- •Элементы теории погрешностей.
- •1.1.Определение абсолютной и относительной погрешности численного результата.
- •1.2.Основные составляющие абсолютной погрешности.
- •1.3.Формулы для оценки абсолютной и относительной погрешности для значения функции и переменных.
- •Решение уравнений с одной неизвестной.
- •2.1.Отделение корней уравнения и отделение корней алгебраического уравнения.
- •2.2.Понятие кратного корня.
- •2.3.Методы уточнения корней простой итерации.
- •2.4.Метод Ньютона.
- •2.5.Метод хорд.
- •2.6.Достаточное условие сходимости метода простой итерации.
- •Вывод условия сходимости:
- •2.7.Оценка погрешности n-приближения.
- •Решение систем линейных уравнений.
- •3.1.2.Классификация слау
- •3.1.3.Обусловленность слау
- •3.1.Метод Гаусса.
- •3.2.Метод прогонки.
- •3.3.Метой простой итерации. Приведение системы к итерационной форме
- •Выполнение итерации
- •Проверка условия окончания решения
- •3.4.Достаточное условие сходимости простой итерации.
- •3.5.Оценка погрешности n-приближения.
- •4.1.Метод простых итераций.
- •1) Функции 1(X,y) и 2(X,y) определены и непрерывно дифференцируемы в r;
- •3) В r выполнены неравенства
- •4.2.Метод Ньютона.
- •Интерполяция функций.
- •5.1.Постановка задачи.
- •5.2.Формула Лагранжа.
- •5.3.Формула Ньютона.
- •5.4.Оценка погрешности интерполяции.
- •5.5.Интерполяция сплайнами.
- •Определение кубического сплайна.
- •Формулировка системы уравнений для коэффициентов кубического сплайна.
- •Аппроксимация функций.
- •6.1.Постановка задачи.
- •6.2.Метод наименьших квадратов.
- •6.3.Матричная формула для коэффициентов многочлена аппроксимации.
- •Численное интегрирование.
- •8.1.Формулы прямоугольников, трапеций, парабол (Симпсона). Оценки погрешностей. Методы прямоугольников
- •Метод трапеций
- •Метод парабол
- •8.2.Метод Рунге двойного счета для оценки погрешности.
- •Методы решения задачи Коши для обыкновенного дифференциального уравнения.
- •9.1.Интегральное представление задачи Коши.
- •10.1.Обусловленность задачи поиска минимума.
- •10.3.Метод золотого сечения.
- •10.4.Метод координатного спуска.
- •10.5.Метод наискорейшего спуска.
3) В r выполнены неравенства
или неравенства
то процесс последовательных приближений сходится к решению x = x*, y = y* .
Оценка погрешности n-го приближения определяется неравенством:
где M - наибольшее из чисел q1 и q2, входящих в эти неравенства.
4.2.Метод Ньютона.
В основе метода Ньютона для системы уравнений лежит использование разложения функций Fi(x1, x2, … , xn) в ряд Тейлора, причем члены, содержащие вторые производные (и производные более высоких порядков), отбрасываются.
Пусть приближенные значения неизвестных системы (например, полученные на предыдущей итерации) равны соответственно а1, а2, … , аn .Задача состоит в нахождении приращений (поправок) в этим значениям x1, x2, … , xn , благодаря которым решение исходной системы запишется в виде:
x1 = a1 + x1 , x2 = a2 + x2 , , . . . . . , xn = an + xn .
Проведем разложение левых частей уравнений исходной системы в ряд Тэйлора, ограничиваясь лишь линейными членами относительно приращений:
. . . . . . . . . . . . . . . . . .
Поскольку левые части этих выражений должны обращаться в ноль, то можно приравнять нулю и правые части:
. . . . . . . . . . . . . . . . . .
Значения F1, F2 , … , Fn и их производные вычисляются при x1 = a1 , x2 = a2 , … , xn = an .
Определителем последней системы является якобиан:
Для существования единственного решения системы якобиан должен быть отличным от нуля на каждой итерации.
Таким образом, итерационный процесс решения системы нелинейных уравнений методом Ньютона состоит в определении приращений x1, x2, … , xn к значениям неизвестных на каждой итерации. Счет прекращается, если все приращения становятся малыми по абсолютной величине:
В методе Ньютона также важен удачный выбор начального приближения для обеспечения хорошей сходимости. Сходимость ухудшается с увеличением числа уравнений системы.
В качестве примера можно рассмотреть использование метода Ньютона для решения системы двух уравнений:
F1(x,y) = 0
F2(x,y) = 0
где F1 и F2 - непрерывно дифференцируемые функции.
Пусть начальные значения неизвестных равны a, b .
После разложения исходной системы в ряд Тэейлора можно получить:
Предположим, что якобиан системы при x = a и y = b отличен от нуля:
Тогда значения x и y можно найти, используя правило Крамера следующим образом:
и
Вычислив значения x и y можно найти следующие приближения неизвестных по формулам:
Величины, стоящие в правой части, вычисляются при x = a и y = b .
Интерполяция функций.
Пусть на отрезке определена некоторая функцияоднако полная информация о ней недоступна. Известны лишь ее значения в конечном числе точекэтого отрезка, которые мы будем считать занумерованными в порядке возрастания:
.
Требуется по известным значениям
,
«восстановить», хотя бы приближенно, исходную функцию то есть построить на отрезкефункцию, достаточно близкую к. Функциюпринято называть интерполирующей функцией, точки- узлами интерполяции.
Подобные задачи часто возникают на практике, например, при обработке экспериментальных данных, когда значения переменной , зависящей от, измеряется в конечном числе точек: , или при работе с табличными функциями, если требуется вычислить при значениях аргумента , не совпадающего ни с одним из табличных.
Поставленный выше в общей форме вопрос о приближении функций является достаточно сложным. Существует не один подход к его решению. Мы ограничимся изложением трех наиболее распространенных методов.