- •Глава 1. Интерполирование
- •Постановка задачи интерполирования
- •1.2. Единственность интерполяционного многочлена
- •. Интерполяционный многочлен Лагранжа
- •1.4. Погрешность интерполяционной формулы Лагранжа
- •. Конечные разности и их свойства
- •1.6. Первая интерполяционная формула Ньютона
- •1.7. Вторая интерполяционная формула Ньютона
- •1.8. Интерполяционная формула Гаусса
- •1.10. Численное дифференцирование
- •Глава 2. Численное интегрирование
- •2.1. Общие замечания
- •Глава 3. Численные методы решения алгебраических и трансцендентных уравнений
- •3.1. Вводные замечания
- •3.2. Отделение корней
- •3.3. Метод половинного деления
- •3.5. Метод Ньютона (метод касательных)
- •3.6. Комбинированный метод
- •3.7. Метод итерации (метод последовательных приближений)
- •Глава 4. Решение систем линейных уравнений
- •4.1. Метод Гаусса (схема единственного деления)
- •4.2. Вычисление определителей
- •4.3. Вычисление обратной матрицы
- •4.4. Некоторые сведения из линейной алгебры
- •Рассмотрим систему линейных алгебраических уравнений
- •Вычитая второе равенство из первого, получаем
- •4.6. Приведение линейной системы к виду,
- •4.7. Метод Зейделя Пусть система линейных алгебраических уравнений приведена к виду
- •Глава 5. Обработка результатов наблюдений
- •5.1. Постановка задачи
- •5.2. Приближение функции, заданной таблично,
- •Глава 6. Численные методы решения
- •6.1. Методы решения задачи Коши. Вводные замечания
- •6.2. Решение дифференциальных уравнений
- •6.3. Метод Эйлера Пусть дано дифференциальное уравнение
- •6.4. Уточненный метод Эйлера Рассмотрим дифференциальное уравнение
- •6.6. Методы Рунге – Кутта Пусть дано дифференциальное уравнение
- •6.7. Метод Милна
- •6.8. Приближенное решение систем дифференциальных
- •6.9.Краевые задачи для обыкновенных дифференциальных
- •6.10. Решение краевых задач
- •6.11. Метод прогонки Рассмотрим линейную систему уравнений (6.54). Преобразуя первые (n-1) уравнения:
- •Глава 7. Численное решение дифференциальных уравнений в частных производных
- •7.1. Классификация дифференциальных уравнений
- •7.2. Метод сеток решения краевых задач
- •7.3. Погрешность аппроксимации дифференциальных уравнений
- •7.4. Аппроксимация граничных условий
- •7.6. Метод сеток для уравнений
4.7. Метод Зейделя Пусть система линейных алгебраических уравнений приведена к виду
.
З апишем систему в развернутом виде:
(4.38)
…………………………………………
В методе простой итерации приближение Х(к+1) вычисляется по предыдущему приближению Х(к) путем постановки компонента Х(к) в правую часть всех уравнений системы (4.38), т.е.
.
Метод Зейделя (Ф. Зейдель (1821 – 1896) – немецкий математик) напоминает метод простой итерации. Отличие заключается в том, что при вычислении (к+1) –го приближения для компоненты xi учитываются уже вычисленные ранее (к+1) –е приближение для компонент х1, х2, …, хi-1. Вычисления производятся по формулам:
(4.39)
…………………………………………………………..
таким образом,
(4.40)
Приведем без доказательства теорему, в которой сформулированы применяемые на практике достаточные условия сходимости метода Зейделя.
Теорема. Для сходимости метода Зейделя достаточно, чтобы выполнялось одно из условий:
1.)
2.) .
Обычно метод Зейделя дает лучшую сходимость, чем метод простой итерации. Однако это бывает не всегда. Возможен случай, когда метод Зейделя сходится медленнее метода простой итерации. Области сходимости этих двух методов различны и лишь частично перекрываются, поэтому возможны случаи, когда метод Зейделя сходится метод простой итерации расходится, и наоборот.
Пример. Методом Зейделя решить систему уравнений
Приведем заданную систему к виду
В качестве Х(0) выбираем столбец свободных членов. Вычисления оформляем в виде табл. 4.6. В качестве ответа берем последнюю строку этой таблицы.
Таблица 4.6
|
|
|
|
|
0.6 |
0.6 |
1.875 |
|
0.855 |
0.021 |
1.981875 |
|
0.992176 |
-0.005685 |
1.999021 |
|
0.998667 |
0.000125 |
1.999833 |
|
0.999941 |
0.000055 |
1.999992 |
Этот же пример был решен при помощи метода простой итерации. Сравнивая полученные значения с точным отвктом (х1=1; х2=0; х3=2), видим, что метод Зейделя в данном случае дает лучшую сходимость, чем метод простой итерации.
Глава 5. Обработка результатов наблюдений
МЕТОДОМ НАИМЕНЬШИХ КВАДРАТОВ
5.1. Постановка задачи
Пусть в результате некоторого эксперимента получена таблица значений функции y=f(x):
x |
x0 |
x1 |
… |
хn |
y |
y0 |
y1 |
… |
yn |
Требуется выразить эту зависимость аналитически. Формулы, служащие для аналитического представления опытных данных, принято называть эмпирическими формулами. Подбор эмпирических формул по данным результатов эксперимента не ставит своей целью восстановить истинный характер зависимости между имеющимися переменными, так как восстановить функцию по конечному числу ее значений – задача в общем случае неразрешимая. Характер зависимости между переменными величинами иногда известен из теоретических соображений или устанавливается на основании характера расположения на координатной плоскости точек, соответствующих опытным данным. Тогда задача подбора эмпирической формулы сводится к тому, чтобы определить числовые значения параметров, входящих в эту формулу:
у=F(x, a0, a1, …, am), (5.1)
Где a0, a1, …, am - неизвестные параметры.
Числовые параметры желательно подбирать так, чтобы полученная кривая достаточно хорошо соответствовала исходным данным. Таким образом, нужно указать критерий, согласно которому та или иная кривая является достаточно “хорошим” приближением к исходным данным. Обозначим через у/i значения функции, вычисленные по эмпирической формуле (5.1) в заданных точках хi, т.е.
y/i=F(xi, a0, a1, …, am), .
Назовем уклонениями эмпирической формулы (5.1) от исходных данных («невязкими») разности
.
Вопрос о том, является ли кривая достаточно “хорошим” приближением к экспериментальным данным, можно поставить следующим образом: какое условие необходимо наложить на уклоненния точек от кривой, чтобы эта кривая представляла экспериментальные данные достаточно хорошо? Казалось бы, что наиболее простое и логичное условие состоит в том, чтобы сумма уклонений точек от кривой, т.е. , была наименьшей.
Н а рис.5.1 сумма уклонений равна нулю, однако проведенную прямую никак нельзя признать удовлетворительным приближением к экспериментальным данным.
у
А(х0, у0)
В(х1, у1)
х
Рис. 5.1.
Можно попытаться обойти это затруднение, используя в критерии сумму абсолютных величин уклонений, т.е. требуя, чтобы
стала минимальной. Но в данном случае для нахождения этого минимума нельзя воспользоваться дифференцированием,так как абсолютная величина не имеет производной в точке минимума. Поэтому на практике в таких случаях чаще всего используют так называемый метод наименьших квадратов, согласно которому ищем те значения параметров а0, а1, …, аm, при которых сумма квадратов уклонений
принимает минимальное значение. Другими словами, параметры а0, а1, …, аm находим из условия обращения в минимум выражения
. (5.2)
Отсюда, используя необходимые условия существования экстремума функции нескольких переменных, получаем систему уравнений для определения неизвестных а0, а1, …, аm :
. (5.3)
Если система (5.3) имеет единственное решение, оно будет искомым.
На практике эмпирическую формулу чаще всего строят в виде алгебраического многочлена.