta. Uz konstantu p2 . (n + 1)-om koraku. Za novi korak integracije uzima se hi = h .5.4 kod raˇunanja konstanti p2 . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 578 Uz oznake D3 = |en − en−1 | y∞ i E3 = nejednakost (10.

1) vezan je uz traˇenje minimuma na neograniˇenom poz c druˇju. njegovo rjeˇavanje je jedno od najteˇih podruˇja s z c numeriˇke analize.1. c c Iako smo rekli da je cilj optimizacije rijeˇiti problem (11. Na´i minimum ove funkcije je zapravo c c traˇenje najve´e morske dubine. ne moˇemo re´i da li izmedu njih postoji joˇ neka toˇka ve´e c z c s c c dubine. OPTIMIZACIJA OPTIMIZACIJA – 579 11. na´i minimum s c funkcije f . n x∈Ê (11. Naˇavˇi jedan minimum. uvijek nam ostaje nepoznata dubina izmedu dvije susjedne toˇke mjerenj