- •Рабочая учебная программа дисциплины «Численные методы в инженерных расчетах»
- •1. Цель и задачи дисциплины
- •1.2. Задачи изучения дисциплины.
- •2. Содержание дисциплины.
- •2.1. Введение.
- •Раздел 1. Теория погрешностей. Вычислительные алгоритмы.
- •Раздел 2. Численное решение нелинейных уравнений.
- •Раздел 3. Численное решение систем уравнений.
- •Раздел 4. Интерполирование и приближение функций.
- •Раздел 5. Решение разностных уравнений.
- •Раздел 6. Численное дифференцирование интегрирование функций.
- •Раздел 7. Численные методы решения обыкновенных дифференциальных уравнений.
- •Раздел 8. Численные методы решения уравнений с частными производными.
- •Раздел 9. Статистическое моделирование и обработка экспериментальных данных.
- •Раздел 10. Пакеты прикладных программ по вычислительной математике.
- •3. Виды работ с распределением времени.
- •4. Перечень тем лекционных и практических занятий.
- •5. Перечень тем, которые студенты должны проработать самостоятельно.
- •6. Перечень лабораторных работ.
- •7. Перечень контрольных работ
- •8. Информационно-методическое обеспечеие дисциплины
- •8.1. Основная литература
- •8.2. Дополнительная литература
- •8.3. Перечень компьютерных программ.
- •9. Краткие методические рекомендации самостоятельной работы по дисциплине.
- •Задание на контрольную работу.
- •Методические указания для студентов
- •Виды работ с распределением времени
- •Перечень тем лекционных и практических занятий
- •Перечень тем, которые студенты должны проработать самостоятельно
- •Перечень лабораторных работ
- •Задания и методические указания по выполнению лабораторных работ для студентов-заочников 3 курса всех инженерно-технических специальностей (кроме 330200 эк, 330100 бжт). Введение
- •Лабораторная работа № 1 Приближенные вычисления.
- •Контрольные вопросы
- •Задание к лабораторной работе №1
- •Порядок выполнения работы
- •Содержание отчета
- •Лабораторная работа № 2 Решение уравнений с одной неизвестной
- •Задания к лабораторной работе № 2
- •Контрольные вопросы
- •Задание к лабораторной работе № 3
- •(Перед каждым двузначным числом таблицы подразумевается ноль с запятой, например: 0,10; 0,09; 0,73...)
- •Организация вычислений на пэвм с помощью
- •Контрольные вопросы
- •II. Подбор эмпирических формул Постановка и решение задачи
- •Контрольные вопросы
- •Задания к лабораторной работе № 5
- •Порядок выполнения работы
- •Содержание отчета
- •Методические указания по работе с системами
- •6.1.1. Управление системой.
- •Функциональные и специальные клавиши:
- •Ввод и редактирование выражений.
- •Редактирование формул.
- •Вставка текста.
- •6.1.2. Операторы и встроенные функции.
- •6.1.3. Простейшие вычисления.
- •6.1.4. Построение графиков.
- •6.1.5. Векторные и матричные операции.
- •6.1.6. Символьные операции.
- •6.1.7. Решение уравнений и систем.
- •6.1.8. Функции линейной и сплайн интерполяции.
- •Методические указания для преподавателей
- •Вопросы к дифференцированному зачету по дисциплине
- •Тесты промежуточного контроля по дисциплине «Численные методы в инженерных расчетах»
- •Тема 3: Интерполирование и приближение функций
- •Тема 4: Численное решение обыкновенных дифференциальтных уравнений.
- •Билеты и задачи для дифференцированного зачета по дисциплине «Численные методы в инженерных расчетах»
- •Задачи к билетам
Контрольные вопросы
1. Что такое статистическая модель нормальной случайной величины?
2. График функции Лапласа.
3. Функция распределения вероятностей случайной величины.
4. Плотность вероятностей случайной величины.
5. Эмпирическая плотность относительных частот.
6. Вероятность попадания нормальной случайной величины в заданный интервал.
7. Построение гистограммы относительных частот.
II. Подбор эмпирических формул Постановка и решение задачи
Пусть при изучении функциональной зависимости y=f(x) получен ряд значений величин x и y
x |
x0 |
x1 |
… |
xn |
y |
y0 |
y1 |
… |
yn |
Если аналитическое выражение функции f(x) неизвестно или весьма сложно, то возникает практически важная задача: найти эмпирическую формулу
, (5.2)
значения которой при х=хi возможно мало бы отличались от опытных данных yi, i=0,1,...,n. В такой постановке наша задача весьма неопределенна, поэтому обычно указывают достаточно узкий класс функций K, которому должна принадлежать искомая функция , и дело, таким образом, сводится лишь к нахождению наилучших значений параметров. Во многих случаях класс K, определяется требованием простоты эмпирической формулы, иногда этот класс подсказывается самой природой явления.
Геометрически задача построения эмпирической формулы состоит в проведении кривой Г вида (5.2) из некоторого класса, возможно ближе примыкающей к системе точек
Mi(xi,yi) (i = 0,1, ... , n).
В качестве класса K, наиболее часто берется класс, состоящий из функций следующего вида
1) y = a1+b1x 5)
2) y = a2eb2x 6) y = a6 + b6/x
3) y = a3b3x 7) y = ax + bxex
4) y = a4xb4 8) y = a8 + b8ln x
Для определения параметров зависимостей используется метод наименьших квадратов. Если рассматривается зависимость первого типа, то составляется сумма
и наилучшими считаются те значения параметров a1 и b1, для которых S принимает наименьшие значения.
Случаи 2) – 8) сводятся к случаю 1).
Для случая 2) логарифмируя получим
ln y = ln a1 + b2 x
Если обозначить ln y через z и ln a2 через a, то получим зависимость
z=a + b2x
Найдя отсюда а и b2, находим затем а2 по формуле a2=exp(a).
Для случая 3) логарифмируя получим
ln y = ln a3 + x ln b3
Вводя обозначения
z = ln y, a = ln a3, b = ln b3,
получим зависимость
a3 = exp (a) , b3 = exp (b).
Для случая 4) логарифмируя получим
ln y = ln a4 + b4 ln x
Вводя обозначения
z = ln y , x1=ln x , a=ln a4,
получим зависимость
z = a + b4 x1.
Найдя отсюда а и b4, полагаем а4=exp(a).
Для случая 5) логарифмируя получим
ln y = a5 + b5 x
Вводим обозначение z = ln y . Получим зависимость
z = a5 + b5 x
Находим значения параметров а5 и b5.
Для случая 6) вводим обозначение x1 = 1/x, получаем зависимость
y = a6 + b6 x1,
затем находим а6 и b6.
Для случая 7) вводим обозначение x1 = exp (x), получаем зависимость
y = a7 + b7 x1,
затем находим a7 и b7.
Для случая 8) вводим обозначение x1 = ln (x), получаем зависимость
y = a8 + b8 x1,
находим значения а8 и b8.
Выбор наилучшей функции производится следующим образом: для каждой функции вычисляется средняя квадратичная ошибка аппроксимации
(5.3)
и относительная ошибка аппроксимации
, (5.4)
где yi – эмпирические значения, y1i – расчетные значения.
Затем функции ранжируются по каждому критерию. Функция, имеющая минимальную сумму рангов, считается наилучшей.
Пример 5.3. Найти эмпирическую формулу y1= зависимости величин x и y, заданных табличной формой.
x |
0.19 |
0.24 |
0.29 |
0.39 |
0.46 |
0.54 |
0.92 |
1.13 |
1.42 |
1.54 |
y |
3.35 |
3.53 |
3.69 |
4.1 |
4.26 |
4.55 |
5.84 |
6.52 |
7.45 |
7.91 |
Решение: Загружаем систему MathCAD 6.0+.Исходя из заданной таблицы, определяем две матрицы-столбца размерности 101.
Задаем функции S1 и S2 (см.(5.3) и (5.4))
S1(y,y1):=
S2(y,y1):=
Печатаем {i:0;9}, {S1(y,y1):1/7*iShift$(y[i–y1[i)^2}, {S2(y,y1):1/10*iShift$Shift¦(y[i–y1[i)/y[i}.
Затем для каждого из 8 видов функций с помощью операторов intercept(x,y) и slope(x,y) определяем коэффициенты ai и bi эмпирических зависимостей.
Печатаем {a1:intercept(x,y)}}, {b1:slope(x,y) }, {a1=}, {b1=}. Затем определяем функцию y1 {y1[i:a1+b1x[i} и находим значения S1 и S2 {S1(y,y1)=}, {S2(y,y1)=}. Данную процедуру повторяем.
Затем функции 1)–8) ранжируем в порядке возрастания значений S1 и S2. Функция, для которой сумма рангов S1 и S2 наименьшая, считается лучшей.
Анализируя полученные значения S1 и S2 , заключаем, что функция y=a1+b1x=2.736+3.348x дает наилучший вид аналитической зависимости заданных значений величин х и y.
Строим график этой функции и на него наносим экспериментальные точки. Документ MathCAD 6.0+ с решением задачи 5.3 дан на рис. 5.7–5.8.
Рис. 5.7.
Рис. 5.8.
Ответ: y=2.736+3.348x
Пример 5.4. Задачу из примера 5.3. решить с помощью системы Maple V.
Решение. Загружаем Maple V (см. §6.2.1). Воспользуемся функцией fit пакета статистических расчетов stats:
fit[leastsquare[vars,eqn,pars]](data)
где data – список данных, vars – список переменных для представления данных, eqn – уравнение задающее аппроксимирующую зависимость (по умолчанию линейную), pars – множество параметров, которые будут заменены вычисленными значениями.
Для сравнения возьмем функцию общего вида =a + bx + cex + d/x.
Найдем параметры а, b, c, d указанной зависимости и вычислим относительную погрешность представления заданного облака точек (x, y) линейной функцией y1(x) = a + bx и функцией общего вида y2(x) для всех заданных значений х . Задаем функцию fit с переменными х, y для представления данных, искомой функцией aх+b и координатами точек облака.
Тоже самое делаем для функции y2(x).
Для вычисления относительной погрешности вводим матрицы x и y.
Далее вычисляем значения функций y1(x) в точках xk, k=1,...,10, и записываем ее в виде матрицы y1.
Задаем и вычисляем функции S1 и S2
Рис. 5.9.