- •Глава 1. Численные методы.
- •1.1 Структура погрешности в численном анализе.
- •Округление.
- •Погрешность вычисления функции при неточном задании аргументов. (Вопрос вычисления функции при наличии ошибки в вычислении ее аргумента)
- •1.2. Понятие близости в метрическом пространстве.
- •Примеры классов функций и соответствующих нормированных пространств.
- •1.3. Задача приближения функций. Интерполяция.
- •Задача наилучшего приближения в нормированном пространстве.
- •Задача приближения полиномами.
- •Общая задача интерполяции.
- •1.4. Интерполяционный многочлен Ньютона.
- •Пример:
- •Запись интерполяционного многочлена для равноотстоящих узлов.
- •1.5. Среднеквадратичное приближение функции.
- •1.6. Классические ортогональные многочлены и их применение в задачах приближения функций.
- •С другой стороны
- •1.7. Некоторые общие свойства ортогональных полиномов.
- •1.8. Многочлены Чебышева, их свойства и применение в задачах приближения функций.
- •Первые применения многочленов Чебышева к задаче интерполяции.
- •1.9. Равномерное приближение функций на отрезке.
- •1.10 Теоремы о равномерном приближении функций на отрезке.
- •Глава II. Численное интегрирование.
- •2.1. Квадратурные формулы на основе интерполяций.
- •Формулы Ньютона-Котеса.
- •2.2 Квадратурные формулы Гаусса-Кристоффеля.
- •Глава III. Численные методы алгебры.
- •3.1. Принцип сжатых отображений.
- •3.2. Метод простых итераций для функциональных уравнений.
- •3.3.Метод Ньютона.
- •3.4. Численные методы линейной алгебры.
- •3.4.1. Нормы матриц. Спектральные свойства матриц.
- •Для любой квадратной матрицы и любой согласованной матричной нормы имеет место неравенство:
- •Простейшие следствия из определений.
- •3.4.2. Обусловленность матриц и систем уравнений.
- •3.4.3. Итерационные методы решения систем лау.
- •3.4.4 Стационарные итерационные процедуры. Теоремы о сходимости.
- •Некоторые определения.
- •Глава IV. Численные методы решения обыкновенных дифференциальных уравнений.
- •4.1. Численное дифференцирование.
- •4.2.Численные методы решения задачи Коши.
- •4.2.1. Оценка погрешности метода Эйлера.
- •1. Ошибка растет с номером шага k.
- •4.2.2.Методы Рунге-Кутта.
- •4.3. Численные методы решения краевых задач для оду.
- •4.3.1.Задача аппроксимации на сетке.
- •4.3.2.Аппроксимация, устойчивость и сходимость разностных схем.
- •Итерационная процедура устойчива по правой части тогда и только тогда, когда
- •При этом, если выполняется условие
3.3.Метод Ньютона.
Пусть снова задано уравнение
f(x)=0.
Запишем его в виде
, где
и
.
Пусть хк – некоторое приближение к корню х*. Для ускорения сходимости итераций желательно, чтобы был как можно меньше. Положим, то есть
Отсюда находим, что
.
Подставляя в исходное уравнение, получаем рекуррентную формулу:
.
Это и есть итерационная процедура Ньютона.
Лекция 10.
3.4. Численные методы линейной алгебры.
К численным методам линейной алгебры относятся: численные методы решения систем алгебраических уравнений (ЛАУ), обращение матриц, вычисление определителя матрицы, вычисление собственных значений и собственных векторов матриц.
Численные методы решения систем ЛАУ можно разбить на две группы: прямые методы (метод исключения Гаусса и его модификации) и так называемые итерационные методы.
Метод Гаусса подробно рассматривается в курсе линейной алгебры, где, в частности показывается, что число арифметических действий, затрачиваемых на приведение системы к треугольному виду пропорционально n3. При вычислении определителя методом Гаусса затрачивается арифметических действий.
Несмотря на очевидные преимущества прямых методов (конечность действий), их применение не всегда возможно. Если матрица A линейной системы плохо обусловлена, то вследствие неизбежных ошибок округления на ЭВМ, полученное приближенное решение системы может оказаться сколь угодно далеким от точного решения. Чтобы разобраться в этом вопросе, нам понадобится понятие нормы матрицы, спектра матрицы и обсудить некоторые дополнительные свойства матриц, связанные с этими понятиями.
3.4.1. Нормы матриц. Спектральные свойства матриц.
Пусть ,
Обозначим Mn - множество квадратных матриц .
Пусть каждой матрице поставлено в соответствие число.
Это число называется нормой матрицы A, если выполняются следующие аксиомы:
1. .
2. .
3. (неравенство треугольника).
4. (кольцевое свойство).
Определение.
Норма называетсямультипликативной, если выполняются все четыре аксиомы, и аддитивной, если выполняются первые три аксиомы.
Следствие.
Если норма матрицы A – мультипликативна, то согласно свойству 4:
.
Пусть . Определим норму матрицы следующим образом:
. (1)
Таким образом, определенная норма матрицы называется подчиненной векторной норме .
Определение.
Если матричная норма удовлетворяет условию
, (2)
то такая норма называется согласованной с нормой вектора.
Следствие 1.
Любая подчиненная норма является также и согласованной (обратное вообще говоря, неверно).
Действительно, из (1) в силу определения супремума:
,
Тот факт, что обратное неверно, подтверждается конкретными примерами матричных норм, с которыми мы познакомимся далее.
Следствие 2.
Пусть A=E и норма матрицы – подчиненная векторной норме. Тогда, поскольку Ex=x, то и из (1) немедленно следует что
Полученное условие можно считать необходимым условием подчиненной нормы.
Определим некоторые наиболее употребительные на практике матричные нормы.
- евклидова норма (норма Фробениуса: norm(a, ‘fro’)- в MATLAB),
- “столбцовая” норма (norm(a, 1)),
- “строчная” норма (norm(a, inf)),
- “спектральная” норма (norm(a)=norm(a, 2)),
где - так называемыесингулярные числа матрицы А.
Пример 1.
Показать, что F – норма не является подчиненной векторной норме, если размерность матрицы такова, что n>1.
Имеем: приn>1. И необходимое условие подчиненности нормы нарушено.
Замечание.
Все приведенные выше нормы матриц согласованы с соответствующей нормой вектора. Спектральная норма является к тому же и подчиненной евклидовой норме вектора. Кроме того, среди всех возможных норм, согласованных с евклидовой нормой вектора, спектральная норма принимает минимальное значение.
Определение 1.
Число (вообще говоря, комплексное) называется собственным значением матрицыА, соответствующим собственному вектору x, если выполняется условие:
. (3)
Определение 2.
Множество всех собственных чисел матрицы А , записанных с учетом их кратности, называетсяспектром матрицы А и обозначается S(A).
Определение 3.
Спектральным радиусом квадратной матрицыА называется максимальный из модулей ее собственных значений.
Заметим, что система (3) эквивалентна следующей однородной системе уравнений:
. (4)
Как известно из курса линейной алгебры, система (4) имеет нетривиальные решения тогда и только тогда, когда
. (5)
Уравнение (5)- алгебраическое уравнение n-ой степени относительно .
Все его корни – собственные числа матрицы А.
Имеет место следующая
Теорема 1.