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

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

Izvod relacija (1.1.1. Da bismo mogli koristiti taj c c pristup u aproksimaciji funkcije. Polinom pn se naziva Taylorov razvoj funkcije f u toˇki x0 .1)–(1.5) (1. 2 n! (n + 1)! x2 x4 x2n cos(x) = 1 − + − · · · + (−1)n 2! 4! (2n)! 2n+2 x + (−1)n+1 cos(ξx ). b].1) (1. Drugi oblik ostatka Rn+1 (x) dobije se koriˇtenjem teorema integralne srednje vris n jednosti za funkciju w(t) = (x − t) . x0 ∈ [a. Rn+1 (x) = n! x (n + 1)! 0 (1. Teorem 1.1. n! x 1 (x − x0 )n+1 (n+1) (x − t)n f (n+1) (t) dt = f (ξ). tada je f (x) = pn (x) + Rn+1 (x). Ako je f beskonaˇc c no puta derivabilna. dobivamo naˇin s c izraˇunavanja vrijednosti funkcije f u danoj toˇki x.1.1. (x − x0 )2 ′′ (x − x0 ) ′ pn (x) = f (x0 ) + f (x0 ) + f (x0 ) + · · · 1! 2! (x − x0 )n (n) + f (x0 ). a c c zove se Taylorov red. 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.1. ona mora biti dovoljno glatka. n + 1 > 0. Ako su x. (2n + 1)! ex = 1 + x + (1.2) (1. Dokaz.1.3) koristi n puta parcijalno integriranje. polaze´i c od identiteta x f (x) = f (x0 ) + x0 f ′ (t) dt. polinom pn prelazi u red potencija. s op´im ˇlanom (x − x0 )n . na segmentu [a. Uz pomo´ Taylorovog reda lako se dobivaju poznate formule: c xn xn+1 ξx x2 +···+ + e .1.3) za neki ξ izmedu x0 i x.4 (Taylorov teorem) Neka funkcija f ima neprekidne derivacije do reda n + 1.6) .4) (1. b]. Puni dokaz se moˇe na´i u ve´ini knjiga iz z c c elementarne analize. (2n + 2)! x3 x5 x2n−1 sin(x) = x − + − · · · + (−1)n−1 3! 5! (2n − 1)! 2n+1 x + (−1)n sin(ξx ).1. Kako se c vrijednost polinoma odreduje koriˇtenjem Hornerovog algoritma.1.

umjesto x.1. z e −x2 2n+2 x4 n+1 x = 1−x + − · · · + (−1) eξx . formula (1. moˇemo se koristiti razvojem (1. .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 + . U takvim sluˇajevima. Sjetimo se formule za n-tu parcijalnu sumu geometrijskog reda 1 + x + x2 + · · · + xn = 1 − xn+1 .1.1.1. ˇesto puta raˇunanje viˇih derivacija predstavlja problem zbog sloˇenosti c c c s z raˇunanja. ne trebamo ograniˇiti x jer c c pripadni redovi konvergiraju apsolutno za svaki x. u koji. uvrstimo −x2 . 1). c . k k! k = 1. Iako su formule (1.3) vrlo korisne za dobivanje razvoja funkcije f oko toˇke x0 . dobivamo 1 xn+1 = 1 + x + x2 + · · · + xn + .1.1. 2.8) Prikaˇemo li razlomak na desnoj strani kao razliku razlomaka. (1. za proizvoljni realni broj α.7) uz α = −1 i −x umjesto x.9) ˇto je drugi.1. . 1−x 1−x x = 1. c c z c Sljede´i primjeri pokazuju kako se to moˇe naˇiniti. 1−x (1. cos(x) i sin(x).10) Kad isto naˇinimo u formulama za ex . moˇemo se koristiti ve´ dobivenim razvojima. U svim sluˇajevima nepoznata toˇka ξx smjeˇtena je c c s izmedu 0 i x.1)–(1.1.1. zapis razvoja (1.9) prelazi u 1 = 1 + x + x2 + · · · + xn + · · · . Kad s pustimo da n proizvoljno raste i ako je x iz (−1. (1. 2! (n + 1)! 2 pri ˇemu je −x2 ≤ ξx ≤ 0. 1−x |x| < 1. jednostavniji. (1 + ξx )n+1−α (1. c z c Primjer 1. . te dio s potencijom z n+1 x prebacimo na drugu stranu jednakosti.7) pri ˇemu je c α α(α − 1) · · · (α − k + 1) = .1.4). 3.1 Da bismo dobili razvoj funkcije f (x) = e−x 2 oko 0.

umjesto x.1. 1 + t2 1 + t2 Integriranjem po t na intervalu [0. x1 ] x2 − x0 (1.1. x]. x2 ] − f [x0 . z 1 t2n+2 = 1 − t2 + t4 − · · · + (−1)n t2n + (−1)n+1 .1. c ali se moˇe dovesti i na jednostavniji oblik. x2 razliˇiti realni brojevi i f realna funkcija definic rana na intervalu koji sadrˇi te toˇke. x2 ] = f [x1 . (2j)! (2n + 2)! ξx izmedu 0 i x. 1 + t2 0 x2n+3 1 t2n+2 dt = · . Integral u ostatku se jednostavno ocijeni s 1/(2n + 2).3 Neka je f (x) = 0 sin(xt) dt. Naime. Veliˇine z c c f [x0 . 0 pri ˇemu je ξxt izmedu 0 i xt. x1 ] = f (x1 ) − f (x0 ) x1 − x0 i f [x0 . 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.9).2 Da bismo dobili razvoj funkcije f (x) = arctg(x) oko 0.1. pa se moˇe primijeniti integralni teorem srednje vrijednosti i z dobiti 1 n sin(xt) dt = 0 (−1)j−1 j=1 x2j−1 x2n+1 + (−1)n cos(ξx ).1. UVODNI DIO UVODNI DIO – 5 Primjer 1. uvrstimo −t2 . Koriˇtenjem razvoja funkcije sin u Taylorov red oko nule (vidi relaciju (1.4 Neka su x0 . 2 2 1+t 2n + 3 1 + ξx 1 ξx izmedu 0 i x. Primjer 1.1.1. 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. x1 . moˇe se pokazati da je t → ξxt z z neprekidna funkcija. x1 . moˇemo se koristiti razvojem (1. Primjer 1.6)). u koji.11) .

a nalaze se izmede tih toˇaka (kra´e kaˇemo da je L(x0 . a ordinata ima vrijednost y). y) pridruˇiti toˇno z z c jednu toˇku u Kartezijevoj ravnini koju oznaˇimo s (x.12) pri ˇemu je ξ izmedu x0 i x1 . x1 . a η izmedu minimuma i maksimuma skupa {x0 . y) +η f (x. x0 + ξ.1. x1 . k niza (0. Ako je f jedanput odnosno dvaput diferencijabilna na odgovaraju´em intervalu. xj . y). 1. x0 ]. y1 ) skup svih toˇaka na pravcu koji prolazi toˇkama c c c c c z (x0 . UVODNI DIO UVODNI DIO – 6 zovu se podijeljene razlike prvog i drugog reda od f . y) u okolini toˇke (x0 .5 Neka su (x0 . y0 + η). x1 . Dokaz. moˇemo svakom paru realnih brojeva (x. y1 ) segment izmedu tih dviju toˇaka). c Oznaˇimo s L(x0 . f [x0 . x2 ] = s f [xi . ali z s nam to za potrebe ove knjige ne´e trebati. x0 + ξ. y0 ) + + 1 ∂ ∂ j ξ +η f (x. Tada je f (x0 + ξ. ∂x ∂y . y) ∂ 2 f (x. y) x=x0 +θξ y=y0 +θη (1. y) ∂ 2 f (x. i taj teorem se moˇe dalje generalizirati za funkcije od tri i viˇe varijabli. ∂x ∂y ∂x2 ∂x∂y ∂y 2 a po analogiji s razvojem od (x + y)j definira se i ξ ∂ ∂ j +η f (x. j.1.1. par realnih brojeva (x. y0 + η) = f (x0 . f : R2 → R. c Prva tvrdnja lako slijedi iz teorema o srednjoj vrijednosti. y) (apscisa te toˇke ima c c c vrijednost x. y0) i (x1 .1. c c Postoji generalizacija Taylorovog teorema za f (x. y0 . Prvo se prisjetimo znaˇenja oznake c ξ ∂ ∂ 2 ∂ 2 f (x. a time i drugu tvrdnju. c Teorem 1. y0. x1 ] = f ′ (ξ). Neka je sada f realna funkcija dviju varijabli. y) = ξ 2 + 2ξη + η2 . y0 + θη) nepoznata toˇka na segmentu c L(x0 . Kasnije ´emo pokazati c op´a svojstva podijeljenih razlika proizvoljnog reda. y) se poistovje´uje s toˇkom ravnine. Kako vrijedi i obrat. 2). x2 ] = 1 ′′ f (η). x1 ] = f [x1 . y1 ). Pokuˇajte pokazati da je f [x0 . y0 ). Koriste´i Kartezijev c koordinatni sustav Oxy. x2 }. y) ∂x ∂y j=1 j! n+1 n x=x0 y=y0 1 ∂ ∂ ξ +η (n + 1)! ∂x ∂y f (x. y0 + η). y0 ) i (x0 + ξ. Pritom je (x0 + θξ. 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 . y0. xk ] za bilo koju permutaciju i.13) za neki 0 ≤ θ ≤ 1. y0 . Takoder. moˇe se pokazati da je c z f [x0 . c Jasno. 2 (1. c odmah se vidi da je f [x0 . x1 . x1 .

y0 + tη) ∂f (x0 + tξ.4. c Dokaz relacije (1. y0 ). y). y0) i F (1) = f (x0 + ξ. F zadovoljava uvjete teorema 1. Naime. y. tada je c segment L(2. β) blizu (2. 1.1. 1.13) baziran je na Taylorovom teoremu za funkciju jedne varijable F (t) = f (x0 + tξ.1. 0 ∂x ∂y y=y0 +tη Derivacije viˇeg reda se dobiju na sliˇan naˇin. y) = x y oko toˇke (x0 .1. 1) do ukljuˇivo ˇlana odredenog s n = 1. Za c prvu derivaciju vrijedi F ′ (t) = ξ ∂f (x0 + tξ. Uoˇimo da je F (0) = f (x0 . 1]. x ∂f (2. y) ∂ 2 f (x. 1) ∂f (2. y) ∂ 2 f (x. Ako je (x.5 Odredimo razvoj funkcije f (x. t ∈ [0. 1) + ξ +η y ∂x ∂y 2 1 2 ∂ f (x. β) na segmentu L(2. 1). 1) = f (2. pa je F (1) = f (0) + F ′ (0) F (n) (0) F (n+1) (θ) +···+ + 1! n! (n + 1)! za neki 0 ≤ θ ≤ 1. η = y − 1. c c c Imamo ξ = x − 2. x. 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 . 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 Graf funkcije z = x − 2y + 2 je ravnina tangencijalna na graf funkcije z = x/y u toˇki (x. β β gdje je toˇka (α. y) kratak pa je i (α. c . x. 1. s c c Primjer 1. 1) i vrijedi x ≈ x − 2y + 2. y) x=x +tξ . z) = (2. y) blizu (2. 2).1. y0 + η). y0 + tη). y0 + tη) +η ∂x ∂y ∂ ∂ = ξ +η f (x. y0) = (2.

 αxn   Ako je α = 0.14) xn xi ∈ R za sve 1≤i≤n .     . Pretpostavljamo da su ˇitatelji upoznati s pojmovima kao ˇto su vektori. Elemente tog skupa oznaˇavamo malim slovima abecede. 1 ≤ i ≤ n. Uz tako definirane operacije skupovi Rn i Cn imaju cijeli niz lijepih svojstava koje ih ˇine vektorskim prostorima. Takav vektor se zove nul-vektor i oznaˇava s 0. c s matrice.  xn + yn   αx1  . tada se vektori x + y i αx definiraju formulama x1 + y1   . determinantama.         ⇐⇒ (¬T2 =⇒ ¬T1 ) (1. x+y = .   . . (kra´e piˇemo x = [xi ]. c c c Umjesto da se dokazuje ta implikacija. S Rn oznaˇavamo skup svih jednostupˇanih realnih matrica (koje joˇ zovemo c c s realni vektori) Rn =   x1    . tada c se konjugirano kompleksni vektor z = [¯i ] dobije tako da mu se svaka komponenta ¯ z kompleksno konjugira. . yi .   . i αx =  . y ∈ Rn vektori c s komponentama xi . Iz konteksta ´emo razlikovati c c je li 0 broj (skalar) nula ili nul-vektor. . tada je u zadnjem izrazu αx vektor koji ima sve komponente jednake nuli. s Za one koji nisu upoznati s osnovama linearne algebre. 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. UVODNI DIO UVODNI DIO – 8 Matematiˇke tvrdnje ˇesto imaju oblik implikacije: iskaz T1 povlaˇi iskaz T2 . norme i skalarni produkti. baze. ali koriste oznake odatle.1. Ako su x. uvodimo ovdje neke oznake i pojmove da bi lakˇe razumjeli izreke mnogih tvrdnji koje moˇda nemaju s z veze s linearnom algebrom. Ta ekvivalentnost se logiˇki zapisuje c (T1 =⇒ T2 ) i zove obrat po kontrapoziciji. linearnim opec ratorima.1. y = [yi ]) i α ∈ R realni c s broj (skalar). kadkad je zgodnije dokazati ekvivalentnu implikaciju: iskaz ¬T2 povlaˇi iskaz ¬T1 . itd. Neˇto dublje znanje iz linearne algebre koje s ukljuˇuje osnovne informacije o grupama. Ako je z = [zi ] ∈ C.  . vektorskim prostorima. gdje ¬T oznaˇava suprotni iskaz od iskaza c c T . Jednako kao gore definira se i zbroj kompleksnih vektora kao i umnoˇak kompleksnog broja (skalara) i komz pleksnog vektora. dobro bi doˇlo za lakˇe ˇitanje ove knjige. Na isti naˇin definira se Cn kao skup kompleksnih vektora koji osim realnih c mogu imati i kompleksne brojeve kao komponente.

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

··· an1 an2 · · · onda je A ∞ n  ann a1n a2n   .  . .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.  . vrijedi i Ax gdje je x ∈ Rn . A. ∞ ∞ ≤ A ∞ B ∞.  = 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= . B reda n.  .  |aij |. Npr. . Norme postoje i za matrice. x ∞. ≤ A ∞ . Npr. za normu beskonaˇno to svojstvo se zapisuje kao c AB Specijalno. y produkt xy nije definiran). Tipiˇna norma na z c c tom prostoru je f ∞ = max |f (t)|.

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

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

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

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

|x1 |p + |x2 |p + · · · + |xn |p . tada su operacije zbrajanja i mnoˇenja skalarom definirane s z x + y = (x1 + y1 . . xn + yn ) i α · x = (αx1 . |xn |}. a (Cn . 1 i ∞ u vektorskom prostoru Vn medusobno ekvivalentne. H¨lderovu normu c o x p dokaz je sloˇeniji. αxn ). gdje je Φ = C. Lako se pokaˇe da su norme z 2. . ·) kompleksni vektorski prostor. |x1 |2 + |x2 |2 + · · · + |xn |2 . U z tim vektorskim prostorima moˇemo definirati sljede´e funkcije z c x x x x 1 2 ∞ p = |x1 | + |x2 | + · · · + |xn |. tzv. y ∈ X i svaki α ∈ Φ. |x2 |. Funkcija (· | ·) : X × X → Φ zove se skalarni produkt ako vrijedi (ii) (x | x) = 0 ako i samo ako x = 0.1. s Neka je (X. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 15 dvije n-torke iz Vn (ili Cn ) i α ∈ R (ili α ∈ C). (iv) (αx | y) = α(x | y) za sve x. . . Lako je provjeriti da su funkcije x 1 i x ∞ norme. ·) realni. . . . 2. H¨lderova 2-norma x 2 se joˇ zove euklidska norma. potrebno je u vektorski prostor uvesti joˇ jednu funkciju. s c c Moˇe se pokazati da su u vektorskim prostorima Vn i Cn sve norme medusobno z ekvivalentne. ako postoje pozitivni realni brojevi c1 i c2 takvi da vrijedi c1 x α ≤ x β ≤ c2 x α .3. . 1 ≤ p ≤ ∞. +. y ∈ X. . (v) (x + y | z) = (x | z) + (y | z) za sve x. z ∈ X. Pokuˇajte na´i odgovaraju´e konstante c1 i c2 za svaki par normi. .2. ·) vektorski prostor nad Φ. z o s Dvije norme α i β vektorskog prostora X su ekvivalentne. (iii) (x | y) = (y | x) za sve x. . +. = = p = max{|x1 |. . +. (i) (x | x) ≥ 0 za sve x ∈ X. Lako se pokaˇe da je (Vn . Za op´u. Skalarni produkt u vektorskom prostoru Da bismo definirali ortogonalnost vektora kao i kut izmedu vektora. y. .

1.3) Takoder. a tada je skalarni produkt odreden formulom (x | y) = 1 ( x+y 4 1 ( x+y 4 2 − x − y 2). x y (x | y) x y moˇemo definirati kut θ izmedu vektora x i y. za realni normirani prostor i formulom (x | y) = 2 − x−y 2 + i x + iy 2 − i x − iy 2 ) za kompleksni normirani prostor. pridruˇena ili z z inducirana norma. jer je formulom (2. moˇemo li svakoj normi z jednog normiranog vektorskog prostora pridruˇiti neki skalarni produkt (· | ·). Svaki unitarni vektorski prostor. Nejednakost (2.2. vrijedi i Cauchy–Schwarzova nejednakost koja povezuje skalarni produkt i induciranu normu |(x | y)| ≤ x y . tj. cos θ = Za dva vektora kaˇemo da su ortogonalni ako je cos θ. (2. z . definirana funkcija za koju se moˇe pokazati da je norma. Vektorski prostor na kojem je definiran skalarni produkt zove se unitarni vektorski prostor. tada u svojstvu (iii) treba ispustiti operaciju kompleksnog konjugiranja.1. z u brojniku moramo uzeti apsolutnu vrijednost skalarnog produkta jer je (x | y) kompleksni broj. ako je (x | y) = 0. tako da z vrijedi x = (x | x)? Odgovor je ne. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 16 Ako je Φ = R.4) pokazuje da vrijedi −1 ≤ pa relacijom (x | y) ≤ 1. Stoga je kut u kompleksnom prostoru definiran samo za segment [0.1. U svakom unitarnom vektorskom prostoru za pridruˇenu normu z vrijedi relacija paralelograma. π/2].2) x = (x | x). takoder je i normiran vektorski prostor.4) Postavlja se pitanje da li vrijedi i obratno. To je tzv. tj. osim ako norma ne zadovoljava relaciju paralelograma. (2. Za kompleksni unitarni prostor. x+y 2 + x−y 2 =2 x 2 + 2 y 2.1.

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

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

Pretpostavimo da postoji joˇ jedan prikaz s x = β1 u1 + β2 u2 + · · · + βn un . Gram–Schmidtovim postupkom moˇe se u unitarnom prostoru od svake baze dobiti z ortonormirana baza. prikaz svakog vektora x po baznim vektorima je jedinstven. vrijedi dim L(a1 . 2. Stoga zakljuˇujemo da c vrijedi α1 = β1 . α2 = β2 . Tada se svaki vektor x ∈ X na jedinstven naˇin moˇe prikazati kao linearna kombinacija vektora baze B. . un ) = X. . .6. . 3. . L(u1 . (u1 . Vaˇnost baze dolazi od jedinstvenosti prikaza vektora po baznim vektorima.2. un ) je baza od X. Linearni operatori Neka su X i Y vektorski prostori. . Najzanimljivije su one baze koje se sastoje od ortonormiranih vektora. Neka je B = (u1 . dobivamo c (α1 − β1 )u1 + (α2 − β2 )u2 + · · · + (αn − βn )un = 0. un ). Za svaki niz vektora a1 . . . a2 . Svi vektori takvih baza su norme jedan i ortogonalni su jedan prema drugome. . .1. {u1 . a2 . Izjednaˇavanjem α1 u1 + α2 u2 + · · · + αn un = β1 u1 + β2 u2 + · · · + βn un . . . sljede´e tvrdnje su ekvivalentne: c 1. .1 Neka je X vektorski prostor i B baza u X. svaki vektor x dopuˇta prikaz s x = α1 u1 + α2 u2 + · · · + αn un . . . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 19 U n-dimenzionalnom vektorskom prostoru X. ap ) ≤ p. z Propozicija 2. ap . (aditivnost) (homogenost). . . c z Dokaz. . . . . αn = βn . . tj. Prema svojstvu baze L(B) = X. 2.1. . Preslikavanje A : X → Y je linearni operator ako vrijedi (i) A(x + y) = A(x) + A(y) za sve x. . (ii) A(αx) = αA(x) za sve x ∈ X i sve skalare α . . . vektori ui su linearno nezavisni. un } je linearno nezavisan skup. . Tzv. y ∈ X. Po drugom svojstvu baze. .

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

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

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

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

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

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

aT B m   (iii) Ako je A = [a1 . tada je c AB = [Ab1 . an ] stupˇana particija od A i ako je (2.2.2. .1) retˇana partic c cija od B. .  A= . y T = [y1 . . yn ] i ako je   bT 1  .1 Neka su A ∈ Rm×n . bp ] stupˇana particija matrice B. . . . onda je AT = [ aji ]. Primijetimo da su u svojstvu (c) matrice A i B zamijenile poredak.2. an ] stupˇana particija matrice A i x ∈ Rn . Dokaˇite sljede´e tvrdnje. 1 n (2. .  . . . . i .1) (v) Ako je A = [a1 .2. . . . . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 26 Kra´e to zapisujemo: ako je A = [ aij ]. Operacija transponiranja c je unarna operacija koja matrici pridruˇuje njoj transponiranu matricu. Abp ] stupˇana particija matrice AB. + an bT .  .  . c (ii) Za retˇane particije matrica A i AB vrijedi implikacija c aT 1  . . (b) (A + B)T = AT + B T . . gdje su x1 . . 1 n Pritom je svaka matrica ai bT ∈ Rm×p . Zadatak 2. (c) (AB)T = B T AT . . . tada je c Ax = x1 a1 + · · · + xn an .  AB =  . . . . .  B= . . xn komponente vektora x. . tada je c y T B = y1 bT + · · · + yn bT . . tada je AB = a1 bT + . aT m   =⇒ aT B 1  . . bT n retˇana particija od B. B ∈ Rn×p . (iv) Ako je y ∈ Rn . z c (i) Ako je B = [b1 . z Glavna svojstva operacije transponiranja su (a) (AT )T = A.

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

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

Uoˇite da tvrdnje (i)–(v) iz zadatka 2. Vaˇno svojstvo tih c c z potprostora je da imaju istu dimenziju. Skup vektora-redaka (vektora-stupaca) matrice A razapinje vektorski potprostor od R1×n (Rm ). . U terminima linearnih operatora. pa se broj linearno nezavisnih vektora redaka (stupaca) c c matrice A naziva rang matrice A i oznaˇava s r(A) ili rang(A). tada je za svaki izbor od k realnih skalara α1 . αk koji nisu svi jednaki nuli. α1 x1 + α2 x2 + · · · + αk xk = 0.  . Rang matrice aT 1  T  a2 A= . a iz skalara αj naˇinimo c c T vektor stupac α = [α1 . bi ∈ Rm .4. . xk ]. αk ] . . α2 . uvjet Xα = 0 ˇim je α = 0 kaˇe da je c z linearni operator α → Xα injekcija. Kako se radi o istom broju izbacuje se c pridjev retˇani ili stupˇani. koji zovemo retˇani (stupˇani) potprostor od A. . . . Primjer 2.2.   Svaku matricu A ∈ Rm×n moˇemo promatrati kao niz njenih vektora-redaka z   . aT m ili kao niz njenih vektora stupaca A = [b1 . . .  . Matrica A je punog c (stupˇanog ili retˇanog) ranga. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 29 pa smo uspjeli skalarni produkt prikazati pomo´u produkta matrica. . ako je r(A) jednak broju stupaca ili redaka matrice c c A. Ako iz vektora xj naˇinimo matricu X = [x1 . c 2. .   ai ∈ Rn . . pa teorem o rangu i defektu daje r(X) = k.2.1 vrijede i za kompleksne matrice. x2 . . . .2. . Broj linearno nezavisnih vektora redaka matrice A naziva se retˇani rang matrice A. . xk iz Rn linearno nezavisni. Zato za normu c vektora vrijedi √ x = |x1 |2 + · · · + |xn |2 = x∗ x. tj. . . . tada linearnu kombinaciju α1 x1 + α2 x2 + · · · + αk xk moˇemo napisati kao produkt matrice X i vektora α. bn ]. x2 . .1 Ako su vektori stupci x1 . To pokazuje da je jezgra c matrice X nul-vektor. Stoga uvjet linearne nezavisz nosti vektora xj ima drugi zapis: Xα = 0 ˇim je α = 0. Broj linearno nezavisnih vektora stupaca c matrice A naziva se stupˇani rang matrice A.2. X je punog ranga. . c O ostalim vektorskim i matriˇnim normama viˇe ´emo re´i u jednom od c s c c sljede´ih odjeljaka.

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

. . . . . Stoviˇe. . . . Kvadratne c matrice koje nisu regularne nazivaju se singularne.2. Stoga je b linearna kombinacija vektora aj . a x(P ) je bilo koje rjeˇenje s sustava. . .2. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 31 Teorem 2.1 (Kronecker–Cappeli) Neka je A ∈ Rm×n i b ∈ Rm . te (iii) A ima jedinstveni lijevi inverz Y . Lijevi i desni inverz. A ∈ Rn×n je singularna. . Svako rjeˇenje te jednadˇbe zove se c s z desni inverz od A. ako i . b]). pa imamo rjeˇenje suss tava. Stoga je b neka linearna kombinacija stupaca. . an ) = c 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. . U tom sluˇaju skup svih s c n rjeˇenja sustava Ax = b ˇini linearnu mnogostrukost u R dimenzije n − r(A). an ). (vidi zadatak 2. . Doista. z c pa vrijedi: x1 a1 + · · · + xn an = b. tada produkt Ax s moˇemo zapisati pomo´u stupaca aj . . s Drugi smjer polazi od uvjeta r(A) = r([A. xn ]T sustava Ax = b. kad je B c c jediniˇna matrica. b). 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. b). Dokaz. . Dakle. . zakljuˇujemo da postoji samo jedan c lijevi inverz i samo jedan desni inverz i da su oni jednaki. pa je b ∈ L(a1 . . Matrica A ∈ Rn×n je singularna ako i samo ako postoji netrivijalan vektor x ∈ Rn takav da je Ax = 0. gdje smo proˇirenu s s matricu definirali pomo´u svih stupaca od B. . odmah se dobiva jednakost ranga polazne i proˇirene matrice. . an ). Ako postoji rjeˇenje x = [x1 . B]). xn ]T . b]). koja s c (P ) je oblika x +N (A) gdje je N (A) nul-potprostor matrice. svako rjeˇenje matriˇne jednadˇbe XA = I zove se lijevi c s c z inverz od A. odnosno barem jedan lijevi inverz ako i samo ako ˇ vrijedi r(A) = n ≤ m. Matrice za koje postoji c inverz obiˇno se nazivaju invertibilne. . Uzimanjem dimenzija potprostora na obje z strane. . Posebno. pa je b ∈ L(a1 . Ako tim skalarima definiramo vektor x = [x1 . . . Sustav Ax = b ima rjeˇenje ako i samo ako vrijedi r(A) = r([A. . Moˇe se pokazati da matrica A ∈ Rm×n ima barem jedan desni inverz z ako i samo vrijedi r(A) = m ≤ n. ako i samo ako je r(A) < n odnosno ako i samo ako je defekt(A) = n − r(A) ≥ 1. . . . jedinstveni desni inverz X i vrijedi X = Y . tada vrijedi Ax = b. pa je b = x1 b1 + · · · + xn bn za neke skalare x1 . koji povlaˇi L(a1 .1(iii)).2. . 1 ≤ j ≤ n matrice A. To znaˇi da je L(a1 . . . an .6. 2. Sliˇno. imamo problem AX = I. . ako je A ∈ Rn×n i r(A) = n. xn . regularne ili nesingularne. .2. an ) = L(a1 . Zadnja jednakost c se moˇe zapisati kao R(A) = R([A. . U specijalnom sluˇaju. b]). . Prirodno je tu matricu zvati jednostavno inverz matrice A i oznaˇiti je s A−1 . an . .

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

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

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

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

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

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

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

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

stupac. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 40 Ovu formulu nazivamo razvoj determinante po i-tom retku. . xn ) = (xn − x1 )(xn−1 − x1 ) · · · (x2 − x1 )V (x2 . lako se pokaˇe da je determinanta z trokutaste matrice jednaka produktu njenih dijagonalnih elemenata.2 Neka je 1 x1 V (x1 . x4 ) = 2 x1 x3 1 1 x2 x2 2 x3 2 1 x3 x2 3 x3 3 1 x4 x2 4 x3 4 tzv. 2. . Razvojem determinante po stupcu ili retku. i 3. x3 . x2 . (x3 − x1 ) i z c (x4 − x1 ) koji mnoˇe 1.2. xn ). Da bismo odredili formulu za njeno raˇunanje.. . 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 . . . 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 . Pomo´u svojstva determinante. x4 ). x3 . x2 . x2 . x3 . Primjer 2.2. Vandermondeova determinanta reda 4. . Isto tako vrijedi formula n det(A) = i=1 (−1)i+j aij det(Ac ). ij 1≤j≤n koju nazivamo razvoj determinante po j-tom stupcu. Na isti naˇin se op´enito pokazuje da vrijedi c c V (x1 . x3 . Tako dobijemo z 1 V (x1 . . x4 (x4 − x1 ) x2 (x4 − x1 ) 4 Razvojem determinante po prvom stupcu dobivamo determinantu reda tri. . x2 . x4 ) = 1 −x1 1 1 0 = 0 0 1 x2 − x1 x2 (x2 − x1 ) x2 (x2 − x1 ) 2 1 x3 − x1 x3 (x3 − x1 ) x2 (x3 − x1 ) 3 1 x4 − x1 . U toj determinanti moˇemo izluˇiti ispred determinante faktore (x2 − x1 ). .

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

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

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

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

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

A2 = A · A. . koja se moˇe prikazati kao linearna z c z kombinacija prethodnih potencija. f (A) se moˇe ovako definirati z f (A) = Sf (Λ)S −1 = S    f (λ1 ) .. podemo li od s I..4 (Hamilton–Cayley) Neka je A ∈ Cn×n i neka je χ(z) karakteristiˇni polinom od A. . A2 . 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 . On ima vaˇno svojstvo da dijeli svaki z polinom koji poniˇtava matricu A. koeficijent uz najviˇu potenciju mu je jedan. Na osnovu formule za polinom. moˇemo na´i prvu potenciju Ar . . tj. funkcija matrice se definira na sliˇan naˇin. . pa c se on zove minimalni polinom matrice A. vrijedi s µ(A) = 0. A. Matrice I.2. . To znaˇi da nultoˇke minimalnog polinoma leˇe u skupu c c c z . . A. gdje su µi skalari. moˇemo pisati z Ar = µr−1 Ar−1 + µr−2 Ar−2 + · · · + µ1 A + µ0 . c Iz Hamilton-Cayleyjeva teorema zakljuˇili smo da minimalni polinom dijeli c karakteristiˇni polinom. c Teorem 2.2. matrica poniˇtava svoj karakteristiˇni c s c polinom. . on je djeljiv (to znaˇi djeljiv c s c bez ostatka) s minimalnim polinomom. Tada se mogu izraˇunati potencije c A0 = I. Tada je χ(A) = 0. . . . Dakle. A2 . f (λn )   −1 S . Sljede´i teorem kaˇe da stupanj minimalnog s c z polinoma nije ve´i od n. Dakle. . . su elementi vektorskog prostora Cn×n dimenzije n2 . . pa u nizu I. Ovi uvjeti najmanjeg stupnja s i normiranosti vode´eg koeficijenta. Ak = Ak−1 · A. nema viˇe od n2 linearno nezavisnih matrica. on ima svojstvo da je polinom najmanjeg stupnja koji poniˇtava matricu A. Stoga. tj. A. ako c c je f : R → R beskonaˇno puta diferencijabilna funkcija i ako A ima realne vlastite c vrijednosti. . minimalni polinom ima stupanj koji je manji ili jednak stupnju karakteristiˇnog polinoma. . . A2 . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 46 pa odmah slijedi p(A) = Sp(Λ)S −1 = S    p(λ1 ) . p(λn )   −1 S . . osiguravaju jedinstvenost takvog polinoma. . Npr. Neka je A ∈ Cn×n . A1 = A.

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

5). a za dimenzije elementarnih Jordanovih klijetki mk. mora za svako k biti nk = 1.1 · · · (z − λ1 )mp. tada je doseg dijagonalizacije c c c slabiji.2.6 (Schur) Za proizvoljnu matricu A postoji unitarna matrica U. Pomo´u unitarne transformacije sliˇnosti matrica se moˇe svesti na trokuc c z tasti oblik. U teoremu moˇe biti p = 1.j dimenzija j-te po redu elementarne Jordanove klijetke u J(λk ). KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 48 Teorem 2. pa je rk = 1 i mk. Kako elementarne Jordanove klic jetke imaju samo jedan vlastiti vektor e1 .1 + · · · + m1. svaki Jordanov blok J(λk ) je oblika (2. pri ˇemu c je mk.1 najve´i red elementarne klijetke unutar Jordanove klijetke c J(λk ).j ≤ nk ≤ n.1 +· · ·+mk. . Dakle. Za broj rk elementarnih Jordanovih klijetki unutar Jordanove klijetke J(λk ) vrijedi ograniˇenje 1 ≤ rk ≤ n.1 = 1. mk.2. .5 takoder slijedi da je minimalni polinom od A.1 (z − λ1 )m2. µ(z) = (z − λ1 )m1. Iz teorema 2. np = mp.1 + · · · + mp.2. ˇto znaˇi da je Jordanova klijetka J(λk ) jedna elementarna s c Jordanova klijetka. Dijagonalizacija simetriˇne matrice c Vidjeli smo da se transformacijom sliˇnosti matrica moˇe svesti na Jordanovu c z formu. Matrica U moˇe biti izabrana tako z da se na dijagonali matrice T pojave vlastite vrijednosti od A u bilo kojem zadanom poretku. pa za svako 1 ≤ k ≤ p. takva da je T = U ∗ AU gornjetrokutasta matrica.rk .r1 . r1 = 1 i tada je Jordanov oblik od A jedna elementarna Jordanova z klijetka reda n. . pa je matrica dijagonalizibilna.2. U ostalim sluˇajevima ´e op´enito vrijediti c c c n = n1 + · · · + np n1 = m1. sve jordanove klijetke u Jordanovoj formi matrice su reda 1. Teorem 2. U drugoj krajnosti kad je p = n.2. zakljuˇujemo da je geometrijska kratnost c od λi broj ri . oblik koji je dosta blizak dijagonalnoj fromi. postoji rastav nk = mk. Medutim ako zahtijevamo da sliˇnost bude naˇinjena pomo´u unitarne matrice.5 kaˇe da se svaka matrica pomo´u transformacije sliˇnosti moˇe z c c z svesti na oblik koji je blizak dijagonalnom.j vrijedi c 0 ≤ mk.rp . Naime. Zbog det(zI − S −1 AS) = det(S −1 (zI − A)S) = det(zI − A) zakljuˇujemo da je ni algebarska kratnost od λi . gdje je za svako k.1 .

Neka je A normalna i B = U AU za neku unitarnu matricu U.2. (2. B = U ∗ .2. To odmah slijedi iz zadatka 2. . a vrijedi i za neprekidne funkcije c realnog argumenta. c c Teorem 2. matrica A je normalna ako je A∗ A = AA∗ . Spomenuli smo dvije najznaˇajnije klase normalnih matrica: unitarne i herc mitske matrice. un ] unitarna matrica kojoj su stupci vlastiti vektori od H.1(v) u kojem uzmite A = UΛ.9) vrijedi za polinome.8) koji je ekvivalentan s (2. Jedna od posljedica ovog teorema jest tvrdnja da normalna matrica reda n ima sustav od n ortonormiranih (ortogonalnih i normiranih tj. a Λ je dijagonalna matrica s realnim vlastitim vrijednostima od H na dijagonali. hermitska matrica H moˇe se prikazati u obliku z H = UΛU ∗ . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 49 Schurov teorem ima neke vrlo vaˇne posljedice.7) gdje je U = [u1 .2. Sjetimo z se. pa je B normalna. Sljede´i teorem pokazuje da se normalne matrice mogu dijagoc nalizirati pomo´u unitarne transformacije sliˇnosti.2.2. i (2. . c Unitarna matrica je normalna matrica kojoj vlastite vrijednosti imaju modul jedan.2. Ponekad ´emo koristiti i zapis c H= i λi u i u ∗ . i (2.9) Uoˇimo da formula (2.2.2.2.8) moˇemo proˇiriti pojam skalarne funkcije c z s na hermitske matrice. Tada je B ∗ B = U ∗ A∗ UU ∗ AU = U ∗ A∗ AU = U ∗ AA∗ U = U ∗ AUU ∗ A∗ U = BB ∗ . Pokaˇimo da je unitarno sliˇna z c ∗ matrica normalnoj matrici opet normalna. Ako je c sc s H pozitivno definitna matrica. Pomo´u formule (2.7). . Hermitska matrica je normalna matrica koja ima realne vlastite vrijednosti. Sljede´e tvrdnje proizlaze iz teorema 2. onda se drugi korijen matrice H dobiva formulom H2 = i 1 λi2 uiu∗ . Dakle.7 Ako je A normalna matrica i T = U ∗ AU Schurova dekompozicija od A.2. . i 1 . kao ˇto je naredni teorem z s koji kaˇe da je Schurova dekompozicija normalnih matrica dijagonalna.7. To se ˇini na slijede´i naˇin c c c ϕ(H) = i ϕ(λi )ui u∗ . Jedna od najˇeˇ´e koriˇtenih funkcija je drugi korijen. Taj oblik zovemo spektralna dekompozicija od H. euklidske norme jedan) vlastitih vektora koji razapinju Cn . tada je T dijagonalna matrica.

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

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

Singularne vrijednosti su unitarno invarijantne.3. vidimo da se djelovanje matrice na vektor moˇe opisati kao niz od tri jednosz tavnije transformacije: rotacije. unitarna matrica ne mijenja normu vektora. . 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 . Iz teorema 2. . Primjer 2. ˇto je traˇena singularna dekompozicija od C. σmin{m. σ2 .8 = UΣV T = 2. um i v1 . pa ´e lijeve i desne komponentne unitarne matrice c u zadnjem koraku biti Um = I1 i Vm . .3.96 1.1 Evo primjera singularne dekompozicije matrice reda dva: C= 0. n} kvadratni korijeni vlastitih vrijednosti matrica C ∗ C i CC ∗ . Neka je U ∗ CV = Σ. produljivanje/skra´ivanje komponenata vektora i c opet jedne rotacije. LQ faktorizazija od Cm ). . Tada je Σ∗ = V ∗ C ∗ U.8 0.6 −0. Ako je m < n. . . σ2 . pri ˇemu moramo joˇ preimenovati V s z c s T u U. . .96 0.n} ) singularna dekompozicija matrice C. jer ako je C = UΣV ∗ singularna dekompozicija od C. . zadnji dio dokaza teorema c moˇemo premostiti na sljede´i naˇin. koje otkrivaju vezu ortonormiranih baza ui . pa je njen geometrijski smisao rotacija.8 T . σ1 . (W1 U)Σ(W2 V )∗ singularna dekompozicija od W1 CW2 . . primijenimo postupak opisan z c c ∗ u dokazu teorema na matricu C . vn s matricom C.n} su (neke) vlastite vrijednosti od C ∗ C i CC ∗ .6 3 0 0 1 0. Iz relacije Cx = UΣV ∗ x = U(Σ(V ∗ x)). . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 52 (to tzv.72 0.2. . Polaze´i od definicije singularnih vrijednosti iz teorema 2. I 2 2 2 Dakle. Nakon dobivene dekompozicije C ∗ = UΣV ∗ . .8 0. C ∗ ui = σi vi .3.1 odmah slijede vaˇne relacije z Cvi = σi ui. 1 ≤ i ≤ min{m. . Ako je m > n (n > m) onda CC ∗ (C ∗ C) ima joˇ dodatnih m − n (n − m) vlastitih s ∗ ∗ . Ako ˇitatelju nije jasan pojam LQ faktorizacije. kompleksno transponirajmo obje matrice u toj jednakosti.6 0.6 −0. Naime. respektivno. Dobijemo C = V ΣT U ∗ . Σ = diag(σ1 . za koju je broj redaka n ve´i od broja stupaca c m. . .28 0. σmin{m. tada je za proizvoljne unitarne matrice W1 ∈ Cm×m i ∗ W2 ∈ Cn×n . pokaˇimo da c z su σi .1. U u V i Σ u Σ.

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

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

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

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

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

4  −4.0  . . σ3 (C) = 3. σk+1 . 0.0 0.8 0. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 58 lako se dobije Neka je K ∈ Cm×n proizvoljna matrica ranga k. 0. .8  2. pa je rang(C) = 3. 1 ≤ i ≤ k + 1. Zbog moˇemo prona´i jediniˇni vektor z koji pripada ovom presjeku.8 0.8  0.6 3 0.8 6.0 0.2 Neka se 6.8 1.6 0.6  . .0 1.0 0.8 0 1.6   3. xn−k }.8 2.6     0. Sljede´i primjeri ilustriraju tvrdnju teorema.0 0. .6 −0.8 Dakle imamo C − K 0. .8 0. .0 5      0.0 8   0.8 0. Spektralnu normu od C − K dobijemo opet preko njene singularne dekompozicije  6.8 0. .0 0.4     0. c Primjer 2. .0  0.  −2. .0      Iz singularne dekompozicije od C  1. .0 −2.0 −1.0   5 −1.0  0.2  =  0. xn−k takve da je N (K) = span{x1 . Zadnja nejednakost vrijedi jer se radi o konveksnoj sumi brojeva σi .0 K =  −4.0 0. .8  0. .4 C =  −4. ∗ 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 = 1.4 0. .4 3. .0   0  0. ∗ σi (vi z)ui .4 0. σmin{m.  1.0  0. .8  zakljuˇujemo da je σ1 (C) = 8.0 1.n} ) 2 = σk+1 . To znaˇi da moˇemo na´i ortonorc z c mirane vektore x1 .2  . .8 0. Poˇto je Kz = 0 i z c c s k+1 C − Ck 2 = U ∗ (C − Ck )V 2 = diag(0. Uoˇimo da c c je rang(K) = 2. Zadnji teorem nam specijalno kaˇe da je najmanja singularna vrijednost maz trice jednaka udaljenosti (u spektralnoj normi) izmedu matrice i skupa singularnih matrica.0 2.8 2. σ2 (C) = 5.0 0. . .0 0.3.0 2     = 5 > 3 = σ3 (C).4 3. . vk+1} = {0}.4 1.0  .0     0.0 −2.2.0 0. .4 2.0 0. −0. xn−k } span{v1 .4 −0.2  =  0. 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 .4 1.6 0. . 0.4 2. .0 0. .0   0. span{x1 . .8 0.8  .0 −0.

00 0. Moˇemo pretpostaviti da je m ≥ n.00 1. 0.0 0.0 0. 2 Dakle.72 0. z Neka je Σ U ∗ CV = 0 .3 Neka su 2. .5 (Jordan–Wielandt) Neka je C = UΣV ∗ . σn ).96 0.80 2.4. Teorem 2.40 1. . . imamo C − K 2 = σ4 (C).00  Sliˇno kao u prethodnom primjeru. .56 0.0 0. . Neka je A= 0 C C∗ ∈ C(m+n)×(m+n) .0    0. U protivnom radimo s matricom C ∗ . a spektralna norma od C − K je c C −K 0. singularnom dekompozicijom matrice C dobic vamo σ1 (C) = 4.6  = 1.00 0. −σmin .0 0.00 0.00 1.3. |m−n| Dokaz. takva da vrijedi Q∗ AQ = diag(σ1 . σ4 (C) = 1.96 0. σ3 (C) = 2.92  C=  2. z 2.08 1. Σ = diag(σ1 . 0. . 0 Tada postoji unitarna matrica Q. 0).00  0. .0 0.40  1. .00  0.0 0.0  0.28   .08 1.44 0.92  K=  2. 0. −σ1 . pa se udaljenost matrice C do skupa singularnih matrica dostiˇe na matrici K. . .0  2 0.60  2.56 0. vrijedi rang(C) = 4.3.72 0. . σ2 (C) = 3.40  1.28   .44 0.0 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. . σmin .96  0. Wielandtova matrica Sljede´i teorem je jedan od znaˇajnijih rezultata vezanih uz singularnu dekomc c poziciju matrice. Dakle.0 0. Oˇito je rang(K) = 3.0 =    0. singularna dekompozicija matrice C ∈ Cm×n .40 1.0 0.3. . .2.00 0. .96  0.00 2. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 59 Primjer 2. .0  0.8 0.

2. . 0 ] . Dakle U = [ U1 . σn ) ∈ Cn×n . . odnosno 2 2 U ∗ (CC ∗ )U = diag(σ1 . 0 ] I 0 = 0. . Im−n . 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  . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 60 singularna dekompozicija matrice C. Konjugiranjem i transponiranjem dobivamo V ∗ C ∗ U = [ Σ. 0. . 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. 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 . 2 0 0 2Im−n V U1  V −U1 √0 . 0) ∈ Cm×m . m−n Oznaˇimo matricu prvih n stupaca matrice U s U1 . U2 ]. . . . σn .  −U1 CV + V ∗ C ∗ U1 −U1 CV − V ∗ C ∗ U1  √ ∗ √ ∗ 2U2 CV 2U2 CV 0  V ∗ C ∗ U2 = V ∗ C ∗ UU ∗ U2 = [ Σ. . . . .

.2. Teorem 2. . Stoga dobivamo Σ+Σ 0 0 Σ 0 0 1     Q∗ AQ =  0 −Σ − Σ 0  =  0 −Σ 0  2 0 0 0 0 0 0 = diag(σ1 . Vidi npr. −σ1 . z c Teorem 2. uz prirodne modifikacije. 25–26)].5. Ovdje ´emo dokazati tek dvije. µ1 ≥ µ2 ≥ · · · ≥ ˜ ˜ ˜ µn i λ1 ≥ λ2 ≥ · · · ≥ λn . a njegov dokaz se moˇe prona´i c z c u poglavlju o vlastitim vrijednostima. . Neka su redom vlastite vrijednosti matrica H. . . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 61 ∗ ∗ Zbog toga vrijedi U2 CV = (V ∗ C ∗ U2 )∗ = 0. C2 }m − k i = 1. . . Poˇto su U1 CV = Σ i V ∗ C ∗ U1 = Σ∗ s kvadratne realne i dijagonalne. Dokaz. . 1 ≤ i ≤ min{n. one su i jednake.3. . σj (C2 ) ≤ σj (C). n. dok se iz matrice Q lako odrede lijevi i desni singularni vektori od C i obratno. Prvo ´emo formulirati Weylov teorem.3.6 ima mnogo vaˇnih posljedica. i H λ1 ≥ λ2 ≥ · · · ≥ λn .3. Tada vrijedi ˜ λi + µ n ≤ λi ≤ λi + µ 1 . m − k}. za singularne vrijednosti proizvoljne matrice. [8. m−n     Dakle. teorem 3. k} 1 ≤ j ≤ min{n. . .14 (str. . σ2 . . . . . C1 }k . netrivijalne vlastite vrijednosti matrice A su pozitivne i negativne netrivijalne singularne vrijednosti matrice C. Rezultat prvog teorema je jedna c od mnogobrojnih posljedica Fischerove karakterizacije vlastitih vrijednosti hermitskih matrica. M.6 Neka su H i M hermitske matrice i neka je H = H + M. Teorem 2.3.7 Neka matrica C ∈ Cm×n ima particiju C= Tada vrijedi σi (C1 ) ≤ σi (C). σn . Prethodni teorem omogu´ava da mnoge rezultate o vlastitim vrijednostima c hermitske matrice formuliramo. . −σn . 0). Neke nejednakosti sa singularnim vrijednostima U ovom odjeljku prikazat ´emo dva teorema. −σ2 . 0. 2.

σi (AB) ≤ σi (A)σ1 (B). a kvadrati singularnih vrijednosti od C1 (C2 ) su vlastite vrijednosti od ∗ ∗ C1 C1 (C2 C2 ). Kvadrati singularnih vrijednosti od C jednaki su vlastitim vrijednostima od C ∗ C. c x∗ B ∗ MBx = (Bx)∗ M(Bx) ≥ 0. Zamijetimo da je ∗ ∗ C ∗ C = C1 C1 + C2 C2 .3. Generalizirani inverz Singularna dekompozicija ima direktnu primjenu u raˇunanju generaliziranog c inverza op´e matrice. Prvu tvrdnju dokazat ´emo usporedivanjem vlastitih vrijednosti matrica C ∗ C s c vlastitim vrijednostima od A 2 B ∗ B. Dokaz. O tome govori sljede´i teorem. pozitivno semidefinitna. c Zanimljivo je vidjeti koji je odnos izmedu singularnih vrijednosti produkta dviju matrica i singularnih vrijednosti samih matrica. Na ovom mjestu uvest . ∗ ∗ Matrica C2 C2 (C1 C1 ) je pozitivno semidefinitna. 2 Uoˇimo da je c pa je B ∗ MB. Neka je A∗ A = QΛ2 Q∗ spektralna dekom2 pozicija od A∗ A. 1 ≤ i ≤ min{m. B ∈ Ck×n i C = AB.8 Neka su A ∈ Cm×k . 2. takoder.3. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 62 Dokaz. Na osnovu teorema 2.6 slijedi da su vlastite vrijednosti od C ∗ C.3. 2 Vrijedi A 2 B ∗ B = B ∗ (A∗ A + M)B = C ∗ C + B ∗ MB.3. linearnom problemu najmanjih kvadrata. k}.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. Prema teoremu 2. 1 ≤ i ≤ min{m. npr. Tada je M = Q( A 2 I − Λ2 )Q∗ 2 hermitska pozitivno semidefinitna matrica za koju je A∗ A + M = A 2 I. n. Tada vrijedi σi (AB) ≤ σ1 (A)σi (B). k}.6. c Teorem 2. Generalizirani inverz koristan je alat u raznim podruˇjima lic c nearne algebre. uzete u nepadaju´em poretku. Druga tvrdnja slijedi iz prve zbog σi (C) = σi (C ∗ ) = σi (B ∗ A∗ ) ≤ σ1 (B ∗ )σi (A∗ ) = σ1 (B)σi (A).2. ve´e ili jednake od c c ∗ ∗ odgovaraju´ih vlastitih vrijednosti matrice C1 C1 (C2 C2 ). n.

a (1. i-ti i j-ti Penroseov uvjet koristit ´emo c (i. 2. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 63 ´emo pojam generaliziranog inverza A† matrice A i navesti neka njegova osnovna c svojstva. npr.2. 4)-inverz.3. (1)-inverz A zadovoljavati c samo prvi Penroseov uvjet.2. Dobro je poznato. Najpoznatiji generalizirani s c s inverz je tzv.j) (1) oznaku A i zvati ga (i. 3. Dakle A c ´e zadovoljavati sva ˇetiri uvjeta. 2. Tako ´e.3) Matrica X je inverz matrice matrice A i oznaˇava se s A−1 . Tada postoji jedinstvena matrica X ∈ Cn×m . U slijede´em teoremu odredujemo eksplicitnu formulu c c za generalizirani inverz A† .3). 4. Σ+ 0 0 V∗ 0 Σ−1 + 0 0 U ∗. 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 ∗.9 Neka je A ∈ Cm×n . To je mogu´e posti´i zahtijevaju´i da matrica X zadovoljava c c c c poneˇto drugaˇije (oslabljene) uvjete nego ˇto je (2. Dokaz. 0 . koja zadovoljava Penroseove uvjete 1–4. (AX)∗ = AX. Za matricu X koja zadovoljava. Moore–Penroseov inverz koji je odreden sa sljede´a ˇetiri uvjeta (tzv. (XA)∗ = XA. zadovoljavat ´e prvi.3. da za regularnu matricu A ∈ Cn×n postoji jedinstvena matrica X koja zadovoljava AX = XA = I. Ta matrica ima oblik A† = V pri ˇemu je c A=U singularna dekompozicija matrice A.3.4) ˇetvrti uvjet. AXA = A. Pokazat ´emo da prethodna ˇetiri uvjeta na jedinstven naˇin odreduju matricu X c c c † koju onda oznaˇavamo s A . A(1. c c Penroseovi uvjeti [8]): 1. (2.4) . pa ´e ta matrica biti c c c generalizirani inverz matrice A.2.3. XAX = X. Teorem 2. na primjer. drugi i c (1. j)-inverz. c Prirodno je pokuˇati proˇiriti pojam inverza i na matrice koje nisu regularne ili s s ˇak nisu niti kvadratne.

2. 4)-inverza zakljuˇujemo da je c c c A† = A(1. 4)c c c inverz ima oblik Σ−1 K + A(1. 2. gdje su K.4) slijedi da A zadovoljava sve sve Penroseove uvjete pa je A† = A(1. Iz drugog Penroseovog uvjeta slijedi A(1.4) Σ−1 + L 0 U ∗. odakle zakljuˇujemo da svaki (1.3. 3)-inverz ima oblik c A(1. 0 (2. 3)-inverza i (1.3. 0 0 gdje je K proizvoljna podmatrica. 2. 0 Dakle. dok su K i L joˇ uvijek proizvoljne matrice.4) na jedinstven naˇin s c . ako A† postoji nuˇno ima oblik kao u relaciji (2. On je i (1)-inverz pa c polazimo od te matrice. Tre´i Penroseov uvjet se zapisuje u obliku c (AA(1.2. dobivamo s AA(1) A = U Σ+ T Σ+ 0 0 V∗ = A =U 0 Σ+ 0 0 V ∗. svaki (1)-inverz ima oblik + A(1) = V Σ−1 + L K M U ∗. Na isti naˇin. 2. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 64 Uvrˇtavanjem ovog izraza za A(1) u prvi Penroseov uvjet.2. 2. Izraˇunajmo sada (1. Iz dokaza medutim z (1.2) = V Σ−1 + L K LΣ+ K U ∗. 0 Dakle je T = Σ−1 . iz ˇetvrtog Penroseovog uvjeta zakljuˇujemo da svaki (1.2.4).2. pa zakljuˇujemo da je M = LΣ+ K.2) = V Σ−1 + L K M U ∗ = A(1. 3)-inverz.3) A = U 0 I Σ+ K 0 0 U ∗.3. 2)-inverz.3) = V Pritom je L proizvoljna podmatrica. Konaˇno.3.4) . iz op´eg oblika (1.3) )∗ = U I K ∗ Σ+ 0 U ∗ = A(1. tj.3.4) = V U ∗.2. 2. Kako u dokazu niˇta nije proizvoljno.2.3.2. c s Na isti naˇin odredit ´emo i (1. L i M proizvoljne. Polazimo od c c A(1.3) = V Σ−1 + L K LΣ+ K U ∗.4) = V Σ−1 + 0 0 U ∗.2) AA(1. slijedi da je A† relacijom (2.2.

tada je (UAV )† = V ∗ A† U ∗ .3. 9. ∀α ∈ R. 2. tako ne ovisi ni A . (A∗ A)† = A† (A∗ )† . 3. (A† )† = A. Ako matrica A ∈ Cm×n ima rang m. tada je A† = A∗ (AA∗ )−1 i AA† = Im . Ako su U i V unitarne matrice. a jednakost vrijedi ako i samo ako je x = 0. 2. (AA∗ )† = (A∗ )† A† . 2.4. Ako matrica A ∈ Cm×n ima rang n. Medutim. posebno u numeriˇkoj linearnoj algebri. x ≥ 0. · : . (A∗ A)† A∗ A = A† A.2 odredena do na mnoˇenje matrica U i V s desna s blokz dijagonalnim unitarnim matricama.4.3. Teorem 2.3. 4.4. Vektorske i matriˇne norme c Vektorske norme Vektorske i matriˇne norme osnovno su sredstvo koje koristimo kod ocjene c greˇaka vezanih uz numeriˇke metode. Sama singularna dekompozicija je prema teoremu 2. ∀x ∈ Cn . 6. rang(A) = rang(A† ) = rang(AA† ) = rang(A† A).2. A† = (G† )∗ F † . ¯ 2. (AT )† = (A† )T .1 (Vektorska norma) Vektorska norma je svaka funkcija Cn → R koja zadovoljava sljede´a svojstva: c 1. Ako je A = F G∗ i rang(A) = rang(F ) = rang(G). tada je A† = G(F ∗ AG)−1 F ∗ 10. αx = |α| x . Sada ´emo navesti neka osnovna svojstva generaliziranog inverza koja se lako c dokazuju ili direktno iz Penroseovih uvjeta ili iz relacije (2.4). s c c Definicija 2. (A)† = (A† ). (AA∗ )† AA∗ = AA† . KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 65 odredena iz singularne dekompozicije matrice A. i 8.10 Za proizvoljnu matricu A vrijedi: 1. tada je A† = (A∗ A)−1 A∗ i A† A = In .1. kao ˇto A ne ovisi o toj slobodi u s † matricama U i V . 5. ∀x ∈ Cn . 7.

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

. Na primjer. Definicija 2. ∀x ∈ Cn .4. ∀i = 1. pa je p-norma rastu´a funkcija apsolutnih vrijednosti komponenti xi . Koliko se dvije p-norme medusobno razlikuju. 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 . ∀x. gdje su Primijetite da sve p-norme ovise samo o apsolutnoj vrijednosti komponenti xi . Za vektore apsolutnih vrijednosti (u Rn ) moˇemo uvesti parcijalni uredaj relacijom z |x| ≤ |y| ⇐⇒ |xi | ≤ |yi|.1 Norma na Cn je monotona ako i samo ako je apsolutna. pokazuje sljede´a nejednakost. tj. b] (u oznaci C[a. . Teorem 2. b]) definiraju se sliˇno c normama na C n : 1.2 (Monotona i apsolutna norma) Norma na Cn je monotona ako vrijedi |x| ≤ |y| =⇒ x ≤ y . . y ∈ Cn . Tada vrijedi z c x β ≤ x α ≤ n(1/α−1/β) x β . Stoer i Witzgall dokazali su netrivijalni teorem koji pokazuje da su ta dva svojstva ekvivelentna.2. Neka su α i β dvije p norme takve da je α ≤ β. norme definirane na vekc torskom prostoru neprekidnih funkcija na [a. Oznaˇimo s c c |x| vektor apsolutnih vrijednosti komponenti vektora x. c koja se moˇe dosti´i. . . |x| = [|xi |]. n. Norma na Cn je apsolutna ako vrijedi |x| = x . L1 norma f 1 b = a |f (t)| dt. 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 2.4. Bauer. Definicija vektorskih normi u sebi ne sadrˇi zahtjev da je vektorski prostor z iz kojeg su vektori konaˇno dimenzionalan.

A + B ≤ A + B . b]}.2. dobivamo matriˇnu normu. ∀α ∈ R. . Za matriˇnu normu ´emo re´i da je konzistentna ako vrijedi c c c 4. Ako su ispunjena c c samo prva tri svojstva. c Matriˇne norme mogu nastati na dva razliˇita naˇina. 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. L2 norma f 3. Oprez. Lp norma b 2 b = a |f (t)|2 dt 1/2 .4. 3.1 vektor x ∈ Cn matricom A ∈ Cm×n . ∀A. αA = |α| A . norme od A. ℓ1 norma | A |1 := A S m n = i=1 j=1 |aij |. ∀A ∈ Cm×n . onda. p ≥ 1.4. a jednakost vrijedi ako i samo ako je A = 0. f ∞ = max{|f (x)| | x ∈ [a. AB ≤ A B · : kad god je matriˇni produkt AB definiran. 2. A ≥ 0. ∀A ∈ Cm×n . c Definicija 2.2. direktna primjena vektorskih normi (uz oznaku aij matriˇnog elementa u i-tom retku i j-tom stupcu) daje sljede´e definicije: c c 1. KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 68 2.4. |f (t)|p dt 1/p f p = a . L∞ norma 4. onda to zovu generalizirana matriˇna norma. B ∈ Cm×n . Matriˇne norme c Zamijenimo li u definiciji 2. 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). 2.

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

x =1 x (2. S 1 1 1 1 1 1 m √ m 1 √ m 1 m . pa je uobiˇajeno da se ona procjenjuje koriˇtenjem c c s ostalih normi.n i=1 |aij |.. Matriˇna 2-norma se teˇko raˇuna.. 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 ).1). 2. spektralna norma c A 2 = (ρ(A∗ A))1/2 = σmax (A).1) Kad se uvrste odgovaraju´e vektorske norme u (2.2. “maksimalna stupˇana norma” c c m A 1 = max j=1. Detaljnu definiciju ˇto je to singularna vrijednost. dobivamo c 1. matriˇna 2-norma. 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}.2) a σ je standardna oznaka za tzv.. “maksimalna retˇana norma” c c n A ∞ = max i=1. (B kvadratna!). KRATKI UVOD U LINEARNU ALGEBRU LINEARNA ALGEBRA – 70 S druge strane.4.. (2.. 3. matriˇna ∞-norma. (trebalo bi na´i po apsolutnoj vrijednosti c s c c najve´u svojstvenu vrijednost). matriˇna 1-norma.4.m j=1 |aij |...4. singularnu vrijednost matrice. dobit ´ete u poglavlju koje ´e se baviti dekompozis c c cijom singularnih vrijednosti. 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 ..

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

potrebno c z s c sc je upoznati pojmove apsolutne i relativne greˇke. Tipovi greˇaka s U praktiˇnom raˇunanju postoje dvije osnovne vrste greˇaka: greˇke zbog c c s s polaznih aproksimacija i greˇke zaokruˇivanja. greˇke metode i greˇke u polaznim z c s s s podacima.ˇ ˇ ˇ 3. traˇeno rjeˇenje problema s dovoljnom toˇnoˇ´u. Greˇke u s numeriˇkom raˇunanju c c Da bismo mogli ocjenjivati izraˇunava li neki algoritam. a uglavnom su vezani uz raˇunanje na raˇunalima. u skali sloˇenosti. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 72 3. od svemirskih c sc z c sustava do atomskih struktura. Greˇke modela s Najˇeˇ´e nastaju zamjenom sloˇenih sustava (u skali veliˇina. s z 3.1. s jedne strane da bismo uop´e opisali fenomes c ne matematiˇkim zapisom.1. Greˇke zbog polaznih aproksimacija s Taj tip greˇaka ˇesto se javlja kod rjeˇavanja praktiˇnih problema. Svi ti pojmovi nastajali su vremenski postupno. stabils s nosti algoritma. a s druge strane da bismo i njih pojednostavili kako bismo c . c s z s Stoga se vrˇe razna pojednostavljenja. 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. implementiran na c raˇunalu (kao program). kemijskih i bioloˇkih fenomena u stanicama raka. od reakcija u atomskim cenz tralama do npr. greˇke unaprijed i unazad. ili su previˇe sloˇeni za danaˇnji stupanj matematike. c c 3.1. Te greˇke s c s c s moˇemo podijeliti u sljede´e klase: greˇke modela. z c ˇ Cesto su stvarni fenomeni takvi da ih ni pribliˇno ne moˇemo opisati danaˇnjim z z s matematiˇkim teorijama. uvjetovanosti problema itd.

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

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

/} (3. −. je odredivanje ˇto c c c bolje aproksimacije rjeˇenja u ˇto kra´em vremenu. Iz zadnje c c c z relacije vidi se da je u uniformna gornja ograda za sve greˇke ε na danom raˇunalu. tada ´e svaki od faktora imati c s c mantisu duljine p. c c ne moraju biti toˇno reprezentirani u raˇunalu. |ε| ≤ u ◦ ∈ {+. mantisa jednog od njih (onog s manjom apsolutnom vrijednosti) bit ´e c pomaknuta za jedno ili viˇe mjesta. 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. ∗. −. a ostale ´e z c c se odbaciti (s korektnim zaokruˇivanjem na posljednjem znaˇajnom mjestu). . c s Glavna zada´a osobe koja se bavi numeriˇkim raˇunanjima. a umnoˇak ´e imati mantisu duljine 2p ili 2p − 1. dok u ovisi s o raˇunalu (ili toˇnije o IEEE standardu ako ga raˇunalo podrˇava). Zna se da npr. . Pritom greˇka ε ovisi o operandima x. Konaˇno.000110011001100110 . ne samo iracionalni. 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. s c Kasnije ´emo obrazloˇiti da za raˇunala koja koriste binarnu aritmetiku sa p binarnih c z c znamenaka u mantisi.1) pri ˇemu su +. c 1/10 ima u binarnom sustavu prikaz s beskonaˇno nula i jedinica: (1/10)2 = c 0.2. ve´ i c mnogi racionalni brojevi. / operacije u raˇunalu. treba imati s s c pod kontrolom sve tipove greˇaka koje smo nabrojali. to uglavnom nisu njihove toˇne. y i operaciji ◦. zadrˇat ´e se samo prvih p znamenaka. vrijedi u = 2−p+1 ili u = 2−p ovisno o naˇinu zaokruˇivanja c z koje raˇunalo koristi.ˇ ˇ ˇ 3. ∗. algoritam za c c dijeljenje u raˇunalu takoder daje rezultat koji nije toˇan. Kod z c zbrajanja i oduzimanja brojeva koji nisu istog reda veliˇine. 4]) pokazuje da je kod svake operacije u raˇunalu prisutna greˇka. jer raˇunala koriste konaˇnu aritmetiku. Dakle. a u je tzv. Taj zakljuˇak se zapisuje u obliku s c c fℓ(x ◦ y) = (x ◦ y)(1 + ε). nego pribliˇne binarne reprezentacije. ˇak i oni umjerene veliˇine i s malo dekadskih znamenaka. 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.1). GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 75 stabilnost algoritama. a vezani su uz netoˇnosti c c c polaznih podataka. c c z Ako je x realni broj. Tipiˇni sluˇaj je mnoˇenje koje u pravilu daje mantisu c c c z rezultata ˇija je duljina pribliˇno zbroj duljina mantisa faktora. u procesu izvrˇavanja c s operacija. Greˇke zaokruˇivanja su neizbjeˇne pri svakom zahtjevnijem s z z raˇunanju. [9. (vidi primjer 3. preciznost raˇunanja c c c ili strojni u. Kad se jednom polazni brojevi smjec c ste u raˇunalo.1. kod dijeljenja kao najkompliciranije operacije. Kako se rezulz c tat opet sprema u memoriju. njegova reprezentacija u raˇunalu se obiˇno oznaˇava sa fℓ(x). pa ´e rezultat opet imati mantisu duljine koja s c je ve´a od p. c . c s Ako je greˇka nula rezultat je toˇan. Da bi se to ostvarilo. Ako smjeˇtaj u c z s raˇunalu dopuˇta p binarnih mjesta za mantisu. a to znaˇi da treba poznavati s c sve fenomene koji mogu nai´i prije ili u tijeku raˇunanja. medurezultata te konaˇnog rezultata.

00000. ˆ x = 8.9949 c . x = 1.12 · 10−4.2) Ako je x poznat ili se zna da je “reda veliˇine jedan”. brojevi x = 0. vidimo da se x slaˇe s odgovaraju´im x na tri znaˇajne znamenke. Sto c c c znamenaka? Npr. prema toj definiciji. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 76 3. U znanosti medutim. Medutim. Znas c c ˇajne znamenke u broju su prve netrivijalne (tj. ve´ s c c c se tek zna neka ograda za |x − x|.99 · 10−3. apsolutna greˇka je c s dobra mjera za udaljenost aproksimacije od toˇne vrijednosti. s Time se daje (ili zahtijeva) dodatna informacija o predznaku greˇke. x = 9. c x ˇesto varira izmedu vrlo malih (npr. ako je x = 1. veliˇine vezane uz svemir i njegove objekte) vrijednosti. ˆ z c Zaokruˇiti broj na p znaˇajnih znamenaka znaˇi zamijeniti ga s najbliˇim brojem z c c z koji ima p znaˇajnih znamenaka.3.1. Drugi naˇin zapisivanja relativne greˇke je c s Grel (ˆ) = |ρ|.0832 imamo tri. |x| |αx| α ∈ R.1. ˆ Grel = 4.00499. ˇesto toˇna vrijednost x nije poznata. u broju 6. Medutim. Neki autori izostavljaju u definiciji apsolutne greˇke znak apsolutne vrijednosti. |x| koja nije definirana za x = 0. a ipak je relativna ˆ z c c greˇka za ta dva sluˇaja razliˇita ˇak za faktor 44. znaˇajne znamenke s c Neka je x neka aproksimacija realnog broja x. |x − x| ˆ |αx − αˆ| x = . veliˇine vezane uz atomsku ili molekularnu c c strukturu) i velikih (npr. ˆ (3. 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.9990 imamo pet znaˇajnih znamenaka. Grel = 1. Npr. c ˇ znaˇi broj “toˇnih” ili “korektnih” znaˇajnih dok ih u broju 0.ˇ ˇ ˇ 3. razliˇite od nule) znamenke i one c c koje slijede iza njih u zapisu. Apsolutna i relativna greˇka.99899. ˆ Relativna greˇka povezana je s “brojem toˇnih znaˇajnih znamenaka”. x x = x(1 + ρ). 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 . c Tada je relativna greˇka ˇesto primjerenija. no tada je s pridjev “apsolutna” suviˇan.00000. Ona ima dodatno lijepo svojstvo da je s c nezavisna od skaliranja.

tada koristimo relaz tivne greˇke po komponentama. 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. Kako je preciznost odredena brojem bitova u c c reprezentaciji mantise. x x imaju pribliˇno p toˇnih z c Ako ˇelimo sve komponente vektora x staviti u isti plan. Stoga pretpostavljamo da se dana konaˇna aritmetika ne koristi c z c za simulaciju aritmetike ve´e preciznosti. moˇemo naˇiniti c c c z c sljede´u distinkciju.123 i 0. c x−x ˆ . Dakle. definicija nije dobra. definira se pomo´u prikladne norme (npr. c .ˇ ˇ ˇ 3.9951. iako ´e mnogi tvrditi da se slaˇu u tri.127 slaˇu u dvije c z znaˇajne znamenke. apsolutna greˇka vektora x kao aproksimacije vektora s ˆ x. Naime. c c z Vidimo da je relativna greˇka preciznija mjera od “slaganja u p znaˇajnih s c znamenaka”. ali se slaˇu u jednoj i u tri ˆ z c z znaˇajne znamenke. pomoc c sc ´u aritmetike dane preciznosti moˇe se simulirati raˇunanje u (proizvoljno) ve´oj c z c c preciznosti. se ne slaˇu u dvije znaˇajne znamenke. pa bi je trebalo preferirati. pa kad ih ve´ imamo. preciznost mjerimo c c c c pomo´u preciznosti raˇunanja u. Kad su u pitanju vektori. Kod raˇunanja u aritmetici pomiˇne toˇke. Toˇnost se odnosi na apsolutnu ili relativnu greˇku kojom c c s se aproksimira neka veliˇina. Ova definicija implicira da se 0. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 77 i x = 0. 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. ista rijeˇ ´e se koristiti i za broj bitova u mantisi. a veliˇinu s c max i |xi − xi | ˆ |xi | zovemo (maksimalna) relativna greˇka po komponentama. Medutim takve simulacije su skupe (u raˇunskom vremenu) pa nisu od c praktiˇne vaˇnosti. s Preciznost i toˇnost c Ove dvije rijeˇi se ˇesto zamijenjuju. euklidske) c Gaps (ˆ) = x − x 2 . cc Napomenimo da toˇnost op´enito nije limitirana preciznoˇ´u. Preciznost je toˇnost kojom se izvrˇavaju osnovne c c s raˇunske operacije.

11011)2 · 2 .2. Ovdje je (11.1011)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. c c y = (11. Vrijedi li i obrat? c Da bismo se u to uvjerili.77 prikazuje kao −2.77 = −2. koja se joˇ zove signifikantni ili c s razlomljeni dio broja.2941176470588235. Medutim. x = 32. Tako je npr. c z koja npr. 1/3 ima prikaz 0. Pretvaranje decimalne u binarnu reprezentaciju Ne samo iracionalni.2. ve´ i mnogi racionalni brojevi imaju beskonaˇno mnogo c c ˙ dok 5/17 ima znamenaka u decimalnom brojnom sustavu. svaki se realni broj moˇe na jednoznaˇan naˇin zapisati u obliku c z c c e ±m × 10 gdje je 1 ≤ m < 10. c c i s brojevima zapisanim u binarnom sustavu. npr. s c z 3.777 · 101 pri ˇemu je − predznak broja (ili c mantise).625. Raˇunala za spremanje realnih brojeva koriste sliˇnu reprezentaciju broja koja c c se zove pomiˇna toˇka.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 . zanimljivo je da mnogi racionalni brojevi imaju u dekadskom sustavu konaˇni prikaz.749.75 = 32. 10 je baza. Op´enito. 2. je decimalna toˇka.3. pri ˇemu se znamenke koje su oznaˇene izmedu toˇaka c c c periodiˇki ponavljaju.11011)2 · 21 . ali se ne uzima baza 10 ve´ baza 2 (s iznimkom baze 16 c c c kod raˇunala IBM 370 i baze 10 kod ve´ine kalkulatora). a kako vrijedi x = [(−1) · (2 · 100 + 7 · 10−1 + 7 · 10−2 + 7 · 10−3 )] · 101 . Lako se izraˇuna da y ima decimalnu reprezentaciju c c (3. dok u binarnom susc tavu imaju beskonaˇni prikaz. ˙ ˙ prikaz 0.625)10 . predznak broja je ujedno i predznak mantise. Uoˇimo da se i svaki konaˇni decimalni prikaz broja moˇe c c c z ˙ Sliˇna je situacija napisati s beskonaˇno znamenaka. “znanstvena notacija” brojeva. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 78 3. a njen oblik u prikazu s pomiˇc 1 nom toˇkom (1. . Aritmetika s pomiˇnom toˇkom c c Na kalkulatorima se ˇesto moˇe izabrati tzv.1011)2 binarna reprezentacija broja y.1. izvedimo prvo algoritam za pretvaranje decimalnog oblika u binarni oblik. a 1 je eksponent.ˇ ˇ ˇ 3. Zapis x = −27.777 je mantisa. Npr. ˇto se uobiˇajeno kaˇe da je y broj 3. broj −27. .

b1 b2 · · · bl−1 bl )2 = xc + xr . kako odrediti njegove binarne znamenke ak . x = (ak ak−1 · · · a1 a0 . koriste´i nama razumljivu decimalnu aritmetiku? c Iz relacije (3.2. c U sljede´em algoritmu za pretvaranje decimalne reprezentacije brojeva u bic narnu. c c Pritom ´e binarni prikaz imati [log2 (xc )] + 1 binarnih znamenaka (bitova). Tada x moˇemo prikazati kao sumu njec z govog cijelog i razlomljenog dijela. odmah zakljuˇujemo da postupak vrijedi i u sluˇaju kad xr nema konaˇni binarni c c c prikaz.2. Nastavljanjem postupka (l puta) lako dobivamo sve binarne znamenke broja xr . Tada mnoˇenjem broja xr s dva i uziz manjem cijelog dijela rezultata dobivamo b1 . xc = (ak ak−1 · · · a1 a0 )2 = ak · 2k + ak−1 · 2k−1 + · · · + a1 · 21 + a0 · 20 .2) Ako je zadan cijeli broj xc u decimalnom obliku.2. dobivamo binarnu znamenku b2 .b1 b2 · · · bl−1 bl )2 = b1 · 2−1 + b2 · 2−2 + · · · + bl−1 · 2−(l−1) + bl · 2−l . c a1 . dakle oko 3. binarna reprezentacija zahtijeva oko 3. . a0 . .2. ali tada imamo beskonaˇno koraka. Ponavljaju´i isti postupak s ostatkom c x′r = b2 · 2−1 + · · · + bl−1 · 2−(l−2) + bl · 2−(l−1) . odnosno (p − 1) log2 (10) ≤ log2 (xc ) < p log2 (10). tada vrijedi 10p−1 ≤ xc < 10p . s Neka je sada xr kao u relaciji (3. on ´e i u binarnom sustavu imati konaˇni prikaz.1) (3. S obzirom da je xc cijeli broj. xr = (. dobivamo sljede´u znamenku. Primjenom funkcije log2 i koriˇtenjem njene monotonosti. Zbog jednostavnosti postupka. Oznaka c [z] za realni broj z oznaˇava najve´i cijeli broj koji nije ve´i od z.ˇ ˇ ˇ 3. Ponavljanjem tog postupka (u naˇem sluˇaju k puta) dobivamo sve binarne s c znameke broja xc u redosljedu od a0 do ak . Kako je log2 (10) ≈ 3.3219. u redosljedu od b1 do bl . (3.1) vidimo da cjelobrojno dijeljenje broja xc s 2 daje novi cijeli broj i ostatak a0 . pretpostavljamo koriˇtenje decimalne aritmetike. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 79 Neka x ima konaˇni binarni prikaz.3 puta viˇe nego decimalna reprezentacija.2). .3p znamenka. . Ako postupak ponovimo na broju x′c . s x′c = ak · 2k−1 + ak−1 · 2k−2 + · · · + a1 · 20 . zadnje nejednakosti daju s log2 (10p−1) ≤ log2 (xc ) < log2 (10p ). Ako xc ima c c c p decimalnih znamenaka (decimala).

Kad radimo “ruˇno” zgodno je nacrtati tablicu. prije samog mnoˇenja automatski oduzimamo jedinicu.1 u binarni broj. 0. repeat l := l + 1. zz := 2 ∗ z.1 u s c binarni. tako da kod pretvaranja c broja 111 za svaki korak piˇemo s desne strane rezultat cijelobrojnog dijeljenja. l := 0. kod pretvaranja decimalnog dijela broja.1 . 0.8 0 1. b(k) := int(zz). a s ispod crte rezultat zaokruˇivanja do cijelog s z z broja u smjeru nule. int je funkcija z koja odgovara matematiˇkoj funkciji x → [x] koju smo ve´ spomenuli. Ako je rezultat dijeljenja ve´i ili jednak jedan.4 0 0. s desne c strane piˇemo rezultat mnoˇenja s dva. 2). z := xr . until y = 0. a s ispod djeljenika ostatak pri dijeljenju. repeat k := k + 1.2 1 0.8 0 1.1 Neka je zadan racionalan broj x = xc + xr pri ˇemu je xc cijeli c dio broja x. 55 1 27 1 13 1 6 0 3 1 1 1 0 . Binarna toˇka z z c prethodi raˇunanju i piˇemo je ispod polaznog decimalnog broja c s 0. a(k) := mod(y.6 1 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).1 pretvorit ´emo decimalni broj 111.2. y := div(y. a xr razlomljeni dio takav da je 0 ≤ xr < 1.2.ˇ ˇ ˇ 3.6 1 1. z := zz − b(k). 2). Algoritam raˇuna binarc nu reprezentaciju decimalnih brojeva xc i xr . c Primjer 3. c c 111 1 ˇto daje s 111 = (110111)2. .2.2 0 0. Dakle. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 80 Algoritam 3. c c y := xc . u sljede´em c c mnoˇenju. Sliˇno. Algoritam koristi operaciju div za cjelobrojno dijeljenje. k := −1.1 Koriˇtenjem algoritma 3. Toˇka na kraju oznaˇava kraj.2 1 . mod za dobivanje ostatka kod cjelobrojnog dijeljenja i int za zaokruˇivanje realnog broja do cijelog broja u smjeru nule.4 0 0.

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

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. nenegativni cijeli broj x. s Zadatak 3. komplement. s U sustavu koji koristi drugi komplement. (iii ) 8 bita. Dodamo li 1 toj reprezentaciji. i 1980.1 Koliko se razliˇitih cijelih brojeva moˇe reprezentirati ako se koristi c z sustav (a) predznak i modul. gotovo sva danaˇnja raˇunala koriste pametniji naˇin reprezentacije negativnih brojeva koji s c c 1 se zove drugi komplement i piˇe 2. dok se −x. komplement broja dobiva se s jednostavnim komplementiranjem znamenki. Za koji od ovih sustava je reprezentacija nule jedinstvena? Promotrite sluˇajeve kad za reprezentaciju cijelih brojeva imate na raspolaganju c (i ) 32 bita. 1 byte. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 82 raspon tako reprezentiranih brojeva je od od −231 + 1 do 231 − 1. jer je na 33. na s s nekim superraˇunalima koristio tzv. 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. prekobrojni bit. komplement? Koristite potencije od 2. pa se odbacuje. 1 ≤ x ≤ 231 − 1 s smjeˇta kao binarna reprezentacija broja 232 − x. komplement kod kojeg se negativni broj −x smjestio kao c binarna reprezentacija od 232 − x − 1. (iv ) 64 bita. 2 bytea. Ime dolazi odatle ˇto se je izmedu 1960.2 Zbrojimo u binarnoj aritmetici brojeve 111 i −111 koriˇtenjem 32s bitne reprezentacije i drugog komplementa. (b) 2. 1 (ii ) 16 bita. 0 ≤ x ≤ 2 − 1 smjeˇta se kao binarna reprezentacija tog broja. 1. pa je za 111 1. tj. Medutim. 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. 4 bytea. nema c se gdje spremiti. tj. 16 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. tj. Joˇ se koristi naziv dvojni komplement.2. tj. ˇime je reprezentiran broj −111.ˇ ˇ ˇ 3.2. c Primjer 3. mjestu. .

3 Da bi u sustavu reprezentacije cijelih brojeva pomo´u 2.2.03200000000000e+04) (3. z c Zanimljivo je da tada raˇunalo ne´e javiti nikakvu greˇku. c Napiˇimo jednostavni program koji raˇuna n!. (ispis i! = f act. (stvarni) rezultat moˇe biti broj koji je ve´i od maksimalnog prikazivog broja. c s Prvi je promijeniti svaku 0 u 1 i svaki 1 u 0. . a zatim. s tim da su sve varijable u pros c gramu prvo cijeli brojevi. Brojeve izvan tog raspona uop´e ne moˇemo spremiti u raˇunalo. kontrole radi stavimo varijablu f act da pripada relnim brojevima (u barem dvostrukoj toˇnosti).00000000000000e+00) (2. .2. Koji je drugi korak? Sva raˇunala imaju ugradene (“hardverske”) instrukcije za zbrajanje cijelih c brojeva.00000000000000e+00) (2. samo je sistem ostataka simetriˇan oko 0. aritmetika cijelih brojeva u raˇunalu modularna aritmetika u prstenu osc tataka modulo 232 . jer je matematiˇki c c s c gledano.2. komplec menta s 32 bita. 0.62880000000000e+05) .04000000000000e+03) (4. tj. Ako se zbroje dva pozitivna cijela broja ili dva negativna cijela broja. . c −231 . for i := 1 to 34 do. c z c Primjer 3. od ve´ uskladiˇtenog broja x dobili −x treba poduzeti dva koraka.40000000000000e+01) (1. . . . −1.3 U cjelobrojnoj aritmetici izraˇunajmo n! za sve n ≤ 34.20000000000000e+02) (5. 1.ˇ ˇ ˇ 3. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 83 Zadatak 3. .20000000000000e+02) (7. begin f act := f act ∗ i. Zadatak 3. 231 − 1. z c komplementa (npr.00000000000000e+00) (6. najljeviji bit 1 ako i samo ako je x negativan. . c f act := 1.) end.2 Pokaˇite da je u sustavu reprezentacije cijelih brojeva pomo´u 2. Rezultati programa bit ´e (lijevo rezultati u cjelobrojnoj aritmetici. u 32 bitnom formatu). u zagradi c u realnoj): 1! = 2! = 3! = 4! = 5! = 6! = 7! = 8! = 9! = 1 2 6 24 120 720 5040 40320 362880 (1.

65252859812191e+32) (8.ˇ ˇ ˇ 3. postoji k takav da je za svaki n > k uvijek n! = 0. kad u cjelobrojnoj aritmetici dobijemo da c je 13! < 12!.58520167388850e+22) (6.4 Pokaˇite.99168000000000e+07) (4.09227898880000e+13) (3. Primijetite da razlike poˇinju kod 13!.68331761881189e+36) (2.84176199373970e+30) (2. primijetite da n! u cjelobrojnoj aritmetici moˇe biti negativan z broj ili 0.04888344611714e+29) (8. komplementa ima binarni prikaz od 232 −y.03291461126606e+26) (1. S obzirom da je broj −y u reprezentaciji 2. Promotrimo operaciju x + (−y).22702080000000e+09) (8.95232799039604e+38). Nadalje.55687428096000e+14) (6.71782912000000e+10) (1.22283865417792e+33) (2.21645100408832e+17) (2.20448401733239e+23) (1. gdje su 0 ≤ x ≤ 231 − 1 i 0 ≤ y ≤ 231 .30767436800000e+12) (2.62880000000000e+06) (3. .10909421717094e+19) (1.40237370572800e+15) (1.79001600000000e+08) (6. Zadatak 3. 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. zbroj ´emo zapisati kao c 232 + x − y = 232 − (y − x). da bez obzira kolika je duljina ´elija u koju spremamo z c cijeli broj.43290200817664e+18) (5.08888694504184e+28) (3.63130836933694e+35) (8.55112100433310e+25) (4.2.12400072777761e+21) (2.

ˇ ˇ ˇ 3. podijelimo memorijsku c rijeˇ (sadrˇaj jedne ´elije) u tri dijela koja zovemo polja. c a pritom se eksponent pove´ao za 6. pomo´u z c reprezentacije s drugim komplementom). kad se jednom broj −y reprezentira. U tom prikazu. Polje za eksponent ima osam bitova pa moˇe reprezentirati ekponent e koji je izmedu granica −128 i 127 (npr. x = ±m × 2e . on se mora prije smjeˇtanja u raˇunalu zaokruˇiti. Bit za predznak je 0 (1) ako je broj pozitivan (negativan). jer je uvijek b0 = 1. 8 bita za eksponent e i 23 bita za mantisu. 200 + (−50) i 200 − 200. Ovo razmatranje pokazuje jedno vaˇno svojstvo sustava reprezentacije s z 2. z Reprezentacija realnih brojeva u raˇunalu c U raˇunalu se realni brojevi reprezentiraju pomo´u binarne reprezentacije u c c “znanstvenoj notaciji”. Jer. .b1 b2 b3 . Da bismo spremili normalizirane brojeve u raˇunalo.4) predstavljaju normalizirani oblik ili reprezentaciju broja x. binarne znamenke desno od binarne toˇke ˇine razlomljeni dio manc c tise. pokaˇite z detalje kako nastaju cjelobrojne sume: 50 + (−200).2. broj 111.3) i (3. . . c s c z gdje je 1 ≤ m < 2. postoje joˇ dvije standardne (hardverske) operacije za cjelos brojne operande: cjelobrojno mnoˇenje i cjelobrojno dijeljenje.5 = (1101111.3) .2.5 Ako cijele brojeve prikazujemo 8-bitnom reprezentacijom. komplementom: nije potrebna nikakva posebna (hardverska) operacija za cjelobrojno oduzimanje. 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. c (3.b1 b2 b3 . Kako se zahtijeva da je b0 = 1. a relacije (3. Preostala 23 bita za smjeˇtaj mantise s koriste se za smjeˇtaj razlomljenog dijela mantise.1)2 se moˇe napisati kao (1. Sam proces dobivanja tog oblika se zove normalizacija. 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. bp−1 )2 . 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. Ako je c c c x < y. Ako broj nije egzaktno c z s c reprezentabilan u raˇunalu. pa ´e ostati toˇan rezultat x − y. Zadatak 3. rezultat 232 − (y − x) stane unutar 32-bitne reprezentacije i reprezentira broj −(y − x). bp−1 )2 pri ˇemu je b0 = 1.2.4) Na primjer.1011111)2 × 26 . pa ga ne s treba spremati. Kod 32-bitnih raˇunala. dovoljno je koristiti samo operaciju hardverskog zbrajanja. Zato se b0 obiˇno naziva skriveni bit. moˇemo pisati c z m = (1. (3. z Vidimo da je u znanstvenom prikazu binarna toˇka pomaknuta za 6 mjesta ulijevo. Stoga je m = (b0 . Pored zbrajanja. .2.2.

7 Pretpostavimo da umjesto oblika (3. S druge strane broj y = −222 = −4194304. Najˇeˇ´e c c sc se prekida raˇunanje uz adekvatnu poruku. Zadatak 3. overflow). . bit za predznak.1 pokazano je da je ˙ ˙ (111.4 U primjeru 3. Na primjer. ´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 . U sluˇaju mantise duljine 23 bita. Sto raˇunalo u takvom sluˇaju naˇini c c c c ovisi o prevodiocu (engl.2.6 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. raspon za eksponent −128 ≤ e ≤ 127. . . 127] za eksponent. gdje je c c c 1. mnoˇenjem dva velika broja c z rezultat moˇe biti takav da se ne moˇe spremiti. ˇto ´emo kra´e oznaˇavati eksp(6). .1 nije egzaktno reprezentabilan u raˇunalu. U polje eksponenta sprema se broj c 6 u binarnom zapisu (110)2. U tom sluˇaju dolazi do tzv. pa x = 111. Oˇito je da se u raˇunalo moˇe pohraniti samo konaˇan broj znamenki iza binarne c c z c toˇke. Koji je najmanji cijeli c pozitivni broj koji nije egzaktno reprezentabilan? Zadatak 3. c . 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.b1 b2 b3 . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 86 Primjer 3. bp−1 )2 . 8 bitova za eksponent i 23 bita za mantisu)? Ne zaboravite na skriveni bit i na ograniˇen interval [−128. Dakle. kao i prije. Normalizirajmo taj broj c ˙ ˙ x = (1.2.2.2.1)10 = (1101111. b24 i da je.3) zahtijevamo S = (0. 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 .2.ˇ ˇ ˇ 3.2. broj se zaokruˇuje na 23 znamenke iza c c z decimalne toˇke i sprema u prostor za mantisu.10111100011)2 · 26 . z z c ˇ preljeva ili prekoraˇenja (engl. compiler) za odgovaraju´i programski jezik.00011)2 . Pretpostavimo da se u polje za mantisu smjeˇtaju binarne c s znamenke b2 b3 .4) u relaciji (3.

8. Razmak izmedu ta dva broja se zove strojni epsilon (engl. 0. . 125. . tako da je ǫM = 2−23 . Ako promatramo sve brojeve u BSP-u za koje je e = 0.5) Najmanji takav x koji je ve´i od 1 je c (1. 10. 1. c c Zadatak 3. 1}. z BSP ili brojevni sustav za prikazivanje Da bismo shvatili koje toˇke na brojevnom pravcu odgovaraju reprezentabilc nim brojevima. . Odredite ulp(x) redom za x = 0. ulp(x) c je razmak izmedu x i sljede´eg ve´eg (manjeg) reprezentabilnog broja. (3. 1}. b1 . Nadalje.00 . . strojni epsilon je ǫM = 0.5)10 .00)2 × 2−1 = (0. Ako je x > 0 (x < 0).b1 b2 . c (1.6) Ulp je kratica engleskih rijeˇi unit in the last place. ulp i preciznost Preciznost p moˇemo u danom brojevnom sustavu definirati brojem bitova u z mantisi pri ˇemu se raˇuna i skriveni bit. c c U brojevnom sustavu s preciznoˇ´u p.125.b1 b2 )2 × 2e . Preciznost je p = 3. normalizirani broj s pomiˇnom toˇkom ima sc c c oblik x = ±(1. najve´i prikazivi broj je c (1. a najmanji Kako je desni susjed od 1 u BSP-u 1. (3.2.00 . machine epsilon) i zapisuje ǫM = 2−(p−1) . b0 . Op´enitije.2. koji se sastoji od brojeva oblika c ±(b0 .2. za x kao u relaciji (3. 100.2. Tomu ´emo posvetiti viˇe s c s paˇnje kod opisa IEEE standarda. 0. b2 ∈ {0.5)10 .ˇ ˇ ˇ 3. bp−2 bp−1 ) × 2e . . 01)2 × 2e = 2−(p−1) × 2e = ǫM × 2e .25. . vidjet ´emo da su to brojevi 1.5. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 87 Strojni epsilon.5) definira se c ulp(x) = (0.8 Neka je p = 24.11)2 × 21 = (3. 01)2 = 1 + 2−(p−1) . definirat ´emo pojednostavljeni brojevni sustav za prikazivanje c ili kra´e BSP.25. . e ∈ {−1. U opisanom brojevnom sustavu je p = 24. postavlja se pitanje kako spremiti nulu u raˇunalo? To se postiˇe c z koriˇtenjem specijalnog niza bitova u polju za eksponent.25. 3.

s U tom standardu je vode´a jedinica normalizirarog broja skrivena. pa su to brojevi z 2. c (ii) korektno zaokruˇene raˇunske operacije u svim naˇinima rada i z c c (iii) konzistentno tretiranje izvanrednih situacija kao ˇto je npr. IEEE standard za binarnu aritmetiku je publiciran 1985. i c spominje se kao IEEE 754. 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. Kahanom sa kalifornijskog c s sveuˇiliˇta u Berkeleyu.625. dijeljenje s nulom. Bitni zahtjevi IEEE standarda su: (i) konzistentna reprezentacija brojeva s pomiˇnom toˇkom na svim raˇunalima c c c koja prihva´aju standard. brojevi iz BSP-a za koje je e = −1 c su 0. doˇlo je do izuzetne suradnje s eksperata iz industrije i sa sveuˇiliˇta. −3 −2 −1 0 1 2 3 Slika 3.75. subnormalnim brojevima. IEEE Aritmetika U kasnim 70-tim i ranim 80-tim godinama.5 i za njih je ulp(x) = 2ǫM . Vidimo da je razmak izmedu broja x ∈ BSP i njegovog desnog susjeda u BSP-u jednak ulp(x) = ǫM × 2e . pa je zato potrebc na specijalna reprezentacija broja nula.5. Razvoj kalkulatora i malih. 3.5 i ±1. Brojevi u BSP-u za koje je e = 1 dobiju se mnoˇenjem s dva onih brojeva za koje je e = 0. struˇnjaci iz raˇunarstva i dizajneri mikroˇipova uspjeli su se c s c c c dogovoriti oko standarda smjeˇtanja brojeva u raˇunalo i standarda aritmetike.1 BSP brojevni sustav Uoˇimo da je razmak izmedu nule i ±0.5 i 1. 0. isti c c . 3. Izmedu svih njih je isti razmak ulp(x) = ǫM .5 moˇe c z ispuniti tzv. tzv.ˇ ˇ ˇ 3.5 mnogo ve´i od razmaka brojeva c c izmedu ±0.825 i za njih je ulp(x) = ǫM /2.3. brojeva ±0 (to je za razliku od matematiˇki gledano razliˇitih +∞ i −∞. 2. Uskoro ´emo vidjeti da se razmak izmedu nule i ±0. To s c je bilo vrijeme naglog razvoja osobnih raˇunala s Intelom i Motorolom kao glavnim c proizvodaˇima procesora. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 88 1. Sliˇno. Kad se spominje “IEEE aritmetika” podrazumijeva se da ta aritmetika udovoljava spomenute standarde.2.5.75 i 0. Uvodi se i specijalna reprezentacija brojeva ±∞. 0. 3. Predvodeni W.

b23 )2 × 21 . Svi retci u tablici 2. . b23 )2 × 20 ±(1. . . polje za eksponent (8 bitova. b23 )2 × 2−126 ±(1.b1 b2 . .1. bitovi a1 a2 . b23 )2 × 2−126 ±(1.1 IEEE jednostruki format predznak broja + i 1 ako je −. .b1 b2 . . . Npr. b23 )2 × 2126 ±∞ ako su svi bi = 0. .3. b23 ) i prikazat ´emo ih na sljede´i naˇin: c c c ± a1 a2 . .b1 b2 . . Iz prvog reda vidimo da je nula reprezentirana s ± 00000000 00000000000000000000000 . b23 )2 × 2127 Tablica 3. . kvocijent 0/0). . . . Vidimo da eksponent nije prikazan. a8 (00000000)2 = (0)10 (00000001)2 = (1)10 (00000010)2 = (2)10 (00000011)2 = (3)10 . a8 ) i polje za mantisu (23 bita. b23 . . . a8 b1 b2 . . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 89 broj). .b1 b2 . . ve´ kao 127 + e.b1 b2 . b23 )2 × 2−125 ±(1. ±(1.b1 b2 . . osim prvog i zadnjeg. Jednostruki format Broj u jednostrukom formatu sprema se u ´eliju koja ima tri polja: polje c za predznak (1 bit. 3. . IEEE format specificira dva osnovna formata: jednostruki i dvostruki. Pritom znak ± u nizu bitova znaˇi 0 ako je c ako je niz a1 a2 . reprezentiraju normalizirane brojeve. .1.b1 b2 . b23 )2 × 2125 ±(1. . s npr. (01111111)2 = (127)10 (10000000)2 = (128)10 . b23 )2 × 2−124 .3. . te specijalnih izmiˇljenih brojeva “NaN” (“Not a number”. . .b1 b2 . ni kao drugi komplement. . niti u obliku predznak plus modul. . bitovi b1 b2 . (11111100)2 = (252)10 (11111101)2 = (253)10 (11111110)2 = (254)10 (11111111)2 = (255)10 onda je numeriˇka vrijednost c ±(0. . . . . .b1 b2 . .3. . inaˇe NaN c ±(1. .ˇ ˇ ˇ 3. Ovaj format opisan je tablicom 3. . koji je oznaka za. ±(1. ±). broj 1 c c reprezentira se kao 0 01111111 00000000000000000000000 . Broj 127 + e zvat ´emo karakteristika.

. reprezentira kao s a ako se “viˇak” znamenki korektno zaokruˇuje (tako to rade sva moderna raˇunala). 0 01111011 10011001100110011001100 .ˇ ˇ ˇ 3. Odmah vidimo da je . .3. 01) × 2−126 . Iz zadnjeg retka tablice vidimo da niz bitova 1111111 u eksponencijalnom dijelu reprezentacije vodi ili do ±∞ (samo ako su svi bi jednaki 0) ili do NaN.1755 × 10−38 reprezentira se s 0 00000001 00000000000000000000000 . Ako nisu svi c bi nula. dok razlomljeni dio moˇe imati bilo koji izbor jedinica z i nula. Konaˇno.111 . Najmanji pozitivni subnormalni broj reprezentiran je kao 0 00000001 00000000000000000000001 . s z c jer su prve dvije odbaˇene znamenke 11. a vrijednost mu je 2−149 = (0. ili −0 ovisno o prvom bitu.000 .1 = (1. Ako su svi bi nula. . subnormalne ili denormalizirane brojeve koji ekvidisc tantno ispunjavaju razmak izmedu −Nmin i +Nmin . 1 < Nmax .4028 × 1038 reprezentira s 0 11111110 11111111111111111111111 . . 0)2 × 2−126 = 2−126 ≈ 1. dok se najve´i broj c Nmax = (1. dobit ´emo tzv. Najmanji i najve´i eksponent od 2 u tom formatu su emin = −126 i emax = 127.000 . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 90 dok se broj ˙ ˙ 0.10011)2 · 2−4 . . c 0 01111011 10011001100110011001101 . ako se “viˇak” znamenki odbacuje. 1)2 × 2127 = (2 − 2−23 ) × 2127 ≈ 2128 ≈ 3. . imat ´emo +0. pogledajmo joˇ jednom prvi redak tablice 3. c Najmanji normalizirani broj Nmin = (1.1. Nmin pa inverz najmanjeg normaliziranog broja ne dovodi do prekoraˇenja gornje granice c (overflow). U njemu je ekspoc s nencijalni dio uvijek 0000000.

c ˙ ˙ (1/10) × 2−136 = (0.1100)2 × 2−139 ima reprezentaciju 0 00000000 00000000000001100110011 . b52 . c c Zadatak 3. Detalji su vidljivi u tablici 3. Ideje su iste kao kod jednostrukog formata.3. jednostruki format nije adekvatan.225 × 10−308 . c ± a1 a2 . Treba usporedivati bitove slijeva c ˇ nadesno i donijeti zakljuˇak na prvom mjestu na kojem se razlikuju. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 91 i on je za 2−149 manji od Nmin . .1. ukljuˇuju´i i subnormalne brojeve sada moˇemo prikazati slikom 3. tako zbog premalog raspona brojeva u tom formatu. Zadatak 3. 11. a11 b1 b2 . samo su polja za mantisu i eksponent ve´a: 11 bitova za eksponent i 52 bita za razlomljeni c dio mantise.3.2.5. 11)2 × 2−126 −3 −2 −1 0 1 2 3 Slika 3. . . c 3.3. . .3. Npr. te Nmin = 2−1022 =≈ 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.1 U jednostrukom IEEE formatu odredite reprezentacije sljede´ih broc jeva s pomiˇnom toˇkom: 3.2 Napiˇite algoritam koji odreduje koji je od dva broja x.3.2.111 . dvostruki format koji koristi 64-bitnu rijeˇ. y zapisanih s u jednostrukom IEEE formatu ve´i od drugoga. z s z Zato IEEE standard specificira i drugi tzv. 2000.5 × 2100 i 0. 11. pa su zato emin = −1022 i emax = 1023. kako zbog neizc bjeˇnih greˇaka zaokruˇivanja.ˇ ˇ ˇ 3. . Sve reprezentabilne brojeve u brojevnom sustavu za prikazivanje.1 × 2−142 . Dvostruki format Kod zahtjevnijih raˇunanja.1 BSP brojevni sustav sa subnormalnim brojevima Subnormalni brojevi su manje toˇni od normaliziranih. Naz c jve´i subnormalni broj je c (0.3. c c z To je najmanji broj koji se moˇe reprezentirati pomo´u jednostrukog formata.

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

BSPT i zaokruˇivanje u BSPT z Brojevni sustav s pomiˇnom toˇkom kra´e ´emo oznaˇavati s BSPT. a p = 64 odgovara pribliˇno 19 znaˇajnih decimalnih z z c znamenki.3. pa je aritmetika ovdje s sporija. . c 3. pri ˇemu. Npr. . najvaˇniji je byte u kojem su smjeˇteni σ.4 Preciznost kod IEEE formata Moderna raˇunala adresiraju memoriju po byte-ovima.2 × 10−16 2−23 ≈ 1. Intelovi mikroprocesori implementiraju aritmetiku s proˇirenim formatom s u hardware-u.2247. iako pripadaju spomenutom brojevnom sustavu. preciznost z c c p = 53 odgovara pribliˇno 16. ako drugaˇije ne naznaˇimo. c c c c c a skup brojeva s pomiˇnom toˇkom s BPT. od ˇega se 15 bitova koristi za eks c sponent. pa 32-bitnu rijeˇ adrec c siraju sa 4 byte-a. s ali kako se on ne moˇe reprezentirati jer nema skrivenog bita. dok Intel koristi Small Endian (neki procesori kao DEC Alpha mogu raditi s oba sustava). ±∞ i subnormalni brojevi nisu u tom intervalu. format jednostruki dvostruki proˇireni (Intel) s preciznost (p) 24 53 64 strojni epsilon (ǫM ) 2−52 ≈ 2. za razliku od jednostrukog i dvostrukog c formata. koriˇtenjem 80-bitnih regisatra. U jednostrukom c formatu. log10 (224 ) ≈ 7. B4 . . vode´i bit (jedinica) nije skriven. S obzirom da je log10 (223 ) ≈ 6. Drugi strojevi (npr. Sliˇno. . Za realni broj x re´i ´emo da leˇi u intervalu normaliziranih brojeva susc c z tava s pomiˇnom toˇkom. brojevi ±0. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 93 mantisu. pri ˇemu je B4 = B1 +3.3. ako vrijedi c c Nmin ≤ |x| ≤ Nmax . . To znaˇi da kod transfera podataka s c jednog raˇunala na drugo traba biti oprezan. nazovimo ih B1 .9236. a 64 bita za mantisu. . IBM i Sun koriste BIG. Sun i Sparc) imc plementiraju proˇireni format sa 128 bitova. ali softverski.1 × 10−19 Tablica 3. prvi desni susjed od 1 bio bi 1 + 2−64 . .2 × 10−7 2−63 ≈ 1. da zadoc c c voljavaju IEEE standard. . Ako z s je taj byte adresiran s B1 (B4 ). prvi desni susjed z je 1 + 2−63 . Te oznake se odnose na razmatrani c c sustav/skup brojeva za koji ´emo smatrati.ˇ ˇ ˇ 3. a1 . tada se takav adresni sustav zove Big (Small) Endian.3. preciznost p = 24 odgovara pribliˇno 7 znaˇajnih decimalnih znamenki. Kod Intelovog proˇirenog formata. . a7 (σ je predznak). Dakle.

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

onda vrijedi jaˇa ocjena z c | round(x) − x| ≤ 2−p × 2e . 2 · 224 i 2131 . z Zadatak 3. IEEE c standard zahtijeva da se kao prvi (uobiˇajen. . .)2 × 2emin . ili x+ ovisno o tome koji od njih ima najmanje znaˇajan bit 0. .3.3 Napiˇite u jednostrukom IEEE formatu reprezentacije zaokruˇenih s z vrijednosti (u naˇinu do najbliˇeg) brojeva: 1/10.3. . jednak 1. c z Stoga je | round(x) − x| < 2−(p−1) × 2e . Pritom z s z se misli na ulp(x− ) ako je x > 0 i ulp(x+ ) ako je x < 0. .3.b1 . ako je |x − x− | > |x − x+ |. c z Zadatak 3. pa kaˇemo da je apsolutna greˇka kod zaokruˇivanja manja od jednog ulp-a. Ako je |x−x− | = |x−x+ | uzima se x− ili x+ . prema najbliˇem c z z susjedu u sustavu brojeva s pomiˇnom toˇkom i njega ´emo joˇ malo pojasniti. tada se uzima x− . 0 < x < Nmin nije subnormalni broj. Ako je prvi bit koji se ne moˇe reprezentirati. ˇ pri ˇemu je bar jedan od brojeva bp bp+1 . default) naˇin uzima zaokruˇivanje c c z prema najbliˇem. U praksi se gotovo uvijek koristi zadnji naˇin zaokruˇivanja. bp−1 bp bp+1 . Kad je prisutno zaokruˇivanje z do najbliˇeg. Ako broj x.)2 × 2e . ve´ prema tome je li u x− ili u x+ c najmanje znaˇajni bit bp−1 nula.4 Konstruirajte x za koji su x− i x+ jednako udaljeni od x i nadite pripadnu reprezentaciju broja x. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 95 • zaokruˇivanje prema najbliˇem: z z round(x) = x− x+ ako je |x − x− | < |x − x+ |. . Ako je bp = 1 i joˇ barem jedan od sljede´ih bitova nije s c nula. . Uoˇimo c c da se x− i x+ razlikuju samo u zadnjem bitu.ˇ ˇ ˇ 3.1). bez obzira na naˇin zaokruˇivanja. c a ako je x < Nmin uzima se round(x) = −∞. Ako je x > Nmax uzima se round(x) = +∞. z s z x = (1. Sto je x− ? Uzmi kao primjere c −130 −150 brojeve 2 i2 . Ako je x > Nmax i naˇin zaokruˇivanja je prema najbliˇem. Neka c c c s je x opet kao u (3. . Ako je bp = 1 i svi preostali bitovi od x su 0. pa kaˇemo da je apsolutna greˇka zaokruˇivanja pola ulp-a.5 Neka x. bp−1 bp bp+1 . Tada je x = (0.3. round(x) koristiti z c c u tom smislu. tada je c z z round(x) = ∞ iako je x naravno bliˇe Nmax nego ∞. . . z tada je round(x) = x− .b1 b2 . pa ´e se nadalje. (Pretpostavka je jednostruki format i emin = −126). tada je round(x) = x+ . nije reprezentabilan jasno je da je x− ≤ x ≤ x+ . bp jednak 0. ako se ne spomene drugaˇije. Zadatak 3. pa ´e jedan sigurno biti izabran.

6 Odredite apsolutnu greˇku prikaza 1/10 u jednostrukom IEEE fors matu. p = 53 za dvostruki i p = 64 za proˇireni format. u = 2−p . vidimo da mjera − log2 (δ(x)) daje broj binarnih znamenaka do koz jeg se x i round(x) podudaraju.1. e | round(x)| 2 . promos z trimo relativnu greˇku od round(x) kao aproksimaciju od x. Uoˇimo da δ = δ(x) c z c c ovisi o x i naˇinu zaokruˇivanja.3.9 Nadite x u normaliziranom intervalu BPT za koji je δ = 2−p ako se koristi uobiˇajeni naˇin zaokruˇivanja do najbliˇeg. |δ| ≤ u.8 Kolika je apsolutna greˇka za svaki od naˇina zaokruˇivanja ako je s c z |x| < Nmin . (3.3.3.1) znamo s da je |x| ≥ 2e . Sliˇno ´e − log10 (δ(x)) > − log10 (u) mjeriti broj c c decimalnih mjesta u kojima se x i round(x) podudaraju.3.2) gdje je u = 2−p ako se koristi zaokruˇivanje do najbliˇeg i u = 2−p+1 ako se koriste z z ostali naˇini zaokruˇivanja.3. e |x| 2 Kod zaokruˇivanja do najbliˇeg vrijedi malo bolja ocjena z z | round(x) − x| 2−p × 2e ≤ = 2−p ≡ u. S obzirom da raˇunala u normalnom radu koriste c z c zaokruˇivanje do najbliˇeg. c c z z Zadatak 3.2) za |x| < Nmin? S obzirom da je − log2 (δ(x)) > p (odnosno p − 1 ako nije uobiˇajeni naˇin c c zaokruˇivanja). pri ˇemu je z z c c c c p = 24 za jednostruki. Pazite na definiciju round(x). Iz relacije (3. ako ne´e biti drugaˇije naznaˇeno.2) i (3.1) moˇemo za realne brojeve koji leˇe u s z z normaliziranom intervalu napisati round(x) = x(1 + δ). Stoga za sve naˇine zaokruˇivanja vrijedi c z | round(x) − x| 2−(p−1) × 2e < = 2−(p−1) ≡ u. S obzirom da je 2−p+1 × 2e | round(x) − x| < = 2−p+1 ≡ u.7 Vrijede li gornje ocjene za apsolutnu greˇku zaokruˇivanja ako je s z |x| < Nmin ? Objasnite. S obzirom da apsolutna greˇka kod zaokruˇivanja raste kad |x| raste. e |x| 2 Koriˇtenjem oznaka iz relacija (3. Pritom je p preciznost raˇunala.3.1.3. s Zadatak 3. c c z Zadatak 3. Zadatak 3. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 96 Zadatak 3. Koristite svaki od ˇetiri naˇina zaokruˇivanja.10 Vrijedi li ocjena (3.ˇ ˇ ˇ 3.3.

/}. x ⊖ y. 1+δ |δ| ≤ u. c c c c tada IEEE standard zahtijeva da vrijedi x ⊙ y = fℓ(x ◦ y) = round(x ◦ y) = (x ◦ y)(1 + δ). fℓ(x − c z y).4) katkad se c naziva aritmetika s korektim zaokruˇivanjem. ×. 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. ⊖. ⊙ ∈ {⊕.3) 1+δ Pritom δ iz relacije (3.3.4) je broj u skupu BPT. −. (3. c c c c fℓ(f (x)) oznaˇava izraˇunatu vrijednost funkcije f u toˇki x. standard zahtijeva da (3.5) pri ˇemu zadnji δ nije op´enito jednak δ iz relacije (3. ⊖. Ako s ◦ i ⊙ oznaˇimo odgovaraju´e operacije u algebri i u raˇunalu. Koriˇtenjem izvoda i same relacije (3. pa vrijedi: 1 ⊗ x = x.3. Sliˇno.3. ⊗ i ⊘ operacije +. |δ| ≤ u.3. a x i y su reprezentabilni brojevi. Takoder. | round(x)| 2e 3.4) gdje su ◦ ∈ {+. Relacije (3.3. moˇemo pored relacije (3.ˇ ˇ ˇ 3.2) i (3. z Lijeva strana u (3. Osim za ˇetiri osnovne raˇunske operacije.3) su osnova za analizu greˇaka zaokruˇivanja koju ´emo upoznati s z c kasnije. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 97 odnosno. ⊖.2).3).2) koristiti i z z z relaciju x round(x) = . c z Oznaˇimo sa ⊕.3.3. Konaˇna aritmetika koja zadovoljava (3. x ⊘ x = 1.4). ⊗ i ⊘.5 ⊗ x = x ⊘ 2 kao i vaˇno svojstvo: ako su x i y brojevi u skupu BPT i vrijedi z x ⊖ y = 0. (3. (3. | round(x) − x| 2−p × 2e ≤ = 2−p ≡ u.4.3.4) vrijedi i za unarnu c c operaciju drugog korijena.3.3.3. x ⊗ y i x ⊘ y.3. |δ| ≤ u. fℓ(izraz) oznaˇava izraˇunatu vrijednost izraza pomo´u operacija ⊕. tada je x = y. ⊗. fℓ(x × y). −. 0. fℓ(x/y) za operacije x ⊕ y.3.3. ⊘}. c c Napomena 3. i / kako su stvarno implementirane c u raˇunalu. c c c .3) ne mora biti jednak onom iz relacije (3.3.1 U numeriˇkoj matematici uvrijeˇila se notacija fℓ(x + y). ×. odmah vidimo da vrijedi i ocjena s x ⊙ y = fℓ(x ◦ y) = x◦y . ako je prisutno zaokruˇivanje do najbliˇeg.

ono ˇto vrijedi u aritmetici.0 × 2−25 .1 × 2−25 . b ≡ x ⊕ (y ⊕ z). izraˇunajte z z c a ≡ (x ⊕ y) ⊕ z.1 × 2−25 . pa ´e uz zaokruz c ˇivanje prema najbliˇem biti z z x ⊕ y = 1.1 Neka je x = 1.3. ⊖ i ⊗ slijedi x ⊕ y = y ⊕ x. y ⊕ z = 2. pa za taj izraz ne vrijedi pravilo koje je aksiom IEEE standarda za osnovne raˇunske c operacije. x ⊖ y = −(y ⊖ x) i x ⊗ y = y ⊗ x. c Zadatak 3. Uz pretpostavku IEEE jednostrukog formata i zaokruˇivanja do najbliˇeg. Ti brojevi su u skupu BPT. z z −5 −10 −15 koliko je 1 ⊕ round(10 ). y = 2−25 . z = 1. (x + y) − z = 2−25 reprezentabilan u sustavu brojeva BPT. iako je round((x + y) − z) = 2−25 . c z ne´e u IEEE aritmetici uvijek vrijediti. ve´ za malo sloˇenije izraze. Sliˇno.ˇ ˇ ˇ 3. Stoga ´e vrijediti c (x ⊕ y) ⊖ z = 1 ⊖ z = 0. c Primjer 3. S druge strane. asocijativnost zbrajanja i distributivnost mnoˇenja prema zbrajanju. Uz iste uvjete.11 Koji je najve´i broj x iz skupa BPT za koji je 1 ⊕ x = 1.1 × 2−25 = 1 + 2−23 . Pokaˇite da a i b nisu jednaki! z Rjeˇenje s x ⊕ y = 1. Kako je y = 1. round((x + y) − z) = 2−25 . x ⊕ (y ⊕ z) = 1 ⊕ 2. 1 ⊕ round(10 ).0000000000000000000000001 se ne moˇe egzaktno reprezemtirati u IEEE jednostrukom formatu. pa vrijedi Pokazali smo da je fℓ((x + y) − z) = 0.3. c z s ne vrijedi u konaˇnoj algebri s IEEE standardom. Pretc postavke su: IEEE jednostruki format i zaokruˇivanje do najbliˇeg.12 Neka su x = 1. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 98 Zadatak 3. egzaktni je rezultat . Medutim.3. 1 ⊕ round(10 )? Iz same definicije operacija ⊕. suma x + y = 1. (x ⊕ y) ⊕ z = 1 ⊕ z = 1. y = 2−25 . z = 1.

GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 99 3.11111111111111111111111|1011111111111111111111111)2 × 2−1 normalizacija: . zaˇtitni. 1)2 × 2−1 . Ovdje smo koristili jedan dodatni bit (iza okomite crte | koja prikazuje granicu). . ako je z nakon zaokruˇivanja potrebno.ˇ ˇ ˇ 3. z c s s Promotrimo raˇunanje razlike x − y u jednostrukom formatu. Zatim se rezultat svede na normalizirani oblik. c Sljede´i primjer pokazuje da katkad nije dovoljan jedan bit.00000000000000000000000|1)2 × 20 = (1. . 01)2 × 2−24 Koriˇtenjem (ˇak!) 25 dodatnih bitova. koje ne´emo posebno razlikovati.5. Sigurnosni i zalijepljeni bitovi Da bi se implementirala IEEE aritmetika potrebni su i tzv. Poˇnimo od zbrajanja i oduzimanja. Promotrimo c raˇunanje x − y u jednostrukom formatu uz zaokruˇivanje do najbliˇeg. x = (1.00000000000000000000000|0100000000000000000000001)2 × 20 = (0. zaokruˇi i. jer je c c Ako operandi nemaju isti eksponent. 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|0)2 × 2−24 . Svako pomicanje mantise rezultira z istovremenim pomakom eksponenta. Implementacija operacija na raˇunalu c x − y = x + (−y). Ovo je primjer kra´enja. dobije se c x = (1.000 .0)2 × 20 i y = (1.111 . sigurnosni (dodatni. opet se pomakne. . dobivamo s c )2 × 2 0 (1. To znaˇi da aritmetika u raˇunalu koristi registre s c c koji sadrˇe rijeˇ s viˇe bitova nego ˇto zahtijeva standard za reprezentaciju brojeva. rezervni) bitovi. pri ˇemu c se prvo mantisa pomakne ulijevo ili udesno ako je potrebno. pri ˇemu su c z z c brojevi iz BSPT.0)2 × 20 i y = (1. onda se (po modulu) manji operand napiˇe s u obliku nenormaliziranog broja s eksponentom ve´eg. pri ˇemu je c c Izjednaˇavanjem eksponenata. normalizacija: (1.00000000000000000000000| − (0. jer se skoro svi bitovi rezultata pokrate.11111111111111111111111|1)2 × 20 = (0. .00000000000000000000000| )2 × 20 − (0.3.

Ako je z x = mx × 2ex tada je pa pri implementaciji mnoˇenja u BSPT postoje tri koraka: z • mnoˇenje mantisa. 4. dva zaˇtitna i jedan zalijepljeni bit. • razliku eksponenata.11111111111111111111111|0111111111111111111111110)2 × 2−24 zaokruˇivanje: z = (1. Da smo koristili samo dva dodatna bita. Zovemo ga zac s lijepljeni jer kad ga aktiviramo. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 100 = (1. i y = my × 2ey . u zadnjem primjeru. z . dovoljno je koristiti s c tek tri dodatna bita.00000000000000000000000|011)2 × 20 = (0. . . toˇnije. 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. 24 dodatna bita. rezultat bi (nakon dodatne renormalizacije) bio (1. • i normalizaciju sa zaokruˇivanjem.ˇ ˇ ˇ 3. • ako je potrebno normalizacija produkta mantisa i pravilno zaokruˇivanje rezulz tata. normalizacija: zaokruˇivanje: z • zbrajanje eksponenata.11111111111111111111111| Mnoˇenje i dijeljenje z Mnoˇenje i dijeljenje u BSPT ne zahtijeva poravnavanje eksponenata. Na sre´u.11111111111111111111111|101)2 × 2−1 = (1. )2 × 2−24 . . Isti (pogreˇan) rezultat dobis vamo koriˇtenjem 3. on se viˇe ne mijenja. Kod dijeljenja isto ´emo tako raˇunati c c • kvocijent mantisa.00000000000000000000000)2 × 20 .11111111111111111111111| )2 × 2−24 . Dakle. umjesto 25 (ili u sliˇnim s c c namjeˇtenim sluˇajevima po volji veliki broj) dodatnih bitova. z z = x · y = (mx · my ) × 2ex +ey .00000000000000000000000| )2 × 20 − (0. . prije oduzimanja treba dodati zalijes pljenu jedinicu iza drugog zaˇtitnog bita: s (1.11111111111111111111111|01 )2 × 2−24 = (1.

s c Kod dijeljenja ´e vrijediti c 1 mx < < 2. −1 ≤ e ≤ 1) i • BSPT u jednostrukom IEEE formatu. Stoga se mogu´i izbor pomaka mantise svodi c najviˇe za jedno mjesto ulijevo uz istodobno pove´anje eksponenta za 1.ˇ ˇ ˇ 3. a koliko 3/2 ≤ x < 2? 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 ≤ 2/3.3.3.13 Odgovorite na sljede´a pitanja u sluˇaju: c c • brojevnog sustava za prikazivanje (p = 3. Drugi korijen je unarna operacija (jer je funkcija) definirana za . uz dovoljnu rezervu memorije. 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. ǫM = 0. 2 my pa ´e pomicanje kod normalizacije biti najviˇe jedan bit ulijevo ili udesno. lijevo od binarne toˇke u binarnoj reprezentaciji od mz mogu biti samo c kombinacije bitova 11. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 101 Danaˇnji dizajneri ˇipova uspjeli su. Dakle. Drugi korijen. toliko s c ubrzati mnoˇenje da je gotovo jednako brzo kao i zbrajanje. c s Zadatak 3.25.6. z c Uoˇimo da nejednakosti 1 ≤ mx < 2 i 1 ≤ my < 2 povlaˇe c c 1 ≤ mz = mx · my < 4. ostatak pri dijeljenju i konverzija formata Pored zahtjeva da su osnovne aritmetiˇke operacije korektno zaokruˇene. Dijeljenje s nulom razmotrit ´emo kasnije. 10 ili 01 tj 1. IEEE c z standard zahtijeva da su korektno zaokruˇene i operacija drugog korijena i ostatak z pri dijeljenju. odnosno oduzimanje. z Jedino treba voditi raˇuna da je dijeljenje joˇ uvijek nekoliko puta sporije od mnoc s ˇenja.

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

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

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

3. Zadatak 3.15 Promotrimo operaciju (y ⊖x)⊕x. 2 y Pokaˇite da je tada x − y broj u BSPT.3. s . Uoˇimo da je 25 = (11001)2. koji je. tj. z Vidimo da je rezultat subnormalni broj.10011001100110011010000)2 × 2−132 .3. za vrijeme izvrˇavanja programa. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 105 Primjer 3. Raˇunaje broja z u jednostrukom IEEE formatu c c normalizacija: Pritom je zadnja jedinica u binarnom prikazu broja x nastala zbog zaokruˇivanja. x = 25 × 2−131 i z = y ⊖ x.ˇ ˇ ˇ 3. c Zadatak 3. 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. rezultat bi bio nula. c iskoristiti za pravljenje programa (vidi sljede´i primjer) ili pustiti raˇunalo da daje c c standardne ispise kao u zadnjoj tablici.1 × 2−123 . pri ˇemu rezultat prve operacije c potkoraˇuje. Bez c s z postupnog potkoraˇenja. ˇto se relativne preciznosti tiˇe. statusnog signala (engl. daje (1.2 Neka je y = 0. da je tada oduzimanje egzaktno. status flag) kojeg bi programer mogao dohvatiti tj.10010000000000000000000)2 × 2−127 = (0. z IEEE standard ukupno definira pet vrsta izuzetnih situacija koje su ukratko opisane u sljede´oj tablici. ako postoji.10011001100110011001101)2 × 2−127 − (1. Koji je rezultat.16 Neka su x i y brojevi u BSP T za koje vrijedi x 1 ≤ ≤ 2. s c izgubio zadnja ˇetiri bita ˇto odgovara pribliˇno jednoj decimalnoj znamenki. ili ako ne postoji postupno potkoraˇenje? c c Koristite prethodni primjer.3.5 IEEE odgovor na izuzetne situacije IEEE standard specificira da se svaki izuzetni dogadaj mora signalizirati pomo´u tzv.00001001100110011001101)2 × 2−127 = (1.

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

Teorija perturbacije je dobro poznata za ve´inu problema i c vaˇno je da ona ovisi o problemu. c Npr. tada se izraˇunato rjeˇenje ne moˇe mnogo kritizirati jer je to rjeˇenje c c s z s koje traˇimo do na “ulaznu” netoˇnost. za dani problem moˇe postojati viˇe metoda od kojih ´e neke c z s c biti povratno stabilne. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 107 imamo y = f (x + ∆x)? ˆ Op´enito. 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. backward stable). s f x greˇka unazad s x + ∆x f y = f (x + ∆x) ˆ greˇka unaprijed s y = f (x) Slika 3. a motivacija za taj postupak je dvostruka. zbog spremanja u c c c raˇunalo ili kao rezultat mjerenja. Vrijednost |∆x| (ili c c s c c max |∆x|) moˇda podijeljena sa |x| zove se greˇka unazad (engl. Oznaka mala ovisi o s ˆ kontekstu. c c Medutim. sve osnovne raˇunske operacije u raˇunalu zadovoljavaju relaciju (3. backward error analysis). Prvo. ve´ina metoda za raˇunanje funkcije cos(x) ne zadovoljava relaciju y = cos(x + ∆x) za malo ∆x. Ako povratna greˇka nije ve´a od tih polaznih c s c netoˇnosti. backward error) z s ili povratna greˇka. traˇenja ograda za) povratne greˇke c s z s izraˇunatog rjeˇenja zove se analiza povratne greˇke ili povratna analiza greˇke c s s s (engl. a neke ne´e. Kada z dobijemo ocjenu za povratnu greˇku rjeˇenja kod primjene odredene metode. Apsolutna i relativna greˇka od y zovu se greˇke unapris s ˆ s jed ili kra´e greˇke.ˇ ˇ ˇ 3. vrijedi y = f (x + ∆x) za malo ∆x. sve su osnovne operacije u raˇunalu povratno c stabilne. Proces omedivanja (tj. U naˇelu.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. a ne o pojedinoj metodi za dani problem. ako ona za svako x producira izraˇunati y s malom c ˆ povratnom greˇkom.1 Greˇke unaprijed i unazad s Metoda za raˇunanje vrijednosti y = f (x) je povratno stabilna ili stabilna c unazad (engl. tada s s dodatnom primjenom op´e teorije perturbacije za dani problem lako dolazimo do c ocjene za greˇku unaprijed. Dakle. ve´ samo slabiji rezultat: ˆ c y + ∆y = cos(x + ∆x) ˆ . Podaci s z s ˇesto kriju netoˇnosti nastale zbog prethodnih izraˇunavanja. ona interpretira greˇke zaokruˇivanja kao greˇke u podacima.1.4. tj. bit ´e viˇe takvih ∆x pa ´e nas zanimati najve´i.

4. Ako su ξ i η u (3. y f (x) x c(x) = xf ′ (x) f (x) f ′′ (x + Θ∆x) (∆x)2 . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 108 uz male ∆x i ∆y. Inaˇe. z c s c pojam stabilnosti ima razliˇita znaˇenja u drugim podruˇjima numeriˇke matemac c c c tike.4. Zbog z y−y ˆ f ′ (x) f ′′ (x + Θ∆x) = ∆x + (∆x)2 . Greˇka u rezultatu koji se zapisuje s y + ∆y = f (x + ∆x).4. Ako su f ili c x vektori. ili kra´e uvjetovanost od f . Ova definicija uglavnom se odnosi na izraˇunavanja u kojima su greˇke c s zaokruˇivanja (osnovnih aritmetiˇkih operacija) dominantni oblici greˇaka. Pretpostavimo da je dano pribliˇno rjeˇenje y problema y = f (x) koje zadoz s ˆ voljava y = f (x + ∆x). 2! Θ ∈ (0. c c s Uvjetovanost sluˇi za mjerenje najve´e relativne promjene koja se dostiˇe za neku z c z vrijednost broja ili vektora x. 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. ˆ razvoj u Taylorov red daje y − y = f (x + ∆x) − f (x) = f ′ (x)∆x + ˆ i moˇemo mu ocijeniti desnu stranu.4. |∆x| ≤ ξ|x| (3. tj. Algoritam je numeriˇki stabilan ako je stabilan u smislu relacije (3. 1) pa veliˇina c mjeri relativnu promjenu y za malu relativnu promjenu x. pa . Uvjetovanost Odnos izmedu greˇke unaprijed i greˇke unazad za dani problem u velikoj mjeri s s odreden je uvjetovanoˇ´u problema.1) s c malim ξ i η. Npr. Ako pretpostavimo da je f dvaput neprekidno derivabilna. Zato c(x) moˇemo zvati z (relativni) broj uvjetovanosti od f .1) mali. ˆ |∆y| ≤ η|y|. y f (x) 2f (x) imamo y−y ˆ xf ′ (x) ∆x = + O((∆x)2 ). za f (x) = ln(x) imamo c(x) = 1/| ln(x)|. 3.ˇ ˇ ˇ 3.2.1) naziva se mijeˇana naprijed-nazad greˇka. tada se broj uvjetovanosti definira na sliˇan naˇin koriˇtenjem norme. osjetljivoˇ´u rjeˇenja problema na ulazne sc sc s podatke.

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. Cn (x) monotono raste prema vrijednosti ex . ona se moˇe pove´ati za faktor velik kao broj uvjetovanosti. Poznato je da kad broj ukama´ivanja z c c tijekom godine n raste. tada se za c metodu kaˇe da je stabilna unaprijed. formula sloˇenog ukama´ivanja. x = 0. kriva je jedna.) Ako se a novˇanih jedinica investira c z c na godinu dana po godiˇnjoj kamatnoj stopi x (npr. dok obrat ne vrijedi (primjer je npr. U graniˇnom c . te uvjetovanost za dani problem definiraju s na konzistentan naˇin. tada je budu´a vrijednost uloˇenog novca c c z nakon jedne godine.05). Povratna stabilnost implicira stabilnost unaprijed. c Definicija 3. Cak c s s s unaprijed. s s Dakle. < ∆x . koja su sliˇnog s s c reda veliˇine kao ona koja se dobiju primjenom povratno stabilne metode. izraˇunato rjeˇenje loˇe uvjetovanog problema moˇe imati veliku greˇku unc s s z s ˇ i kad izraˇunato rjeˇenje ima malu greˇku unazad. Na sre´u. ta tvrdnja uglavnom nije istinita. Kad se greˇke unaprijed. unazad. gdje je Cn (x) = 1 + x n n . za kvartalno ukama´ivanje je n = 4).1 Ako metoda daje rjeˇenja s greˇkama unaprijed. jer je f (x + ∆x) − f (x) ≈ f ′ (x)∆x = ali i veliku relativnu promjenu za neke x.4. prijelazom na greˇku aprijed. podmuc s klih greˇaka zaokruˇivanja. z Dakle. To znaˇi da mala relativna promjena u x uvijek c izazove malu apsolutnu promjenu promjenu u f (x) = ln(x). s z Primjer 3. Cramerovo pravilo za 2 × 2 linearne sustave).3.4. sama metoda ne treba biti povatno stabilna da bi bila stabilna unaprijed.1 (Sluˇaj sloˇenih kamata.ˇ ˇ ˇ 3. vrijedi jednostavno pravilo: c greˇka unaprijed ≈ uvjetovanost × greˇka unazad. dana formulom Cn (x. a) = aCn (x). Zato se uvodi z c sljede´a definicija. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 109 je uvjetovanost velika za x ≈ 1. a u rijetkim sluˇajevis c c ma kada dolazi do ve´ih greˇaka u rezultatu. x 3. uz n ukama´ivanja s c (npr.4. ili tek nekoliko. To je tzv.

0 prevodilac s za PC raˇunala. C := pow(z. velika je tek kad je |x| veliko. z z c s z Sljede´a je mogu´nost iskoristiti identitet z n = en ln(z) . Sto je manje mnoˇenja. No. pa koristi z c ˇ 5 mnoˇenja). c c c c prvo ´emo odrediti uvjetovanost za Cn (x).4 C := exp(n ∗ log(1.1 z := 1. Taj sluˇaj se u praksi c c c manje susre´e u bankarstvu. dok se u jeziku C poziva funkcija s pow(x. Pritom moˇemo korisc c z titi sljede´a dva algoritma c Algoritam 3.0 + x/n)). Programi c su napisani u jeziku FORTRAN 77 i koriˇten je Digital Visual Fortran 6.4. kad n → ∞.ˇ ˇ ˇ 3. bit ´e i manje greˇaka zaokruˇivanja.05. Prouˇit ´emo stabilnost nekoliko algoritama za raˇunanje Cn (x). C := exp(n ∗ w). Promotrimo sljede´e algoritme za c raˇunanje Cn (x). Algoritam 3. umjesto n z 17 2 2 2 2 mnoˇenja kao u prvom algoritmu (npr. Dakle.4. Kako n moˇe biti velik. Nas ´e ovdje zanimati ulaganje novca pa ´emo pretpostaviti da je n c c konaˇan. 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).0 + x/n.3 z := 1. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 110 sluˇaju.0. c Algoritam 3. n). pametno je iskoristiti operaciju (ili funkciju) potenciranja.0 + x/n.4. for i := 1 to n w := w ∗ z. U sljede´oj tablici c . U Matlabu je oblika xˆn. Algoritam 3. z ako postoji. U FORTRANU se xn piˇe x∗∗n. a viˇe u bioloˇkim i medicinskim podruˇjima. C := w. U tablici su prikazani rezultati koje daju sva ˇetiri algoritma za x = 0. razmnoˇavanju kuni´a u nekoj populaciji ili ˇirenju zaraze s z c s u medicini. n). govorimo o neprekidnom ukama´ivanju.4. Tada se c s s c govori o prirastu ˇume.2 z := 1. Koriˇten je jednostruki realni format (REAL).0 + x/n. x se raˇuna kao x · (((x ) ) ) . Imamo c κ(Cn (x)) = ′ xCn (x) x = Cn (x) 1+ x n = |x| x . w := log(z). Prednost je u tome ˇto algoritam koji stoji s iza operacije ili funkcije potenciranja zahtijeva oko log2 (n) mnoˇenja. |1 + n | pa uvjetovanost konvergira prema |x| (provjerite da je to uvjetovanost od ex ) kad n raste. w := 1.

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

Koristite samo dobro uvjetovane transformacije za dobivanje rjeˇenja. ali najbolji je savjet spoznaja da je numeriˇka stabilnost vaˇnija od drugih karakteristika alc z goritma. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 123 3. Kratki raˇun bez kra´enja i bez prekoraˇenja granica (underflow i overflow) c c c uvijek mora dati toˇan rezultat (vidjeti [5]). jer neorc c togonalne matrice mogu biti loˇe uvjetovane.7. 5. 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. Newtonova metoda. te dobra vektorizacija ili pas c ralelizacija (prilagodljivost algoritma vektorskim ili viˇeprocesorskim raˇunalima). To je c c vaˇno da konaˇni rezultat ne bi bio dobiven opasnim oduzimanjem velikih z c vrijednosti koje nose u sebi greˇke. Poduzmite mjere opreza da biste sprijeˇili mogu´a prekoraˇenja granice konac c c ˇne aritmetike (overflow i underflow). Greˇke zaokruˇivanja mogu “nadvladati” rezultat samo ako ih ima veliki broj. iako s c c s je to katkad nemogu´e. po stabilnost c vaˇnih. ). veliˇina. c s 2.4. z c c 4. c 7. 1. . s z 3. s 6. Potraˇite drugaˇije formulacije istog problema ili druge formule za isti raˇun. Nabrojimo neka. Pokuˇajte izbje´i oduzmanje veliˇina bliskih vrijednosti koje nose greˇke. . Koristite prednosti jednostavnih formula za aˇuriranje tipa z nova vrijednost = stara vrijednost + mala korekcija. c 2. ako se mala korekcija moˇe izraˇunati na dovoljan broj znaˇajnih znamenki z c c (Eulerova metoda. kao ˇto su npr.ˇ ˇ ˇ 3. Kako dizajnirati stabilne algoritme Nema jednostavnog recepta za dizajniranje stabilnih algoritama. Minimizirajte veliˇinu medurezultata u odnosu na konaˇni rezultat. 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. s c Evo nekih op´ih uputa u redosljedu kako se spominju u [5]: c 1. c . s c c U tijeku raˇunanja uvijek je dobro imati odredeno pra´enje nekih. Kod nekih raˇunala centralna aritmetiˇka jedinica koristi precizniju aritmetiku c c za operande u registrima. . s 3. a zaokruˇivanje nastupa tek kod spremanja podatka z u memoriju. Kra´enje pri oduzimanju je uvijek loˇa stvar. broj raˇunskih operacija. z s S vremenom se nakupilo podosta krivih uvjerenja u vezi raˇunanja na raˇuc c nalima.

2−52 . ako u razmatranje ˇelimo s c s c c z ukljuˇiti i kalkulatore. ako radimo u jednostrukoj preciznosti i koristimo bilo koji naˇin zaokruˇic c z vanja. Ako ˇelimo joˇ ve´i n. moramo osigurati s z z s c koriˇtenje raˇunanja u proˇirenoj toˇnosti. Pove´anje preciznosti aritmetike koja se koristi uvijek pove´ava toˇnost rezulc c c tata (vidjeti [5]). za n dozvoljavamo gornju c granicu 246 ≈ 7. stupnja polinoma. tada u skup P moˇemo ubaciti i neke negativne potencije od c z −12 10 (npr. broja sumanada u konaˇnoj sumi. (3.1) Ako je n cijeli broj koji ima ulogu dimenzije vektora ili matrice.ˇ ˇ ˇ 3. Sljede´a “tehniˇka” lema ˇesto ´e se koristiti u ocjenjivanju greˇaka zaokruˇivac c c c s z nja.2) To znaˇi.5. (3. pozabavit ´emo se osnovnim alatom za analiziranje stabilnosti c numeriˇkih algoritama. ili broja faktora u konaˇnom produktu i sl. mo´an alat za analiziranje pa zato i dizajs c niranje numeriˇkih algoritama.40737488355328 · 10 . . Analiza greˇaka zaokruˇivanja je zajedno sa perturbacijc s z skom analizom problema koji se rjeˇava. a ako joˇ koristimo standardni naˇin zaokruˇivanja. maksimalna vrijednost od n ´e biti c 217 = 131072. ali ne i pomo´i u uspjehu raˇunas z s c c nja.. 5. Ako ˇelimo raditi s joˇ ve´im dimenzijama. pretpostavka je da ´emo koristiti dvostruz s c c ku preciznost (IEEE dvostruki format). dozvoljavamo c z z n ≤ 262144. Greˇke zaokruˇivanja mogu samo pogorˇati. c Oznaˇimpo sa P skup negativnih potencija broja 2 koje ulaze u definiciju prec ciznosti aritmetike raˇunala po IEEE standardu: c P = {2−23 . s 6.5. 3. 10 ). Ako koristimo standardni naˇin zaokruˇivanja do najbliˇeg. Ovdje je tipiˇni primjer metoda inverznih iteracija za raˇunanje vlastitih c c vektora matrice (vidjeti [9.037 · 1013 . U tom sluˇaju. 2−53 . 2−63 }. 2−24 . greˇke se ne mogu pokratiti. Osnove analize greˇaka zaokruˇivanja s z U ovom dijelu. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 124 4. 5]). Izlazni rezultat kod nekog algoritma ne moˇe biti toˇniji od bilo kojeg medurez c zultata.5. n s c z 14 najviˇe moˇe biti 1. Konaˇno. tada c c ´emo pretpostaviti da vrijedi c u∈P =⇒ nu ≤ 2−6 . tj. jer kalkulatori koriste decimalnu aritmetiku.

1 Neka u ∈ P i n zadovoljavaju uvjet (3.008nu. |εn | ≤ 1. |ε′1| ≤ 1.00000012u.008nu.ˇ ˇ ˇ 3. 2 + 3|ε| + 4|ε|2 + 5|ε|3 + · · · ≤ 2. |ε′n | ≤ 1.5.500000015 |ε| ≤ 0.00000012u. (vii) (1 + ε) 2 = 1 + ε√ . (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 ≤ 1.2).500000015 u. pa je c |ε3 | ≤ (3 + 3 · 2−23 + 2−46 )u ≤ 3. odmah slijedi Joˇ treba iskoristiti da je s (1 + ε)−2 = 1 + ε(2 + 3ε + 4ε2 + · · ·). Dokaz. (ii) Sliˇno. (n−2)u 2−6 382 1− 3 1− 3 . (iii) Zbog |ε| < 1. (i) Zbog (1 + ε)2 = 1 + ε(2 + ε) je |ε2 | = |2 + ε| · |ε| ≤ (2 + 2−23 )u ≤ 2. (1 + ε)3 = 1 + ε(3 + 3ε + ε2 ). imamo 1 1 |ε| ≤ =1+ ≤ 1 + (1 − 2−23 )−1 u ≤ 1. (vi) (1 + ε)−n = 1 + ε′n . (iii) (1 + ε)−1 = 1 + ε′1 . |ε3| ≤ 3. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 125 Lema 3. |ε2| ≤ 2. (i) (1 + ε)2 = 1 + ε2 .00000012u. 1 (iv) (1 + ε)−2 = 1 + ε′2 . |ε√ | ≤ 0.00000036u. (v) (1 + ε)n = 1 + εn . tada vrijedi (ii) (1 + ε)3 = 1 + ε3 . Ako je |ε| ≤ u.008nu. 1+ε 1 − |ε| 1 − |ε| (iv) Koriˇtenjem Taylorovog razvoja s (1 + t)−2 = 1 + 2t + 3t2 + · · · ktk−1 + · · · .00000035762793.00000036u. |ε′2| ≤ 2.00000012u.00000036u.5.

1. tada je η√ = pa je |η√ | ≤ |η| ≤√ |η| |η| ≤√ 1−u+1 1 − 2−23 + 1 (3. ≤ 0. pretpostavimo prvo da je s fℓ(x2 ) + fℓ(y 2 ) < Nmax i min{|x|. |y|} ≥ Nmin . Kako je α 1+ dokaz je gotov.5. rijeˇimo sljede´i problem.3) 1+η−1= √ η .00000012. zbog (iii). S √ kolikom relativnom greˇkom ´e raˇunalo koje koristi IEEE standard s c c 2 + y2? izraˇunati z = x c Da bismo rijeˇili problem. Kako je.1 Neka su x i y reprezentabilni u raˇunalu.1 zavrˇen. (1 + ε)−n = (1 + ε′ )n = 1 + ε′n . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 126 (vi) Dokaz je posve analogan prethodnom.5.500000015u. . s c Primjer 3. 1 − (n−2) αu 3 2−7 α −6 1− 2 3α gdje je α = 1. Time je dokaz lemme 3. s 1 − |η| + 1 Za prvi dojam o korisnosti leme 3. 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 + . tako da vrijedi x = fℓ(x) c i y = fℓ(y). 1+η+1 < 1.5.5. (vii) Ako su η i η√ povezani relacijom 1 + η = 1 + η√ .007854.ˇ ˇ ˇ 3.500000015|η| ≤ 0.

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

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

w2 η2 (1 + ε3 ). ako z postaje nula.00000072u √ ≤ 1+ (1 + u) − 1 ≤ 3. ili ako x2 + y 2 padne u podruˇje subnormalnih c c brojeva. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 129 2 a kako je w2 = w1 . y) pridruˇuje z √s fℓ( x2 + y 2). w2 w2 η2 + ε3 + η2 ε3 ≤ |ε3 | + |η2 | + |ε3η2 | 1 + w2 1 + w2 ≤ [1 + 3. dobivamo c 1 + η4 = pa je |η4 | ≤ | 1 + η3 (1 + ε4 ) − 1| 4. dobivamo i rezuls s tat koji je generalno neˇto netoˇniji (iako se joˇ uvijek radi o greˇci u zadnjoj sis c s s gurnoj decimali kad se egzaktni rezultat smjesti u raˇunalo). Koriˇtenjem sofisticiranije formule.000000837u.0000012u.00000036(1 + u)]u ≤ 4.5. 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. 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. Medutim. rezultat ´e imati c c 1 + η3 (1 − ε4 ). Sljede´a jednadˇba c z z3 = (1 + z2 )(1 + ε3 ) = [1 + w2 (1 + η2 )](1 + ε3 ) = (1 + w2 ) 1 + zbog w2 ≥ 0. pa je |η5 | ≤ |η4 | + |ε5 | + |η4 ε5 | ≤ 4. 1 + 1 − 4.00000072 · 2−23 Konaˇno. 1 + w2 i koriste´i relaciju (3.3). c 1 + η5 = (1 + η4 )(1 + ε5 ). Ako samo x2 (y 2 ) potkoraˇuje u nulu ili subnormalni broj. .0000012u.ˇ ˇ ˇ 3. 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 ≤ 3.00000036u. daje |η3 | = Piˇu´i s c z4 = √ z3 (1 + ε4 ) = w3 (1 + η3 )(1 + ε4 ) = w4 1 + η3 (1 + ε4 ). dobitak je c u proˇirenju domene funkcije koja paru reprezentabilnih brojeva (x.

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

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

ˇ ˇ ˇ 3. |εy |} + |ε± |(1 + max{|εx |. Ako polazimo od toˇnih polaznih s c podataka. (3.4).4) konveksna suma realnih brojeva εx + ε± + εx ε± i εy + ε± + εy ε± . |x| − |y| |x| − |y| (3. Stoga je |εs | ≤ max{|εx + ε± + εx ε± |. s c x ± y = sign(x)(|x| − |y|). |εy + ε± + εy ε± |} ≤ max{|εx |. |εy |} + u. ili ako je Taj fenomen smo ve´ upoznali kao opasno/katastrofalno “kra´enje”. c c c c . Ako je npr.5.5.5) pa na relativnu greˇku rezultata utjeˇu obje “donesene” greˇke εx i εy .6) sign(x) = − sign(y).5. Medutim joˇ nismo razmatrali preostali sluˇaj.5.4) koja pokazuje da se εx mnoˇi s |x|/(|x| + |y|) c z dok se εy mnoˇi s |y|/(|x| + |y|). s Kod svih dosadaˇnjih sluˇajeva relativna greˇka u rezultatu nije bitno ve´a s c s c od relativnih greˇaka u polaznim podacima. Ako su b1 i b2 c c brojevi reda veliˇine jedan. Finije razs c s matranje koristit ´e relaciju (3. tada ´e |εs | biti z c blizu manje greˇke |εx |. |x| − |y| |x| − |y| |x| ≈ |y| |x| |y| (εx + ε± + εx ε± ) − (εy + ε± + εy ε± ). pa je εs izmedu tih brojeva. sign(x) = sign(y).5. koji ´e vrijediti ako je c ±=+ i ±=− i Umjesto relacije (3. potreban je ogroman broj operacija tih vrsta da bi greˇka u “zadnjem s medurezultatu” bitnije narasla. |x| ≫ |y| i |εx | ≪ |εy |. onda ne´e do´i do opasnog kra´enja. |εy |}) ≈ max{|εx |. 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 = − . 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.

Promotrimo sada akumulaciju greˇaka kod raˇunanja produkta i sume n s c brojeva. nakon kra´enja pomo´nih z c c c c varijabli.4). Definiramo li 1 + ε = (1 + ε2 )(1 + ε3 ) · · · (1 + εn ). Ako definiramo pomo´ne varijable zi . c kratiti medurezultate kroz mnogo aditivnih operacija. c c c s Koji puta je kra´enje neizbjeˇno zbog naravi problema (loˇe uvjetovani proc z s blemi).2 Neka je xi = fℓ(xi ). tada vrijedi pravilo: ˇto s c s c s jaˇe kra´enje u operandima. . . (3. koriˇtenjem relacije (3. c 3.5. te zbrajanja c z c z sumanada istog predznaka “dobre” operacije koje ne´e bitnije pogorˇati relativnu c s pogreˇku operanada. zn = x1 · · · xn (1 + ε2 )(1 + ε3 ) · · · (1 + εn ).3. . Stabilnost produkta od n brojeva Za produkt brojeva vrijedi Lema 3.5. . Dokaz. Tada je fℓ(x1 · · · xn ) = (x1 · · · xn )(1 + ε). dobit ´emo. . 1 ≤ i ≤ n i neka je | fℓ(x1 · x2 · · · xi )| ≤ Nmax . kao i kod osnovnih vektorskih i matriˇnih operacija. jedva primjetno. pa moˇemo tek birati izmedu algoriatma koji ´e dati katastrofalno kra´enje z c c u jednoj ili nekoliko operacija.5. dobivamo (1 − |ε2 |)(1 − |ε3 |) · · · (1 − |εn |) − 1 ≤ ε ≤ (1 + |ε2|)(1 + |ε3 |) · · · (1 + |εn |) − 1.2. . Mnoˇe´i lijeve i desne strane svih jednakosti. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 133 U zakljuˇku moˇemo re´i da su operacije mnoˇenja i dijeljenja. ili algoritama koji ´e postupno. sljede´i iteracije algoritma za mnoc c ˇenje brojeva x1 x2 · · · xn u redoslijedu kako je napisano. Ako je doˇlo do kra´enja. |ε| ≤ 1. to je ve´a relativna greˇka u rezultatu. zn−1 = fℓ(zn−2 xn−1 ) = (zn−2 xn−1 )(1 + εn−1) zn = fℓ(zn−1 xn ) = (zn−1 xn )(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 ) . dok za operaciju oduzimanja brojeva istog predznaka to vrijedi s tek ako nije doˇlo do kra´enja.008(n − 1)u.ˇ ˇ ˇ 3.7) 1 ≤ i ≤ n.

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

Iz pretpostavke z (n + 1)u < 1 |δ1 | u ≤ . Neka su za i = 1. δi realni brojevi. Za ocjenjivanje izraza koji sadrˇe samo mnoˇenja i dijeljenja moˇemo koristiti sljede´u lemu.8) uglavnom koristi kod jednostavnijih izraza u svrhu dobivanja ˇto povoljnije konstante uz u.10) Dokaz. c Pretpostavimo da tvrdnja leme vrijedi za neko n ≥ 1.3 Neka je u > 0 realni broj i n cijeli pozitivni broj takav da vrijedi nu < 1. postoje dvije neugodnosti.9) je pozitivan. onda je θ1 = δ1 . onda vrijedi n (1 + δi )pi = 1 + θn . Ako je p1 = 1. 1 + δ1 1 + δ1 S obzirom da je 1 + δ1 ≥ 1 − u > 0. s c c c ako se u kasnijoj analizi ˇlan O(u2 ) mnoˇi s potencijalno velikim brojevima.5. Prema tome. Pokaˇimo da tvrdnja leme vrijedi za n + 1. . Drugo.9) i=1 uz ocjenu |θn | ≤ γn := (3. 1 + δ1 1−u . n. c pa je 1 + δi > 0 za sve 1 ≤ i ≤ n. Prvo. onda je 1 . 1}.5. dobivamo |θ1 | = ˇime je lema dokazana za n = 1. ako u nejednakosti postoji ˇlan oblika c O(u2 ). pa je u |θ1 | ≤ u ≤ . viˇe c z s nismo sigurni je li postao O(u) ili moˇda ˇak O(1). z z z c Lema 3.7) javlja se produkt faktora koji su oblika 1+εk . To znaˇi da je nu < 1. z c s Stoga se oblik (3.5. . . Ako su svi |δi | ≤ u. nu . 1−u Ako je p1 = −1.10). i pi ∈ {−1. . viˇe nemamo ˇistu ocjenu ve´ tek ocjenu “do na veliˇinu reda u2 ”. 1 − nu (3.5.5. Za n = 1 vrijedi u < 1. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 135 algoritma.5. s Jedan koristan pomo´ni rezultat c U formuli (3.5. produkt na lijevoj strani relacije (3. pa je θn dobro definiran i zadovoljava ocjenu (3.ˇ ˇ ˇ 3. Dokaz se provodi indukcijom po n. pa je svrha analize naruˇena. 1 + θ1 = 1 + δ1 pa je 1 δ1 θ1 = −1=− .

5.10). prouˇimo stabilnost sume brojeva. pa je 1 + θn+1 = n i=1 (1 + δi )pi · (1 + δn+1 )pn+1 = (1 + θn )(1 + δn+1 )pn+1 . θn+1 = θn + δn+1 + θn δn+1 . n ≥ 1 imaju vrlo praktiˇno svojstvo. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 136 i |δi | ≤ u. 1 ≤ i ≤ n.008? Nakon analize stabilnosti produkta brojeva. 1 + δn+1 1 + δn+1 |θn | + |δn+1 | . 2 1−u 1 − (n + 1)u + nu 1 − (n + 1)u Time je dokaz indukcijom zavrˇen.5. broj θn+1 je dobro definiran relacijom n+1 1 + θn+1 = i=1 (1 + δi )pi .7). 1 − nu 1 − nu 1 − nu 1 − (n + 1)u θn − δn+1 1 + θn −1= . 1 ≤ i ≤ n + 1 slijedi nu < 1 i |δi | ≤ u.ˇ ˇ ˇ 3.5. c Zadatak 3.11) (i) Dokaˇite nejednakost (3. lako slijedi nu +u (n + 1)u − nu2 (n + 1)u |θn+1 | ≤ 1 − nu = < .5.3 na relaciju (3. Za pn+1 = 1 dobivamo pa je |θn+1 | ≤ Za pn+1 = −1 dobivamo nu nu2 (n + 1)u (n + 1)u +u+ = < . Je li dobivena konstanta uz u ve´a c ili manja od 1.9) i ocjenu (3.5. (3.5. z (ii) Primijenite lemu 3. pa moˇemo koristiti z relaciju (3. 1 + δn+1 θn+1 = pa je |θn+1 | ≤ Kako je 1 + δn+1 ≥ 1 − u > 0. Takoder.5.11). s Brojevi γn .1 γm + γn + γm γn ≤ γm+n . c .

5. Suma sn c moˇe se raˇunati na razne naˇine. 1 ≤ i ≤ n. Neka je pri ˇemu za brojeve xi vrijedi. pri ˇemu ηi moˇemo ocijeniti pomo´u leme 3. kao i prije. . 2 ≤ i ≤ n. . (3. Nastavljaju´i na taj naˇin. (n − i + 1)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 ). 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 ).5.008 · (n − 1)u. vrijedi c ˆ c s2 = fℓ(x1 + x2 ) = (x1 + x2 )(1 + ε1 ) = x1 (1 + ε1 ) + x2 (1 + ε1 ).3.12) |ε1 | ≤ u.5.5. Promotrimo prvo najjednostavniji rekurzivni z c c algoritam: s1 := x1 . for i := 2 to n do si := si−1 + xi . c z c s s c |ηi | ≤ 1. i = 1. Tada. ˆ Sliˇno. Stabilnost sume sn = x1 + x2 + · · · + xn . Oznaˇimo s si izraˇunatu vrijednost si .3. 1 + ηn−1 = (1 + εn−2 )(1 + εn−1 ) 1 + ηn = 1 + εn−1. gdje su svi |εi| ≤ u.5. xi = fℓ(xi ).3 ili joˇ oˇtrije pomo´u leme 3.4).1(v). 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 ) . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 137 3.13) . Tada prethodnu relaciju moˇemo zapisati u obliku z sn = x1 (1 + η1 ) + x2 (1 + η2 ) + · · · + xn (1 + ηn ). prema relaciji (3.ˇ ˇ ˇ 3. ˆ (3.

a to znaˇi da je algoritam stabilan unaprijed. 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 . −1 i t.5. j2 . s c Isti zakljuˇak vrijedi kadgod cond(sn ) nije veliki broj. onda je cond(sn ) = 1.14) ≤ (|x1 | + |x2 | + · · · + |xn |) · 1.008(n − 1)u. .ˇ ˇ ˇ 3. Ipak.14) daje oˇtru ocjenu jer se jednakost dostiˇe npr. Ocjene ´e nakon odgovaraju´e analize greˇaka c c s zaokruˇivanja biti posve analogne. c Umjesto da sumiranje vrˇimo redom od x1 do xn . (3. Stoga s s je cond(sn ) broj uvjetovanosti za sn i on. pa pustite da t → 0).12) s tim da z c umjesto x1 i x2 stoje oni sumandi koji se prvi zbrajaju. pa je i greˇka unaprijed mala. umjesto x3 onaj sumand koi se sljede´i dodaje sumi itd. Dakle. .5.16) |x1 + x2 + · · · + xn | Ako na trenutak pretpostavimo da je ηi xi proizvoljna perturbacija od xi za svako i.5. Stoga je relativna greˇka od sn kao aproksimacije za sn . Pritom ´e vrijediti relacija (3.5. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 138 Relacije (3.12) i (3.5. z s a sn ne ovisi o redoslijedu sumiranja). 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. Ocjene za relativnu greˇku svakog perturbiranog polaznog s podatka xi (1 + ηi ) su manje od nu.15) pokazuje kako se ponaˇa s relativna greˇka funkcije sn pri relativnim greˇkama njenih argumenata xi .15) |x1 | + |x2 | + · · · + |xn | . moˇemo koristiti bilo koji s z (sekvencijalni) redoslijed sumiranja.5. |sn | gdje je cond(sn ) = (3. Kako cond(sn ) moˇe biti proizvoljno s s z velik (uzmimo npr. stabilan unaprijed? Da bismo odgovorili na to pitanje oduzmimo od sn egzaktnu sumu sn . jn z za koji je |xj1 η1 + xj2 η2 + · · · + xjn ηn | .13) pokazuju da je rekurzivni algoritam za sumiranje brojeva povratno stabilan. takoder. . algoritam nije op´enito c stabilan unaprijed. brojeve 1. traˇimo redoslijed indeksa j1 . kao ˇto znamo iz odjeljka o uvjetovanosti. Je li algoritam. ocijenjena s s ˆ |ˆn − sn | s ≤ cond(sn )1. s povezuje greˇku unaprijed s greˇkom unazad.5. s z za pozitivne xi i η1 = η2 = · · · = ηn . c Katkad su svi ˇlanovi sume istog predznaka i pritom joˇ uredeni u monotoni c s niz. ako svi xi imaju isti predznak.5.008(n − 1)u. Nejednakost (3. . onda vidimo da formula (3.

nakon k − 1 glavnih koraka imamo 2(k−(k−1)) = 2 ˇlana. z1 = x1 + x2 .5. m2 = m1 /2 = 2k−2 . 13. wm2 = zm1 −1 + zm1 . Nastavljaju´i na taj naˇin. treba izabrati onu koja daje ˇto manje apsolutne vrijednosti s medurezultata. c Kod odabiranja sumacijske metode s ciljem dobivanja ˇto toˇnije s c sume sn . Koju strategiju biste izabrali? Npr. . . w1 = z1 + z2 . Ako je n = 2 . c c c pa se u k-tom koraku oni zbroje daju´i sn .5. pa |η1 | moˇe biti manji od bilo kojeg ηj .5. dokaˇite da svaki xi sudjeluje u toˇno k zbrajanja. . U drugom ponavljamo istu operaciju nad z1 . |x2 |.5.12) svaki |ηi | omeden sa 1.ˇ ˇ ˇ 3. w2 = z3 + z4 . U prvom zbrajamo u parovima zi = x2i−1 + x2i .3 Prije primjene zadnjeg algoritma moˇemo sortirati elemente niza z (xi ). 11. 16. 12.008ku. Stoga moramo zaz htjev malo oslabiti pitanjem koji redoslijed indeksa j1 . Problem je teˇak jer greˇke εk koje definiraju svaki ηi mogu biti i pozitivne z s i negativne. . . zm1 = xn−1 + xn . . . . 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. 3 ≤ j ≤ n. . ali na raˇunalu traˇi cijelo polje dodatnih lokacija u s c z memoriji.. Zadatak 3. jn daje najbolju ocjenu za |xj1 η1 + · · · + xjn ηn |? Tako dolazimo do jednostavnog pravila. spomenimo joˇ jedan koji s daje najmanju ocjenu greˇke. . .. GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 139 Ako je niz |x1 |.. y1 = xmin + xmax . . Algoritam ima pribliˇno log2 (n) glavnih koraka... Osim danog jednostavnog algoritma za sumiranje. |xn | monoton. 10. 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. Zovemo ga sumiranje po parovima ili kaskadno sumiranje. 15? Generalizirajte zaljuˇak za n izmedu 2k i 2k+1 . sumiramo u smjeru od apsolutno najmanjeg do apsolutno najve´eg ˇlana. 14. 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 Zadatak 3. . z2 = x3 + x4 .12). m1 = n/2 = 2k−1. c c Kaskadno sumiranje najmanje.. 1 ≤ i ≤ [n/2]. j2 . k ≥ 2 algoritam ima k glavnih koraka. zm1 .2 Ako je n = 2k . . z c pa je u relaciji (3. a pribliˇno tolika ´e biti i z z c k ograda za svaki |ηi | iz relacije (3. 9.

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

koja je mala. Gotovo uvijek je parcijalna suma po modulu ve´a od elementa koji joj se c dodaje.1 moˇemo zakljuˇiti da je greˇka e. for i := 1 to n do begin temp := s. moˇe mijenjati element xi . s c odmah se raˇuna njena korekcija. s := 0. 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 ako se izraˇuna na raˇunalu u redoslijedu naznaˇenom zagradama c c c e = (((a ⊕ b) ⊖ a) ⊖ b). s := temp + z. Zapravo.1 Izvlaˇenje greˇke zaokruˇivanja c s z Iz slike 3. e := (temp − s) + z end {vaˇan je redoslijed izvrˇavanja} z 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. pa korekcija e.5. ali ne moˇe mijenjati z z si−1 koja je ve´ najbolja strojna aproksimacija od si−2 + xi−1 . e := 0.5. Nakon ˇto je izraˇunata parcijalna suma si−1 . ˆ ˆ pa e reprezentira pravu greˇku. z c s e = −[((a + b) − a) − b] = (a − s) + b. c Evo algoritma. koja se u sljede´em koraku dodaje ˇlanu xi prije c c c njegova dodavanja parcijalnoj sumi si−1 . ˆ s Sljede´i Kahanov algoritam koristi korekciju e u svakom koraku standardnog c rekurzivnog sumacijskog algoritma. z := xi + e.ˇ ˇ ˇ 3.

moˇemo preuzec s z ti neke dijelove izvoda ocjena greˇaka zaokruˇivanja.ˇ ˇ ˇ 3. . yn ]T . . . ali ´emo z s c zbog jednostavnosti analizirati samo iterativni algoritam s1 := x1 · y1 . s z |ηi | ≤ 2u + O(nu2 ). GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 142 Ova metoda ipak ima dva manja nedostatka. Kao i prije. Ipak. moˇe se pokazati da ηi iz c c z formule (3. Zbog sliˇnosti s prijaˇnjim algoritmom za sumiranje n brojeva. for i := 2 to n do si := si−1 + xi · yi .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 ). oznaˇimo c te za svako i parcijalne sume s = sn = xT y = x1 y1 + x2 y2 + · · · + xn yn . . Drugo. . Kao i kod sumacije.5. e nije nuˇno toˇna korekcija. x = [x1 . 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 ) . Stabilnost skalarnog produkta i osnovnih matriˇnih c operacija Neka su x. . y ∈ Rn . 3. . . y = [y1 . xn ]T . . Tada imamo. . Da bismo analizirali skalarni produkt vektora x i y. moˇemo definirati viˇe algoritama za skalarni produkt. .5.12) za kompenziranu sumaciju zadovoljava ˇto je gotovo nedostiˇan rezultat. jer ˆ z c uvjet |si−1 | ≥ |xi | (u algoritmu: |temp| ≥ |y|) ne´e uvijek biti zadovoljen. si = x1 y1 + · · · + xi yi. sa si oznaˇimo s z ˆ c izraˇunate vrijednosti. Prvo. c u raˇunalu se raˇuna z := xi ⊕ e a ne z := xi + e.

.17) je rezultat analize povratne greˇke koji se moˇe ovako interpretirati. koristimo analogne ocjene kao u relaciji s (3.5. . GRESKE U NUMERICKOM RACUNANJU ˇ GRESKE – 143 gdje je |δ1 | ≤ u. ili joˇ oˇtrije pomo´u leme 3. |ˆn − sn | s |x1 y1 | + |x2 y2 | + · · · + |xn yn | ≤ max{|ηi |} i |sn | |x1 y1 + x2 y2 + · · · + xn yn | ≤ cond(sn )1. .5. Da bismo dobili ocjenu za greˇku unaprijed. (3. |ε · | ≤ √ 1 + 1. . . Dakle. Kao perturbirane vektore moˇemo uzeti npr. . .008nu(1 + u) − 1 ≤ (1 + 0.5. (n − i + 2)u. z T T To se dogada kad je |x y| ≪ |x| |y|. ali i x + δx = [x1 1 + η1 .19) Vidimo da broj uvjetovanosti cond(sn ) za skalarni produkt moˇe biti po volji velik. yn (1 + ηn )]. ˆ nu.5. z x + δx = [x1 (1 + η1 ). c x = zasluˇuje razmatranje.504n)u |ε| ≤ 1.5. x i y + δy = [y1 (1 + η1 ). . vrijedi z c fℓ(x2 + · · · + x2 ) = (x2 + · · · + x2 )(1 + ε). raˇunanje norme je stabilno (uns c aprijed i unazad).504(n + 1)u za n ≥ 2. 1 n 1 n pa se jednostavno dobije fℓ( x ) = x (1 + ε · ).17) pri ˇemu ηi moˇemo ocijeniti pomo´u leme 3.008nu. s z Izraˇunati skalarni produkt fℓ(xT y) je egzaktan skalarni produkt mac lo perturbiranih vektora x i y.5. pa je sn = x1 y1 (1 + η1 ) + x2 y2 (1 + η2 ) + · · · + xn yn (1 + ηn ). . S obzirom da je za taj sluˇaj broj uvjetovanosti 1. xn (1 + ηn )] i y. . .18) Relacija (3. Ipak on je stabilan z unaprijed kad su svi produkti xi yi istog predznaka (tada je cond(sn ) = 1). takoder.1(v) c z c s s c |ηi | ≤ 1. . Algoritam je povratno stabilan. yn 1 + ηn ]. Raˇunanje 2-norme. Zakljuˇak je isti kao i kod sumiranja: greˇka c s unaprijed moˇe biti velika.008nu.5. pa algoritam nije stabilan unaprijed. . . (3. 2 ≤ i ≤ n.3. i = 1.008 · (3. .ˇ ˇ ˇ 3. xn 1 + ηn ] i y + δy = [y1 1 + η1 .14). . x2 + · · · + x2 1 n ˇto je manje od 0. .

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

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

mogu´e je da je svaka od O(n3 ) c z c operacija u Gaussovom algoritmu izvrˇena s greˇkom zaokruˇivanja. ˇitati do iskaza teorema. te biti u stanju na ruke rijeˇiti sustave manje dimenzije. ono ˇto je osnovna znaˇajka z s c moderne numeriˇke matematike je da joj u primjenama dolaze problemi sve ve´ih c c dimenzija. Sjetimo se. Analizirati i shvatiti sve primjere.3. veliˇinu tzv. U ovom trenutku vaˇno je dobiti osje´aj za red veliˇine. z c c .4. Paˇljivo. onda je zadatak izraˇunati numeriˇke c c vrijednosti xi . itd. c c c 1. . z c 4 Ovdje namjerno pojednostavljujemo ocjenu vremena izvrˇavanja. Sljede´i pregled s c c c c bi trebao pomo´i ˇitatelju pri planiranju prouˇavanja ponudenog materijala. o primjeni linearnih c sustava jednadˇbi. Dakle.2. nivo : Prouˇiti i shvatiti barem jedan primjer iz odjeljka 4. Medutim. s 2. Shvatiti vaˇnost pivotiranja za numeriˇku stabilnost Gaussovih eliminacija. i = 1. Dakle. cache memoc c c rije. za n = 105 broj operacija reda veliˇine 1015 pa brzinom od 109 operacija u c sekundi dobivamo vrijeme izvrˇavanja4 oko 106 sekundi. Ono po ˇemu su raˇunala poznata je brzina – dobro jednoprocesorsko raˇunalo c c c 9 moˇe napraviti npr. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 146 procedure (potprogrami) koji generiraju A i b. Ipak. ˇto je viˇe od deset dana. Materijal iz odjeljka 4. Citatelj na ovom nivou treba nauˇiti kako funkcioniraju c Gaussove eliminacije. to znaˇi da c je npr. i 4. s s s U ozbiljnim primjenama treba u procesu projektiranja puno puta rjeˇavati s takve sustave. oduzima ili mnoˇi brojeve ˇesto c z c zaboravljamo da su rezultati tih operacija uglavnom netoˇni. Koliko onda s s z moˇemo vjerovati izraˇunatom rjeˇenju? z c s 4. . Po potrebi se sluˇiti materijalom z iz dodataka ili druge literature. Kako je broj operacija u Gaussovim eliminacijama O(n3 ). .ˇ 4.1. svladati u potpunosti. 10 operacija u sekundi. svladati u potpunosti. uoˇiti vezu izmedu procesa eliminacija i faktorizacije c matrice koeficijenata sustava.3.3. obraditi primjere i opis Gaussovih eliminacija na primjeˇ ru male dimenzije. z c z uz papir i olovku. n. svladati algoritme za rjeˇavanje trokutastih sus stava. problem koji je matematiˇki posve jeds c nostavan u praksi moˇe biti puno izazovniji i netrivijalniji. Za precizniju procjenu je s potrebno uraˇunati i vrijeme pristupa memoriji i dohva´anje podataka. 3. raˇunalo c c reprezentira brojeve i izvrˇava raˇunske operacije koriste´i fiksni broj znamenki – to s c c znaˇi da se rezultati operacija zaokruˇuju. Vodiˇ kroz ovo poglavlje c Materijal u ovom poglavlju je prije svega namijenjen naprednom studiranju numeriˇke matematike i usvajanju nekih osnovnih principa. organiziran je u c viˇe nivoa tako da ga mogu ˇitati i poˇetnici i napredniji ˇitatelji. nivo : Sekcije 4. Tada je brzina raˇunala samo jedan faktor u razumno (ili dovoljno) c brzom rjeˇavanju linearnog sustava. . z U divljenju brzini kojom raˇunalo zbraja. nivo : Materijal iz odjeljka 4.

c . . an tako da vrijede uvjeti interpolacije p(xi ) = yi . .2. . Sve jednadˇbe ˇine sustav linearnih jednadˇbi kojeg z c z moˇemo matriˇno zapisati u obliku V a = y. . i = 0. c s z Primjer 4. .1) Matrica V zove se Vandermondeova matrica. . 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. . 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 . . Pretpostavljamo i da je xi = xj za i = j. Vidimo da svaki uvjet interpolacije daje jednu jednadˇbu u kojoj se nepoznati koz eficijenti pojavljuju linearno.  i  . . tj. = yi = yn . . . 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. Kriterij za odabir polinoma p(x) je da u toˇkama xi ima vrijednost p(xi ) = c yi = f (xi ). .   .ˇ 4. mogu´e je efikasno odrediti a = V −1 y. . . 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 . 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.1 Zadani su parovi toˇaka (xi .  =  . . (Govorimo o interpolacijskom polinomu. i = 0. .        an−1   yn−1  xn an yn n a y     (4. xn   . Zahvaljuju´i njenom specijalnom obc liku.   . n. . . n. . .) 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 .2. . . z c  1  1    1    x0 x1 xi 1 xn x2 x3 0 0 x2 x3 1 1 ··· x2 x3 i i ··· x2 x3 n n V ··· ··· ··· ··· ··· ··· n−1 x0 n−1 x1 n−1 xi n−1 xn y0 a0 xn 0   y  n a x1   1   1        a2   y    . . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 147 4. . yi ). . ··· .2  . .2.

0 < x < 1.2.3) Rjeˇenje u problema (4. . Odaberimo prirodan broj n i definirajmo c h= 1 . xi ).2. n + 1. .      un−2    −1   un−1    = 2 un u                       2 2 h   +h  . (4. n+1 xi = ih.5) i (4. Iz uvjeta (4.2. . i = 0.2 Promotrimo sljede´i rubni problem: c d2 − 2 u(x) = f (x).2.3) aproksimirat ´emo na skupu od konaˇno mnogo s c c toˇaka iz segmenta [0. . −u′′ (xi ) = gdje je ei = −(u(4) (xi + αi ) + u(4) (xi + ζi )) Matriˇno to moˇemo zapisati kao c z  h4 . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 148 Primjer 4.3) odmah vidimo da je u0 = un+1 = 0. n dobivamo ui+1 + ui−1 = 2ui + u′′ (xi )h2 + (u(4) (xi + αi ) + u(4) (xi + ζi )) tj.2. Primijetimo da pod odredenim uvjetima moˇemo oˇekivati c s ˆ z c da je e 2 mali broj. . Iz Taylorovog teorema je u′′ (xi ) 2 u′′′ (xi ) 3 u(4) (xi + αi ) 4 h + h + h .ˇ 4.   .2. Zbrajanjem jednadˇbi (4. .7) −ui−1 + 2ui − ui+1 − ei . xi + h). (4. h2 h2 . . .2. n + 1.2. . . dx u(0) = u(1) = 0. 24   (4. e 2 = O(h2 ).6) za z i = 1.8) 2 −1  −1 2 −1    −1 2 −1   ··· ···   −1    Tn ··· 2 −1 −1 2 −1   u1   u2     u   3    .     f  e   n−2   n−2       fn−1   en−1   f1 f2 f3 . 24 (4. i = 0.2. 4.6) u(xi − h) = u(xi ) − u′ (xi )h + 2 6 24 ′ gdje su αi ∈ (xi . (4.  (4. pokuˇat z c s 2 ´emo rijeˇiti Tn u = h f . pa ga zanemarujemo. (4.2) (4.5) 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 . ζi ∈ (xi − h. . . 1]. .   . e1 e2 e3 .9) fn f en e U jednadˇbi Tn u = h2 f + h2 e ˇlan e ne znamo. tj. .2. .2. .2. .2.2.4) Sada promatramo vrijednosti ui = u(xi ).2.

f (x) = 16π 2 sin 4πx. uzmimo npr.8 1 Egzaktno rjeˇenje i numeriˇka rjeˇenja dobivena s n = 10 i n = 50 ˇvorova. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 149 Tek da ilustriramo.5 "egzaktno_rjesenje" "numericka_aproksimacija_50" "numericka_aproksimacija_10" 1 0.5 0 0.6 0. za kojeg znamo toˇno c rjeˇenje u(x) = sin 4πx.ˇ 4. c Numericko rjesenje od -u’’=f 1.4 0. Rezultati su dani na sljede´oj slici.5 0 -0. Uzet ´emo n = 10 i n = 50 i vidjeti koliko su dobre s c dobivene aproksimacije.5 -1 -1. s c s c .2 0.

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 ).3). Da bismo rijeˇili sustav s 2x1 − x2 = 1 −x1 + 2x2 = 1 1 dovoljno je primijetiti da zbog prve jednadˇbe vrijedi x1 = (1 + x2 ). z z .2)–(4.10) 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 .2.) Lako se pokaˇe da je matrica Tn regularna. ). (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.11) moˇe za neke izbore vektora e i f prije´i z c u jednakost. Pitanje je koliku toˇnost ˜ c ˆ c aproksimacije treba imati u. Neka je u izraˇunata aproksimacija vektora u.2. x2 = . z 4.2. (4. Ideja je jednos z stavna.11) realistiˇna ocjena greˇke diskretizacije s c c s e na aproksimaciju rjeˇenja polaznog rubnog problema (4.11) slijedi da je zadovoljavaju´a toˇnost ˜ c c postignuta ako je u − u 2 / u 2 najviˇe reda veliˇine κ2 (Tn ) e 2 / f 2 (sjetimo se ˆ ˜ ˜ s c da mi zapravo ˇelimo aproksimirati u).ˇ 4. 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. ˇto znaˇi da je relacija (4. najjednostavniji i najpoznatiji algoritam za rjeˇavanje sustava linearnih jednadˇbi Ax = b. 2 2 2 x1 odakle je x1 = 1. Iz relacije (4. Gaussove eliminacije i trokutaste faktorizacije Metoda Gaussovih eliminacija je svakako najstariji. tj.2. ˆ (4.2. s Mi ne moˇemo toˇno odrediti niti u jer raˇunamo u aritmetici s konaˇnom z c ˆ c c preciznosti.2.3. c c z −1 Neka je u = h2 Tn f . Kaˇemo da smo x1 eliminirali iz druge jednadˇbe. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 150 Za iskusnije ˇitatelje odmah ´emo malo prodiskutirati dobiveno rjeˇenje. tj. pa je druga z 2 jednadˇba z 3 3 1 − (1 + x2 ) +2x2 = 1. x2 = 1.2.

Kvalitativno novi moment u analizi metode eliminacija nastaje c kada sam proces eliminacija interpretiramo kao faktorizaciju matrice sustava A na produkt trokutastih matrica.1) A = [ aij ]3 i. te to uvrstimo u zadnje dvije jednadˇbe. Druga jednadˇba sada z z glasi 2x2 − x3 = 1. gdje sustavno eliz miniramo neke nepoznanice iz nekih jednadˇbi. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 151 Ovu ideju moˇemo lako generalizirati na dimenziju n > 1. Prvo iz prve jednadˇbe izraziz mo x1 pomo´u x2 i x3 . koje postaju dvije c z jednadˇbe s dvije nepoznanice (x2 i x3 ).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  .3.1) 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  . 5 tj. 10 10 − (x2 + 4x3 ) + 4x2 + 7x3 = 39 + − 19 .3.j=1  Takav koncept je prvi uveo Alan Turing. 5 pa druga jednadˇba sada glasi z 10 (19 − x2 − 4x3 ) + 4x2 + 7x3 = 39.3. odnosno eliminacija.ˇ 4. imamo s c  5   10 −15 1 A 1 4  4 7 5 −9  →  1 0   −2 1 0 0 L(2.j=1 b = [ bi ]3 i=1 Koristimo metodu supstitucija. Ako ovu transformaciju sustava zapiˇemo matriˇno. 5 5 Dakle.1. Pokazuje se da takav algoritam z ima dosta zanimljivu strukturu i da ga se moˇe ekvivalentno zapisati u terminima z matriˇnih operacija.1 4. −9 x3 −32 (4. 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 −9 3 i. Matriˇni zapis metode eliminacija c      Primjer 4. Dobivamo z 1 x1 = (19 − x2 − 4x3 ).

3. Na sliˇan naˇin iz prve i tre´e jednadˇbe sustava (4. dobijemo drugu jednadˇbu sustaz z va (4.3.1).3.3.1). Eliminaciju nepoznanice x1 smo prikazali kao rezultat c mnoˇenja matrice koeficijenata i vektora desne strane s lijeva jednostavnim maz tricama L(2. (4. izraˇavanja nepoznanice z x1 pomo´u x2 i x3 i eliminiranjem x1 iz zadnje dvije jednadˇbe) jednostavno opisali c z matriˇnim operacijama.1) A(2) = a(2) ij 4 −1  . 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. sustav je A(2) x = b(2) .1) zadovoljava i sustav (4. U tom smislu kaˇemo da sustavi (4.j=1 Vektor desne strane je u ove dvije transformacije promijenjen u  1 0 19     39  →  −2 1 0 0 −32 b    L(2. s Nadalje. x3 zadovoljava (4. 5x1 + x2 + 4x3 = 19 2x2 − x3 = 1 8x2 − 3x3 = 25.3. primijetimo da smo proces eliminacija (tj.1) c z z i (4. onda mnoˇenjem prve jednadˇbe z z u (4.1) i L(3.1) . c s Obratno.  3 3 i. x2 . tj. 3 0 1 −32 25 L(3.3.2). c z z T Oˇito je da rjeˇenje x = (x1 .2).ˇ 4. x2 . ako trojka x1 .1) b(2) Novi.2) s 2 i zatim pribrajanjem drugoj jednadˇbi.2) u kojem su druga i tre´a jednadˇba sustav od dvije jednadˇbe s dvije nepoznanice. x3 ) sustava (4.3.1) 0 19 19     0   39  =  1  1 −32 −32 b(1)         1 0 0 19 19      → 0 1 0 1 =  1.3.3. . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 152 Nepoznanicu x1 eliminiramo iz zadnje jednadˇbe ako prvu pomnoˇimo s z z −    a31 (1) (1) a11 =− 15 = −3 5    i onda je pribrojimo zadnjoj.2) ekvivalentni: imaju isto rjeˇenje. ekvivalentni.2) rekonstruiramo c c c z tre´u jednadˇbu polaznog sustava (4.3.

koji je ekvivalentan polaznom. 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 (4.1) )−1 (L(3. s 21 = 3.3).2) jednostavniji od polaznog.1) je donjetrokutasta matrica. Iz prve jednadˇbe je x1 = (19 − x2 − 4x3 ) = 1. s Analizirajmo postupak rjeˇavanja u prethodnom primjeru.3.3. L = (L(2. x3 rjeˇenja polaznog sustava (4. polaznu matricu A smo mnoˇenjem slijeva donjetrokutastom matricom z naˇinili gornjetrokutastom. z 2 1 3. 7 1 2. Iz druge jednadˇbe je x2 = (1 + x3 ) = 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.1) A.3) 7x3 = 21.5) (3) b(3) = (bi )3 i=1 Sustav (4. lako rijeˇimo.1) L(2. x2 .3. Matrica A(3) je gornjetrokutasta.2) 0 19 19     0 1 =  1 . a cijeli sustav ima c c z oblik 5x1 + x2 + 4x3 = 19 2x2 − x3 = 1 (4.2) 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.ˇ 4. a produkt L(3.1) L(2. Paˇljivo pogledajs z mo oblik matrica u realaciji A(3) = L(3. Transformaciju eliminacije x2 iz tre´e jednadˇbe moˇemo matriˇno zapisati kao c z z c transformaciju matrice koeficijenata  A(2) L(3.1) )−1 (L(3. Dakle.1).4) 19    1 25 b(2)  →  1  0 0 0 1 −4 L(3. Tako tre´a jednadˇba postaje 7x3 = 21. To moˇemo proˇitati i ovako: c z c A = LA(3) .2) L(3. . 1 25 21 b(2)  (4.3.3. z 5 1.2) )−1 .3.2) L(3.

. x3 . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 154 gdje je L donjetrokutasta matrica. a cijeli produkt jednostavno je stavljanje tih elemenata na odgovaraju´e c pozicije u matrici L. Dakle. 0 0 1 −3 4 1 −3 0 1 0 4 1 (L(2. gdje je b(3) = L(3. Matricu sustava A treba faktorizirati u obliku A = LU. Jasno.3.2) dobijemo samo promjenom predznaka netrivijalnih elemenata u donjem trokutu.3. u terminima matrice A i vektora b. . s 1.1) )−1 (L(3. Rjeˇavanjem donjetrokutastog sustava Ly = b treba odrediti vektor y = L−1 b. a zatim za razliˇite desne strane provesti samo zadnja dva koraka. Sam linearni sustav je u raˇunalu pohranjen c kao matrica koeficijenata A i vektor desne strane b.3. a U gornjetrokutasta matrica. Sada joˇ primijetimo da je relacija (4. Gornjetrokutastu matricu u ovom kontekstu obiˇno oznaˇavamo c c s U = A(3) . Inverze matrica L(2. 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. linearni sustav u primjeru 4. pa je A rastavljena na produkt A = LU. Uoˇimo da c je raˇunanje produkta koji definira matricu L jednostavno. gdje je L donjetrokutasta. Umjesto “x1 izrazimo pomo´u z c c x2 .. • Ponekad u primjenama rjeˇavamo nekoliko linearnih sustava s istom matricom s A. z To omogu´uje jednostavnu i sustavnu primjenu opisane metode na sustav s c proizvoljnim brojem nepoznanica.1 ima niz prednosti: • Operacije su iskazane u terminima matrice A i desne strane b. Govorimo o LU faktorizaciji matrice A (neki tu faktorizaciju zovu i LR faktorizacija matrice). c       .3) zapravo linearni s sustav Ux = b(3) .1) b = L−1 b. matricu A smo napisali kao produkt donjetrokutaste i gornjetrokutaste matrice. Rjeˇavanjem gornjetrokutastog sustava Ux = y treba odrediti vektor x = s −1 U y = U −1 (L−1 b). ali s nizom razliˇitih desnih strana b. operacije izraˇavamo operacijama s matricama i vektorima. A = LA(3) . 2.2) L(3.1) i L(3. Ovakav zapis metode opisane u primjeru 4.1) . s 3.” i sl. Dakle.1 rijeˇen je metodom koja se sastoji od tri glavna koraka. Vidimo da je u tom sluˇaju transforc c macije na matrici A dovoljno napraviti jednom (prvi korak u gornjem zapisu metode).ˇ 4.1) L(2.1) )−1 (L(3. x = A−1 b = (LU)−1 b = U −1 L−1 b. ovakav zapis metode eliminacija je prirodan. .2) )−1 Dakle. c L(3. a ne u terminima izraˇavanja neke nepoznanice pomo´u ostalih.

0   x3   b3  ℓ44 x4 b4     Neka je matrica L regularna. na primjer. . Algoritam 4. 4. 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        =  . a za i > 1 formula za xi je funkcija od bi . 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 ). SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 155 4. . To znaˇi da su ℓii = 0 za i = 1.3. 3.2. x4 = ℓ44 x1 = Vidimo da x1 moˇemo odmah izraˇunati. 2 1 n(n − 1). } Prebrojimo operacije u gornjem algoritmu: • dijeljenja: n .ˇ 4.3. zatim x1 c i x2 uvrstimo u izraz za x3 . . itd. Trokutasti sustavi: rjeˇavanje supstitucijama unaps rijed i unazad Trokutasti sustavi jednadˇbi lako se rjeˇavaju. Pogledajmo. prvo izraˇunamo x1 . c c Dakle. . ℓ11 za i = 2. . 2.1 Rjeˇavanje linearnog sustava jednadˇbi Lx = b s regularnom dos z n×n njetrokutastom matricom L ∈ R . n { i−1 xi = bi − ℓij xj j=1 ℓii . 2 • zbrajanja i oduzimanja: 1 + 2 + · · · + (n − 1) = . pa tu vrijednost uvrstimo u izraz koji daje x2 . • mnoˇenja: 1 + 2 + · · · + (n − 1) = z 1 n(n − 1). xi−1 koje su prethodno ve´ izraˇunate. . /∗ Supstitucija unaprijed za Lx = b ∗/ b1 x1 = . . Ovakav postupak zovemo supstitucija unaprijed. . z c i-tog retka matrice L i nepoznanica x1 .

Zanima nas proizvoljna dimenzija n. LU faktorizacija Sada kad smo uoˇili da se rjeˇavanje linearnog sustava Ax = b faktoriziranc s jem matrice A svodi na trokutaste sustave. /∗ Supstitucija unazad za Ux = b ∗/ bn xn = . . uii = 0. Ako je sustav Ux = b s c c oblika      b1 u11 u12 u13 u14 x1 4 x  b   0 u22 u23 u24   2   2    =  . z Gornjetrokutaste sustave rjeˇavamo na sliˇan naˇin. Algoritam 4.    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 ). } Kao i kod supstitucija naprijed.3.3. ukupna sloˇenost je O(n2 ). sloˇenost ovog algoritma je O(n2 ). u11 onda.3. polaze´i od zadnje jednadˇbe unazad.ˇ 4.2 Rjeˇavanje linearnog sustava jednadˇbi Ux = b s regularnom s z gornjetrokutastom matricom U ∈ Rn×n . z 4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 156 Dakle. 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. imamo c z Ovakav postupak zovemo supstitucija unazad. unn za i = n − 1. ali ´emo zbog jednostavnosti razmatranja na poˇetku sve c c . . . .

Primijetimo da je transformaciju A → A(1) mogu´e izvesti samo ako je c a11 = 0. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 157 ideje ilustrirati na primjeru n = 5. 1). a1j = a1j . To moˇemo napraviti u jednom potezu2 . (n. .1 smo zbog jednostavnosti poniˇtavali koeficijente jedan po jedan.  (1) (1) a25            a52 (1) a53 (1) a54 (1) a55 Objasnimo oznake koje koristimo za elemente matrice A(1) . (3. . 1). Ako z definiramo matricu   1 0 0 0 0  a  21   − 1 0 0 0  a11       a31  − 0 1 0 0 (1)  a . L = 11     a41  − 0 0 1 0  a    11    a51  − 0 0 0 1 a11 onda je x1 eliminiran iz svih jednadˇbi osim prve. pa smo to eksplicitno naznaˇili u zapisu c (1) matrice A . 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 ≤ i. Op´enito. 1). 2 (4. eliminacija prve nepoznanice manifestira se poniˇtavanjem koeficijenata s na pozicijama (2. s .ˇ 4. j ≤ n. 1 ≤ j ≤ n. Medutim.3. tj. 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  . elementi A(1) c (1) oznaˇeni su s aij . elementi prvog retka u A(1) jednaki su c (1) prvom retku u A. .  a45  a55  Sjetimo se. .6) U primjeru 4.3.

dobili smo faktorizaciju vode´e 2 × 2 podmatrice od A.   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  . 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 .3.  (2)  a45    (4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 158 Takoder.ˇ 4.    0       Jednostavno. Uvjet za izvod c ove faktorizacije bio je (4.6). a22     Ako je α2 = 0. a11 a21 a12 (1) = a11 a22 . 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  .3.7) a55 (2) . Stavimo α2 ≡ det (1) 1 a12 =  a21 a22 a11 0 1   a11 0 a12 a22 (1) .

ako je a11 = 0 i α2 = 0. 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.       (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. onda smo dobili trokutastu faktorizaciju vode´e 3 × 3 c podmatrice od A.ˇ 4.7) naglaˇavaju da je u matrici A(2) = a(2) c s ij i.       . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 159 Uoˇimo da oznake u relaciji (4.8) 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  .3. a drugi redak jednak drugom retku matrice A(1) .  (2)  a45    a15  (4. Stavimo a11  α3 ≡ det  a21 a31 (2)  a12 a22 a32 a13 (1) (2)  a23  = a11 a22 a33 .     Dakle.3.j=1 prvi redak jednak prvom retku matrice A. 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 . 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  .  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  . a34  a44  .

Brojevi α1 .ˇ 4. a22 . 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  . . n−1 razliˇite od nule. Dakle.3.3. α2 = 0.10) . .  (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.      (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. α2 .9)  A(4) ≡ L(4) A(3) = L(4) L(3) L(2) L(1) A = te da je.  a55  (3)  a45    (4) (4. a44 = 0. a33 . a44 zovemo pivotni elementi ili kratko pivoti. α4 su glavne minore matrice A. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 161 Ako je α4 = 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  . Takoder. . 2. α3 .       (4. Brojeve a11 . a22 = 0. nakon raˇunanja produkta (L(1) )−1 (L(2) )−1 (L(3) )−1 (L(4) )−1 . To je u naˇem primjeru znaˇilo c s c uvjete α1 ≡ a11 = 0. 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. uoˇili smo da su ti uvjeti osigurani ako su u matrici A determinante glavnih c podmatrica dimenzija 1. . a33 = 0. α4 = 0. onda je i a44 = 0. α3 = 0.

− ℓik akj (k−1) . Ako faktorizacija A = LU postoji i ako je joˇ matrica A regularna. n { aij = aij (k) (k−1) (n−1) U = A(n−1) = aij . . Dokaˇimo prvo jedinstvenost LU faktorizacije. U. n − 1. a zbog ˇinjenice da se na dijagonali produkta c donjetrokutastih matrica nalaze produkti dijagonalnih elemenata matrica koje se . Ako je A regularna onda su i L. .ˇ 4. L i L′ po pretpostavci imaju jedinice na dijagonali. . . . . .}}} Sljede´i teorem i formalno dokazuje egzistenciju i jedinstvenost LU faktorc izacije. . . 1 : k) razliˇite od nule za k = 1. L′ . n { ℓjk = (k) ajk (k−1) akk (k−1) .3. za k = 1. . ajk = 0. takoder. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 162 • Ako je prvih n − 1 minora matrice A razliˇito od nule. regularne matrice pa vrijedi L−1 L′ = U(U ′ )−1 . Tada je i n det(A) = i=1 uii . . onda je s faktorizacija jedinstvena: postoji toˇno jedna matrica L i toˇno jedna matrica U s c c ovim svojstvima. U gornjoj relaciji imamo jednakost donjetrokutaste i gornjetrokutaste matrice.3 Raˇunanje LU faktorizacije matrice A. Nadalje. . . . } za j = k + 1. 2. c L = I. . a one mogu biti jednake samo ako su obje dijagonalne matrice. . c c c Algoritam 4. Tada postoji donjetrokutasta matrica c L s jedinicama na dijagonali i gornjetrokutasta matrica U. tako da vrijedi A = LU. n { za i = k + 1. Teorem 4.3. A = LU = L′ U ′ . . n − 1 { za j = k + 1.1 Neka je A ∈ Rn×n i neka su determinante glavnih podmatrica A(1 : k. Neka postoje dvije takve z faktorizacije. Dokaz. U tom sluˇaju sljede´i algoritam raˇuna faktorizaciju A = LU. . U ′ . . onda su i svi pic votni elementi razliˇiti od nule i Gaussove eliminacije daju LU faktorizaciju c matrice A. .

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

1 1 Ova matrica je regularna. 3 Zamjena redoslijeda jednadˇbi ne mijenja rjeˇenje sustava. matrica A reprezentira linearni sustav 0x1 + x2 = b1 x1 + x2 = b2 koji uvijek ima rjeˇenje x1 = b2 − b1 . s c S druge strane. Vezu izmedu A i A′ c zapisujemo matriˇno: c A′ = 1 1 0 1 = 0 1 1 0 P 0 1 . Matrica ovog sustava je A′ = 1 1 1 0 = 0 1 0 1 1 1 . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 164 Primjer 4. det A = −1.ˇ 4.3. pa sustav uvijek ima rjeˇenje. ali A oˇito s c nema LU faktorizaciju. 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 . U = A′ . z s . 0 1 u11 0 u12 u22 Iz prve jednadˇbe odmah vidimo da mora biti u11 = 0. z c ˇto je nemogu´e. 0 1 i oˇito ima jednostavnu LU faktorizaciju s L = I. i kojeg moˇemo ekvivalentno zapisati s z 3 kao x1 + x2 = b2 0x1 + x2 = b1 . a iz tre´e slijedi da ℓ21 · 0 = 1.2 Neka je matrica sustava Ax = b dana s A= 0 1 . Njeno djelovanje na matricu A je jednostavno permutiranje redaka. 1 1 A Matricu P zovemo matrica permutacije ili jednostavno permutacija.

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

3. 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. Za c (3) (3) sljede´i korak eliminacija provjeravamo vrijednost a44 . Neka je z c c (3) (3) (4) a44 = 0. pa ostaje istraˇiti kako z . postupamo c (3) (3) kao i ranije. moˇemo staviti L(4) = I i matrica U = L(4) P (4) A(3) z je gornjetrokutasta.       (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  . jer je u tom sluˇaju A(3) ve´ gornjetrokutasta. Ako je a44 = a54 = 0. Sve zajedno. z Medutim.ˇ 4. vrijedi relacija U = L(4) P (4) L(3) P (3) L(2) L(1) A. tako da L nije definirana. Ako je a44 = 0. Vidjeli smo ranije da je mnoˇenje inverza trokutastih matrica L(k) jednostavno. definiramo matricu L(4) kao u relaciji (4. mi sada imamo permutacijske matrice izmedu.  (3)  a45    a15  a55 (3) Primijetimo da je tre´i redak matrice A(3) jednak petom retku matrice A(2) . ali a54 = 0.9).  a44 (3) a45 (3) Kako je po pretpostavci a44 = 0. 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  . onda moˇemo staviti L(4) = I. tj.

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

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

  19   7182  1311 3   Sada primijetimo da je A(3) = L(3) IL(2) P (2) L(1) P (1) A.ˇ 4. Ako stavimo P = P (2) P (1) .           Sljede´a permutacija je identiteta. 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. Dakle.     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 . P (3) = I. 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.       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        . U ≡ A(3) = L(3) L(2) L(1) P (2) P (1) A. 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 . 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) .

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

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

gdje nas oˇekuje niz zanimljivih zakljuˇaka. c c c 4. medurezultate i rezultate z z raˇunanja1 . Analiza LU faktorizacije.. Preporuˇamo da ˇitatelj svakako “baci pogled’ na taj c c odjeljak prije nastavka ˇitanja ovog materijala.4.3. c Praktiˇno je odvojeno analizirati LU faktorizaciju i rjeˇenje trokutastog susc s tava.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  . U ovom odjeljku prvenstveno ´emo analizirati problem toˇnosti. Kako matrica L po definiciji ima jedinice na dijagonali. Poˇinjemo s LU faktorizacijom.ˇ 4. z c c 1 . c z Za one ˇitatelje koji nisu svladali osnove numeriˇkih operacija linearne algebre c c na raˇunalu. Imamo ograniˇenu koliˇinu memorijc c c c c skog prostora u kojem moˇemo drˇati polazne podatke. uoˇavamo da ga moˇemo z c c z izvesti tako da matrica U ostane zapisana u gornjem trokutu matrice A. a strogo donji trokut matrice L bude napisan na mjestu elemenata strogo donjeg trokuta polazne matrice A.  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. z Prije nego prijedemo na numeriˇku analizu algoritma. Vaˇnost pivotiranja. osnovne ˇinjenice su dane c z c u dodatku u odjeljku 4. Prisjetimo se naˇeg 5 × 5 primjera i relacije (4. te elemente Svaka operacija zahtijeva izvjesno vrijeme izvrˇavanja pa je ukupno trajanje algoritma takoder s vaˇan faktor. 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. konaˇan stroj. pogledajmo kako ga c moˇemo implementirati na raˇunalu s minimalnim koriˇtenjem dodatnog memorijz c s skog prostora. kao i za one koji taj materijal ˇele ponoviti. dakle onoliko koliko zauzima originalna matrica A.4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 172 Raˇunalo je ograniˇen.1.

. Algoritam 4.4. . . n − 1 { za j = k + 1.} A(k. tehniˇki komplicirana. 2. ponekad. .3 postaje joˇ c z c s jednostavniji i elegantniji. . k = 1. s . n { za i = k + 1.1 Raˇunanje LU faktorizacije matrice A bez dodatne memorije. 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    . .ˇ 4. Na taj naˇin se elementi polazne matrice gube. k) = A(j. j) − A(i. n { A(i. .3. . } } } Primijetimo da smo koristili oznake uobiˇajene u programskim jezicima – element c matrice (dvodimenzionalnog polja) oznaˇili smo s A(i. j). . . . Dodatnu s c paˇnju zahtijeva izvodenje aritmetiˇkih operacija pri ˇemu ne moˇemo izbje´i greˇke z c c z c s zaokruˇivanja. . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 173 ne treba nigdje posebno zapisivati. . k)A(k. k) . n { A(j. . . . z Analiza greˇaka zaokruˇivanja je.   (3)  a45       (4)  (1) a25      a55 Sve matrice A(k) . j) = A(i. Isto tako. . Na ovaj naˇin zapis algoritma 4. memorija). . vidimo da c konkretna realizacija algoritma na raˇunalu ukljuˇuje dodatne trikove i modifikacije c c kako bi se ˇto racionalnije koristili resursi raˇunala (npr. k) za j = k + 1. c za k = 1. . 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. n − 1 su pohranjene u istom n × n polju koje na poˇetku sadrˇi matricu A ≡ A(0) . . j).

i = 1. Kao u opisu algoritam za raˇunanje LU faktorizacije u odjeljku 4.  ˜ u2j = a2j ⊖ ℓ21 ⊙ u1j . ˜ j = 1. ˜ c koristit ´emo matrice L(i) i transformacije oblika A(i) = L(i) A(i−1) . analizirat ´emo pric c mjer faktorizacije 4 × 4 matrice a11 a  A =  21  a31 a41  a12 a22 a32 a42 a13 a23 a33 a43 a14 a24   . n − 1. 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  .3. u34  ˜ u44 ˜ u1j = a1j . ˜ ˜ Ovdje smo sa ⋆ oznaˇili one elemente koje ´emo mijenjati u sljede´em koraku. a34  a44  ˜ Izraˇunate aproksimacije matrica L = [ ℓij ] i U = [ uij ] oznaˇiti ´emo s L = [ ℓij ] i c c c U = [ uij ]. c c Primijetimo da je prvi redak matrice U jednak prvom retku polazne matrice A. 4. . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 174 Da bismo dobili ideju o kvaliteti izraˇunate faktorizacije. .3.ˇ 4. . ⋆  ⋆  a13 ˜ a23 ⊖ ℓ21 ⊙ u13 ˜ ˜31 ⊙ u13 a33 ⊖ ℓ ˜ ˜ a43 ⊖ ℓ41 ⊙ u13 ˜ a14 ˜ a24 ⊖ ℓ21 ⊙ u14  ˜  ˜31 ⊙ u14  a34 ⊖ ℓ ˜  ˜ a44 ⊖ ℓ41 ⊙ u14 ˜ j = 2.. . Pric c c (1) mijetimo da su u prva dva retka matrice A ve´ izraˇunata prva dva retka matrice c c U . 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  ˜  . c Izraˇunate aproksimacije oznaˇavamo s L(i) i A(i) . . 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  ˜  . . 4. . .

m=1 2 ≤ i ≤ n.4. U naˇem algoritmu. zakljuˇujemo da postoje ξij . pri ˇemu je u1j = a1j . s s z vrijedi ˜ ˜ ˜ uij = ( · · · ((aij ⊖ ℓi1 ⊙ u1j ) ⊖ ℓi2 ⊙ u2j ) ⊖ · · · ) ⊖ ℓi.1) i−1 uij = aij (1 + ξij ) − ˜ ˜ ˜ ℓim umj (1 + ζijm ). Ovu formulu je lako provjeriti raspisivanjem c produkta A = LU po elementima.2) m=1 .4. ˜ ˜ ˜ ˜ Uoˇavamo da se elementi uij raˇunaju prema formuli c c i−1 uij = aij − ℓim umj .j . ˜ ˜ ˜ ˜ Formula (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  ˜  . i ≤ j ≤ n. ˜ ˜ I.4. . u zadnjem koraku je ostala transformacija 1 0  = 0 0  L(3) 0 0 1 0 0 1 ˜ 0 −ℓ43 0 0  . ˜ za m = 1. ˜ ˜ ˜ u44 = ((a44 ⊖ ℓ41 ⊙ u14 ) ⊖ ℓ42 ⊙ u24 ) ⊖ ℓ43 ⊙ u34 . . (4. } ˜ ˜ ˜ (4. 0 1  koja primjenom na A(2) .ˇ 4. i − 1 { ˜ uij = uij ⊖ ℓim ⊙ umj . . . 4. u34  ˜ ⋆  a14  u24 ˜   ˜ ˜ (a34 ⊖ ℓ31 ⊙ u14 ) ⊖ ℓ32 ⊙ u24  ˜ ˜ ˜ ˜ (a44 ⊖ ℓ41 ⊙ u14 ) ⊖ ℓ42 ⊙ u24 ˜ ˜ j = 3.1) Koriˇtenjem propozicije 4. 1 ≤ j ≤ n.i−1 ⊙ ui−1.3. pri ˇemu se koristi algoritam c uij = aij .4. daje i preostali element matrice U.4.1) 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.  ˜ ˜ ˜ u3j = (a3j ⊖ ℓ31 u1j ) ⊖ ℓ32 ⊙ u2j . zbog greˇaka zaokruˇivanja.

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.4. s s c onda je LU = A + δA.4. Ako su L i U izraˇunati trokutasti faktori.4. 1 − nε i aij = m=1 ˜ ˜ ℓim umj + δaij .ˇ 4.2) moˇemo proˇitati i kao z c i nε . dakle netoˇna. m |ξij |. j. U faktorizacija A + δA Slika 4. ako bismo A promijenili u A + δA i zatim uzeli egzaktnu faktorc izaciju. 1 − nε 1 − 2nε gdje prva nejednakost vrijedi za nε < 1. Naˇa analiza nije z s dala odgovor na pitanje koliko su L i U daleko od toˇnih matrica L i U. c Izraˇunati rezultat je ekvivalentan egzaktnom raˇunu s promijenjenim polaznim c c podacima.1 primijenjen na matricu A ∈ Rn×n i neka su uspjeˇno izvrˇene sve njegove operacije. a druga za 2nε < 1. . Ako su δA i δ A usporedivi po veliˇini. onda je LU = A + δ A + δA i LU = A + δ A. Dobiveni rezultat je u praksi od izuzetne vaˇnosti.1.3) ˜ ˜ ˜ gdje smo uij napisali kao ℓii uij (1 + ζiji). dobili bismo upravo L i U .4. c Teorem 4. Ako je egzaktna c c (nepoznata) matrica A i A = A + δ A.4. |δA| ≤ nε 2nε (|A| + |L| |U|) ≤ |L| |U|.1 Rezultat teorema zasluˇuje poseban komentar. izraˇunato c E A perturbacija podataka c        egzaktna     L. Umjesto c toga. δaij = m=1 ˜ ˜ ℓim umj ζijm − ξij aij .1 Neka je algoritam 4. Napomena 4. uz ℓii = 1 i ζiji = 0. ˜ Time smo dokazali sljede´i teorem. Ovu situaciju moˇemo ilustrirati komutativnim z dijagramom na slici 4. |ζijm| ≤ Relaciju (4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 176 Pri tome je za sve i. (4. onda moˇemo u mnogim primjenama L i U c z smatrati jednako dobrim kao i L i U. dobili smo zakljuˇak da L i U ˇine egzaktnu LU faktorizaciju matrice A + δA.4. c c Drugim rijeˇima.1 Komutativni dijagram LU faktorizacije u aritmetici konaˇne preciznosti.

1   0 1  . u11 = u11 . u22 1−ε Dakle svi elementi matrica L i U izraˇunati su s malom relativnom pogreˇkom. toˇnosti ε ≈ 10−8 .1) 1 = 1 − α  α 1 1 . ˜ |ǫ1 | ≤ ε. 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 .1) A =  0 1 L   α 0 1 1−  1 . i neka je matrica A definirana s A= U egzaktnom raˇunanju imamo c L(2. Sljede´i primjer z c pokazuje numeriˇku nestabilnost algoritma. L(2. vrijedi ˜ ℓ21 = ℓ21 (1 + ǫ1 ).ˇ 4. neka je α = 10−10 . tj. Neka je |α| < ε. c s Sjetimo se da je ovaj primjer najavljen kao primjer numeriˇke nestabilnosti procesa c eliminacija. To na ˇalost nije osigurano u LU faktorizaciji. Kako je c problem jednostavan. ˜ α Primijetimo da je u22 − u22 ˜ 2ε ≤ .1 Neka je α mali parametar. 1 u22 = 1 ⊖ 1 ⊘ α = −1 ⊘ α = − (1 + ǫ1 ). |α| ≪ 1.4. 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|. α Pretpostavimo sada da ovaj raˇun provodimo na raˇunalu u aritmetici s 8 decimalnih c c znamenki. ˜ u12 = u12 . npr. −1 δA . 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. odnosno LU faktorizacije.

4. 2) u matrici |L| |U| element koji je reda veliˇine 1/|α| > 1/ε. je promijenjen u nulu. zbog nenegativnosti matrica |L| i |U|. x2 ˜ 1 − 2α Vidimo da se x1 i x1 potpuno razlikuju. x2 2 α 1 1 0 x1 ˜ 1 = .1. 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.2 Neka je A matrica iz primjera 4. |ǫ| ≤ ε.4. Jasno nam je da je.4. 1 0 1 1 α 1 . ako izraˇunamo |L| |U| dobijemo c |L| |U| = |α| 1+ǫ 1 .4. Ako c bismo koriste´i L i U pokuˇali rijeˇiti linearni sustav Ax = b. Zamijenimo joj poredak redaka.  2α − 1  1 α−1  1 1 x1 1 = . Tek da dobijemo osje´aj kako katastrofalno loˇ rezultat c s moˇemo dobiti. c Napomena 4. pogledajmo linearne sustave z α 1 Njihova rjeˇenja su s x1 x2 −1   α−1  1   = ≈ . Naime.4. Kako je na poziciji (2. Cis s z jeli problem je u samo jednoj aritmetiˇkoj operaciji (pri raˇunanju u22 ) koja je zac c ˜ pravo izvedena jako toˇno. mali produkt |L| |U| mogu´ samo ako su elementi od L i U mali po apsolutnoj vrijednosti. c s z Cilj numeriˇke analize algoritma je da otkrije mogu´e uzroke nestabilnosti. 2|1 ⊘ α| gdje je 1 + ǫ = α(1 ⊘ α).1. Nestabilnost ilustrirana primjerom u skladu je s teoremom 4. Primjer 4. zapravo bismo radili c s s na sustavu (A + δA)x = b. Pogledajmo c nastavak primjera 4.2 I ovaj primjer zasluˇuje komentar. Vidimo da katastrofalno vez lika greˇka nije uzrokovana akumuliranjem velikog broja greˇaka zaokruˇivanja. 0 1 α 1 1 1 A′ = P A = = .1. a22 = 1. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 178 Primijetimo da δA ne moˇemo smatrati malom perturbacijom polazne matrice A z – jedan od najve´ih elemenata u matrici A. c c objasni fenomene vezane za numeriˇku nestabilnost i ponudi rjeˇenja za njihovo c s uklanjanje. vidimo da nam teorem ne moˇe garantirati mali c z δA. 2 x2 ˜ x1 ˜ 2 = .ˇ 4. s malom greˇkom zaokruˇivanja.

j.4) dobra mjera za relativni rast (u odnosu na A) elemenata u produktu |L| |U|. Dakle. Naime.k ij (k) max aij (4. . k = 0.ˇ 4.4. koje osigurava da su u matrici L svi elementi po apsolutnoj vrijednosti najviˇe s 2 jednaki jedinici . Ako je |α| < ε. Ako je pri tome koriˇtena permutacija P . onda je s LU = P (A + δA). n − 1.2.4. α |δA′ | ≤ ε|A|. . lako se vidi da su tada i c svi elementi matrice |L| manji ili jednaki od jedan. 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 . U tom sluˇaju veliˇina produkta c c |L| |U| bitno ovisi o elementima matrice U. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 179 LU faktorizacija matrice A′ = LU je 1 α 1 1 = 1 α 0 1 1 0 1 . 1. . .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. 0 1 0 .3. 1−α 1 1 . Broj ρ zovemo faktor rasta elemenata u LU faktorizaciji i definiran je bez obzira da li koristimo pivotiranje redaka. Iz prethodnih primjera i diskusija jasno je da standardno pivotiranje redaka. Primijetimo da u analizi greˇaka zaokruˇivanja pivotiranje ne predstavlja dos z datnu tehniˇku poteˇko´u. pa je broj max aij ˜ ρ= i. 1 U= δA′ po elementima istog reda veliˇine kao i |A′ |. elementi matrice U su dobiveni iz matrica A(k) . doprinosi numeriˇkoj stabilnosti. c s c z c Teorem 4. 2 |δA| ≤ 2nε P T |L| |U|. 1 − 2nε Vidi teorem 4. S druge strane. pa odmah moˇemo iskazati sljede´i teorem. 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′ . .

4. Dokaz.1 smo vidjeli da u LU faktorizaciji bez pivotiranja rast elemenata tokom faktorizacije moˇe biti po volji velik. moˇemo zakljuˇiti da ˇak i raˇus z z c c c nanje faktorizacije s pivotiranjem na raˇunalu odgovara raˇunu bez pivotiranja ali c c s polaznom matricom A′ = P A.1 Ako LU faktorizaciju raˇunamo s pivotiranjem redaka u aritc metici s maksimalnom greˇkom zaokruˇivanja ε.ˇ 4. bez obzira na pivotiranje. tj. c z Primijetimo da je gornja ograda za ρ reda veliˇine 2n . δA F ≤ O(n3 )ερ A F.3. Sljede´a propozicija z c pokazuje da u sluˇaju pivotiranja redaka faktor ρ ima gornju ogradu koja je funkcija c samo dimenzije problema. |δA′ | ≤ 2nε |L| |U|. U primjeru 4.1 dobijemo da vrijedi LU = A′ + δA′ . odnosno LU faktorizaciju. 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. Razlika u numeriˇkoj stabilnosti koju donosi pivotiranje redaka je bolje ponac ˇanje parmetra ρ. Primijetimo i da je. Dakle. ˇto brzo raste kao c s funkcija od n. u sluˇaju egzaktnog raˇunanja je ρ ≤ 2n−1 . c c Dokaz.4. . Nakon ponovnog ˇitanja dokaza teorema 4.2 bi trebalo biti jasno da perc mutacije prolaze kroz elementarne transformacije L(i) neovisno o toˇnosti raˇunanja c c (egzaktno ili do na greˇke zaokruˇivanja). Specijalno. Postoje primjeri na kojima se ta gornja ograda i dostiˇe. bez obzira da li pivotiramo retke ili ne. Sada primjenom teorema 4.4. 1 − 2nε Kako je A′ + δA′ = P (A + P T δA′ ). pivotiranjem moˇemo osigurati umjeren rast elemenata u toku s z LU faktorizacije. onda je s z ρ ≤ 2n−1 (1 + ε)2(n−1) . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 180 Specijalno je. Moˇemo s z z zakljuˇiti i preporuˇiti sljede´e: c c c • Gaussove eliminacije. Ipak. Dokaz ostavljamo ˇitatelju za vjeˇbu. δA F ≤ 2nε 1 − 2nε n(n + 1) 2 n(n + 1) ρ A 2 F. valja u praksi uvijek raditi s pivotiranjem redaka. Propozicija 4. stavljanjem δA = P T δA′ dobivamo tvrdnju teorema.

. Ako je v rjeˇenje dobiveno primjenom aritmetike raˇunala pre˜ s c ciznosti ε. i − 1 { vi = vi ⊕ Tij ⊙ vj .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.i | ≤ ε.4. . |δT | ≤ η⊲ |T |. . te za i = 2. } ˜ ˜ ˜ vi = (di ⊖ vi ) ⊘ Tii .ˇ 4. . 3 Vidi odjeljak 4. Pojednostavljeno govore´i.2. . trokutaste sustave rjeˇavamo jednostavnim s i elegantnim supstitucijama unaprijed ili unazad. Dokaz zbog jednostavnosti provodimo samo za donjetrokutastu matricu T .4. Sljede´a c c c propozicija opisuje kvalitetu numeriˇki izraˇunatog rjeˇenja trokutastog sustava jedc c s nadˇbi.i ) . 0 ≤ η⊲ ≤ v . 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. |ǫ2. T11 |ǫ1 | ≤ ε.4.i | ≤ ε.. onda izraˇunati vektor v zadovoljava T v = d. . Analiza numeriˇkog rjeˇenja trokutastog sustava c s Kako smo vidjeli u odjeljku 4. ˜ ˜ Primjenom pravila aritmetike raˇunala dobijemo3 c v1 = ˜ d1 (1 + ǫ1 ). . n i−1 vi = ˜ di − Tij (1 + ζj )˜j v j=1 Tii (1 + ǫ1.3. gdje se elementi od T c ˜ ˜ i T poklapaju u barem 5 decimalnih znamenki (od 8 na koliko je zadana matrica T ). Napomena 4.4. 1 − (i − 1)ε |ǫ1.3 Koliko god da je prethodni rezultat tehniˇki jednostavan.3. kada ih provedemo na raˇunalu. 1 − nε Dokaz.. ako radimo s ε ≈ 10−8 i c ako je n = 1000.. z Propozicija 4. . . onda postoji donjetrokutasta (gornjetrokutasta) matrica δT takva da vrijedi nε (T + δT )˜ = d. |ζj | ≤ (i − 1)ε . Pretpostavljamo da se i-ta komponenta rjeˇenja za i > 1 raˇuna na sljede´i naˇin: s c c c vi = Ti1 ⊙ v1 .4.i )(1 + ǫ2.2. ˜ ˜ za j = 2.2. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 181 4. Ta jednostavnost se odraˇava i z na dobra numeriˇka svojstva supstitucija.

tj. Kako smo vidjeli u prethodnim odjeljcima. Na kraju ovog odjeljka.3. mi ´emo pretpostaviti da su c na polazne podatke A i b ve´ primijenjene zamjene redaka. Kako to pojednostavljuje oznake. pokaˇimo kako cijeli algoritam na raˇunalu moˇemo z c z implementirati bez dodatne memorije. 1 − 2nε |δ U| ≤ nε |U|. Kako smo prije vidjeli. Neka su L i U izraˇunate trokutaste matrice. (L + δ L)(U + δ U )˜ = b. 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. Time smo dokazali sljede´i teorem. |δ L| ≤ y |L|. permutacija P se moˇe (za potrebe z analize) odmah primjeniti na polazne podatke i numeriˇku analizu moˇemo provesti c z bez pivotiranja. LU faktorizaciju moˇemo napraviti tako da L i U smjestimo u matricu A.1. c Teorem 4. gdje je LU = A + δA. |E| ≤ |L| |δ U| + |δ L| |U| + |δ L| |δ U|. x ˜ Dakle. tako da su formule c jednostavno A = LU i x = U −1 (L−1 b)). SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 182 4. 1 − nε Na isti naˇin rjeˇenje x sustava U x = y zadovoljava c s ˜ ˜ (U + δ U )˜ = y . x E = Lδ U + δ LU + δ Lδ U . Takoder pretpostavljamo da je 2nε < 1.2) nε (L + δ L)˜ = b. Izraˇunato rjeˇenje y sustava Ly = b zadovoljava (prema propozic s ˜ ciji 4.4.4. x |∆A| ≤ 5nε P T |L| |U|.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)). 1 − nε Ovdje je P permutacija koja realizira zamjenu redaka. Tako dobijemo sljede´u implementaciju Gaussovih eliminacija: c . do˜ s z biveno Gaussovim eliminacijama s pivotiranjem redaka.3 Neka je x rjeˇenje regularnog n × n sustava jednadˇbi Ax = b.4. Tada postoji perturbacija ∆A za koju vrijedi (A + ∆A)˜ = b. kao u c teoremu 4. x (A + δA + E)˜ = b.ˇ 4.

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

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

. posebno u inˇenjerskim znanostima. gdje je R gornjetrokutasta matrica.3 Neka su x1 . . To znaˇi da je u sustavu Ax = b matrica A = z c c simetriˇna.j=1 Naravno. ˜ te da je 1 − (m + 1)ε ≤ (1 − ε)(1 − mε) i 1+ε (m + 1)ε ≤1+ . 4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 185 Propozicija 4. . 1 − mε i = 1. A = AT . 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 ). . . 1 − mε 1 − (m + 1)ε |ω1 | ≤ ε. xm . y1 . . Ako c vrijednost m s= i=1 xi yi raˇunamo kao c s = x1 ⊙ y1 . Dokaz smo ve´ skicirali na primjeru m = 4. i = 1.4.5. . 2. |ω2 | ≤ ε. j je aij = aji . A = AT . m. m. pogledajmo LU faktorizaciju A = LU simetriˇne regularne matrice A. . . . . Pokazuje se da u sluˇaju simetriˇne matrice z c c LU faktorizacija ima op´eniti oblik c A = RT JR. |ζi | ≤ mε . . . za sve i. Iz c . . ˜ za i = 2. linearni z z sustav jednadˇbi je simetriˇan. Numeriˇko rjeˇavanje simetriˇnog sustava c s c jednadˇbi z U mnogim vaˇnim primjenama. . Dokaz. . . m ≥ 1. . } ˜ ˜ m onda postoje brojevi ζi . m { s = s ⊕ xi ⊙ yi . takvi da vrijedi s= ˜ i=1 xi yi (1 + ζi ). c [ aij ]n i. tj. Oˇito je formalni dokaz najc c lakˇe izvesti matematiˇkom indukcijom po m. Da bismo dobili ideju zaˇto je s to tako. onda Gaussove eliminacije moˇemo provesti puno efikasnije. . ym brojevi u raˇunalu. a J = diag(±1).ˇ 4. . ako pametno iskoristimo simetriju.

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

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

k=1 rij = aij − rki rkj k=1 rii . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 188 Algoritam 4. . ηC = c(n)ε . . . } } /∗ Supstitucije naprijed za RT y = b ∗/ b1 y1 = . c ˜ . rii = aii ∗/ za j = i + 1. .ˇ 4. n { i−1 yi = bi − rjiyj j=1 rii .5. .5. . .5.5.5.1 vrijedi1 i−1 rii = (1 + ε2 ) (1 + ε1 ) aii − ˜ rki(1 + ζk ) . 1 − 2c(n)ε c(n) = max{3. } /∗ Supstitucije unazad za Rx = y ∗/ yn xn = . ˜2 k=1 (4. rnn za i = n − 1.1) Dokaz. Ako je R izraˇunata aproksimacija matrice R. c c Propozicija 4. . . (4. . . r11 za i = 2.5. . n}. . 2 ≤ i ≤ n. n { i−1 aii − 2 rki. /∗ Trokutasta faktorizacija A = RT R ∗/ za i = 1.1. . . c gdje je δA = [ δaij ] simetriˇna matrica i za sve 1 ≤ i. . 1 { n xi = yi − rij xj j=i+1 rii . u algoritmu 4.2 Rjeˇavanje linearnog sustava jednadˇbi Ax = b s pozitivno defis z nitnom matricom A ∈ Rn×n . da je uspjeˇno s s s izraˇunao rii > 0 za sve i. onda je RT R = A + δA. } Naˇ je cilj ispitati numeriˇka svojstva algoritma 4. tj. ako njegove operacije s c izvedemo na raˇunalu u aritmetici konaˇne preciznosti ε.2) 1 Ovdje koristimo pretpostavku da je algoritam uspjeˇno zavrˇio sve operacije.1 Neka je za zadanu n × n pozitivno definitnu matricu A algoritam 4. n { i−1 rii = √ /∗ za i = 1. U i-tom koraku.5. j ≤ n vrijedi c √ |δaij | ≤ ηC aii ajj .1 uspjeˇno izvrˇio sve operacije u konaˇnoj aritmetici s greˇkom zaokruˇis s c s z vanja ε.

j > i. 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 . max |ζ ′ | . . 1 − c(n)ε Na isti naˇin analiziramo raˇunanje vrijednosti rij . ˜2 1+η k=1 (4. Imamo c c ˜ i−1 rij = (1 + ǫ1 )(1 + ǫ2 ) ˜ aij − ′ rkj rki (1 + ζk ) ˜ ˜ k=1 rii ˜ .5. (4. 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.5. 1 − ηi ηi ≤ c(n)ε .5. 1 − c(n)ε (1 − ηi )(1 − ηj ) aii ajj .ˇ 4. ˜ ˜ ′ 1+τ k=1 (4. 1 + η 1≤k≤i−1 Uz prethodnu definiciju.3) Ovu relaciju moˇemo zapisati i u obliku z i−1 rii = ˜ Za i = 1 oˇito je c r11 = ˜ Definirajmo aii + δaii − rki .5. max |ζk | .5. |η| . ′ |ζk | ≤ (i − 1)ε . 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 .4) (1 + ε2 )2 a11 = a11 + δa11 . ˜2 k=1 (4.5) 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 .6) τi = max moˇemo pisati da je z i |τ | . lako provjerimo da u relaciji (4.4) vrijedi ηi = max i |δaii | ≤ ηi k=1 rki ≤ ˜2 ηi aii .

Da smo. na primjer. dobivamo vezu izmedu polaznog sustava i izraˇunatog rjeˇenja x: ˜ (A + F )˜ = b. Time je tvrdnja propozicije dokazana. nakon faktorizacije A + δA = RT R trokutaste sustave po y i x rijeˇili egzaktno. c s Kako je A = A + δA.j=1 Sad nas zanimaju numeriˇka svojstva algoritma 4. Prema propoziciji 4. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 190 Konaˇno.1 c s s z c ˜ znamo da izraˇunata matrica R zadovoljava c RT R = A + δA. postoje ˜ ˜ c s gornjetrokutaste matrice δ1 R i δ2 R tako da vrijedi (R + δ1 R)T y = b. u kojem je E po elemenc ˜ x T tima mala perturbacija matrice sustava A = R R.4. |δaij | max √ ≤ ηC . gdje je F = δA + E.ˇ 4. Ako je x izraˇunata c ˜ c −1 aproksimacija toˇnog rjeˇenja x = A b. x Definiramo li tj. (RT R + RT δ2 R + (δ1 R)T R + (δ1 R)T δ2 R)˜ = b.j aii ajj 2 ξ = ηC + (2η⊲ + η⊲ )(1 + ηC ).5) pokazuju da je RT R = A + δA. 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.5. i. Neka su c s y ≈ y i x ≈ x. slijedi da izraˇunati x zadovoljava c ˜ (R + δ1 R)T (R + δ2 R)˜ = b.5. j ≤ n.3) i (4.5.5. s . x Pri tome su i E i δA ocijenjeni po elementima. i. 2 |E| ≤ (2η⊲ + η⊲ )|R|T |R|.2. Primijetimo i da je √ 2 2 |Eij | ≤ (2η⊲ + η⊲ ) aii ajj ≤ (2η⊲ + η⊲ )(1 + ηC ) aii ajj . redom izraˇunati vektori rjeˇenja. i. ˇto moˇemo re´i o x? Iz propozicije 4. gdje je η⊲ = nε . ˜ (R + δ2 R)˜ = y . imali bismo F = δA i ξ = ηC . x ˜ Pri tome je |δ1 R| ≤ η⊲ |R| i |δ2 R| ≤ η⊲ |R|.2. 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. na isti naˇin i s pribliˇno istom c z gornjom ogradom. ˜ ˜ 1 ≤ i. 1 − nε Nadalje. c gdje je δA = [ δaij ]n .j aii ajj U sljede´em koraku rjeˇavamo dva trokutasta sustava. RT y = b i Rx = y. primijetimo da relacije (4.

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

.p )ii zi + ˜ ˜ j=1 ((Fs.p + M)˜ = P T D −1 b ili.5. jer.1 Rezultat ovog odjeljka moˇemo saˇeti u jednostavan zakljuˇak. zi ˜ i = 2. ∆A = D(P MP T )D.p )11 . te max |mij | ≤ ξ. s c s Analizom tih greˇaka dolazimo do zakljuˇka da izraˇunata aproksimacija rjeˇenja s c c s x = x + δx zadovoljava tzv. Po konstrukciji matrice As c i=j (As. perturbirani sustav.p )ii zi + ˜ ˜ j=i (Fs.p )ij − (Fs.p )ji ) zj ˜ .5.ˇ 4. . (A + δA)(x + δx) = b + δb. za sve i. mii = (Fs.p )ii + j=1 ((Fs.7) max |(P MP T )ij | ≤ ξ i=j i max |(P MP T )ii | ≤ (2n − 1)ξ. . uzrokuju greˇke. n. i formiranje samog sustava (raˇunanje koefis c cijenata sustava i desne strane) i njegovo rjeˇavanje na raˇunalu. ˜ Iskoristimo li definiciju izvandijagonalnih elemenata matrice M. x ˇime je dokaz zavrˇen. Sada se ˜ . Teorija perturbacija za linearne sustave Iz prethodnih razmatranja jasno je da u primjenama rijetko moˇemo izraˇunati z c egzaktno rjeˇenje sustava Ax = b. 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. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 192 i odredimo dijagonalne elemente mii tako da je mii zi + ˜ j=i mij zj = (Fs.p )ji )˜j . z Ako je zi = 0.p )ij − (Fs. (4. . z Pri tome je (As + P MP T )z = D −1 b. definiramo ˜ c i−1 m11 = (Fs. dobivamo relaciju i−1 mii zi = (Fs.7) dobijemo (A + ∆A)˜ = b.p )ij zj . 4. i Skaliranjem sustava (4.6. ekvivalentno. Inaˇe. vrijedi Oˇito je |mii | ≤ (2i − 1)ξ.5. stavimo mii = 0. c s Napomena 4.

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

(A + δA)(x + δx) = b + δb. a mjerenja perturbacija ´e biti u proizvoljnoj c c c vektorskoj normi · i pripadnoj matriˇnoj normi · . Perturbacije male po normi Sljede´i teorem daje potpuni opis greˇke ako je perturbacija dana po normi.6. na primjer. (I + A−1 δA)˜ = x.1) Relacija (4.1) 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. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 194 pri ˇemu je tr oznaka za trag matrice. x − x = A−1 δA˜. F Tada je A−1 δA <1i (A + δA)−1 = (I + A−1 δA)−1 A−1 . . c s Op´enito ´emo promatrati i δA i δb. 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. da je perturbacija mala po normi. pa je c ˜ x x−x ˜ Kako je A−1 δA F 2 F.6. gdje je δA ≤ ǫ A . postoje δA i δb takvi da je δA = ǫ A . δb ≤ ǫ b . (4. ˜ Znaˇi. tj.1. Informacija o perturbaciji δA je vaˇan faktor c z u razvoju analize.ˇ 4. te δx ǫ ≥ x 1 + ǫ A−1 A A−1 b + A−1 x A . Neka je. Preciznije. δb = ǫ b . tj. c Teorem 4. onda je δx ǫ ≤ x 1 − ǫ A−1 A A−1 b + A−1 x A ≤2 ǫ A−1 A . ǫ < A F 1 A−1 . A−1 F δA F F = ǫ( A F A−1 F) < 1. Ako je ǫ A−1 A < 1. ˜ x−x ˜ x 2 ˜ ≤ A−1 2 F δA ≤ A−1 F δA F = ǫ A−1 A F F A F.6. Regularnost matrice A + δA je osigurana ako je npr.6. tj. 4. x ≤ A−1 δA dobivamo A F F x 2.1 Neka je Ax = b. 1 − ǫ A−1 A Pri tome postoje perturbacije δA i δb za koje je gornja nejednakost skoro dostignuta. zadano (poznato) da je ǫ≡ δA F ≪1 A F mali broj.

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

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

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

iz relacije (4.7) δx ≤ ε( |A−1| |A| |x| + |A−1 | |b| ) + ε |A−1| |A| δx . 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| ∞. gdje je |δA| ≤ ε|A|. Sada lako provjerimo da vrijedi δx = −A−1 δA(x + δx) + A−1 δb. Neka je ε |A−1 ||A| < 1. ∞. δb = −εD1 |b|. . takoder oznaˇenu s · .6.ˇ 4. postoje perturbacije δA i δb takve da je |δA| = ε|A|. pa je ε |A−1| |A| |x| + |A−1 | |b| ∞ ≤ δx ∞ + ε |A−1| |A| ∞ δx ∞. x (1 − ε |A−1| |A| ) x (4. |δb| = ε|b| i da za rjeˇenje x + δx = (A + δA)−1 (b + δb) vrijedi s δx ∞ |A−1| |A| |x| + |A−1 | |b| ≥ε x ∞ (1 + ε |A−1 | |A| ∞) x ∞ ∞ . i=1 n i perturbacije δA = εD1 |A|D2 . |δb| ≤ ε|b|.6.6. n} odabran tako da je Definirajmo dijagonalne matrice D1 = diag(sign((A−1 )mi ))n . (|A−1 | |A| |x| + |A−1 | |b|)m = |A−1| |A| |x| + |A−1 | |b| D2 = diag(sign(xi ))n . .6) Dokaz.6. 2. .7) lako izvedemo da je (A−1 δAx − A−1 δb)m = −(δx + A−1 δAδx)m . Uzmimo proizvoljnu apsolutnu vektorsku normu · i njenu induciranu matriˇnu c normu. 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. Prije svega. Tada vrijedi c δx |A−1| |A| |x| + |A−1 | |b| ≤ε . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 198 Teorem 4. S druge strane. pa je x + δx jedinstveno odreden. uvjet ε |A−1| |A| < 1 osigurava da je A + δA regularna matrica. (4. .5) Nadalje.3 Neka je Ax = b i (A + δA)(x + δx) = b + δb.6.

Teorem 4. gdje je |ri | D1 = diag (|A| |˜| + |b|)i x n . Zato kao koeficijent osjetljivosti moˇemo koristiti veliˇinu z c κ∞ (A. i=1 D2 = diag(sign(˜i ))n . δb = −D1 |b|.6.ˇ 4. x i=1 Primjer 4. β α 0 β . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 199 Korolar 4.1 U ovom primjeru istraˇujemo stabilnost Gaussovih eliminacija po z elementima matrice. (|A| |˜| + |b|)i x Optimalna perturbacija polaznih podataka koja reproducira izraˇunato rjeˇenje dana c s je s δA = D1 |A|D2 .6. x |δA| ≤ ε|A|.1 Relativni faktor osjetljivosti je dan relacijom δx ∞ x ∞ lim sup  : (A + δA)(x + δx) = b + δb. x) = ∞ . |δb| ≤ ε|b|} = max i |ri | . 0 b= 1 . Neka su α = 0 i β = 0 zadani i neka je A= α α β . 0 0 x = A−1 b =  1  . ε→0 ε                     |δA| ≤ ε|A|.4 Neka je x izraˇunata aproksimacija rjeˇenja sustava Ax = b i neka ˜ c s je r = b − A˜ izraˇunati rezidual. = |A−1 | |A| |x| + |A−1 | |b| x ∞ |δb| ≤ ε|b| ∞ . Vrijedi x c min{ε ≥ 0 : (A + δA)˜ = b + δb.6. −β   Trokutasta LU faktorizacija matrice A je α α A β 1 = 0 1 L 0 1 U . Primijetimo da je |A−1 | |A| |x| ∞ ≤ |A−1| |A| |x| + |A−1 | |b| |A−1 | |A| |x| x ∞ ∞ ≤ 2 |A−1| |A| |x| ∞.

bit ´e x1 = 0.057062130620955e−001. a elementi x od δb su bi (1 + εi ). ˜ ˜ α α gdje su ξ1 . u IEEE aritmetici je takav broj. Znaˇi da z s c c imamo veliku promjenu elementa. ξ3 . Neka je A+∆A singularna.8) α(1 + ǫ21 ) 0 x2 ˜ 0 Ako je x1 = 0. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 200 Vektor y = L−1 b = 1 je izraˇunat bez greˇke. 4. ξ2 .4. A + ∆A s . ˇ pri ˇemu je β ⊙ (1 ⊘ β) = 9. (Citatelju za vjeˇbu ostavljamo c z da pokuˇa na´i joˇ takvih brojeva.) s c s Pokuˇajmo sada izraˇunato rjeˇenje x1 . Drugim rijeˇima. c c Iz A + ∆A = A(I + A−1 ∆A) slijedi da je I + A−1 ∆A singularna. (4. prelaze u x2 = ˜ 1 (1 + ξ1 ). . A F 2 3|α| Iz prethodnog primjera zakljuˇujemo da bez obzira na toˇnost koju koristimo c c u raˇunanju na raˇunalu. x1 = 0. Ako pogledamo proces supstitucija c s −1 unazad. tj. egzaktne formule x2 = 1/β. c ˜ Na primjer. i. (δA)22 = −α. treba odrediti ǫij . . Ako je β broj u raˇunalu takav da je c z ˜ c β ⊙ (1 ⊘ β) = 1. Primijetimo da s c c c op´enito ne moˇemo garantirati x1 = 0. β 1 1 x1 = (1 − β x2 (1 + ξ2 ))(1 + ξ3 )(1 + ξ4 ) = (−ξ1 − ξ2 − ξ1 ξ2 )(1 + ξ3 )(1 + ξ4 ). ξ4 male greˇke reda veliˇine toˇnosti raˇunala. Pokuˇajmo joj na´i najbliˇu singularnu s c z matricu. jasno je da je za zadovoljavanje druge jednadˇbe u gornjem sustavu ˜ z nuˇno uzeti ǫ21 = −1. npr. .6. β = 4. pa je i δA F |α| 1 ≥√ > . . gdje su elementi matrice δA oblika aij (1+ǫij ). δa21 = −a21 . j = 1. (I viˇe. 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. Dodatak: Udaljenost matrice do skupa singularnih matrica Neka je A n × n regularna matrica. x2 interpretirati kao egzaktno rjeˇenje s c s ˜ ˜ s sustava (A+δA)˜ = b+δb. ˇto znaˇi da element a21 treba promijeniti u nulu. n. tako da c vrijedi α(1 + ǫ11 ) β(1 + ǫ12 ) x1 ˜ 1 + ε1 = . εi .ˇ 4.6. pri ˇemu mjerimo u nekoj matriˇnoj normi · .999999999999999e−001.

Naime.) Tada je nuˇno A−1 ∆A ≥ 1. c Nadalje. Na primjer. c Tada je 1 inf A−X ≥ . svaka barem 4 bajta (veliˇina reprezentacije realnog broja u jednostrukoj preciznosti). 1 ≤ A−1 ∆A ≤ c A−1 ∆A . matrica iz primjera 4.ˇ 4. blizak polaznom. Takoder.7.6.2.6. det(X)=0 A−1 Ako odaberemo n A. ne c s garantiraju idealnu toˇnost. Iterativne metode U prethodnim odjeljcima vidjeli smo da rjeˇenje linearnog sustava Ax = b s op´enito ne moˇemo izraˇunati apsolutno toˇno. onda se koriˇtenjem SVD dekompozicije matrice s jednakost koja se postiˇe za X = z i=1 4. Dakle. c mogu´e je da samo spremanje matrice koeficijenata u memoriju raˇunala predc c stavalja poteˇko´u – ponekad matricu drˇimo na vanjskoj. c s ˜ gdje obiˇno x zadovoljava sustav (A + δA)˜ = b. npr. 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. Gaussove c ˜ x eliminacije. z c Kako u takvim uvjetima implementirati Gaussove eliminacije? U puno vaˇnih primjena matrica sustava A je velike dimenzije. a elementi c c koji nisu nula obiˇno su pravilno rasporedni po matrici ili ˇak imaju i pravilno c c rasporedene numeriˇke vrijednosti. sporoj memoriji (datoteka s c z na disku) i onda moˇemo dijelove matrice uˇitavati dio po dio u radnu memoriju. mac c 5 2 10 trica dimenzije n = 10 zahtijeva n = 10 lokacija u memoriji. To znaˇi da je velika ve´ina elemenata od A jednaka nuli. pa je 1 ∆A ≥ . A = i=1 T z σi ui vi moˇe pokazati da je nejednakost u gornjoj propoziciji zapravo n−1 T σi ui vi .2 ima broj 2 c . Dakle. Moderne primjene matematike zahtijevaju s rjeˇenja sustava velikih dimenzija. A−1 ∆A < 1 z povlaˇi (zbog propozicije 4.2 Neka je A regularna matrica i · proizvoljna matriˇna norma. n > 105 . A−1 Time smo dokazali: Propozicija 4. koje su jednostavno konaˇan niz formula koje vode rjeˇenju sustava. Lako se uvjeriti da je u takvim s primjerima proces Gaussovih eliminacija ˇesto praktiˇno neupotrebljiv. Jer. 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.1) da je I +A−1 ∆A regularna. Dakle. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 201 i I + A−1 ∆A su istog ranga. · = · 2.

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

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

−1 Matricu A napiˇimo kao u relaciji (4.000003125000000e+000 1. Relacijom (4.1 0. −1.7.7.9 9. Za poˇetnu iteraciju uzmimo vektor s c 1  0  19.1 Neka je A= 2 −0. x(0) = D −1 b =  2 1  −3 −1. Naravno da je ovo gruba aproksimacija.3) definirana je Jacobijeva iterativna metoda.002500000000000e+001 . Sada iteriramo kao u relaciji (4.000012500000000e+001 . 0 (4. Ipak. ali ipak ima smisla.9 . −9. −1. (4. 2 b= 19.7.7.002500000000000e+000 1.987500000000000e−001 9.2) x(k+1) = D −1 (b + Nx(k) ) = D −1 Nx(k) + D −1 b. a22 N= onda moˇemo jednostavno pisati z 0 −a21 −a12 .5 0 2 Primijetimo da u poˇetnoj iteraciji pokuˇavamo “pogoditi” rjeˇenje. Primijetimo da vrijedi  1  0  (k+1) (k) a b1 0 −a12 x1 x1  11  + . −1. z c Primjer 4.3) Pokuˇajmo ovaj proces ilustrirati na jednom primjeru.7.999937500000000e−001 9. Naˇ izbor je bio rezultat jednostavne ideje: matricu A s c z s aproksimiramo s D (jer su dijagonalni elementi ve´i od izvandijagonalnih). −3 x = A−1 b = 10 .000000015625000e+000 . Ponekad je c s s dovoljno uzeti sluˇajno odabran vektor.7. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 204 Prije same analize.999999687499999e+000 . ako stavimo (k) A = D − N. −9. pa A−1 b c aproksimiramo s D −1 b. poˇeljno je da je polazna iteracija c z ˇto je mogu´e bliˇe cilju.000000015625000e+001 .2).949999999999999  = .3) i dobijemo x(1) = x(2) = x(3) = x(4) = x(5) = 1. zgodno je uoˇiti strukturu raˇunanja vektora x(k+1) pomo´u c c c x .ˇ 4. Zbog jednostavnosti s primjer je dimenzije 2 × 2 tako da svatko moˇe lako slijediti raˇun. D= a11 0 0 .1 .999937500000000e+000 . (k+1) =  (k) 1  b2 −a21 0 x2 x2 0 a22 Dakle.

7.000000000000000e−001 = 2.7.ˇ 4.1 Ako je u rastavu A = D −N u nekoj matriˇnoj normi ispunjeno c D −1 N < 1. onda je = 5. (4. . (4. (4.250000000029843e−005 = 3. 2. ann ). Vidimo i da je nakon k-tog koraka greˇka e(k) barem s −1 k (0) D N puta manja od polazne e . Sada iz (4.3) i relacije s b = Ax = (D − N)x. onda za svaku poˇetnu iteraciju x(0) niz c x(k+1) = D −1 (b + Nx(k) ). konvergira rjeˇenju x sustava Ax = b. Koriˇtenjem (4. Zapiˇimo ove zakljuˇke u obliku propozicije.7. SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 205 Ako izraˇunamo relativne greˇke ǫk = x − x(k) c s ǫ0 ǫ1 ǫ2 ǫ3 ǫ4 ǫ5 ∞/ x ∞.7) .6) Iz relacije (4.5) gdje je e(0) = x(0) − x pogreˇka prve iteracije x(0) . Uzimanjem proizvoljne vektorske s norme · i odgovaraju´e matriˇne norme. (4. .4) vrijede za proizvoljni n ≥ 2. s c Propozicija 4.7.249999999999973e−003 = 6. . gdje je n A = D − N. (4. (4.4) slijedi D = diag(a11 . onda svakako z D −1 N k → 0 za k → ∞. . .7.499999999999858e−002 = 1.7. 1. dobivamo c c e(k) ≤ (D −1 N)k e(0) ≤ D −1 N k e(0) . i=1 aii = 0.7. ako je D −1 N < 1.4) Primijetimo da izvedene relacije (4.2). lako izraˇunamo ponaˇanje pogreˇke e(k) = x(k) − x. .7. Na primjer. Vrijedi c s s e(k+1) = x(k+1) − x = D −1 N(x(k) − x) = D −1 Ne(k) . s k = 0.562499996055067e−007.3). .125000000103739e−006 = 1.7. e(k) = D −1 Ne(k−1) = (D −1 N)2 e(k−2) = (D −1 N)k e(0) .7.6) 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 → ∞.7.

a22 (4. Lako je pokazati da je D −1 N ∞ < 1. . aii j=1 j=i+1 i = 1. pomo´u c c (0) (0) x1 i x2 .7.7.2 Ako je matrica A dijagonalno dominantna u smislu da je n |aii | > j=1 |aij |.7.ˇ 4.8) 1 (k+1) (k+1) (k+1) (k) (b3 − a31 x1 − a32 x2 − a34 x4 ). Da bismo bolje shvatili strukturu izvedenih formula. Uoˇimo da je u relaciji (4. formulu za x c modificiramo tako da u svakoj komponenti koristimo najsvjeˇije izraˇunate vrijednosti. . . .7. .7. Na primjer.1). . (1) (1) Primijetimo da smo u relacijama (4. (4. x3 = a33 1 (k+1) (k+1) (k+1) (k+1) (b4 − a41 x1 − a42 x2 − a43 x3 ). s Dokaz. i = 1. . vidimo da bi imalo smisla u z (1) (0) formuli za x2 umjesto x1 koristiti novu.10) . SUSTAVI LINEARNIH JEDNADZBI LINEARNI SUSTAVI – 206 Propozicija 4. vratimo se primjeru n = 4. Op´enito. =   (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 = . upravo izraˇunatu (i vjerojatno bolju) c (1) (k+1) vrijednost x1 . . u sluˇaju n = 4 imali z c c bismo 1 (k) (k) (k) (k+1) (b1 − a12 x2 − a13 x3 − a14 x4 ). 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 .9) Gornje formule definiraju Gauss–Seidelovu iterativnu metodu.7.8) 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  . n. x1 = a11 1 (k+1) (k+1) (k) (k) x2 = (b2 − a21 x1 − a23 x3 − a24 x4 ).7. n.1) x1 i x2 raˇunali neovisno. j=i onda niz generiran Jacobijevom metodom s proizvoljnim x(0) konvergira prema rjeˇenju sustava Ax = b. Ako paˇljivije promotrimo formule (4.   (k+1)    (k) 0   x3 −a34 x4    (k+1) a44 0 x4    (4.

14) Pri tome je matrica M odabrana tako da ju je lako invertirati.7.ˇ 4. s I Jacobijeva i Gauss–Seidelova metoda generirane su istom shemom: Matrica A je napisana u obliku A = M − S. 2. . c . k = 1. .8. tj. a34  0  (4. osnovni potprogrami za linearnu algebru) sadrˇi potprograme za elementarne operacije s vektorima i matricama. . (4. da je lako rijeˇiti s sustav Mx(k+1) = b + Sx(k) .13) Propozicija 4. c 4. dobivamo da je e(k) = (L−1 U)k e(0) . . problemi najmanjih kvadrata. k = 1.7. Konvergencija prema rjeˇenju sustava Ax = b je osigurana s −1 ako je M N < 1 za neku matriˇnu normu · . (4.org mogu se na´i implementacije u programskim jezicima FORTRAN i C. 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. .netlib. . . uz uvjet regularnosti matrice L. a iteracije su dane s x(k+1) = M −1 (b + Sx(k) ). Na adresi http://www.12) 0 0   . Gauss–Seidelovu metodu moˇemo zapisati kao z x(k+1) = L−1 (b + Ux(k) ). U LAPACK-u su sve elementarne operacije c nad matricama i vektorima izvedene pomo´u poziva biblioteke BLAS.3 Ako je A simetriˇna i pozitivno definitna matrica. problemi svojstvenih i singularnih z vrijednosti za matrice i matriˇne parove.7.11) Kao i u analizi Jacobijeve metode. dvije trenutno najpopularnije biblioteke programa za rjeˇavanje problema numeriˇke linearne algebre. 2. Matematiˇki software za problem Ax = b c U ovom poglavlju opisujemo BLAS i LAPACK. k = 1. 2. c Obje biblioteke dostupne preko Interneta. onda niz c generiran Gauss–Seidelovom metodom s proizvoljnim poˇetnim x(0) konvergira prec ma rjeˇenju sustava Ax = b. Biblioteka s c BLAS (Basic Linear Algebra Subroutines.7. U Jacobijevoj metodi je M = D dijagonalna. 0  a44  0 a12 0 0  U = − 0 0 0 0  a13 a23 0 0 a14 a24   .7. (4. a u Gauss–Seidelovoj M = L je donjetrokutasta matrica. dok je LAz PACK opseˇna biblioteka sa gotovim rjeˇavaˇima za probleme kao ˇto su linearni z s c s sustavi jednadˇbi. . gdje je M regularna matrica. .

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

a za aproksimaciju vaˇne funkcije. koje moˇemo izvredz z njavati u svim toˇkama x0 prstena R. Za osnovne funkcije. x. efikasno i bez ve´eg gubitka z c c toˇnosti.6.1. a x je simboliˇka “varijabla”. tako da c je n stupanj tog polinoma p. Sloˇenost oˇito ovisi o broju ˇlanova u sumi. . . 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. Zbog toga ponekad izbjegavamo puno poziva takvih c funkcija. pogotovo ako se to moˇe razumno izbje´i. . an u nekoj bazi c vektorskog prostora polinoma stupnja ne ve´eg od n. u nastavku prets z postavljamo da radimo iskljuˇivo s polinomima nad R ili C. c kao simboliˇki objekti. Lako je pokazati da za c svako n. Da broj ˇlanova ne bi bio umjetno z c c c prevelik. tj. x . Dobiveni rezultat p(x0 ) je opet u R. . c U mnogim sluˇajevima to se moˇe napraviti i u ovom poglavlju ´emo pokazati c z c neke op´e algoritme tog tipa. z c poput R i C. gdje su ai ∈ R koeficijenti iz tog prstena. polinome moˇemo interpretirati i kao funkcije. . u teoriji c z aproksimacije obiˇno se koriste ortogonalni sustavi funkcija za aproksimaciju. . Algoritmi koje ´emo napraviti u principu rade nad bilo kojim prstenom R. Ideja je koriˇtenje rekurzivnih relacija koje zadoc s voljavaju takve i sliˇne. trajanje moˇe biti 10 pa i viˇe puta dulje od trajanja z s jedna aritmetiˇke operacije. . Zbog toga. Hornerova shema Polinomi su najjednostavnije algebarske funkcije. c Medutim. standardno uzimamo da je p = 0 i da je vode´i koeficijent an = 0. Polinomi. n ∈ N0 . ˇto su ionako najvaˇniji primjeri u praksi. x . uvrˇtavanjem x0 umjesto simboliˇke varijable c s c x. . Kada ˇelimo naglasiti stupanj. Zanimaju nas efikasni algoritmi za raˇunanje c te vrijednosti. Polinom se obiˇno zadaje stupnjem n i koeficijentima a0 . a c funkcije takvog sustava zadovoljavaju troˇlanu rekurziju. Na primjer. imaju algebarsku strukturu prstena. c 6. ali c neki rezultati o njihovoj sloˇenosti vrijede samo za beskonaˇna neprebrojiva polja. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 223 aritmetiˇke operacije (ˇak i ako sve ˇetiri operacije nemaju isto ili podjednako trac c c janje). Moˇemo ih definirati nad z bilo kojim prstenom R u obliku n p(x) = i=0 ai xi . Na poˇetku razmatranja c c 2 n koristimo standardnu bazu 1. . polinom oznaˇavamo s z c pn . a kasnije ´emo algoritme modificirati i c za neke druge baze.

potenciraju´i. U unutarz njoj petlji javljaju se 2 mnoˇenja i 1 zbrajanje. Krenemo li od nulte potencije c x0 = 1. end. Budu´i da se petlja izvrˇava n puta. Kad radimo s poliz c nomima nad R. kad je polinom kompleksan. Baˇ zbog toga.1. u nekim komz s pleksnim algoritmima paˇljivim promatranjem realnih operacija moˇemo ostvariti z z znaˇajne uˇtede.1. { Na kraju je pn (x0 ) = sum. 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. } Prebrojimo zbrajanja i mnoˇenja koja se javljaju u tom algoritmu. for i := 1 to n do begin pot := pot ∗ x0 . lako je izraˇunati xk koriˇtenjem samo jednog mnoˇenja. Raˇunanje vrijednosti polinoma u toˇki c c Zadan je polinom stupnja n n pn (x) = i=0 ai xi . ove operacije su kompleksne. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 224 Sloˇenost mjerimo brojem osnovnih aritmetiˇkih operacija. c c z s c Prvo. napravimo to direktno po zapisu.1 (Vrijednost polinoma s pam´enjem potencija) c sum := a0 . Izvrednjavanje polinoma u toˇki moˇe se izvesti i s manje mnoˇenja. z Naravno. broj operacija je korektna mjera. ˇto znaˇi da c s c tek broj realnih operacija daje pravu mjeru sloˇenosti. c s 6. sum := sum + ai ∗ pot. an = 0 kojemu treba izraˇunati vrijednost u toˇki x0 .1. c c s z Algoritam 6.6. kad radimo s polinomima nad C. jer aritmetika raˇunala modelira c upravo te operacije. To se moˇe napraviti na viˇe naˇina. No. . Imamo li zapam´en xk−1 . pot := 1. z c s ukupno imamo 2n mnoˇenja + n zbrajanja. Ako c z z polinom zapiˇemo u obliku s pn (x) = (· · · ((an x + an−1 )x + an−2 )x + · · · + a1 )x + a0 .

Za Hornerovu shemu moˇe se pokazati da je optimalan algoritam. { Na kraju je pn (x0 ) = sum.1 (Borodin.1. i na kraju pomnoˇil x64 · x32 · x4 . joˇ 1669. Hornerova shema ima optimalan broj mnoˇenja. Ukupno bismo imali 8 mnoˇenja i 1 zbrajanje. Horner. polic c nom p100 (x) = x100 + 1 besmisleno je izvrednjavati Hormerovom shemom.2 (Hornerova shema) sum := an .2. Munro) Za op´i polinom n-tog stupnja potrebno je bac rem n aktivnih mnoˇenja. 1819. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 225 Algoritam koji po prethodnoj relaciji izvrednjava polinom zove se Hornerova shema. Binarnim potenciranjem redom bismo potencirali bazom 2 za z dani x x → x2 → x4 → x8 → x16 → x32 → x64 . for i := n − 1 downto 0 do sum := sum ∗ x0 + ai . Predloˇio ga je W.1. kad izvrednjavamo polinom koji ima samo parne koeficijente n p2n (x) = i=0 a2i x2i . z z Takoder. G. Rezultat prethodnog z teorema moˇe se poboljˇati samo ako jedan te isti polinom izvrednjavamo u mnogo z s . ali sliˇan zapis je koristio i Isaac z c Newton.1.6. godine. Hornerovu shemu treba modificirati tako da koristi samo parne potencije (potenciranjem x → x2 ). c s z tj. s Algoritam 6. Pod aktivnim mnoˇenjem podrazumjevamo mnoˇenje z z z izmedu ai i x. Na primjer. jer bi to predugo trajalo (binarno potenciranje je brˇe). z 6. z Teorem 6. Dakle. godine. da je njegova sloˇenost z n mnoˇenja + n zbrajanja. 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. } Odmah je oˇito da smo koriˇtenjem ovog algoritma broj mnoˇenja prepolovili. Sastavite pripadne algoritme. Isto vrijedi i za polinom koji ima samo neparne potencije.

c c Teorem 6. Pokaˇimo jedan primjer c c s c z adaptiranja koeficijenata za polinom stupnja 4.1. c s z Dapaˇe. 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 ). jer zbrajanje na raˇunalu troˇi manje vremena od mnoˇenja. ei . Medutim. . 1 Uoˇimo da veza izmedu ai i ci nije linearna. . Rjeˇavanjem po ai . ˇak i kad raˇunamo vrijednost polinoma u viˇe toˇaka.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 . ali se to obavlja samo jednom. di . V. 2 i 3. Primjer 6. tako da bismo kasnije imali ˇto manje operacija po svakoj s pojedinoj toˇki. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 226 toˇaka. 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 . Nakon toga c ´e svako izvrednjavanje zahtijevati manje vremena od Hornerove sheme na polaznom c polinomu. Tada se koeficijenti polinoma prije samog izvrednjavanja adaptiraju ili c prekondicioniraju. 2. Primijetimo da ona koristi 3 mnoˇenja i 5 zbrajanja. z := z(w − di ) + ei . 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 ). . Pan je pokazao da vrijedi sljede´i teorem. Ove relacije zahtijevaju dosta raˇunanja. p4 (x) = ((y + x + c2 )y + c3 )c4 . . ⌈n/2⌉ − 1. c Zanimljivo je Hornerova shema optimalna za polinome stupnjeva n = 1. za 0 ≤ i ≤ ⌈n/2⌉ − 1.1.2 (Pan) Za bilo koji polinom pn stupnja n ≥ 3 postoje realni brojevi c. za i = 1. prvo treba odrediti z ci u ovisnosti o ai . n neparan.6. z := an y + e0 . n paran.

s y 1.95 −0.3.0 · 10−13 0.0 · 10−13 1 1.5 · 10−13 0. sljede´i teorem pokazuje je red veliˇine broja c c c operacija u Hornerovoj shemi optimalan za gotovo sve polinome. Medutim. 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 1 1.5 · 10−13 0.6. 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. Stabilnost Hornerove sheme U proˇlom smo odjeljku pokazali da je Hornerova shema optimalan algoritam s u smislu efikasnosti. di i ei .5 −1. 6. Teorem 6.1.05 x . Paˇljivom analizom greˇaka zaokruˇivanja nije teˇko pokazati z s z s da je Hornerova shema i stabilan algoritam.3 (Motzkin.1.95 0.5 · 10−13 0. y 1.0 · 10−13 0.05 x Izvrednjavanje polinoma (x − 1)10 razvijenog po potencijama od x: koriˇtenjem direktne sumacije u double precision aritmetici.

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

(6.3) Dodatno. . Primijetite da je to ista tablica kao u primjeru 6. odmah zakljuˇujemo bn = an .6. b0 = r0 . c Uvrstimo li (6.1. 0. pa imamo 2 −1 Odatle lako ˇitamo c 2x5 − x3 + 4x2 + 1 = (x + 1) (2x4 − 2x3 + x2 + 3x − 3) + 4.3) u (6.1. Zadnja relacija i veza bn = an pokazuju da bi moˇemo izraˇunati iz bi+1 rekurzijom z c bi = ai + x0 · bi+1 . Za vode´i koeficijent bn .1. . c dobivamo pn (x) = bn xn + (bn−1 − x0 bn )xn−1 + · · · + (b1 − x0 b2 )x + b0 − x0 b1 . koeficijenti koje dobijemo u Hornerovoj shemi su baˇ koeficijenti polinomas kvocijenta i ostatka pri dijeljenju polinoma pn linearnim faktorom x − x0 .2.2) pokazuje da za ostatak vrijedi r0 = pn (x0 ). i < n c c je ai = bi − x0 · bi+1 .1. a njegove koeficijente oznaˇimo s bi .3 Podijelimo p5 (x) = 2x5 − x3 + 4x2 + 1 linearnim polinomom x + 1. a kako je inicijalno i bn = cn−1 . zakljuˇujemo da vrijedi c bi = ci−1 .1). a za ai uz potenciju xi . Znamo da s je qn−1 polinom stupnja n − 1.1.1. 3 −3 . . n. . . . . Primijetite da je to relacija istog oblika kao (6. oznaˇimo. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 229 Uvrˇtavanje x = x0 u (6. Provjerite zadnju relaciju mnoˇenjem polinoma! z 2 0 −2 −1 1 4 0 1 4 . Dakle.1. Primjer 6. s n−1 qn−1 (x) = i=1 bi+1 xi . . samo s pomaknutim indeksima. 1 ≤ i ≤ n (ˇto c s je pomak indeksa za jedan u odnosu na dosad koriˇtenu notaciju). i = 1.2) i sredimo koeficijente uz odgovaraju´e potencije. i = n − 1.

6. p(i) (x0 ) n (x − x0 )i . Primjer 6. for i := n − 1 downto 0 do bi := bi+1 ∗ x0 + ai . Potpuna Hornerova shema ˇ Sto se dogada ako postupak dijeljenja polinoma linearnim faktorom nastavimo. c .5.1. napiˇimo algoritam koji nalazi koeficijente pri dijeljenju polinoma c s linearnim polinomom. {polinom-kvocijent: bn xn−1 + · · · + b2 x + b1 } 6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 230 Konaˇno. 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 .1. Dakle. 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 . Algoritam 6. polinom pn napisan je razvijeno po potencijama od (x−x0 ). i! 0 ≤ i ≤ n. i! i=0 n Potpuna Hornerova shema raˇuna sve derivacije polinama u zadanoj toˇki podijec c ljene pripadnim faktorijelima.4 Nadimo sve derivacije polinoma p5 (x) = 2x5 − x3 + 4x2 + 1 u toˇki −1.3 (Dijeljenje polinoma s (x − x0 )) bn := an . tj.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 . imamo c pn (x) = (· · · ((an yn−1 + an−1 )yn−2 + an−2 )yn−3 + · · · + a1 )y0 + a0 . moˇe se napisati koriste´i samo jedno polje. Algoritam koji nalazi koeficijente ri . . p5 (−1) = −13 · 2! = −26. p5 (−1) = 2 · 5! = 240. c z c Algoritam 6. a x toˇka u kojoj ˇelimo izraˇunati vrijednost c c c c z c polinoma. Algoritam kojim se vrˇi izvrednjavanje je vrlo sliˇan Hornerovoj shemi. for i := 1 to n do for j := n − 1 to i − 1 do rj := rj + x0 ∗ rj+1 . Tako smo dobili “Hornerovu shemu” za interpolacijske polinome.1.4 (Taylorov razvoj) for i := 0 to n do ri := ai . odnosno koeficijente Taylorovog razvoja zadanog polinoma oko toˇke x0 . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 231 Formirajmo potpunu Hornerovu tablicu. (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! = −1.6.1.6. (5) (3) (1) p5 (−1) = −10 · 4! = −240. p5 (−1) = 19 · 3! = 114. kod izvrednjavanja interpolacijskog polinoma u Newtos c novoj formi. Ako s c oznaˇimo yi = x − xi i postavimo zagrade kao u Hornerovoj shemi. 6. 2 −1 −1 −1 −1 −1 −1 Odatle lako ˇitamo c p5 (−1) = 4. pri ˇemu su toˇke xi toˇke interpolacije. “Hornerova shema” za interpolacijske polinome Kao ˇto ´emo vidjeti.

s vode´im koeficijentom 1. Jedan je z s c posljedica osnovnog teorema algebre. jer ako je x0 + iy0 nultoˇka polinoma s realnim c koeficijentima. s2 (z0 ) = 0 vrijedi ako i samo ako vrijedi s2 (z0 ) = 0. Hornerova shema za realni polinom i kompleksni argument Sve ˇto smo dosad izvodili.1. polinoma s realnim z c s koeficijentima) u kompleksnoj toˇki. koriˇtenjem svojstava konjugiranja z s z1 + z2 = z1 + z2 . Dokaz se moˇe provesti i direktno. tj. Konjugiranjem s2 (z0 ) = 0 izlazi 2 2 0 = s2 (z0 ) = z0 + pz0 + q = z0 + pz0 + q = z0 2 + pz0 + q = s2 (z0 ). Hornerovu shemu moˇemo iskoristiti i za ovakav prikaz polinoma. R ili C. koji z niju razvijen u standardnoj bazi. 6. tj. z1 · z2 = z1 · z2 . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 232 Algoritam 6.5 (“Hornerova shema” za interpolacijske polinome) sum := an . ako su koeficijenti polinoma i toˇka s c c x0 iz istog polja. {pn (x) = sum} Dakle. kod realnog polinoma kompleksne nultoˇke c dolaze u konjugirano-kompleksnim parovima. 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 ). Dokaz je jednostavan i moˇe se pokazati na viˇe naˇina. Tvrdimo da postoji realan polinom s2 stupnja 2. Oznaˇimo koeficijente polinoma s2 sa c s2 (x) = x2 + px + q. Ako ˇelimo izraˇunati vrijednost realnog polinoma (tj. to se moˇe napraviti uz odredenu uˇtedu.6. Dakle. for i := n − 1 downto 0 do sum := sum ∗ (x − xi ) + ai . c z Neka je z0 = x0 + iy0 . onda je to i x0 − iy0 . takav c da je s2 (z0 ) = 0.7. vrijedi op´enito.1. s2 (x) = (x − x0 − iy0 ) (x − x0 + iy0 ). .

koeficijente bi raˇunamo iz dva koja c c odgovaraju susjednim viˇim potencijama. uz start bn+1 = bn+2 = 0. 2 q = x2 + y0 . nego moˇe biti i polinom r stupnja 1 s z pn (x) = s2 (x)qn−2 (x) + r(x). Usporedivanjem koeficijenata lijeve i desne strane. 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 .1. Ostatak pri dijeljenju viˇe nije samo konstanta. i = n. . . Drugim rijeˇima. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 233 tj. s tim da ´e indeksi i = 2. s bi = ai − pbi+1 − qbi+2 . ovaj put s indeksima pomaknutim za 2 n−2 i=0 qn−2 (x) = bi+2 xi . . uz bn+1 = bn+2 = 0. podijelimo polazni realni polinom polinomom s2 .1. n dati koeficijente c c . (6.4) Izaberimo oznaku za koeficijente polinoma qn−2 . izlazi rekurzivna relacija ai = bi + pbi+1 + qbi+2 . . tj.5) Uvrˇtavanjem (6.1.6. . (6. . 0. napiˇimo na “ˇudan” naˇin s s s c c polinom r pn (x) = (x2 + px + q) qn−2 (x) + b1 (x + p) + b0 . onda prethodnu relaciju moˇemo pisati kao z n n ai x = i=0 i=0 i (bi + pbi+1 + qbi+2 ) xi . i = n. onda z moramo izraˇunati sve koeficijente bi . = i=0 i=0 i=0 Definiramo li dodatno bn+1 = bn+2 = 0.4) i usporedivanjem koeficijenata uz odgovaraju´e pos c tencije. ˇ Sto je rezultat? Ako traˇimo rezultat dijeljenja kvadratnim polinomom. .6) ponovno.1. Napiˇimo proˇlu relaciju u pogodnoj formi. 0. . 0 Po analogiji.5) u (6. . . . p = −2x0 .1. (6. .

1. Konaˇno. (6.1.1. Ako ˇelimo izraˇunati c z c vrijednost polinoma pn u toˇki x0 + iy0 .6) Algoritam 6. pa vidimo da za raˇunanje vrijednosti realnog polinoma u kompleksnoj toˇki. onda ´emo r napisati kao z c r(x) = b1 x + (b0 + b1 p). pa se (6. Koeficijenti p i q su tada ulazni podaci. onda nam ne trebaju svi bi -ovi. vratimo se zadatku od kojeg smo krenuli. 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.6 (Dijeljenje polinoma kvadratnim polinomom) bn := an . for i := n − 2 downto 0 do bi := ai − p ∗ bi+1 − q ∗ bi+2 . kad izraˇunamo sve koeficijente bi . na kraju raˇuna.1. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 234 polinoma qn−2 . Relaciju (6.7 (Vrijednost realnog polinoma u kompleksnoj toˇki) c p := −2 ∗ x0 .7) moˇemo i ljepˇe napisati jer znamo da je c z s p + x0 = −2x0 + x0 = −x0 . a b1 i b0 bit ´e ostaci pri dijeljenju napisani u formi (6. Uoˇimo da je s2 (x0 + iy0) = 0 (tako je definiran). tj. Ako c ˇelimo ostatak napisan u standardnoj bazi. nego samo “trenutna” tri koji su nam c potrebni u rekurziji (6.1. b0 := b0 + p ∗ b1 . 2 q := x2 + y0 . bn−1 := an − p ∗ bn .6.4).1.7) To znaˇi da nam trebaju samo koeficijenti b1 i b0 da bismo znali izraˇunati vrijednost c c u toˇki z0 . Promotrimo c relaciju (6. for i := n − 1 downto 0 do .4).1. tj. 0 b1 := 0.1. ne c c moramo pamtiti ˇitavo polje koeficijenata bi . bez ikakvih ograniˇenja. b0 := an .4) svede c na pn (x0 + iy0 ) = b1 (x0 + iy0 + p) + b0 . Algoritam 6. q c ne mora biti nenegativan. Odmah se dobije pn (x0 + iy0 ) = b1 ( − x0 + iy0 ) + b0 = (b0 − x0 b1 ) + iy0 b1 .

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

1. y) + iv(x. s z Da bismo oponaˇali dijeljenje polinoma linearnim polinomom oblika x − x0 . imamo p3 (2 + i) = 27 + 43i. gdje je Algoritam za nalaˇenje koeficijenata u ovoj formulaciji je: start bn+2 = bn+1 = 0. s uzmimo da nam i kvadratni polinom ima oblik x2 − px − q (pa svugdje gdje u proˇlom odjeljku piˇe p treba pisati −p. y0 = 1. 6. b0 = 113. Raˇunanje parcijalnih derivacija kompleksnog polic noma Kompleksni polinom u varijabli z. 1 8 0 1 5 −4 4 1 12 + −5 48 43 −60 172 113 . a p = −4. c Uzmimo toˇku 2 + i. imamo algoritam za nalaˇenje njihovih vrijednosti. i = n.1. Dakle. .8. . (6. z = x + iy. . y). IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 236 Primjer 6.5 Nadimo vrijednost polinoma p3 (x) = x3 + 8x2 + 1 u toˇkama 2 ± i. Funkcije u i v moˇemo interpretirati i kao realne funkcije kompleksnog argumenta z u(z) = Re (pn (z)). p3 (2 − i) = 27 − 43i. a z rekurzija je bi = ai + pbi+1 + qbi+2 . Formirajmo c tablicu. moˇe se zapisati pomo´u dva polinoma u i z c v u dvije realne varijable x i y. prema proˇlom odjeljku.6. gdje je z = x + iy. Vrijedi pn (z) = u(x. . a gdje piˇe q treba pisati −q). Posljednja dva koeficijenta su b1 = 43.8) r(x) = b1 (x − p) + b0 . pa je Re(p3 (2 + i)) = b0 − b1 a = 113 − 86 = 27. v(z) = Im (pn (z)). 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). Im(p3 (2 + i)) = b1 b = 43. . pa je x0 = 2.1. q = 5. pa. Dakle. 0.

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

Ta generalizacija Newtonove metode zove se metoda Newton–Bairstow. c0 := b1 + p ∗ c1 + q ∗ c2 . c 6. prvo treba izluˇiti kvadratni polinom s konjugirano kompleksnim parom c nultoˇaka. c2 := 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 238 Zbog toga. y0 ) = − (x0 .8 (Algoritam Bairstowa) b1 := an . for i := n − 2 downto 0 do begin b2 := b1 . c Pretpostavimo da se funkcija f u okolini neke toˇke x0 (u R ili C) moˇe razviti c z . y0) = 2y0(x0 d1 − d0 ) = 2y0 (x0 c2 − c1 ) ∂y ∂x ∂v ∂u 2 2 (x0 . koji su egzaktni u egzaktc noj aritmetici.2. c0 := an . Generalizirana Hornerova shema U proˇlom odjeljku napravili smo nekoliko algoritama za izvrednjavanje polis noma i njegovih derivacija u zadanoj toˇki. analitiˇkih funkcija.1. moˇemo koristiti i kao pribliˇne algoritme za izvrednjavanje redova z z potencija. b0 := ai + p ∗ b1 + q ∗ b2 . c1 := c0 .9) odmah daje kako se iz c-ova i b-ova dobivaju parcijalne derivacije ∂u ∂v (x0 . ∂y ∂x Motivacija za ovaj algoritam potjeˇe iz modifikacije Newtonove metode za c traˇenje realnih nultoˇaka polinoma. b1 := b0 . umjesto dvije rekurzije za koeficijente moˇemo raditi samo s jednom. c1 := 0. Te algoritme. c2 := c1 . y0 ) = b1 − 2y0 d1 = b1 − 2y0 c2 . c Algoritam dobivanja parcijalnih derivacija zove se algoritam Bairstowa. uz z paralelno raˇunanje bi . Ako ˇelimo na´i kompleksne nultoˇke realnog z c z c c polinoma. end. tj. Relacija (6.6. Algoritam 6. y0 ) = (x0 . b0 := an−1 + p ∗ b1 .1.

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

a c c vrlo se ˇesto koriste. standardno se koriste razvoji oblika f (x) = ∞ n=0 an pn (x).2). takoder. z ako znamo da on konvergira prema f na nekoj domeni. zadovoljavaju rekurziju oblika pn+1 (x) + αn (x)pn (x) + βn (x)pn−1 (x) = 0. za c c sve n ∈ N0 . “Rezanjem” reda dobivamo aproksimaciju funkcije f N fN (x) = n=0 an pn (x). u ve´ini primjena c nemamo direktnu “formulu” za raˇunanje vrijednosti pn (x) u zadanoj toˇki x. . n = 1. moˇemo iskoristiti za aproksimaciju funkcije f . Razvoj funkcije f u red oblika (6.1). za n ∈ N. Ako unaprijed ne c znamo N. iz teorije aproksimacija. (6.2. Medutim. koje c su obiˇno jednostavnog oblika. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 240 Umjesto reda potencija (6.3) je oˇita generalizacija reda potencija. Cebiˇevljeva ekonomizacija). vrlo ˇesto je mogu´e unaprijed na´i koliko c c c ˇlanova N treba uzeti za (uniformnu) zadanu toˇnost. da bismo izraˇunali fN (x) s c c moramo znati sve koeficijente an i sve funkcije pn . .2. Tada bi bilo zgodno koristiti c c neku generalizaciju Hornerove sheme za brzo izvrednjavanje fN oblika (6.4) i to je cilj ovog odjeljka.2. Naravno.2. . c .2. βn . a pn (x) raˇuna redom iz rekurzije. Cebiˇevljevi polinomi.2. Izvrednjavanje rekurzivno zadanih funkcija Budu´i da ortogonalni polinomi zadovoljavaju troˇlane. po istom principu.4) ˇto je oˇita generalizacija polinoma iz (6.1. onda se sumacija vrˇi unaprijed. znamo da funkcije pn zadovoljavaju neku. 2.6. c Njega. za n ∈ N0 . Osim c z c s toga. S s c druge strane. Kasnije ´emo pokazati i algoritam za nalaˇenje takve “kvazi–uniformne” c z ˇ s aproksimacije iz poznatog reda potencija (tzv.3) gdje je {pn | n ∈ N0 } neki ortogonalni sustav funkcija na domeni aproksimacije. Funkcije pn ne moraju biti polinomi. (6. homogene rekurzije. (6. Umjesto toga. 6. i sve funkcije αn . U aproksimaciji elementarnih i “manje elementarnih” tzv. Zato pretpostavljamo da funkcije pn . troˇlane rekurzije istog op´eg oblika vrijede i za mnoge specijalne funkcije c c koje ne moraju biti ortogonalne. specijalnih funkcija vrlo ˇ s ˇesto se koriste tzv. . relativno jednostavnu rekurziju po n. zbog skoro jednolikog rasporeda greˇke c s na domeni.2. Dovoljno je da ih moˇemo rekurzivno raˇunati! z c Pristup raˇunanju vrijednosti fN (x) je isti kao i ranije.5) s tim da su poznate “poˇetne” funkcije p0 i p1 .2. posebnu paˇnju posvetit ´emo baˇ takvim rekurzijama.

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).4) c N ′ fN (x) = n=0 an p′n (x). B1 := B0 .6. for k := N − 1 downto 0 do begin.1 (Generalizirana Hornerova shema za fN (x)) B1 := 0. B0 := ak − αk (x) ∗ B1 − βk+1 (x) ∗ B2 . . Bn = an − αn (x)Bn+1 − βn+1 (x)Bn+2 . c Algoritam 6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 241 Primijetite da potencije pn (x) = xn zadovoljavaju dvoˇlanu homogenu rekurc ziju uz p0 (x) = 1.4) za fN (x). B2 := B1 . B0 := aN .5) zaista generalizacija polinomnog sluˇaja. . pa je (6. n ∈ N. (6. s c Algoritam je vrlo sliˇan izvrednjavanju realnog polinoma u kompleksnoj toˇki.2. ′ Ako trebamo izraˇunati i derivaciju fN (x).2. n = N.2. . c c Definiramo rekurziju za koeficijente BN +2 = BN +1 = 0. 0. end. do pripadnog algoritma moˇemo c z do´i deriviranjem relacije (6.2. fN (x) := B0 ∗ p0 (x) + B1 ∗ (p1 (x) + α0 (x) ∗ p0 (x)). dobivamo s N N pn (x) − xpn−1 = 0. ali se takve rekurzije rijetko pojavljuju u praksi. . Pripadni silazni algoritam izvrednjavanja ima sljede´i oblik. Uvrˇtavanjem u formulu (6.2. Sliˇan algoritam c c za brzo izvrednjavanje fN moˇe se napraviti i kad pn zadovoljavaju ˇetveroˇlane ili z c c viˇeˇlane rekurzije. .

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

end. onda se ne isplati koristiti N ′ fN (x) = n=0 an p′n (x) kao aproksimaciju za f ′ (x). Istim putem moˇemo izvesti i rekurzije za raˇunanje viˇih derivacija fN (x). ˇ Cak i algoritam za derivacije se rijetko koristi. Dakle.6. a ne po njihovim derivacijama. B1 := B0 . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 243 ′ Algoritam 6. ′ ′ b := −αk (x) ∗ B1 − βk+1 (x) ∗ B2 . Razlog leˇi z u ˇinjenici da gotovo sve “korisne” familije funkcija pn . c izraˇunati koeficijente an u prikazu c f (x) = ∞ n=0 (k) an pn (x). ako znamo na´i. ′ ′ ′ 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)). B0 := aN . Jasno je da tada treba z ′′ koristiti odgovaraju´u diferencijalnu jednadˇbu za raˇunanje fN (x). s dovoljnom toˇnoˇ´u. ali i to je vrlo c z c rijetko potrebno. zadovoljavaju neke c diferencijalne jednadˇbe drugog reda. Naime. z c s za k ≥ 2.2. tj. Zanimljivo je da u praksi to gotovo nikada nije potrebno. n ∈ N. ′ ′ B1 := B0 . for k := N − 1 downto 0 do begin. za n ≤ N.2 (Generalizirana Hornerova shema za fN (x) i fN (x)) B1 := 0. . ′ B1 := 0. Puno je bolje izraˇunati koeficijente a′n (to nisu derivacije) u pravom razvoju c derivacije f ′ po istim funkcijama pn . B0 := ak − αk (x) ∗ B1 − βk+1 (x) ∗ B2 . ′ B0 := 0. ′ ′ B2 := B1 . tako da je pripadni fN (x) dovoljno dobra aproksic sc macija. za f ′ koristimo aproksimaciju oblika N′ ′ fN ′ (x) = n=0 a′n pn (x). s parametrom n. jer ona obiˇno ima manju toˇnost od aproksimacije za c c f . ′ ′ ′ B0 := b − αk (x) ∗ B1 − βk+1(x) ∗ B2 . fN (x) := B0 ∗ p0 (x) + B1 ∗ (α0 (x) ∗ p0 (x) + p1 (x)). B2 := B1 .

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

for k := N − 1 downto 0 do begin.3 (Fourierov “red” parne funkcije) B1 := 0. . . n ∈ N. koji treba s z c samo jedno jedino raˇunanje funkcije cos. alpha := 2 ∗ cos x. pa traˇena rekurzija ima oblik z pn+1 (x) − 2 cos x pn (x) + pn−1 (x) = 0.2. Vidimo da αn (x) i βn (x) ne ovise o n. Medutim.6. . Dobivamo cos((n + 1)x) + cos((n − 1)x) = 2 cos(nx) cos x. a βn (x) ne ovisi ni o x. Bn = an + 2 cos x Bn+1 − Bn+2 . ako se sjetimo formule koja sumu kosinusa pretvara u produkt cos a + cos b = 2 cos a+b a−b cos . oˇito treba definirati c pn (x) = cos(nx). Sad imamo sve elemente za generaliziranu Hornerovu shemu. B0 := aN . ve´ je konstanta. c Poˇetne funkcije su p0 (x) = 1 i p1 (x) = cos x. Rekurzija (6. Fali nam joˇ samo troˇlana homogena rekurzija za ove funkcije. odakle slijedi da u op´oj rekurziji (6.2.2. c Da bismo dobili polazni oblik aproksimacije (6. 2 2 Dovoljno je uzeti a = (n + 1)x i b = (n − 1)x. 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.5) treba uzeti c αn (x) = −2 cos x. n ∈ N.4) iz generalizirane Hornerove sheme. uz n ≥ 1. . βn (x) = 1. Algoritam 6.2. moˇemo na´i i bolji algoritam. Iako c to danas viˇe ne traje pretjerano dugo. . 0.6) za Bn ima oblik BN +2 = BN +1 = 0. za cos(nx). n = N. i to ide s c lako. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 245 U direktnoj sumaciji trebamo N raˇunanja funkcije cos.

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

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

Izbor takvog faktora zove se joˇ i standardizacija ili normalizacija. ali baˇ to i oˇekujemo. . re´i ´emo da su ortogonalni c c c c obzirom na teˇinsku funkciju w. Teˇinska funkcija odreduje sistem polinoma do na konstantni faktor u svakom od z polinoma. w(x) ≥ 0 na intervalu [a. .6. .  uz start T0 (x) = 1. Za polinome c {p0 . pri ˇemu indeks polinoma oznaˇava njegov stupanj. 1 − x2 −1 Oni zadovoljavaju rekurzivnu relaciju za m = n. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 248 To pokazuje da B0 uop´e ne treba raˇunati. a za m = n.  1 − x2 π/2. . 1] obzirom na teˇinsku funkciju z w(x) = √ Vrijedi 1 1 . 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. .}. . T1 (x) = x. Tn+1 (x) − 2xTn (x) + Tn−1 (x) = 0. 6. p2 . p1 . za m = n = 0. . Tm (x) Tn (x) √ za m = n = 0.2.3. s ˇ Cebiˇevljevi polinomi prve vrste s ˇ s Cebiˇevljevi polinomi prve vrste obiˇno se oznaˇavaju s Tn . dx =  π. ako vrijedi z b w(x) pm (x) pn (x) dx = 0. Oni su ortogonalni c c na intervalu [−1. b].   0. . pn . 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.

IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 249 Za njih postoji i eksplicitna formula Tn (x) = cos(n arccos x).6. afine) transformacije s [0. Koriˇtenjem linearne (preciznije.5 −0. za m = n.25 0. 1].5 0. 0 a rekurzivna relacija ∗ ∗ ∗ Tn+1 (x) − 2(2x − 1)Tn (x) + Tn−1 (x) = 0. za m = n = 0.25 −0. ∗ T1 (x) = 2x − 1. dx = π.25 0. Na primjer.75 −1 ˇ s Katkad se koriste i Cebiˇevljevi polinomi prve vrste transformirani na interval ∗ [0. u oznaci Tn . 1] dolazimo do svih svojstava tih polinoma.75 −0.75 1 x T1 (x) T2 (x) T3 (x) T4 (x) −0. relacija ortogonalnosti tada postaje  1  0.5 0. ˇ s Osim toga.5 −0. ∗ ∗  Tm (x) Tn (x) √ za m = n = 0. n-ti Cebiˇevljev polinom prve vrste Tn zadovoljava diferencijalnu jednadˇbu z (1 − x2 )y ′′ − xy ′ + n2 y = 0.75 0. uz start ∗ T0 (x) = 1. . Graf prvih par polinoma izgleda ovako. y 1 0.25 −1 −0.   x − x2 π/2. 1] ∋ x → ξ := 2x − 1 ∈ [−1.

samo uz malo drugaˇiji start c U0 (x) = 1. za m = n. π/2.5 0. ˇ s Osim toga. Vrijedi 1 √ −1 1 − x2 Um (x) Un (x) dx = 0. Oni su ortogoc c nalni na intervalu [−1. sin(arccos x) U1 (x) = 2x.75 1 x U1 (x) U2 (x) U3 (x) U4 (x) . y 5 4 3 2 1 −1 −0. Graf prvih par polinoma izgleda ovako. ˇ s Oni zadovoljavaju istu rekurzivnu relaciju kao Cebiˇevljevi polinomi prve vrste Un+1 (x) − 2xUn (x) + Un−1 (x) = 0. n-ti Cebiˇevljev polinom druge vrste Un zadovoljava diferencijalnu jednadˇbu z (1 − x2 )y ′′ − 3xy ′ + n(n + 2)y = 0.5 −0.25 0.75 −0. Za njih postoji i eksplicitna formula Un (x) = sin((n + 1) arccos x) . za m = n. 1] obzirom na teˇinsku funkciju z √ w(x) = 1 − x2 .6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 250 ˇ Cebiˇevljevi polinomi druge vrste s ˇ s Cebiˇevljevi polinomi druge vrste obiˇno se oznaˇavaju s Un .25 −1 −2 −3 −4 0.

uz start P0 (x) = 1.5 0. n-ti Legendreov polinom Pn zadovoljava diferencijalnu jednadˇbu z (1 − x2 )y ′′ − 2xy ′ + n(n + 1)y = 0. Oni su ortogonalni na interc c valu [−1. 1] obzirom na teˇinsku funkciju z w(x) = 1.25 −1 −0.5 0.25 −0. 2/(2n + 1).25 0. Oni zadovoljavaju rekurzivnu relaciju (n + 1)Pn+1 (x) − (2n + 1)xPn (x) + nPn−1 (x) = 0.75 −1 .75 −0.75 0. Graf prvih par polinoma izgleda ovako.75 1 x P1 (x) P2 (x) P3 (x) P4 (x) −0.5 −0. Vrijedi 1 Pm (x) Pn (x) dx = −1 0. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 251 Legendreovi polinomi Legendreovi polinomi obiˇno se oznaˇavaju s Pn .6.25 0. za m = n. P1 (x) = x. za m = n.5 −0. Osim toga. y 1 0.

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

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

y 250 200 150 100 50 H1 (x) H2 (x) −3 −2 −1 −50 1 2 3 x H3 (x) H4 (x) 6. Takvi mali c z . Prije toga. Odgovor. po osnovnoj rekurziji c pn+1 (x) + αn (x)pn (x) + βn (x)pn−1 (x) = 0. Naime.6.3. pogledajmo koliki je utjecaj te stabilnosti na generaliziranu Hornerovu shemu. generaliziranu Hornerovu shemu c z c moˇemo koristiti i kao silazni algoritam za izvrednjavanje funkcija pN . . i an = 0. treba analizirati stabilnost ove rekurzije. onda je fN = pN . n = 1. naravno. bitno ovisi i o koeficijentima an u prikazu fN . Za precizan odgovor. 2. Stabilnost rekurzija i generalizirane Hornerove sheme Stabilnost generalizirane Hornerove sheme u velikoj mjeri ovisi o stabilnosti rekurzije za funkcije pn . N − 1. Postavlja se z pitanje je li to bolje od direktnog raˇunanja pN unaprijed. . Za “lijepe” funkcije. za n < N. ako u razvoju N fN (x) = n=0 an pn (x). . ti koeficijenti obiˇno relativno brzu teˇe prema nuli. uzmemo da je aN = 1. pa toˇnost kojom je c izraˇunat pN (x) moˇe odrediti i toˇnost fN . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 254 Graf prvih par polinoma izgleda ovako. . Dakle.

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

pokaˇimo kako s z funkcionira Millerov algoritam. 0. Op´a forma Millerovog algoritma c Prije no ˇto ga primijenimo na eksponencijalnom polinomu. s Pretpostavimo da funkcije pn zadovoljavaju neku homogenu rekurziju. pM = 1 i raˇunamo brojeve pn . a takve su ˇesto poznate. . F (x) c c moˇemo na´i neovisno o funkcijama pn . . 0. .4.4. . barem jednako toˇna aproksimacija za F (x). . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 256 6. Milleru. 6. c c pN (x) To obiˇno garantira i da je c M FM (x) := n=0 qn pn (x). to su funkcije izvodnice oblika c c F (x) = ∞ n=0 qn pn (x). tj. 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 .1. . Ako traˇimo pN (x) (ili pN (x). n = 1. M se obiˇno odabere tako da je M > N i vrijedi c pM (x) ≈ toˇnost raˇunanja. ˇto ´emo kasnije iskoristiti. . z c Millerov algoritam (po J. gdje se F (x) raˇuna nekom analitiˇkom formulom bez upotrebe pn (x). a greˇka zaostaje. Treba znati samo koefic cijente αn i βn . 1954. . . . ovisno o vric c jednosti N indeksa funkcije koju traˇimo. Odaberimo startnu vrijednost indeksa M od koje ´emo poˇeti.6. z z ili samo neke od njih). 2. godine) primjenjuje se kada vrijednosti funkcija pn vrlo brzo padaju kad n raste (za sve x ili u nekom podruˇju c vrijednosti za argumente). p0 (x). Na primjer. ˜ ˜ c ˜ unatrag po rekurziji za pn (x): pn = ˜ −(αn+1 (x)˜n+1 + pn+2 ) p ˜ . . Dovoljno je znati neku vezu medu funkcijama pn koja se c lako raˇuna. P. C. na primjer troˇlanu. . . za n = M − 1. . βn+1 (x) n = M − 1. c s c Stavimo pM +1 = 0. koja je najˇeˇ´a u praksi c c sc pn+1 (x) + αn (x)pn (x) + βn (x)pn−1 (x) = 0. . Poznavanje bilo kojeg pn (ˇak ni p0 niti p1 ) nije potrebno. .

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

k! Γ(ν + k + 1) k=0 ∞ (6.1) moˇemo iskoristiti i za numeriˇko raˇunanje vrijednosti Jn (x).3) je izrazito nestaz bilna unaprijed.4. 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.2) mogu se izvesti mnoge vaˇne relacije za Besselove funkcije. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 258 raˇunanje.6.2) moˇe se pokazati da Besselove funkcije Jn zadovoljavaju diferenciz jalnu jednadˇbu z x2 y ′′ + xy ′ + (x2 − n2 )y = 0. to je tako samo u teoriji. Oˇito se ova definicija moˇe proˇiriti c z s na n ∈ Z i tada je J−n (x) = (−1)n Jn (x). Osim toga.4. s Iz (6. (6. z c c za zadane n ∈ N0 i x ∈ R. onda bismo iz (6. Iz (6. (6. n ∈ N. Da bismo to pokazali.4. c z Jedno od rjeˇenja ove jednadˇbe su Besselove funkcije prve vrste Jν .4. c U klasiˇnom pristupu preko funkcije izvodnice. Dakle. Naˇalost.4. umjesto n. postoje i mnogo brˇi algoritmi za postizanje iste traˇene toˇnosti z z c izraˇunate vrijednosti Jn (x).4.4. Bessel je traˇenu veliˇinu prikazao kao red funkcija poznatih podataka. c Relaciju (6. ni za jednu od ovih funkcija ne z postoji neka jednostavna formula ili oblik za raˇunanje. Ovu jednadˇbu moˇemo promatrati na cijeloj kompleksnoj ravnini i u sluˇaju kad n z z c nije cijeli broj.4.2) Nije teˇko dokazati da je ova definicija ekvivalentna integralnoj reprezentaciji (6. 2 n=−∞ (6.1) koje zovemo Besselovim funkcijama prve vrste. Rekurzija (6. generalizirac nom Hornerovom shemom mogli bismo onda raˇunati i razne razvoje po Besselovim c funkcijama. tako da upotrijebimo neku od metoda numeriˇke intec gracije. z Besselove funkcije zadovoljavaju troˇlanu rekurziju c Jn+1 (x) − 2n Jn (x) + Jn−1 (x) = 0. Besselove funkcije moˇemo c z definirati kao koeficijente uz tn u razvoju ∞ t − 1/t exp x = Jn (x) tn . vrijedi J1 (x) = −J0 (x).3) mogli izraˇunati i Jn (x). Na primjer. Naˇalost.4.1). Analitiˇki im je oblik c c 1 Jν (x) = x 2 ν (−x2 /4)k .4) . promotrimo ponaˇanje vrijednosti Besselovih s funkcija Jn (x) u ovisnosti o n i x. Tada se. x n ∈ N. kad bismo znali izraˇunati J0 (x) i J1 (x) c ′ (ili J0 (x)). Medutim.4.3) ′ Takoder. obiˇno koristi oznaka ν za parametar jednadˇbe. koje imaju bitno s z svojstvo da su ograniˇene u 0 kad je Re ν ≥ 0.

75 0. prve tri Besselove funkcije izgledaju ovako c y J0 (x) 1 0. dobivamo sliˇno c c c ponaˇanje kao i kod aproksimacije trigonometrijskih funkcija Taylorovim redom.6.4. op´enito. a donji ˇak na cijelom skupu C. onda prethodna relacija glasi Jn (x) = 1 x 2 n ∞ (−x2 /4)k . kad je x ≈ n (ili ν) i dalje. Ako je ν cijeli broj. s dolazi do sve ve´eg kra´enja zbrajanjem uzastopnih ˇlanova reda (6. s c Zaista.25 −0. U nastavku gledamo ponaˇanje ovih c s funkcija samo za nenegativne realne indekse ν ≥ 0 i argumente x ≥ 0. za malo ve´e x. k=0 k! (n + k)! Oba reda oˇito konvergiraju za x ≥ 0. kompleksni brojevi. ovaj red vrlo brzo konvergira za relativno male x. Medutim. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 259 gdje su ν i x.4). pa se moˇe koristiti z za raˇunanje. Na prvi c c pogled izgleda kao da smo time rijeˇili i problem raˇunanja vrijednosti J0 (x) i J1 (x).25 0 −0. tj.5 0. c c c Grafiˇki.5 2 4 6 8 10 12 14 16 18 20 x J1 (x) J2 (x) .

kao funkcije . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 260 sljede´e tri ovako c y J3 (x) 1 0.5 0.25 0 −0.5 2 4 6 8 10 12 14 16 18 20 x J4 (x) J5 (x) a.25 −0.75 0. nego za fiksni x.75 0. kao ˇto smo i oˇekivali iz Taylorovog reda.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. recimo. deseta Besselova funkcija ovako y 1 0. c z s c Gledamo li Besselove funkcije ne kao funkcije od x.5 0.25 −0.25 0 −0.6.

IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 261 indeksa ν. onda Besselove funkcije pokazuju ovakvo ponaˇanje za Jν (k).5 2 4 6 8 10 12 ν Jν (5) Jν (6) . Jν Jν (4) 1 0.5 1 2 3 4 5 6 ν Jν (2) Jν (3) za Jν (k).25 0 −0. 2. 3.75 0.6.5 0. k = 4. 6. 5.5 0. k = 1.25 −0.75 0.25 −0.25 0 −0. s Jν Jν (1) 1 0.

25 0 −0.4. c c c Za ilustraciju nestabilnosti moˇemo uzeti x = 1 i raˇunati vrijednosti Jn (x) z c koriste´i rekurziju (6.25 −0.75 0. 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.5 0. Dobiveni rezultati c .4.6.3) uzlazno po n. u extended preciznosti. Jν (10) izgleda kao na sljede´oj slici: c Jν (10) 1 0. u rekurziji (6. To pokazuje da je rekurzija nestabilna u s c c c rastu´em smjeru po n. ˇim udemo u ekponencijalno podruˇje. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 262 odnosno. Vidimo da kad n raste.3) dobivamo sve manje i manje brojeve.

IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 263 na 18 decimala (apsolutno) dani su u sljede´oj tablici. gledano po n.4.000020938338002389 0.114903484931900481 0. Za praktiˇnu primjenu Millerovog algoritma poˇeljno je znati precizno ponac z ˇanje rekurzije (6. Koriˇtenjem Millerovog algoritma dobivamo izuzetno dobre rezultate (drugi s stupac tablice. Funkcija izvodnica koja se pritom koristi za normalic zaciju je vrlo jednostavna J0 (x) + 2(J2 (x) + J4 (x) + · · · + J2k (x) + · · ·) = 1.000000000595801917 0.000249757730211234 0. a za n = 12 gubimo i monotoni pad po n.002476638964109955 0. a zanima nas ponaˇanje Jn (x) za s c s velike n. za ν → ∞.000000000011980067 12 0.440050585744933516 0.765197686557966552 0.5 .000001502325817437 0.000249757730211237 0. c n 0 1 2 3 4 5 6 7 8 9 izraˇunati Jn (1) c toˇni Jn (1) c 0. tj.000000000264421352 0.000000000000499972 Kra´enje. za velike n ponaˇa kao s cn . a time i gubitak relativne toˇnosti poˇinje odmah za n = 2. Vidimo da se dogada neˇto sliˇno kao kod raˇunanja e−nx .000000094223446486 0.000020938338002418 0.000001502325817779 0. Medutim.000000005249325991 0. Moˇe se pokazati da u eksponencijalnom podruˇju vrijedi tzv. to se ne vidi u ovoj tablici. 10 0. ulaskom u c c c eksponencijalno podruˇje.4. Ova relacija izlazi direktno iz (6.440050585744933516 0.019563353982668406 0.6. za n = 11 nemamo viˇe niti jednu toˇnu s c znamenku.5) 2πν 2ν za fiksni x i velike ν. No. kad iskoristimo parnost i neparnost Besselovih funkcija po n.114903484931900481 0.4. ˇto upu´uje na s c c s c okretanje rekurzije i primjenu Millerovog algoritma. a ne relativno.000000094223441726 0. koji je toˇan). jer su rezultati c prikazani apsolutno. tj.000000005249250180 .3).000000000039101058 0. nn+0.2) za t = 1.002476638964109955 0. J−n = (−1)n Jn .000000000263061512 11 0. asimptotska z c relacija ex ν 1 Jν (x) ≈ √ . Uoˇimo da je x fiksan. (6. To pokazuje da se Jn (x).765197686557966552 0.019563353982668406 0.

a ne c c ≈. za takve asimpotske relacije. Tridesetak toˇaka je c s c sasvim dovoljno za vizuelno toˇan graf na ovim slikama. a gledamo male ili velike argumente x.4. 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. c Besselove funkcije imaju vrlo velike primjene u fizici. kra´enje je minimalno (2–3 dekadske znaˇajne znamenke). c c c s c Naravno. odavde z se moˇe izraˇunati poˇetni indeks M za Millerov algoritam. Γ(ν + 1) koja je. Za vrijednosti blizu c c nule. πx 4 2 (6.4. oˇito. savrˇeno dovoljno je imati 3 znaˇajne znamenke u izraˇunatoj s c c −3 vrijednosti funkcije. Greˇku od s jedne tisu´inke skale nitko ne´e ni primijetiti. U prikazanom rasponu po ν i po c c x. raspon vrijednosti funkcije na cijelom grafu. sve dok c zadnji dodani ˇlan ne padne ispod zadane toˇnosti.6. za crtanje grafova nam i ne treba neka velika toˇnost funkcijskih vric jednosti. tako da osiguramo z c c potrebnu toˇnost. u mnogim modelima. S druge strane. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 264 √ gdje je cn = (ex/2)n / 2π. a i to je bitno previˇe. Za fiksni ν.1 Napomenimo joˇ da su sve potrebne vrijednosti Jν (x) za crtanje s prethodnih 6 slika izraˇunate sumacijom Taylorovog reda (6. ˇto ´emo napraviti u poglavlju o aproksis c macijama. za x n. U principu. ako je cijeli graf visok 10 cm. dobra aproksimacija za x u dijelu domene gdje se Jν (x) ponaˇa kao c s eksponencijalna funkcija.6) bit ´e objaˇnjeno u c c c s sljede´em odjeljku o asimptotskim razvojima. Koriˇtenjem c s .5) i (6. Uobiˇajeno se koristi oznaka ∼.4) unaprijed. Jedini zanimljivi dio c c tog algoritma je raˇunanje vrijednosti Γ funkcije. kad x → ∞. o ˇemu ´e uskoro biti viˇe rijeˇi. oscilira. tj. a to vrlo brzo trne kad n raste. U tom s trigonometrijskom podruˇju vrijedi c Jν (x) ≈ π νπ 2 cos x − − . relativnu toˇnost reda veliˇine 10 .6) za fiksni ν. poˇev od difrakcije svjetlosti do energetskih nivoa u kvantnoj mehanici.4. ali c c obzirom na cijelu skalu. Dovoljna je relativna toˇnost istog reda veliˇine. Jn (x) se ponaˇa poput kosinusa. Odgovor na to pitanje slijedi iz ocjena greˇke raznih vrsta s aproksimacija. a posebno interpolacije. Napomena 6.4.4. tj. Zasad recimo samo to da je svaki od ovih grafova nacrtan koriˇtenjem s 101 toˇke. ne trebamo ni toliko. c Na sliˇan naˇin moˇe se opisati i ponaˇanje Besselovih funkcija Jν kada je ν c c z s fiksan. Uz malo paˇnje. kad x → 0 iz prvog ˇlana c Taylorovog reda dobivamo i asimptotsku relaciju Jν (x) ≈ 1 x 2 ν 1 . Naime. tj. uz jednak razmak po x osi. Toˇno znaˇenje relacija (6.

4) c N ∞ n=0 an pn (x). takoder. pa ga je zgodno uvesti baˇ na takvim primjerima. dobro se mogu izraˇunati i nultoˇke Besselovih funkcija. kojeg vrlo efikasno moˇemo iskoristiti i za praktiˇno raˇunanje. s U ovom odjeljku ´emo pokazati da zamjenom uloge N i x u iskazu o u konc vergenciji razvoja dobivamo novi pojam asimptotskog razvoja. Ovaj pristup se najˇeˇ´e koristi za z c c c sc raˇunanje vrijednosti integrala.1 Neka je f funkcija definirana integralom f (x) = ∞ 0 e−xt cos t dt (6. z 6.5.6.5. koje se. a to se postiˇe upravo Millerovim algoritmom. c Za razliku od crtanja grafova Besselovih funkcija. ali nije bitna za ideju ove aproksimacije. Tada za fiksni x. i sam zapis za f (x) u obliku reda je sinonim za konvergenciju u ovom smislu. Asimptotski razvoj Sve aproksimacije koje smo do sada promatrali dobivene su “rezanjem” konvergentnih razvoja po nekom sustavu funkcija. vrlo c c ˇesto koriste. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 265 Millerovog algoritma. fN (x) = n=0 an pn (x). podrazumijevaju´i da je rijeˇ o konvergentnom redu u toˇki x.1) . z lim (f (x) − fN (x)) = lim ∞ n=N +1 N →∞ N →∞ an pn (x) = 0.2. zamjenom konvergentnih redova konaˇnom sumom.3) zamijenili smo razvoj funkcije f oblika f (x) = konaˇnom parcijalnom sumom (6.2. ako se sjetimo definicije sume reda. tj. Strogo formalno. Eventualna uniformna konvergencija za sve x na nekoj domeni je dobrodoˇla. zajedno s Newtonovom metodom za nalaˇenje nultoˇaka funkz c cija.5. c s Primjer 6. za numeriˇko raˇunanje njic c hovih nultoˇaka trebamo maksimalnu mogu´u toˇnost funkcijskih vrijednosti (barem c c c u apsolutnom smislu). c c c ostatak reda teˇi prema nuli po N. c U relaciji (6.

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). (2n)! 1 e−xt dt = − e−xt x ∞ t=0 = 1 . dobivamo f (x) = I0 (x) − I2 (x) + I4 (x) − · · · = x . x Odavde indukcijom slijedi 1 + x t=0 ∞ 0 e−xt t2n−1 dt (2n − 1)! I2n (x) = 1 x2n+1 . x2 + 1 1 1 1 − 3 + 5 − ···. treba izraˇunati integrale oblika c c c I2n (x) = za n ∈ N0 . a zatim dobiveni red integriramo ˇlan c po ˇlan. Pokuˇajmo ovaj intergal izraˇunati s c tako da cos t razvijemo u red potencija po t. onda red na desnoj strani konvergira i vrijedi f (x) = (6.2) . x jer ostaje samo vrijednost na donjoj granici. Kad ove integrale uvrstimo natrag u red za f . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 266 za realne nenegativne vrijednosti parametra x. e−xt → 0 kad t → ∞. Za n = 0 odmah dobivamo I0 (x) = ∞ 0 ∞ 0 e−xt t2n dt.5. ako je x > 1. 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 − · · · . x x x Na kraju. 4! Za integraciju ˇlan po ˇlan. a na gornjoj granici znamo da za svaki pozitivni x.

Ovdje vrijedi 1/(1 + t) → 0 kad t → ∞.5. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 267 Ovaj rezultat moˇemo dobiti i direktno iz (6.3) Oˇekujemo joˇ bolje rezultate. treba izraˇunati integrale oblika c c c In (x) = ∞ 0 e−xt tn dt. za x > 0.5.2 Pokuˇajmo primijeniti istu ideju na funkciju g definiranu integralom s g(x) = ∞ 0 e−xt dt. c z Primjer 6.5. (6. dok je cos t u funkciji f samo ograniˇen izmedu −1 i 1. jer podintegralna funkcija joˇ brˇe trne nego u prethodc s s z nom kad t → ∞.5. dobivamo z x2 f (x) = x − f (x). pa zakljuˇujemo da vrijedi (6. . samo uz blaˇu pretpostavku x > 0. 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). 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 − · · · .6. f (x) = ∞ e −xt cos t dt = ∞ ∞ e−xt d(sin t) e−xt sin t dt. x x Mnoˇenjem s x2 . 0 0 −xt =e 1 sin t + x t=0 ∞ 0 Prvi ˇlan je nula na obje granice.2). 1+t x > 0.1) dvostrukom parcijalnom inz tegracijom. n ∈ N0 . Za integraciju ˇlan po ˇlan.

razvoj funkcije 1/(1 + t) konvergira samo za t < 1.5) Uzmimo neki malo ve´i x. ovaj red divergira za sve konaˇne vrijednosti x i relacija (6. c c Sve dosad reˇeno su standardne ˇinjenice o redovima i integraciji iz matec c matiˇke analize. funkciju g iz (6. a c divergira za t ≥ 1.5. n ∈ N0 . na cijeloj domeni integracije. Pogledajmo ˇto ´e se s c dogoditi. 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 . Za usporedbu. z c c Zaˇto je isti postupak bio uspjeˇan u prvom primjeru.5. x x x x xn (6. Razvoj funkcije cos t konvergira za sve vrijednosti t.4) Medutim. ˇak i jaˇe.3) ne moˇemo izraˇunati na ovaj naˇin. x Kad ove integrale uvrstimo natrag u red za g.5. tako da nazivnici relativno brzo padaju c i izraˇunajmo prvih nekoliko vrijednosti gn (10).4) je bec smislena. . tj. Rezultat iz (6. za neku fiksnu vrijednost x. a ostao bez rezultata u s s drugom? Odgovor je jednostavan.5. Medutim. Numeriˇkom integracijom moˇe se izraˇunati da je c z c g(10) = 0. Zbog toga smijemo iskoristiti integraciju ˇlan po ˇlan c c c na svakom konaˇnom intervalu.5. Dakle. iako je to u potpunoj suprotnosti s poznatom teorijom! Primjer 6. x x x x (6. a zatim pustiti gornju granicu integracija na limes c t → ∞. onda nam nitko ne brani da pokuˇmo sumirati prvih nekoliko ˇlanova c s c reda na desnoj strani u (6. U drugom sluˇaju.5.6. on konvergira uniformno na svakom c c konaˇnom intervalu za t. ako cijelu stvar gledamo malo manje teorijski. a viˇe c s praktiˇno.0915633339397880819 .5.3 Oznaˇimo s gn (x) parcijalne sume prvih n ˇlanova reda iz (6. trebamo joˇ i toˇnu c s c vrijednost g(10).5. dobivamo g(x) = I0 (x) − I1 (x) + I2 (x) − · · · = 1! 2! 3! 1 − 2 + 3 − 4 + ···. ali na intervalu na kojem taj red ne konvergira uniformno. recimo x = 10.4) treba shvatiti kao posljedicu integracije reda ˇlan po ˇlan.4) c c gn (x) = 1 1! 2! 3! (n − 1)! − 2 + 3 − 4 + · · · + (−1)n−1 .4).

091581920000000000 −0.000021733939788082 0.000021330739788082 . koja daje skoro 5 toˇnih decimala i skoro 4 toˇne vode´e znamenke.091592000000000000 −0.091541600000000000 0. z en (x) = (−1) n ∞ −xt n 0 Dobivene vrijednosti su sasvim dobre aproksimacije! Vidimo da je g9 (10) najbolja aproksimacija.000017701939788082 0.091640000000000000 −0.092000000000000000 −0.000436666060211918 0.091542003200000000 10 0.000028666060211918 0. c c s n 0 1 2 3 4 5 6 7 8 9 izraˇunati gn (10) c 0.008436666060211918 0. rezultat uop´e nije loˇ.091545632000000000 greˇka g(10) − gn (10) s 0. Ako joˇ i razvoj funkcije 1/(1 + t) napiˇemo u istom obliku kao zbroj prvih n ˇlanova s s c plus ostatak. 1 (−1)n tn = 1 − t + t2 − · · · + (−1)n−1 tn−1 + .3) za g.000163333939788082 0. dobivamo da je greˇka en (x) upravo integral s ostatka iz prethodne relacije pomnoˇenog s e−xt . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 269 Sljede´a tablica pokazuje izraˇunate vrijednosti gn (10) i pripadne pogreˇke.090000000000000000 0.000018586060211918 0. za n ≥ 10 pogreˇke sve viˇe rastu i rezultati postaju beskorisni.091520000000000000 0.6. 1+t . Ndimo joˇ i objaˇnjenje za ovaj priliˇno neoˇekivani c s s c c uspjeh.100000000000000000 −0.091581920000000000 −0. Neka je c en (x) := g(x) − gn (x).000026569420211918 Sve u svemu.091400000000000000 0.000076666060211918 0.000043333939788082 0. Jasno je da treba promatrati greˇku n-te parcijalne sume iz (6. c c c Naravno. 11 0.091589903360000000 −0.000018586060211918 12 0. s s e t dt.5) u fiksnoj s toˇki x. kad uzmemo da je nastao sumiranjem c s ˇlanova divergentnog reda.5. 1+t 1+t i to uvrstimo u definiciju (6.001563333939788082 0.5.

c Iz ocjene (6. Parcijalne sume gn iz (6.8) Pritom ∼ oznaˇava asimptotsku konvergenciju reda na desnoj strani ove relacije. Prije precizne definicije pojma asimptotske konvergencije.5. ˇlanove reda moˇemo iskoristiti c c c z za ocjenu pogreˇke i zbrajanje ˇlanova treba zaustaviti toˇno ispred apsolutno najs c c manjeg ˇlana.6) za pogreˇku n-te parcijalne sume odmah slijede dva zakljuˇka. onda je c |en (x)| → ∞ za n → ∞.5. u okolini toˇke c c +∞.5. s c Ako gledamo konvergenciju u fiksnoj toˇki x > 0. objasnimo joˇ vris jednost prethodnog zakljuˇka. Relacija (6. u odgovaraju´oj okolini toˇke +∞. (6. u c smislu (6. pogreˇka c c s c s ima isti predznak kao i prvi odbaˇeni ˇlan. ali sa zamijenjenim ulogama n i x.5.5. tj. c c c c Ovu greˇku nije teˇko ocijeniti.7). 1+t pa je |en (x)| = ∞ −xt n 0 t ≥ 0.5. pa nema govora o konvergenciji parcijalnih suma gn (x) prema g(x).5.6) To pokazuje da je pogreˇka n-te parcijalne sume manja od apsolutne vrijednosti prs vog odbaˇenog ˇlana. Osim toga.5. onda vrijedi |en (x)| → 0 za x → ∞.4).7) ˇto odgovara “konvergenciji”. samo to moramo z napraviti za dovoljno velike vrijednosti x. odnosno z c c . c c Takvom aproksimacijom ne moˇemo posti´i proizvoljno veliku toˇnost. ˇto znaˇi da c s c svaku od funkcija gn moˇemo koristiti za aproksimaciju funkcije g. c c S druge strane.6.7) vrijedi za svaki n ∈ N. ∞ 0 e t dt ≤ 1+t e−xt tn dt = n! . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 270 Uoˇimo da smo ovdje imali konaˇnu sumu. Takvu vrstu s konvergencije zovemo asimptotska konvergencija. Dakle. u ovom sluˇaju. zato ˇto ˇlanovi alterniraju po predznaku. za kojeg kaˇemo da je asimptotski razvoj funkcije g u okolini toˇke +∞. xn+1 (6. ako uzmemo da je n fiksan. a relaciju (6.5) generiraju red na desnoj strani (6. (6. To odgovara ranijem zakljuˇku da pripadni red divergira u svakoj toˇki x > 0. Oˇito je s s c 1 ≤ 1. pa smo smjeli integrirati ˇlan po ˇlan.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 → +∞).

5. s c ˇak relacija ekvivalencije.9). Ovisno o x.8) c c i (6. s z c c Osim toga.6) dobivamo i c ocjenu greˇke za takvu aproksimaciju. s g(x) − g1 (x) = g(x) − 1/x = e1 (x). s tim da je naveden samo prvi ˇlan razvoja. Druga je z g(x) − g1 (x) = o(g1 (x)) (x → +∞). To znaˇi da se. u prvoj aproksimaciji.5.9) i ˇitamo “g(x) je asimptotski jednako g1 (x) kad x → +∞”.5. postoji minis c malna greˇka koju moˇemo dobiti (gledano po n) i bolje ne ide. s z ˇ Sve to slijedi samo iz prvog ˇlana asimptotskog razvoja.5. u (6. c po definiciji. lim x→+∞ g1 (x) .5. dobivamo sve preciznije informacije o ponaˇanju fukcije g u okolini +∞.7). c s Napomenimo da ista oznaka ∼ ima razliˇita znaˇenja u relacijama (6.8) slijede (6.5. Uzmimo da je n = 1 u (6. Medutim. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 271 proizvoljno malu greˇku. tj. tada zapis g(x) ∼ g1 (x).9) ∼ je relacija asimptotskog ponaˇanja i ta relacija je simetriˇna. Za razliku od toga. rezultat (6. da g(x) pada kao 1/x. ekvivalentno (jer je g1 (x) = 0 za x > 0) g(x) = 1.5. ova oznaka ∼ se tradicionalno koristi u oba znaˇenja.6. x2 pa odmah vidimo da vrijede sljede´e dvije relacije asimptotskog ponaˇanja. Sto znamo viˇe c s ˇlanova.5.9) i sliˇni zakljuˇci za aproksimacije gn c c c s viˇe ˇlanova reda.5. znaˇi samo c g(x) = 1.7) ima i teorijsku vrijednost. ili. Uoˇimo da iz (6.5. kad x → +∞. Ali oprezno. Lijevo je funkcija.5. s c c relaciju (6. U (6. funkcija g ponaˇa kao g1 u okolini c s toˇke +∞.6) slijedi |e1 (x)| ≤ ∞ 0 e−xt t dt = 1 . i to se s z uspjeˇno moˇe iskoristiti za praktiˇno raˇunanje. Prva je c s g(x) − g1 (x) = O(1/x2) (x → +∞) i ona sluˇi kao osnova za definiciju asimptotskog razvoja. Iz (6. ˇto znaˇi da relativna c s c greˇka od g1 (x) kao aproksimacije od g(x) teˇi prema nuli kad x → +∞. x→+∞ g1 (x) lim Posljednju relaciju obiˇno piˇemo u obliku c s g(x) ∼ g1 (x) (x → +∞) (6.9) moˇemo interpretirati i kao skra´eni zapis nekog asimptotskog razvoz c ja. a desno je red potencija (red c funkcija). Iz relacije (6. kao kod obiˇne konvergencije.8) ∼ oznaˇava asimptotski c c razvoj i ta relacija nije simetriˇna. Naime.5.

c Definicija 6. a toˇka c moˇe biti i ∞. (6. apsolutna greˇka izmedu f i (N − 1)-e parcijalne sume reda raste najviˇe jednako s s brzo kao i N-ti ˇlan asimptotskog niza. s tim da c moˇe biti i +∞ ili −∞. c c .1 (Asimptotski niz) Neka je D ⊆ R neki skup i c ∈ Cl D neka toˇka iz zatvaraˇa skupa D. ako funkcije ϕn ˇine asimptotski c c niz. n ∈ N0 ). Formalni red funkcija ∞ n=0 an ϕn je asimptotski razvoj funkcije f kad x → c u skupu D. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 272 i nema govora o nekoj asimptotskoj konvergenciji koja se iskazuje relacijom (6. ako neka funkcija iz tog niza teˇi prema nuli kad x → c u skupu D. Tada kaˇemo da je (ϕn ) asimptotski niz kad x → c u skupu D. u oznaci f (x) ∼ ∞ n=0 an ϕn (x) (x → c u D). tj. Zato. asimptotski niz kad x → c u skupu D. neka je c c z ϕn : D → R. Upravo tako treba interc pretirati i asimptotske relacije za Besselove funkcije iz prethodnog odjeljka.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). za svaki n ∈ N. c z tada svaka sljede´a funkcija teˇi prema nuli bitno brˇe od nje. 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. u okolini toˇke c. Precizna definicija asimptotskog razvoja u okolini neke toˇke bazirana je na c definiciji asimptotskog niza u okolini te toˇke. n ∈ N0 .5. osim eventualno u samoj toˇki c. 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.7). Ili.6.5.5. niz funkcija za kojeg vrijedi ϕn (x) = o(ϕn−1 (x)) (x → c u D). c z Definicija 6. jer ne postoje ostali ˇlanovi razvoja (nema parametra n). z Podsjetimo.5.2 (Asimptotski razvoj) Neka je (ϕn . Nadalje. c z z Ista definicija vrijedi i za kompleksne domene D ⊆ C. u smislu c da vrijedi ϕn (x) lim = 0. tada svaka funkcija ϕn raste bitno sporije od prethodne funkcije ϕn−1 u okolini toˇke c.

n x Tada nema smisla govoriti o rastu. Apsolutna c c greˇka izmedu f i (N − 1)-e parcijalne sume reda pada barem jednako brzo kao i s x−N . asimptotski razvoj (6. z c Povijesno gledano. za n ∈ N0 . 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). 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 . koji je proporcionalan s x−(N −1) . Poincar´ je 1886. u ˇisto formalc nom smislu. odnosno bitno brˇe od zadnjeg ˇlana u sumi. n n=0 x ˇto. H. u okolini toˇke c. 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 . z . Za c potencije s negativnim eksponentima. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 273 Navedeni red funkcija treba interpretirati samo kao oznaku. s s z ne samo zbog podruˇja definicije funkcija. koji nastaju supstitucijom x → 1/x iz nizova u okolini toˇke c = 0. Napomenimo joˇ da asimptotsko ponaˇanje moˇe bitno ovisiti o domeni D. znaˇi da vrijedi s c f (x) = N −1 n=0 an + O(x−N ) (x → ∞ u D). ve´ o padu funkcija u okolini toˇke ∞. an (log(x − c))n (x → c u D). jer on moˇe biti divergentan u svakoj toˇki domene. ve´ zbog mogu´e restrikcije toˇaka po c c c c kojima se gledaju limesi kad x teˇi prema c. po definiciji. u okolini toˇke c ∈ R (ili 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).5.6.10) ima ve´ poznati c oblik ∞ an f (x) ∼ (x → ∞ u D). za n ∈ N0 . tj. To znaˇi da apsolutna greˇka izmedu f i bilo koje parcijalne sume c s reda raste bitno sporije od zadnjeg ˇlana u parcijalnoj sumi. godine definirao asimptotski razvoj baˇ u e s ovom obliku. za svaki N ∈ N.

10) za f /g. U protivnom. a0 = . U tim aproksimacijama. bez c navodenja domene D. = ak−1 = 0 i ak = 0.6. moglo bi nam se uˇiniti c da uop´e nema potrebe za drugim vrstama aproksimacija. gdje je g poznata funkcija. . c moˇemo posti´i znatno bolje aproksimacije za razne klase funkcija. Kao bazne funkcije koristili smo potencije (aproksimacija polinomima) ili su potencije bile zamijenjene nekim drugim funkcijama. koriˇtenjem priz c s bliˇno jednakog broja aritmetiˇkih operacija. oznaka (x → ∞) s moˇe i ispustiti. onda vrijedi sliˇna relacija c (pokaˇite koja). prirodno c je oˇekivati da “dodavanjem” operacije dijeljenja u oblik aproksimacijske funkcije. podrazumijeva se razvoj u okolini toˇke ∞. Ako je g poznata ili zadana funkcija takva da f /g ima asimptotski razvoj. Medutim. tradicionalno. tj. Ako je a0 = 0.5. S druge strane. ˇesto koristi i oznaka c f (x) ∼ g(x) · ∞ n=0 an ϕn (x) (x → c u D). Pretpostavimo da je zadana racionalna funkcija oblika R(x) = Pn (x) . 6. ako f − g ima asimptotski razvoj. Ako se sjetimo nekih rezultata iz analize. z c Pravu usporedbu polinomnih i racionalnih aproksimacija ostavljamo za poglavlje o aproksimacijama. Qm (x) . onda prvi ˇlan ovog razvoja daje i asimptotsko ponaˇanje funkcije f . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 274 Ako je domena D = R ili D = C. kad x → c u D. tj. ako je prvih k koeficijenata razvoja jednako nuli. z c Moˇe se dogoditi da funkcija f nema asimptotski razvoj na zadanoj domeni D z u smislu prethodne definicije. Veriˇni razlomci i racionalne aproksimacije z Na poˇetku ovog poglavlja zakljuˇili smo da efikasno moˇemo raˇunati samo c c z c racionalne aproksimacije funkcija. poput Weierstraßovog teorema o uniformnoj aproksimaciji funkcije polinomima na kompaktu. onda se umjesto relacije (6. ali smo uvijek imali sume polinomnog oblika. onda se koristi skra´ena oznaka (x → c). dijeljenje nismo bitno iskoristili u obliku aproksimacije. onda se. . c s tj.6. Ako je joˇ i c = ∞. vrijedi f (x) ∼ a0 g(x). Sve dosadaˇnje aproksimacije imale su oblik lins earne kombinacije nekih baznih funkcija. za praktiˇnu primjenu racionalnih aproksimacija c bitni su dobri algoritmi za njihovo izvrednjavanje. z Analogno. obiˇno c piˇemo s f (x) ∼ g(x) + ∞ n=0 an ϕn (x) (x → c u D).

c najbolje racionalne aproksimacije one kojima je stupanj polinoma u brojniku jednak onom u nazivniku ili se eventualno razlikuje za jedan. pri ˇemu je z c c c x0 ≫ 1. c s Na primjer. 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 . jer postoje algoritmi koji zahtijevaju manje operacija. moˇe se doz goditi da je vrijednost funkcije R(x0 ) neki broj razumnog reda veliˇine. uz neke uvjete. No prije no ˇto upoznamo tzv. onda ´e racionalna aproksimacija biti omjer vrijednosti polic noma brojnika i nazivnika “u dalekoj toˇki”. takvo izvrednjavanje racionalne funkcije nije idealno iz viˇe razloga. funkcijske veriˇne razlomke. Na neki naˇin. pa ´e i brzina raˇunanja i z z c c problem preljeva (overflow) biti rijeˇeni naˇinom izvrednjavanja takvog veriˇnog s c z razlomka. s Prvo. n m Pn (x) = k=0 ak xk . Qm (x) = k=0 bk xk . a tada algoritam postaje straˇno kompliciran. Nadalje. c c c U teoriji nepolinomnih aproksimacija mogu´e je pokazati da su. tada c c bi trebalo vrˇiti neku normalizaciju u Hornerovoj shemi. Brojevni veriˇni razlomci z R = b0 + b1 + b2 + b3 + a1 a2 a3 a4 b4 + · · · Izraz oblika . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 275 gdje su Pn i Qm polinomi stupnjeva n i m. a sama ´e vrijednost funkcije biti broj c c nekog razumnog reda veliˇine (u sluˇaju th x ˇak manji od 1). upoznajmo se s s z brojevnim veriˇnim razlomcima.6. ˇim nam kvocijent prijede s c neku zadanu veliˇinu. respektivno. z 6. U tom sluˇaju racionalnu c aproksimaciju moˇemo napisati kao veriˇni razlomak. Ipak. 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. Broj potrebnih operacija je n + m mnoˇenja. c Ako ˇelimo racionalnu aproksimaciju koja ima stupanj polinoma bar jedan u z brojniku i nazivniku. racionalna aproksimacija bit ´e omjer dva polinoma.6.1. 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). n + m zbrajanja z i jedno dijeljenje.

. gdje je Rn n-ta konvergencija definirana izrazom (6. a1 a2 a3 . Q0 = 1 (mogli smo i drugaˇije birati. onda se ona definira kao z Rn = b0 + R = lim Rn .2... (6. pa su smiˇljeni z s alternativni zapisi. U razliˇitoj literaturi nailazimo na tri oblika zapisa veriˇnih c z razlomaka R = b0 . Drugim rijeˇima.2) + b + b + b1 2 3 bn onda se takav izraz zove n-ta konvergencija veriˇnog razlomka R.6. kvocijent Pn i Qn Rn = a1 a2 a3 an Pn = b0 + + + + · · · . n→∞ va. koju moˇemo prikazati z z kao racionalni broj.6. Q0 pa moˇemo izabrati da je P0 = b0 . Uzlazni algoritam za izvrednjavanje brojevnih veriˇnih razlomaka z Promatrajmo n-tu konvergenciju veriˇnog razlomka. Ako postoji z vrijednost veriˇnog razlomka (6. | b1 | b2 | b3 i moˇda najzgodniji zapis z R = b0 + a1 a2 a3 ···. .2). Q1 b1 b1 b1 Q0 . . Ovakav zapis je nespretan. c z c 6.1) Ako u beskonaˇnom veriˇnom razlomku uzmemo samo konaˇno mnogo ˇlanoc z c c a1 a2 a3 an ··· . Za sljede´u konvergenciju vrijedi c R1 = P1 a1 b0 b1 + a1 b1 P0 + a1 = b0 + = = .1). IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 276 zovemo (brojevni) veriˇni razlomak.6.6.. Qn b1 b2 b3 bn Za nultu konvergenciju je R0 = P0 = b0 . b1 b2 b3 R = b0 + a1 | a2 | a3 | + + + ···. jedini je z c uvjet da je P0 /Q0 = b0 ). vaˇno je znati kako efikasno izraˇunati Rn . b1 + b2 + b3 + (6.6.6.

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 . a to je upravo korak indukcije. No. Q1 b1 Q0 + a1 Q−1 tj. Q0 = 1.6. Q−1 = 0. Qn = bn Qn−1 + an Qn−2 . Stoga. P0 = b0 . Qn+1 = bn+1 Q′n+1 . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 277 Ako joˇ definiramo P−1 = 1. Definiramo li onda Rn+1 ostaje nepromijenjen (brojnik i nazivnik su skalirani). s P1 = b1 P0 + a1 P−1 . Te dvije relacije su baza indukcije za dokaz oblika rekurzije. definiramo li c P−1 = 1. a prethodna rekurzija postaje Pn+1 = bn+1 Pn + an+1 Pn−1 . a ne kod prethodnih c c k < n. Drugim rijeˇima. Qn+1 = bn+1 Qn + an+1 Qn−1 . za Rn+1 vrijedi P′ Rn+1 = n+1 . Time je pokazano da rekurzija za Pn i Qn ostaje ista pri prelasku s konvergencije Rn na konvergenciju Rn+1 . = (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 . onda prethodna relacija glasi s R1 = P1 b1 P0 + a1 P−1 = .6. Uoˇimo da Rn+1 nastaje iz Rn ako bn zamijenimo s bn + an+1 /bn+1 . za Pn i Qn vrijede relacije Pn = bn Pn−1 + an Pn−2 .3) . ponovno moˇemo zatraˇiti da se brojnik odreduje koriˇtenjem prethodnih broz z s jnika. Q1 = b1 Q0 + a1 Q−1 . a nazivnik koriˇtenjem prethodnih nazivnika. u postupku c raˇunanja Pk i Qk bn se pojavljuje samo u raˇunanju Pn i Qn . Q−1 = 0. Neka je Rn = Pn /Qn . (6. bn+1 bn+1 ′ Pn+1 = bn+1 Pn+1 .

2. . . .6. (6. . Tn w1 b1 + w2 b2 + w3 b3 + wn bn Pogledajmo u kojem su odnosu Sk i Tk obzirom na Pk i Qk . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 278 onda. 2. z z c s ekvivalentne transformacije. Tk = wk bk Tk−1 + wk−1 wk ak Tk−2 . Qk = bk Qk−1 + ak Qk−2 . te Qk i Tk . uz S−1 = 1. 2.6. . P2 = b2 P1 + a2 P0 . 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 . . k = 1. proizvoljni brojevi razliˇiti od 0 i w−1 = w0 = 1. Neka su wk . proˇirenih ak i bk s Sk = wk bk Sk−1 + wk−1wk ak Sk−2 . Uoˇite da bi nam u algoritmu (6. jednostavno umetanjem “novih”. Prvo napiˇimo rekurzije s za Sk i Tk . .4) lako se ˇita da su Pk i Qk dva rjeˇenja diferencijske jednadˇbe c s z yk − bk yk−1 − ak yk−2 = 0. S0 = b0 . i=1 Tk = Qk · wi .5) R′ = b0 + w1 b1 + w2 b2 + w3 b3 + dobijemo isti R kao u (6. 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 + ··· . tzv.6. . n. uzlazni algoritam izvrednjavanja veriˇnog razlomka z Pk = bk Pk−1 + ak Pk−2 . .4) Primijetite da se u ovakvom zapisu algoritma lako mogu dodavati novi ak i bk . n. Za bazu indukcije uzmimo k = 1. k k = 1. . . Dokaz se provodi indukcijom po k. . n. karike u veriˇnom razlomku.1).4) odgovaralo da su ili ak ili bk jednaki 1. c Tvrdimo da izvrednjavanjem veriˇnog razlomka z w0 w1 a1 w1 w2 a2 w2 w3 a3 ···. z Iz (6. za k ≥ 1. Iz rekurzija dobivamo: P1 = b1 P0 + a1 P−1 . To se moˇe posti´i koriˇtenjem tzv. i=1 k = 1. T0 = 1. k Sk = P k · wi . (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. . Tvrdimo da postoji veza izmedu Pk i Sk . c tako da ne moramo mnoˇiti tim koeficijentima. dobivamo tzv. T−1 = 0.6.6.

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

Promatrajmo drugu rekurziju iz (6. . ako uzmemo w1 b1 = 1. wn bn = 1. S druge strane. izaberemo c tako da vrijedi w1 b1 = 1.6. . stavljanjem 1 bk dobivamo tzv. wk = 0.6. w2 b2 = 1. . wk−1 wk ak + wk bk = 1.3). . uz start (6. . 1+ 1+ 1+ Pripadna rekurzija za uzlazno izvrednjavanje je Pk = Pk−1 + a′k Pk−2 . . b1 b2 ak bk−1 bk . 2.6. b1 a′2 = a2 . .6. . 6. n.4) za Qk odnosno s c . . k = 2.3. k ≥ 1 proizvoljan. napiˇimo rekurzije za veriˇni razlomak u Eulerovoj formi s z koriˇtenjem veliˇina Sk i Tk . tj. a′3 = a3 . Budu´i da je izbor wk . onda se veriˇni razlomak svede na tzv. . 3. . Eulerovu formu z R′ = b0 + α1 α2 α3 ···. Qk = Qk−1 + a′k Qk−2 .6. z wk = R′ = b0 + Koeficijenti a′k su jednaki a′1 = odnosno op´enito c a′k = a1 . tj. b2 b3 a′1 a′2 a′3 ···. Pretpostavimo da z c su bk = 0 za sve k ≥ 1. moˇemo posti´i i da su nazivnici jednaki 1. Eulerova forma veriˇnih razlomaka i neki teoremi z konvergencije Ako brojeve izaberemo tako da je zbroj brojnika i nazivnika jednak jedan (osim kod prve karike). k = 1. + (1 − α )+ (1 − α )+ 1 2 3 Da bismo uspostavili vezu poˇetnog veriˇnog razlomka i dobivenog veriˇnog rac z z zlomka u Eulerovoj formi. . I tip veriˇnog razlomka u kojem su nazivnici jednaki 1. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 280 uz startne podatke iz relacije (6.3).

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

8) Na sliˇan se naˇin dokazuje da je c c Rk − Rk−2 = (−1)k k ≥ 2. uglavnom ´emo koristiti pri dokazivanju z c tvrdnji.6) moˇemo (6.6. Qk Qk−1 bk ak−1 · · · a1 .6. Qk k ≥ 2. Vrijedi c ak ak−1 · · · a1 Rk − Rk−1 = (−1)k+1 = (−1)k+1 αk αk−1 · · · α1 . . potraban nam je jedz nostavan izraz za Rk . c Prvo. 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 . iz rekurzija za Pk i Qk nadimo koliko je Rk − Rk−1 .6.11) pa je |Rk − R| = i=k+1 (−1)i+1 αi αi−1 · · · α1 . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 282 uz dogovor w0 = 1. odmah slijedi da je αk = Qk−2 ak . a zatim i Rk − Rk−2 .6. po mogu´nosti neki red. (6. (6. onda je z R = lim Rk = b0 + k→∞ ∞ i=1 ∞ i=1 (−1)i+1 αi αi−1 · · · α1 .6.7) Eulerovu formu veriˇnog razlomka.6.10) Qk Qk−1 Rekurzivnom primjenom (6. (6. (−1)i+1 αi αi−1 · · · α1 . Sada moˇemo izre´i i dokazati neke rezultate o konvergenciji veriˇnih razloz c z maka. Qk Qk−2 (6.8) zapisati u terminima αk (ponovno s z uz pretpostavku da su svi Qi razliˇiti od 0).9) Koriˇtenjem relacije (6.10) dobivamo da je k Rk = (−1)k+1 αk αk−1 · · · α1 + Rk−1 = · · · = b0 + Ako veriˇni razlomak konvergira.6. Da bismo dokazali konvergenciju veriˇnog razlomka.6. (6.6.

7) dobivamo αi = ai Qi−2 ai Qi−2 ai Qi−2 Qi−2 = < = .6. (1 + ε)Qi−2 1+ε Takoder.6. red je alterniraju´i.2 Ako su ak . tj.7) izlazi c α1 α2 · · · αi = a1 a2 · · · ai > 0. gdje je ε neka konstanta. Teorem 6. dokaz trivijalno slijedi raspisivanjem relacije (6. pa po Leibnitzovom kriteriju.6. onda je veriˇni razlomak (6. Qk Qk+1 . Lako se dokazuje da je Qi ≥ εQi−1 .6.11) alterniraju´i. onda su to i Qk (po rekurziji). c c vrijedi a1 a2 · · · ak+1 |Rk − R| ≤ . bk > 0. s pa odatle slijedi da je Qi−2 1 αi < = < 1. bk > 0 i vrijedi ak ≤ bk i bk ≥ ε > 0 za k ≥ 1. greˇka koju smo napravili c s ako R aproksimiramo s Rk manja je ili jednaka prvom odbaˇenom ˇlanu u redu. Po Leibnitzovom kriteriju dovoljno je pokazati da c n-ti ˇlan tog reda teˇi u 0 i da mu ˇlanovi opadaju po apsolutnoj vrijednosti. R0 < R2 < · · · < R2k < · · · i R2m−1 > R2k za svako m i k.6. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 283 Teorem 6.1 Ako su ak .6. ˇto slijedi iz uvjeta bk ≥ ε > 0 i rekurzije za Qi . Qi Qi−1 pa je red u (6. Dokaz. onda su to i Qk .9) za parne i neparne indekse. z Dokaz. pa iz (6. Nakon toga. Ako su ak . bk > 0.1) konvergentan. Iz (6.6. bk > 0. Budu´i da su ak .6. c z c Da bismo pokazali konvergenciju. tada vrijede nejednakosti R1 > R3 > · · · > R2k−1 > · · · . 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 . dovoljno je pokazati da je αi ≤ q za neko q < 1 (D’Alembertov kriterij konvergencije).

z Ova dva tipa rekurzija analogon su izvrednjavanja polinoma: silazna rekurzija analogon je Hornerove sheme. Za izvrednjavanje n-te konvergencije fn (x) veriˇnih z z .6. ˇak i ako su dozvoljene transformacije s c c koeficijenata veriˇnog razlomka prije poˇetka izvrednjavanja.12) Funkcijski veriˇni razlomci mogu imati varijablu u nazivniku.6.6. Zbog toga. oni imaju oblik z c f (x) = b0 + a1 a2 a3 ···. z Krenemo li od “silazno” od bn . Prethodni je s z teorem dao neke ocjene o tome koliko dobro Rn aproksimira R.6. 6. a uzlazna je analogon potenciranja i zbrajanja. Fk+1 k = (n). za razliku od uzlazne. Primijetite da silazna rekurzija u svakom koraku ima toˇno jedno zbrajanje i c jedno dijeljenje.4.5. Silazni algoritam za izvrednjavanje brojevnih veriˇz nih razlomaka Vratimo se joˇ jednom na izvrednjavanje veriˇnih razlomaka. . β1 + β2 + β3 + (6. koja u svakom koraku (u op´em sluˇaju) ima c c 4 mnoˇenja i 2 zbrajanja. moˇe se pokazati da je silazna rekurzija za izvrednjavanje veriˇnih rac z z zlomaka optimalna ˇto se tiˇe broja operacija. z c ak+1 . moˇemo z pretpostaviti da nam je unaprijed poznato koliko konvergencija trebamo da bismo dobro aproksimirali neki veriˇni razlomak. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 284 6. 0. .6. i mogu imati viˇe z s c s oblika. . Op´enito. (x + b1 )+ (x + b2 )+ (x + b3 )+ (6. i takve veriˇne raz z zlomke zovemo veriˇni razlomci tipa II. n − 1. Dapaˇe. Funkcijski veriˇni razlomci z Funkcijski veriˇni razlomci mogu se dobiti na viˇe naˇina.13) Izvrednjavanje veriˇnih razlomaka oba tipa vrlo je sliˇno izvrednjavanju broz c jevnih veriˇnih razlomaka. onda ´e sljede´a rekurzija izvrednjavati Rn . 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 ···. . c c Definiramo Fn = bn (ili Fn+1 = ∞) i raˇunamo c Fk = bk + na kraju ´emo dobiti c Rn = F0 .

. 1+ 1+x x − xk+1 . uobiˇajeno se veriˇni razlomak nalazi nestandardiziranim postupkom kad se c z funkcija zapisuje “pomo´u same sebe”. a zatim raˇunamo c Fk = βk + i na kraju je fn (x) = F0 . . Prvo. Za izvrednjavanje n-te konvergencije veriˇnih razlomaka drugog tipa moˇemo z z koristiti. 0. . 0. Stavimo Fn = bn (ili Fn+1 = ∞).6. Da bismo to bolje objasnili. k = (n).6. dobivamo veriˇni razlomak z √ 1+x=1+ x x x ···. pogledajmo c to na primjeru jedne funkcije. Primjer 6. x + Fk+1 i na kraju je fn (x) = F0 . potrebno funkciju malo drugaˇije zapisati. Ako imamo zadanu funkciju z f . a zatim ih moˇemo pretvoriti u tip II. Ako ponovimo ovaj raspis u nazivniku razlomka. silazni algoritam. . n − 1. Stavimo Fn = βn (ili z Fn+1 = ∞). n − 1.1 Razvijmo u veriˇni razlomak prvog tipa funkciju z √ f (x) = 1 + x. . IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 285 razlomaka prvog tipa. . a zatim raˇunamo c ak+1 Fk = bk + . Lako se provjerava da je c √ 1+x=1+ x √ . Fk+1 k = (n). . 2+ 2+ 2+ . moˇemo koristiti silazni algoritam. . Kako dolazimo do veriˇnih razlomaka? Obiˇno je neˇto lakˇe do´i do veriˇnih z c s s c z razlomaka tipa I. takoder.

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

b Ova rekurzija se prekida kad je stupanj polinoma 0. k = 0. b Zatim ponovimo postupak i dobivamo u1 = R1˜1 + a2 R2 . un+1 = 1.6. sve dok ne bude ispunjen uvjet Rx = 1. . . . u1 x + F1 pa moˇemo pisati z u0 = u1˜0 + a1 R1 . k = n. uz start un+2 = 0. bk + x. n − 1. IZVREDNJAVANJE FUNKCIJA IZVREDNJAVANJE FUNKCIJA – 287 Kao ˇto smo to i prije radili. . Definira se R−1 = u0 i R0 = u1 . . 1. 2. v0 u1 Da bismo iz racionalne funkcije dobili drugi tip veriˇnog razlomka. vk = uk+1. Naravno vk moˇemo eliminirati uvrˇtavanjem iz druge jednadˇbe u prvu. n-ta je konvergencija jednaka c fn (x) = F0 = u0 u0 = . Konaˇno. 0. Pritom je ˜k = b b0 . pa dobiz s z vamo uk = βk uk+1 + (x − xk+1 )uk+2. . Iz silazne rekurzije za drugi tip izlazi u0 ˜ a1 = b0 + . . Zatim se vrti petlja c Rk−1 = Rk˜k + ak+1 Rk+1 b za k = 0. potrebno z je koristiti silaznu rekurziju za drugi tip i usporedivati s u0 /u1 . k = 0. Algoritam za pretvaranje racionalne funkcije u drugi tip veriˇnog razlomka je z sljede´i. s c Dobivamo uk = βk uk+1 + (x − xk+1 )vk+1 . . izjednaˇimo brojnike i nazivnike funkcija s obje strane.

. am ). vrijednosti na nekom skupu toˇaka. a1 . . . s z s Funkcija ϕ bira se prema prirodi modela. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 288 7. ϕ(x) = ϕ(x. ali tako da bude relativno jednostavna za raˇunanje. Primijetimo da se kod mjerenja javljaju i poc greˇke mjerenja. m. k = 0. tj. . analitiˇki). koje. ali je njena forma prekomplicirana c za raˇunanje. moˇemo ocijeniti greˇku c z s dobivene aproksimacije. na primjer. b] (moˇe i neograniˇen). Ona obiˇno ovisi o parametrima ak . pokuˇavamo aproksimirati i podatke koji se c s nalaze “izmedu” izmjerenih toˇaka. obzirom na pravu vrijednost funkcije f . Skup X je najˇeˇ´e interval oblika [a. na osnovu tih informacija ˇelimo f zamijeniti z nekom drugom funkcijom ϕ na skupu X. tako da su f i ϕ bliske u nekom smislu. (b) Funkcija f nije poznata. U ovom se sluˇaju ne moˇe napraviti s c z ocjena pogreˇke bez dodatnih informacija o nepoznatoj funkciji f . Kad smo funkciju ϕ zapisali u ovom obliku. s Varijanta (b) je puno ˇeˇ´a u praksi. osim izmjerenih podataka. a0 . onda kaˇemo da smo odabrali op´i oblik aproksimacijske funkcije. c (a) Poznata je funkcija f (npr. Zamjenska funkcija ϕ odreduje se iz c raspoloˇivih informacija. c Problem aproksimacije javlja se u dvije bitno razliˇite formulacije. definiranoj na nekom skupu X ⊆ R. ali su poznate samo neke informacije o njoj. Op´i problem aproksimacije c ˇ Sto je problem aproksimacije? Ako su poznate neke informacije o funkciji f . osim samih podataka.1.7. . Najˇeˇ´e se javlja kod mjerenja raznih c sc c sc veliˇina. z c Oblike aproksimacijskih funkcija moˇemo (grubo) podijeliti na: z . jer. . Aproksimacija i interpolacija 7. funkcije ϕ. Jednako tako. ili diskretni skup c sc z c toˇaka. ukljuˇuju i oˇekivani obz c c lik ponaˇanja podataka. kao funkciju koja ovisi o parametrima ak . koje treba c c odrediti po nekom kriteriju. U tom sluˇaju odabiremo neke informacije o f i po nekom c c kriteriju odredimo aproksimacijsku funkciju ϕ. pa postoje posebne tehnike za ublaˇavanje tako nastalih greˇaka. . U tom sluˇaju moˇemo birati c z informacije o f koje ´emo koristiti. .

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

Te toˇke obiˇno nazivamo ˇvoroc c c c c c vima interpolacije. za k = 0. s primjenom u biologiji. Eksponencijalne aproksimacije ϕ(x) = c0 eb0 x + c1 eb1 x + · · · + cr ebr x . poklapaju i vrijednosti nekih derivacija. Nelinearne aproksimacijske funkcije Navedimo najˇeˇ´e koriˇtene oblike nelinearnih aproksimacijskih funkcija. a pripadna teorija je relativno nova. razlomci se mogu proˇirivati (ili skalirati). c Drugim rijeˇima.1. tj. c sc s 4. tada se minimizira pogreˇka. Zbog toga se uvijek fiksira jedan od koeficijenata bi ili ci . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 290 7. Racionalne aproksimacije ϕ(x) = b0 + b1 x + · · · + br xr . a ne r +s+2. . . c gdje je fk = f (xk ). tj. . s onda su to i tbi . ali i ne mora dodati zahtjev da se u z ˇvorovima.2.7. 5. kad traˇimo samo c z podudaranje funkcijskih vrijednosti. Ovom zahtjevu se moˇe. c Ovako definirane racionalne funkcije imaju mnogo bolja svojstva aproksimacije nego polinomi. kako formalno piˇe. . tci . a opisuju. od podataka o funkciji f koristi se samo informacija o njenoj vrijednosti na skupu od (n + 1) toˇaka. c0 + c1 x + · · · + cs xs koje imaju n = r +s+1 nezavisni parametar.1. s Interpolacija Interpolacija je zahtjev da se vrijednosti funkcija f i ϕ podudaraju na nekom konaˇnom skupu argumenata (ili kra´e toˇaka). za t = 0. da interpolira funkciju u tim toˇkama ili da je odstupanje aproksimacijske od polazne funkcije u nekom smislu minimalno. podaci oblika (xk . fk ). a koji je to — obiˇno slijedi iz prirode modela. Kriteriji aproksimacije Aproksimacijske funkcije biraju se tako da “najbolje” zadovolje uvjete koji se postavljaju na njih. procese rasta i odumiranja u raznim populacijama. koje imaju n = 2r + 2 nezavisna parametra. 7. . na primjer. Najˇeˇ´i su zahtjevi da graf aproksimacijske funkcije prolazi c sc c c odredenim toˇkama tj. pa ako su bi . u najjednostavnijem obliku interpolacije.3. ekonomiji i medicini. ci parametri. osim funkcijskih vrijednosti. s Naime. n.

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

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

. s s • konstrukcija algoritama za raˇunanje najbolje aproksimacije. n.n = 0 ekvivalentno uvjetima interpolacije f (xk ) = ϕ(xk ). . z Ako je [a.2. . 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 • dokaz efikasnosti i toˇnosti algoritma. tj. tj. s • analiza kvalitete dobivene aproksimacije — vrijednost “najmanje” pogreˇke i s ponaˇenje funkcije greˇke e (jer norma je ipak samo broj). b] segment na kojem koristimo interpolaciju (i promatramo greˇku).2. da li postoji takva aproksimacijska z c funkcija ϕ ∈ Pn za koju je minimum greˇke jednak nuli. c c c kad bismo dozvolili da je xi = xj uz i = j. U odjeljaku 7.7. xi = xj za i = j. Poznate funkcijske vrijednosti u tim c toˇkama skra´eno oznaˇavamo s fk = f (xk ). Interpolacija polinomima Pretpostavimo da imamo funkciju f zadanu na diskretnom skupu razliˇitih c toˇaka xk . k=0. Naime. n. . c c . a ako je proces beskonaˇan njegovu c c globalnu i asimptotsku konvergenciju.. 7. . tako da je ϕ i interpolacijska s funkcija. k = 0.. ˇto ovisi o tome s s koje funkcije f aproksimiramo kojim funkcijama ϕ (dva prostora) i kako mjerimo greˇku. koji moˇemo ispustiti. samo nije jasno da li se to moˇe posti´i... . ili f ne bi bila funkcija (ako je fi = fj ) ili bismo imali redundantan podatak (ako je fi = fj ). . s u praksi su toˇke obiˇno numerirane tako da vrijedi a ≤ x0 < x1 < · · · < xn ≤ b. . pokazat ´emo da je odgovor za ovaj primjer potvrdan. c c c Primijetite da pretpostavka o razliˇitosti toˇaka nije bitno ograniˇenje. 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.

Za to je dovoljno provs jeriti je li kvadratna matrica tog linearnog sustava regularna. . gdje je c xi = xj za i = j. . . 1 xn−1 1 xn x2 · · · 0 x2 · · · 1 . k = 0. n Drugim rijeˇima. To moˇemo napraviti z raˇunanjem vrijednosti determinante te matrice. .1. . . Teorem 7. Vanderc mondeova determinanta 1 x0 1 x1 . . 1 xn−1 1 x x2 · · · 0 x2 · · · 1 . . Dokaz. . n. . . Egzistencija i jedinstvenost interpolacijskog polinoma Za polinomnu interpolaciju vrijedi sljede´i teorem. .2. . U iskazu teorema s koristi se oznaka N0 za skup cijelih nenegativnih brojeva. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 294 7.1 Neka je n ∈ N0 . . Dn = . 2 xn−1 · · · x2 · · · n xn 0 xn 1 . Definirajmo determinantu koja naliˇi na Dn . Ta determinanta je tzv. . xn n−1 xn n . Za zadane toˇke (xk . . samo umjesto potencija od xn . 2 xn−1 · · · x2 · · · xn 0 xn 1 . fk ). treba provjeriti ima li ovaj sustav od (n + 1)-e linearne jednadˇbe c z s (n + 1)-om nepoznanicom a0 . 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 . n. k = 0. . . postoji jedinstveni (interpolacijski) polinom stupnja najviˇe n s ϕ(x) := pn (x) = a0 + a1 x + · · · + an xn za koji vrijedi pn (xk ) = fk . . . posljedc nji redak ima potencije od x: 1 x0 1 x1 . ··· . . . Neka je pn = a0 + a1 x + · · · + an xn polinom stupnja najviˇe n. . ··· . ˇiji dokaz koristi ˇinjenicu c c c da linearni sustav s regularnom matricom ima jedinstveno rjeˇenje. . . .7. an jedinstveno rjeˇenje. . Vn (x) = .2. xn n−1 n x .

s s n vode´im koeficijentom Dn−1 uz x . Da bismo toˇno c c c odredili polinom stupnja n. . Kako na´i prave algoritme? c Kakve algoritme trebamo? Odgovor ovisi o tome ˇto ˇelimo posti´i interpos z c lacijom. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 295 Primijetimo da je Dn = Vn (xn ). . determinanta Vn (x) s ´e imati dva jednaka retka pa ´e biti c c Vn (x0 ) = Vn (x1 ) = · · · = Vn (xn−1 ) = 0. . . potrebno je samo c znati njegov vode´i koeficijent. c Za poˇetak. Takvu interpolaciju zovemo Hermiteova interpolacija. Budu´i da je xi = xj za i = j. i to u toˇkama x koje u c . Kao i kod svih aproksimacija.2.2. an za koeficijente polinoma pn . . s odnosno jedinstven interpolacijski polinom. obiˇno zovemo Lagrangec ova interpolacija. xn−1 . . kad traˇena funkcija (u ovom sluˇaju polinom) mora z c interpolirati samo funkcijske vrijednosti zadane funkcije. U op´enitijem sluˇaju. . ˇto je trivijalno. Gledamo li Vn (x) kao funkciju od x. onda je Dn = 0. Neˇto kasnije ´emo pokazati da problem Hermiteove s c interpolacije moˇemo rijeˇiti kao graniˇni sluˇaj Lagrangeove. razvojem po posljednjem retku. tj. . Odatle c c odmah slijedi Vn (x) = Dn−1 (x − x0 ) (x − x1 ) · · · (x − xn−1 ). pokazali smo da je to Dn−1 . da je to polinom stupnja najviˇe n u varijabli x. . matrica linearnog sustava c je regularna. moramo rijeˇiti preostala dva problema vezana uz polinomnu Lac s grangeovu interpolaciju. (xi − xj ). U ovom sluˇaju. oˇita primjena je zamjena funkcijskih vrijedc nosti f (x) vrijednostima interpolacijskog polinoma pn (x). dobivamo da je s Dn = 0≤j<i≤n Dn = Dn−1 (xn − x0 ) (xn − x1 ) · · · (xn − xn−1 ). kad dozvolimo viˇez s c c s struko “ponavljanje” istih ˇvorova. Kad uvrstimo x = xn . ako za x redom uvrˇtavamo x0 . c c Takav oblik interpolacije. moˇemo zahtijevati interpolaciju zadanih c c z vrijednosti funkcije i njezinih uzastopnih derivacija.7. 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. a to su: konstrukcija algoritama i analiza greˇke. otpustimo ograniˇenje na medusobnu razliˇic c c tost ˇvorova. . tj. Dakle. xn−1 su nultoˇke polinoma Vn (x) stupnja n. s 7. pa postoji jedinstveno rjeˇenje a0 . . toˇke x0 . dobivamo rekurzivnu relaciju za Dn Ako znamo da je D0 = 1. . ako su poznate njegove nultoˇke. lako se vidi. c S druge strane.

ili se one teˇko raˇunaju (recimo algoritam zahtijeva vrlo c s c mnogo operacija ili je nestabilan. za svaku zadanu toˇku x izraˇunamo pn (x). s z c c ˇ Pogledajmo detaljnije prvu fazu. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 296 principu nisu ˇvorovi interpolacije. . . .2. 2. . c U pripadnom algoritmu. b1 . c U tom smo sluˇaju jedva izraˇunali i ove vrijednosti od f koje smo iskoristili za c c interpolaciju. . ako se to moˇe izbje´i. postoji jedinstveni polinom pn koji interpolira zadane podatke. n. a gotovo c z c z nikad nije samo jedna. sigurno trebamo algoritam za raˇunanje vrijednosti interpolacijskog c polinoma u nekoj zadanoj toˇki x koja nije ˇvor. n. k = 0. jer u ˇvorovima ionako vrijedi c c c f (x) = pn (x). bez ve´eg gubitka brzine. prvo treba izraˇunati sve elemente matrice linearnog c sustava.k+1 = bi (xk ). To je posebno bitno ako vrijednosti funkcije f ne c znamo u ostalim toˇkama. fk ). ve´ samo o zadanim poc c dacima (xk . jer se on tamo puno puta izvrˇava. c c Prvu fazu je dovoljno napraviti samo jednom i zato svaku od ovih faza treba realizirati posebnim algoritmom. 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. 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 . i tako dobijemo linearni sustav reda n + 1 za nepoznate koeficijente. posebno u drugoj z s z fazi. Elementi matrice B imaju oblik Bi+1. Zbog toga se problem raˇunanja vrijednosti pn (x) uvijek c rjeˇava u dvije faze: s 1. da bismo naˇli pn . ne´emo zahtijevati brzinu na s c uˇtrb stabilnosti. . . a zatim ga rijeˇiti. Izaberimo neku bazu {b0 . Njih moˇemo na´i tako da u ovu relaciju uvrstimo sve uvjete interpolacije z c n pn (xk ) = i=0 ai bi (xk ) = fk . Medutim. prema teoremu 7. Matrica B tog linearnog sustava je sigurno regularna. s treba (i dovoljno je) na´i koeficijente ai u prikazu c n pn (x) = i=0 ai bi (x). . . Polinom pn ima u (svakoj pa zato i izabranoj) bazi jedinstven prikaz. Dodatno. kao linearna kombinacija polinoma bi iz te baze. Ako pretpostavimo da znamo prikaze svih polinoma bi s . . ˇelimo ˇto brˇi algoritam. jer on ne ovisi o toˇki x. . bn } u tom prostoru Pn . .1.7. zatim. . k = 0. za i. n. k = 0. . . Dakle. Toˇaka x u kojima ˇelimo izraˇunati pn (x) moˇe biti vrlo mnogo. pa treba primijeniti posebne tehnike raˇunanja). . prvo nademo polinom pn . Dakle.

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

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

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

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

. To. . opisat s c ´emo malo kasnije. pa moˇemo uzeti c c z bi (x) = (x − x0 ) · · · (x − xi−1 ). nije nuˇno rjeˇavati lis z s nearni sustav za koeficijente.7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 301 Za polinom b0 u prvom stupcu matrice sustava nemamo nikavih uvjeta. 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 . . Iz prve jednadˇbe supstitucijom unaprijed odmah c z dobivamo i c0 = f0 . . a to je b0 (x) = 1. = ωk (xk ) i=0 xk − xi i=k (7. za i = k. x1 − x0 Kao ˇto ´emo vidjeti. . c 7. n} prostora polinoma Pn s n pn (x) = k=0 fk ℓk (x). . Opet c uzmemo najjednostavniji oblik polinoma koji zadovoljava taj uvjet. vrijedi s ℓk (xi ) = 0. ˇto opet odgovara dizanju stupnja. Op´enito. usput. k = 0.2. odgovara i pove´anju stupnja interpolacije kod dodavanja novog ˇvora. pa uzimamo najjednostavniju oblik. ovaj postupak se moˇe nastaviti.2. . Za polinom b1 u drugom stupcu dobivamo toˇno jedan uvjet b1 (x0 ) = 0. . k = 0. xi−1 . Lagrangeove baze {ℓk . Interpolacijski polinom pn moˇemo odmah napisati z koriˇtenjem tzv. . (7. . n. .3. Osim toga. pa je pn polinom stupnja najviˇe n. . 1.1) 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) := . koji odgovara interpolaciji polinomom stupnja 0 u prvom ˇvoru. za i = k. Kako op´enito izgledaju koeficijenti ci .2) Polinomi ℓk su stupnja n. c c Supstitucijom unaprijed izlazi i koeficijent c1 c1 = f1 − f0 . Lagrangeov oblik interpolacijskog polinoma Da bismo naˇli koeficijente interpolacijskog polinoma.2. a to je b1 (x) = (x − x0 ). .

. 7.1) dobivamo da je s pn (x) = ω(x) Uoˇimo da je c ω(x) .2. (x − xk ) ωk (xk ) k=0 n (7.5) Ova se forma moˇe koristiti za raˇunanje vrijednosti polinoma u toˇki x = xk . Ipak. k = 0. odmah slijedi da se suma u (7.2.2. b]. xn . z c c k = 0.2) zove se Lagrangeov oblik interpolacijskog polinoma. b] postoji toˇka ξ iz otvorenog intervala c c c xmin := min{x0 .3) Uvrˇtavanjem u (7. i neka je pn interpolacijski polinom za funkciju f u tim ˇvorovima. . Lagrangeov oblik c s interpolacijskog polinoma uglavnom se koristi u teoretske svrhe (za dokaze). pa (7. .4. . ve´ neˇto bolji Newtonov oblik. a za raˇunanje u svakoj novoj c toˇki x.2. jer ne ovisi o x. Definiramo z s n ω(x) = pa je ℓk (x) = k=0 (x − xk ). . u praksi se ne koristi ovaj c s c oblik interpolacijskog polinoma. . Prednost je ˇto se za svaki novi x raˇuna samo ω(x) i (x − xk ). moˇemo napraviti i ocjenu greˇke s z s interpolacijskog polinoma. zgodnijem obliku. . Taj polinom moˇemo napisati u joˇ jednom. tj. x} < ξ < max{x0 . . n. xn .7. ′ k=0 (x − xk ) ω (xk ) n (7. tj. b] za neki n ∈ N0 . . da vrijedi c pn (xk ) = fk .4) moˇemo pisati kao z pn (x) = ω(x) fk .1). . n. . Teorem 7.2 Pretpostavimo da funkcija f ima (n + 1)-u derivaciju na segmentu c c [a.1) svodi na jedan jedini ˇlan za i = k.2.2. Neka su xk ∈ [a. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 302 Uvrstimo li to u (7. Za bilo koju toˇku x ∈ [a.2.4) ωk (xk ) = ω ′ (xk ). (x − xk ) ωk (xk ) fk .2.2. c c Ukupan broj operacija je proporcionalan s n2 . trebamo joˇ reda veliˇine n operacija. . . Ocjena greˇke interpolacijskog polinoma s Ako znamo joˇ neke informacije o funkciji f . . Oblik (7. xi = xj za i = j. . medusobno razliˇiti ˇvorovi interpolacije. dok se s c ′ ωk (xk ) = ω (xk ) izraˇuna samo jednom za svaki k i ˇuva u tablici.1)–(7. (7. x} =: xmax .2. .2.

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

x∈[a. .2. . . ω(x) ω(x) f (n+1) (ξ).6). tj. pove´avati stupanj interpolacijskog polinoma. Neka je pn−1 c c interpolacijski polinom koji interpolira funkciju f u toˇkama xk . (7. s Ako je f (n+1) ograniˇena na [a. 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. k = 0.2. polinom stupnja n.8) Vidimo da su xk nultoˇke od c. n − 1. Nadalje. (n + 1)! Mn+1 := max |f (n+1) (x)|. 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. (n + 1)! Ova ocjena direktno slijedi iz (7. a korisna je ako relativno jednostavno moˇemo z izraˇunati ili odozgo ocijeniti Mn+1 .2. ako je f ∈ C n+1 [a. jaˇe.6). . . gdje je c korekcija. s s c c Postoji forma interpolacijskog polinoma kod koje je mnogo lakˇe dodavati s toˇke interpolacije.b] e(x) . dobivamo f (xn ) = pn (xn ) = pn−1 (xn ) + c(xn ) = pn−1 (xn ) + an (xn − x0 ) · · · (xn − xn−1 ).7. pa ga moˇemo napisati u obliku c z c(x) = an (x − x0 ) · · · (x − xn−1 ). ako uvaˇimo da je g (n+1) (ξ) = 0. Takoder. . . c 7. b] ili. zbog toga ˇto interpolacijski polinom moramo raˇunati od poˇetka. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 304 Konaˇno.2. n − 1. . iz zadnjeg uvjeta interpolacije pn (xn ) = f (xn ). b] c |f (x) − pn (x)| ≤ |ω(x)| Mn+1 . . onda je c z 0 = g (n+1) (ξ) = f (n+1) (ξ) − (n + 1)! odnosno e(x) = ˇto je upravo (7.5. Polinom s c pn tada moˇemo napisati u obliku z pn (x) = pn−1 (x) + c(x). mora vrijediti c(xk ) = pn (xk ) − pn−1 (xk ) = f (xk ) − f (xk ) = 0. k = 0. c Neka je pn interpolacijski polinom koji interpolira funkciju f joˇ i u toˇki xn . b].

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

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

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

. Njemaˇki matematiˇar Runge prvi je uoˇio probleme koji nastupaju kod interc c c polacije na ekvidistantnoj mreˇi ˇvorova.2. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 308 Algoritam 7. . x1 . .) Promotrimo (Rungeovu) funkciju f (x) = 1 . } 7.2. h= 10 .6. . n c xk = −5 + kh. for i := n − 1 downto 0 do sum := sum ∗ (x − xi ) + f [i]. . . xn . 5]. x1 . Zanima nas ponaˇanje greˇaka koje nastaju pove´avanjem stupnja n interpolacijskog s s c polinoma. n k = 0. . xn . najˇeˇ´e c c sc do 5. x].2. On je konstruirao funkciju (poznatu kao z c Rungeova funkcija). c c s tj. . zadovoljavaju xk = −xn−k . x.2 (Algoritam izvrednjavanja interpolacijskog polinoma) sum := f [n]. Po Teoremu 7. (7. U tom sluˇaju z s c imamo paran broj interpolacijskih toˇaka. ako je n = 2r. . x] = f (x) · (−1)r+1 r (1 + k=0 x2 ) k · 1. . .2.7.2. . . . uvaˇavanjem relacije (7. Zbog toga z c s se umjesto visokog stupnja interpolacijskog polinoma u praksi koristi po dijelovima polinomna interpolacija. 1 + x2 x ∈ [−5. Tvrdimo da vrijedi f [x0 . 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.2. . dobivamo z en (x) = f (x) − pn (x) = ω(x) f [x0 .2.13).1 (Runge. . Odaberimo n i izaberimo ekvidistantne ˇvorove interpolacije xk . koriˇtenjem indukcije po r. ako je n = 2r + 1. k = 0. koje su simetriˇne obzirom na ishodiˇte. { Na kraju je pn (x) = sum. Koliko je dobar interpolacijski polinom? U praksi se obiˇno koriste interpolacijski polinomi niskih stupnjeva. Zaˇto? Kod nekih funkcija za neki izbor toˇaka interpolacije. c c Primjer 7.14) Prvo pokaˇimo tvrdnju za n = 2r + 1. . pove´avanje s c c stupnja interpolacijskog polinoma moˇe dovesti do pove´anja greˇaka. 1901. n.

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

a najmanja u ±5. Osim toga je i gn parna funkcija. konvergencija Newtonovog polinoma ovisi samo o gn (x). pa se zbog simetrije. ako je n = 2r.2. 1 + x2 k k=0 r (7. x.15) Funkcija f pada od 0 do 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). Prema (7. pa imamo 1 ≤ f (x) ≤ 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. Ako tu formulu z uvrstimo u greˇku. 1 + ξ2 Ostavimo li zasad jednakost posljednje sume i integrala po strani (treba na´i malo c sloˇeniji limes).7. njena najve´a vrijednost nalazi u c 0.2. f (x) gn (x). 1 + ξ2 . 1/x. 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 . x2 − x2 k . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 310 ili zajedno n r ω(x) = k=0 (x − xk ) = k=0 (x2 − x2 ) · k 1. ako je n = 2r + 1. 5]. 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. za eksponent eksponencijalne funkcije imamo h ln |gn (x)| = h · Tvrdimo da je ln k=0 x2 − x2 k .15). pa moˇemo sve gledati na intervalu [0. Time smo pokazali ˇeljeni oblik formule za podijeljene razlike. ako je n = 2r + 1. 26 Zbog toga. tj.

. Zadatak 7.1 Dokaˇite da vrijedi z 0 n→∞ lim h ln |gn (x)| = ln −5 x2 − ξ 2 dξ. n.63 (moˇemo ju i toˇnije odrediti). Za |x| > 3.63! Zanimljivo je da. q(x) > 0 za 3. onda ´e porastom stupnja niz interpolacijskih polinoma konvergirati prema funkciji c f. . toˇnije tzv. ako umjesto ekvidistantnih toˇaka interpolacije u primjeru c ˇ sevljeve toˇke na intervalu [a. Za dokaz da je c r r→∞ 0 lim k=0 h ln |x + xk | = −5 ln |x + ξ| dξ.2.7. priliˇno c z jednaku 3.63.63 i h = 10/n slijedi da je n→∞ lim |gn (x)| = ∞. na z c [−5. r→∞ lim k=0 h ln |x − xk | = −5 zbog neprekidnosti podintegralnih funkcija i definicije Riemannovog integrala.63 < |x| ≤ 5. Cebiˇ c c xk = 1 2k + 1 a + b + (a − b) cos . pa i tj. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 311 Analizom toka funkcije vidimo da q(x) ima jednu nultoˇku u intervalu [0. zbog parnosti funkcije q. budu´i c je rijeˇ o specijalnim Darbouxovim sumama. Preciznije.63. q(x) < 0 za |x| < 3. 2 2n + 2 k = 0. Runge uzmemo neekvidistantne. 5] vrijedi q(x) = 0 za |x| = 3. niz interpolacijskih polinoma divergira za |x| > 3. en (x) → ∞. 5]. b]. 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. . . .

te pripadna greˇka. z Primijetit ´ete da je greˇka interpolacije najve´a na prvom podintervalu bez c s c obzira na stupanj interpolacijskog polinoma. Razlog leˇi u ˇinjenici da funkcija log(x) z c ima singularitet u 0.2.5 1 −0. z y 1 0. interpolacijski polinom stupnja 1. a poˇetna toˇka interpolacije je blizu. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 312 potrebno je napraviti “finu analizu” i posebno razmatrati situacije |x + xk | < δ. c Primjer 7. |x + xk | > δ.2 Promotrimo grafove interpolacijskih polinoma stupnjeva 1–6 koji interpoliraju funkciju f (x) = log(x) za x ∈ [0.1. c c Prva grupa slika su redom funkcija (crno) i interpolacijski polinom (crveno) ˇ s za ekvidistantnu mreˇu. za neki mali 0 < δ < 1 (ili se pozvati na jaˇe teoreme iz teorije mjere). a zatim to isto za Cebiˇevljevu mreˇu.7. z s z y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa. 10] ˇ s na ekvidistantnoj i Cebiˇevljevoj mreˇi.5 2 3 4 5 6 7 8 9 10 x .

APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 313 Ekvidistantna mreˇa.7. greˇka interpolacijskog polinoma stupnja 1.5 2 3 4 5 6 7 8 9 10 x Ekvidistantna mreˇa. greˇka interpolacijskog polinoma stupnja 2.5 1 −0. z s . z s y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa. z y 1 0. interpolacijski polinom stupnja 2.

5 2 3 4 5 6 7 8 9 10 x Ekvidistantna mreˇa.25 1 −0. greˇka interpolacijskog polinoma stupnja 3. z s . interpolacijski polinom stupnja 3. z y 0.5 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 314 y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa.25 −0.7.

25 1 −0.7. z s . greˇka interpolacijskog polinoma stupnja 4. interpolacijski polinom stupnja 4.25 −0.5 0. 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 0.5 2 3 4 5 6 7 8 9 10 x Ekvidistantna mreˇa.

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

25 1 −0.25 2 3 4 5 6 7 8 9 10 x Ekvidistantna mreˇa. z y 0. interpolacijski polinom stupnja 6.7. greˇka interpolacijskog polinoma stupnja 6. z s . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 317 y 1 1 2 3 4 5 6 7 8 9 10 x −1 Ekvidistantna mreˇa.

25 1 −0. interpolacijski polinom stupnja 1.5 −1 2 3 4 5 6 7 8 9 10 x ˇ s Cebiˇevljeva mreˇa. greˇka interpolacijskog polinoma stupnja 1. z y 0. z s .7. 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. interpolacijski polinom stupnja 2. greˇka interpolacijskog polinoma stupnja 2.5 −1 2 3 4 5 6 7 8 9 10 x ˇ s Cebiˇevljeva mreˇa. z s . z y 0.7. 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.

5 2 3 4 5 6 7 8 9 10 x ˇ s Cebiˇevljeva mreˇa. z s .125 1 −0. greˇka interpolacijskog polinoma stupnja 3. z y 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 320 y 1 1 2 3 4 5 6 7 8 9 10 x −1 ˇ s Cebiˇevljeva mreˇa.7. interpolacijski polinom stupnja 3.25 −0.

interpolacijski polinom stupnja 4.125 1 −0. 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.5 2 3 4 5 6 7 8 9 10 x ˇ s Cebiˇevljeva mreˇa. z s . z y 0.7.25 −0. greˇka interpolacijskog polinoma stupnja 4.

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

12.1 1 2 3 4 5 6 7 8 9 10 x −0. z s Primjer 7. 10.7. S druge strane. z y 0. 8. interpolacijski polinom stupnja 6. Interpolacijski c polinomi su stupnjeva 1–6.3 Ve´ smo pokazali da na primjeru Runge interpolacijski polinomi koji c interpoliraju funkciju 1 f (x) = za x ∈ [−5. . greˇka interpolacijskog polinoma stupnja 6. 16 (parnost funkcije!).25 ˇ s Cebiˇevljeva mreˇa. pogledajmo ˇto se dogada z s ˇ s s polinomima koji interpoliraju tu funkciju u Cebiˇevljevim toˇkama. 14.2. 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.

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

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

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

interpolacijski polinom stupnja 4.5 1 2 3 4 5 6 x Ekvidistantna mreˇa. z y 0.7. z s . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 327 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x Ekvidistantna mreˇa. greˇka interpolacijskog polinoma stupnja 4.5 −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.7.5 −6 −5 −4 −3 −2 −1 −0. z s . greˇka interpolacijskog polinoma stupnja 5. interpolacijski polinom stupnja 5.

z y 0.7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 329 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 6. z s . greˇka interpolacijskog polinoma stupnja 6.5 −6 −5 −4 −3 −2 −1 −0.

z y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −1 Ekvidistantna mreˇa. greˇka interpolacijskog polinoma stupnja 8. z s . interpolacijski polinom stupnja 8.7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 330 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −1 Ekvidistantna mreˇa.

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

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. z y 3 2 1 −6 −5 −4 −3 −2 −1 −1 −2 −3 −4 1 2 3 4 5 6 x Ekvidistantna mreˇa. z s .7.

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

interpolacijski polinom stupnja 16. z s . z y 14 10 6 2 −6 −5 −4 −3 −2 −1 −2 −6 −10 1 2 3 4 5 6 x Ekvidistantna mreˇa. greˇka interpolacijskog polinoma stupnja 16.7. 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 1. interpolacijski polinom stupnja 1. z y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa.7. z s . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 335 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 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 336 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa.7. z s . interpolacijski polinom stupnja 2.

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

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. interpolacijski polinom stupnja 4. greˇka interpolacijskog polinoma stupnja 4.5 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa. z s . z y 0.7.25 −6 −5 −4 −3 −2 −1 −0.

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

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

APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 341 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa.125 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0. greˇka interpolacijskog polinoma stupnja 8. z y 0.25 ˇ s Cebiˇevljeva mreˇa. interpolacijski polinom stupnja 8. z s .7.

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

075 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0.075 ˇ s Cebiˇevljeva mreˇa. greˇka interpolacijskog polinoma stupnja 12. interpolacijski polinom stupnja 12. z y 0. z s . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 343 y 1 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x ˇ s Cebiˇevljeva mreˇa.7.

05 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 x −0.05 ˇ s Cebiˇevljeva mreˇa. z s . z y 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. interpolacijski polinom stupnja 14. greˇka interpolacijskog polinoma stupnja 14.7.

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

tako da f (x) − Bn (x) ∞ →0 za n → ∞. c Iz primjera funkcije Runge vidi se da je Lagrangeova interpolacija dobrih svojstava aproksimacije u sredini intervala. sa stanoviˇta teorije aproksimacije. Naˇalost. Dovoljno je uzeti manje glatku s funkciju od funkcije Runge. s ˇvorovima koji su bliˇe rubovima intervala.7. Primjer 7. 1914. c c c tj. c Sljede´i teorem je egzistencijalnog tipa. samo u tri toˇke: x = −1. moˇe z c z z popraviti konvergenciju. c Teorem 7.) Za svaki mogu´i izbor toˇaka interpolacije postoji c c neprekidna funkcija f . Istina. 1].2.4 (Bernstein. 0. za ˇiji interpolacijski polinom pn (x) stupnja n vrijedi c f (x) − pn (x) ∞ → 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 346 Medutim. Odgovor nije potpuno jednostavan. Takva interpolacija c . Postoje i joˇ “gori” primjeri divergencije. Iako se mogu konˇ s struirati mreˇe (poput Cebiˇevljeve) na kojima se funkcija Runge bolje aproksimira z interpolacijskim polinomima. interpolacija se ne pokazuje s kao sredstvo kojim moˇemo do´i do dobrih aproksimacija funkcija. da li neki izbor neekvidistantne mreˇe. 7. 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).) Neka je f (x) = |x| i neka je pn (x) interpolacijski polinom u n + 1 ekvidistantnih toˇaka u [−1. Drugi bitni faktor kvalitete je glatko´a funkcije.8. Pitanje je.2. ali ukazuje na to da je nemogu´e na´i c c c dobar izbor toˇaka interpolacije za svaku funkciju.2. poznati z c Weierstraßov teorem tvrdi da za svaku neprekidnu funkciju f (x) postoji niz polinoma stupnja n. 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 . c Na prvi pogled se ˇini da to ˇto interpolacija ne mora biti dobra aproksic s macija funkcije ovisi o izboru ˇvorova interpolacije. ali ne i na rubovima. kad n → ∞. izborom toˇaka interpolacije moˇemo poboljˇati aproksimativna svojstva interc z s polacijskih polinoma. to je nemogu´e napraviti za svaku neprekidnu funkciju. Tada c |f (x) − pn (x)| → 0.3 (Faber. 1912. nazovimo ih Bn (x). To je samo djelimiˇno toˇno. a kamo li uniformno.

18) gdje je δij Kroneckerov simbol. moˇemo “pogoditi” z n ℓi (x) = j=0 j=i x − xj . . (7. .16) Zapis polinoma pn u standardnoj bazi potencija 1. .17) Iz pretpostavke o medusobnoj razliˇitosti ˇvorova xk slijedi regularnost sustava i c c egzistencija i jedinstvenost polinoma pn . .2. . koja se ˇesto zove i Lagrangeova interpolacijska formula. ili barem. . c Ako definiramo n + 1 polinom {ℓi (x)}n specijalnim interpolacijskim uvjetima i=0 ℓi (xj ) := δij . n. a za pripadnu Vandermondeovu determinantu (vidjeti teorem 7. c Da bismo jednostavno doˇli do tih generalizacija. .2. . . .  . xn  1  .2. 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).7. . Lagrangeov interpolacijski polinom pn moˇe se napisati i eksplicitno u tzv. . x. ponovimo ukratko “izvod” i s konstrukciju Lagrangeove interpolacije polinomom. = .2.16) moˇemo zapisati kao z n pn (x) = i=0 f (xi )ℓi (x). .2. . recimo. . . xn vodi na linearni sustav s Vandermondeovom matricom. .18). xi − xj i = 0.2. x2 0 x2 1 . . . xn ) := det  . Traˇeni polinom pn mora zadoz voljavati interpolacijske jednadˇbe z pn (xi ) = fi = f (xi ). (7. n. Mogu´e su razne generalizacije ovog problema za funkcije f koje c imaju dodatna svojstva. . tada Lagrangeov interpolacijski polinom koji udovoljava uvjetima (7. ve´i broj derivacija (globalno.2. x2 n 1 xn .  . .2. . (7. Lagrangeova interpolacija nikako ne iscrpljuje sve mogu´e sluˇajeve interpoc c lacije polinomima. i = 0.19) Traˇene polinome ℓi stupnja n. . (7. .  x0 x1 . . . xn n  0≤i<j≤n (xj − xi ). . . u okolini c svakog ˇvora). xn 0 . Laz grangeovoj formi. . (7.20) Funkcije ℓi zovu se funkcije Lagrangeove baze. koji su jednoznaˇno odredeni interpolacijskim uvjez c tima (7.1) pokazali smo da vrijedi 1  1 V (x0 .

. s Postoji joˇ jedan sluˇaj koji se moˇe rijeˇiti jednostavnom formulom. Ako definiramo polinom formulom n h2n+1 (x) = i=0 fi hi.2. Egzistenciju polinoma h2n+1 (x) moˇemo dokazati konstruktivnim metoz dama — konstrukcijom eksplicitne baze. odnosno Hermiteove baze. c c Dokaz. ˇto opravdava naziv baza. c s c c Polinomi hi.21) 2 hi.2. fi′ zadani realni brojevi. Neka c su hi. barem 2n + 2 c c nultoˇke. sliˇno kao i za Lagrangeov polinom. Neka je q2n+1 (x) bilo koji drugi polinom koji ispunjava interpolacijske uvjete teorema.2.4 Postoji jedinstveni polinom h2n+1 stupnja najviˇe 2n + 1. koji zados voljava interpolacijske uvjete h2n+1 (xi ) = fi .0 (x) i hi. gdje su xi medusobno razliˇite toˇke i fi .22) lagano provjerimo da h2n+1 zadovoljava uvjete teorema. . vriz jedi n n ℓi (x) = 1. moramo ju dokazati posebno. c interpoliramo i vrijednost derivacije fi′ = f ′ (xi ). hi. ˇto je mogu´e samo ako je identiˇki jednak nuli.0 (x) = 1. h′i. U svakom ˇvoru xi . i=0 i=0 hi.1 (xj ) = 0. j = 0. . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 348 Zadatak 7.1 (x) . i = 0.2 Dokaˇite da su funkcije Lagrangeove baze linearno nezavisne i ˇine z c skup izvodnica za prostor polinoma stupnja n. gdje su ℓi funkcije Lagrangeove baze (7. Direktno moˇemo provjeriti da su z hi. h′i.2.2. a polinom h2n+1 obiˇno c se zove Hermiteov interpolacijski polinom. Gaussovih z c integracijskih formula). Teorem 7.1 (xj ) = δij . . hi. a posebno s c z s ga tretiramo zbog vaˇnosti za teoriju numeriˇke integracije (preciznije. h′2n+1 (xi ) = fi′ .20). (7. koji ima c nultoˇke multipliciteta barem 2 u svakom ˇvoru interpolacije xi .0 (xj ) = 0. .0 (x) = [1 − 2(x − xi )ℓ′i (xi )] ℓ2 (x) i (7. Tada je h2n+1 (x) − q2n+1 (x) polinom stupnja ne ve´eg od 2n + 1.7. n.0 . Obzirom da iz gornjeg ne slijedi jedinstvenost.1 (x) polinomi stupnja 2n + 1 koji zadovoljavaju sljede´e relacije c hi.0 (x) + fi′ hi.2. . tj. n. zovu se funkcije Hermiteove baze.0 (xj ) = δij .1 (x) = (x − xi ) ℓi (x).1 . za i.3 Pokaˇite da za funkcije Lagrangeove. . osim funkcijske vrijednosti fi = f (xi ). Zadatak 7. .

Kako F (x) sada ima z (barem) n + 2 nule. Na kraju primijetimo da je gornji rezultat toˇan i za c x ∈ {x0 . . xn . .2). .5 Greˇka kod interpolacije Hermiteovim polinomom h2n+1 (x) (v. Na kraju. moˇemo zapisati i u “Newtonovom” obliku — koriste´i podijeljene razlike. (2n + 2)! Ali kako je xn+1 proizvoljan. .1 (x) = x.2. jer su obje strane nula. . . . Uvrstimo li taj rezultat u izraz za greˇku. No onda F ′′ ima bar 2n + 1 nula. dobijemo c s f (2n+2) (ξ) 2 F (xn+1 ) − h2n+1 (xn+1 ) = ω (xn+1 ).0 (x) + hi. tj. ali sada z c f (2n+2) (ξ) 2 ω (x). . . xmax ] razliˇit od postoje´ih ˇvorova. F ′ ima n + 1 nulu u nekim toˇkama izmedu njih.2. xn }. F (2n+2) ima barem jednu nulu u promatranom intervalu. . c Teorem 7.4) funkcije f ∈ C (2n+2) [xmin . .2. . i Za ocjenu greˇke Hermiteove interpolacije vrijedi vrlo sliˇan rezultat kao i za s c obiˇnu Lagrangeovu interpolaciju (teorem 7. itd. pa ukupno ima (barem) 2n + 2 nula. oznaˇimo ju s ξ. razliˇit samo od ˇvorova x0 . xmax ] u n + 1 ˇvorova x0 . Hermiteov interpolacijski polinom. Definiramo li F (x) = f (x) − h2n+1 (x) − Cω 2 (x).. . moˇemo ga zac c z mijeniti s proizvoljnim x. pa oˇekujemo da je c f (x) − h2n+1 (x) ≈ Cω 2(x) za neku konstantu C.2. . vidimo da F ima nultoˇke multipliciteta 2 u x0 . .2. i=0 i=0 (x − xi ) ℓ2 (x) ℓ′i (xi ) = 0. osim u “Lagrangeovom” obliku. xn je oblika c e(x) := f (x) − h2n+1 (x) = gdje su ξ i ω kao u teoremu 7. xn . F (xk ) = F ′ (xk ) = 0 za c k = 0.7. odnosno Hermiteove baze. .2. Iz uvjeta interpolacije znamo da je f (x) = h2n+1 (x) i f ′ (x) = h′2n+1 (x) za x = x0 .4 Pokaˇite da za funkcije Lagrangeove. xn . . na osnovu Rolleovog teorema. . . odakle izraˇunamo C. c c c moˇemo odrediti konstantu C tako da vrijedi F (xn+1 ) = 0. . . . . Deriviranjem izraza c za F (x) dobijemo F (2n+2) (ξ) = f (2n+2) (ξ) − C(2n + 2)! = 0. . . Izaberemo li neki xn+1 ∈ [xmin . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 349 Zadatak 7. . n. vriz jedi n n xi hi. Dokaz. xn . (2n + 2)! . F ′′′ 2n nula. naravno. pa dokaz slijedi. Ona takoder c ima nule u x0 . . . teos rem 7.

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

xk ] = pk . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 351 za neki izbor brojeva cij . n. c c Preciznije. Idenc z s tifikacija matrica E koje vode na regularne sisteme jednadˇbi ve´ je dosta izuˇena. . 2.2) k = 0. n. zovemo Hermite–Birkhoffovim interpolacijskim problemom. ˇto za svaki polinom daje po 2 uvjeta s pk (xk−1 ) = fk−1 pk (xk ) = fk . Interpolacijski uvjeti su ϕ(xk ) = fk . Jedan specijalni probc lem u kojem su ovi linearni funkcionali linearne kombinacije derivacija. . na svakom podintervalu vrijedi ϕ [xk−1 . gdje su pk polinomi niskog (ali fiksnog) stupnja. . .xk ] = pk . Mogu´e je umjesto c derivacija zadavati razne linearne funkcionale u ˇvorovima. n. c s z Zadatak 7. gdje je bilo dovoljno da su ˇvorovi interpolacije c medusobno razliˇiti. . Ukupno moramo odrediti koeficijente polinoma pk u n podintervala. ali o c c c tome ´emo voditi raˇuna kod zadavanja uvjeta interpolacije.7. donekle je prouˇen. tj. problem moˇe i nemati rjeˇenje. tj. (7. c s 7. ukupno (m + 1) · n koeficijenata. k = 1. tj. . . da vrijedi a = x0 < x1 < · · · < xn = b. spomenimo da i time problem nije do kraja iscrpljen. U punoj op´enitosti. ovdje pretpostavljamo da su rubovi podintervala interpolacije c uzlazno numerirani. pa se u praksi ne smije koristiti. (7.2. Za razliku od polinomne interpolacije funkcijskih vrijednosti. . .6 Zapisom polinoma P u standardnoj bazi potencija formulirajte matriˇno problem proˇirene Hermite–Birkhoffove interpolacije. . . Taj se problem ˇesto naziva proˇirena Hermite–Birkhoffova interpoc c s lacija. kako je formuliran.3.3. Interpolacija po dijelovima polinomima U proˇlom smo poglavlju pokazali da polinomna interpolacija visokog stupnja s moˇe imati vrlo loˇa svojstva. z s koristi se po dijelovima polinomna interpolacija. Svaki polinom pk stupnja m odreden je s (m+1)-im koeficijentom. k = 1. a u vezi je s numeriˇkim metodama za rjeˇavanje diferencijalnih jednadˇbi. . pretpostavimo da na svakom podintervalu [xk−1 . To joˇ ne osigurava s da je ϕ funkcija jer je mogu´a dvoznaˇnost u dodirnim toˇkama podintervala. . xk ] koristimo polinom stupnja m. z c c I na kraju. tj. .3. k = 1. n.1) . da je ϕ [xk−1 . . . Umjesto toga.

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

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

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

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

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

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

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

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

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

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

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

s Zelena boja oznaˇava njihov zbroj e(h). c h0 h Odmah vidimo da e(h) ima minimum po h. Primjer 7.Prije raˇunanja ovih polinoma. uvedimo joˇ c s . daljnje smanjivanje koraka h samo pove´ava c c c greˇku! s Isti problem se javlja. Polinom p1 je dio funkcije c c c ϕ na intervalu [0.3.1 Nadite po dijelovima kubiˇnu Hermiteovu interpolaciju za podatke c xk fk ′ fk 0 1 0 1 2 1 2 0 . To predstavlja c s z znaˇajni gubitak toˇnosti. treba povu´i dva kubiˇna polinoma p1 i p2 . i to u joˇ ozbiljnijem obliku. 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 . jer c ε M3 + h=0 2 h 3 izlazi da se lokalni. kao ˇto bismo ˇeljeli. ε2/3 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 363 maksimalnu greˇku odbacivanja kod aproksimacije derivacije podijeljenom razlikom. a ne O(ε). a p2 na [1. 2]. kad je ukupna greˇka najmanja. To pokazuje da ˇak i u najboljem sluˇaju. Posebno. dobivamo c c s 2/3 da je ona reda veliˇine O(ε ).7. 1]. Taj minimum se lako raˇuna. u formulama viˇeg reda za s s aproksimaciju derivacija. 1 Oˇito.

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

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

.n−1 (xn ) = f [xn−2 . za k = 1. n − 1. hn−1 + hn Greˇka u derivaciji (vidjeti prethodni odjeljak) je reda veliˇine O(h2 ). xk ] = . . xn ] = . z Za k = 0 pripadni polinom ima oblik p2. Uz oznaku hk = xk − xk−1 . xk+1 ] f [xk . xk ] + hk f [xk . h1 + h2 za k = 0. sk =  hk + hk+1                       (2h1 + h2 ) f [x0 . pa uvrˇtavanjem xn dobivamo s sn = p′2. ˇto znaˇi s c s c da je greˇka u funkciji reda veliˇine O(h3 ). x2 ](x − x0 ) (x − x1 ). xn−1 ] − hn f [xn−1 . Deriviranjem. xk ] + f [xk−1 . x1 ](x − x0 ) + f [x0 . xk+1 ] . xn−1 . x2 ](x0 − x1 ) = Za k = n pripadni polinom je p2.k (xk ) = f [xk−1 . h1 + h2 hk+1 f [xk−1 . za Besselovu po dijelovima kubiˇnu interpolaciju stavljamo c (2h1 + h2 ) f [x0 . xn−1 ] − hn f [xn−1 . hn−1 + hn Dakle. . xk+1 ](xk − xk−1 ). xk+1 ] − f [xk−1 . x1 .1 (x0 ) = f [x0 . xn ](2xn − xn−1 − xn−2 ) (hn−1 + 2hn ) f [xn−2 . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 366 a zatim. xk .7. hk + hk+1 hk + hk+1 k = 1. x2 ] . prethodna se formula moˇe napisati i kao z sk = f [xk−1 . tj. xk ] + hk f [xk . za k = n.1 (x) = f0 + f [x0 . s c . xk ] + hk hk+1 f [xk−1 . Deriviranjem. . . xn ](x − xn−2 ) (x − xn−1 ). deriviranjem i uvrˇtavanjem xk s sk = p′2. x1 ] + f [x0 . n. xn−1 ] + f [xn−2 . xn−1 . xn−1 ](x − xn−2 ) + f [xn−2 . xn ] . (hn−1 + 2hn ) f [xn−2 . x1 ] − h1 f [x1 . x2 ] . x1 ] − h1 f [x1 .n−1 (x) = fn−2 + f [xn−2 . sk je teˇinska srednja vrijednost podijeljene razlike unaprijed i unatrag. . pa uvrˇtavanjem x0 dobivamo s s0 = p′2. x1 . .

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

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

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

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

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

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

nego 0. Kad uzmemo u obzir da su svi polinomi pk kubiˇni. iako nisu ˇvorovi splajna u smislu pucanja c c c derivacija. xn−1 ] n . . . to ne znaˇi da ˇvorove x1 i xn−1 moˇemo izbaciti. onda je njihova tre´a derivacija ujedno i zadnja netrivijalna derivacija c c (sve viˇe derivacije su nula). . U c tom smislu. . Dakle. izlazi h2 s0 + (h1 + h2 )s1 = (h1 + 2(h1 + h2 ))h2 f [x0 . n − 1. 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. 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 . xn−1 . Standardno. te toˇke ostaju ˇvorovi interpolacije. b] koje nisu ˇvorovi). zadnja netrivijalna derivacija splajna puca u s unutarnjim ˇvorovima. . c s ˇ Cvorovi multipliciteta 0. xn ] + h2 f [xn−2 . x2 ] 1 . poˇev od zadnje netrivijalne. c Ova ˇinjenica. x1 ] + h2 f [x1 . greˇka aproksimacije za funkcijske vrijednosti je O(h4 ). . tj. odgovara tome da svi c unutarnji ˇvorovi splajna imaju multiplicitet 1.7. 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. nisu “pravi” ˇvorovi splajna. Dakle. kubiˇni splajn je klase C 2 [a. jer je multiplicitet ˇvora jednak c c broju zadnjih derivacija koje pucaju ili mogu pucati u tom ˇvoru (derivacije se c broje unatrag. . koja odgovara stupnju polinoma). pove´anje glatko´e splajna u (unutarnjem) ˇvoru smanjuje multiplicitet c c c tog ˇvora. c c Medutim. x1 ] f [x1 . x2 ] − s1 s1 + s0 − 2f [x0 . h1 h1 h2 h2 1 Sredivanjem. jer eventualne dodatne jednadˇbe z prirodno dodajemo sustavu kao prvu i zadnju. b]. (f) Ostali rubni uvjeti Svi dosad opisani naˇini zadavanja rubnih uvjeta “ˇuvaju” trodijagonalnu c c strukturu linearnog sustava za parametre sk . jer se tre´e derivacije polinoma pk i pk+1 ne c c c moraju zalijepiti u xk . x1 ] +2 = − h2 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 373 dobivamo f [x0 . u terminologiji teorije splajn funkcija. jer u njima i dalje c c z moraju biti zadovoljeni uvjeti interpolacije ϕ(x1 ) = f1 i ϕ(xn−1 ) = fn−1 . hn−1 + hn−2 Kao i dosad. Tre´a derivacija funkcije ϕ c c op´enito “puca” u tim ˇvorovima. naravno. . za k = 1. . x1 ] − s0 s1 + s0 − 2f [x0 . funkcija ϕ ima neprekidne z c druge derivacije u unutarnjim ˇvorovima x1 .

8163563200 0.9510565163 0.0000000000 −1. z Zadatak 7.0 fk 0. ˇto vodi na jednadˇbe s z p′1 (x0 ) = p′n (xn ). APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 374 Za aproksimaciju periodiˇkih funkcija na intervalu koji odgovara periodu. Dobiveni linearni sustav viˇe nije trodijagonalan.4 0. Primjer 7. Izraˇunajte vrijednost tog splajna u toˇki 0. jednadˇbe linearnog c c z sustava za splajn su hsk−1 + 4hsk + hsk+1 = 3(hf [xk−1 .2 Neka je f (x) = sin(πx). U praksi se najˇeˇ´e koristi zahc c sc tjev periodiˇnosti prve i druge derivacije na rubovima c ϕ′ (x0 ) = ϕ′ (xn ).3.6 0. Nadite prirodni splajn koji aproksimira funkciju f na [0.2 0.8163563200 −2. 1] s ˇvorovima interpolacije c xk = 0.5877852523 0.5877852523 0.9389262615 k = 1. . . x1 ] s4 + 2s5 = 3f [x4 . c c Budu´i da su toˇke ekvidistantne s razmakom h = 0.0000000000 0. c ovakvi oblici zadavanja rubnih uvjeta nisu pogodni. xk+1 ] 2. Za desnu stranu sustava trebamo izraˇunati prve podijeljene razlike c xk 0.9389262615 1. 5.7. p′′ (x0 ) = p′′ (xn ). 1 n ϕ′′ (x0 ) = ϕ′′ (xn ). .0 0. xk ] + hf [xk .1 Pokuˇajte na´i jedan takav algoritam. za k = 0. x5 ].0000000000 f [xk . . Za njegovo rjeˇavanje postoje s s efikasni algoritmi (sloˇenost ostaje linearna u n). . Da bismo oˇuvali periodiˇnost. dozvoljeno je i kombinirati razne oblike rubnih uvjeta u c jednom i drugom rubu.8 1. s c U sluˇaju potrebe. xk+1 ]). 4. periodiˇke rubne uvjete. Dodatne jednadˇbe (prva i zadnja) za prirodni splajn su z 2s0 + s1 = 3f [x0 . .3.55.2k. . .2. c c prirodno je postaviti tzv. .9510565163 0.

9699245271 0.8 0.9510565163 f [1] [xk ] 0. s c funkcija j=0 f (j) (0.4849622636 −0. 0. kojeg nalazimo iz tablice podijeljenih razlika xk 0. x3 ] = [0. s2 = −s3 = 0.8496226357 0.4 0. a druge derivacije O(h2 ).55.0898137920  ·  −1. restrikcija c c splajna na taj interval je polinom p3 .9874286861 0.0488479218 Vidimo da su aproksimacije vrlo toˇne. s1 = −s4 = 2.9510565163 0.2   s4   −2.0000000000 −0.7633557569 0.8496226357(x − 0.4 0. Greˇka aproksimacije funkcije je reda veliˇine O(h4 ).6]. p3 je zapravo kvadratni polinom.2    3          0.9510565163 + 0.0002596545 prva derivacija j=1 −0.2   =  1.9876883406 0.2 0.9699245271 f [2] [xk ] f [3] [xk ]      −4.0000000000 Odavde odmah slijedi da je taj kubiˇni polinom jednak c p3 (x) = 0.55) greˇka s 0.8531695489  s5 −1.4)2 .8531695489    s1             s2  0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 375 Iz svih ovih podataka dobivamo linearni sustav  1. To je zato ˇto c s ′′ ′′ funkcija f (x) = sin(πx) zadovoljava prirodne rubne uvjete f (0) = f (1) = 0.55 nalazi u intervalu [x2 . Budu´i da se toˇka x = 0.2 0.1387417029.7633557569 0.4914533661 −0.0064911026 druga derivacija j=2 −9.8 0.7.5392953786.9699245271.6992452715 −0. prve derivacije s c O(h3 ).0898137920    s  0.9699245271(x − 0.4 Rjeˇenje tog linearnog sustava za “nagibe” sk je s s0 = −s5 = 3.2  2.9510565163 0. .2 0. Pogledajmo joˇ aproksimacije za funkciju. kao i prirodni splajn. tj.6 0. prvu i drugu derivaciju u toˇki 0.6 fk 0.4. iako je h relativno velik.7480931932 −9.55) ϕ(j) (0.2 0.8 0.4) − 4.8 0.9510565163 0.4 0.2 s0        0.2 0.8496226357 −4.

ali da konc struiramo polinome niskog stupnja na nekoj subdiviziji segmenta od interesa. Zamislimo da je segment od interesa za interpolaciju [a. ˇelimo saˇuvati ˇto je mogu´e z z c s c ve´u glatko´u takvog interpolanta. tj. Po dijelovima polinomne funkcije koje zadovoljavaju zadane uvjete glatko´e zovemo polinomne splajn funkcije. Zahtijevamo li da S2 bude interpolacijski. 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). N. a = x0 < x1 < x2 < · · · < xN −1 < xN = b. jasno je da se taj parametar ne moˇe odrediti simetriˇno iz podataka. To je problem i s ostalim splajn z c interpolantima parnog stupnja. da razmotrimo po dijelovima polinomnu interpolaciju. tj.1) . (7. . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 376 7.4. Takav specijalni izbor splajna c zove se interpolacijski polinomni splajn. c Koeficijente u nekoj reprezentaciji polinomnog splajna odredit ´emo iz uvjeta inc terpolacije. . imamo po 3 nepoznata parametra (koeficijenti polinoma stupnja 2) na svakom intervalu. kao ˇto pokazuje sljede´a c s c intuitivna diskusija. tj. za po dijelovima paraboliˇne c aproksimacije globalnu diferencijabilnost. . . Niti posebnim izborom ˇvorova interpolacije ne moˇemo ukloniti taj fenomen. xN −1 ). c Zahtijev da vrijedi S2 ∈ C 1 [a. b]. mogu´e je na´i dva kubiˇna c c c c splajna. Taj bismo parametar mogli odrediti dodavanjem joˇ jednog ˇvora interpolacije. Ako je funkcija koju ˇelimo interpolirati glatka. . Interpolacija polinomnim splajnovima — za matematiˇare c Iskustvo s polinomnom interpolacijom ukazuje da polinomi imaju dobra lokalna svojstva aproksimacije. da vrijedi S2 (xi ) = fi . Ostaju dakle N +2 slobodna s c parametra. kao i u sluˇaju polinomne interpolacije. i = 0. 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. Splajnovi parnog stupnja mogu biti problematiˇni. ali da globalna uniformna pogreˇka moˇe biti vrlo ves z lika. c z Name´e se prirodna ideja da izbjegavamo visoke stupnjeve polinoma. . ili nekim dodatnim uvjetom na rubu cijelog s c intervala — recimo.7. itd. . Ukupno dakle treba na´i 3N slobodnih parametara. zadavanjem derivacije. To nas vodi na zahtijev da za po dijelovima linec c arne aproksimacije zahtijevamo globalnu neprekidnost. b] vezuje 2(N − 1) od tih parametara (neprekid′ nost S2 i S2 u N −1 unutraˇnjih ˇvorova x1 .4. Medutim. tj. . U sljede´a dva odjeljka istraˇit ´emo konstrukciju i svojstva aproksimacije c z c linearnog i kubiˇnog splajna. ostaje slobodan samo jedan parametar. za kubiˇne je splajnove c mogu´e zahtijevati pripadnost prostorima C 1 ili C 2 .

b] tako da vrijedi αf (a) + βf (b) = (α + β)f (ξ). tada postoji ξ ∈ [a. odnosno. xi+1 ]. pokaˇite da je S(n) vektorski prostor. hi hi hi x ∈ [xi . β imaju isti znak. xN ].1). . a ω(f ) je (oˇito) najve´a oscilacija po svim podintervalima mreˇe. . i dokaˇite da je dim S(n) = n + N. gdje je hi = xi+1 − xi .4.1 Ako je f ∈ C[a. u raznim normama c koje se koriste za aproksimaciju. z z 7. . Za precizno odredivanje reda konvergencije aproksimacija neprekidne funkcije f zgodno je uvesti oznake ωi (f ) = x′ . c c z .xi+1 ] ∈ Pn (Pn je prostor polinoma stupnja n). tada funkcija ψ(x) = αf (a) + βf (b) − (α + β)f (x) poprima suprotne predznake na krajevima intervala. za i = 0. . .1 Nadite ˇto je u gornjoj diskusiji neformalno. i = 0. . c Lema 7.7. . Dokaz. . . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 377 Zadatak 7. odnosno.x′′ ∈[xi . b] zadanoj s (7. N − 1. na mreˇi ˇvorova — subdiviziji segmenta [a. Ako je f (a) = f (b) tvrdnja je oˇigledna. i ˇto je potrebno za s s precizan matematiˇki dokaz. U dokazima ´emo koristiti jednu sporednu lemu. Oˇito imamo z c c S1 (x) = fi x − xi x − xi xi+1 − x + fi+1 = fi + (fi+1 − fi ). Algoritam za raˇunanje je trivijalan. uz ξ = a. ω(f ) = max ωi (f ).4.xi+1 ] 0≤i≤N −1 max |f (x′′ ) − f (x′ )|.1. i = 0. Tvrdnja vrijedi i ako je α = 0.4.4. (2) s ∈ C n−1 [x0 . jer moˇemo uzeti ξ = a ili ξ = b. Vrijednost ωi (f ) zovemo oscilacija funkcije f na podintervalu [xi . razmotriti svojstva interpolacijskog liz s nearnog splajna obzirom na glatko´u funkcije koja se interpolira. b) tako da je ψ(ξ) = 0. c z Ako je f (a) = f (b). N − 1. pa zbog neprekidnosti postoji ξ ∈ (a. β = 0. N. pa c moˇemo odmah ispitati pogreˇku. . uz ξ = b. b] i α. Linearni splajn Najjednostavniji linearni interpolacijski splajn S1 odreden je uvjetom globalne neprekidnosti i uvjetom interpolacije S1 (xi ) = fi . Ako je prostor polinomnih splajnova S(n) stupnja n c definiran zahtjevima: (1) s ∈ S(n) =⇒ s|[xi. xi+1 ]. .

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

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

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

trebalo bi dopuniti ili c popraviti direktni teorem! Ocjena optimalnosti konstanti je neugodan problem. ako f ima na svakom podintervalu ograniˇenu i integrabilnu drugu c derivaciju. |E(x)| ≤ 1 2 h t(1 − t) D 2 f 2 i ∞ ≤ 1 ¯2 h D2f 8 ∞.2 Dokaˇite da se u sluˇajevima (3) i (4) teorema 7.4. da vrijedi: s c (3) DS1 (x) − Df (x) (4) DS1 (x) − Df (x) ∞ ∞ ≤ ω(Df ). i tako redom? Teoremi koji se bave problematikom kao u (2) zovu se inverzni teoremi teorije aproksimacija.4. ¯ h ≤ D2f 2 ∞. Doista. 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. da nije tako. primijetimo da se prirodno pojavljuju dva vaˇna pitanja. h . na primjer. U ve´ini sluˇajeva to su iskazi tipa “red aproksimacije naveden u c c direktnom teoremu je najbolji mogu´i”. s c 2 3 ocjene s h . iskoristili nedovoljno “finu” nejednakost. 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. koji .2) slijedi xi x (xi+1 − v) D 2f (v) dv. 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. toˇnije.1 moˇe ocijeniti z c z i greˇka u derivaciji.4.4. moˇemo li dobiti c c z sve bolje i bolje ocjene za greˇku. Teoremi poput teorema 7. tj.1 pripadaju grupi teorema koji se nazivaju direktni teoremi teorije aproksimacija.7. da li smo zbog tehnike dokazic vanja napravili na nekom mjestu pregrubu ocjenu. Iako u daljnjem ne´emo slijediti ovaj pristup c do krajnjih detalja. z (1) Da li su navedene ocjene najbolje mogu´e. u sluˇaju linearnog splajna. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 381 Na kraju. Zadatak 7.

N − 1. xi+1 ]. N. . ali red aproksimacije z 2 ´e ostati h . Definicija 7.4. Iako se u daljnjem ne´emo baviti op´im teoremima aproksimacije. da vrijedi “=” umjesto “≤”. . (2) H(xi ) = fi . . moˇemo razmatrati i c z Hermiteovu interpolaciju splajn funkcijama.2. teoremi zasi´enja teorije aproksimacija. za i = 0.2. c z s 7. za linearni splajn moˇemo staviti da je f ∈ C ∞ [a.4. b] koja zadovoljava (1) H(x) = ai0 + ai1 (x − xi ) + ai2 (x − xi )2 + ai3 (x − xi )3 . b] DS xi + hi 2 N −1 i=0 C 3 [xi . . Hermiteov kubiˇni splajn c Kao i u sluˇaju Hermiteove interpolacije polinomima. z Sliˇni su i tzv. N. . . raniju diskusiju). xi+1 ]. 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. Hermiteov interpolacijski kubiˇni splajn je funkcija c 1 H ∈ C [a. DH(xi ) = fi′ . Koriste´i Hermiteovu bazu iz teorema 7. 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. tj. = Df xi + hi + O(h2 ).7.4 Ako je f ∈ C[a. tada vrijedi i = 0.4. lagano vidimo da vrijedi ′ H(x) = ϕ1 (t)fi + ϕ2 (t)fi+1 + ϕ3 (t)hi fi′ + ϕ4 (t)hi fi+1 . pa je ocjena ujedno i najbolja mogu´a.3 Pokaˇite da u sluˇaju (4) teorema 7. to je efekt superkonvergencije. c Zadatak 7. t= x − xi .4 na svakom podintervalu mreˇe c z [xi . . Ako preskoˇimo paraboliˇke splajnove c c (v. c Zadatak 7. za i = 0. . i 2 Iz toga moˇemo zakljuˇiti da red aproksimacije derivacije u specijalno izabranim z c toˇkama moˇe biti i viˇi od optimalnog. b]. nedostaje mu “snage aproksimacije”.3) .4.4. fi′ . za svaki x ∈ [xi . .1 funkcija f (x) = x2 igra z c ulogu ekstremale. .4. . hi (7. Sam prostor u kojem se aproksimira jednostavno ne moˇe toˇnije reproc z c ducirati funkciju koja se aproksimira. xi+1 ]. .1 Neka su u ˇvorovima a = x0 < x1 < · · · < xN = b zadane vric jednosti fi . prvi je netrivijalni sluˇaj po dijelovima kubiˇnih splajnova s c c globalno neprekidnom derivacijom. svi direktni teoremi koji c c slijede optimalni su u smislu postojanja odgovaraju´ih inverznih teorema i teorema c zasi´enja.

. kao ˇto ´emo vidjeti kasnije. xi+1 ] tada je ∞ ∞ H(x) − f (x) ≤ 1 ¯3 h D3f 96 ∞. (7. xi+1 ] tada je ∞ H(x) − f (x) (4) ako je f ∈ C 1 [a. ϕ2 (t) = t2 (3 − 2t). vrijede c c sljede´e uniformne ocjene pogreˇke: c s (1) ako je f ∈ C 1 [a.4. . b] N −1 i=0 ∞ ∞ ≤ 3¯ h ω(Df ). i tada ne moˇemo viˇe oˇekivati isti red z z s c s konvergencije.4) i zapamtiti ih. xi+1 ].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. N − 1. 32 L3 [xi .4. ovisno o glatko´i funkcije f . hi fi+1 − fi Bi = Ai + − fi′ .2 Za Hermiteov kubiˇni splajn. C 2 [xi . . Teorem 7. 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 ). medutim.4. 8 ≤ 1 ¯2 h D2f 16 ∞. Hermiteov splajn raˇunamo formulom c c H(x) = fi + (thi ) [fi′ + t(Bi + tAi )]. ϕ4 (t) = −t2 (1 − t). za i = 0. Vrijednost Hermiteove interpolacije je. b] tada je H(x) − f (x) (2) ako je f ∈ L2 [a.7. (7. ϕ3 (t) = t(1 − t2 ). To je problem pribliˇne Hermiteove interpolacije. . viˇe teorijska nego praktiˇna. b] tada je ∞ H(x) − f (x) (3) ako je f ∈ C 1 [a. Za zadanu toˇku x ∈ [xi . preostaje c c sc nam samo da ih aproksimiramo iz zadanih vrijednosti funkcije. b] N −1 i=0 ≤ 1 ¯2 h ω(D 2 f ). . hi Ai = −2 ϕ1 (t) = (1 − t)2 (1 + 2t).

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

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

12 1¯ D 3 H(x) − D 3 f (x) ∞ ≤ h D 4 f ∞ . b] i=0 L4 [xi . (7. 2 Uputa: Treba derivirati integralnu reprezentaciju za E(x). |E(x)| ≤ ∞. tj. τ ) = t2 (1 − τ )2 [−3(1 − t) + (3 − 2t)(1 − τ )]. Odavde slijedi ocjena greˇke za E(x) s t = 1/2. r ∈ {0. 1/2]. gdje su Cr konstante ovisne o r. 3}. Zadatak 7. dovoljno je razmatrati t ∈ [0. na´i integralnu reprec k zentaciju za D E(x). 1. τ ) D 4 f (xi + τ hi ) dτ  .   pa zakljuˇujemo da vrijedi c ψ1 (t. a dokazuju se sliˇnom tehnikom. za s Na kraju. τ ) = (1 − t)2 τ 2 [−3t + (1 + 2t)τ ]. tj. k = 1. 1]. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 386 Zbog simetrije. ocjene treba traˇiti u obliku c s z D r H(x) − D r f (x) ∞ ¯ ≤ Cr hef −r Mf . 2. c . t2 (1 − t)2 4 hi D 4 f 4! ∞.5 Pokaˇite da za f ∈ C 1 [a. c Maksimalna greˇka je u xi + hi /2. xi+1 ] (sluˇaj (6) iz prethodz c ∞ nog teorema) vrijede sljede´e ocjene za derivacije: c √ 3 ¯3 DH(x) − Df (x) ∞ ≤ h D4f ∞. 3.4. ako f ima ograniˇenu i integrabilnu ˇetvrtu derivaciju na svakom c c podintervalu.2 izvesti sliˇne ocjene za one derivacije koje imaju smisla obzirom na c pretpostavljenu glatko´u. tada je 1  E(x) = h4  6 i  0 t 1 ψ1 (t. 216 1 ¯2 D 2 H(x) − D 2 f (x) ∞ ≤ h D4f ∞.4. 2. Sliˇno slijedi i ocjena (4). τ ) D 4 f (xi + τ hi ) dτ + t gdje su ψ2 (t. ψ2 (t. a osnovni eksponenti ef i “mjere” funkcije Mf ovise samo o klasi funkcije (ne i o r).4.6 Pokuˇajte za prvih pet sluˇajeva (klasa glatko´e funkcije f ) iz teos c c rema 7.7. Uvjerite c se da ocjene imaju smisla samo za r ≤ ef . 2 3 (3 − 2t) ∞.7) Odavde se lagano dobije ocjena za E(x) N −1 Zadatak 7. pa slijedi |E(x)| ≤ 2 3 t2 (1 − t)3 hi ωi (D 3 f ).4. Prema proˇlom zadatku. pa se mogu “proˇitati” iz teorema (r = 0). t ∈ [0.

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

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

.10) treba dodati joˇ neke rubne uvjete. . prema (7. . Naravno.4.4.7. traˇimo da S3 zadovoljava uvjete interpolacije S3 (xi ) = fi . za i = 0. (R2) i (R3) dobivamo linearni sustav oblika 2m0 + µ∗ m1 = c∗ . . . 2 hi−1 hi−1 hi−1 ci = 3 µ i fi+1 − fi fi − fi−1 + λi . N. c z DS3 (xi ) = mi . koriste´i globalnu neprekidnost c c 2 2 D S3 . ve´ nepoznate derivacije mi ostavljamo kao parametre. za i = 1. za nepoznate parametre uzimamo vrijednosti druge derivacije splajna u ˇvorovima. za nepoznate parametre koje treba odrediti uzimamo vric jednosti prve derivacije splajna u ˇvorovima. Tradicionalna oznaka za te parametre c je mi := DS3 (xi ). uvjete neprekidnosti D 2 S3 u xi . (7. uz tradicionalnu oznaku Mi := D S3 (xi ). . pa nam fale joˇ dvije jedz s nadˇbe. Napomenimo odmah da se ta dva algoritma dosta ravnopravno koriste u praksi. . koje treba odrediti c tako da se postigne globalna pripadnost splajna klasi C 2 [a. .4. i = 1. . . Drugim rijeˇima. b]. N. a mi nepoznati.9) gdje je t = (x − xi )/hi . za i = 0. λ∗ mN −1 + 2mN = c∗ . U prvom. 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).11) . za i = 0.4. a za ocjenu greˇke trebamo i jednog i drugog. uvjetima (7. Dobili smo N − 1 jednadˇbi za N + 1 nepoznanica mi . za x ∈ [xi . . . 0 0 λi mi−1 + 2mi + µi mi+1 = ci . z s Za rubne uvjete (R1). . .3). . h2 hi hi i fi − fi−1 2mi−1 4mi + + . pa ´emo napraviti oba izvoda. Uz standardne oznake iz prethodnog odjeljka.4. . . ali ne zadajemo derivacije. N − 1.10) D 2 S3 (xi − 0) = −6 Uz oznake µi = hi−1 . N − 1. hi hi−1 (7. . . mi+1 moramo odrediti tako da je druga derivacija D 2 S3 neprekidna u unutraˇnjim ˇvorovima. U drugom. 2 hi hi hi fi+1 − fi 4mi 2mi+1 − − . . Parametre mi . . N. 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). gdje su fi zadani. xi+1 ]. . (7. N N i = 1. . s c Prvi algoritam dobivamo primijenom Hermiteove interpolacije. hi−1 + hi λi = 1 − µ i . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 389 Algoritam za konstrukciju interpolacijskog kubiˇnog splajna moˇemo izvesti c z na dva naˇina. . moˇemo napisati u obliku z λi mi−1 + 2mi + µi mi+1 = ci . N − 1.

s (uz dogovor λ∗ = λN i µ∗ = µ0 ). tj. 0 N c∗ = 3 0 f1 − f0 h0 2 − D f (a). s Teorem 7.4.12). c z c Ostaje odgovoriti na oˇito pitanje: da li dobiveni linearni sustavi imaju jedinc stveno rjeˇenje.4. Za rubne uvjete 0 0 N N (R1) imamo µ∗ = λ∗ = 0. z (3) Hornerovom shemom (7. c∗ . Zbog pretpostavke periodiˇnosti. λ∗ i c∗ odreduju se ovisno o rubnim uvjetima. c Ako je f periodiˇka funkcija. c∗ = 2Df (b). . s (2) Binarnim pretraˇivanjem nadi indeks i tako da vijedi x ∈ [xi . tj. (7. ˇto povlaˇi regularnost.4. µN m1 + λN mN −1 + 2mN = cN . i = 2.11) ili (7.1 (Interpolacijski kubiˇni splajn) c (1) Rijeˇi linearni sustav (7. Naime. svi dijagonalni s c elementi su jednaki 2. fN +1 = f1 .5) izraˇunaj S3 (x). . z c c z s c ali tako da je xN +1 − xN = x1 = x0 . c jednadˇbi oblika (7. λi mi−1 + 2mi + µi mi+1 = ci . hN = h0 . dobivamo sustav od samo N jednadˇbi z 2m1 + µ1 m2 + λ1 mN = c1 .12) Uoˇite da smo jednadˇbu m0 = mN ve´ iskoristili za eliminaciju nepoznanice m0 . h0 2 c∗ = 3 N fN − fN −1 hN −1 2 + D f (b). Da bismo zapisali uvjet periodiˇnosti druge derivacije. 0 N 0 N a za rubne uvjete (R3) µ∗ = λ∗ = 1.3 Postoji jedinstveni interpolacijski kubiˇni splajn koji zadovoljava jec dan od rubnih uvjeta (R1)–(R4). Na taj naˇin. a zbroj izvandijagonalnih elemenata je najviˇe λi + µi = 1. c . hN −1 2 Prirodni rubni uvjeti (R2) su specijalni sluˇaj (R3). . U svim navedenim sluˇajevima lako se vidi da je matrica linearnog sustava c strogo dijagonalno dominantna. uvjet periodiˇnosti druge c c derivacije postaje ekvivalentan uvjetu neprekidnosti druge derivacije u toˇki xN . tako da dodamo joˇ jedan ˇvor xN +1 . N 0 Algoritam 7. .4. mN +1 = m1 . m0 = mN . c∗ = 2Df (a). uz D 2 f (a) = D 2 f (b) = 0. Kad iskoristimo sve pretpostavke z f0 = fN .10) za i = N. N − 1. onda je f0 = fN i m0 = mN (periodiˇki rubni c c uvjet na prvu derivaciju). xi+1 ). c moˇemo na periodiˇki naˇin produljiti mreˇu.4. c moramo staviti fN +1 = f1 i mN +1 = m1 . Dokaz.4. hN = h0 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 390 Koeficijenti µ∗ .4.7.

Njega ne treba koristiti. . Dobivamo oblik s S3 (x) = fi (1 − t) + fi+1 t − h2 i t(1 − t) [Mi (2 − t) + Mi+1 (1 + t)]. matrica ne ovisi o vrijedc nostima funkcije koja se interpolira. za x ∈ [xi . . Na svakom podintervalu [xi . .4. . D 2 S3 (xi ) = Mi . Medutim. za i = 0. Takoder. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 391 Primijetimo da je za rjeˇavanje sustava potrebno samo O(N) operacija. koju treba izraˇunati samo jednom. 6 gdje je opet t = (x − xi )/hi . Ovaj sustav jednadˇbi ima jedinstveno rjeˇenje (dokaˇite to). hi D 2 S3 (x) = Mi (1 − t) + Mi+1 t. xi+1 ]. . Zadatak 7. D 3 S3 (x) = . tj. traˇenu reprezentaciju moˇemo c z z jednostavno i “pogoditi”. obzis rom na specijalnu vrpˇastu strukturu matrice. . hi 6 Mi+1 − Mi .4. . c Za raˇunanje vrijednosti S3 (x) obiˇno se koriste formule (7. definiciju 7. Zaˇto? s Kao ˇto smo ve´ rekli. Odavde lako izlazi DS3 (x) = fi+1 − fi hi − [Mi (2 − 6t + 3t2 ) + Mi+1 (1 − 3t2 )].4)–(7. za svaki x ∈ [xi . Odmah se vidi da traˇena korekcija z ima oblik linearne interpolacije druge derivacije puta neki kvadratni faktor koji se poniˇtava u rubovima. na´i vezu izmedu definicionog z c oblika splajna (v. xi+1 ] kubiˇni splajn S3 je kubiˇni polinom kojeg c c odredujemo iz uvjeta interpolacije funkcije i druge derivacije u rubovima S3 (xi ) = fi .4. D 2 S3 (xi+1 ) = Mi+1 . S3 (xi+1 ) = fi+1 . moˇemo napisati algoritam konverzije.4.5).2) i oblika danog formulama (7. odakle onda moˇemo z s z z izraˇunati koeficijente kubnog polinoma. kao nepoznanice javljaju c 2 Mi := D S(xi ). xi+1 ] i i = 0. pa se korak (1) u Algoritmu 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 . Zbog popularnosti i ˇeste implementacije izvedimo c ukratko i ovu reprezentaciju.4. .5). u nekim sluˇajevima ugodnija je druga reprezentacija s c c interpolacijskog kubiˇnog splajna. Definiciona reprezentacija splajna kao kubiˇne funkcije na svakom podintervalu subdic vizije zove se ponekad i po dijelovima polinomna reprezentacija.4.4)–(7. N − 1.4. Ako c c je potrebno raˇunati splajn u mnogo toˇaka (recimo. ako S3 (x) na [xi .1 sastoji od LR faktorizacije matrice. umjesto mi .7. ili skra´eno c PP–reprezentacija. N. u kojoj se. u svrhu brze reprodukcije grafa c c splajna). xi+1 ] napiˇemo kao linearnu interpolaciju s funkcijskih vrijednosti plus neka korekcija.

4. Teorem 7.9 Napiˇite nedostaju´e jednadˇbe za rubne uvjete.4)–(7. Kako je fi+1 − fi hi − (2Mi + Mi+1 ). To treba dodatno zahtijevati. µi = hi−1 /(hi−1 + hi ) i λi = 1 − µi .4. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 392 Interpolacija druge derivacije u ˇvorovima ne garantira da je i prva derivacija nec prekidna. Tada vrijedi D r S3 (x) − D r f (x) ∞ ¯ ≤ Cr hef −r Mf . N − 1.8). .4. 3. r = 0. Ocjena greˇke za potpuni kubiˇni splajn je teˇi problem nego za Hermiteov s c z kubiˇni splajn.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 − . ef osnovni eksponenti i Mf “mjere” funkcije (ef . Zadatak 7.4 Neka je S3 interpolacijski kubiˇni splajn za funkciju f koji zadovoc ljava jedan od rubnih uvjeta (R1)–(R4) u (7.4. budu´i da su koeficijenti zadani implicitno kao rjeˇenje jednog linec c s arnog sustava. . 1. gdje je Mi := Mi /6.5) za algoritam 7. Na kraju.4. gdje su Cr konstante (ovisne o r).13) za i = 1. primijetimo da je algoritam za raˇunanje vrijednosti S3 (x) vrlo sliˇan c c ranijem. hi hi−1 (7. 2. kao i prije. i pokaˇite da je s c z z matrica sustava strogo dijagonalno dominantna. . . gdje je.4. hi 6 fi − fi−1 hi−1 DS3 (xi − 0) = + (Mi−1 + 2Mi ).7. s tim ˇto treba primijeniti malo drugaˇiju Hornerovu shemu (ekvivalent s c formula (7.1): S3 (x) = fi + t {(fi+1 − fi ) − (xi+1 − x) [(xi+1 − x + hi )Mi + (hi + x − xi )Mi+1 ]}.

takoder. 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). ne i o r). Dokaˇimo neke od ocjena u teoremu 7. Neka je H Hermitski interpolacijski kubiˇni splajn i S := S3 interpolacijski c kubiˇni splajn. dani sljede´om tablicom: c Klasa funkcije C 1 [a.3)). b] L3 [a.4. sve su konstante najbolje c c mogu´e).4. Osim toga.86229 2 3 4 27 2 27 1 24 C2 C3 ω(D 2f ) D f C 3 [xi . xi+1 ] (v. Napomenimo. b] C 2 [a. u zadz z c njem redu tablice. f ∈ C[a. (7. Oba interpolacijska splajna S(x) i H(x) moˇemo reprezentirati preko Hermiteove z baze na svakom intervalu [xi . z β := Mjesta u tablici koja nisu popunjena znaˇe da ne postoje odgovaraju´e ocjec c ne. b] ∞ C 2 [a. xi+1 ] L4 [xi . da rijetko koriˇtene ocjene koje odgovaraju joˇ niˇoj s s z glatko´i funkcije f .9). nije poznato da li su sve konstante optimalne. (7. b] ili f ∈ L1 [a. b] ∞ C 2 [a. 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 ))]. koji podrazumijeva najve´u glatko´u.7. b] nisu navedene. iako se to moˇe pokazati u nekim vaˇnim sluˇajevima (na primjer. c Dokaz. iako se c ∞ mogu izvesti (dokaz nije trivijalan). . 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. b] L2 [a.4 (preostale pokaˇajte dokazati z s sami). na primjer. Tada greˇku moˇemo napisati kao c s z E(x) := S(x) − f (x) = [H(x) − f (x)] + [S(x) − H(x)]. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 393 i Mf ovise samo o klasi funkcije.4.

Ove ocjene. 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). Ostaje dakle ocijeniti drugi c c ˇlan na desnoj strani u (7.5 i 7.1).4.16) Sliˇno je i za tre´u derivaciju c c |D 3 S(x) − D 3 f (x)| ≤ |DS1 (x) − D 3 f (x)| + 2 max |Mi − D 2 f (xi )|. 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)|. a ocjene za |DH(x) − Df (x)| mogu se izvesti na sliˇan naˇin (v. zadatke 7.16) i (7.4. Ali. pa je stoga |DS(x) − Df (x)| ≤ |DH(x) − Df (x)| + [(1 − t)|1 − 3t| + t|2 − 3t|] max |mi − Df (xi )|.4.7.15) Ocjene za |H(x) − f (x)| izveli smo u teoremu 7.4.14) Za derivaciju imamo DS(x) − Df (x) = [DH(x) − Df (x)] + [(1 − t)(1 − 3t) (mi − Df (xi )) − t(2 − 3t) (mi+1 − Df (xi+1 ))]. 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 7.4.4. (7.4.14) i (7. (7. 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 )|.4. i .15).17) mini hi i Ako pogledamo nejednakosti (7.14).4.4. i (7.4. i (7. ovise o klasi funkcija. kao i sve druge. c Za drugu derivaciju znamo da je D 2 S(x) = Mi (1 − t) + Mi+1 t.15).4. Tvrdimo da vrijedi max |mi − Df (xi )| ≤ qf .4.4.4. (7.6).17). i (7. vidimo da preostaje ocijeniti maxi |mi − Df (xi )| i maxi |Mi − D 2 f (xi )|.

4. b] ∞ C 2 [a. b] L3 [a. ˜ i = 1. . ili q = A−1 c. osim z −1 prve i zadnje). b] ∞ C 2 [a. Sada nije teˇko ocijeniti A ∞ s A=2 I+ 1 B 2 =⇒ A−1 ∞ ≤ 1 1 1− B 2 2 ∞ −1 ≤ 1. N − 1. b] C 2 [a. zapiˇimo ovaj sustav u matriˇnom obliku Aq = c. Zbog λi + µi ≤ 1 (jednakost vrijedi u svim jednadˇbama. slijedi B ∞ ≤ 1.4. s c ˜ ˜ Vidimo odmah da je A = 2I+B. λi qi−1 + 2qi + µi qi+1 = ci . (7. Na kraju. da bismo dokazali ocjene iz tablice za qf . dobijemo sustav q0 = 0. gdje su desne strane ci = 3µi ˜ fi+1 − fi fi − fi−1 + 3λi hi hi−1 − λi Df (xi−1 ) − 2Df (xi ) − µi Df (xi+1 ). gdje je B matrica koja sadrˇi samo izvandijagonalne z elemente λi i µi . qN = 0. .7. iz q = A−1 c slijedi ˜ |qi | ≤ q ∞ ≤ A−1 ∞ c ˜ ∞ c = max |˜i|. dovoljno je ocijeniti |˜i |. xi+1 ] ∞ i Da dokaˇemo ovu tablicu. xi+1 ] L4 [xi . b] L2 [a. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 395 gdje je qf dan sljede´om tablicom za 6 karakteristiˇnih klasa funkcija: c c Klasa funkcije C 1 [a.18) Da bismo ocijenili |qi |.11) nove nepoznanice qi := mi − Df (xi ). Uvez demo li u linearnom sustavu (7. . i Drugim rijeˇima. . pretpostavimo rubne uvjete (R1) na derivaciju. 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 . c c .

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

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

xi+1 ] ∞ i Tehnika dokaza ove tablice je dosta sliˇna onoj za prethodnu tablicu. . Da bismo na kraju dokazali ovaj teorem. 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 . xi+1 ] L4 [xi . ∞ Kljuˇna je ocjena (7. . b] ∞ C 2 [a. s time c da se oslanja na linearni sustav (7. c a ovdje ih koristimo samo na rubu (uz rubne uvjete (R1)). |S(x) − f (x)| ≤ a drugi dio proˇitamo u tablici za maxi |mi − Df (xi )|. pa ocjene ostavljamo kao zadatak. . xi+1 ].4. hi 1 5 ¯4 t(1 − t) [1 + t(1 − t)] max h4 D 4 f ∞ ≤ h D4f ∞. b] i L4 [xi . Ukupno je dakle c 7. Diskretna metoda najmanjih kvadrata Neka je funkcija f zadana na diskretnom skupu toˇaka x0 . moramo na´i ocjene oblika c c max |Mi − D 2 f (xi )| ≤ Qf . xn kojih je c mnogo viˇe nego nepoznatih parametara aproksimacijske funkcije s ϕ(x. . za ocjenu druge i tre´e derivacije. za koju.7. u ovisnosti o klasi funkcije: c Klasa funkcije C 2 [a. . ograniˇimo se na “najglatkiju” klasu c funkcija C 2 [a. b] C 2 [a. 1].14): c |S(x) − f (x)| ≤ |H(x) − f (x)| + hi t(1 − t) max |mi − Df (xi )|.5. . t= x − xi ∈ [0.4. prema (7. i I u ovom sluˇaju imamo tablicu s 4 ocjene.7). i Prvi dio ˇini greˇka kod interpolacije Hermiteovim splajnom. a0 .13). .4. koji zahtijeva poznate derivacije funkcije f u svim ˇvorovima interpolacije. b] L3 [a. am ). tehnika dokaza potpuno je ista i za sve druge klase. c s znamo da vrijedi |H(x) − f (x)| ≤ t2 (1 − t)2 4 hi D 4 f 4! ∞. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 398 Nadalje. . 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.

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

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

Tada svaki polinom pn ima toˇno n razliˇitih z c c (jednostrukih) realnih nultoˇaka na otvorenom intervalu (a. a zatim integriranjem na [a. To je posljedica sljede´e tvrdnje. b). pn = bn pn . pm = n=0 bn pn . onda je f. pm = 0.2 Neka je {pn (x) | n ≥ 0} familija ortogonalnih polinoma na intervalu [a. c .7. pn > 0. zbog svojstva ortogonalnosti ortogonalnih polinoma pn . dobivamo m f. a ne do m. pa polinomom pn . te integriranjem. pn = pn . tj. pm je okomit na sve polinome stupnja strogo manjeg od m. pn . Ostaje samo odrediti koeficijente bj . pn . pm je okomit na f . samo su svi dodatni koeficijenti bn = 0.1 Ako je f polinom stupnja manjeg ili jednakog m − 1. Teorem 7. tj.8. Dokaz. b]. za n = m. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 415 u standardnoj bazi. za j = n. tj. Po prethodnom teoremu. Mnoˇenjem prethodne relacije teˇinskom funkz z cijom w. odmah slijedi da se i f moˇe napisati kao neka linearna kombinacija ortogonalnih z polinoma stupnjeva manjih ili jednakih m. koriste´i ortogonalnost pj i pn . pn = j=0 bj pj . pn . f se moˇe razviti po ortogonalnim polinomima z stupnja manjeg ili jednakog m − 1 m−1 f (x) = n=0 bn pn (x). Razvoj polinoma f stupnja m iz prethodnog teorema moˇemo napisati i tako z da suma ide do ∞. pm = 0. Budu´i da se svaki monom moˇe napisati kao linearna kombic z nacija ortogonalnih polinoma stupnja manjeg ili jednakog od stupnja tog monoma. Dakle.8. Odatle odmah slijedi da je c bn = jer je pn 2 f. za n > m. dobivamo da je z m−1 f. skalarnim mnoˇenjem z s pn . da vrijedi m f= j=0 bj pj . c Korolar 7. Mnoˇenjem s w(x)pm (x). b] s teˇinskom funkcijom w(x) ≥ 0. pm = 0.

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

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

Iz prve od dvije prethodne s relacija. onda je jednak 1 sin(k + ℓ)x sin(k − ℓ)x − − 2 k+ℓ k−ℓ Drugim rijeˇima. cos 2x. b] s teˇinskom funkcijom w(x) ≥ 0. onda je prethodni integral jednak c 1 sin(k + ℓ)x −x − 2 k+ℓ Ako je k = ℓ. Manipulacijom troˇlane rekurzije.7. sin 3x. . .8. . ℓ = 1. .4 (Christoffel–Darbouxov identitet) Neka je {pn (x) | n ≥ 0} familija ortogonalnih polinoma na intervalu [a. vrijedi c 2π 2π 2π = π. } ˇine ortogonalnu familiju funkcija na intervalu [0. 2π] uz mjeru c dλ = dx na [0. 0 inaˇe. c n 7. k. sin 2x. ℓ ∈ N0 . z Za njih vrijedi sljede´i identitet c pn+1 (x)pn (y) − pn (x)pn+1 (y) pk (x)pk (y) = . Teorem 7. U sluˇaju da je k = ℓ. π. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 418 Ostaje joˇ samo pokazati koliki su koeficijenti dn−1 i dn . cos x. . 0 0 sin kx · sin ℓx dx = 0. k = ℓ. . 0 = 0. . . usporedivanjem vode´ih koeficijenata funkcije G i vode´ih koeficijenata func c cije s desne strane.9. 2π]. k = ℓ. . cos 3x. Tada vrijedi z 2π 0 1 sin kx · sin ℓx dx = − 2 2π 0 (cos(k + ℓ)x − cos(k − ℓ)x) dx. dobivamo relaciju za dn . 2. γk an γn (x − y) k=0 Dokaz. c Pokaˇimo da je to zaista istina. Trigonometrijske funkcije Trigonometrijske funkcije {1. . Neka su k. sin x. . .

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

. k = ℓ = 0. N +1 N +1 (7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 420 vrijede sljede´e relacije ortogonalnosti c N sin xk sin xℓ = x=0 N 0. oznaˇimo s c 2πj 2πj + i sin . . k = ℓ. 1. .7. . 2π 4π 2Nπ (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)/2. . k = ℓ i k = ℓ = 0. Ako je k + ℓ ≤ N. . N +1 N +1 N +1 Ako je k = ℓ.9.1) 2π 2π + i sin . uz uvjet da je k + ℓ ≤ N. Clanovi c ωj = cos Nadalje. Iskoristimo formulu za pretvaranje produkta z dva sinusa u zbroj trigonometrijskih funkcija. . . 2π (k − ℓ) N +1 podsje´aju na argumente (N + 1)-og korijena iz 1 (“viˇak” je (k − ℓ)).  N + 1. onda su za x = 0. Oznaˇimo s c s c ωj . ˇ Za sluˇaj k = ℓ koristimo znanje iz kompleksne analize. sin xk cos xℓ = 0 x=0 N cos xk cos xℓ = x=0   0. N sve (N + 1)-ve korijene iz 1. N onda su argumenti prvog kosinusa s desne strane redom 0. Dokaz. k = ℓ = 0. N +1 x=0 k = ℓ. (k − ℓ). . N +1 N +1 Primijetite da se tada svi (N + 1)-vi korijeni iz 1 mogu. Dokaˇimo samo prvu relaciju. . (N + 1)/2. onda su svi argumenti prvog kosinusa 0. . k = ℓ = 0. j = 0. . (k − ℓ). . koriˇtenjem De Moivreove s formule (za potenciranje kompleksnih brojeva) napisati kao ω = cos ωj = ω j . pa je N cos x=0 N 2π (k − ℓ)x = cos 0 = N + 1.

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

.2) z zvat ´emo trigonometrijski polinom. N} c z moˇemo koristiti kao ortogonalnu familiju.3) 2π 2π kx := kx. ako je Tn (x) = f (x) onda mnoˇemjem (7. Linearne kombinacije funkcija (7. 2 Odatle odmah zakljuˇujemo da je (piˇu´i k umjesto ℓ) c s c ak = 2 2L + 1 2L f (x) cos xk . c Naˇalost baze takvih trigonometrijskih polinoma ovise o parnosti N.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 . ˇime je pokazana relacija ortogonalnosti za sinuse.9. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 422 za j + k = 0. . . 2 k=1 (7. . . N +1 2L + 1 Koeficijenti trigonometrijskog polinom odreduju se iz relacija ortogonalnosti na uobiˇajeni naˇin.2) pri ˇemu su dozvoljeni k ∈ N0 za kosinuse i k ∈ N za sinuse. . z Neparan broj toˇaka c Neka je zadan neparan broj toˇaka M = {0. L. x=0 k = 0.9.7. . c Ovo znaˇi da restrikcije funkcija c cos 2π kx. na mreˇi {0. Ako trigonometrijski polinom interpolira c TN interpolira funkciju f u x ∈ M. .9. tj. N = 2L}. 1. mnoˇenjem lijeve i desne strane u (7. . . a pripadna trigonometrijska aproksimacija ima oblik TN (x) = pri ˇemu je c xk = L a0 + (ak cos xk + bk sin xk ).9.3) izabranom funkcijom c c z baze uz koju je odgovaraju´i koeficijent. . . .9. N +1 sin 2π kx N +1 (7. 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 . Za bazu se c tada uzima prvih L + 1 kosinusa (prvi je konstanta) i prvih L sinusa.

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

Zbog toga se jednostavno koristi za interpolaciju trigonometrijskih funkcija.9. Sliˇno kao kod interpolacije biramo c poˇetni dio baze (7.9. pa je c c 1 2π 2π T2 (x) = a0 + a1 cos x + b1 sin x.5) 2 k=1 . M ≤ N. trigonometrijski polinom koji interpolira zadane toˇke je c 2 2 2π − cos x.9. z jer je dovoljno uzeti podskup baze prostora. broj toˇaka je neparan.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. TN z c c c ima period N + 1. 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. Trigonometrijski polinom odgovaraju´eg c stupnja je m 1 TM (x) = A0 = (Ak cos xk + Bk sin xk ).7. (7. a dovoljno je zadati samo toˇke x iz jednog perioda. 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 = . 2 3 3 Prema formulama za koeficijente. Takoder moramo paziti na parnost/neparnost broja toˇaka c c N i na parnost/neparnost stupnja trigonometrijskog polinoma M. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 424 Zadatak 7.2 Pokaˇite da i u sluˇaju neparnog i u sluˇaju parnog broja toˇaka. c Primjer 7. Ilustrirajmo to na sluˇaju N = 2L paran (broj toˇaka neparan) i M = 2m c c paran (neparna dimenzija potprostora). 3 3 3 Metoda majnanjih kvadrata za trigonometrijske funkcije I za metodu najmanjih kvadrata moˇemo koristiti trigonometrijske polinome. c Budu´i da je N = 2. 3 3 3 a0 = Prma tome.2).9. a zatim c izraˇunajmo TN (1/2) i TN (3/2).

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

. . z c P neparan (tj. . toˇaka je paran broj) i neka je P period funkcije f . bk za k > m. Zadatak 7. broj toˇaka paran N = 2L − 1. P k = 0. Prethodni oblik greˇke ˇesto se koristi za des s c tekciju stupnja trigonometrijskog polinoma. . L − 1. . c 3.3 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. m k = 1. . s c c Zadatak 7. Ovaj oblik minimalne greˇke nije praktiˇan. 1.9. broj toˇaka paran N = 2L − 1.9. jer nagli pad greˇke pri dizanju stupnja s trigonometrijskog polinoma znaˇi da smo otkrili stupanj polinoma. c Zadatak 7. P 2π kx.9.7. c 2. Greˇka pritom c s ne mora biti 0. . . . P − 1}. jer je pojava mogla imati sluˇajne greˇke koje smo ionako ˇeljeli c s z maknuti. . . broj toˇaka neparan N = 2L. k 2 k=m+1 k Prema tome. . . . odmah je vidljivo da je greˇka S minimalna ako je s Ak = ak . .5 Neka je funkcija f zadana na mreˇi toˇaka M = {0. tj. dimenzija prostora parna M = 2m − 1. . dimenzija prostora parna M = 2m − 1. dimenzija prostora neparna M = 2m. L k = 1. k 2 k=m+1 k k = 0. . i njena minimalna vrijednost jednaka je Smin = 2L + 1 L (a2 + b2 ). jer uobiˇajeno ne znamo ak . Pokaˇite da su tada z 2 ak = P bk = 2 P L f (x) cos x=−L+1 L 2π kx. . 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 ). c f (x + P ) = f (x). Bk = bk . f (x) sin x=−L+1 .4 Izvedite metodu najmanjih kvadrata za tri preostala sluˇaja: c 1. . m. .

. . . L−1 f (x) cos x=1 2π kx. L − 1. 1]. n Pokaˇimo kako se najbolja aproksimacija ponaˇa na jednom jednostavnom z s primjeru.9. Nacrtajmo s x graf funkcije e i promatrajmo greˇku svih polinomnih aproksimacija s err(x) = ex − (a0 + a1 x) . P k = 0. .7. naravno interesira za koji se polinom dostiˇe ta greˇka z s ρn (f ) = f − p∗ ∞ . Nas. Da bismo rijeˇili problem. L L−1 f (x) sin x=1 2π kx. Ako je f parna funkcija f (−x) = f (x). deg(p)≤n To znaˇi de ne postoji polinom stupnja manjeg ili jedmakog n koji bi bolje od p c aproksimirao funkciju f na danom intervalu. b]. . L − 1. tj. 7.6 Rijeˇite prethodni zadatak uz uvjet da je P = 2L + 1. tj. potrebno je malo geometrijskog zora. da funkcija s ima neparan period. .1] max |ex − a0 − a1 x| → min . Ako usporedujemo polinomne aproksimacije funkcije f dobivene razliˇitim metodama. Polinom z p∗ zovemo minimaks aproksimacija funkcije f na intervalu [a. n Ako je polinom pn jedinstven. . . pokaˇite da je z ak = 0. Zadatak 7. b].1 Nadimo polinom prvog stupnja p∗ (x) = a0 + a1 x koji je minimaks 1 aproksimacija funkcije f (x) = ex na intervalu [−1. . koja daje najmanju maksimalnu greˇku. L bk = 0.10. Oznaˇimo s ρn (f ) maksimalnu greˇku s c s aproksimacije ρn (f ) = inf f − p ∞. . . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 427 Ako je f neparna funkcija f (−x) = −f (x). P k = 1. Primjer 7. Minimaks aproksimacija Neka je f neprekidna funkcija na [a. c tj. bk = 4 P k = 0. zanima nas kako ga moˇemo konstruirati.10. . da vrijedi x∈[−1. . pokaˇite da je z ak = 2 4 (f (0) + f (L) cos kπ) + P P k = 1. . pitamo se koja je od njih najbolja.

ako polinom ne sijeˇe graf niti u jednoj toˇki. Pokaˇite c c c z z to! z c Iz crteˇa odmah naslu´ujemo i rjeˇenje. nadimo koeficijent a0 takav da je taj pravac tangenta funkcije ex u nekoj toˇki x3 . Oznaˇimo z s c c ρ1 = max | err(x)|. e ) i (1. e).1] Ve´ smo zakljuˇili da pogreˇka mora imati tri ekstrema.2788 2 4 a0 = ρ1 + (1 − x3 )a1 ≈ 1.1752 2 x3 = ln a1 ≈ 0. x2 takve da je −1 < c c x1 < x2 < 1. err(x3 ) = −ρ1 .2643. moˇe se pokazati da postoji bolja aproksimacija. mora vrijediti c c s err(−1) = ρ1 . x∈[−1. err (x3 ) = 0. tj. ili ako ga c c sijeˇe u toˇno jednoj toˇki. err(1) = ρ1 . nazovimo ih x1 . c s jednako udaljen od oba. U protivnom. Budu´i da je err(x) derivabilna. Odmah je jasno da ´e postojati toˇno tri toˇke u kojima ´e c c c c se dostizati maksimalne pogreˇke: rubovi intervala i x3 .1614 1 x3 ρ1 = e−1 + (e − e−1 ) ≈ 0. tj. Nadimo jednadˇbu pravca kroz toˇke z c s −1 (−1. . Rjeˇenje zadatka je pravac paralelan s prethodna dva. odmah je jasno da linearna minimaks aproksimacija mora sje´i graf funkcije c ex na zadanom intervalu u toˇno dvije toˇke. s Sad moˇemo skupiti sve ˇetiri jednadˇbe koje trebamo zadovoljiti z c z e−1 − a0 + a1 = ρ1 e − a0 − a1 = ρ1 Rjeˇenje te ˇetiri jednadˇbe je s c z e − e−1 ≈ 1. a1 = ex3 − a0 − a1 x3 = −ρ1 ex3 − a1 = 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 428 na zadanom intervalu. y −1 x3 1 x Prvo.7. onda moˇemo uvjet maksimuma pogreˇke u x3 c z s ′ napisati i koriˇtenjem derivacije. s Pokaˇimo sad precizno da su naˇa zakljuˇivanja ispravna. Zatim.

0055 −1 1 x −0. reda veliˇine 0. Taj polinom je p∗ (x) = 0.2788 x3 −1 −0.7.995668x + 0. c y 0.0055 i opet karakteristiˇno oscilic s c c raju´a.994579 + 0.179533x3.542973x2 + 0.0055 . s c c y 0. on se na slici ne´e razlikovati od funkcije. c y −1 1 x jer ´e greˇka biti iznimno mala.2788 1 x Koriˇtenjem tzv. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 429 Graf pogreˇke ima karakteristiˇan osciliraju´i izgled. 3 Ako nacrtamo graf tog polinoma. Remesovog algoritma moˇemo konstruirati i kubiˇni polinom s z c koji najbolje aproksimira istu funkciju.

Drugi ocjenjuje z s pogreˇku minimaks aproksimacije ρn polinoma stupnja n. . a ej su razliˇiti od 0 i istog predznaka. c Dokaz prethodnog teorema je tehniˇki. 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 ). . f ∈ C[a.10.1 (Cebiˇevljev teorem o oscilacijama greˇaka) Za danu funks s ciju f . j = 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 430 Za dobru uniformnu aproksimaciju zadane funkcije f . c ˇ Teorem 7. realno je oˇekivati da je c greˇka jednako tako uniformno distribuirana na intervalu aproksimacije i da varira s po predznaku. n + 1 j = 0. tj. Teorem 7. n pri ˇemu je σ = ±1 i ovisi samo o f i n. 1. Pretpostavimo da je ρn (f ) < 0≤j≤n+1 min |ej |.7.10. . Tada je 0≤j≤n+1 min |ej | ≤ ρn (f ) = f − p∗ (x) n ∞ ≤ f −P ∞. b] i n ≥ 0. . od kojih prvi daje egzistenc z ciju minimaks aproksimacije i vaˇno svojstvo o oscilaciji greˇaka. n + 1. . . Dokaz.2 (de la Vallee–Poussin) Neka je f ∈ C[a. b] i za dani n ≥ 0 postoji jedinstven polinom p∗ stupnja manjeg ili n jednakog n za koji je ρn (f ) = f − p∗ ∞ . za xj vrijedi c a ≤ x0 < x1 < · · · < xn < xn+1 ≤ b. da polinom p∗ ima maksimum pogreˇke manji s n ili jednak od svih ostalih polinoma P . . Pretpostavimo da polinom P stupnja manjeg ili jednakog n zadovoljava f (xj ) − P (xj ) = (−1)j ej . Posljednja nejednakost (gornja ograda) u prethodnoj formuli posljedica je definicije minimaks aproksimacije. Iznijet ´emo dva vrlo vaˇna teorema. bez da se sam polinom s izraˇuna. vrlo dugaˇak i provodi se obratom po c c kontrapoziciji. Donja ograda za ρn (f ) dokazuje se pretostavljanjem suprotnog. . .

Induktivno.10. Cak ˇtoviˇe pretpostavimo da f (k) zadovoljava s a≤x. Zbog jednostavnosti. tj. Primijetite da polinomi P i Q nisu jednaki! Definiramo R(x) = P (x) − Q(x). pa predznak moˇe mijenjati samo u z nultoˇkama. da predznak promijeni c bar n + 1 puta. da je P = Q. R je polinom stupnja manjeg ili jedankog n. pretpostavimo da su svi ej > 0 (isti argument radit ´e i ako su svi manji od 0). Ponovno. . a ne bar (n + 1)-nu. n + 1. vrijedi ρn (f ) ≤ f − Q ∞ < 0≤j≤n+1 min |ej |. R(x1 ) = P (x1 ) − Q(x1 ) = (f (x1 ) − Q(x1 )) − (f (x1 ) − P (x1 )) = (f (x1 ) − Q(x1 )) + e1 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 431 Budu´i da je ρn (f ) infimum (zaboravimo naˇas da smo dokazali i minimum). Izraˇunajmo vrijednosti c c polinoma R u toˇkama xj . dobivamo da je sign(R(xj )) = (−1)j+1 .3 (Jackson) Neka funkcija f ima k neprekidnih derivacija za neki ˇ s k ≥ 0. Jedina mogu´nost koja ostaje je da je R c c c baˇ nul-polinom. . s s Predodˇbu o tome kako se ponaˇa najbolja aproksimacija s porastom stupnja z s n daje sljede´i teorem. tj. c Teorem 7. R(x0 ) = f (x0 ) − Q(x0 )) − e0 < 0.7.y≤b sup |f (k) (x) − f (k) (y)| ≤ M|x − y|α . tj. ˇto je suprotno pretpostavci. R(x1 ) = (f (x1 ) − Q(x1 )) + e1 > 0. R oscilira tako da ima bar n + 2 razliˇita predznaka. Po osnovnom teoremu algebre znamo da polinom R stupnja n ≥ 1 ima c toˇno n nultoˇaka. Budu´i da je c onda je Nadalje je |f (x0 ) − Q(x0 )| < min |ej | = min ej ≤ e0 . j = 0. onda c c sigurno postoji bar jedan polinom Q stupnja manjeg ili jedankog n koji se nalazi izmedu ρn (f ) i minimuma |ej |. tj. . . zbog slijedi da je |f (x1 ) − Q(x1 )| < min |ej | = min ej ≤ e1 . 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 . Ali R je polinom stupnja n.

pri ˇemu zahtjevamo da pogreˇka E (koju joˇ ne znamo) oscilira s jednakim amplic s s tudama. tada p∗ konvergira prema f c n uniformno na [a. Ako u prethodnom teoremu ˇelimo izbje´i H¨lderov uvjet. (0) (0) (0) (0) (0) i = 0. b] brˇe nego bilo koja potencija 1/nk . . dovoljno je pretz c o postaviti da f im k neprekidnih derivacija. k ≥ 1. kaˇe se da f zadovoljava H¨lderov uvjet s z o eksponentom α.7. Umjesto k-te derivacije svugdje dalje u teoremu koristimo (k − 1)-u. ako je f beskonaˇno puta derivabilna. Tada se H¨lderov uvjet svede na obiˇni teorem srednje vrijednosti. Remesov algoritam koristi svojstvo oscilacije greˇke koje mora imati minimaks s aproksimacija. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 432 za neki M > 0 i neki 0 < α ≤ 1. a posljednja je E. n koje odreduju polinom p stupnja deg(p) ≤ n iz uvjeta f (xi ) − p(xi ) = (−1)i E. 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. n + 1. Prehodna ralacija vodi na linearni sustav s n + 2 nepoznanice od kojih su n + 1 koeficijenti polinoma p.1. a kao rezultat o c dobivamo dk−1 ρn (f ) ≤ k f (k) ∞ . . nk+α n ≥ 1. z 7.10. Prvi korak Zadane su n + 2 toˇke c a ≤ x0 < x1 < · · · < x(0) < xn+1 ≤ b. stavljamo α = 1 i M = f (k) ∞. . Tada postoji konstanta dk nezavisna o f i n za koju je ρn (f ) ≤ Mdk . n Nadalje. Iteracije imaju tri dijela. Remesov algoritam Traˇenje minimaks aproksimacije p∗ za f moˇe se prona´i iterativnim algoritz z c n mom poznatijim kao drugi Remesov algoritam. Drugi korak . tj. nego na skupu toˇaka (tada se on zove diferencijalni algoritam c korekcije). .

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

Za uniformnu konvergenciju. −1 ≤ x ≤ 1. Iz definicije Tn+1 izlazi |Tn+1 (x)| = | cos(n + 1)ϑ| ≤ 1. Tm (x) Tn (x) √ za m = n = 0. u smislu da je 1 n→∞ −1 lim √ 1 f (x) − fn (x) 1 − x2 2 dx = 0.11.11.   0. za m = n = 0. ci Ti (x) ≈ cn+1 Tn+1 (x) = cn+1 cos(n + 1)ϑ. moˇemo pokazati dosta jak rezultat z ρn (f ) ≤ f − fn ∞ ≤ 4+ 4 ln n ρn (f ). zatim teˇinskom funkcijom w i integriramo od −1 do 1. 2 i=1 Ako je f ∈ C[−1. tj. 1] tada razvoj (7.   1 − x2 π/2. π2 Kako se ponaˇa greˇka odbacivanja reda? Ako se prisjetimo da je s s Tn (x) = cos nϑ. ako je cn+1 = 0 i ako koeficijenti ci brzo konvergiraju k 0.  (7.1) onda ´emo.1) konvergira. Zelimo odrediti koeficijente ck u razvoju funkcije c ˇ s f po Cebiˇevljevim polinomima. dx = π. formalno gledaju´i. Ako je razvoj napiˇemo u obliku s f (x) = ∞ c0 T0 (x) + ci Ti (x). 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). π 1 − x2 −1 Oznaˇimo s fn poˇetni komad razvoja. potrebno je samo supz ˇ stituirati podatke u op´i algoritam. koji zadoc voljavaju sljede´u relaciju ortogonalnosti c 1 −1 ˇ s Ako ˇelimo funkciju f razviti po Cebiˇevljevim polinomima. onda se moˇe pokazati da vrijedi z f (x) − fn (x) = ∞ i=n+1 x = cos ϑ. . 2 i=1 za m = n. Dobivamo z formulu 1 2 f (x)Tj (x) √ cj = dx.7.

onda je jasno da ona ima n + 2 lokalna ekstrema ˇ s jednakih amplituda.7. . Ako to c iskoristimo za funkciju cn+1 Tn+1 . . 2(n + 1) j = 0. kπ . lokalni ekstremi se postiˇu kad je z (n + 1)ϑk = kπ. . . Po Cebiˇevljevom teoremu o oscilaciji greˇaka. .1 Za fiksni prirodni broj n. . . Tn (x). gdje je P polinom. . . n + 1. . . s s c z ˇ s Postoji joˇ jedan razlog zaˇto se koristi razvoj po Cebiˇevljevim polinomima. k = 0. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 435 Nultoˇke i ekstreme polinoma Tn+1 nije teˇko izraˇunati. . n. . Minimum τn se dostiˇe samo za z xn + P (x) = Pripadna pogreˇka je s τn = 1 2n−1 1 2n−1 . n + 1. promatrajmo minimizacijski problem τn = deg(P )≤n−1 −1≤x≤1 inf ( max |xn + P (x)|). . . n + 1. . . 2 j = 0. S druge strane. pa su ekstremi Tn+1 jednaki xk = cos Drugim rijeˇima. (2j + 1)π . . . s s Vrijedi sljede´i teorem. k = 0. c Teorem 7. (n + 1) k = 0.11. Primijetite da tih ekstrema ima toˇno n + 2 i da alterniraju po znaku. . n. vrijedi c Tn+1 (xk ) = (−1)k . . 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 ). 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 .

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

1]. −1≤x≤1 .12. 2 Tj. ali nije jednostavno re´i c c kako. Ipak. to mora postojati bar n nultoˇaka.1. nego s [a. .11. . 2 n a minimalna ´e vrijednost biti 1/2 . Pretpostavimo s z c da interpoliramo funkciju na intervalu [−1. ono ˇto moˇemo kontrolirati je izbor toˇaka interpolacije. za polinom R vrijedi sign(R(xk )) = (−1)k .7. Taj s dio dokaza vrlo je sliˇan ovom ˇto je ve´ dokazano. . xn c c c c c nultoˇke polinoma Tn+1 . 1]. a njih smo ve´ izraˇunali da su jednake c xj = cos (2j + 1)π . n. Polinom u prethodnoj relaciji je stupnja n+1 i ima vode´i koeficijent 1. (n + 1)! Vrijednost (n+1)-ve derivacije ovisi o toˇkama interpolacije. Po Teoremu c 7. onda znamo da je greˇka interpolas cionog polinoma stupnja n jednaka f (x) − pn (x) = (x − x0 ) · · · (x − xn ) (n+1) f (ξ). onda ga linearnom transformacijom y = cx + d moˇemo svesti na zadani interval. .11. Ispitajmo vrijednosti funkcije R u lokalnim ekstremima funkcije Tn . . . pa je deg(R) ≤ c c n−1. Iz (7. . 1] z c tako da minimiziraju max |(x − x0 ) · · · (x − xn )|. . Dakle izaberimo toˇke interpolacije xj ∈ [−1. . Odatle odmah izlazi da je c 1 M(x) = n−1 Tn (x). izlazi 1 R(x0 ) = R(1) = n−1 − M(1) > 0 2 1 R(x1 ) = − n−1 − M(x1 ) < 0. Odatle odmah ˇitamo da su ˇvorovi x0 . minimum ´emo dobiti ako stavimo c 1 (x − x0 ) · · · (x − xn ) = n Tn+1 (x). b]. 2n + 2 j = 0.2) redom. 2 Sad bi joˇ trebalo pokazati da je to jedini polinom s takvim svojstvom. Budu´i da ima bar n + 1 razliˇiti predznak. Ako naˇ interval nije [−1. . ˇ Interpolacija u Cebiˇevljevim toˇkama s c Ako se prisjetimo problema interpolacije. c s c 7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 437 Tvrdimo da ´e se vode´i koeficijenti funkcija s desne strane skratiti. ˇto c c c s je mogu´e damo ako je R = 0.

max x∈[−1. an 2 Primjer 7.11. 1] Taylorovim polinomom oko 0 stupnja ˇetiri c p4 (x) = 1 + x + Greˇka odbacivanja tog polinoma je s |R4 (x)| ≤ M5 5 |x |. ako traˇimo z 1 max (pn (x) − pn−1 (x)) → min .1] x2 x3 x4 + + . 2 6 24 . izbor pn−1 (x) je c pn−1 (x) = pn (x) − an Tn (x).1] an 2 s tim da jednakost vrijedi kad je 1 1 (pn (x) − pn−1 (x)) = n−1 Tn (x). izlazi da mora biti 1 1 (pn (x) − pn−1 (x)) ≥ n−1 .13. x∈[−1. c Pretpostavimo da je zadan proizvoljni polinom stupnja n pn (x) = an xn + an−1 xn−1 + · · · + a1 x + a0 . an 2 Drugim rijeˇima.1] max |pn (x) − pn−1 (x)| → min . ˇ Cebiˇevljeva ekonomizacija s ˇ s Cebiˇevljevi polinomi mogu se koristiti za smanjivanje stupnja interpolacionog polinoma. 2n−1 a s tim izborom je maksimalna greˇka jednaka s x∈[−1. Rjeˇenje problema se ne´e promijeniti ako normiramo vode´i koeficijent na 1. na intervalu [−1.1] max |pn (x) − pn−1 (x)| = |an | max x∈[−1. uz minimalni gubitak toˇnosti.13. 5! M5 = max |f (5) (x)|.1 o minimalnom otklanjanju od polinoma xn .1 Funkciju f (x) = ex aproksimiramo na intervalu [−1.7. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 438 7.1] an Prema Teoremu 7. 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]. Takav postupak zove se ekonomizacija.1] 1 |an | (pn (x) − pn−1 (x)) = n−1 . x∈[−1. s c c tj.

0283 + 0. ˇto je prema uvjetima zadatka dozvoljiva greˇka. . 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 .0053 = 0. 192 8 24 Pritom je napravljena greˇka s |p3 (x) − p2 (x)| = 1 1 = ≈ 0. napravljena je greˇka z s |p4 (x) − p3 (x)| ≤ 1 1 = ≤ 0. 2 k=1 |x| ≤ 1.023 + 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). onda je ukupna greˇka manja ili jednaka s s s 0.05. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 439 Odmah se vidi da je M5 = e. 3 24 · 2 192 Pribrojimo li tu greˇku greˇci odbacivanja. 6·4 24 Dodamo li tu greˇku na ve´ akumuliranu greˇku 0.0283. ˇto je bila dozvoljena tolerancija. Nije teˇko na´i T4 .0053. pa pokuˇajmo z s s spustiti stupanj polinoma. onda je ukupna greˇka s c s s 0.0283.042.042 > 0. stupanj polinoma p3 moˇemo pokuˇati joˇ smanjiti. Pretpostavimo da moˇemo tolerirati greˇku 0. pa je greˇka odbacivanja s |R4 (x)| ≤ e 5 e |x | ≤ ≈ 0. 120 120 za −1 ≤ x ≤ 1. recimo iz rekurzije s c T4 (x) = 8x4 − 8x2 + 1.023. s Postoji joˇ jedan naˇin ekonomizacije. s s Naravno. Budu´i da je z s s c T3 (x) = 4x3 − 3x. = 192 24 6 Tim sniˇavanjem stupnja.05.7.

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

onda oni zadovoljavaju diskretne c relacije ortogonalnosti vrlo sliˇne onima koje zadovoljavaju trigonometrijske funkcic je.  0 Pretpostavimo da je f ′ neprekidna na [−1. 0 < j < n. 1]. 2 k=1 (7. neka je c ˇ s Tn (xα ) = cos(nϑα ) = 0. n − 1.k = α=0 Tj (xα )Tk (xα ) = α=0 cos jϑα cos kϑα . u nultoˇkama vrijede sljede´e relacije ortogonalnosti c c n−1 Uj.14. tj. . s c c gdje ima ograniˇene skokove. n α=0 n α=0 (7.1 Neka je fn (x) aproksimacija za f (x). 0 . 2 k=1 j.14. Tada se f moˇe razviti u konvergentan red oblika c z ∞ c0 f (x) = + ck Tk (x). Nije teˇko izraˇunati da je tada s c xα = cos(ϑα ). Neka su xα nultoˇke Cebiˇevljevog polinoma Tn .k ˇ s Sada moˇemo funkciju razviti po Cebiˇevljevim polinomima koriste´i prethodz c nu relaciju diskretne ortogonalnosti. 2 k=1 Tada je dk = 2 n−1 2 n−1 f (cos ϑα ) cos kϑα = f (xα )Tk (xα ). j = k. ϑα = (2α + 1)π .14.14. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 441 7.7. = n/2 j = k. Moˇe se pokazati da vrijedi sljede´i teorem. .  n j = k = 0. k < n. . z c Teorem 7. Diskretne ortogonalnosti polinoma Tn ˇ s Budu´i da su Cebiˇevljevi polinomi kosinusi. fn (cos ϑ) = ili d0 n−1 fn (x) = + dk Tk (x).2) gdje je 2 ck = π 1 −1 f (x)Tk (x) 2 √ dx = π 1 − x2 π f (cos ϑ) cos kϑ dϑ.1) d0 n−1 + dk cos kϑ. . gdje je Uj. osim najviˇe u konaˇno mnogo toˇaka. 2n n−1 α = 0. ˇ s Za Cebiˇevljeve polinome.

2 Neka je pri ˇemu su fn i f zadani s (7. Iz prethodnih teorema uoˇavamo da xα leˇe u unutraˇnjosti intervala. 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 . . r=1 k = 1. tj.2). ψα = απ . n − 1. neka je xα = cos(ψα ). c ˇ s Neka su xα ekstremi Cebiˇevljevog polinoma Tn . 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. Primijetite da su to ekstremi odgovaraju´eg c z c ˇ sevljevog polinoma. pribliˇno z c5n+r cos(2n + r)ϑ + c7n cos 4nϑ − · · · . 2 α=1 . . ˇ s Za Cebiˇevljeve polinome.7. .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 . APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 442 Osim toga. . . 2cn+1 cos ϑ . . Za greˇku ǫn tada vrijedi c s 2n−1 ǫn (x) = f (x) − fn (x).1) i (7. n α = 0.14. Teorem 7. Sljede´i teorem govori o greˇkama koje smo napravili aproksimacijom fn obzic s rom na f . 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 . Sada moˇemo napraviti sliˇan niz tvrdnji kao za diskretnu Cebiˇ z c ortogonalnost u nultoˇkama. . . cn ǫn (cos ϑ) ≈ cn cos nϑ 1 + Posebno.14.14. n. u ekstremima vrijede sljede´e relacije ortogonalnosti c n−1 1 Vj. vrijedi ǫn (cos ϑα ) = 0.

Teorem 7. 2 2 k=1 en e0 n−1 + ek Tk (x) + Tn (x). = n 2 α=1 Osim toga. n j = k = 0 ili j = k = n.3) c2rn c(2r+1)n ∞ r=1 en = 2cn + 2 ek = ck + ∞ r=1 ∞ r=1 c2rn−k + c2rn+k . cn+r sin rψ .14. pribliˇno z δn (cos ψ) ≈ −2 sin nψ sin ψcn+1 1 + 2cn+2 cos ψ . n − 1. j = k.3) i (7. 2 2 k=1 (7.7.14.  0 e0 n−1 en + ek cos kψ + cos nψ.3 Neka je fn (x) aproksimacija za f (x).14. r=1 k = 1. postoji veza izmedu koeficijenata u diskretnom i kontinuiranom razvoju: e0 = c0 + 2 ∞ j. Sljede´i teorem govori o greˇkama koje smo napravili aproksimacijom fn obzic s rom na f . 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. k < n. . cn+1 ∞ r=1 δn (x) = f (x) − fn (x). . z c Teorem 7. .4 Neka je pri ˇemu su fn i f zadani s (7. . Za greˇku δn tada vrijedi c s δn (cos ψ) = −2 sin nψ odnosno. 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 ) .k =  n/2 j = k. Vj.14. 0 < j < n. Moˇe se pokazati da vrijedi sljede´i teorem.2).

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

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

Pokaˇimo na nekoz liko primjera koliko je dobra ta interpolacija.1).000640314 48. . . xn ) − ρn−2 (x1 . . .1 Aproksimirajte tg 1. . . .15. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 446 Konaˇno. gledamo R(xn−1 ) i f (xn−1 ).000008597 1255.4) jednak 0 za x = xn .0207583 −0. x2 ) φn−1 (x1 . Primjer 7. . uz koriˇtenje definicije inc s verznih razlika. x .5) x − x2 x − xn−1 x − x1 ··· + φ (x .0308670 −0.565 koriˇtenjem Thieleove interpolacione formule.76557 −0.15. . veriˇni je razlomak kra´i za jednu verigu od c z c prethodne. To se odmah vidi iz (7.5).15.7. c z c U svakoj daljnjoj toˇki xn−2 .49841 0. .0106889 2. .46114 0.000224507 92. . pa je R(xn ) = f (xn ). x1 .57 f (xk ) 24.54 1. . x1 . ako krenemo od xn .15. .15.56026 2. . n.1). Formula (7.1) dobivamo indukcijom po n.96838 3.55 1. . x )+ φ1 (x1 . Prvo izraˇunajmo reciproˇne razlike. .56 1.001255851 32.53 + 0. i = 1.01 ∗ i.53 1. Pokaˇimo joˇ jednu zanimljivu ˇinjenicu vezanu uz formulu (7. i = 0.97955 ρ1 ρ2 ρ3 ρ4 . 4.07848 0.15. . . . ako znamo vrijednosti funkcije tg u s toˇkama c xi = 1. c c xk 1. .15. onda ´e za racionalnu funkciju (veriˇni razlomak) s c c z R(x) = f (x1 ) + vrijediti R(xi ) = f (xi ).62050 0. . formulu (7.4) zove se Thielova interpolaciona formula. . . Oni su za jednu verigu kra´i i to za onu verigu koja sadrˇi “ˇlan razlike” (7. xn ) 2 1 2 3 (7. jer je ˇlan c x − xn ρn (x. Ako z s c izbriˇemo zadnji ˇlan.15. Nakon toga. xn−1 ) (7.

u toˇkama 1/N.55 x − 1. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 447 Thielova interpolacija daje R(x) = 24. f ili za neke viˇe N. ili u nekim drugim toˇkama. N1 N2 N1 < N2 < · · · 1 1 .49841 + x − 1. 2 3 1 .5293+ 2.. 0.f ... iz s f 1 1 .001255851+ −24. I sumacija redova moˇe se znatno ubrzati koriˇtenjem racionalne ekstrapolacije. Ove vrijednosti SN moˇemo interpretirati kao vrijednosti neke funkcije f u z toˇkama N. N Primjer 7. na primjer...54 x − 1. z s Pretpostavimo da treba izraˇunati c S= ∞ n=0 Uvrˇtavanjem 1. dok je prava vrijednost tg(1. 2 n=1 n ∞ .5208.59113 R(1.f .56 x − 1.565) = 172. s 1 ..15.7.5211. Oznaˇimo s SN .565 dobivamo s an . c c c SN = f Oˇito je da vrijedi c S = S∞ = f (0).. N-tu parcijalnu sumu reda c N SN = n=0 an .565) = 172.53 . Ideja je f (0) izraˇunati kao ekstrapoliranu vrijednost od c f (1).96713+ 3.2 Treba izraˇunati c S= koriˇtenjem racionalne ekstrapolacije..

44 −2 −0.584346533 + −1. S30000 = 1. Na primjer.166126405 −0. π2 = 1.255616663 x− Uvrˇtavanjem 0 dobivamo s R(0) = 1.423611111 1.097945891+ −1.25 1 −1.644601.644924. dok je prava vrijednost .644934067.238678243 −0.947195880 Thielova interpolacija daje 1 1 1 1 x− x− x− 16 8 4 2 .826059143 0. 8. Vidjet ´emo da taj red vrlo sporo konvergira.7.016938420 9.204112002 −1. dobivamo c S∞ = S3000 = 1. R(x) = 1. S10000 = 1. S100000 = 1.644927974.097945891 −1.089285214 4. 4.823024776+ 5.644834. 6 Zanimljivo je spomenuti ˇto se dobije ako samo zbrajamo ˇlanove reda i ne eks c strapoliramo. onda moˇemo c z formirati tablicu reciproˇnih razlika. c x S(x) ρ1 ρ2 ρ3 ρ4 1 1. 2 n=1 n N Shvatimo li to kao funkciju od x = 1/N i oznaˇimo S(x) = SN .924005034+ 0. 16 i izraˇunati c c Sn = 1 . 2. APROKSIMACIJA I INTERPOLACIJA APROKSIMACIJA I INTERPOLACIJA – 448 Uzet ´emo N = 1.644901.527422052 1.584346533 16 1 8 1 4 1 2 1 1.

c s z c U pravilu. Rjeˇavanje s nelinearnih jednadˇbi z 8. 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. Op´enito. korijeni pripadne jednadˇbe ili nultoˇke funkcije f . neka je zadana funkcija c f : I → R. Traˇimo sve one x ∈ I za koje je z f (x) = 0. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 449 8.ˇ ˇ 8. 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.1. U protivnom postojao bi problem konvergencije. gdje je I neki interval. z c c .

ˇ ˇ 8. .1) katkad nije zgodna za linearne iterativne algoritme. One se bitno razlikuju po tome ho´e li uvijek konvergirati. dok je sporije metode imaju. c z c Relacija (8. c 8. b] i uvjet f (a) · f (b) < 0.2) nego (8. I u sluˇaju (8. ali zbog toga ima i najloˇiju ocjenu s pogreˇke. n ∈ N0 ) konvergira prema toˇki α s redom konc vergencije p. Ako za sluˇaj p = 1 i c < 1 u (8. Ovo je teˇi dio posla i obavlja se na temelju analize toka c z funkcije. n ∈ N. Ako je p = 1.1. imamo li c c sigurnu konvergenciju ili ne i po brzini konvergencije.2) Katkad ´e biti mnogo lakˇe pokazati (8. c Definicija 8.1). onda dobivamo da je c |α − xn | ≤ cn |α − x0 |. tj. upotrijebimo indukciju po n.1. z c z c Postoji mnogo metoda za nalaˇenje nultoˇaka nelinearnih funkcija na zadanu z c toˇnost. 2. Uobiˇajen je sluˇaj da brze c c metode nemaju sigurnu konvergenciju. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 450 1. s Osnovna pretpostavka za primjenu algoritma raspolavljanja je neprekidnost funkcije f na intervalu [a. tj. p ≥ 1 ako vrijedi |α − xn | ≤ c |α − xn−1 |p . U tom z sluˇaju je nuˇno da je c < 1 i obiˇno se c naziva faktor linearne konvergencije. n∈N (8. Izolacije jedne ili viˇe nultoˇki. kaˇemo da niz konvergira linearno prema α. nalaˇenje intervala I unutar kojeg se nalazi s c z bar jedna nultoˇka.1 Niz iteracija (xn .1). Ona funkcionira za neprekidne funkcije.1. Brzina konvergencije se definira pomo´u reda konvergencije metode. re´i c s c c ´emo da niz iteracija konvergira linearno s faktorom c. Metoda raspolavljanja (bisekcije) Najjednostavnija metoda nalaˇenja nultoˇaka funkcije je metoda raspolavljaz c nja.2. (8.1) za neki c > 0.1.1.1. Iterativno nalaˇenje nultoˇke na traˇenu toˇnost.2).1.1.

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

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

c Relacija (8. s moˇe se dobiti dinamiˇka ocjena za udaljenost aproksimacije nultoˇke od prave z c c nultoˇke. |f ′ (ξ)| (8. b]. s c Vrijedi |α − xn | ≤ bn − xn = Primijetite da je 1 1 1 (bn − an ) = 2 (bn−1 − an−1 ) = · · · = n+1 (b − a). 2 pa bismo relaciju (8.2) . tj.2. c Po Teoremu srednje vrijednosti za funkciju f imamo f (xn ) = f (α) + f ′ (ξ)(xn − α). log 2 Ako je funkcija f joˇ i klase C 1 [a.2.1. 2n Ova relacija podsje´a na (8. f (α) = 0. Dobivamo |f (xn )| = |f ′(ξ)| |α − xn |. n+1 2 Zadnja nejednakost je ekvivalentna s b−a ≤ 2n+1 . c dovoljno je zahtijevati 1 (b − a) ≤ ε. Prvo iskoristimo da je α nultoˇka. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 453 Iz konstrukcije metode lako se izvodi pogreˇka n-te aproksimacije nultoˇke. odakle slijedi |α − xn | = |f (xn )| .2.1) omogu´ava da unaprijed odredimo koliko je koraka raspolavc ljanja potrebno da bismo postigli toˇnost ε.2). ako f ima i neprekidnu prvu derivaciju.2. (8. ali zdesna se nigdje ne pojavljuje |α − x0 |. odnosno log(b − a) − log ε n≥ − 1. pri ˇemu je ξ izmedu xn i α. tj. Ipak c desna strana daje nam naslutiti da ´e konvergencija biti dosta spora. Da bismo postigli da je |α − xn | ≤ ε. n ∈ N0 .ˇ ˇ 8.1) 2 2 2 b−a = b − x0 . a zatim c c uzmemo apsolutne vrijednosti obje strane. ε a zatim logaritmiranjem nejednakosti dobivamo log(b − a) − log ε ≤ (n + 1) log 2.1) mogli pisati kao |α − xn | ≤ 1 (b − x0 ).

dovoljno je zahtijevati c z |α − xn | ≤ |f (xn )| ≤ ε. ali tako da nultoˇka α osc c c tane unutar novodobivenog intervala. koja ima sigurnu konvergenciju.2. c Njegova je jednadˇba z f (b) − f (a) f (a) − f (b) (x − b). m1 Drugim rijeˇima. f (b)).ˇ ˇ 8. z c y a x0 x1 b x . c z c c Nakon toga. Pretpostavimo da je funkcija f : [a. ˇim se nultoˇka c c c c nalazi unutar [a.b] Ako je m1 > 0. Postupak ponavljamo sve dok ne postignemo ˇeljenu toˇnost. y − f (b) = a−b b−a Nultoˇku α funkcije f moˇemo aproksimirati nultoˇkom tog pravca. ali je vrlo spora. izlazi s |f (xn )| . uvrˇtavanjem prethodne ocjene u (8. bn ]. Aproksimirajmo funkciju f pravcem koji prolazi toˇkama (a. pomaknemo ili toˇku a ili toˇku b u x0 . Prirodan je pokuˇaj ubrzavanja te metode je regula s falsi . m1 = min |f ′ (x)|. ako ˇelimo da je |α − xn | ≤ ε. b]. x∈[a. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 454 Znamo da je α u intervalu [an . odnosno y − f (a) = (x − a). ponovno biti konvergentna. 8.3. (b. b] → R neprekidna na [a. b] i da vrijedi f (a) · f (b) < 0. f (a)).2). Konstruirat ´emo metodu koja ´e. Regula falsi (metoda pogreˇnog poloˇaja) s z U prethodnom poglavlju opisali smo metodu raspolavljanja. m1 odnosno |f (xn )| ≤ m1 ε. Pretpostavimo da moˇemo ocijeniti z |f ′(ξ)| ≥ m1 . toˇkom x0 .

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

Uvrˇtavanjem podataka o prvoj i drugoj s derivaciji u (8. Ta sekanta sijeˇe os x u toˇki x2 . tj. odmah kaˇe da ne bi trebalo biti c z preteˇko konstruirati primjere kad je metoda bisekcije brˇa no regula falsi . Analiza ovog sluˇaja vrlo je sliˇna prethodnoj. c U tom je sluˇaju f konveksna rastu´a funkcija. Isto ´e se dogoditi u svim narednim koracima. b]. a spojnica toˇaka (a. c c c c (x1 . tako da dobivamo c xn+1 = xn − f (xn ) xn − xn−1 . Razlikujemo dva sluˇaja: c Sluˇaj f ′ (x) > 0. c c 8.2) ve´a od 0.3. f (x1 )). f (x2 )). α neprestano ostaje desno od aproksimacija xn .2). ali se nadamo da ´e metoda. f (a)) i c c c (b. kad konvergira konvergirati brˇe nego regula c z falsi . sliˇno kao kod regule falsi . Pogled na sliˇnu ocjenu za metodu bisekcije. Poˇinjemo s dvije poˇetne toˇke x0 i x1 i povlaˇimo sekantu kroz (x0 . Promatramo li c (8. Formule za metodu c sekante dobivaju se iteriranjem poˇetne formule za regulu falsi . pa za proizvoljnu iteraciju xn dobivamo c α − xn = −(α − b) (α − an ) f ′′ (ζn ) . f (xn ) − f (xn−1 ) (8. b]. c c Drugim rijeˇima. pa ´e c c se u sljede´em koraku pomaknuti a. dobivamo da je desna strana (8. samo c ne zahtijevamo da nultoˇka funkcije f ostane “zatvorena” unutar posljednje dvije c iteracije. f (x1 )) i (x2 .3. 2f ′ (ξn ) Uzimanjem apsolutnih vrijednosti zdesna i slijeva.4. a uvijek se pomiˇe c c c b. Takoder. Postupak nastavljamo povlaˇenjem c c c sekante kroz posljednje dvije toˇke (x1 . to znaˇi da je b fiksan. pretpostavimo da je f ′ (α) = 0 i α je jedini korijen unutar [a. f (b)) se uvijek nalazi iznad funkcije f . slijedi da je u tom sluˇaju konc vergencija regule falsi linearna.2). Time smo izgubili svojstvo sigurne konvergencije. dobili smo metodu sekante. pretpostavimo da je f ′′ (a) ≥ 0 za sve x ∈ [a. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 456 Da bismo pojednostavnili analizu.4.ˇ ˇ 8. c U ovom sluˇaju je aproksimacija nultoˇke uvijek desno od α. s z Sluˇaj f ′ (x) < 0.3. f (x0 )).1) . α > x0 . Metoda sekante Ako graf funkcije f aproksimiramo sekantom.

2) za svaki n. α + ε]. imali bismo konvergenciju prema rjeˇenju.3. 2f ′(ξn ) (8. postoji okolina I = [α − ε. Jednako tako.4. Primijetite da jednostrukost nultoˇke osigurava f (α) = 0. dobit ´emo red konvergencije metode c sekante.4. c y x1 x2 x0 x3 x Primijetite da je tre´e iteracija izaˇla izvan poˇetnog intervala. p= 2 Dokaz.618. c tako da je x0 < x1 . pa metoda sekante c s c ne mora konvergirati. c c Ako su poˇetne aproksimacije x0 i x1 izabrane dovoljno blizu α. f ′ i f ′′ neprekidne za sve x u nekom intervalu koji sadrˇi z ′ jednostruku nultoˇku α. Da bismo skratili zapis. takva da je u njoj f ′ (x) = 0. Tada je dobro definiran broj c M= max |f ′′ (x)| x∈I x∈I 2 min |f ′(x)| . da smo “prirodno” numerirali prve dvije toˇke. gdje je c √ 1+ 5 ≈ 1.2) Teorem 8.1 Neka su f . x1 ∈ I vrijedi |α − x2 | ≤ |α − x1 | |α − x0 | M. uz odgovaraju´e pretpostavke. s Iskoristimo li ocjenu (8. ε > 0 c c nultoˇke α. Imamo c α − xn+1 = −(α − xn ) (α − xn−1 ) f ′′ (ζn ) . neka je en = α − xn .4. za sve x0 . niz iteracija xn c konvergirat ´e prema α s redom konvergencije p. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 457 Grafiˇki to izgleda ovako. Zbog relacije (8.2). Budu´i da je nultoˇka jednostruka.ˇ ˇ 8.

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

ˇ ˇ 8.618. dobivamo da xn → α. Rjeˇavanjem ovog para jednadˇbi. 5 Vratimo se na en . Prvi je da moˇe divergirati z ako poˇetne aproksimacije nisu dobro odabrane. 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 . . on nam daje ideju o redu konvergencije. c Konaˇno. c Ovaj “dokaz” nije matematiˇki korektan jer smo koristili samo gornje ograde. Ovim smo pokazali da je |en | ≤ 1 qn δ . 1 qn ≈ √ (1.618.618)n+1. Budu´i da δ < 0 i qn → ∞ za n → ∞. ali pravi dokaz je mnogo teˇi. Dobivamo c 1 = q0 = c0 + c1 1 = q1 = c0 r0 + c1 r1 . Budu´i da je c n+1 onda za velike n. dobivamo s z 1 c0 = √ r0 . z Kod metode sekante postoji nekoliko problema. jer f (xn−1 ) ˇuvamo od prethodne c c iteracije. pa je r1 ≈ −0. Drugi problem se moˇe javiti zbog c z kra´enja u brojniku i (posebno) nazivniku kvocijenta c xn − xn−1 . 5 n ≥ 0. M n ≥ 0. Osim toga. c Ipak. koji je zaista p = r0 . 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. Konstante c0 i c1 odredujemo iz poˇetnih uvjeta. 1 n+1 n+1 qn = √ (r0 − r1 ). primijetimo da je za svaku iteraciju metode sekante potrebno samo c jednom izvrednjavati funkciju f i to u toˇki xn . r1 → 0. 5 pa je 1 c1 = − √ r1 . 5 r0 ≈ 1.

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

f ′ i f ′′ neprekidne za sve x u nekom intervalu koji sadrˇi z jednostruku nultoˇku α.5. tj. vrijedi s f ′′ (α) α − xn+1 =− ′ . M|α − x1 | ≤ (M|α − x0 |)2 . ako je f ′ (α) = 0. odmah ˇitamo da je Newtonova metoda. odnosno Izaberimo x0 tako da zadovoljava |α − x0 | ≤ ε i M|α − x0 | < 1. izlazi s ′′ f (xn ) 2 f (ξn ) α = xn − ′ − (α − xn ) .1 Neka su f . α + ε] oko nultoˇke u kojem su funkcije f . dobivamo s |α − x1 | ≤ M|α − x0 |2 . dakle ako je nultoˇka z c jednostruka.ˇ ˇ 8. Ako je poˇetna aproksimacija x0 izabrana dovoljno blizu c c nultoˇke α. Uvrˇtavanjem x = α. uz pretpostavku f ′ (xn ) = 0. pa dobivamo c α − xn+1 = −(α − xn )2 f ′′ (ξn ) . . Sliˇno. kad konvergira kvadratiˇno konc c vergentna. 2 min |f ′(x)| x∈I Za sve x0 ∈ I. dobivamo c s 0 = f (α) = f (xn ) + f ′ (xn )(α − xn ) + Premjeˇtanjem. c f ′ i f ′′ neprekidne i neka je max |f ′′ (x)| M = x∈I .1) Iz (8. niz iteracija xn konvergirat ´e prema α s redom konvergencije p = 2. Teorem 8. Tada je M|α − x1 | ≤ M|α − x0 |. treba biti oprezan. 2 Primijetite da prva dva ˇlana zdesna daju xn+1 . c c ˇ s Cak ˇtoviˇe. Izaberimo interval I = [α − ε.5. kao kod metode sekante. jer takav zakljuˇak vrijedi samo ako f ′ (xn ) c ne teˇi k nuli tijeku cijelog procesa. 2f ′ (xn ) (8.5. moˇemo dokazati sljede´i teorem o konverc z c genciji Newtonove metode. lim n→∞ (α − xn )2 2f (α) Dokaz. koriˇtenjem (8. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 461 pri ˇemu je ξn izmedu x i xn .5.1). Ipak. ˇto pokazuje da je s |α − x1 | ≤ |α − x0 | ≤ ε.1). f (xn ) 2f ′(xn ) f ′′ (ξn ) (α − xn )2 .

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

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

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

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

mi s c c c smo zainteresirani f (x) = 0.1) Pretpostavimo da traˇimo α. Prvo c c izraˇunamo novu iteraciju po brˇoj metodi i ako ona ostaje u trenutnom intervalu. b]. rjeˇenje jednadˇbe z s z Definiramo jednostavnu iteracionu funkciju (iteracionu funkciju koja “pamti” samo jednu prethodnu toˇku) s c xn+1 = g(xn ). Metoda jednostavne iteracije x = g(x). metoda sekante koja zahtijeva samo jedno izvrednjavanje funkcije. tj. Uobiˇajeno. iako Newtonova metoda ima ve´i red konvergencije nego metoda sekante. ´e biti c c brˇa. 8. toˇke za koje je x = g(x). b] u kojem c c c smo locirali nultoˇku funkcije f . Postoji mnogo naˇina za tu reformulaciju. c Primijetite da raˇunanje koriˇtenjem Newtonove metode moˇe trajati dulje c s z nego raˇunanje upotrebom metode sekante (uz upotrebu istog kriterija zaustavlc janja). c Primjer 8. n ≥ 0. U proc c tivnom. jer je g(x) = x − f (x) .6. pa taj problem treba reformulirati na problem (8. zovu se fiksne toˇke od g. (8.1 Reformulirajmo problem x2 − a = 0. a>0 u oblik (8. a nemamo dodatne informacije o funkciji f iz c kojih bismo mogli izvu´i zakljuˇak o konvergenciji brˇih iterativnih metoda. Ako pogledamo graf funkcije f na [a.6. U praktiˇnom raˇunanju ˇesto imamo samo interval [a. radimo korak bisekcije za smanjivanje intervala. c z onda ju prihva´amo i s njom nastavljamo iteracije i skra´ujemo interval.1). to moˇemo napraviti na jedan od sljede´ih naˇina: z c c . startnu toˇku x0 treba odabrati na “strmijoj” strani funkcije. 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. Na primjer.1). Zbog c c z toga se ove metode katkad kombiniraju s metodom bisekcije na sljede´i naˇin. Ako se derivacija komplicirano c raˇuna. uz x0 kao poˇetnu aproksimaciju za α.6. 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. f ′ (x) Rjeˇenja.ˇ ˇ 8.6. z Prethodni teoremi daju samo dovoljne uvjete konvergencije pojedinih iterativnih metoda.6.

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

Tada vrijedi: 1. i neka za λ iz (8. c s lim xn = α. Nadalje.6. pa vrijedi xn → α. b]. b]. b]) ⊆ [a. uoˇimo da xn−1 ∈ [a. b]. x = g(x) ima toˇno jedno rjeˇenje na α ∈ [a. mora biti α = β. b]. b]. (8.2) vrijedi λ < 1.6. neka je g([a. 2. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 468 ili drugim rijeˇima c Budu´i da je 1 − λ > 0.2) onda moˇemo pisati z |g(x) − g(y)| = λ|x − y|. onda je po Teoremu srednje vrijednosti ξ izmedu x i y (8. b]. n ≥ 0 vrijedi n→∞ |α − xn | ≤ λn |α − x0 | i n→∞ lim α − xn+1 = g ′ (α). za sve x. Prvo. b] povlaˇi da je xn = g(xn−1 ) ∈ [a. za proizvoljni x0 ∈ [a. y ∈ [a.ˇ ˇ 8. odnosno indukcijom po n dobivamo |α − xn | ≤ λn |α − x0 |. Ako pustimo n → ∞. c (1 − λ) |α − β| ≤ 0. c c vrijedi |α − xn | = |g(α) − g(xn−1 )| ≤ λ|α − xn−1 |.6. x∈[a. onda λn → 0.b] Ako je g derivabilna na [a. Definiramo λ = max |g ′ (x)|.3) ∀x ∈ [a. b].1 Neka je funkcija g neprekidno diferencijabilna na [a. b]. Primijetite λ moˇe biti ve´i od 1! z c Teorem 8. za jednostavnu iteraciju xn+1 = g(xn ). b]. α − xn . n ≥ 1. g(x) − g(y) = g ′(ξ)(x − y).6. Dokaˇimo joˇ konvergenciju jednostavnih iteracija za proizvoljnu startnu toˇku z s c x0 ∈ [a.

2 U primjeru 8.2 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. ako imamo niz xn+1 = g(xn ) i rjeˇenje α = g(α).6. Budu´i da xn → α.3) znaˇajna.6. Sada moˇemo primijeniti prethodni teorem za [a.1.1. Sve tvrdnje ovog teorema dokazane su u prethodne dvije leme. 1. onda je i i |g ′(ξn )| > 1. pa konvergencija metode nije mogu´a. α + ε] takav da je max |g ′(x)| ≤ λ < 1.6. osim posljednje relacije o brzini konvergencije. vrijedi s ′ α − xn+1 = g(α) − g(xn ) = g ′ (ξn )(α − xn ). √ a je pa ta iteracijska funkcija ne´e konvergirati. pa vrijedi c n→∞ lim Pokaˇimo koliko je pretpostavka (8. uz pretpostavku da je x0 dovoljno blizu α. Dokaz. onda i ξn → α. Tada vrijede svi rezultati Teorema 8. c Prethodni teorem se moˇe malo i pojednostavniti. U op´enitijem je sluˇaju g(x) = c c c 2 ′ x + c(x − a). Teorem 8. . tako da se ne navodi eksz plicitno interval [a. Tada. pretpostavimo da je z c |g (α)| > 1. onda je g ′(x) = 2x + 1 i u nultoˇki α = c √ √ g ′ ( a) = 2 a + 1 > 1. z Primjer 8. Ako je g(x) = x2 + x − a. definirali smo tri iteracijske funkcije. Uzmimo I = [α − ε. jer |α − x| ≤ ε povlaˇi c |α − g(x)| = |g(α) − g(x)| = |g ′(ξ)||α − x| ≤ λ|α − x| ≤ ε. pa je |α − xn+1 | ≥ |α − xn |. b].6. x∈I Tada je g(I) ⊆ I. tj.6.ˇ ˇ 8. b] = I. pa je g (x) = 1 + 2cx i √ √ g ′ ( a) = 1 + 2c a. Za xn dovoljno blizu α. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 469 Dokaz. n→∞ α − xn n ≥ 0. α − xn+1 = lim g ′ (ξn ) = g ′ (α). gdje je ξn neki broj izmedu α i xn . Vrijedi α − xn+1 = g(α) − g(xn ) = g ′(ξn )(α − xn ).

Ako je startna vrijednost x0 dovoljno blizu α. Razvijmo g(x) u okolini α do ukljuˇivo (p − 1)-ve potencije i napiˇimo c s ostatak. 3. mora biti √ −1 < 1 + 2c a < 1.6. p! . kao ˇto je.6. pa je √ g ′( a) = 0. pretpostavimo da je g ′(α) = · · · = g (p−1) (α) = 0. pa je √ g ′ ( a) = −1. s s Teorem 8. s c ali viˇeg reda konvergencije. odnosno 1 − √ < c < 0. Nadalje.5 (1 − a/x2 ).4). Ako je g(x) = 0. n→∞ (α − xn )p p! lim Dokaz.ˇ ˇ 8. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 470 Da bismo osigurali konvergenciju.3 Neka je α rjeˇenje od x = g(x) i neka je g p puta neprekidno difers encijabilna za sve x u okolini α.6. onda je g ′(x) = −a/x2 . Ako je g(x) = a/x. uvrstimo x = xn . za neki p ≥ 2. na primjer Newtonova metoda.4) za neki ξn izmedu xn i α. (p − 1)! p! n≥0 (8. a 2. Iskoristimo li da je g(α) = α i pretpostavku (8. Ovaj odjeljak zavrˇit ´emo promatranjem jednostavnih iteracionih funkcija. imat ´e red konvergencije p i c α − xn+1 g (p) (α) = (−1)p−1 . Zatim. 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 .5 (x + a/x). iteracijska funkcija xn+1 = g(xn ). p! g (p) (ξn ) (xn − α)p . slijedi xn+1 = α + odnosno α − xn+1 = − g (p) (ξn ) (xn − α)p . onda je g ′ (x) = 0.

moˇemo pokazati da je red konvergencije Newtonove metode z ′ jednak 2. to znaˇi da xn → α. f (x) xn+1 = g(xn ). 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 − ′ . f ′ (α) f (x)f ′′ (x) (f ′ (x))2 − f (x)f ′′ (x) = . Newtonova metoda za viˇestruke nultoˇke s c Promotrimo ˇto ´e se dogoditi s konvergencijom Newtonove metode. (f ′ (x))2 (f ′ (x))2 Sada moˇemo primijeniti prethodni Teorem. koji pokazuje da ´e iteracijska funkcija z c konvergirati. onda ´e red konvergencije biti barem 3. f (x) Deriviranjem (8. p ≥ 2 nultoˇku u α. h(α) = 0. Tada c vrijedi f (α) = f ′ (α) = · · · = f (p−1) (α) = 0. pa i ξn → α. uz pretpostavku da je f ′ (α) = 0. c s z pa ako je f ′′ (α) = 0. ˇto daje traˇenu relaciju.7.ˇ ˇ 8. f (p) (α) = 0.1) Ograniˇimo se samo na cjelobrojne p i promatrajmo Newtonovu metodu kao jedc nostavnu iteraciju. Ako je f (α) = 0.7.1) dobivamo jednostavniji oblik za derivaciju f ′ (x) = p(x − α)p−1h(x) + (x − a)p h′ (x). ph(x) + (x − α)h′ (x) . Samu funkciju f moˇemo napisati i u obliku z f (x) = (x − α)p h(x). g(x) = x − ′ . f ′′ (α) = 0. f (x) Deriviranjem dobivamo da je g ′ (x) = 1 − pa je g(α) = 0.7. pa je g(x) = x − (x − α)h(x) . dobivamo c c g ′′(α) = f ′′ (α) . c 8. Na sliˇan naˇin. Nadalje. ako funks c cija f ima neprekidnih prvih p + 1 derivacija i p-struku. (8.

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

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

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

c Primjer 8. Umjesto toga.56x2 + 9.2 Nadite nultoˇku funkcije f (x) = x3 − 5. Primjer 8. ali Newtonova metoda ne´e konvergirati iz svake startne toˇke x0 . ˇto z c s je signaliziralo da smo ili loˇe derivirali. . x7 = 1. |x | > |β| Newtonova metoda sa startom x0 divergira. x30 = 1.1389x − 4.  0  |x0 | = |β| Newtonova metoda sa startom x0 ciklira. s s Pouˇeni prethodnim primjerom oˇekujemo desetak iteracija. Zatraˇimo li pogreˇku manju od 10−8 . metodi bisekcije bit ´e potrebno 27 rasz s c polavljanja. . √ Primjer 8. k = 1. c Taj problem moˇemo interpretirati i kao traˇenje realne pozitivne nultoˇke z z c funkcije f (x) = x3 − 1. .3 Nultoˇka funkcije c f (x) = arctg(x) je x = 0. a pribliˇna nultoˇka bit ´e x27 = 1. Na´i c c c ´emo toˇku β za koju vrijedi c c   |x0 |  < |β| Newtonova metoda sa startom x0 konvergira. c Zadatak 8.1 Usporedimo brzinu metoda za izraˇunavanje 3 1. fk ). . 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.ˇ ˇ 8.144714242553332. ili funkcija ima viˇestruku nultoˇku.229999999995655.144714239984751.9. Modificiramo li Newtonovu metodu tako da korekciju pomnoˇimo s viˇestrukoˇ´u nultoˇke.5.230000000463810. s s c Nije teˇko pokazati da je 1. za istu toˇnost bilo nam je potrebno z s sc c c samo 7 iteracija. z c c Za greˇku manju od 10−15 Newtonova metoda trebat ´e samo 7 iteracija i x7 = s c 1.9. c c bilo nam je potrebno 30 iteracija za traˇenu toˇnost.23 dvostruka nultoˇka zadane funkcije. n. Definiramo li fk = |xn+1 − xk |.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.68999 koriˇtenjem Newtonove metode. tako da greˇka bude manja od 10−15 .9. traˇimo aproksimaciju oblika z ϕ(z) = cz p koja najbolje aproksimira skup podataka (zk . .5. pa Newtos c nova metoda konvergira samo linearno. a konvergencija je bila kvadratiˇna.9. zk = |xn+1 − xk−1 |.

c x0 = β i x0 = 1.57 1.39174520027073489. ako je c c arctg β = 2β . postoje dva rjeˇenja. Jednadˇba tangente na arctg u toˇki β je c z c y − arctg β = pa ´e tangenta sije´i os x u −β. dovoljno je da tangenta na funkciju u toˇki β presijeˇe os x c c u toˇki −β. y −β β x y −0. recimo za x0 = 1. i nije ih teˇko izraˇunati metodom bisekcije s c β = ±1.5. pa da c c c bismo dobili cikliranje.ˇ ˇ 8. suprotnih c z c s predznaka. Oˇito. RJESAVANJE NELINEARNIH JEDNADZBI ˇ NELINEARNE JEDNADZBE – 476 Kako ´emo na´i toˇku “cikliranja”? Funkcija f (x) = arctg x je neparna. 1 + β2 1 (x − β).0 x . 1 + β2 ˇime smo dobili nelinearnu jednadˇbu po β. Nacrtajmo grafove Newtonove metode za sve tri mogu´nosti za x0 .

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

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

s Zbog linearnosti integrala kao funkcionala (αf (x) + βg(x)) dx = α f (x) dx + β g(x) dx. xm .1. onda dobivano tzv. . c c tj. onda bi to znaˇilo da integracijska formula egzaktno integrira poˇetni komad Taylorovog reda. . (m) (m) (m) (9. x2 . ili dozvoliti da su svi z c ˇvorovi “slobodni”. onda aproksimacija Im (f ) ima oblik m Im (f ) = k=0 wk f (xk ). jer svojstvo (9.3) dovoljno je gledati egzaktnost tih formula na nekoj bazi vektorskog prostora.1. Newton– c Cotesove formule.1) zapisati u obliku c b I(f ) = a w(x)f (x) dx. Ona ima istu ulogu “gusto´e” c z c mjere kao i kod metode najmanjih kvadrata. za fiksni m. moramo nekako odrediti 2m + 2 nepoznatih c c koeficijenata. jednaka integralu c s greˇke koji nastaje kad iz Taylorovog reda napravimo Taylorov polinom. . (9. a wk teˇinski koeficijenti. Koeficijenti xk c (m) integracije. Ako su ˇvorovi fiksirani. z Uvjeti egzaktnosti na vektorskom prostoru polinoma tada vode na sustav linearnih jednadˇbi. teˇinska funkcija. moˇemo fiksirati samo neke ˇvorove. greˇka bi bila mala.ˇ 9. 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. Drugim rijeˇima.}.1. Zaˇto baˇ s s s s tako? Ako postoji Taylorov red za funkciju f i ako on konvergira. recimo ekvidistantni. (9.4) pri ˇemu je funkcija w ≥ 0 tzv. z U op´em sluˇaju.3) onda osigurava egzaktnost za sve polinome do najviˇeg stupnja s baze. Uobiˇajen naˇin njihovog odredivanja je zahtjev da su integracijska c c formule egzaktne na vektorskom prostoru polinoma ˇto viˇeg stupnja.1. x.2) zovu se ˇvorovi c pri ˇemu je m neki unaprijed zadani prirodni broj. c S druge strane. tj. recimo na {1. . . za koje moramo odrediti m + 1 nepoznati koeficijent (teˇine). NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 479 Ako koristimo samo funkcijske vrijednosti za aproksimaciju integrala. Taylorov polinom. . Ove posljednje formule zovu se formule Gaussovog tipa. . x3 .1. U c sluˇaju Gaussovih formula (ali moˇe se i kod teˇinskih Newton–Cotesovih formula) c z z uobiˇajeno je (9. Ideja je “razdvojiti” podintegralnu .

Newton–Cotesove formule Newton–Cotesove formule zatvorenog tipa imaju ekvidistantne ˇvorove. s tim c da je prvi ˇvor u toˇki x0 := a. a posljednji u xm := b. hm = b−a . Gaussove se forc mule nikad ne raˇunaju “direktno” iz uvjeta egzaktnosti. . m Drugim rijeˇima.2.2. tako da integracijska formula egzaktno integrira c z polinome ˇto viˇeg stupnja na intervalu [a. k = 0. tj.2. funkcije w i z c ortogonalnih polinoma obzirom na funkciju w na intervalu [a. piˇemo wk := wk . . b]. osnovni je oblik Newton–Cotesovih formula c b m a f (x) dx ≈ Im (f ) = wk f (x0 + khm ). 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 . Pokazat ´emo da postoji veza Gaussovih formula. 1 pa je x0 = a i x1 = b. Trapezna formula Izvedimo najjednostavniju (zatvorenu) Newton–Cotesovu formulu za m = 1. tj. Za m = 1. . koja omogu´ava c efikasno raˇunanje svih parametara za Gaussove formule. pri ˇemu je c b−a = b − a. Dakle. moˇemo s z (1) (1) izostaviti gornje indekse u wk . tako da singulariteti budu ukljuˇeni u w.1) 9. m.2. Da bismo olakˇali pisanje. Preciznije. 9. b]. kad znamo da je m = 1.1) ima oblik I1 (f ) = w0 f (x0 ) + w1 f (x0 + h1 ). a . s moramo prona´i teˇine w0 i w1 . aproksimacija integrala (9.ˇ 9. 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). c Na kraju ovog uvoda spomenimo joˇ da postoje primjene u kojima je korisno s traˇiti egzaktnost integracijskih formula na drugaˇijim sustavima funkcija. radi jednostavnosti. k=0 (m) (9.1. . koji nisu z c prostori polinoma do odredenog stupnja.. jer to vodi na nelinearni c sustav jednadˇbi. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 480 funkciju na dva dijela.

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

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

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

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

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

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

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

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

c.ˇ 9. Ostaje joˇ “srediti” drugi c c s ˇlan. b.5) a c b t pa ´e integral rasti od 0 do svog maksimuma (plava povrˇina). dx Prvi ˇlan je oˇito jednak 0. onda moˇemo napisati kao s z b E2 (f ) = a w ′ (x)f [a. b). 6 Uz oznaku (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. To smo pokazali op´enito u poglavlju o Newtonovom interpolacijskom polic nomu. b.2.2. a zatim padati (kad c s dode u crveno podruˇje) do 0.5). Na sliˇan je naˇin derivacija tre´e podijeljene razlike c c c . c Ostaje samo joˇ napisati greˇku interpolacijskog polinoma kao podijeljenju s s razliku. x ∈ (a. greˇku Simpsonove formule. a posebno za n = 3 vrijedi f [a. x] dx. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 489 Tvrdimo da vrijedi w(a) = w(b) = 0. c. Parcijalnom integracijom ovog integrala dobivamo b b E2 (f ) = w(x)f [a. b. x] dx. c. b. x] a − w(x) a d f [a. jer je w(a) = w(b) = 0. x] = f ′′′ (ξ) . c. Kod splajnova smo objaˇnjavali da je podijeljena razlika s dvostrukim ˇvorom c s c jednaka derivaciji funkcije. (9.

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

89899440974837875 −0.50048890712791179 1.48629209245242800 18 18.08144796380090498 0.59635362271451140 Oˇito je da aproksimacije ne konvergiraju prema pravoj vrijednosti integrala.92649902176346704 11 3.3.05973804964347061 13 1.31293651575343889 3. onda ne´e biti dobri niti njihovi integrali.24143731477308329 8.15219287585834703 8 1.2.38461538461538462 2.67330055565349876 −1. z c Pokaˇimo to na primjeru Runge. jer to postaje opasno.49922455199193763 20 −26.98823884866311501 17 0.26050944143760372 2.43910922619772403 6 3.84955208882447960 29.04807026098176315 3 2. Rjeˇenje s s je vrlo sliˇno onome ˇto smo primijenili kod interpolacije.24602608588196936 −4.36218614927464711 2 6.66535357008912674 4 2.12981975621917490 19 7.87662129010920670 −16. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 491 9. Ako ne valja dizanje stupnjeva interpoz lacijskih polinoma na ekvidistantnoj mreˇi.39861789784183472 0. s Red formule m Aproksimacija integrala Greˇka s 1 0. 1 + x2 Sljede´a tablica pokazuje aproksimacije integrala izraˇunate Newton–Cotesovim forc c mulama raznih redova i pripadne greˇke. Umjesto da diˇemo red c s z .12364713958076805 7 2.49797140638855353 12 −0.79487179487179487 −4.ˇ 9.24477294027858525 −0.74680153389003172.34818363604819700 10 4.40875745881652541 16 −6.91979721683238891 0.37400530503978780 0.37279622885024392 5 2.15555899270655713 −1. Potc punije opravdanje ovog ponaˇanja dajemo neˇto kasnije.82700431705764282 14 7.24631262676211993 9 2.30769230769230769 0. s s I ˇto sad? Ne smijemo dizati red formula.15274310696189909 15 4.89954464085193082 −5. Produljene formule Nije teˇko pokazati da su sve Newton–Cotesove formule integrali interpos lacijskih polinoma na ekvidistantnoj mreˇi. Prava vrijednost integrala je z 5 −5 dx = 2 arctg 5 ≈ 2.87044867347079978 −1.

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

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

4.2. Primjeri Primjer 9.2. 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 . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 494 S pri ˇemu je En (f ) greˇka produljene formule. Koliko je podintervala potrebno s za istu toˇnost koriˇtenjem (produljene) trapezne formule? c s . izraz u zagradi moˇemo zamijeniti c c z s f (4) (ξ). 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 . b]. 180 180n4 M4 = max |f (4) (x)|. 180ε n paran cijeli broj. x∈[a. onda je dovoljno traˇiti da bude z (b − a)5 M4 ≤ ε. 9.1 Izraˇunajte vrijednost integrala c 2 xe−x dx 1 koriˇtenjem (produljene) Simpsonove formule tako da greˇka bude manja ili jednaka s s 10−6 . 90 n k=1 Sliˇnim zakljuˇivanjem kao kod trapezne formule.ˇ 9. 90 Opet je greˇku korisno napisati malo drugaˇije s c S En (f ) = − h5 (n/2) 2 n/2 (4) f (ζk ) . 180n4 odnosno da je n≥ 4 (b − a)5 M4 . 180 180 Ponovno. ξ ∈ [a. pa dobivamo S En (f ) = − h5 n (4) (b − a)h4 (4) f (ξ) = − f (ξ). Nadite pravu vrijednost integrala i pogreˇke.b] S ˇ Zelimo li da je |En (f )| ≤ ε.

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

3661581921 0.2975379988 0. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 496 ˇvorova). S2 = 2(f (x2 ) + f (x4 ) + f (x6 ) + f (x8 )) = 2.ˇ 9.4 1.3542913309 0.3452357495 0.3297526998. prava pogreˇka je c s I − IS = 0.3230344288 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 ≈ 0.3297530326.8 1.63855000765.9 2. 3 xk 1. Parcijalna integracija daje s 2 xe 1 −x dx = u = x.3346952402 0.5995485226.3678794412 0.3297530326 − 0. ocjena greˇke nije daleko od prave pogreˇke.328 · 10−7 .3614330543 0.3297526998 = 3.2706705665 U ovom konkretnom sluˇaju moˇemo bez puno napora izraˇunati i egzaktnu c z c vrijednost integrala.3105619909 0. s s . Drugim rijeˇima. Jedina korist od toga je da vidimo koliko je zaista ocjena za Simpsonovu metodu bliska sa stvarnom greˇkom.3 1. S1 = 4(f (x1 ) + f (x3 ) = f (x5 ) + f (x7 ) + f (x9 )) = 6.1 1.1 (S0 + S1 + S2 ) = 0. tj.7 1.2 1.6544824628.2841803765 0.0 1. Vrijednost integrala po Simpsonovoj formuli je Is = 0.6 1. du = dx −x dv = e dx. Imamo c k 0 1 2 3 4 5 6 7 8 9 10 Sada je S0 = f (x0 ) + f (x10 ) = 0.5 1.0 f (xk ) 0.

s s Za f (x) = 1.5.2.6) Vjerojatno najkoriˇtenija i najpoznatija otvorena Newton–Cotesova formula je ona s najjednostavnija za m = 0. k=0 (m) (9. Ako definiramo c x w(x) = a (t − c) dt. 24 . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 497 9. moramo na´i koeficijent w0 := w0 c takav da je b a+b f (x) dx = w0 f 2 a egzaktna na vektorskom prostoru polinoma ˇto viˇeg stupnja. c Ako definiramo x−1 := a. xm+1 := b i hm = b−a . poznata pod imenom “midpoint formula” (formula srednje toˇke). koji interpolira funkciju f u srednjoj toˇki. 2 Greˇka te integracijske formule je integral greˇke interpolacijskog polinoma stupnja s s 0 (konstante). Formula srednje toˇke (midpoint formula) c Ako u Newton–Cotesovim formulama ne interpoliramo (pa onda niti ne integriramo) jednu ili obje rubne toˇke. c Dakle za bismo odredili midpoint formulu. imamo b (0) b−a= odakle odmah slijedi da je b 1 dx = w0 . dobili smo otvorene Newton–Cotesove formule. a a f (x) dx = (b − a)f a+b .ˇ 9. 2 onda koriste´i istu tehniku kao kod izvoda greˇke za Simpsonovu formulu. m+2 onda otvorene Newton–Cotesove formule imaju oblik b m a f (x) dx ≈ Im (f ) = wk f (x0 + khm ).2. izlazi da c s je greˇka midpoint formule s b E0 (f ) = a e0 (x) dx = f ′′ (ξ) (b − a)3 . c := a+b .

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

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

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

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

. . .9512 3.9777 15.9969 3. dobivamo umjesto prave vrijednosti integrala I. pribliˇnu vrijednost z I5 = 1. pa bi se raˇunanje integrala morala ponaˇati po predvidanju.5738 1. . onda dobivamo c (k) En = 22k+2 .0000 63.9017 254. . 1 64 . nakon 2 podintervala u trapeznoj formuli. . z s s Pogledajmo redom funkcije..9875 3.6087 249. .0000 63. uz pretpostavku dovoljne s c glatko´e.0000 15.0000 .71828182845904524 I = e − 1 = 1. x dx.4639 1. (k) E2n tj. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 502 Ako pogledamo omjere greˇaka ˇlanova u stupcu. x dx 0 0 0 i pokaˇite kako se ponaˇaju omjeri pogreˇaka u stupcima.ˇ 9.6517 15.9998 1.0000 3. omjeri pogreˇaka u stupcu se moraju ponaˇati kao s s 1 4 4 4 . Primjer 9. Pokaˇimo na primjeru da prethodni omjeri pogreˇaka u stupcu vrijede samo z s ako je funkcija dovoljno glatka.3.9913 15.0000 62. z s 0 1 2 3 4 5 1.9944 1. Pokaˇimo omjere pogreˇaka u stupcima. Eksponencijalna funkcija ima beskonaˇno mnogo c neprekidnih derivacija. .4010 1000. .71828182845904524 I − I5 = 0. c s 5 Kao vrijednost. . 1 . . 1 16 16 .1 Rombergovim algoritmom s toˇnoˇ´u 10−12 nadite vrijednosti intec sc grala 1 1 1 √ x 3/2 e dx.9992 3.7197 1.

40000000000000000 I − I15 = −0.7346 3.6569 1.9567 . 1. .5000 2.0000 5..9676 1.6566 1.. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 503 a zatim samo eksponente omjera pogreˇaka (eksponenti od 2.ˇ 9. ˇ Primijetite da je broj intervala popriliˇno velik! Sto je s omjerima pogreˇaka? c s 0 1 2 3 4 5 6 .8154 3.9993 2. . pribliˇnu vrijednost z I15 = 0.9775 1.6484 5.0000 3. 1.0000 2. 2. . pa bi zanimljivo ponaˇanje moralo poˇeti ve´u drugom stupcu (za trapez je funkcija dos c c voljno glatka za ocjenu pogreˇke). 0 1 2 3 4 5 1.5000 2.6559 5.9955 1.6569 1.9381 3.4847 5. .4978 2.0000 .6484 5.0000 5. koji bi ako je funkcija s glatka morali biti 2k + 2).9980 3.5000 2.5912 5.9843 .6568 ··· 1. .0000 2.9989 1. 1.6539 . ··· 15 3.0000 5. . . .6568 5.9997 1. Bit ´e c s c nam mnogo lakˇe provjeriti ˇto se dogada ako napiˇemo samo eksponente omjera s s s pogreˇaka. 1. Primje´ujemo da su se nakon prvog stupca omjeri pogreˇaka stabilizirali.9682 3. s 0 1 2 3 4 5 6 .9112 3.5000 1.6569 1. 1. . .9999 1.4554 2.9666 1.5000 1. nakon 215 podintervala u trapeznoj s formuli.0000 ..9010 1.5000 2.4992 .9642 1. Kao vrijednost.9920 3.0000 ˇ Sto je s drugom funkcijom? Funkciji f (x) = x3/2 puca druga derivacija u 0. 1.4978 2.0000 2. .0000 1.0000 5..6331 5.5000 .0000 3.0000 5.4832 2.6569 · · · 5.00000000000004512.9978 7.0000 .9995 1.8721 3.6568 5. 5. .4999 1. ··· 15 1.9912 7.9823 1. .0000 2.9910 9.5000 1. .9981 5.0000 .5000 ··· 1.4939 2.6569 .9650 1.0000 2.40000000000004512 I = 2/5 = 0.9318 1.5000 2.0000 1. .9531 1.0000 5.0000 5. dobivamo umjesto prave vrijednosti integrala I.0000 5.

8284 1.8281 2. .0000 2.ˇ 9.5000 · · · · · · 1.4681 1. .0000 1.4991 1. .0000 2.0000 2. u ova dva jednostavna primjera. Nakon 2 podintervala u trapeznoj formuli (ˇto je ograniˇenje zbog veliˇine s c c polja u programu). Omjeri pogreˇaka u tablici su: s 1.5000 1.6408 2. .. . . 15 2.4998 1. .0000 .5000 · · · · · · 1.4538 1. ne dobivamo ˇeljenu toˇnost z c I15 = 0.0000 Pripadni eksponenti su 1.5000 1.0000 .0000 1. 1.8284 · · · · · · 2.8284 2. .7854 .8200 1. .. 1.66666665510837633 I = 2/3 = 0. 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 = .4324 1.4957 1. .8284 · · · · · · 2. .4779 .8284 1. podintegralna ´e funkcija imati beskonaˇno mnogo c c neprekidnih derivacija. .0000 2.4993 1. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 504 Primijetite da su eksponenti omjera pogreˇaka od drugog stupca nadalje toˇno za 1 s c ve´i od eksponenta same funkcije (integriramo!). 4m − 1 0 1 2 3 4 5 .7667 2. pa ´e se algoritam ponaˇati po ocjeni pogreˇke.00000001155829033. . 0 1 2 3 4 5 .5000 1. .4010 1..7393 2..6990 2. moˇe se Rombergovom algoritmu “poz mo´i” tako da supstitucijom u integralu dobijemo glatku funkciju. . . 15 1. c c 2 ako stavimo supstituciju x = t .8281 1. U oba sluˇaja. . c √ Situacija s funkcijom f (x) = x mora biti joˇ gora.0000 1.8271 2. .0000 Ipak.0000 2.5000 1.8267 2. . jer njoj puca prva derivas 15 cija u 0. .4998 1.0000 1. .8284 1.0000 1.66666666666666667 I − I15 = 0.

ali nemamo prostora za ispis) c 0 0.03982 0.03741 0.06397 0. ostale pamtimo u raˇunalu.03756 0. .03697 0. Pokaˇimo sad nekoliko primjera kako treba.ˇ 9.03745 0.03745 0.03745 ˇ Sto je razlog stabilizacije oko jedne. Primjer 9. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 505 Sama tablica ima oblik T0 T0 (0) (1) (2) T1 (0) (1) T0 .03745 0. .05698 0.63662 4 −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 .29273 5 0.27464 −0.28910 −0. (0) . s y x Produljena trapezna formula s 2 podintervala.63616 3 0.03697 0.60355 0.63807 0. . T1 . .21768 −0.66667 2 0. pa oko druge vrijednosti? Nedovoljan broj podintervala u trapezu.03745 0.50000 0. koji ne opisuju dobro ponaˇanje funkcije.03710 0.06225 0. .63661 0.03700 7 0.63671 0.03745 0.06362 6 0.. .62841 0. T2 . . .3. odnosno ne treba koristiti Romberz gov algoritam.00000 1 0.03525 0.03690 0.03745 0. Napiˇimo tablicu (samo prvih par s s decimala. .00616 −0.02832 0.

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

ali i beskonaˇan. Za razliku od ranijih oznaka.1).1) Riemannov integral.4) i postoji funkcija f za koju se ova ocjena dostiˇe.4. promatramo op´i problem jednodimenzionalne integracije zadane c c funkcije f po zadanoj neprekidnoj mjeri dλ generiranoj teˇinskom funkcijom w na z zadanoj domeni.4. ali ne treba zaboraviti na ovisnost o n. z . Kao i prije.4.1 Ako je Iw (f ) iz (9.4. s tim da dozvoljavamo da w nije definirana u rubovima a i b. b). (n) (n) (9. umjesto Iw (f ).3) gdje je En (f ) greˇka aproksimacije. za intec gral u (9. c c c ˇ Zelimo (pribliˇno) izraˇunati vrijednost integrala z c b Iw (f ) = a f (x)w(x) dx. Kao i ranije. s Osnovnu podlogu za konstrukciju integracijskih formula i ocjenu greˇke En (f ) s daje sljede´i rezultat. i ako je f bilo koja druga funkcija za koju postoji Iw (f ). (9. (9.4. U ovom c odjeljku napravit ´emo op´u konstrukciju i analizu toˇnosti za neke klase integracic c c jskih formula.1) gdje je w pozitivna (ili barem nenegativna) “teˇinska” funkcija za koju pretpoz stavljamo da je integrabilna na (a.4. ako je w(x) = 1 na cijelom [a. c Teorem 9. Teˇinske integracijske formule z Dosad smo detaljno analizirali samo nekoliko osnovnih Newton–Cotesovih integracijskih formula s malim brojem toˇaka i pripadne produljene formule. Katkad koristimo i skra´enu oznaku I(f ). NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 507 9.4. ovdje c c je zgodnije toˇke numerirati od 1. 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 ). Interval integracije moˇe biti konaˇan. s c Dakle. b]. ovaj integral aproksimiramo “teˇinskom” sumom funkcijskih vriz jednosti funkcije f na konaˇnom skupu toˇaka. onda vrijedi ocjena |Iw (f ) − Iw (f )| ≤ w 1 f −f ∞.ˇ 9. ako su oˇiti iz konteksta. Dakle. gornje indekse (n) za ˇvorove i teˇine ˇesto ne c z c piˇemo. z c c Drugim rijeˇima.2) gdje je n prirodni broj.4. da skratimo pisanje. sasvim op´enito moˇemo pisati c z b Iw (f ) = a f (x)w(x) dx = In (f ) + En (f ). ili kad je teˇinska funkcija jasna iz z konteksta. ukljuˇuju´i op´e Newton–Cotesove i Gaussove formule. (9. a ne od 0.

Prethodna ocjena upu´uje na to da. ve´ samo o Iw . Jedan od puteva da to postignemo je izbor odgovaraju´eg niza aproksic macija fn . U ovoj formulaciji. za funkciju f . preko greˇke aproksimacije funkcije u uniformnoj (L∞ ) s s normi na [a. jer je rijeˇ o Riemannovom c c integralu. Ocjena izlazi direktno iz osnovnih svojstava Riemannovog integrala jer podintegralne funkcije moraju biti ograniˇene. Ako za perturbiranu funkciju f uzmemo z f (x) := f (x) + c sign(w(x)). b].ˇ 9. singulariteti funkcija). u ovisnosti c . koju ˇelimo iskoristiti za pribliˇno raˇunanje integrala. Ono ˇto stvarno ˇelimo dobiti je niz aproksimacija integrala koji konvergira s z prema Iw (f ).4. ∀x ∈ [a. ve´ je kljuˇna malo drugaˇija interpretacija c c c ocjene (9. domena [a. Zamislimo da je f neka aproksimacija (a ne perturbacija) funkcije f . Teorem onda kaˇe da je apsolutni broj uvjetovanosti za Iw (f ) c z upravo jednak w 1 i ne ovisi o f . uz f − f ∞ = c. trenutno nam to nije bitno. i tada viˇe ne vrijedi zakljuˇak o broju uvjetovanosti. i definiciju L1 norme funkcije w (koja je apsolutno integrabilna po pretpostavci) b w 1 = a |w(x)| dx. b]. onda u ocjeni (9.4) dobivamo jednakost. Prvo uoˇimo da w ne mora biti nenegativna. |f (x) − f (x)| ≤ sup |f (x) − f (x)| = f − f x∈[a. ali zato treba pretpostaviti da je |w| integrabilna. za klasiˇni Riemannov integral.4) daje ocjenu (apsoz z c lutne) pogreˇke u integralu.4. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 508 Dokaz. b] integracije c mora biti konaˇna. c Ovaj rezultat moˇe se proˇiriti i na neprave Riemannove integrale (beskonaˇna z s c domena. Onda (9. n ∈ N. s c Medutim. gdje je c > 0 bilo koja konstanta.b] ∞.4).4. pa dobivamo traˇenu ocjenu. 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.

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

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

NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 511 Pritom je ℓi poseban polinom Lagrangeove baze kojeg smo razmatrali u poglavlju o polinomnoj interpolaciji.2. c c Kad bi.0 (x) fi + hi. Zato oˇekujemo da ovakva formula egzaktno integrira c . (7. tj.5. i (9. kao u Newton–Cotesovim formulama.2) Bi = a Integracijska formula (9. i w(x) (x − xi ) ℓ2 (x) dx. . . ˇvorovi xi bili unaprijed zadani. koji u ˇvorovima integracije xi interpolira vrijednosti fi = f (xi ) c i fi′ = f ′ (xi ). i i = i=1 Integracijom dobijemo b n w(x) h2n−1 (x) dx = a i=1 Ai fi + Bi fi′ .2. Mogli bismo iskoristiti ovu relaciju da napiˇemo 2n jednadˇbi za 2n nepoznanica xi s z i wi . 1. (za c c razliku od numeracije x0 do xn u poglavlju o interpolaciji).5. . s s stupnja 2n − 1. c iz uvjeta egzaktne integracije polinoma trebalo bi odrediti 2n parametara — teˇinz skih koeficijenata Ai . Kao ˇto se Newton–Cˆtesove formule mogu dobiti integracijom Lagrangeovog s o interpolacijskog polinoma. tako se i Gaussove formule mogu dobiti integracijom Hermiteovog interpolacijskog polinoma. z ˇ i dokaz da taj nelinearni sistem ima jedinstveno rjeˇenje nije jednostavan.2. Iz relacija (7. i j = 0. medutim nepoznanice xi ulaze u sistem nelinearno. koji koriste i derivacije funkcije f u ˇvorovima integracije.1 (x) fi′ [1 − 2(x − xi )ℓ′i (xi )] ℓ2 (x) fi + (x − xi ) ℓ2(x) fi′ . . Bi . . .1) gdje su b Ai = a b w(x) [1 − 2(x − xi )ℓ′i (xi )] ℓ2 (x) dx.22) dobivamo n h2n−1 (x) = i=1 n hi. pa je ovakav pristup teˇi.5. pa je i ℓi polinom stupnja n − 1. Takav pristup ekvivalentan je s pristupom u kojem zahtijevamo da Gaussove formule integriraju egzaktno polinome ˇto je mogu´e s c viˇeg stupnja. za i = 1.1) sliˇi na Gaussovu integracijsku formulu.18)). da vrijedi s b n w(x) xj dx = a i=1 wi xj . . Primijetimo samo da je kod numeriˇke integracije zgodnije ˇvorove numerirati od x1 do xn . 2n − 1. definiran uvjetom ℓi (xj ) = δij (v. . Cak s Napiˇimo joˇ jednom formulu za Hermiteov interpolacijski polinom h2n−1 . n. osim ˇto ima c s ′ dodatne ˇlanove Bi fi .ˇ 9.21) i (7. (9.

(9.2. ve´ i vrijednosti c c ′ derivacije f (xi ) funkcije u tim ˇvorovima. ako i samo ako je polinom ˇvorova ωn ortogonalan na sve polinome niˇeg c z stupnja (do n − 1). a k = 0. tvrdnja slijedi. z s i = 1. ali tako dobivena formula koristila bi samo funkcijske vrijednosti u ˇvorovima. c Zato je ideja da probamo izbje´i koriˇtenje derivacija. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 512 polinome do stupnja 2n − 1 (dimenzija prostora je 2n). . Toˇnost integracijske formule mora s c ostati ista (egzaktna integracija polinoma stupnja do 2n − 1).5. Da bismo to dokazali. .1). ′ ωn (xi ) (9. a Kako je ℓi polinom stupnja n − 1. ako vrijedi z b w(x) ωn (x) xk dx = 0. . tj. koji ima nultoˇke u svim ˇvorovic c c ma integracije ωn := (x − x1 )(x − x2 ) · · · (x − xn ). tj.5.3) onda su svi koeficijenti Bi u (9. Sljede´i rezulc c tat govori o tome kako treba izabrati ˇvorove.2). Taj polinom smo ve´ susreli u poglavlju o Lagrangeovoj interpolaciji. s teˇinskom funkcijom w. 1. 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 . Dokaz. Razlog tome je ˇto su funkcije ℓi . Lagrangeove baze zaista baza prostora Pn−1 (zadatak 7. Lagano provjerimo identitet (x − xi )ℓi (x) = Supstitucijom u izraz (9. za upotrebu ove formule trebamo znati ne samo funkcijske vrijednosti f (xi ) u ˇvorovima. . tj.ˇ 9. . uvodimo posebni “polinom ˇvorova” (engl. . n − 1.5.5.2) jednaki nula. . Lako se vidi da vrijedi i obrat ove tvrdnje. “node polynomial”) ωn . c Lema 9. i po pretpostavci je ωn ortogonalna s teˇinom w z na sve takve polinome. No.5. postala bi Gaussova c integracijska formula.2) za Bi slijedi 1 Bi = ′ ωn (xi ) b ωn (x) . odgovaraju´im izborom ˇvorova xi moˇe se posti´i da teˇinski koeficic c z c z jenti Bi uz derivacije budu jednaki nula.4) w(x) ωn (x) ℓi (x) dx. da su svi koeficijenti Bi = 0 u (9. n.5.1 Ako je ωn (x) = (x − x1 ) · · · (x − xn ) ortogonalna s teˇinom w na z sve polinome niˇeg stupnja. tako da izborom ˇvorova c s c ′ xi poniˇtimo koeficijente Bi uz derivacije fi . Zaista. .

. c Pokaˇimo joˇ da vrijedi i z s b b wi = a w(x) ℓ2(x) dx i = a w(x) ℓi (x) dx. a teˇinske koeficijente moˇemo izraˇunati iz (9. slijedi da su svi teˇinski z koeficijenti u Gaussovoj integraciji pozitivni.5. Njegove c s s nultoˇke x1 .8. Iz teorema 7. c Time smo dokazali da postoji jedinstvena Gaussova integracijska formula obb n lika a w(x) f (x) dx ≈ wi f (xi ). n.3) jednoznaˇno odreduje raspored ˇvorova c c za Gaussovu integraciju. wi > 0. i Podintegralna funkcija je nenegativna i ℓ2 je polinom stupnja 2(n − 1) koji nije i nul-polinom.5. b) (ˇto nam baˇ odgovara za integraciju). Iskoristimo li pretpostavku ortogonalnosti iz leme 9.ˇ 9. . . . polinom ˇvorova ωn mora biti ortogonalni polinom s vode´im koeficijentom 1. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 513 koeficijent. 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. Dakle.5. Oˇito.2 slijedi da ωn ima n jednostrukih nultoˇaka u otvorenom intervalu (a. budu´i z z z c c da je tada wi = Ai . . n. ωn postoji c c i jedinstven je. i=1 ˇ Cvorovi integracije xi su nultoˇke ortogonalnog polinoma stupnja n na [a. i Uz uvjet ortogonalnosti (Gaussova integracija) je Bi = 0 i Ai = wi. 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 . b] s c teˇinskom funkcijom w. .2). ˇto je vrlo s bitno za numeriˇku stabilnost i konvergenciju. koriste´i relaciju c c za Bi . . xn moˇemo samo permutirati (drugaˇije indeksirati). . pa desna strana mora biti pozitivna.2). .1.5.1). tj. uvjet ortogonalnosti (9. a uz stanc z c dardni dogovor x1 < · · · < xn . . . Sasvim op´enito. one su jednoznaˇno odredene. Nadalje. . Da bismo dobili Gaussovu integracijsku formulu u (9. za i = 1. za i = 1. pa je b wi = a w(x) ℓ2(x) dx. . moˇemo pojednosz tavniti i izraze za koeficijente wi = Ai u (9.

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

Gauss–Legendreove integracijske formule Prepostavimo u daljnjem da je w ≡ 1 na intervalu (−1. Pripadne formule nazvali c z smo Gauss–Legendreovima.5. 1) i izvedimo specijalnu Gaussovu formulu. . i=1 Kao ˇto znamo. b = 1. tj.ˇ 9. pa stoga z z raˇunanje ovih faktora ne predstavlja ve´e probleme. iz kojeg slijede sva ostala: Lema 9. Stoga je s c c potrebno za specijalne teˇine i intervale integracije do´i do dodatnih informacija o z c ortogonalnim polinomima. . u gornjem primjeru izraˇunali smo toˇke integracije za c c Gauss–Legendreovu formulu reda 3. Q := −1 P (x) Q(x) dx. bilo bi dobro izraˇunati formulom i teˇinske c z faktore wi u Gaussovim formulama.1.5. n − 1.1 Iz uvjeta egzaktnosti i poznatih toˇaka integracije za n = 3 izraˇuc c najte teˇinske koeficijente wi . ˇto je egzaktno nemogu´e. Za ve´e n potrebno je odrediti nule polinoma visokog stupz c nja. Za nas je bitno samo jedno z specijalno svojstvo. c c 9. . Primijetite da je sustav jednadˇbi linearan. tj.5. a numeriˇki u najmanju ruku neugodno. c tj. a = −1. −1 za k = 0.5. ovaj pristup moˇemo iskoristiti za sve mogu´e intervale integracije i z c razne teˇinske funkcije. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 515 Teorijski. 2 n! dxn Tako definirani polinomi ˇine ortogonalnu bazu u prostoru polinoma stupnja n. (9. Na kraju. vrijedi 1 xk Pn (x) dx = 0. oni su linearno nezavisni i ortogonalni obzirom na skalarni produkt 1 P. Gauss–Legendre-ovu formulu 1 n −1 f (x) dx ≈ wi f (xi ). Zadatak 9. Rijeˇimo z s na poˇetku vaˇnu situaciju w ≡ 1. Analitiˇki je mogu´e do´i do ovakvih rezulc c c tata za mnoge specijalne teˇine w(x) koje se pojavljuju u primjenama. . .6) Pojavljuju se prirodno u parcijalnim diferencijalnim jednadˇbama. Legendreov polinom stupnja n definiran je Rodriguesovom fors mulom 1 dn 2 Pn (x) = n (x − 1)n . 1. kod metode sez paracije varijabli za Laplaceovu jednadˇbu u kugli.2 Legendreov polinom stupnja n ortogonalan je na sve potencije xk niˇeg z stupnja.

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

Druga tvrdnja slijedi iz z 1 1 [Pn (x)] dx = −1 −1 2 1 2n n! (2n)! n x + · · · Pn (x) dx. iz uvjeta s z egzaktne integracije potencija najve´eg mogu´eg stupnja. prva derivacija ima jednu nultoˇku u intervalu (−1. pa ima ukupno ˇetiri nule u [−1. Druga derivacija stoga ima dvije unutarnje nule po Rolleovom teoremu. vidimo c da n − 1-a derivacija ima n − 1 unutarnju nultoˇku i joˇ dvije u ±1.5. i dvije u ±1. 2n n! dxn induktivnom primjenom Rolleovog teorema.3 Legendreovi polinomi su ortogonalni na intervalu (−1. prva c derivacija je.4 Legendreovi polinomi Pn imaju n nultoˇaka. Norma Legendreovog polinoma je 1 Pn 2 := −1 [Pn (x)]2 dx = 2 . c Dokaz.ˇ 9. 1]. I tako redom. n! Potencije manje od xn ne doprinose integralu. 1).5. 1). 1]. pa ukupno mora imati tri nultoˇke u zatvorenom c intervalu [−1. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 517 Lema 9.5. i nalaze se u otvorenom intervalu (−1. n (n!)2 (2n + 1)! 2 2n + 1 Lema 9. ima c n unutarnjih nultoˇaka. takoder. koja je do na multiplikativni faktor jednaka Pn .2 povlaˇi c 1 [Pn (x)]2 dx = −1 (2n)! 2n+1 (n!)2 2 = . c .5. Na kraju c s zakljuˇimo da n-ta derivacija.6) 1 Pm (x) Pn (x) dx = 0. pa druga tvrdnja leme 9. Prema Rolleovom s c teoremu. Prva tvrdnja je direktna posljedica dokazane ortogonalnosti na potencije niˇeg stupnja. −1 za m = n. c Na taj naˇin smo zapravo naˇli toˇke integracije u Gauss–Legendreovoj formuli c s c i bez eksplicitnog rjeˇavanja nelinearnog sistema jednadˇbi za wi i xi . Polinom (x2 − 1)n je stupnja 2n i ima viˇestruke (n-terostruke) nultoˇke u rubovima intervala ±1. 2n + 1 Dokaz. Dokaz ide iz definicije Legendreovih polinoma Pn (x) = 1 dn 2 (x − 1)n . koje su sve realne i razlic ˇite. 1) obzirom na skalarni produkt (9. Taj rezultat rezimiran je c c u sljede´em teoremu. Medutim. nula u ±1.

proporc cionalan je Legendreovom polinomu Pn . 16 1 (429x7 − 693x5 + 315x3 − 35x).ˇ 9. Raˇunanje nultoˇaka Legendreovih polinoma (na maˇinsku toˇnost!) nije jedc c s c nostavan problem.5. za svaki n. da su nultoˇke od P3 identiˇne s toˇkama integracije koje smo c c c dobili u primjeru 9. da postoje specijalni algoritmi. pa brzina algoritma nije vaˇna. Dokaz.5. P2 (x) = 2 8 dx 2 3 1 d 1 (x2 − 1)3 = (5x3 − 3x). Znamo da su toˇke integracije xi nultoˇke polinoma ωn po konstrukciji. direktno iz uvjeta ortogonalnosti.3) polinom ωn .2 Iz Rodriguesove formule moˇemo izraˇunati nekoliko prvih Legenz c dreovih polinoma. c z Tabelirane nultoˇke (kao i teˇine wi ) mogu´e je na´i u gotovo svim standardnim c z c c knjigama i tablicama iz podruˇja numeriˇke analize. na primjer. 1 d 2 P1 (x) = (x − 1) = x. te da je dovoljno tabelirati te nultoˇke jednom.1.4). c Napomenimo za sad samo toliko. P0 (x) = 1.5. 4 16 · 24 dx 8 1 P5 (x) = (63x5 − 70x3 + 15x). NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 518 ˇ Teorem 9.1 Cvorovi integracije u Gauss–Legendreovoj formuli reda n su nultoˇke c Legendreovog polinoma Pn . 128 Vidimo.5. budu´i da egzaktne formule postoje samo za male stupnjeve. c c Primjer 9. (2n)! pa vidimo da su sve nultoˇke polinoma ωn zapravo nultoˇke od Pn (lema 9. odakle je ωn (x) = 2n (n!)2 Pn (x). c c Zbog uvjeta ortogonalnosti (9. 8 1 P6 (x) = (231x6 − 315x4 + 105x2 − 5). P3 (x) = 3 48 dx 2 4 1 d 1 P4 (x) = (x2 − 1)4 = (35x4 − 30x2 + 3). 2 dx 1 d2 2 1 (x − 1)2 = (3x2 − 1). s vode´im koeficijentom 1. P7 (x) = 16 1 P8 (x) = (6435x8 − 12012x6 + 6930x4 − 1260x2 + 35). c c . Vode´i koeficijent u Pn lako izraˇunamo iz c c Rodriguesove formule.5. nego samo preciznost.

zasnovan na ˇinjenici da Legendreovi s c c c polinomi zadovoljavaju troˇlanu rekurziju. n.8) usporedimo li koeficijente uz xn+1 u (9.2). NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 519 Postoji lakˇi naˇin za raˇunanje Pn (x). xPn (x) = i=0 ci Pi (x). Kako je xPn (x) polinom stupnja n + 1 i {Pi }n+1 baza za prostor polinoma i=0 stupnja do n + 1. . z c Lema 9. k = 0. cn i cn−1 .5.3) slijedi 1 1 xPk (x) Pn (x) dx = ck −1 −1 2 Pk (x) dx. 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). cn+1 = odakle slijedi da je . 2n + 1 Lagano se vidi (iz Rodriguesove formule) da se u Legendreovim polinomima pojavljuju samo alterniraju´e potencije.5.5. a P2n+1 je linearna kombinacija neparnih potencija x2k+1 . Pomnoˇimo li obje strane s Pk (x) i integriramo od −1 do 1.7) Ali za k < n − 1 je xPk (x) polinom stupnja manjeg ili jednakog n − 1. . dobivamo da je (2n)! (2n + 2)! = cn+1 n+1 .ˇ 9. ˇiji se koeficijenti mogu eksplicitno izc c raˇunati. Stoga je ck = 0 za k < n − 1. tj. c Dokaz. postoje koeficijenti ci tako da vrijedi n+1 n ≥ 1. Treba joˇ izraˇunati koeficijente cn+1 . Ova rekurzivna formula igra vaˇnu ulogu i u konstrukciji spomenutog c z specijalnog algoritma za traˇenje nultoˇaka. s poˇetnim vrijednostima P0 (x) = 1. . 2n (n!)2 2 [(n + 1)!]2 n+1 . z n (n!)2 n 2 2 (n!)2 (9. (9.5 Legendreovi polinomi zadovoljavaju rekurzivnu formulu (n + 1)Pn+1 (x) = (2n + 1)xPn (x) − nPn−1 (x).5. pa je Pn (x) ortogonalan na njega (lema 9. zbog ortogonalnosti z (lema 9. Kako je s c Pn (x) = (2n)! (2n)! n ω (x) = n x + niˇe potencije od x.5.5. P1 (x) = x. P2n je linearna kombinacija parnih potenc 2k cija x .8). .

2 Budu´i da Legendreovi polinomi zadovoljavaju troˇlanu rekurziju.2 i lema 9.5. pa slijedi cn−1 = n . .5. Iz rekurzije (9.5.5. napiˇite eksplicitno taj algoritam.ˇ 9. . Lema 9.5.8) na osnovu toga zakljuˇimo da je cn = 0.9) Zadatak 9. .5. . Primijetimo da smo usput dokazali i formulu c 1 xPn−1 (x) Pn (x) dx = −1 n 2 2n = 2 . Razvoji po Legendreovim polinomima s pojavljuju se ˇesto kod rjeˇavanja Laplaceove jednadˇbe u sfernim koordinatama.8). c c mogu´e je napisati algoritam za brzu sumaciju parcijalnih suma redova oblika c ∞ n=0 an Pn (x).5. Koriste´i rekurziju iz c leme 9. n.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)].3). 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. poznat pod nazivom generalizirana Hornerova shema.5. Ovi integrali su poznati (lema 9. . Zbog xPn−1 (x) = 2n−1 [(n 1 i ortogonalnosti Pn na sve niˇe potencije od x.7) imamo da je c 1 1 xPn−1 (x) Pn (x) dx = cn−1 −1 −1 2 Pn−1 (x) dx. Za k = n − 1. 2n + 1 Tako smo naˇli sve nepoznate koeficijente u linearnoj kombinaciji (9. odakle s odmah slijedi troˇlana rekurzija. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 520 k = 0. pa c preostaje samo izraˇunati cn−1 . 2n + 1 2n − 1 4n − 1 (9. iz (9.5. c s z Sljede´e dvije leme korisne su za dobivanje ekplicitnih formula za teˇine u c z Gauss–Legendreovim formulama.5.

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

5. dx 2 [(n − 1)!]2 a zbog druge tvrdnje u lemi. n. pa kako se faktor (1 − x2 ) poniˇtava na granis cama integracije. ck = 0 za k < n − 1. Prvi integral integriramo parcijalno. tj. c .9) = 2n2 . . dx zbog prve tvrdnje u lemi 9. n−1 [(n − 1)!]2 2 (2n + 1)! (2n + 1)(2n − 1) cn−1 = 2n − 1 2n(n + 1) 2n2 + = n. . NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 522 Pomnoˇimo ovu relaciju s Pk (x) i integriramo od −1 do 1. n [Pn−1 (xi )]2 gdje su xi . pa s su svi ovi integrali jednaki nula (lema 9. Drugi je jednostavan c 1 n −1 xPn (x) Pn−1 (x) dx = (9. Za k = n − 1 treba izraˇunati dva integrala u prethodnoj relaciji.5. s Lema 9. nultoˇke Legendreovog polinoma Pn .2). Zbog ortogonalnosti. oba integranda su oblika Pn (x) × (polinom stupnja najviˇe n − 1). 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.5. 4n2 − 1 U prvom integralu 1 − Pn (x) −1 d [(1 − x2 )Pn−1 (x)] dx.8 Teˇinski faktori u Gauss–Legendreovim formulama mogu se eksplicitno z izraˇunati formulama c 2(1 − x2 ) i wi = 2 . doprinos daje samo vode´i ˇlan u c c (1 − x2 )Pn−1 (x). 2 (2n + 1)(2n − 1) (2n + 1)(2n − 1) Na kraju je ˇto smo i htjeli dokazati. . i = 0.5. slijedi 2 ck = − 2k + 1 1 −1 d Pn (x) [(1 − x2 )Pk (x)] dx + n dx 1 xPn (x) Pk (x) dx.2 (ortgonalnost). −1 Za k < n − 1. pa je taj integral jednak 1 Pn (x) −1 d (2n − 2)! x2 n−1 xn−1 dx. integral se svodi na (2n − 2)! 2n+1 (n!)2 2n(n + 1) (n + 1) = .ˇ 9. .

7 u specijalnom sluˇaju kada je x = xi .5.8 pokazali smo (usput) da u nultoˇki xi Legenc dreovog polinoma Pn vrijedi ′ (1 − x2 )Pn (xi ) = nPn−1 (xi ) = −(n + 1)Pn+1 (xi ).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 . 1 xi ) dx. (x − xi ) −1 u kojem podintegralna funkcija ima uklonjivi singularitet.6).5. (x − xi ) nPn−1 (xi ) Za teˇinske koeficijente wi vrijede relacije (9.5. i Uvrstimo li taj rezultat u (9.5. i . pa je stoga 1 −1 Pn (x) 2 dx = .10). na desnoj strani preostane samo ˇlan za c k=0 1 Pn (x) −2 dx = . iskoristimo rekurzivnu formulu za derivacije Legendreovog polinoma iz leme 9. Na kraju.5. (x − xi ) (n + 1)Pn+1 (xi ) −1 Troˇlana rekurzija iz leme 9. Stavimo li t = xi u Christoffel–Darbouxov c identitet (lema 9. pa je dakle wi = ′ nPn (xi ) Pn−1 (xi ) (9. Neka je xi nultoˇka polinoma Pn .5. dobivamo n (n + 1)Pn+1 (xi )Pn (x) = − (2k + 1)Pk (x)Pk (xi ).10) Primijetimo da je Christoffel–Darbouxov identitet potreban jedino zato da se izraˇuna neugodan integral c 1 Pn (x) dx. U dokazu prethodne leme 9. 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 ). tvrdnja slijedi.5.5) i (9.5 u nultoˇki xi Legendreovog polinoma Pn ima oblik c c (n + 1)Pn+1 (xi ) = −nPn−1 (xi ).5.ˇ 9. Dobivamo da vrijedi c ′ (1 − x2 )Pn (xi ) = nPn−1 (xi ). NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 523 Dokaz.

5.2 Za funkciju f ∈ C 2n [−1.11) Sljede´i teorem rezimira prethodne rezultate. 1).11).3). i uvrstiti s odgovaraju´i ωn . Dokaz.ˇ 9. (2n)! −1 za neki ξ ∈ (−1. (2n + 1) [(2n)!]3 ξ ∈ (−1. Integracijom i primjenom teorema srednje vrijednosti za integrale. 1] Gauss–Legendreova formula integracije glasi 1 n f (x) dx = −1 i=1 wi f (xi ) + En (f ). treba integrirati greˇku kod Hermiteove interpolacije.5. gdje su xi nultoˇke Legendreovog polinoma Pn i koeficijenti wi dani u (9. 1).2. Treba samo dokazati formulu za ocjenu greˇke. 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 = . Za c greˇku En (f ) vrijedi s En (f ) = 22n+1 (n!)4 f (2n) (ξ). ′ (1 − x2 ) [Pn (xi )]2 i (9. 3 2n + 1 (2n + 1) [(2n)!] .10). (2n)! zbog poznatog kvadrata norme Legendreovog polinoma (lema 9. i ujedno daje ocjenu greˇke za c s Gauss–Legendreovu integraciju.5. 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). NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 524 Ovu relaciju moˇemo iskoristiti na razliˇite naˇine u (9.5. Teorem 9.5. Kako je Gauss–Legendreova s formula zapravo integral Hermiteovog interpolacijskog polinoma. koju smo procijenili u teoremu 7.5. Kako je 2n (n!)2 ωn (x) = Pn (x).

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

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

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

tj. 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. a za k = 0. jer je D n+1 pn (x) = 0. funkcije pn (x) = 1 D n Un (x) w(x) su polinomi stupnja n koji su ortogonalni na sve polinome niˇeg stupnja na intervalu z (a. Za 1 ≤ k ≤ n−1.ˇ 9.4 Uz pretpostavke teorema 9. . vrijedi z b w(x) pn (x) xk dx = 0. .5. .5. Primijetimo da smo za dokaz ortogonalnosti iskoristili sve rubne uvjete na funkciju Un . Dokaz. n − 1. a jer je n−k −1 ≥ 0. 1. . Za k = 0 imamo odmah po Newton– Lebnitzovoj formuli b b w(x) pn (x) dx = a a D n Un (x) dx = (n ≥ 1) = D n−1 Un (x) = 0. integriramo parcijalno k puta i iskoristimo opet rubne uvjete koje zadovoljava funkcija Un . Da dokaˇemo c z ortogonalnost. Funkcija pn je oˇito polinom stupnja n. b) obzirom na teˇinsku funkciju w(x). NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 528 Teorem 9.3. a b zbog rubnih uvjeta D n−1Un (a) = D n−1 Un (b) = 0. pretpostavimo da je n ≥ 1. Ovaj teorem u mnogim sluˇajevima omogu´ava efektivnu konstrukciju ortogoc c nalnih polinoma. .

za neki α > 0.5. prema teoremu 9. dani formulom Pn (x) = 1 D n (x2 − 1)n . trebamo prvo rijeˇiti diferens cijalnu jednadˇbu z D n+1 (eαx D n 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 . To znaˇi da Pn dostiˇe ekstreme u rubovima intervala.4 Neka je w(x) = 1 na intervalu (−1. pokaˇite da vrijedi |Pn (x)| ≤ 1.4 Pokaˇite da je multiplikativna konstanta Cn odabrana tako da vriz jedi Pn (1) = 1. Polinomi za koje je α = 1 i Cn = 1 zovu se tradicionalno Laguerreovi polinomi. Legendreove polinome. Njihova Rodriguesova formula je dakle Ln (x) = ex D n (xn e−x ). c Zadatak 9. 1). Rubni uvjet u toˇki ∞ povlaˇi d0 = · · · = dn−1 = 0.4. oˇekivano. konstanta Cn uzima se u obliku Cn = 1 2n n! . za svako n. prvi korak je rjeˇavanje diferencijalne jednadˇbe s z D n+1 (D n Un (x)) = D 2n+1 Un (x) = 0. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 529 Primjer 9. n n! 2 tj. jer je Pn ∞ = 1 na [−1. uz rubne uvjete Un (±1) = DUn (±1) = · · · = D n−1 Un (±1) = 0. c z ˇto je dodatno opravdanje za izbor normalizacije. ∞).5 Neka je w(x) = e−αx na intervalu (0. biti oblika s 2 n Un (x) = Cn (x − 1) .3. pa je Un (x) = Cn xn e−αx . Nadimo pripadne ortogonalne polinome.5. a rubni uvjet u toˇki 0 povlaˇi c c c c c0 = · · · = cn−1 = 0. Prema teoremu 9. za svaki z x ∈ [−1. Tradicionalno. 1] i svaki n ≥ 0. dobivamo.5.ˇ 9. Takoder. Nadimo pripadne ortogonalne polinome. Polinom 2n-tog stupnja koji se poniˇtava u krajevima mora. Un (∞) = DUn (∞) = · · · = D n−1 Un (∞) = 0.5. uz rubne uvjete Un (0) = DUn (0) = · · · = D n−1 Un (0) = 0. 1].5. Prema teoremu 9. Pripadni ortogonalni polinomi su tada. s Primjer 9. u oznaci Ln . gdje je Cn proizvoljna multiplikativna konstanta (razliˇita od c nule). zbog simetrije.3.

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

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

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

x2.7 Ako Gauss–Laguerreovom formulom reda n = 1 raˇunamo integral c ∞ 0 e−x dx. budu´i da formula egzaktno integrira i linearne funkcije. Sliˇno. 2 3 16 16 8 1−x −1 . Kako formula c egzaktno integrira konstante. NUMERICKA INTEGRACIJA ˇ NUMERICKA INTEGRACIJA – 533 Pomo´u Gaussovih formula moˇemo jednostavno raˇunati neke odredene intec z c grale analitiˇki. ˇ s Primjer 9.3 = ± 3/2.8 Ako Gauss–Cebiˇevljevom formulom raˇunamo c 1 −1 √ x4 dx 1 − x2 ˇ s zgodno je upotrijebiti formulu Gauss–Cebiˇeva reda 3.5. a to su x1 = 0. pa je x1 = 1 i w1 = 1/[L′ (1)]2 = 1. imamo pribliˇnu formulu z ∞ 0 e−x f (x) dx ≈ f (1). c s c Primjer 9. budu´i da je L1 (x) = 1 − x.5. za f (x) = ax + b. za f (x) = 1 imamo ∞ 0 e−x dx = f (1) = 1. kao ˇto se vidi iz sljede´ih primjera. koja zahtijeva nultoˇke polic √ 3 noma T3 (x) = 4x − 3x. c c ∞ 0 e−x (ax + b) dx = f (1) = a + b. Formula vodi na egzaktan rezultat 1 x4 π 9 9 3π √ dx = 0+ + = .ˇ 9.

1. . Ponekad je ˇak brˇe s z s c c z i jednostavnije izraˇunati rjeˇenje numeriˇkim putem umjesto dugotrajnim analc s c itiˇkim postupkom. gdje je c r neka zadana funkcija. . fn ]T sustav piˇemo u obliku analognom jednadˇbi (10. y ∈ (a. . . . y(b)) = 0. y1 .1.1): s z y′ (x) = f(x. y(x)). yn ).1. y(x)). koriste´i vektorsku notaciju c y = [y1 .ˇ ˇ 10. ′ y2 = f2 (x. Obiˇne c diferencijalne jednadˇbe z 10. ′ yn = fn (x. . y1 . (10. y1 . Medutim.1) uz zadani poˇetni uvjet y(a) = y0 ili uz zadani rubni uvjet r(y(a). . daleko su brojnije one jednadˇbe za koje ne moˇemo napisati egzaz z ktno rjeˇenje. . . . . . yn ). . yn ]T i f = [f1 . . Uvod Rjeˇavanje diferencijalnih jednadˇbi je problem koji se ˇesto javlja u raznim s z c primjenama. . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 534 10. c Opisat ´emo nekoliko najˇeˇ´ih numeriˇkih metoda za rjeˇavanje obiˇnih diferc c sc c s c encijalnih jednadˇbi (skra´eno ODJ) oblika z c y ′(x) = f (x. . Stoga takve jednadˇbe rjeˇavamo numeriˇki. Dok je nekim jednadˇbama rjeˇenje mogu´e eksplicitno izraziti pomo´u z s c c poznatih funkcija. yn ). . Sustav obiˇnih diferencijalnih jednadˇbi je op´enitiji problem: c z c ′ y1 = f1 (x. . b). . . . . . .

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

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

Ako je jednokoraˇna metoda reda p. a razliˇit izbor te funkcije definira razliˇite c c metode. h) − Φ(x. h) = f x + cj h. y. h). Pogreˇku c c s aproksimacije (10. u jednom koraku dobijemo c yi+1 iz yi ). ˇ Sto je ve´i p metoda je toˇnija. s Red metode odgovara njezinoj toˇnosti. (10. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 537 Funkciju Φ nazivamo funkcija prirasta.3. h) = y(x + h) − y(x) .2) bude ˇto toˇnija. y). Kod c njih je funkcija Φ oblika r Φ(x.3. y(x). ubudu´e ´emo f izostaviti kao argument c c funkcije Φ. y. j = 1. r. f ) . Uoˇimo da je h = (b − a)/n te da je yn uvijek (za svaki n) aproksimacija za y(b). y. f ) = f (x. . .1) parametar od c z Φ (tj. y + h l=1 ajl kl (x. Za oˇekivati je da ako izaberemo c c Φ tako da aproksimacija toˇnog rjeˇenja y(x + h) dana s (10. h) = O(hp ). Φ zavisi o f ).3. c s s c da ´e toˇnija biti i aproksimacija yi za y(xi ) dana rekurzijom (10. tj. Da c sc s s bismo pojednostavnili argumentaciju. h) = ∆(x.2): τ (x. h). Tako je npr. promatrat ´emo pogreˇku u fiksiranoj toˇki c s c b. h. gdje je y(x) toˇno rjeˇenje diferencijalne jednadˇbe (10.3).4) nazivamo lokalna pogreˇka diskretizacije. .3.ˇ ˇ 10. a to postiˇemo odabirom funkcije Φ. a kj su zadani s r kj (x. Metode oblika (10.5) . y. . h.3. c Najpoznatije jednokoraˇne metode su svakako Runge–Kuttine metode. O odabiru funkcije Φ ovisi i toˇnost metode. h) = j=1 ωj kj (x.3) zovemo jednokoraˇne metode (jer za aproksimaciju yi+1 c koristimo samo vrijednost yi u prethodnoj toˇki xi . y. Uoˇimo da je funkcija f iz diferencijalne jednadˇbe (10. za jednokoraˇne metode c c c kaˇemo da su reda p ako je z τ (x. u Eulerovoj metodi Φ(x. h (10. Op´enito. c c z Pod toˇnoˇ´u metode podrazumijevamo ponaˇanje pogreˇke y(xi ) − yi. Da bismo pojednostavili zapis.3.3.3.1) i c s z ∆(x. tada je c y(b) − yn = O(hp ).

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

3. y + f (x.3. 6 1 ω 2 c3 + ω 3 c3 + ω 4 c3 = .3. radi se o metodi s jednim stadijem.3. 24 (10. ω1 = 1 − t. 2 2 Najraˇirenije su metode sa ˇetiri stadija.9) (10. k2 = f (x + h.3. Ukoliko je ω2 = 0.12) (10. y + hk1 ). Odgovaraju´e jednadˇbe koje moraju s c c z zadovoljavati koeficijenti RK-4 metoda su: ω1 + ω2 + ω3 + ω4 = 1.3. y). i to upravo o Eulerovoj metodi.ˇ ˇ 10. 2 k1 = f (x. y) . Uvodenjem slobodnog koeficijenta t rjeˇenje ove dvije jedc s nadˇbe moˇemo napisati u obliku: z z ω2 = t = 0.7) (10. 1 − ω2 a = 0 2 metoda ´e biti reda 2. 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 = 0.10) (10. 1 ω 2 c2 + ω 3 c3 + ω 4 c4 = .3.8) (10. 2 3 4 3 1 ω3 c2 a32 + ω4 (c2 a42 + c3 a43 = . 2 1 ω 2 c2 + ω 3 c2 + ω 4 c2 = . 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 3.6) (10.11) (10. 2 3 4 4 1 ω3 c2 a32 + ω4 (c2 a42 + c2 a43 ) = . Za t = 1/2 dobivamo Heunovu metodu: 1 (k1 + k2 ). a= 1 .3. Φ= dok se za t = 1 dobiva modificirana Eulerova metoda: h h Φ = f x + .13) . 8 1 ω4 c2 a32 a43 = . 2 2 3 12 1 ω3 c2 c3 a32 + ω4 (c2 a42 + c3 a43 )c4 = .

y + hk3 . y).8)–(10.9) za red 3. 2 2 h h k3 = f x + .10)– (10. z Za metodu s tri stadija uvrˇtavanjem s c4 = a41 = a42 = a43 = ω4 = 0 dobivamo 9 koeficijenata i 7 jednadˇbi. To je razlog zaˇto su metode s ˇetiri stadija najpopularnije. y + h(k1 − k2 + k3 )) . 2 2 k4 = f x + h. ne moˇemo dva stupnja slobode iz sustava jednadˇbi iskoristiti da red c z z metode podignemo na pet. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 540 gdje je c1 = 0. 3 3 2 h k3 = f x + h. uvjet (10. tri i ˇetiri stadija najve´i mogu´i red c c c c metode odgovara broju stadija. 3 3 k4 = f (x + h. tj.6) treba biti zadovoljen da bi metoda bila reda 1. h h k2 = f x + .3. 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 ). y − k1 + hk2 . Uvjet (10. h h k2 = f x + . z Evo nekoliko primjera RK-4 metoda. y + k2 . y + k1 . s c a da bismo postigli red 5 trebamo pove´ati broj stadija barem za dva. c3 = a31 + a32 .7) za red 2. dok je za metode s 8 i viˇe stadija najve´i mogu´i red barem za dva manji od s c c broja stadija. Najpopularnija je “klasiˇna” Runge– c Kutta metoda.3.3.3. Ukupno imamo 10 koeficijenata i 8 jednadˇbi ukoliko je metoda reda 4. dva. Op´enito. Metoda s ˇetiri stadija moˇe posti´i najviˇe z c z c s red ˇetiri.3. c4 = a41 + a42 + a43 . y + k1 . Za metode s 5. Spomenimo joˇ i 3/8-sku metodu: s 1 Φ = (k1 + 3k2 + 3k3 + k4 ). dok za red 4 trebaju biti ispunjeni i uvjeti (10. ˇto pove´ava c s c sloˇenost metode.13). 8 k1 = f (x. 6 i 7 stadija najve´i mogu´i red je 4. za metode s jednim.ˇ ˇ 10. uvjeti (10. c2 = a21 . c c 5 i 6.3. Red je 4. 6 k1 = f (x. y).

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

ˇ ˇ 10. OBICNE DIFERENCIJALNE JEDNADZBE

ODJ – 542

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

ajl .

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

4. Kao i kod jednokoraˇnih metoda.4. y(xi+1−j )) = Cj hj . y0 ∈ R (10. yi+1−j ). b].10) j=0 j=0 Rekurzivna formula biti ´e toˇnija ˇto je viˇe prvih ˇlanova u razvoju jednako nuli. zadovoljava rekurzivnu formulu r r y(x0 ) = y0 . kaˇemo da je metoda reda c z p. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 554 k 1 2 3 4 5 6 7 ∗ η1 ∗ α1 ∗ α2 ∗ α3 ∗ α4 ∗ α5 ∗ α6 ∗ α7 1 2 3 6 11 12 25 60 137 60 147 140 363 1 4 3 18 11 48 25 300 137 360 147 20 363 1 3 9 − 11 36 − 25 300 − 137 450 − 147 1470 − 363 − 2 11 16 25 200 137 400 147 4900 1089 3 25 75 − 137 225 − 147 1225 − 363 − 12 137 72 147 588 363 10 147 490 − 1089 − 20 363 10. (10.8) αj yi+1−j = h j=0 j=0 βj f (xi+1−j . Ukoliko je p ≥ 1 kaˇemo da je metoda konzistentna.1. x0 ∈ [a. prvo ´emo promatrati koliko c c c dobro rjeˇenje diferencijalne jednadˇbe s z y ′ = f (x. U gornju ´emo rekurziju umjesto yj uvrstiti s c c rjeˇenje diferencijalne jednadˇbe y(xj ). z Tako za metodu yi+1 = yi−1 + 2hf (xi .4. yi) . ukoliko je C0 = C1 = · · · = Cp = 0 i Cp+1 = 0. Konzistencija i stabilnost Nakon ovih primjera izvoda nekih viˇekoraˇnih metoda postavlja se pitanje s c njihove toˇnosti. y).9) koja definira viˇekoraˇnu metodu. (10.ˇ ˇ 10.4. c c s s c Op´enito. 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 .

tzv. 1. oznaˇimo xj = x + jh. Pretpostavili smo da je y ∈ C ∞ (a.4) uvrˇtavanjem s toˇnog rjeˇenja y(x).1 Pokaˇimo da je red (r + 1)-koraˇne Adams–Bashforthove metode z c (10.10) pokazuje kvalitetu aproksimacije viˇekoraˇne metode. y ∈ C 3 (a. s c U daljnjem tekstu koristiti ´emo malo promijenjen izraz za pogreˇku.8) s s c s uz zamjenu x = xi+1 . h j=0 j=0 te je ova metoda reda 2. tj. Iskoristimo li rekurziju za Adams–Bashforthovu metodu (10. z Definicija 10. izraz (10. da vrijedi y ′(xi ) = f (xi .4.4. h i=0 . . Ukoliko je τ (x. dobivamo c s τ (x. h i=0 Radi jednostavnosti.4. h) = O(hp ) kaˇemo da je metoda reda p. h) = r 1 r αj y(x − jh) − βj y ′ (x − jh). b] lokalna pogreˇka diskretizacije τ zadovoljava s h→0 lim τ (x. (2j + 1)! 3 Dakle. z Primjer 10.4. b). .4.1 Viˇekoraˇnu metodu zovemo konzistentnom ako za svaki f ∈ s c F1 (a. Uoˇimo da smo iskoristili da je y rjeˇenje diferencijalne c s jednadˇbe.4. tj. Sada je lokalna pogreˇka c s diskretizacije jednaka τ (x. lokalnu c s pogreˇku diskretizacije: s τ (x.ˇ ˇ 10. h) = r 1 (y(xp+1)) − y(xp )) − βri y ′ (xp−i ). j = −r.4. . z no oˇito je dovoljno zahtijevati da y ima neprekidnu tre´u derivaciju. b). h) = 0. .8). Sada moˇemo definirati konzistenciju metode. y(xi )). b) i x ∈ [a.4) jednak r + 1. c c gdje je y egzaktno rjeˇenje diferencijalne jednadˇbe (10. h) = r 1 (y(x + h)) − y(x)) − βri y ′ (x − ih). 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 ). Uoˇimo da je lokalna s z c pogreˇka diskretizacije dobivena uvrˇtavanjem toˇnog rjeˇenja u rekurziju (10.

xp .ˇ ˇ 10.4. . . (r + 1)! ω(t) = (t − xp−r )(t − xp−r+1 ) · · · (t − xp ). y r+2(η) (r + 1)! 1 r 0 u(u + 1) · · · (u + r) du = h r+1 (u + j) du.4. 0 j=0 te je red (r + 1)-koraˇne Adams–Bashforhove metode jednak r + 1. 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. xp+1 ω(t) xp y r+2(ξ(t)) dt. Koriˇtenjem iste ideje kao kod Runge–Kuttinih metoda. . . Primjenom ocjene za c pogreˇku interpolacije s y ′ (t) − Pr (t) = ω(t) dobivamo 1 τ (x. Za c c r-koraˇne eksplicitne metode (10. . xp i ω(t) = hr+1 u(u + 1) · · · (u + r). 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.3). h) = h h (r + 1)! h 1 xp+1 ω(t) dt. xp+1 ] pa vrijedi y r+2(η) 1 τ (x. xp ). koeficijente u r-kos raˇnoj metodi c r r αj yi+1−j = h j=0 j=0 βj f (xi+1−j . dobivamo s 1 τ (x. . . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 556 Uvrˇtavanjem izraza za koeficijente βri dane s (10.6) i r-koraˇne implicitne metode (10. red metode odgovara broju koraka. (r + 1)! Budu´i da su xp−r . ω ne mijenja predznak na inc c tervalu [xp .7) izvedene c c iz formula za deriviranje. 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. xp sve nultoˇke polinoma ω. . gdje je Pr polinom koji interpolira y ′ u toˇkama xp−r .4. yi+1−j ) . h) = h y (r+2) (ξ(t)) . ξ(t) ∈ (xp−r .

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

y(0) = 1. c Promatrat ´emo numeriˇko rjeˇavanje diferencijalne jednadˇbe c c s z y ′ = −y.129 · 1060 +0. s Viˇekoraˇna metoda s c r r αj yi+1−j = h j=0 j=0 βj f (xi+1−j . σ)-shema. ova dva polinoma odreduju jednu viˇekoraˇnu metodu.501 · 10−8 yi − y(xi ) Iz tablice je jasno da metoda divergira. h) = O(h3 ). OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 558 Ova metoda je reda 3 (jer je τ (x. . a moˇe se provjeriti da je ˇlan uz h3 z c razliˇit od nule). Ujedno. pa se ˇesto umjesto s c c viˇekoraˇne metode koristi naziv (ρ.257 · 1059 −0.4.ˇ ˇ 10. .512 · 1058 +0. Ako je |zj | = 1 tada je zj jednostruka nultoˇka (ρ′ (zj ) = 0). 96 97 98 99 100 −0. Sve nultoˇke su po apsolutnoj vrijednosti manje od 1 (|zj | ≤ 1). 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.144 · 10−6 . s c Definicija 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 .164 · 10−8 −0.101 · 1058 −0. −0.652 · 1060 +0.300 · 10−7 +0. c 2. s egzaktnim rjeˇenjem y = e−x . Uzrok tome je objaˇnjen u daljnjem tekstu. . .2 Za viˇekoraˇnu metodu kaˇemo da je stabilna ako nultoˇke zj s c z c polinoma ρ(z) zadovoljavaju 1.

Za odabir poˇetne aproksimacije y [0] koristi s z c se neka od eksplicitnih metoda ¯ k ¯ k yi+1 + j=1 αj yi+1−j = h j=1 βj fi+1−j . Nultoˇke su mu z1 = 1 i z2 = −5.4. Ako oznaˇimo c k k c=− α∗ yi+1−j + h j=1 j=1 ∗ βj fi+1−j . Teorem 10. Budu´i da je |z2 | > 1. . ako je r paran. Sljede´i teorem nam objaˇnjava razlog divergencije c s ove metode.ˇ ˇ 10. metoda nije stabilna. pa ´e objaˇnjenje ove definicije i dokaz prethodnog teorema biti c c s izloˇeni u sljede´im potpoglavljima. yi+1 ) k +h j=1 ∗ βj fi+1−j .4. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 559 Uvjet stabilnosti se ˇesto naziva i uvjet korijena. Moˇe se pokazati da stabilna r-koraˇna metoda ima red z c p≤ r + 1. z c 10. . yi+1 je rjeˇenje nelinearne jednadˇbe y = ϕ(y). y) <1 ∂y zadovoljena. . m = 0. ∗ ϕ(y) = β0 hf (xi+1 . Definicija konvergencije viˇekoraˇne metode se neˇto razlikuje od konvergencije jeds c s nokoraˇnih metoda. 2. r + 2. 1. slijedi da jednostavne iteracije y [m+1] = ϕ(y [m] ).1 Linearna viˇekoraˇna metoda je konvergentna ako i samo ako je s c konzistentna i stabilna. tj. 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 . 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 . ρ ne zadovoljava uvjet stac c bilnosti.2. konvergiraju prema rjeˇenju jednadˇbe. . c Za metodu iz proˇlog primjera je s ρ(z) = z 2 + 4z − 5. y) + c. ako je r neparan.

. Uz c ovakav odabir prediktor-korektor para govorimo o Adams–Bashforth–Moultonovim metodama. Znamo da jednostavne iteracije konvergiraju linearno prema rjeˇenju jednadˇs z be.4. Stoga je uobiˇajeno da se za prediktor-korektor par uzimaju eksplicitna i c c ˇ implicitna metoda istoga reda. . Broj iteracija (M) moˇe biti unaprijed zadan ili se iteracije provode dok se jednadˇba z z ne rijeˇi do na neku unaprijed zadanu toˇnost. ∗ = β0 hf (xi+1 . 2. za jedan red toˇnija c c c c c nego ˇto je rjeˇenje nelinearne jednadˇbe (korektora). . . te bi trec balo previˇe iteracija korektora da se nelinearna jednadˇba rijeˇi na zadovoljavaju´u s z s c toˇnost. Ako je red korekc sc [0] c tora. . eksplicitna i implicitna k-koraˇna metoda izvedena iz formula c za numeriˇko deriviranje koriste se kao prediktor-korektor par. eksplicitne metode kojom odredujemo poˇetnu aproksimaciju yi+1 . . s z Uz gornju diferencijsku jednadˇbu veˇemo polinom z z ρ(z) = z r + αr−1 z r−1 + · · · + α1 z + α0 . M − 1. . yi+1 = yi+1 . yi+1 ) − [M ] m = 0. S druge strane. implicitne metode. s c uvijek se radi o nekoliko iteracija. tj. ˇto ´e biti z s c opisano u sljede´em potpoglavlju. 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. . Konvergenciju moˇemo ubrzati primjenom Newtonove metode. (10.4. c Joˇ nam je ostalo za promotriti kako odabrati korektor-prediktor par. . k ∗ αj yi+1−j + h j=1 j=1 ∗ βj fi+1−j . . c 10. (10. ako je red s s z prediktora manji od reda korektora.12) Rjeˇenje diferencijske jednadˇbe (10.11) Oˇito je da je za svaki skup poˇetnih vrijednosti u0 . . s z c c . za jedan ve´i od reda korektora poˇetna ´e aproksimacija biti pretoˇna. 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 . broj iteracije nije velik. Cesto koriˇten par je k-koraˇna Adams–Bashforthova s c metoda kao prediktor i (k−1)-koraˇna Adams–Moultonova metoda kao korektor.4. j = 0. . 1. ur−1 jednoznaˇno odreden c c c niz brojeva uj . koji rjeˇava jednadˇbu (10.3. .4. Linearne diferencijske jednadˇbe z Za razumijevanje stabilnosti viˇekoraˇnih metoda nuˇno je poznavati neke oss c z novne ˇinjenice o linearnim diferencijskim jednadˇbama.4. 1. Toˇnost s c metode definirana je s toˇnoˇ´u korektora.11) dobivamo pomo´u nultoˇaka polinoma ρ. Isto tako. poˇetna aproksimacija je preslaba.11). 2. .ˇ ˇ 10. j = 0. U primjeni.

. ρ(τ ) (λ) = 0 za 0 ≤ τ ≤ σ − 1. .4. . Uoˇimo da je polinom P (t) = c0 + c1 t + · · · + cσ−1 tσ−1 stupnja manjeg od σ c odreden s toˇno σ koeficijenata cj . 2. 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. k): P1 (j)λj + P2 (j)λj + · · · + Pk (j)λj = uj . .4. . . 1 2 k j = 0. .4. ali i dugotrajan. Tada za proizvoljne polinome Pi (t) stupnja strogo manjeg od σi . (oznaka ∂P < σ).4. Obratno. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 561 Teorem 10. .13). (10. 2. c .2 Neka polinom ρ(z) iz (10. i = 1. gdje je P proizvoljan polinom stupnja s z strogo manjeg od σ. . tj.4. . j = 0.13) je rjeˇenje diferencijske jednadˇbe (10.11). .12) ima k razliˇitih nultoˇaka λi viˇec c s strukosti σi . .11). k.4. s c z koeficijenata polinoma Pi (i = 1. niz uj = P1 (j)λj + P2 (j)λj + · · · + Pk (j)λj .4.4. Stoga je dovoljno pokazati da za λ.11) vrijedi da je uj + vj rjeˇenje ako su z s uj i vj rjeˇenja diferencijske jednadˇbe. .4. . . . k. Dokaz ove tvrdnje je elementaran. svako rjeˇenje diferencijske s z s jednadˇbe (10. . rjeˇenje diferencijske jednadˇbe (10. . ur−1 s c postoji jedinstveno rjeˇenje sljede´eg sustava od r linearnih jednadˇbi s r nepoznatih. 1. Uz oznaku αr = 1. Za fiksni j ≥ 0. Zbog homogenosti jednadˇbe (10. z Drugi dio teorema dakle kaˇe da prikladnim odabirom parametara moˇemo z z dobiti proizvoljno rjeˇenje. . . . vrijedi da je niz s uj = P (j)λj . tako da zbog σ1 +σ2 +· · ·+σk = r prikaz (10.11) moˇe se jedinstveno prikazati u obliku (10. i = 1. 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). .ˇ ˇ 10. Budu´i da je ∂P < σ vrijedi aσ = aσ+1 = · · · = ar = 0. 1. z z Dokaz. jer je viˇestrukost nultoˇke λ jednak σ. r − 1. . nultoˇku s z c polinoma ρ viˇestrukosti σ. . stoga ga ovdje preskaˇemo. da za svaki izbor poˇetnih vrijednosti u0 . . 1 2 k j = 0.13) c sadrˇi ukupno r slobodnih parametara (koeficijenata polinoma Pi ). . Time smo s c dokazali prvi dio teorema.

slijedi da λ mora biti c jednostruka nultoˇka. .4. 1. . .  . .14)..11) kad n → ∞. .. diferencijska jednadˇba (10. postoji norma na Cr takva da odgovaraju´a inducirana matriˇna norma c c r zadovoljava A ≤ 1. . −αr−1 Uj+1 = AUj .. . 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 → ∞.12) zadovoljava uvjete stabilnosti iz definicije 10.2 tada rjeˇenje diferencijske jednadˇbe (10. Prema tome je i niz uj = jλj .4. Za |λ| > 1 niz s z un λn = n n divergira. . .4.  . c Obratno.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. za svaki U0 ∈ C vrijedi Un = An U0 ≤ A n U0 ≤ U0 za n = 0.4.ˇ ˇ 10. uj+r−1 ∈ Cr . Tada je niz c uj = λj rjeˇenje diferencijske jednadˇbe (10.11) zadovoljava (10. . To nam daje sljede´a lema. . A=   0 .. ..4.14) n→∞ n za sve realne poˇetne vrijednosti u0 . . . Prema tome. budu´i da je uvjet stabilnosti zadovolc c jen. . 0  .  . j ≥ 0 rjeˇenje diferencijske jednadˇbe (10.1 Ako polinom ρ iz (10. .11) je ekvivalentna rekurziji z ρ je karakteristiˇni polinom matrice A te.4. . Tada je s c ρ′ (λ) = rλr−1 + (r − 1)αr−1 λr−2 + · · · + 1 · α1 = 0. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 562 U primjeni viˇekoraˇnih metoda od interesa je ponaˇanje rasta rjeˇenja un s c s s diferencijske jednadˇbe (10. Ako definiramo             Uj =   uj uj+1 .. Neka je sada |λ| = 1 i λ je viˇestruka nultoˇka od ρ.4.4.4. 0 .  . . Posebno je vaˇno utvrditi uvjete koji z z osiguravaju da je un lim =0 (10.4. Pretpostavimo da vrijedi (10. . pa mora biti λ ≤ 1. ur−1. . 1 0 . s z Dokaz. 0 1 0  −α0 . neka je zadovoljen uvjet stabilnosti. i neka je λ nultoˇka od ρ.4. .11). .14).

. metodom. ve´ o naˇinu na koji s s c c c odredujemo poˇetne vrijednosti. r − 1 za koje je n→∞ lim (y(xi) − yi ) = 0. najˇeˇ´e jednokoraˇnom. yr−1 . i = 0. s c prvo je potrebno izraˇunati r poˇetnih vrijednosti y0 . Da bismo startali r-koraˇnu metodu. . h) = yn − y(x). . b). Ova pogreˇka ne ovisi o promatranoj viˇekoraˇnoj metodi. Medutim. i = 0. .ˇ ˇ 10. . pogreˇke poˇetnih vrijednosti trebaju zadoz s c voljavati lim εi = 0. Jasno je da globalna pogreˇka diskretizacije ovisi o lokalnoj pogreˇci diskretis s zacije. . b]. kada govorimo o konvergenciji metode misc limo na ponaˇanje globalne pogreˇke diskretizacije: s s e(x. ostale vrijednosti moramo c z odrediti nekom drugom. . .4. b) i sve yi . . Dok y0 moˇemo c c z odrediti iz poˇetnog uvjeta diferencijalne jednadˇbe. = 0. Oˇito je. . r − 1. r − 1. n ∞ ∞ ≤k U . sve f ∈ F1 (a. 2.4. . r − 1. . . . U svakom sluˇaju. 1. n = 0. c sc c c pri njihovom odredivanju javit ´e se odredena pogreˇka εi : c s y(xi ) = yi + εi. .4. hn ) = 0. Konvergencija linearnih viˇekoraˇnih metoda s c Kao i kod jednokoraˇnih metoda.3 Viˇekoraˇnu metodu danu s (10. gdje je x ∈ (a. to nije jedini izvor pogreˇke. . . ∞ lim Un n tj.9) zovemo konvergentnom s c ako je x−a lim e(x. i = 0. z c s c Definicija 10. . . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 563 Budu´i da su na Cr sve norme ekvivalentne. n→∞ n za sve x ∈ [a. . . n = 1. i = 0. . . . postoji k > 0 takav da je c U ≤ U k te posebno vrijedi Un Stoga je un = 0. hn = . da ako ˇelimo da globalna pogreˇka c c z s diskretizacije teˇi nuli kada n → ∞. . ≤ k 2 U0 n→∞ ∞. .4. posebno vrijedi lim n→∞ 10. h = hn = (x − a)/n. n→∞ Sada moˇemo izre´i definiciju konvergencije viˇekoraˇne metode. .

.4. . lokalna pogreˇka s h→0 diskretizacije u toˇki xi c τ (xi . .4. uz yi = y(xi) + εi.ˇ ˇ 10. . Zbog konzistentnosti metode. r − 1 i lim ε(h) = 0.15). . b] i za n ∈ N definirajmo h = hn = (x − x0 )/n. y(xi−j )) h j=1 j=0 (10. pokaˇimo vezu izmedu stabilnosti i konzistentnosti te konvergencije z linearne viˇekoraˇne metode. 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 ). OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 564 Sada moˇemo izre´i teorem o redu viˇekoraˇne metode. (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). . h) = τi = r r 1 y(xi) + αj y(xi−j ) − βj f (xi−j . f ∈ F1 (a. (10. Fiksirajmo x ∈ [a.4. . . Dokaz. Jednako tako. .4. . gdje je lim εi = 0. Iz teorema slijedi da je metoda konzistentna ako i samo ako je 1 nultoˇka c funkcije (10.16) i = 0. zbog ρ(z) ln z = lim z=1 ρ(z) ρ′ (z) = lim = ρ′ (1) 1 z→1 ln z z→1 z treba vrijediti i ρ′ (1) − σ(1) = 0.4. Na kraju. Zbog ln 1 = 0 treba vrijediti i ρ(1) = 1. y). Dokaz ovog teorema je sliˇan dokazu konvergencije jednokoraˇnih metoda.4 Stabilne i konzistentne linearne viˇekoraˇne metode su konvergents c ne. c c Neka je y egzaktno rjeˇenje jednadˇbe s z y ′ = f (x. Dokaz. b). r +1. .1 Linearna viˇekoraˇna metoda je konzistentna ako i samo ako je s c ′ ρ(1) = 0 i ρ (1) = σ(1). r − 1.4.17) .15) ln z Prethodni teorem povlaˇi i sljede´i korolar. s c Teorem 10. z c s c Teorem 10. .4. Uvjet lim εi = 0 znaˇi da postoji funkcija ε(h) takva da je |εi | ≤ ε(h) za c n→∞ i = 0. n→∞ i = r. c c Korolar 10. y(x0 ) = y0 .

. τi moˇemo omediti nekom funkcijom t(h). yi−j ) − f (xi−j .20) M = m max |βj |. Oduzimanjem jednakosti (10.18) tj.. .. |τi | ≤ t(h).. .  .r Pomo´u vektora c i matrice ej   ej+1 ej =  .19) i = 0. η)(yk − y(xk )) ≤ M|ek |.  . 0 1 0  −αr . dobivamo da ci zadovoljava s r |ci | ≤ hM gdje je j=0 |ei−j | + |h|t(h). 0 1   0 . .  . uz ei = εi. ∂y te vrijedi |f (xk .   .  . j=0... ..   bj =   ∈ Rr .. postoji konstanta m > 0 takva da je c ∂f (x.4. . yk ) − f (xk . r − 1 βj [f (xi−j . y) ≤ m ∀x ∈ [a. . r + 1. .   1 0 .ˇ ˇ 10. .  A=   0 . .4. Budu´i da je f ∈ F1 (a. ..4.  . (10. . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 565 zadovoljava h→0 lim τi = 0. b] i ∀y ∈ R. .17) pomnoˇene s h od jednakosti (10. i ci = h j=0 r i = r. −α1 . . . . y(xi−j ))] − hτi . . . . ∂y Iskoristivˇi ovu nejednakost. .. ..    ej+r−1 0  . (10.  .4. 0 . . (10. y(xk ))| = ∂f (xk . koja zadovoljava lim t(h) = z h→0 0.4. b). .16) doz bivamo rekurziju za pogreˇke ei = yi − y(xi ): s ei + α1 ei−1 + · · · + αr er = ci ..

c c svojstvene vrijednosti od A. j = 0. .4.4. tj.4. postoji konstanta k > 0 takva da je r−1 1 |ej+i| = ej ej ≤ k i=0 1 ≤ k ej .20) slijedi da je |cj+r | ≤ |h|Mk( ej + ej+1 ) + |h|t(h).4. .4. 1 2Mk 2 1 2 Sada nejednakost (10.ˇ ˇ 10. . i Za je 1 − |h|Mk 2 ≥ i e0 ≤ k e0 |h| ≤ 1 1 = k. Iskoristivˇi vektorski zapis rekurzije (10.22) prelazi u 1 + |h|Mk 2 ≤ 1 + 4|h|Mk 2 . 1. 1 − |h|Mk 2 j = 0. a ako su jednake 1 tada su jednostruke. Stabilnost metode povlaˇi da su sve nultoˇke od ρ. po apsolutnoj vrijednosti manje od 1. ujedno i svojc s c stveni polinom matrice A. 1. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 566 rekurziju (10.22) ≤ krε(h). . 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.  εr−1   (10. (10. . . definiran viˇekoraˇnom metodom (10. Uoˇivˇi da je c s |ej+r | ≤ r i=1 |ej+i| ≤ k ej+1 iz nejednakosti (10.4. ε0 .16). e0 =  .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).21) Uoˇimo da je polinom ρ. . Budu´i da su sve norme na Cr c ekvivalentne.19) moˇemo zapisati u ekvivalentnom vektorskom zapisu z ej+1 = Aej + cj+r b.4. .  .

iz teorema 10. . h = hn = (x − x0 )/n. n Ovaj korolar ujedno kazuje koju metodu moramo izabrati za odredivanje poˇetc nih vrijednosti y0 . c Korolar 10. takve da je |e(x.4. Da bismo postigli da se pogreˇka ponaˇa kao O(hp ). h)| ≤ |h|p N M i|h| eM |xi −x0 | − 1 −1 ˜ e = |h|p N .4. uz ε(hn ) = O(hp ). . Dakle. . |hn | ≤ 1/(2Mk 2 ) vrijedi en ≤ e4M k 2 |x−x 0| krε(hn ) + t(hn ) e4M k 2 |x−x 0| 2Mk −1 . tako s s se mora ponaˇati i pogreˇka poˇetnih vrijednosti. . yr−1 . b). Ukoliko za njihovo odredivanje s s c koristimo jednokoraˇnu metodu reda p. n→∞ Iz ocjene (10.2 Neka je linearna viˇekoraˇna metoda stabilna i konzistentna reda s c p. . . h)| = |en | = |yn − y(xn )| ≤ C1 ε(hn ) + C2 t(hn ) za dovoljno veliki n. Tada globalna pogreˇka diskretizacije zadovoljava s e(x. postoje konstante C1 i C2 . 2Mk 2 tj.1 slijedi en ≤ e 4n|h|M k 2 e4n|h|M k − 1 krε(h) + t(h) .3. h) takav da je eM i|h| − 1 = Mi|h|eM iθ ≤ Mi|h|eM i|h| .23) lim ε(hn ) = lim τ (hn ) = 0. M M i = 0.23) dobivamo sljede´i korolar.4. hn ) = O(hp ) n za sve hn = (x − x0 )/n ˇim pogreˇke εi zadovoljavaju c s |εi| ≤ ε(hn ).3. te f ∈ Fp (a. Konvergencija metode sada slijedi iz ˇinjenice da je c n→∞ (10. za x = x0 . nezavisne o h.ˇ ˇ 10. r − 1 Primjenom teorema srednje vrijednosti dobivamo da postoji θ ∈ (0.3 slijedi da pogreˇka poˇetnih c ˜ s c vrijednosti zadovoljava ˜ |e(xi . . . h)| ≤ |h|p Ni|h|eM i|h| . pa je ˜ |e(xi . . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 567 Iz leme 10.

te moˇemo izabrati metodu reda p = p − 1 da bi se pogreˇka viˇekoraˇne metode z ˜ s s c p ponaˇala kao O(h ). Teorem 10.5 Konvergentne linearne viˇekoraˇne metode su stabilne. .ˇ ˇ 10. .24) ˇim je zadovoljeno c n→∞ lim εi = 0 i = 0. . Budu´i da je metoda konvergentna. Izaberimo sada za neke fiksne konstante u0 . un . r − 1. . .24). . te neka su zadane poˇetne vrijednosti c yi = εi .4. r − 1. Budu´i da je metoda konvergentna. . . . εi = hui i = 0. r − 1. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 568 Kako je za poˇetne vrijednosti r-koraˇne metode 0 ≤ i ≤ r − 1. c s c s egzaktnim rjeˇenjem y = 0. n Tvrdnja teorema sada slijedi direktno iz leme 10. vrijedi c c ˜ |e(xi .4. . . vrijedi c 0 = lim yn = lim (hun ) = (x − a) lim n→∞ n→∞ n→∞ i = 0. h)| ≤ |h|p+1 N(r − 1)eM (r−1)|h| . .4. Uz ovakav izbor εi zadovoljili smo uvjet (10. . ur−1. Promatrajmo diferencijalnu jednadˇbu z y ′ = 0. gdje je niz ui dobiven rekurzijom uj+r + α1 uj+r−1 + · · · + αr uj = 0. b] neka je yn aproksimacija za y(x) s uz h = (x − a)/n. r − 1.4. . .. vrijedi c n→∞ lim yn = 0 (10.6 Konvergentne linearne viˇekoraˇne metode su konzistentne. . . . . .1. .4. i = 0. s Teorem 10. Za fiksirani x ∈ [a. y(a) = 0 Sljede´a dva teorema govore o svojstvima konvergentnih viˇekoraˇnih metoda. s c Dokaz. . s c . n = 1. 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 . . 2.

Metoda. r − 1. . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 569 Dokaz. konstanta c K= je dobro definirana. uz ove poˇetne vrijednosti. . uzevˇi u obzir da je y(xj ) = xj = jh. zbog konvergencije metode vrijedi s n→∞ (10. uzevˇi u obzir da je ρ(1) = 0. lim εj = 0 za j = 0. odnosno ρ′ (1) = σ(1). r − 1. j = 0. imamo s uz εj = jh(K − 1). . .4. r − 1. j = 0. Uz poˇetne uvjete c yj = jhK yj = y(xj ) + εj Oˇito je zadovoljeno c n→∞ σ(1) ρ′ (1) za inicijalni problem y ′ = 1.4. Uvrˇtavanjem u gornju jednadˇbu. Stavivˇi h = x/n. Za poˇetne vrijednosti yi = 1. n→∞ n→∞ n→∞ Dakle. . . . K = 1. iskoristit ´emo ˇinjenicu da je metoda konverc c gentna i za inicijalni problem y ′ = 1. s egzaktnim rjeˇenjem y(x) = x. . Zbog konvergencije metode je x = y(x) = lim yn = lim (nhK) = lim (xK) = Kx. . . Sada direktno iz (10. i = 0. Da bismo dokazali da je i C1 = 0. .ˇ ˇ 10.4. . Dakle. 1. . Promatrajmo inicijalni problem y ′ = 0. Zbog s c konvergentnosti metode.25) za j → ∞ slijedi C0 = 1 + αr−1 + . ρ′ (1) = 0. lagano se moˇe s z s z provjeriti da je yj = jhk za sve j. . iz teorema 10. pa je λ = 1 jednostruka nultoˇka od ρ. . + α0 = 0. Fiksirajmo sada x i stavimo h = x/n. .5 slijedi i njena stabilnost. y(0) = 0. Ve´ smo vidjeli da je C0 = ρ(1) = 0. . y(0) = 1 s egzaktnim rjeˇenjem y(x) = 1. . . tj. r − 1. s c metoda daje vrijednosti yj+r . gdje je yj+r + αr−1 yj+r−1 + · · · + α0 yj = 0. . te je C1 = ρ′ (1) − σ(1) = 0. .25) lim yn = y(x) = 1. . ˇto znaˇi da je s c metoda konzistentna. y(0) = 0. daje niz yj koji zadovoljava c yj+r + αr−1 yj+r−1 + · · · + α0 yj = h(β0 + β1 + · · · + βr ) = hσ(1). j = 0.

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

5) Zbog Q (x) = P (x) izlazi Q′ (xn−i ) = fn−i . .4) i (10. . . yn ).5. . .2) ∗ c = [β0 . . hfn−1 . . ′ ..3) Za izvod Adams–Bashforthove metode iskoristili smo interpolacijski polinom P koji interpolira vrijednosti fn−i u toˇkama xn−i za i = 1. . M − 1. yn − dn . k te definirali metodu c pomo´u c xn yn − yn−1 = Definirajmo polinom Q(x) = xn−1 x P (x) dx. . xn−1 (10. . . 0 . uk ]T ) = hf (xn .  . [0] hf (xn . OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 571 gdje je Nadalje. te iz (10. . . m = 1. . . (10. 0]T . .. 0. .5. . . hf (xn . .5... M.. u1. .. .4) P (z) dz + yn−1.   [m] [m] [m−1] yn = [yn . .ˇ ˇ 10. .5) slijedi Q(xn−1 ) = yn−1 i Q(xn ) = yn . yn . . .  β1 δ1 1 .. . i = 1. hfn+1−k ]T i funkciju [m] F (yn ) = [m] [m−1] hf (xn . . (10. .. .5.. u0 ) − u1 . Sada je [m+1] [m] [m] yn = yn + cF (yn )... . 0 . . . (10. [m] Uoˇimo da funkcija F koristi samo prve dvije komponente vektora yn : c F ([u0 . yn ) − hf (xn .  . M definiramo vektor 1  0   B = 0 . 0 1 0 βk  δk   0 .. k.5.  .. [M yn = yn ] . . . .. .. .5. . za m = 1. . 1. . gdje je Za yn odabrat ´emo zadnju iteraciju: c m = 0. . 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 . . gdje je D regularna matrica koja ne ovisi o izboru koraka i n.. . .5.1). 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 . . . n z[m+1] = z[m] + DcF (D−1z[m] .. 1 k   1     . i obratno.2) i (10. Matrica P je gornjotrokutasta matrica ˇiji su elementi binomni koeficijenti: c               m = 0. .5. Oznaˇivˇi joˇ s zn−1 : c s s yn−1 = Dzn−1 . pa vrijedi F (yn ) = F (D−1zn ) = F (zn ). . . iz polic z c noma Q i lagano i jednoznaˇno odredujemo yn . ..... OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 572 Oˇito da iz vektora yn moˇemo jednoznaˇno odrediti polinom Q. n n n zn = z[M ] . 1 1 1 1 2 1 P= 1 3 3 1 1 4 6 4 1 .. [m] [m] [m] m = 0. h Q′ (xn−1 ) 2 Q′′ (xn−1 ) Q(k) (xn−1 ) . M. . M − 1. .. n S P oznaˇimo matricu c P = DBD−1 . Funkcija F ovisi samo o prva dva elementa vektora yn−1 . (10. . . korak viˇekoraˇne metode zadan s (10. .. . hk 1! 2! k! T . Koeficijente polinoma Q moˇemo zapisati vektorom zn−1 : z zn−1 = Q(xn−1 ). .h . . .      Primijetimo da su prve dvije komponente vektora yn i zn . .. odnosno yn−1 i zn−1 jednake: Q(xn−1 ) = yn−1 i hQ′ (xn−1 ) = hfn−1 .5..ˇ ˇ 10.3) moˇemo pisati u obliku s c z z[0] = DBD−1 zn−1 .

(10. n (10. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 573 Oznaˇimo joˇ s c s l = Dc. Iteracije korektora moˇemo napisati u obliku z zn = z[0] + [F (z[0] ) + · · · + F (z[M −1] )]l. .9) Koeficijenti vektora l za Adams–Bashforth–Moultonovu metodu dani su u sljede´oj c tablici.5. i viˇekoraˇnu metodu moˇemo pisati u obliku s c z z[0] = Pzn−1.ˇ ˇ 10.7) (10.8) m = 0. n n n [M ] zn = zn .5.5. n z[m+1] = z[m] + F (z[m] )l.5. . jedino se razlikuju c . M − 1. . . Uz oznaku c en = F (z[0] ) + · · · + F (z[M −1] ) n n prethodna relacija postaje zn = z[0] + en l. n n n [m] Budu´i da F koristi prve dvije komponente od zn .6) (10. 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 . dovoljno je tijekom iteracija c raˇunati samo njih.

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

n n n gdje je m = 0.11) ∂F [m] −1 ∂f −1 zn l = l1 − hl0 .5. hf (x0 . jedc c nadˇbu (10.5.9) i s lk oznaˇili zadnju komponentu vektora l. . 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. nerealno smanjenje koraka integracije znaˇajno pove´ava broj koraka integracije.ˇ ˇ 10. c W = − . k! k! h Uoˇimo da su zbog oblika matrice P zadnje komponente vektora zn−1 i z[0] jednake.k = zn. odnosno reda c metode. Tada iteracije konvergiraju samo ako je korak integracije h dovoljno malen. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 575 treba aproksimirati zadnju komponentu.k − zn−1.5. (k + 1)! k+1 Ovime smo pokazali da ovakav prikaz viˇekoraˇnih metoda omogu´ava laganu pros c c mjenu koraka integracije.k = en lk gdje smo iskoristili prikaz (10.k ). Ujedno je i rijeˇen problem poˇetnih vrijednosti.7) nisu niˇta drugo nego metoda jednostavnih its eracija za rjeˇavanje jednadˇbe s z F (zn )l = 0. (10.k − zn. y0 )]T . W se ponovno raˇuna. Da bi se prevladao ovaj problem. . c n te vrijedi [0] zn.5. ali i pove´anje ili smanjenje broja koraka. (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. . . Medutim. M − 1. Dovoljno je poˇeti integraciju s c c s jednokoraˇnom metodom i vektorom c z0 = [y0 . Sada c ¯ ¯ za aproksimaciju zadnje komponente vektora zn moˇemo iskoristiti z en lk hk+1 Q(k+1) (xn ) = .5. s c Iteracije korektora u (10. Joˇ nam je ostalo za razmotriti izbor veliˇine koraka i reda metode.10) Problem se javlja kod krutih sustava. U sluˇaju da nije zadovoljen kriterij c c konvergencije.10) moˇemo rjeˇavati Newtonovom metodom umjesto jednostavnim z z s iteracijama: z[m+1] = z[m] + W F (z[m] )l.k − zn−1.

5.13) k! prelazi u hk+1 y (k+1) (xn ) ≈ k!(zn. h hk (k) Vrijednost y (xn ) nalazi se u zadnjoj komponenti zn.5. k! k! (10.k − zn−1.5. slijedi da je zn.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 ) . y∞ Uz oznake D2 = |en | y∞ i E2 = ε . tada moramo zahtijevati ck+1 hk+1 |y (k+1)(xn )| ≤ ε.9) relaciju (10.5. c Ako ˇelimo da nam relativna toˇnost n-tog koraka bude manja od unaprijed zadane z c vrijednosti ε.k = zn−1.12) zamjenjujemo s c ck+1 |en | |lk |k! ≤ ε. i jer matrica P ne mijenja zadnju komponentu vektora zn−1 .5. te (10.14) Budu´i da je c 0 z[n ] = Pzn−1.5.ˇ ˇ 10.k .14) moˇemo napisati u obliku z hk+1 y (k+1) (xn ) ≈ k!en lk .k vektora zn .15) [0] . ck+1 |lk |k! (10.13) y (k)(xn ) − y (k)(xn−1 ) .5.16) (10. ∗ pri ˇemu je za Adamsove metode ck+1 = γk a za BDF metode je ck+1 = 1/(k + 1).5. (10.k ). y∞ gdje je y∞ = max |yi|. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 576 Apsolutna pogreˇka metode dana je s s ck+1 hk+1 y (k+1)(xn ) + O(hk+2 ). 0≤i≤ (10. Koriste´i ove aproksimacije.5. nejednakost (10. Sada zbog (10.

OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 577 kriterij (10.5.ˇ ˇ 10. nejednakost (10. dobivamo s hk+2 y (k+2) (xn ) ≈ (en − en−1 )lk k!. p2 1 k+1 .18) Sliˇno razmatranje moˇemo provesti i za sluˇaj da smo koristili za jedan red c z c ve´u metodu. tj. y∞ odnosno D1 ≤ E1 . zadnji korak z c se ponavlja.k |k! ≤ ε. dakle reda k + 1. Zahtjev na relativnu pogreˇku glasio bi c s ck+2 hk+2 |y (k+2) (xn )| ≤ ε.16) moˇemo zapisati u obliku z D2 ≤ E2 .5. ali s manjim korakom integracije: h2 = gdje je D2 p2 = 1. nismo postigli traˇenu toˇnost. pri ˇemu je c D1 = |zn.k . (10. analogan zahtjev na relativnu pogreˇku glasio bi s ck hk |y (k)(xn )| ≤ ε.k | y∞ i E1 = ε . 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 (10.2 E2 h .15).18) zamjenjujemo s ck |zn.5.5. y∞ Iskoristivˇi aproksimaciju s hk y (k) (xn ) ≈ k!zn.19) . (10.5. dakle reda k − 1.5. Da smo u n-tom koraku koristili metodu jednog reda manju. ck k! (10.17) Ukoliko gornji uvjet nije zadovoljen.

p1 i p3 su teˇine kojima dajemo c z prednost na mijenjanju i smanjivanju reda metode.19) zamjenjujemo s D3 ≤ E3 . ε .17) prelazi se na izbor reda metode i koraka h u novom. Za novi korak integracije uzima se hi = h . pi Faktori 1.3 E1 1 k D3 i p3 = 1. 1.ˇ ˇ 10.4 E3 1 k+2 . Ukoliko je p1 najmanja konstanta. OBICNE DIFERENCIJALNE JEDNADZBE ODJ – 578 Uz oznake D3 = |en − en−1 | y∞ i E3 = nejednakost (10. tada se red metode smanjuje za jedan. Uz konstantu p2 .2.3 i 1. . dok se red metode pove´ava za jedan ako je p3 najmanja konstanta. (n + 1)-om koraku. ck+2 k!|lk | Ako je u n-tom koraku zadovoljen uvjet konvergencije (10. Red metode se ne mijenja c ako je p2 najmanja konstanta.4 kod raˇunanja konstanti p2 .5. pri izboru reda i koraka raˇunaju se i konstante c D1 p1 = 1.5.

Optimizacija 11. Ovaj postupak oˇito nije prikladan.1) Iako je problem jednostavno opisati. ˇto brˇe postupke. Ovdje je ipak podruˇje promatranja bilo ograniˇeno povrˇinom Zemljine kugle. odnosno c s dubina pojedine toˇke na zemljinoj kugli. Naime. Za zadc danu funkciju f : Rn → R. potuno analogan problem je nalaˇenja maksimuma funkcije f . jer bismo c c te