- •Глава 1. Численные методы и особенности использования эвм
- •Глава 2. Решение нелинейных уравнений с одной переменной 23
- •Глава 3. Методы приближения, интерполяции и аппроксимации функций 47
- •Глава 4. Численное интегрирование 75
- •Глава 5. Приближенное интегрирование дифференциальных уравнений 108
- •Глава 6. Численное дифференцирование 139
- •Глава 7. Методы численной оптимизации 150
- •Предисловие
- •Глава 1. Численные методы и особенности использования эвм в решении математических задач
- •1.1. Математическое моделирование и численные методы
- •1.2. Общая постановка и понятие устойчивости задач вычисления
- •1.3. Структура погрешности решения задач вычисления
- •1.4. Абсолютная и относительная погрешности
- •Пример 1.4. Примеры записи абсолютной погрешности числа :
- •Пример 1.5. Пример записи относительной погрешности числа :
- •1.5. Погрешность машинных вычислений и представлений чисел в памяти эвм
- •1.6. Графы вычислительных процессов
- •1.7. Вопросы для самопроверки
- •Глава 2. Решение нелинейных уравнений с одной переменной
- •2.1. Локализация корней
- •2.2. Уточнение корней
- •2.2.1. Метод половинного деления (бисекции, дихотомии)
- •2.2.2. Метод хорд
- •2.2.3. Метод Ньютона (касательных)
- •2.2.4. Модифицированный метод Ньютона
- •2.2.5. Метод секущих
- •2.2.6. Метод итераций
- •Б) односторонний расходящийся процесс; в) двухсторонний сходящийся процесс; г) двухсторонний расходящийся процесс.
- •2.2.7. Комбинированный метод хорд и касательных
- •2.3. Вопросы для самопроверки
- •Глава 3. Методы приближения, интерполяции и аппроксимации функций
- •3.1. Методы приближения функций
- •3.1.1. Формула Тейлора, ряд Тейлора
- •3.1.2. Полиномы Чебышева
- •3.1.3. Экономизация степенных рядов
- •3.1.4. Приближения с помощью дробно-рациональных функций
- •3.2. Методы интерполяции функций
- •3.2.1. Прямой метод
- •3.2.2. Полином Лагранжа
- •3.2.3. Полином Ньютона
- •Конечные разности функции .
- •3.3. Методы аппроксимации функций
- •3.3.1. Среднеквадратичная аппроксимация
- •Некоторые регрессионные модели.
- •Премиальные фонды и прибыли предприятий
- •Расчет сумм для проведения регрессионного анализа
- •Коэффициенты регрессии
- •Расчет суммы квадратов отклонений по линейной модели
- •Сумма квадратов отклонений для рассматриваемых моделей
- •3.3.2. Полиномиальная аппроксимация
- •3.3. Вопросы для самопроверки
- •Глава 4. Численное интегрирование
- •4.1. Понятие определенного интеграла
- •4.2. Классификация методов численного интегрирования
- •4.3. Методы Ньютона-Котеса
- •4.3.1. Методы прямоугольников
- •4.3.2. Метод трапеций
- •4.3.3. Метод Симпсона (метод парабол)
- •4.4. Погрешность методов Ньютона-Котеса
- •4.5. Вычисление интегралов с заданной точностью
- •4.6. Особые случаи численного интегрирования
- •4.7. Вычисление кратных интегралов
- •Результаты вычисления значений функции .
- •4.8. Методы Монте-Карло
- •4.9. Вопросы для самопроверки
4.8. Методы Монте-Карло
Методы статистических испытаний, называемые также методами Монте-Карло, применяются для решения разнообразных задач вычислительной математики и, в том числе, для вычисления определенных интегралов
. (*)
Рассмотрим один из простых вариантов метода Монте-Карло, который можно интерпретировать как статистический метод прямоугольников (рис. 4.17).
Рис. 4.17. Пример метода Монте-Карло (вариант 1 – статистический метод прямоугольников).
На отрезке интегрирования выберем случайных точек , являющихся значениями случайной величины , равномерно распределенной на данном отрезке. Для каждой точки , , вычислим площадь прямоугольника, одна сторона которого равна , а вторая – значению подынтегральной функции в данной точке: . Так как значения – случайные величины, то значения площадей также носят случайный характер. В качестве приближенного значения интеграла можно принять результат усреднения площадей , :
. (4.17)
Погрешность вычисления интеграла будет уменьшаться с ростом числа испытаний и может быть приблизительно оценена следующим образом . Полученная формула формально совпадает с формулой правых прямоугольников (4.5), но отличие состоит в том, что в формуле (4.5) узлы интегрирования расположены регулярно, а в данном случае расположение узлов носит случайный характер.
Формула (4.17) непосредственно обобщается на кратные интегралы
,
где – объем области интегрирования.
Теоретическое обоснование рассмотренного варианта метода Монте-Карло для вычисления интегралов состоит в следующем. Пусть – случайная величина, равномерно распределенная на отрезке . Это означает, что ее плотность вероятности задается соотношением
Тогда любая функция также будет случайной величиной, и ее математическое ожидание может быть рассчитано следующим образом:
,
откуда
.
Если провести серию из независимых испытаний, в которых генерируются случайные числа и вычисляются значения , то для оценки математического ожидания можно использовать среднее значение результатов независимых реализаций :
,
что в итоге приводит к соотношению
,
которое совпадает с формулой (4.17).
В другом варианте метода Монте-Карло интеграл
приводится к виду ,
где на отрезке .
Для вычисления интеграла генерируются пары значений , , случайных величин x и y, равномерно распределенных на отрезке , которые можно рассматривать как координаты точек в единичном квадрате (рис. 4.18).
Рис. 4.18. Пример метода Монте-Карло (вариант 2).
При равномерном распределении точек в квадрате за приближенное значение интеграла принимается отношение количества точек , попавших под кривую или на нее, к общему числу испытаний (точек)
.
Представленный алгоритм обобщается на кратные интегралы, а также может быть адаптирован для случая, когда исходный интеграл не приводится к виду , где на отрезке , рис. 4.19.
Рис. 4.19. Пример метода Монте-Карло (вариант 3).
В рассматриваемом варианте метода Монте-Карло для вычисления интеграла в диапазонах и генерируются пары значений , , случайных величин x и y, которые можно рассматривать как координаты точек в прямоугольнике со сторонами и . При равномерном распределении точек в данном прямоугольнике за приближенное значение интеграла принимается отношение количества точек , попавших под кривую или на нее, к общему числу испытаний (точек) , умноженное на площадь прямоугольника
.
Для использования методов Монте-Карло при вычислении определенных интегралов, как и в других их приложениях, необходимо вырабатывать последовательности случайных чисел с заданным законом распределения вероятностей. Наиболее распространенный способ выработки случайных чисел на ЭВМ состоит в использовании алгоритма, реализующего генерацию случайных чисел, равномерно распределенных в некотором заданном диапазоне. Поскольку эти числа генерируются по наперед заданному алгоритму, то получаемую последовательность (одну и ту же) в некоторых случаях можно воспроизвести сколько угодно раз. В этом смысле получаемые числа не совсем случайны (псевдослучайны). Тем не менее, в рамках данной последовательности, получающиеся числа обладают всеми необходимыми статистическими свойствами, характерными для значений случайной величины.