数值分析2010总结.docVIP

数值分析复习总结 任课教师 王建国 第二章 数值分析基本概念 教学内容： 误差与有效数字 误差、误差限、相对误差、相对误差限和有效数字的定义及相互关系； 误差的来源和误差的基本特性； 误差的计算（估计）的基本方法。 算法的适定性问题 数值分析中的病态和不稳定性问题； 病态问题和不稳定算法的实例分析。 数值计算的几个注意问题 数值计算的基本概念 误差概念和分析 误差的定义： 设x是精确值，p是近似值，则定义两者之差是绝对误差: 由于精确值一般是未知的,因而Δ不能求出来,但可以根据测量误差或计算情况估计它的上限 相对误差定义为绝对误差与精确值之比 误差的来源： 舍入误差 将无限位字长的精确数处理成有限位字长近似数的处理方法称为舍入方法。带来舍人误差。 截断误差 用数值法求解数学模型时，往往用简单代替复杂,或者用有限过程代替无限过程所引起的误差。 有效数字 对于 a=a0 a1 … am . am+1 … am+n(a0≠0) 的近似数， 若|Δ|≤0.5x10-n， 则称a为具有m+n+1位有效数字的有效数，其中每一位数字都叫做a的有效数字。有效数和可靠数的最末位数字称为可疑数字 有效数位的多少直接影响到近似值的绝对误差与相对误差的大小。 推论1 对于给出的有效数，其绝对误差限不大于其最末数字的半个单位。 推论2 对于给出的一个有效数，其相对误差限可估计如下： 例:计算y = ln x。若x ? 20，则取x的几位有效数字可保证y的相对误差 0.1% ? 数值计算的算法问题 “良态”问题和“病态”问题 在适定的情况下，若对于原始数据很小的变化δX，对应的参数误差δy也很小，则称该数学问题是良态问题；若δy很大，则称为病态问题。 病态问题中解对于数据的变化率都很大，因此数据微小变化必将导致参数模型精确解的很大变化。 数学问题的性态完全取决于该数学问题本身的属性，在采用数值方法求解之前就存在，与数值方法无关。 稳定算法和不稳定算法 如果用数值方法计算时,误差在计算过程中不扩散的算法称为稳定算法。否则称为不稳定算法。 数值计算应注意的问题 避免相近二数相减； 避免小分母； 避免大数吃小数； 选用稳定的算法。 绝对误差的运算：  第三章 线性方程组求解的数值方法 教学内容： 高斯消元法 消元法的实现过程； 主元问题。 矩阵分解 矩阵LU分解的一般计算公式； 利用LU分解的线性方程组求解方法； Cholesky分解； Matlab的Cholesky分解函数。 向量范数与矩阵范数 向量范数及其性质； 矩阵函数及其性质； 常用范数形式。 线性方程组的迭代法求解 迭代求解的思路； Jacobi迭代法； 高斯_赛德尔迭代法； 迭代法的收敛性。 方程组的病态问题与误差分析 线性方程组解的误差分析； 条件数和方程组的病态性。 消元法： 问题： 消去法是按照系数矩阵的主对角线上的元素（主元）进行消元。从而可能出现： （1）某个主元为零，导致消元过程无法进行。 （2）当某个主元的绝对值很小时，计算结果误差很大。 定理： 若A的所有顺序主子式 均不为0，则高斯消元无需换行即可进行到底，得到唯一解。 全主元消去法 每一步选绝对值最大的元素为主元素。 列主元消去法 省去换列的步骤，每次仅选一列中最大的元。 矩阵三角分解法 计算公式： 算法： Cholesky分解： 定理： 设矩阵A对称正定，则存在非奇异下三角阵L使得 。若限定L对角元为正，则分解唯一。 Matlab中的Cholesky分解函数： chol（） 向量和矩阵的范数 为了研究线性方程组近似解的误差估计和迭代法的收敛性，引进向量（矩阵）的范数的概念。 向量范数 定义： 空间的向量范数 || · || 对任意 满足下列条件： 常用范数： 矩阵范数 定义： 空间的向量范数 || · || 对任意 满足下列条件： (4)* || AB || ￡ || A || · || B || 常用矩阵范数： Frobenius范数： 由向量范数 || · ||p导出关于矩阵 A ? Rn′n的p范数: 谱半径： 矩阵A的谱半径记为 r (A) =，其中li为A的特征根。 定理： 对任意算子范数 || · || 有 定理： 若A对称，则有 定理： 若矩阵B对某个算子范数满足 ||B|| 1，则必有 解线性方程组的迭代法 研究内容： 如何建立迭代公式？　 收敛速度？ 向量序列的收敛条件？ 误差估计？ 思路： 收敛问题： 雅可比(Jacobi)迭代法 高斯—塞德尔迭代法 迭代法的收敛性 谱半径小于1. 迭代法的误差估计： 误差分析： 问题的