Більшість рівнянь реального світу не мають аналітичного розв'язку. Чисельні методи — інструменти для отримання наближених відповідей з контрольованою точністю. Вони лежать в основі скінченно-елементного аналізу, машинного навчання, CFD і всього, що «рахує комп'ютер».
1. Знаходження коренів: бісекція
Найпростіший і найнадійніший метод. Ґрунтується на теоремі Больцано-Коші (про проміжні значення): якщо f(a)·f(b) < 0, то ∃c∈(a,b): f(c)=0.
Алгоритм бісекції:
Дано: f, [a,b], ε (точність)
Умова: f(a)·f(b) < 0
Поки (b−a)/2 > ε:
m = (a+b)/2 ← середина
якщо f(m)=0: return m ← точний корінь
якщо f(a)·f(m)<0:
b = m ← корінь у [a,m]
інакше:
a = m ← корінь у [m,b]
return (a+b)/2
Гарантована збіжність: після n ітерацій |cₙ−c*| ≤ (b−a)/2ⁿ
Щоб досягти ε: n ≥ log₂((b−a)/ε) ітерацій
Приклад: f(x) = x³ − x − 2 = 0 на [1,2]
f(1)=−2<0, f(2)=4>0 → m=1.5: f(1.5)=−0.125<0 → [1.5,2]
m=1.75: f=1.609>0 → [1.5,1.75]
m=1.625: f=0.666>0 → [1.5,1.625]
… → корінь ≈ 1.5214 (точний: x*=∛(1+∛5+∛25)/∛3 ≈ 1.5214)
2. Метод Ньютона-Рафсона
Набагато швидша збіжність, але потребує обчислення похідної і «доброго» початкового наближення:
Ітерація Ньютона:
xₙ₊₁ = xₙ − f(xₙ)/f'(xₙ)
Геометрична ідея: пряма дотична до графіка в xₙ → перетин з Ox → xₙ₊₁
Квадратична збіжність: |xₙ₊₁ − x*| ≤ C·|xₙ − x*|²
тобто число вірних цифр подвоюється з кожною ітерацією!
Приклад: √2 = корінь f(x) = x²−2, f'=2x
x₀=1: x₁=1−(−1)/2=1.5
x₁=1.5: x₂=1.5−(0.25)/3=1.4167
x₂: x₃=1.41421356… ← майже точно!
Метод Ньютона для систем F(x) = 0:
xₙ₊₁ = xₙ − J_F(xₙ)⁻¹ · F(xₙ)
де J_F — матриця Якобіана (розв'язуємо J·Δx = −F)
Проблеми: f'(xₙ)≈0 (горизонтальна дотична), цикли,
розбіжність при поганому x₀
Секантний метод: замінює f' на різницеву похідну (не потрібна)
3. Чисельне інтегрування
Апроксимуємо визначений інтеграл ∫ₐᵇf(x)dx за допомогою формул на сітці {a = x₀ < x₁ < … < xₙ = b}, h = (b−a)/n:
Трапецій
O(h²) — 1-й порядок
Сімпсона
O(h⁴) — 3-й порядок
Гаусова квадратура
O(h^{2n}) — оптимальна
Ромберга
O(h^{2k}) — екстраполяція
Метод трапецій:
∫ₐᵇ f ≈ h·[f(x₀)/2 + f(x₁) + f(x₂) + … + f(xₙ₋₁) + f(xₙ)/2]
Похибка: |E| ≤ (b−a)h²/12 · max|f''(x)|
Метод Сімпсона (n парне):
∫ₐᵇ f ≈ h/3·[f(x₀) + 4f(x₁) + 2f(x₂) + 4f(x₃) + … + 4f(xₙ₋₁) + f(xₙ)]
Похибка: |E| ≤ (b−a)h⁴/180 · max|f''''(x)|
Гаусова квадратура (n вузлів точна для многочленів до 2n−1):
∫₋₁¹ f(x)dx ≈ Σᵢ wᵢ f(xᵢ)
Вузли xᵢ — корені многочлена Лежандра Pₙ(x)
Для n=2: x=±1/√3, w=1; для n=3: x=0,±√(3/5), w=8/9,5/9
Приклад: ∫₀¹ e^x dx = e−1 ≈ 1.71828…
Трапецій n=4, h=0.25: ≈ 1.7272 (похибка 0.005)
Сімпсон n=4, h=0.25: ≈ 1.71834 (похибка 6·10⁻⁵) ✓
4. Метод найменших квадратів (МНК)
Маємо n>m точок (xᵢ,yᵢ) і хочемо апроксимувати їх параметричною моделлю:
Матрична форма: шукаємо x, щоб мінімізувати ||Ax − b||²
де A — матриця плану (m×n, m точок, n параметрів), b — вектор y
Система нормальних рівнянь:
AᵀA·x = Aᵀb → x = (AᵀA)⁻¹Aᵀb
Псевдообернена матриця A⁺ = (AᵀA)⁻¹Aᵀ (для A повного рангу)
Приклад (лінійна регресія y = a + bx):
A = [1 x₁; 1 x₂; …; 1 xₙ], b = [y₁;…;yₙ]
AᵀA = [n Σxᵢ; Σxᵢ Σxᵢ²]
Aᵀb = [Σyᵢ; Σxᵢyᵢ]
Розв'язок:
b = (nΣxᵢyᵢ − ΣxᵢΣyᵢ) / (nΣxᵢ² − (Σxᵢ)²)
a = (Σyᵢ − b·Σxᵢ) / n
SVD-розкладення A = UΣVᵀ (найстійкіший метод):
A⁺ = VΣ⁺Uᵀ (де Σ⁺ — псевдообернена діагоналей матриця)
Автоматично обробляє вироджені випадки (близькі рядки)
5. Ітеративні методи для систем Ax = b
Метод Якобі:
Ax = b → A = D + L + U (діагональ + нижня + верхня)
xₙ₊₁ = D⁻¹(b − (L+U)xₙ)
Компонентно: xᵢ^(k+1) = (bᵢ − Σⱼ≠ᵢ aᵢⱼxⱼ^(k)) / aᵢᵢ
Метод Гауса-Зейделя (швидше Якобі):
xᵢ^(k+1) = (bᵢ − Σⱼ<ᵢ aᵢⱼxⱼ^(k+1) − Σⱼ>ᵢ aᵢⱼxⱼ^(k)) / aᵢᵢ
← використовує вже оновлені компоненти!
Умова збіжності: матриця A діагонально домінантна:
|aᵢᵢ| > Σⱼ≠ᵢ|aᵢⱼ| для всіх i
Порівняння для системи 1000×1000:
Гаусове виключення: O(n³) ≈ 10⁹ операцій
Якобі/Г-З (p ітерацій): O(pn²) — ефективно при рідкій A
Метод CG (спряжені градієнти) — для симетричних A>0:
rₖ₊₁ = rₖ − αₖAd̂ₖ, xₖ₊₁ = xₖ + αₖdₖ
Збіжність за ≤n кроків (точно), на практиці значно швидше
6. Інтерполяція: Лагранж та Ньютон
Інтерполяційний многочлен Лагранжа (n+1 вузлів):
P(x) = Σᵢ₌₀ⁿ yᵢ·Lᵢ(x)
де Lᵢ(x) = Πⱼ≠ᵢ (x−xⱼ)/(xᵢ−xⱼ)
Lᵢ(xⱼ) = δᵢⱼ ← базисний вузловий многочлен
Форма Ньютона (для інкрементального додавання вузлів):
P(x) = [y₀] + [y₀,y₁](x−x₀) + [y₀,y₁,y₂](x−x₀)(x−x₁) + …
Розділені різниці:
[yᵢ] = yᵢ
[yᵢ,yᵢ₊₁] = (yᵢ₊₁ − yᵢ)/(xᵢ₊₁ − xᵢ)
[yᵢ,…,yᵢ₊ₖ] = ([yᵢ₊₁,…,yᵢ₊ₖ]−[yᵢ,…,yᵢ₊ₖ₋₁])/(xᵢ₊ₖ−xᵢ)
Феномен Рунге: при рівновіддалених вузлах і гладких f
можуть бути великі коливання на кінцях!
Рішення: вузли Чебишева xᵢ = cos((2i+1)π/(2n+2))
Кубічні сплайни (на практиці кращі):
Кусково-кубічні S(x), S∈C² ← «природний сплайн»
Мінімізують ∫(S'')² — «найглаткіша» крива
MATLAB/Python: scipy.interpolate.CubicSpline
Коли Ньютон-Рафсон краще бісекції?
Метод Ньютона-Рафсона збігається квадратично (кількість вірних цифр подвоюється), тоді як бісекція — лінійно (одна цифра на ~3.3 ітерації). Для точності 10⁻¹⁵ Ньютону потрібно ~5 ітерацій, бісекції — ~50. Але Ньютон може розходитися при поганому x₀ або f'≈0. Доброю практикою є стартувати з бісекції (надійна), досягти грубого наближення, потім перейти до Ньютона (швидка).
Яка точність методу Сімпсона?
Метод Сімпсона (1/3 Сімпсона) має порядок точності O(h⁴), тобто вчетверо зменшуючи крок h→h/2, похибка зменшується в 16 разів. Для порівняння: трапецій — O(h²), тобто зменшення в 4 рази. Це пояснюється тим, що Сімпсон апроксимує параболою (3 точки), інтегрується від −h до h точно для всіх поліномів степеня ≤3 (через симетрію непарних членів зникають).
Про цю статтю
Ця стаття є частиною бази знань calculator.party — освітнього ресурсу, що поєднує теорію з практичними інструментами. Матеріал орієнтований на студентів, учнів і фахівців, що прагнуть глибокого розуміння теми. Тут зібрані ключові концепції, формули та реальні приклади застосування.
Класична механіка — перша точна наука, створена Ньютоном. Її закони описують рух від кулі до планети, і вони залишаються основою для більшості інженерних розрахунків.
Навіщо читати цю статтю
Після прочитання ви зможете впевнено пояснити тему, вирішувати практичні задачі та застосовувати знання у навчанні й роботі. Стаття охоплює теоретичне підґрунтя і числові приклади, що полегшують запам'ятовування матеріалу.
Часті запитання (FAQ)
Що таке Чисельні методи: знаходження коренів, інтегрування, системи рівнянь, інтерполяція і чому це важливо знати?
Чисельні методи: знаходження коренів, інтегрування, системи рівнянь, інтерполяція — ключова тема в різних галузей науки. Розуміння її основ дає змогу вирішувати практичні задачі, успішно складати іспити та застосовувати знання в реальних ситуаціях. Стаття розкриває концепцію доступними словами з конкретними прикладами.
Які ключові формули та методи використовуються в чисельні методи: знаходження коренів, інтегрування, системи рівнянь, інтерполяція?
Основні формули та методи для чисельні методи: знаходження коренів, інтегрування, системи рівнянь, інтерполяція охоплюють як аналітичні підходи, так і числові алгоритми. У статті наведені всі ключові вирази з поясненням кожного позначення та вказівкою одиниць вимірювання.
Де в реальному житті застосовується чисельні методи: знаходження коренів, інтегрування, системи рівнянь, інтерполяція?
Сфери застосування чисельні методи: знаходження коренів, інтегрування, системи рівнянь, інтерполяція надзвичайно широкі: освіті, науці, інженерії та повсякденному житті. Знання цієї теми відкриває кар'єрні можливості в інженерії, науці, фінансах та IT-галузі.
Як розрахувати чисельні методи: знаходження коренів, інтегрування, системи рівнянь, інтерполяція онлайн?
На calculator.party є безкоштовні онлайн-калькулятори з тематики 'Чисельні методи: знаходження коренів, інтегрування, системи рівнянь, інтерполяція'. Достатньо ввести вхідні дані — і ви миттєво отримаєте точний результат з покроковим поясненням. Це ідеально для перевірки ручних розрахунків.
Яка різниця між чисельні методи: знаходження коренів, інтегрування, системи рівнянь, інтерполяція та суміжними темами?
Стаття чітко описує межі тематики 'Чисельні методи: знаходження коренів, інтегрування, системи рівнянь, інтерполяція', порівнюючи її з близькими поняттями. Чітке розуміння відмінностей допомагає уникнути типових помилок та плутанини при розв'язанні задач.