- •Основные понятия вычислительной математики.
- •Решение нелинейного уравнения методом простых итераций. Понятие сжимающего отображения. Теорема о сходимости. Геометрическая интерпретация. Метод простой итераций.
- •Условие сходимости метода. Понятие сжимающего отображения.
- •Усовершенствование итерационного процесса. Условия для выбора числа r. Геометрическая интерпретация Модификация итерационного процесса.
- •Геометрическая интерпретация.
- •Метод Ньютона для решения нелинейного уравнения. Условия сходимости метода. Геометрическая интерпретация. Метод Ньютона.
- •Условие сходимости метода Ньютона
- •Геометрическая интерпретация.
- •Метод секущих для решения нелинейных уравнений. Условие сходимости. Геометрическая интерпретация. Метод секущих.
- •Метод Стефенсона. Условие сходимости метода. Геометрическая интерпретация. Метод Стефенсона.
- •Геометрическая интерпритация.
- •Численные методы линейной алгебры.
- •Прямые и итерационные методы. Условие сходимости итерационных методов. Метод Гаусса.
- •Метод простой итерации.
- •Сходимость метода простой итерации.
- •Метод Зейделя.
- •Метод релаксации.
- •Метод прогонки.
- •Вычисление собственных чисел матрицы.
- •Метод итерации и Ньютона решения сну. Теоремы о сходимости.
- •Сходимость метода.
- •Метод Ньютона.
- •Сходимость метода.
- •Вопрос приближения функций. Понятие точечной и интерполяционной аппроксимации.
- •Интерполяционный многочлен Лагранжа. Теорема о единственности.
- •Многочлен Ньютона с распределенными разностями.
- •Многочлен Ньютона с конечными разностями
- •Сплайны.
- •Линейная и квадратичная интерполяция.
- •Характер экспериментальных данных.
- •Метод выбранных точек и средних.
- •Метод наименьших квадратов.
- •Равномерное приближение функции.
- •Численное интегрирование и дифференцирование.
- •Общая постановка задачи Коши.
- •Метод Эйлера.
- •Метод Рунге - Кутта.
- •Метод Рунге - Кутта четвертого порядка точности:
- •Постановка 2-х точной краевой задачи.
- •Метод конечных разностей
- •Метод Адамса.
Метод выбранных точек и средних.
Метод состоит в следующем: по заданным табл. данным X0Y наносится система точек.
П осле этого проверяется линия, соответствующая внешнему виду (x) и наиболее близко проходящая от заданных точек:
На проведённой линии выбираются новые точки, не принадлежащие системе табличных данных, а их число должно быть = кол-ву не известных параметров эмпирической функции. Значение координат в этих точках тщательно измеряются. Они используются для записи системы уравнений , исходя из условия прохождения графика (x) через эти точки. Решая полученную систему уравнений, находим неизвестные параметры .
Другим методом является метод средних. Он базируется на предположении, что параметры функции (x) можно определить из равенства о суммы погрешности i во всех точках Xi: Из полученного ур. можно вычислить не известные параметры Однако, однозначно рассчитать все m+1 параметр из одного ур. нельзя. Поэтому полученные равенства путём группировки погрешностей I разделяют на систему m-1 ур-я. Решая полученную систему, находим неизвестные параметры.
Метод наименьших квадратов.
Для определения параметров эмпирической ф-лы а0,а1,…,ам запишем сумму квадратов отклонений во всех точках xi, i=0, n:
Параметры a0,a1,...,am будем искать при условии минимума функции S=S(a0,a1,...,am).
Поскольку в этом случае параметры a0,a1,...,am выступают в роли независимых переменных функции S (1), то ее min найдем, приравнивая к 0 частные производные по этим переменным:
Полученные соотношения представляют собой систему уравнений для определения a0,a1,...,am.
На практике широко распространен случай, когда в качестве ЭФ используется полином:
Рассмотрим применение МНК для этого случая. Построим сумму квадратов для отклонений:
Найдем частные производные функции S=S(a0,a1,...,am).
Приравнивая к 0 эти выражения и собирая коэффициенты при неизвестных a0,a1,...,am, получаем систему уравнений:
Решая полученную СЛАУ получим коэффициенты a0,a1,...,an многочлена S=S(a0,a1,a1,...,an), которые являются исходными параметрами эмпирической формулы.
Равномерное приближение функции.
Во многих случаях мерой отклонения аппроксимирующей функции (x) от некоторой функции f(x) вполне можно считать среднеквадратичное отклонение. Но бывают ситуации когда аппроксимирующий многочлен Pn(x) должен отклониться от непрерывной на отрезке [a,b] функции f(x) на расстоянии не больше заданной погрешности. В этом случае должно выполняться условие: . В этом случае задача будет состоять в нахождении многочлена степени n для которого величина погрешности равномерного приближения минимальна. Такой многочлен называется многочлен наилучшего равномерного приближения.
Теорема:
Для того чтобы некоторый многочлен Pn(x) был многочленом наилучшего равномерного приближения непрерывной на отрезке функции необходимо и достаточно чтобы на [a,b] нашлись как минимум n+2 точки такие что наша разность . Точки xi должны обладать следующими свойствами:
В точках xi модуль погрешности приближения функции f(x) многочлена Pn(x) достиг. максимума.
для всех точек при i=0,n погрешность меняет знак при переходе от xi и xi+1.