Sie sind auf Seite 1von 112

Technische Universitat Ilmenau Postfach 10 05 65

Fakultat f ur Mathematik D - 98684 Ilmenau


und Naturwissenschaften Germany
Institut f ur Mathematik Tel.: 03677/69 3267
http://www.tu-ilmenau.de/site/math/neundorf.html Fax: 03677/69 3272
Telex: 33 84 23 tuil d.
email: werner.neundorf@tu-ilmenau.de
Preprint No. M 16/04
Polynome, Interpolation,
Splines und Dierentiation
Werner Neundorf
September 2004

MSC (2000): 11-01, 11C08, 65D05, 65D07, 65T05


Zusammenfassung
Rechnerunterst utztes Entwerfen ist eine Disziplin, die in vielen Bereichen des Inge-
nieurwesens von zunehmender Bedeutung ist.
Man bezeichnet diesen Prozess als Computer Aided Design oder bei Schwerpunkt-
legung auf seine mathematische Seite als Computer Aided Geometric Design und
versteht darunter all die Techniken, bei denen Computer zum Entwurf von Produk-
ten Verwendung nden. Diese Produkte (Modelle) basieren auf einer mathematischen
Beschreibung der geometrischen Form als Ganzes oder auf diskrete Weise, die es bei-
spielsweise erlaubt, Zeichnungen zu erstellen oder Befehle f ur numerisch gesteuerte
Werkzeugmaschinen zu erzeugen.
Ob in der Computergrak, in der Auswertung von Messdaten oder bei der Funkti-
onsdarstellung, es bedarf dazu der Approximation zumeist komplizierter Funktionen
und speziell auch der Interpolatio dieser mittels unterschiedlicher einfacherer Ansatz-
funktionen.
Hier geben wir einen

Uberblick uber die Interpolation mittels Polynomen und tri-
gonometrischen Funtionen sowie Splines, wie dies auch in meinem Buch Numerische
Mathematik Vorlesungen,

Ubungen, Algorithmen und Programme zu nden ist.
Nat urlich empehlt sich bei der praktischen Losung solcher Aufgaben auch der Ein-
satz des Computers und von Software. Hier sind einige Rechnungen mit dem Com-
puteralgebrasystem Maple V durchgef uhrt worden.
Inhaltsverzeichnis
1 Polynome, Interpolation, Splines und Dierentiation 1
1.1 Polynome . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Einfaches Horner-Schema . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Vollstandiges Horner-Schema . . . . . . . . . . . . . . . . . . 2
1.1.3 Inverses Horner-Schema . . . . . . . . . . . . . . . . . . . . . 3
1.2 Allgemeines Interpolationsproblem . . . . . . . . . . . . . . . . . . . 5
1.3 Polynominterpolation im R
1
. . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Lagrange-Interpolation . . . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Kondition der Interpolation . . . . . . . . . . . . . . . . . . . 11
1.3.3 Newton-Interpolation . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.4 Polynomwertberechnung . . . . . . . . . . . . . . . . . . . . . 29
1.4 Hermite-Interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.4.1 Bestimmung des Hermite-Interpolationspolynoms . . . . . . . 32
1.4.2 Allgemeine Referenz . . . . . . . . . . . . . . . . . . . . . . . 35
1.4.3 Kubische Hermite-Basis . . . . . . . . . . . . . . . . . . . . . 36
1.5 Fehler und Konvergenz . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.5.1 Fehlerfortpanzung in Schemata . . . . . . . . . . . . . . . . . 38
1.5.2 Konvergenz der Interpolation . . . . . . . . . . . . . . . . . . 38
1.5.3 Konvergenzsatze . . . . . . . . . . . . . . . . . . . . . . . . . 43
1.5.4 Bemerkungen zur Wahl der Tschebysche-Referenz . . . . . . 45
1.6 Trigonometrische Interpolation . . . . . . . . . . . . . . . . . . . . . . 47
1.6.1

Ubersicht und Merkmale . . . . . . . . . . . . . . . . . . . . . 47
1.6.2 Komplexe und reelle trigonometrische Interpolation . . . . . . 50
1.6.3 Diskrete Fourier-Transformation . . . . . . . . . . . . . . . . . 55
ii INHALTSVERZEICHNIS
1.7 Splineinterpolation im R
1
. . . . . . . . . . . . . . . . . . . . . . . . 64
1.7.1 Einfache Typen von Splines . . . . . . . . . . . . . . . . . . . 65
1.7.2 Kubische Splines . . . . . . . . . . . . . . . . . . . . . . . . . 70
1.7.3 B-Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
1.7.4 Kr ummung einer Kurve . . . . . . . . . . . . . . . . . . . . . 96
1.7.5 Parametrische Splines zur Kurvendarstellung . . . . . . . . . . 99
1.8 Dierentiation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
Literaturverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Kapitel 1
Polynome, Interpolation, Splines
und Dierentiation
1.1 Polynome
Gegeben sei das reelle Polynom n-ten Grades in seiner Normalform
p
n
(x) =
n

i=0
a
i
x
ni
= a
0
x
n
+ a
1
x
n1
+ ... + a
n2
x
2
+ a
n1
x + a
n
. (1.1)
Auf das Polynom kann man verschiedene Varianten des Horner-Schemas zur Berech-
nung von Funktions- und Ableitungswerten sowie zur Transformation zwischen den
Darstellungsformen anwenden.
1.1.1 Einfaches Horner-Schema
Sei p
n
(x) das Polynom und x
0
ein Argument. Das einfache Horner-Schema zur Berech-
nung von p
n
(x
0
) entsteht durch sukzessives Ausklammern von x in der Normalform.
p
n
(x) = a
0
x
n
+ a
1
x
n1
+ ... + a
n2
x
2
+ a
n1
x + a
n
= (a
0
x
n1
+ a
1
x
n2
+ ... + a
n2
x + a
n1
)x + a
n
= ([a
0
x
n2
+ a
1
x
n3
+ ... + a
n2
]x + a
n1
)x + a
n
= ...
= ([...{ a
0
..
b
0
x + a
1
. .
b
1
. . . . .
}x + ... + a
n2
]x + a
n1
. .
b
n1
)x + a
n
. .
b
n
2 Polynome, Interpolation, Splines und Dierentiation
Die schematische Darstellung ist
a
0
a
1
a
2
... a
n1
a
n
x
0
b
0
x
0
b
1
x
0
... b
n2
x
0
b
n1
x
0
b
0
b
1
b
2
... b
n1
b
n
= p
n
(x
0
)
(1.2)
Die Werte b
i
der letzten Zeile werden rekursiv berechnet gema
b
0
= a
0
,
b
i
= b
i1
x
0
+ a
i
, i = 1, 2, ..., n.
(1.3)
Die Groen b
i
sind die Koezienten des Polynoms
p
n1
(x) =
n1

i=0
c
i
x
n1i
, (1.4)
also c
i
= b
i
, das den Beziehungen
p
n
(x) = p
n1
(x)(x x
0
) + p
n
(x
0
),
p

n
(x) = p

n1
(x)(x x
0
) + p
n1
(x),
p

n
(x
0
) = p
n1
(x
0
)
(1.5)
gen ugt.
Ist x
0
Nullstelle von p
n
(x), so beinhaltet das Horner-Schema die Abspaltung des
Linearfaktors (x x
0
). Das um einen Grad reduzierte Polynom p
n1
(x) kann f ur
eine weitere Nullstellenuntersuchung betrachtet werden. Der Prozess der schrittweisen
Abspaltung heit auch Deation. Er ist aber numerisch instabil.
1.1.2 Vollstandiges Horner-Schema
Sei p
n
(x) ein reelles Polynom n-ten Grades und x
0
ein gegebenes Argument.
In den Formeln (1.5) ist eine Moglichkeit der Fortsetzung des einfachen Horner-
Schemas zu erkennen. Zur Ermittlung von Funktionswert und 1. Ableitung von p
n
(x)
an der Stelle x
0
nimmt man das zweizeilige Horner-Schema, denn p

n
(x
0
) = p
n1
(x
0
).
Mit der allgemeinen Version erfolgt die Berechnung von Funktionswert und aller
Ableitungen.
Es gilt im nachfolgenden Schema
p
n
(x
0
) = b
(0)
n
, p

n
(x
0
) = b
(1)
n1
, p

n
(x
0
) = 2!b
(2)
n2
, ..., p
(n)
n
(x
0
) = n!b
(n)
0
,
p
(n)
n
(x
0
) = n!a
0
, p
(k)
n
(x) = 0 f ur k > n.
(1.6)
1.1 Polynome 3
Vollstandiges Horner-Schema
a
0
a
1
a
2
... a
n3
a
n2
a
n1
an
x
0
b
(0)
0
x
0
b
(0)
1
x
0
... b
(0)
n4
x
0
b
(0)
n3
x
0
b
(0)
n2
x
0
b
(0)
n1
x
0
b
(0)
0
b
(0)
1
b
(0)
2
... b
(0)
n3
b
(0)
n2
b
(0)
n1
b
(0)
n
=pn(x
0
)
x
0
b
(1)
0
x
0
b
(1)
1
x
0
... b
(1)
n4
x
0
b
(1)
n3
x
0
b
(1)
n2
x
0
b
(1)
0
b
(1)
1
b
(1)
2
... b
(1)
n3
b
(1)
n2
b
(1)
n1
=p
n1
(x
0
)
x
0
b
(2)
0
x
0
b
(2)
1
x
0
... b
(2)
n4
x
0
b
(2)
n3
x
0
b
(2)
0
b
(2)
1
b
(2)
2
... b
(2)
n3
b
(2)
n2
=p
n2
(x
0
)
.......
x
0
.......
b
(n2)
0
b
(n2)
1
b
(n2)
2
= p
2
(x
0
)
x
0
b
(n1)
0
x
0
b
(n1)
0
b
(n1)
1
= p
1
(x
0
)
x
0
b
(n)
0
= p
0
(x
0
)
1.1.3 Inverses Horner-Schema
Die Newtonsche Form des Polynoms mit gegebenen St utzstellen und Koezienten
ist
p
n
(x) = c
0
+ c
1
(x x
0
) + c
2
(x x
0
)(x x
1
) + ... + c
n
(x x
0
) ... (x x
n1
)
=
n

j=0
c
j
j1

i=0
(x x
i
).
(1.7)
Die Ermittlung seiner Normalform
n

i=0
a
i
x
ni
erfolgt unter Anwendung des inversen
Horner-Schemas auf der Basis der geklammerten Darstellung
p
n
(x) = c
0
+ (xx
0
){c
1
+ (xx
1
)[c
2
+ ... + (xx
n2
)(
a
(0)
1
..
c
n1
+(x x
n1
)
a
(0)
0
..
c
n
. .
)...]},
= c
0
+ (xx
0
){c
1
+ (xx
1
)[c
2
+ ... + (xx
n2
)( c
n
..
a
(1)
0
x + c
n1
+ (x
n1
)c
n
. .
a
(1)
1
)...]}.
Analog berechnet man die Koezienten a
(2)
j
mit a
(1)
2
= c
n2
aus
c
n2
+(xx
n2
)(a
(1)
0
x+a
(1)
1
) = a
(1)
0
..
a
(2)
0
x
2
+[ a
(1)
1
+ (x
n2
)a
(1)
0
. .
a
(2)
1
]x+a
(1)
2
+ (x
n2
)a
(1)
1
. .
a
(2)
2
.
4 Polynome, Interpolation, Splines und Dierentiation
Inverses Horner-Schema zur Berechnung der Normalform des Polynoms aus der
Newtonschen Darstellung
c
n
x
n1
a
(0)
0
= c
n
a
(0)
1
= c
n1
x
n1
a
(0)
0
x
n2
a
(1)
0
a
(1)
1
a
(1)
2
= c
n2
x
n2
a
(1)
0
x
n2
a
(1)
1
x
n3
a
(2)
0
a
(2)
1
a
(2)
2
...
x
0
a
(n1)
0
a
(n1)
1
a
(n1)
2
... a
(n1)
n1
a
(n1)
n
= c
0
x
0
a
(n1)
0
x
0
a
(n1)
1
... x
0
a
(n1)
n2
x
0
a
(n1)
n1
a
(n)
0
a
(n)
1
a
(n)
2
... a
(n)
n1
a
(n)
n
a
0
a
1
a
2
... a
n1
a
n
x
n
x
n1
x
n2
... x 1
In den jeweiligen Spalten wird die Summe gebildet, d. h. f ur k = 1, 2, ..., n berechnet
man sukzessiv die Groen
a
(k)
0
= a
(k1)
0
, a
(k)
j
= a
(k1)
j
+ (x
nk
)a
(k1)
j1
, j = 1, 2, ..., k. (1.8)
Die vorletzte Zeile und somit die Koezienten der Normalform des Polynoms ergeben
sich zu a
i
= a
(n)
i
.
Die Anwendung des Schemas ist nat urlich auch in den speziellen Fallen wie
- c
0
= c
1
= ... = c
n1
= 0,
- x
0
= x
1
= ... = x
n1
,
- c
0
= c
1
= ... = c
n1
= 0, x
0
= x
1
= ... = x
n1
,
moglich.
1.2 Allgemeines Interpolationsproblem 5
1.2 Allgemeines Interpolationsproblem
Interpolationsaufgaben treten in zahlreichen Anwendungen auf, aus denen drei aus-
gewahlt werden.
Auswertung von Messungen
Die Messwerte (x
i
, y
i
), i = 0, 1, ..., n, widerspiegeln einen unbekannten funktio-
nalen Zusammenhang y = f(x).
Gesucht ist daf ur naherungsweise eine glatte Funktion y = (x).
Computergrak
Durch gegebene Punkte (x
i
, y
i
), i = 0, 1, ..., n, durch Punkte mit erweiterten
Bedingungen (x
i
, y
i
, y

i
) oder ahnliche sind moglichst glatte Kurven y = (x)
zu legen.
Approximation komplizierter Funktionen
Die bekannte Funktion y = f(x) ist im Computer ezient durch eine einfachere,
aber hinreichend glatte Funktion y = (x) anzunahern.
1.3 Polynominterpolation im R
1
Zur Beschreibung der Polynominterpolation verwendet man die folgenden Groen
und Bezeichnungen.
Grundintervall I
I = [a, b] R mit < a < b < sowie (bekannte oder unbekannte) reelle
Funktion f : I R.
St utzstellen x
i
und St utzwerte y
i
sowie
R
0
= {(x
i
, y
i
) | a x
0
< x
1
< x
2
< ... < x
n
b} (1.9)
als Referenz (Punktfolge, Knotenfolge) mit den n+1 paarweise verschiedenen
St utzstellen x
i
und den n+1 zugehorigen St utzwerten y
i
. Falls eine Funktion
f(x) zu Grunde liegt, deniert man die St utzwerte i. Allg. gema y
i
= f(x
i
), i =
0, 1, ..., n. Ohne Beschrankung der Allgemeinheit kann man die St utzstellen in
geordneter Reihenfolge nehmen.
Interpolationspolynom
p
n
(x) = a
0
x
n
+ a
1
x
n1
+ ... + a
n1
x + a
n
, a
i
R. (1.10)
Das ist der Ansatz als Polynom vom Grad n mit den Basisfunktionen
x
n
, x
n1
, ..., x, 1, die auch als monomiale Basis bezeichnet werden.
P
n
sei der Raum der Polynome vom Grad n, so dass p
n
(x) P
n
.
6 Polynome, Interpolation, Splines und Dierentiation
Die Interpolationsforderung (Interpolationsbedingung) ist
p
n
(x
i
) = y
i
= f(x
i
), i = 0, 1, ..., n. (1.11)
Interpolationsaufgabe (IA1)
Gesucht sind die Koezienten a
0
, a
1
, ..., a
n
in (1.10), so dass die Interpolations-
forderung (1.11) erf ullt ist.
Weitere Interpolationsaufgaben ergeben sich durch verschiedene Varianten der Wahl
der Basisfunktionen.
(1) Die allgemeine lineare Interpolation
(x) = a
0

0
(x) + a
1

1
(x) + ... + a
n

n
(x)
beruht auf den Basisfunktionen
i
(x).
(2) Die trigonometrische Interpolation verwendet die Basis {sin(kx), cos(kx)} und
den Ansatz
(x) = a
0
+ a
1
cos(x) + b
1
sin(x) + a
2
cos(2x) + b
2
sin(2x)+
... + a
m
cos(mx) + b
m
sin(mx).
(3) Bei der zweidimensionalen Polynominterpolation ist eine Notation des Ansatzes
mit doppelindizierten Koezienten g unstig, z. B. als
(u, v) = a
00
+ a
10
u + a
11
v + a
20
u
2
+ a
21
uv + a
22
v
2
+
... + a
m0
u
m
+ ... + a
mm
v
m
.
Vier Fragestellungen bzw. Probleme sind bei der Losung der Interpolationsaufgabe
(IA1) von Bedeutung.
1. Existiert zu jeder gegebenen Referenz R
0
mit n + 1 Punkten ein Interpolations-
polynom p
n
(x) vom Grad n?
2. Ist p
n
(x) eindeutig bestimmt?
3. Wie kann p
n
(x) eektiv und numerisch stabil konstruiert werden?
4. Wie erhalt man eine Schatzung des Interpolationsfehlers
R
n
(x) = f(x) p
n
(x) (1.12)
f ur alle x I?
Satz 1.1 Existenz und Eindeutigkeit des Interpolationspolynoms
Die Interpolationsaufgabe (IA1) ist f ur beliebiges Intervall I und beliebige Referenzen
R
0
I R stets eindeutig losbar.
1.3 Polynominterpolation im R
1
7
Beweis. Die Koezienten a
i
sind Losung des linearen Gleichungssystems (LGS)
_
_
_
_
_
_
_
x
n
0
x
n1
0
x
2
0
x
0
1
x
n
1
x
n1
1
x
2
1
x
1
1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
x
n
n1
x
n1
n1
x
2
n1
x
n1
1
x
n
n
x
n1
n
x
2
n
x
n
1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
0
a
1

a
n1
a
n
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
y
0
y
1

y
n1
y
n
_
_
_
_
_
_
_
. (1.13)
Seine Koezientenmatrix ist wegen x
i
= x
j
bei i = j die regulare Vandermondesche
Matrix und f uhrt auf die Vandermondesche Determinante
H =

1 x
0
x
2
0
x
n
0
1 x
1
x
2
1
x
n
1
. . . . . . . . . . . . . . . . . . .
1 x
n
x
2
n
x
n
n

=
n

i, j = 0
i > j
(x
i
x
j
) = 0. (1.14)
Letztere ist ein spezieller Fall der Haarschen Determinante bei allgemeiner Wahl von
Basis- bzw. Ansatzfunktionen.
Der Nachweis von H = 0 erfolgt durch Zur uckf uhrung der Determinante auf eine
solche mit der Dimension n. Die Idee ist die, dass man ohne

Anderung der Determi-
nante in H die Spalten k = n + 1, n, ..., 2 wie folgt umformt:
Man subtrahiert das x
0
-fache der (k 1)-ten Spalte von der k-ten Spalte.
Damit entstehen in der ersten Zeile rechts vom Diagonalelement Nullen. Man kann
mit dem Laplaceschen Entwicklungssatz nach dieser Zeile entwickeln und aus den
weiteren Zeilen gemeinsame Faktoren x
i
x
0
ausklammern.
H =

1 0 0 0 0
1 x
1
x
0
x
1
(x
1
x
0
) x
n2
1
(x
1
x
0
) x
n1
1
(x
1
x
0
)
1 x
2
x
0
x
2
(x
2
x
0
) x
n2
2
(x
2
x
0
) x
n1
2
(x
2
x
0
)
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1 x
n
x
0
x
n
(x
n
x
0
) x
n2
n
(x
n
x
0
) x
n1
n
(n
2
x
0
)

=
n

i=1
(x
i
x
0
)

1 x
1
x
2
1
x
n1
1
1 x
2
x
2
2
x
n1
2
. . . . . . . . . . . . . . . . . . . . .
1 x
n
x
2
n
x
n1
n

.
Mit der reduzierten Determinante wird weiter so verfahren.
Bemerkung 1.1 (1) Falls die St utzstellen x
i
nahe beieinander liegen, ist H klein
und die Kondition des LGS ist schlecht.
(2) Die G ultigkeit des Satzes bleibt bei einer Referenz mit paarweise verschiedenen
St utzstellen erhalten.
8 Polynome, Interpolation, Splines und Dierentiation
Beispiel 1.1 Die Wahl der Referenz erfolgt auf der Basis von x! bei n = 4.
x
i
0 1 2 3 4
y
i
1 1 2 6 24
Das LGS lautet
_
_
_
_
_
_
0 0 0 0 1
1 1 1 1 1
16 8 4 2 1
81 27 9 3 1
256 64 16 4 1
_
_
_
_
_
_
_
_
_
_
_
_
a
0
a
1
a
2
a
3
a
4
_
_
_
_
_
_
=
_
_
_
_
_
_
1
1
2
6
24
_
_
_
_
_
_
.
Seine Losung und das Interpolationspolynom sind
p
4
(x) =
3
8
x
4

23
12
x
3
+
29
8
x
2

25
12
x + 1.
W urde man mit zwei zusatzlichen St utzstellen 5 und 6 sowie den zugehorigen St utz-
werten das Interpolationspolynom p
6
(x) berechnen, so stellt man fest, dass dieses im
Intervall [0,2] schlechter ist als p
4
(x).
1.3.1 Lagrange-Interpolation
Die allgemeine Referenz aus St utzstellen x
i
, i = 0, 1, ..., n, mit St utzwerten y
i
ist
R = {(x
i
, y
i
) | a x
i
b, i = 0, 1, ..., n, und x
i
= x
j
f ur i = j}. (1.15)
Als Ansatz f ur das Lagrange-Interpolationspolynom schreibt man
L
n
(x) =
n

k=0
y
k

k
(x),
k
(x) =
n

i = 0
i = k
x x
i
x
k
x
i
,
wobei
k
(x) = L
(k)
n
(x) die Lagrange-Basispolynome, Knotenpunktpolynome oder
Lagrange-Terme bezeichnen. Die Basispolynome gen ugen der Bedingung

k
(x
i
) =
ik
,
ik
Kronecker-Symbol.
Damit ist einfach nachzurechnen, dass das Lagrange-Interpolationspolynom
L
n
(x) =
n

k=0
y
k
n

i = 0
i = k
x x
i
x
k
x
i
(1.16)
hochstens n-ten Grades ist und die Bedingung L
n
(x
j
) = y
j
erf ullt, also das eindeutig
bestimmte Interpolationspolynom darstellt.
1.3 Polynominterpolation im R
1
9
Satz 1.2 Interpolationsfehler
Sei f(x) (n + 1)-mal stetig dierenzierbar auf dem Intervall I = [a, b] und L
n
(x)
das eindeutig bestimmte Interpolationspolynom vom Grad n zur Referenz R mit
y
i
= f(x
i
).
Dann existiert eine Stelle int(x
0
, x
1
, ..., x
n
) = I
1
I, so dass f ur den Interpolati-
onsfehler (Restglied der Interpolation) gilt
R
n
(x) = f(x) L
n
(x) =
f
(n+1)
()
(n + 1)!
(x x
0
)(x x
1
) ... (x x
n
). (1.17)
Beweis. Wir denieren die Hilfsfunktion
(t) = f(t) L
n
(t) K(t x
0
)(t x
1
) ... (t x
n
), K const.
Wegen der Interpolationseigenschaft von L
n
(x) gilt
(x
0
) = 0, (x
1
) = 0, ..., (x
n
) = 0.
Man kann nun die Konstante K so wahlen, dass (t) an einem weiteren Punkt
t = x = x
i
, x I
1
, Null wird. Das passiert mit
K =
f( x) L
n
( x)

n
( x)
, wobei
n
(x) = (x x
0
)(x x
1
) ... (x x
n
).
Somit ist (t) gleich Null f ur t = x
0
, x
1
, ..., x
n
und x, also an n + 2 Stellen.
Jetzt wenden wir den Satz von Rolle an, der sagt, dass zwischen zwei Nullstellen einer
dierenzierbaren Funktion mindestens eine Nullstelle ihrer ersten Ableitung liegt.

(t) besitzt zwischen den n+2 Nullstellen von (t) seine Nullstellen, das sind n+1.
Weiter hat

(t) zwischen den Nullstellen von

(t) seine, und das sind n St uck, usw.


Damit hat
(n+1)
(t) mindestens eine Nullstelle im Intervall I
1
, das die Punkte x
i
und x enthalt. Folglich erhalt man

(n+1)
() = 0, L
(n+1)
n
(x) = 0,
(n+1)
n
(x) = (n + 1)! (immer),

(n+1)
(t) = f
(n+1)
(t) K(n + 1)!, t = ,
K =
f
(n+1)
()
(n + 1)!
,
f( x) L
n
( x) = K
n
( x) =
f
(n+1)
()
(n + 1)!

n
( x).
Da x beliebig verschieden von x
i
ist, gilt auch
f(x) L
n
(x) =
f
(n+1)
()
(n + 1)!

n
(x), x I
1
,
|f(x) L
n
(x)|
M
n+1
(n + 1)!
|
n
(x)|, M
n+1
= max
xI
1
|f
(n+1)
(x)|. (1.18)

10 Polynome, Interpolation, Splines und Dierentiation


Satz 1.3 Eigenschaften der Lagrange-Basispolynome
(1) 1 =
n

k=0

k
(x)
n

k=0
|
k
(x)|.
(2)
n

k=0

k
(0)x
j
k
=
_

_
1 f ur j = 0,
0 f ur j = 1, 2, . . . , n,
(1)
n
x
0
... x
n
f ur j = n + 1.
(3) Die Polynome
k
(x) bilden ein Orthogonalsystem (OGS) und damit eine Basis in
P
n
mit dem Skalarprodukt (P, Q) =
n

i=0
P(x
i
)Q(x
i
), d. h. (
k
,
j
) =
n

i=0

k
(x
i
)
j
(x
i
) =

kj
.
(4) Das Lagrange-Interpolationspolynom L
n
(x) f ur aquidistante St utzstellen basiert
auf den Beziehungen
x
i
= x
0
+ ih, x = x
0
+ th, h > 0,

k
(x) =
k
(x
0
+ th) = l
k
(t) =
(1)
nk
k!(n k)!)
n

i = 0
i = k
(t i),
L
n
(x) =
n

k=0
y
k
l
k
_
x x
0
h
_
=
n

k=0
y
k
(1)
nk
k!(n k)!)
n

i = 0
i = k
_
x x
0
h
i
_
.
(1.19)
Beweis. Wir zeigen nur die Aussagen (1) und (2).
Zu (1). Die Beziehung 1 =
n

k=0

k
(x) bedeutet die Interpolation der konstanten
Funktion f(x) = 1 mit den St utzwerten 1 an den n + 1 St utzstellen x
k
.
Zu (2). Es gilt
k
(x) P
n
und
k
(x
l
) =
kl
. Wir machen eine Fallunterscheidung.
(a) 0 j n
Man betrachtet das Polynom
q(x) =
n

k=0

k
(x)x
j
k
P
n
.
F ur dieses gilt
q(x
l
) =
n

k=0

k
(x
l
)x
j
k
=
n

k=0

kl
x
j
k
= x
j
l
, l = 0, 1, ..., n.
Somit ist q(x) das Interpolationspolynom zur Referenz (x
0
, x
j
0
), (x
1
, x
j
1
), ..., (x
n
, x
j
n
).
Andererseits geht auch das Polynom x
j
durch dieselben Punkte, also ist q(x) = x
j
.
F ur j = 0 erhalten wir 1 = q(x) = q(0) =
n

k=0

k
(0)x
0
k
=
n

k=0

k
(0).
1.3 Polynominterpolation im R
1
11
F ur j > 0 folgt 0 = 0
j
= q(0) =
n

k=0

k
(0)x
j
k
.
(b) j = n + 1
Wir denieren nun das Polynom
r(x) = x
n+1

k=0

k
(x)x
n+1
k
P
n+1
.
Sein f uhrender Koezient ist Eins. Seine Nullstellen sind x
0
, x
1
, ..., x
n
wegen
r(x
l
) = x
n+1
l

n

k=0

k
(x
l
)x
n+1
k
= x
n+1
l
x
n+1
l
= 0.
Folglich konnen wir r(x) in Produktform schreiben als r(x) =
n

k=0
(x x
k
) und
erhalten daraus
r(0) =
n

k=0
(0 x
k
),
0
n+1

k=0

k
(0)x
n+1
k
= (1)
n+1
n

k=0
x
k
,
n

k=0

k
(0)x
n+1
k
= (1)
n
x
0
x
1
... x
n
.

1.3.2 Kondition der Interpolation


Betrachten wir das Lagrange-Interpolationspolynom p
n
(x) P
n
zu gegebener Refe-
renz R auf der Grundlage der Funktion f C[a, b]. Im Funktionenraum C[a, b] moge
eine Norm mit ihren Eigenschaften analog zu denen der Vektornorm gegeben sein.
Um die Abhangigkeit des Interpolationspolynoms von f(x) und R zu unterstreichen,
f uhren wir die folgenden Notationen ein.
p
n
(x) = p
n
(f, R)(x),
(f) = p
n
(f, R),
(f)(x
i
) = p
n
(f, R)(x
i
) = f(x
i
), i = 0, 1, ..., n.
Damit ist : C[a, b] P
n
eine lineare Abbildung, denn f ur f, g C[a, b] und R
gelten wegen der Linearitat in der Darstellung von p
n
(x)
p
n
(f + g, R) = p
n
(f, R) + p
n
(g, R), p
n
(f, R) = p
n
(f, R).
Somit kann man untersuchen, wie sich Storungen in der Funktion f(x) auf das Inter-
polationspolynom auswirken. Diese Abhangigkeit der Losung von den Ausgangsdaten
wird durch die Kondition der Interpolation beschrieben.
12 Polynome, Interpolation, Splines und Dierentiation
Denition 1.1 Absolute Kondition in der Maximumnorm
Diese ist gegeben durch
K
abs
= sup
fC[a,b]
p
n
(f, R)

, wobei f

= max
axb
|f(x)|. (1.20)
Wegen
n

k=0
|
k
(x)| 1 gibt es noch eine andere Groe, die mit der Kondition zusam-
menhangt.
Denition 1.2 Lebesgue-Konstante
Die Lebesgue-Konstante
n
ist deniert durch

n
= max
x[a,b]
n

k=0
|
k
(x)| , wobei
k
(x) die Lagrange-Basispolynome sind. (1.21)
Sie wird also durch die Verteilung der St utzstellen x
i
beschrieben.
Satz 1.4 Beziehung zwischen absoluter Kondition und Lebesgue-Konstante
F ur die Interpolationsaufgabe (IA1) mit R
0
, y
i
= f(x
i
), i = 0, 1, ..., n, und f C[a, b]
gilt K
abs
=
n
.
Beweis. (1) Wir zeigen zunachst die Ungleichung K
abs

n
.
|p
n
(f, R)(x)| =

k=0
f(x
k
)
k
(x)

k=0
|f(x
k
)
k
(x)|
f

k=0
|
k
(x)|
f

max
x[a,b]
n

k=0
|
k
(x)|
|p
n
(f, R)(x)| f

n
x,
p
n
(f, R)

n
f,
sup
fC[a,b]
p
n
(f, R)


n
.
(2) Es gibt eine Funktion g C[a, b] mit p
n
(g, R)

= g

n
.
Sei x [a, b] die Stelle mit
n

k=0
|
k
( x)| = max
x[a,b]
n

k=0
|
k
(x)|.
Wir wahlen g so, dass g

= 1 ist. Dazu nehmen wir die St utzwerte g(x


i
) =
sign(
i
( x)) und verbinden die Punkte (x
i
, g(x
i
)) durch einen stetigen Polygonzug g.
Damit erhalten wir die geforderte Gleichheit.
1.3 Polynominterpolation im R
1
13
Beispiel 1.2 Wir berechnen die Kondition der Interpolation bei Verwendung
aquidistanter Knoten x
i
=
2i
n
1 oder x
i
=
2i + 1
n + 1
1 [1, 1], sowie
Tschebysche-Knoten x
i
= cos
_
2i + 1
2n + 2

_
(1, 1).
n

Aquidistante Knoten Tschebysche-Knoten
5 3.106 2.104
10 29.890 2.489
15 512.052 2.782
20 10 986.533 2.901
Tab. 1.1 Kondition K
abs
=
n
f ur ausgewahlte Knotenanzahlen mit 2 Verteilungen
Beispiel 1.3 Lagrange-Interpolation und Kondition
Zu der Referenz aus 4 Punkten (n = 3) auf I=[2, 4]
x
i
2 1 2 4
y
i
3 1 3 8
erhalt man das Lagrange-Interpolationspolynom
L
3
(x) =
3

k=0
y
k

k
(x) =
2
3
x
3

3
2
x
2

25
6
x + 6.
Die absolute Kondition betragt
K
abs
=
n
= max
x[2,4]
3

k=0
|
k
(x)|
3

k=0
|
k
(0.73)| 3.598.
Berechnungen und Grak in Maple
# nm6ip1.mws
#
> restart: with(plots): with(plottools):
> # Arbeitsverzeichnis
> pfad := D:/Neundorf/Nwptexte/Math93/:
> # Graphik output files
> name1 := nm6ip01.ps: datei1 := cat(pfad,name1):
> name2 := nm6ip02.ps: datei2 := cat(pfad,name2):
> name3 := nm6ip03.ps: datei3 := cat(pfad,name3):
> name4 := nm6ip04.ps: datei4 := cat(pfad,name4):
14 Polynome, Interpolation, Splines und Dierentiation
# Lagrange-Interpolation
# Referenz
> n := 3;
> xv := [-2, 1, 2, 4];
> yv := [ 3, 1,-3, 8];
#
# Lagrange-Polynome, Basispolynome
> phi0 := x-> (x-xv[2])*(x-xv[3])*(x-xv[4])/
> ((xv[1]-xv[2])*(xv[1]-xv[3])*(xv[1]-xv[4]));
> simplify(phi0(x));
> phi1 := x-> (x-xv[1])*(x-xv[3])*(x-xv[4])/
> ((xv[2]-xv[1])*(xv[2]-xv[3])*(xv[2]-xv[4]));
> simplify(phi1(x));
> phi2 := x-> (x-xv[1])*(x-xv[2])*(x-xv[4])/
> ((xv[3]-xv[1])*(xv[3]-xv[2])*(xv[3]-xv[4]));
> simplify(phi2(x));
> phi3 := x-> (x-xv[1])*(x-xv[2])*(x-xv[3])/
> ((xv[4]-xv[1])*(xv[4]-xv[2])*(xv[4]-xv[3]));
> simplify(phi3(x));
(x - xv[2]) (x - xv[3]) (x - xv[4])
phi0 := x -> -----------------------------------------------
(xv[1] - xv[2]) (xv[1] - xv[3]) (xv[1] - xv[4])
- 1/72 (x - 1) (x - 2) (x - 4)
(x - xv[1]) (x - xv[3]) (x - xv[4])
phi1 := x -> -----------------------------------------------
(xv[2] - xv[1]) (xv[2] - xv[3]) (xv[2] - xv[4])
1/9 (x + 2) (x - 2) (x - 4)
(x - xv[1]) (x - xv[2]) (x - xv[4])
phi2 := x -> -----------------------------------------------
(xv[3] - xv[1]) (xv[3] - xv[2]) (xv[3] - xv[4])
- 1/8 (x + 2) (x - 1) (x - 4)
(x - xv[1]) (x - xv[2]) (x - xv[3])
phi3 := x -> -----------------------------------------------
(xv[4] - xv[1]) (xv[4] - xv[2]) (xv[4] - xv[3])
1/36 (x + 2) (x - 1) (x - 2)
1.3 Polynominterpolation im R
1
15
> Q := plot(phi0,-2..4,title=phi0(x),axes=normal):
> plots[display](Q);
> interface(plotdevice=ps, plotoutput=datei1,
> plotoptions=width=640,height=480);
> plots[display](Q); interface(plotdevice=win);
Lagrange-Basispolynom
0
(x) auf [2, 4]
Lagrange-Basispolynome
k
(x), k = 0, 1, 2, 3, auf [2, 4]
phi2(x)
phi1(x) phi0(x)
1.00
.50
0
4. 3. 2. 1. 0 1. 2.
1.
0
1.
4. 3. 2. 1. 0 1. 2.
1.
0
4. 3. 2. 1. 0 1. 2.
1.00
.50
0
4. 3. 2. 1. 0 1. 2.
phi3(x)
> a:=array(1..2,1..2):
> a[1,1]:=plot(phi0,-2..4,title=phi0(x),color=black):
> a[1,2]:=plot(phi1,-2..4,title=phi1(x),color=black):
> a[2,1]:=plot(phi2,-2..4,title=phi2(x),color=black):
> a[2,2]:=plot(phi3,-2..4,title=phi3(x),color=black):
> Q := display(a,scaling=constrained,xtickmarks=6,ytickmarks=3):
> plots[display](Q);
> interface(plotdevice=ps, plotoutput=datei2,
> plotoptions=width=640,height=480);
> plots[display](Q);
> interface(plotdevice=win);
16 Polynome, Interpolation, Splines und Dierentiation
# Lagrange-Interpolationspolynom
> L3 := x-> yv[1]*phi0(x)+yv[2]*phi1(x)+yv[3]*phi2(x)+yv[4]*phi3(x);
> simplify(L3(x));
> pl1 := plot(L3,-2..4,ytickmarks=8,title=Lagrange-IP L3(x)):
> punkte := [seq([xv[i],yv[i]],i=1..4)]:
> pl2 := polygon(punkte,style=point,symbol=circle):
> plots[display](pl1,pl2);
> interface(plotdevice=ps,
> plotoutput=datei3,
> plotoptions=width=640,height=480);
> plots[display](pl1,pl2);
> interface(plotdevice=win);
L3 := x -> yv[1] phi0(x) + yv[2] phi1(x) + yv[3] phi2(x) +
yv[4] phi3(x)
3 2
2/3 x - 3/2 x - 25/6 x + 6
3
2
1
1
2
3
4
5
6
7
8
2 1 1 2 3 4
Lagrange-IP L3(x)
# Legesgue-Konstante, Kondition der Interpolation
> AbsL3 := x-> abs(phi0(x))+abs(phi1(x))+abs(phi2(x))+abs(phi3(x));
> simplify(AbsL3(x));
> seq([-0.73+i/100,AbsL3(-0.73+i/100)],i=-1..1);
> Kabs := 3.598070750;
1.3 Polynominterpolation im R
1
17
AbsL3 := x -> | phi0(x) | + | phi1(x) | + | phi2(x) | + | phi3(x) |
1/72 | (x - 1) (x - 2) (x - 4) | + 1/9 | (x + 2) (x - 2) (x - 4) |
+ 1/8 | (x + 2) (x - 1) (x - 4) | + 1/36 | (x + 2) (x - 1) (x - 2) |
[-.7400000000, 3.597994000], [-.73, 3.598070751],
[-.7200000000, 3.597888000]
Kabs := 3.598070750
1
2
3
4
2 1 1 2 3 4
Kondition, AbsL3(x)
> pl3 := plot([1,AbsL3],-2..4,0..4,title=Kondition, AbsL3(x)):
> pl4 := plot([[-0.73,0],[-0.73,3.6]]):
> punkte := [seq([xv[i],1],i=1..4),[-0.73,3.6]]:
> pl5 := polygon(punkte,style=point,symbol=circle):
> plots[display](pl3,pl4,pl5);
> interface(plotdevice=ps,
> plotoutput=datei4,
> plotoptions=width=640,height=480);
> plots[display](pl3,pl4,pl5);
> interface(plotdevice=win);
18 Polynome, Interpolation, Splines und Dierentiation
Beispiel 1.4 Baryzentrische Darstellung
Dies ist eine spezielle Form des Lagrange-Interpolationspolynoms (barycenter -
Gravitationszentrum) unter Verwendung der Partialbruchzerlegung.
Die Referenz mit vier Punkten sei {(x
i
, y
i
)}
3
i=0
= {(1, 2), (2, 4), (5, 0), (6, 1)}.
Das Lagrange-Interpolationspolynom berechnet man gema
L
3
(x) =
3

k=0
y
k

k
(x), n = 3
=
1
10
(x 2)(x 5)(x 6) +
1
3
(x 1)(x 5)(x 6)
+0(x 1)(x 2)(x 6) +
1
20
(x 1)(x 2)(x 5)
= (x 1)(x 2)(x 5)(x 6)
_

1
10
1
x 1
+
1
3
1
x 2
+
0
1
x 5
+
1
20
1
x 6
_
=

1
10
1
x 1
+
1
3
1
x 2
+ 0
1
x 5
+
1
20
1
x 6
1
(x 1)(x 2)(x 5)(x 6)
=

1
10
1
x 1
+
1
3
1
x 2
+ 0
1
x 5
+
1
20
1
x 6

1
20
1
x 1
+
1
12
1
x 2

1
12
1
x 5
+
1
20
1
x 6
Die letzte Zeile heit baryzentrische Darstellung des Interpolationspolynoms.
Die Verwendung dieses Begris hangt damit zusammen, dass sich die Summendar-
stellung des Interpolationspolynoms
n

k=0
y
k

k
(x) im baryzentrischen Kalk ul, einem
Hilfsmittel der analytischen Geometrie, einordnet und auch eine physikalische Inter-
pretation dahinter steht.
1
Die Basisfunktionen
k
(x) entsprechen den sogenannten
Ortsvektoren z
k
und die St utzwerte y
k
den baryzentrischen Koordinaten m
k
, so dass
man jeden Punkt P eindeutig durch die reellen Koordinaten gema P =
n

k=0
m
k
z
k
darstellen kann.
1
E. Zeidler (Hrsg.): Teubner-Taschenbuch der Mathematik. B. G. Teubner Verlagsgesellschaft
Leipzig 1996.
1.3 Polynominterpolation im R
1
19
1.3.3 Newton-Interpolation
Die geometrische Veranschaulichung der linearen und quadratischen Interpolation ist
die Konstruktion einer Geraden durch zwei Punkte bzw. einer quadratischen Parabel
durch drei.
(1) Die lineare Interpolation basiert auf zwei St utzstellen x
0
< x
1
mit f
i
= f(x
i
).
Die Geradengleichung hat die Gestalt
p
1
(x) = f
0
+
f
1
f
0
x
1
x
0
(x x
0
). (1.22)
-
6
0 x
0
x
1
x
2 x
f
0
f
1
f
2
y
f(x)
p
1
(x)
a
b
Abb. 1.1 Lineares Interpolationspolynom durch 2 Punkte (x
i
, f
i
), i = 0, 1
(2) Die quadratische Interpolation braucht drei St utzstellen x
0
< x
1
< x
2
.
Die Gleichung der quadratischen Parabel ist
p
2
(x) = f
0
+
f
1
f
0
x
1
x
0
(x x
0
) +
f
2
f
1
x
2
x
1

f
1
f
0
x
1
x
0
x
2
x
0
(x x
0
)(x x
1
). (1.23)
In diesen Darstellungen verwenden wir Dierenzen und dividierte Dierenzen (Dif-
ferenzenquotienten).
Wir notieren die Dierenzen f ur aquidistante St utzstellen x
i
= x
i1
+ h, f
i
= f(x
i
).
Denition 1.3 Vorwartsdierenzen
k
bzw. R uckwartsdierenzen
k
F ur die k-ten Dierenzen (k 0) gelten die Beziehungen

0
f(x) = f(x),

1
f(x) = f(x) = f(x + h) f(x), h > 0,

n
f(x) = (
n1
f(x)),

0
f(x) = f(x),

1
f(x) = f(x) = f(x) f(x h) = f(x h),

n
f(x) = (
n1
f(x)).
(1.24)
Dann gilt
k
f
i
=
k
f
ik
.
20 Polynome, Interpolation, Splines und Dierentiation
Denition 1.4 Dividierte Dierenzen f ur paarweise verschiedene x
i
Der Quotient
f[x
1
, x
0
] =
f(x
1
) f(x
0
)
x
1
x
0
heit 1. dividierte Dierenz von x
1
und x
0
bez uglich f.
f[x
2
, x
1
, x
0
] =
f[x
2
, x
1
] f[x
1
, x
0
]
x
2
x
0
heit 2. dividierte Dierenz von x
2
, x
1
, x
0
bez uglich f.
Sei die k-te dividierte Dierenz bereits deniert. Dann ist
f[x
k+1
, x
k
, ...x
1
, x
0
] =
f[x
k+1
, ..., x
2
, x
1
] f[x
k
, ..., x
1
, x
0
]
x
k+1
x
0
(1.25)
die (k + 1)-te dividierte Dierenz von x
k+1
, ..., x
1
, x
0
bez uglich f.
Dividierte Dierenzen sind symmetrisch in Bezug auf die Argumente.
Sie werden auch Steigungen genannt. Es gilt neben (1.25) ebenfalls
f[x
k+1
, x
k
, ..., x
1
, x
0
] =
f[x
k+1
, x
k1
, ..., x
2
, x
1
, x
0
] f[x
k
, ..., x
1
, x
0
]
x
k+1
x
k
. (1.26)
Andere Schreibweisen sind
f[x
k+1
, ..., x
1
, x
0
] = [x
k+1
, ..., x
1
, x
0
]
f
= [x
k+1
, ..., x
1
, x
0
]f = [x
k+1
, ..., x
1
, x
0
] =
k+1
f
0
.
Um die dividierten Dierenzen f[x
0
], f[x
1
, x
0
], ..., f[x
k+1
, ..., x
1
, x
0
] systematisch und
geschickt zu berechnen, bietet sich das folgende Schema an.
Schema der dividierten Dierenzen (n = 3)
x
0
f
0
x
1
x
0
f[x
1
, x
0
]
x
2
x
0
x
1
f
1
f[x
2
, x
1
, x
0
]
x
3
x
0
x
2
x
1
f[x
2
, x
1
] f[x
3
, x
2
, x
1
, x
0
]
x
3
x
1
x
2
f
2
f[x
3
, x
2
, x
1
]
x
3
x
2
f[x
3
, x
2
]
x
3
f
3
Folgerung 1.5 F ur das lineare und quadratische Interpolationspolynom erhalt man
mit den dividierten Dierenzen die Darstellungen
p
1
(x) = f(x
0
) + f[x
1
, x
0
](x x
0
),
p
2
(x) = f(x
0
) + f[x
1
, x
0
](x x
0
) + f[x
2
, x
1
, x
0
](x x
0
)(x x
1
).
(1.27)
1.3 Polynominterpolation im R
1
21
Satz 1.6 Newton-Interpolationspolynom
(1) Das Polynom hochstens n-ten Grades
N
n
(x) = f(x
0
) +
n

j=1
f[x
j
, x
j1
, ..., x
0
](x x
0
)(x x
1
) ... (x x
j1
)
=
n

k=0

k
f
0

k
(x), wobei
k
(x) =
k1

i=0
(x x
i
),
(1.28)
heit Newton-Interpolationspolynom.

k
(x) =
k1
(x) sind die Newton-Basispolynome, Knotenpunktpolynome oder Newton-
Terme,
k
f
0
= f[x
k
, ..., x
1
, x
0
] die k-te dividierte Dierenz,
0
f
i
= f
i
.
(2) N
n
(x) erf ullt die Interpolationsforderungen (1.11) und stellt das eindeutig be-
stimmte Interpolationspolynom der Interpolationsaufgabe (IA1) dar.
(3) Der Interpolationsfehler (Restglied der Interpolation) lautet
R
n
(x) = f(x) N
n
(x)
= f[x, x
n
, x
n1
, ..., x
1
, x
0
](x x
0
)(x x
1
) ... (x x
n
)
=
f
(n+1)
()
(n + 1)!
(x x
0
)(x x
1
) ... (x x
n
),
(1.29)
mit int(x
0
, x
1
, ..., x
n
), vorausgesetzt f C
n+1
[a, b]. Nat urlich gilt R
n
(x
i
) = 0.
Folgerung 1.7 Die Fehlerabschatzung f ur das Interpolationspolynom im Inter-
vall der St utzstellen ist
|R
n
(x)| = |f(x)N
n
(x)|
max
x[a,b]
|f
(n+1)
(x)|
(n + 1)!
|(xx
0
)(xx
1
) ... (xx
n
)|. (1.30)
Beispiel 1.5 Newton-Interpolationspolynom
Aus der Referenz mit 4 Punkten (n = 3)
x
i
1 3 4 6
y
i
4 6 4 12
bildet man das Schema der dividierten Dierenzen
1 4
2 1
3 3 6 1
5 1 2
3
5
3 4 4 2
2 4
6 12
22 Polynome, Interpolation, Splines und Dierentiation
Daraus ergibt sich die Interpolationsformel
N
3
(x) = f(x
0
) + f[x
1
, x
0
](x x
0
)
+f[x
2
, x
1
, x
0
](x x
0
)(x x
1
) + f[x
3
, x
2
, x
1
, x
0
](x x
0
)(x x
1
)(x x
2
)
= 4 + 1(x 1) 1(x 1)(x 3) +
3
5
(x 1)(x 3)(x 4) (obere Zeile)
= 12 + 4(x 6) + 2(x 6)(x 4) +
3
5
(x 6)(x 4)(x 3) (untere Zeile)
=
3
5
x
3

29
5
x
2
+
82
5
x
36
5
(mit inversem Horner-Schema).
Beispiel 1.6 Genauigkeit der Interpolationsformel
Gegeben seien die Logarithmuswerte ln(100), ln(101), ln(102), ln(103).
Mit welcher Genauigkeit kann der Wert ln(100.5) mit dem Newton-Interpolations-
polynom berechnet werden?
Die Problemparameter sind n = 3, a = 100, b = 103 und von der Funktion
f(x) = ln(x), f C

(R
+
) benotigt man die 4. Ableitung f
(4)
(x) = 6/x
4
. Es gilt
|R
3
(100.5)| = |f(100.5) N
3
(100.5)|

max
[100,103]
|f
(4)
(x)|
4!
|(+0.5)(0.5)(1.5)(2.5)|

max
[100,103]
6/x
4
4!
0.5 0.5 1.5 2.5
= 2.344 10
9
.
Die Genauigkeit der Berechnung ist bis auf 8 Nachkommastellen moglich.
F ur eine einfache Berechnung von Polynomwerten deniert man c
0
= f(x
0
) = f[x
0
]
und c
j
= f[x
j
, x
j1
, ..., x
1
, x
0
], j 1. Dann erhalt man
N
n
(x) = c
0
+
n

j=1
c
j
j1

i=0
(x x
i
)
= c
0
+ c
1
(x x
0
) + c
2
(x x
0
) + ... + c
n
(x x
0
)(x x
1
) ... (x x
n1
)
= c
0
+ (x x
0
){c
1
+ (x x
1
)[c
2
+ ... + (x x
n2
)(c
n1
+ (x x
n1
)c
n
)...]}.
Algorithmische Darstellung der Polynomwertberechnung
Q := c[n];
for j := n 1 downto 0 do Q := Q (x x[j]) + c[j];
Polynomwert := Q;
Spater werden die ezienteren Schemata zur Polynomwertberechnung von Aitken
und Aitken-Neville vorgestellt.
1.3 Polynominterpolation im R
1
23
Nachweis der allgemeinen Form des Newton-Interpolationspolynoms
F ur die Interpolationspolynome vom Grad 1 und 2 haben wir in der Folgerung 1.5 die
Darstellung (1.28) schon gezeigt. Zum allgemeinen Nachweis verwenden wir rekursive
Beziehungen aus den folgenden beiden Satzen.
Satz 1.8 Das Newton-Interpolationspolynom N
n
(x) aus (1.28) kann man rekursiv
berechnen gema
N
0
(x) = f
0
,
N
k
(x) = N
k1
(x) +
f
k
N
k1
(x
k
)

k
(x
k
)

k
(x), k = 1, 2, ..., n.
(1.31)
Beweis. Anwendung der vollstandigen Induktion.
Der Induktionsanfang f ur k = 1 ist mit der Geradengleichung
N
1
(x) = N
0
(x) +
f
1
N
0
(x
0
)

1
(x
1
)

1
(x) = f
0
+
f
1
f
0
x
1
x
0
(x x
0
)
schon durchgef uhrt worden.
Der Induktionsschritt wird bez. des Grades des Polynoms gemacht.
Sei N
k1
(x) das Interpolationspolynom durch die Punkte (x
j
, f
j
), j = 0, 1, ..., k 1.
Wegen N
k1
(x
j
) = f
j
sowie
k
(x) als Polynom k-ten Grades mit
k
(x
j
) = 0, j =
0, 1, ..., k 1, ist N
k
(x) das eindeutig bestimmte Polynom k-ten Grades, das an den
Stellen x
j
, j = 0, 1, ..., k 1, k, die Funktionswerte f
j
hat. Letzteres ist durch Aus-
rechnen der Werte N
k
(x
j
) einfach zu uberpr ufen.
Satz 1.9 Wenn p
n
1
,n
2
,...,n
k
(x) das Interpolationspolynom zu den (nicht notwendig
aquidistanten) St utzstellen x
n
1
, x
n
2
, ..., x
n
k
ist, dann gilt mit p
i
(x) = f
i
die Beziehung
p
0,1,...,n
(x) =
1
x
n
x
n1

p
0,1,...,n2,n1
(x) x
n1
x
p
0,1,...,n2,n
(x) x
n
x

. (1.32)
Die Formel (1.32) wird auch als Aitken-Interpolation bezeichnet.
Beweis. (Skizze)
Wir zeigen nur den Induktionsschritt bez. der Anzahl der Indizes des Polynoms.
Das Polynom p
0,1,...,n2,n1
(x), Grad n 1, verlauft durch die Punkte (x
j
, f
j
),
j = 0, 1, ..., n 1.

Ahnlich geht das Polynom p


0,1,...,n2,n
(x), auch vom Grad n1, durch die Punkte
(x
j
, f
j
), j = 0, 1, ..., n 2, n.
24 Polynome, Interpolation, Splines und Dierentiation
Die Frage ist nun, ob das Polynom p
0,1,...,n
(x), das vom Grad n ist, durch die
Punkte (x
j
, f
j
), j = 0, 1, ..., n, geht?
Das Nachrechnen f ur die Argumente x
0
, x
1
, ..., x
n1
, x
n
ergibt
p
0,1,...,n
(x
n
) = p
0,1,...,n2,n
(x
n
) = f
n
,
p
0,1,...,n
(x
n1
) = p
0,1,...,n2,n1
(x
n1
) = f
n1
,
p
0,1,...,n
(x
k
) =
1
x
n
x
n1
[(x
n
x
k
)p
0,1,...,n2,n1
(x
k
)
(x
n1
x
k
)p
0,1,...,n2,n
(x
k
)], k = n 1, n
=
1
x
n
x
n1
[(x
n
x
k
)f
k
(x
n1
x
k
)f
k
]
= f
k
.
p
0,1,...,n
(x) als ein Polynom hochstens n-ten Grades zur Referenz {(x
j
, f
j
), j = 0(1)n}
ist somit eindeutig bestimmt.
Damit kann man nunmehr die Newton-Interpolationsformel (1.28) wiederum mittels
vollstandiger Induktion zeigen.
Den Induktionsanfang haben wir schon uberpr uft. Wenn das Interpolationspolynom
p
0,1,...,n1
(x) die Gestalt
f
0
+ f[x
1
, x
0
](x x
0
) + ... + f[x
n1
, ..., x
1
, x
0
](x x
0
)(x x
1
) ... (x x
n2
)
hat, besitzt diese auch das um einen Grad hohere Interpolationspolynom p
0,1,...,n
(x).
Beweis. Satz 6.6 Teil (1) und (2) mit Durchf uhrung des Induktionsschritts.
Gema Induktionsvoraussetzung sind
N
k
(x) = f
0
+f[x
1
, x
0
](x x
0
) +... +f[x
k
, ..., x
1
, x
0
](x x
0
)(x x
1
) ... (x x
k1
),
k = 0, 1, ..., n 1, jeweils die Interpolationspolynome zu den aufeinander folgenden
Referenzen {(x
j
, f
j
), j = 0, 1, ..., k}.
Wir formen die rekursive Formel (1.32) um und zeigen die

Ubereinstimmung mit der
Darstellung (1.28).
p
0,1,...,n
(x) =
=
1
x
n
x
n1
{p
0,1,...,n1
(x)(x
n
x) p
0,1,...,n2,n
(x)(x
n1
x)}
=
1
x
n
x
n1
{[N
n2
(x) + f[x
n1
, x
n2
, ..., x
1
, x
0
](x x
0
) ... (x x
n2
)](x
n
x)
[N
n2
(x) + f[x
n
, x
n2
, ..., x
1
, x
0
](x x
0
) ... (x x
n2
)](x
n1
x)}
1.3 Polynominterpolation im R
1
25
p
0,1,...,n
(x) =
= N
n2
(x) +
1
x
n1
x
n
{f[x
n1
, x
n2
, ..., x
1
, x
0
](x x
0
) ... (x x
n2
)(x x
n
)
f[x
n
, x
n2
, ..., x
1
, x
0
](x x
0
) ... (x x
n2
)(x x
n1
)}
= N
n2
(x) +
1
x
n1
x
n

{f[x
n1
, x
n2
, ..., x
1
, x
0
](x x
0
) ... (x x
n2
)(x x
n1
+ x
n1
x
n
)
f[x
n
, x
n2
, ..., x
1
, x
0
](x x
0
) ... (x x
n2
)(x x
n1
)}
= N
n2
(x) + f[x
n1
, x
n2
, ..., x
1
, x
0
](x x
0
) ... (x x
n2
)+
1
x
n1
x
n
{f[x
n1
, x
n2
, ..., x
1
, x
0
](x x
0
) ... (x x
n2
)(x x
n1
)
f[x
n
, x
n2
, ..., x
1
, x
0
](x x
0
) ... (x x
n2
)(x x
n1
)}
= N
n1
(x) +
f[x
n1
, x
n2
, ..., x
1
, x
0
] f[x
n
, x
n2
, ..., x
1
, x
0
]
x
n1
x
n

(x x
0
) ... (x x
n2
)(x x
n1
)
= N
n1
(x) + f[x
n
, x
n1
, x
n2
, ..., x
1
, x
0
](x x
0
) ... (x x
n2
)(x x
n1
)
= N
n
(x).
Interpolationspolynom von Newton-Gregory
Im Fall aquidistanter St utzstellen x
i
= x
0
+ih, i = 0, 1, ..., n, erhalt man die Formel
von Newton-Gregory.
F ur die Newton-Interpolation gelten dann die Beziehungen

k
(x) =
k1

i=0
(x x
i
) = h
k
k1

i=0
(s i), x = x
0
+ sh,
0
(x) = 1,
c
k
=
k
f
0
= f[x
0
, x
1
, ..., x
k
] =

k
f
0
k!h
k
,
N
n
(x) =
n

k=0
c
k

k
(x), x = x
0
+ sh
=
n

k=0
_
s
k
_

k
f
0
.
26 Polynome, Interpolation, Splines und Dierentiation
Abschlieend notieren wir noch eine Beziehung zwischen den Basispolynomen von
Lagrange und Newton, die sich einfach nachrechnen lasst.
Satz 1.10 Gegeben seien an den St utzstellen x
i
, i = 0, 1, ..., n, die Basispolynome
von Lagrange

k
(x) =
n

i = 0
i = k
x x
i
x
k
x
i
, Grad(
k
(x)) = n,
und von Newton

n+1
(x) =
n

i=0
(x x
i
) = x
n+1
x
n
n

i=0
x
i
+ ... + (1)
n+1
n

i=0
x
i
.
Dann gilt die Beziehung

k
(x) =

n+1
(x)

n+1
(x
k
)(x x
k
)
. (1.33)
Berechnung von Darstellungen von Interpolationspolynomen in Maple
F ur die Ermittlung der Normalform des Interpolationspolynoms kann die Maple-
Funktion interp(ststellen,stwerte,variable) verwendet werden. Sie wird auch
in der folgenden nutzerdenierten Prozedur interpol als sonstige Variante (default-
Zweig) einbezogen.
# nm6ip2.mws
#
# Prozedur zur Erzeugung des Interpolationspolynoms in verschiedenen
# Darstellungen:
# Newtonsche, Lagrangesche, baryzentrische Darstellung
#
> restart:
#
> interpol:=proc(stst::list,stw::list,var::name,typ::string)
> description Polynominterpolation in verschiedenen Darstellungen;
> local i,k,n,omega,rho,ityp,x;
> n:=nops(stst);
> if nargs=3 then ityp:="Normal" else ityp:=typ; fi;
1.3 Polynominterpolation im R
1
27
> if ityp="Lagrange" then
> omega:=[1];
> for k from 1 to n-1 do
> for i from 1 to nops(omega) do
> omega:=subsop(i=omega[i]/(stst[i]-stst[k+1]),omega);
> od;
> omega:=[op(omega),-sum(omega[j],j=1..nops(omega))];
> od;
> i:=i: k:=k:
> [sum(omega[i]/(var-stst[i])*stw[i],i=1..n)/
> sum(omega[i]/(var-stst[i]),i=1..n),
> sum(stw[i]*omega[i]*product(var-stst[k],k=1..i-1)*
> product(var-stst[k],k=i+1..n),i=1..n)];
> elif
> ityp="Newton" then
> omega:=stw;
> for k from 0 to n-1 do rho:=stw[k+1];
> for i from 0 to k-1 do
> rho:=(rho-omega[i+1])/(stst[k+1]-stst[i+1]);
> od;
> omega:=subsop(k+1=rho,omega);
> od;
> i:=i: k:=k:
> sum(omega[k]*product(var-stst[i],i=1..k-1),k=1..n);
> else
> interp(stst,stw,var);
> fi;
> end:
#
# Aufruf:
# Anzahl der Parameter: 3 oder 4
#
# Bedeutung:
# 1. Parameter: Stuetzstellen (Liste)
# 2. Parameter: Stuetzwerte (Liste)
# 3. Parameter: Name der zu verwendenden Variablen
# 4. Parameter: Newton oder Lagrange; wenn dieser Parameter fehlt, wird
# Maples interne Interpolationsroutine interp(stst,stw,var) verwendet.
#
# Besonderheiten:
# Das Lagrangesche Interpolationspolynom kann auf zwei verschiedene
# Arten ausgegeben werden; dies wird durch einen zusaetzlichen Index [1]
# bzw. [2] erreicht.
28 Polynome, Interpolation, Splines und Dierentiation
# Beispiel:
#
# Referenz
> n := 3;
> xv := [1, 2, 5, 6];
> yv := [2, 4, 1, 1];
n := 3
xv := [1, 2, 5, 6]
yv := [2, 4, 1, 1]
#
> interpol(xv,yv,x,"Newton");
2 x - 3/4 (x - 1) (x - 2) + 1/5 (x - 1) (x - 2) (x - 5)
#
> N3 := 2+2*(x-1)-3/4*(x-1)*(x-2)+1/5*(x-1)*(x-2)*(x-5);
N3 := 2 x - 3/4 (x - 1) (x - 2) + 1/5 (x - 1) (x - 2) (x - 5)
#
> interpol(xv,yv,x,"Lagrange")[2]; # die konventionelle Darstellung
- 1/10 (x - 2) (x - 5) (x - 6) + 1/3 (x - 1) (x - 5) (x - 6)
- 1/12 (x - 1) (x - 2) (x - 6) + 1/20 (x - 1) (x - 2) (x - 5)
#
> interpol(xv,yv,x,"Lagrange")[1]; # die baryzentrische Darstellung
1 1 1 1
- 1/10 ----- + 1/3 ----- - 1/12 ----- + 1/20 -----
x - 1 x - 2 x - 5 x - 6
---------------------------------------------------
1 1 1 1
- 1/20 ----- + 1/12 ----- - 1/12 ----- + 1/20 -----
x - 1 x - 2 x - 5 x - 6
#
> interpol(xv,yv,x);
3 47 2 153
1/5 x - -- x + --- x - 7/2
20 20
> interp(xv,yv,x);
3 47 2 153
1/5 x - -- x + --- x - 7/2
20 20
1.3 Polynominterpolation im R
1
29
1.3.4 Polynomwertberechnung
An Stelle der Berechnung des Polynomwertes p(x) an einer Zwischenstelle uber das
Newton-Interpolationspolynom oder mittels seiner Normalform und Horner-Schema
kann dies geschickter und schneller mittels der Aitken-Interpolation erfolgen.
Dazu nimmt man das Schema von Aitken bei gegebener Referenz.
Eine verbesserte Version ist das Schema von Aitken-Neville.
(1) Wiederholung
Wenn p
n
1
,n
2
,...,n
k
(x) das Interpolationspolynom zu den St utzstellen
x
n
1
, x
n
2
, ..., x
n
k
ist, dann gilt mit p
i
(x) = y
i
die Beziehung
p
0,1,...,n
(x) =
1
x
n
x
n1

p
0,1,...,n2,n1
(x) x
n1
x
p
0,1,...,n2,n
(x) x
n
x

. (1.34)
Bisher haben wir uns f ur die Koezienten des Interpolationspolynoms n-ten Grades
interessiert. Andererseits kann diese rekursive Beziehung nat urlich auch zur numeri-
schen Berechnung des Polynomwertes f ur ein spezielles Argument verwendet werden.
(2) Aitken-Schema
Gegeben ist (x
i
, y
i
), i = 0, 1, ..., n, und ein Zwischenwert x.
Weiter sei p
i
(x) = y
i
, i = 0, 1, ..., n, p(x) = p
0,1,...,n
(x) p
01...n
(x).
Im folgenden Schema sind die ersten drei Spalten durch die vorgegebenen Groen
der Referenz und des Arguments deniert. Jetzt berechnen wir mittels (1.34) die
weiteren Spalten.
x
i
x
i
x p
i
(x) = y
i
k = 0 k = 1 k = 2 . . k = n
x
0
x
0
x p
0
(x) = y
0
x
1
x
1
x p
1
(x) = y
1
p
01
(x)
x
2
x
2
x p
2
(x) = y
2
p
02
(x) p
012
(x)
. . . . . .
. . . . . . .
x
n
x
n
x p
n
(x) = y
n
p
0n
(x) p
01n
(x) . . p
01...n
(x) = p(x)
Der rechte untere Wert ist der gesuchte Funktionswert des Polynoms bei x.
(3) Schema von Aitken-Neville
In der vierten Spalte des Aitken-Schemas mit den Werten p
0k
(x), k = 1, 2, ..., n,
setzen wir nun die Groen p
01
(x), p
12
(x), p
23
(x), ... ein. Dazu wahlt man noch eine
g unstigere Darstellung mit Doppelindizierung wie bei Matrizen.
Anfangsbelegung und ein zeilenweise Berechnung im Aitken-Neville-Schema f uhren
somit auf die Formeln
30 Polynome, Interpolation, Splines und Dierentiation
p
i0
= y
i
, i = 0, 1, ..., n,
p
ik
=
1
x
ik
x
i

p
i,k1
x
i
x
p
i1,k1
x
ik
x

= p
i,k1

x
i
x
x
i
x
ik
(p
i,k1
p
i1,k1
), 1 k i,
p
nn
= p(x),
(1.35)
und ihre schematische Darstellung
x
i
x
i
x p
i0
= y
i
k = 0 k = 1 k = 2 . . k = n
x
0
x
0
x p
00
= y
0
x
1
x
1
x p
10
= y
1
p
11
x
2
x
2
x p
20
= y
2
p
21
p
22
. . . . . .
. . . . . . .
x
n
x
n
x p
n0
= y
n
p
n1
p
n2
. . p
nn
= p(x)
Beispiel 1.7 Schemata zur Polynomwertberechnung mit der Aitken-Interpolation
Gegeben seien das Argument x = 3 und die Referenz mit 4 Punkten (n = 3)
x
i
0 1 2 5
y
i
0 1 4 115
Man kann beide Schemata auf der linken Seite noch um die Dierenzen der St utz-
stellen erganzen.
Schema von Aitken mit N
3
(3) = 21
x
i
x
ik
x
i
x
i
x y
i
k = 0 k = 1 k = 2 k = 3
0 3 0
1 1 2 1 -3
2 1 2 1 4 6 15
5 4 3 5 2 115 69 33 21
Schema von Aitken-Neville mit dem gleichen Polynomwert
x
ik
x
i
x
i
x
i
x y
i
k = 0 k = 1 k = 2 k = 3
0 3 0
1 1 2 1 3
2 1 2 1 4 9 15
5 4 3 5 2 115 41 25 21
1.4 Hermite-Interpolation 31
1.4 Hermite-Interpolation
Dabei handelt es sich um eine verallgemeinerte Polynominterpolation mit der
Einbeziehung von Funktions- und Ableitungswerten.
Grundintervall I = [a, b] R mit < a < b < und (bekannte oder
unbekannte) reelle Funktion f C

(I), 0.
Referenz R gema (1.9) mit den St utzstellen x
i
und St utzwerten y
i
sowie wei-
teren Groen in Form von Ableitungswerten.
Das Interpolationspolynom vom Grad m entspricht dem Ansatz
p
m
(x) = a
0
x
m
+ a
1
x
m1
+ ... + a
m1
x + a
m
, a
i
R. (1.36)
Die Interpolationsforderung ist das System von Bedingungen
p
m
(x
0
) = f(x
0
), p

m
(x
0
) = f

(x
0
), ..., p
(
0
1)
m
(x
0
) = f
(
0
1)
(x
0
),
p
m
(x
1
) = f(x
1
), p

m
(x
1
) = f

(x
1
), ..., p
(
1
1)
m
(x
1
) = f
(
1
1)
(x
1
),
. . .
p
m
(x
n
) = f(x
n
), p

m
(x
n
) = f

(x
n
), ..., p
(n1)
m
(x
n
) = f
(n1)
(x
n
).
(1.37)
Dabei sind
i
1 Vielfachheiten und
m = 1 +
n

i=0

i
, = 1 + max
i=0(1)n

i
.
Somit stimmt die Anzahl der unbekannten Koezienten im Ansatz (1.36) mit
der Anzahl der Bedingungen uberein.
Interpolationsaufgabe (IA2)
Gesucht sind die Koezienten a
0
, a
1
, ..., a
m
in (1.36), so dass die Interpolati-
onsforderung (1.37) erf ullt ist.
Mit der Vorgabe von Ableitungswerten werden diese als Steigungen im Schema der
dividierten Dierenzen ber ucksichtigt. Das f uhrt dann dort auf Initialisierungsanteile
und die entsprechenden St utzstellen m ussen dann mehrfach aufgelistet werden.
Deshalb ist die Denition der dividierten Dierenzen zu verallgemeinern.
32 Polynome, Interpolation, Splines und Dierentiation
Denition 1.5 Dividierte Dierenzen mit mehrfachen Argumenten
Sei f hinreichend oft stetig dierenzierbar auf I. Dann gilt
f[x
0
, ..., x
0
. .
k
0
mal
, x
1
, ..., x
1
. .
k
1
mal
, ..., x
n
, ..., x
n
. .
knmal
] =
= lim
x
(j)
i
x
i
f[x
0
, x
(1)
0
, ..., x
(k
0
1)
0
, x
1
, x
(1)
1
, ..., x
(k
1
1)
1
, ..., x
n
, x
(1)
n
, ..., x
(kn1)
n
],
(1.38)
wobei alle x
(j)
i
voneinander verschieden sind.
Satz 1.11 Sei f(x) k-mal stetig dierenzierbar (k 1) in einer Umgebung von x.
Dann gilt
f[x, x, ..., x
. .
(k+1)mal
] =
f
(k)
(x)
k!
.
Hermite-Interpolationspolynom
Die Ausgangsreferenz R der St utzstellen wird entsprechend dem Auftreten von
Ableitungswerten vergroert. Somit sind die hier benutzten Werte x
j
die ent-
sprechende Erweiterung verbunden mit einer Neunummerierung.
Das Polynom hochstens m-ten Grades
H
m
(x) = f(x
0
) +
m

j=1
f[x
j
, x
j1
, ..., x
0
](xx
0
)(xx
1
) ... (xx
j1
) (1.39)
heit Hermite-Interpolationspolynom.
H
m
(x) lost die Interpolationsaufgabe (IA2) eindeutig.
Der Interpolationsfehler (Restglied der Interpolation) lautet
R
m
(x) = f(x) H
m
(x) =
f
(m+1)
()
(m + 1)!
(x x
0
)(x x
1
) ... (x x
m
) (1.40)
mit int(x
0
, x
1
, ..., x
m
), vorausgesetzt f C
m+1
(I).
1.4.1 Bestimmung des Hermite-Interpolationspolynoms
Wir zeigen ein Beispiel. Gegeben sei die Ausgangsreferenz
x
0
f(x
0
), f

(x
0
), f

(x
0
)
x
1
f(x
1
), f

(x
1
)
1.4 Hermite-Interpolation 33
Die Vielfachheiten sind
0
= 3,
1
= 2, somit ist m = 4.
Damit ermitteln wir in mehreren Schritten H
4
(x).
Entsprechend den Vielfachheiten ist das Ausgangsschema der dividierten Dieren-
zen so zu erganzen, dass die Paare (x
i
, f
i
)
i
-mal aufzunehmen sind und dazu die
entsprechenden Steigungen
f[x
i
, x
i
] = f

(x
i
), f[x
i
, x
i
, x
i
] =
f

(x
i
)
2!
, ..., f[x
i
, ..., x
i
. .

i
mal
] =
f
(
i
1)
(x
i
)
(
i
1)!
. (1.41)
(1) Ausgangsschema der dividierten Dierenzen
Die Initialisierung heit
x
0
f
0
f[x
0
, x
0
]
x
0
f
0
f[x
0
, x
0
, x
0
]
f[x
0
, x
0
]
x
0
f
0
x
1
f
1
f[x
1
, x
1
]
x
1
f
1
mit den speziellen dividierten Dierenzen
f[x
0
, x
0
] =
f

(x
0
)
1!
, f[x
1
, x
1
] =
f

(x
1
)
1!
, f[x
0
, x
0
, x
0
] =
f

(x
0
)
2!
.
Die erweiterte St utzstellenfolge ist x
j
, j = 0, 1, ..., 4 (bei gleicher Bezeichnung der
Groen).
(2) Vervollstandigtes Schema der dividierten Dierenzen
x
0
f
0
f[x
0
, x
0
]
x
0
f
0
f[x
0
, x
0
, x
0
]
x
1
x
0
f[x
0
, x
0
] f[x
1
, x
0
, x
0
, x
0
]
x
1
x
0
x
1
x
0
x
0
f
0
f[x
1
, x
0
, x
0
] f[x
1
, x
1
, x
0
, x
0
, x
0
]
x
1
x
0
x
1
x
0
f[x
1
, x
0
] f[x
1
, x
1
, x
0
, x
0
]
x
1
x
0
x
1
f
1
f[x
1
, x
1
, x
0
]
f[x
1
, x
1
]
x
1
f
1
(3) Hermite-Interpolationspolynom
H
4
(x) = f
0
+ f[x
0
, x
0
](x x
0
) + f[x
0
, x
0
, x
0
](x x
0
)
2
+ f[x
1
, x
0
, x
0
, x
0
](x x
0
)
3
+ f[x
1
, x
1
, x
0
, x
0
, x
0
](x x
0
)
3
(x x
1
).
34 Polynome, Interpolation, Splines und Dierentiation
Beispiel 1.8 Gegeben sind
f(1) = 2, f

(1) = 6, f

(1) = 0,
f(0) = 1, f

(0) = 10.
Das Schema der dividierten Dierenzen hat die Form
1 2
6
1 2 0
1 6 5
1 1 1 2 5 1
1 1 1 6
1 0 1 11
10
0 1
Daraus liest man das Hermite-Interpolationspolynom
H
4
(x) = 2 + 6(x 1) + 0(x 1)
2
5(x 1)
3
+ 1(x 1)
3
x
= x
4
8x
3
+ 18x
2
10x + 1
ab.
Liegen an den St utzstellen x
i
, i = 0, 1, ..., n, genau die Funktionswerte y
i
und Ablei-
tungswerte y

i
vor, so konnen wir uns diese Knoten als typische doppelte Knoten vor-
stellen. In diesem Fall ist eine explizite Darstellung des Hermite-Interpolationspoly-
noms, ahnlich der Lagrange-Formel, moglich.
Satz 1.12 Sei die Referenz {(x
i
, y
i
, y

i
), i = 0, 1, ..., n} gegeben.
(1) Der Grad des Polynoms
p(x) =
n

i=0

2
i
(x)

3
i
(x
i
)
_
y
i

i
(x
i
) + (x x
i
)
_
y

i
(x
i
) 2y
i

i
(x
i
)
_
,
wobei

i
(x) =
n

j = 0
j = i
(x x
j
),
(1.42)
ist 2n + 1.
(2) Es gilt p(x
i
) = y
i
, p

(x
i
) = y

i
, und somit ist p(x) das eindeutig bestimmte
Interpolationspolynom zur Referenz.
Beweis. Rechenaufgabe.
1.4 Hermite-Interpolation 35
Bemerkung 1.2 Bei einer St utzstelle mit Funktionswert und Ableitungen bis zum
Grad n erhalt man das Interpolationspolynom
p(x) =
n

k=0
f
(k)
(x
0
)
k!
(x x
0
)
k
,
was nichts anderes als die Taylor-Reihe der Funktion ist.
Man spricht deshalb in diesem Fall auch von der Taylor-Interpolation.
1.4.2 Allgemeine Referenz
Das Aufstellen des Schemas der dividierten Dierenzen im Fall vorhandener Ablei-
tungswerte verlangt die entsprechende Wiederholung der St utzstellen. Oben wurde
dies demonstriert.
G unstiger ist es, eine allgemeine St utzstellenfolge zu konstruieren, die diese Wieder-
holungen enthalt. Die Bezeichnung x
i
f ur die St utzstellen behalten wir bei. Mit der
Neunummerierung bzw. Neuindizierung vergroert sich aber der maximale Index n.
Denition 1.6 Allgemeine Referenz f ur f(x)
Es ist die Darstellung der erweiterten Referenz in Form von Tripeln gema
R
H
= {(x
i
, d
i
,
i
(f)), i = 0, 1, ..., n, x
0
x
1
... x
n
},
mit d
i
= max(j : x
i
= x
ij
), i = 0, 1, ..., n, und der
Abbildung
i
: C
n
[a, b] R,
i
(f) = f
(d
i
)
(x
i
).
(1.43)
Beispiel 1.9 Die Konstruktion der Referenz R
H
zu den Groen
f(1) = 2, f

(1) = 6, f

(1) = 0 x
0
= x
1
= x
2
= 1,
f(0) = 1, f

(0) = 10 x
3
= x
4
= 0, n = 4,
ergibt die folgende

Ubersicht.
x
i
, i = 0, 1, 2, 3, 4 = n 1 1 1 0 0
d
i
0 1 2 0 1

i
(f) 2 6 0 1 10
f(x
0
) f

(x
1
) f

(x
2
) f(x
3
) f

(x
4
)
Die Interpolationsaufgabe besteht im Aunden eines Polynoms p(x) P
n
mit

i
(p) =
i
(f), i = 0, 1, ..., n.
Die bisher betrachteten Falle der Interpolation nden sich in dieser allgemeinen Ver-
sion wieder.
36 Polynome, Interpolation, Splines und Dierentiation
Spezialfalle
1. Lagrange- bzw. Newton-Interpolation mit x
0
< x
1
< ... < x
n
, d
i
= 0.
2. Taylor-Interpolation mit x
0
= x
1
= ... = x
n
, d
i
= i.
3. Hermite-Interpolation mit x
0
= x
1
< x
2
= x
3
< ... < x
n1
= x
n
, d
2k
=0, d
2k+1
=1.
4. Kubische Hermite-Interpolation mit x
0
= x
1
< x
2
= x
3
, n = 3.
-
6
x
0
= x
1
x
2
= x
3 x
f
0
f
2
f

0
f

2
Abb. 1.2 Kubische Hermite-Interpolation bei einem Intervall
Mit dem letzten Fall machen wir den

Ubergang zum nachsten Abschnitt.
1.4.3 Kubische Hermite-Basis
Wir legen die allgemeine Referenz R
H
im Fall n = 3, x
0
= x
1
< x
2
= x
3
, zu Grunde.
Mit der Auswahl von entsprechenden Funktions- und Ableitungswerten kann man
sogenannte Standardpolynome 3. Grades denieren.
Denition 1.7 Kubische Hermite-Polynome
H
(i)
3
(x) P
3
, i = 0, 1, 2, 3, [H
(i)
3
(x
k
)]

= [H
(i)
3
(x)]

|
x=x
k
, wobei
H
(0)
3
(x
0
) = 1, [H
(0)
3
(x
0
)]

= 0, H
(0)
3
(x
2
) = 0, [H
(0)
3
(x
2
)]

= 0,
H
(1)
3
(x
0
) = 0, [H
(1)
3
(x
0
)]

= 1, H
(1)
3
(x
2
) = 0, [H
(1)
3
(x
2
)]

= 0,
H
(2)
3
(x
0
) = 0, [H
(2)
3
(x
0
)]

= 0, H
(2)
3
(x
2
) = 1, [H
(2)
3
(x
2
)]

= 0,
H
(3)
3
(x
0
) = 0, [H
(3)
3
(x
0
)]

= 0, H
(3)
3
(x
2
) = 0, [H
(3)
3
(x
2
)]

= 1.
Beispiel 1.10 Die kubischen Hermite-Polynome auf dem Intervall [0,1] sind
x
0
= x
1
= 0, x
2
= x
3
= 1,
H
(0)
3
(x) = 2x
3
3x
2
+ 1, H
(2)
3
(x) = 2x
3
+ 3x
2
,
H
(1)
3
(x) = x
3
2x
2
+ x, H
(3)
3
(x) = x
3
x
2
,
wobei H
(0)
3
(x) + H
(2)
3
(x) = 1 und H
(1)
3
(x) + H
(3)
3
(x) = 2x(x
1
2
)(x 1) gelten.
1.4 Hermite-Interpolation 37
H33(x)
H32(x)
H31(x)
H30(x)
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Kubische Hermite-Basis H3i(x) auf [0,1]
Abb. 1.3 Die 4 kubischen Hermite-Basispolynome auf dem Intervall [0,1]
Beispiel 1.11 Wir notieren die kubischen Hermite-Polynome auf [a, b].
x
0
= x
1
= a, x
2
= x
3
= b,
H
(0)
3
(x) =
_
x b
b a
_
2
_
1 + 2
x a
b a
_
, H
(2)
3
(x) =
_
x a
b a
_
2
_
1 + 2
x b
a b
_
,
H
(1)
3
(x) =
1
(b a)
2
(x a)(x b)
2
, H
(3)
3
(x) =
1
(b a)
2
(x a)
2
(x b).
(1.44)
Die Polynome H
(i)
3
(x), i = 0, 1, 2, 3, sind linear unabhangig und bilden somit eine Ba-
sis im RaumP
3
, die sogenannte kubische Hermite-Basis. Damit gilt, dass jedes ku-
bische Polynom zur Referenz R
H
= {(a, 0, f(a)), (a, 1, f

(a)), (b, 0, f(b)), (b, 1, f

(b))}
die Darstellung
p(x) = f(a)H
(0)
3
(x) + f

(a)H
(1)
3
(x) + f(b)H
(2)
3
(x) + f

(b)H
(3)
3
(x). (1.45)
besitzt.
Die Basis {H
(i)
3
} wird bei der intervallweisen Hermite-Interpolation, also bei der
Splineinterpolation angewandt. Das Zusammensetzen von solchen Teilst ucken gestat-
tet die Konstruktion einer stetigen und dierenzierbaren Gesamtfunktion.
38 Polynome, Interpolation, Splines und Dierentiation
1.5 Fehler und Konvergenz
1.5.1 Fehlerfortpanzung in Schemata
Rechnungen mit den verschiedenen Horner-Schemata f ur Polynome, die Auswer-
tung von Interpolationsformeln oder die Polynomwertberechnung mit Schemata vom
Aitken-Typ sind vom numerischen Standpunkt aus schon problematisch. Das betrit
sowohl die Fehlerakkumulation bei fortlaufender Multiplikation und Addition, als
auch die Division durch kleine Zahlen. Es sei denn, man verwendet bessere Algorith-
men. Dazu gehoren zum Beispiel beim Interpolationsproblem die Splinetechnik.
Die Erkennung von zufalligen oder systematischen Fehlern im Schema oder Algorith-
mus ist nur bedingt moglich. Als Demonstration dient hier die Fehlerfortpanzung
in einem Dierenzenschema, die durch Vorzeichenwechsel oder Storungen im mono-
tonen Verhalten der Werte angezeigt wird.
x
0
0
0
x
1
0
3
x
2
2 6
3
x
3
0
0
x
4
0
Tab. 1.2 Schema der Dierenzen mit Ausbreitung eines lokalen Fehlers
1.5.2 Konvergenz der Interpolation
F ur die Grundtypen der Interpolation einer Funktion ist der Interpolationsfehler
R
n
(x) = f(x) p
n
(x) =
f
(n+1)
()
(n + 1)!
(x x
0
)(x x
1
) ... (x x
n
), (1.46)
wobei I = [a, b], vorausgesetzt f C
n+1
(I).
Man hot, dass mit wachsendem n bei hinreichend glatter Funktion das Interpolati-
onspolynom p
n
(x) immer genauer wird, d. h. die Bedingung
f p
n

= max
x
|f(x) p
n
(x)| 0
f ur n erf ullt ist.
Dabei sind nat urlich einige Aspekte zu ber ucksichtigen:
- Glattheit der zu interpolierenden Funktion und Beschranktheit ihrer Ableitungen,
- Endlichkeit des Intervalls [a, b] mit den St utzstellen x
i
,
- Verteilung der St utzstellen x
i
verbunden mit der Kondition der Interpolation.
1.5 Fehler und Konvergenz 39
Beispiel 1.12 Sei f(x) = |x|, x [1, 1], x
0
= 1, x
n
= 1, x
i
aquidistant.
Die Interpolationspolynome bei ausgewahlten Knotenanzahlen sind:
n = 2, p
2
(x) = x
2
,
n = 4, p
4
(x) =
4
3
x
4
+
7
3
x
2
,
n = 8, p
8
(x) =
1024
63
x
8
+
1408
45
x
6

172
9
x
4
+
533
105
x
2
,
n = 10, p
10
(x) =
390625
5184
x
10

1015625
6048
x
8
+
221875
1728
x
6

13375
324
x
4
+
1627
252
x
2
.
Weiter gilt |f(x) p
20
(x)| 100 f ur x nahe 1.
p4(x)
p8(x)
p2(x)
p10(x)
1.00
.50
1. 0 1.
1.
1. 0 1.
1.
1. 0 1.
1.00
.50
1. 0 1.
Abb. 1.4 f(x) = |x| und ausgewahlte Interpolationspolynome auf [1, 1]
Ein Grund f ur das wachsende oszillierende Verhalten der Interpolationspolynome ist,
dass die Funktion im Punkt Null keine Ableitung besitzt. Das ist aber nicht die
alleinige Ursache.
Man bemerke, dass in der Mitte des Intervalls eine gute Naherung vorliegt, wahrend
zu den Randern hin die Approximation immer schlechter wird. Diese Eigenschaft
wird Gibbsscher oder Rungescher Eekt bzw. Phanomen genannt.
Beispiel 1.13 Sei f(x) =
1
1 + 25x
2
, x [1, 1], x
0
= 1, x
n
= 1, x
i
aquidistant.
Trotz Glattheit der Funktion tritt auch hier bei aquidistanten St utzstellen der Gibbs-
sche Eekt auf. Also ist eine andere St utzstellenverteilung zu wahlen.
40 Polynome, Interpolation, Splines und Dierentiation
Beispiel 1.14
(1) Das Beispiel von Bernstein
Schon Anfang des 20. Jahrhunderts wurde die Frage der punktweisen und gleichmai-
gen Konvergenz von Interpolationspolynomen gegen die interpolierte Funktion f ur
den Fall, dass die Anzahl der St utzstellen anwachst, ausf uhrlich untersucht.
F ur die stetige Funktion f(x) = |x| konvergiert die Folge der aquidistanten Interpo-
lationspolynome auf [1, 1] in keinem Punkt auer den Randpunkten 1.
3
2
1
1
2
Abb. 1.5 Interpolation von f(x) = |x|, x [1, 1],
durch Polynome mit aquidistanten St utzstellen (3 Falle)
Maple-Anweisungen dazu
> restart:
> with(plots):
> ffejer:=x->abs(x); Intervall:=-1..1:
r:=3;
> a:=op(1,Intervall): b:=op(2,Intervall):
> for i from 1 to r do
> n:=8+2*i;
> x:=[seq(a+(b-a)/n*k,k=0..n)];
> y:=map(ffejer,x);
> pol.i:=unapply(interp(x,y,t),t);
> end do:
> plot([ffejer,seq(pol.i,i=1..r)],-1..1,thickness=[2,1$r],
xtickmarks=[a,b],color=black);
1.5 Fehler und Konvergenz 41
(2) Bernstein-Polynome
Im Jahre 1912 bewies Sergei Natanowitsch Bernstein, dass es zu jeder stetigen Funk-
tion f auf einem abgeschlossenen, beschrankten Intervall eine Folge von Polynomen
gibt, die gleichmaig gegen f konvergiert.
F ur das Intervall [0,1] lasst sich eine solche Folge explizit angeben.
Die Folge der Bernstein-Polynome {B
n
(x)}
nN
B
n
f(x) = B
n
(x) =
n

k=0
f
_
k
n
_ _
n
k
_
x
k
(1 x)
nk
hat f ur die stetige Funktion f die Eigenschaft
lim
n
f B
n

= lim
n
max
x[0,1]
|f(x) B
n
(x)| = 0.
Die Bernstein-Polynome interpolieren nicht in den St utzstellen
k
n
, k = 0, 1, ..., n,
sie approximieren die Funktion f nur. Wegen ihrer guten Formerhaltungseigenschaf-
ten (Invarianz unter anen Abbildungen) spielt diese polynomiale Approximation
stetiger Funktionen eine groe praktische Rolle. Naheliegend war daher die Frage-
stellung, ob auch die Folge der Interpolationspolynome zu aquidistanten St utzstellen
punktweise oder gar gleichmaig konvergiert. Mit dem Beispiel aus Abschnitt (1)
beanwortete Bernstein selbst diese Frage negativ.
(3) Das Beispiel von Runge
Von Carl D.T. Runge (1856-1927) stammt der Beweis, dass die Interpolationspolyno-
me p
n
zu n+1 aquidistant verteilten St utzstellen f ur die unendlich oft dierenzierbare
Funktion
f(x) =
1
1 + x
2
auf dem Intervall [5, 5] nur auf dem Teilst uck I = [3.63..., 3.63...] punktweise ge-
gen f konvergieren und auerhalb von I in jedem Punkt, auer den Randpunkten
5 und 5, divergieren.
Dieses Beispiel wird auch heute noch oft benutzt, um das mogliche ung unstige Ver-
halten von Interpolationspolynomen hohen Grades zu demonstrieren.
42 Polynome, Interpolation, Splines und Dierentiation
3
2
1
1
2
Abb. 1.6 Beispiel von Runge mit f(x) = 1/(1 + x
2
), x [5, 5],
mit n = 10 bzw. 12 Interpolationsst utzstellen
Maple-Anweisungen dazu
> restart:
> with(plots):
> r:=3:
> frunge:=x->1/(1+x^2);
> for i from 2 to r do
> n:=6+2*i;
> x:=[seq(-5+10/n*k,k=0..n)];
> y:=map(frunge,x);
> pol.i:=unapply(interp(x,y,t),t);
> end do:
> plot([frunge,pol.2,pol.3],-5..5,thickness=[2,1,1],
xtickmarks=[-5,5],color=black);
Tatsachlich wurde schon 1914 von Bernstein und Faber bewiesen, dass es zu jeder
St utzstellenfolge eine stetige Funktion gibt, f ur welche die Folge der Interpolations-
polynome nicht punktweise konvergiert.
1.5 Fehler und Konvergenz 43
1.5.3 Konvergenzsatze
Entscheidend bei der Abschatzung des Interpolationsfehlers und damit bei der Un-
tersuchung der Konvergenz sind die Beschranktheit der Ableitungen der zu interpo-
lierenden Funktion sowie die Wahl der St utzstellen.
Satz 1.13 Konvergenz
Ist die Funktion f aus C

(I), I = [a, b], und gen ugen ihre samtlichen Ableitungen der
Bedingung |f
(n)
(x)| M, x I, n = 1, 2, ..., so gilt f ur die Interpolationspolynome
p
n
(x) mit zugehoriger Referenz
x I lim
n
|f(x) p
n
(x)| = 0. (1.47)
Beweis. Man betrachtet den Interpolationsfehler R
n
(x) mit |x x
i
| b a und
ber ucksichtigt, dass lim
n
(b a)
n+1
/(n + 1)! = 0 ist.
Bemerkung 1.3 (1) Die obige Konvergenz ist auch gleichmaig in der Norm.
(2) Die Funktionen sin(x), cos(x), e
x
, ... haben auf [a, b] gleichmaig beschrankte
Ableitungen beliebig hoher Ordnung, so dass der Satz 1.13 angewendet werden kann.
(3) f C

[a, b] ist oft nicht erf ullt.


(4) f C

kann ersetzt werden durch die Voraussetzung, dass f eine ganze Funktion
ist, d. h., sie ist darstellbar f ur jedes x als konvergente Potenzreihe
f(x) =

k=0
a
k
(x x
0
)
k
.
(5) Der Weierstrasche Approximationssatz [15] gilt f ur eine stetige Funktion.
Warum werden hier solche scharfen Bedingungen an die Glattheit gestellt?
Die ung unstige Variante, die an zwei Beispielen schon demonstriert wurde, beschreibt
folgender Satz.
Satz 1.14 G. Faber
Zu jeder St utzstellenfolge {R
n
} lasst sich eine auf [a, b] stetige Funktion f angeben,
f ur die das Folgende nicht gilt.
max
x[a,b]
|f(x) p
n
(x)| 0 f ur n
[G. Faber:

Uber die interpolatorische Darstellung stetiger Funktionen. Jahresbericht D. Math. Vereinigung 23, 1914]
Beispiel 1.15 Sei [a, b] = [1, 1] und
R
n
= {x
i
}
n
i=0
= {1, 1 +
2
n
, 1 +
4
n
, ..., 1
2
n
, 1}, x
i
aquidistant.
F ur diese Referenzen R
n
ist f(x) = |x| eine solche stetige Funktion im Satz 1.14.
44 Polynome, Interpolation, Splines und Dierentiation
Mehr noch, nach S.N. Bernstein gilt sogar die Aussage:
F ur kein x (1, 1)\{0} ist | |x| p
n
(x)| 0 f ur n .
Nun gibt es aber auch eine g unstige Situation f ur stetige Funktionen.
Aus dem Weierstraschen Approximationssatz und dem Satz von Tschebysche uber
Alternanten (Punktfolge mit einem Polynom, das sich um die Funktion legt) folgt
eine positive Antwort.
Satz 1.15 J. Marcinkiewicz, J.M. Jankowscy
Zu jeder stetigen Funktion f auf [a, b] gibt es mindestens eine Folge von St utzstellen
{R
n
}, so dass die zugehorigen Interpolationspolynome p
n
f ur n gleichmaig
gegen f streben.
Das Problem ist somit die Angabe solcher Folgen, zumal f ur andere St utzstellenfolgen
genau das Gegenteil eintreten kann.
Satz 1.16 Ist f C
1
[1, 1], so konvergiert die Folge der Interpolationspolynome p
n
mit der Tschebysche-Referenz, das sind die St utzstellen
x
i
= cos
_
2i + 1
2n + 2

_
(1, 1), i = 0, 1, ..., n, (1.48)
und zugehorigen St utzwerte f ur n gleichmaig gegen f auf [1, 1].
Bemerkung 1.4 (1) Im Produktpolynom

n+1
(x) =
n
(x) =
n

i=0
(x x
i
),
das in den Randbereichen des Intervalls zu starker Oszillation neigt, ist dort somit
eine Verdichtung der St utzstellen vorzunehmen. Das gelingt mit der Tschebysche-
Referenz.
(2) F ur das Intervall [a, b] sind die St utzstellen nach Transformation
x
i
=
a + b
2

b a
2
cos
_
2i + 1
2n + 2

_
.
(3) Die Tschebysche-St utzstellen cos((2i +1)/(2n +2)), i = 0, 1, ..., n, sind die
Nullstellen des Tschebysche-Polynoms T
n+1
(x).
(4) Die Tschebysche-St utzstellenfolge {x
i
} auf [a, b] erf ullt f ur das Produktpolynom
die Bedingung
max
x[a,b]
|
n+1
(x)| min .
Man nennt diese auch Minimax-Eigenschaft der Tschebysche-Polynome.
1.5 Fehler und Konvergenz 45
1.5.4 Bemerkungen zur Wahl der Tschebysche-Referenz
Eine ausf uhrliche Beschreibung der Tschebysche-Polynome T
n
(x) und ihrer Eigen-
schaften ndet man in [28].
Hier betrachten wir speziell die genannte Minimax-Eigenschaft. Wir verwenden dazu
die folgenden Informationen uber die Polynome T
n
(x).
T
n
(x) = cos(narccos(x)), x [1, 1], n = 0, 1, ...,
|T
n
(x)| 1, T
n

= 1,
T
0
(x) = 1,
T
1
(x) = x,
T
n
(x) = 2xT
n1
(x) T
n2
(x), n = 2, 3, ... (Rekursion),
T
n
(x) = 2
n1
x
n
a
2
x
n2
+ ... = 2
n1
(x x
0
)(x x
1
) ... (x x
n1
),
Hauptkoezient a
0
von T
n
(x) bei x
n
ist 2
n1
.
T
n
(x) hat die Nullstellen x
i
= cos
_
2i + 1
2n

_
(1, 1), i = 0, 1, ..., n 1.
T
n
(x) hat die Extremalstellen x
i
= cos
_
i
n

_
[1, 1], i = 0, 1, ..., n,
T
n
( x
i
) = (1)
ni
= 1, i = 0, 1, ..., n.
Das modizierte Polynom

T
n
(x) = 2
n+1
T
n
(x) hat den Hauptkoezient Eins und
gen ugt der Beziehung 2
n+1
T
n

= 2
n+1
.

T
n
(x) besitzt die Form eines Knotenpunktpolynoms. Aber im Vergleich dazu hat im
Interpolationsfehler R
n1
(x) das dort auftretende Knotenpunktpolynom
n
(x) =
(xx
0
)(xx
1
) ... (xx
n1
) mit dem Hauptkoezienten Eins an irgendeiner
Zwischenstelle einen Wert vom Betrag 1/2
n1
, was im nachfolgenden Satz gezeigt
wird.
Satz 1.17 Jedes Polynom p
n
P
n
mit f uhrendem Koezient a
0
= 0 nimmt in
[1, 1] einen Wert vom Betrag |a
0
|/2
n1
an.
Insbesondere sind die Tschebysche-Polynome T
n
(x) unter allen Polynomen in P
n
mit f uhrendem Koezienten 2
n1
minimal bez uglich der Maximumnorm der Funktion
f

= max
x[1,1]
|f(x)|.
Beweis. (indirekt)
(1) Sei p
n
P
n
eine anderes Polynom mit dem f uhrenden Koezienten a
0
= 2
n1
und angenommen, dass p
n

< 1 ist.
Wir untersuchen das Polynom T
n
(x) p
n
(x) P
n1
.
46 Polynome, Interpolation, Splines und Dierentiation
An den n+1 Extremalstellen x
i
= cos(i/n), i = 0, 1, ..., n, gilt bei Unterscheidung
von geradem und ungeradem Index das Folgende.
T
n
( x
2k
) = 1, p
n
( x
2k
) < 1, T
n
( x
2k
) p
n
( x
2k
) > 0,
T
n
( x
2k+1
) = 1, p
n
( x
2k+1
) > 1, T
n
( x
2k+1
) p
n
( x
2k+1
) < 0.
Damit hat T
n
(x) p
n
(x) an n+1 Stellen alternierendes Vorzeichen, somit n verschie-
dene Nullstellen in [1, 1]. Das ist aber ein Widerspruch dazu, dass das Polynom
T
n
(x) p
n
(x) P
n1
verschieden von Null ist.
(2) Betrachten wir nun ein beliebiges Polynom p
n
P
n
.
Dann deniert man das neue Polynom p
n
=
2
n1
a
0
p
n
P
n
mit dem f uhrenden Koe-
zienten 2
n1
und gelangt so zum Teil (1) des Beweises.
Folgerung 1.18 Das Knotenpunktpolynom
n+1
(x) = (xx
0
)(xx
1
) ... (xx
n
)
wird minimal im Sinne von max
x[1,1]
|
n+1
(x)| min mit den n + 1 Nullstellen
x
i
= cos((2i + 1)/(2n + 2)), i = 0, 1, ..., n, des Tschebysche-Polynoms T
n+1
(x).
Beispiel 1.16 Darstellung der Knotenpunktpolynome

n+1
(x) = (x x
0
)(x x
1
) ... (x x
n
) f ur 2 Arten von St utzstellen
omega_(5)(x), xi(0..4) omega_(9)(x), xi(0..8) aequid.
.10e1
0
-.10e1
1. 0 1.
.100
.50e1
0
-.50e1
-.10
1. 0 1.
Abb. 1.7

Aquidistante St. x
i
= 1 + 2
i
n
[1, 1], i = 0, 1, ..., n, n = 4, 8
.30e2
.20e2
.10e2
0
-.10e2
-.20e2
-.30e2
1. 0 1.
.60e1
.40e1
.20e1
0
-.20e1
-.40e1
-.60e1
1. 0 1.
omega_(9)(x), xi(0..8) Tscheb. omega_(5)(x), xi(0..4)
Abb. 1.8 Tschebysche-St. x
i
= cos(
2i+1
2n+2
) (1, 1), i = 0, 1, ..., n, n = 4, 8
1.6 Trigonometrische Interpolation 47
1.6 Trigonometrische Interpolation
1.6.1

Ubersicht und Merkmale
(1) Die Anwendung der trigonometrischen Interpolation erfolgt auf periodische Funk-
tionen f(x) mit der Periode T > 0, speziell T = 2.
-
6
0
x
j
2 3 4
x
1
Abb. 1.9 Stetige 2-periodische Funktion
Bei unstetigen Funktionen wie der Signalfunktion wird an den Sprungstellen als Funk-
tionswert das arithmetische Mittel zwischen linken und rechten Grenzwert genom-
men.
-
6
0
x
j
2 3 4
x
1
-1
Abb. 1.10 2-periodische Funktion mit Unstetigkeitsstellen
(2) Die Referenz basiert auf dem Periodizitatsintervall [0, 2] und den N aquidistan-
ten St utzstellen
x
j
=
2j
N
, j = 0, 1, ..., N 1, N =
_

_
ungerade = 2n + 1,
gerade = 2n,
2
p
, p = 1, 2, ... .
(1.49)
(3) Die Betrachtung der Interpolationspolynome wird im Komplexen und Reellen
durchgef uhrt. Dabei verwendet man die folgenden Ansatze.
C :
N
(x) =
N1

j=0
c
j
e
jx
,
R :
N
(x) =
a
0
2
+
N/21

j=1
[a
j
cos(jx) + b
j
sin(jx)] +
a
N/2
2
cos(N/2 x),
(1.50)
wobei meistens N = 2
p
gesetzt wird und =

1 die imaginare Einheit ist.


48 Polynome, Interpolation, Splines und Dierentiation
(4) Dazu braucht man die N-ten Einheitswurzeln
j
mit einigen ihrer Eigenschaften.

j
= e
2j/N
,
0
j
=
N
j
= 1,
k
j
=
j
k
,

l
j
=
l mod N
j
,
N1

j=0

k
j

l
j
= N
kl
,
N1

j=0

k
j
=
_
N f ur k = 0,
0 f ur k = 1, 2, ..., N 1.
Die Funktionen

k
(x) = e
kx
bilden ein ONS mit dem komplexen Skalarprodukt (f, g) =
1
N
N1

j=0
f(x
j
)g(x
j
),
N = 3 N = 4
-0.5
0 1

0 1

3
Abb. 1.11 Komplexe Wurzeln
j
auf dem Einheitskreis
(5) Eine eziente Berechnung der Terme cos(jx) und sin(jx) erfolgt unter Verwen-
dung der Additionstheoreme ausgehend von den Werten cos(x) und sin(x).
cos(2x) = cos(x) cos(x) sin(x) sin(x) = cos
2
(x) sin
2
(x) = 2 cos
2
(x) 1,
sin(2x) = sin(x) cos(x) + cos(x) sin(x) = 2 sin(x) cos(x),
cos(3x) = cos(2x + x) = 4 cos
3
(x) 3 cos(x),
sin(3x) = sin(2x + x) = 3 sin(x) 4 sin
3
(x),
cos(4x) = cos(3x + x) = 8 cos
4
(x) 8 cos
2
(x) + 1,
sin(4x) = sin(3x + x) = 4 cos(x) sin(x)(1 2 sin(x)).
1.6 Trigonometrische Interpolation 49
(6) Bei der Berechnung der Polynomkoezienten benutzt man die Idee der Faltung.
C : c
j
=
1
N
N1

k=0
f
k

j
k
, j = 0, 1, ..., N 1, f
k
= f(x
k
),
R : a
j
= c
j
+ c
Nj
, a
0
= 2c
0
,
b
j
= (c
j
c
Nj
),

j
k
= e
2jk/N
= cos
_
2jk
N
_
sin
_
2jk
N
_
.
(1.51)
(7) F ur einen Fall wollen wir die Darstellung detaillierter machen.
N = 8,
j
k
= cos
_
jk
4
_
sin
_
jk
4
_
, k = 0, 1, ..., 7.
Wir berechnen die Groe c
1
mit
1
k
, k = 0, 1, ..., 7, analog geschieht es f ur die
anderen c
j
.

1
0
= 1,

1
1
= cos
_

4
_
sin
_

4
_
, ...

1
7
= cos
_
7
4
_
sin
_
7
4
_
.
Faltung bedeutet das paarweise Zusammenfassen von Summanden mit gleichen Wer-
ten der trigonometrischen Funktionen.
k = Faltung
1, 7 cos(

4
) cos(
7
4
) f
1
cos(

4
) + f
7
cos(
7
4
) = (f
1
+ f
7
) cos(

4
)
2, 6 cos(
2
4
) cos(
6
4
) f
2
cos(
2
4
) + f
6
cos(
6
4
) = (f
2
+ f
6
) cos(
2
4
)
3, 5 cos(
3
4
) cos(
5
4
) f
3
cos(
3
4
) + f
5
cos(
5
4
) = (f
3
+ f
5
) cos(
3
4
)
4 cos(

4
) f
4
cos(
4
4
)
=
1, 7 sin(

4
) sin(
7
4
) f
1
sin(

4
) + f
7
sin(
7
4
) = (f
1
f
7
) sin(

4
)
2, 6 sin(
2
4
) sin(
6
4
) f
2
sin(
2
4
) + f
6
sin(
6
4
) = (f
2
f
6
) sin(
2
4
)
3, 5 sin(
3
4
) sin(
5
4
) f
3
sin(
3
4
) + f
5
sin(
5
4
) = (f
3
f
5
) sin(
3
4
)
4 sin(

4
) f
4
sin(
4
4
)
Tab. 1.3 Algorithmus zur 1. Faltung f ur c
1
Nat urlich ist die Faltung der cos- und sin-Glieder auch im Reellen moglich.
Ist N eine Zweierpotenz, so wird eine Folge von Faltungen realisiert.
50 Polynome, Interpolation, Splines und Dierentiation
1.6.2 Komplexe und reelle trigonometrische Interpolation
Wir betrachten periodische Funktionen sowie Referenzen mit St utzstellen in [0, T]
mit der Periode T = 2.
Die St utzstellen seien aquidistant und x
j
= 2j/N [0, 2), j = 0, 1, ..., N 1.
Denition 1.8 Sei T
N
C
der N-dimensionale Raum der komplexen trigonometrischen
Polynome

N
(x) =
N1

j=0
c
j
e
jx
, c
j
C, =

1. (1.52)
T
N
R
sei der Raum der reellen trigonometrischen Polynome.
F ur N = 2n + 1 ist

2n+1
(x) =
a
0
2
+
n

j=1
[a
j
cos(jx) + b
j
sin(jx)], a
j
, b
j
R, (1.53)
f ur N = 2n ist

2n
(x) =
a
0
2
+
n1

j=1
[a
j
cos(jx) + b
j
sin(jx)] +
a
n
2
cos(nx). (1.54)
Die Basisfunktionen sind
{e
jx
} bzw. {1, cos(jx), sin(jx)}
und linear unabhangig.
Satz 1.19 Existenz und Eindeutigkeit
Zur Referenz, d. h. zu den N St utzpunkten (x
k
, f
k
), k = 0, 1, ..., N1, existiert genau
ein interpolierendes trigonometrisches Polynom
N
(x) T
N
C
bzw.
N
(x) T
N
R
.
Komplexe Interpolation
Wir fassen die bei der Interpolation auftretenden Aspekte in mehreren Anstrichen
zusammen.
Interpolationsforderung (Interpolationsbedingung)

N
(x
k
) = f
k
, k = 0, 1, ..., N 1. (1.55)
Interpolationsaufgabe (IA3)
Gesucht sind die Koezienten c
0
, c
1
, ..., c
N1
in (1.52), so dass die Interpolati-
onsforderung (1.55) erf ullt ist.
1.6 Trigonometrische Interpolation 51
Die Losung erfolgt durch ein lineares Gleichungssystem der Form A
1
N
c = f mit
der elementweisen Notation
_
_
_
_
_
_
_
_
_
_
_
1
0

2
0

N2
0

N1
0
1
1

2
1

N2
1

N1
1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
N2

2
N2

N2
N2

N1
N2
1
N1

2
N1

N2
N1

N1
N1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
c
0
c
1
...
c
N2
c
N1
_
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
_
f
0
f
1
...
f
N2
f
N1
_
_
_
_
_
_
_
_
_
_
_
. (1.56)
Seine Koezientenmatrix A
1
N
f uhrt auf die regulare Vandermondesche Matrix.
Losungsstrategien f ur das LGS sind
- die Anwendung spezieller Formeln f ur die Unbekannten c
j
oder
- die

Uberf uhrung auf den reellen Fall.
Reelle Interpolation
F ur die Durchf uhrung der Interpolation im Reellen braucht man die Formeln zur
Umrechnung zwischen den reellen und komplexen Koezienten.
Lemma 1.20 Ist das komplexe trigonometrische Polynom
N
(x) =
N1

j=0
c
j
e
jx
reell
in den St utzstellen, so ist
N
(x) T
N
R
mit den Koezienten
a
j
= 2(c
j
) = c
j
+ c
Nj
, a
0
= 2c
0
,
b
j
= 2(c
j
) = (c
j
c
Nj
).
(1.57)
Beweis.
Wegen
e
2(Nj)/N
= e
2j/N
= e
2j/N
und
N
(x
k
) =
N
(x
k
) R
gilt
N1

j=0
c
j
e
jx
k
=
N1

j=0
c
j
e
jx
k
jNj
=
N

j=1
c
Nj
e
jx
k
.
Aus der Eindeutigkeit des Interpolationspolynoms folgen
c
j
= c
Nj
, j = 1, 2, ..., N 1, und c
0
= c
0
.
Somit ist c
0
reell.
52 Polynome, Interpolation, Splines und Dierentiation
F ur die Koezienten a
j
, b
j
macht man eine Fallunterscheidung.
(1) N ungerade, N = 2n + 1

N
(x
k
) = c
0
+
2n

j=1
c
j
e
jx
k
= c
0
+
n

j=1
_
c
j
e
jx
k
+ c
Nj
e
(Nj)x
k
_
= c
0
+
n

j=1
_
c
j
e
jx
k
+ c
j
e
jx
k
_
= c
0
+
n

j=1
_
c
j
e
jx
k
+ c
j
e
jx
k
_
, z + z = 2(z)
= c
0
+
n

j=1
2(c
j
e
jx
k
)
= c
0
+
n

j=1
2(((c
j
) + (c
j
))(cos(jx
k
) + sin(jx
k
)))
= c
0
+
n

j=1
2[(c
j
) cos(jx
k
) (c
j
) sin(jx
k
)].
(2) N gerade, N = 2n
Wegen c
j
= c
Nj
folgt insbesondere c
N/2
= c
n
= c
n
und somit ist c
n
reell.
Weiter gilt

N
(x
k
) = c
0
+
2n1

j=1
c
j
e
jx
k
= c
0
+
n1

j=1
_
c
j
e
jx
k
+ c
Nj
e
(Nj)x
k
_
+ c
n
e
nx
k
= c
0
+
n1

j=1
_
c
j
e
jx
k
+ c
j
e
jx
k
_
+ c
n
(cos(nx
k
) + sin(nx
k
)),
sin(nx
k
) = 0
= c
0
+
n1

j=1
_
c
j
e
jx
k
+ c
j
e
jx
k
_
+ c
n
cos(nx
k
)
= c
0
+
n1

j=1
2(c
j
e
jx
k
) + c
n
cos(nx
k
)
= c
0
+
n1

j=1
2[(c
j
) cos(jx
k
) (c
j
) sin(jx
k
)] + c
n
cos(nx
k
).

1.6 Trigonometrische Interpolation 53


Lemma 1.21 Orthonormalitat der Basisfunktionen
k
(x) = e
kx
F ur die N-ten Einheitswurzeln
j
= e
x
j
= e
2j/N
gilt
N1

j=0

k
j

l
j
= N
kl
. (1.58)
Insbesondere sind die
k
(x) bez uglich des (komplexen) Skalarprodukts
(f, g) =
1
N
N1

j=0
f(x
j
)g(x
j
) orthonormal, d. h. (
k
,
l
) =
kl
.
Beweis.
(1) Wegen
k
j

l
j
=
kl
j
,
k
j
=
j
k
,
0
j
=
N
j
= 1 ist nur zu zeigen, dass
N1

j=0

j
k
= N
0k
.
Es gilt 0 =
N
k
1 = (
k
1)(
N1
k
+
N2
k
+ ... + 1).
Eine Fallunterscheidung ergibt
(a) k = 0:
k
= 1
N1

j=0

j
k
= 0 = N
0k
,
(b) k = 0:
N1

j=0

j
0
=
N1

j=0
1 = N = N
00
.
(2) Zum Skalarprodukt folgt schlielich
(
k
,
l
) = (e
kx
, e
lx
) =
1
N
N1

j=0
e
kx
j
e
lx
j
=
1
N
N1

j=0

k
j

l
j
=
kl
.

Satz 1.22 Bestimmung der Koezienten c


j
Die Koezienten c
j
zur Referenz (x
k
, f
k
), k = 0, 1, ..., N 1, mit aquidistanten
St utzstellen x
k
gema (1.49) sind gegeben durch
c
j
=
1
N
N1

k=0
f
k

j
k
, j = 0, 1, ..., N 1. (1.59)
Beweis.
Wegen der Eindeutigkeit der Darstellung des Interpolationspolynoms gen ugt es zu
zeigen, dass die Funktion
N
(x) genau mit diesen c
j
die Interpolationsbedingung
(1.55) erf ullt.
54 Polynome, Interpolation, Splines und Dierentiation
Man erhalt f ur l = 0, 1, ..., N 1

N
(x
l
) =
N1

j=0
c
j
e
jx
l
, x
l
= 2l/N
=
N1

j=0
_
1
N
N1

k=0
f
k

j
k
_

l
j
,
j
k
=
k
j
=
1
N
N1

k=0
_
f
k
N1

j=0

k
j

l
j
_
=
1
N
N1

k=0
(f
k
N
kl
)
= f
l
.

Nunmehr ist es nicht schwer, auch die Umrechnung der komplexen Koezienten c
j
auf den reellen Fall gema (1.57) vorzunehmen.
Wir hatten zuvor die Koezienten c
j
als Losung des LGS (1.56) notiert.
Es zeigt sich, dass seine Koezientenmatrix einfach zu invertieren ist, denn die Be-
rechnungsvorschrift f ur die c
j
enthalt explizit die Elemente der inversen Matrix, also
c = A
N
f
mit
A
N
=
1
N
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1 1 1 1 1

1
0

1
1

1
2

1
N2

1
N1

2
0

2
1

2
2

2
N2

2
N1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

(N2)
0

(N2)
1

(N2)
2

(N2)
N2

(N2)
N1

(N1)
0

(N1)
1

(N1)
2

(N1)
N2

(N1)
N1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
. (1.60)
1.6 Trigonometrische Interpolation 55
1.6.3 Diskrete Fourier-Transformation
Die Formel f ur die Koezienten
c
j
=
1
N
N1

k=0
f
k

j
k
, j = 0, 1, ..., N 1,
des trigonometrischen Interpolationspolynoms schreiben wir wiederum in Matrix-
form. Seien c = (c
0
, c
1
, ..., c
N1
)
T
und f = (f
0
, f
1
, ..., f
N1
)
T
. Dann haben wir
c = A
N
f, (A
N
)
jk
=
1
N

j
k
. (1.61)
Die ausf uhrliche Notation der Matrizen erfolgt mittels der Beziehung
I(N, N) = A
N
A
1
N
= A
1
N
A
N
=
_
_
_
_
_
_
_
_
1 1 1 1
1
1

2
1

N1
1
. . . . . . . . . . . . . . . . . . . . . . . . . . .
1
N2

2
N2

N1
N2
1
N1

2
N1

N1
N1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1
N
1
N
1
N

1
N
1
N
1
N

1
1
1
N

1
2

1
N

1
N1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
N
1
N

(N2)
1
1
N

(N2)
2

1
N

(N2)
N1
1
N
1
N

(N1)
1
1
N

(N1)
2

1
N

(N1)
N1
_
_
_
_
_
_
_
_
(
k
0
=
0
j
= 1).
Die Koezienten c
j
nennt man auch Fourier-Koezienten.
Denition 1.9 Diskrete Fourier-Transformation
Die Abbildung F
N
: C
N
C
N
, (f
j
) (c
j
), mit c
j
=
1
N
N1

k=0
f
k
e
2jk/N
heit diskrete Fourier-Transformation (DFT).
Die Umkehrabbildung F
1
N
mit f
j
=
N1

k=0
c
k
e
2jk/N
ist die inverse DFT.
Bemerkung 1.5 Der Aufwand der DFT betragt bei einer naiven Auswertung der
Ausdr ucke O(N
2
) komplexe Multiplikationen.
Ein schnellere Variante mit geschickten Faltungen und Buttery-Algorithmus ist
die schnelle Fourier-Transformation (Fast FT, FFT), welche die Komplexitat von
O(N log
2
(N)) erreicht (siehe [24]).
Beispiel 1.17 Durchf uhrung der DFT f ur die Signalfunktion
Funktion und Parameter in der Aufgabe sind f(x) = sign(sin(x)), x [0, T],
T = 2, N = 2n = 8, x
k
=
2k
8
, k = 0, 1, ..., 7(, 8).
56 Polynome, Interpolation, Splines und Dierentiation
Die Referenz ist
x
k
0

4
2
4
3
4

5
4
6
4
7
4
2
f
k
0 1 1 1 0 1 1 1 0
1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
1
8 6 4 2 2 4 6 8
x
f(x)=sign(sin(x))
Abb. 1.12 Funktionen sin(x) und f(x) = sign(sin(x))
Die Einheitswurzeln

j
= e
2j/N
= e
j/4
= cos(j/4) + sin(j/4), j = 0, 1, ..., N 1 = 7,
sowie {cos(j/4), sin(j/4)} sind die Ausgangswerte f ur die Berechnung aller weite-
ren Winkelfunktionen. Damit ermittelt man
c
j
=
1
N
N1

k=0
f
k

j
k
, j = 0, 1, ..., N 1 = 7.
Da f reell ist, gilt c
Nj
= c
j
. Somit sind nur die Koezienten c
0
, c
1
, c
2
, c
3
, c
4
zu
berechnen.
Wegen der Besonderheit der Funktionswerte f
k
haben wir folgende Vereinfachungen.
c
j
=
1
N
N1

k=0
f
k

j
k
=
1
8
[
j
1
+
j
2
+
j
3
(
j
5
+
j
6
+
j
7
)],

j
k
= e
2jk/8
= e
jk/4
= cos(jk/4) sin(jk/4).
Die {cos, sin}-Werte wiederholen sich bei aufeinander folgenden k ( Faltungen).
c
0
=
1
N
N1

k=0
f
k
= 0,
c
1
=
1
N
N1

k=0
f
k

1
k
=
1
8
[
1
1
+
1
2
+
1
3
(
1
5
+
1
6
+
1
7
)],
1.6 Trigonometrische Interpolation 57
die cos-Glieder heben sich dabei weg.
c
1
=

8
_

2
2
+ 1 +

2
2

_

2
2
1

2
2
__
=
1 +

2
4
,
c
7
= c
1
=
1 +

2
4
,
c
2
=
1
8
[
2
1
+
2
2
+
2
3
(
2
5
+
2
6
+
2
7
)] = 0,

2
k
= cos
_
k
2
_
sin
_
k
2
_
,
cos / sin Glieder sind Null oder heben sich weg,
c
6
= c
2
= 0,
c
3
=
1
8
[
3
1
+
3
2
+
3
3
(
3
5
+
3
6
+
3
7
)] =
1 +

2
4
,

3
k
= cos
_
3k
4
_
sin
_
3k
4
_
, cos Glieder heben sich weg,
c
5
= c
3
=
1 +

2
4
,
c
4
= 0.
Wir fassen die Ergebnisse zusammen.
- Die cos-Glieder entfallen, da die Funktion f(x) ungerade ist.
- Von den sin-Gliedern bleiben nur die mit ungeradem Index.
Die DFT ergibt das Polynom

N
(x) =
N1

j=0
c
j
e
jx
,

8
(x) =
1 +

2
4
e
x

1 +

2
4
e
3x
+
1 +

2
4
e
5x
+
1 +

2
4
e
7x
.
Die Umrechnung auf den reellen Fall f uhrt zu
a
j
= 2(c
j
) = 0, a
0
= 2c
0
= 0,
b
j
= 2(c
j
),
b
1
=
1 +

2
2
, b
2
= 0,
b
3
=
1 +

2
2
, b
4
= 0,
58 Polynome, Interpolation, Splines und Dierentiation
und das reelle Interpolationspolynom ist

2n
(x) =
a
0
2
+
n1

j=1
[a
j
cos(jx) + b
j
sin(jx)] +
a
n
2
cos(nx),

8
(x) =
1 +

2
2
sin(x) +
1 +

2
2
sin(3x).
1.4
1.2
1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
1
1.2
1.4
8 6 4 2 2 4 6 8
x
f(x)=sign(sin(x)), Phi8(x)=(1+sqrt(2))/2*sin(x)+(1+sqrt(2))/2*sin(3*x)
Abb. 1.13 Signalfunktion mit Referenz und Losung der DFT
An dieser Stelle sei ein Vorgri auf die stetige Approximation im quadratischen Mittel
der Signalfunktion mit trigonometrischen Polynomen im Sinne eine moglichst guten

Ubereinstimmung der Flachen unter den Kurven gestattet.


Dabei wird keine Referenz vorgegeben und die exakten Fourier-Koezienten berech-
nen sich aus Integralen, die aber eventuell numerisch auszuwerten sind. Man beachte
auch, dass der Begri des Fourier-Koezienten sowohl im Zusammenhang mit der
trigonometrischen Interpolation (DFT) als auch mit der Approximation im Mittel
verwendet wird.
Das bei der Approximation entstehende reelle Fourier-Polynom n-ten Grades ist
p
n
(x) =
4

_
sin(x) +
1
3
sin(3x) +
1
5
sin(5x) + ... +
1
2n + 1
sin((2n + 1)x)
_
.
Ein Vergleich der ersten Koezienten von p
n
(x) und
8
(x) ergibt das Folgende.
Koezient bei sin(x): 1.273 239 =
4


1 +

2
2
= 1.207 107,
Koezient bei sin(3x): 0.424 413 =
4
3

1 +

2
2
= 0.207 107,
Koezient bei sin(5x): 0.254 648 =
4
5
.
1.6 Trigonometrische Interpolation 59
Nimmt man entsprechend mehr St utzstellen, so liegt die Losung
N
(x) immer naher
bei p
n
(x), was f ur N = 16, 32, 64, 128 zumindest bei den ersten drei Koezienten gut
zu erkennen ist. Die genannten Losungen der DFT sind

16
(x) = 1.256835 sin(x) + 0.374151 sin(3x) + 0.167045 sin(5x) + 0.049728 sin(7x),

32
(x) = 1.269146 sin(x) + 0.412070 sin(3x) + 0.233859 sin(5x) + ... + b
15
sin(15x),

64
(x) = 1.272217 sin(x) + 0.421341 sin(3x) + 0.249514 sin(5x) + ... + b
31
sin(31x),

128
(x) = 1.272984 sin(x) + 0.423646 sin(3x) + 0.253368 sin(5x) + ... + b
63
sin(63x).
Dazu geben wir noch einige vergleichende grasche Darstellungen und anschlieend
die zugehorigen Anweisungen in Maple an.
1.4
1.2
1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
1
1.2
1.4
8 6 4 2 2 4 6 8
x
f(x)=sign(sin(x)), fs(x,4)=4/Pi*sin(x)+4/(3Pi)*sin(3*x)
Abb. 1.14 Signalfunktion f(x) mit Fourier-Polynom p
1
(x) = fs(x, 4)
x
x x
1.00
.50
0
-.50
1.
7. 6. 5. 4. 3. 2. 1. 0
1.00
.50
0
-.50
1.
7. 6. 5. 4. 3. 2. 1. 0
1.00
.50
0
-.50
1.
7. 6. 5. 4. 3. 2. 1. 0
1.00
.50
0
-.50
1.
7. 6. 5. 4. 3. 2. 1. 0
f(x) und Fourier-Polynome, n=4,6,8,10
x
Abb. 1.15 Signalfunktion f(x) mit Fourier-Polynomen p
n
(x), n = 1, 2, 3, 4
Man beachte, dass in den Abbildungen p
n
(x) = fs(x, 2n + 2) ist.
60 Polynome, Interpolation, Splines und Dierentiation
Wiederum erkennt man das

Uberschwingen der Fourier-Polynome an den Sprung-
stellen der Signalfunktion, d. h. den Gibbsschen Eekt.
1
0.5
0.5
1
2 4 6
x
f(x)=sign(sin(x)), Phi8(x), fs(x,4)
0.2
0.1
0.1
0.2
2 4 6
x
Differenz Phi8(x)-fs(x,4)
Abb. 1.16 f(x) mit
8
(x) und p
1
(x) Dierenz
8
(x) p
1
(x)
Maple-Anweisungen
# Polynome, Interpolation, Splines, Differentiation
# nm6ip6.mws
#
# Trigonometrische Interpolation mit aequidistanten Stuetzstellen
# (DFT) und Fourier-Entwicklung (Fourier-Polynome, Approximation im
# quadratischen Mittel)
# fuer Signalfunktion f(x) mit Grafik
#
> restart:
> with(plots):
> with(plottools):
> # Arbeitsverzeichnis
> pfad := D:/Neundorf/Nwptexte/Math93/:
>
> # Graphik output files
> name1 := nm6ip11.ps:
> datei1 := cat(pfad,name1):
> ..........................
# m-File fuer Fourier-Reihe
> read D:/Neundorf/Nwptexte/Math93/cfourier.m;
# Parameter
> a:=-Pi: b:=Pi: T:=b-a: N:=8:
1.6 Trigonometrische Interpolation 61
> u1:=x->piecewise(x=-Pi,0,x<0,-1,x>0,1,0):
> u1(x);
{ 0 x = -Pi
{
{ -1 x < 0
{
{ 1 0 < x
{
{ 0 otherwise
> f:=x->u1(x-T*floor((x-a)/T)):
> f(x);
> Q1:=plot([f(x),sin(x)],x=-8..8,-1..1,thickness=2,
> title=f(x)=sign(sin(x))):
> Q2:=plot(f(x),x=-8..8,-1.5..1.5,thickness=1):
> plots[display](Q1); # -> datei1,
{ Pi + x
{ 0 x - 2 Pi floor(1/2 ------) = -Pi
{ Pi
{
{ Pi + x
{ -1 x - 2 Pi floor(1/2 ------) < 0
{ Pi
{
{ Pi + x
{ 1 0 < x - 2 Pi floor(1/2 ------)
{ Pi
{
{ 0 otherwise
> xp:=[seq(k*T/N,k=0..N)];
> yp:=[seq(f(k*T/N),k=0..N)];
> ref:=[seq([xp[k],yp[k]],k=1..N+1)];
> ref0:=[seq([xp[k],0],k=1..N+1)];
> Q3:=plot(ref,style=point,symbol=circle):
> Q30:=plot(ref0,style=point,symbol=circle):
62 Polynome, Interpolation, Splines und Dierentiation
xp := [0, 1/4 Pi, 1/2 Pi, 3/4 Pi, Pi, 5/4 Pi, 3/2 Pi, 7/4 Pi, 2 Pi]
yp := [0, 1, 1, 1, 0, -1, -1, -1, 0]
ref := [[0, 0], [1/4 Pi, 1], [1/2 Pi, 1], [3/4 Pi, 1], [Pi, 0],
[5/4 Pi, -1], [3/2 Pi, -1], [7/4 Pi, -1], [2 Pi, 0]]
ref0 := [[0, 0], [1/4 Pi, 0], [1/2 Pi, 0], [3/4 Pi, 0], [Pi, 0],
[5/4 Pi, 0], [3/2 Pi, 0], [7/4 Pi, 0], [2 Pi, 0]]
> PhiN:= x -> (1+sqrt(2))/2*sin(x)+(-1+sqrt(2))/2*sin(3*x):
> Q:=plot(PhiN(x),x=-8..8,-1.5..1.5,thickness=1,
> title=f(x)=sign(sin(x)),
> PhiN(x)=(1+sqrt(2))/2*sin(x)+(-1+sqrt(2))/2*sin(3*x),N=8):
> plots[display]([Q,Q2,Q3]); # -> datei2,
# Fourier-Polynom
# Approximation im quadratischen Mittel
> cfourier(u1,a..b,N,reell,Plot);
Reelle Fourierkoeffizienten:
{ 0 n = 0
{ 0 n = 0 {
a[n] = { , b[n] = { n
{ 0 otherwise { (-1) - 1
{ -2 --------- otherwise
{ n Pi
Reelle Fourierreihe:
sin(t) sin(3 t) sin(5 t) sin(7 t)
4 ------ + 4/3 -------- + 4/5 -------- + 4/7 --------, +...
Pi Pi Pi Pi
> bk:= k -> 2*(1-(-1)^k)/(Pi*k):
# Fourier-Polynom, explizit
> n:=n:
> fs:=(x,n)-> sum(bk(k)*sin(k*x),k=1..n):
> fs(x,n);
> fs(x,4);
1.6 Trigonometrische Interpolation 63
> Q:=plot(fs(x,4),x=-8..8,-1.5..1.5,thickness=2,
> title=f(x)=sign(sin(x)), fs(x,4)=4/Pi*sin(x)+4/(3Pi)*sin(3*x)):
> plots[display]([Q,Q2]); # -> datei3
n
----- / k \
\ | (1 - (-1) ) sin(k x)|
) |2 --------------------|
/ \ Pi k /
-----
k = 1
sin(x) sin(3 x)
4 ------ + 4/3 --------
Pi Pi
> P:=array(1..2,1..2,[]):
> n:=2:
> for i from 1 by 1 to 2 do
> for j from 1 by 1 to 2 do
> n:=n+2:
> if i*j=1 then
> P[i,j]:=plot([f(x),fs(x,n)],x=-1..T+1,color=black,
> title=f(x) und Fourier-Polynome, n=4,6,8,10)
> else
> P[i,j]:=plot([f(x),fs(x,n)],x=-1..T+1,color=black)
> fi:
> od:
> od:
> plots[display](P); # -> datei4
> Q:=plot([f(x),PhiN(x),fs(x,4)],x=-1..T+1,color=black,
> title=f(x)=sign(sin(x)), Phi8(x), fs(x,4)):
> plots[display]([Q,Q3]); # -> datei5
> Q:=plot((PhiN(x)-fs(x,4)),x=-1..T+1,color=black,
> title=Differenz Phi8(x)-fs(x,4)):
> plots[display]([Q,Q30]); # -> datei6
64 Polynome, Interpolation, Splines und Dierentiation
1.7 Splineinterpolation im R
1
Die Konstruktion von Splines beruht auf einer intervallweisen Interpolation, wo man
st uckweise Polynome niedrigen Grades zu einer glatten Gesamtfunktion zusammen-
setzt. Die Ausgangssituation wird durch die folgenden Aspekte beschrieben.
Grundintervall I = [a, b] R mit < a < b < und (bekannte oder
unbekannte) reelle Funktion f : I R.
Gegeben sind St utzstellen x
k
, St utzwerte y
k
und Schrittweiten h
k
=x
k+1
x
k
>0
sowie R
0
als Referenz mit n + 1 paarweise verschiedenen St utzstellen und
den n+1 zugehorigen St utzwerten. Falls eine Funktion f(x) zu Grunde liegt,
deniert man die St utzwerte i. Allg. gema y
k
= f(x
k
), k = 0, 1, ..., n.
Man konstruiert die Splinefunktion als zusammengesetztes Polynom s(x) =
s(x, R
0
) vom Grad m (m 1) mit den folgenden Eigenschaften.
(a) s(x) ist ein Polynom vom Grad m auf jedem der Teilintervalle, d. h.
s(x) S
m
(R
0
) und
s(x) = s
(k)
(x) =
k0
+
k1
x + ... +
km
x
m
, x [x
k
, x
k+1
], (1.62)
(b) Bez uglich der Glattheit fordert man s(x) C
m1
(I).
Interpolationsforderung (Interpolationsbedingung)
(1) s(x
k
) = y
k
= f(x
k
), k = 0, 1, ..., n. (1.63)
(2) An den inneren Punkten x
1
, x
2
, ..., x
n1
ist s(x) stetig dierenzierbar bis
zur Ordnung m1, d. h., f ur k = 1, 2, ..., n 1 gelten
s
(k1)
(x
k
) = s
(k)
(x
k
),
s
(k1)
(x
k
)

= s
(k)
(x
k
)

,
. . .
s
(k1)
(x
k
)
(m1)
= s
(k)
(x
k
)
(m1)
.
(1.64)
Interpolationsaufgabe (IA4)
Gesucht sind auf den n Teilintervallen insgesamt n(m + 1) Koezienten
kl
,
k = 0, 1, ..., n1, l = 0, 1, ..., m, so dass die Interpolationsforderung erf ullt ist.
Zunachst stellt man fest, dass man f ur die n(m+1) = n +1 +mn 1 Unbekannten
nur n+1+m(n1) = n+1+mnm Interpolationsbedingungen (1)+(2) zur Verf ugung
hat. Damit besitzt das Polynom m1 freie Parameter. Zwecks Eindeutigkeit sind die-
se durch weitere Bedingungen zu binden. Im Einzelnen stellt sich die Situation so dar:
m = 1: kein freier Parameter, eindeutige Losung als Polygonzug, linearer Spline,
m = 2: 1 freier Parameter, quadratische Splines,
m = 3: 2 freie Parameter, kubische Splines.
1.7 Splineinterpolation im R
1
65
1.7.1 Einfache Typen von Splines
(1) Linearer Spline
F ur x [x
k
, x
k+1
] macht man den Ansatz s
(k)
(x) = a
k
+b
k
(xx
k
), k = 0, 1, ..., n1.
Die 2n Bedingungen sind
s
(k)
(x
k
) = f
k
, k = 0, 1, ..., n 1, s
(n1)
(x
n
) = f
n
,
s
(k)
(x
k
) = s
(k1)
(x
k
), k = 1, 2, ..., n 1.
(1.65)
Das Ergebnis auf dem Teilintervall ist die Newtonsche bzw. Lagrangesche Form
s
(k)
(x) = f
k
+
f
k+1
f
k
x
k+1
x
k
(x x
k
),
=
x
k+1
x
x
k+1
x
k
f
k
+
x x
k
x
k+1
x
k
f
k+1
, k = 0, 1, ..., n 1.
(1.66)
(2) Quadratische Splines
F ur x [x
k
, x
k+1
] sei s
(k)
(x) = a
k
+ b
k
(x x
k
) + c
k
(x x
k
)
2
, k = 0, 1, ..., n 1.
Die 3n Bedingungen sind
s
(k)
(x
k
) = f
k
, k = 0, 1, ..., n 1, s
(n1)
(x
n
) = f
n
,
s
(k)
(x
k
) = s
(k1)
(x
k
), k = 1, 2, ..., n 1,
s
(k)
(x
k
)

= s
(k1)
(x
k
)

, k = 1, 2, ..., n 1,
s
(0)
(x
0
)

= m
0
(m
0
gegeben oder approximiert).
(1.67)
An Stelle der letzten Bedingung s
(0)
(x
0
)

= m
0
sind auch andere moglich. Sie werden
auch Endbedingungen genannt, falls sie am Ende des untersuchten Bereichs deniert
werden. Andere Zusatzbedingungen sind
- s
(k)
( x) = y, x ist eine zusatzliche Stelle,
- s
(n1)
(x
n
)

= m
n
,
- s
(0)
(x
0
)

= s
(n1)
(x
n
)

, Periodizitat verbunden mit f


0
= f
n
,
- s
(0)
(x
0
)

= s
(n1)
(x
n
)

, Antiperiodizitat verbunden mit f


0
= f
n
,
- K(s) =
xn
_
x
0
(x)[s

(x)]
2
dx min, (x) > 0 gegebene Gewichtsfunktion,
damit wird die Gesamtkr ummung der Kurve minimal.
Untersuchungen zur Approximationsg ute linearer und quadratischer Splines ndet
man in [30].
66 Polynome, Interpolation, Splines und Dierentiation
Beispiel 1.18 Gegeben sei die Referenz R
0
mit 4 Knoten (n = 3)
x
k
0 1 3 4
y
k
0 1 2 1
(a) Linearer Spline
Die stetige aus Geradenst ucken zusammengesetzte Funktion ist
s(x) =
_

_
x f ur x [0, 1],
1 +
1
2
(x 1) f ur x [1, 3],
2 (x 3) f ur x [3, 4].
-
6
0
1 2 3 4
x
1
2
y
s(x) S
1
(R
0
)
Abb. 1.17 Lineare Splinefunktion
(b) Quadratischer Spline
Wir suchen die aus Parabelst ucken zusammengesetzte dierenzierbare Funktion.
Als modizierten Ansatz f ur das Teilintervall [x
k
, x
k+1
] nehmen wir
s
(k)
(x) = a
k
+ b
k
x + c
k
x
2
, k = 0, 1, ..., n 1. (1.68)
Der Ansatz f ur das erste Parabelst uck der Kurve ist s
(0)
(x) = a
0
+ b
0
x + c
0
x
2
. Aus
den Bedingungen s
(0)
(0) = 0 und s
(0)
(1) = 1 folgt a
0
= 0 und b
0
= 1 c
0
. Damit ist
s
(0)
(x) = (1 c
0
)x + c
0
x
2
.
Auerdem gilt
d
dx
s
(0)
(1) = 1 + c
0
.
Der Ansatz f ur das zweite Parabelst uck s
(1)
(x) = a
1
+ b
1
x + c
1
x
2
f uhrt mit den
Bedingungen s
(1)
(1) = 1, s
(1)
(3) = 2 und
d
dx
s
(1)
(1) = 1 + c
0
auf die Teillosung
s
(1)
(x) = (0.25 + 1.5c
0
) + (1.5 + 2c
0
)x (0.25 + 0.5c
0
)x
2
.
Es ist
d
dx
s
(1)
(3) = c
0
.
Mit dem Ansatz f ur das dritte Parabelst uck s
(2)
(x) = a
2
+ b
2
x + c
2
x
2
und den
Bedingungen s
(2)
(3) = 2, s
(2)
(4) = 1 und
d
dx
s
(2)
(3) = c
0
erhalten wir die Losung
s
(2)
(x) = (7 + 12c
0
) + (6 7c
0
)x + (1 + c
0
)x
2
.
1.7 Splineinterpolation im R
1
67
Damit die Gesamtlosung eindeutig wird, muss eine weitere Bedingung gestellt werden,
z. B.
d
dx
s
(0)
(0) = 0. Dann ist c
0
= 1 und
s(x) =
_

_
x
2
f ur x [0, 1],

7
4
+
7
2
x
3
4
x
2
f ur x [1, 3],
5 x f ur x [3, 4].
Die einzelnen Teilpolynome s
(k)
, k = 0, 1, 2, konnen bei einer zusatzlichen Bedingung
am linken Rand der Reihe nach vollstandig berechnet werden.
-
6
0
1 2 3 4
x
1
2
y
s(x) S
2
(R
0
)
Abb. 1.18 Quadratische Splinefunktion
Zum selben Ergebnis gelangt man auch mit dem Ansatz
s
(k)
(x) = a
k
+ b
k
(x x
k
) + c
k
(x x
k
)
2
, k = 0, 1, ..., n 1, (1.69)
f ur das Teilintervall [x
k
, x
k+1
], der sofort die Losung f ur den Koezienten a
k
nach
sich zieht, namlich a
k
= f
k
.
Auerdem vereinfacht die Darstellung der Ableitung s
(k)
(x)

= b
k
+ 2c
k
(x x
k
) die
Berechnung von s
(k)
(x
k
)

= b
k
, s
(k)
(x
k+1
)

= b
k
+2c
k
h
k
. Wir erhalten somit die nicht
ausmultiplizierte Form der Splinefunktion
s(x) =
_

_
0 + 0(x 0) + 1(x 0)
2
f ur x [0, 1],
1 + 2(x 1)
3
4
(x 1)
2
f ur x [1, 3],
2 1(x 3) + 0(x 3)
2
f ur x [3, 4].
Zwei Varianten zur Bestimmung der quadratischen Splinefunktion
(1) Man bestimmt die Splinekoezienten als Losung eines LGS.
Wir verwenden den Ansatz mit der Normalform des Polynoms 2. Grades
s
(k)
(x) = a
k
+ b
k
x + c
k
x
2
, x [x
k
, x
k+1
], k = 0, 1, ..., n 1,
s
(k)
(x)

= b
k
+ 2c
k
x.
68 Polynome, Interpolation, Splines und Dierentiation
Die Zusammenfassung der Interpolationsbedingungen ergibt die folgende

Ubersicht.
Bedingungen Anzahl
s
(0)
(x
0
)

= m
0
1
s
(k)
(x
k
) = f
k
, k = 0, 1, ..., n 1 n
s
(k)
(x
k+1
) = f
k+1
, k = 0, 1, ..., n 1 n
s
(k1)
(x
k
)

= s
(k)
(x
k
)

, k = 1, 2..., n 1 n 1
= 3n
Somit entsteht ein regulares LGS A = mit Blockstruktur, im Fall n = 4 ist das
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
0 1 2x
0
0
1 x
0
x
2
0
1 x
1
x
2
1
0 1 2x
1
0 1 2x
1
1 x
1
x
2
1
1 x
2
x
2
2
0 1 2x
2
0 1 2x
2
1 x
2
x
2
2
1 x
3
x
2
3
0 1 2x
3
0 1 2x
3
1 x
3
x
2
3
0 1 x
4
x
2
4
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
0
b
0
c
0
a
1
b
1
c
1
a
2
b
2
c
2
a
3
b
3
c
3
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
m
0
f
0
f
1
0
f
1
f
2
0
f
2
f
3
0
f
3
f
4
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
.
(2) Die sukzessive Berechnung als zweite Moglichkeit wurde schon genannt.
Man f uhrt die zusatzlichen Unbekannten s

(x
k
) = d
k
ein. Damit haben die Interpo-
lationsbedingungen f ur das Teilpolynom s
(k)
(x) = a
k
+ b
k
x + c
k
x
2
die Gestalt
s
(k)
(x
j
) = f
j
, j = k, k + 1,
s
(k)
(x
k
)

= f

k
= d
k
.
Die Transformation des Intervalls [x
k
, x
k+1
] auf das Standardbezugsintervall [0,1]
ergibt
h
k
= x
k+1
x
k
, x = x
k
+ th
k
, t [0, 1],
s
(k)
(x) = s
(k)
( x
k
+ th
k
) = q
(k)
(t),
q
(k)
(t) = a
k
+

b
k
t + c
k
t
2
, q
(k)
(t)

=

b
k
+ 2 c
k
t,
s
(k)
(x
k
) = q
(k)
(0) = a
k
,
s
(k)
(x
k+1
) = q
(k)
(1) = a
k
+

b
k
+ c
k
,
1.7 Splineinterpolation im R
1
69
s
(k)
(x
k
)

=
ds
(k)
(x)
dx

x=x
k
=
ds
(k)
(x
k
+ th
k
)
dt

t=0
dt
dx
=
dq
(k)
(t)
dt

t=0
1
h
k
=
q
(k)
(0)

h
k
=

b
k
h
k
.
Die Koezienten von q
(k)
(t) ergeben sich aus den Bedingungen
a
k
= f
k
,

b
k
= h
k
f

k
= h
k
d
k
,
a
k
+

b
k
+ c
k
= f
k+1
c
k
= f
k+1
f
k
h
k
d
k
,
die wir nun in der Darstellung von s
(k)
(x) anwenden.
s
(k)
(x) = s
(k)
(x
k
+ th
k
) = q
(k)
(t)
= f
k
+ h
k
d
k
t + (f
k+1
f
k
h
k
d
k
)t
2
= f
k
+ h
k
d
k
t + h
k
_
f
k+1
f
k
h
k
. .
g
k
(Steigung)
d
k
_
t
2
= f
k
+ h
k
d
k
t + h
k
(g
k
d
k
)t
2
.
Die Anwendung der Stetigkeitsbedingungen f ur die 1. Ableitung
s
(k1)
(x
k
)

= s
(k)
(x
k
)

, k = 1, 2, ..., n 1,
liefert
s
(k1)
(x
k1
+ 1 h
k1
)

= s
(k)
(x
k
+ 0 h
k
)

,
q
(k1)
(1)

h
k1
=
q
(k)
(0)

h
k
,

b
k1
+ 2 c
k1
h
k1
=

b
k
h
k
.
Das Einsetzen von

b
k
,

b
k1
, c
k1
f uhrt zu
1
h
k1
[h
k1
d
k1
+ 2h
k1
(g
k1
d
k1
)] =
h
k
d
k
h
k
,
d
k1
+ 2(g
k1
d
k1
) = d
k
,
d
k1
+ d
k
= 2g
k1
, k = 1, 2, ..., n 1.
Jetzt brauchen wir die Zusatzbedingung, die gema s
(0)
(x
0
)

= f

0
= d
0
den Wert
d
0
bereitstellt. Damit konnen mit der aufsteigenden Rekursion
d
k
= 2g
k1
d
k1
, k = 1, 2, ..., n 1,
70 Polynome, Interpolation, Splines und Dierentiation
die fehlenden Groen d
k
ermittelt werden. Endlich haben wir
s
(k)
(x) = f
k
+ h
k
d
k
t + (g
k
d
k
)h
k
t
2
mit t =
x x
k
h
k
= f
k
+ d
k
(x x
k
) +
g
k
d
k
h
k
(x x
k
)
2
.
Das Ergebnis zeigt groe

Ahnlichkeit zur Newton-Interpolationsformel bei gleichen
St utzstellen und mit der 1. und 2. Steigung, die vergleichbar mit d
k
bzw. (g
k
d
k
)/h
k
sind.
Andere Zusatzbedingungen sind auf ahnliche Weise zu behandeln, wobei bei Periodi-
zitat und Antiperiodizitat mit d
0
= d
n
f ur die Losung der Interpolationsaufgabe
eine Fallunterscheidung bez. n gerade/ungerade erforderlich ist, aber das eventuell
zu losende LGS auch eine einfache Struktur hat.
1.7.2 Kubische Splines
Denition 1.10 Nat urliche kubische Splinefunktion
Eine nat urliche kubische Splinefunktion s(x) zur Referenz R
0
mit y
k
= f
k
= f(x
k
)
ist eine reelle Funktion mit den folgenden drei Eigenschaften.
(a) s(x) ist in jedem Teilintervall [x
k
, x
k+1
], k = 0, 1..., n1, ein Polynom hochstens
3. Grades.
(b) s(x) ist in den Intervallen (, x
0
) und (x
n
, ) ein Polynom 1. Grades.
Das heit, dass die Kr ummung von s(x) an den Stellen x
0
und x
n
Null ist.
(c) s(x), s

(x), s

(x) sind stetig in R und s(x) interpoliert f(x) an den n + 1 St utz-


stellen x
k
.
Darstellung des Splines s(x)
Sei s(x) = s
(k)
(x) f ur x [x
k
, x
k+1
] mit
s
(k)
(x) = a
k
+ b
k
(x x
k
) + c
k
(x x
k
)
2
+ d
k
(x x
k
)
3
, k = 0, 1, ..., n 1. (1.70)
Die Formulierung aller Bedingungen mit f
k
= f(x
k
) ergibt
(a) s
(k)
(x
k
) = f
k
, k = 0, 1, ..., n,
(b) s
(k)
(x
k
) = s
(k1)
(x
k
), k = 1, 2, ..., n,
s
(k)
(x
k
)

= s
(k1)
(x
k
)

, k = 1, 2, ..., n,
s
(k)
(x
k
)

= s
(k1)
(x
k
)

, k = 1, 2, ..., n,
(c) s
(0)
(x
0
)

= 0 (2 Zusatzbedingungen),
s
(n)
(x
n
)

= 0,
(1.71)
1.7 Splineinterpolation im R
1
71
mit der zusatzlichen Funktion auf [x
n
, )
s
(n)
(x) = a
n
+ b
n
(x x
n
) + c
n
(x x
n
)
2
. (1.72)
Die Funktion s
(n)
(x) wurde k unstlich hinzugef ugt, ohne die Aufgabenstellung zu
verandern, so dass die Anzahl der unbekannten Koezienten gleich der Anzahl der
Bedingungen 4n + 3 betragt.
Weitere Typen kubischer Splines werden nur kurz charakterisiert.
Eingespannter Spline (clamped spline)
s

(x
0
) = m
0
, s

(x
n
) = m
n
, wobei m
0
, m
n
gegeben sind. (1.73)
Periodischer Spline
s

(x
0
) = s

(x
n
), s

(x
0
) = s

(x
n
), (1.74)
wobei f ur die Periodizitat f
0
= f
n
sinnvoll ist.
Spline mit Not-a-knot-Bedingung
s(x) ist auf [x
0
, x
1
] und [x
1
, x
2
] sowie [x
n2
, x
n1
] und [x
n1
, x
n
] identisch.
Damit erweisen sich die Knoten x
1
und x
n1
als uber ussig (keine eigentlichen
Knoten).
Berechnung der Koezienten des nat urlichen kubischen Splines
Die einzelnen Berechnungsschritte werden zunachst kompakt zusammengestellt und
nachfolgend begr undet.
1. Rechte Seiten der Bestimmungsgleichungen
Seien h
k
= x
k+1
x
k
die Schrittweiten und
e
k
= 3
_
f
k+1
f
k
h
k

f
k
f
k1
h
k1
_
, k = 1, 2, ..., n 1. (1.75)
2. Das System der Bestimmungsgleichungen f ur die Groen c
k
ist
h
k1
c
k1
+ 2(h
k1
+ h
k
)c
k
+ h
k
c
k+1
= e
k
, k = 1, 2, ..., n 1, (1.76)
wobei c
0
= c
n
= 0.
3. Die restlichen Splinekoezienten ergeben sich zu
a
k
= f
k
, k = 0, 1, ..., n,
b
k
=
1
h
k
(f
k+1
f
k
)
1
3
(2c
k
+ c
k+1
)h
k
, k = 0, 1, ..., n 1,
d
k
=
1
3h
k
(c
k+1
c
k
), k = 0, 1, ..., n 1.
(1.77)
72 Polynome, Interpolation, Splines und Dierentiation
4. Algorithmus zur Losung der Bestimmungsgleichungen (1.76)
Dies ist ein LGS mit einer diagonaldominanten Tridiagonalmatrix, das mit einer
speziellen Variante des Gau-Algorithmus gelost werden kann.
(1)
0
= 1,
1
= 2(h
0
+ h
1
), g
1
= e
1
,
(2)
k
= 2(h
k1
+ h
k
)
h
2
k1

k1
,
g
k
= e
k

h
k1

k1
g
k1
, k = 2, 3, ..., n 1,
(3)
n
= 1, g
n
= 0,
(4) c
n
= 0,
c
k
=
1

k
(g
k
h
k
c
k+1
), k = n 1, n 2, ..., 1,
c
0
= 0.
(1.78)
Herleitung der Beziehungen f ur die Koezienten a
k
, b
k
, c
k
, d
k
Einsetzen von (1.70) in die Interpolationsbedingungen (1.71) (a) (c)
(a) a
k
= f
k
, k = 0, 1, ..., n,
(b1) a
k
= a
k1
+ b
k1
h
k1
+ c
k1
h
2
k1
+ d
k1
h
3
k1
, k = 1, 2, ..., n,
(b2) b
k
= b
k1
+ 2c
k1
h
k1
+ 3d
k1
h
2
k1
,
(b3) 2c
k
= 2c
k1
+ 6d
k1
h
k1
,
(c) c
0
= c
n
= 0.
Umstellung
(b3) d
k
=
1
3h
k
(c
k+1
c
k
), k = 0, 1, ..., n 1,
d
k1
in (b2), (b1) einsetzen,
(b2) b
k
= b
k1
+ (c
k
+ c
k1
)h
k1
, k = 1, 2, ..., n,
(b1) b
k
=
1
h
k
(a
k+1
a
k
)
1
3
(2c
k
+ c
k+1
)h
k
, k = 0, 1, ..., n 1,
(c) c
0
= c
n
= 0.
(b1) in (b2) einsetzen
1
h
k
(a
k+1
a
k
)
1
3
(2c
k
+ c
k+1
)h
k
=
1
h
k1
(a
k
a
k1
)
1
3
(2c
k1
+ c
k
)h
k1
+(c
k
+ c
k1
)h
k1
,
h
k1
(c
k
+ c
k1

2
3
c
k1

1
3
c
k
) +
h
k
3
(2c
k
+ c
k+1
) =
1
h
k
(a
k+1
a
k
)
1
h
k1
(a
k
a
k1
),
h
k1
c
k1
+ 2(h
k1
+ h
k
)c
k
+ h
k
c
k+1
=
3
h
k
(f
k+1
f
k
)
3
h
k1
(f
k
f
k1
) = e
k
,
k = 1, 2, ..., n 1, c
0
= c
n
= 0.
Die Losung des Systems mit Tridiagonalmatrix ergibt c
k
und dann folgen d
k
, b
k
.
1.7 Splineinterpolation im R
1
73
Beispiel 1.19 Man berechne den nat urlichen kubischen Spline mit
n = 2, h
k
= h = 0.5,
x
k
0 0.5 1
f
k
1 0.5 2
Zunachst bestimmt man die Koezienten c
k
aus dem Tridiagonalsystem, das sich
hier auf eine Gleichung reduziert.
c
0
= c
2
= 0, 2(h
0
+ h
1
)c
1
= e
1
=
3
h
(f
2
2f
1
+ f
0
), a
k
= f
k
c
1
= 12.
Dann erfolgt die Berechnung von b
k
.
b
0
= 2(a
1
a
0
)
1
3
(2c
0
+ c
1
)
1
2
= 5,
b
1
= b
0
+ (c
1
+ c
0
)
1
2
= 1,
b
2
= b
1
+ (c
2
+ c
1
)
1
2
= 7.
Die Bestimmung von d
k
ergibt
d
0
=
1
3
1
2
(c
1
c
0
) = 8,
d
1
=
1
3
1
2
(c
2
c
1
) = 8.
xs2 xm xs1
1
2
3
0.5 1
x
Kubischer Spline s(x)
Abb. 1.19 Kubische Splinefunktion
Als Eigenschaften des resultierenden Splines
s(x) =
_

_
1 5x, x (, 0],
s
(0)
(x) = 1 5x + 8x
3
, x [0, 0.5],
s
(1)
(x) =
1
2
+ (x
1
2
) + 12(x
1
2
)
2
8(x
1
2
)
3
, x [0.5, 1],
s
(2)
(x) = 2 + 7(x 1), x [1, ),
notieren wir seine beiden Nullstellen x

1
0.216, x

2
0.675 sowie die Minimumstelle
x
min
0.456 mit s(x
min
) 0.521.
Satz 1.23 Existenz und Eindeutigkeit der kubischen Splinefunktion
Zu paarweise verschiedenen St utzstellen x
k
existiert stets genau eine nat urliche ku-
bische Splinefunktion.
Satz 1.24 Holladay zur Optimalitat kubischer Splines
In der Klasse C
2
[x
0
, x
n
] der Funtionen f(x), die auf der Referenz R
0
die Interpolati-
onsbedingung f(x
k
) = f
k
, k = 0, 1, ..., n, erf ullen, minimiert die nat urliche kubische
Splinefunktion s(x) das Integral f ur die Gesamtkr ummung
xn
_
x
0
[f

(x)]
2
dx. (1.79)
74 Polynome, Interpolation, Splines und Dierentiation
Beweis. Die Aussage des Satzes heit auch: Unter allen zweimal stetig dieren-
zierbaren und interpolierenden Funktionen f(x) hat die kubische nat urliche Spline-
Funktion s(x) die geringste Biegeenergie, d. h.
xn
_
x
0
[s

(x)]
2
dx
xn
_
x
0
[f

(x)]
2
dx.
Dazu untersucht man den Ausdruck
xn
_
x
0
[f

(x) s

(x)]
2
dx
und verwendet die zusammengesetzte und partielle Integration f ur
xn
_
x
0

(x) s

(x) dx, wobei (x) = s(x) f(x).


Es gilt
xn
_
x
0
f
2
=
xn
_
x
0
(s )
2
=
xn
_
x
0
s
2
+
xn
_
x
0

2
. .
0
2
xn
_
x
0
s

. .
Is=0

xn
_
x
0
s
2
,
wobei nur noch I
s
= 0 zu zeigen ist.
I
s
=
xn
_
x
0
s

=
n1

k=0
x
k+1
_
x
k
s

=
n1

k=0
_
_
s

_
x
k+1
x
k

x
k+1
_
x
k
s

_
=
n1

k=0
_
s

k+1

k+1
s

x
k+1
_
x
k
s

_
, s

= const
= s

n
s

n1

k=0
6d
k
x
k+1
_
x
k

, s

0
= 0, s

n
= 0
=
n1

k=0
6d
k
_

_
x
k+1
x
k
, (x
k
) = s(x
k
) f(x
k
) = 0
= 0.
1.7 Splineinterpolation im R
1
75
Berechnung der Koezienten verschiedener kubischer Splines mittels Auf-
stellen des zugehorigen LGS
Wir nehmen f ur den Spline s(x), x [a, b] = [x
0
, x
n
], auf dem Teilintervall [x
k
, x
k+1
]
den modizierten Ansatz
s
(k)
(x) = a
k
+ b
k
(x x
k
) + c
k
(x x
k
)
2
+ d
k
(x x
k
)
3
, k = 0, 1, ..., n 1.
Wir werden nun f ur die Koezienten c
k
das zu losende LGS aufstellen und dabei
einige der genannten Typen von Zusatzbedingungen ber ucksichtigen.
Wir haben pro Teilintervall 4 Unbekannte und insgesamt 4n unbekannte Koezien-
ten.
Die Groen a
k
folgen unmittelbar aus den Interpolationsbedingungen s
(k)
(x
k
) = f
k
als
a
k
= f
k
, k = 0, 1, . . . , n 1.
Die Beziehungen zwischen den ubrigen Koezienten erhalten wir aus den Stetigkeits-
bedingungen f ur s(x), s

(x) und s

(x) an den Knotenpunkten x


k+1
.
(I) s
(k)
(x
k+1
) = s
(k+1)
(x
k+1
), k = 0, 1, . . . , n 1, wobei s
(n)
(x
n
) f
n
,
(II) s
(k)

(x
k+1
) = s
(k+1)

(x
k+1
), k = 0, 1, . . . , n 2,
(III) s
(k)

(x
k+1
) = s
(k+1)

(x
k+1
), k = 0, 1, . . . , n 2.
Die Gleichung (I) bei k = n 1 bedeutet insbesondere s
(n1)
(x
n
) = f
n
.
Ausgeschrieben folgt somit
(I) d
k
h
3
k
+ c
k
h
2
k
+ b
k
h
k
+ f
k
= f
k+1
, k = 0, 1, . . . , n 1,
(II) 3d
k
h
2
k
+ 2c
k
h
k
+ b
k
= b
k+1
, k = 0, 1, . . . , n 2,
(III) 6d
k
h
k
+ 2c
k
= 2c
k+1
, k = 0, 1, . . . , n 2.
Mit Hilfe der Gleichungen (III) und (I) lassen sich die Groen d
k
und b
k
durch c
k
und c
k+1
ausdr ucken gema
(i) d
k
=
c
k+1
c
k
3h
k
,
(ii) b
k
=
h
k
3
(c
k+1
+ 2c
k
) +
f
k+1
f
k
h
k
, k = 0, 1, . . . , n 2.
Einsetzen in (II) f uhrt schlielich auf die n 2 Gleichungen
(iii) r
k
c
k
+ 2c
k+1
+ (1 r
k
)c
k+2
= q
k
, k = 0, 1, . . . , n 3,
76 Polynome, Interpolation, Splines und Dierentiation
f ur die n Unbekannten c
k
, k = 0, 1, . . . , n 1, wobei zur Abk urzung
r
k
=
h
k
h
k+1
+ h
k
,
q
k
=
3
h
k
+ h
k+1
_
f
k+2
f
k+1
h
k+1

f
k+1
f
k
h
k
_
verwendet wurde.
Man beachte, dass auch b
n1
mit Hilfe der Gleichung (II) (k = n 2) und der
Beziehungen (i), (ii) durch die Koezienten c
k
beschrieben werden kann als
b
n1
= 3d
n2
h
2
n2
+ 2c
n2
h
n2
+ b
n2
=
h
n2
3
(2c
n1
+ c
n2
) +
f
n1
f
n2
h
n2
.
Durch Einsetzen in (I) (k = n 1) folgt auerdem
(iv)
d
n1
h
3
n1
= c
n1
h
2
n1
b
n1
h
n1
f
n1
+ f
n
,
d
n1
h
2
n1
= c
n1
h
n1
b
n1
+
f
n
f
n1
h
n1
,
d
n1
=
1
h
2
n1
_
c
n1
_
h
n1
+
2
3
h
n2
_

1
3
c
n2
h
n2
+
h
n1
+ h
n2
3
q
n2
_
.
Damit konnen alle Koezienten berechnet werden, sobald die c
k
bestimmt sind.
F ur ein vollstandiges LGS fehlen nun die zwei weiteren Bedingungen, welche haug
in Form zusatzlicher Randbedingungen erganzt werden.
A Nat urliche Randbedingungen
Hier wird gefordert, dass die zweiten Ableitungen der Splinefunktion an den Rand-
punkten verschwinden.
(i) s

(a) = 0, (ii) s

(b) = 0.
Diese Randbedingungen f uhren auf das folgende diagonaldominante Tridiagonalsy-
stem.
1.7 Splineinterpolation im R
1
77
Satz 1.25 Unter den nat urlichen Randbedingungen ist der Vektor (c
1
, c
2
, . . . , c
n1
)
T
Losung des LGS
_
_
_
_
_
_
_
_
_
_
_
_
_
2 1r
0
0
r
1
2 1r
1
0
0 r
2
2 1r
2
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 r
n4
2 1r
n4
0
0 r
n3
2 1r
n3
0 r
n2
2
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
c
1
c
2
c
3
.
.
.
c
n3
c
n2
c
n1
_
_
_
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
_
_
_
q
0
q
1
q
2
.
.
.
q
n4
q
n3
q
n2
_
_
_
_
_
_
_
_
_
_
_
_
_
Beweis.
Bis auf die erste und letzte sind die Gleichungen des LGS identisch mit den Glei-
chungen (iii) (k = 1, 2, . . . , n 3).
Die nat urlichen Randbedingungen sind nach dem Ansatz f ur die Teilpolynome s
(k)
aquivalent zu s
(0)

(a) = s
(0)

(x
0
) = 0 und s
(n1)

(b) = s
(n1)

(x
n
) = 0, d. h.
(1) c
0
= 0, (2) 3d
n1
h
n1
+ c
n1
= 0.
Aus (1) und der Gleichung (iii) (k = 0) folgt die erste Gleichung des LGS.
Die letzte Gleichung folgt, wenn d
n1
mit Hilfe der Beziehung (2) aus Gleichung (iv)
(3. Formel) eliminiert wird, d. h.

1
3h
n1
c
n1
= d
n1
=
1
h
2
n1
_
c
n1
_
h
n1
+
2
3
h
n2
_

1
3
c
n2
h
n2
+
h
n1
+h
n2
3
q
n2
_
,
h
n1
c
n1
= (3h
n1
+ 2h
n2
)c
n1
h
n2
c
n2
+ (h
n1
+ h
n2
)q
n2
,
h
n2
c
n2
+ 2(h
n1
+ h
n2
)c
n1
= (h
n1
+ h
n2
)q
n2
,
h
n2
h
n1
+ h
n2
c
n2
+ 2c
n1
= q
n2
,
r
n2
c
n2
+ 2c
n1
= q
n2
,
die letzte Beziehung unter Verwendung der Formel f ur r
k
.
B Vollstandige Randbedingungen
In diesem Fall werden Werte m
0
und m
n
f ur die Steigungen der Splinefunktion an
den Randpunkten vorgegeben. Man nennt sie auch eingespannter Spline.
(i) s

(a) = m
0
, (ii) s

(b) = m
n
.
78 Polynome, Interpolation, Splines und Dierentiation
Zur Aufstellung des LGS f uhren wir zusatzlich zu den Unbekannten c
0
, c
1
, . . . , c
n1
eine weitere unbekannte Hilfsvariable
c
n
= 3d
n1
h
n1
+ c
n1
ein. Wir erhalten wieder ein diagonaldominantes Tridiagonalsystem.
Satz 1.26 Unter vollstandigen Randbedingungen ist der Vektor (c
0
, c
1
, . . . , c
n1
, c
n
)
T
Losung des LGS
_
_
_
_
_
_
_
_
_
_
_
_
2 1 0
r
0
2 1r
0
0
0 r
1
2 1r
1
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 r
n3
2 1r
n3
0
0 r
n2
2 1r
n2
0 1 2
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
c
0
c
1
c
2
.
.
.
c
n2
c
n1
c
n
_
_
_
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
_
_
_
3
h
0
(g
0
m
0
)
q
0
q
1
.
.
.
q
n3
q
n2
3
h
n1
(g
n1
m
n
)
_
_
_
_
_
_
_
_
_
_
_
_
_
,
wobei g
k
=
f
k+1
f
k
h
k
.
Beweis.
Die Gleichungen 2, 3, . . . , n1 des LGS entsprechen wieder den Gleichungen (iii) (k =
0, 1, . . . , n 3).
Die vollstandigen Randbedingungen sind nach dem Ansatz f ur die Teilpolynome s
(k)
aquivalent zu s
(0)

(a) = s
(0)

(x
0
) = m
0
und s
(n1)

(b) = s
(n1)

(x
n
) = m
n
, d. h.
(1) b
0
= m
0
, (2) 3d
n1
h
2
n1
+ 2c
n1
h
n1
+ b
n1
= m
n
.
Die Beziehung (1) f uhrt zusammen mit Gleichung (ii) (k = 0) auf die erste Gleichung
des LGS.
Die n-te Gleichung folgt durch Einsetzen der Denition von c
n
, also umgeschrieben
als d
n1
=
1
3h
n1
(c
n
c
n1
) , in (iv).
1
3h
n1
(c
n
c
n1
) = d
n1
=
1
h
2
n1
_
c
n1
_
h
n1
+
2
3
h
n2
_

1
3
c
n2
h
n2
+
h
n1
+h
n2
3
q
n2
_
,
h
n1
(c
n
c
n1
) = (3h
n1
+ 2h
n2
)c
n1
h
n2
c
n2
+ (h
n1
+ h
n2
)q
n2
,
h
n2
h
n1
+ h
n2
c
n2
+ 2c
n1
+
h
n1
h
n1
+ h
n2
c
n
= q
n2
,
r
n2
c
n2
+ 2c
n1
+ (1 r
n2
)c
n
= q
n2
,
die letzte Beziehung unter Verwendung der Formel f ur r
k
.
1.7 Splineinterpolation im R
1
79
Nun nehmen wir die mittlere Formel von (iv), ersetzen den Wert b
n1
durch den aus
der Randbedingung (2) und ber ucksichtigen zum Schluss d
n1
=
1
3h
n1
(c
n
c
n1
)
aus der Denition von c
n
.
d
n1
h
2
n1
= c
n1
h
n1
b
n1
+
f
n
f
n1
h
n1
,
b
n1
= m
n
3d
n1
h
2
n1
2c
n1
h
n1
,
d
n1
h
2
n1
= c
n1
h
n1
(m
n
3d
n1
h
2
n1
2c
n1
h
n1
) +
f
n
f
n1
h
n1
,
2h
2
n1
d
n1
h
n1
c
n1
=
f
n
f
n1
h
n1
m
n
,
2h
2
n1
3h
n1
(c
n
c
n1
) + h
n1
c
n1
=
_
f
n
f
n1
h
n1
m
n
_
,
c
n1
+ 2c
n
=
3
h
n1
_
f
n
f
n1
h
n1
m
n
_
.

C Periodische Randbedingungen
Ist f
0
= f
n
, so dienen periodische Randbedingungen zur Konstruktion einer Spline-
funktion, welche uber das Intervall [a, b] hinaus periodisch fortgesetzt werden kann.
(i) s

(a) = s

(b), (ii) s

(a) = s

(b).
Das hierdurch entstehende LGS ist nun nicht mehr tridiagonal.
Satz 1.27 Unter periodischen Randbedingungen ist der Vektor (c
0
, c
1
, . . . , c
n1
)
T
Losung des LGS
_
_
_
_
_
_
_
_
_
_
_
_
_
2 1r
1
0 r
1
r
0
2 1r
0
0
0 r
1
2 1r
1
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 r
n4
2 1r
n4
0
0 r
n3
2 1r
n3
1r
n2
0 r
n2
2
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
c
0
c
1
c
2
.
.
.
c
n3
c
n2
c
n1
_
_
_
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
_
_
_
q
1
q
0
q
1
.
.
.
q
n4
q
n3
q
n2
_
_
_
_
_
_
_
_
_
_
_
_
_
,
wobei
r
1
=
h
n1
h
0
+ h
n1
und q
1
=
3
h
0
+ h
n1
_
f
1
f
0
h
0

f
n
f
n1
h
n1
_
.
80 Polynome, Interpolation, Splines und Dierentiation
Beweis.
Die Gleichungen 2, 3, . . . , n1 entsprechen den Gleichungen (iii) (k = 0, 1, . . . , n3).
Die periodischen Randbedingungen sind nach dem Ansatz f ur die Teilpolynome s
(k)
aquivalent zu s
(0)

(a) = s
(n1)

(b) und s
(0)

(a) = s
(n1)

(b) = s
(n)

(b), d. h. aquivalent
zu den Bedingungen an die Koezienten
(1) b
0
= 3d
n1
h
2
n1
+ 2c
n1
h
n1
+ b
n1
, (2) c
0
= 3d
n1
h
n1
+ c
n1
= c
n
.
Die Herleitung der ersten Gleichung des LGS erfolgt durch Einsetzen der Beziehun-
gen (iv) (mittlere Formel) und (2) sowie der Identitaten (ii) f ur b
0
und b
n1
in die
Randbedingung (1).
b
0
= 3d
n1
h
2
n1
+ 2c
n1
h
n1
+ b
n1
,
wobei
d
n1
h
2
n1
= c
n1
h
n1
b
n1
+
f
n
f
n1
h
n1
,
b
0
=
h
0
3
(c
1
+ 2c
0
) +
f
1
f
0
h
0
, b
n1
=
h
n1
3
(c
n
+ 2c
n1
) +
f
n
f
n1
h
n1
, c
n
= c
0
.
Somit gilt nach Einsetzen

h
0
3
(c
1
+2c
0
) +
f
1
f
0
h
0
= c
n1
h
n1
2b
n1
+ 3
f
n
f
n1
h
n1
=
2h
n1
3
c
0
+
h
n1
3
c
n1
+
f
n
f
n1
h
n1
,
2
3
(h
0
+ h
n1
)c
0
+
1
3
h
0
c
1
+
1
3
h
n1
c
n1
=
f
1
f
0
h
0

f
n
f
n1
h
n1
,
2c
0
+
h
0
h
0
+ h
n1
c
1
+
h
n1
h
0
+ h
n1
c
n1
=
3
h
0
+ h
n1
_
f
1
f
0
h
0

f
n
f
n1
h
n1
_
,
2c
0
+ (1 r
1
)c
1
+ r
1
c
n1
= q
1
.
Die letzte Gleichung des LGS folgt durch Einsetzen von (iv) (3d
n1
h
n1
aus der
dritten Gleichung) in die Randbedingung (2).
c
0
= 3d
n1
h
n1
+ c
n1
,
3d
n1
h
n1
= c
n1
_
3 +
2h
n2
h
n1
_
c
n2
h
n2
h
n1
+
h
n1
+ h
n2
h
n1
q
n2
,
c
0
= 2
_
1 +
h
n2
h
n1
_
c
n1

h
n2
h
n1
c
n2
+
h
n1
+ h
n2
h
n1
q
n2
,
h
n1
h
n1
+ h
n2
c
0
+
h
n2
h
n1
+ h
n2
c
n2
+ 2c
n1
= q
n2
,
(1 r
n2
)c
0
+ r
n2
c
n2
+ 2c
n1
= q
n2
.

1.7 Splineinterpolation im R
1
81
1.7.3 B-Splines
Wir betrachten nun einen etwas anderen Zugang zu den Splinekurven.
Er beruht auf der Konstruktion von entsprechend glatten Basispolynomen und ihrer
Linearkombination.
Denition 1.11 Gegeben seien das Intervall I = [a, b] R und die Unterteilung
(Folge der St utzstellen) = {x
0
, x
1
, . . . , x
l+1
} mit a = x
0
< x
1
< . . . < x
l+1
= b.
Ein Spline vom Grad k 1 bzw. Spline der Ordnung k 1 uber ist eine (k 2)-
mal stetig dierenzierbare Funktion, welche in jedem Intervall [x
i
, x
i+1
] mit einem
Polynom vom Grad k 1 ubereinstimmt. Der Fall k = 1 nimmt jedoch eine
Sonderstellung ein.
Der Raum aller Splines uber vom Grad k 1 wird mit S
k,
bezeichnet.
Bemerkung 1.6 S
k,
ist ein linearer Vektorraum der Dimension l +k. Insbesondere
sind also l + k unabhangige Bedingungen notig, um einen Spline vom Grad k 1
eindeutig zu bestimmen.
S
2,
enthalt den Polygonzug mit l + 2 Bedingungen,
S
3,
die quadratischen Splines mit l + 3 Bedingungen und
S
4,
die kubischen Splines mit l + 4 Bedingungen.
Die Begr undung der Dimension l + k des Vektorraums S
k,
und damit der Anzahl
der unabhangigen Bedingungen erfolgt spater.
Eine eziente Moglichkeit, eine Menge von Datenpaaren durch Splinekurven zu in-
terpolieren, bietet die Verwendung von Basis-Splines, auch B-Splines genannt.
Dazu nehmen wir eine vorlauge Umbenennung der St utzstellen vor.
Denition 1.12 B-Splines
Sei
1

2
. . .
n

n+1
eine Folge
1
von St utzstellen.
B-Splines N
ik
(x) der Ordnung k (k = 1, 2, . . . , n, n+1) sind f ur i = 1, 2, . . . , n+1k
wie folgt rekursiv deniert.
k = 1:
N
i,1
(x) =
[
i
,
i+1
)
(x) =
_
1, falls
i
x <
i+1
,
0, sonst.
(1.80)
Dieser B-Spline hat die Eigenschaft einer charakteristischen Funktion auf einer Men-
ge und wird f ur den Anfang der rekursiven Berechnung gebraucht.
k > 1:
N
ik
(x) =
x
i

i+k1

i
N
i,k1
(x) +

i+k
x

i+k

i+1
N
i+1,k1
(x). (1.81)
Die Vereinbarung f ur zusammenfallende St utzstellen
i
=
j
ist, dass dann Quotien-
ten der Form 0/0 als Null interpretiert werden.
82 Polynome, Interpolation, Splines und Dierentiation
Beispiel 1.20 Betrachten wir B-Splines bei paarweise verschiedenen Stellen
i
.
Zusatzlich geben wir auf einem inneren Standardintervall [
i
,
i+k
] = [0, k] der Unter-
teilung
1
= {
1
,
2
, ...,
n+1
} den B-Spline mit diesem Trager sowie seine grasche
Darstellung an.
k = 1: N
i,1
(x) =
[
i
,
i+1
)
(x), i = 1, 2, ..., n, ist st uckweise konstant und
suppN
i,1
= [
i
,
i+1
] ist der Trager.
N
i,1
(x) =
_
1, x [0, 1)
0, sonst
,
n

i=1
N
i,1
(x) = 1 f ur x [
1
,
n+1
).
-
6
1
0 1 2 3 4
x
N
i,1
(x)
Abb. 1.20 B-Splines N
i,1
(x) auf der Unterteilung
1
k = 2: N
i,2
(x) =
x
i

i+1

i
N
i,1
(x) +

i+2
x

i+2

i+1
N
i+1,1
(x), i = 1, 2, ..., n 1,
ist stetig und st uckweise linear, suppN
i,2
= [
i
,
i+2
].
N
i,2
(x) =
_

_
x, x [0, 1]
1 x, x [1, 2]
0, sonst
,
n1

i=1
N
i,2
(x) = 1 f ur x [
1
,
n+1
].
-
6
1
0 1 2 3 4
x
N
i,2
(x)
Abb. 1.21 B-Splines N
i,2
(x) im Inneren der Unterteilung
1
Die intervallweise Notation des B-Splines ist
N
i,2
(x) =
_

_
x
i

i+1

i
, x [
i
,
i+1
],

i+2
x

i+2

i+1
, x [
i+1
,
i+2
],
0, sonst.
1.7 Splineinterpolation im R
1
83
k = 3: N
i,3
(x) =
x
i

i+2

i
N
i,2
(x) +

i+3
x

i+3

i+1
N
i+1,2
(x), i = 1, 2, ..., n 2,
ist dierenzierbar und st uckweise quadratisch, supp N
i,3
= [
i
,
i+3
].
N
i,3
(x) =
_

_
1
2
x
2
, x [0, 1]
x
2
+ 3x
3
2
, x [1, 2]
1
2
(x 3)
2
, x [2, 3]
0, sonst
,
n2

i=1
N
i,3
(x) = 1.
-
6
1
0
1
2
1
3
2
2 3 4
x
3/4
1/2
1/8
N
i,3
(x)
Abb. 1.22 B-Splines N
i,3
(x) im Inneren der Unterteilung
1
Allgemein erhalt man
N
i,3
(x) =
_

_
1

i+2

i
(x
i
)
2

i+1

i
, x [
i
,
i+1
],
1

i+2

i+1
_
(x
i
)(
i+1
x)

i+2

i
+
(x
i+1
)(
i+3
x)

i+3

i+1
_
, x [
i+1
,
i+2
],
1

i+3

i+1
(
i+3
x)
2

i+3

i+2
, x [
i+2
,
i+3
],
0, sonst.
k = 4: N
i,4
(x) =
x
i

i+3

i
N
i,3
(x) +

i+4
x

i+4

i+1
N
i+1,3
(x), i = 1, 2, ..., n 3,
ist zweimal dierenzierbar und st uckweise kubisch, supp N
1,4
= [
i
,
i+4
].
N
i,4
(x) =
_

_
1
6
x
3
, x [0, 1]
1
6
+
1
2
(x 1) +
1
2
(x 1)
2

1
2
(x 1)
3
, x [1, 2]
4
6
(x 2)
2
+
1
2
(x 2)
3
, x [2, 3]
1
6

1
2
(x 3) +
1
2
(x 3)
2

1
6
(x 3)
3
=
1
6
(4 x)
3
, x [3, 4]
0, sonst
,
n3

i=1
N
i,4
(x) = 1.
84 Polynome, Interpolation, Splines und Dierentiation
-
6
1
0 1 2 3 4
x
2/3
1/6
N
i,4
(x)
Abb. 1.23 B-Splines N
i,4
(x) im Inneren der Unterteilung
1
Allgemein folgt bei entsprechender Denition und Einsetzen von Zwischengrossen g
j
N
i,4
(x) =
_

_
(x
i
)
3
(
i+1

i
)(
i+2

i
)(
i+3

i
)
= g
1
, x [
i
,
i+1
],
g
1
(x
i+1
)
3
_
1
(
i+2

i+1
)(
i+3

i+1
)(
i+4

i+1
)
+
1
(
i+2

i+1
)(
i+3

i+1
)(
i+3

i
)
+
1
(
i+2

i+1
)(
i+2

i
)(
i+3

i
)
+
1
(
i+1

i
)(
i+2

i
)(
i+3

i
)
_
= g
2
, x [
i+1
,
i+2
],
g
2
+ (x
i+2
)
3
_
1
(
i+3

i+2
)(
i+4

i+2
)(
i+4

i+1
)
+
1
(
i+3

i+2
)(
i+3

i+1
)(
i+4

i+1
)
+
1
(
i+2

i+1
)(
i+3

i+1
)(
i+4

i
)
+
1
(
i+3

i+2
)(
i+3

i+1
)(
i+3

i
)
+
1
(
i+2

i+1
)(
i+3

i+1
)(
i+3

i
)
+
1
(
i+2

i+1
)(
i+2

i
)(
i+3

i
)
_
, x [
i+2
,
i+3
]
(
i+4
x)
3
(
i+4

i+1
)(
i+4

i+2
)(
i+4

i+3
)
, x [
i+3
,
i+4
],
0, sonst.
Splinekurven aus S
k,
1
kann man damit als Linearkombinationen der zugehorigen
B-Splines N
ik
(x), i = 1, 2, ..., n (k 1), schreiben.
1.7 Splineinterpolation im R
1
85
Im Folgenden betrachten wir die erweiterte St utzstellenfolge
2
, in welcher der
Anfangsknoten und der Endknoten k-mal vorkommen.
a =
1
= . . . =
k
<
k+1
< . . . <
n
<
n+1
= . . . =
n+k
= b. (1.82)
Man beachte hier die neue Nummerierung der St utzstellen.
F ur die Eigenschaft der B-Splines, eine Funktionenbasis zu sein, werden wir zunachst
Potenzfunktionen als Linearkombination dieser darstellen.
Satz 1.28 Marsden-Identitat
F ur x [a, b], s R und
2
gilt
(x s)
k1
=
n

i=1

ik
(s) N
ik
(x) mit
ik
(s) =
k1

j=1
(
i+j
s). (1.83)
Beweis. F ur k = 1 ist die Behauptung richtig wegen
i,1
(s) = 1,
n

i=1
N
i,1
(x) = 1.
Es sei k > 1. Die Behauptung sei bewiesen f ur alle l k 1.
Durch Einsetzen der Rekursionsformel (1.81) folgt
n

i=1

ik
(s) N
ik
(x) =
=
n

i=2
_
x
i

i+k1

ik
(s) +

i+k1
x

i+k1

i1,k
(s)
_
N
i,k1
(x)
=
n

i=2
k2

j=1
(
i+j
s)
_
x
i

i+k1

i
(
i+k1
s) +

i+k1
x

i+k1

i
(
i
s)
_
. .
xs
N
i,k1
(x)
= (x s)
n

i=2

i,k1
(s) N
i,k1
(x)
= (x s)(x s)
k2
= (x s)
k1
.

Folgerung 1.29 (1) Jedes Polynom vom Grad k 1 lasst sich als Linearkombi-
nation der B-Splines N
1,k
, N
2,k
, . . . , N
nk
schreiben.
Beweis. Die l-te Ableitung von f(s) = (x s)
k1
aus (1.83) an der Stelle Null ist
f
(l)
(0) = (k 1)(k 2) ... (k l) (1)
l
x
kl1
=
n

i=1

(l)
ik
(0) N
ik
(x).
Mit m = k l 1 k 1 folgt bei Umstellung nach x
m
daraus
x
m
=
(1)
km1
(k 1)(k 2) ... (m + 1)
n

i=1

(km1)
ik
(0) N
ik
(x). (1.84)
86 Polynome, Interpolation, Splines und Dierentiation
Somit ist eine beliebige Potenz x
m
, m = 0, 1, ..., k 1, eine Linearkombination der
B-Splines N
ik
(x) und damit auch jedes Polynom vom Grad k 1.
(2) Wie im Beispiel 1.19 schon angedeutet wurde, bilden die B-Splines eine Zerlegung
der Eins, also gilt
n

i=1
N
ik
(x) = 1 f ur x [a, b]. (1.85)
Beweis. Mit m = 0, d. h. l = k 1, folgt aus dem Beweis von Teil (1) der Folgerung
1 = x
0
=
(1)
k1
(k 1)!
n

i=1

(k1)
ik
(0) N
ik
(x).
Auerdem ist die (k 1)-ste Ableitung

(k1)
ik
(s) =
_
k1

j=1
(
i+j
s)
_
(k1)
=
_
(1)
k1
s
k1
+ ...

(k1)
= (1)
k1
(k 1)!
und somit auch
(k1)
ik
(0) = (1)
k1
(k 1)!. Dies eingesetzt in die Summenformel
ergibt die Bedingung f ur die Zerlegung der Eins.
(3) Die B-Splines sind lokal linear unabhangig.
Ist (c, d) [a, b] ein Intervall mit c < d, und gilt f ur alle x (c, d)
n

i=1
c
i
N
ik
(x) = 0,
so ist c
i
= 0, falls (c, d) (
i
,
i+k
) = .
Nur die N
ik
(x), die in (c, d) einen Beitrag liefern, haben c
i
= 0.
Beweis. Man wahlt ein Teilintervall (c
0
, d
0
) (c, d) so, dass keine St utzstelle
j
in (c
0
, d
0
) enthalten ist. Der Raum P
k1
(c
0
, d
0
) der Polynome vom Grad k 1
auf (c
0
, d
0
) hat die Dimension k und wird gema Punkt (1) der Folgerung von den
B-Splines N
ik
(x) aufgespannt. Auf (c
0
, d
0
) sind aber nur k B-Splines von Null ver-
schieden. Diese m ussen daher linear unabhangig sein, also ist c
i
= 0 f ur die entspre-
chenden Koezienten.
(4) Jeder Spline s(x) S
k,
2
besitzt eine eindeutige Darstellung als Linearkombina-
tion
s(x) =
n

i=1
d
i
N
ik
(x). (1.86)
Hier ist der Index n aus der St utzstellenfolge
2
die Dimension des Vektorraums und
gleichzeitig die Anzahl der unabhangigen Bedingungen.
1.7 Splineinterpolation im R
1
87
Die Groe n soll nun in Bezug auf die anfangliche Unterteilung = {x
0
, x
1
, ..., x
l+1
}
mit a = x
0
< x
1
< ... < x
l+1
= b sowie deren Modikationen
1
und Erweiterungen

2
,
erw
bestimmt werden. Dabei werden wir in der Unterteilung
erw
die k-malige
Wiederholung (Notation) der 1. St utzstelle links sowie der letzten St utzstelle rechts
ausgehend von mit fortlaufenden Indizes versehen.
Das folgende Schema demonstriert die Zuordnung der St utzstellen.

1
: a =

1
<

2
< ... <

n
<

n+1
= b
...............

2
:
1
= ... =
k1
=
k
<
k+1
< ... <
n
<
n+1
=
n+2
= ... =
n+k
...............

erw
: x
(k1)
= ... = x
1
= x
0
. .
kmal
< x
1
< ... < x
l
< x
l+1
= x
l+2
= ... = x
l+k
. .
kmal
Die Dimension des Vektorraums ergibt sich auf zweierlei Weise als
- Anzahl der Komponenten
1
,
2
, ...,
n
aus
2
: n = n + k 1, oder
- Anzahl der Komponenten x
(k1)
, x
(k2)
, ..., x
l
aus
erw
: l + k.
Somit erhalten wir die eingangs genannte Dimensionsgroe dim = l + k.
In Beispielrechnungen hat man somit zwei Moglichkeiten der Bezeichnung der er-
weiterten St utzstellenfolge. Entweder nimmt man eine Umindizierung wie bei
2
vor, oder man lasst ausgehend von bzw.
1
die Nummerierung nach links und
rechts fortlaufen. Der 1. Index im B-Spline k-ter Ordnung N
ik
(x) bewegt sich dann
entsprechend der Indizes der erweiterten St utzstellenfolge.
Var. Unterteilung Indizierung i in N
ik
(x) Dimension
(V1)
2
1, 2, ..., n n
(V2) = {
1
,
2
, ...,
n
} (k 1) + 1, (k 1) + 2, ..., n 1 n + k 2
(V3) = {
1
,
2
, ...,
n+1
} (k 1) + 1, (k 1) + 2, ..., n n + k 1
(V4) = {
0
,
1
, ...,
n
} (k 1), (k 1) + 1, ..., n 1 n + k 1
(V5) = {x
0
, x
1
, ..., x
l+1
} (k 1), (k 1) + 1, ..., l l + k
Tab. 1.4 Varianten der Unterteilung und St utzstellenindizierung bei B-Splines
Bevorzugte Anwendung ndet die beidseitige Indexerweiterung in den Varianten (V2)
und (V5).
Beispiel 1.21 Wir bestimmen Splines zur Referenz mit 4 Knoten (n = 4, l = 2)

j
= x
j1
, j = 1, 2, 3, 4 0 1 2 3
y
j
2 3 3 5
unter Anwendung von Variante (V2).
88 Polynome, Interpolation, Splines und Dierentiation
1. Linearer Spline, Polygonzug der Ordnung k = 2
Die erweiterte St utzstellenfolge ist {
0
,
1
, ...,
4
,
5
},
0
=
1
,
4
=
5
, dim = 4.
s(x) =
3

i=0
d
i
N
i,2
(x), wobei
N
0,2
(x) =
_
1 x, x [0, 1]
0, sonst
N
1,2
(x) =
_

_
x, x [0, 1]
2 x, x [1, 2]
0, sonst
N
2,2
(x) =
_

_
0, sonst
x 1, x [1, 2]
3 x, x [2, 3]
N
3,2
(x) =
_
0, sonst
x 2, x [2, 3].
Aus der Forderung y
j
= s(
j
) =
3

i=0
d
i
N
i,2
(
j
), j = 1, 2, 3, 4, folgt d
i
= y
i+1
und als
linearer Spline s(x) = 2N
0,2
(x) + 3N
1,2
(x) + 3N
2,2
(x) + 5N
3,2
(x).
2. Quadratischer Spline der Ordnung k = 3
Die erweiterte St utzstellenfolge ist {
1
,
0
,
1
, ...,
4
,
5
,
6
} mit
1
=
0
=
1
,

4
=
5
=
6
, dim = 5. Der Splineansatz ist
s(x) =
3

i=1
d
i
N
i,3
(x), wobei
N
1,3
(x) =
_
(1 x)
2
, x [0, 1]
0, sonst
N
0,3
(x) =
_

_
x
2
(4 3x), x [0, 1]
1
2
(2 x)
2
, x [1, 2]
0, sonst
N
1,3
(x) =
_

_
x
2
2
, x [0, 1]
x
2
2

3
2
(x 1)
2
, x [1, 2]
1
2
(3 x)
2
, x [2, 3]
N
2,3
(x) =
_

_
0, sonst
1
2
(x 1)
2
, x [1, 2]
1
2
(3 x)(3x 5), x [2, 3]
N
3,3
(x) =
_
0, sonst
(x 2)
2
, x [2, 3].
1.7 Splineinterpolation im R
1
89
Die Interpolationsforderung lautet
y
j
= s(
j
) =
3

i=1
d
i
N
i,3
(
j
), j = 1, 2, 3, 4.
Daraus folgt unter Ber ucksichtigung der Funktionswerte der B-Splines N
i,3
(x) an den
St utzstellen das unterbestimmte LGS
y
1
= d
1
,
y
2
=
1
2
(d
0
+ d
1
),
y
3
=
1
2
(d
1
+ d
2
),
y
4
= d
3
,
bzw. in Matrixform
_
_
_
_
_
1 0
1 1
1 1
0 1
_
_
_
_
_
_
_
_
_
_
_
_
d
1
d
0
d
1
d
2
d
3
_
_
_
_
_
_
_
=
_
_
_
_
_
2
6
6
5
_
_
_
_
_
.
Seine parameterabhangige Losung ist
d
1
= 2, d
3
= 5, d
0
= d, d
1
= 6 d, d
2
= d.
Der eine freie Parameter d muss, wie bekannt, durch eine zusatzliche Bedingung
gebunden werden. Dazu verwenden wir die Endbedingung links mit der verschwin-
denden Ableitung s

(
1
) = s

(0) = 0.
Die benotigten Ableitungen der B-Splines auf dem ersten Teilintervall [0,1] sind
N

1,3
(x) = 2(1 x), N

0,3
(x) = 2 3x, N

1,3
(x) = x, N

2,3
(x) = N

3,3
(x) = 0.
Somit erhalt man
0 = s

(0) = 2N

1,3
(0) + dN

0,3
(x) + (6 d)N

1,3
(0) + 0 = 4 + 2d,
damit d = 2 und als endg ultige Losung den quadratischen Spline
s(x) = 2N
1,3
(x) + 2N
0,3
(x) + 4N
1,3
(x) + 2N
2,3
(x) + 5N
3,3
(x).
Da die B-Splines N
ik
(x) vom Grad k 1 = 1, 2, 3 des ofteren verwendet werden,
verschaen wir uns einen

Uberblick mit der Standardunterteilung
n = 5, = {
1
,
2
,
3
,
4
,
5
} = {x
0
, x
1
, x
2
, x
3
, x
4
} = {0, 1, 2, 3, 4},

erw
= {
(k1)+1
,
(k1)+2
, ...,
5+(k1)
}.
90 Polynome, Interpolation, Splines und Dierentiation
Maple bietet daf ur die hilfreiche Funktion
bspline(k-1,x,[x(1),x(2),...,x(k+1)]) ,
wobei k 1 der Grad ist, die Ordnung dann k, x das Argument in der Funktionsdar-
stellung sowie die x(1), ..., x(k+1) die k+1 St utzstellenwerte. Damit ist das Intervall
[x(1), x(k +1)] der aus k Teilintervallen bestehende Trager des B-Splines N
ik
(x) mit

i
= x(1). Die Berechnung erfolgt mit den Rekursionsbeziehungen (1.80), (1.81).
Einige Berechnungen und Grak in Maple
Man beachte die Symmetrie der Splines bez. der Mitte des Intervalls der St utzstellen.
> restart:
> with(plots):
> readlib(spline): readlib(bspline):
# Splineinterpolation mit B-Splines
# ausgewaehlte B-Splines
> n := 5:
> xi := [0, 1, 2, 3, 4]:
> bspline(1,x,[0,0,1]);
> plot(bspline(1,x,[0,0,1]),x=-1..5,title=N02(x));
{ 0 x < 0
{
{ 1-x x < 1
{
{ 0 otherwise
> bspline(2,x,[0,0,1,2]);
> plot(bspline(2,x,[0,0,1,2]),x=-1..5,title=N03(x));
{ 0 x < 0
{
{ 2
{ - 3/2 x + 2 x x < 1
{
{ 2
{ 3/2 - x + 1/2 (x - 1) x < 2
{
{ 0 otherwise
1.7 Splineinterpolation im R
1
91
> bspline(3,x,[0,0,1,2,3]);
> plot(bspline(3,x,[0,0,1,2,3]),x=-1..5,title=N04(x));
{ 0 x < 0
{
{ 3 2
{ - 11/12 x + 3/2 x x < 1
{
{ 2 3
{ 1/3 + 1/4 x - 5/4 (x - 1) + 7/12 (x-1) x < 2
{
{ 2 3
{ 7/6 - 1/2 x + 1/2 (x - 2) - 1/6 (x-2) x < 3
{
{ 0 otherwise
k = 1:
erw
= {0, 1, 2, 3, 4}.
k = 2:
erw
= {0, 0, 1, 2, 3, 4, 4}, dim = 5.
N
i,2
(x) Trager 3. Parameter
in bspline()
N
0,2
(x) [
0
,
2
] = [0, 1],
0
=
1
[0,0,1]
N
1,2
(x) [
1
,
3
] = [0, 2] [0,1,2]
N
2,2
(x) [
2
,
4
] = [1, 3] [1,2,3]
N
3,2
(x) [
3
,
5
] = [2, 4] [2,3,4]
N
4,2
(x) [
4
,
6
] = [3, 4],
6
=
5
[3,4,4]
Die H utchenfunktionen N
i,2
(x) sind im Beispiel 6.19 schon einmal gezeigt worden.
0.2
0.4
0.6
0.8
1
1 1 2 3 4 5
x
B-Splines N(i,2)(x), i=0,1,2,3,4
Abb. 1.24 B-Splines 1. Grades N
i,2
(x), i = 0, 1, 2, 3, 4
92 Polynome, Interpolation, Splines und Dierentiation
k = 3:
erw
= {0, 0, 0, 1, 2, 3, 4, 4, 4}, dim = 6.
N
i,3
(x) Trager 3. Parameter in bspline()
N
1,3
(x) [
1
,
2
] = [0, 1],
1
=
1
[0,0,0,1]
N
0,3
(x) [
0
,
3
] = [0, 2],
0
=
1
[0,0,1,2]
N
1,3
(x) [
1
,
4
] = [0, 3] [0,1,2,3]
N
2,3
(x) [
2
,
5
] = [1, 4] [1,2,3,4]
N
3,3
(x) [
3
,
6
] = [2, 4],
6
=
5
[2,3,4,4]
N
4,3
(x) [
4
,
7
] = [3, 4],
7
=
5
[3,4,4,4]
N
1,3
(x) =
_
(1 x)
2
, x [0, 1]
0, sonst
N
4,3
(x) =
_
(x 3)
2
, x [3, 4]
0, sonst
N
0,3
(x) =
_

3
2
x
2
+ 2x, x [0, 1]
3
2
x +
1
2
(x 1)
2
, x [1, 2]
0, sonst
N
3,3
(x) =
_

_
1
2
(x 2)
2
, x [2, 3]

5
2
+ x
3
2
(x 3)
2
, x [3, 4]
0, sonst
N
1,3
(x) =
_

_
1
2
x
2
, x [0, 1]
1
2
x
2

3
2
(x 1)
2
, x [1, 2]
1
2
(3 x)
2
, x [2, 3]
0, sonst
N
2,3
(x) =
_

_
1
2
(x 1)
2
, x [1, 2]
1
2
(x 1)
2

3
2
(x 2)
2
, x [2, 3]
1
2
(4 x)
2
, x [3, 4]
0, sonst.
0.2
0.4
0.6
0.8
1
1 1 2 3 4 5
x
B-Splines N(i,3)(x), i=1,0,1,2,3,4
Abb. 1.25 B-Splines 2. Grades N
i,3
(x), i = 1, 0, 1, 2, 3, 4
k = 4:
erw
= {0, 0, 0, 0, 1, 2, 3, 4, 4, 4, 4}, dim = 7.
N
i,4
(x) Trager 3. Parameter in bspline()
N
2,4
(x) [
2
,
2
] = [0, 1],
2
=
1
[0,0,0,0,1]
N
1,4
(x) [
1
,
3
] = [0, 2],
1
=
1
[0,0,0,1,2]
N
0,4
(x) [
0
,
4
] = [0, 3],
0
=
1
[0,0,1,2,3]
N
1,4
(x) [
1
,
5
] = [0, 4] [0,1,2,3,4]
N
2,4
(x) [
2
,
6
] = [1, 4],
7
=
5
[1,2,3,4,4]
N
3,4
(x) [
3
,
7
] = [2, 4],
7
=
5
[2,3,4,4,4]
N
4,4
(x) [
4
,
8
] = [3, 4],
8
=
5
[3,4,4,4,4]
1.7 Splineinterpolation im R
1
93
N
2,4
(x) =
_
(1 x)
3
, x [0, 1]
0, sonst
N
1,4
(x) =
_

_
7
4
x
3

9
2
x
2
+ 3x, x [0, 1]
1
4

3
4
(x 1) +
3
4
(x 1)
2

1
4
(x 1)
3
, x [1, 2]
0, sonst
N
0,4
(x) =
_

11
12
x
3
+
3
2
x
2
, x [0, 1]
7
12
+
1
4
(x 1)
5
4
(x 1)
2
+
7
12
(x 1)
3
, x [1, 2]
1
6

1
2
(x 2) +
1
2
(x 2)
2

1
6
(x 2)
3
, x [2, 3]
0, sonst
N
1,4
(x) =
_

_
1
6
x
3
, x [0, 1]
1
6
+
1
2
(x 1) +
1
2
(x 1)
2

1
2
(x 1)
3
, x [1, 2]
4
6
(x 2)
2
+
1
2
(x 2)
3
, x [2, 3]
1
6

1
2
(x 3) +
1
2
(x 3)
2

1
6
(x 3)
3
=
1
6
(4 x)
3
, x [3, 4]
N
3,4
(x) =
_

_
1
4
(x 2)
3
, x [2, 3]
1
4
+
3
4
(x 3) +
3
4
(x 3)
2

7
4
(x 3)
3
, x [3, 4]
0, sonst
N
4,4
(x) =
_
(x 3)
3
, x [3, 4]
0, sonst.
0.2
0.4
0.6
0.8
1
1 1 2 3 4 5
x
B-Splines N(i,4)(x), i=2,1,0,1,2,3,4
Abb. 1.26 B-Splines 3. Grades N
i,4
(x), i = 2, 1, 0, 1, 2, 3, 4
Die k-fache Wiederholung der 1. und letzten St utzstelle kann man auch umgehen.
Der innere Standard-B-Spline N
ik
(x) mit seinem Trager [
i
,
i+k
] wird einfach nach
links und rechts verschoben, so dass an den Randern keine Extra-Formeln zu berech-
nen sind. Was von diesen B-Splines uber das St utzstellenintervall hinausgeht, wird
abgeschnitten. Man spricht dann auch von abgebrochenen B-Splines.
94 Polynome, Interpolation, Splines und Dierentiation
F ur den Fall k = 4 mit n + 1 aquidistanten St utzstellen
x
i
= x
0
+ ih, i = 0, 1, ..., n, x
0
= a, h =
b a
n
,
vergroert man die Unterteilung um die Punkte x
3
, x
2
, x
1
nach links und x
n+1
, x
n+2
,
x
n+3
nach rechts und deniert somit modizierte Basisfunktionen 3. Grades.
Denition 1.13 Globale kubische Basissplines
Der globale kubische Basisspline

N
i,4
(x) C
2
(, ) mit seinem kompakten Trager
[x
i2
, x
i+2
] ist intervallweise deniert und hat die Form

N
i,4
(x) =
1
h
3
_

_
(x x
i2
)
3
, x [x
i2
, x
i1
],
h
3
+ 3h
2
(x x
i1
) + 3h(x x
i1
)
2
3(x x
i1
)
3
, x [x
i1
, x
i
],
h
3
+ 3h
2
(x
i+1
x) + 3h(x
i+1
x)
2
3(x
i+1
x)
3
, x [x
i
, x
i+1
],
(x
i+2
x)
3
, x [x
i+1
, x
i+2
],
0, sonst.
(1.87)
Man pr uft nach, dass

N
i,4
(x) folgende Funktions- und Ableitungswerte an den St utz-
stellen hat.
x
i2
x
i1
x
i
x
i+1
x
i+2
sonst

N
i,4
(x
j
) 0 1 4 1 0 0
[

N
i,4
(x
j
)]

0 3/h 0 3/h 0 0
[

N
i,4
(x
j
)]

0 6/h
2
12/h
2
6/h
2
0 0
Tab. 1.5

N
i,4
(x) und seine ersten Ableitungen bei x
j
Die Funktionen

N
i,4
(x), i = 1, 0, ..., n, n + 1, stellen eine Basis f ur den Raum S
4,
dar. Der Ansatz f ur die Splinefunktion ist
s(x) =
n+1

i=1
c
i

N
i,4
(x). (1.88)
Die n + 3 Unbekannten c
i
ergeben sich aus der Interpolationsforderung
y
j
= s(x
j
) =
n+1

i=1
c
i

N
i,4
(x
j
), j = 0, 1, ..., n,
1.7 Splineinterpolation im R
1
95
sowie zwei zusatzlichen Bedingungen, wie z. B. bei nat urlichen Splines, der Gestalt
0 = s

(x
0
) =
n+1

i=1
c
i
[

N
i,4
(x
0
)]

, 0 = s

(x
n
) =
n+1

i=1
c
i
[

N
i,4
(x
n
)]

.
Somit gelangen wir auf die Losung eines LGS mit einer Koezientenmatrix in Fast-
Tridiagonalform.
_
_
_
_
_
_
_
_
_
_
6
h
2

12
h
2
6
h
2
0
1 4 1
1 4 1
.
.
.
.
.
.
.
.
.
1 4 1
0
6
h
2

12
h
2
6
h
2
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
c
1
c
0
c
1

c
n
c
n+1
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
_
0
y
0
y
1

y
n
0
_
_
_
_
_
_
_
_
_
_
. (1.89)
Man eliminiert die beiden Nichtnullkomponenten auerhalb des Tridiagonalbandes
und lost dann das LGS mit Gau-Elimination.
F ur jedes Teilintervall [x
i
, x
i+1
] ergibt sich der lokale kubische Spline
s
(i)
(x) = c
i1

N
i1,4
(x) +c
i

N
i,4
(x) +c
i+1

N
i+1,4
(x) +c
i+2

N
i+2,4
(x), i = 0, 1, ..., n 1.
Die vier Beitrage der B-Splines auf diesem Intervall bezeichnet man als lokale kubi-
sche Basisfunktionen.
Auch die anderen Endbedingungen kann man analog einbeziehen.
Abschlieend noch die Formel f ur eine lokale kubische Splinefunktion auf der Basis
von Funktionswerten und 1. Ableitungen.
Satz 1.30 Ein interpolierender kubischer Spline lasst sich auf dem Intervall [x
i
, x
i+1
]
wie folgt darstellen.
s
(i)
(x) = y
i
+
i
(x x
i
) +
y
i+1
y
i
x
i+1
x
i

i
x
i+1
x
i
(x x
i
)
2
+

i+1
2
y
i+1
y
i
x
i+1
x
i
+
i
(x
i+1
x
i
)
2
(x x
i
)
2
(x x
i+1
), i = 0, 1, ..., n 1.
(1.90)
Bei dem angegebenen Polynom handelt es sich um das kubische Hermitesche Inter-
polationspolynom zu den Daten (x
i
, y
i
,
i
), (x
i+1
, y
i+1
,
i+1
), d. h. es gilt
s
(i)
(x
i
) = y
i
, s
(i)
(x
i+1
) = y
i+1
s
(i)
(x
i
)

=
i
, s
(i)
(x
i+1
)

=
i+1
_
i = 0, 1, ..., n 1.
Beweis. Man pr uft die Interpolationsbedingungen nach.
96 Polynome, Interpolation, Splines und Dierentiation
1.7.4 Kr ummung einer Kurve
In Betrachtungen zu kubischen Splines spielt die zweite Ableitung, also die Kr ummung
der Kurve eine Rolle. Dies hat auch auf die glattenden Eigenschaften solcher Funk-
tionen Einuss. Deshalb soll die Denition des Kr ummungsradius an f(x) in x her-
geleitet werden.
Gegeben sei die zweimal stetig dierenzierbare Funktion f : [a, b] R und ein
x (a, b) mit f

(x) = 0.
Konstruktion des Schmiegekreises an f in x
Sei y = f(x), y

= f

(x), y

= f

(x). Man wahle h > 0 und bestimme den Kreis


durch die Punkte {P
1
, P
0
, P
1
} = {(x h, f(x h)), (x, f(x)), (x + h, f(x + h))}
mit dem Mittelpunkt M.
-
6
P
0
P
1
P
1
x
0
y =f(x)
M

2
g
1
g
2
R
K

P
1

P
1
Abb. 1.27 Geometrische Erlauterung zum Schmiegekreis, hier ist
{P
1
, P
0
, P
1
} = {(x h
1
, f(x h
1
)), (x, f(x)), (x + h
2
, f(x + h
2
))}
Dann gelten
P
1
= (x h, f(x h)) (x h, y hy

+ h
2
/2 y

) =

P
1
,
P
1
= (x + h, f(x + h)) (x + h, y + hy

+ h
2
/2 y

) =

P
1
.
Die Geraden g
1
und g
2
seien die Mittelsenkrechten auf den Verbindungsstrecken

P
1
P
0
und P
0

P
1
, also
g
1
=
1
+ v
1
, g
2
=
2
+ v
2
mit den Streckenmittelpunkten

1
=
1
2
(

P
1
+P
0
) =
1
2
(2x h, 2y hy

+ h
2
/2 y

),

2
=
1
2
(P
0
+

P
1
) =
1
2
(2x + h, 2y + hy

+ h
2
/2 y

),
1.7 Splineinterpolation im R
1
97
und den senkrechten Vektoren v
1
,v
2
, z. B.

P
1
P
0
v
1
, P
0

P
1
v
2
v
1
= (y

h/2 y

, 1), v
2
= (y

+ h/2 y

, 1),
P
0


P
1
= (h, hy

h
2
/2 y

) = h(1, y

h/2 y

) (y

h/2 y

, 1).

M als Schnittpunkt der Geraden g


1
und g
2
f uhrt auf die zwei Bedingungen
1
2
(2x h) + (y

h
2
y

) =
1
2
(2x + h) + (y

+
h
2
y

),
1
2
(2y hy

+
h
2
2
y

) =
1
2
(2y + hy

+
h
2
2
y

) .
Die zweite Gleichung liefert = hy

. Durch Einsetzen in die erste Gleichung


erhalt man
y

h
2
y

= 1.
Im Limes h 0 folgt

M M und = (1 + y

2
)/(y

). Der Schnittpunkt der


Geraden g
1
und g
2
liegt somit bei
M = (M
1
, M
2
) = (x
0
, y
0
) = (x + y

, y ).
Der Radius des gesuchten Kreises ist
R
K
= [(M
1
P
0,1
)
2
+ (M
2
P
0,2
)
2
]
1/2
= ||
_
y

2
+ 1
=
_
1 + y

2
_
3/2
|y

|
.
(1.91)
Denition 1.14 Schmiegekreis mit seinen Eigenschaften
Der Kreis mit dem Mittelpunkt M und Radius R
K
heit Schmiegekreis an f in x.
R
K
ist der Kr ummungsradius, die inverse Groe
K =
1
R
K
=
|y

|
_
1 + y

2
_
3/2
(1.92)
die Kr ummung von f in x.
98 Polynome, Interpolation, Splines und Dierentiation
Glattungseigenschaften kubischer Splines
Als Ma f ur die Kr ummung von f in x kann also f

(x) betrachtet werden.


Ein Ma f ur die Kr ummung im Intervall [a, b] ist die integrale Groe
f

2
=
_
_
b
_
a
[f

(x)]
2
dx
_
_
1/2
. (1.93)
Diese wird durch gewisse kubische Splines minimiert, wie der nachfolgende Satz zeigt.
Satz 1.31 Gegeben seien die Unterteilung = {a = x
0
, x
1
, . . . , x
l+1
= b} und die
zweimal stetig dierenzierbare Funktion f : [a, b] R.
p : [a, b] R sei eine f interpolierende Funktion, d. h. es gelte p(x
i
) = f(x
i
), i =
0, 1, . . . , l + 1.
Ist s ein interpolierender kubischer Spline von f mit der zusatzlichen Eigenschaft
[s

(x)(p

(x) s

(x))]
b
x=a
= 0, (1.94)
so ist s

2
p

2
.
Beweis. Aus p

= s

+ (p

) folgt
b
_
a
(p

)
2
dx =
b
_
a
(s

)
2
dx + 2
b
_
a
s

(p

)dx
. .
()
+
b
_
a
(p

)
2
dx
. .
0

b
_
a
(s

)
2
dx,
falls () verschwindet. Mittels partieller Integration und nach der Voraussetzung
(1.94) gilt
b
_
a
s

(p

)dx = [s

(p

)]
b
a

b
_
a
s

(p

)dx =
b
_
a
s

(p

)dx.
Nach Denition ist s

st uckweise konstant und somit s

(x) =
i
f ur x (x
i
, x
i+1
).
Daher ist
b
_
a
s

(p

)dx =
l

i=0

i
x
i+1
_
x
i
(p

)dx =
l

i=0

i
[p(x) s(x)]
x
i+1
x
i
= 0
wegen der Interpolationseigenschaft.
1.7 Splineinterpolation im R
1
99
Folgerung 1.32 Sei s ein kubischer Interpolationsspline. Ist p eine weitere zwei-
mal stetig dierenzierbare interpolierende Funktion, und erf ullt s die erganzenden
nat urlichen Randbedingungen oder erf ullen s und p gleichzeitig eine der Bedingungen
s

(a) = s

(b) = 0 oder s

(a) = p

(a), s

(b) = p

(b), so ist s

2
p

2
.
Beweis. Analog zum Beweis des Satzes 1.31.
Nach Voraussetzung gilt [s

(x)(p

(x) s

(x))]
b
x=a
= 0.
1.7.5 Parametrische Splines zur Kurvendarstellung
Ziel ist die Interpolation mit entsprechender Glattheit der punktweise gegebenen
Kurve im R
2
C = {P
k
| P
k
= (x
k
, y
k
), k = 0, 1, ..., n}. (1.95)
sowie eine kurze Beschreibung des Algorithmus zur Konstruktion des Splines.
Die Parameterdarstellung von C sei
x = x(t), y = y(t), a t b. (1.96)
- -
6 6
y
k
y
x
k x
P
0
P
k
P
k+1
P
n

k
C


x
y
C
P
0
= P
n
P
k
P
k+1
Abb. 1.28 Oene bzw. geschlossene Kurven in der Ebene mit Parametrisierung
Algorithmus f ur parametrische Splines
1. Bestimmung der t-Werte t
k
zu x
k
= x(t
k
), y
k
= y(t
k
).
Man berechnet die Approximation der Bogenlange zwischen P
k
= (x
k
, y
k
) und P
k+1
=
(x
k+1
, y
k+1
) durch die Verbindungsstrecke gema

k
= t
k+1
t
k
=
_
(x
k+1
x
k
)
2
+ (y
k+1
y
k
)
2
,
t
k+1
= t
k
+
k
, k = 0, 1, ..., n 1, t
0
= 0.
(1.97)
100 Polynome, Interpolation, Splines und Dierentiation
2. Interpolation der zwei Funktionen x(t), y(t) durch die kubischen Splinefunktionen
s
x
(t) bzw. s
y
(t) mit
s
x
(t
k
) = x
k
, s
y
(t
k
) = y
k
, k = 0, 1, ..., n, (1.98)
und den Glattheitsforderungen f ur kubische Splines.
Bemerkung 1.7 (1) Sinnvoll ist die Approximation oener Kurven durch nat urli-
che Splines sowie die Approximation geschlossener Kurven durch periodische Splines.
(2) Die Approximation von Raumkurven (x(t), y(t), z(t)), a t b, kann analog
erfolgen unter Einbeziehung der Werte z
k
.
1.8 Dierentiation
Bei der Berechnung von Ableitungswerten auf der Basis einer gegebenen Referenz
verwendet man oft Dierenzenquotienten entsprechender Genauigkeitsordnung, um
an den St utzstellen Naherungswerte daf ur zu gewinnen. Mochte man jedoch noch Ab-
leitungen an Zwischenstellen haben, ist zunachst die Konstruktion einer hinreichend
glatten interpolierenden Funktion angebracht, die dann einfach abgeleitet werden
kann. Zwei Aufgabenstellungen sollen hier Gegenstand der Betrachtungen sein.
(A1) Gegeben ist y = f(x) f ur a x b.
Gesucht ist eine in der Gestalt einfache Naherungsfunktion f ur die Ableitung
y = g(x) mit g(x) f

(x) f ur alle x [a, b].


(A2) Gegeben sind die Punkte (x
k
, y
k
), k = 0, 1, ..., n (Referenz).
Gesucht sind Naherungen der Ableitungen an den St utzstellen x
k
mit
y

k
f

(x
k
), y

k
f

(x
k
), ... f ur k = 0, 1, ..., n.
Dierentiation durch kubische Splines
Auf Grund der geringen Schwankungen zwischen den St utzstellen x
k
eignet sich die
kubische Splinefunktion s(x) = s
(k)
(x) f ur x [x
k
, x
k+1
] mit
s
(k)
(x) = a
k
+ b
k
(x x
k
) + c
k
(x x
k
)
2
+ d
k
(x x
k
)
3
besonders gut zur Approximation der 1. und 2. Ableitung.
Losung der Aufgabe (A1)
1. Auswahl von n + 1 St utzstellen x
k
und Berechnung der Werte f
k
= f(x
k
).
2. Ermittlung der (nat urlichen, eingespannten, periodischen) kubischen Splinefunk-
tion s(x).
1.8 Dierentiation 101
3. Dierentiation liefert
s
(k)
(x)

= b
k
+ 2c
k
(x x
k
) + 3d
k
(x x
k
)
2
,
s
(k)
(x)

= 2c
k
+ 6d
k
(x x
k
), k = 0, 1, ..., n 1.
4. Berechnung der 1. und 2. Ableitung an beliebigen Stellen x [a, b].
Losung der Aufgabe (A2)
1. Ermittlung der (nat urlichen, eingespannten, periodischen) kubischen Splinefunk-
tion s(x).
2. Einsetzen der St utzstellen x
k
in s
(k)
(x)

, s
(k)
(x)

, s
(k)
(x)

liefert
s
(k)
(x
k
)

= b
k
y

k
, k = 0, 1, ..., n,
s
(k)
(x
k
)

= 2c
k
y

k
,
s
(k)
(x
k
)

= 6d
k
y

k
,
wobei man bei der dritten Ableitung des Splines mit Spr ungen rechnen muss.
Beispiel 1.22 y = f(x) = sin(x), 0 x .
Die Bestimmung des nat urlichen Splines s(x), s(x) = s
(k)
(x) f ur x [x
k
, x
k+1
],
x
k
= k/4, k = 0, 1, 2, 3, 4, ergibt
s(x) =
_

_
0 + 0.9977253085x + 0x
2
0.1579135105x
3
, x [0,

4
]
0.7071067812 + 0.7054983314(x

4
)+
0.3720749433(x

4
)
2
0.0654099177(x

4
)
3
, x [

4
,

2
]
1+ 0(x

2
) 0.5261934310(x

2
)
2
+ 0.0654099177(x

2
)
3
, x [

2
,
3
4
]
0.7071067812 0.7054983314(x
3
4
)+
0.3720749433(x
3
4
)
2
+ 0.1579135105(x
3
4
)
3
, x [
3
4
, ]
Damit berechnet man Approximationen der Ableitungen von f(x) durch s

(x), s

(x).
k s

(x
k
) R

(x
k
) s

(x
k
) R

(x
k
)
0 0.997 725 0.0023 0 0
1 0.705 498 0.0016 0.744 150 0.037
2 0 0 1.052 386 0.052
3 0.705 498 0.0016 0.744 150 0.037
Tab. 1.6 Naherungswerte s

(x
k
), s

(x
k
) und deren Fehler
R
(l)
(x
k
) = s
(l)
(x
k
) f
(l)
(x
k
), l = 1, 2
Literaturverzeichnis
[1] Beresin, I. S. und N. P. Shidkow: Numerische Methoden. Bd. 1,2. DVW Berlin
1970, 1971.
[2] Bodewig, E.: Matrix calculus. New York 1959.
[3] Collatz, L.: Funktionalanalysis und numerische Mathematik. Springer-Verlag Berlin
1964.
[4] Demidovich, B. P., I. A. Maron und E. S. Schuwalowa: Numerische Methoden
der Analysis. Math. f ur Naturwiss. und Technik, Bd. 14. DVW Berlin 1968.
[5] Deuflhard, P. und H. Hohmann: Numerische Mathematik. Walter de Gruyter Ber-
lin 1991.
[6] Deuflhard, P. und H. Hohmann: Numerische Mathematik. 1: Eine algorithmisch
orientierte Einf uhrung. 3. uberarbeitete und erweiterte Auage, Lehrbuch. Walter de
Gruyter Berlin 2002.
[7] Dietel, J.: Formelsammlung zu Numerischen Mathematik mit Turbo Pascal-
Programmen (TPNUM). Rechenzentrum der RWTH Aachen 1993.
[8] Donner, K.: Skalierung von Matrizen und numerische Stabilitat der Gau-
Elimination. Preprint Universitat Passau, MIP-9514 September 1995.
[9] Faddejew, D. K. und W. N. Faddejewa: Numerische Methoden der linearen Al-
gebra. Math. f ur Naturwiss. und Technik, Bd. 10. DVW Berlin 1973.
[10] Faires, J. D. und R. L. Burden: Numerische Methoden. Naherungsverfahren und
ihre praktische Anwendung. Spektrum Akademischer Verlag Heidelberg 1994.
[11] Gantmacher, F.R.: Teorija matriz. Moskwa 1954.
[12] Golub, G. H. und C. van Loan: Matrix Computations. The John Hopkins University
Press Baltimore 1989.
[13] Hackbusch, W.: Iterative Losung groer schwachbesetzter Gleichungssysteme.
Leitfaden der angewandten Mathematik und Mechanik Band 69. B. G. Teubner Stutt-
gart 1991, 1993.
[14] Hanke-Bourgeois, M.: Grundlagen der Numerischen Mathematik und des Wissen-
schaftlichen Rechnens. Mathematische Leitfaden. B. G. Teubner GmbH, Stuttgart
2002.
[15] H ammerlin G. und K.-H. Hoffmann: Numerische Mathematik. Grundwissen Ma-
thematik 7. Springer-Verlag Berlin 1991, 1994.
LITERATURVERZEICHNIS 103
[16] Hermann, M.: Numerische Mathematik. R. Oldenbourg Verlag M unchen 2001.
[17] Huckle, T. unds. Schneider: Numerik f ur Informatiker. Springer-Verlag 2002.
[18] Isaacson, E. und H. B. Keller: Analyse numerischer Verfahren. Edition Leipzig
1972.
[19] Kie lbasi nski, A. und H. Schwetlick: Numerische lineare Algebra. DVW Berlin
1988.
[20] Kose, K., R. Schr oder und K. Wieliczek: Numerik sehen und verstehen. Ein kom-
biniertes Lehr- und Arbeitsbuch mit Visualisierungssoftware. Vieweg Braunschweig
1992.
[21] Lax, P. D.: Linear Algebra. Pure and Applied Mathematics. John Wiley & Sons New
York 1997.
[22] Locher, F.: Numerische Mathematik - f ur Informatiker. Springer-Verlag Berlin 1992.
[23] Luetkepohl, H.: Handbook of matrices. John Wiley & Sons Chichester 1996.
[24] Mae, G.: Vorlesungen uber Numerische Mathematik I, II. Akademie-Verlag Berlin
1984, 1988. Verfahren. Vieweg Braunschweig 1999.
[25] Meis, Th. und U. Marcowitz: Numerische Behandlung partieller Dierentialglei-
chungen. Springer-Verlag Berlin 1978.
[26] Meister, A.: Numerik linearer Gleichungssysteme. Ein Einf uhrung in moderne
[27] Mohr, R.: Numerische Methoden in der Technik. Ein Lehrbuch mit Matlab-Routinen.
Vieweg Wiesbaden 1998.
[28] Neundorf, W.: Numerische Mathematik - Vorlesungen,

Ubungen, Algorithmen und
Programme. Shaker Verlag Aachen 2002.
[29] Oevel, W.: Einf uhrung in die Numerische Mathematik. Spektrum Akademischer Ver-
lag Heidelberg 1996.
[30] Opfer, G.: Numerische Mathematik f ur Anfanger. Vieweg Studium Grundkurs Ma-
thematik Wiesbaden 1993, 3. uberarbeitete und erw. Auage 2001.
[31] Paulin, G. und E. Griepentrog: Numerische Verfahren der Programmiertechnik.
Verlag Technik Berlin 1975.
[32] Plato, R.: Numerische Mathematik kompakt. Grundlagenwissen f ur Studium und
Praxis. Vieweg Wiesbaden 2000.
[33] Quarteroni, A., Sacco, R. und F. Saleri: Numerische Mathematik 1,2. Springer-
Verlag 2002.
[34] Ralston, A.: A First Course in Numerical Analysis. McGraw-Hill New York 1965.
[35] Reimer, M.: Grundlagen der Numerischen Mathematik. I und II. AULA-Verlag Wies-
baden 1980, 1982.
[36] Rice, J. R.: Numerical Methods, Software and Analysis. 2nd Edition. Academic Press
Inc. Boston 1993.
104 LITERATURVERZEICHNIS
[37] Roos, H.-G. und H. Schwetlick: Numerische Mathematik. Das Grundwissen f ur
jedermann. B. G. Teubner Stuttgart 1999.
[38] Rutishauser, H.: Vorlesungen uber Numerische Mathematik. Bd. 1,2. Birkhauser
Verlag Basel 1976.
[39] Samarskij, A. A.: Theorie der Dierenzenverfahren. Akademische VG Geest & Por-
tig K.-G. Leipzig 1984.
[40] Schaback, R. und H. Werner: Numerische Mathematik. Springer-Verlag Berlin
1993.
[41] Schuppar, B.: Elementare Numerische Mathematik. Eine problemorientierte
Einf uhrung f ur Lehrer und Studierende. Vieweg Wiesbaden 1998.
[42] Schwarz, H. R.: Numerische Mathematik. B. G. Teubner Stuttgart 1988, 1997.
[43] Schwarz, H. R., H. Rutishauser und E. Stiefel: Numerik symmetrischer Matri-
zen. B. G. Teubner Stuttgart 1972.
[44] Schwetlick, H. und H. Kretzschmar: Numerische Verfahren f ur Naturwissen-
schaftler und Ingenieure. Fachbuchverlag Leipzig 1991.
[45] Sp ath, H.: Numerik. Vieweg Wiesbaden 1994.
[46] Stoer, J.: Numerische Mathematik I. Heidelberger Taschenb ucher 105. Springer-
Verlag Berlin 1993.
[47] Stoer, J. und R. Bulirsch: Einf uhrung in die Numerische Mathematik II. Heidel-
berger Taschenb ucher 114. Springer-Verlag Berlin 1990.
[48] Stoer, J. und R. Bulirsch: Numerical mathematics 2. An Introduction - under
consideration of lectures by F. L. Bauer. 4. neu bearbeitete und erweiterte Auage.
Springer-Verlag Berlin 2000.
[49]

Uberhuber, C.: Computer-Numerik 1,2. Springer-Verlag Berlin 1995.
[50] Varga, R.S.: Matrix iterative analysis. Prentice Hall, Englewood Clis, N. J., 1962.
[51] Weller, F.: Numerische Mathematik f ur Ingenieure und Naturwissenschaftler. Eine
Einf uhrung f ur Studium und Praxis. Vieweg Braunschweig 1996.
[52] Werner, J.: Numerische Mathematik 1, 2. Vieweg Studium Aufbaukurs Mathematik
1992.
[53] Wilkinson, J. H. und C. Reinsch: Linear Algebra. Handbook for automatic com-
putation, Vol. II. Grundlehren der mathematischen Wissenschaften in Einzeldarstel-
lungen, Bd. 186. Springer-Verlag Berlin 1971.
[54] Zlatev, Z.: Computational Methods for General Sparse Matrices. Math. and Its Appl.
Vol.65. Kluwer Academic Publishers London 1991.
[55] Zurm uhl, R.: Praktische Mathematik f ur Ingenieure und Physiker. Springer-Verlag
Berlin 1965.
[56] Zurm uhl, R. und S. Falk: Matrizen und ihre Anwendungen. Teil 2, Numerische
Methoden. Springer-Verlag Berlin 1984.
Index
Approximation
stetige Approximation im Mittel, 58
Fourier-Koezienten, 58
Fourier-Polynom, 58
baryzentrische Koordinaten, 18
Dierenz, 19
dividierte, 19
R uckwartsdierenz, 19
Steigung, 20
Vorwartsdierenz, 19
diskrete Fourier-Transformation, 55
Buttery-Algorithmus, 55
Fourier-Koezienten, 55
schnelle Fourier-Transfromation, 55
Gibbsscher Eekt, 39
Kr ummung einer Kurve, 89
Kr ummung, 90
Kr ummungsradius, 89
Schmiegekreis, 89
Laplacescher Entwicklungssatz, 7
Matrix
Vandermondesche Matrix, 7, 51
Norm eines linearen Raums, 11
Maximumnorm, 12
orthogonale Funktionensysteme
Tschebysche-Polynome, 45
Minimax-Eigenschaft, 45
Partialbruchzerlegung, 18
Polynom, 1
Deation, 2
einfaches Horner-Schema, 1
Horner-Schema, 1
einfaches, 1
inverses, 3
vollstandiges, 2
Newtonsche Form, 3
Normalform, 1
reduzierte, 2
Polynominterpolation im R
1
, 5
Aitken-Interpolation, 23, 29
Schema von Aitken, 29
Schema von Aitken-Neville, 29
allgemeine lineare Interpolation, 6
allgemeine Referenz, 35
Basisfunktionen, 5
Haarsche Determinante, 7
Hermite-Interpolation, 31
Interpolationspolynom, 32
kubische Hermite-Basis, 36
Interpolationsaufgabe, 6, 31
Interpolationsfehler, 6, 8, 21, 32
Kondition, 11
Konvergenz, 38
Konvergenzsatze, 43
Lagrange-Interpolation, 8
baryzentrische Darstellung, 18
Interpolationspolynom, 8
Langrange-Basispolynome, 8, 26
Newton-Interpolation, 19
Interpolationspolynom, 21
Interpolationspolynom von Newton-
Gregory, 25
Newton-Basispolynome, 21, 26
Schema der dividierten Dieren-
zen, 20
106 INDEX
Referenz, 5, 8
Tschebysche-Referenz, 44
St utzstelle, 5
St utzwert, 5
Taylor-Interpolation, 35
Vandermondesche Matrix, 7
Polynominterpolation im R
2
, 6
Satz
Marsden-Identitat, 78
Weierstrascher Approximati-
onssatz, 43
Satz von Faber, 43
Satz von Holladay zur Optima-
litat kubischer Splines, 73
Satz von Rolle, 9
Splineinterpolation im R
1
, 63
B-Splines, 74
Marsden-Identitat, 78
abgebrochene B-Splines, 86
erweiterte St utzstellenfolge, 78, 80
globale kubische Basissplines, 87
Grad, 74
H utchenfunktionen, 84
Ordnung, 74
Raum der Splines, 74
Zerlegung der Eins, 79
Glattungseigenschaften kubischer Spli-
nes, 91
kubische Splines, 70
eingespannter Spline, 71
Existenz und Eindeutigkeit, 73
Konstruktion, 71
nat urlicher Spline, 70
Optimalitat, 73
periodischer Spline, 71
Spline mit Not-a-knot-Bedingung,
71
linearer Spline, 65
quadratische Splines, 65
Typen von Splines, 65
Splineinterpolation im R
2
, 92
parametrische Splines, 92
trigonometrische Interpolation, 6, 47
Basisfunktionen, 50
Faltungsalgorithmus, 49
komplexe Einheitswurzeln, 48
komplexes Interpolationspolynom,
50
reelles Interpolationspolynom, 51
Anschrift:
Dr. rer. nat. habil. Werner Neundorf
Technische Universitat Ilmenau, Institut f ur Mathematik
PF 10 05 65
D - 98684 Ilmenau
E-mail : werner.neundorf@tu-ilmenau.de
Homepage : http://www.tu-ilmenau.de/site/math/neundorf.html