I 2 pf q “ 19 r5f p´ 3{5q ` 8f p0q ` 5f p 3{5qs 1

f p6q pξq
a a
Fehleranalyse Eindeutig, falls RangpAq “ n, sonst weitere Lösungen x ` y mit y P Kern(A) ñ @f P H D! g P S : }f ´ g} “ minϕPS }f ´ ϕ} Fehler: 15750
Gleitkommazahlen QR-Zerlegung Konstruktion ψ1 , ..., ψn Basis vonřS Transformation ϕ : r´1, 1s Ñ ra, bs, y “ ϕpxq “ b´a x ` b`a
n n 2 2
a “ ˘M ¨ b˘E mit a P R, M Mantisse “ 0, m1 m2 ...mr , E Exponent P N0 T
ř
Satz A P Kmˆn , m ě n, RangpAq “ n ñ D!Q P Kmˆn : Q Q “ I und obere k“1 pψk , ψi qak “ pf, ψi q ñ g “ ř ak ψ k
k“1 b´a
p2n`3q
2 4
pn`1q! b´a p2n`2q p2n`2q
Rundungsoperation rd : D Ñ A, |x ´ rdpxq| “ minaPA |x ´ a| ψ1 , ..., ψn Orthonormalbasis ñ g “ n pf, ψk qψk Transformation: Fehler ¨ p2n`3qp2n`2q! 3 ¨ p 2 q f pϕpξqq
Dreiecksmatrix R P Knˆn mit rii ą 0. A = QR. ˛k“1
2
abs.Fehler: |x ´ rdpxq| ď 12 b´r bE QR mit Gram-Schmidt q1 “ }a1 }´1 a1 2 0 2{3 . . . Transformation: Gewichte und Stützstellen I pnq pf q “ n ˜
ř
i“0 α̃i f pλi q
¨
b´r bE q̃k “ ak ´ k´1 ˚ 0 2{3 0 . . .‹ λ˜i “ b´a b`a b´a
rel.Fehler: | x´rdpxq 1 ´r`1 qk “ }q̃k }´1 q̃k
ř
|ď ď b i“1 pak , qi q2 qi 2
λ i ` 2
α̃ i “ 2
α i
x |M |bE 2
Hilbertmatrix ˚2{3
˚
0 2{5 . . .‹
‹
Maschinengenauigkeit: rdpxq “ xp1 ` εq mit |ε| ď ε “ 12 b´r`1 QT A “ R ˝ 0 Transformation: Quadraturformeln für n=1,2 mit c “ b`a 2
, h “ b´a 2
Bis auf Vorzeichen: rkk “ }q̃k }2 rik “ 0 für i ą k rik “ pak , qi q2 2{5 . . . . . .‚
I 1 pf q “ b´a
a a
Numerische Stabilität eines Algorithmus überprüfen: x1 ‘ a b x2 etc. um- ... ... ... ... 2
rf pc ´ 1{3hq ` f pc ` 1{3hqs
schreiben in px1 `´¨x2 qp1`ε1 q mit c¨ε2 “ Opε2 q etc. und dann | ∆y | ď eps ... Householder mit Matrizen 2 b´a
a a
Legendre-Polynome sind bezüglich Standardskalarprodukt I pf q “ 18 r5f pc ´ 3{5hq ` 8f pcq ` 5f pc ` 3{5hqs
y ...
v1 “ a1 ´}a 1 }2 ¨e1
}...}
für a11 ă 0 , v1 “ a1 `}a 1 }2 ¨e1
}...}
für a11 ą 0 n! dn
abschätzen 2 2 orthogonaliisierte Monombasis Ln pxq “ p2nq! px2 ´ 1qn Konvergenz I pnq pf q pn ` 1q-punktige Gauß-Legendre-Formel
dxn
Konditionierung Komponentenweiser rel.Fehler Ap1q “ S1 A mit S1 “ I ´ 2v1 v1T 2 ñ @f P Cr´1, 1s : I pnq pf q Ñ Ipf qpn Ñ 8q
řm Bfi piq piq rekursiv: L0 pxq “ 1 L1 pxq “ x Ln`1 pxq “ x ¨ Ln pxq ´ 4nn2 ´1 Ln´1 pxq
∆yi
“ j“1 pxq
xj ∆xj
mit Konditionszahlen kij Allgemein: ṽi “ ãi ´}ã i }2 ¨ẽi
}...}2
für aii ă 0 , ṽi “ ãi `}ã i }2 ¨ẽi
}...}2
für aii ą 0 b Beispiel mit ωpxq “ p1 ´ x2 q´1{2 auf [-1,1 ]
yi fi pxq xj
Bxj
looooooomooooooon m
hkkkkikkkkj
1
}Ln }
“ p2nq!
n!2
2n`1
22n`1
n!
Ln p1q “ p2nq! 2n Orthogonalen Polynome sind Tschebyscheff-Polynome (Def. siehe oben)
—kij pxq ñ viT “ p0 n ṽi qT und Si “ I ´ 2vi viT ñ Apiq “ Si Api´1q
. .o0
loo.mo Gewichtetesş1 Skalarprodukt Ñ Stützstellen λi “ cosp pi 2i`1
2 n`1
q und Gewichte αi “ n`1 π
, i “ 0, . . . , n
1 pf, gqω “ ´1 f pxqgpxqωpxqdx mit ωpxq “ p1 ´ x2 q´1{2 Rpnq pf q “ 2π
f p2n`2q pξq
Im Eindimensionalen: k “ | ffpxqx pxq
| i´1
2p2n`2q p2n`2q!
Nach letztem Schritt: R̃ “ Apnq “ Sn . . . S1 A “ Q̃T A und Q̃ “ S1 . . . Sn Tschebyscheff-Polynome sind bezüglich des gewichteten Skalarprodukts or-
Gesamter maximaler Fehler ist die Summe über Fehler der Komponenten i T thogonal. Für x P r´1; 1s : Tk pxq “ cospk ¨ arccospxqq Intervallschachtelung xt “ 12 pat ` bt q
Regeln 1. Schlecht konditionierte Operationen zuerst pS “ S “ S ´1 q f pat qf pxt q ă 0 ñ at`1 “ at bt`1 “ xt
letzten m-n Spalten in Q̃ P Kmˆm streichen ñ Q P Kmˆn Rekursiv: T0 “ 1, T1 “ x,$Tk`1 “ 2x ¨ Tk ´ Tk´1
2. Nicht beide Lösungen aus pq-Formel (Vieta: q “ x1 ¨ x2 , p “ ´px1 ` x2 qq k“j“0 f pat qf pxt q ą 0 ñ at`1 “ xt bt`1 “ bt
letzten m-n Zeilen in R̃ P Kmˆn streichen ñ R P Knˆn & π,
3. Polynomauswertung mit Hornerschema ş1
π{2, k “ j ‰ 0 Fehler |bt`1 ´ at`1 | “ 12 |bt ´ at | “ 2´t´1 |a0 ´ b0 |
Norm }.}: Kn Ñ R` mit (N1) }x} ą 0, x ‰ 0 (N2) }αx} “ |α| ¨ }x} (N3) Anwendung AT Ax “ AT b geht über in AT Ax “ RT QT QRx “ RT Rx “ ´1 Tk pxqTj pxqωpxqdx “ % Das Newton-Verfahren
RT QT b. Wenn R regulär ñ Rx “ QT b lösbar durch Rückwärtseinsetzen 0, k‰j
}x ` y} ď }x} ` }y} ař Tschebyscheff-Approximation Iterationsvorschrift xt`1 “ xt ´ ff1px tq
pxt q
, p “ 2 (2 Auswertungen)
Eukl. Norm }x}2 “ n 2 Aufwand 2 ˆ LR-Zerlegung mit Gauß
k“1 |xk | Ziel Tschebyscheff minimiert Fehler in max-Norm Konvergenz m “ minxPra,bs |f 1 pxq| ą 0 M “ maxxPra,bs |f ”pxq|
Max.norm }x}8 “řmaxk |xk | Cholesky und QR Da pAT Aq “ pRT qpRq ist L̃ “ RT die Cholesky-Zerlegung M
von pAT Aq Satz E normierter Vektorraum, S Ă E, dim S ă 8 ρ ą 0 mit q “ 2m ρ ă 1 Kρ pzq “ tx P R : |x ´ z| ď ρu
L1 -Norm }x}1 “ n k“1 |xk | ñ @f P EDg P S : }f ´ g} “ minϕPS }f ´ ϕ}
Polynominterpolation ñ Konvergenz @x0 P Kρ pzq
Verträglichkeit mit Vektornorm ô }Ax} ď }A} ¨ }x} x´xj Haarsche Bedingung Lagrangsche Interpolationsaufgabe [...] ist durch g P S 2m p2t q
pnq A priori }xt ´ z} ď M q
Lagrange Li pxq “ n
ś
Matrizennorm ô }AB} ď }A} ¨ }B} natürlich ô }In } “ 1 i‰j“0 xi ´xj P Pn pLi pxk q “ δi kq lösbar. 1 M
Frobeniusnorm ||A||F “ p n
ř 1
2 2 pnq A posteriori }xt ´ z} ď m |f pxt q| ď 2m |xt ´ xt´1 |2
j,k“1 |ajk | q ř ñp“ n Alternantensatz S Ă Cra, bs, dimS “ n erfüllt Haarsche Bed.
ř
i“0 yi Li P Pn
Max. Zeilensumme }A}8 “ maxj“1,...,n řn ñ eind. Tschebyscheff-Approximation g P S für f P Cra, bs charakerisiert: Einzugsbereich xt`1 ´ z “ ... “ cpxt ´ zq2 Ñ |xt´1 | ď c|xt ´ z|2 Ñ Konver-
k“1 |ajk |
śi´1
Newton N0 pxq “ 1, Ni pxq “ j“0 px ´ xj q genz @x0 mit c|x0 ´ z| ď 1 Ñ |x0 ´ z| ď 1c
Max. Spaltensumme }A}1 “ maxk“1,...,n n j“1 |ajk | ñ ppxq “ n
ř Dm ě n ` 1 Stellen a ď x0 ă ... ă xm ď b (Alternante), sodass für
i“0 yrx0 , ..., xi sNi pxq Dividierte Differenzen: yrxi s “ yi Mehrdimensional xt`1 “ xt ´ Df 1 pxt q´1 f pxt q
Spektralnorm: hermitesche Matrizen }A}2 “ maxt|λ|, λ EW von Au yrxi`1 ,...,xi`k s´yrxi ,...,xi`k´1 s epxq “ f pxq ´ gpxq gilt: |epxi q| “ }e}8 epxi q “ ´epxi`1 q i “ 1, ..., n
a T yrxi , ...xi`k s “ xi`k ´xi Interpolatorische Quadraturformeln Konvergenz/Iterative Verfahren
Spektralnorm: allg. Matrizen }A}2 “ maxt |λ|, λ EW von A Au Fixpunktiteration gpxt q “ xt ` σf pxt q σ P Rzt0u
Verträgliche Matrizennorm für jede Vektornorm Neville Ordnung m ô Pm´1 wird exakt integriert
pi`1,i`k pxq ´ pi.i`k´1 pxq Mindestordnung I pnq p¨q ist exakt für Polynome p P Pn (nach Konstruktion), Konvergenzordnung g in Umgebung von Fixpunkt z p-mal stetig diffbar mit
}A} “ supx‰0 }Ax} “ sup }x}“1 }Ax} pi,i “ yi pi,i`k pxq = pi,i`k´1 pxq + px´ xi q p ě 2.
}x} d.h. Quadraturformel zu n ` 1 Stützstellen ist mindestens von Ordnung n ` 1
Skalarprodukt p¨, ¨q : Kn ˆ Kn Ñ K (S1) px, yq “ py, xq (S2) pαx ` βy, zq “ xi`k ´ xi Dann: Fixpunktiteration gpxt q “ xt`1 von Ordnung p
Newton-Cotes-Quadraturformeln für äquidistant verteilte Stützstellen
αpx, zq ` βpy, zq (S3) px, xq ą 0, x ‰ř0 Neville - Schema zum Auswerten von ”un”bekanntem Polynom Abgeschlossene Newton-Cotes ô g 1 pzq “ ... “ g p´1 pzq “ 0, g p pzq ‰ 0
euklidische Skalarprodukt px, yq2 “ n j“1 xj y j px, xq2 “ }x}22 x0 y0 p0,1 p0,2 p0,3 p0,4 a,b Stützstellen xi “ a ` iH, i “ 0, . . . , n, H “ b´a Sekantenmethode
n
1 Iterationsvorschrift
Gewichte αi “ H 0n n t´j
ş ś
Zugehörige Vektornorm }x} – px, xq 2 x1 y1 p1,2 p1,3 p1,4 j“0,j‰i i´j dt mit H = (b-a)/n x ´x
xt`1 “ xt ´ f pxt q f px tq´ft´1 , p “ 1.6 (1 Ausw.), p “ 2.6 (2 Ausw.)
Störungssatz A P Knˆn regulär, }δA} ă }A´1 }´1 3 t pxt´1
}δx} condpAq }δb} }δA} ´1 }
x2 y2 p2,3 p2,4 ÑTrapezregel (n=1) I p1q “ b´a
2
rf paq ` f pbqs Fehler: ´ pb´aq
12
f 2 pξq Konvergenz m “ minxPra,bs |f 1 pxq| ą 0 M “ maxxPra,bs |f ”pxq|
ď }δA} p }b} ` }A} q mit cond(A) – }A}}A
}x} 1´condpAq }A} x3 y3 p3,4 ÑSimpsonregel (n=2) M
5 γ0 “ γ1 “ 1 γt`1 “ γt ` γt´1 ρ ą 0 mit q “ 2m ρă1
Spektralkondition A hermitesch, d.h. A “ A
T
ñ cond(A)2 “ }A}2 }A´1 }2 “ I p2q
“ b´a
6
` 4f p a`b
rf paq 2
q ` f pbqs Fehler: ´ pb´aq
2880
f p4q pξq Kρ pzq “ tx P R : |x ´ z| ď ρu Ă ra, bs ñ Konvergenz @x0 , x1 P Kρ pzq
|λmax | Interpolationsfehler f P C n`1 ra, bs ñ Dξ P px0 , ..., xn , xq : Ñ3/8-Regel (n=3) I p3q “ b´a rf paq ` 3f pa ` Hq ` 3f pb ´ Hq ` f pbqs A priori }xt ´ z} ď 2m q γt
n`1
pξq śn 8 M
|λmin |
f pxq ´ ppxq “ fpn`1q! j“0 px ´ xj q Ñ (n=4) I p4q “ b´a r7f paq ` 32f pa ` Hq ` 12f p a`b
q ` 32f pb ´ Hq ` 7f pbqs A posteriori }xt ´ z} ď m 1 M
|f pxt q| ď 2m }xt ´ xt´1 } ¨ }xt ´ xt´2 }
LR-Zerlegung 90 2
nÑ8 ´bt
LR-Zerlegung PA = LR mit L untere Dreiecksmatrix(Diagonale 1), Ableitungen von f beschränkt auf [a,b] ñ maxxPra,bs |f pxq ´ ppxq| ÝÑ 0 Offene Newton-Cotes Regula Falsi xt “ at ´ f pat q f paatq´f pbt q
b´a t
R obere Dreiecksmatrix, P vertauschte Einheitsmatrix Extrapolation zum Limes a,b keine Stützstellen xi “ a ` pi ` 1qH, i “ 0, . . . , n, H “ n`2 f pxt qf pat q ą 0 ñ at`1 “ xt , bt`1 “ bt
3
Satz LR ohne Pivotierung möglich, P “ I ñ LR-Zerlegung eindeutig Gesucht ap0q “ lim aphq da aphq nur berechenbar für h ą 0 Ñ Mittelpunktregel I p0q “ pb ´ aqf p a`b q Fehler: pb´aq f 2 pξq f pxt qf pat q ă 0 ñ at`1 “ at , bt`1 “ xt
hÑ0 2 24
LGS lösen mit LR rechte Seite simultan umformen, dann Rückwärtseinsetzen SummierteřQuadraturformeln summieren über Teilintervalle Sukzessive Approximation/Fixpunkt
Extrapolationstableu (Neville mit aik “ pi´k,i p0q)
ODER Vorwärtseinsetzen Ly`“ P ˘ b und dann Rückwärtseinsetzen Rx “ y ai,k´1 ´ai´1,k´1 pnq
Ih pf q “ i“0 N ´1 pnq
Irx ,x s , h “ b´a Lipschitz-Stetig ô Dq ą 0 : }gpxq ´ gpyq} ď q}x ´ y}
Aufwand Gauß/LR 23 n3 ` O n2 ai,0 “ aphi q aik “ ai,k´1 ` phi´k {hi qq ´1 i i`1 N
p1q řN ´1 Kontraktion g Ø q ă 1
Determinante aus LR det(A) = det(LR)/det(P) = 1/det(P) ¨ n Ñ summierte Trapezregel Ih “ h rf paq ` 2 i“1 f pxi q ` f pbqs
ś
j“1 rjj Ordnung (n+1)q = ordnung, n Extrapolationsschritte,n+1 Zeilen/Spalten 2 Hilfssatz }gpxq ´ gpyq} ď sup||g 1 pξq}}x ´ y}
Inverse aus LR A´1 “ R´1 L´1 P ODER Ly piq “ P epiq dann Rxpiq “ y piq ñ Einseitiger: q=1, Zweiseitiger: q=2 Fehler: ´ b´a12
h2 f 2 pξq Banachscher Fixpunktsatz
A ´1 p1q pnq
“ rx , . . . , x s Fehlerkontrolle mithilfe von aik und bik “ 2ai`1,k ´ aik Ñsummierte Simpsonregel G Ă Rn nichtleere, abgeschlossene Punktmenge, g : G Ñ G Kontraktion.
Konvergenz: aik ď ap0q ď bik (oder ě) und lim aik “ ap0q “ lim bik `x
Bandmatrizen Typ (n´1, 0): untere ∆Matrix, Typ (0, n´1) obere ∆Matrix, p2q
Ih “ h N ´1 N ´1 x
rf paq ` 2 i“1 f pxi q ` 4 i“0 f p i 2 i`1 q ` f pbqs ñ DF P z P G von g, und für jeden Startpunkt xp0q P G konvergiert
ř ř
iÑ8 iÑ8 6
Typ (1, 1) Tridiagonalmatrix Abbruchkriterium: |aik ´ bik | “ 2|aik ´ ai`1,k | ă T OL b´a 4 p4q
Fehler: ´ 2880 h f pξq xpt`1q “ gpxptq q Ñ zpt Ñ 8q
Satz A P Rnˆn Bandmatrix vom Typ (ml , mr ) und Gauß/LR ohne qt
Spline-Interpolation p0q řN ´1 xi `xi`1 A priori }xptq ´ z} ď }xp1q ´ xp0q }
Pivotierung möglich ñ L vom Typ (ml , 0) und R vom Typ(0, mr ) Ñsummierte Mittelpunktregel Ih “ h i“0 fp 2
q 1´q
Kubischer (natürlicher) Spline A posteriori }xptq ´ z} ď 1´qq
}xptq ´ xpt´1q }
Aufwand LR-Zerlegung einer Tridiagonalmatrix: 2n ´ 2 Sn ra, bs Ñ R mit Zerlegung a “ x0 ă ... ă xn “ b Fehler: b´a
24
h 2 f 2 pξq

Diagonaldominant ist A P Rnˆn ô n

ř
Romberg Selbstabbildungskriterium g Kontraktion auf Kρ pcq mit Lipschitzkonstante
k“1,k‰j |ajk | ď |ajj | piq sn P C 2 ra, bs piiq sn |rxi´1 ,xi s P P3 natürlich: piiiq s2n paq “ s2n pbq “ 0 b´a b´a
Satz A regulär, diagonaldominant ñ LR ohne Pivotierung Algorithmus h “ N ô N “ h , xj “ a ` jh, j “ 0, . . . , N q ă 1, dann gilt: ||gpcq ´ cq|| ď p1 ´ qqρ Ñ g bildet Kρ pcq in sich selbst ab.
Satz Existenz X Eindeutig, wenn s2n paq, s2n pbq vorgegeben Mehrdimensional Zu jedem Fixpunkt z P G von g mit ||g 1 pzq|| ă 1 gibt es
rf pbq ´ f paqs Ñ ab f pxqdx
řN ´1
Cholesky-Zerlegung f pxj q ` h
ş
Minimalitätseigenschaft Interpolierender kubischer natürlicher Spline erfüllt: aphq “ h j“0 2
A P Rnˆn positiv definit – symmetrisch und pAx, xq2 ą 0@x ‰ 0 şb şb ai,k´1 ´ai´1,k´1
Umgebung mit g Kontraktion und Selbstabbildung. Konvergenz gesichert,
2 2 2
ô alle EW ą 0 ô alle Hauptunterdeterminanten ą 0 a |sn ”pxq| dx ď a |f ”pxq| dx @f P C ra, bs mit f pxi q “ yi ai0 “ aphi q aik “ ai,k´1 ` phi´k {hi q2 ´1 wenn f auf Kρ pcq stetig diffbar und: supξPKρ pcq ||I ` Cf 1 pξq|| “ q ă
piq piq piq piq
Satz A pos.def. ñ LR ohne Pivotierung möglich und Pivotlemente aii ą 0 Berechnung von pi pxq “ a0 `a1 px´xi q`a2 px´xi q2 `a3 px´xi q3 i “ Konvergenz f P C 2m`2 ra, bs, hk “ h{2k ñ ap0q´amm “ Oph2m`2 q ph Ñ 0q 1, ||Cf pcq|| ď p1 ´ qqρ
Herleitung A pos.def. ñ A “ AT “ pLRqT “ pLD R̃qT “ R̃T DLT und 1, ..., n Gaußsche Quadraturformeln Sonstiges
A pos.def. ñ LR ohne Pivotierung, P “ I ñ LR eindeutig ñ A “ LR “ hi a2
pi´1q piq pi`1q
` 2phi ` hi`1 qa2 ` hi`1 a2
y
“ 3p i`1
´yi y ´y
´ i h i´1 q für i “ Maximalordnung Die Quadraturformeln, die für n ` 1 Stützstellen Landau Für g : "R` Ñ R
h
R̃T DLT mit L “ R̃T und R “ DLT ñ A “ LDLb T “ L̃L̃T mit L̃ “ LD 1{2 i`1 i
die Maximalordnung 2n ` 2 besitzen, heißen Gaußsche Quadraturformeln C ă 8 ñ gphq “ Ophα q für h Ñ 0
? 1,
p1q
. . . , n´1 ergibt LGS für a2 , . . . , a2
pn´1q
pa2
p0q
– 0, a
pn`1q
– 0, a
pnq
“ 0q limhÑ0 gphq “
Algorithmus l̃11 “ a11
a
l̃j1 “ j1 l̃ii “ aii ´ i´1
ř 2 2 2 Satz D! Quadraturformel zu n ` 1 Stützstellen über r´1, 1s mit Ordnung hα 0 ñ gphq “ Ophα q für h Ñ 0
k“1 l̃ik
¨
l̃11 2ph1 ` h2 q h2 ´y1
3p y2h2 ´y0
´ y1h1
ˇ ˛
ˇ q 2n ` 2. Möglichst großes"α (inkludiert alle kleineren)
aji ´ i´1 2ph2 ` h3 q
ř
l̃ l̃ h2
ˇ
k“1 jk ik ¨¨¨ C ă 8 ñ gpnq “ Opnβ q für n Ñ 8
˚
l̃ji “ Stützstellen sind Nullstellen von Ln`1 P Pn`1 mit Gewichten αi “ limnÑ8 gpnq
˚ ˇ ‹
l̃ii h3 hn´1
ˇ
ˇ yn ´yn´1 yn´1 ´yn´2
‚ “
nβ 0 ñ gpnq “ Opnβ q für n Ñ 8
˝
? ˇ3p ´ q ş1 śn x´λj 2
hn´1 2phn´1 ` hn q j“0,j‰i p λi ´λj q dx ą 0, i “ 0, . . . , n
3 ˆ3 b l̃11 “ a11 l̃21 “ a21 {l̃11 l̃31 “ba31 {l̃11 h n h n´1
´1
piq pi´1q Möglichst kleines β (inkludiert alle größerem)
a2 ´a2 yi ´yi´1 ş1 śn x´λj
2
l̃22 “ a22 ´ l̃21 l̃32 “ a32 ´l̃31 l̃21 l̃33 “ 2 ´ l̃2
a33 ´ l̃31 32
piq
a 0 “ yi a3 “
piq
3hi
piq
a1 “ hi
piq
` a2 hi ´ a3 h2i
piq
Gewichte αi “ ´1 j“0,j‰i λ ´λ dx Taylor-Formel (Approximation 2. Ordnung)
l̃22 i j ř8 2
Cholesky aus LR L̃ “ LD 1{2 mit L, D (Diagonale von R) gegeben Konvergenz maxxPra,bs |f pxq ´ sn pxq| ÝÑ 0
hÑ0 Legendre-Polynome und Nullstellen/Stützstellen mit Gewichte T px ` hq “ k“0 1{k!f pkq hk f px ` hq f pxq ` hf 1 pxq ` h2 f 2 pxq
L2 pxq “ x2 ´ 13 : λ0 “ ´ 1{3, λ1 “ 1{3, α0{1 “ 1
a a
LR aus Cholesky L “ L̃D ´1{2 und R “ T
śDL 2 wobei D
1{2 Diagonale von L̃
Approximationsfehler für f P C 4 ra, bs s2n paq “ f 2 paq s2n pbq “ f 2 pbq : sin sinpxq – 8
ř k x2k`1 sinp π6 q “ 12
k“0 p´1q p2k`1q! sinp0q “ 0
Determinante aus Cholesky det(A) “ n L3 pxq “ x3 ´ 35 x : λ0 “ ´ 3{5, λ1 “ 0, λ2 “ 3{5, α0{2 “ 59 , α1 “ 89
a a
i“1 l̃ii pjq ? ?
3 maxxPra,bs |f pjq pxq ´ sn pxq| ď 12 h4´j maxxPra,bs |f p4q pxq| j “ 0, 1, 2 4 6 2 3 sinp π4 q “ 21 2 sinp π3 q “ 21 3 sinp π2 q “ 1 sinpπq “ 0
Aufwand n6 ` Opn2 q Gauß-Approximation L4 pxq “ x ´ 7 x ` 35 λ0{1 « ˘0.3399810044 λ2{3 « ˘0.8611363116
x2k
?
cos cospxq – 8 p´1qk p2kq! cosp0q “ 1 cosp π6 q “ 12 3
ř
Least-Squares α0{1 « 0.6521451549 α2{3 « 0.3478548451
Ziel Gauß minimiert Fehler in L2 -Norm: }f }2 “ p ab |f pxq|2 q1{2 ? k“0
ş
Satz Dx P Rn von Ax “ b mit kleinsten Fehlerquadraten: 2 p2n`3q
pn`1q! 4
cosp π4 q “ 12 2 cosp π3 q “ 12 cosp π2 q “ 0 cospπq “ ´1
Fehler Rpnq pf q “ p2n`3qp2n`2q! p2n`2q pξq
şb
L2 -Skalarprodukt pf, gq “ a f ptqgptqdt, pf, f q “ }f }2 3f
}Ax ´ b}2 “ min }Ax ´ b}2 . Äquivalent zu: x löst ”Normalengleichung” k`1
xk
exp & ln lnpxq – k“0 p´1qk px´1q
ř8 ř8
Höldersche Ungleichung |pf, gq| ď }f }}g} Gaußsche Quadraturformeln a für n=1,2 exppxq – k“0
AT Ax “ AT b 1
k`1 k!
f p4q pξq
a
Satz H unitärer Raum, S Ă Hpdimă 8q I 1 pf q “ f p´ 1{3q ` f p 1{3q Fehler: 135