Погрешности приближенных вычислений
Погрешности численного решения различных задач обусловлены следующими основными причинами:
1) неточностью математической модели, в частности неточно заданы исходные данные описания;
2) приближенным характером методов решения;
3) операции округления в вычислительной технике.
Погрешности, вызванные этими причинами, называют, соответственно:
А) неустранимой погрешностью,
Б) погрешностью метода,
В) вычислительной погрешностью.
Введем следующие обозначения:
х – точное значение параметра;
- значение параметра, соответствующее принятой модели;
– значение численного решения, полученное по принятой модели, в предположении отсутствия ошибок округлений;
xh – приближенное решение задачи, получаемое при реальных вычислениях.
Тогда
d1=½ х - ½– неустранимая погрешность;
d2=½ - ½– погрешность численного решения;
d3=½ - xh½– погрешность вычисления.
Таким образом, полная погрешность равняется
dо=d1+d2+d3=½х- xh½.
Определение 1.1. Если х точное значение, а xh – приближенное значение некоторого параметра, то абсолютная погрешность D определяется формулой
D=½ х- xh½.
Определение 1.2. Относительная погрешность d этого же параметра вычисляется по формуле
d=½ х- xh½/½xh½.
Обусловленность системы линейных алгебраических уравнений
Система линейных алгебраических уравнений (СЛАУ) в развернутой форме записывается следующим образом
|
|
(1.1)
Из теории линейной алгебры следует, что система уравнений (1.1) имеет решение (совместна) при любых правых частях в том и только в том случае, если соответствующая однородная система имеет только тривиальное решение х1=х2=…хn=0. Необходимым и достаточным условием этого является условие, когда матрица А
имеет определитель, отличный от нуля, т.е. detA¹0. Условие совместности системы (1.1) при любых правых частях detA¹0 обеспечивает и единственность решения. С использованием матрицы А систему (1.1) можно переписать в виде
или в матричной форме
Ax=b. (1.2)
Пусть требуется найти решение системы (1.2). Задача решения системы (1.2) поставлена, корректна, если
1) решение задачи существует;
2) решение единственно;
3) решение непрерывно зависит от входных данных.
Известно, что требования 1 и 2 будут выполнены, если detA¹0. Требование 3 нуждается в детализации. Входными данными в задаче (1.2) являются коэффициеты aij матрицы А и компоненты вектора .
Если входные данные А и заданы с некоторой погрешностью dА, db, то вместо системы (1.2) решается задача
|
|
(А+dА)(х+dх)=b+db. (1.3)
Тогда возникает вопрос о том, как связана погрешность решения dх с погрешностями входных данных dА или db.
Пусть вначале dА=0, а db¹0. Тогда из формулы (1.3) получим
Ах+Аdх=b+db. (1.4)
После вычитания из (1.4) выражения (1.2) получим
Аdх=db,
dх=А-1db,
следовательно
║dх║£║А-1║║db║. (1.5)
Таким образом, связь между ║dх║ и ║db║ установлена. Однако на практике более естественна связь между нормами относительных погрешностей, а не абсолютных.
Так как
║b║£║А║║х║, (1.6)
то из (1.5) и (1.6) получим
║dх║║b║£║А║║А-1║║х║║db║
или
║dх║/║x║£║А║║А-1║║db║/║b║. (1.7)
Теперь пусть db=0, dА¹0. Дополнительно предположим, что dА таково, что
det(A+dА)¹0. Тогда из формулы (1.3) получим
х+dх=(A+dА)-1b. (1.8)
После вычитания из (1.8) х= А-1b получим
|
|
dх=[(A+dА)-1-A-1]b. (1.9)
Введем обозначение
B=(A+dА)
и используя тождество
B-1- A-1= A-1(A-B)B-1
находим, что
B-1- A-1= -A-1dА(А+dА)-1
или
(A+dА)-1- A-1= -A-1dА(А+dА)-1. (1.10)
После подстановки (1.10) в (1.9) получим
dх= -A-1dА(А+dА)-1b,
откуда
b= -dх/[ A-1dА(А+dА)-1] . (1.11)
После подстановки (1.11) в (1.8) получим
dх= -A-1dА(х+dх)
или
║dх║£║А-1║║dА║║х+dх║, (1.12)
║dх║/║x+dх ║£║А║║А-1║║dА║/║А║. (1.13)
Из (1.5) и (1.12) следует, что если ║db║®0 или ║dА║®0, то ║dх║®0. Это и означает непрерывную зависимость решения задачи (1.2) от входных данных. Следовательно, условия detA¹0, det(A+dА)¹0 обеспечивают корректную постановку задачи (1.2).
Входящее в оценки (1.7) и (1.13) число n(А)=║А║║А-1║ называется числом обусловленности матрицы А.
Определение 1.3. Если число n(А) относительно мало, то матрица А является хорошо обусловленной. Если число n(А) относительно велико, то матрица А является плохо обусловленной.
Для плохо обусловленной СЛАУ недопустима, велика правая часть в неравенствах (1.7) и (1.13). Поэтому лишь очень малые погрешности входных данных задачи (1.2) гарантируют приемлемую относительную погрешность решения.
|
|
Определение 1.4. Число n(А) для произвольной квадратной матрицы А удовлетворяет условию
n(А)³ max½lA½/min½lA½³1, (1.14)
где lA – собственное число матрицы А.
Определение 1.5.Число n(А) для симметричной матрицы А удовлетворяет условию
n(А)= max½lA½/min½lA½=1.
Пример 1.1. Дана матрица
. (1.15)
Для оценки числа обусловленности этой матрицы воспользуемся формулой (1.14). Как известно собственные значения матрицы А являются корнями характеристического уравнения
det½A-lE½=0,
l2+4l+0,0003-0.
Далее получим l1=-0,0001, l2=-3,9999, откуда n(А)³½l2½/l1½=39999»4.104. Отсюда следует, что матрица А плохо обусловленная.
Пример 1.2. Рассмотрим уравнение Ах=b, где матрица А задана выражением (1.15), . Тогда точное решение .
Допустим вектор b задан с погрешностью, т.е. имеем , тогда получим решение . Оценим относительную погрешность решения при db¹0. Из примера 1.1 известно n(А) »4.104. Тогда несмотря на малость ║db║/║b║»1,4143.10-4 относительная погрешность решения велика, т.е. ║dх║/║x║»0,9618£n(А)║db║/║b║»5,6772.
Основные теоремы
В этом параграфе приводятся основные теоремы, которые имеют широкое применение в численных методах решения СЛАУ.
Теорема Адамара [1]. Если для матрицы А порядка n выполняется n неравенств
½akk½- >0, ( ), (1.16)
то матрица А является невырожденной.
Доказательство
Пусть матрица А- вырождена, т.е. detA=0. Тогда существуют такие числа х1, х2, …, хn c максимальным ½xk½>0, что выполняется
( ).
Также выполняется
½akk½½xk½£ ½xj½£½xk½ ( ).
Далее сокращая на ½xk½, получим
½akk½£ ( )
или ½akk½- £0, ( ). Следовательно, при выполнении неравенств (1.16) detA¹0, т.е. А – невырождена. Теорема доказана.
Теорема о LU разложении [9]. Пусть все главные миноры матрицы А n-го порядка отличны от нуля, то есть
а11¹0, ¹0, …, detA¹0, (1.17)
тогда матрица А представима в виде
A=LU, (1.18)
где L – нижняя треугольная матрица, U – верхняя треугольная матрица.
Доказательство
Доказательство проведем по методу математической индукции. Для n=1 утверждение (1.18) выполняется так как a11=l11u11 .
Тогда пусть теорема верна для матрицы An-1 порядка (n-1), т.е.
An-1=Ln-1Un-1 . (1.19)
Покажем, что (1.19) влечет за собой (1.18). Для этого представим матрицу А в следующем виде
А= = , (1.20)
где
Аn-1= , Z= , V= .
Дальше А будем искать в виде (1.18). Тогда имеем
A= = . (1.21)
Из (1.21) получаем
Ln-1Un-1=An-1 , Ln-1Y=Z , XUn-1=V , XY+lnnunn=ann . (1.22)
Первое из уравнений (1.22) выполняется из предположения (1.19). Так как detAn-1¹0 по условию (1.17), то матрицы Ln-1 и Un-1 обратимы. Следовательно, из второго и третьего уравнений из (1.22) однозначно определяются вектор-столбец Y и вектор-строка Х.
Таким образом, остается определить только диагональные элементы lnn и unn из четвертого уравнения. Это всегда можно сделать, приписав одному из чисел lnn , unn произвольное и отличное от нуля значение, тогда второе число определится однозначно. Теорема доказана.
Отметим, что эта теорема является типичной теоремой существования, где доказано, что матрица А представима в виде (1.18), но не указан алгоритм построения треугольных матриц L , U.
Теорема 1.1 [7, 9]. Если матрица А имеет только простые собственные значения, то существуют преобразования подобия, приводящие её к диагональной форме.
Доказательство
Расположим n – линейно независимые собственные вектора матрицы А в столбцах матрицы Т
Т= . Тогда
АТ=А = =
= =ТL.
Т-1АТ=L. Теорема доказана.
Отметим, что преобразование Т-1АТ называется преобразованием подобия.
Теорема 1.2 [9]. Пусть detA¹0, тогда матрица А разлагается в произведение
A=QR, (1.23)
где Q – ортогональная матрица, R – верхняя треугольная матрица.
Доказательство
Для доказательства необходимо найти такое преобразование, которое ортогонализирует столбы матрицы А. Пусть ai – столбцы матрицы А. Так как detA¹0, то система векторов ai являются линейно независимой и образует базис в пространстве Rn.
Тогда отыскание нужного преобразования сводится к задаче об ортогонализации базиса. Ортогональный базис будем строить с помощью алгоритма Грама-Шмита.
Пусть Q=(q1, q2,…, qn) – искомая матрица с ортогональными столбцами qi.
Положим a1=q1. Далее вектор а2 разложим по ортогональным векторам q1, q2:
a2=r12q1+q2 , (q1, q2)=0, r12=( q1, a2)/ (q1, q1).
Затем вектор а3 разложим по ортогональным векторам q1, q2, q3:
a3=r13q1+ r23q2+q3, (q1, q3)=0, (q2, q3)=0, r13=(q1, a3)/(q1, q1), r23=(q2, a3)/(q2, q2) и т.д.
Окончательно, получим
ai=r1iq1+ r2iq2+…+ri-1,iqi-1+qi . (1.24)
Коэффициенты разложения (1.24) определяются из условий ортогональности (qi, qj)=0 при i¹j :
rij=(qi, aj)/(qi, qi), i<j.
Матричная запись (1.24) будет
A=Q =QR. Теорема доказана.
Для нахождения векторов qi из (1.24) получим
qi=ai-r1iq1-r2iq2-…-ri-1,Iqi-1.
Теорема 1.3 [9]. Пусть detA¹0, тогда матрица А разлагается в произведение
A=QL,
где Q – ортогональная матрица, L – нижняя треугольная матрица.
Доказательство
Теорема доказывается аналогично теореме 1.2.
Дата добавления: 2018-04-15; просмотров: 296; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!