1) Na czym polega zadanie interpolacji
Transkrypt
1) Na czym polega zadanie interpolacji
INTERPOLACJA Na czym polega zadanie interpolacji ? Zadaniem interpolacji jest wyznaczenie przybliżonych wartości funkcji w punktach nie będących węzłami oraz oszacowanie błędu tych przybliżonych wartości .W tym celu należy znaleźć funkcje p(x), zwaną funkcją interpolacyjną , którą w węzłach interpolacji przyjmujemy takie same wartości co funkcja f(x). Dla pełnego zdefiniowania zadania interpolacji należy ,jeszcze określić zbiór , w którym szukamy funkcji p(x) spełniające warunki interpolacji . Jaki jest wpływ rozmieszczenia węzłów na dokładność interpolacji ? Wraz ze wzrostem ilości węzłów błędy powinny maleć dla odpowiednich metod. Na czym polega zbieżność procesu interpolacji? Dla odpowiedniej funkcji musi być dobrana odpowiednia metoda oraz wraz ze wzrostem ilości węzłów powinny maleć błędy. Aby zmierzyć dokładność interpolacji należy :Zwiększyć ilość węzłów, dobrać odpowiednią metodę, dobrać odpowiednie rozmieszczenie węzłów. INTERPOLACJA INTERPOLACJA WIELOMIANOWA Interpolacja wielomianowa: Mamy n węzłów i n wartości. Stopień wielo n−1 mianu n-1 1 2 n Wielomian jest postaci: f ( x ) = a + a x + ... + a x n Wn −1 ( x ) = ∑ ak x k −1 k =1 Żeby obliczyć n współczyn. mamy n punktów. to spełnia układ równań normalnych; x1n−1 n−1 x2 ... n−1 xn ... x1 1 an y1 ... x2 1 a n−1 y2 = ... ... ... ... ... ... xn 1 a1 yn Macierz Vandermoude’a Jeżeli detA≠0 – mamy jedno rozwiazanie INTERPOLACJA WIELOMIANOWA OPISZ METODĘ INTERPOLACJI LAGRANGE’a Zadaniem interpolacyjne Lagrange’a polega na polega na znalezieniu wielomianu L ∈ ∏ n spełniającego dla zadanych węzłów (x0,x1,...,xn) Xi≠ Xj i wartości (f0,f1,...fn) warunki : L( xi) = fi dla 0<=i<=n Algorytm sprowadza się do wykorzystania jawnej postaci rozwiązania tego zadania , zapisanego następująco : n Ln ( x ) = ∑ y i i =0 ( x − x0 )( x − x1 ) ⋅ ... ⋅ ( x − xi −1 )( x − xi +1 ) ⋅ ... ⋅ ( x − x n ) ( xi − x0 )( xi − x1 ) ⋅ ... ⋅ ( xi − xi −1 )( xi − xi +1 ) ⋅ ... ⋅ ( xi − xn ) OPISZ METODĘ INTERPOLACJI LAGRANGE’a INTERPOLACJA NEWTONA Mamy (n+1) par węzłów, na których budujemy wzór interpolacji Newtona za pomocą ilorazów różnicowych. Ogólny wzór: f n−1 = b1 + b2 ( x − x1 ) + ... + bn ⋅ ( x − x1 ) ⋅ ... ⋅ ( x − xn −1 ) Aby wyznaczyć kolejne bi podstawiamy x = xi. INTERPOLACJA NEWTONA INTERPOLACJA ODWROTNA Polega na wyznaczeniu wartości zmiennej niezależnej x, której odpowiada dana wartość funkcji nie występująca w tablicy wartości. Po wyznaczeniu tych wartości stosujemy któryś ze znanych wzorów interpolacyjnych, zamieniając miejscami zmienne x i y w tablicy i we wzorze. INTERPOLACJA ODWROTNA INTERPOLACJA HERMITE’A Przypadek interpolacji za pomocą wielomianu Wm(x) stopnia m = n + r + 1, który w węzłach od x0 do xn przyjmuje wartości y0 do yn f-cji f(x) oraz w pewnych węzłach od x0 do xr (r <= n) wartości od y’0 do y’r pochodnej f-cji f’(x). n r k =0 k =0 Wm ( x ) = ∑ yk ⋅ hk ( x ) + ∑ yk′ ⋅ hk ( x ) Gdzie h i h są wielomianami stopnia m = n + r + 1. INTERPOLACJA HERMITE’A k k OPISZ METODĘ INTERPOLACJI FUNKCJĄ SKLEJANĄ. W przedstawionych powyżej algorytmach interpolacji zakładano , że istnieje jedna funkcja interpolacyjna w całym przedziale <a,b>. Przy tym założeniu jedyną metodą uzyskania lepszego przybliżenia jest zwiększanie stopnia wielomianu interpolacyjnego . Można jednak podzielić przedział <a,b> na N części , tzn. a=x0<x1<...<xn= b W każdym z przedziałów <xi,xi+1> możemy przeprowadzić interpolację inną funkcją ,istotne jest przy tym aby była to funkcja ciągła wraz z odpowiednimi pochodnymi na całym przedziale <a,b>. Funkcje o tych samych własnościach nazywają się funkcjami sklejanymi. Znajdowanie funkcji sklejanych stopnia 3 spełniającej warunki interpolacji s( xi ) = f i , , , , , , , dla, , , , , ,0 ≤ i ≤ n gdzie funkcja s(xi) (2) należy C [x0,x1] i ponadto spełniają warunki : -s ( x) ∈ Π3 dla xi-1≤x≤xi s′ ( x ) = s′ ( x ) = 0 0 n Warunki te można zapisać w postaci układu równań liniowych z macierzą trojdiagonalną . OPISZ METODĘ INTERPOLACJI FUNKCJĄ SKLEJANĄ. OPISZ METODĘ INTERPOLACJI THELIEGO. Jest to metoda konstrukcji wymiernej funkcji interpolującej spełniającej warunki: P(x i)/Q(x i) = f i dla 0\<i \<n P należy ? l , Q należy ? m gdzie m = n/2 , l = n – m Rozwiązanie ma postać ułamka łańcuchowego. Współczynniki tego ułamka są znajdowane na podstawie tablicy odwrotności ilorazów liczonych według wzoru: h( xo ,...,xl, xm, xn) = (xm - xn) / [h( xo ,...,xl, xm) – h(( xo ,...,xl, xn)] Rozwiązanie może nie istnieć, gdy któraś odwrotność ilorazu różnicowego jest równa OPISZ METODĘ INTERPOLACJI THELIEGO. UKŁADY RÓWNAŃ LINIOWYCH TWIERDZENIE CRONECKERA-CAPELLIEGO Warunkiem koniecznym i wystarczającym rozwiązalności ogólnego układu równań liniowych jest równość rzędu macierzy W współczynników układu i rzędu macierzy uzupełnionej U: r = r(W) = r(U) Gdy wspólny rząd r tych macierzy jest równy liczbie niewiadomych n, to Układ r-nań ma dokładnie 1 rozwiązanie, gdy r < n, to układ ma nieskończenie wiele rozwiązań, które zależą od n-r dowolnych parametrów. Zawsze r(W) <= n. Gdy rząd r(W) <> r(U), to układ jest sprzeczny. TWIERDZENIE CRONECKERA-CAPELLIEGO METODA ELIMINACJI GAUSSA Rozwiązywanie układu równań liniowych metodą eliminacji Gaussa przebiega w dwóch etapach: * pierwszy etap jest nazywany etapem postępowania prostego (etapem eliminacji niewiadomych), * drugi etapem - postępowania odwrotnego. Na etapie postępowania prostego wyjściowy układ równań zostaje przekształcony do postaci równoważnej (tzn. takiej, która posiada dokładnie takie same rozwiązania co układ wyjściowy) z trójkątną górną macierzą główną układu. Przekształcenie to jest realizowane w n krokach. Krok 1 (eliminacja niewiadomej x1 z równań 2, 3, ... ,n). Krok 2 (eliminacja niewiadomej x2 z równań 3, 4, ... ,n). Aż do wyeliminowania zmiennej xn-1 z równania n Na etapie postępowania odwrotnego trzeba obliczać kolejne pierwiastki od xn do x0. SCHEMAT ELYMINACJI GAUSSA Z CZĘŚCIOWYM WYBOREM ELEMENTU GŁÓWNEGO A ( 1 ) = [ A b] A( k ) → A( k +1 ) Postępowanie w k-tym kroku 1. Wybrać r: (k ) (k ) rk ik k ≤i ≤n 2. Przestawić wiersze k i r , przestawienie zapamiętać 3. Obliczyć = max a a aik( k ) m i ,k = ( k ) , akk i = k + 1, k + 2 ,..., n (k ) a ij( k + 1 ) = a ij( k ) − m ik a kj , i = k + 1 , k + 2 ,..., n j = k + 1 , k + 2 ,..., n + 1 4. Obliczyć Ostatecznie METODA ELIMINACJI GAUSSA METODA ELIMINACJI GAUSSA Z PEŁNYM WYBOREM ELEMENTU PODSTAWOWEGO Załóżmy, że układ równań rozwiązujemy metodą eliminacji Gaussa i zostało już wykonanych k-1 kroków etapu postępowania prostego. Wyjściowy układ równań został przekształcony do układu postaci (1) x1 + a12 x 2 + ... (1) + a1(1n) x n = a10 x 2 + ... ( 2) + a 2( 2n) x n = a 20 ..................................................................... (1 ) a11 0 0 (1) a12 (2) a 21 0 1 m 21 L = m 31 mn1 0 1 m32 mn2 a1( n1 ) x1 b1( 1 ) a 2( n2 ) x 2 b2( 2 ) = (n) ( n ) a nn x n bn 0 0 1 mnn −1 0 0 0 1 SCHEMAT ELYMINACJI GAUSSA Z CZĘŚCIOWYM WYBOREM ELEMENTU GŁÓWNEGO ( k −1) ( k −1) a kk x k + ... + a kn x n = a k( k0−1) ........................................... a ( k −1) nk x k + ... + a ( k −1) nn xn = a ( k −1) n0 Algorytm z pełnym wyborem elementu podstawowego jest następujący: 1) wyszukujemy element ars spełniający warunek: a rs = max {| aij |} , k ≤i ≤n k ≤ j≤n 2) przestawiamy w układzie równanie r z równaniem k oraz kolumnę s z kolumną k, 3) eliminujemy niewiadomą xk z równań k + 1, k + 2, …, n zgodnie z algorytmem k-tego kroku prostej eliminacji Gaussa. Jeżeli det( A) ≠ 0 , to żaden element podstawowy w tej metodzie nie będzie równy zeru. METODA ELIMINACJI GAUSSA Z PEŁNYM WYBOREM ELEMENTU PODSTAWOWEGO METODA GAUSSA-JORDANA*************** W tej metodzie rozwiązanie układu równań liniowych uzyskujemy w jednym etapie. Podobnie jak w metodzie eliminacji Gaussa, obliczenia przebiegają w n krokach. Krok 1 (eliminacja niewiadomej x1 z równań 2, 3, ... , n). Krok 2 (eliminacja niewiadomej x2 z równań 1, 3, ... , n). Kroki 3, 4, ... ,n W k-tym (k=3,4,..,n) kroku algorytmu eliminujemy niewiadomą xk z równań 1,2, …, k-1, k+1, …, n postępując podobnie jak w krokach 1 i 2 metody. W konsekwencji po n-tym kroku otrzymujemy układ równań (n) = a10 x1 x2 ( n) = a 20 .................................. , x n −1 = a n( n−1) , 0 x n = a n( n0) reprezentujący gotowe rozwiązanie układu METODA GAUSSA-JORDANA********************** ROZKŁAD LU 1.Metoda Doolittle’a: macierz L ma 1-nki na diagonali i jest macierzą trójkątną dolną (wartości na dole), U – macierz trójkątna górna. Współczynniki macierzy L i U wyznaczamy albo jako przyrównanie elementu macierzy A z elementem macierzy L*U, albo przy użyciu metody eliminacji Gaussa: a)wyznaczenie L(i) - macierz na diagonali ma 1nki, reszta elementów – zera oprócz i-tej kolumny, poniżej danej 1-nki. Wartości te obliczamy ze wzoru l ji = a (jii ) L = (L ) −1 aii ⋅ ... ⋅ ( L ( n −1) i=j ) −1 U = A(n) 2.Metoda Crouta: macierz U ma jedynki na diagonali i jest macierzą trójkątną górną, a macierz L jest macierzą trójkątną dolną. Współczynniki macierzy L i U wyznaczamy jako przyrównanie elementu macierzy A z elementem macierzy L*U. 3.Metoda Cholesky’ego: macierz U jest macierzą trójkątną górną, a macierz L jest macierzą trójkątną dolną., przy czym lii = uii. Współczynniki macierzy L i U wyznaczamy jako przyrównanie elementu macierzy A z elementem macierzy L*U. ROZKŁAD LU METODY ITERACYJNE 1.Metoda Jacobiego: W metodzie Jacobiego wybieramy dowolny wektor X ( 0) i tworzymy ciąg kolejnych przybliżeń X (k ) ( k = 1, 2, ... ) według wzorów xi( k +1) = 1 i −1 ( k ) n (k ) bi − ∑ a ij x j − ∑ aij x j aii j =1 j = i +1 Zapis macierzy A = L + D + U, gdzie L bierze elementy pod diagonalą A, D na diagonali, a U – nad diagonalą A. Wzór macierzowy: x ( k +1) = − D −1 ( L + U ) x ( k ) + D −1 B 1.Metoda Jacobiego: METODY ITERACYJNE METODY ITERACYJNE 2.Metoda Gaussa-Seidla: W metodzie Gaussa-Seidela wybieramy dowolny wektor X (0) i tworzymy ciąg kolejnych przybliżeń X ( k ) (k = 1, 2, ... ) według wzorów xi( k +1) = xi( k +1) = xik + 1 aii i −1 n ( k +1) (k ) bi − ∑ aij x j − ∑ aij x j j =1 j = i +1 xi( k +1) = x ik + σ ik gdzie drugi składnik sumy to wyraz korekcyjny. a)nadrelaksacja xi( k +1) = xik + ωσ ik , ω > 1 b)podrelaksacja ( i ) gdzie j = 1, …, n + 1, …, n b)wyznaczenie macierz A(k) = L(k-1)*A(k-1) przy założeniu, że A(1) = A. punkty a wykonujemy (n-1) razy, punkt b - n razy i macierz ( 1) METODY ITERACYJNE 3.Metoda SOR: Ogólna postać G-S: 1 i −1 ( k +1) n (k ) bi − ∑ aij x j − ∑ aij x j aii j =1 j =i +1 Wzór macierzowy: x ( k +1) = ( D + L ) Ux ( k ) + ( D + L ) B −1 2.Metoda Gaussa-Seidla: METODY ITERACYJNE −1 xi( k +1) = (1 − ω ) xik + ωσ ik , ω ∈ ( 0,1) Gdy omega=1, to mamy G-S. Wzór macierzowy: ( D + ωL ) x ( k +1) = [ ( 1 − ω ) D − ωU ] x ( k ) 3.Metoda SOR: METODY ITERACYJNE RÓWNANIA NIELINIOWE METODA BISEKCJI Metoda bisekcji pozwala znaleźć zera funkcji o nieparzystej krotności, w których wykres funkcji przecina oś odciętych. W metodzie tej wykorzystuje się fakt, że wartość funkcji zmienia znak w otoczeniu takiego zera. Po ustaleniu przedziału [a,b] zawierającego jedno takie zero, np. metodą tablicowania, jako kolejne przybliżenie przyjmuje się środek przedziału.Warunki: 1) Funkcja ciągła na [a,b]. 2) Spełnia warunek, że f(a)f(b)<0. 3) Posiada w przedziale [a,b] tylko jeden pierwiastek. Metoda: Wyznaczamy środek przedziału: [ak −1 , bk −1 ] , środek: m k = ak −1 + bk −1 2 Jeżeli f (mk ) = 0 to mamy pierwiastek. A jeżeli różne to: (mk , bk −1 ) jesli f ( mk ) f (bk −1 ) < 0 ( ak , bk ) = (ak −1 , mk ) jesli f (ak −1 ) f (mk ) < 0 α ∈ (ak , bk ) k = 1,2,... Po n-krokach otrzymamy przedział przedział o długości 1/2^n * (b-a). Wartość przybliżona pierwiastka d1=1/2^(n+1) *(b-a). Kryterium |d|<ε. Postępowanie to jest kontynuowane tak długo, aż osiągnięta zostanie założona dokładność przybliżenia. Miarą dokładności może być długość przedziału zawierającego poszukiwane zero lub wartość bezwzględna funkcji w środku przedziału. Metoda bisekcji jest zawsze zbieżna, ale z reguły wolniejsza od pozostałych metod. METODA BISEKCJI METODA SIECZNYCH W metodzie siecznych również rozpoczyna się od kreślenia przedziału [a,b] zawierającego zero funkcji.Warunki: 1) Funkcja musi być ciągła na tym przedziale. 2) Spełnia warunek: f(a)f(b)<0. 3) Posiada w przedziale [a,b] tylko jeden pierwiastek pojedynczy równania f(x)=0. 4) Funkcja jest klasy C^2, przy czym pierwsza i druga pochodna mają stały znak w [a,b]. Następnie prowadzona jest sieczna funkcji f przechodząca przez krańce przedziału. Punkt przecięcia siecznej z osią odciętych x3 jest pierwszym przybliżeniem rozwiązania. Kolejne przybliżenia wyznacza się w analogiczny sposób, badając przedział [a,x1]. Ogólnie, jeśli xi-1 i xi są kolejnymi przybliżonymi wartościami zera funkcji f , to : xi+1= xi –f(xi )( xi-xi-1)/(f(xi) – f(xi-1)) jest następnym przybliżeniem. METODA SIECZNYCH METODA NEWTONA Warunki: 1) Funkcja musi być ciągła na tym przedziale. 2) Spełnia warunek: f(a)f(b)<0. 3) Posiada w przedziale [a,b] tylko . jeden pierwiastek pojedynczy . równania f(x)=0. 4) Funkcja jest klasy C^2, przy czym . . pierwsza i druga pochodna mają . . stały znak w [a,b]. Wybieramy ten kraniec przedziału, dla których znak funkcji i drugiej pochodnej są równe: f(x)f”(x)>0. Z tego punktu wyprowadzamy styczną. xi+1= xi –f(xi )/f’(xi) Regula falsi dane xi , ai , f ( xi ) f ( ai ) < 0 a f ( x )− x f (a ) µi = i i i i , f ( xi ) − f ( ai ) obliczamy xi +1 = µ i ⇐ f ( xi ) f ( µ i ) > 0 a =a wybieramy i +1 i x i +1 = µ i ⇐ f ( xi ) f ( µ i ) < 0 a i +1 = x i p=1 METODA NEWTONA UKŁADY RÓWNAŃ NIELINIOWYCH METODA NEWTONA-RAPHSONA Jest to metoda iteracyjna o ogólnym wzorze: ( )( ) x( k +1) = x( k ) − J −1 x( k ) f x( k ) J to jakobian, w wektorze x zapisujemy zmienne. W jakobianie ilość wierszy równa jest ilości równań, a kolumny zawierają pochodne po zmiennych. Do wzoru ogólnego podstawiamy przybliżenia początkowe i następnie. Otrzymujemy kolejne przybliżenia pierwiastków układu. ROZKŁAD SVD Mamy daną macierz odwzorowania A. Wyznaczamy macierz V = ATA. Obliczamy det[V − λI ] = 0 Oraz wartości własne równania. Dla każdej wartości własnej Wyznaczamy wektory własne. Otrzymane wektory własne stanowią kolejne kolumny macierzy V w rozkładzie SVD. Aby znaleźć macierze U i D korzystamy ze wzoru: Avi = σ iui W ten sposób wyznaczamy wektory ui stanowiące kolejne kolumny macierzy U. Wartości sigmai leżą na diagonali macierzy D. A = UDVT. ROZKŁAD QR Dla macierzy rzeczywistej A istnieje ortogonalna Q i trójkątna górna R , że A=QR. Algorytm wyznaczania rozkładu QR wymaga skończonej liczby operacji. W i-tej iteracji metody QR: - wyznaczamy rozkład QR macierzy Ai, Ai = Qi Ri , Ai +1 = Ri Qi A = Ri Qi = QiT Qi Ri Qi = QiT Ai Qi , Wtedy i +1 - obliczamy czyli dokonaliśmy przekształcenia przez podobieństwo z ortogonalną macierzą przekształcenia. Ai dąży do macierzy trójkątnej górnej z wartościami własnymi na przekątnej. METODA ITERACJI ????? Polega na stosowaniu następującego wzoru iteracyjnego ( ) x ( k +1) = g x ( k ) Po przyjęciu pewnego początkowego przybliżenia otrzymujemy ciąg kolejnych przybliżeń pierwiastka. METODA ITERACJI ????? KWADRATURA NEWTONA-COTES’a Wzory N-C są zbiorem wzorów całkowania numerycznego zwanego również kwadraturą. Przyjmujemy, że wartość funkcji jest znana w równoodległych punktach xi dla i=0,…,n. Definiujemy dwa typy wzorów: zamknięte (które nie wykorzystują wartości funkcji w skrajnych punktach), i otwarte (które wykorzystują wszystkie wartości). 1)Zamknięty wzór N-C rzędu n: b n a k =0 ∫ f ( x)dx ≈ ∑ A k f ( xk ) , gdzie : b−a n n ( −1) n−k t (t − 1)...(t − n) Ak = h dt k!(n − k )! ∫0 t−k xk = hk + x0 , h = Można skonstruować wzory N-C różnych rzędów, które mają odpowiednio swoje nazwy: n=1 (pierwszy rzad) – wzór trapezów: b ∫ a h f ( x)dx = ( f 0 + f1 ) 2 błąd metody: − h3 ( 2) f (ξ ) 12 n=2 (drugi rząd) – wzór 1/3 Simpsona h ( f 0 + 4 f1 + f 2 ) 3 błąd metody: − h5 ( 4 ) f (ξ ) 90 n=3 (trzeci rzad) – metoda 3/8 Simpsona: 3h ( f 0 + 3 f1 + 3 f 2 + f3 ) 8 5 − 3 h błąd metody: f ( 4) (ξ ) 80 n=4 (czwarty rzad) – wzor Boole’a: 2h (7 f0 + 32 f1 + 12 f2 + 32 f3 + 7 f 4 ) 45 błąd metody: − 8h7 ( 6 ) f (ξ ) 945 Otwarte wzory N-C: n-rząd xi+1= xi –f(xi )( xi-xi-1)/(f(xi) – f(xi-1)) 1h 3 ( 2) n=2 2 hf(x1) błąd: f (ξ ) 3 n=3 3/2 h(f(x1) + f(x2)) 3h3 ( 2 ) błąd: f (ξ ) 4 n=4 4/3 h(2f(x1) - f(x2)+2 f(x3)) 14h5 ( 4 ) f (ξ ) 45 n=5 5/24 h(11f(x1) + f(x2)+ f(x3)+ 11f(x4)) 95h 5 ( 4 ) błąd: f (ξ ) 144 n=6 6/20 h(11f(x1) - 14f(x2)+ 26f(x3)14f(x4)+11f(x5)) 41h 7 ( 6) błąd: f (ξ ) 140 błąd: Kwadratury N-C złożone: Stosuje się je w następujący sposób: 1)Przedział całkowania [a,b] dzielimy na pewną liczbę podprzedziałów. 2)W każdym podprzedziale stosujemy kwadraturę niskiego rzędu i sumujemy wyniki. • wzor złozony trapezów Przedział całkowania dzielimy na n części o długości h= b−a W każdym z tych przedziałów stosujemy m wzór trapezów i sumujemy wyniki. m−1 1 S ( f ) = ∑ h( f k + f k +1 ) = k =0 2 1 1 = h f 0 + f1 + ... + f m−1 + f m 2 2 gdzie : f i = f (a + ih) błąd: • (b − a ) 3 ( 2 ) f (ξ ) 12m 2 Wzór złożony parabol Dzielimy przedział na m części o długości h = b−a m Przy czym m jest parzyste. W przedziałach [a,a+2h], …,[a+(m-2)h,b] o długości 2h stosujemy wzór parabol i sumujemy wyniki. m S( f ) = h 2 ∑ ( f 2k−2 + 4 f 2k −1 + f 2k ) = 3 k =0 h ( f 0 + f m + 2( f 2 + f 4 + ... + f m−2 ) + 4( f1 + f3 + ... + f m−1 )) 3 gdzie : = fi = f (a + ih) błąd: (b − a ) 5 ( 4 ) f (ξ ) 180m 4 KWADRATURA NEWTONACOTES’a CO NAZYWAMY RZĘDEM METODY ROZWIĄZANIA RÓWNAŃ RÓŻNICZKOWYCH ? Jeżeli przez r n+1 (h) oznaczymy różnicę pomiędzy wartością dokładną y(tn + h), a jej przybliżeniem na podstawie wartości dokładnej y(tn) i traktując jako funkcję h rozwiniemy w szereg to mamy: rn + 1(h) = rn+1(0) + h r’n+1(0) + h2/2! r”n+1(0) + ..... Metoda jest rzędu p jeżeli dla każdego zagadnienia początkowego: rn+1(h) = 0; r(i)n+1(0) =0 dla i = 1,.....,p; r(p + 1)n+1(0) <> 0 Dla metody Rungego-Kutty największy rząd p jaki można uzyskać dla metody m- etapowej to: p = m dla m = 1,2,3,4; p = m –1 dla m = 5,6,7; p = m-2 dla m = 8,9; p<= m – 2 dla m >=10 Najprostsze spośród metod RungegoKutty to metody:- jawna Eulera,modyfikacja met. Eulera,- Rungego,Eulera – Cauchy’ego, -Heuna,- Rungego – Kutty. CO NAZYWAMY RZĘDEM METODY ROZWIĄZANIA RÓWNAŃ RÓŻNICZKOWYCH ? OMÓWIĆ RÓŻNICE POMIĘDZY METODĄ JEDNOKROKOWĄ A WIELOKROKOWĄ ROZWIĄZANIA RÓZNAŃ RÓŻNICZKOWYCH Metody rozwiązań równań różniczkowych dzieli się na jedno i wielokrokowe. W metodach jednokrokowych do obliczania kolejnej wartości przybliżonej yi w punktach ti wykorzystujemy tylko przybliżone y i-1 obliczone w bezpośrednio poprzedzającym kroku. W metodzie wielokrokowej wykorzystujemy przybliżenia obliczone w kilku kolejnych, bezpośrednio poprzedzających krokach. Metody wielokrokowe są określone tylko dla stałego kroku całkowania. WYJAŚNIĆ POJĘCIE STABILNOŚCI ROZWIĄZANIA RÓWNANIA RÓŻNICZKOWEGO Stabilność absolutna metody różniczkowalnej zależy od wyboru zagadnienia początkowego a także od długości kroku całkowania. Aby łatwiej określić zakres dopuszczalnych zmian długości kroku h określmy tzw. obszar stabilności absolutnej metody, tj. obszar na płaszczyznie zespolonej wyznaczony przez wszystkie liczby λh spełniające warunek stabilności absolutnej dla danej metody. Część wspólną obszaru stabilności absolutnej i osi Re nazywamy przedziałem stabilności absolutnej. Metoda numeryczna jest absolutnie stabilna dla danej długości kroku całkowania h , jeżeli zastosowanie tej metody do liniowego układu stabilnego daje ciąg rozwiązań przybliżonych yn zbieżny do zera , gdy n dąży do nieskończoności dla h=const. Jeżeli dla danej długości kroku całkowania warunki gwarantujące stabilność nie są spełnione , to po wykonaniu niewielkiej liczby kroków rozwiązania przybliżone na ogół gwałtownie rosną dając tzw. lawinę błędów. W celu uniknięcia lawiny błędów należy odpowiednio zmniejszyć krok całkowania . Jeżeli układ jest niedobrze uwarunkowany , możliwe jest , że wymagane będzie stosowanie bardzo małej długości kroku całkowania h . WYJAŚNIĆ POJĘCIE STABILNOŚCI ROZWIĄZANIA RÓWNANIA RÓŻNICZKOWEGO OMÓWIĆ NA CZYM POLEGA STEROWANIE DŁUGOŚCIĄ KROKU W PROCESIE ROZWIĄZYWANIA RÓZNANIA RÓŻNICZKOWEGO Metody numeryczne rozwiązywania równań różniczkowych polegają na obliczeniu ze znanej wartości przybliżonej yn wartości następnej yn+1. DEFINICJA:Jeśli przez xn oznaczymy dowolny ciąg arytmetyczny, rosnący {x0, x0+h,...,x0+nh} liczb z przedziału <a,b>, w którym poszukujemy rozwiązania równania, to h nazwiemy długością kroku całkowania. STEROWANIE DŁUGOŚCIĄ KROKU Dostosowywanie długości kroku do aktualnych wyników obliczeń. Dokonuje się tego na podstawie oszacowania błędu lokalnego (powstałego w n-tym procesie obliczeniowym). Jeśli na początku rozwiązania przyjęliśmy ustalony błąd graniczny, poniżej którego rozwiązanie uznamy za dokładne i oszacowany błąd lokalny jest od błędu granicznego mniejszy, można zwiększyć długość kroku całkowania. Jeśli natomiast błąd lokalny jest większy od przyjętego błędu granicznego, krok całkowania należy zmniejszyć. Zachodzi bowiem twierdzenie: TWIERDZENIE: Przy zmniejszaniu kroku oszacowanie błędu w ustalonym punkcie x dąży do zera w tym stopniu co h, tzn.: DOWÓD Pominięty. OMÓWIĆ NA CZYM POLEGA STEROWANIE DŁUGOŚCIĄ KROKU W PROCESIE ROZWIĄZYWANIA RÓZNANIA RÓŻNICZKOWEGO PODAJ KRYTERIUM WYBORU POCZĄTKOWEGO PRZYBLIŻENIA ZERA DLA METOD INTERACYJNYCH Równania postaci f(x)=0 bardzo często rozwiązuje się w sposób przybliżony metodami kolejnych przybliżeń pierwiastka spełniającego to równanie. Rozwiązywanie polega więc na tworzeniu ciągu liczb x1...xn zwanych kolejnymi przybliżeniami pierwiastka x=ξ. Metody te można podzielić na dwie grupy, metody jednokrokowe, w których do znalezienia xn+1 przybliżenia ξ potrzebna jest znajomość xn przybliżenia, oraz metody wielokrokowe, w których dla zbudowania xn+1 przybliżenia konieczna jest znajomość kilku poprzednich. Podstawowym warunkiem, jaki powinna spełniać metoda kolejnych przybliżeń przekształconego równania f(x)=0 do postaci: x=g(x), (wówczas jest to metoda iteracyjna), jest zbieżność ciągu x1...xn do pierwiastka x=ξ. Mówi się wówczas, że metoda jest zbieżna. TWIERDZENIE:Jeśli w otoczeniu x − ξ < h pierwiastka ξ równania x=g(x) zachodzą nierówności: g ′( x) ≤ q < 1, g ′( ξ ) ≠ 0 to dla każdego x0 z tego otoczenia metoda iteracyjna jest zbieżna. (Zbieżny jest do ξ ciąg kolejnych przybliżeń). PODAJ KRYTERIUM WYBORU POCZĄTKOWEGO PRZYBLIŻENIA ZERA DLA METOD INTERACYJNYCH CO WIESZ O METODZIE LEHMERA_SCHURA ZNAJDOWANIA ZER WIELOMIANU Metoda Lehmera-Schura umożliwia obliczenie zer wielomianu o współczynnikach zespolonych .Wynikiem tych obliczeń jest okrąg na płaszczyźnie zespolonej o założonym promieniu , zawierającym co najmniej jedno zero wielomianu . Środek tego okręgu jest przybliżanym zerem .Chcąc wyznaczyć kolejne zero , należy wykonać deflację wielomianu i do otrzymanego w taki sposób wielomianu niższego stopnia ponownie zastosować metodę Lehmera-Schura. Kryterium sprawdzające istnienie zera w kole jednostkowym: f ( z ) = a n z n + a n −1 z n −1 + + a1 z + a 0 f * ( z ) = a 0 z n + a 1 z n −1 + + a n −1 z + a n a = Re( a ) − j Im( a ) , T [ ⋅ ] : T [ f ( z )] = a0 f ( z ) − an f * ( z ) 2 T [ f ( 0 )] = a 0 f ( 0 ) − a n f * ( 0 ) = a0 a0 − an a0 = a0 − a n 2 j −1 T [ f ( z )] = T [T [ f ( z )], ,T [ f ( z )] = T [T [ f ( z )] 2 j A) Czy f ( 0 ) = 0 ? TAK, to perwiastek=0, NIE to B) T [ f ( 0 )] < 0 B) Czy TAK, pierwiastek w kole jednostkowym, NIEtoC) j C) Obliczyć T [ f ( z )], j = 1 ,2 , , k aż do uzyskania T k [ f ( 0 )] < 0 (wtedy istnieje pierwiastek w kole jednostkowym) k lub T [ f ( 0 )] = 0 (wtedy żaden pierwiastek nie leży wewnątrz k −1 koła jednostkowego, jeśli T [ f ( z )] jest stałą Jeżeli wielomian ma zero wewnątrz koła z − c = r , to wielomian ma zero wewnątrz koła jednostkowego ( może mieć współczynniki zespolone). f ( z ) g ( z ) = f ( rz + c ) g( z ) CO WIESZ O METODZIE LEHMERA_SCHURA ZNAJDOWANIA ZER WIELOMIANU DZIELENIE WIELOMIANÓW??? Czynnik liniowy: f ( z ) = an z n + an−1 z n−1 + + a1 z + a0 = = ( z − z0 )( bn−1 z n−1 + bn−2 z n−2 + + b1 z + b0 ) + R( z0 ) bn = 0 , bk = a k +1 + z 0 bk +1 , k = n − 1, n − 2 ,...,0 R( z 0 ) = a0 + z 0 b0 Czynnik kwadratowy: f ( z ) = an z n + an−1 z n −1 + + a1z + a0 = = ( z 2 + rz + q )( bn− 2 z n− 2 + bn− 3 z n− 3 + + b1 z + b0 ) + A( r ,q )z + B( r ,q ) bn = bn−1 = 0 , bk = ak +2 − rbk +1 − qbk +2 , k = n − 2 , n − 3 ,...,0 A( r , q ) = a1 − rb0 − qb1 , B( r , q ) = ao − qb0 DZIELENIE WIELOMIANÓW???? NA CZYM POLEGA ZADANIE APROKSYMACJI Wiele zadań rozpatrywanych w metodach numerycznych polega na aproksymacji (inaczej przybliżeniu) funkcji za pomocą wielomianów. Aproksymacją jednostajną nazywamy aproksymację funkcji z przestrzeni C(T) funkcji rzeczywistych ciągłych w ustalonym zbiorze domkniętym T liczb rzeczywistych , z normą ƒ∞ = max ƒ(x) . NA CZYM POLEGA ZADANIE APROKSYMACJI CO TO JEST BŁĄD APROKSYMACJI Oznaczmy przez Π n podprzestrzeń przestrzeni C(T) złożoną z wszystkich wielomianów co najwyżej n-tego stopnia. Dla każdej funkcji ƒ ∈C(T) istnieje dokładnie jeden taki wielomian pƒ ∈ Πn , że zachodzi nierówność ƒ-pƒ∞ <lub= ƒ-q∞ dla dowolnego wielomianu q ∈Πn. Wielomian pƒ nazywa się ntym wielomianem optymalnym dla funkcji ƒ na zbiorze T, a wielkość En(ƒ)= ƒ-pƒ -- n-tym błędem aproksymacji optymalnej. CO TO JEST BŁĄD APROKSYMACJI JAK MOŻEMY ZWIĘKSZYĆ DOKŁADNOŚĆ APROKSYMACJI Dokładność aproksymacji możemy zwiększyć poprzez zmianę liczby m (większa liczba – mniejszy błąd). Wtedy błąd aproksymacji optymalnej nie przekracza podanej liczby dodatniej eps postaci 10^(-m), gdzie m jest liczbą dodatnią. JAK MOŻEMY ZWIĘKSZYĆ DOKŁADNOŚĆ APROKSYMACJI NA CZYM POLEGA APROKSYMACJIA SUMĄ CZĘŚCIOWĄ SZEREGU POTĘGOWEGO Aproksymacja sumą częściową szeregu potęgowego polega na wyborze wielomianu, który podczas wykonywania programu porównany jest z n-tym wielomianem optymalnym na odcinku [-1,1]. W tej metodzie wielomianem przybliżającym jest n-ta suma częściowa rozwinięcia funkcji w szereg potęgowy. NA CZYM POLEGA APROKSYMACJIA SUMĄ CZĘŚCIOWĄ SZEREGU POTĘGOWEGO NA CZYM POLEGA APROKSYMACJA POPRZEZ INTERPOLACJĘ W ZERACH (n+1)-go WIELOMIANU CZEBYSZEWA Aproksymacja poprzez interpolację w zerach (n+1)-go wielomianu polega na wyborze wielomianu, który podczas wykonywania programu porównany jest z n-tym wielomianem optymalnym na odcinku [-1,1]. W tej metodzie wielomianem przybliżającym jest wielomian interpolujący funkcje w zerach (n+1)-go wielomianu Czebyszewa, tj. w punktach cos ( 2k + 1)π ( 2k + 2 ) dla k=0,1,.....,n NA CZYM POLEGA APROKSYMACJA POPRZEZ INTERPOLACJĘ W ZERACH (n+1)-go WIELOMIANU CZEBYSZEWA JAKIE ZNASZ METODY ZWIĘKSZANIA DOKŁADNOŚCI WYZNACZANIA CAŁKI Rozróżniamy następujące metody dokładności wyznaczania całki : -metodę prostokątów :prawego końca, punktu środkowego, lewego końca, -metodę trapezów, -metodę Simpsona. JAKIE ZNASZ METODY ZWIĘKSZANIA DOKŁADNOŚCI WYZNACZANIA CAŁKI JAKIE ZNASZ PRZYCZYNY POWSTAWANIA BŁĘDÓW W OBLICZENIACH NUMERYCZNYCH Błędy metody, błąd obliczania, błąd przy wprowadzaniu danych , mała dokładność wyników JAKIE ZNASZ PRZYCZYNY POWSTAWANIA BŁĘDÓW W OBLICZENIACH NUMERYCZNYCH CO TO JEST I O CZYM MÓWI WSPÓŁCZYNNIK NUMERYCZNEJ POPRAWNOŚCI ALGORYTMU Współczynnikiem numerycznej poprawności algorytmu nazywa się wyrażenie:; ( wsp = r 2 / macheps * y 2 * A F ) gdzie r=b-Ay jest wektorem residuum, y jest numerycznie obliczonym rozwiązaniem, a macheps - dokładność maszynowa, tzn. najmniejsza liczba dodatnia reprezentowana w komputerze taka, że 1+macheps>1. Jeżeli wyrażenie to jest rzędu n lub n2 , to przyjmuje się, że algorytm jest numerycznie poprawny i zaleca się jego stosowanie. Rozwiązanie obliczone algorytmem numerycznie poprawnym nie musi być jednak dokładne, gdyż jego dokładność zależy również od uwarunkowania zadania. W ogólnym przypadku mała norma wektora residuum r oznacza, że obliczone rozwiązanie jest obarczone małym błędem. CO TO JEST I O CZYM MÓWI WSPÓŁCZYNNIK NUMERYCZNEJ POPRAWNOŚCI ALGORYTMU CO TO JEST I O CZYM MÓWI WSPÓŁCZYNNIK NUMERYCZNEJ OSOBLIWOŚCI Wcelu zbadania numerycznej osobliwości macierzy stosuje się dwa kryteria. W pierwszym porównywane są moduły wartości elementów głównych z liczbą tol (współczynnik numerycznej osobliwości macierzy) równą: tol=10n*macheps* A F . Jeżeli modół któregoś elementu głównego jest mniejszy od tol, to przyjmuje się, że macierz jest numerycznie osobliwa. W drugim kryterium są porównywane wartości szczególne macierzy A z tol1=10n*macheps*σ1 , gdzie σ1 oznacza największą wartość szczególną macierzy A. CO TO JEST I O CZYM MÓWI WSPÓŁCZYNNIK NUMERYCZNEJ OSOBLIWOŚCI SCHEMAT i-tej ITERACJI METODY BAIRSTOW’A r = ri , q = q i Obliczyć bn = bn−1 = 0 , bk = ak +2 − rbk +1 − qbk +2 , k = n − 2 , n − 3 ,...,0 A( r , q ) = a1 − rb0 − qb1 , B( r , q ) = ao − qb0 Obliczyć d n−1 = d n−2 = 0 , d k = −bk +1 − rd k +1 − qd k +2 , k = n − 3 , n − 4 ,...,0 ,−1 Wartości kolejnego przybliżenia: −1 d 0 A( ri , q i ri +1 ri d −1 q = q − − q d d + r d B ( r , q i +1 i i 0 −1 i 0 i i SCHEMAT i-tej ITERACJI METODY BAIRSTOW’A ) ) BŁĘDY ROZWIĄZAŃ UKŁADÓW RÓWNAŃ LINIOWYCH Norma macierzy indukowana przez normę wektorową: A = sup x≠0 np. Ax x x = max x i , A = max a i , j i Niech i,j Ax = b , ( A + δA )( x + δx ) = b . Wtedy: δx = − A −1δA( x + δx ) δx ≤ A −1 δA ( x + δx ) δx δA ≤ A A −1 ( x + δx ) A Niech Ax = b , Wtedy: A( x + δx ) = b + δb . Aδ x = δ b δx ≤ A − 1 δb i b ≤ A x δx δb ≤ A A −1 x b cond ( A ) := A A−1 Wskaźnik uwarunkowania: nε cond ( A ) ≤ 0.1 - dobre uwarunkowanie. BŁĘDY ROZWIĄZAŃ UKŁADÓW RÓWNAŃ LINIOWYCH OBLICZANIE WEKTORÓW I WARTOŚCI WŁASNYCH Równanie charakterystyczne n n −1 n −1 s +b s det( A − sI ) = 0 + + b1 s + b0 = 0 Różne wartości własne s1 , , s n n liniowo niezależnych prawych wektorów własnych x i ≠ 0 , Ax i = si x i si = y T Ax i , yT xi yT xi ≠ 0 w szczególności x T Ax si = i T i xi x i Przekształcenie przez podobieństwo: −1 i, i det P ≠ 0 , , i OBLICZANIE WEKTORÓW I WARTOŚCI WŁASNYCH A → P AP s → s x → Pxi WYZNACZANIE WARTOŚCI WŁASNYCH Z RÓNANIA CHARAKTERYSTYCZNEGO Metoda Kryłowa wyznaczania współczynników wielomianu charakterystycznego Z tw. Calley’a-Hamiltona An + bn − 1 An −1 + + b1 A + b0 I = 0 ⋅y bn −1 [ An −1 y An− 2 y Ay y ] b == − An y 1 b 0 WYZNACZANIE WARTOŚCI WŁASNYCH Z RÓNANIA CHARAKTERYSTYCZNEGO APROKSYMACJA LINIOWA ŚREDNIOKWADRATOWA funkcja przybliżana f ( x ), siatka węzłów x i , i = 0 ,..., m , dane: punkty węzłowe WIELOMIAN CZYBYSZEWA Tn ( x ) = cos( n arc cos x ) T0 ( x ) = 1 ϕi ( x ) n = 0 ,1,... T1 ( x ) = x , Tn+1 ( x ) = 2 xTn ( x ) − Tn−1 ( x ) n = 1 ,2 ,... Współczynnik wiodący wielomianu Tn ( x ) jest równy 2n-1 dla n=1,2,. Tn ( − x ) = ( −1 )n Tn ( x ) Wielomian Tn+1 ( x ) ma n+1 zer. ( 2k + 1 )π , k = 0 ,1,..., n , 2( n + 1 ) T ( x ),T1 ( x ),...,Tn ( x ) jest Układ wielomianów 0 x k = cos n = 0 ,1,.... ortogonalny względem wag w i = 1 i węzłów x i , które są zerami wielomianu Tn +1 ( x ): f i = f ( xi ) 0 n + 1 Ti ,T j = 2 n + 1 ( x i , f i ) i = 0 ,..., m wi > 0 − 1 ≤ x ≤ 1, współczynniki wagowe dla i≠ j dla i= j≠0 dla i= j=0 i = 0 ,..., m funkcje bazowe Zadanie wielomianowej aproksymacji jednostajnej funkcja przybliżana f ( x ), siatka węzłów i = 0 ,..., n funkcja aproksymująca n f * ( x ) = ∑ c iϕ i ( i =0 ci szukane stałe x i , i = 0 ,..., m , f i = f ( x i ) x) dane: punkty węzłowe takie by ( x i , f i ) i = 0 ,..., m m * 2 ∑ ( f ( x i ) − f i ) w i → min n i =0 f * ( x ) = ∑ ai x i Notacja: funkcja aproksymująca ma być wielomianem stopnia co najwyżej n dla dowolnych funkcji f ( ⋅ ), g( ⋅ ), przy danej siatce węzłów i wsp. wagowych a i takie by szukane stałe * max f ( xi ) − f i → min i m f , g := ∑ f ( x i )g ( x i )w i i =0 f ,g = 0 Jeżeli to funkcje ortogonalnymi. Jeżeli fi , f j = 0 f ( ⋅ ), g( ⋅ ), nazywamy Tw. Weierstrassa Jeżeli funkcja f(x) jest ciągła w skończonym przedziale [ a , b] , to dla każdego ε > 0 istnieje wielomian Pn ( x ) stopnia n, taki że i ≠ j i f i , f i ≠ 0 to funkcje dla f i ( ⋅ ), i = 1,2 ,... układem (rodziną) funkcji ortogonalnych. dla każdego x3 Twierdzenie Jeżeli funkcje bazowe są liniowo niezależne to zadanie aproksymacji liniowej średniokwadratowej ma jedyne rozwiązanie. Rozwiązanie to spełnia układ równań normalnych; ϕ 0 ,ϕ 0 ϕ ,ϕ 0 1 ϕ 0 ,ϕ n ϕ 1 ,ϕ 0 ϕ 1 ,ϕ 1 ϕ 1 ,ϕ n ϕ n ,ϕ n f ( x ) − P( x ) = f ,ϕ 0 f ,ϕ 1 = c1 f ,ϕ n Jeżeli funkcje bazowe są rodziną funkcji ortogonalnych to rozwiązanie upraszcza się do: ci = f ,ϕ i , ϕ i ,ϕ i i = 0 ,..., n APROKSYMACJA LINIOWA ŚREDNIOKWADRATOWA x ∈ [ a , b] , f ( x ) − Pn ( x ) < ε P0 ,3 ( x ) P3 ( x ) = f 3 Reszta wzoru interpolacyjnego: Jeżeli funkcja f ( ⋅ ) ma ciągłe pochodne do rzędu n+1 a wielomianem interpolacyjnym stopnia n, to ϕ n ,ϕ 0 c 0 ϕ n ,ϕ 1 c1 i =0 n 1 f ( n +1 ) ( ξ )∏ ( x − xi ) ( n + 1 )! i=0 P( ⋅ ) gdzie ξ jest pewnym punktem z najmniejszego przedziału domkniętego zawierającego x , x 0 ,..., x n WIELOMIAN CZYBYSZEWA jest EKSTRAPOLACJA ITEROWANA RICHARDSONA Do obliczenia pewnej wielkości stosuje się metodę numeryczną z parametrem h. Wynikiem jej działania jest F(h). wartością dokładną jest F(0). Trudności obliczeniowe rosną gdy h maleje. oszacowanie błędu numerycznego b ∫ f ( x) dz obliczenia f(x) metoda trapezów (b − a ) 3 f ' ' (ξ1 ) 12n 2 ( b − a )5 f ( 4 ) ( ξ 2 ) metoda Simpsona Zakładamy, że znamy postać rozwinięcia ( przy n+1 obl. wartości a 180 n 4 p1 < p 2 < p 3 ....) F ( h ) = a0 + a1 h p1 + a2 h p2 + a3 h p3 .... Błąd danych wejściowych Błąd zaokrągleń w czasie obliczeń Błąd metody (obcięcia) Błąd wnoszony przez uproszczenia modelu matematycznego Błąd człowieka F(0) ekstrapolujemy na podstawie kilku obliczonych wartości F(h0), F(q-1h0), F(q-2h0), F(q-3h0)... q>1 Ekstrapolacja iterowana Richardsona pozwala na utworzenie a~ jest przybliżeniem wartości dokładnej a Błąd bezwzględny: ∆ a = a~ − a F ( h ),F ( h ),F3 ( h ),...., 2 ciągu funkcji 1 którego n-ty wyraz ma rozwinięcie: Fn ( h ) = a 0 + a n ,n h + a n ,n + 1 h pn pn + 1 + a n ,n + 2 h Błąd względny: pn + 2 .... . Sposób obliczeń: dana wartość początkowa h0 i liczba q>1, stosuje się wzór rekurencyjny: −m Am ,0 = F ( q h0 ),m = 0 ,1,2... Am ,k = Am ,k −1 + Am ,k −1 − Am −1 ,k −1 q −1 pk εa = a~ = a + ∆ a = a + ε a a = ( 1 + ε a )a ∆ a a~ − a a~ = = − 1, a ≠ 0 a a a εa = uogólnienie na wartości wektorowe szacowanie modułów błędów Przenoszenie się błędów w obliczeniach numerycznych 1. Analiza bezpośrednia krok po kroku: ~y = 4.4 poprawnie zaokrąglona, więc 4.35 < y < 4.45 ∆ y < 0.05 ,k = 1,2 ,3...,Fn ( h0 ) = An−1 ,n−1 ,n = 2 ,3 ,4.... 0.05 = 0.1149 4.35 2.0857 < y < 2.1095 εy < ~ y = 2.0976 Zastosowanie do różniczkowania numerycznego 2 ∆ 3 h h f ( x0 + h ) = f ( x0 ) + hf ' ( x0 ) + f ' ' ( x0 ) + f ( 3 ) ( x0 ) + 2! 3! ε ~ x = 10.3 p1 = 1, p2 = 2 , p3 = 3 , ... ∆ x < 0.05 1 h2 h3 ( 3 ) f ( x0 ) + hf ' ( x0 ) + f '' ( x0 ) + f ( x0 ) + − 2h 2! 3! h2 h3 − f ( x0 ) − hf ' ( x0 ) + f '' ( x0 ) − f ( 3 ) ( x0 ) + = 2! 3! h2 h4 f ( 3 )( x0 ) + f ( 4 ) ( x0 ) + 3! 5! p2 = 4 , EKSTRAPOLACJA RICHARDSONA ~y = ln( ~ x + ~y ) = 2.5175 2.5125 < ln( x + y ) < 2.5275 ∆ y < 0.005 ε y < 0.0020 ~ x1~ x2 x ( 1 + ε 1 ) x2 ( 1 + ε 2 ) −1 = 1 − 1 = ( 1 + ε 1 )( 1 + ε 2 ) − 1 ≈ ε 1 + ε 2 x1 x2 x1 x2 y = x Pierwiastek: ~ x( 1 + ε ) x 1 1 1 εy = −1 = − 1 = ( 1 + ε ) − 1 = 1 + ε − ε 2 + ..... − 1 ≈ ε 2 8 2 x x x1 y= x 2 Iloraz: ~ xx x ( 1 + ε 1 ) x2 ( 1 + ε1 ) (ε − ε2 ) ε y = 1~2 − 1 = 1 −1 = −1 = 1 ≈ ε1 − ε 2 xx x x (1 + ε ) (1 + ε ) (1 + ε ) εy = f ( x0 + h ) − f ( x0 − h ) = 2h p1 = 2 , 0.05 = 0.049 10.25 2. Wykorzystanie podstawowych wzorów x1 , ~ x1 , ε1 , x2 , ~ x2 , ε 2 y = x x 1 2 Iloczyn: Różnica centralna = f ' ( x0 ) + < 0.0057 εx < f ( x0 + h ) − f ( x0 ) h h2 ( 3 ) DP ( h ) = = f ' ( x0 ) + f '' ( x0 ) + f ( x0 ) + h 2! 3! = < 0.0119 y y poprawnie zaokrąglona, więc 10.25 < x < 10.35 Różnica progresywna DC ( h ) = ∆ a a~ − a = , a≠0 a a p3 = 6 , ... ITEROWANA 1 2 1 2 2 2 3. Metoda przybliżona ~ x =(~ x1 , ~ x2 ,..., ~ xn ) x = ( x1 , x2 ,..., xn ) ∆ y = y( ~ x ) − y( x ) n ∆y ≈ ∑ ∂y ~ ( x )∆ xi i =1 ∂xi ∂y ~ ( x ) ∆ xi ∂xi n x ∂y n x ∂y ∆x ∆y εy = ≈∑ i (~ x) i =∑ i (~ x )ε xi y i =1 y ∂xi xi i =1 y ∂xi n ∆y < ∑ i =1 n εy < ∑ i =1 xi ∂y ~ ( x ) ε xi y ∂xi ~y = ln( ~ x + ~y ) = 2.5175 2.5125 < ln( x + Metody numeryczne (analiza numeryczna) nauka zajmująca się rozwiązywaniem problemów matematycznych metodami arytmetycznymi sztuka doboru spośród wielu możliwych procedur takiej, która jest „najlepiej” dostosowana do rozwiązania danego zadania 2 y = x1 ± x2 ~ x ±~ x2 x ( 1 + ε 1 ) ± x2 ( 1 + ε 2 ) xε xε εy = 1 −1 = 1 −1 = 1 1 ± 2 2 x1 ± x2 x1 ± x2 x1 ± x2 x1 ± x2 Suma: y ) < 2.5275 ∆ y < 0.005 ε y < 0.0020 metodą przybliżoną ε y < 0.0024 y( x ) ,