CURS 1

Elemente de teoria aproximarii

1.1. Introducere Se poate intampla ca diverse fenomene din jurul nostru

care se cerceteaza cu ajutorul metodelor matematice sa fie caracterizate prin
functii de una sau mai multe variabile reale, insa pentru care nu exista
posibilitatea determinarii lor complete ci doar a aflarii valorilor pe anumite
valori particulare ale argumentelor. Cunoscand aceste valori se doreste
adesea sa se aproximeze fie valorile functiilor respective pe alte noi puncte
din domeniul lor de definitie, fie anumite caracteristici numerice cum ar fi:
valorile pe puncte date ale derivatelor de anumite ordine sau integralelor pe
anumite domenii.
Probleme de modelare matematică proceselor mecanice şi a situaŃiilor
economice nu pot fi rezolvate fara aplicarea metodelor de calcul numeric.
Un specialist modern trebuie să cunoască bine metode de baza ale
matematicii aplicate din care face parte şi analiza numerică . Practic, orice
teorie inginerească fără un suport matematic solid nu are nici o valoare
ştiinŃifică.
Ca regulă , un inginer operează cu datele numerice, care trebuie sa fie
prelucrate intr-un anumit mod pentru calculul şi proiectarea dispozitivelor
tehnice.
EcuaŃiile matematice din domeniul mecanic, ca regulă, conŃin derivate
şi integrale,iar cele din domeniu financiar modern utilizează, de exemplu,
teoria ecuaŃiilor diferenŃiale stohastice, care nu pot fi rezolvate direct in mod

1
analitic, ci numai prin metode aproximative cu care opereaza analiza
numerică.
Astfel, metodele numerice de calcul sunt metode aproximative, iar
disciplina aparŃine domeniului matematicii aplicate.

Metodele numerice isi propun gasirea unor solutii aproximative eficiente la

probleme diverse ce pot fi exprimate prin modele matematice, eficienta data
in primul rand de precizia ceruta (eroare) dar si de usurinta implementarii.
Prin urmare metodele numerice trebuiesc alese tinand cont de convergenta,
stabilitate, propagarea erorilor si de analiza complexitatii algoritmului
asociat.
Prin algoritm vom intelege un set de instructiuni care specifica succesiunea
de operatii ce urmeaza sa fie aplicate asupra datelor pentru rezolvarea
efectiva a problemelor de un anumit tip.
Stabilitatea- in sensul ca variatii “mici” in datele numerice-care de obicei
sunt afectate de erori- sa aiba ca efect variatii de asemenea “mici” ale
solutiilor aproximative.
Convergenta- intr-un anumit sens, a sirului de aproximatii successive, la
care suntem condusi pe baza unei relatii, la solutia exacta a problemei.
In metodele de aproximare se pune si problema vitezei convergentei. O
convergenta prea lenta reprezinta un neajuns serios al unei metode de
aproximare.
O atentie speciala se impune a fi acordata procedeelor de aproximare care
conduc la solutii optimale, in sensul ca abaterea intr-o anumita norma a
solutiei aproximative de la solutia exacta sa fie minima pentru o anumita
clasa de solutii posibile. In aceasta categorie se incadreaza teoria celei mai
bune aproximari, cuprinzand ca un caz special important metoda celor mai

2
mici patrate, precum si a formulelor optimale de derivare si integrare
numerica.
Vom intelege prin problema algoritmica o functie total definita P : I → F ,
unde I este multimea informatiilor initiale (intrarile problemei) iar F este
multimea informatiilor finale. Presupunem ca I si F sunt cel mult
numarabile. Din multitudinea de algoritmi existenti pentru rezolvarea unei
probleme se va alege cel mai “performant”, adica sa fie usor de inteles,
codificat, modificat, depanat si sa utilezeze in mod eficient resursele.
Calitatea unui algoritm care se presupune ca permite obtinerea solutiei
corecte este apreciata prin eficienta sa spatiala (memoria necesara datelor si
programului) si temporala (timpul de calcul necesar obtinerii solutiei).
De exemplu, algoritmul pentru inmultirea matricelor patrate n dimensionale
necesita 3n^2 locatii de memorie (in fiecare memorandu-se un numar real,
element al matricei A,B sau C). Daca dimensiunea n a matricei creste de 10
ori, spatiul necesar creste de 100 ori, motiv pentru care se spune ca
algoritmul este de ordinul 2 si se scrie M = O(n2).
Eficienta unui algortitm se regaseste deci si in timpul consumat prin care
intelegem timpul consumat in numar de operatii (in virgula mobila).
Sa notam cu T = TA ( p ) numarul de operatii effectuate de algoritmul A
pentru rezolvarea unei instante p = P(i ), i ∈ I si vom asocia problemei
rezolvate un numar g (P ) numit dimensiunea problemei- numarul datelor de
intrare.
Timpul se exprima ca o functie de dimensiunea problemei, functie numita
complexitatea in timp a algoritmului T = f (n) .
Prin complexitate timp înŃelegem timpul necesar execuŃiei programului.
Înainte de a evalua timpul necesar execuŃiei programului ar trebui să avem

3
informaŃii detaliate despre sistemul de calcul folosit. Pentru a analiza teoretic
algoritmul, vom presupune că se lucrează pe un calculator "clasic", în sensul
că o singură instrucŃiune este executată la un moment dat. Astfel, timpul
necesar execuŃiei programului depinde de numărul de operaŃii elementare
efectuate de algoritm. Privind din perspectiva calculului paralel, acest mod
de analiză a complexităŃii timp a unui algoritm va fi, probabil, total
inadecvat pentru viitoarele generaŃii de calculatoare. Dar pentru algoritmii
"clasici" oferă un criteriu general de comparaŃie, fără a fi necesară
implementarea şi rularea pe un calculator. De altfel, din motive practice, pe
calculator nu putem testa algoritmul pentru cazuri oricât de mari şi nu putem
obŃine informaŃii asupra comportării în timp a algoritmilor decât pentru
seturi particulare de date de intrare.
Primul pas în analiza complexităŃii timp a unui algoritm este
determinarea operaŃiilor elementare efectuate de algoritm şi a costurilor
acestora. Numim operaŃie elementară o operaŃie al cărei timp de execuŃie
este independent de datele de intrare ale problemei. Timpul necesar
execuŃiei unei operaŃii elementare poate fi diferit de la o operaŃie la alta, dar
este fixat, deci putem spune că operaŃiile elementare au timpul mărginit
superior de o constantă. Fără a restrânge generalitatea, vom presupune că
toate operaŃiile elementare au acelaşi timp de execuŃie, fiind astfel necesară
doar evaluarea numărului de operaŃii elementare, nu şi a timpului total de
execuŃie a acestora. Analiza teoretică ignoră toŃi factorii care depind de
maşină sau de limbajul de programare ales şi se axează doar pe
determinarea ordinului de mărime a numărului de operaŃii elementare.
Scopul analizei teoretice a algoritmilor este de fapt determinarea unor
funcŃii care să limiteze superior, respectiv inferior comportarea în timp a

4
algoritmului. FuncŃiile depind de caracteristicile relevante ale datelor de
intrare.
Notăm TA(n) timpul necesar execuŃiei algoritmului A.

Fie f: N → R+* o funcŃie arbitrară. Spunem că algoritmul este de ordinul

lui f(n) ( notat O(f(n)) ), dacă şi numai dacă există c > 0 şi n0∈N,

astfel încât TA(n) ≤ c.f(n), ∀n ≥ n0.

De exemplu:
a) Dacă TA(n) = 3n+2, atunci TA(n)∈O(n), pentru că 3n+2 ≤ 4n,

∀n ≥ 2.
Mai general, dacă TA(n) = an+b, a > 0, atunci TA(n)∈O(n) pentru că există

c = a+1 > 0 şi n0 = b∈N, astfel încât an+b ≤ (a+1)n, ∀n ≥ b.

b) Dacă TA(n) = 10n +4n+2, atunci TA(n)∈O(n ), pentru că 10n +4n+2 ≤
2 2 2

11n2, ∀n ≥ 5.
Mai general, dacă TA(n) = an2+bn+c, a > 0, atunci TA(n)∈O(n2), pentru

că an2+bn+c ≤ (a+1)n2, ∀n ≥ max(b,c)+1.

c) Dacă TA(n) = 6⋅2n+n2, atunci TA(n)∈O(2n), pentru că TA(n) = 6⋅2n+n2 ≤

7⋅ 2n,∀n ≥ 4.

ObservaŃii
1. NotaŃia O oferă o limită superioară a timpului de execuŃie a unui
algoritm.
∈O(1) necesită un timp de execuŃie constant.
2. Un algoritm cu TA(n)∈

∈O(n) se numeşte liniar. Dacă TA(n)∈

Un algoritm cu TA(n)∈ ∈O(n2)

∈O(n3), cubic. Un algoritm

algoritmul se numeşte pătratic, iar dacă TA(n)∈

5
 ∈O(nk) se numeşte polinomial, iar dacă TA(n)∈
cu TA(n)∈ ∈O(2n) algoritmul
se numeşte exponenŃial.

Presupunem ca un pas necesita 10 −6 secunde, adica O (1) = 10 −6 secunde,

atunci n=40.
--Un algoritm cu functia de complexitate n necesita 0.00004
secunde,
--Un algoritm cu functia de complexitate n5 necesita aprox.
1.7 min,
--Un algoritm cu functia de complexitate n6 necesita aprox
129 ani.
.Exemplu
Calcularea maximului
Fiind date n elemente a1, a2, ..., an, să se calculeze

max {a1, a2, ..., an}.

max := a[[1]];
for i := 2 to n do
if a[[i]] > max then max := a[[i]];

Vom estima timpul de execuŃie al algoritmului în funcŃie de n,

numărul de date de intrare. Fiecare iteraŃie a ciclului for o vom considera
operaŃie elementară. Deci complexitatea algoritmului este O(n), atât în
medie cât şi în cazul cel mai defavorabil.

Intrucat cea mai mare parte a materialului se refera la aproximarea functiilor,

a unor functionale liniare definite pe spatii de functii sau la aproximarea

6
solutiilor unor ecuatii operatoriale sau a unor sisteme de ecuatii liniare, prin
metode generate de procedee de aproximare a functiilor, accentul se va pune
pe prezentarea cu precadere, a spatiilor de functii.
In general, intr-o problema de aproximare intervin trei elemente esentiale:
1. o multime B ale carei elemete urmeaza a fi aproximate
2. o multime A a aproximatiilor ( cu elementele careia se aproximeaza
elementele lui B)
3. un criteriu prin care se selecteaza aproximatia din A a unui element
dat din B
De cele mai multe ori criteriul de selectie are la baza eroarea de aproximare
Nu sunt excluse nici situatiile in care aproximatia din A a unui element a lui
B se alege astfel incat ea sa fie usor de calculate sau cumularea erorilor de
calcul sa fie cat mai redusa.
Un loc aparte il ocupa problemele in care pentru un element dat f ∈ B se
cere determinarea elementului lui A care aproximeaza cel mai bine pe f sau
elemental din A care aproximeaza pe f cu o eroare dinainte data. Daca
multimea A nu contine nici un element care sa aproximeze pe f cu eroarea
prescrisa, ea poate fi extinsa astfel incat conditia pusa sa fie satisfacuta. De
exemplu daca A este multimea functiilor polinomiale de grad cel mult n, Pn ,
extinderea ei se poate face prin marirea gradului n, prin trecerea la multimea
functiilor spline, a functiilor rationale, etc.
Apare astfel necesitatea definirii erorii de aproximare a lui f ∈ B prin
elementul din A, a compararii mai multor aproximatii ale lui f cu scopul de a
decide care dintre ele este mai convenabila sau chiar la determinarea celei
mai bune aproximatii din A a lui f.

7
In unele cazuri definrea erorii poate depinde si de natura multimii B, de
structurile cu care este inzestrata. De exemplu daca ( B, d ) este un spatiu
metric, A ⊂ B si f ∈ B , eroarea de aproximare a lui f prin g ∈ A se masoara

prin distanta d ( g , f ) . Elementul g * ∈ A pentru care d ( g * , f ) ≤ d ( g , f )

oricare ar fi g ∈ A este cea mai buna aproximatie a lui f in A.
Amintim ca ( B, d ) este un spatiu metric daca pe multimea B este definite o
aplicatie (metrica) d : B × B → R+ care satisfac conditiile:
1. d ( f , g ) ≥ 0 si d ( f , g ) = 0 daca si numai daca f = g
2. d ( f , g ) = d ( g , f )
3. d ( f , h) ≤ d ( f , g ) + d ( g , h) pentru orice f , g , h ∈ B

1.2 SpaŃii liniare. DefiniŃii si NotaŃii

Fie B un spaŃiu liniar peste corpul K (vezi definitia la spatiu liniar)

Daca K=R atunci B este spaŃiu liniar real, iar daca K=C, B este spatiu liniar
complex.
O aplicatie a lui B in K se numeste funcŃionala.
O functionala L : B → K se numeste funcŃionala aditivă dacă
L( f + g ) = L( F ) + L( g ) oricarea ar fi f , g ∈ B
O functionala L : B → K se numeste funcŃionala omogenă dacă
L(αf ) = αL( f ) oricare ar fi α ∈ K si f ∈ B
O functionala aditiva si omogena se numeste functionala liniara.
O functionala reala nenegativa p definite pe spatiul liniar B cu proprietatile:

8
1. p ( f + g ) ≤ p ( f ) + p ( g ) oricare ar fi f , g ∈ B

2. p (αf ) = α p ( f ) , oricare ar fi α ∈ K si f ∈ B
se numeşte seminorma pe B.
O seminorma p definite pe spatiul liniar B se numeste norma daca din
p ( f ) = 0 rezulta f = 0 .
Spatiul liniar B (peste corpul K) inzestrat cu o norma p se numeste spatiu
liniar normat.
Proprietati ale normei:
1. f = 0 implica f = 0

2. f + g ≤ f + g

3. αf = α f
Daca B este un spatiu liniar normat atunci
d ( f , g) = f − g , f , g ∈ B
este o distanta in B.
Deci orice spatiu liniar normat este un spatiu metric.
Fie { f n }n∈N un sir de elemete din B si f ∈ B . Se spune ca sirul converge in
norma la f daca:
lim f n − f = 0 .
n→∞

Un sir { f n }n∈N de elemete ale spatiului liniar normat B se numeste sir

Cauchy (in norma) daca pentru orice numar ε > 0 exista un numar natural
N = N ε astfel incat

fm − fn ≤ ε

daca m, n > N ε .
Un sir convergent este un sir Cauchy.

9
Un spatiu liniar normat se numeste complet daca orice sir Cauchy de
elemente ale sale este convergent.
Un spatiu liniar normat si complet se numeste spatiu Banach.
Daca B este un spatiu liniar cu produs scalar, norma definite pe B prin
f = < f , f > se spune ca este indusa de produsul scalar.
Un spatiu liniar normat cu norma indusa de produsul scalar se numeste
spatiu prehilbertian.
Un spatiu prehilbertian si complet se numeste spatiu Hilbert.
Deci un spatiu Hilbert este un spatiu Banach cu norma indusa de un produs
scalar.
Exemple de spaŃii de funcŃii
1. C ([a, b]) - spatiul funcŃiilor continue pe intervalul [a, b] având norma
f = sup f ( x)
x∈[ a ,b ]

2. C p ([a, b]) -spaŃiul funcŃiilor f : [a, b] → R care admit derivate continue pâna
la ordinul p inclusiv. In raport cu norma
p
f p
= ∑ amax
≤ x ≤b
f k ( x)
k =0

spaŃiul C p ([a, b]) este spaŃiu Banach.

3. B([a, b]) spaŃiul funcŃiilor f : [a, b] → R marginite pe [a,b] înzestrat cu

norma

f B
= sup f ( x)
a ≤ x ≤b
B ([a, b]) este un spaŃiu Banach.

4. C B ([a, b]) - spaŃiul funcŃiilor f : [a, b] → R continue şi mǎrginite

5. Pm spaŃiul funcŃiilor polinomiale de grad cel mult m . Avem Pm ⊂ C ∞ [a, b].

10
1.3 Probleme numerice

Combinatia dintre o problema matematica (PM) de natura constructica si

specificatiile de precizie ale rezultatului (SP) se numeste problema
numerica.

Exemplul 1 Fie f : R → R si x ∈ R . Dorim sa calculam y = f (x) . In

general x nu este reprezentabil in calculator; din acest motiv vom lucra cu o
aproximare x * a sa x * ≈ x .De asemenea este posibil ca f sa nu poata fi
calculate exact; vom inlocui f cu o aproximanta a sa f A .Valoarea calculate

in calculator ca fi f A ( x * ) . Deci problema numerica este urmatoarea:

PM. Dandu-se x si f, sa se calculeze f(x);

SP f ( x) − f A ( x * ) < ε cu ε dat.

Exemple de probleme numerice

1. Evaluarea unei functionale l : F → R cum ar fi de exemplu, calcularea
valorii unei functii f (x) , a derivatelor f ' ( x), f ' ' ( x), …(derivare
b
numerica), a integralelor definite ∫ f (t )dt (integrare numerica) si a
a

normelor f p
, etc.

2. Rezolvarea ecuatiilor algebrice: determinarea valorilor unor

necunoscute aflate in relatii algebrice prin rezolvarea unor sisteme de
ecuatii liniare sau neliniare.

11
3. Rezolvarea unor ecuatii analitice: determinarea functiilor (sau
valorilor de functii) solutii ale unei ecuatii operatoriale, cum ar fi
ecuatiile diferentiale ordinare sau cu derivate partiale, ecuatiile
integrale, etc
4. Probleme de optimizare: determinarea unor valor numerice particulare
ale unor functii, care optimizeaza (minimizeaza sau maximizeaza) o
functie obiectiv cu restrictii sau fara restrictii.
Problemele matematice constructive, din care provin problemele
numerice, pot fi privite ca o aplicatie, abstracta F : X → Y intre doua
spatii liniare normate. In functie de care dintre cantitatile y, x sau F este
necunoscuta in ecuatia
Fx = y
avem de a face cu o problema directa, o problema inversa sau o problema
de identificare.

12