Αριθμητική ανάλυση

Από τη Βικιπαίδεια, την ελεύθερη εγκυκλοπαίδεια
Μετάβαση σε: πλοήγηση, αναζήτηση
Βαβυλωνιακή πλάκα από 7289 π.Χ. (περ. 1800-1600 π.Χ.) με σχολιασμούς. Η προσέγγιση της τετραγωνικής ρίζας του 2 είναι τέσσερα εξηνταδικά στοιχεία, που είναι περίπου έξι δεκαδικά ψηφία. 1 + 24/60 + 51/602 + 10/603 = 1,41421296 .[1]

Αριθμητική ανάλυση είναι η μελέτη των αλγορίθμων οι οποίοι χρησιμοποιούν μαθηματικές προσεγγίσεις (σε αντιδιαστολή με τους γενικούς συμβολικούς υπολογιστικούς) για την επίλυση προβλημάτων της μαθηματικής ανάλυσης (όπως διακρίνεται από διακριτά μαθηματικά).

Ένα από τα αρχαιότερα μαθηματικά κείμενα είναι μία Βαβυλωνιακή πλάκα από τη Βαβυλωνιακή συλλογή Yale του 7289 π.Χ, η οποία δίνει την εξηνταδική προσέγγιση της \sqrt{2}, ως το μήκος της διαγωνίου σε ένα τετράγωνο με πλευρά μήκους 1. Το να είμαστε ικανοί να υπολογίσουμε τις πλευρές ενός τριγώνου (ως εκ τούτου το να είμαστε ικανοί να υπολογίσουμε τετραγωνικές ρίζες) είναι εξαιρετικά σημαντικό, για παράδειγμα, στην ξυλουργική και την κατασκευή.[2]

Η αριθμητική ανάλυση συνεχίζει τη μακρά αυτή παράδοση των πρακτικών μαθηματικών υπολογισμών. Όπως και με την προσέγγιση των Βαβυλωνίων της \sqrt{2}, η σύγχρονη αριθμητική ανάλυση δεν επιδιώκει ακριβείς απαντήσεις , επειδή τέτοιες λύσεις είναι συχνά αδύνατο να επιτευχθούν στην πράξη. Αντί για αυτό, ένα μεγάλο μέρος της αριθμητικής ανάλυσης ασχολείται με την απόκτηση προσεγγιστικών λύσεων διατηρώντας παράλληλα εύλογα όρια σχετικά με τα σφάλματα.

Η αριθμητική ανάλυση βρίσκει εφαρμογές σε όλα τα πεδία της μηχανικής και των φυσικών επιστημών, αλλά στον 21ο αιώνα, οι βιοεπιστήμες και ακόμη και οι τέχνες έχουν υιοθετήσει στοιχεία των επιστημονικών υπολογισμών. Οι συνήθεις διαφορικές εξισώσεις εμφανίζονται στην κίνηση των ουρανίων σωμάτων (πλανήτες, αστέρια και γαλαξίες), η αριθμητική γραμμική άλγεβρα είναι σημαντική για την ανάλυση δεδομένων, oι στοχαστικές διαφορικές εξισώσεις και οι αλυσίδες Markov είναι απαραίτητες για την προσομοίωση ζωντανών κυττάρων στην ιατρική και στη βιολογία.

Πριν την έλευση των σύγχρονων υπολογιστών η εφαρμογή των αριθμητικών μεθόδων συχνά εξαρτιόνταν από την παρεμβολή του ανθρώπου και γινόταν σε μεγάλους έντυπους πίνακες. Από τα μέσα του 20ου αιώνα, οι υπολογιστές υπολογίζουν τις απαιτούμενες λειτουργίες αντί των ανρώπων. Αυτοί οι ίδιοι τύποι παρεμβολής συνεχίζουν να χρησιμοποιούνται ως μέρος του λογισμικού των αλγορίθμων για την επίλυση διαφορικών εξισώσεων.

Γενική εισαγωγή[Επεξεργασία | επεξεργασία κώδικα]

Ο γενικός στόχος του πεδίου της αριθμητικής ανάλυσης είναι ο σχεδιασμός και η ανάλυση τεχνικών που δίνουν σε προσέγγιση αλλά ακριβείς λύσεις σε δύσκολα προβλήματα, η ποικιλία των οποίων φαίνεται παρακάτω:

  • Σύνθετες αριθμητικές μέθοδοι είναι απαραίτητοι για να είναι η αριθμητική πρόγνωση καιρού εφικτή.
  • Ο υπολογισμός της τροχιάς ενός διαστημικού οχήματος απαιτεί την ακριβή αριθμητική επίλυση ενός συστήματος συνήθων διαφορικών εξισώσεων.
  • Βιομηχανίες οχημάτων μπορούν να βελτιώσουν την ασφάλεια στις συγκρούσεις των οχημάτων τους, χρησιμοποιώντας προσομοιώσεις σε υπολογιστή των τροχαίων ατυχημάτων. Οι εν λόγω προσομοιώσεις αποτελούνται κυρίως από την επίλυση μερικών διαφορικών εξισώσεων αριθμητικά.
  • Τα κεφάλαια Hedge (ιδιωτικά επενδυτικά κεφάλαια) χρησιμοποιούν εργαλεία από όλους τους τομείς της αριθμητικής ανάλυσης στην προσπάθεια να υπολογίσουν της αξίας των αποθεμάτων και των παραγώγων τους με μεγαλύτερη ακρίβεια από ότι οι άλλοι συμμετέχοντες στην αγορά.
  • Οι αεροπορικές εταιρείες χρησιμοποιούν πολύπλοκους αλγόριθμους βελτιστοποίησης για να αποφασίσουν τις τιμές των εισιτηρίων,τις αναθέσεις πληρωμάτων σε αεροσκάφος και τις ανάγκες των καυσίμων. Ιστορικά τέτοιοι αλγόριθμοι αναπτύχθηκαν εντός του πεδίου της επιχειρησιακής έρευνας.
  • Οι ασφαλιστικές εταιρείες χρησιμοποιούν αριθμητικές μεθόδους για την αναλογιστική ανάλυση.

Το υπόλοιπο αυτής της ενότητας περιγράφει διάφορα σημαντικά θέματα της αριθμητικής ανάλυσης.

Ιστορία[Επεξεργασία | επεξεργασία κώδικα]

Το πεδίο της αριθμητικής ανάλυσης προηγείται της εφεύρεσης των σύγχρονων υπολογιστών κατά πολλούς αιώνες. Η γραμμική παρεμβολή ήταν ήδη σε χρήση πάνω από 2000 χρόνια πριν. Πολλοί μεγάλοι μαθηματικοί του παρελθόντος ήταν απορροφημένοι με την αριθμητική ανάλυση, όπως είναι προφανές από τα ονόματα των σημαντικών αλγορίθμων, όπως η μέθοδος του Νεύτωνα, η παρεμβολή Lagrange, η μέθοδος απαλοιφής Γκάους και η μέθοδος Όιλερ.

Για να διευκολυνθούν οι υπολογισμοί με το χέρι, μεγάλα βιβλία παρήχθησαν με τύπους και πίνακες των δεδομένων, όπως τα σημεία παρεμβολής και οι συντελεστές λειτουργίας. Χρησιμοποιώντας τους πίνακες αυτούς, υπολόγιζαν έως και 16 δεκαδικά ψηφία ή περισσότερα για ορισμένες λειτουργίες, θα μπορούσε κανείς να κοιτάζει προς τα πάνω τις τιμές για να συνδέσει σε δεδομένα τους τύπους και να επιτύχει πολύ καλές αριθμητικές εκτιμήσεις ορισμένων λειτουργιών. Η κανονική εργασία στον τομέα είναι η δημοσίευση NIST επιμελημένη από Abramowitz και Stegun, ένα 1000-και σελίδων βιβλίο ενός πολύ μεγάλου αριθμού τύπων που χρησιμοποιούμε συνήθως και τις λειτουργίες και τις αξίες τους σε πολλά σημεία. Οι τιμές λειτουργίας δεν είναι πλέον πολύ χρήσιμες όταν ένας υπολογιστής είναι διαθέσιμος, αλλά η μεγάλη λίστα των τύπων μπορεί ακόμα να είναι πολύ βολική.

Η μηχανική αριθμομηχανή επίσης αναπτύχθηκε ως ένα εργαλείο για υπολογισμό με το χέρι. Αυτοί οι υπολογιστές είχαν εξελιχθεί σε ηλεκτρονικούς υπολογιστές τη δεκαετία του 1940, και έπειτα ανακαλύφθηκε ότι αυτοί οι υπολογιστές ήταν επίσης χρήσιμοι για διοικητικούς σκοπούς. Όμως, η ανακάλυψη του υπολογιστή επηρέασε επίσης τον τομέα της αριθμητικής ανάλυσης, δεδομένου ότι τώρα πλέον θα μπορούσαν να γίνουν και πιο πολύ πολύπλοκοι υπολογισμοί.

Άμεσες και επαναληπτικές μέθοδοι[Επεξεργασία | επεξεργασία κώδικα]

Άμεσες εναντίον επαναληπτικών μεθόδων

Εξετάστε την επίλυση του προβλήματος

3x3 + 4 = 28

για την άγνωστη ποσότητα x.

Άμεση μέθοδος
3x3 + 4 = 28.
Αφαίρεσε 4 3x3 = 24.
Διαίρεσε με το 3 x3 = 8.
Πάρε κυβική ρίζα x = 2.

Για την επαναληπτική μέθοδο, εφάρμοσε την μέθοδο διχοτόμησης σε f(x) = 3x3 − 24. Οι αρχικές τιμές είναι a = 0, b = 3, f(a) = −24, f(b) = 57.

Επαναληπτική μέθοδος
a b μέση f(μέση)
0 3 1.5 −13.875
1.5 3 2.25 10.17...
1.5 2.25 1.875 −4.22...
1.875 2.25 2.0625 2.32...

Καταλήγουμε στο αποτέλεσμα ότι λύση είναι ανάμεσα στο 1.875 και 2.0625. Ο αλγόριθμος μπορεί να επιστέψει οποιοδήποτε αριθμό μέσα σε αυτό το διάστημα με σφάλμα λιγότερο από 0.2.

Διακριτοποίηση και αριθμητική ολοκλήρωση[Επεξεργασία | επεξεργασία κώδικα]

Schumacher (Ferrari) in practice at USGP 2005.jpg

Σε έναν δίωρο αγώνα, μετρήσαμε την ταχύτητα του αυτοκινήτου σε τρις χρονικές στιγμές και τις καταγράψαμε στον παρακάτω πίνακα.

Χρόνος 0:20 1:00 1:40
Χλμ/ω 140 150 180

Ηδιακριτοποίηση θα μας έλεγε ότι η ταχύτητα του αυτοκινήτου ήταν σταθερή από 0:00 έως 0:40, μετά από 0:40 έως 1:20 και τέλος από 1:20 έως 2:00. Για παράδειγμα η συνολική απόσταση που ταξίδεψε στα πρώτα 40 λεπτά είναι περίπου (2/3h × 140 km/h) = 93.3 Χλμ. Αυτό θα μας επέτρεπε να εκτιμήσουμε την συνολική απόσταση ως εξής 93.3 χλμ + 100 kχλμ m + 120 χλμ = 313.3 χλμ , αυτό είναι παράδειγμα αριθμητικής ολοκλήρωσης χρησιμοποιώντας άθροισμα Ρήμαν.

Οι άμεσες μέθοδοι υπολογίζουν τη λύση ενός προβλήματος σε πεπερασμένο αριθμό βημάτων. Αυτές οι μέθοδοι θα δώσουν σαφή απάντηση, εάν έχουν πραγματοποιηθεί με άπειρη αριθμητική ακρίβεια. Τα παραδείγματα περιλαμβάνουν την μέθοδος απαλοιφής του Γκάους, την παραγοντοποίηση QR για την επίλυση συστημάτων γραμμικών εξισώσεων, και τη μέθοδο simplex του γραμμικού προγραμματισμού. Στην πράξη, πεπερασμένη ακρίβεια χρησιμοποιείται και το αποτέλεσμα είναι μια προσέγγιση της πραγματική λύσης (με την παραδοχή της σταθερότητας).

Σε αντίθεση με τις άμεσους μεθόδους, οι επαναληπτικές μέθοδοι δεν αναμένεται να τελειώσουν σε ορισμένα βήματα. Ξεκινώντας από την αρχική υπόθεση, οι επαναληπτικές μέθοδοι αποτελούν διαδοχικές προσεγγίσεις που συγκλίνουν προς την ακριβή λύση μόνο στο όριο. Μια δοκιμή σύγκλισης προσδιορίζεται, προκειμένου να αποφασιστεί πότε μια αρκούντως ακριβή λύση (ευτυχώς) έχει βρεθεί. Ακόμη και χρησιμοποιώντας άπειρη αριθμητική ακρίβεια αυτές οι μέθοδοι δεν θα φθάσουν τη λύση μέσα σε ένα πεπερασμένο αριθμό βημάτων (γενικώς). Παραδείγματα αποτελούν η μέθοδος του Νεύτωνα, η μέθοδο διχοτόμησης, και η επανάληψη Jacobi. Στην υπολογιστική άλγεβρα πινάκων, οι επαναληπτικές μέθοδοι είναι γενικά απαραίτητες για μεγάλα προβλήματα.

Οι επαναληπτικές μέθοδοι είναι πιο συχνές από τις άμεσες μεθόδους στην αριθμητική ανάλυση. Μερικές μέθοδοι είναι άμεσες, κατ 'αρχήν, αλλά συνήθως χρησιμοποιούνται σαν να μην ήταν, π.χ. GMRES και η μέθοδος συζυγούς κλίσης. Για τις μεθόδους αυτές, ο αριθμός των βημάτων που απαιτούνται για να ληφθεί η ακριβή λύση είναι τόσο μεγάλος, ώστε η προσέγγιση είναι αποδεκτή με τον ίδιο τρόπο όπως και για μια επαναληπτική μέθοδο.

Διακριτοποίηση[Επεξεργασία | επεξεργασία κώδικα]

Επιπλέον, τα συνεχή προβλήματα πρέπει μερικές φορές να αντικατασταθούν από ένα διακριτό πρόβλημα του οποίου η λύση ειναι γνωστή to κατά προσέγγιση από το συνεχές πρόβλημα. Αυτή η πρόοδος λέγεται διακριτοποίηση. Για παράδειγμα, η λύση μιας διαφορικής εξίσωσης είναι μία μαθηματική λειτουργία. Αυτή η λειτουργία πρέπει να εκπροσωπείται από ένα πεπερασμένο σύνολο δεδομένων, για παράδειγμα από την αξία του σε ένα πεπερασμένο αριθμό σημείων του τομέα του , ακόμη και αν αυτός ο τομέας ανήκει στη Θεωρία συνόλων.

Παραγωγή και διάδωση των σφαλμάτων[Επεξεργασία | επεξεργασία κώδικα]

Η μελέτη των σφαλμάτων αποτελεί ένα σημαντικό μέρος της αριθμητικής ανάλυσης. Υπάρχουν διάφοροι τρόποι με τους οποίους ένα σφάλμα μπορεί να εισαχθεί στην λύση του προβλήματος.

Στρογγυλοποίηση[Επεξεργασία | επεξεργασία κώδικα]

Η στρογγυλοποίηση οφείλεται στο γεγονός ότι είναι αδύνατο να αναπαραστήσεις όλους τους πραγματικούς αριθμούς σε ένα μηχάνημα με πεπερασμένη μνήμη (πράγμα που ισχύει για όλους τους ψηφιακούς υπολογιστές).

Αποκοπή και σφάλμα διακριτοποίησης[Επεξεργασία | επεξεργασία κώδικα]

Τα σφάλματα αποκοπής διαπράττονται όταν μία επαναληπτική μέθοδος τερματίζεται ή όταν μια μαθηματική διαδικασία προσεγγίζεται, και η προσεγγιστική λύση διαφέρει από την ακριβή λύση. Ομοίως, η διακριτοποίηση προκαλεί ένα σφάλμα διακριτοποίησης γιατί η επίλυση του διακριτού προβλήματος δεν συμπίπτει με την επίλυση του συνεχούς προβλήματος. Για παράδειγμα, σε μια επανάληψη για να υπολογιστεί η λύση του x3 + 4 = 28, μετά από περίπου 10 επαναλήψεις, καταλήγουμε στο συμπέρασμα ότι η ρίζα είναι περίπου 1,99. Έχουμε, λοιπόν, ένα σφάλμα αποκοπής της τάξης του 0,01. Μόλις δημιουργείται σφάλμα, γενικά θα φανερώνεται μέσω του υπολογισμού. Για παράδειγμα, έχουμε ήδη επισημάνει ότι η λειτουργία + σε έναν υπολογιστή τσέπης (ή σε έναν ηλεκτρονικό υπολογιστή) είναι ανακριβής. Επομένως, ένας υπολογισμός του τύπου α + β + γ + δ + ε είναι ακόμη πιο ανακριβής. Τι σημαίνει όταν λέμε ότι το σφάλμα αποκοπής δημιουργείται όταν υπολογίζουμε κατά προσέγγιση μια μαθηματική διαδικασία; Γνωρίζουμε ότι για να ενσωματώσουμε μια λειτουργία ακριβώς απαιτείται κάποιος να βρει το άθροισμα άπειρων τραπεζίων. Αλλά αριθμητικά μπορεί κανείς να βρει το άθροισμα πεπερασμένων μόνο τραπεζίων. Ομοίως, για να διαφοροποιηθεί μια λειτουργία, το στοιχείο απόκλισης πλησιάζει στο μηδέν αλλά, αριθμητικά, μπορούμε μόνο να επιλέξουμε μία πεπερασμένη τιμή στοιχείου διαφοροποίησης.

Αριθμητική σταθερότητα και καλά δημιουργούμενα προβλήματα[Επεξεργασία | επεξεργασία κώδικα]

Η αριθμητική σταθερότητα είναι μία σημαντική έννοια στην αριθμητική ανάλυση. Ένας αλγόριθμος ονομάζεται αριθμητικά σταθερός αν ένα λάθος, ανεξάρτητα απ' την αιτία του, δεν τείνει να γίνει πολύ μεγαλύτερο κατά τη διάρκεια του υπολογισμού. Αυτό συμβαίνει αν ένα πρόβλημα είναι καλά κατασκευασμένο αριθμητικά, πράγμα που σημαίνει ότι η λύση του αλλάζει μόνο κατά ένα μικρό ποσό, αν τα δεδομένα του προβλήματος αλλάξουν κατά ένα μικρό ποσό. Αντιθέτως αν ένα πρόβλημα ειναι άσχημα κατασκευασμένο, τότε κάθε μικρό λάθος στα δεδομένα θα τείνει να γίνει ένα μεγάλο λάθος.

Τόσο το αρχικό πρόβλημα όσο και ο αλγόριθμος που χρησιμοποιούνται για την επίλυση αυτού του προβλήματος μπορούν να είναι καλά κατασκευασμένα και/ή άσχημα κατασκευασμένα, και κάθε συνδιασμός είναι πιθανός.

Έτσι, ένας αλγόριθμος που λύνει ένα καλά κατασκευασμένο πρόβλημα μπορεί να είναι είτε αριθμητικά σταθερός είτε αριθμητικά ασταθής. Μια τέχνη της αριθμητικής ανάλυσης είναι η εύρεση ένας σταθερού αλγόριθμου για την επίλυση ενός καλά κατασκευασμένου μαθηματικού προβλήματος. Για παράδειγμα, ο υπολογισμός της τετραγωνικής ρίζας του 2, (η οποίο είναι περίπου 1,41421) είναι ένα καλά ορισμένο πρόβλημα. Πολλοί αλγόριθμοι λύνουν αυτό το πρόβλημα, ξεκινώντας με μια αρχική προσέγγιση του x1 ως \sqrt{2}, για παραράδειγμα x1=1.4, και υπολογίζοντας στη συνέχεια τις βελτιωτικές εικασίες x2, x3, κτλ... Μία τέτοια μέθοδος είναι η γνωστή ως Bαβυλώνια μέθοδος, η οποία δίνεται από τύπο xk+1 = xk/2 + 1/xk. Μία άλλη επανάληψη, την οποία θα ονομάζουμε μέθοδο Χ, δίνεται από τον τύπο xk + 1 = (xk2−2)2 + xk.[3] Έχουμε υπολογίσει μερικές επαναλήψεις του κάθε συστήματος σε μορφή πίνακα, με τις αρχικές εικασίες x1 = 1.4 και x1 = 1.42.


Βαβυλώνια Βαβυλώνια Μέθοδος X Μέθοδος X
x1 = 1,4 x1 = 1,42 x1 = 1,4 x1 = 1,42
x2 = 1,4142857... x2 = 1,41422535... x2 = 1,4016 x2 = 1,42026896
x3 = 1,414213564... x3 = 1,41421356242... x3 = 1,4028614... x3 = 1,42056...
... ...
x1000000 = 1,41421... x28 = 7280,2284...


Παρατηρήστε ότι η Βαβυλώνια μέθοδος συγκλίνει γρήγορα, ανεξάρτητα από την αρχική υπόθεση, ενώ η μέθοδος X συγκλίνει πολύ αργά με την αρχική εικασία 1,4 και αποκλίνει με την αρχική εικασία 1,42. Ως εκ τούτου, η Βαβυλώνια μέθοδος είναι αριθμητικά σταθερή, ενώ η μέθοδος Χ είναι αριθμητικά ασταθής.

Η αριθμητική σταθερότητα επηρεάζεται απ΄τον αριθμό των σημαντικών ψηφίων που κρατάει η μηχανή, αν χρησιμοποιούμε μια μηχανή που κρατάει για τα τέσσερα πρώτα ψηφία κινητή υποδιαστολή. Ένα καλό παράδειγμα για την απώλεια της σταθερότητας δίνεται από αυτές τις δύο ισοδύναμες λειτουργίες:

 
f(x)=x\left(\sqrt{x+1}-\sqrt{x}\right)
\text{ and } g(x)=\frac{x}{\sqrt{x+1}+\sqrt{x}}.
Αν συγκρίνουμε τα αποτελέσματα του
 f(500)=500(\sqrt{501}-\sqrt{500})=500(22,3830-22,3607)=500(0,0223)=11,1500
και του

\begin{alignat}{3}g(500)&=\frac{500}{\sqrt{501}+\sqrt{500}}\\
      &=\frac{500}{22,3830+22,3607}\\
      &=\frac{500}{44,7437}=11,1748
\end{alignat}
Παρατηρώντας τα δύο παραπάνω αποτελέσματα, συνειδητοποιούμε ότι η απώλεια σταθερότητας, η οποία ονομάζεται επίσης αφαιρετική ακύρωση, έχει τεράστια επίδραση στα αποτελέσματα, ακόμη και αν και οι δύο λειτουργίες είναι ισοδύναμες. Για να δείξουμε ότι αυτές είναι ισοδύναμες πρέπει απλά να αρχίσουμε με την f(x) και να τελειώσουμε με την g(x), και έτσι:
 \begin{alignat}{4}
f(x)&=x(\sqrt{x+1}-\sqrt{x})\\
    & =x(\sqrt{x+1}-\sqrt{x})\frac{(\sqrt{x+1}+\sqrt{x})}{(\sqrt{x+1}+\sqrt{x})}\\
    &=x\frac{((\sqrt{x+1})^2-(\sqrt{x})^2)}{(\sqrt{x+1}+\sqrt{x})}
    &=\frac {x}{(\sqrt{x+1}+\sqrt{x})}
\end{alignat}
Η αληθινή τιμή του αποτελέσματος είναι 11,174755..., η οποία είναι ακριβώς g(500) = 11,1748 μετά τη στρογγυλοποίηση του αποτελέσματος σε 4 δεκαδικά ψηφία.
Τώρα φανταστείτε ότι τα μέρη των όρων, όπως αυτές τις λειτουργίες που χρησιμοποιούνται στο πρόγραμμα. Το σφάλμα θα αυξηθεί καθώς προχωράει στο πρόγραμμα, εκτός αν κάποιος χρησιμοποιεί τον κατάλληλο τύπο από τις δύο λειτουργίες κάθε φορά και υπολογίζει είτε το f(x), είτε το g(x). Η επιλογή εξαρτάται από την ισοτιμία του x.
  • Το παράδειγμα πάρθηκε από τον Mathew: Numerical methods using matlab, 3rd ed.

Τομείς της μελέτης[Επεξεργασία | επεξεργασία κώδικα]

Το πεδίο της αριθμητικής ανάλυσης περιλαμβάνει πολλές υπο-ειδικότητες. Μερικές από τα σημαντικότερες από αυτές είναι:

Τιμές των λειτουργιών της πληροφορικής[Επεξεργασία | επεξεργασία κώδικα]

Ένα από τα πιο απλά προβλήματα είναι η αξιολόγηση της συνάρτησης σε ένα δεδομένο σημείο. Η πιο απλή προσέγγιση, το να συνδέεις μόνο τον αριθμό στον τύπο είναι μερικές φορές όχι πολύ αποτελεσματική. Για τα πολυώνυμα, μια καλύτερη προσέγγιση χρησιμοποιεί το σύστημα/σχήμα Horner, δεδομένου ότι μειώνει τον αναγκαίο αριθμό των πολλαπλασιασμών και προσθηκών. Γενικά, είναι σημαντικό να εκτιμούμε και να ελέγχουμε αριθμητικά τις στρογγυλοποιήσεις σφαλμάτων που προκύπτουν από τη χρήση της κινητής υποδιαστολής .

Παρεμβολή, παρέκταση, και παλινδρόμηση[Επεξεργασία | επεξεργασία κώδικα]

Η παρεμβολή επιλύει το ακόλουθο πρόβλημα: δεδομένης της αξίας κάποιων άγνωστων λειτουργιών σε ορισμένα σημεία,Τι αξία έχει η λειτουργία αυτή σε κάποιο άλλο σημείο μεταξύ των δεδομένων σημείων?

Η παρέκταση είναι πολύ όμοια με την παρεμβολή, με εξαίρεση ότι τώρα θέλουμε να βρούμε την αξία της άγνωστης λειτουργίας σε ένα σημείο που είναι έξω από τα δεδομένα σημεία.

Η παλινδρόμηση είναι επίσης παρόμοια, αλλά λαμβάνει υπόψη το γεγονός ότι τα δεδομένα δεν είναι ακριβή. Λαμβάνοντας υπόψη ορισμένα σημεία, και μια μέτρηση της αξίας κάποιας λειτουργίας σε αυτά τα σημεία (με σφάλμα), θέλουμε να προσδιορίσουμε την άγνωστη λειτουργία. Η μέθοδος ελαχίστων τετραγώνων είναι ένας δημοφιλής τρόπος για να επιτευχθεί αυτό.

Επίλυση εξισώσεων και συστημάτων εξισώσεων[Επεξεργασία | επεξεργασία κώδικα]

Ένα άλλο βασικό πρόβλημα είναι ο υπολογισμός της λύσης κάποιας δεδομένη εξίσωσης. Δύο περιπτώσεις διακρίνονται συνήθως, ανάλογα με το αν η εξίσωση είναι γραμμική ή όχι. Για παράδειγμα,η εξίσωση 2x+5=3 είναι γραμμική ενώ η 2x^2+5=3 δεν είναι.

Πολλή προσπάθεια έχει γίνει για την ανάπτυξη μεθόδων για την επίλυση συστημάτων γραμμικών εξισώσεων. Πρότυπες άμεσες μέθοδοι, i.e., μέθοδοι που χρησιμοποιούν κάποια αποσύνθεση μαθηματικών μοντέλων είναι οι ελλειπτικές του Gauss, οι αποσύνθεσης LU , οι αποσύνθεσης Cholesky για συμμετρικά μοντέλα (ή ερμιτιανά μοντέλα) και θετικά-οριστικά μοντέλα, και οι αποσύνθεσης QR για μη τετραγωνικούς πίνακες. Οι επαναληπτικές μέθοδοι όπως η μέθοδος Jacobi, η μέθοδος Gauss–Seidel, διαδοχικές υπερβολικής χαλάρωσης και κλίσης συζυγούς μεθόδους προτιμώνται για μεγάλα συστήματα. Γενικά οι επαναληπτικές μέθοδοι μπορούν να αναπτυχθούν χρησιμοποιώντας ε΄να μαθηματικό μοντέλο.

Οι αλγόριθμοι Root-finding χρησιμοποιούνται στην επίλυση μη γραμμικών εξισώσεων (ονομάστηκαν έτσι από μία ρίζα μιας συνάρτησης για την οποία η λειτουργία δίνει μηδέν). Εάν η λειτουργία είναι παραγωγίσιμη και η παράγωγος είναι γνωστή, τότε η μέθοδος του Νεύτωνα είναι μία δημοφιλής επιλογή. Η γραμμικοποίηση είναι άλλη μια τεχνική για την επίλυση μη γραμμικών εξισώσεων.

Επίλυση ιδιοτιμών ή ιδιόμορφα προβλήματα αξιών[Επεξεργασία | επεξεργασία κώδικα]

Αρκετά σημαντικά προβλήματα μπορούν να διατυπωθούν από την άποψη της αποσύνθεσης ιδιοτιμών ή αποσύνθεσης αξιών. Για παράδειγμα, η φασματική συμπίεσης της εικόνας ενός αλγορίθμου[4] βασίζεται στην αποσύνθεση ιδιαζουσών ιδιοτιμών. Το αντίστοιχο εργαλείο στη στατιστική ονομάζεται ανάλυση σε κύριες συνιστώσες.


Λογισμικό[Επεξεργασία | επεξεργασία κώδικα]

Από τα τέλη του εικοστού αιώνα, οι περισσότεροι αλγόριθμοι εφαρμόζονται σε μια ποικιλία γλωσσών προγραμματισμού. Η αποθήκη Netlib περιέχει διάφορες συλλογές από λογισμικά ρουτίνας για αριθμητικά προβλήματα, κυρίως σε Fortran και C. Διαφημιστικά προϊόντα που εφαρμόζουν πολλούς διαφορετικούς αριθμητικούς αλγορίθμους περιλαμβάνουν τις αριθμητικές βιβλιοθήκες IMSL και τις αριθμητικές βιβλιοθήκες αλγορίθμων του ομίλου NAG. Μια ελεύθερη εναλλακτική λύση είναι η επιστημονική βιβλιοθήκη GNU.

Υπάρχουν πολλές δημοφιλής αριθμητικές εφαρμογές πληροφορικής όπως η MATLAB, η S-PLUS, η LabVIEW, και η IDL καθώς επίσης και ελεύθερες και ανοιχτές εναλλακτικές πηγές όπως η FreeMat, η Scilab, η GNU Octave (παρόμοια με τη Matlab), η IT++ (μια C++ βιβλιοθήκη), η R (παρόμοια με τη S-PLUS) και ορισμένες παραλλαγές της Python. Η απόδοση ποικίλλει ευρέως: ενώ ο φορέας και το μαθηματικό μοντέλο πράξεων είναι συνήθως γρήγορα, οι βρόχοι διανυσμάτων μπορεί να διαφέρουν στην ταχύτητα κατά περισσότερο από μία τάξη μεγέθους.[5][6]

Πολλά αλγεβρικά συστήματα υπολογιστών όπως το Mathematica επίσης επωφελούνται από τη διαθεσιμότητα της αυθαίρετης αριθμητικής ακρίβειας η οποία μπορεί να προσφέρει πιο ακριβή αποτελέσματα.

Επίσης, οποιοδήποτε λογισμικό υπολογιστικών φύλλων μπορεί να χρησιμοποιηθεί για να λύσει απλά προβλήματα που αφορούν στην αριθμητική ανάλυση.

Παραπομπές[Επεξεργασία | επεξεργασία κώδικα]

  1. Photograph, illustration, and description of the root(2) tablet from the Yale Babylonian Collection
  2. The New Zealand Qualification authority specifically mentions this skill in document 13004 version 2, dated 17 October 2003 titled CARPENTRY THEORY: Demonstrate knowledge of setting out a building
  3. This is a fixed point iteration for the equation x=(x^2-2)^2+x=f(x), whose solutions include \sqrt{2}. The iterates always move to the right since f(x)\geq x. Hence x_1=1.4<\sqrt{2} converges and x_1=1.42>\sqrt{2} diverges.
  4. The Singular Value Decomposition and Its Applications in Image Compression
  5. Speed comparison of various number crunching packages
  6. Comparison of mathematical programs for data analysis Stefan Steinhaus, ScientificWeb.com
Στο λήμμα αυτό έχει ενσωματωθεί κείμενο από το λήμμα Numerical analysis της Αγγλόγλωσσης Βικιπαίδειας, η οποία διανέμεται υπό την GNU FDL και την CC-BY-SA 3.0. (ιστορικό/συντάκτες).