- •Понятие математической модели.
- •Устойчивость.
- •Типы погрешностей.
- •Приближенные числа. Абсолютные и относительные погрешности.
- •Округление.
- •Погрешности арифметических операций над приближенными числами.
- •Погрешность функции.
- •Представление вещественных чисел.
- •Арифметические операции над числами с плавающей точкой.
- •Вычисление машинной точности.
- •Методы отыскания решений нелинейных уравнений.
- •Система линейных алгебраических уравнений.
- •Вычисление lu-разложения (метод Гаусса).
- •Вычисление luр-разложения (метод Гаусса с выбором ведущего элемента).
- •Система линейных алгебраических уравнений.
- •Метод прогонки.
- •Система линейных алгебраических уравнений.
- •Итерационные методы решения систем линейных алгебраических уравнений.
- •Одномерная минимизация.
- •Методы прямого поиска.
- •Оптимальный пассивный поиск.
- •Постановка задачи приближения функций.
- •Полиномиальная интерполяция. Многочлен Лагранжа.
- •Минимизация погрешности оценки интерполяции. Многочлены Чебышева. Постановка задачи минимизации оценки погрешности.
- •Многочлены Чебышева.
- •Постановка задачи приближения функций. В13
- •16 Глобальные способы построения кубических сплайнов.
- •17 Граничные условия для кубических сплайнов
- •Метод наименьших квадратов.
- •Методы численного дифференцирования. Численное дифференцирование.
- •Устойчивость.
- •Адекватность дискретной модели исходной математической задаче;
- •Сходимость численного решения к точному решению;
- •Устойчивость выбранного метода решения.
- •Численное интегрирование. Формулы прямоугольников и трапеций/Формула Симпсона
- •Методы Монте-Карло.
- •Обыкновенные дифференциальные уравнения. Метод Эйлера.
- •Обыкновенные дифференциальные уравнения.
16 Глобальные способы построения кубических сплайнов.
Для того, чтобы сплайн S3(x) имел непрерывную на отрезке [a; b] вторую производную S3''(x) , необходимо выбирать наклоны si так, чтобы в точках хi "стыка многочленов" Р3, i и P3, i+1 совпадали значения их вторых производных:
P''3, i(xi) = P ''3, i+1(xi), i = 1, 2, … , n - 1.
Пользуясь формулой (32), найдем значение
. (33')
Из подобной формулы, записанной для многочлена P3, i+1, имеем
. (33'')
Таким образом, получаем следующую систему уравнений относительно коэффициентов si:
(34)
Заметим, что эта система недоопределена, т.к. число уравнений системы (равное п - 1) меньше числа неизвестных (равного п+1). Выбор двух оставшихся уравнений обычно связывают с некоторыми дополнительными условиями, накладываемыми на сплайн в граничных точках а и b (граничными условиями). Укажем на некоторые из наиболее известных граничных условий:
17 Граничные условия для кубических сплайнов
Если в граничных точках известны значения первой производной f '(a) и f '(b), то естественно принять
s0 = f '(a), sn = f '(b) . (35)
Дополняя систему (34) уравнениями (35), приходим к системе уравнений с трехдиагональной матрицей, которая легко решается методом прогонки. Полученный таким образом сплайн называется фундаментальным кубическим сплайном.
Если в граничных точках известны значения второй производной f ''(a) и f ''(b), то можно наложить на сплайн граничные условия S3''(a) = P3,1''(a) = f ''(a), S3''(b) = P3,n''(xn) = f ''(b), что приводит к следующим уравнениям:
(36')
(36'')
(достаточно в равенстве (33'') взять i = 0 , а в равенстве (33') i=n ).
Полагая в уравнениях (36'), (36'') f ''(a) = f ''(b) =0 (независимо от того, выполнены ли эти условия для интерполируемой функции), придем к системе уравнений, определяющий так называемый естественный кубический сплайн.
Часто нет никакой дополнительной информации о значениях производных на концах отрезка. Один из применяемых в этой ситуации подходов состоит в использовании условия "отсутствия узла". Выбор наклонов si производят таким образом, чтобы для получаемого сплайна выполнялось условие P3,1(x) P3,2(x), P3,n-1(x) P3,n(x). Для этого достаточно потребовать совпадения в точках х1, хп-1 соответствующих третьих производных:
P(3)3,1(x1) P(3)3,2(x1), P(3)3,n-1(xп-1) P(3)3,n(xп-1) .
Эквивалентные алгебраические уравнения выглядят так:
2h1-3(y0 - y1) + h1-2(s0 + s1) = 2h2-3(y1 - y2) + h2-2(s1 + s2),
2hn-1-3(yn-2 - yn-1) + hn-1-2(sn-2 + sn-1) = 2hn-3(yn-1 - yn) + hn-2(sn-1 + sn).
Если f - периодическая функция с периодом, равным b-a , то систему (34) следует дополнить условиями
s0 = sn ,
hn-1(sn-1 + 2sn) + h1-1(2s0 + s1) = 3[hn-2(yn - yn-1) + h1-2(y1 - y0)]
18-19
Метод наименьших квадратов.
Пусть функция y=f(x) задана таблицей приближенных значений
yi f (xi), i = 0, 1, … , n,
полученных с ошибками i = yi0 - yi, где yi0 = f (xi). Если значения yi получены из эксперимента, то ошибки носят случайный характер и уровень погрешности ("шума" таблицы) может быть значительным.
Предположим, что для аппроксимации функции f используется линейная модель:
у = (х) а00(х) а11(х) атт(х) .
Здесь 0(х), 1(х), , т(х) - заданные базисные функции, а0, а1, , ат - параметры модели. Одной из самых простых и часто используемых моделей является полиномиальная модель
у = Рт(х) а0 а1х атхт .
В случае, когда уровень неопределенности исходных данных высок, нецелесообразно использовать интерполяцию, поскольку при интерполировании происходит повторение ошибок наблюдений, в то время как при обработке экспериментальных данных, напротив, желательно их сглаживание. Однако следует все же стремиться к тому, чтобы выполнялись приближенные равенства
а00(х0) а11(х0) атт(х0) у0,
а00(х1) а11(х1) атт(х1) у1,
………………………………………..
а00(хn) а11(хn) атт(хn) уn ,
или в матричном виде Ра у .
Из различных критериев, позволяющих выбрать параметры модели а0, а1, , ат так, чтобы данные приближенные равенства выполнялись наилучшим в некотором смысле образом, наиболее часто используется критерий наименьших квадратов. Согласно этому критерию параметры выбираются так, чтобы минимизировать среднеквадратичное уклонение
.
Здесь . Заметим, что минимум среднеквадратичного уклонения достигается при тех же значениях а0, а1, , ат , что и минимум функции
.
Простейший подход к решению поставленной задачи состоит в использовании необходимого условия экстремума функции s:
Если система функций 0(х), 1(х), , т(х) линейно независима в точках х0, х1, … , хп , то многочлен наилучшего среднеквадратичного приближения существует и является единственным. В случае приближения алгебраическими многочленами получаем систему уравнений
(3)
Запишем систему (3) в развернутом виде в двух наиболее простых случаях т = 1 и т = 2. Для многочлена первой степени Р1(х) = а0 + а1х получаем
18
Если же используется многочлен второй степени Р2(х) = а0 + а1х + а2х2, то имеем
19
Систему (3) из п уравнений можно записать как матричное уравнение
(Ас - у)ТА = 0,
которое эквивалентно уравнению АТ(Ас-у) = 0.
Раскрыв скобки, мы приходим к уравнению
АТАс = АТу, (4)
называемому в математической статистике нормальным уравнением. Матрица АТА будет симметрической, и, если только А имеет полный столбцовый ранг, положительно определенной. В этом случае существует обратная матрица (АТА)-1 , и решение системы (4) единственно:
с = ((АТА)-1АТ)у = А+у .
Здесь через А+ обозначена матрица (АТА)-1АТ, называемая псевдообратной к матрице А. Это понятие является естественным обобщением понятия обратной матрицы на случай неквадратных матриц.
20