《数值分析》完整版讲义
数值分析全册完整课件
解： 将 ex2 作Taylor展开后再积分
1 eБайду номын сангаас x2 dx
1
(1
x2
x4
x6
x8
... ) dx
0
0
2 ! 3! 4!
1 1 1 1 1 1 1 1 ... 3 2! 5 3! 7 4! 9
S4
R4
取 1 e
x
2
dx
0
S4
,
则
R4
1 1 4! 9
1 1 5! 11
...
值班军官对连长: 根据营长的命令，明晚8点哈雷彗星将 在操场上空出现。如果下雨的话，就让士兵穿着野战服列 队前往礼堂，这一罕见的现象将在那里出现。
连长对排长: 根据营长的命令，明晚8点，非凡的哈雷彗 星将身穿野战服在礼堂中出现。如果操场上下雨，营长将 下达另一个命令，这种命令每隔76年才会出现一次。
1.由实际问题应用有关知识和数学理论建立模型， -----应用数学任务
2.由数学模型提出求解的数值计算方法直到编程出结果， -----计算数学任务
计算方法是计算数学的一个主要部分，研究的即是后半 部分，将理论与计算相结合。
特点:
面向计算机，提供切实可行的算法； 有可靠的理论分析，能达到精度要求，保证近
计算方法
数值分析全册完整课件
教材和参考书
教材：
数值分析，电子科技大学应用数学学院，钟尔杰， 黄廷祝主编，高等教育出版社
参考书：
数值方法（MATLAB版）（第三版），John H. Mathews,Kurtis D. Fink 著，电子工业出版社；
数值分析（第四版），李庆扬，王能超，易大义编，清华 大学出版社；
数值分析(03)赋范线性空间讲义.
数值分析
3.C [a , b] : f ( x ) C [a , b]也有以下的三种常用范数. 1 范数 : f 2 范数 : f 范数 : f
1
f ( x ) dx
a
b
2
( f ( x ) dx )
a
b
2
1 2
max f ( x )
x a , b
用范数定义V中元素之间的距离
数值分析
数值分析
例：f ( x) x, g( x ) e x , x [0,1]
( f , g) || x e ||p , p 1,2,
x
( f , g ) || x e ||1 | x e | dx
b
(3)
f g 1 = f ( x ) g( x ) dx ( f ( x ) g( x ) )dx
a a
f ( x ) dx g( x ) dx f
a a
b
b
b
1
g 1,
f ( x ), g( x ) C [a , b]
所以 f 1 = f ( x ) dx 为f ( x )在C [a , b]中的范数.
2 1 2
可以证明 : x R n 有 关 系 式 1 x2 x x2 n x x2 n x x x1n x
数值分析
数值分析
例：证明
|| x || || x ||2 n || x ||
2 xn n max | xi |2 n max | xi | 1 i n 1 i n
1 p
欧氏范数
2 1 2
i 1 n
Cauchy Schwarz 不等式 ( xi yi )
数值分析讲义
存在正数 ε∗, 使得
|x∗ − x| ≤ ε∗
称 ε∗ 为近似值的绝对误差限，简称误差限。
记作 x = x∗ ± ε.
朱升峰 (ECNU)
x∗ − ε∗ ⩽ x ⩽ x∗ + ε∗,
数值分析
. . . .... .... .... . . . . .
. . . .... .... .... . .
. ..
2021.03 14 / 31
相对误差
定义 3
近似值的误差与准确值的比值 e∗ x∗ − x x= x
称为近似值 x∗ 的相对误差，记作 e∗r 。
定义 4
若存在正数 ε∗r , 使得 |e∗r | ≤ ε∗r , 则称 ε∗r 为相对误差限。
实际计算中，准确值未知，一般取
e∗ x∗ − x x∗ = x∗
理论研究 实验研究 科学计算 科学计算: 现今体现国家科学技术核心竞争力的重要标志 计算数学是各种计算性学科的共性基础。
朱升峰 (ECNU)
数值分析
. . . .... .... .... . . . . .
. . . .... .... .... . .
. ..
2021.03 5 / 31
计算方法与计算机
面向计算机的算法: 串行算法: 只有一个进程的算法适合于串行计算机 并行算法: 有两个以上的算法适合于并行计算机
算法 “好”: 可靠的理论分析且良好的数值表现 (计算复杂性好) 数值分析研究数值问题的算法
1 面向计算机 2 可靠的理论分析: 近似算法的收敛性, 数值稳定性, 误差分析等 3 好的计算复杂性: 时间复杂性, 空间复杂性 4 要有数值实验: 算法的数值验证
作为 x∗ 的相对误差，ε∗r = ε∗/|x∗|.
《数值分析简明教程》讲义
例2：取节点 ， ， 对函数 建立线性插值公式。
3、一般情形
现在考虑一般的插值问题：设函数在区间［a,b］上n+1个互异节点 上的函数值分别为 ，求n次插值多项式 ，满足条件
， j=0，1，…，n
令
——拉格朗日插值公式。
其中 为以 为节点的n次插值基函数，其公式为：
则称 为近似数x的相对误差限。
三、有效数字
1、有效数字
如果近似值 的误差限是某一位的半个单位，该位到 的第一位非零数字共有 位，则我们称 有 位有效数字。
例如， 取 时，
所以， 作为 的近似值时，就有3位有效数字。
2、误差限与有效数字的关系
定理1 设有一数x，其近似值
若 具有 位有效数字，则其相对误差限为
可表示为下列点斜式：
令
则
——线性插值公式
其中：
例1：已知 ， ，求 。（10.714）
例2：取节点 ， 对函数 建立线性插值公式。
2、抛物插值
问题：求作二次式 ，使满足条件：
几何解释就是通过三点 ， ， 的抛物线，因而称为抛物插值。
根据插值基函数所满足的条件，可得抛物插值的基函数为：
最终得： ——抛物插值公式。
运算过程中舍入误差不增长的计算公式——数值稳定的，否则为不稳定的。
2、要避免两个相近数相减。
3、要防止大数“吃掉”小数。（数量级相差很大的数，措施：调整运算次序。）
4、注意简化计算步骤。
第2章插值方法
在生产实践和科学研究所遇到的大量函数中，相当一部分是通过测量或实验得到的，并不知道它的表达式，只能通过观察、测量或实验得到函数在区间［a，b］上一些离散点上的函数值、导数值等。还有些函数，虽然有明确的解析表达式，但却过于复杂而不便于进行理论分析和数值计算，同样希望构造一个既能反映函数的特性又便于计算的简单函数，近似代替原来的函数。插值法就是寻求近似函数的方法之一。
数值分析1.1讲义.
方程求根问题
在科学计算中常要遇到求解各种方程， 例如：
高次代数方程
超越方程
x 5－ 3 x ＋ 7 ＝ 0
x e cos 0 3
x
高次线性方程和超越方程看似简 单，但难于求其精确解。对于高次 代数方程，由代数基本定理知多项 式根的数目和方程的阶相同，但对 超越方程就复杂的多，如果有解， 其解可能是一个或几个，也可能是 无穷多个。
用计算机解决科学计算问题通常经历以 下过程
应 用 数 学 计 算 数 学
实际问题
数值计算方法
程序设计
数学模型
上机计算结果
2.数值分析研究的内容 — 函数的数值逼近(插值与拟合)
— 数值积分与数值微分
— 非线性方程数值解 — 数值线性代数
— 常微和偏微数值解，……
数值分析实质上是以数学问题为研 究对象，不像纯数学那样只研究数 学本身的理论，而是把理论与计算 紧密结合，着重研究数学问题的数 值方法及理论。
y ' 1 2 xy y (0) 0
常微分方程的一般解(解析解) 对一些典型的微分方程 ( 可分离变 量方程，一阶线性方程等等 ) ，有可 能找出它们的一般解表达式，然后 用初始条件确定表达式中的任意常 数，这样解即能确定。
y ' 2 x 例如 求解 y (0) 0
数值分析
Numerical Analysis
教
《数值分析》(第2版)
材 朱晓临 主编
中国科学技术大学出版社
《数值分析》（第5版） 李庆阳，王能超，易大义编著 清华大学大学出版社
参 考 书 目
《数值分析》（第3版） 颜庆津著， 北京航空航天大学 出版社 《Numerical Analysis》(Ninth ed.)
数值分析(交通类)讲义_第五章
（2）回代过程
( n) 若 ann 0, 则
( n) a ( n) xn bn nn
(k ) n ( k ) ( k ) xk bk akj x j akk , (k n 1,,1) j k 1
BJTU
说明: 若线性方程组的系数矩阵非奇异，则它总可 以通过带行交换的高斯消去法进行求解。
1.00 105 x 1.00 y 1.00 5 5 1.00 10 y 1.00 10
BJTU
x 0.00, y 1.00
解法2：
5 1 . 00 10 x 1.00 y 1.00 1.00 x 1.00 y 2.00 5 5 ( 1 . 00 1 . 00 10 ) y ( 1 . 00 2 . 00 10 ) 1.00 x 1.00 y 2.00 1.00 y 1.00
(1) x b (1) a1 1 n 1 ( 2) ( 2) ( 2) x2 b a22 a2 n 2 . ( n) ( n) x 0 ann bn n (1) a12
其中
( 2) (1) (1) aij aij mi1 a1 j , (i, j 2,3,, n)
(1) bi( 2) bi(1) mi1 b1 , (i 2,3,, n)
第2步：若 „ „
BJTU
( 2) a22 0,
用„ „.
Байду номын сангаас
第k步：若
(k ) akk 0,
例1（见板书）
一般地,顺序高斯消去法:
BJTU
数值分析讲义
第1章数值分析中的误差一、重点内容误差设精确值x* 的近似值x，差e＝x－x* 称为近似值x 的误差(绝对误差)。
误差限近似值x 的误差限 是误差e 的一个上界，即|e|＝|x－x*|≤ε。
相对误差e r是误差e 与精确值x* 的比值，。
常用计算。
相对误差限是相对误差的最大限度，，常用计算相对误差限。
绝对误差的运算：ε(x1±x2)＝ε(x1)＋ε(x2)ε(x1x2)≈|x1|ε(x2)＋|x2|ε(x1)有效数字如果近似值x 的误差限ε 是它某一个数位的半个单位，我们就说x 准确到该位。
从这一位起到前面第一个非0 数字为止的所有数字称为x 的有效数字。
关于有效数字：(1) 设精确值x* 的近似值x，x＝±0.a1a2…a n×10ma1，a2，…，a n是0～9 之中的自然数，且a1≠0，|x－x*|≤ε＝0.5×10m－l，1≤l≤n则x 有l位有效数字.(2) 设近似值x＝±0.a1a2…a n×10m有n 位有效数字，则其相对误差限(3) 设近似值x＝±0.a1a2…a n×10m的相对误差限不大于则它至少有n 位有效数字。
(4) 要求精确到10－3，取该数的近似值应保留4 位小数。
一个近似值的相对误差是与准确数字有关系的，准确数字是从一个数的第一位有效数字一直数到它的绝对误差的第一位有效数字的前一位，例如具有绝对误差e＝0.0926 的数x＝20.7426 只有三位准确数字2，0，7。
一般粗略地说，具有一位准确数字，相对于其相对误差为10% 的量级；有二位准确数字，相对于其相对误差为1% 的量级；有三位准确数字，相对于其相对误差为0.1% 的量级。
二、实例例1 设x*＝ ＝3.1415926…近似值x＝3.14＝0.314×101，即m＝1，它的误差是0.001526…，有|x－x*|＝0.001526…≤0.5×101－3即l＝3，故x＝3.14 有 3 位有效数字。
数值分析全册完整课件
算法基本结构：顺序，分支，循环
算法描述：程序或流程图
常采用的处理方法：
构造性方法 离散化方法 递推化方法 迭代法 近似替代方法 以直代曲法 化整为零的处理方法 外推法
数学基础：
微积分的若干定理： 罗尔定理和微分中值定理； 介值定理及推论； 泰勒公式（一元、二元）； 积分中值定理；
设y=f(x)为一元函数，自变量准确值x*，对应函数准确 值y*=f(x*)，x误差为e(x)，误差限为ε(x)，函数近似值 误差e(y)，误差限为ε(y)。则（可由Taylor公式推得）
( y) | f '(x) | (x)
r
(
y)
|
xf |f
'(x) (x) |
|
r
(
x)
对于多元函数 z f (x1, x2 ,, xn )
定义1.1 设x*为某一数据的准确值，x为x*的一个近 似值，称e(x)=x-x*(近似值－准确值)为近似值x的绝对 误差，简称误差。
e(x) 可正可负，当e(x) >0时近似值偏大，叫强近似值；当e(x) <0时近似值偏小，叫弱近似值。
由于x*通常无法确定，只能估计其绝对误差值 不超过某整数ε(x)，即
设准确值
z* f (x1*, x2*,, xn* )
由多元函数Taylor公式，可得误差估计：
n
(z)
k 1
f xk
(xk )
相对误差限为：
r (z)
n k 1
xk
f xk
r (xk )
z
2. 算术运算的误差估计：
数值分析讲义
由于除数很小,将导致商很大,有可能出现“溢出”现 象另外. ,设x* ,y* 的近似值分别为x,y，则z=x÷y是z*=x*÷y*
的近似值.此时，z的绝对误差满足估计式
e(z) z* z (x* x) y x( y y* ) y e(x) x e( y)
yy*
y2
可见,若除数太小,则可能导致商的绝对误差很大。
n k, k 1,...2,1
类似地可得
Ik
I
* k
(1) nk
k!( n!
I
n
I
* n
)
,
k n, n 1,...,1,0
可见，近似误差Ik-I*k是可控制的，算法是数值稳定的。
例如，由于
e 1 10
01 x9e1dx
I9
01 x9dx
1 10
取近似值 I9
1 (e1 1 ) 0.0684 2 10 10
§3 绝对误差、相对误差和有效数字
设x是精确值x*的一个近似值，记 e=x*-x
称e为近似值x的绝对误差，简称误差。如果满足 |e|≤
则称为近似值x的绝对误差限，简称误差限。 精确值x* 、近似值x和误差限之间满足： x-≤x*≤x+
通常记为 x*=x±
绝对误差有时并不能很好地反映近似程度的好坏，如
随着计算机的飞速发展，数值分析方法已深入到计算 物理、计算力学、计算化学、计算生物学、计算经济学等 各个领域。本课仅限介绍最常用的数学模型的最基本的数 值分析方法。
§2 误差的来源和分类
误 1.差模是型描误述差数值数计学算模之型中通近常似是值由的实精际确问程题度抽，象在得数到值的， 计一般算带中有十误分差重，要这，种误误差差按称来为源模可型分误为差模。型误差、观测误差、 截断误2.差观和测舍误入差误差数四学种模。型中包含的一些物理参数通常是 通过观测和实验得到的，难免带有误差，这种误差称为观 测误差。
《数值分析教程》课件
一种适用于大规模计算的数值方法
详细描述
谱方法适用于大规模计算，通过将问题分解为较小的子问 题并利用多线程或分布式计算等技术进行并行计算，可以 有效地处理大规模的计算任务。
感谢您的观看
THANKS
具有简单、稳定和可靠的优点。
05
数值积分与微分
牛顿-莱布尼兹公式
要点一
总结词
牛顿-莱布尼兹公式是数值积分中的基本公式，用于计算定 积分。
要点二
详细描述
牛顿-莱布尼兹公式基于定积分的定义，通过选取一系列小 区间上的近似值，将定积分转化为一系列小矩形面积之和 ，从而实现了数值积分。
复化求积公式
总结词
算机实现各种算法，为各个领域的科学研究和技术开发提供了强有力的支持。
数值分析的应用领域
总结词
数值分析的应用领域非常广泛，包括科学计算、工程 、经济、金融、生物医学等。
详细描述
数值分析的应用领域非常广泛，几乎涵盖了所有的科学 和工程领域。在科学计算方面，数值分析用于模拟和预 测各种自然现象，如气候变化、生态系统和地球科学等 。在工程领域，数值分析用于解决各种复杂的工程问题 ，如航空航天、机械、土木和电子工程等。在经济和金 融领域，数值分析用于进行统计分析、预测和优化等。 在生物医学领域，数值分析用于图像处理、疾病诊断和 治疗等。总之，数值分析已经成为各个领域中不可或缺 的重要工具。
03
线性方程组的数值解法
高斯消去法
总结词
高斯消去法是一种直接求解线性方程组的方法，通过一系列 行变换将系数矩阵变为上三角矩阵，然后求解上三角方程组 得到解。
详细描述
高斯消去法的基本思想是将系数矩阵通过行变换化为上三角 矩阵，然后通过回带求解得到方程组的解。该方法具有较高 的稳定性和精度，适用于中小规模线性方程组的求解。
数值分析讲义——线性方程组的解法
数值分析讲义第三章线性方程组的解法§3.0 引言§3.1 雅可比(Jacobi)迭代法§3.2 高斯-塞德尔(Gauss-Seidel)迭代法§3.3 超松驰迭代法§3.7 三角分解法§3.4 迭代法的收敛性§3.8 追赶法§3.5 高斯消去法§3.9 其它应用§3.6 高斯主元素消去法§3.10 误差分析§3 作业讲评3 §3.11 总结§3.0 引言重要性：解线性代数方程组的有效方法在计算数学和科学计算中具有特殊的地位和作用.如弹性力学、电路分析、热传导和振动、以及社会科学及定量分析商业经济中的各种问题.分类：线性方程组的解法可分为直接法和迭代法两种方法.(a) 直接法：对于给定的方程组，在没有舍入误差的假设下，能在预定的运算次数内求得精确解.最基本的直接法是Gauss消去法，重要的直接法全都受到Gauss消去法的启发.计算代价高.(b) 迭代法：基于一定的递推格式，产生逼近方程组精确解的近似序列.收敛性是其为迭代法的前提，此外，存在收敛速度与误差估计问题.简单实用,诱人.§3.1 雅可比Jacobi 迭代法 (AX =b )1基本思想:与解f (x )=0 的不动点迭代相类似,将AX =b 改写为X =BX +f 的形式,建立雅可比方法的迭代格式：X k +1=BX (k )+f ,其中，B 称为迭代矩阵.其计算精度可控,特别适用于求解系数为大型稀疏矩阵(sparse matrices)的方程组. 2问题:(a) 如何建立迭代格式？(b) 向量序列{X k }是否收敛以及收敛条件? 3 例题分析:考虑解方程组⎪⎩⎪⎨⎧=+--=-+-=--2.453.82102.7210321321321x x x x x x x x x (1)其准确解为X *={1, 1.2, 1.3}. 建立与式(1)相等价的形式：⎪⎩⎪⎨⎧++=++=++=84.02.01.083.02.01.072.02.01.0213312321x x x x x x x x x (2) 据此建立迭代公式：⎪⎩⎪⎨⎧++=++=++=+++84.02.01.083.02.01.072.02.01.0)(2)(1)1(3)(3)(1)1(23)(2)1(1k k k k k k kk k x x x x x x x x x (3) 取迭代初值0)0(3)0(2)0(1===x x x ,迭代结果如下表. JocabiMethodP31.cpp迭代次数 x1 x2 x30 0 0 01 0.72 0.83 0.842 0.971 1.07 1.153 1.057 1.1571 1.24824 1.08535 1.18534 1.282825 1.095098 1.195099 1.2941386 1.098338 1.198337 1.2980397 1.099442 1.199442 1.2993358 1.099811 1.199811 1.2997779 1.099936 1.199936 1.29992410 1.099979 1.199979 1.29997511 1.099993 1.199993 1.29999112 1.099998 1.199998 1.29999713 1.099999 1.199999 1.29999914 1.1 1.2 1.315 1.1 1.2 1.34Jocobi迭代公式:设方程组AX=b, 通过分离变量的过程建立Jocobi迭代公式，即),,2,1()(1),,2,1(0,11n i x a b a x n i a b x a n ij j j ij i iii ii ni i j ij =∑-==≠∑=≠== 由此我们可以得到Jacobi 迭代公式：),,2,1()(11)1(n i x a b a xn ij j k i ij i iik i=∑-=≠=+[Jacobi 迭代公式的算法] 1: 初始化. n , (a ij ), (b j ), (x 1) , M . 2: 执行k =1直到M 为止. ① 执行i =1直到n 为止.ii nij j j ij i i a x a b u /)(1∑-←≠= ;② 执行i =1直到n 为止.i i u x ← ;③输出k , (x i ).另外，我们也可以建立Jacobi 迭代公式的矩阵形式. 设方程组AX =b ,其中，A =(a ij )n 为非奇异阵，X =(x 1,x 2,…,x n )T , b =(b 1,b 2,…,b n )T将系数阵A 分解为: A =U +D +L ,U 为上三角矩阵，D 为对角矩阵，L 为下三角矩阵.于是AX =b 可改写为 (U +D +L )X =b⇔ X =D -1b -D -1(U +L )X由此可得矩阵形式的Jocobi 迭代公式： X k +1=BX (k )+f □§3.2 高斯-塞德尔Gauss-Seidel 迭代法注意到利用Jocobi 迭代公式计算)1(+k ix 时，已经计算好)(1)(2)(1,,,k i k k x x x - 的值，而Jocobi 迭代公式并不利用这些最新的近似值计算，仍用)(1)(2)(1,,,k i k k x x x - .这启发我们可以对其加以改进,即在每个分量的计算中尽量利用最新的迭代值，得到),,2,1()(1111)1()1(n i x a x a b a xn i j k jij i j k j ij i iik i=∑-∑-=+=-=++上式称为Gauss-Seidel 迭代法. 其矩阵形式是X =-(D +L )-1UX +(D +L )-1b , X k +1=BX (k )+f .迭代次数 x1 x2 x3 0 0 0 0 1 0.72 0.902 1.1644 2 1.04308 1.167188 1.282054 3 1.09313 1.195724 1.2977714 1.099126 1.199467 1.2997195 1.09989 1.199933 1.2999656 1.099986 1.199992 1.2999967 1.099998 1.199999 1.2999998 1.1 1.2 1.3§3.3 超松驰迭代法SOR 方法1基本思想:逐次超松弛迭代法(Successive Over Relaxation Method,简写为SOR)可以看作带参数ω的高斯-塞德尔迭代法，是G-S 方法的一种修正或加速.是求解大型稀疏矩阵方程组的有效方法之一. 2 SOR 算法的构造:设方程组AX =b , 其中，A =(a ij )n 为非奇异阵，X =(x 1,x 2,…,x n )T , b =(b 1,b 2,…,b n )T . 假设已算出x (k )，),,2,1()(1111)1()1(n i x a x a b a xn i j k j ij i j k j ij i iik i=∑-∑-=+=-=++ (1)相当于用高斯-塞德尔方法计算一个分量的公式. 若对某个参数ω，作)1(+k ix与)(k i x 加权的平均,即)()1()()1()()1()(1k i k ik i k ik ik ix xx xxx-+=+-=+++ωωω (2)其中，ω称为松弛因子.用(1)式代入(2)式，就得到解方程组AX =b 的逐次超松弛迭代公式：⎪⎩⎪⎨⎧=∑-∑-=∆∆+==-=++),,2,1()()(11)1()()1(n i x a x a b a x x x x n ij k j ij i j k j ij i iii i k i k i ω (3) 显然，当取ω=1时，式(3)就是高斯-塞德尔迭代公式. 3 例题分析:利用SOR 方法解方程组⎪⎩⎪⎨⎧=+---=-+-=--3322242024321321321x x x x x x x x x (1) 其准确解为X *={1, 1, 2}. 建立与式(1)相等价的形式：⎪⎪⎩⎪⎪⎨⎧++=-+=+=132315.05.05.025.05.021*******x x x x x x x x x (2) 据此建立迭代公式：⎪⎪⎩⎪⎪⎨⎧++=-+=+=+++132315.05.05.025.05.0)(2)(1)1(3)(3)(1)1(23)(2)1(1k k k k k k kk k x x x x x x x x x (3)利用SOR 算法，取迭代初值1)0(3)0(2)0(1===x x x ,ω=1.5,迭代结果如下表.逐次超松弛迭代法次数 x1 x2 x3 1 0.625000 0.062500 1.750000 2 0.390625 0.882813 1.468750 3 1.017578 0.516602 1.8085944 0.556885 0.880981 1.7104495 1.023712 0.743423 1.8681036 0.746250 0.908419 1.8387377 0.997715 0.860264 1.9138948 0.864050 0.936742 1.9086059 0.986259 0.922225 1.94552310 0.928110 0.958649 1.94749311 0.985242 0.955944 1.96619812 0.961661 0.973818 1.96952113 0.988103 0.974699 1.97928914 0.979206 0.983746 1.98217215 0.991521 0.985318 1.98741616 0.988509 0.990038 1.98951317 0.994341 0.991414 1.99239718 0.993538 0.993946 1.99380619 0.996367 0.994950 1.99542420 0.996313 0.996342 1.99633121 0.997724 0.997018 1.99725422 0.997871 0.997798 1.99782223 0.998596 0.998234 1.998355GS迭代法须迭代85次得到准确值X*={1, 1, 2};而SOR方法只须55次即得准确值.由此可见，适当地选择松弛因子ω，SOR法具有明显的加速收敛效果. □§3.4 迭代法的收敛性1. 向量和矩阵范数 (a) 向量范数R n 空间的向量范数 || · || ,对任意n R y x ∈,, 满足下列条件：00||||;0||||)1(=⇔=≥x x x (正定性)||||||||||)2(x x⋅=αα (齐次性)||||||||||||)3(y x y x+≤+ （三角不等式）常见的向量范数有： (1) 列范数：(2) 谱范数：(欧几里德范数或向量的长度,模)(3) 行范数：(4) p 范数:上述范数的几何意义是:∞||||x =max(|x 2-x 1|,|y 2-y 1|) ; 1||||x =|x 2-x 1|+|y 2-y 1| ;2122122)()(||||y y x x x -+-=.向量序列}{)(k x依坐标收敛于向量x * 的充要条件是向量序列}{)(k x 依范数收敛于向量x *,即0||||lim *)(=-∞→x x k k .(b) 矩阵范数n m R ⨯空间的向量范数 || ·|| ,对任意 n m R B A ⨯∈,, 满足下列条件：|||||||| || AB || (4)||||||||||||)3(||||||||||)2(00||||;0||||)1(B A B A B A A A A A A ≤+≤+⋅==⇔=≥αα常见的矩阵范数有：∑==∞≤≤nj ij a A ni 1||max ||||1 (行和范数)∑==≤≤ni ij a A nj 11||max ||||1 (列和范数))(||||max 2A A A T λ= (谱范数)若A 对称，则有)()(2max max A A A T λλ=.矩阵A 的谱半径记为)(||||2A A ρ=,ρ(A ) =||max1i ni λ≤≤,其中λi 为A 的特征根。
数值分析方法(讲义)
第十章 数值分析方法在生产实际中，常常要处理由实验或测量所得到的一批离散数据，数值分析中的插值与拟合方法就是要通过这些数据去确定某一类已经函数的参数，或寻求某个近似函数使之与已知数据有较高的拟合精度。
插值与拟合的方法很多，这里主要介绍线性插值方法、多项式插值方法和样条插值方法，以及最小二乘拟合方法在实际问题中的应用。
相应的理论和算法是数值分析的内容，这里不作详细介绍。
§1 数据插值方法及应用在生产实践和科学研究中，常常有这样的问题：由实验或测量得到变量间的一批离散样点，要求由此建立变量之间的函数关系或得到样点之外的数据。
与此有关的一类问题是当原始数据),(,),,(),,(1100n n y x y x y x 精度较高，要求确定一个初等函数)(x P y =（一般用多项式或分段多项式函数）通过已知各数据点（节点），即n i x P y i i ,,1,0,)( ==，或要求得函数在另外一些点（插值点）处的数值，这便是插值问题。
1、分段线性插值这是最通俗的一种方法，直观上就是将各数据点用折线连接起来。
如果b x x x a n =<<<= 10那么分段线性插值公式为n i x x x y x x x x y x x x x x P i i i i i i i i i i ,,2,1,,)(11111 =≤<--+--=-----可以证明，当分点足够细时，分段线性插值是收敛的。
其缺点是不能形成一条光滑曲线。
例1、已知欧洲一个国家的地图，为了算出它的国土面积，对地图作了如下测量：以由西向东方向为x 轴，由南向北方向为y 轴，选择方便的原点，并将从最西边界点到最东边界点在x 轴上的区间适当的分为若干段，在每个分点的y 方向测出南边界点和北边界点的y 坐标y1和y2，这样就得到下表的数据（单位：mm ）。
根据地图的比例，18 mm 相当于40 km 。
根据测量数据，利用MA TLAB 软件对上下边界进行线性多项式插值，分别求出上边界函数)(2x f ，下边界函数)(1x f ，利用求平面图形面积的数值积分方法—将该面积近似分成若干个小长方形，分别求出这些长方形的面积后相加即为该面积的近似解。
数值分析李庆扬第9章常微分方程初值问题数值解法讲义.
② 由 x0 , y0 f x0 , y0 切线 P0P1 ，
切线与 x x1 交点 P1 ： y1 的近似值 ；
③ 再由 x1 , y1 向前推进到 P2 ， 得到折线 P0P1 Pn ，近似 y yx 。
7
2021年5月4日
《数值分析》 黄龙主讲
h
yxn
yxn1
yn1 yn f
h
xn1 , yn1
yn1 yn h f xn1 , yn1
——后退的欧拉公式（隐式）
注意：① 显式计算方便，隐式稳定性较好；
② 上式隐含 yn1 ? ，采用迭代法求解。
12
2021年5月4日
《数值分析》 黄龙主讲来自欧拉公式的另一种理解：
将常微分方程 y f x, y 改写 dy f t , ytdt
“步进式”：顺着节点排列顺序，一步一步地向前推进。
步长：常用等步长 hn xn1 xn ，节点为 xn x0 nh 单步法：计算 yn1 时，只用到前一点的值 yn k 步法：计算 yn1 时，用到前面 k 点的值 yn , yn1 , , ynk1
5
2021年5月4日
《数值分析》 黄龙主讲
对微分方程从 xn 到 xn1 积分
y xn1 yxn
xn1 f t , yt dt
xn
由积分左矩形公式得
xn1 xn
f
t ,
yt dt
hf
xn ,
yxn
例如：
lim
h0
yxn1
h
yxn
yxn
yxn1
h
yxn
yxn
f xn , yxn
数值分析简明教程讲义
第1章 绪论数值计算方法是一门与计算机使用密切结合的实用性很强的数学课程，其特点如下: 第一，面向计算机，要根据计算机特点提供实际可行的有效算法，即算法只能包括加、减、 乘、除运算和逻辑运算，是计算机能直接处理的。
第二，有可靠的理论分析，能任意逼近并达到精度要求，对近似算法要保证收敛性和数值稳 定性，还要对误差进行分析，这些都建立在相应数学理论基础上。
第三，要有好的计算复杂性，时间复杂性好是指节省时间，空间复杂性好是指节省存储量， 这也是建立算法要研究的问题，它关系到算法能否在计算机上实现。
第四，要有数值实验，即任何一个算法除了从理论上要满足上述三点外，还要通过数值试验 证明是行之有效的。
1.1 误差的基本概念除了极个别的情况外，数值计算总是近似计算，实际计算结果与理论结果之间存在着误差。
数值分析的任务之一是将误差控制在一定的容许范围内或者至少对误差有所估计。
一、误差的来源 1、模型误差用计算机解决科学计算问题首先要建立数学模型，它是对被描述的实际问题进行抽象，简化而得到的，因而是近似的，数学模型与实际问题之间出现的这种误差称为模型误差。
这种误差可忽略不计，在数值计算方法中不予讨论。
2、观测误差在数学模型中往往还有一些根据观测得到的物理量，如温度，长度，电压等等，测量的结果不可能绝对正确，由此产生的误差称为观测误差。
观测误差在数值计算方法中也不予讨论。
3、截断误差（方法误差）在数学模型不能得到精确解时，通常要用数值方法求它的近似解，其近似解与精确解之间的误差称为截断误差或方法误差。
4、舍入误差在计算过程中，由于计算机的字长有限，采用计算机数系中和实际数据比较接近的数来表示，由此产生的误差以及计算过程又可能产生新的误差，这些误差称为舍入误差。
二、绝对误差和相对误差1、绝对误差秘绝对误差限设数x (精确值)有一个近似值为*x ，记 称e(x)为近似值*x 的绝对误差，简称误差。
当e(x)为正时，近似值*x 偏大，叫做强近似值 ；当它为负时，近似值*x 偏小，叫作弱近似值。
数值分析 第1章
3．计算复杂性尽可能小 从实际需要出发，我们还需要考虑计算量的大小， 即所谓计算复杂性问题。它由以下两个因素决定的： 使用中央处理器 CPU）的时间，主要由四则运算 使用中央处理器（ 的时间 主要由四则运算 的次数决定； 占用内存储器的空间，主要由使用的数据量来决 定。
4．要有数值化结果 数值计算的许多方法是建立在离散化的基础上进 行的， 其解决问题的最终结果不是解析解而是数值近似 解。对于给定的数学模型，采用不同的离散手段可以导 致不同的数值方法，应该通过计算机进行数值试验，进 行分析、比较来选定算法。 对新提出的算法，有的在理论上虽然还未证明其 收敛性，但可以从具体试验中发现其规律，为理论证明 提供线索。
x2 =
−b − b 2 − 4ac 2c = 2a −b + b 2 − 4ac
9
来严重影响 应尽量避免 来严重影响，应尽量避免。 例3
，
在 4 位浮点十进制数下，用消去法解线性方程
⎧0.00003 x1 − 3 x 2 = 0.6 ⎨ x1 + 2 x 2 = 1 . ⎩
组
2 ×10 =1 . 109 + 109
§1.1
预备知识
一、集合
把一些确定的彼此不相同的事物汇集在一起成为一 个整体，称为集合。 表示方法：描述法；列举法。 分类：有限集；无限集（可列集，不可列集） 。
9
10
可列集（可数集） ： 设 A 是无限集，若 A 中的一切元素可以用自然数 编号（即 A 与自然数集 N 一一对应） ，使 A 写成 A={ A { a1 , a2 , a3 ,L an ,L },则称 A 为可列集 （或可数集） 。 否则，称为不可列集。 如：有理数集是可列集，数列构成的集合是可列 集；无理数集、[0，1]中的全体实数构成的集合是不 可列集。
数值分析全套课件
Ln n si n
ˆ L2n (4L2n Ln ) / 3
n L error 192 3.1414524 1.4e-004 384 3.1415576 3.5e-005 3.1415926 4.6e-010
3/16
通信卫星覆盖地球面积
将地球考虑成一 个球体, 设R为地 球半径,h为卫星 高度,D为覆盖面 在切痕平面上的 投影(积分区域)
( x1 x2 ) | x1 | ( x2 ) | x2 | ( x1 )
15/16
例3.二次方程 x2 – 16 x + 1 = 0, 取
求 x1 8 63 使具有4位有效数
63 7.937
解:直接计算 x1≈8 – 7.937 = 0.063
( x1 ) (8) (7.937) 0.0005
5/16
误差的有关概念
假设某一数据的准确值为 x*,其近似值 为 x，则称
e(x)= x - x*
为 x 的绝对误差 而称
e( x) x x er ( x ) , x x
*
( x 0)
为 x 的相对误差
6/16
如果存在一个适当小的正数ε
，使得
e( x) x x
计算出的x1 具有两位有效数
1 0.062747 修改算法 x1 8 63 15.937 4位有效数 (15.937) 0.0005 ( x1 ) 0.000005 2 2 (15.937) (15.937)
16/16
1
参考文献
[1]李庆扬 关治 白峰杉, 数值计算原理(清华) [2]蔡大用 白峰杉, 现代科学计算 [3]蔡大用, 数值分析与实验学习指导 [4]孙志忠,计算方法典型例题分析 [5]车刚明等, 数值分析典型题解析(西北工大) [6]David Kincaid,数值分析(第三版) [7] John H. Mathews,数值方法(MATLAB版)
《数值分析》ppt课件
7.
er
a b
er
(a)
er
(b)
30
例4
ε(p)
设有三个近似数
p ≈ 6.6332
≈0.02585
a=2.31,b=1.93,c=2.24
它们都有三位有效数字，试计算p=a+bc，e ( p)和e r ( p) 并问：p的计算结果能有几位有效数字？
2位
例5
设f (x, y) cos y , x 1.30 0.005, y 0.871 0.0005. x
er
e x
x x x
.
由于精确值 x 未知, 实际上总把
e x
作为x*的
相对误差，并且仍记为er , 即
er
e x
.
❖定义 近似值 x* 的相对误差上限(界) (relative accuracy)
εr
|
ε x
|.
注:相对误差一般用百分比表示.
17
例1 用最小刻度为毫米的卡尺测量直杆甲和直杆
注:理论上讲,e 是唯一确定的, 可能取正, 也可能取负.
e > 0 不唯一，当然 e 越小越具有参考价值。
15
提问：绝对误差限的大小能否完全地 表示近似值的好坏？ 例如：有两个量
x 10 1 , y 1000 5
思考
问：谁的近似程度要好一些？
16
❖定义 近似值 x* 的相对误差 (relative error)
a 2.18
e r(b) e (b) 0.00005 0.0024%
b 2.1200
19
➢有效数字 ( significant digits)
数值分析--第1章绪论
第一章绪论上世纪中叶诞生的计算机给科学、工程技术和人类的社会生活带来一场新的革命。
它使科学计算平行于理论分析和实验研究，成为人类探索未知科学领域和进行大型工程设计的第三种方法和手段。
在独创性工作的先行性研究中，科学计算更有突出的作用。
在今天，熟练地运用电子计算机进行科学计算，已成为科学工作者的一项基本技能。
然而，科学计算并不是计算机本身的自然产物，而是数学与计算机结合的结果，它的核心内容是以现代化的计算机及数学软件为工具，以数学模型为基础进行模拟研究。
近年来，它同时也成为数学科学本身发展的源泉和途径之一。
1 数值分析的研究对象与特点数值分析是计算数学的一个主要部分，计算数学是数学科学的一个分支，它研究用计算机求解各种数学问题的数值计算方法及其理论与软件实现。
一般地说，用计算机解决科学计算问题，首先需要针对实际问题提炼出相应的数学模型，然后为解决数学模型设计出数值计算方法，经过程序设计之后上机计算，求出数值结果，再由实验来检验。
概括为由实际问题的提出到上机求得问题的解答的整个过程都可看作是应用数学的任务。
如果细分的话，由实际问题应用有关科学知识和数学理论建立数学模型这一过程，通常作为应用数学的任务，而根据数学模型提出求解的数值计算方法直到编出程序上机计算出结果，这一过程则是计算数学的任务，即数值分析研究的对象。
因此，数值分析是寻求数学问题近似解的方法、过程及其理论的一个数学分支。
它以纯数学作为基础，但却不完全像纯数学那样只研究数学本身的理论，而是着重研究数学问题求解的数值方法及与此有关的理论，包括方法的收敛性，稳定性及误差分析；还要根据计算机的特点研究计算时间最省（或计算费用最省）的计算方法。
有的方法在理论上虽然还不够完善与严密，但通过对比分析，实际计算和实践检验等手段，被证明是行之有效的方法也可采用。
因此数值分析既有纯数学高度抽象性与严密科学性的特点，又有应用的广泛性与实际试验的高度技术性的特点，是一门与使用计算机密切结合的实用性很强的数学课程。
《数值分析》第五章课件
取 h = 0.2 ，要求保留六位小数.
校正： cn+1 = y n + 2 ( y n' + mn' +1 )
解：Euler 迭代格式为
校正的改进：
1 y n +1 = c n +1 + ( p n +1 − c n+1 ) 5
yk +1 = yk + 0.2(− yk − xk yk2 ) = 0.8 yk − 0.2 xk yk2
差分方程：关于未知序列的方程.
例如： y n +3 = 5 y n + 2 − 3 y n +1 + 4 y n
例如： y ' ' ( x) − a ( x) y '+b( x) y + c( x) = 0
3
4
微分方程的应用情况
实际中，很多问题的数学模型都是微分方程. 常微分方程作为微分方程的基本类型之一，在 理论研究与工程实际上应用很广泛. 很多问题 的数学模型都可以归结为常微分方程. 很多偏 微分方程问题，也可以化为常微分方程问题来 近似求解.
且
可得，
y(xn+1) − yn+1 = hf y (xn+1,η)[ y(xn+1) − yn+1] − h2 '' y (xn ) + O(h3 ) 2
f (xn+1, y(xn+1)) = y' (xn+1) = y' (x n ) + hy'' (xn ) + O(h2 )
19
20
2 考虑到 1 − hf y ( xn+1 ,η ) = 1 + hf y ( xn+1 ,η ) + O(h ) ，则有
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2.1.3 多项式插值 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.4 基函数插值法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.1 为什么要插值 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.2 什么是插值 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.1.2 数值分析的研究内容 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.3 学习建议 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
i
· ii ·
目录
2.2 Lagrange 插值 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.2.1 Lagrange 基函数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.2.2 Lagrange 插值多项式 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.2.3 插值余项 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.2.4 Lagrange 基函数性质 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.4 误差分析与数值稳定性 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.1 误差分析方法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.3.3 有效数字 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3.4 误差估计基本公式 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
数值分析讲义
目录
第一讲 数值分析引论
1
1.1 数值分析介绍 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 科学计算 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.3 内积与内积空间 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.4 带权内积与范数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.4 推荐参考资料 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 线性代数基础 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 线性空间基本概念 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 范数与赋范线性空间 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 绝对误差 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
ห้องสมุดไป่ตู้
1.3.2 相对误差 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.5 向量范数与矩阵范数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 数值计算中的误差 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.2 数值稳定性 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4.3 避免误差危害 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.5 课后练习 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
第二讲 函数插值
25
2.1 引言 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25