Professional Documents
Culture Documents
w przykadach
Podrczniki Politechnika Lubelska
Politechnika Lubelska
Wydzia Elektrotechniki i Informatyki
ul. Nadbystrzycka 38A
20-618 Lublin
Beata Paczyk
Edyta ukasik
Jan Sikora
Teresa Guziak
Metody numeryczne
w przykadach
Politechnika Lubelska
Lublin 2012
Recenzent:
dr hab. Stanisaw Grzegrski, prof. Politechniki Lubelskiej
Redakcja i skad:
Beata Paczyk
Edyta ukasik
ISBN: 978-83-63569-14-3
WSTP ............................................................................................................................. 8
1. BDY OBLICZE NUMERYCZNYCH ................................................................ 10
1.1. WSTP.................................................................................................................. 10
1.2. PODSTAWOWE POJCIA SZACOWANIA BDW .................................................... 10
1.2.1. rda bdw.............................................................................................. 10
1.2.2. Bdy wzgldne i bezwzgldne ................................................................... 11
1.2.3. Przenoszenie si bdw .............................................................................. 11
1.3. REPREZENTACJA STAOPOZYCYJNA I ZMIENNOPOZYCYJNA ................................. 13
1.4. BDY ZAOKRGLE OBLICZE ZMIENNOPOZYCYJNYCH .................................... 15
1.5. ALGORYTM NUMERYCZNIE STABILNY I POPRAWNY ............................................. 19
1.6. UWARUNKOWANIE ZADANIA OBLICZENIOWEGO .................................................. 21
2. PODSTAWY RACHUNKU MACIERZOWEGO ..................................................... 23
2.1.WSTP .................................................................................................................. 23
2.2. PODSTAWOWE POJCIA ALGEBRY LINIOWEJ ......................................................... 23
2.2.1. Macierze blokowe ....................................................................................... 27
2.2.2. Przestrzenie liniowe wektorowe .................................................................. 28
2.2.3. Wartoci wasne........................................................................................... 30
2.2.4. Normy wektorw i macierzy ....................................................................... 32
3. INTERPOLACJA I APROKSYMACJA .................................................................... 35
3.1. WSTP.................................................................................................................. 35
3.2. INTERPOLACJA WIELOMIANOWA .......................................................................... 36
3.2.1. Jednoznaczno rozwizania zagadnienia interpolacyjnego........................ 36
3.2.2. Wielomian interpolacyjny Lagrangea ........................................................ 38
3.2.3. Wzr interpolacyjny Newtona ..................................................................... 40
3.3. INTERPOLACJA TRYGONOMETRYCZNA ................................................................. 45
3.4. FUNKCJE SKLEJANE .............................................................................................. 50
3.4.1. Okrelenie funkcji sklejanych ..................................................................... 50
3.4.2. Interpolacyjne funkcje sklejane stopnia trzeciego ....................................... 51
3.5. APROKSYMACJA ................................................................................................... 58
3.5.1. Sformuowanie zagadnienia aproksymacji .................................................. 58
3.5.2. Aproksymacja redniokwadratowa .............................................................. 61
3.6. WIELOMIANY ORTOGONALNE .............................................................................. 72
3.7. ZADANIA DO SAMODZIELNEGO ROZWIZANIA ..................................................... 81
4. METODY ROZWIZYWANIA UKADW RWNA LINIOWYCH ............... 84
4.1. WSTP.................................................................................................................. 84
4.2. METODY SKOCZONE .......................................................................................... 84
6 Podstawy metod numerycznych
4.2.1. Eliminacja Gaussa ....................................................................................... 84
4.2.2. Eliminacja Gaussa-Jordana.......................................................................... 94
4.2.3. Rozkad LU ................................................................................................. 95
4.2.4. Rozkad Choleskiego ................................................................................... 99
4.2.5. Rozkad QR metod Householdera ........................................................... 101
4.2.6. Wyznaczanie macierzy odwrotnej ............................................................. 105
4.2.7. Obliczanie wyznacznika macierzy ............................................................ 106
4.3. METODY ITERACYJNE ........................................................................................ 107
4.3.1. Metoda Jacobiego ...................................................................................... 108
4.3.2. Metoda Gaussa-Seidela ............................................................................. 110
4.3.3. Metoda SOR (nadrelaksacji) ..................................................................... 111
4.3.4. Metoda Czebyszewa .................................................................................. 114
4.3.5. Metody gradientowe .................................................................................. 117
4.4. MACIERZE SPECJALNE ........................................................................................ 119
4.4.1. Reprezentacja macierzy w strukturach danych .......................................... 121
4.4.2. Metody dokadne dla ukadw z macierzami rzadkimi ............................. 123
4.4.3. Rozwizywanie ukadw rwna liniowych - wnioski ............................ 124
4.5. PRZYKADY OBLICZENIOWE .............................................................................. 125
4.6. METODA SVD ROZWIZYWANIA UKADW RWNA NADOKRELONYCH........ 139
4.7. ZADANIA DO SAMODZIELNEGO ROZWIZANIA ................................................... 142
5. ROZWIZYWANIE RWNA I UKADW RWNA NIELINIOWYCH .... 147
5.1. WSTP................................................................................................................ 147
5.2. METODA BISEKCJI .............................................................................................. 147
5.3. METODA REGULA FALSI ..................................................................................... 150
5.4. METODA SIECZNYCH .......................................................................................... 155
5.5. METODA NEWTONA-RAPHSONA ........................................................................ 156
5.6. UKADY RWNA NIELINIOWYCH ..................................................................... 164
5.7. ZADANIA DO SAMODZIELNEGO ROZWIZANIA ................................................... 167
6. CAKOWANIE NUMERYCZNE ........................................................................... 169
6.1. WSTP................................................................................................................ 169
6.2. KWADRATURY NEWTONA-COTESA .................................................................... 169
6.2.1. Wzr trapezw .......................................................................................... 170
6.2.2. Wzr Simpsona ......................................................................................... 172
6.3. KWADRATURY GAUSSA ..................................................................................... 175
6.3.1. Kwadratury Gaussa-Hermitea .................................................................. 179
6.3.2. Kwadratury Gaussa-Laguerrea ................................................................. 180
6.3.3. Kwadratury Gaussa-Czebyszewa .............................................................. 181
6.3.4. Kwadratury Gaussa-Legendrea ................................................................ 182
6.4. ZADANIA DO SAMODZIELNEGO ROZWIZANIA ................................................... 183
7. ROZWIZYWANIE RWNA I UKADW RWNA RNICZKOWYCH
ZWYCZAJNYCH ................................................................................................... 187
7.1. WSTP................................................................................................................ 187
7.2. METODA EULERA ............................................................................................... 193
7.3. METODY TYPU RUNGEGO-KUTTY ...................................................................... 195
Spis treci 7
7.4. METODY RNICOWE (WIELOKROKOWE) ........................................................... 202
7.5. METODA GEARA DLA UKADW SZTYWNYCH ................................................... 204
7.6. ZADANIA DO SAMODZIELNEGO ROZWIZANIA ................................................... 206
BIBLIOGRAFIA .......................................................................................................... 208
INDEKS ........................................................................................................................ 209
Wstp
Metody numeryczne s obecnie przedmiotem ujtym w standardach
ksztacenia studentw uczelni technicznych i przede wszystkim do nich
jest adresowany ten podrcznik. Znajomo metod numerycznych
umoliwia waciwe wykorzystanie gotowych pakietw obliczeniowych
(Matlab, Maple, Mathematica itp.), jak rwnie daje niezbdne podstawy
do samodzielnego rozwizywania specyficznych, coraz bardziej
zoonych problemw inynierskich. Wymaga to z jednej strony
wiadomoci istoty rozwizywanych zagadnie, z drugiej za znajomoci
metod sucych do ich rozwizywania.
Autorzy
1. Bdy oblicze numerycznych
1.1. Wstp
W teorii metod numerycznych zasadnicz rol odgrywa zrozumienie
ogranicze danej metody, co jest z kolei cile zwizane z okreleniem
bdu obliczeniowego. W niniejszym rozdziale przedstawimy
podstawowe definicje i problemy dotyczce oblicze numerycznych.
Przez zadanie numeryczne rozumiemy jasny i jednoznaczny opis
powizania funkcjonalnego midzy danymi wejciowymi (zmienne
niezalene) i danymi wyjciowymi (szukanymi wynikami). Algorytm dla
danego zadania numerycznego jest z definicji penym opisem poprawnie
okrelonych operacji przeksztacajcych dopuszczalne dane wejciowe na
dane wyjciowe. Operacje oznaczaj tu dziaania arytmetyczne
i logiczne. Dla danego zadania numerycznego mona rozwaa wiele
rnych algorytmw. Algorytmy te mog dawa wyniki o bardzo rnej
dokadnoci [1].
Przykad 1.1.
W kolejnych przykadach podano liczby odpowiednich cyfr:
0.00147 5 cyfr uamkowych, 3 cyfry istotne,
12.34 2 cyfry uamkowe, 4 cyfry istotne,
0.001234 0.000004 5 cyfr poprawnych, 3 cyfry znaczce,
0.001234 0.000006 4 cyfry poprawne, 2 cyfry znaczce.
Przykad 1.2.
Niech x1 2.31 0.02, x2 1.42 0.03 .
12 Metody numeryczne w przykadach
Obliczmy rnic:
x1 x2 : 2.33 -1.39 = 0.94, 2.29 -1.45 = 0.84,
czyli:
x1 x2 = 0.89 0.05.
Oglnie mamy:
x1 1 ) ( ~
(~ x2 2 ) x1 x2 ~
x1 1 ( ~
x2 2 ) .
Zatem:
x1 x2 ~ x2 (1 2 ) ,
x1 ~
gdzie:
1, 2 s maksymalnymi bdami bezwzgldnymi.
Ponadto:
d bitw przeznacza si na reprezentacj mantysy,
t-d-1 bitw przeznacza si na reprezentacj cechy.
14 Metody numeryczne w przykadach
Przykad 1.3.
Niech d = 5 , x = 0.66.
Wyznaczajc reprezentacj dwjkow liczby x, po piciu krokach
otrzymujemy:
x=0. 66
1 32
0 64
1 28
0 56
1 12
Przykad 1.4.
Dzielenie dwch liczb wymiernych prowadzi czsto do koniecznoci
zaokrglenia powstaej w wyniku dzielenia liczby niewymiernej,np.:
1
3 0.333333... 0.333333 ,
1
6 0.666666... 0.166667 .
Przykad 1.5.
Rozwamy dodawanie a+b+c z siedmiocyfrowymi mantysami dla:
a 0.1234567 100 , b 0.4711325 104 , c -b.
Obliczenia wykonamy zmieniajc kolejno oblicze zmiennopozy-
cyjnych:
a) fl (a fl (b c)) ,
b) fl ( fl (a b) c) .
Ad a)
fl (b c) 0,
fl (a fl (b c)) a 0.1234567 10 0.
Ad b)
a 0.0000123 4567104
+ b 0.4711325 104
fl(a+b) 0.4711448 104
+c -0.4711325 104
fl(fl(a+b)+c) 0.0000123 104
Otrzymujemy:
fl (a fl (b c)) 0.1234567 100.
fl ( fl (a b) c) 0.0000123 104 0.1230000 100.
1. Bdy oblicze numerycznych 17
Przykad 1.6.
Bd wynikacjcy z niewystarczajco duej mantysy mona pokaza na
przykadzie obliczania sumy dwch liczb:
a = 231 000 000.0
b = 0.000 000 384
a+b = 231 000 000.000 000 384
Jeli dugo mantysy wynosi np. 10 cyfr znaczcych, to dla
dodawania zmiennopozycyjnego otrzymamy:
fl(a+b) = 231 000 000.0
czyli:
fl(a +b) = a (!!!).
Przykad 1.7.
Dla danych a, b obliczy warto wyraenia w=a2-b2,. Zakadamy, e
mantysa jest reprezentowana na d bitach oraz bdy reprezentacji
wynosz i 2 d .
Obliczenia wykonamy dwoma algorytmami.
18 Metody numeryczne w przykadach
Algorytm 1
Obliczamy kolejno: x=a*a, y=b*b, w=x-y.
Przykad 1.8.
1
xn
Obliczy dla n = 0,1,..,15 caki: yn dx .
0
x5
Zauwamy, e:
1 n 1 n 1
x 5xn 1 x ( x 5) xn 1 1
yn 5yn 1 dx dx .
0
x 5 0
x 5 n 0 n
Otrzymujemy wobec tego wzr rekurencyjny:
1
yn 5yn 1 ,
n
na podstawie ktrego zbudujemy dwa algorytmy. Oba algorytmy
zaimplementowano w jzyku C a przykadowe obliczenia realizowano
z zastosowaniem reperezentacji zmiennopozycyjnej pojedynczej precyzji
(wartoci rzeczywiste reprezentowane na 4 bajtach).
Algorytm 1
Korzystajc z wzoru:
1
yn 5yn 1 ,
n
mamy:
1
dx
y0 ln( x 5) ln 6 ln 5 0.182 32156.
1
0
x 5 0
20 Metody numeryczne w przykadach
Przyjmujc y0 0182321556
. , obliczamy kolejno:
y1 1 5 y0 0.0884 ,
y2 1 / 2 5 y1 0.0580 ,
y3 1 / 3 5 y2 0.0431 ,
....................
y10 1 / 9 5 y9 0.0040 ,
y11 1 / 10 5 y10 0.3071 (wynik bdny warto caki oznaczonej
ujemna?).
Nastpnie obliczamy:
1 1
y15 y16 0.0113 ,
5 16 5
y14 0.0120 ,
y13 0.0129 ,
...................
y0 0.18232156 (wynik poprawny).
W przypadku algorytmu 1 mamy do czynienia z niestabilnoci
numeryczn, bowiem mae bdy popeniane na pewnym etapie oblicze
rosn w nastpnych etapach i istotnie znieksztacaj ostateczne wyniki
(nawet co do znaku!).
2.1.Wstp
W metodach numerycznych wiodc rol odgrywaj operacje
macierzowe. Celowym jest wobec tego przypomnienie niezbdnych poj
i definicji zwizanych z algebr liniow [1].
W zastosowaniach matematyki do rozmaitych zagadnie naukowych
bardzo czsto wykorzystuje si najprostszy typ operatorw - operatory
liniowe.
Oznaczmy pewn dan macierz kwadratow jako A. Podstawowymi
problemami algebry liniowej bd:
rozwizanie ukadu rwna Ax = b,
rozwizanie zadania wasnego, czyli okrelenie wartoci wasnych
k i wektorw wasnych x k takich, e Ax k k x k dla
k = 1,2,...,n.
1 0 ... 0
0 1 ... 0
In diag (1,1,...,1) ( ij ) , (2.5)
... ... ... ...
0 0 0 1
gdzie ( ij ) jest symbolem (delt) Kroneckera:
0 dla i j,
ij (2.6)
1 dla i j.
Macierz jednostkow czsto okrela si samym symbolem I.
Wektor:
y c1x1 c2 x 2 ... ck x k ,
nazywany jest kombinacj liniow wektorw x 1 , x 2 ,..., x k .
Wektory te s nazywane liniowo niezalenymi, jeli rwno:
c1x1 c2 x 2 ... ck x k 0
zachodzi tylko pod warunkiem, e c1 c2 ... ck 0 .
W przeciwnym wypadku wektory te okrela si jako liniowo zalene.
Zbir wszystkich moliwych kombinacji liniowych wektorw
x 1 , x 2 ,..., x k nazywa si podprzestrzeni liniow Rk w Rn . Mwi si, e
podprzestrze ta jest rozpita na wektorach x 1 , x 2 ,..., x k .
W przestrzeni Rn istnieje co najwyej n wektorw liniowo
niezalenych. Dowolny zbir n takich wektorw: y1 , y 2 ,..., y n tworzy
baz przestrzeni Rn .
Kady wektor x z Rn mona wic wyrazi jako:
x 1y1 2 y 2 ... n y n , (2.18)
gdzie 1 , 2 ,..., n nazywa si wsprzdnymi tego wektora wzgldem
bazy y1 , y 2 ,..., y n .
Jako najprostszy przykad bazy w Rn mona rozpatrzy n kolumn
macierzy jednostkowej I (e1 , e 2 ,..., e n ) .
Dowoln macierz A mona uwaa za zbudowan z wektorw
kolumnowych lub wierszowych:
A (a1 , a2 ,..., an ), A (a1T , aT2 ,..., aTm )T , (2.19)
Z zalenoci Ax x wynika, e:
( A cI)x ( c)x ,
A 2 x 2 x , (2.25)
1
A 1x x dla 0 .
Oznacza to, e macierze o postaci A n maj wartoci wasne n ,
a macierz A cI - wartoci wasne c .
Oglnie, jeli P( z) a0 z n a1 z n1 ...an , to macierz P(A) ma
wartoci wasne P().
x
max xi dla p (norma maksymalna) (2.28)
i
xy x y .
A A , (2.30)
AB A B ,
AB A B .
3.1. Wstp
Wiele zjawisk fizycznych jest opisywanych przez funkcje, ktrych
postaci nie znamy, ale potrafimy obliczy lub zmierzy wartoci tych
funkcji oraz ich pochodnych dla okrelonych wartoci argumentu. Na
przykad, moemy dysponowa zbiorem pomiarw wartoci pewnych
parametrw uzyskanych w okrelonych chwilach czasowych.
Interpolacj nazywamy postpowanie prowadzce do znalezienia
wartoci pewnej funkcji f(x) w dowolnym punkcie przedziau (x0, xn) na
podstawie znanych wartoci tej funkcji w punktach x0, x1, ..., xn, zwanych
wzami interpolacji (x0 < x1 < ... < xn) [1, 4, 8, 9, 10].
Postpowanie prowadzce do znalezienia wartoci funkcji f(x)
w punkcie lecym poza przedziaem (x0, xn) nazywamy ekstrapolacj.
Interpolacj lub ekstrapolacj stosujemy najczciej w nastpujcych
przypadkach:
gdy nie znamy samej funkcji f(x), a tylko jej wartoci w pewnych
punktach (tak przewanie bywa w naukach dowiadczalnych);
gdy obliczanie wartoci pewnej funkcji F(x) bezporednio
z okrelajcego j wzoru nastrcza zbyt due trudnoci
rachunkowe; wtedy zastpujemy j prostsz funkcj f(x), o ktrej
zakadamy, e w punktach x0, x1, ..., xn ma te same wartoci co
funkcja F(x); w tym przypadku F(x) nazywamy funkcj
interpolowan, za f(x) funkcj interpolujc (rys. 3.1).
- funkcja interpolujca
y=F(x)
y=f (x)
F(x 1)
F(x 2)
F(x 0 )
x0 x1 x2 ....... xk . . . . . . . . . . xn x
Twierdzenie 3.1.
Istnieje dokadnie jeden wielomian interpolacyjny, ktry w punktach
x0, x1, ..., xn przy zaoeniu, e spenia warunki
interpolacji (3.1).
3. Interpolacja i aproksymacja 37
(3.3)
{
Przyjmujc oznaczenia:
k (x) = (x - x0 )(x - x1 )...(x - xn ),
n ( x j ) - warto pochodnej wielomianu n (x) w punkcie xj bdcym
zerem tego wielomianu,
wielomian interpolacyjny Wn(x) mona zapisa w postaci:
n
n ( x)
Wn ( x) y j . (3.8)
j 0 ( x x j )n' ( x j )
Wzr (3.7) nazywamy wzorem interpolacyjnym Lagrangea opartym
na wzach x0, x1, ..., xn. Wielomian ten jest wielomianem stopnia co
najwyej n i jest jednoznacznym rozwizaniem zadania interpolacyjnego
dla dowolnego wyboru n+1 rnych wzw interpolacji.
Przykad 3.1.
Znale wielomian interpolacyjny Lagrangea, ktry w punktach:
-2, -1, 0, 2 przyjmuje odpowiednio wartoci 0, 1, 1, 2.
Obliczy take przyblion warto funkcji danej powyszymi
wartociami w punkcie x=1.
3. Interpolacja i aproksymacja 39
Twierdzenie 3.3.
Jeli y0, y1, ..., yn s wartociami wielomianu stopnia n, to iloraz
rnicowy rzdu n+1 jest tosamociowo rwny zeru tzn. :
[x, x0, x1, ... , xn] 0. (3.9)
42 Metody numeryczne w przykadach
Przykad 3.2.
Znale wielomian interpolacyjny Newtona, ktry w punktach:
-2, -1, 0, 2, 4 przyjmuje odpowiednio wartoci -1, 0, 5, 99, -55.
3. Interpolacja i aproksymacja 43
Przykad 3.3.
Wyznacz przyblion warto funkcji f(x) stosujc interpolacj Newtona
w punkcie x=3. Wzy interpolacji to: -4, -3, -1, 0, 2, 4 a wartoci funkcji
w tych punktach wynosz odpowiednio: 2, -1, -37, -58, 464, -3382.
c
m 0
m z km f ( x k ), dla k = 0, 1, ..., n,
jxk
gdzie zk = e .
Macierz tego ukadu jest macierz Vandermonde'a i jest nieosobliwa,
gdy jej wyznacznik (3.4) nie zeruje si na mocy zaoenia, e wzy xk s
rne. Zatem zadanie interpolacyjne ma jednoznaczne rozwizanie.
poniewa:
n n 2k
j ( l m )
jlx
(e , e jmx
) e jlxk
e jmxk
e n 1
k 0 k 0
e j ( l m ) 2 1 (3.15)
2
0 dla l m,
e j ( l m ) n 1 1
n 1 dla l m.
Z tej wasnoci wynika kolejne twierdzenie.
Twierdzenie 3.5.
Wspczynniki wielomianu trygonometrycznego (3.11) interpolujcego
funkcj f, opartego na wzach (3.13) s rwne:
( f , e jmx ) 1 n
cm
n 1
f ( xk )e jmxk .
n 1 k 0
(3.16)
Twierdzenie 3.6.
Trygonometryczny wielomian interpolacyjny funkcji f, oparty na wzach
(3.13) moe by przedstawiony w nastpujcej postaci:
p
1 1
Fn ( x ) a0 (am cos mx bm sin mx) + a p1 cos( p + 1) x (3.17)
2 m 1 2
przy czym:
dla n parzystego p=0.5n;
dla n nieparzystego =1, p=0.5(n-1),
wspczynniki am oraz bm maj posta:
2 n
am f ( xk ) cos mxk ,
n 1 k 0
m 0,1,2,..., p,
(3.18)
2 n
bm f ( xk ) sin mxk ,
n 1 k 0
m 1,2,..., p.
Przykad 3.4.
Znale trygonometryczny wielomian interpolacyjny F4(x) przechodzcy
przez wzy interpolacji (3.13) i dla n = 4 przybliajcy funkcj dan
w postaci dyskretnych wartoci f0 = f1 = f2 =0, f3 = f4 =1.
Zgodnie ze wzorem (3.17) dla p=0.5, n = 2 mamy:
2
1
F4 ( x ) a0 ( a m cos mx bm sin mx) =
2 m 1
1.20
0.80
0.40
0.00
-0.40
przy czym x x j 1 , x j , h j x j x j 1 .
Cakujc stronami (3.22) otrzymujemy:
( x j x)2 ( x x j 1 ) 2
S ( x ) M j 1 Mj Aj ,
2h j 2h j
( x j x)3 ( x x j 1 ) 3
S ( x ) M j 1 Mj A j ( x x j 1 ) B j , (3.23)
6h j 6h j
gdzie Aj , Bj s staymi. Nakadajc na S(x) warunki interpolacji:
h 2j
S ( x j 1 ) M j 1 B j y j 1 ,
6
h 2j
S(x j ) M j Aj h j B j y j ,
6
wyznaczamy stae Aj i Bj:
h 2j
B j y j 1 M j 1 ,
6
(3.24)
y j y j 1 hj
Aj ( M j M j 1 ).
hj 6
i nakadamy warunek:
S ( x j 0) S ( x j 0) , j = 1, 2, ..., n-1. (3.26)
3. Interpolacja i aproksymacja 53
gdzie:
h j 1
j ,
h j h j 1
j 1 j,
6 y j 1 y j y j y j 1
dj 6[ x j 1 , x j , x j 1 ].
h j h j 1 hj h j 1
1
3 h 3 3h 2 ( x j 1 x) 3h( x j 1 x) 2 3( x j 1 x) 3 , x x j ; x j 1 ,
h
( x j 2 x) , x x j 1 : x j 2 ,
3
x j 2 x j 1 xj x j 1 x j 2
( x)
3
j
0 1 4 1 0
( ( x ) )
3
j
0 3/h 0 -3/h 0
2 2 2
( 3j ( x ) ) 0 3/h -12/h 6/h 0
Twierdzenie 3.7.
Funkcje i3 ( x) , i = -1, 0, 1, ..., n+1, okrelone na przedziale <a, b>
stanowi baz przestrzeni funkcji sklejanych trzeciego stopnia. Kad
funkcj S(x) mona przedstawi w postaci kombinacji liniowej:
n 1
S ( x ) ci i3 ( x ),a x b , (3.31)
i 1
Przykad 3.5.
Majc dane wzy interpolacyjne jak w tabeli 3.5, znale szecienn
funkcj sklejan.
i 0 1 2 3
xi 1 3 5 8
yi 2 4 7 9
Przykad 3.6.
Zastosowa interpolacj funkcj sklejan trzeciego stopnia do
aproksymacji charakterystyki prdowo-napiciowej diody tunelowej,
3. Interpolacja i aproksymacja 57
Rys. 3.3. Wyniki interpolacji funkcj sklejan dla danych z przykadu 3.6.
58 Metody numeryczne w przykadach
3.5. Aproksymacja
3.5.1. Sformuowanie zagadnienia aproksymacji
Zadanie aproksymacyjne moe by sformuowane bardzo rnie.
W klasycznym przypadku dla danej funkcji f spord funkcji ustalonej
klasy poszukuje si funkcji F (te ustalonej klasy), ktra w okrelonym
sensie najlepiej przyblia f.
Innym zadaniem jest wyznaczenie, moliwie niskim kosztem,
przyblienia F funkcji f z zadan dokadnoci. Mona rwnie stawia
problem aproksymacji nie jednej, ale caej klasy funkcji, funkcjami innej
klasy. Rozwizania tak rnie postawionych zada s oczywicie rne,
nie istnieje wic jedna optymalna aproksymacja [1, 4, 5, 8, 9, 10].
Funkcj f(x), znan lub okrelon tablic wartoci, bdziemy
aproksymowa (zastpowa) inn funkcj F(x), zwan funkcj
aproksymujc lub przyblieniem funkcji f(x). Oczywicie przyblienie
takie powoduje powstanie bdw aproksymacji.
Niech f(x) bdzie funkcj, ktr chcemy aproksymowa, X - pewn
przestrzeni liniow unormowan (tzn. okrelona jest w niej funkcja
nazywana norm) za Xm+1 (m+1)-wymiarow podprzestrzeni liniow
przestrzeni X.
Aproksymacja funkcji f(x) polega na wyznaczeniu takich
wspczynnikw a0, a1, a2, ..., am funkcji:
F ( x) a0 0 ( x) a11 ( x) ... am m ( x) ,
aby speniaa ona pewne warunki (np. minimalizowaa norm rnicy
||f(x) - F(x)||), przy czym 0, 1, ..., m s funkcjami bazowymi m+1
wymiarowej podprzestrzeni liniowej Xm+1.
Wybr odpowiedniej podprzestrzeni Xm i zwizanej z ni bazy (funkcji
bazowych k (x)) jest zagadnieniem istotnym ze wzgldu na numeryczny
koszt rozwizania i bdy zaokrgle.
Czsto obieran podprzestrzeni Xm+1 jest:
podprzestrze funkcji trygonometrycznych z baz:
1, sin x, cos x, sin 2x, cos 2x, ..., sin kx, cos kx,
szczeglnie przydatna, gdy aproksymowana funkcja f(x) jest
funkcj okresow;
podprzestrze wielomianw stopnia co najwyej m z baz
jednomianw:
1, x, x2, x3, ..., xm.
3. Interpolacja i aproksymacja 59
y = f(x)
- funkcja dana tablic wartoci - f(x)
f(x) - funkcja aproksymujca - F(x)
F(x)
gdzie w(x) jest cig nieujemn funkcj wagow, dodatni poza zbiorem
miary zero.
Natomiast dla funkcji f(xi), danej na dyskretnym zbiorze argumentw,
poszukujemy minimum sumy (metoda najmniejszych kwadratw):
n
F x f x wxi F xi f xi ,
2 2
(3.36)
i 0
przy czym w(xi) jest funkcj wagow tak, e w(xi) 0 dla i = 0, 1, ..., n.
y = f(x)
gdzie w(x) jest ustalon z gry funkcj wagow tak, e w(xi) 0 dla
i = 0, 1, 2, ..., n, za Ri jest odchyleniem w punkcie xi . Najczciej
przyjmuje si, e funkcja wagowa w(x) ma sta warto, rwn
tosamociowo jednoci, mona jednak dobra inn funkcj wagow (np.
jeeli wartoci funkcji f(x) w pewnych punktach znane s z mniejszym
bdem, to w celu otrzymania lepszego przyblienia przyjmuje si w tych
punktach wiksze wartoci funkcji wagowej).
W celu znalezienia takich wspczynnikw ak, dla ktrych funkcja H
osiga minimum, obliczamy pochodne czstkowe wzgldem zmiennych
ak i przyrwnujemy je do zera:
H
0 k 0,1,2,..., m .
ak
Otrzymujemy ukad m+1 rwna z m+1 niewiadomymi ak,
k = 0, 1, 2, ..., m:
H
2 wx j f x j ai i x j k x j 0 ,
n m
(3.40)
ak j 0 i 0
zwany ukadem normalnym. Poniewa funkcje j (x) tworz baz
przestrzeni Xm, zatem wyznacznik ukadu (3.40) jest rny od zera
i jednoznaczne rozwizanie tego ukadu zapewnia minimum funkcji H.
W zapisie macierzowym ukad (3.40) przyjmuje posta:
DTDA=DTf, (3.41)
gdzie:
0 x0 ...... ...... m x0 a0 f x 0
x ...... m x1 a1 f x1
D 0 1
......
, A . , f
............... ...... ...... .............. : . .
. :.
0 xn ...... ...... m x n a m f x n
Macierz wspczynnikw ukadu jest macierz symetryczn i dodatnio
okrelon, co zapewnia jednoznaczno rozwizania.
Ukad (3.40) lub (3.41) powstaje z rwnania (3.37) po podstawieniu
wartoci punktw wzowych xi , i = 0, 1, 2, ..., n. Otrzymujemy wwczas
nadokrelony ukad n+1 rwna z m+1 niewiadomymi DA = f, z ktrego
po pomnoeniu (lewostronnie) przez DT dochodzi si do (3.41).
3. Interpolacja i aproksymacja 63
j 0
f x j
i 0
ai x ij x kj 0 k 0,1,2,..., m ,
lub po przeksztaceniu:
n m n
j 0
f ( x j ) x kj ai xij k
i 0 j 0
k = 0, 1, 2, ..., m. (3.42)
Oznaczajc:
gik xij k , k f x j x kj ,
n n
j 0 j 0
a g
i 0
i ik k k 0,1,2,..., m (3.43)
lub:
a0 n 1 a1 x j ... am x mj f x j
a0 x j a1 x 2j ... a m x mj1 f x x j j
a0 x 2j a1 x 3j ... a m x mj2 f x x j
2
j
.
............ ................ ... ................. .... .................
a0 x j a1 x mj1
m
... a m x 2j m f x j x mj
gdzie wszystkie sumowania wykonywane s od j=0 do j=n.
Przykad 3.7.
W tabeli 3.5 dane s wyniki pewnych pomiarw. Metod najmniejszych
kwadratw znale funkcj liniow, ktra najlepiej aproksymuje podane
dane.
j 0 1 2 3 4 5 6 7
xj 1 3 4 6 8 9 11 14
f(xj) 1 2 4 4 5 7 8 9
j 0 j 0
f ( x j ) a0 a1 x j 2
7
j 0
a1
j 0 i 0
66 Metody numeryczne w przykadach
a drugie:
(1 a0 1 a1 ) 1 ( 2 a0 3 a1 ) 3 (4 a0 4 a1 ) 4
( 4 a0 6 a1 ) 6 (5 a0 8 a1 ) 8 (7 a0 9 a1 ) 9
(8 a0 11 a1 ) 11 (9 a0 14 a1 ) 14 0
Przykad 3.8.
Dla danych z tabeli 3.6 znale metod najmniejszych kwadratw funkcj
postaci:
.
xi 1 4 9 25 36
yi -6 -9 -12 -18 -21
( ) ( ) ,
( ) ,
( ) ( )
.
Ostatecznie otrzymujemy ukd rwna postaci:
5a0 17a1 66
.
17a0 75 a1 276
Rozwizaniem ukadu s liczby a0 = 3 i a1 = 3 czyli szukana funkcja
ma posta:
.
Przykad 3.9.
Dla danych dowiadczalnych z tabeli 3.7 znale metod najmniejszych
kwadratw krzyw typu hiperboli.
y=x/(ax+b)
y y=1/(ax+b)
y=a/x+b
1 .4 0
1 .2 0
punkty pomiarowe
1 .0 0 x
2 .4 0 2. 80 3. 20 3 .6 0 4 .0 0
, .
Przykadowo n par punktw pomiarowych indukcji magnetycznej
i natenia pola elektromagnetycznego (B1,H1), (B2,H2), ... (Bn,Hn) tworzy
dowiadczaln krzyw magnesowania. Stosujc metod najmniejszych
kwadratw mona znale funkcj:
H = a0 sh(a1B),
tak, aby zminimalizowa wyraenie:
n
S a0 , a1 wi H i a0sh(a1 Bi ) ,
2
(3.44)
i 1
a
0 i 1
i0 1 i
w a sh 2
( a B )
i 1
wi H i sh(a1 Bi ) 0
. (3.45)
S w H B ch( a B ) a
n n
a1 i 1
i i i 1 i 0 wi Bi sh(a1 Bi )ch( a1 Bi ) 0
i 1
w H sh(a B )
i i 1 i
a0 i 1
n
, (3.46)
w sh
i 1
i
2
( a1 Bi )
w H a0sh(a1 Bi )
2
n
S wzgl a0 , a1 i i . (3.48)
i 1 Hi
Podobnie jak w przypadku bdu bezwzgldnego, uzyskuje si
rwnanie z niewiadom a1.
W przypadku aproksymacji redniokwadratowej funkcji f(x) cigej na
przedziale <a, b> poszukuje si funkcji:
F x a00 x a11 x ... amm x ,
a
2
m
b
wx ai i x f x dx.
a i 0
Rozwizanie tego ukadu wyznaczy poszukiwan funkcj
aproksymujc.
Przykad 3.10.
Znale aproksymacj dowiadczalnej krzywej magnesowania obwodu
magnetycznego dla danych zestawionych w tabeli 3.8, za pomoc funkcji
sinus hiperboliczny.
Twierdzenie 3.9.
Wielomiany ortogonalne Pk (k = 0, 1, ..., n) speniaj zaleno:
P1 ( x ) 0,
P0 ( x ) a0 , (3.51)
Pk ( x ) ( k x k ) Pk 1 ( x ) k Pk 2 ( x ), k 1,2,..., n.
gdzie:
ak xP , P
k 0, k k k 1 k 1 ,
a k 1 Pk 1 , Pk 1
(3.52)
a Pk 1 , Pk 1
k k , k 0,
ak 1 Pk 2 , Pk 2
ak oznaczaj wspczynniki wielomianu Pk (x) = ak xk + ... .
Z definicji k - ty wielomian ortogonalny Pk jest dokadnie stopnia k,
zatem jego wspczynnik ak0. Jeli k a k / a k 1 , to Pk -k Pk-1(x) jest
wielomianem stopnia k-1 i mona go przedstawi w postaci:
k 1
Pk k xPk 1 bi Pi . (3.53)
i 0
Twierdzenie 3.10.
Niech Pn n 0 bdzie ciagiem wielomianw ortogonalnych w przedziale
(a,b) z wag p. Wwczas wielomian Pn, n=1,2, ... ma n zer rzeczywistych,
pojedynczych, lecych w przedziale (a,b).
Twierdzenie 3.11.
W przypadku wielomianw ortogonalnych ukad rwna w aproksymacji
redniokwadratowej sprowadza si do macierzy diagonalnej.
Wielomiany Legendre'a
Wielomiany Legendre'a s zdefiniowane wzorami:
1 dk 2
P0 ( x ) 1, Pk ( x ) ( x 1) dla k 1,2,... , (3.56)
2 k k! dx k
i tworz one cig wielomianw ortogonalnych na przedziale [-1, 1]
z funkcj wagow p(x)=1 oraz speniaj zaleno rekurencyjn:
2k 1 k 1
P0 ( x ) 1, Pk ( x ) xPk 1 ( x ) Pk 2 ( x ) dla k 1,2,... (3.57)
k k
Korzystajc z (3.57) mona pokaza, e:
1 k / 2 k 2k 2i k 2i
Pk x 1i x . (3.58)
2k i 0 i k
Ponadto:
1
P x dx 2k 1 .
2
2 2
Pk k (3.59)
1
3. Interpolacja i aproksymacja 77
Wielomiany Hermite'a
Wielomiany Hermite'a s okrelone wzorem:
d k x2
H 0 x 1, H k x 1 e e dla k 1,2,...
x2
k
(3.60)
dx k
lub w postaci jawnej:
H k x k! 1
2x
k / 2 k 2 i
.
i
(3.61)
i 0 i! k 2i !
Tworz one cig wielomianw ortogonalnych w przestrzeni
L p(-,+), z funkcj wagow p( x) e x .
2
2
e P x dx 2 k k!
x2
2 2
Hk k (3.63)
Wielomiany Grama
Jeli w przestrzeni l2p,N, punkty x1, x2, ..., xN , pooone s w rwnej
odlegoci (bez zmniejszenia oglnoci mona zaoy, e le one
w przedziale [-1, 1], czyli:
2i 1
xi 1,
N 1
za wagi p(xi) s rwne jednoci, to cigiem wielomianw
ortonormalnych na zbiorze dyskretnym {x1, x2, ..., xN }, a wic
ortonormalnych w l2p,N, s wielomiany Grama G0, G1, ..., GN-1:
0 dla k l
Gk , Gl Gk xi , Gl xi
N
k , l 0,1,...,n .
i 1 1 dla k l
Speniaj one zaleno rekurencyjn:
1
G 0 ( x) ,
N
78 Metody numeryczne w przykadach
Wielomiany Czebyszewa
Wielomiany Czebyszewa pierwszego rodzaju s zdefiniowane wzorem:
T ( x)
k
x
k
x2 1 x x2 1
k
T x
cos t j sin t cos t j sin t
k k
cos kt, j 1 ,
k (3.66)
2
a zatem:
Tk x cos(k arccos x) . (3.67)
Z (3.67) oraz z tosamoci trygonometrycznej:
cos kt + cos(k-2)t = 2cos t cos(k-1)t,
wynika zaleno rekurencyjna dla wielomianw Czebyszewa:
T0 x 1, T1 x x, Tk x 2 xTk 1 x Tk 2 x , k 2,3,.... (3.68)
atwo sprawdzi, e dla |x| > 1 wielomiany Czebyszewa speniaj
take rwno (3.68).
3. Interpolacja i aproksymacja 79
Mamy wic:
T0 (x) = 1,
T1 (x) = x,
T2 (x) = 2x2 1,
T3 (x) = 4x3 - 3x,
T4 (x) = 8x4 - 8x2 + 1,
... itd.
Przykad 3.11.
Zanalizowa wartoci wielomianw stopnia 10 przybliajcych funkcj
1
f ( x) na siatce:
25x 2 1
2k
a) wzw rwnoodlegych x k 1 , k = 0, 1, ..., 10,
10
2k 1
b) wzw Czebyszewa x k cos , k = 0, 1, ..., 10.
11 2
Wyniki oblicze s zestawione w tabeli 3.9 i przedstawione na rys. 3.9.
80 Metody numeryczne w przykadach
Tabela 3.9. Wartoci wielomianw aproksymujcych z przykadu 3.11
F1(x) 1.8
F2(x)
1.6
1.4 f (x)
1.2
1.0
0.8
0.6
0.4
0.2
x
0.0
-0.4
xi -2 -1 1 3 4
fi -90 -80 72 80 -180
Odp.
,
f(0) 16,
f(7) nie mona interpolowa w punkcie x=7, gdy ley on poza
zakresem wzw.
82 Metody numeryczne w przykadach
Zadanie 3.2.
Dla danych z tabeli 3.11 obliczy, wykorzystujc wielomian
interpolacyjny Lagrangea, przyblion warto funkcji w punktach 2, -1.
xi -3 0 1 4 5
fi 1344 120 96 -252 -320
Odp.
,
f(2) 34, f(-1) 208.
Zadanie 3.3.
Dla danych z tabeli 3.12 wyznaczy tablic ilorazw rnicowych
wykorzystywanych w interpolacji Newtona.
xi -3 -1 1 2 3
fi 1 -5 5 -14 -161
Odp.
[x0,x1] = 3, [x1,x2] = 5, [x2,x3] = 19, [x3,x4] = 147,
[x0,x1,x2] = 2, [x1,x2,x3] = 8, [x2,x3,x4] = 64,
[x0,x1,x2,x3] = 2, [x1,x2,x3 x4] = 2,
[x0,x1,x2,x3,x4] = 2.
Zadanie 3.4.
Dla danych z tabeli 3.13 wyznaczy wielomian interpolacyjny Newtona
i obliczy przyblion warto funkcji w punktach 1 oraz -1.
xi -4 -2 0 2 5
fi -2 -4 -22 -152 1123
3. Interpolacja i aproksymacja 83
Odp.
,
f(1) 97,
f(-1) 13.
Zadanie 3.5.
Wyznaczy funkcj liniow, ktra w sensie metody najminiejszych
kwadratw aproksymuje dane z tabeli 3.14.
xi 1 2 3 6 9
fi -4 -6 -8 -14 -20
Odp. .
Zadanie 3.6.
Wyznaczy funkcj postaci y=a/x+b, ktra w sensie metody
najmniejszych kwadratw aproksymuje dane z tabeli 3.15.
Odp. .
Zadanie 3.7.
Sprawdzi, czy cig wielomianw:
jest cigiem wielomianw ortogonalnych na przedziale [-1,1] z funkcj
wagow
4.1. Wstp
W rozdziale tym przedstawimy metody skoczone oraz iteracyjne [1, 4, 5,
8, 9, 10] rozwizywania ukadw rwna liniowych postaci:
Ax = b, (4.1)
gdzie:
a11 a12 ... a1n
a a 22 ... a 2n
A jest macierz n x n,
21
b1
...
b danym wektorem,
b2
bn
x1
...
x szukanym rozwizaniem ukadu rwna liniowych (4.1).
x2
xn
. (4.3)
.................................................
a (1) x a (1) x ... a (1) x b (1)
n1 1 n2 2 nn n n
b( n )
bi( n ) a (n)
x
i ,k k
xn n( n ) , xi k i 1
(n)
, i n 1,...,1. (4.8)
ann a ii
Przykad 4.1.
Rozwiza metod eliminacji Gaussa z wyborem elementu
podstawowego w kolumnie ukad rwna:
{ .
88 Metody numeryczne w przykadach
Postpowanie proste
Na pocztek tworzymy macierz wspczynnikw 4x4 powikszon
o wektor wyrazw wolnych tego ukadu:
[ ].
[ ].
.
Wykonujemy pierwszy krok wedug powyszych wzorw (wiersz
pierwszy oczywicie nie ulega zmianie):
[ ].
.
W wyniku przeksztace opisanych powyszymi wzorami
otrzymujemy macierz:
[ ].
[ ],
Postpowanie odwrotne
Po wykonaniu trzech krokw eliminacji Gaussa otrzymalimy macierz
grn trjktn, dla ktrej naley przeprowadzi postpowanie odwrotne
zmierzajce do rozwizania tak otrzymanego ukadu rwna:
{ .
90 Metody numeryczne w przykadach
Przykad 4.2.
Metod eliminacji Gaussa z wyborem elementu podstawowego w wierszu
rozwiza ukad rwna:
{ .
[ ].
Postpowanie proste
Krok pierwszy
Chcemy zastosowa wybr elementu podstawowego w wier-
szu - w pierwszym kroku naley wybra element najwikszy co do
moduu z wiersza pierwszego. W naszym przykadzie jest to element
a13=5, ktry stoi w kolumnie trzeciej, dlatego zamieniamy kolumn 1
z kolumn 3.
4. Metody rozwizywania ukadw rwna liniowych 91
[ ].
i po obliczeniach uzyskujemy macierz:
[ ].
Krok drugi
Element najwikszy co do moduu z wiersza drugiego jest to element
a23=7, ktry stoi w kolumnie trzeciej, dlatego zamieniamy kolumn 2
z kolumn 3. Macierzpo zamianie ma posta:
[ ].
i uzyskujemy macierz:
[ ].
92 Metody numeryczne w przykadach
Krok trzeci
Element najwikszy co do moduu z wiersza trzeciego jest to element
a34=3, ktry stoi w kolumnie czwartej, dlatego zamieniamy kolumn 3
z kolumn 4.
Macierz po zamianie ma posta:
[ ].
Wyznaczamy mnonik:
i ostatecznie otrzymujemy macierz:
[ ].
Postpowanie odwrotne
Zamiana kolumn pociga za sob zamiany w wektorze rozwiza:
wyjciowa sytuacja dla numerw zmiennych to: [1, 2, 3, 4];
pierwsza zamiana dotyczya kolumn 1 i 3: [3, 2, 1, 4];
druga zamiana dotyczya kolumn 2 i 3: [3, 1, 2, 4];
trzecia zamiana dotyczya kolumn 3 i 4: [3, 1, 4, 2].
Dla takiej kolejnoci w wektorze zmiennych wykonujemy
postpowanie odwrotne:
{ .
Przykad 4.3.
Metod eliminacji Gaussa bez wyboru elementu podstawowego
rozwiza podany ukad rwna:
{ .
[ ].
Krok pierwszy
Dokonujemy oblicze:
,
i otrzymujemy macierz:
[ ].
, (4.9)
.................................................
a (1) x a (1) x ... a (1) x b (1)
n1 1 n2 2 nn n n
postaci:
x1 a12( 2)
x2 ... a1(n2 ) xn b1( 2 )
( 2)
a 22 x2 ... a 2( 2n) xn b2( 2 )
. (4.11)
.....................................
a n( 22) x2 ... a nn
(2)
xn bn( 2 )
Nastpnie drugie rwnanie dzielimy obustronnie przez a 22
(2)
i od i-tego
wiersza (i=1,3,4,...,n), odejmujemy wiersz drugi pomnoony przez ai(22 ) ,
otrzymujc ukad:
A ( 3) x b ( 3) , (4.12)
4. Metody rozwizywania ukadw rwna liniowych 95
postaci:
x1 + a13 (3)
x3 a1(3)n xn b1(3)
x2 + a23 x3 a2 n xn b2
( 3) ( 3) ( 3)
(4.13)
..........................................
a n( 33) x3 ann
( 3)
xn bn( 3)
Po n-1 eliminacjach otrzymuje si ukad o macierzy diagonalnej:
x1 b1(n)
x2 b2( n )
(4.14)
...................
xn bn( n )
a zatem ju gotowe rozwizanie.
Metoda ta zwana metod eliminacji Jordana lub metod eliminacji
zupenej wymaga wykonania okoo ptora raza wicej dziaa, ni
w przypadku metody eliminacji Gaussa. Liczba zajtych komrek
pamici jest taka sama. Aby nie wystpio dzielenie przez zerowy element
aii(i 1) , naley zastosowa odpowiedni wybr elementu podstawowego.
Zalet redukcji Gaussa-Jordana jest moliwo rozwizywania ukadu
rwna obcitego do k pocztkowych rwna i k niewiadomych
(w przypadku, gdy dokonujemy redukcji bez wyboru elementw
podstawowych). Metoda ta umoliwia ponadto rozwizywanie ukadu
rwna przy oszczdniejszym wykorzystaniu pamici operacyjnej, co
pozwala na rozwizywanie ukadw o wikszej liczbie zmiennych.
Istotn wad jest tu jednak duy nakad oblicze, ktry nie ulega
zmniejszeniu podczas ponownego rozwizywania ukadu rwna przy
zmienionej prawej stronie ukadu wektora b (4.9).
4.2.3. Rozkad LU
W wielu zagadnieniach numerycznych dotyczcych macierzy
kwadratowych A, poszukujemy takich macierzy trjktnych L i U
(zobacz wzr 2.10), by: A=LU (jest to tzw. rozkad trjktny, albo
rozkad LU). Metoda eliminacji Gaussa umoliwia wyznaczenie takiego
rozkadu.
96 Metody numeryczne w przykadach
Ukad:
Ax=b
jest rwnowany ukadowi:
LUx=b,
ktry rozpada si na dwa ukady trjktne:
Ly=b
i
Ux=y.
Znajc czynniki L i U mona rozwiza ukad Ax=b kosztem
2n / 2 n2 operacji (eliminacja Gaussa wymaga natomiast n3 / 3
2
operacji).
Niech A bdzie macierz wymiaru n x n i niech A k oznacza macierz
k x k, utworzon z elementw pocztkowych k wierszy i kolumn z A.
Jeli det(A k ) 0 (k=1,2,...,n-1), to istnieje jedyny rozkad A=LU na
czynniki takie, e:
macierz L lij jest macierz dolnie trjktn i ma elementy
lii 1 (i=1,...,n)
macierz U uij jest macierz grnie trjktn.
Zauwamy ponadto, e macierz U jest kocow macierz trjktn
otrzyman za pomoc eliminacji Gaussa. Aby otrzyma macierz L,
naley zachowa mnoniki mik aik( k ) / a kk( k ) , ktre okrela si w eliminacji
Gaussa (4.7a) tak, e aik( k 1) staje si zerem (mona wic na miejscu aik( k )
wpisa mik tak jak to pokazano na schemacie 4.15). Wtedy .
Nie trzeba te pamita jedynek z gwnej przektnej macierzy L, dlatego
nie jest potrzebna dodatkowa pami.
Efekt rozkadu LU macierzy A mona zobrazowa schematem:
a11 a12 ... a1,n 1 a1n u11 u12 ... u1,n 1 u1n
a a 22 ... a 2,n 1 a 2 n m21 u22 u2,n 1 u2 n
21
... ... ... ... ... ... . (4.15)
... ... ... ... ... ...
an1 a n 2 ... a n ,n 1 a nn mn1 mn 2 ... mn ,n 1 unn
4. Metody rozwizywania ukadw rwna liniowych 97
, (4.17)
.
Przykad 4.4.
Metod rozkadu LU rozwiza ukad rwna:
{ .
[ ].
.
Ostatecznie macierze L i U s postaci:
[ ], [ ].
{ [ ].
4. Metody rozwizywania ukadw rwna liniowych 99
{ [ ].
[ ].
Przykad 4.5.
Wykorzystujc rozkad Choleskiego rozwiza ukad rwna postaci:
{ .
[ ]
[ ] , [ ] , .
,
,
Macierz L ma zatem posta:
[ ].
{ [ ].
{ [ ].
[ ] .
Odbicia Householdera
Dla danego wektora o normie , odbicie
(macierz) Householdera definiujemy jako:
. (4.21)
Zauwamy, i:
, (4.22)
102 Metody numeryczne w przykadach
gdzie
{ (4.26)
(4.27)
oraz sign(t) oznacza znak liczby t.
Wspczynnik ze wzoru (4.24) ma warto:
. (4.27a)
Rozkad QR
Odbi Householdera mona uy do uzyskania rozkadu macierzy
na iloczyn ortogonalno-trjktny.
Twierdzenie 4.3
Kad macierz dla mn, ktrej czyli tak,
ktrej kolumny s liniowo niezalene, mona przedstawi w postaci:
, (4.28)
4. Metody rozwizywania ukadw rwna liniowych 103
[ ] (4.31)
[ ] (4.32)
[ ] (4.33)
i posta ostateczna:
[ ] (4.34)
postaci:
[ ]. (4.36)
[ ]. (4.37)
Wtedy:
[ ] (4.38)
Przykad 4.5a.
Wykorzystujc odbicie Householdera przeprowadzi wektor
[ ] na wektor [ ] .
, (4.42)
,
gdzie i = 1, ..., n, j = 1, ..., n.
1 1 1 2
Gdy L i U s znane, metoda wymaga n3 n3 n3 n3
6 6 3 3
3
operacji. Poniewa rozkad trjktny macierzy A wymaga n / 3 operacji,
to oglny koszt odwracania macierzy wynosi n 3 operacji.
Znajc (4.43) wyznaczamy cig x (i ) , i 1,2, ... kolejnych przyblie
rozwizania x A 1b ze wzoru:
x (i 1) Bx (i ) c, i 0,1,... (4.44)
Odejmujc stronami rwnanie (4.43) od rwnania (4.44) otrzymujemy:
x(i 1) x B(x(i ) x), i 01
, ,... (4.45)
a std:
x (i 1) x B(x (i ) x) BB(x (i 1) x)... Bi 1 (x ( 0) x), (4.46)
gdzie:
Bi 1 B B ... B (i 1 razy), i=0,1,... . (4.47)
Przechodzc do norm otrzymujemy oszacowania:
x (i 1) x Bi 1 (x ( 0) x) B (x ( 0) x) .
i+1
(4.48)
Przykad 4.6.
Rozkad przykadowej macierzy wedug wzoru (4.49) jest postaci:
1 2 3 0 0 0 1 0 0 0 2 3
4 5 6 4 0 0 0 5 0 0 0 6 .
7 8 9 7 8 0 0 0 9 0 0 0
Rozwizywany ukad Ax=b mona zapisa jako:
(L+D+U) x=b
a std:
Dx=-(L+U)x+b. (4.50)
Jeli macierz D jest nieosobliwa (jest tak np. w przypadku macierzy
symetrycznej dodatnio okrelonej) to moemy przej do ukadu
rwnowanego:
x BJ x c, (4.51)
gdzie:
B J D 1 (L U),
(4.52)
c D 1b.
Przeksztacajc rwnanie (4.50) zapisane w postaci:
Dx(i+1)=-(L+U)x(i)+b,
otrzymujemy:
k 1 n
akk xk( i 1) akj x (ji ) akj x (ji ) bk , k 1,2,..., n .
j 1 j k 1
Po dalszych przeksztaceniach dochodzimy do zalenoci:
n
a
j 1, j k
kj x (ji ) bk
xk( i 1) , dla akk 0, k 1,2,..., n. (4.53)
akk
Jako pocztkowe przyblienie wybiera si czsto wektor x(0)=0.
Warunek konieczny i dostateczny zbienoci jest speniony m.in. gdy
A jest nieredukowalna i diagonalnie dominujca.
Macierz A jest nieredukowalna, jeeli poprzez przestawienie wierszy
i kolumn nie mona jej sprowadzi do postaci blokowej grnej trjktnej.
110 Metody numeryczne w przykadach
Przykad 4.7.
Zgodnie z definicj macierz:
3 1 0
A 0 2 2
4 1 5
jest macierz diagonalnie dominujc, poniewa dla kadego i=1,2,3
3
zachodzi aii a
j 1, j i
ij .
T
Zamy, e znamy ju przyblienie x (i ) x1(i ) , x2(i ) ,..., xn(i ) . W metodzie
Gaussa-Seidla nastpne przyblienie x (i1) wyznacza si tak, aby jego
kolejne wsprzdne x k(i 1) , (k=1,2,...n) speniay rwnania:
ak1 x1( i 1) ... akk xk( i 1) ak ,k 1 xk(i)1 ... akn xn(i ) bk (4.54)
gdzie:
B GS ( L D) 1 U,
(4.56)
c ( L D) 1 b.
Warunkiem na to, eby macierz B GS bya dobrze okrelona, jest
niezerowo wszystkich elementw diagonalnych macierzy A.
Przeksztacajc rwnanie (4.54), otrzymujemy nastpujc zaleno
pomidzy wsprzdnymi kolejnych przyblie:
k 1 n
akj x (ji 1) a kj x (ji ) bk
j 1 j k 1
xk( i 1) , k 1,2,..., n. (4.57)
akk
Metoda Gaussa-Seidela, jako ulepszenie metody Jacobiego, zachowuje
te same warunki zbienoci. Jeeli macierz A jest dodatnio okrelona to
metoda Gaussa-Seidela jest zbiena dla dowolnego wektora
pocztkowego [8, 10].
Metod Gaussa-Seidela stosuje si niemal wycznie do ukadw
z macierz diagonalnie dominujc gdy w wielu praktycznych
zastosowaniach jest to atwy do spenienia warunek gwarantujcy
zbieno metody.
gdzie:
B (D L) 1 ((1 )D U),
c (D L) 1 b.
Wzr (4.60) mona zapisa w postaci:
k 1 n
akj x (ji 1) akj x (ji ) bk
j 1 j k
xk( i 1) xk( i ) , k 1,2,..., n, (4.61)
akk
i dalej:
k 1 n
akk xk( i 1) (1 )akk xk( i ) akj x (ji 1) akj x (ji ) bk . (4.62)
j 1 j k
Dla =1 jest to metoda SOR (ang. successive over relaxation).
Zwikszajc wspczynnik , mona prbowa przyspiesza jej
zbieno. Parametr moe przyjmowa wartoci co najwyej
z przedziau (0, 2), gdy dla pozostaych wartoci metoda moe nie by
zbiena dla pewnych przyblie pocztkowych.
Przykad 4.8.
Dla ukadu:
4x 1 - x 2 2
- x 1 4x 2 - x 3 6
- x 2 4x 3 2
obliczono kilka przyblie metodami Jacobiego, Gaussa-Seidela i SOR.
We wszystkich metodach przyjto x(1) =0.
Metoda Jacobiego
Dla metody Jacobiego, korzystajc ze wzoru (4.50) :
Dx(i+1)= -(L+U)x(i)+b,
4. Metody rozwizywania ukadw rwna liniowych 113
a std:
x(i+1)= -D-1(L+U)x(i)+D-1b.
Obliczamy kolejno:
x(2)= -D-1(L+U)x(1)+D-1b=
14 0 0 0 1 0 0 1 4 0 0 2 0.5
0 14 0 1 0 1 0 0 1 4 0 6 1.5 ,
0 0 4 0 1 0 0 0 0 1 4 2 0.5
1
x(3)= -D-1(L+U)x(2)+D-1b=
14 0 0 0 1 0 1 2 1 4 0 0 2 0.875
0 14 0 1 0 1 3 2 0 1 4 0 6 1.75 ,
0 0 1 4 0 1 0 1 2 0 0 1 4 2 0.875
x(4)= -D-1(L+U)x(3)+D-1b=[0.9375, 1.9375, 0.9375],
x(5)= -D-1(L+U)x(4)+D-1b=[0.9844,1.9688,0.9844].
Metoda Gaussa-Seidela
Korzystajc z metody Gaussa-Seidela okrelonej wzorami (4.55), (4.56):
x(i+1)= -(D+L)-1Ux(i)+(D+L)-1b,
wyznaczamy kolejne przyblienia:
x(2)= -(D+L)-1Ux(1)+(D+L)-1b=[0.5000, 1.6250, 0.9062],
x(3)= -(D+L)-1Ux(2)+(D+L)-1b=[0.9062, 1.9531, 0.9883],
x(4)= -(D+L)-1Ux(3)+(D+L)-1b=[0.9883, 1.9941, 0.9985],
x(5)= -(D+L)-1Ux(4)+(D+L)-1b=[0.9885, 1.9993, 0.9998].
Metoda SOR
W przypadku wykorzystania metody SOR zdefiniowanej wzorem (4.61):
x (i 1) (D L) 1 ((1 )D U)x (i ) (D L) 1 b ,
dla =1.2 otrzymujemy kolejno:
x(2)= [0.6000, 1.9800, 1.1940],
x(3)= [1.0740, 2.0844, 0.9865],
x(4)= [1.0105, 1.9822, 0.9974],
x(5)= [0.9926, 2.0005, 1.0007],
natomiast dla =1.1 mamy:
x(2)= [0.5500, 1.8013, 1.0453],
x(3)= [0.9903, 2.0297, 1.0036],
x(4)= [1.0091, 2.0005, 0.9998],
x(5)= [0.9998, 1.9997, 0.9999].
114 Metody numeryczne w przykadach
x ( i ) x Wi ( A) 2 x ( 0) x .
2 2
Tk ( x ) = 12 [( x + x 2 1) k ( x - x 2 1) k . (4.64)
(b - a ) ti-1
p1 0, pi-1 ,
4 ti
(b - a ) ti-1
q0 (b + a )/ 2, qi = .
4 ti
Gwn czci kosztu wyznaczenia kolejnego przyblienia x (i 1) jest
koszt mnoenia wektora x (i ) przez macierz A, wykonywanego przy
obliczaniu wektora r (i ) . Realizacja metody Czebyszewa wymaga
pamitania dwch poprzednich przyblie x (i ) i x (i 1) , a wic co najmniej
3n miejsc w pamici.
W praktyce do rozwizywania wielkich ukadw liniowych czsto
stosuje si poczenie metody Czebyszewa z jedn z metod
gradientowych, omawianych w nastpnym rozdziale.
x B
(Bx, x) , gdzie (Bx, x) x T Bx ,
z (i ) x ( i ) ci r ( i ) ,
r (i ) Ax (i ) b , (4.71)
x ( i 1) z ( i ) ui y ( i ) ,
y ( i ) x ( i 1) z ( i ) ,
gdzie:
ci
r , B(x ( i ) x )
(i )
,
(r ( i ) , Br ( i ) )
4. Metody rozwizywania ukadw rwna liniowych 119
( y ( i ) , B( z ( i ) x ))
u0 0, ui dla i = 1,2,... (4.72)
( y ( i ) , By ( i ) )
Kady krok metody (4.71) skada si z dwch etapw. Najpierw
jednym krokiem metody gradientowej (4.69) wyznaczamy z(i ) , czyli
moliwie najlepiej poprawiamy przyblienie x (i ) w kierunku
wyznaczonym przez wektor r (i ) . W drugim etapie postpujemy tak samo
z z(i ) , zmieniajc kierunek poprawki na y (i ) .
Zalenie od wyboru macierzy B definiuje si rne warianty
omawianej metody. Przyjcie B A p , gdzie p=0,1,2 wydaje si
wyczerpywa wszystkie przypadki o praktycznym znaczeniu.
Dla B A 0 I metoda nosi nazw metody minimalnych bdw,
gdy wielkoci minimalizowan jest x (i ) x . Odnosi si to tylko do
2
Przykad 4.9.
Macierz symetryczn:
[25] 3 0 0 0
[ 3 21] 2 4 0
A 0 [2 23] 0 0 ,
0 [4 0 22] 1
0 0 0 [1 20]
zapamitujemy w postaci wektorw s i u:
s ([25], [3, 21], [2, 23], [4, 0, 22], [1, 20]),
u( 1, 3, 5, 8, 10).
i 1 i2 i3 i4 i5
W tym przykadzie przyjty sposb pamitania macierzy A nie
przynis adnej oszczdnoci, ale inaczej byoby np. dla macierzy
100 x 100 o 400 niezerowych elementach.
Graf
Struktur macierzy symetrycznej rzadkiej mona wyrazi za pomoc
grafu, w ktrym wierzchoki i,j s poczone ukiem wtedy i tylko wtedy,
gdy aij0. Mwimy wtedy, e wierzchoki i,j s ssiednie. Liczba ukw
wychodzcych z danego wierzchoka nazywa si stopniem. Permutacja
oznacza zmian symboli wierzchokw. Dla macierzy niesymetrycznej
elementy aij i aji nie musz by jednoczenie zerami. W takim przypadku
trzeba posugiwa si grafem zorientowanym, w ktrym kady uk ma
wyrniony kierunek.
Przykad 4.10.
Macierz rzadk 6 x 6 przedstawimy za pomoc odpowiednich wektorw
AN, JA i IA.
7 0 3 0 1 0
2 8 0 0 0 0
0 0 1 0 0 0
A ,
3 0 0 5 0 0
0 1 0 0 4 0
0 0 0 2 0 6
Odpowiednie wektory maj posta:
AN=(7, -3, -1, 2, 8, 1, -3, 5, -1, 4, -2, 6),
JA =(1, 3, 5, 1, 2, 3, 1, 4, 2, 5, 4, 6),
IA =(1, 4, 6, 7, 9, 11, 13).
Przykad 4.12.
a) Pokaza, e macierz symetryczna:
10 7 8 7
7 5 6 5
A jest dodatnio okrelona,
8 6 10 9
7 5 9 10
b) Wyznaczy macierz trjktn R tak, e A R T R .
Ad a)
Z symetrycznej wersji eliminacji Gaussa:
a (k )
mik ki( k ) , aij( k 1) aij( k ) mik akj( k ) (i=k+1, k+2, ... ,n , j=i, i+1, ..., n),
akk
otrzymujemy kolejno nastpujce zredukowane macierze (wystarcza
tylko przeksztaca ich czci grne trjktne):
10 7 8 7
0.1 0.4 0.1
5 6 5 2 3
, 3.6 3.4, , 0.5.
10 9 5
5.1
10
Poniewa elementy gwne: 10; 0.1; 2; 0.5 s dodatnie, wic macierz
A jest dodatnio okrelona.
Ad b)
Z twierdzenia o rozkadzie trjktnym dla macierzy A symetrycznej
dodatnio okrelonej istnieje jedyna macierz trjktna grna R o dodatnich
elementach na gwnej przektnej i taka, e A R T R . Z twierdzenia
o rozkadzie LU wynika, e:
A=LU,
det( Ak )
gdzie u11=a11>0 i ukk 0 , (k=2,3, ... ,n).
det( Ak 1)
Wprowadzajc macierz przektniow D diag(u11, u22 ,..., unn ) ,
moemy napisa rozkad:
A LDD1U LDU' ,
gdzie U' D1U , a macierze L i U s trjktne, maj jedynki na gwnej
przektnej i s jednoznacznie okrelone.
4. Metody rozwizywania ukadw rwna liniowych 127
Z symetrii A wynika, e:
A A T (U' ) T DLT ,
czyli:
LT U' D 1U .
1 1
Przyjmujc R D 2 U , gdzie macierz przektniowa D 2
ma dodatnie
1
2
elementy u , otrzymujemy:
kk
R T R U D 1U LU A .
T
Przykad 4.13.
W ukadzie rwna Ax=b dane s:
0.780 0.563 0.217
A , b .
0.913 0.659 0.254
Dokadnym rozwizaniem jest wektor:
x T [1,1] .
Dodatkowo dane s dwa rozwizania przyblione:
x 1T [0.999,1001
. ] , x 2T [0.341,0.087] .
Obliczy wartoci residuw r(x1 ) , r(x 2 ) oraz wyznaczy wskanik
uwarunkowania cond(A), korzystajc z normy maksimum oraz
z macierzy:
659000 563000
A 1 .
913000 780000
128 Metody numeryczne w przykadach
Przykad 4.14.
Obliczy przyblione rozwizanie ukadu Ax=b, gdzie:
0.95 0.07 0 0 0.05 0.01 0.5
0.07 0.95 0.07 0 0 0.04 0.5
0 0.007 0.95 0.06 0 0 0.5
A , b .
0 0 0.06 0.95 0.06 0 0.5
0.05 0 0 0.06 0.95 0.06 0.5
0.01 0.04 0 0 0.06 0.95 0.5
Przykad 4.15.
Dana jest macierz A i wektor b postaci jak poniej.:
3 1 0 0 0 1 1
1 3 1 0 1 0 2
0 1 3 1 0 0 3
A , b .
0 0 1 3 1 0 0
0 1 0 1 3 1 2
1 0 0 0 1 3 3
Porwna zbieno metod Jacobiego i Gaussa-Seidela w zalenoci
od dokadnoci oblicze. Jako kryterium koca oblicze przyj: rk 1 .
4. Metody rozwizywania ukadw rwna liniowych 131
x1 2.6339285714
x 3.7857142857
2
x3 3.0089285714
x
x 4 2.24107142286
x5 3.7142857143
x6 3.116071286
W celu lepszego zobrazowania rnic szybkoci zbienoci metod
iteracyjnych otrzymane wyniki zestawiono w tabeli 4.2 i na wykresach
(rysunki 4.1 - 4.2).
Na podstawie przeprowadzonych oblicze stwierdzono, e:
najwiksza co do wartoci bezwzgldnej warto wasna
analizowanej macierzy wynosi 0.85292 i jest mniejsza od jednoci
a tym samym spenia warunek konieczny i dostateczny zbienoci
metod iteracyjnych;
najwiksza co do wartoci bezwzgldnej norma macierzy wynosi
0.9265 i poniewa jej modu jest mniejszy od jednoci wic
warunek wystarczajcy zbienoci metod iteracyjnych jest
rwnie speniony;
szybsza zbieno metody Gaussa-Seidela jest prawd
w przypadku, gdy punkt startowy x(0) jest w pobliu rozwizania,
w przeciwnym razie szybciej zbiena jest metoda Jacobiego;
dla osignicia dziesiciokrotnie wikszej dokadnoci potrzeba
okoo dwa razy wikszej liczby iteracji;
rnice w szybkoci zbienoci poszczeglnych metod s
minimalne szczeglnie przy obliczeniach z du dokadnoci .
132 Metody numeryczne w przykadach
250
200
LICZBA 148 150
150
ITERACJI
105 109
100
59 58
50
0
1e-6 1e-3 1e-2 1e-1 1e-6 1e-3 1e-2 1e-1
metoda Jacobiego metoda Gaussa-Seidla
(relaksacji przy w=1)
Rys. 4.1. Zaleno liczby iteracji od dokadnoci oblicze dla metod Jacobiego
i Gaussa-Seidela
x6
Wartoci x1-x6 w kolejnych iteracjach
3.00 x3
x1
x4
2.00
1.00
0.00
Przykad 4.16.
Przedmiotem tego zadania jest wyznaczenie macierzy B z rwnania
macierzowego AB = C, gdzie macierz A jest macierz kwadratow n x n,
macierze B i C mog by macierzami prostoktnymi n x m. Naley
znale algorytm wyznaczenia macierzy B przy wykorzystaniu eliminacji
Gaussa i przeanalizowa jego wasnoci.
Klasyczny algorytm eliminacji Gaussa suy do znajdowania
rozwizania ukadu rwna liniowych Ax=b, czyli wyznacza wektor
rozwiza x przy danej macierzy kwadratowej A i wektorze wyrazw
wolnych b.
W przypadku rwnania AB = C, aby wyznaczy macierz B stosujc
klasyczne zasady rachunku macierzowego, naleaoby rozwiza
nastpujce rwnanie: B =A-1C. Na og jest to kopotliwe i czasochonne
134 Metody numeryczne w przykadach
mnoenie A x B
120
80
40
0 m
2 3 4 5 6 7 8 9 10
Rys. 4.3a. Porwnanie efektywnoci metod rozwizywania rwnania AB=C dla n=3
mnoenie A x B
2000
1000
0 m
2 3 4 5 6 7 8 9 10
Rys. 4.3b. Porwnanie efektywnoci metod rozwizywania rwnania AB=C dla n =10
4. Metody rozwizywania ukadw rwna liniowych 137
liczba dziaa wymiar m=3
1600
mnoenie A x B
1200
800
400
0 n
2 3 4 5 6 7 8 9 10
Rys. 4.4a. Porwnanie efektywnoci metod rozwizywania rwnania AB=C dla m=3
mnoenie A x B
2000
1000
0 n
2 3 4 5 6 7 8 9 10
Rys. 4.4b. Porwnanie efektywnoci metod rozwizywania rwnania AB=C dla m=10
138 Metody numeryczne w przykadach
Przykad 4.16
Wyprowadzi wzory eliminacji Gaussa dla macierzy piciodiagonalnej.
Dla macierzy piciodiagonalnej A:
c1 d 1 e1
b c d2 e2
2 2
a 3 b3 c3 d3 e3
A ... ... ... ... ... ... ...
a n 2 bn 2 cn 2 d n 2 en 2
a n 1 bn 1 cn 1 d n 1
an bn cn
gdzie:
u1 c1 , w1 d1 ,
4. Metody rozwizywania ukadw rwna liniowych 139
b2
l2 ,
u1
u2 c2 l2 w1 ,
w2 d 2 l2 e1 ,
ai
mi ,
ui 2
bi mi wi 2
li ,
ui 1
ui ci mi ei 2 li wi 1 ,
wi d i li ei 1 dla i = 3,4,..., n.
Z rozwizania dwu ukadw rwna Ly = f i Ux = y (Ax=f -> LUx=f)
otrzymujemy:
y1 f1 ,
y 2 f 2 l2 y1 ,
yi f i li yi 1 mi yi 2 dla i = 3,4,..., n
oraz:
yn
xn ,
un
( y n 1 wn 1 xn )
x n 1 ,
un 1
( yi wi xi 1 ei xi 2 )
xi dla i = n - 2, n - 3,...,1.
ui
gdzie:
A - macierz m x n,
b b1 , b2 ,..., bm - wektor prawej strony rwnania,
T
gdzie:
1 0 0 0
0 0 0
2
. . . .
S 0 0 0 n Rmxn ,
. . . .
0 0 0 0
0 0 0 0
1 2 ... k k 1 k 2 ... n 0 ,
k jest rzdem macierzy A.
Wielkoci i nazywamy wartociami szczeglnymi (osobliwymi)
macierzy A , a rozkad (4.75) rozkadem wedug wartoci szczeglnych
(ang. singular value decomposition, SVD). Pierwiastki s
pierwiastkami wartoci wasnych macierzy A T A , a kolumny macierzy V
odpowiadajcymi im ortonormalnymi wektorami wasnymi tej macierzy.
Z kolei kolumny U s wektorami wasnymi AA T . Widzimy std, e
wartoci szczeglne s okrelone jednoznacznie, natomiast macierze U
i V nie.
Korzystajc z wartoci szczeglnych macierzy A, jej liczb
warunkow (patrz rozdzia 4.2.5) mona obliczy ze wzoru:
1
cond ( A ) .
k
Znajc rozkad (4.75) mona atwo wyznaczy rozwizanie LZNK:
x* A b , (4.76)
gdzie:
A VS U T nazywana jest macierz pseudoodwrotn do A (lub
czasami macierz odwrotn w sensie Moore'a -Penrose'a),
1 1
S diag ,..., ,0,...,0 Rnxm . (4.77)
1 k
Dla nieosobliwej macierzy kwadratowej zachodzi rwno:
A A 1 .
142 Metody numeryczne w przykadach
a) {
b) {
c) { .
Odp.
Rozwizaniem ukadu a) jest wektor [ ] .
Rozwizaniem ukadu b) jest wektor [ ] .
Rozwizaniem ukadu c) jest wektor [ ] .
Zadanie 4.2.
Metod eliminacji Gaussa z wyborem elementu podstawowego
w kolumnie rozwiza ukady rwna:
a) {
4. Metody rozwizywania ukadw rwna liniowych 143
b) {
c) { .
Odp.
Rozwizaniem ukadu a) jest wektor [ ] .
Rozwizaniem ukadu b) jest wektor [ ] .
Rozwizaniem ukadu c) jest wektor [ ] .
Zadanie 4.3.
Metod eliminacji Gaussa z wyborem elementu podstawowego w wierszu
rozwiza ukady rwna:
a) {
b) {
c) { .
Odp.
Rozwizaniem ukadu a) jest wektor [ ] .
Rozwizaniem ukadu b) jest wektor [ ] .
Rozwizaniem ukadu c) jest wektor [ ] .
144 Metody numeryczne w przykadach
Zadanie 4.4.
Metod Gaussa-Jordana rozwiza ukady rwna:
a) {
b) { .
Odp.
Rozwizaniem ukadu a) jest wektor [ ] .
Rozwizaniem ukadu b) jest wektor [ ] .
Zadanie 4.5.
Metod rozkadu LU rozwiza ukady rwna:
a) {
b) { .
Odp.
Rozwizaniem ukadu a) jest wektor [ ] .
Rozwizaniem ukadu b) jest wektor [ ] .
4. Metody rozwizywania ukadw rwna liniowych 145
Zadanie 4.6.
Metod Choleskiego rozwiza ukady rwna:
a) {
b) {
c) { .
Odp.
Rozwizaniem ukadu a) jest wektor [ ] .
Rozwizaniem ukadu b) jest wektor [ ] .
Rozwizaniem ukadu c) jest wektor [ ] .
Zadanie 4.7.
Dokona rozkadu QR dla macierzy:
a) [ ]
b) [ ].
Odp.
a) [ ]
146 Metody numeryczne w przykadach
[ ]
b) [ ]
[ ].
Zadanie 4.8.
Rozwiza ukad rwna z zadania 4.7 metod Householdera dla prawych
stron rwnych odpowiednio:
a) [ ] ;
b) [ ] .
Odp.
Rozwizaniem ukadu a) jest wektor [ ] .
Rozwizaniem ukadu b) jest wektor [ ] .
5. Rozwizywanie rwna i ukadw rwna
nieliniowych
5.1. Wstp
Na og pierwiastki rwnania nieliniowego:
f(x) = 0 (5.1)
nie daj wyrazi si za pomoc wzoru analitycznego. Dlatego due
znaczenie maj metody przyblionego rozwizywania rwna. S to
metody kolejnych przyblie pierwiastka czyli metody iteracyjne.
Polegaj one na tym, e startujc od jednej pocztkowej wartoci
pierwiastka czyli punktu startowego x0 konstruuje si cig punktw x1, x2,
x3, ... zbieny do tego pierwiastka. W niektrych metodach potrzebne s
dwa pierwsze przyblienia pierwiasta. W metodach tych zadanie
znalezienia pierwiastkw uwaamy za wykonane, jeli potrafimy okreli
je z dan dokadnoci i poda oszacowanie bdu. Trzeba jednak
pamita, e wikszo metod przyblionego rozwizywania rwna
mona stosowa jedynie wtedy, gdy znany jest przedzia, w ktrym
znajduje si pojedynczy pierwiastek, czyli tzw. przedzia izolacji.
Do najbardziej popularnych metod znajdowania pierwiastkw rwna
nieliniowych zaliczamy metod bisekcji, metod regula-falsi, metod
siecznych, metod Newtona i jej modyfikacje [1, 4, 5, 7, 8, 9, 10].
bi ai
1
b - a . (5.2)
2i
Lewe koce cigu przedziaw tworz cig niemalejcy i ograniczony
z gry a prawe koce cig nierosncy i ograniczony z dou, wic z (5.2)
wynika, e istnieje ich wsplna granica . Ze wzgldu na stosowan
metod obliczeniow, ten sposb znajdowania pierwiastkw nazywamy
metod bisekcji (take metod poowienia lub metod rwnego
podziau).
5. Rozwizywanie rwna i ukadw rwna nieliniowych 149
Przykad 5.1.
Metod bisekcji znale rzeczywisty pierwiastek rwnania:
x3 + x - 1 = 0
z dokadnoci do 0.01.
i xi f(xi) i xi f(xi)
1 0.5 -0.375 5 0.65625 -0.0611268
2 0.75 0.171875 6 0.671875 -0.0248299
3 0.625 -0.1308593 7 0.6796875 -0.0063138
4 0.6875 0.0124511
0 x 0 x
a b a b
c) d)
f x 0 f(x) f ( x ) 0
f(x)
f ( x) 0 f ( x) 0
0 x 0 x
a b a b
Rys. 5.1. Wykres funkcji f(x) w przedziale < a, b> w zalenoci od znaku pierwszej
i drugiej pochodnej funkcji
5. Rozwizywanie rwna i ukadw rwna nieliniowych 153
f(x)
f ( x ) 0
f ( x) 0
f(b) B
0
x1 x2
a b x
f(x1) D
f(a) C
A
Rys. 5.2. Interpretacja geometryczna metody regula falsi, jeli f '(x) > 0 i f " (x) > 0
Przykad 5.2.
Metod regula falsi znale rzeczywisty pierwiastek rwnania:
3x-cos x-1=0.
Badajc funkcj wystpujc w rwnaniu moemy stwierdzi, e
w przedziale < 0.25, 0.75 > ma ona dokadnie jedno miejsce zerowe
5. Rozwizywanie rwna i ukadw rwna nieliniowych 155
xi f(xi)
a = 0.25 -1.218912
b = 0.75 0.518311
x1 = 0.600819 -0.022416
x2 = 0.607003 -0.000352
x3 = 0.607100 -0.000006
x4 = 0.607101 -0.000002
x5 = 0.607101
156 Metody numeryczne w przykadach
Przykad 5.3.
Stosujc metod siecznych znale pierwiastek rwnania:
x3 + x2 - 3x -3 = 0 w przedziale < 1, 2 >.
Funkcja wystpujca w rwnaniu ma w przedziale < 1, 2 > dokadnie
jeden pierwiastek. Kolejne przyblienia tego pierwiastka obliczamy
zgodnie ze wzorem (5.7). Wyniki oblicze zapisane s w tabeli 5.3.
i xi f(xi)
0 1 -4
1 2 3
2 1.57142 -1.36449
3 1.70540 -0.24784
4 1.73513 0.02920
5 1.73199 0.000576
6 1.73193
f(x0)
f(x1) x
0 x2 x1 x0
Przykad 5.4.
Zbada z dokadnoci do 1e-5 rozwizanie rwnania y e x 2 x 1
metod Newtona wybierajc jako punkt startowy:
a) x0=0,
b) x0=5.
Ad a)
Wykonamy obliczenia dla punktu startowego x0=0. Obliczamy
przyblienia rozwizania korzystajc z wzoru 5.8 i wartoci funkcji
w obliczonych punktach:
.
,
.
Ad b)
Podobne obliczenia wykonamy dla punktu startowego x0=5.
Otrzymujemy kolejno:
,
,
,
,
,
,
,
,
,
,
,
,
,
.
Przykad 5.5.
Zbada zaleno rozwizania rwnania od wyboru punktu startowego
w metodzie Newtona dla rwnania:
x0 y e x x 2 2 .
3.00
2.00
1.00
-1.00
-2.00
Przykad 5.6.
Stosujc rne wzory iteracyjne rozwiza rwnanie x + ln x = 0.
Pokaza, e szybko zbienoci zaley od zastosowanego wzoru.
Metoda bisekcji
Przyjmujemy:
pocztek przedziau: 0.34,
koniec przedziau: 0.98,
dokadno: 0.0001.
Znaleziony pierwiastek: x = 0.567109, liczba iteracji: 13.
Metoda Newtona
Przyjmujemy:
punkt startowy: 1,
dokadno: 0.0001.
Znaleziony pierwiastek: x = 0.567143, liczba iteracji: 4.
Z przeprowadzonych oblicze wynika, e najszybsz zbienoci
charakteryzuje si metoda Newtona, co jest zgodne z teori.
a) b)
10.00 2.00
5.00 1.00
0.00 x0
x0 x1 0.00
x1
-4.00 0.00 4.00
-1.00 0.00 1.00 2.00 3.00
-5.00
-1.00
-10.00
-2.00
c)
8.00
4.00
0.00
x0
-4.00
-8.00
-12.00
Przykad 5.7.
Znale dwa pierwsze przyblienia rozwizania ukadu rwna postaci:
f1 ( x1 , x2 ) x1 2 x2 0,
2 2
f 2 ( x1 , x2 ) 2 x1 x2 3 0.
Obliczenia wykona z dokadnoci eps=0.001. Jako przyblienie
pocztkowe przyj wektor:
1,3
X0 .
1,1
166 Metody numeryczne w przykadach
0,73
Obliczamy FX 0 , a nastpnie tworzymy macierz
0,14
Jacobiego:
2x 4 x2
J X 1 .
2 x 2 2 x1
Zatem:
2,6 4,4
J X 0
2,6
,
2,2
Rozwizujemy ukad rwna (np. metod eliminacji Gaussa):
2,6 4,4 h0 0,73
J X 0 Z1 F(X 0 ), czyli :
2,2 2,6 h1 0,14
i otrzymujemy poprawk Z1=[h0, h1]T=[0,1529 -0,0755].
Obliczamy:
1,3 0,1529 1,4529
X 1 X 0 Z1 .
1,1 - 0,0755 1,0245
i sprawdzamy warunek zakoczenia oblicze:
Z1 0.1706 0.001.
Obliczamy:
1,4565
X 2 X1 Z 2
1,0299
i ponownie sprawdzamy warunek zakoczenia oblicze:
Z 2 0.0065 0.001.
Odp.
a) ;
b) .
Zadanie 5.2.
Wyznaczy metod Newtona przyblion warto podanego pierwiastka
z zadan dokadnoci oraz poda konieczn do wykonania liczb
krokw. Obliczenia przeprowadzi dla punktu startowego 1.0 oraz 2.0.
a) ;
b) ;
c) ;
d) ;
e) ;
168 Metody numeryczne w przykadach
f) .
Odp.
a) x0= 1.0 to x4 = 2.64577; x0= 2.0 to x3 = 2.64575.
b) x0= 1.0 to x5 = 4.47214; x0= 2.0 to x4 = 4.47214.
c) x0= 1.0 to x5 = 2.22414; x0= 2.0 to x3 = 2.22428.
d) x0= 1.0 to x6 = 2.22398; x0= 2.0 to x3 = 2.22398.
e) x0= 1.0 to x8 = 2.23607; x0= 2.0 to x3 = 2.23607.
f) x0= 1.0 to x9 = 2.23607; x0= 2.0 to x4 = 2.23607.
Zadanie 5.3.
Metod regula falsi oraz metod siecznych wyznaczy dodatni
pierwiastek rwnania:
z dokadnoci do:
a) 0.01;
b) 0.0001.
Dla kadej metody poda konieczn liczb krokw.
Odp.
a). Metoda regula falsi: x = 1.89320, liczba krokw = 5.
Metoda siecznych: x = 1.89242, liczba krokw = 3.
b). Metoda regula falsi: x = 1.89546, liczba krokw = 9.
Metoda siecznych: x = 1.89543, liczba krokw = 4.
6. Cakowanie numeryczne
6.1. Wstp
W niniejszym rozdziale podane zostan metody numerycznego
cakowania funkcji (tzw. kwadratury) [1, 4, 7, 8, 9, 10]. Bd to metody,
ktre jako wynik dadz przyblion warto liczbow caki postaci:
. (6.1)
Zakadamy, e jest to caka waciwa tzn. ma skoczone granice
cakowania oraz funkcja podcakowa f(x) jest ciga w przedziale
cakowania. Obliczenie caki (6.1) nastpi przy uyciu kwadratur postaci:
. (6.2)
Wspczynniki kwadratury Ai oraz wzy xi s niezalene od funkcji
podcakowej f(x). Obliczenie wartoci caki (6.1) bdzie polegao na
aproksymacji funkcji podcakowej za pomoc atwo cakowalnej funkcji.
W rozdziale podane zostan dwa rodzaje kwadratur:
kwadratury Newtona-Cotesa, ktre oparte s na przyblieniu
funkcji podcakowej wielomianami stopnia pierwszego (metoda
trapezw) oraz stopnia drugiego (metoda Simpsona);
kwadratury Gaussa, ktre polegaj na wykorzystaniu
wielomianw ortogonalnych i takim wyborze punktw xi oraz
wspczynnikw Ai, aby kwadratura bya dokadna dla wszystkich
wielomianw moliwie najwyszego stopnia.
( ) (
( ). (6.8)
. (6.9)
6. Cakowanie numeryczne 171
y
f(x)
x
f ( x)dx
a
0 a b x
y
f(x)
x
Przykad 6.1.
Obliczy warto caki stosujc wzr zoony trapezw
z krokiem h=1/3.
172 Metody numeryczne w przykadach
( )
( )
{[ ]
[ ]
[ ]
[ ]}
[ ( ( - )) (
( - )) ] (6.11)
. (6.12)
Przykad 6.2.
Obliczy warto caki z przykadu 6.1 za pomoc wzoru
zoonego Simpsona.
Warto kroku w tej metodzie musi ulec zmianie nie moe wynosi
h=1/3, bo wwczas n nie jest liczba parzyst. Wemy h=1/4 i wtedy n=4.
Wzy wynosz odpowiednio: 0, , , , 1.
Wzr zoony Simpsona dla tego zadania ma posta:
[ ( ) ( ) ]
[ ( () ) ( ) ]
[ ( ) ]
174 Metody numeryczne w przykadach
Przykad 6.3.
Stosujc wzr zoony Simpsona obliczy przyblion warto ln(7).
, (6.13)
gdzie funkcja wagowa jest dodatnia na [a,b].
Twierdzenie 6.1
Kwadratur Gaussa postaci (6.2) opart na n+1 wzach o maksymalnym
rzdzie, rwnym 2n+1, jest kwadratura interpolacyjna, ktrej wzami s
pierwiastki (n+1)-go wielomianu ortogonalnego na [a,b] z wag .
Twierdzenie 6.2
Wspczynniki kwadratury Gaussa wyraaj si wzorami:
, (6.14)
176 Metody numeryczne w przykadach
Twierdzenie 6.3
Jeli [ ], to reszta kwadratury Gaussa wyraa si
wzorem:
(6.15)
( ) . (6.20)
Zalety kwadratur Gaussa:
1. Moemy przy ich uyciu oblicza przyblione wartoci caek
osobliwych bardzo czsto wystpujce np. w fizyce.
2. Maj one duo wysz dokadno.
6. Cakowanie numeryczne 177
Przykad 6.4.
Obliczy wspczynniki i wzy kwadratury Gaussa dla przedziau [-1,1]
z funkcj wagow opartej na dwch wzach.
Rozwizaniem s liczby:
A0 = A1 = 1
oraz
.
Przykad 6.5.
Obliczy wsplczynniki i wzy kwadratury Gaussa dla przedziau [-1,1]
z funkcj wagow opartej na trzech wzach. Dla n=2 bdzie to
kwadratura rzdu 5.
Naley rozwiza ukad rwna dla k od 0 do 5 zgodnie ze wzorem
(6.16). Rozwizaniem s liczby:
A0 = A2 = 5/9, A1=8/9 .
178 Metody numeryczne w przykadach
oraz
( ) ( ).
Przykad 6.6.
Sprawdzi, czy kwadratura postaci:
[ ( ) ( )]
i wzw:
.
Sprawdzamy, dla k = 0, czy zachodzi rwno:
.
Liczc stronami otrzymujemy:
.
.
Dla k = 0 zachodzi rwno (L=P).
Dla k = 1 otrzymujemy:
.
Liczc stronami mamy:
-
(
- -
)
. (6.19)
Funkcja wagowa dla tych wielomianw to:
,
a przedzia cakowania (-,).
180 Metody numeryczne w przykadach
n i xi Ai
0 -0.707107 0.886227
1
1 0.707107 0.886227
0 -1.224745 0.295409
2 1 0 1.181636
2 1.224745 0.295409
0 -1.650680 0.081313
1 -0.534648 0.804914
3
2 0.534648 0.804914
3 1.650680 0.081313
0 -2.020183 0.019953
1 -0.958572 0.393619
4 2 0 0.945309
3 0.958572 0.393619
4 2.020183 0.019953
n i xi Ai
0 0.585789 0.853553
1
1 3.414214 0.146447
0 0.415775 0.711093
2 1 2.294280 0.278518
2 6.289945 0.010389
0 0.322548 0.603154
1 1.745761 0.357419
3
2 4.536620 0.038888
3 2.395071 0.000539
0 0.263560 0.521756
1 1.413403 0.398667
4 2 3.596426 0.075942
3 7.085810 0.003612
4 12.640801 0.000032
. (6.23)
Funkcja wagowa dla tych wielomianw to:
,
a przedzia cakowania [-1,1].
182 Metody numeryczne w przykadach
. (6.26)
Funkcja wagowa dla tych wielomianw to:
,
przedzia cakowania [-1,1]. Zatem cak (6.27) moemy przyblia
kwadraturami Gaussa- Legendrea
, (6.27)
w ktrej wzy xi s pierwiastkami wielomianu ortogonalnego Legendrea
stopnia (n+1) a wartoci Ai odpowiadajcymi im wspczynnikami.
W tabeli 6.3 przedstawiono wartoci tych wspczynnikw dla
wielomianw stopnia od 1 do 5.
n i xi Ai
0 -0.577350 1
1
1 0.577350 1
0 -0.774597 5/9
2 1 0 8/9
2 0.774597 5/9
0 -0.861136 0.347855
1 -0.339981 0.652145
3
2 0.339981 0.652145
3 0.861136 0.347855
0 -0.906180 0.236927
1 -0.538469 0.478629
4 2 0 0.568889
3 0.538469 0.478629
4 0.906180 0.236927
Odp.
Uwaga: n = liczba wzw 1.
a) T6 = -35.5025 S6 = -33.535;
b) T9 = -34.3971 S9 zbyt duy bd, gdy n nie jest parzyste;
c) T12 = -34.0093 S12 = -33.5116;
184 Metody numeryczne w przykadach
Zadanie 6 2.
Obliczy przyblion warto caki:
stosujc wzr zoony trapezw oraz wzr zoony Simpsona dla liczby
wzw rwnej:
a) 7;
b) 21.
Odp.
a) T6 = 0.937954 S6 = 0.933279;
b) T6 = 0.933709 S6 = 0.933289.
Zadanie 6.3.
Obliczy wzorem zoonym Simpsona z dokadnoci do 10-3 pole pod
jednym ukiem:
a) sinusoidy;
b) cosinusoidy.
Odp.
a) S6 = 2.00086;
b) S6 = 2.00086.
Zadanie 6.4.
Obliczy dwupunktow kwadratur Gaussa przyblion warto caki:
.
Odp. .
Zadanie 6.5.
Obliczy trzypunktow kwadratur Gaussa przyblion warto caki:
.
Odp. .
6. Cakowanie numeryczne 185
Zadanie 6.6.
Obliczy dwupunktow oraz trzypunktow kwadratur Gaussa
przyblione wartoci caek:
a) ;
b) ;
c) ;
d) .
Odp.
a) K1 = 1.09091 , K2 = 1.09804
b) K1 = 0.711942 , K2 = 0.718252
c) K1 = 1.97996 , K2 = 1.89115
d) K1 = 0.616191 , K2 = 0.637062.
Zadanie 6.7.
Wykorzystujc odpowiednie wielomiany ortogonalne (a dokadnie ich
pierwiastki i odpowiadajce im wagi) obliczy przyblione wartoci
caek:
a) , kwadratur Gaussa-Hermitea dla n=4;
b) , kwadratur Gaussa-Hermitea dla n=4;
c) , kwadratur Gaussa-Laguerrea dla n=4;
d) , kwadratur Gaussa-Laguerrea dla n=3;
e) , kwadratur Gaussa-Czebyszewa dla n=60;
f) , kwadratur Gaussa-Czebyszewa dla
n=100;
g) , kwadratur Gaussa-Legendrea dla n=3;
h) , kwadratur Gaussa-Legendrea dla n=4.
Odp.
a) K = 0.886224;
b) K = 1.38039;
c) K = 122.789;
d) K = 0.464436;
186 Metody numeryczne w przykadach
e) K = 1.62312;
f) K = 1.08294;
g) K = 1.06186;
h) K = 1.57117.
7. Rozwizywanie rwna i ukadw rwna
rniczkowych zwyczajnych
7.1. Wstp
W rozdziale tym zajmiemy si rozwizaniem zagadnienia pocztkowego,
polegajcego na znalezieniu funkcji yi yi ( x) , i 1,2, ..., m ,
speniajcych w przedziale <x0,b> ukad rwna rniczkowych:
dy1
dx f1 ( x, y1 ,... y m )
dy 2 f ( x, y ,... y )
2 1 m
dx (7.1)
............................
dy m f ( x, y ,... y )
dx m 1 m
z warunkiem pocztkowym:
yi ( x0 ) yi ,0 , i 1,2,..., m. (7.2)
Przykad 7.1.
Rozpatrzmy rwnanie rniczkowe rzdu drugiego:
d 2 y dy
2
( y y3 ) sin( x) ,
dx dx
ktre mona przedstawi w postaci:
d2 y dy
2
f ( x, y , ) ,
dx dx
7. Rozwizywanie rwna i ukadw rwna rniczkowych zwyczajnych 189
gdzie:
dy dy
) sin( x ) ( y y 3 ) .
f ( x, y ,
dx dx
Wprowadzajc nastpujce zmienne:
y1 y,
dy dy1
y2 ,
dx dx
rwnanie powysze mona zapisa w postaci ukadu rwna
rniczkowych zwyczajnych rzdu pierwszego:
dy1
y2
dx
.
dy 2 sin( x ) ( y1 y13 ) y 2
dx
Przykad 7.2.
Rozwamy rwnanie rniczkowe rzdu trzeciego postaci:
d3 y dy d2 y
f ( x , y , , ),
dx3 dx dx 2
z warunkami pocztkowymi:
dy d2 y
y(0) 1, y'(0) (0) 2 , y''(0) 2 (0) 3 .
dx dx
Po podstawieniu:
dy dy1 d2 y dy2
y1 y, y2 , y3 2 ,
dx dx dx dx
rwnanie powysze przeksztaca si na ukad:
dy1
dx y2
dy2
y3
d x
dy3
dx f ( x, y1, y2 , y3 )
z warunkami pocztkowymi:
y1(0) 1, y2 (0) 2 , y3(0) 3 .
Otrzymano wic ukad rwna rniczkowych rzdu pierwszego.
190 Metody numeryczne w przykadach
Przykad 7.3.
Jeli w rwnaniu rniczkowym (7.3) zamiast zmiennej x wstawimy t
(czas), to rwnanie to bdzie opisywa wektor prdkoci czsteczki jako
funkcj wektora jej pooenia y. Tak wic rwnanie rniczkowe okrela
w tym przypadku pole wektorowe. Rozwizanie rwnania opisuje ruch
czsteczki w takim polu.
Rozwamy ukad:
dy1
dt ( y1 y 2 )
dy 2 y1 y 2
dt
z warunkami pocztkowymi:
y1 (0) 1 , y2 ( 0) 2 .
Dla rnych warunkw pocztkowych otrzymujemy tu ca rodzin
rozwiza. Ruch czsteczki w danym polu prdkoci jest jednoznacznie
okrelony przez jej pooenie pocztkowe. Kilka takich krzywych
pokazano na rys. 7.1.
y3
y2
y1
0 h 2h 3h x
y Mi+1
yi Mi
y1 M1
y0
gdzie:
k 1 hf ( xn , y n ),
i 1
k i hf ( xn ai h, y n bij k j ), i 1,
j 1
wi , ai , bij - stae,
nazywamy metod Rungego-Kutty.
Metod t moemy bezporednio stosowa do rozwizania zagadnienia
(7.1), (7.2), poniewa w przeciwiestwie do metod rnicowych (patrz
rozdzia 7.4), do rozpoczcia oblicze wystarczy warunek pocztkowy
(7.2).
Istotn czci oblicze przy wyznaczaniu rozwiza yn1 jest
wyznaczenie funkcji f(x,y), wystpujcej po prawej stronie ukadu
rwna rniczkowych. Stosujc powysze wzory naley jednak
w kadym kroku s razy oblicza f(x,y). Dla metody rzdu p, naley tych
oblicze wykona co najmniej p.
196 Metody numeryczne w przykadach
gdzie:
y(1)
n1 - oznacza przyblione rozwizanie w punkcie xn+1=xn+h, gdy
obliczenia wykonane zostay dwukrotnie z krokiem h/2;
y(n1
2)
- przyblione rozwizanie w punkcie xn+1 liczone od razu
z krokiem h.
Przykad 7.4.
Znale rozwizanie rwnania y ( x) y z warunkiem pocztkowym
y(0)=1 metod Rungego-Kutty pierwszego rzdu (czyli metod Eulera)
dla x<0, 0.4> z krokiem h = 0.1.
4 yi_Euler
3 yi_dokl
0
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2
Przykad 7.5.
Znale rozwizanie rwnania y ( x) cos x sin x y z warunkiem
pocztkowym y(0)=2 metod Rungego-Kutty drugiego rzdu (czyli
metod ulepszon Eulera) dla x<0, 0.3> z krokiem h = 0.1.
7. Rozwizywanie rwna i ukadw rwna rniczkowych zwyczajnych 199
[ ]
[ ]
[ ]
[ ]
[ ]
[ ]
[ ] 66538
W efekcie otrzymalimy:
0,00045
0,0004
0,00035
0,0003
0,00025
0,0002
0,00015
0,0001
0,00005
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
0,00012
0,0001
0,00008
0,00006
0,00004
0,00002
0
0,05
0,15
0,25
0,35
0,45
0,55
0,65
0,75
0,85
0,95
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
0
Przykad 7.6.
Znale rozwizanie rwnania y( x) x y z warunkiem pocztkowym
y(0)=1 metod Rungego-Kutty czwartego rzdu dla x<0, 0.2> z krokiem
h = 0.1.
7. Rozwizywanie rwna i ukadw rwna rniczkowych zwyczajnych 201
We wzorach tych:
yi+1= y(xi+1 ) = y(x0 + (i + 1)h).
Dla i = 0 obliczamy:
y1 = y(x1 ) = y(x0 + h) = y(0.1)
k1 = h(x0 + y0 ) = 0.1(0+1) = 0.1
k2= 0.1(0+0.1/2+1+0.1/2) = 0.11
k3 = 0.1(0+0.1/2+1+0.11/2) = 0.1105
k4 = 0.1(0+0.1+1+0.1105) = 0.12105
y1 = y0 + 1/6(k1 + 2k2 + 2k3 + k4 ) =
= 1+(0.1+20.11+20.1105+0.12105)/6 =1.110341.
i x y k=0.1(x+y)
0 x0=0 y0 =1 k1 =0.1
x0+0.5h=0.05 y0+0.5k1=1.05 k2 =0.11
x0+0.5h=0.05 y0+0.5k2=1.055 k3 =0.1105
x0+h=0.1 y0+k3=1.1105 k4 =0.12105
1 x1=0.1 y1 =1.11034 k1 =0.121034
x1+0.5h=0.15 y1+0.5k1=1.170857 k2 =0.1320857
x1+0.5h=0.15 y1+0.5k2=1.17638285 k3 =0.132638285
x1+h=0.2 y1+k3=1.242978285 k4 =0.1442978285
2 x2=0.2 y2 =1.242803
yk-1
Rozwizanie Rozwizanie otrzymane
y1 pocztkowe za pomoc wzoru (7.13)
y0 y0,...,yk-1
1. y n1 y n hy n (ekstrapolacyjny Eulera) 1
h
2. y n 1 y n (3y n y n 1 ) 2
2
h
3. y n1 y n (23y n 16y n 1 5y n 2 ) 3
12
h
4. y n1 y n (55y n 59y n 1 37y n2 9y n 3 ) 4
24
4
5. y n 1 y n 3 h(2y n y n 1 2y n 2 ) 4
3
6. y n1 y n hy n1 (interpolacyjny Eulera) 1
h
7. y n 1 y n ( y n 1 y n ) 1
2
h
8. y n 1 y n (5y n1 8y n y n1 ) 3
12
h
9. y n1 y n (9y n1 19y n 5y n 1 y n2 ) 4
24
1 3
10. y n1 (9y n y n 2 ) h( y n1 2y n y n 1 ) 4
8 8
4 1 2
2. y n1 y n y n 1 hy n 1 2
3 3 3
18 9 2 6
3. y n1 y n y n 1 y n 2 hy n 1 3
11 11 11 11
48 36 16 3 12
4. y n 1 y n y n1 y n2 y n 3 hy n1 4
25 25 25 25 25
Odp.
Tablice z wartociami funkcji dla kolejnych wartoci x:
a) F=[1, 1.25, 2.25, 3.375, 5.063, 7.594, 11.391, 17.086, 25.629];
b) F=[1, 1.24, 1.422, 1.58, 1.724, 1.859];
c) F=[0, 0.824, 3.543, 10.265, 25.043];
d) F=[0, 0.022, 0.071, 0.152, 0.271, 0.436, 0.655, 0.937, 1.293,
1.736, 2.279, 2.94, 3.737, 4.691, 5.827, 7.171, 8.756, 10.617,
12.795, 15.336, 18.291];
e) F=[-1, -0.916, -0.942, -1.072, -1.303, -1.629];
f) F=[0, 0.082, 0.262, 0.589, 1.169, 2.274, 4.769,
13.593, -101.389, -17.642, -11.855 ].
7. Rozwizywanie rwna i ukadw rwna rniczkowych zwyczajnych 207
Zadanie 7.2.
Ulepszon metod Eulera znale rozwizanie rwnania podanych
rwna rniczkowych z warunkiem pocztkowym dla x z podanego
przedziau oraz z podanym krokiem h:
a) ;
b) ;
c) ;
d) ;
e) .
Odp.
Tablice z wartociami funkcji dla kolejnych wartoci x:
a) F=[2, 2.301, 2.623, 2.964, 3.326, 3.707, 4.108, 4.53, 4.971, 5.433,
5.914];
b) F=[1, 1.195, 1.564, 2.185, 3.205, 4.897, 7.777, 12.851, 22.157];
c) F=[9.87, 7.851, 5.587, 3.777, 3.271, 4.947, 9.588, 17.737, 29.574,
44.821, 62.704];
d) F=[0.5, 0.581, 0.643, 0.68, 0.687, 0.663, 0.608, 0.522, 0.406,
0.258, 0.078];
e) F=[7.389, 8.743, 10.273, 12.001, 13.947, 16.137, 18.598, 21.36,
24.457, 27.926, 31.807, 36.146, 40.991, 46.398, 52.428, 59.146,
66.626, 74.949, 84.205, 94.491, 105.916].
Zadanie 7.3.
Wyznaczy przyblione wartoci rozwiza rwna rniczkowych
z warunkiem pocztkowym metod ulepszon Eulera w podanym punkcie
z zadanym krokiem.
a) ;
b) ;
c) .
Odp.
a) ;
b) ;
c) .
Bibliografia
1. Dahlquist G., Bjrck A.: Metody numeryczne. PWN,
Warszawa, 1983.
2. Guziak T., Kamiska A., Paczyk B., Sikora J., Metody
numeryczne w elektrotechnice, Wydawnictwo Politechniki
Lubelskiej, 2002.
3. Engeln-Mullges G., Uhlig F.: Numerical Recipes in C. Springer,
1996.
4. Fortuna Z., Macukow B., Wsowski J.: Metody numeryczne.
Warszawa, WNT, 1993.
5. Jankowscy J. i M.: Przegld metod i algorytmw
numerycznych. WNT, Warszawa, 1988.
6. Osowski S. Komputerowe metody analizy i optymalizacji
obwodw elektrycznych, Wydawnictwo Politechniki
Warszawskiej, Warszawa 1993.
7. Press W.H., Flannery B.P., Teukolsky S.A., Vetterling W.T.:
Numerical Recipes. Cambridge University Press, Cambridge,
1985.
8. Ralston A.: Wstp do analizy numerycznej. PWN, Warszawa,
1975.
9. Stoer J.: Wstp do metod numerycznych. PWN, Warszawa,
1979.
10. Stoer J., Bulirsch R.: Wstp do analizy numerycznej. PWN,
Warszawa, 1987.
11. Wit R.: Metody programowania nieliniowego. WNT,
Warszawa, 1986.
Indeks
dziaania elementarne algorytmu, 134
A
algorytm, 10
E
Adamsa-Bashfortha, 203 ekstrapolacja, 35, 39
Adamsa-Moultona, 203
Geara, 205
Hamminga, 203 F
Milnea, 203 funkcja
numerycznie poprawny, 21 aproksymujca, 58
numerycznie stabilny, 21, 193 interpolowana, 35
analiza Fouriera, 47 interpolujca, 35
aproksymacja, 58 nieparzysta, 48
jednostajna, 59 parzysta, 48
redniokwadratowa, 60 sklejana, 50
w przypadku normy Czebyszewa, 59 wagowa, 60
w przypadku normy l2 z wag, 60
G
B
graf, 122
baza przestrzeni wektorowej, 29
bd
bezwzgledny maksymalny, 11 I
bezwzgldny, 11
cakowity, 192 iloczyn skalarny wektorw, 28
graniczny, 11 iloraz
lokalny, 193 rnicowy, 40
metody, 192 interpolacja, 35
obcicia, 192 reszta interpolacji, 40
wzgldny, 11
zaokrglenia, 192 K
kombinacja liniowa wektorw, 29
C krok cakowania, 192
cakowanie numeryczne, 169 kwadratura, 169
cecha liczby, 13 Gaussa, 175
cyfra Gaussa-Czebyszewa, 181
istotna, 11 Gaussa-Hermitea, 179
istotna uamkowa, 11 Gaussa-Laguerrea, 180
uamkowa poprawna, 11 Gaussa-Legendrea, 182
znaczca, 11 interpolacyjna, 170
Newtona-Cotesa, 169
wzr Simpsona, 172
D wzr trapezw, 170
delta Kroneckera, 24
dyskretna analiza Fouriera, 47
210 Metody numeryczne w przykadach
Householdera, 101
L iteracji prostej, 107
liczba uwarunkowania macierzy, 118 iteracyjna, 147
liniowe zadanie najmniejszych kwadratw, jednokrokowa, 202
140 kolejnych przyblie, 147
minimalnych bdw, 119
minimalnych residuw, 119
M nadrelaksacji, 111
macierz, 23 najmniejszych kwadratw, 60
blokowa, 27 najszybszego spadku, 118
blokowo-przektniowa, 27 Newtona, 156
blokowo-trjktna, 28 Newtona-Raphsona, 156
diagonalizowalna, 31 poowienia, 147, 148
regula falsi, 150
diagonalna, 24
diagonalnie dominujca, 110 rwnego podziau, 148
rnicowa, 191, 202
dodatnio okrelona, 27
hermitowska, 27 Rungego-Kutty, 195, 197
siecznych, 155
Jacobiego, 164
jednostkowa, 24 Simpsona, 197
SOR, 111
komutujca, 117
kwadratowa, 24 sprzonych gradientw, 119
stycznych, 156, 194
nieosobliwa, 26
nieredukowalna, 109 typu Rungego-Kutty, 191
uoglniona Newtona-Raphsona, 164
odwrotna, 26, 105
ortogonalna, 27 wielokrokowa, 202
osobliwa, 26 minor, 26
podobna, 31
przektniowa, 24 N
pseudoodwrotna, 141
rzadka, 119 nadmiar pozycyjny, 15
sprzona, 25 niedomiar pozycyjny, 15
symetryczna, 27 nierwno
trjdiagonalna, 120 Schwarza, 33
trjktna, 25 trjkta, 33
trjktna dolna (lewa), 25 norma, 32
trjktna grna (prawa), 25 euklidesowa, 33
unitarna, 27 indukowana przez norm wektora, 34
Vandermondea, 37 maksymalna, 33
wstgowa, 120 zgodna, 34
mantysa liczby, 13
metoda
bisekcji, 147
O
Czebyszewa, 115 odbicia Householdera, 101
dyskretna, 191 operator liniowy, 23
eliminacji Gaussa, 84 optymalny poziom bdu, 21
eliminacji Gaussa-Jordana, 94
eliminacji zupenej (Jordana), 95
Eulera, 193 P
Gaussa-Seidela, 110
podprzestrze liniowa, 29
gradientowa, 117
podwyznacznik macierzy, 26
gradientw sprzonych, 119
pole wektorowe, 190
Heuna, 197
Indeks 211
poprawno algorytmu, 21 jednorodny, 30
przedzia izolacji, 147 normalny, 62
przeksztacenie sztywny, 204
przez podobiestwo, 31 le uwarunkowany, 204
przestrze wektorowa, 28 ukady rwna nieliniowych, 164
przyblienie funkcji, 58 uwarunkowanie zadania numerycznego, 21
R W
reprezentacja warto
staopozycyjna, 13 osobliwa macierzy, 141
zmiennopozycyjna, 13 szczeglna macierzy, 141
residuum, 140 wasna macierzy, 31
reszta interpolacji, 40 warunek Lipschitza, 188
rodzina rozwiza rwnania rn., 190 wektor, 28
rozkad kolumnowy, 24
Choleskiego, 99 liniowo niezaleny, 29
Householdera, 101 liniowo zaleny, 29
LU (trjktny), 95 wasny macierzy, 31
QR, 101, 102 wektor residualny, 140
wedug wartoci szczeglnych, 141 wze
rozwinicie dwjkowe liczby, 13 interpolacji, 35
rwnanie widmo
charakterystyczne macierzy, 31 macierzy, 31
rzd wielomian
dokadnoci metody, 192 Czebyszewa, 78
macierzy, 29 interpolacyjny, 36
metody przyblionej, 192 ortogonalny, 72
regua trjczonowa, 73
wsprzdne wektora wzgldem bazy, 29
S wyznacznik macierzy, 26, 106
stabilno algorytmu, 21 wzr
staa Lipschitza, 188 ekstrapolacyjny (jawny), 202
stopie macierzy kwadratowej, 24 interpolacyjny (uwikany), 203
symbol Kroneckera, 24 interpolacyjny Lagrange'a, 38
symulacja ukadu interpolacyjny Newtona, 42
ciga, 191 Simpsona, 172
dynamiczna, 191 trapezw, 170
T Z
transpozycja macierzy, 25 zadanie numeryczne, 10
zagadnienie pocztkowe, 187
U
ukad rwna, 30