- •1.Понятие«вычислительная задача». Типы вычислительных задач и их постановка.
- •3. Условия корректности вычислительной задачи.
- •2. Метод Гаусса решения систем линейных алгебраических уравнений: класс метода, прямой и обратный ходы, оценка трудоемкости.
- •Трудоёмкость метода Гаусса
- •Условие сходимости метода простых итераций
- •Трудоёмкость метода простых итераций
- •Условие сходимости метода Зейделя
- •Наглядное представление метода Зейделя
- •7. Источники погрешностей вычислений.
- •8. Метод бисекции решения нелинейных уравнений: условие локализации корня, алгоритм решения, условие окончания, надежность и эффективность метода.
- •9. Погрешности представления (округления) чисел в эвм. Понятие «представимое множество эвм». Способы округления.
- •11. Понятия «абсолютная погрешность» и «относительная погрешность». Реальные оценки погрешностей.
- •Упрощенный метод Ньютона
- •13. Правила записи приближенных чисел, понятия «значащие цифры числа» и «верные значащие цифры числа».
- •15. Абсолютная и относительная погрешности сложения.
- •14. Метод Ньютона–Рафсона решения систем нелинейных уравнений: алгоритм решения, условие окончания.
- •Алгоритм решения:
- •16. Метод Лагранжа интерполяции данных: тип метода, вид и степень общего полинома Лагранжа, условие интерполяции, задача построения полинома Лагранжа, недостаток метода.
- •17. Абсолютная и относительная погрешности вычитания.
- •18. Метод сплайнов интерполяции данных: тип метода, количество и степень сплайн-полиномов, условие интерполяции и условия сопряженности сплайнов, эффективность метода.
- •19. Абсолютная и относительная погрешности умножения.
- •20. Абсолютная и относительная погрешности деления.
- •21. Абсолютная и относительная погрешности деления.
- •24. Методы центральных прямоугольников, трапеций и Симпсона вычисления определенных интегралов: расчетные формулы, порядок точности, оценка погрешности, вычисление погрешности по правилу Рунге.
- •27. Общее понятие «численный метод».
- •28. Метод Монте-Карло вычисления определенных интегралов: расчетная формула, алгоритм метода.
- •29. Понятие «численный метод эквивалентных преобразований».
- •35. Понятие «итерационный (приближенный) численный метод.
- •Условие сходимости метода простых итераций
- •Трудоёмкость метода простых итераций
- •36.Решение оду модифицированным методом Эйлера: порядок точности, начальные условия, расчетная формула для получения решения, графическая интерпретация, вычисление погрешности по правилу Рунге.
- •37.«Численный метод статистических испытаний (случайный численный метод)»
27. Общее понятие «численный метод».
Численный метод наряду с возможностью получения результата должен обладать еще одним важным качеством – не вносить в вычислительный процесс значительных погрешностей.
Основные источники погрешностей:
Погрешности математической модели.
Любая задача есть модель какого-то явления. Всякая модель – это объект более простой, чем реальный. Модель – приближенное описание реального объекта, т.е. содержит погрешности.
Погрешности исходных данных.
Данные могут оказаться неточными.
Погрешности метода решения.
Численные методы заменяют задачу на близкую. Например, вместо интегрирования – суммирование, вместо дифференцирования – вычисление конечно разностного отношения и т.д. В результате вместо точного решения исходной задачи получаем приближенное решение преобразованной задачи.
Погрешности округлений при выполнении арифметических операций.
В рамках численных методов погрешности 1 и 2 считаются неустранимыми.
Рассмотрим подробнее пункт 4.
Пусть - приближенное представление числа X, т.е.
,
где - погрешность.
28. Метод Монте-Карло вычисления определенных интегралов: расчетная формула, алгоритм метода.
Численное нахождение определенных интегралов. Метод Монте-Карло относительно просто приспосабливается к форме области интегрирования [4], эффективно распараллеливается. Для учебных целей мы ограничимся только случаем одномерного интеграла и сравним результаты решения, полученные этим способом, с результатами выполнения лабораторных работ № 3, 4. Расчетная формула решения поставленной задачи вычисления однократного интеграла методом Монте-Карло [4]:
(8)
где – независимые реализации случайной величины , равномерно распределенной на отрезке с единичной плотностью распределения; – число реализаций. В случае однократного интеграла этот метод проигрывает другим, так как приемлемая точность достигается при слишком больших значениях . Поэтому на практике метод Монте-Карло применяется только для вычисления многократных интегралов. Границы применимости этого метода могут быть расширены в случае параллельной реализации.
Обычный алгоритм Монте-Карло интегрирования
Предположим, требуется вычислить определённый интеграл
Рассмотрим случайную величину , равномерно распределённую на отрезке интегрирования . Тогда также будет случайной величиной, причём её математическое ожидание выражается как , где — плотность распределения случайной величины , равная на участке .
Таким образом, искомый интеграл выражается как .
Но матожидание случайной величины можно легко оценить, смоделировав эту случайную величину и посчитав выборочное среднее.
Итак, бросаем точек, равномерно распределённых на , для каждой точки вычисляем . Затем вычисляем выборочное среднее: .
В итоге получаем оценку интеграла:
Точность оценки зависит только от количества точек .
Этот метод имеет и геометрическую интерпретацию. Он очень похож на описанный выше детерминистический метод, с той разницей, что вместо равномерного разделения области интегрирования на маленькие интервалы и суммирования площадей получившихся «столбиков» мы забрасываем область интегрирования случайными точками, на каждой из которых строим такой же «столбик», определяя его ширину как , и суммируем их площади.
[править]Геометрический алгоритм Монте-Карло интегрирования
Рисунок 3. Численное интегрирование функции методом Монте-Карло
Для определения площади под графиком функции можно использовать следующий стохастический алгоритм:
ограничим функцию прямоугольником (n-мерным параллелепипедом в случае многих измерений), площадь которого можно легко вычислить;
«набросаем» в этот прямоугольник (параллелепипед) некоторое количество точек ( штук), координаты которых будем выбирать случайным образом;
определим число точек ( штук), которые попадут под график функции;
площадь области, ограниченной функцией и осями координат, даётся выражением
Для малого числа измерений интегрируемой функции производительность Монте-Карло интегрирования гораздо ниже, чем производительность детерминированных методов. Тем не менее, в некоторых случаях, когда функция задана неявно, а необходимо определить область, заданную в виде сложных неравенств, стохастический метод может оказаться более предпочтительным.