- •1.1. Основные этапы решения задач с помощью эвм
- •1.2. Погрешности результатов численного решения задач
- •1.3. Основные требования к алгоритмам и программному обеспечению
- •2.1. Метод дихотомии (деления отрезка пополам)
- •2.2. Метод хорд
- •2.3. Метод простой итерации
- •2.4. Метод Ньютона
- •2.5. Модификации метода Ньютона
- •3.1. Основные понятия вычислительной линейной алгебры
- •3.2. Некоторые точные методы решения слау
- •3.3. Итерационные методы решения слау
- •3.4. Вычисление собственных значений матрицы
- •4.1. Постановка задачи интерполяции
- •4.2. Полиномиальная интерполяция. Формула Лагранжа
- •4.3. Разделенные разности и интерполяционная формула Ньютона
- •4.4. Кусочно-полиномиальная интерполяция
- •4.4. Программы решения задач интерполяции с помощью Matlab
- •5.1. Численное дифференцирование
- •5.2. Погрешности методов численного дифференцирования
- •5.3. Численное интегрирование. Простейшие методы
- •5.4. Метод Ньютона-Котеса и его модификация
- •5.5. Методы Монте-Карло
- •6.1. Решение пере- и недоопределенных слау
- •6.2. Примеры решение переопределенной слау методом наименьших квадратов Пусть
- •6.3. Метод наименьших квадратов для регрессионного анализа
- •Задание к главе 6
- •7.1. Методы решения задачи Коши
- •7.2. Методы Рунге-Кутта решения задачи Коши
- •7.3. Решение краевой задачи для оду
- •Задания к главе 7
- •8.1. Решения дифференциальных уравнений первого порядка
- •8.2. Решения дифференциальных уравнений параболического типа
- •8.3. Решение дифференциальных уравнений эллиптического типа
- •8.4. Решение дифференциальных уравнений гиперболического типа
5.5. Методы Монте-Карло
Методы Монте-Карло используются в основном для вычисления кратных интегралов. В принципе такие интегралы можно вычислить и повторным применением выше изложенных методов. Однако с повышением кратности интеграла резко возрастает объем вычислительной работы. Методы статистических испытаний (методы Монте-Карло) свободны от этого недостатка, хотя и обеспечивают сравнительно невысокую точность. Существует большое количество вариантов этих методов. Рассмотрим два из них.
Первый из них можно интерпретировать как статистический вариант метода прямоугольников, когда в качестве узла берется случайное число, равномерно распределенное в интервале интегрирования . Вследствие случайности узла погрешность также будет носить случайный характер. Проведя вычислений с такими случайными узлами, усредняем результат, который и принимаем за приближенное значение интеграла,
. (5.48)
Погрешность вычисления будет уменьшаться с ростом числа используемых узлов расчета функции по закону . Графическая иллюстрация метода представлена на рисунке 5.5.
Рисунок 5.5. Статистический вариант метода прямоугольников
Формула (5.48) обобщается на случай кратных интегралов
. (5.49)
Здесь – -мерный объем области интегрирования . Число узлов, в которых необходимо вычислять подынтегральную функцию, будет пропорционально .
Во втором варианте метода Монте-Карло интеграл приводится к виду
, (5.50)
где находится в интервале . Тогда две случайные величины и можно рассматривать как координаты точек в единичном квадрате (рисунок 5.8). При равномерном распределении точек в квадрате за приближенное значение интеграла принимается отношение количества точек , попавших под кривую , к общему числу испытаний
. (5.51)
Этот алгоритм также обобщается на кратные интегралы.
Рисунок 5.8. Метод статистических испытаний
Задание к главе 5
Оценить порядок погрешности формулы (5.15) по малому параметру .
Оценить совместную погрешность вычисления второй производной по формуле (5.15).
Составить алгоритм и программу вычисления а) первой производной по формулам (5.2)-(5.4); б) второй производной по формуле (5.15). Построить графики и сравнить их (заданы таблицы функций)
5.3.
x |
y |
x |
y |
x |
y |
1,0 |
1,2661 |
1,7 |
1,8640 |
2,4 |
3,0493 |
1,1 |
1,3262 |
1,8 |
1,9896 |
2,5 |
3,2898 |
1,2 |
1,3937 |
1,9 |
2,1277 |
2,6 |
3,5533 |
1,3 |
1,4693 |
2,0 |
2,2796 |
2,7 |
3,8417 |
1,4 |
1,5534 |
2,1 |
2,4463 |
2,8 |
4,1573 |
1,5 |
1,6467 |
2,2 |
2,6291 |
2,9 |
4,5027 |
1,6 |
1,7500 |
2,3 |
2,8296 |
3,0 |
4,8808 |
5.4.
x |
y |
x |
y |
x |
y |
0,4 |
0,4000 |
1,6 |
8,7826 |
2,8 |
23,3808 |
0,6 |
1,4848 |
1,8 |
10,6967 |
3,0 |
26,6819 |
0,8 |
2,6811 |
2,0 |
12,7945 |
3,2 |
30,2945 |
1,0 |
3,9983 |
2,2 |
15,0926 |
3,4 |
34,2479 |
1,2 |
5,4465 |
2,4 |
17,6093 |
3,6 |
38,5741 |
1,4 |
7,0371 |
2,6 |
20,3647 |
3,8 |
43,3084 |
Составить алгоритм и программу и вычислить интеграл по формулам а) левых; б) правых; в) средних прямоугольников с указанным числом разбиений интегрируемого отрезка (совместно решить задачи пункта а) и б); а) и в), б) и в), результаты сравнить)
Составить алгоритм и программу и вычислить интеграл по формулам а) Симпсона; б) Монте-Карло с указанным числом разбиений интегрируемого отрезка
Составить алгоритм и программу, вычислить интегралы и построить графики функций с шагом по (метод интегрирования выбрать самостоятельно)
, (интегральный синус)
, (функция Френеля)
, (функция Лобачевского)
6. Метод наименьших квадратов
Будем рассматривать систему линейных алгебраических уравнений вида
. (6.1)
Из курса линейной алгебры известно, что в том случае, когда и число уравнений равно числу неизвестных система имеет единственное решение. На практике часто встречаются задачи, в которых либо число уравнений не совпадает с числом неизвестных, либо матрицаили векторзаданы не полностью или не точно. Решение таких задач строится методом наименьших квадратов (МНК).