- •Глава1. Проблема аппроксимации
- •§1. Полиномиальная апппроксимация
- •§2. Интерполяционный полином в форме Лагранжа
- •§3. Интерполяционный полином в форме Ньютона
- •§4. Аппроксимация сплайнами
- •§5. Метод наименьших квадратов
- •§6. Полиномиальная интерполяция с кратными узлами
- •§7. Свойства разделенных разностей
- •§8. Задача Чебышева. Разрешимость системы
- •§9. Теорема Чебышева
- •§10. Многочлены Чебышева
- •Глава2. Численное дифференцирование
- •Глава3. Численное интегрирование
- •§1. Интерполяционные квадратурные формулы
- •1.Интерполяционные квадратурные формулы
- •2.Интерполяционные квадратурные формулы наилучшей алгебраической точности
- •3.Ортогональные многочлены и их свойства
- •§2. Применение квадратурных формул
- •§3. Метод Монте-Карло (метод статистических испытаний)
- •§4. Правило Рунге практической оценки погрешности
- •Глава4. Алгебраическая проблема собсвенных значений
- •§1. Ортогональные матрицы
- •1.Ортогональные матрицы
- •2.Матрица элементарного поворота
- •§2. Вариационное свойство собственных значений
- •§3. Приведение симметричной матрицы к диагональному виду
- •§4. Сингулярное разложение матрицы
- •§5. Сопряженная матрица
- •§6. Частная спектральная задача
- •1.Вариационный метод
- •2.Степенной метод
- •§7. Метод максимизации столбцов
- •1.Максимизация первого столбца
- •2.Алгоритм сингулярного разложения
- •3.Главное собственное число
- •§8. Метод вращения
§4. Правило Рунге практической оценки погрешности
Величины погрешности численного интегрирования зависит как от шага h, так и от гладкости подинтегральной функции. Если величина погрешности велика, то ее можно уменьшить путем измельчения сетки на данном отрезке [xk-1;xk]. Для этого необходимо уметь апостериорно (т.е. после проведения расчета) оценивать погрешность. Правило Рунге позволяет произвести такую оценку.
Представим интеграл в виде приближенной формулы:
Заметим, что SиRзависят от шагаh, т.е. от числа точек разбиенияn. ТогдаS=Sn,R=Rn.
Будем считать, что дана априорная погрешность (предполагаемая):
Если С известно, то можно заранее для нужной точности указать число точек разбиения и т.п.
Если же С неизвестно, то используют правило Рунге:
1. Производят 2 вычисления приближенного значения интеграла приn=n1иn=n2(обычноn2=2n1).
2. Таким образом, будет получено:
I=Sn1+Rn1; I=Sn2+Rn2
Вычитая из первого равенства второе, получим:
Отсюда,.
Подставим CвRn1иRn2:
При этом выражение .
Таким образом, , т.к.невелико (обычно, а=2).
Это и есть правило Рунге:
В выбранной квадратурной формуле берется некоторое число точек разбиения n1и вычисляетя соответствующее ему значение интеграла.
Затем вычисляется приближенное значение, соответствующее числу точек разбиения n2>n1. Если модуль разности между ними не превышает требуемой точности, то вычисления останавливаются. В противном случае, процедуру необходимо повторить.
В качестве ответа обычно берут Sn2или линейную комбинациюSn1, Sn2.
Глава4. Алгебраическая проблема собсвенных значений
Постановка задачи
Пусть A=(aik) – вещественная матрица порядкаn×nпространстваRn. Элементы пространстваRnимеют вид:x=(x1..xn)T.
Скалярное произведение векторов в Rn: .
Норма вектора в пространстве Rn: .
Число λ – собственное число матрицы А, если существует нетривиальный векторx1≠0:Ax=λx. При этомx1 – собственный вектор А. (1)
Множество всех собственных чисел матрицы – её спектр.
Спектральная задача – задача нахождения всех или нескольких собственных чисел матрицы и, возможно, соответствующих им собственных векторов.
Пусть λ1– собственное число матрицы А. Перепишем уравнение (1) в виде:
.
Многочлен вида: -характеристический многочлен матрицы А.
Т.о. если λ – собственное число матрицы А, то λ – корень характеристического многочлена матрицы А. Верно и обратное.
Утверждение Любая матрица А порядкаn×nимеет хотя бы один собственный вектор и имеетnсобственных чисел (могут быть как различными, так и кратными).
Из сказанного: задача нахождения собственных чисел матрицы А сводится к задаче нахождения корней её характеристического многочлена, т.е. решения уравнения Pn(λ) = 0.
Некорректность спектральной задачи
При исследовании спектральной задачи было выяснено, что она неустойчива. Приведем пример. Рассмотрим матрицу порядка 20×20:
, где ε – малое возмущение нулевого элемента.
Характеристический многочлен матрицы А имеет вид: .
Рассмотрим два случая:
1)ε=0 Тогда младший коэффициентPn(λ)a0=20!≈2,5×1018. Собственные числа матрицы Аλk=1..20.
2)- малое число.
При этом a0=0 и возникает новое собственное число матрицы А λ=0.
Т.о. как коэффициенты, так и корни характеристического многочлена могут быть очень чувствительны к малым погрешностям матричных элементов, что означает слабую устойчивость спектральной задачи.