INTERPOLAZIONE POLINOMIALE

A. SOMMARIVA

E M.VENTURIN

1. Interpolazione polinomiale. Siano dati N + 1 punti x0 , . . . , xN a due a due distinti

e in ordine crescente (cioe xi < xi+1 ), e i valori y0 , . . . , yN ivi assunti da una funzione
y = f (x).
Il problema dellinterpolazione polinomiale (cf. [1, p.131], [8, p.289]) consiste nel
calcolare il polinomio pN di grado N tale che
pN (xi ) = yi , i = 0, . . . , N.

(1.1)

Perche questo problema abbia senso, necessita garantire lesistenza ed unicita di tale
polinomio pN , questione che puo essere provata in vari modi (ad esempio in termini della
non singolarita della matrice di Vandermonde [18]).
Nel caso N = 1, il problema diventa relativamente semplice. Non e` altro che il calcolo
della retta che passa per due punti assegnati P0 = (x0 , y0 ) e P1 = (x1 , y1 ) cioe da
y y0
x x0
=
y1 y0
x1 x0

(1.2)

abbiamo facilmente
y = y0

x x0
x x1
+ y1
.
x0 x1
x1 x0

(1.3)

Notiamo subito che i polinomi

L0 (x) :=

x x1
x0 x1

(1.4)

L1 (x) :=

x x0
x1 x0

(1.5)

hanno la particolarit`a che

Li (xj ) = ij
dove al solito i,j e` il delta di Kronecker , cio`e
i,i = 1, i,j = 0 per i 6= j.
Da (1.3), (1.4), (1.5) si ha ovviamente
pN (x) = y0 L0 (x) + y1 L1 (x).

(1.6)

Vediamo il grafico dei polinomi di Lagrange nel caso x0 = 1, x1 = 3. Digitiamo il codice

Ultima

revisione: 4 giugno 2010

` DEGLI STUDI DI PADOVA,
DI MATEMATICA PURA ED APPLICATA, UNIVERSITA
VIA TRIESTE 63, 35121 PADOVA, ITALIA ([email protected])
DIPARTIMENTO DI INFORMATICA, UNIVERSITA
` DEGLI STUDI DI VERONA, STRADA LE GRAZIE
15, 37134 VERONA, ITALIA ([email protected])
DIPARTIMENTO

1.4

1.4

1.2

1.2

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

0.2

0.2

0.4
0.5

1.5

2.5

3.5

0.4
0.5

1.5

2.5

F IGURA 1.1. I polinomi di Lagrange L0 , L1 relativi ai punti x0 = 1, x1 = 3.

clf;
x0=1;
x1=3;
s=0.5:0.01:3.5;
caso=2; % DICE QUALE POLINOMIO DI LAGRANGE VOGLIAMO STUDIARE.
if caso == 1
lx=(s-x1)/(x0-x1);
l0=(x0-x1)/(x0-x1);
l1=(x1-x1)/(x0-x1);
else
lx=(s-x0)/(x1-x0);
l0=(x0-x0)/(x1-x0);
l1=(x1-x0)/(x1-x0);
end
hold on;
% DISEGNO PUNTI x0=1 e x1=3.
plot(x0,0,bo);
plot(x1,0,bo);
% DISEGNO VALORI x0=1 e x1=3 POLINOMI DI LAGRANGE.
plot(x0,l0,r*);
plot(x1,l1,r*);
% DISEGNO ASSE x.
plot(s,zeros(size(s)));
% DISEGNO POLINOMI DI LAGRANGE
plot(s,lx,k-);
hold off

ottenendo, rispettivamente per caso=1 e caso=2, i grafici in figura.

2

3.5

Lidea dei polinomi di Lagrange e` di estendere questa propriet`a al caso N > 1. Lagrange
(cf. [12], [5]) osserv`o che il polinomio di grado N
Lk (x) :=

N
Y

j=0,j6=k

(x x0 ) . . . (x xk1 )(x xk+1 ) . . . (x xN )

x xj
=
xk xj
(xk x0 ) . . . (xk xk1 )(xk xk+1 ) . . . (xk xN )
(1.7)

e` tale che Lk (xj ) = ij . Quindi si vede facilmente che

pN (x) =

N
X

yk Lk (x).

(1.8)

k=0

Infatti
pN (xj ) =

N
X

yk Lk (xj ) =

k=0

N
X

yk k,j = yj .

(1.9)

k=0

Si osservi come ogni termine della sommatoria mostra separa (in qualche senso) il contributo
delle ordinate yk da quello dei polinomi di Lagrange Lk essenzialmente dipendenti dai punti
{xj }j=0,...,N (si rifletta bene su questa affermazione).
1.0.1. Un esempio. Calcoliamo il polinomio di grado 2 che assume nei nodi x0 = 2,
x1 = 1, x2 = 3 rispettivamente i valori f0 = 2, f1 = 11, f2 = 17. Come si vede dalla
definizione, i polinomi di Lagrange sono
(x x1 )(x x2 )
(x 1)(x 3)
(x 1)(x 3)
=
=
(x0 x1 )(x0 x2 )
(2 1)(2 3)
15
(x (2))(x 3)
(x + 2)(x 3)
(x x0 )(x x2 )
=
=
L1 (x) =
(x1 x0 )(x1 x2 )
(1 (2))(1 3)
6
(x (2))(x 1)
(x + 2)(x 1)
(x x0 )(x x1 )
=
=
L2 (x) =
(x2 x0 )(x2 x1 )
(3 (2))(3 1)
10

L0 (x) =

Si vede subito che i polinomi L0 , L1 , L2 sono di secondo grado (e quindi tali le loro
combinazioni lineari), che
L0 (x0 ) = L0 (2) = 1, L0 (x1 ) = L0 (1) = 0, L0 (x2 ) = L0 (3) = 0
L1 (x1 ) = L1 (1) = 1, L1 (x0 ) = L1 (2) = 0, L1 (x2 ) = L1 (3) = 0
L2 (x2 ) = L2 (3) = 1, L2 (x0 ) = L2 (2) = 0, L2 (x1 ) = L2 (1) = 0
e che il polinomio definito in (1.8)
p2 (x) = 2 L0 (x) + 11 L1 (x) + 17 L2(x)
e` tale che
p(x0 ) = 2 L0 (x0 ) + 11 L1(x0 ) + 17 L2 (x0 ) = 2 1 + 11 0 + 17 0 = 2,
p(x1 ) = 2 L0 (x1 ) + 11 L1 (x1 ) + 17 L2(x1 ) = 2 0 + 11 1 + 17 0 = 11,
3

1.4

1.2

0.8

0.6

0.4

0.2

0.2
3

1.2

0.8

0.6

0.4

0.2

0.2

0.4

0.6
3
1.4

1.2

0.8

0.6

0.4

0.2

0.2

0.4
3

F IGURA 1.2. I polinomi di Lagrange L0 , L1 , L2 relativi ai punti x0 = 2, x1 = 1, x2 = 3.

p(x2 ) = 2 L0 (x2 ) + 11 L1 (x2 ) + 17 L2(x2 ) = 2 0 + 11 0 + 17 1 = 17,

e quindi e` proprio il polinomio interpolante cercato.
Dal punto di vista pratico, (1.8) ha alcuni problemi. Se dopo aver calcolato il polinomio
pN interpolante in N + 1 punti (x0 , y0 ), . . ., (xN , yN ), desideriamo ottenere il polinomio
pN +1 interpolante in N +2 punti (x0 , y0 ), . . ., (xN , yN ), la formula (1.8) e` inefficiente poich`e
bisogna ricalcolare tutti i polinomi di Lagrange. Fortunatamente, esistono altre maniere di
esprimere il polinomio interpolatore, come quella di Newton (cf. [1, p.138], [8, p.294], [13],
4

F IGURA 1.3. Pafnuty Lvovich Chebyshev (1821-1894) e Rehuel Lobatto (1797-1866).

[11]), che non soffrono di questo problema.

Per quanto concerne lerrore, se la funzione e` di classe C N +1 , si puo vedere dal teorema
del resto che
QN
(x xi )
(1.10)
f (x) pN (x) = f (N +1) () i=0
(N + 1)!
dove I con I il pi`u piccolo intervallo aperto contente x0 , . . . , xN .
Ma come scegliere (avendone la possibilit`a ) i punti in cui interpolare la funzione f :
[a, b] R? Mostriamo due casi notevoli:
1. nodi equispaziati: fissato N , i punti sono
xk = a + k

(b a)
, k = 0, . . . , N ;
N

(1.11)

2. nodi di Chebyshev-Gauss (scalati) [8, p.294]: fissato N , i punti sono

xk =

(a + b) (b a)
+
tk , k = 0, . . . , N
2
2

(1.12)

con
tk = cos


2k + 1
, k = 0, . . . , N ;
2N + 2

(1.13)

3. nodi di Chebyshev-Gauss-Lobatto (scalati) [8, p.295]: fissato N , i punti sono

xk =

(a + b) (b a)
+
tk , k = 0, . . . , N
2
2

(1.14)

con
tk = cos

k
N

, k = 0, . . . , N ;

(1.15)

In seguito useremo i nodi di Chebyshev-Gauss-Lobatto, che a differenza dei nodi di

Chebyshev (cf. [14], [4]) includono gli estremi dellintervallo. Si consiglia di effettuare
gli esercizi successivi sostituendo ai nodi di Chebyshev-Gauss-Lobatto (scalati), quelli di
Chebyshev-Gauss. Si osservi che linterpolante polinomiale in un set di nodi prefissati non
5

1
cos(x)
interpolante(x)
Coppie da interpolare

0.5

0.5

1.5
5

F IGURA 1.4. Grafico che illustra linterpolazione su nodi equispaziati (la funzione ha la linea continua, il
polinomio interpolatore e` tratteggiato, i nodi di interpolazioni coi cerchietti).

converge sempre puntualmente alla funzione da approssimare. Infatti, per la funzione di

Runge
f (x) =

1
, x [5, 5]
1 + x2

(1.16)

si ha che pN non converge (puntualmente) a f . Fortunatamente ci`o non succede per i nodi
di Chebyshev-Gauss, per cui comunque (per un teorema dovuto a Faber) esistono funzioni
continue f ma non C 1 tali che linterpolante pN non converge puntualmente a f .
2. Interpolazione polinomiale in Matlab/Octave. Una volta nota le coppie da interpolare
(xk , yk ), k = 0, . . . , N
e immagazzinate le componenti nei vettori x = (xk+1 ), y = (yk+1 ) ove k = 0, . . . , N (la
scelta degli indici dei vettori x e y e` dovuta al fatto che un vettore in Matlab/Octave non pu`o
avere indice 0), siamo interessati a valutare il polinomio interpolatore pN nei punti sj con
j = 1, . . . , M . A tale scopo, Matlab/Octave propongono le funzioni polyfit e polyval.
Per capirne il loro utilizzo ci aiutiamo con lhelp di Matlab.
2.1. Il comando polyfit. Partiamo con il descrivere il comando polyfit.
>> help polyfit
POLYFIT Fit polynomial to data.
POLYFIT(X,Y,N) finds the coefficients of a polynomial P(X) of
degree N that fits the data, P(X(I))=Y(I), in a least-squares sense.
[P,S] = POLYFIT(X,Y,N) returns the polynomial coefficients P and a
structure S for use with POLYVAL to obtain error estimates on
predictions. If the errors in the data, Y, are independent normal
with constant variance, POLYVAL will produce error bounds which
6

contain at least 50% of the predictions.

The structure S contains the Cholesky factor of the Vandermonde
matrix (R), the degrees of freedom (df), and the norm of the
residuals (normr) as fields.
[P,S,MU] = POLYFIT(X,Y,N) finds the coefficients of a polynomial
in XHAT = (X-MU(1))/MU(2) where MU(1) = mean(X) and MU(2) = std(X).
This centering and scaling transformation improves the numerical
properties of both the polynomial and the fitting algorithm.
Warning messages result if N is >= length(X), if X has repeated, or
nearly repeated, points, or if X might need centering and scaling.
See also POLY, POLYVAL, ROOTS.
>>

Quello che non dice la routine e` come venga descritto il polinomio interpolatore. Aiutiamoci
con il calcolo simbolico eseguito da Matlab, per calcolare il polinomio interpolatore in forma
usuale. Consideriamo di nuovo il polinomio di grado 2 che interpola le coppie (2, 2),
(1, 11), (3, 17).
>> syms x
>> simplify((-2*(x-1)*(x-3)/15)+(11*(x+2)*(x-3)/(-6))+(17*(x+2)*(x-1)/10))
ans =
-4/15*x2+61/15*x+36/5
>> format long
>> -4/15
ans =
-0.26666666666667
>> 61/15
ans =
4.06666666666667
>> 36/5
ans =
7.20000000000000
>>

Testiamo luso di polyfit per questesempio

>> x=[-2 1 3];
>> y=[-2 11 17];
>> a=polyfit(x,y,2);
>> a
a =
-0.26666666666667
>>
>>

4.06666666666667

7.19999999999999

Quindi, se a = (ak )k=1,...,3 , abbiamo

p2 (x) = a1 x2 + a2 x + a3 .
7

Pi`u in generale, se pN e` il polinomio interpolatore di grado N , e a = (ak ) e` il vettore ottenuto

utilizzando polyfit, allora
pN (x) = a1 xN + a2 xN 1 + . . . + aN +1 .
2.2. Il comando polyval. Descriviamo il comando polyval. Aiutandosi con lhelp
di Matlab
>> help polyval
To get started, select "MATLAB Help" from the Help menu.

POLYVAL Evaluate polynomial.

Y = POLYVAL(P,X), when P is a vector of length N+1 whose elements
are the coefficients of a polynomial, is the value of the
polynomial evaluated at X.
Y = P(1)*XN + P(2)*X\(N-1) + ... + P(N)*X + P(N+1)
If X is a matrix or vector, the polynomial is evaluated at all
points in X. See also POLYVALM for evaluation in a matrix sense.
Y = POLYVAL(P,X,[],MU) uses XHAT = (X-MU(1))/MU(2) in place of X.
The centering and scaling parameters MU are optional output
computed by POLYFIT.
[Y,DELTA] = POLYVAL(P,X,S) or [Y,DELTA] = POLYVAL(P,X,S,MU) uses
the optional output structure S provided by POLYFIT to generate
error estimates, Y +/- delta. If the errors in the data input to
POLYFIT are independent normal with constant variance, Y +/- DELTA
contains at least 50% of the predictions.
See also POLYFIT, POLYVALM.
>>

Lhelp ci suggerisce che quanto fornito da polyfit e` effettivamente un polinomio scritto

nella forma
y = P (1) xN + P (2) x(N 1) + + P (N ) x + P (N + 1),
come notato precedentemente.
Se a = (ak )k=1,...,N +1 e s = (sj )j=1,...,M , la chiamata
t=polyval(a,s);

valuta il polinomio
pN (x) = a1 xN + . . . + aN +1
nei nodi s = (sj ) e pone t = (tj ) con tj = pN (sj ).
8

2.3. Una funzione per il calcolo e la valutazione del polinomio interpolatore. Avendo a disposizione i comandi polyfit e polyval, posti
x = {xk }k=1,...,N +1 , y = {yk }k=1,...,N +1 , s = {sk }k=1,...,M
vediamo di valutare nei punti sj il polinomio pN tale che
pN (xk ) = yk .
A tal proposito definiamo la funzione interpol
function t=interpol(x,y,s)
%---------------------------------------------% Interpolazione
%
% In input:
% x: nodi.
% y: valori nei nodi.
% s: nodi su cui calcolare linterpolante.
%
% In output:
% t: valori dellinterpolante o approssimante.
%---------------------------------------------m=length(x)-1;
coeff=polyfit(x,y,m);
t=polyval(coeff,s);

Quale esempio torniamo di nuovo al polinomio p2 di grado 2 che interpola le coppie (2, 2),
(1, 11), (3, 17). Usando Matlab e il calcolo simbolico abbiamo visto direttamente che
p2 (x) = (4/15) x2 + (61/15) x + 36/5.
In effetti si verifica numericamente che questo e` il polinomio interpolante (2, 2), (1, 11),
(3, 17)
>> format long
>> p2=inline(-4/15*x.2+61/15*x+36/5);
>> feval(p2,-2)
ans =
-1.999999999999999
>> feval(p2,1)
ans =
11
>> feval(p2,3)
ans =
9

17
>>

Vediamo per prima cosa quanto valgono p2 (1), p2 (0), p2 (2).

>> format long
>> p2=inline(-4/15*x.2+61/15*x+36/5);
>> feval(p2,-1)
ans =
2.866666666666667
>> feval(p2,0)
ans =
7.200000000000000
>> feval(p2,2)
ans =
14.266666666666666
>>

Verifichiamo di seguito tali risultati con la funzione interpol.

>>
>>
>>
>>
>>
>>
>>
>>
>>

% ASCISSE "x" E ORDINATE "y" CHE DEFINISCONO

% IL POLINOMIO INTERPOLATORE.
x=[-2 1 3];
y=[-2 11 17];
% ASCISSE IN CUI VALUTARE IL POLINOMIO INTERPOLATORE.
s=[-1 0 2];
% VALUTO IL POLINOMIO INTERPOLATORE.
t=interpol(x,y,s);
t=t

t =
2.866666666666664
7.199999999999995
14.266666666666662
>>

Di conseguenza, a meno di decimali, interpol fa quanto richiesto.

3. Un esempio sullinterpolazione polinomiale in Matlab/Octave.
10

1.5
Runge
Equisp.
Cheb.

0.5

0.5

1
5

F IGURA 3.1. Grafico della funzione di Runge 1/(1 + x2 ) nellintervallo [5, 5] e delle sue interpolanti di
grado 8 nei nodi equispaziati e di Chebyshev-Gauss-Lobatto (rispettivamente linea continua, tratteggiata e a puntini,
come da legenda).

1. Si implementi una function che calcola i nodi di Chebyshev-Gauss per un intervallo

qualsiasi.
2. Si implementi poi una function che interpoli polinomialmente una funzione che assume valori y su un vettore di nodi x che vengono forniti in input. Tale funzione
Matlab deve inoltre calcolare i valori t che linterpolante polinomiale pN assume
nei nodi test s. Si testi il codice, producendo dei grafici, sulle funzioni
1
f (x) = 1+x
2 in [5, 5].
usando n nodi equispaziati (con alcuni valori di n tra 6 e 11) e n nodi di ChebyshevGauss-Lobatto (con i medesimi valori di n), calcolando gli errori in norma infinito
tra la funzione e le interpolanti. In particolare, si mostri (mediante grafici e/o valori dellerrore) che per il controesempio di Runge (cf. [9], [16]) laumento del
numero di nodi equispaziati non migliora la ricostruzione della funzione da parte
dellinterpolante.

3.1. Implementazione. Si scrivano le functions cheb.m, interpol.m, runge.m

definite rispettivamente come
function xc=cheb(a,b,n)
for m=1:1:n
xc(m)=(a+b)/2-((b-a)/2)*cos(pi*(m-1)/(n-1));
end

function [fx]=runge(x)
fx=1./(x.2+1);

Eseguire poi da Matlab/Octave il programma principale esperimento.m

n=11;

% GRADO.
11

runge
intp. eq.

4
5

F IGURA 3.2. Grafico della funzione di Runge 1/(1 + x2 ) nellintervallo [5, 5] e della sua interpolante di
grado 12 nei nodi equispaziati (rispettivamente linea continua, tratteggiata, come da legenda.

x=-5:10/n:5;
y=runge(x);
s=-5:10/(10*n):5;
t=interpol(x,y,s);

% NODI INTERP. (EQUISPAZ.).

% FUNZIONE NEI NODI EQUISP.
% NODI TEST.
% INTERPOLANTE NEI NODI TEST.

xcheb=cheb(-5,5,n); % NODI CHEB.

ycheb=runge(xcheb); % FUNZIONE NEI NODI CHEB.
tcheb=interpol(xcheb,ycheb,s); % INTP. CHEB.
plot(s,runge(s),s,t,s,tcheb);
% PLOT INTP. VS RUNGE.
err_eqs=norm(runge(s)-t,inf);
% ABS. ERR. EQUISPAZ.
err_cheb=norm(runge(s)-tcheb,inf); % ABS. ERR. CHEB.
fprintf(\n \t [ABS.ERR.][EQS]: 2.2e [CHEB]: %2.2e,err_eqs,err_cheb);

Provando per diversi valori di n, e tralasciando i warnings di Matlab relativi a polyfit, otteniamo:
[N]:
[N]:
[N]:
[N]:
[N]:
[N]:
[N]:
[N]:
[N]:
[N]:
[N]:
[N]:
[N]:

2
3
4
5
6
7
8
9
10
11
12
13
14

[ABS.ERR.][EQS]:
[ABS.ERR.][EQS]:
[ABS.ERR.][EQS]:
[ABS.ERR.][EQS]:
[ABS.ERR.][EQS]:
[ABS.ERR.][EQS]:
[ABS.ERR.][EQS]:
[ABS.ERR.][EQS]:
[ABS.ERR.][EQS]:
[ABS.ERR.][EQS]:
[ABS.ERR.][EQS]:
[ABS.ERR.][EQS]:
[ABS.ERR.][EQS]:

6.46e-001
7.07e-001
4.38e-001
4.33e-001
6.09e-001
2.47e-001
1.04e+000
2.99e-001
1.92e+000
5.57e-001
3.66e+000
1.07e+000
7.15e+000

[CHEB]:
[CHEB]:
[CHEB]:
[CHEB]:
[CHEB]:
[CHEB]:
[CHEB]:
[CHEB]:
[CHEB]:
[CHEB]:
[CHEB]:
[CHEB]:
[CHEB]:

12

9.62e-001
6.46e-001
8.29e-001
4.58e-001
6.39e-001
3.11e-001
4.60e-001
2.04e-001
3.19e-001
1.32e-001
2.18e-001
8.41e-002
1.47e-001

[N]: 15 [ABS.ERR.][EQS]: 2.10e+000 [CHEB]: 5.33e-002

Si nota subito che

listruzione m=length(x)-1; calcola il grado dellinterpolante che e` uguale al
numero di punti meno uno;
i nodi di cheb, sono quelli di Chebyshev-Gauss-Lobatto. Infatti per m = 1


11
(a + b) (b a)

cos
2
2
n1
(a + b) (b a)
=

cos(0)
2
2
(a + b) (b a)

=
2
2
=a

(3.1)



(a + b) (b a)
n1

cos
2
2
n1
(a + b) (b a)
=

cos()
2
2
(a + b) (b a)

(1)
=
2
2
=b

(3.2)

xc(1) =

mentre m = n porge

xc(n) =

Osserviamo che a prima vista la routine cheb sembra produrre un set di nodi diversi
da quelli di Chebyshev-Gauss-Lobatto (scalati) introdotti in (1.15). In realt`a sono
gli stessi come si pu`o facilmente verificare matematicamente o in Matlab
>> N=10;
>> k=0:N;
>> t=-cos(k*pi/N);
>> t=sort(t);
>> t
t =
Columns 1 through 7
-1.0000
-0.9511
-0.8090
Columns 8 through 11
0.5878
0.8090
0.9511
>> xc=cheb(-1,1,N+1)
xc =
Columns 1 through 7
-1.0000
-0.9511
-0.8090
Columns 8 through 11
0.5878
0.8090
0.9511
>>

-0.5878

-0.3090

-0.0000

0.3090

-0.3090

-0.0000

0.3090

1.0000

-0.5878
1.0000

il caso dei nodi equispaziati e` semplice da programmare. Infatti la chiamata

13

>> a=-5;
>> b=5;
>> N=10;
>> h=(b-a)/N;
>> x=a:h:b
x =
-5

-4

-3

-2

-1

>> length(x)
ans = 11
>>

suggerisce come fissato N si possa generare un set di N + 1 punti equispaziati in

[a, b] (comprendente gli estremi).
lerrore dellinterpolante della funzione di Runge nei nodi equispaziati non converge a 0. Osserviamo la parziale descrescita degli errori dalliterata 2 alla 4 per
poi aumentare peggiorando da iterazione ad iterazione. Similmente osserviamo la
parziale descrescita degli errori dalliterata 3 alla 5, dalliterata 5 alla 7, per poi peggiorare sempre pi`u . Il grafico in figura fa capire come lerrore sia particolarmente
significativo in prossimit`a degli estremi 5 e 5.
lerrore dellinterpolante della funzione di Runge nei nodi di Chebyshev-GaussLobatto (scalati) converge a 0 (si osservi la particolare decrescita dei gradi pari e
dispari).
Ci si pu`o chiedere perch`e i nodi di Chebyshev-Gauss-Lobatto (scalati) vadano meglio. Ricordiamo che la funzione di Runge e` C ([5, 5]) e sussiste il seguente
teorema dovuto a Bernstein (cf. [3, p.136])
T EOREMA 3.1. Se f C 1 ([a, b]) con [a, b] intervallo limitato e chiuso della retta
reale, il polinomio Pn di grado n di interpolazione della funzione f nei nodi di
Chebyshev-Gauss di grado n + 1 converge uniformemente a f su [a, b], per n .
Se inoltre f C 2 ([a, b]) si ha la seguente stima dellerrore
kf Pn k = O(n1/2 ).
Il comportamento dellinterpolante nei nodi di Chebyshev-Gauss-Lobatto e` analogo.
4. Esercizio. Calcolare analiticamente il polinomio di terzo grado che interpola le coppie (1, 0), (2, 2), (4, 12), (5, 21). Quindi valutare tale polinomio nei punti di ascissa 1, 0,
10.
5. Facoltativo e tecnico: sul calcolo dellinterpolante polinomiale. Lanciamo in Matlab 6.1 il codice esperimento, che fa un confronto tra nodi equispaziati e di Chebyshev
per n = 12 (quindi ci sono 13 punti di sampling). Il risultato e` il seguente
>> esperimento
[ABS.ERR.][EQS]: 3.66e+000 [CHEB]: 2.18e-001
>>

Variamo in esperimento la variabile n, ponendola uguale a 13. Matlab da il seguente

messaggio di warning:
14

>> esperimento
Warning: Polynomial is badly conditioned. Remove repeated data points
or try centering and scaling as described in HELP POLYFIT.
> In C:\MATLAB6p1\toolbox\matlab\polyfun\polyfit.m at line 74
In D:\DVD_27_OTTOBRE_2007\CS_2008\INTERPOLAZIONE_2008\MFILES\interpol.m
at line 17
In D:\DVD_27_OTTOBRE_2007\CS_2008\INTERPOLAZIONE_2008\MFILES\esperimento.m
at line 5
[ABS.ERR.][EQS]: 1.07e+000 [CHEB]: 8.41e-002
>>

Poniamo ora n = 15 e` il risultato e` anche peggio

>> esperimento
Warning: Polynomial is badly conditioned. Remove repeated data points
or try centering and scaling as described in HELP POLYFIT.
> In C:\MATLAB6p1\toolbox\matlab\polyfun\polyfit.m at line 74
In D:\DVD_27_OTTOBRE_2007\CS_2008\INTERPOLAZIONE_2008\MFILES\interpol.m
at line 17
In D:\DVD_27_OTTOBRE_2007\CS_2008\INTERPOLAZIONE_2008\MFILES\esperimento.m
at line 5
Warning: Polynomial is badly conditioned. Remove repeated data points
or try centering and scaling as described in HELP POLYFIT.
> In C:\MATLAB6p1\toolbox\matlab\polyfun\polyfit.m at line 74
In D:\DVD_27_OTTOBRE_2007\CS_2008\INTERPOLAZIONE_2008\MFILES\interpol.m
at line 17
In D:\DVD_27_OTTOBRE_2007\CS_2008\INTERPOLAZIONE_2008\MFILES\esperimento.m
at line 9
[ABS.ERR.][EQS]: 2.10e+000 [CHEB]: 5.33e-002
>>

Diamo una spiegazione. Il codice di polyfit risolve il sistema lineare prodotto dalla matrice di Vandermonde V (cf. [18]), con una fattorizzazione QR (cf. [17]). In altre parole
se V = (Vi,j ) con Vi,j = xj1
(xi sono le ascisse dei nodi di sampling prescelti), si scrii
ve A = Q R con Q ortonormale e R triangolare superiore
e quindi si risolve V c = y (c
P
sono i coefficenti del polinomio interpolante p(x) = k ck xk ) come soluzione del sistema
Rc = Q y. Se R e` malcondizionata in norma 1, pi`u precisamente kRk1 kR1 k1 > 1010 ,
Matlab/Octave segnala un warning. La cosa e` pi`u elaborata di cos` in quanto polyfit
usa la cosidetta economy size version della fattorizzazione QR, ma tralasciamo i dettagli per
chiarezza.
Per sopperire a questi problemi una delle possibili soluzioni consiste nellusare la cosidetta
formulazione baricentrica dei polinomi di Lagrange (cf. [2], [19]). Questa e` implementata in
Matlab nel codice barylag [19]. Una volta scaricato e scompattato il file zip, e digitato il
codice esperimento bar
n=15;
% GRADO.
x=(-5:10/n:5);
% NODI INTERP. (EQUISPAZ.).
y=runge(x);
% FUNZIONE NEI NODI EQUISP.
s=(-5:10/(10*n):5); % NODI TEST.
data_eqs=[x y];
15

t=barylag(data_eqs,s);
xcheb=(cheb(-5,5,n));
% NODI CHEB.
ycheb=runge(xcheb);
% FUNZIONE NEI NODI CHEB.
data_cheb=[xcheb ycheb];
tcheb=barylag(data_cheb,s);
% INTP. CHEB.
plot(s,runge(s),s,t,s,tcheb);
% PLOT INTP. VS RUNGE.
err_eqs=norm(runge(s)-t,inf);
% ABS. ERR. EQUISPAZ.
err_cheb=norm(runge(s)-tcheb,inf); % ABS. ERR. CHEB.
fprintf(\n \t [ABS.ERR.][EQS]: %2.2e [CHEB]: %2.2e,err_eqs,err_cheb);

abbiamo
>> esperimento_bar
[ABS.ERR.][EQS]: 2.10e+000 [CHEB]: 5.33e-002

Per curiosit`a paragoniamo i due codici esperimento ed esperimento bar per n =

100, ottenendo rispettivamente
>> esperimento
Warning: Polynomial is badly conditioned. Remove repeated data points
or try centering and scaling as described in HELP POLYFIT.
> In C:\MATLAB6p1\toolbox\matlab\polyfun\polyfit.m at line 74
In D:\DVD_27_OTTOBRE_2007\CS_2008\INTERPOLAZIONE_2008\MFILES\interpol.m
at line 17
In D:\DVD_27_OTTOBRE_2007\CS_2008\INTERPOLAZIONE_2008\MFILES\esperimento.m
at line 5
Warning: Polynomial is badly conditioned. Remove repeated data points
or try centering and scaling as described in HELP POLYFIT.
> In C:\MATLAB6p1\toolbox\matlab\polyfun\polyfit.m at line 74
In D:\DVD_27_OTTOBRE_2007\CS_2008\INTERPOLAZIONE_2008\MFILES\interpol.m
at line 17
In D:\DVD_27_OTTOBRE_2007\CS_2008\INTERPOLAZIONE_2008\MFILES\esperimento.m
at line 9
[ABS.ERR.][EQS]: 5.02e+019 [CHEB]: 2.14e+007
>>

e
>> esperimento_bar
[ABS.ERR.][EQS]: 4.57e+005 [CHEB]: 5.62e-009
>>

segno che i risultati ottenuti con polyfit sono inaccettabili, mentre quelli di barylag
sono perfettamente in parallelo con quanto detto nelle sezioni precedenti relativamente al
fenomeno di Runge (si osservi che nel primo caso linterpolazione nei nodi di Chebyshev
sembra divergere, in disaccordo con la teoria!).
16

6. Sulla formula del resto. Si consideri la funzione

f (x) := log (x)
e si supponga di conoscere i valori per x0 = 1, x1 = 1.1 ed x2 = 1.2. Si calcoli il polinomio
di secondo grado p2 che interpola tali punti, e lo si valuti in s = 1.09. Quindi si utilizzi la
formula dellerrore per funzioni di classe C N +1 (teorema del resto)
QN
(x xi )
, I(x0 , . . . , xN )
(6.1)
f (x) pN (x) = f (N +1) () i=0
(N + 1)!
per valutare
| log (s) p2 (s)|.

Risoluzione. Il polinomio interpolatore e` per quanto visto

p(x) = log (1)L0 (x) + log (1.1)L1 (x) + log (1.2)L2 (x),
dove Lj e` il j-simo polinomio di Lagrange.
Dalla formula del resto (per f (x) = log (x), x = 1.09, x0 = 1, x1 = 1.1, x2 = 1.2 ed
N = 2) otteniamo:
| log (1.09) p2 (1.09)| = |
in quanto la derivata terza di log (x) e`
deduciamo che
1.1574

2 (1.09 1)(1.09 1.1)(1.09 1.2)

|,
3
6
2
x3 .

Siccome (1, 1.2), dalla decrescenza di

2
x3

2
2
2
3 < 3 < 13 = 2.
1.2

Essendo
(1.09 1)(1.09 1.1)(1.09 1.2) 9.9 105
ricaviamo quindi che lerrore dellinterpolante e`
1.9097 105 1.1574 9.9 105 /6 | log (s) p2 (s)| 2 9.9 105 /6 = 3.3 105 .
Utilizzando la funzione interpol.m precedentemente introdotta, si verifica che
p2 (1.09) 0.08615260795055
mentre
log (1.09) 0.08617769624105
e quindi
| log (1.09) p2 (1.09)| 2.51 105
perfettamente in linea con le stime fornite.
Esercizio facoltativo. Effettuare un programma Matlab che calcoli il valore assunto in 1.09
dal polinomio interpolatore della funzione log relativamente ai punti 1, 1.1, 1.2. E buona
lapprossimazione fornita dal polinomio interpolatore? (Suggerimento: si noti che
17

1. il programma e` una variante di quanto visto in esperimento.m, per una adeguata

scelta dei nodi x, dei valori y, del punto s;
2. eliminare la parte relativa ai nodi di Chebyshev-Gauss-Lobatto;
3. il plot non e` molto indicativo;
4. siccome il comando norm(v,inf) calcola per v = {vi } la quantit`a
kvk = max |vi |
i

visto che si deve valutare lerrore su un solo punto, il comando norm(...,inf)

in esperimento.m pu`o essere sostituito da abs(...) (rifletterci sopra);
5. la funzione log e` predefinita in Matlab/Octave e quindi non serve ridefinirla come
funzione.
Esercizio facoltativo. Aiutandosi con Matlab/Octave eseguire un programma che calcoli
linterpolante della funzione
f (x) := exp (x)
relativamente alle ascisse x = 1, x = 1.1 ed x = 1.2. Si calcoli il polinomio di secondo
grado p2 che interpola tali punti, e lo si valuti in s = 1.09. Fornire una stima dellerrore e
verificarne la bont`a rispetto al risultato esatto.
Esercizio facoltativo. Fissati a = 1, b = 1, n = 15, si plottino i nodi di Chebyshev-Gauss.
Si suggerisce di utilizzare la function cheb.m e per il plottaggio un comando del tipo
plot(x,y,r-o)

Ricordiamo che
lopzione r-o
1. disegna un cerchietto rosso per ognuno dei punti (x1 , y1 ), . . ., (xi , yi ), . . .,
(xn , yn );
2. per i = 1, . . . , n 1, unisce i punti (xi , yi ), (xi+1 , yi+1 ) con un segmento
rosso.
essendo importante disegnare solo le ascisse (e non le ordinate), quali ordinate si
pu`o porre
y=zeros(size(x));

Una volta completato lesercizio si osservi la particolare disposizione dei nodi di ChebyshevGauss. Si accumulano verso gli estremi dellintervallo?
7. Online. Si possono reperire online varie bibliografie dei matematici sopra citati:
1. http://en.wikipedia.org/wiki/Chebyshev
2. http://www-history.mcs.st-andrews.ac.uk/Biographies/Chebyshev.html
3. http://it.wikipedia.org/wiki/Lagrange
4. http://www-history.mcs.st-andrews.ac.uk/Biographies/Lagrange.html
18

5. http://en.wikipedia.org/wiki/Isaac Newton
Per quanto riguarda linterpolazione:
1. http://it.wikipedia.org/wiki/Interpolazione %28matematica%29
2. http://it.wikipedia.org/wiki/Interpolazione polinomiale
3. http://en.wikipedia.org/wiki/Interpolation
4. http://en.wikipedia.org/wiki/Polynomial interpolation
5. http://it.wikipedia.org/wiki/Fenomeno di Runge
6. http://en.wikipedia.org/wiki/Runge%27s phenomenon
7. http://en.wikipedia.org/wiki/Newton polynomial
8. http://it.wikipedia.org/wiki/Nodi di Chebyshev
9. http://en.wikipedia.org/wiki/QR decomposition
10. http://en.wikipedia.org/wiki/Vandermonde matrix
8. Frasi celebri.
1. To isolate mathematics from the practical demands of the sciences is to invite the
sterility of a cow shut away from the bulls. (Chebyshev)
2. God made the integers; all else is the work of man. (Kronecker).
3. Before we take to sea we walk on land. Before we create we must understand.
(Lagrange)
4. When we ask advice, we are usually looking for an accomplice. (Lagrange)
5. It took the mob only a moment to remove his head; a century will not suffice to
reproduce it. [said about the chemist Lavoisier] (Lagrange)
6. I do not know. [summarising his lifes work] (Lagrange)
7. These astronomers are queer; they wont believe in a theory unless it agrees with
their observations. (Lagrange) item How lucky was Newton! In his time the system
of the world was still to be discovered! (Lagrange)
RIFERIMENTI BIBLIOGRAFICI
[1] K. Atkinson, An Introduction to Numerical Analysis, Wiley, (1989).
[2] J.P. Berrut and L.N.Trefethen, Barycentric Lagrange interpolation, (SIAM Review, 2004),
http://web.comlab.ox.ac.uk/oucl/work/nick.trefethen/barycentric.pdf.
[3] V. Comincioli, Analisi Numerica, metodi modelli applicazioni, Mc Graw-Hill, 1990.
[4] Mac Tutor, Chebyshev biography,
http://www-history.mcs.st-andrews.ac.uk/Biographies/Chebyshev.html.
[5] Mac Tutor, Lagrange biography,
http://www-history.mcs.st-andrews.ac.uk/Biographies/Lagrange.html.
[6] The MathWorks Inc., Numerical Computing with Matlab, http://www.mathworks.com/moler.
[7] A. Quarteroni e F. Saleri, Introduzione al calcolo scientifico, Springer Verlag, 2006.
[8] A. Quarteroni, R. Sacco e F. Saleri, Matematica numerica, Springer Verlag, 1998.
[9] Wikipedia, Fenomeno di Runge,
http://it.wikipedia.org/wiki/Fenomeno di Runge.
[10] Wikipedia, Interpolazione polinomiale,
http://it.wikipedia.org/wiki/Interpolazione polinomiale.
19

[11] Wikipedia, Isaac Newton,

http://en.wikipedia.org/wiki/Isaac Newton.
[12] Wikipedia, Lagrange,
http://it.wikipedia.org/wiki/Lagrange.
[13] Wikipedia, Newton polynomial,
http://en.wikipedia.org/wiki/Newton polynomial.
[14] Wikipedia, Nodi di Chebyshev,
http://it.wikipedia.org/wiki/Nodi di Chebyshev.
[15] Wikipedia, Polynomial interpolation,
http://en.wikipedia.org/wiki/Polynomial interpolation.
[16] Wikipedia, Runges phenomenon,
http://en.wikipedia.org/wiki/Runge%27s phenomenon.
[17] Wikipedia, QR decomposition,
http://en.wikipedia.org/wiki/QR decomposition.
[18] Wikipedia, Vandermonde matrix,
http://en.wikipedia.org/wiki/Vandermonde matrix.
[19] Greg von Winckel, barylag.m,
http://www.mathworks.com/matlabcentral/fileexchange.

20