Azzurra Mostarda

Francesco Casciotta

FUNZIONI SPLINE
Supponiamo che nello studio di un certo fenomeno sia stata dimostrata lesistenza di una dipendenza funzionale tra le grandezze x e y per mezzo di una relazione del tipo rimasta per sconosciuta. Lapproccio sperimentale ha stabilito che tale funzione assume rispettivamente i valori , , , per certi valori , , , assunti dalla variabile indipendente in un intervallo chiuso e limitato . Il problema che si pone quello di determinare esplicitamente una funzione passante per linsieme di punti dati e che sia unespressione esatta o approssimata della funzione rimasta incognita sul segmento . La questione cos proposta il problema dellinterpolazione. Si potrebbe pensare di interpolare una distribuzione di punti mediante lausilio di un unico polinomio anche quando questi sono in numero elevato; tuttavia in questo caso anche il polinomio interpolante risulta di grado elevato con spesso associate oscillazioni che possono verosimilmente discostarsi dalleffettivo possibile interpolazione per una data andamento del fenomeno in studio. Si Una distribuzione di punti. pu ovviare a questo problema suddividendo lintervallo in un numero discreto di sottointervalli, operando cio una partizione:

per interpolare poi la funzione su ciascun sottointervallo . Definiamo quindi una funzione spline dordine , come lunione di tutti i polinomi interpolanti dei singoli sottointervalli , originando di fatto una funzione a tratti raccordati in corrispondenza dei nodi . Ogni funzione spline ammette derivata continua dordine su : . Appare evidente che per ogni linterpolante assume un profilo smussato ed ancora le funzioni spline forniscono interpolazioni pi lisce dogni altro metodo presentando la minima curvatura media. La scelta del metodo di interpolazione va valutato con cura: per avere unidea di come una spline anche di ordine ridotto riesca ad interpolare meglio una

funzione di quanto non riesca a fare un polinomio interpolante di grado elevato si pu osservare lesempio in figura; questa rappresenta la funzione segno nellintervallo e le approssimazioni mediante un polinomio di grado elevato (30) e una spline lineare.

Puntualizzando che il numero di punti e la distribuzione dei nodi stata lasciata invariata per le due interpolazioni, si nota facilmente che la spline lineare approssima in modo migliore la funzione segno nonostante il grado del polinomio interpolante sia abbastanza elevato. inoltre da notare che a differenza dellinterpolazione polinomiale, le funzioni spline non sono influenzate dalla particolare distribuzione dei nodi. Un altro importante vantaggio lassenza del fenomeno di Runge, ovvero lincresparsi della curva che approssima i dati agli estremi dellintervallo come invece accade per le interpolazioni polinomiali nel qual caso lentit delle oscillazioni cresce col grado del polinomio. Nellesempio a fianco le curve blu e verde si riferiscono rispettivamente ad un polinomio di quinto e nono grado.

 chiaro che linterpolante che pi si adatta ad un insieme di punti sperimentali dipende strettamente dalla funzione che regola il fenomeno e, posto che la spline sia quella pi idonea, ci sar poi da discriminare sul grado. Consideriamo degli esempi. Nel primo caso di seguito proposto sono riportati dei punti che presentano un andamento a gradino i quali possono verosimilmente mimare landamento di una propriet di un sistema soggetto ad una transizione catastrofica o cooperativa. Sono mostrate le interpolazioni mediante spline lineare e cubica. In casi di questo tipo pu aver luogo il fenomeno di Gibbs con il quale intendiamo la presenza di forti oscillazioni in corrispondenza del gradino che rendono i polinomi di primo grado preferibili a quelli di terzo. Tuttavia se andiamo ad analizzare unaltra tipologia di funzioni come ad esempio le funzioni sinusoidali, si ha un comportamento opposto: si riesce ad interpolare meglio questa funzione tramite una spline cubica piuttosto che lineare; a tali scopi si interpolata e valutata la funzione seno nellintervallo su nove nodi totali.

Come si pu vedere dalla figura la spline lineare non interpola bene la funzione a vista docchio; ci si poteva aspettare questo risultato visto il numero ridotto di punti e tenuto conto che la funzione impiega rette per approssimare una curva morbida. La spline cubica sembra interpolare abbastanza bene la funzione, ma approfondimenti circa la valutazione dellerrore farebbe preferire, nel caso riportato, linterpolazione polinomiale.

Riportiamo infine un ultimo grafico relativo allandamento dellerrore medio di interpolazione per numero di nodi equispaziati nel caso gi accennato della funzione segno. Si nota come nel caso polinomiale lerrore tenda allinfinito al crescere dei nodi nel caso delle spline, invece, si ha la decrescita molto lenta, ma con dei picchi quasi periodici che tendono allo zero (o meglio, alla precisione del metodo o dello strumento) nella spline lineare.

In conclusione, possibile verificare che lerrore medio di interpolazione nelle spline, a differenza delle interpolazioni con un unico polinomio, tende in generale a diminuire moderatamente col crescere del numero dei nodi; in alcuni casi, in seguito a correlazioni tra la forma della funzione e la tipologia di spline, si possono verificare fenomeni periodici in cui lerrore medio assume valore zero per determinati valori di n, ma non individuabile un particolare numero dei nodi accettabile nella pratica oltre il quale lerrore sempre molto vicino alla precisione del metodo sperimentale.