- •Лекция №1
- •§ 1. Задача вычисления.
- •§ 2. Абсолютная и относительная погрешности
- •§ 3. Неустранимая погрешность значения функций для приближенных значений аргументов. Погрешности арифметических операций.
- •Лекция №2 Численные методы линейной алгебры
- •Формальное решение. Устойчивость.
- •Обусловленность матрицы. Погрешности.
- •Лекция №3
- •1. Схема единственного деления
- •3. Расчетные формулы
- •Лекция № 4 Метод Гаусса с выбором главного элемента (оптимальный метод).
- •Применения метода Гаусса к вычислению определителей и обратных матриц.
- •Лекция № 5 Итерационные методы решения систем линейных алгебраических уравнений.
- •Лекция № 6 Метод Зейделя (модификация метода итераций).
- •Тогда условие окончания итерационного процесса Зейделя будет иметь вид:
- •Лекция № 7 Методы решения нелинейных уравнений и систем нелинейных уравнений.
- •1. Метод деления отрезка пополам (метод бисекций или дихотомия).
- •Метод хорд (метод линейной интерполяции).
- •3. Метод Ньютона (метод касательных или метод линеаризации).
- •4. Метод итераций (задача о неподвижной точке).
- •Оценка погрешности приближений:
- •Лекция № 8
- •1. Метод итераций для системы двух уравнений.
- •2. Метод Ньютона для системы двух уравнений.
- •Лекция №9 Алгебраическая проблема собственных значений.
- •Лекция № 10 Приближение функций и их производных.
- •Постановка задачи приближения функций.
- •2. Оценка погрешности полиномиальной интерполяции.
- •Лекция № 11 Интерполяционный многочлен Ньютона с конечными разностями.
- •Лекция № 12 Метод наименьших квадратов и наилучшие среднеквадратические приближения.
- •О нормальной системе мнк при полиномиальной аппроксимации.
- •Лекция №13 Сплайн интерполяция
- •Лекция № 15
- •Метод Эйлера – разные подходы к построению.
- •Методы Рунге – Кутта.
- •Лекция № 16
- •Лекция № 17 Разностные схемы для уравнений параболического типа.
- •Лекция №18
- •Лекция № 19 Разностные схемы для уравнений эллиптического типа.
§ 3. Неустранимая погрешность значения функций для приближенных значений аргументов. Погрешности арифметических операций.
Пусть - непрерывная дифференцируемая функция независимых переменных. Если значения аргумента даны неточно, а приближенно
- имеем неустранимую погрешность, то вместо y из (3) мы получим некоторую величину y*,
(6).
Требуется найти абсолютную погрешность , и относительную погрешность, характеризующие неустранимую погрешность функции (6).
Эту задачу в каждом конкретном случае можно совершенно строго решить при помощи методов математического анализа, исследуя область изменения y при .
Однако, при более или менее сплошной функции f применение точных методов математического анализа приводит к сложным вычислениям. Поэтому целесообразнее иметь в своем распоряжении приемы, позволяющие решить поставленную задачу более элементарно, хотя м.б. более грубо. Для их применения наложим некоторые дополнительные условия на функцию f и погрешности ее аргументов.
Будем предполагать:
Частные производные f изменяются достаточно медленно.
Относительные погрешности исходных данных достаточно малы.
По формуле конечных приращений получим:
где - значения производных- взятых в некоторой точке отрезка.Используя предположение 1), заменимна.
Получим
Отсюда (7)
Разделим (7) на y* и учитывая 1) и 2), получим приближенную формулу для относительной погрешности функции:
(8)
Если применить формулы (7) и (8) к случаю функции с одной переменной, то мы получим для оценки ее абсолютной и относительной погрешностей следующие формулы:
Лекция №2 Численные методы линейной алгебры
Решение систем линейных алгебраических уравнений СЛАУ с невырожденной (квадратной) матрицей.
Нахождение собственных значений и собственных векторов для квадратных матриц – алгебраическая проблема собственных значений.
1) Решение СЛАУ
(1)
С квадратной невырожденной матрицей:
Матрица А определяет отображение
2) Вычисление определителя матрицы:
(2)
3) Нахождение обратной матрицы А-1 для невырожденной квадратной матрицы А:
(3)
Формальное решение. Устойчивость.
Формальное решение задачи (1) строится по известным формулам Крамера:
Формальное решение устойчиво, т.е. непрерывно зависит от входных данных A и f .
Действительно, варьируя , найдем:
Получаем, что:
(4)
Таким образом:
Нормы
Основные используемые в нормы:
1) Норма вектора x.
Запишем разложение вектора по базису:
.
Базисные вектора образуют строку e , а координаты вектора `x - столбец X
Евклидова норма вектора
-Норма (при p=2 норма Гильберта - Шмидта)
(для конечномерного случая 1/n можно перед суммой опустить).
с) c - норма (равномерная или Чебышевская норма вектора x)
В имеют место соотношения:
т.е. в все эти нормыэквивалентны и сходимость в любой из них влечет сходимость в остальных нормах.
Проверим, например:
Имеем:
2). Норма матрицы А. Норма матрицы А, согласованная с нормой вектора x определяется следующим образом:
Отсюда
Это условие согласования норм ||x|| и ||A||.
Можно проверить, что введенная таким образом норма матрицы удовлетворяет неравенствам:
,
Для квадратных матриц наиболее употребительны следующие нормы:
(где - собственные значения симметричной самосопряженной матрицы,).
Первые две нормы не имеют специальных названий:
- называется максимальной,
- сферической или евклидовой,
- спектральной.
Умножая вектор х на матрицу А, получаем новый вектор Ах, норма которого может сильно отличаться от нормы вектора х.
Величину можно рассматривать как своеобразный«коэффициент растяжения» вектора х матрицей А. Для некоторых векторов он может быть малым, а для некоторых большим.
Если M и m – максимальное и минимальное значение коэффициента растяжения, то
Нормой матрицы А называется максимальное значение коэффициента растяжения:
Минимальное значение коэффициента растяжения также играет важную роль в линейной алгебре.
Если А – невырожденная матрица, то для нормы обратной матрицы справедливо равенство: