MATH36022 Numerical Analysis 2 Approximation of Functions – Week 2 Exercises

本文主要是介绍MATH36022 Numerical Analysis 2 Approximation of Functions – Week 2 Exercises,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Attempt these exercises in advance of the tutorial in Week 3

  1. Find the best L ∞ L_\infin L approximation to f ( x ) = x n + 1 + ∑ k = 0 n a k x k f (x) = x^{n+1} + \sum_{k=0}^na_kx^k f(x)=xn+1+k=0nakxk  
    on [ − 1 , 1 ] [-1, 1] [1,1] by polynomials of degree at most n n n.
    ANS: Suppose p n ( x ) p_n(x) pn(x) is the best L ∞ L_\infin L approximation to f ( x ) f (x) f(x). Then, by Chebyshev Equioscillation Theorem, f ( x ) − p n ( x ) f(x) - p_n(x) f(x)pn(x) with leading coefficient 1 1 1 should exists at least n + 2 n+2 n+2 oscillated maximum modulus values. Recall that the Chebyshev polynomial 2 − n ∗ T n + 1 ( x ) 2^{-n}*T_{n+1}(x) 2nTn+1(x) has leading coefficient 1 1 1. And achieves its maximum modulus on [ − 1 , 1 ] [-1, 1] [1,1] at n + 2 n + 2 n+2 distinct points in [ − 1 , 1 ]

这篇关于MATH36022 Numerical Analysis 2 Approximation of Functions – Week 2 Exercises的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1123718

相关文章

Versioned Staged Flow-Sensitive Pointer Analysis

VSFS 1.Introduction2.Approach2.1.相关概念2.2.VSFS 3.Evaluation参考文献 1.Introduction 上一篇blog我介绍了目前flow-sensitive pointer analysis常用的SFS算法。相比IFDS-based方法,SFS显著通过稀疏分析提升了效率,但是其内部依旧有许多冗余计算,留下了很大优化空间。 以

What is Approximation Ratio?

Approximation Ratio 近似比率是用来衡量一个算法找到的近似解与最优解之间的差距的一个量化指标. 假设有一个优化问题,其最优解的值是OPT,用时间T,而我们的算法得到的解的值是ALG,用时间t。如果算法有一个2的近似比率,那么我们可以保证ALG ≤ 2 * OPT and t ≤ 2 * T。这意味着算法找到的解的“成本(时间)”和“答案”不会超过最优解的两倍。

Flink实战案例(二十三):自定义时间和窗口的操作符(四)window functions之增量聚合函数(一)ReduceFunction

实例一 例子: 计算每个传感器15s窗口中的温度最小值 val minTempPerWindow = sensorData.map(r => (r.id, r.temperature)).keyBy(_._1).timeWindow(Time.seconds(15)).reduce((r1, r2) => (r1._1, r1._2.min(r2._2))) 实例二 ReduceFun

Face Recognition简记1-A Performance Comparison of Loss Functions for Deep Face Recognition

创新点 1.各种loss的比较 总结 很久没见到这么专业的比较了,好高兴。 好像印证了一句话,没有免费的午餐。。。。 ArcFace 和 Angular Margin Softmax是性能比较突出的

OpenCV_连通区域分析(Connected Component Analysis-Labeling)

申明:本文非笔者原创,原文转载自:http://blog.csdn.net/icvpr/article/details/10259577 OpenCV_连通区域分析(Connected Component Analysis/Labeling) 【摘要】 本文主要介绍在CVPR和图像处理领域中较为常用的一种图像区域(Blob)提取的方法——连通性分析法(连通区域标

pytorch Loss Functions

1. pytorch中loss函数使用方法示例 import torchimport torch.nn as nnimport torch.nn.functional as Ffrom torch.autograd import Variable# 定义网络时需要继承nn.Module并实现它的forward方法,将网络中具有可学习参数的层放在构造函数__init__中# 不具有可学习参

JavaScript - Blocks - Functions

浏览器内置 functions var myText = 'I am a string';var newString = myText.replace('string', 'sausage');console.log(newString);// the replace() string function takes a string,// replaces one substring w

MATH36022 Numerical Analysis 2 Approximation of Functions – Week 3 Exercises

Show that the Chebyshev polynomials are orthogonal on ( − 1 , 1 ) (−1, 1) (−1,1) with respect to the weight function ( 1 − x 2 ) − 1 / 2 (1 − x^2)^{−1/2} (1−x2)−1/2. Ans: T n ( x ) = cos ⁡ ( n arcc

深入理解JavaScript系列(15):函数(Functions)

介绍 本章节我们要着重介绍的是一个非常常见的ECMAScript对象——函数(function),我们将详细讲解一下各种类型的函数是如何影响上下文的变量对象以及每个函数的作用域链都包含什么,以及回答诸如像下面这样的问题:下面声明的函数有什么区别么?(如果有,区别是什么)。 原文:http://dmitrysoshnikov.com/ecmascript/chapter-5-functio

《Data Structure Algorithm Analysis in C》Chap.10笔记

5大算法:贪婪 Greedy,分治 Divide and conquer,动态规划 Dynamic Programming,随机 Randomized,回溯 Backtracking。 每一个小节都是一个具体的问题,应当仔细看,待看的:10.2.2-4,10.3,10.4.3,10.5.2。