Académique Documents
Professionnel Documents
Culture Documents
ZITET U Z
E
N
I
UN
IC
SI
IC
AEN IS
S
UNIVER
ZE
ST
UDIORUM
Univerzitet u Zenici
Mainski fakultet
Aleksandar Kara
Numerike metode
u inenjerstvu
Zenica, 2009.
Poglavlje 1
Uvod
U ovom udbeniku predstavljene su metode koje se mogu koristiti u rjeavanju
matematikih problema koji se pojavljuju u nauci, a za koje nije mogue ili
je vrlo teko nai rjeenja u zatvorenom obliku. S obzirom na dostupnost brzim raunarima u dananje vrijeme, pomou ovih metoda mogue je uspjeno
i veoma brzo dobiti rjeenja visoke tanosti za mnoge probleme s kojima se
suoavaju dananji inenjeri i naunici. Ovo uvodno poglavlje objanjava osnovne pojmove s kojima se susreemo u numerikim proraunima.
1.1
U veini numerikih metoda primjenjuje se mali broj optih i relativno jednostavnih ideja. Ove ideje se meusobno povezuju s nekim dodatnim saznanjima
o problemu koji se rjeava. U ovom poglavlju date su neke osnovne opte ideje
koje se kriju iza numerikih metoda pri rjeavanju jednostavnijih problema,
koji mogu biti dio rjeenja nekog veeg problema.
1.1.1
(1.1)
1 Uvod
(1.2)
(1.3)
(1.4)
niz se kae da konvergira kada ima graninu vrijednost. U suprotnom, kae se da divergira.
7
b)
f(x)
f(x)
A0
M
A1
A2
M
A4
A0
B1
A3
A1
g(x0)
x1 x2 x3
x0
x0
x2 x4
x3 x1
d)
c)
f(x)
f(x)
M
B0
A0
B1
A0
B2
A1
B3
A2
x3
x2
x1 x0
x0=x2
x1=x3
1.1.2
Aproksimacija
Jo jedna od esto koritenih ideja je da se neka komplikovanija funkcija lokalno, tj. u maloj okolini neke take, aproksimira linearnom funkcijom. Ovaj
postupak se naziva linearna aproksimacija ili linearizacija.
Takoer, funkcije koje imaju veoma komplikovane analitike izraze ili su
definisane na neki drugi nain (na primjer tabelarno), mogu se aproksimirati
jednostavnijim funkcijama, najee polinomima.
Osim aproksimacije funkcija, u numerikoj matematici esto se koristi i
aproksimacija izvoda tzv. konanim razlikama, kao to je pokazano u poglavlju
5.1.2 koje govori o numerikom diferenciranju koristei formule za diferenciranje.
Upotreba ove ideje je pokazana i u poglavlju 2 na primjerima numerikog
rjeavanja jednaina koristei razne numerike metode. Na primjer, Newtonova
metoda i metoda sjeice (vidi poglavlja 2.5 i 2.7) predstavljaju metode u kojima
se linearizacija upotrebljava u kombinaciji s iterativnim postupkom.
1 Uvod
1.2
Numeriki prorauni ukljuuju i razne raunske operacije s brojevima (sabiranje, mnoenje, itd.), pri emu brojevi mogu biti cijeli (npr. 2, 50, -30, itd.),
racionalni (npr. 1/2, -3/5, itd.), ili iracionalni (npr. = 3.1415926535 . . .) .
Pri radu s numerikim vrijednostima i numerikim proraunima treba imati
na umu sljedee koncepte:
1. Znaajne cifre
2. Greke
3. Predstavljanje brojeva
1.2.1
Znaajne cifre
Znaajne cifre nekog broja su prve netrivijalne cifre, odnosno cifre razliite od
nule, i one koje slijede iza njih u zapisu. Na primjer, u broju 3.145 imamo 4
znaajne cifre, dok u broju 0.0171 imamo tri znaajne cifre. Openito, svaki
inenjerski ili nauni proraun poinje grupom podataka koji imaju poznat
broj znaajnih cifara. Kada se ovakvi brojevi procesiraju u nekom numerikom algoritmu, vrlo je vano moi odrediti koliko znaajnih cifara se nalazi u
konano proraunatom rezultatu.
1.2.2
O grekama
Izvori greaka
10
1 Uvod
kako bismo dobivene formule pojednostavili na oblik koji je mogue rijeiti. Tako se, na primjer, kod kretanja u zemaljskim uslovima esto
zanemaruje utjecaj otpora zraka. Osim toga, esto se "dobri" modeli zamjenjuju "slabijim" kako bi se mogle primijeniti numerike metode; na
primjer, sistemi parcijalnih diferencijalnih jednaina se linearizuju. Ovaj
tip greaka je ponekad veoma teko procijeniti i na korisniku je da uvidi
da li se primjenom modela dobivaju oekivani rezultati.
Ljudske greke i greke raunara. Pri numerikom rjeavanju problema,
mogu se oekivati i greke pri unosu podataka, koje nastaju kao rezultat
pogrenog upisivanja vrijednosti, greaka u knjigama, tabelama ili formulama koje su na raspolaganju. U ove vrstu greaka spadaju i greke u
programiranju, odnosno usljed pogreno napisanih algoritama, te greke
u hardveru. Primjer greke pri programiranju je pogreno napisana DO
petlja u FORTRAN programu, koji je kontrolirao let amerike sonde Venus, usljed koje je sonda nestala (umjesto DO 1,3 napisano je DO 1.3).
S druge strane, greka u hardveru koja je svojevremeno (1994. godine )
imala velik odjek u javnosti, je greka u INTEL Pentium procesoru, koji
je davao pogrene rezultate pri dijeljenju s odreenom grupom realnih
brojeva.
Propagacija greaka
Aproksimacija je centralni koncept u gotovo svim oblastima primjene numerike matematike, s obzirom da se vrlo esto moramo zadovoljiti s priblinim
vrijednostima s kojima radimo. Drugi vid aproksimacije je kada zanemarujemo
neke veliine koje su male u odnosu na druge. Ovakve aproksimacije su esto
neophodne kako problem koji rjeavamo ne bi postao previe komplikovan za
rjeavanje.
Algoritam
11
x x x
x x
(1.5)
(1.6)
Neki autori, meutim, apsolutnu greku definiu kao razliku izmeu tane i
pribline vrijednosti, x x, ili razliku pribline i tane vrijednosti, x x. Time
se daje (ili zahtijeva) dodatna informacija o predznaku greke, pa je pridjev
apsolutna u tom sluaju suvian.
Vrlo je vano napomenuti razliku u koritenju apsolutne i relativne greke,
koje su date izrazima (1.5) i (1.6), respektivno. Posmatrajmo, na primjer, neki
iterativni postupak u kojem se trai da je apsolutna greka 0.001. Ako je tano
rjeenje 100.000, onda je priblina vrijednost jednaka 100.000 0.001 i ima pet
znaajnih cifara. Meutim, ako je tano rjeenje jednako 0.001, onda je priblino rjeenje jednako 0.001 0.001 i nema znaajnih cifara. Ovaj primjer
ukazuje na opasnost koritenja apsolutne greke kao kriterija tanosti. No, u
sluaju kada se poznaje tano rjeenje, kriterij apsolutne greke se moe koristiti za dobivanje tanosti s traenim brojem znaajnih cifara. U suprotnom,
pogodnije je koristiti relativnu greku.
Posmatrajmo sada sluaj iterativnog postupka s relativnom grekom jednakom 0.00001. Ako je tano rjeenje 100.000, onda apsolutna greka mora
biti jednaka 100.000 0.00001 = 0.001 da bi se zadovoljila relativna greka.
Ovo znai da e u priblinom rjeenju biti pet znaajnih cifara. Ako je,
na primjer, tano rjeenje 0.001, onda apsolutna greka mora biti jednaka
0.001 0.00001 = 0.0000001 da bi se zadovoljio kriterij relativne greke. Ovo,
takoer, dovodi do pet znaajnih cifara. Dakle, relativna greka dovodi do
jednakog broja znaajnih cifara u priblinom rjeenju, bez obzira na veliinu
tanog rjeenja.
U uskoj vezi s apsolutnom i relativnom grekom je i pojam tanosti . Pri
tome, tanost predstavlja apsolutnu ili relativnu greku kojom se aproksimira
neka veliina.
Neki autori esto uz pojam tanosti spominju i pojam preciznosti, koji predstavlja tanost kojom se
izvravaju osnovne raunske operacije.
12
1 Uvod
1.2.3
Predstavljanje brojeva
Brojevi se predstavljaju u brojevnim sistemima (npr. dekadni, oktalni, heksadecimalni, binarni, itd.). Brojevni sistem je odreen svojom bazom, odnosno
brojem razliitih cifara koje se koriste za reprezentaciju brojeva. Nasuprot
dekadnom sistemu (s bazom 10), koji je najei sistem u komunikaciji ljudi,
digitalni raunari koriste binarni sistem (sistem s bazom 2), tj. sistem nula
i jedinica. U tom sluaju binarni broj se sastoji od binarnih bita. Broj binarnih bita odreuje tanost kojom binarni broj predstavlja neki decimalni
broj. Najea veliina binarnog broja je 32 binarna bita, koji priblino moe
predstaviti realni broj sa sedam znaajnih cifara. Neki raunari imaju 64bitne binarne brojeve, koji predstavljaju 13 ili 14 znaajnih cifara, a neki ak i
128-bitne. Meutim, u mnogim inenjerskim i naunim proraunima 32-bitni
binarni brojevi su sasvim dovoljni, a na njima je mogue izvriti 64-bitne i
128-bitne proraune, koristei odreena softverska poboljanja. Ovo se postie
koritenjem tzv. dvostruke ili etverostruke preciznosti (eng. double i quad
precision), respektivno.
Treba napomenuti da su, osim za cijele brojeve i neke razlomke, sve binarne
reprezentacije decimalnih brojeva aproksimacije, s obzirom na konanu duinu
binarnog zapisa (na primjer, broj 0.2 u binarnom zapisu ima beskonaan oblik
0.00110011...). Na taj nain, gubitak tanosti u binarnoj reprezentaciji ovakvih
brojeva se ne moe izbjei.
Reprezentacija broja s pokretnom takom
(1.7)
Poglavlje 2
Rjeavanje jednaina
Mnogi problemi u nauci i inenjerstvu zahtijevaju pronalaenje rjeenja ili
korijena neke jednaine. Problem se, u stvari, svodi na sljedee: Za datu
neprekidnu funkciju f (x), treba nai vrijednost x = takvu da je f () = 0.
Problem je grafiki predstavljen na slici 2.1.
f(x)
[1
f([1)=0
[2
f([2)=0
2.1
14
2 Rjeavanje jednaina
Lokalizacija nula
Poboljanje rjeenja
Poboljanje rjeenja predstavlja odreivanje rjeenja do eljene tanosti pomou neke od sistematskih metoda. U tu svrhu mogu se koristiti razne metode
od kojih e se ovdje pokazati sljedee:
metoda polovljenja intervala - bisekcija,
regula falsi,
metoda proste iteracije,
vidi
dodatak B
15
Newtonova metoda,
modifikovana Newtonova metoda,
metoda sjeice.
2.2
f(b0)
a2
a3
a1
a0=a x2
f(a0)
f(x0)
[ x1
b2
x0
b1
b0=b x
(2.1a)
xi =
ai+1 = ai , bi+1 = xi
(2.1b)
16
2 Rjeavanje jednaina
ai+1 = xi , bi+1 = bi
dobiva se rjeenje = xi
(2.1c)
(2.1d)
Iterativni postupak se nastavlja sve dok se ne postigne eljena tanost, tj. dok
veliina intervala ne postane manja od eljene tolerancije 1 (|bi ai | 1 ), ili
veliina f (x) ne postane manja od eljene tolerancije 2 (|f (xi )| 2 ), ili oboje.
Neki autori umjesto prvog uslova konvergencije koriste uslov |xi xi1 | 1 .
Metoda polovljenja intervala ima sljedee osobine:
S obzirom da se iterativnim postupkom interval, u kojem se nalazi traeni
korijen, (dvostruko) smanjuje svakom narednom iteracijom, konvergencija
je zagarantovana.
Greka metode nakon n koraka se moe odrediti i iznosi
1
|bn an | = n (b0 a0 )
2
(2.2)
S obzirom da se svakom iteracijom interval polovi, (maksimalan) broj iteracija n, a time i broj raunanja funkcije, koji je potreban da se prvobitni
interval [a0 , b0 ] smanji na odreeni interval [an , bn ], dobiva se iz (2.2) i
iznosi:
b0 a0
1
log
n=
(2.3)
log(2)
bn an
Konvergencija je spora, odnosno potreban je veliki broj iteracija da se
postigne eljena tanost. Naime, potrebne su priblino tri iteracije da se
povea tanost za jedno decimalno mjesto (0.1 23.3 ).
Primjer 2.1
Metodom polovljenja intervala nai pozitivni korijen jednaine x2 2 = 0.
Postupak rjeavanja zaustaviti kada se ispuni uslov |bi ai | < 104 , pri emu
je i redni broj iteracije.
Rjeenje
Kao to je u prethodnim poglavljima reeno, prvi korak u numerikom rjeavanju jednaina predstavlja lokalizacija nula. Ovo moemo na najlaki nain
postii crtanjem grafika funkcije i utvrivanjem intervala u kojem se dato rjeenje nalazi. Sa slike 2.3 se jasno vidi da se pozitivno rjeenje zadate jednaine
nalazi u intervalu [a0 , b0 ] = [1, 2].
17
5
4
3
fx=x -
2
1
0
[1
[2
-1
-2
-3
-5
-4
-3
-2
-1
U krajnjim takama intervala (neprekidna) funkcija f (x) = x2 2 ima vrijednosti razliitog predznaka, tj. f (a0 ) = f (1) = 1 < 0 i f (b0 ) = f (2) = 2 >
0, pa se u datom intervalu nalazi bar jedan korijen date jednaine. Sada se vri
podjela intervala na dva jednaka podintervala i provjerava koji od podintervala sadri korijen jednaine. Dakle, slijedei algoritam za metodu polovljenja
intervala, imamo:
a0 + b0
1+2
=
= 1.5
2
2
f (x0 ) = f (1.5) = 0.25 > 0
x0 =
x1 =
18
2 Rjeavanje jednaina
Tabela 2.1:
Iteracija i
0
1
2
3
..
.
12
13
14
2.3
Uz primjer 2.1
ai
f (ai )
1
-1
1
-1
1.25
-0.4375
1.375
-0.109375
..
..
.
.
bi
2
1.5
1.5
1.5
..
.
f (bi )
2
0.25
0.25
0.25
..
.
xi
1.5
1.25
1.375
1.4375
..
.
|ai bi |
1
0.5
0.25
0.125
..
.
1.41406
1.41418
1.41418
1.41431
1.41431
1.41425
0.000263
0.000263
0.000009
1.41418
1.41425
1.41422
0.000244
0.000122
0.000061
-0.000427
-0.000008
-0.000008
Kao to se moglo vidjeti, u sluaju metode polovljenja intervala korijen jednaine se aproksimira srednjom vrijednou intervala u kojem se korijen nalazi.
U metodi regula falsi, to u prevodu znai metoda pogrenog poloaja, funkcija f (x) se aproksimira pravcem g(x) koji prolazi kroz take a i b, a korijen
funkcije g(x), x = , se uzima kao sljedea aproksimacija korijena jednaine
f (x) = 0. S obzirom na linearnu interpolaciju funkcije, ova metoda se jo
naziva i linearna interpolaciona metoda.
f(x)
f(b0)
a2
a1
a0=a [
f(a0)
f(x0)
x1
b2
x0
b1
b0=b
19
g(b0 ) g(a0 )
(b0 x0 )
b0 a0
(2.4)
f (b0 ) f (a0 )
(b0 x0 )
b0 a0
(2.5)
b0 a0
f (b0 )
f (b0 ) f (a0 )
(2.6)
i konano:
x0 = b 0
Koji od ova dva intervala,[a0 , x0 ] i [x0 , b0 ], sadri korijen jednaine, odreuje se na isti nain kao u metodi polovljenja intervala, a zatim se proces
ponavlja. Algoritam metode regula falsi moe se predstaviti na sljedei nain
(i = 0, 1, 2, . . .):
bi ai
f (bi )
f (bi ) f (ai )
Ako je f (ai )f (xi ) < 0 :
ai+1 = ai , bi+1 = xi
Ako je f (xi )f (bi ) < 0 :
ai+1 = xi , bi+1 = bi
Ako je f (ai )f (xi ) = 0 :
dobiva se rjeenje = xi
xi = b i
(2.7a)
(2.7b)
(2.7c)
(2.7d)
i/ili
|f (xi )| 2
(2.8)
Slino metodi polovljenja intervala, i za ovu metodu je konvergencija zagarantovana. Uz to, metoda regula falsi neto bre konvergira od metode polovljenja
intervala, ali ne daje unaprijed veliinu greke. Ipak, i ova metoda sporije konvergira od metoda koje slijede.
Primjer 2.2
Metodom regula falsi nai pozitivni korijen jednaine x2 2 = 0. Postupak
rjeavanja zaustaviti kada se ispuni uslov |xi xi1 | < 104 , pri emu je i redni
broj iteracije.
20
2 Rjeavanje jednaina
Rjeenje
Postupak rjeavanja metodom regula falsi je vrlo slian rjeavanju metodom
polovljenja intervala, s tom razlikom to se sljedea aproksimacija rjeenja neke
jednaine ne izraunava kao srednja vrijednost krajeva intervala, nego pomou
jednaine (2.7a).
Ako za poetni interval, u kojem se nalazi korijen jednaine x2 2 = 0,
uzmemo [a0 , b0 ] = [1, 2], imamo:
b0 a0
21
f (b0 ) = 2
2 = 1.333333
f (b0 ) f (a0 )
2 (1)
f (x0 ) = f (1.333333) = 0.222222 < 0
x0 = b 0
pa je novi interval u kojem se nalazi korijen zadate jednaine [a1 , b1 ] = [1.4, 2].
Postupak se ponavlja dok se ne postigne eljena tanost, odnosno ispuni
uslov |xi xi1 | < 104 . U Tabeli 2.2 sumarno su dati rezultati prorauna.
Konano rjeenje je = 1.4142 i dobiva se u 6 iteracija, ime se na ovom
primjeru i pokazuje prednost u odnosu na metodu bisekcije.
Tabela 2.2:
Iteracija i
0
1
2
3
4
5
Uz primjer 2.2
ai
f (ai )
1
-1
1.33333 -0.222222
1.4
-0.04
1.41176 -0.00692
1.41379 -0.001189
1.41414 -0.000204
bi
2
2
2
2
2
2
f (bi )
2
2
2
2
2
2
xi
1.33333
1.4
1.41176
1.41379
1.41414
1.4142
|xi xi1 |
0.06666
0.011765
0.00202
0.00034
0.00006
Neki autori metode bisekcije i regula falsi svrstavaju u posebnu grupu metoda, tzv. metode na zatvorenoj domeni rjeavanja (eng. closed domain methods), s obzirom da ove metode poinju s dvije poetne aproksimacije izmeu
21
kojih se mora nalaziti traeni korijen, i koje sistematski smanjuju poetni interval na podintervale u kojima se, takoer, mora nalaziti taj korijen jednaine.
S druge strane, metode koje su date u narednim poglavljima pripadaju tzv.
metodama na otvorenoj domeni rjeavanja (eng. open domain methods), s
obzirom da u toku iterativnog postupka ne postoji ogranienje da se aproksimacija rjeenja treba nalaziti u unaprijed utvrenom zatvorenom intervalu.
2.4
Metoda proste iteracije (jo se naziva i iteracija pomou fiksne take) rjeava
jednainu f (x) = 0 preureivanjem u oblik x = g(x), a zatim traenjem vrijednosti x = takvom da je = g(), to je ekvivalentno jednakosti f () = 0.
Vrijednost x za koju je x = g(x) se naziva fiksna taka relacije x = g(x) odakle
i proizilazi drugo ime metode. U principu, ova metoda simultano rjeava dvije
jednaine: y = x i y = g(x). Dakle, taka presjecita linije f (x) = x i funkcije
g(x) predstavlja rjeenje jednaine x = g(x), a time i jednaine f (x) = 0.
Metoda je grafiki predstavljena na slici 2.5 (vidi objanjenje uz sliku 1.1).
y
xi
xi+1
Algoritam za metodu proste iteracije moe se dobiti na sljedei nain. Nakon to se traena nula lokalizira i izabere poetna aproksimacija x0 , izraunava se vrijednost funkcije g(x0 ), to ujedno predstavlja i novu aproksimaciju
rjeenja jednaine f (x) = 0. Dakle, algoritam je dat sljedeom rekurzivnom
22
2 Rjeavanje jednaina
formulom:
xi+1 = g(xi )
(i = 0, 1, 2, . . .)
(2.9)
i/ili
|f (xi+1 )| 2
(2.10)
(2.11)
(2.12)
(2.13)
ei+1
0
(a, b)
(2.14)
ei = |g ()| < 1
Dakle, metoda proste iteracije je konvergentna samo ako je |g 0 ()| < 1;
ako ovaj uslov nije ispunjen, procedura divergira. U sluaju kada je uslov
ispunjen, a vrijednost |g 0 ()| blizu 1, konvergencija je veoma spora. Iz ovoga
je jasno da je odabir funkcije g(x) od velikog znaaja, s obzirom da se moe
desiti da odabrana funkcija g(x) ne zadovoljava uslov konvergencije (2.14) za
posmatrani interval (vidi primjer 2.3). Iz jednaine (2.14) se, takoer, vidi da
je greka aproksimacije ei+1 proporcionalna greki iz prethodne aproksimacije
ei , pa se kae da je konvergencija linearna, tj. prvog reda tanosti .
Vie
Za
23
Primjer 2.3
Na primjeru rjeavanja jednaine x2 x 2 = 0 pokazati upotrebu metode
proste iteracije traiti pozitivni korijen jednaine.
Rjeenje
Kao to je reeno u prethodnom poglavlju, metoda iteracije se zasniva na
algoritmu koji je dat jednainom (2.9)
xi+1 = g(xi )
(i = 0, 1, 2, . . .)
x= x+2
2
x=1+
x
x2 x 2
x=x
2x 1
g(x)=x2 2
g(x)= x + 2
2
g(x)=1 +
x
x2 x 2
g(x)=x
2x 1
(2.15a)
(2.15b)
(2.15c)
(2.15d)
za
|x| >
1
2
24
2 Rjeavanje jednaina
5
4
3
2
1
0
f(x)=x
2
-1
g(x)=x -2
-2
g(x)=x-(x -x-2)/(2x-1)
g(x)=x+2
g(x)=1+2/x
-3
Slika 2.6: Mogui oblici jednaine g(x) pri rjeavanju jednaine f (x) = x2 x 2
metodom proste iteracije
x1 = g(x0 ) = 3 + 2 = 2.236
za
x>
7
4
2.5
Newtonova metoda
Newtonova metoda (naziva se i Newton-Raphsonova metoda) je vjerovatno najpoznatija metoda za numeriko rjeavanje jednaina. Grafika interpretacija
Newtonova metoda
25
metode data je na slici 2.7. Prvi korak metode je lokalna aproksimacija funkcije
f (x) pomou linearne funkcije h(x) koja predstavlja tangentu funkcije f (x) u
taki M0 . Rjeenje x1 jednaine h(x) = 0, predstavlja sljedeu aproksimaciju
rjeenja jednaine f (x) = 0.
f(x)
M0
M1
M2
x0
x1
x2
h(x1 ) h(x0 )
h(x0 )
f (x0 )
=
=
x1 x0
x1 x0
x1 x0
(2.16)
f (xi )
xi+1 xi
(2.17)
f (xi )
f 0 (xi )
(2.18)
i/ili
|f (xi+1 )| 2
(2.19)
26
2 Rjeavanje jednaina
(2.20)
f (xi )
f 0 (xi )
Konvergencija Newtonove metode se moe odrediti na sljedei nain (pretpostavlja se da su funkcije f (x), f 0 (x) i f 00 (x) neprekidne i ograniene na nekom
intervalu koji sadri korijen jednaine f (x) = 0). Izraz (2.18)
xi+1 = xi
f (xi )
f 0 (xi )
ima oblik:
xi+1 = g(xi )
(2.21)
f (xi )
f 0 (xi )
(2.22)
xi
(2.23)
(2.24)
f (xi )
f (xi )
= ei 0
0
f (xi )
f (xi )
(2.25)
Newtonova metoda
27
xi (2.26)
odnosno
1
f (xi ) = f 0 (xi )(xi ) f 00 ()( xi )2
2
(2.27)
(2.28)
1 f 00 () 2
e
2 f 0 () i
(2.29)
f (xi )
f 0 (xi )
28
2 Rjeavanje jednaina
1
2
xi+1 =
xi +
2
xi
(2.30)
2
1
2
1
x0 +
=
3+
= 1.83333
x1 =
2
x0
2
3
1
2
1
2
x2 =
x1 +
=
1.83333 +
= 1.46212
2
x1
2
1.83333
Tabela 2.3 daje rezultate svih 5 iteracija potrebnih za postizanje traene tanosti.
Tabela 2.3:
Iteracija i
0
1
2
3
4
5
Uz primjer 2.4
xi
|xi xi1 |
3
1.83333 1.16667
1.46212 0.371212
1.415
0.047123
1.41421 0.000785
1.41421 2.18e-7
1
c
xi+1 =
xi +
2
xi
2.6
29
U sluajevima kada izraunavanje prvog izvoda funkcije uzima mnogo raunskog vremena, moe se koristiti modifikovana Newtonova metoda. Ovdje se
umjesto izraunavanja prvog izvoda funkcije u svakoj iteraciji, f 0 (xi ), moe
uzeti da je vrijednost prvog izvoda u svim iteracijama jednaka vrijednosti prvog izvoda iz prve iteracije, tj.
f 0 (xi ) = f 0 (x0 )
(i = 1, 2, . . .)
(2.31)
f (xi )
f 0 (x0 )
(2.32)
M1
M2
x0
M2
x1 x2 x3 x3
i/ili
|f (xi+1 )| 2
Primjer 2.5
Modifikovanom Newtonovom metodom nai pozitivni korijen jednaine x2
2 = 0. Postupak rjeavanja zaustaviti kada se ispuni uslov |xi+1 xi | < 104 ,
pri emu je i redni broj iteracije.
30
2 Rjeavanje jednaina
Rjeenje
U ovom sluaju imamo da je f 0 (xi ) = f 0 (x0 ) = 2x0 , za sve vrijednosti i, pa
rekurzivna formula glasi:
xi+1 = xi
f (xi )
x2i 2
=
x
i
f 0 (x0 )
2x0
(2.33)
2.7
Uz primjer 2.5
xi
|xi xi1 |
3
1.83333 1.16667
1.60648 0.226852
1.50968 0.096797
..
..
.
.
1.41437
1.41429
0.000136
0.000072
Metoda sjeice
U sluajevima kada je teko ili nemogue analitiki odrediti prvi izvod neke
funkcije, metoda sjeice (sekante) predstavlja alternativu Newtonovoj metodi.
Metoda je grafiki data na slici 2.9. Funkcija f (x) se lokalno aproksimira
pomou linearne funkcije h(x), koja je sjeica funkcije f (x), a njen korijen se
koristi kao poboljana aproksimacija korijena funkcije f (x). S obzirom da je
Metoda sjeice
31
sjeica prava linija koja prolazi kroz dvije take krive f (x), za iniciranje metode
neophodne su dvije poetne aproksimacije, x0 i x1 . Pri tome se izmeu njih
moe, ali i ne mora nalaziti korijen jednaine f (x) = 0.
f(x)
M0
M1
M2
x0
x1
x2
M3 [
x3
f (xi )
f 0 (xi )
f (xi ) f (xi1 )
xi xi1
(2.34)
xi xi1
f (xi )
f (xi ) f (xi1 )
(2.35)
i/ili
|f (xi+1 )| 2
32
2 Rjeavanje jednaina
34
7=2
7 14
23
2 = 1.6
27
2.8
Uz primjer 2.6
xi
f (xi )
4
14
3
7
2
2
1.6
0.56
1.44444 0.086412
1.41606 0.005221
1.41423 0.000055
xi+1
3
2
1.6
1.444444
1.41606
1.41423
1.41421
f (xi+1 )
7
2
0.56
0.086412
0.005221
0.000055
3.6e-8
|xi+1 xi |
1
1
0.4
0.155556
0.028386
0.001825
0.00002
I pored toga to postoji veliki broj metoda za rjeavanje jednaina, treba znati
da neke metode ne mogu nai sve korijene, te da brzina konvergencije, tj.
33
34
2 Rjeavanje jednaina
2.9
Pitanja i zadaci
Pitanja i zadaci
35
a
P + 2 (v b) = RT
v
(2.36)
36
2 Rjeavanje jednaina
(2.37)
/D
1
2.51
= 2 log
+
(2.39)
3.7
f
Re f
gdje je hrapavost povrine cijevi. Rijeiti f za cijev sa /D = 0.001, te
Re=10n i n = 4, 5, 6. Kao poetnu aproksimaciju koristiti jednakost:
f = 0.16Re0.16
(2.40)
(2.41)
2 EI
2
lkr
tj.
lkr =
(2.42)
S obzirom da jednaina (2.41) ima beskonano mnogo rjeenja, nai najmanje od njih.
Pitanja i zadaci
37
(2.43)
(2.44)
(2.45)
Poglavlje 3
(3.1)
gdje xi (i = 1, 2, . . . , n) predstavljaju nepoznanice, aij (i, j = 1, 2, . . . , n) koeficijente sistema, a bi (i = 1, 2, . . . , n) su komponente na desnoj strani jednaina.
Sistem jednaina (3.1) se moe napisati i u matrinoj formi:
Ax = b
(3.2)
40
odnosno:
A=
,
x
=
.
.
.
..
.. . . . ..
an1 an2 . . . ann
x1
x2
,
b
=
..
b1
b2
..
.
xn
bn
(3.3)
3.1
Direktne metode
3.1.1
Cramerovo pravilo
det(Aj )
det(A)
(j = 1, 2, . . . , n)
(3.4)
Direktne metode
41
(3.5)
rjeenje je:
b1
b2
x1 =
a11
a21
a12
a22
a12
a22
a11
a21
x2 =
a11
a21
b1
b2
a12
a22
(3.6)
U ovom sluaju determinante se vrlo lako izraunaju pomou pravila dijagonala. Meutim, za sisteme s vie jednaina to pravilo ne vai i neophodno
je koristiti metodu kofaktora. Broj mnoenja i dijeljenja pri koritenju metode kofaktora jednak je (n 1)(n + 1)!, pri emu je n broj redova (kolona)
kvadratne matrice. Lako je izraunati da je za sistem od 10 jednaina, koji
predstavlja mali sistem jednaina, broj operacija jednak 360,000,000, a ve za
100 jednaina ovaj broj je reda 10157 . Oigledno je da Cramerovo pravilo nije
efikasno u rjeavanju velikih sistema jednaina, tako da je neophodno koristiti
neke druge metode.
3.1.2
Metode eliminacije
Metode eliminacije rjeavaju sistem od n linearnih algebarskih jednaina rjeavajui jednu jednainu, na primjer prvu, za jednu nepoznanicu, na primjer
x1 , u odnosu na ostale nepoznanice, x2 , ..., xn , a zatim se vri zamjena izraza
za x1 u ostalih (n 1) jednaina. Time se poetni sistem svodi na (n 1)
jednaina s nepoznanicama x2 , x3 , . . . , xn . Prethodni postupak se ponovi na
dobivenom sistemu od (n 1) jednaina, i tako redom (n 1) puta, odnosno
dok se ne doe do jednaine koja sadri samo jednu nepoznanicu xn . itav
proces se naziva eliminacija.
Vrijednost nepoznanice xn se moe diretno dobiti iz posljednje jednaine
procesa eliminacije. Nakon toga se moe dobiti vrijednost nepoznanice xn1
iz modifikovane (n 1)-ve jednaine, koja sadri samo nepoznanice xn i xn1 .
Zatim se rjeava (n 2)-ga jednaina, koja sadri nepoznanice xn , xn1 i xn2 ,
za xn2 , i tako redom do prve jednaine. Ovaj proces se naziva zamjena unazad.
Metode eliminacije, u principu, koriste osnovne operacije s redovima neke
matrice, i to:
42
(3.7a)
(3.7b)
(3.7c)
Rjeenje
Postupak rjeavanja poinje rjeavanjem jednaine (3.7a) za nepoznanicu
x1 . Na taj nain imamo:
x1 = [20 (20)x2 (20)x3 ]/80
(3.8)
Uvrtavajui jednainu (3.8) u jednaine (3.7b) i (3.7c) dobivaju se, respektivno, sljedee jednaine:
20[20 (20)x2 (20)x3 ]/80 + 40x2 20x3 = 20
20[20 (20)x2 (20)x3 ]/80 20x2 + 130x3 = 20
(3.9a)
(3.9b)
(3.10a)
(3.10b)
(3.11)
Direktne metode
43
(3.13a)
(3.13b)
(3.13c)
80 20
20
x1
20
0
35
25 x2 =
25
(3.14)
0
0 750/7
x3
300/7
Dakle, procesom eliminacije se matrica koeficijenata sistema za sistem jednaina (3.7):
80 20 20
20
40 20
(3.15)
20 20 130
svodi na gornju trougaonu matricu
80 20
20
0
35
25
0
0 750/7
(3.16)
Sada se koristei jednaine (3.13) vrlo lako moe dobiti rjeenje sistema zamjenom unazad, tj.:
x3 = 300/750 = 0.40
x2 = [25 (25)(0.40)]/35 = 1.00
x1 = [20 (20)(1.00) (20)(0.40)]/80 = 0.60
(3.17a)
(3.17b)
(3.17c)
80 20 20 20
40 20 20
[A|b] = 20
(3.18)
20 20 130 20
44
Koritenjem osnovnih operacija s redovima proirene matrice, matrica koeficijenata sistema se moe svesti na gornju trougaonu matricu. Prvi red proirene matrice, koji predstavlja prvu jednainu sistema jednaina (3.7), mnoimo sa 20/80 i dodajemo drugom i treem redu proirene matrice, to piemo
(20/80) + (b) i (20/80) + (c), respektivno. Na taj nain, koeficijenti u prvoj
koloni proirene matrice ispod prvog reda (koeficijent 80) postaju jednaki 0.
Postupak mnoenja prve jednaine odgovarajuim mnoiteljima i dodavanje
pojedinim redovima moe se prikazati izrazom datim s desne strane proirene
matrice:
(20/80)+(b),(20/80)+(c)
80 20 20 20
(a)
20
40 20 20
(b)
(3.19)
(c)
20 20 130 20
Prethodnim
(a)
(b)
(c)
80 20 20 20
0
35 25 25 (25/35)+(c)
(3.20)
0 25 125 25
Sada drugi red dobivene proirene matrice, (b), mnoimo sa 25/35 i dodajemo
treem redu ((25/35) + (c)). Konano se dobiva proirena matrica, u kojoj
se matrica sistema A svodi na gornju trougaonu matricu, pa se zamjenom
unazad, poevi od nepoznanice x3 , moe dobiti rjeenje datog sistema.
(a)
80 20
20
20
x1 = 0.60
(b)
0
35
25
25
x2 = 1.00
(3.21)
(c)
0
0 750/7 300/7
x3 = 0.40
Postupak rjeavanja na ovakav nain je veoma pogodan u sluajevima kada
imamo vei broj vektora b, jer se proces eliminacije za sve vektore kolone b
moe izvriti simultano.
Prilikom rjeavanja sistema jednaina, treba voditi rauna o sljedeem:
1. U toku izvoenja metode eliminacije moe se desiti da je koeficijent na
glavnoj dijagonali modifikovane matrice A, koji se jo naziva i glavni elemenat (pivot), jednak nuli, nakon ega nije mogue nastaviti proceduru
zbog dijeljenja nulom. Kako bi se izbjegla ova situacija, prethodno opisana metoda eliminacije mora se modifikovati. Ovaj postupak dovodi do
metoda s djeliminim i potpunim izborom glavnog elementa. Metode s
Direktne metode
45
potpunim izborom glavnog elementa obuhvataju zamjenu i redova i kolona, i postupak je prilino komplikovan. Zbog toga se najee koristi
procedura s djeliminim izborom glavnog elementa, kod koje se samo zamjenjuju mjesta redova. Glavni element se obino bira tako da bude
po apsolutnoj vrijednosti vei od ostalih koeficijenata u koloni kojoj pripada. Na taj nain se u toku procesa eliminacije koeficijenti ispod glavnog
elementa dijele s najveim koeficijentom (kako bi se dobili odgovarajui
mnoitelji), pa se tako dobiva i najmanja greka zaokruivanja.
2. Prethodno opisani postupak izbora glavnog elementa, ipak, nije uvijek
najbolje rjeenje. Naime, u sluaju kada su glavni elementi mnogo manji
od ostalih koeficijenata u jednaini kojoj pripadaju, moe doi do znaajne greke zaokruivanja, to moe dovesti do pogrenih rjeenja. U
ovim sluajevima potrebno je primijeniti postupak skaliranja, kod kojeg
se ne uporeuju apsolutne vrijednosti koeficijenata kao u prethodnom sluaju, nego apsolutne vrijednosti njihovog odnosa s najveim od preostalih
koeficijenata u jednaini kojoj pripadaju (u obzir se ne uzimaju vrijednosti komponenti s desne strane jednaine). I u procesu skaliranja se vri
zamjena redova.
Naredna dva primjera pokazuju primjenu dva opisana naina izbora glavnog
elementa.
Primjer 3.2
Koristei metodu eliminacije, rijeiti sljedei sistem jednaina, prikazan u matrinoj formi:
0 2
1
x1
5
4 1 1 x2 = 3
(3.22)
2 3 3
x3
5
Rjeenje
Kao to se moe vidjeti, prvi element jednak je nuli, tako da je zamjena
redova neophodna. Najvei element po apsolutnoj vrijednosti u prvoj koloni,
ispod glavnog elementa, nalazi se u drugom redu, tako da vrimo zamjenu
prvog i drugog reda, a zatim primijenimo proces eliminacije.
(a)
4 1 1 3
(0/4)+(b),(2/4)+(c)
(b)
0 2
1 5
(3.23)
(c)
2 3 3 5
46
4
1
1 3
0
2
1 5
0 7/2 7/2 7/2
(3.24)
Iako u ovom sluaju element na glavnoj dijagonali druge jednaine nije jednak
nuli, on je po apsolutnoj vrijednosti manji od elementa ispod njega, tako da
je opet neophodno izvriti zamjenu redova. Treba napomenuti da se zamjena
redova vri samo na redovima ispod trenutnog glavnog elementa, jer bi se u
suprotnom mogao naruiti proces eliminacije koji je do tada obavljen. Nakon
zamjene drugog i treeg reda imamo:
4
1
1 3
(a)
(b) 0 7/2 7/2 7/2 (4/7)+(c)
(3.25)
0
2
1 5
(c)
i konano
4
1
1 3
x1 = 1
0 7/2 7/2 7/2
x2 = 2
0
0
3
3
x3 = 1
(3.26)
Primjer 3.3
Provjeriti prednosti procesa skaliranja na sistemu jednaina:
3
2 105
x1
104
2 3 103 x2 = 98
1
1
3
x3
3
(3.27)
(a)
3
2 105 104
(0.667)+(b),(0.333)+(c)
(b) 2 3 103 98
(3.28)
(c)
1
1
3
3
(a)
3
2 105 104
(b) 2 4.33
33 28.6 (0.0771)+(c)
(3.29)
(c)
0 0.334 32 31.6
Direktne metode
3
2
105
2 4.33
33
0
0 29.5
47
104
28.9
29.4
(3.30)
3/105
0.0286
a1 = 2/103 = 0.0194
(3.31)
1/3
0.3333
gdje se vektor a1 sastoji od skaliranih elemenata prve kolone. Jasno je da je
trei element vektora a1 najvei po apsolutnoj vrijednosti, to znai da prva
i trea jednaina datog sistema trebaju zamijeniti mjesta. Treba napomenuti
da se zamjena vri samo izmeu spomenutih redova (posmatranog i onog s
najveim odnosom po apsulutnoj vrijednosti), odnosno redosljed komponenti
vektora a po veliini ne igra nikakvu ulogu. Dalje imamo:
(a)
1
1
3 3
(2/1)+(b),(3/1)+(c)
(b) 2 3 103 98
(3.32)
(c)
3
2 105 104
(a)
1
1 3 3
(b) 0 5 97 92 (1/5)+(c)
(3.33)
(c)
0 1 96 95
Ponovnim skaliranjem, imamo da je:
a2 = 5/97 = 0.0516
1/96
0.0104
pa nije potrebna nova zamjena redova, nego se iz (3.33) dobiva:
3
1
1
3
0 5
97 92
0
0 76.6 76.6
odakle se dobiva tano rjeenje: x3 = 1, x2 = 1 i x1 = 1.
(3.34)
(3.35)
48
Prethodno opisana metoda eliminacije je poznata pod nazivom Gaussova metoda eliminacije. Iako je objavljena jo poetkom XIX vijeka, ova metoda je i
danas najee primjenjivani direktni postupak za rjeavanje sistema linearnih
algebarskih jednaina. Sve ostale direktne metode, kao na primjer, GaussJordanova, matrina, metode faktorizacije, itd., predstavljaju modifikacije ili
proirenja Gaussove metode.
Broj mnoenja i dijeljenja pri koritenju Gaussove metode eliminacije priblino je jednak (n3 /3 n/3 n2 ), to za sistem od 10 jednaina iznosi 430,
a za sistem od 100 jednaina 343,000. Dakle, Gaussova metoda eliminacije je
daleko bra nego Cramerovo pravilo.
Algoritam za Gaussovu metodu eliminacije (s djeliminim izborom glavnog
elementa), koji je prikladan za programiranje, imao bi oblik:
1. Definisati koeficijente matrice A i vektora b.
2. Poevi od prve kolone, treba normalizirati kolone k (k = 1, 2, . . . n 1)
i traiti po veliini najvei koeficijent u koloni k (ili onaj koji se dobije
procesom skaliranja vidi primjer 3.3), te zamijeniti redove kako bi se taj
koeficijent postavio u poziciju glavnog elementa akk .
3. Primijeniti proceduru eliminacije na redove i (i = k + 1, k + 2, . . . , n)
kako bi se stvorile nule ispod glavnog elementa akk . Koeficijenti proirene
matrice sistema mogu se dobiti pomou sljedeih izraza:
aik
aij = aij
akj (i, j = k + 1, k + 2, . . . , n)
(3.36)
a
kk
aik
bi = bi
akj
(i = k + 1, k + 2, . . . , n)
(3.37)
akk
Nakon to se primijene koraci 2 i 3 na (n 1) kolona, originalna matrica
sistema A postaje gornja trougaona.
4. Rijeiti nepoznanice x koristei zamjenu unazad:
bn
ann
!
n
X
1
xi =
bi
aij xj
aii
j=i+1
xn =
(3.38)
(i = n 1, n 2, . . . , 1)
(3.39)
Direktne metode
49
Gauss-Jordanova metoda eliminacije je varijacija Gaussove metode eliminacije, u kojoj se i koeficijenti iznad kao i koeficijenti ispod glavnog elementa
eliminiu (izjednaavaju s nulom). Na taj nain se matrica A transformie u
dijagonalnu matricu. Redovi se obino skaliraju kako bi se dobili jedinini dijagonalni elementi, pa se matrica A pretvara u jedininu matricu. Tada vektor
b postaje vektor rjeenja x. Gauss-Jordanova metoda je, na taj nain, pogodna za vie vektora b, tj. kada je neophodno simultano rijeiti vie sistema
s razliitim vektorima b, i direktno oitavati rjeenja svih sistema.
Broj mnoenja i dijeljenja za Gauss-Jordanovu metodu eliminacije je priblino jednak (n3 /2 n/2 + n2 ), to je za oko 50% vie nego za Gaussovu
metodu eliminacije, pa Gaussova metoda eliminacije ima prednost u koritenju.
Primjer 3.4
Gauss-Jordanovom metodom rijeiti sistem jednaina iz primjera 3.1.
80 20 20
x1
20
20
40 20 x2 = 20
(3.40)
20 20 130
x3
20
Rjeenje
Prvi korak u procesu rjeavanja Gauss-Jordanovom metodom predstavlja
skaliranje prve jednaine, odnosno dijeljenje svih koeficijenata jednaine s glavnim elementom
(a)
80 20 20 20
/80
(b)
20
40 20 20
(3.41)
(c)
20 20 130 20
pa se dobiva:
(a)
1 0.25 0.25 0.25
(b) 20
40
20 20
(c)
20
20
130 20
(20)+(b),(20)+(c)
(3.42)
50
bivamo:
(a)
1 0.25 0.25 0.25
(b) 0
35
25 25
(c)
0
25
125 25
(a)
1 0.25 0.25 0.25
(b) 0
1 5/7 5/7
(c)
0
25
125 25
Sada se vri
reda
(a)
(b)
(c)
(a)
(b)
(c)
/35
(3.43)
(0.25)+(a),(25)+(c)
(3.44)
3/7
5/7
300/7
/(750/7)
1 0 3/7 3/7
0 1 5/7 5/7
0 0
1 215
(3/7)+(a),(5/7)+(b)
1 0 3/7
0 1 5/7
0 0 750/7
1 0 0 0.6
0 1 0 1.0
0 0 1 0.4
(3.45)
(3.46)
(3.47)
(3.48)
Direktne metode
51
Primjer 3.5
Nai inverznu matricu A1 matrice koeficijenata sistema A iz primjera 3.1
80 20 20
40 20
A = 20
(3.49)
20 20 130
koristei Gauss-Jordanovu metodu.
Rjeenje
Proirivanjem matrice koeficijenata sistema jednaina (3.7) jedininom matricom, dobivamo:
80 20 20 1 0 0
40 20 0 1 0
(3.50)
[A|I] = 20
20 20 130 0 0 1
Primjenjujui Gauss-Jordanovu metodu eliminacije kako slijedi (bez dodatnih
objanjenja):
(a)
80 20 20 1 0 0
/80
(b)
20
40 20 0 1 0
(3.51)
(c)
20 20 130 0 0 1
(a)
1 0.25 0.25 1/80 0 0
(b) 20
40
20
0 1 0
(c)
20
20
130
0 0 1
(a)
1 0.25 0.25 1/80 0 0
(b) 0
35
25 1/4 1 0
(c)
0
25
125 1/4 0 1
(20)+(b),(20)+(c)
1/70 1/140 0
1/140 1/35 0
3/7
5/7 1
(3.53)
/35
(a)
1 0.25 0.25 1/80
0 0
(b) 0
1 5/7 1/140 1/35 0
(c)
0
25
125 1/4
0 1
(a)
1 0 3/7
(b)
0 1 5/7
(c)
0 0 750/7
(3.52)
(0.25)+(a),(25)+(c)
(3.54)
(3.55)
/(750/7)
52
(a)
1 0 3/7 1/70 1/140
0
(b) 0 1 5/7 1/140 1/35
0
(c)
0 0
1 1/250 1/150 7/750
desna strana
1 0
0 1
0 0
(3.56)
(3/7)+(a),(5/7)+(b)
3.1.3
(3.57)
(3.58)
Matrina metoda
(3.59)
(3.60)
i konano
x = A1 b
(3.61)
20
80 20 20
x1
20
40 20 x2 = 20
x3
20
20 20 130
(3.62)
Direktne metode
53
2/125 1/100
A1 = 1/100 1/30
1/250 1/150
prethodnog primjera
1/250
1/150
7/750
2/125 1/100
1
x = A b = 1/100 1/30
1/250 1/150
3.1.4
dobiva:
1/250
20
0.6
1/150 20 = 1.0
7/750
20
0.4
(3.63)
Metode faktorizacije
(3.64)
(3.65)
na osnovu
Ax = LUx = L(Ux) = Lb = b
(3.66)
54
(3.67)
(3.68)
80 20 20
x1
20
20
40 20 x2 = 20
20 20 130
x3
20
(3.69)
1
0 0
80 20
20
1 0 U = 0
35
25
L = 0.25
(3.70)
0.25 5/7
1
0
0 750/7
Matrica L se generie na sljedei nain. Koeficijenti prve kolone jednaki su
negativnim vrijednostima mnoitelja iz prvog koraka pri rjeavanju Gaussovom metodom eliminacije (izraz (3.19)) koeficijent L12 jednak je negativnoj
vrijednosti mnoitelja koji ide uz jednainu (b), tj. 20/80 = 0.25, dok je
Prvi indeks koeficijenta matrice L predstavlja korak u procesu eliminacije, odnosno indeks glavnog
elementa, a drugi redni broj jednaine na koju se mnoitelj odnosi.
Direktne metode
55
20
b1
1
0 0
0.25
1 0 b02 = 20
(3.71)
0.25 5/7
1
b03
20
i zamjenom unaprijed:
b01 = 20
b02 = 20 (1/4)20 = 25
b03 = 20 (1/4)20 (5/7)25 = 300/7
(3.72a)
(3.72b)
(3.72c)
20
80 20
20
x1
0
25
35
25 x2 =
300/7
0
0 750/7
x3
(3.73)
i zamjenom unaprijed:
x3 = 300/750 = 0.40
x2 = 25 [(25)0.4]/35 = 1.0
x1 = 20 20 [(20)1.0 + (20)0.4]/80 = 0.60
(3.74a)
(3.74b)
(3.74c)
. . . unn
56
(3.76)
i1
X
uij = aij
lik ukj
(j i 1)
(3.77)
k=1
i
li1 =
ai1
u11
1
lij =
ujj
(3.78)
aij
j1
X
!
lik ukj
(1 < j < i)
(3.79)
k=1
pri emu treba voditi rauna o redu raunanja. Prvo se raunaju koeficijenti prvog reda matrice U i prve kolone matrice L, zatim koeficijenti
drugog reda matrice U i druge kolone matrice L, itd., a na kraju se izraunavaju koeficijenti n-tog reda matrice U, odnosno koeficijent unn .
2. Zamjenom unaprijed se dobiva vektor kolona b:
b01 = b1
b0i
1
=
lii
bi
i1
X
(3.80)
!
lik b0k
(i = 2, 3, . . . , n)
(3.81)
k=1
n
X
1
uik xk
xi =
bi
uii
k=i+1
xn =
(3.82)
(i = n 1, n 2, . . . , 1)
(3.83)
Svi regularni sistemi linearnih algebarskih jednaina, odnosno sistemi jednaina kod kojih je determinanta matrice sistema razliita od nule, imaju rjeenje.
Direktne metode
57
(3.84a)
(3.84b)
Rjeenje
Primjenom Gaussove eliminacije na sistem jednaina (3.84) dobiva se:
2
(1)+(b)
(a)
1
1
(3.85)
(b)
1 1.0001 2.0001
2
1
1
(3.86)
0 0.0001 0.0001
58
to dovodi do rjeenja x2 = 1 i x1 = 1.
Posmatrajmo sada sistem kod kojeg smo koeficijent a22 = 1.0001 zamijenili
sa 0.9999. Imamo:
(a)
1
1
2
(1)+(b)
(3.87)
(b)
1 0.9999 2.0001
1
1
2
(3.88)
0 0.0001 0.0001
to dovodi do rjeenja x2 = 1 i x1 = 3, koje je potpuno drugaije od onog
prethodnog. Slino ponaanje bi se desilo ako bismo komponentu b2 = 2.0001
promijenili za neku malu veliinu (npr. b2 = 1.9999). Dakle, male promjene
u koeficijentima sistema dovode do znatnih promjena u rjeenju sistema, to
pokazuje da je sistem slabo podeen.
Jedini pravi lijek protiv problema slabe podeenosti je raunanje u skupu
realnih brojeva (nema greke zaokruivanja). Kako to nije mogue ostvariti,
ostaje samo pokuaj da se skaliranjem i zamjenama redova pobolja podeenost
sistema.
Podeenost sistema se procjenjuje koritenjem norme matrice sistema i
broja podeenosti . Postoji vie oblika norme matrice sistema, kao:
kAk1 = max
1jn
n
X
|aij |
i=1
1jn
n
X
(3.89a)
j=1
v
uX
n
u n X
t
kAke =
a2ij
(3.89b)
(3.89c)
i=1 j=1
(3.90)
Iterativne metode
59
Primjer 3.9
Pokaimo na primjeru 3.8 upotrebu norme i broja podeenosti.
Rjeenje
Matrica sistema jednaina (3.84) ima oblik:
1
1
A=
1 0.0001
pa Euklidska norma ima vrijednost:
10001 10000
1
A =
10000
10000
p
kA1 ke = 100012 + 100002 + (10000)2 + 100002 = 20000.5
(3.91)
(3.92)
(3.93)
(3.94)
(3.95)
3.2
Iterativne metode
Za mnoge velike sisteme linearnih algebarskih jednaina, koji proistiu iz inenjerskih problema, matrica koeficijenata A je rijetka, odnosno veina njenih
koeficijenata jednaka je nuli. U tom sluaju mnogo je efikasnije za njihovo rjeavanje koristiti iterativne nego direktne metode. Naime, vrlo je vano imati u
vidu da su raunari ogranieni ne samo po pitanju tanosti nego i raspoloivim
memorijskim prostorom i raunskim vremenom. U praksi se nerijetko rjeavaju sistemi s velikim brojem jednaina, na primjer n , to znai da je samo
Broj jednaina, npr. u CFD (eng. Computational Fluid Dynamics) proraunima, moe da bude i
nekoliko stotina miliona.
60
n
X
|aij |
(i = 1, 2, . . . , n)
(3.96)
j=1
j6=i
Jacobijeva metoda
Posmatrajmo opti sistem linearnih algebarskih jednaina Ax=b, koji u indeksnoj notaciji ima oblik:
n
X
j=1
aij xj = bi
(i = 1, 2, . . . , n)
(3.97)
Iterativne metode
61
!
i1
n
X
X
1
xi =
bi
aij xj
aij xj
(i = 1, 2, . . . , n)
(3.98)
aii
j=1
j=i+1
Ako je x(0) vektor poetnog rjeenja, gdje indeks u zagradi oznaava redni
broj iteracije, prva aproksimacija se dobiva na osnovu jednakosti:
!
i1
n
X
X
1
(1)
(0)
(0)
bi
aij xj
xi =
aij xj
(i = 1, 2, . . . , n)
(3.99)
aii
j=1
j=i+1
Dobiveni vektor rjeenja x(1) se zatim uvrtava u formulu
!
i1
n
X
X
1
(2)
(1)
(1)
xi =
bi
aij xj
aij xj
(i = 1, 2, . . . , n)
aii
j=1
j=i+1
(3.100)
!
i1
n
X
X
1
(k)
(k)
(k+1)
bi
aij xj
aij xj
(i = 1, 2, . . . , n) (3.101)
xi
=
aii
j=1
j=i+1
(k)
!
n
X
1
(k+1)
(k)
(k)
xi
= xi +
bi
aij xj
(i = 1, 2, . . . , n)
(3.102)
aii
j=1
odnosno
(k+1)
xi
(k)
xi
(k)
R
+ i
aii
(i = 1, 2, . . . , n)
(3.103)
gdje
(k)
Ri
= bi
n
X
j=1
(k)
aij xj
(i = 1, 2, . . . , n)
(3.104)
62
(k+1)
(k)
max xi
xi <
(i = 1, 2, . . . , n)
(3.105)
ili
(k)
max Ri <
(i = 1, 2, . . . , n)
(3.106)
4 1
0
1
0
x1
100
1
x2 100
4
1
0
1
0 1
x3 = 100
4
1
0
1
0 1
4 1 x4 100
0
1
0 1
4
x5
100
(3.107)
(k+1)
(k)
max xi
xi < 106
(i = 1, 2, . . . , n)
gdje je k broja iteracije.
Rjeenje
Na osnovu vrijednosti koeficijenata matrice sistema lako se zakljuuje da
je uslov konvergencije (3.96) ispunjen za sve jednaine, pa se moe pristupiti
rjeavanju pomou Jacobijeve iterativne metode.
Sistem jednaina (3.107) se moe prikazati u razvijenom obliku:
4x1 x2 + x4 = 100
x1 + 4x2 x3 + x5 = 100
x2 + 4x3 x4 = 100
(3.108a)
(3.108b)
(3.108c)
Iterativne metode
63
x1 x3 + 4x4 x5 = 100
x2 x4 + 4x5 = 100
(3.108d)
(3.108e)
=
=
=
=
=
25 + 0.25x2 0.25x4
25 + 0.25x1 + 0.25x3 0.25x5
25 + 0.25x2 + 0.25x4
25 0.25x1 + 0.25x3 + 0.25x5
25 0.25x2 + 0.25x4
(3.109a)
(3.109b)
(3.109c)
(3.109d)
(3.109e)
(k+1)
(k)
max xi
xi <
pri emu indeks i oznaava komponentu vektora rjeenja, a = 106 . Rezultati
su sumirani u tabeli 3.1.
Tabela 3.1: Uz primjer 3.10
k
x1
x2
0
0.000000
0.000000
1 25.000000 25.000000
2 25.000000 31.250000
3 25.000000 34.375000
4 25.000000 35.156250
..
..
..
.
.
.
17 25.000000 35.714285
18 25.000000 35.714285
x3
0.000000
25.000000
37.500000
40.625000
42.187500
..
.
x4
0.000000
25.000000
31.250000
34.375000
35.156250
..
.
x5
0.000000
25.000000
25.000000
25.000000
25.000000
..
.
42.857142
42.857143
35.714285
35.714285
25.000000
25.000000
(3.110a)
64
R2
R3
R4
R5
=
=
=
=
100 + x1 4x2 + x3 x5
100 + x2 + 4x3 + x4
100 x1 + x3 4x4 + x5
100 x2 + x4 4x5
(3.110b)
(3.110c)
(3.110d)
(3.110e)
(k+1)
(k)
(i = 1, 2, . . . , n)
xi < 106
max xi
3.2.2
Gauss-Seidelova metoda
(k+1)
!
i1
n
X
X
1
(k+1)
(k+1)
(k)
xi
=
bi
aij xj
aij xj
(i = 1, 2, . . . , n) (3.111)
aii
j=1
j=i+1
ili u sljedeim obliku:
(k)
Ri
(k)
R
=
+ i
(i = 1, 2, . . . , n)
aii
i1
n
X
X
(k+1)
(k)
= bi
aij xj
aij xj
(i = 1, 2, . . . , n)
(k+1)
xi
(k)
xi
j=1
(3.112)
(3.113)
j=i
Upravo zbog toga to se koriste tek izraunate vrijednosti pojedinih nepoznanica, pa se jednaine moraju rjeavati redom, a ne simultano, Gauss-Seidelova
metoda se naziva i metoda sukcesivne iteracije.
Iterativne metode
65
Primjer 3.11
Koristei Gauss-Seidelovu metodu, rijeiti problem iz zadatka 3.10.
4 1
0
1
0
x1
100
4 1
0
1
x2 100
0 1
4 1
0 x3 = 100
1
0 1
4 1 x4 100
0
1
0 1
4
x5
100
Proraun zaustaviti kada je ispunjen uslov
(k+1)
(k)
max xi
xi < 106
(i = 1, 2, . . . , n)
gdje je k broja iteracije.
Rjeenje
Postupak rjeavanja Gauss-Seidelovom je vrlo slian Jacobijevoj metodi, s
tom razlikom to se u proraunu koriste tek izraunate aproksimacije rjeenja.
Na taj nain, izrazi (3.109) imaju oblik:
(k+1)
x1
(k+1)
x2
(k+1)
x3
(k+1)
x4
(k+1)
x5
(k)
(k)
= 25 + 0.25x2 0.25x4
= 25 +
= 25 +
= 25
= 25
(k+1)
0.25x1
(k+1)
0.25x2
(k+1)
0.25x1
(k+1)
0.25x2
+
+
+
+
(3.114a)
(k)
(k)
0.25x3 0.25x5
(k)
0.25x4
(k+1)
(k)
0.25x3
+ 0.25x5
(k+1)
0.25x4
(3.114b)
(3.114c)
(3.114d)
(3.114e)
= 25 + 0.25x2 0.25x4 = 0
(1)
x1
x2
(1)
x3
(1)
x4
(1)
x5
= 25 +
= 25
= 25
(0)
(0)
(1)
(0)
(0)
(3.115b)
(1)
0.25x2
(1)
0.25x1
(1)
0.25x2
(0)
0.25x4
(1)
0.25x3
(1)
0.25x4
= 32.8125
(3.115c)
+
+
+
(3.115a)
(0)
0.25x5
= 26.953125
= 23.925781
(3.115d)
(3.115e)
66
(k+1)
(k)
max xi
xi <
gdje je = 106 . Ostali rezultati prorauna su sumirani u tabeli 3.2. Iz tabele
je jasno da se ista tanost dostie neto bre koristei Gauss-Seidelovu metodu
(15 iteracija) nego je to bio sluaj s Jacobijevom metodom (18 iteracija).
Tabela 3.2: Uz primjer 3.11
k
x1
x2
0
0.000000
0.000000
1 25.000000 31.250000
2 26.074219 33.740234
3 24.808502 34.947586
..
..
..
.
.
.
14 25.000001 35.714286
15 25.000000 35.714286
x3
0.000000
32.812500
40.173340
42.363453
..
.
x4
0.000000
26.953125
34.506226
35.686612
..
.
x5
0.000000
23.925781
25.191498
25.184757
..
.
42.857143
42.857143
35.714285
35.714286
25.000000
25.000000
R1
(k+1)
R2
(k+1)
R3
(k+1)
R4
(k+1)
R5
(k)
(k)
(k)
= 100 4x1 + x2 x4
= 100 +
= 100 +
= 100
= 100
(k+1)
x1
(k+1)
x2
(k+1)
x1
(k+1)
x2
+
+
+
(k)
(k+1)
4x2 + x3
(k)
(k)
4x3 + x4
(k+1)
(k)
x3
4x4
(k)
(k+1)
4x5
x4
(3.116a)
(k+1)
x5
(k)
x5
(3.116b)
(3.116c)
(3.116d)
(3.116e)
(0)
x1
(0)
R
+ 1
4
3.2.3
Metode relaksacije
Moe se pokazati da se malim modifikacijama prethodno objanjenih iterativnih metoda brzina konvergencije moe znatno poboljati. Ovo se ostvaruje
Iterativne metode
67
(k)
Ri
(k)
R
=
+ i
(i = 1, 2, . . . , n)
aii
i1
n
X
X
(k+1)
(k)
= bi
aij xj
aij xj
(i = 1, 2, . . . , n)
(k+1)
xi
(k)
xi
j=1
(3.117)
(3.118)
j=i
4 1
0
1
0
1
4 1
0
1
0 1
4
1
0
1
0 1
4 1
0
1
0 1
4
x1
x2
x3
x4
x5
100
100
100
100
100
Successive-Over-Relaxation
68
(k+1)
(k)
max xi
xi < 106
(i = 1, 2, . . . , n)
gdje je k broja iteracije.
Rjeenje
Primjenjujui izraze (3.117) i (3.118) na zadati sistem jednaina, dobija se:
(k+1)
x1
(k+1)
x2
(k+1)
x3
(k+1)
x4
(k+1)
x5
(k)
R
=
+ 1
4
(k)
R2
(k)
= x2 +
4
(k)
R3
(k)
= x3 +
4
(k)
R
(k)
= x4 + 4
4
(k)
R
(k)
= x5 + 5
4
(k)
x1
(3.119a)
(3.119b)
(3.119c)
(3.119d)
(3.119e)
gdje su
(k+1)
= 100 4x1 + x2 x4
(k+1)
= 100 + x1
R1
R2
(k+1)
R3
(k+1)
R4
(k+1)
R5
(k)
(k+1)
= 100 +
= 100
= 100
(k+1)
x2
(k+1)
x1
(k+1)
x2
(k)
(k)
(k)
(k+1)
4x2 + x3
+
+
+
(k)
(k)
4x3 + x4
(k)
(k+1)
4x4
x3
(k+1)
(k)
x4
4x5
(3.120a)
(k+1)
x5
(3.120b)
(3.120c)
(k)
x5
(3.120d)
(3.120e)
R1 = 100.00
pa je na osnovu (3.119a)
(1)
x1 = 0 + 1.1
100.00
= 27.50
4
(3.121)
Ostale metode
69
(3.122)
pa je:
(1)
x2 = 0 + 1.1
127.50
= 35.0625
4
(3.123)
Slino postupku rjeavanja Gauss-Seidelovom metodom, dalje se raunaju vrijednosti R3 , pa x3 , R4 , pa x4 i na kraju R5 , pa x5 . Zatim se prelazi se na
sljedei iteraciju, i postupak nastavlja dok se ne ispuni uslov (3.105)
(k+1)
(k)
max xi
xi <
gdje je = 106 . U tabeli 3.3 date su ostale vrijednosti prorauna (samo
aproksimacije nepoznanica). Jasno se vidi da je broj iteracija (jednak 13)
manji nego u sluaju prethodne dvije metode, odnosno metoda bre konvergira
za zadati faktor .
Tabela 3.3: Uz primjer 3.12
k
x1
x2
0
0.000000
0.000000
1 27.500000 35.062500
2 26.100497 34.194375
3 24.419371 35.230346
..
..
..
.
.
.
11 24.999996 35.714285
12 25.000000 35.714286
13 25.000000 35.714286
3.3
x3
0.000000
37.142188
41.480925
42.914285
..
.
x4
0.000000
30.151602
35.905571
35.968342
..
.
x5
0.000000
26.149503
25.355629
25.167386
..
.
42.857145
42.857143
42.857143
35.714287
35.714286
35.714286
25.000000
25.000000
25.000000
Ostale metode
70
3.4
Pitanja i zadaci
Pitanja i zadaci
71
=
=
=
=
9
27
19
14
III)
1 2 1
x1
1
2
1 2 x2 = 3
1
1 3
x3
8
IV)
2 2
2
1
x1
2 4
1
3 x2
1
3 4
2 x3
2
4
3 2
x4
7
10
=
14
1
2
1
0
0
1
2
1
0
0
1
2
1
0
x1
x2
0
1 x3
x4
2
4
8
=
12
11
72
b)
3
2
0
0
2
3
2
0
0
2
3
2
0
x1
x2
0
2 x3
3
x4
12
17
=
14
7
c)
1
2
=
7
1
x1
2
1
0
0
1 2
1
0 x2
0
1 2
1 x3
x4
0
0
1 2
d)
2 1
0
0
x1
1
2 1
0 x2
0 1
2 1 x3
x4
0
0 1
2
5
1
=
0
8
Poglavlje 4
Interpolacija i aproksimacija
funkcija
U mnogim inenjerskim problemima, podaci koji se posmatraju su poznati
samo za niz diskretnih taaka, a ne kao neprekidna funkcija, odnosno za takve
podatke nemamo analitiki izraz kojim moemo da odredimo vrijednost f (x).
Drugim rijeima, moe se desiti da je funkcija
y = f (x)
(4.1)
(i = 1, 2, . . . , n)
(4.2)
Ovaj sluaj se esto javlja u praksi prilikom mjerenja raznih fizikalnih veliina,
kao na primjer kod krive optereenje-pomjeranje, napon-naprezanje, itd.
Meutim, vrijednosti funkcije u datim takama nisu uvijek ono to nama
treba, nego nam ponekad trebaju i vrijednosti u nekim drugim takama. Takoer, mogu nam trebati i derivacije takve funkcije, ili njen integral. S druge
strane, funkcija f (x), zadata analitikim izrazom, moe imati vrlo komplikovan oblik za raunanje njenih vrijednosti, derivacija ili njenog integrala, to
oteava njenu upotrebu u takvom obliku. U ovakvim sluajevima se esto
zahtijeva aproksimacija funkcije f (x) nekom jednostavnijom, tzv. aproksimacionom funkcijom, (x).
Funkcija (x) se bira prema prirodi modela, ali tako da bude relativno jednostavna za raunanje. Ona obino zavisi od parametara ak , k = 0, 1, . . . , m,
koje treba odrediti prema nekom kriterijumu, tj.
(x) = (x; a0 , a1 , . . . , am )
(4.3)
74
b)
y
Diskretne take
Diskretne take
Interpolacija polinomima
4.1
75
Interpolacija polinomima
(4.4)
gdje n predstavlja red polinoma, a ai (i = 0, 1, . . . , n) su konstantni koeficijenti. Za proces interpolacije pomou polinoma veoma su bitne sljedee dvije
teoreme:
Weierstrassov aproksimacioni polinom: Ako je funkcija f (x) neprekidna
na intervalu [a, b], tada za svako proizvoljno malo > 0 postoji polinom
Pn (x), kod kojeg vrijednost n zavisi od vrijednosti , tako da za svako x
u intervalu [a, b] vrijedi
|Pn (x) f (x)| <
Teorem o jedinstvenosti rjeenja: Polinom n-tog reda koji prolazi kroz
tano (n + 1) razliitih diskretnih taaka je jedinstven.
Dakle, bilo koja funkcija se moe interpolirati do eljene ili traene tanosti
polinomom dovoljno velikog reda. U narednim poglavljima date su neke od
metoda koje se koriste za izraunavanje koeficijenata interpolacionih polinoma.
4.1.1
Direktna metoda
Neka je dato (n + 1) taaka [x0 , f (x0 )], [x1 , f (x1 )], . . . ,[xn , f (xn )], koje moemo pisati i u obliku (x0 , y0 ), (x1 , y1 ), . . . ,(xn , yn ), pri emu razmak izmeu
pojedinih taaka (u odnosu na vrijednost x) moe biti jednak ili nejednak.
Problem se svodi na odreivanje jedinstvenog polinoma n-tog reda, datog izrazom (4.4), koji prolazi kroz sve date take. Uvrtavajui svaki podatak u
(4.4) dobiva se sistem od (n + 1) jednaina sa (n + 1) nepoznatih koeficijenata
ai (i = 0, 1, . . . , n), tj.:
y0 = a0 + a1 x0 + a2 x20 + . . . + an xn0
y1 = a0 + a1 x1 + a2 x21 + . . . + an xn1
y2 = a0 + a1 x2 + a2 x22 + . . . + an xn2
.....................
yn = a0 + a1 xn + a2 x2n + . . . + an xnn
(4.5)
76
Determinanta sistema
1 x0 x20 . . .
1 x1 x21 . . .
1 x2 x22 . . .
. .
.. . .
.. ..
.
.
1 x x2 . . .
n
n
jednaka je:
xn0
xn1
xn2
..
.
xnn
(4.6)
3.50
0.285714
3.60
0.277778
Rjeenje
Tana vrijednost funkcije u datoj taki je:
1
= 0.290698
3.44
Interpolacione vrijednosti se dobivaju kako slijedi:
f (3.44) =
(4.7)
(4.8)
Uzimamo dvije take (drugu i treu, jer se zadata taka nalazi izmeu
njih), tj. x0 = 3.40 i x1 = 3.50, pa se prema (4.5) dobiva sljedei sistem
jednaina:
0.294118 = a + b(3.40)
0.285714 = a + b(3.50)
(4.9)
Interpolacija polinomima
77
(4.10)
(4.11)
(4.12)
(4.13)
(4.14)
(4.15)
U sluaju kubnog interpolacionog polinoma (polinom treeg reda), neophodne su nam sve etiri zadate take, pa se dobiva sljedei sistem jednaina:
0.298507 = a + b(3.35) + c(3.35)2 + d(3.35)3
0.294118 = a + b(3.40) + c(3.40)2 + d(3.40)3
0.285714 = a + b(3.50) + c(3.50)2 + d(3.50)3
(4.16)
(4.17)
78
(4.18)
linearni
kvadratni
kubni
Greka = 0.000058
=0.000001
= 0.000000
4.1.2
Kao to se moglo vidjeti u prethodnom dijelu, direktna metoda je veoma jednostavna po svom principu. Meutim, ona ima i mnogo loih osobina, meu
kojima prednjai znatno vrijeme koje je potrebno za odreivanje koeficijenata
polinoma. Osim toga, za polinome vieg reda (n > 4) sistem jednaina moe
biti slabo podeen, to moe da uzrokuje veliku greku u procjeni koeficijenata
interpolacionog polinoma.
Alternativa direktnoj metodi je upotreba Lagrangeovih interpolacionih polinoma. Ovaj postupak se, takoer, moe koristiti za interpolaciju podataka s
jednakim i nejednakim razmacima izmeu taaka. Posmatrajmo, na primjer,
sluaj s dva podatka [a, f (a)] i [b, f (b)]. Linearni Lagrangeov polinom koji
tano prolazi kroz obje take dat je izrazom:
P1 (x) =
(x b)
(x a)
f (a) +
f (b)
(a b)
(b a)
(4.19)
to je lako pokazati. U sluaju tri zadate take, [a, f (a)], [b, f (b)] i [c, f (c)],
polinom ima oblik:
(x b)(x c)
(x a)(x c)
f (a) +
f (b)
(a b)(a c)
(b a)(b c)
(x a)(x b)
f (c)
+
(c a)(c b)
P2 (x) =
(4.20)
Interpolacija polinomima
79
Pn (x) =
(4.21)
(4.22)
k=0
gdje
(x x0 ) . . . (x xk1 )(x xk+1 ) . . . (x xn )
(xk x0 ) . . . (xk xk1 )(xk xk+1 ) . . . (xk xn )
n
Y
x xi
=
(k = 0, 1, . . . , n)
x xi
i=0 k
Lk (x) =
(4.23)
i6=k
80
Rjeenje
Najprije emo odrediti interpolacioni polinom prvog reda, koristei drugu i
treu taku iz tabele 4.1. Prema izrazu (4.19) imamo:
(x 3.50)
(x 3.40)
0.294118 +
0.285714
(3.40 3.50)
(3.50 3.40)
= 0.579854 0.08404x
P1 (x) =
(4.24)
Za polinom drugog reda, koristimo prve tri take iz tabele 4.1 i izraz (4.20),
pa je:
(x 3.40)(x 3.50)
0.298507
(3.35 3.40)(3.35 3.50)
(x 3.35)(x 3.50)
+
0.294118
(3.40 3.35)(3.40 3.50)
(x 3.35)(x 3.40)
+
0.285714
(3.50 3.35)(3.50 3.40)
= 0.876561 0.256080x + 0.0249333x2
P2 (x) =
(4.25)
Za dobivanje polinoma treeg reda koristimo optu formulu (4.22), pri emu
je n = 3. U tu svrhu, koriste se sve etiri take iz tabele 4.1. Moe se pokazati
da je konano rjeenje:
P3 (x) = 1.121066 0.470839x + 0.0878x2 0.00613333x3
(4.26)
4.1.3
Jedan od oblika polinoma n-tog reda koji prolazi kroz (n + 1) taaka (xi , fi ),
i = 0, 1, . . . , n, je i:
s
s
s
2
n f0
(4.27)
f0 + . . . +
f0 +
Pn (x) = f0 +
n
2
1
gdje je parametar s, tzv. interpolaciona promjenljiva, dat izrazom:
s=
x x0
h
ime je
x = x0 + sh
(4.28)
Interpolacija polinomima
81
(4.29)
Ove razlike se mogu dobiti i pomou tzv. tabele podijeljenih razlika. Jedna
takva tabela za etiri vrijednosti funkcije data je na slici 4.2, pri emu vrijednost svakog lana tabele s predznakom predstavlja razliku dvije najblie
vrijednosti s lijeve strane, kao to je to dato i izrazima (4.29).
xi
fi
x0
f0
fi
2 f i
3 fi
f0
x1
2 f0
f1
3 f 0
f1
x2
2 f1
f2
f2
x3
f3
Polinom predstavljen jednainom (4.27) naziva se prvi Newtonov interpolacioni polinom, ili Newtonov interpolacioni polinom za diferenciranje unaprijed.
Ovaj polinom uopte ne lii ni na jedan od polinoma koji su dati u poglavlju o
aproksimacionim funkcijama, ali ipak ima osobinu da prolazi kroz svih (n + 1)
zadatih taaka. Imajui u vidu teorem o jedinstvenosti rjeenja, on predstavlja
eljeni jedinstveni aproksimacioni polinom.
Primjer 4.3
Koristei prvi Newtonov interpolacioni polinom izraunati vrijednost funkcije
f (x) = 1/x u taki za x = 3.44. U tu svrhu koristiti tabelu podijeljenih razlika
datu na slici 4.3.
82
fi
3.1
0.322581
fi
2 fi
3 f i
4 f i
-0.010081
3.2
0.312500
0.000611
-0.009470
3.3
0.303030
-0.000053
0.000558
-0.008912
3.4
0.294118
-0.000050
0.000508
-0.008404
3.5
0.285714
0.000468
0.277778
0.000428
0.270270
0.000008
-0.000032
0.000396
-0.007112
3.8
0.000000
-0.000040
-0.007508
3.7
0.000010
-0.000040
-0.007936
3.6
0.000003
0.263158
0.000000
-0.000032
0.000364
-0.006748
3.9
0.256410
Slika 4.3: Tabela podijeljenih razlika za primjer 4.3
Rjeenje
Prema podacima na slici 4.3, imamo da je x0 = 3.40, te h = xi+1 xi = 0.1,
pa je:
s=
x x0
3.44 3.40
=
= 0.4
h
0.1
(4.30)
s(s 1) 2
f (3.4)
2!
s(s 1)(s 2) 3
+
f (3.4) + . . .
3!
(4.31)
Interpolacija polinomima
83
(4.32)
Uzimajui u obzir samo prva dva lana dobiva se linearna interpolacija. Dodavajui i trei lan dobiva se kvadratna, a uzmajui u obzir prva etiri lana polinoma u izrazu (4.32) dobiva se kubna interpolacija, pa su vrijednosti funkcije
za zadatu taku i odgovarajua greka (uz tano rjeenje f (3.44) = 0.290698):
P (3.44) =0.290756
=0.290700
=0.290698
linearni
kvadratni
kubni
Greka =0.000058
=0.000002
=0.000000
linearni
kvadratni
kubni
Greka =0.002392
= 0.000100
= 0.000000
84
(4.34)
x x0
3.44 3.50
=
= 0.6
h
0.1
(4.35)
s(s + 1) 2
f (3.5)
2!
s(s + 1)(s + 2) 3
+
f (3.5) + . . .
3!
(4.36)
(4.37)
Aproksimacija funkcija
85
Slino koritenju izraza (4.32) vrijednosti funkcije za zadatu taku i odgovarajue greke za sva tri sluaja su:
P (3.44) =0.290756
=0.290695
=0.290698
4.1.4
linearni
kvadratni
kubni
Greka = 0.000058
=0.000003
= 0.000000
Greka interpolacije
n
Y
(x xi )
(a, b)
(4.39)
i=0
4.2
Aproksimacija funkcija
(4.40)
86
y(x)
Yi(xi)
ei
Yi
y(x)
Diskretne take
xi
(4.41)
i=1
Pri tome, aproksimaciona funkcija y(x) moe biti linearna ili nelinearna (pri
tome se naziv linearan odnosi na linearnost po parametrima, a ne nezavisnim
veliinama). Primjer linearne funkcije je polinom n-tog reda.
Aproksimacija polinomom
Neka je dato N taaka (xi , Yi ), i = 1, 2, . . . , N , koje treba aproksimirati polinomom n-tog reda:
y = a0 + a1 x + a2 x2 + . . . + an xn
(4.42)
Aproksimacija funkcija
87
i=1
N
X
=
(Yi a0 a1 xi . . . an xni )2
(4.43)
i=1
X
S
=
2(Yi a0 a1 xi . . .an xni )(xki ) = 0
ak
i=1
(k = 0, 1, . . . , n) (4.44)
Na taj nain se dobiva sistem od (n + 1) linearnih jednaina koji nakon preureivanja ima oblik:
a0 N + a1
N
X
xi + . . . + a n
i=1
a0
N
X
xi + a1
i=1
N
X
xni =
i=1
N
X
x2i
+ . . . + an
N
X
Yi
i=1
N
X
i=1
xn+1
i
i=1
N
X
xi Yi
i=1
(4.45)
..............................
a0
N
X
xni
+ a1
i=1
N
X
xn+1
i
+ . . . + an
i=1
N
X
i=1
x2n
i
N
X
xni Yi
i=1
N
X
xi =
i=1
N
X
i=1
xi + b
N
X
Yi
i=1
N
X
i=1
x2i =
N
X
(4.46)
xi Yi
i=1
koji se vrlo lako moe rijeiti. Aproksimacija polinomom prvog reda se najee koristi u praksi. Pri koritenju polinoma vieg reda mogu se pojaviti problemi, jer sistem jednaina (4.45) moe biti slabo podeen. Ipak, skaliranjem
88
Primjer 4.5
U tabeli 4.2 date su vrijednosti specifine toplote zraka pri konstantnom pritisku, Cp , za visoke temperature, u zavisnosti od temperature zraka, T . Koristei metodu najmanjih kvadrata potrebno je odrediti aproksimacioni polinom
drugog reda koji je dat u obliku:
Cp = a + bT + cT 2
(4.47)
Cp , kJ/kg K
Cp , kJ/kg K
Rel. greka, %
1000
1.1410
1.1427
0.15
1500
1.2095
1.2059
0.29
2000
1.2520
1.2522
0.02
2500
1.2782
1.2815
0.26
3000
1.2955
1.2938
0.13
Rjeenje
Koristei izraze (4.45) za n = 3 dobiva se sljedei sistem jednaina:
5a + b
5
X
Ti + c
i=1
a
a
5
X
i=1
5
X
i=1
Ti + b
5
X
Ti =
5
X
i=1
5
X
Ti + c
i=1
5
X
Ti 2 + b
i=1
Cp,i
i=1
5
X
Ti =
i=1
5
X
Ti 3 + c
i=1
5
X
Ti 4 =
Ti Cp,i
i=1
5
X
i=1
Ti 2 Cp,i
(4.48)
Aproksimacija funkcija
89
12
(4.49)
6
(4.50)
Cp, kJ/kg K
1.3
1.25
1.2
1.15
1.1
aproksimaciona funkcija
podaci iz tabele
1.05
1
750
1000 1250 1500 1750 2000 2250 2500 2750 3000 3250
Temperatura, K
Nelinearna aproksimacija
90
(4.51)
(4.52)
(4.53)
(4.54)
(4.55)
Postoji i niz drugih funkcija koje se mogu koristiti u ovu svrhu. Koja od
njih je najpodesnija, zavisi od prirode fizikalnog procesa koji se opisuje. U tu
svrhu nam moe pomoi i grafiko predstavljanje podataka u Descartesovom
ili nekom specijalnom koordinatnom sistemu (logaritamski, polulogaritamski,
itd.).
Primjer 4.6
Podatke date u tabeli 4.3 aproksimirati pomou nelinearne relacije date jednainom:
y = aebx
(4.56)
2
12
2.484907
3
24
3.178053
4
48
3.871201
Pitanja i zadaci
91
Rjeenje
Prema izrazu (4.55), trebamo prvo odrediti ln y (dato u tabeli 4.3), a onda
problem svesti na odreivanje aproksimacione funkcije Y = A + Bx, pri emu
je Y = ln y, A = ln a i B = b. Na taj nain dobivamo sistem jednaina:
5A + B
5
X
xi =
i=1
5
X
i=1
xi + B
5
X
Yi
i=1
5
X
xi =
5
X
i=1
(4.57)
xi Yi
i=1
(4.58)
(4.59)
(4.60)
4.3
(4.61)
Pitanja i zadaci
92
Cp , kJ/kg K
h, kJ/kg
T, K
Cp , kJ/kg K
h, kJ/kg
1000
1.1410
1047.248
1400
1.1982
1515.792
1100
1.1573
1162.174
1500
1.2095
1636.188
1200
1.1722
1278.663
1600
1.2197
1757.657
1300
1.1858
1396.578
Pitanja i zadaci
93
16. Nai polinom etvrtog reda kao aproksimaciju podataka za specifinu gustinu zraka pri konstantnom pritisku iz primjera 10, i dati greku za svaki
tabelarni podatak.
17. Napisati program za izraunavanje kvadratne interpolacione funkcije za
date podatke, koristei direktnu metodu!
18. Napisati program koji interpolira vrijednost grupe podataka, koristei
Lagrangeov interpolacioni polinom!
19. Napisati program s metodom najmanjih kvadrata za sluaj polinoma prvog reda!
20. Koeficijent trenja za laminarno teenje se moe povezati s Raynoldsovim
brojem, Re, koristei sljedeu relaciju:
f = aReb
(4.62)
500
1000
1500
2000
0.0320
0.0160
0.0107
0.0080
Poglavlje 5
Numeriko diferenciranje i
integriranje
5.1
Numeriko diferenciranje
U mnogim inenjerskim problemima zahtijeva se izraunavanje izvoda (na primjer, odreivanje brzine ili ubrzanja na osnovu podataka o preenom putu).
Pri tome, funkcija koja se eli diferencirati moe biti zadata nekim analitikim
izrazom, ali moe biti i niz diskretnih podataka o nekom procesu, odnosno zadata tabelarno. Openito, funkcije zadate (eksplicitnim) analitikim izrazom
se lako mogu diferencirati, dok je za one zadate nizom diskretnih podataka
neophodno koristiti numeriko diferenciranje.
5.1.1
96
f(x)
f(x)
Pn(x)
x0
x1
x2
Zbog toga se ovaj nain diferenciranja veoma rijetko koristi, pa se koriste druge
metode za numeriko diferenciranje, kao to su formule za diferenciranje, koje
su objanjene u sljedeem poglavlju.
Primjer 5.1
Za podatke u Tabeli 5.1, koji i u ovom primjeru predstavljaju funkciju f (x) =
1/x, izraunati vrijednost prvog izvoda u taki x = 3.5, koristei polinom
drugog reda.
Rjeenje
Tana vrijednost prvog izvoda u taki x = 3.5 je:
0
1
1
1
0
f (3.5) =
= 2 = 2 = 0.081633 . . .
x
x
3.5
Koeficijenti polinoma drugog reda, koje prolaze kroz sve tri zadate take,
mogu se dobiti nekom od metoda opisanih u prethodnom poglavlju (direktna,
Numeriko diferenciranje
97
3.40
3.50
3.60
f (x)
0.294118
0.285714
0.277778
Lagrangeovi polinomi, Newtonovi interpolacioni polinomi). Na primjer, koristei direktnu metodu, imamo sistem:
0.294118 = a + b(3.40) + c(3.40)2
0.285714 = a + b(3.50) + c(3.50)2
0.277778 = a + b(3.60) + c(3.60)
(5.1)
Koristei neku od metoda za rjeavanje sistema linearnih algebarskih jednaina, dobiva se: a = 0.858314, b = 0.2455 i c = 0.0234, odnosno:
P2 (x) = 0.858314 0.2455x + 0.0234x2
Sada je lako odrediti i prvi izvod:
P20 (x) = 0.2455 + 0.0468x
pa je:
P20 (3.5) = 0.2455 + 0.0468 3.5 = 0.0817
Na osnovu greke, |f (3.5)Pn (3.5)| = 0.000067, moemo zakljuiti da dobiveni
polinom dobro aproksimira funkciju i u pogledu njenog prvog izvoda.
5.1.2
Formule za diferenciranje
f 0 (xi ) = lim
(5.2)
f (xi + h) f (xi )
h
(5.3)
98
to predstavlja aproksimaciju prvog izvoda funkcije f (x). Ako se, pak, umjesto
h u jednaini (5.3) uzme vrijednost h dobiva se formula:
f (xi ) f (xi h)
(5.4)
h
Izrazi (5.3) i (5.4) predstavljaju formule za diferenciranje unaprijed i unazad, respektivno. Na slici 5.2 data je grafika interpretacija ovih formula, pri
emu nagib linije t odgovara tanom izvodu funkcije f (x) u taki C. Dakle,
nagib linije t , koja prolazi kroz take A i C, odgovara formuli za diferenciranje unazad, a nagib linije t+ , koja prolazi kroz take C i B, formuli za
diferenciranje unaprijed.
f 0 (xi )
t-
f(x)
C
t
A
tc
B
t+
f (xi)
f (xi-h)
xi-1
xi
f (xi+h)
xi+1
Iz slike se vidi da bi nagib linije koja prolazi kroz take A i B (linija tc ) bila
bolja aproksimacija izvoda funkcije f (x), a iznosi:
f (xi + h) f (xi h)
2h
Ovaj izraz predstavlja formulu za centralno diferenciranje.
Na osnovu definicije drugog izvoda:
f 0 (xi )
f 0 (xi ) f 0 (xi h)
h0
h
f 00 (xi ) = lim
(5.5)
(5.6)
(5.7)
Numeriko diferenciranje
99
f 00 (xi )
(x xi )2 + . . .
2
f (n) (xi )
+
(x xi )n + . . .
n!
(5.8)
f 00 () 2
h
2
(5.9)
f (xi + h) f (xi ) h 00
f ()
h
2
(5.10)
f (xi ) f (xi h) h 00
f ()
(5.11)
h
2
Za centralno diferenciranje, greka se dobiva ako se uzmu u obzir prva tri lana
u jednaini (5.8), tj.
f 0 (xi )
za xi < 1 < xi + h
f (xi + h) = f (xi ) + f 0 (xi )h +
f 00 (xi ) 2 f 000 (1 ) 3
h +
h
2
3!
za xi h < 2 < xi
f (xi h) = f (xi ) f 0 (xi )h +
f 00 (xi ) 2 f 000 (1 ) 3
h
h
2
3!
(5.12)
odnosno za (1 , 2 ):
f (xi + h) f (xi h)
h2
0
000
f (xi ) =
= f (xi ) f ()
2h
6
0
(5.13)
100
f (3.6) f (3.5)
0.277778 0.285714
=
= 0.07936
3.6 3.5
0.1
f (3.5) f (3.4)
0.285714 0.294118
=
= 0.08404
3.5 3.4
0.1
Numeriko integriranje
101
centralno diferenciranje:
f 0 (3.5) =
f (3.6) f (3.4)
0.277778 0.294118
=
= 0.0817
3.6 3.4
0.2
5.2
Numeriko integriranje
koristei neku od formula koje aproksimiraju funkciju f (x). Pri tome, funkcija
moe biti zadata eksplicitno ili kao niz diskretnih taaka, odnosno tabelarno.
U narednim poglavljima date su neke poznatije formule koje se koriste u ovu
svrhu.
5.2.1
Slino numerikom diferenciranju, najlaka procedura za numeriku integraciju, koja se moe koristiti i za podatke s jednakim i nejednakim razmacima
izmeu taaka, je pomou interpolacionih polinoma. U tom sluaju, funkcija
f (x), zadata analitikim izrazom, za koju je teko ili nemogue izraunati integral, ili je predstavljena nizom diskretnih taaka, moe da se aproksimira
polinomom Pn (x):
f (x) Pn (x) = a0 + a1 x + a2 x2 + . . .
(5.15)
a koeficijenti polinoma se mogu dobiti koritenjem neke od metoda za interpolaciju ili aproksimaciju.
102
f(x)
f ( x)dx
a
Z b
Z b
x2
I=
f (x) dx
Pn (x) dx = a0 x + a1 + . . .
2
a
a
a
Primjer 5.3
Izraunati vrijednost odreenog integrala
Z 3.9
1
dx
I=
3.1 x
koristei podatke u Tabeli 5.2 i polinom drugog reda.
Tabela 5.2: Uz primjer 5.3
x
3.10
3.50
3.90
f (x)
0.32258065
0.28571429
0.25641026
Rjeenje
Tana vrijednost integrala je:
3.9
Z 3.9
3.9
1
dx = ln(x) = ln( ) = 0.22957444
I=
3.1
3.1 x
3.1
(5.16)
Numeriko integriranje
103
Koeficijenti polinoma drugog reda koji prolazi kroz sve tri zadate take, mogu
se dobiti nekom od metoda opisanih u prethodnom poglavlju (direktna, Lagrangeovi polinomi, Newtonovi interpolacioni polinomi). Na primjer, koristei
direktnu metodu, imamo:
0.32258065 = a + b(3.10) + c(3.10)2
0.28571429 = a + b(3.50) + c(3.50)2
(5.17)
3.9
= 0.86470519x 0.1240698x2 + 0.0078776x3 3.1
I = 0.22957974
Na osnovu greke, |0.22957974 0.22957444| = 0.0000053, moemo zakljuiti da dobiveni polinom dobro aproksimira funkciju u pogledu izraunavanja
vrijednosti integrala izmeu zadatih granica integracije.
5.2.2
Newton-Cotesove formule
104
x x0
h
ime je
x = x0 + sh
(5.19)
s
greka =
hn+1 f (n+1) ()
x0 < < x n
(5.20)
n+1
Problem izraunavanja integrala (5.14):
Z b
I=
f (x) dx
a
(5.21)
s(a)
gdje je iz (5.19):
dx = h ds
(5.23)
Numeriko integriranje
105
Trapezno pravilo
ba
h
P1 (x0 + sh)ds = h
(f0 + sf0 )ds
0
0
s2
= h sf0 + f0
2
0
1
1
I = h(f0 + f0 ) = h[f0 + (f1 f0 )]
2
2
(5.25)
h
(f0 + f1 )
2
(5.26)
n1
X
1
i=0
hi (fi + fi+1 )
(5.27)
n1
X
1
i=0
h(fi + fi+1 )
f0 + f1 f1 + f2
fn2 + fn1 fn1 + fn
=h
+
+ ... +
+
2
2
2
2
"
# (5.28)
n1
X
f0
fn
ba 1
=h
+ f1 + . . . + fn1 +
=
(f0 + fn ) +
fi
2
2
n
2
i=1
"
#
n1
X
ba
f0 + fn + 2
I=
fi
2n
i=1
Do slinih izraza moglo se doi i preko grafike interpretacije trapeznog
pravila, koja je data na slici 5.4. Osjeneni dio je povrina trapeza stranica
f (a) i f (B) s visinom B a i predstavlja aproksimaciju stvarne povrine ispod
krive f (x) u intervalu [a, B]. Na taj nain, ukupna povrina ispod krive f (x)
106
f(x)
D
f(x)
b
f ( x)dx
a
(5.29)
n1
X
i=0
1 3 00
1
h f () = n[ h3 f 00 ()]
12
12
(5.30)
1
(b a)h2 f 00 () = O(h2 )
12
Dakle, greka opteg trapeznog pravila je drugog reda.
=
Primjer 5.4
Izraunati vrijednost odreenog integrala
Z 3.9
1
I=
dx
3.1 x
pomou trapeznog pravila koristei jednu, dvije, i etiri podjele intervala.
Numeriko integriranje
107
3.10
3.30
3.50
3.70
3.90
f (x)
0.32258065
0.30303030
0.28571429
0.27027027
0.25641026
Rjeenje
S obzirom da je funkcija data jednainom (f (x) = 1/x), podatke koji su
neophodni za proraun dobivamo kreiranjem tabele 5.3. Kao i u prethodnom
poglavlju, tana vrijednost integrala je:
3.9
Z 3.9
1
3.9
I=
dx = ln(x) = ln( ) = 0.22957444
3.1
3.1 x
3.1
U sluaju jednog intervala (izraz (5.26)) imamo:
Z 3.9
1
ba
I=
dx
(f0 + f1 )
2n
3.1 x
0.8
=
(0.32258065 + 0.25641026)
21
I = 0.23159636
pa je greka jednaka |0.23159636 0.22957444|=0.00202192.
Koristei izraz (5.28) za dva intervala dobivamo:
Z 3.9
1
ba
I=
dx
(f0 + 2f1 + f2 )
2n
3.1 x
0.8
=
(0.32258065 + 2 0.28571429 + 0.25641026)
22
I = 0.23008389
sa grekom |0.23008389 0.22957444|=0.00050945.
Za etiri podjele, vrijednost integrala je:
Z 3.9
1
ba
dx
(f0 + 2(f1 + f2 + f3 ) + f4 )
I=
2n
3.1 x
0.8
=
(0.32258065 + 2(0.30303030 + 0.28571429
24
+ 0.27027027) + 0.25641026)
I = 0.22970206
108
Z ba
Z 2
h
s(s 1) 2
I=
P2 (x0 + sh)ds = h
f0 + sf0 +
f0 ds (5.31)
2
0
0
Nakon izvravanja integracije, te zamjene za vrijednosti f0 i 2 f0 , za jedinini
interval se moe dobiti:
1
I = h(f0 + 4f1 + f2 )
(5.32)
3
pri emu je h = (b a)/2. Na osnovu prethodnog izraza moe se dobiti opti
izraz za Simpsonovo 1/3 pravilo za n > 1, tj. h = (b a)/(2n):
"
#
n1
n1
X
X
h
I=
f0 + f2n + 4
f2i+1 + 2
f2i
3
i=0
i=1
"
#
(5.33)
n1
n1
X
X
ba
=
f0 + f2n + 4
f2i+1 + 2
f2i
6n
i=0
i=1
Analogno proraunu za trapezno pravilo, greka za Simpsonovo 1/3 pravilo
za jedinini interval je:
Z 2
s(s 1)(s 2) 3 iii
greka = h
h f ()ds = 0
(5.34)
6
0
Ovo, meutim, ne znai da je greka jednaka nuli, nego da se integracijom
kubnog lana dobiva vrijednost nuli, pa se stvarna greka za jedinini interval
dobiva preko sljedeeg lana, koji je etvrtog reda:
Z 2
s(s 1)(s 2)(s 3) 4 iv
greka = h
h f ()ds
24
0
(5.35)
1 5 iv
5
= h f () = O(h )
90
Numeriko integriranje
109
n1
X
i=0
1 5 iv
h f () =
90
(5.36)
1
=
(b a)h4 f iv () = O(h4 )
180
Dakle, opta greka Simpsonovog 1/3 pravila je etvrtog reda, pa se ova metoda
i najee koristi u praksi.
Primjer 5.5
Koristei podatke u Tabeli 5.3 izraunati vrijednost odreenog integrala
Z
3.9
I=
3.1
1
dx
x
pomou Simpsonovog 1/3 pravila za jednu i dvije podjele intervala [3.1, 3.9].
Rjeenje
Tana vrijednost integrala je:
Z
3.9
I=
3.1
3.9
1
3.9
dx = ln(x) ln( ) = 0.22957444
x
3.1
3.1
3.9
I=
3.1
h
1
dx (f0 + 4f1 + f2 )
x
3
0.4
=
(0.32258065 + 4 0.28571429 + 0.25641026)
3
I = 0.22957974
sa grekom |0.22957974 0.22957444|=0.0000043.
Koristei izraz (5.33) za dva intervala, n = 2, koji sadri 2n + 1 = 5 taaka,
110
imamo:
Z
3.9
I=
3.1
1
h
dx (f0 + 4(f1 + f3 ) + 2f2 + f4 )
x
3
0.2
(0.32258065 + 4(0.30303030 + 0.27027027)
=
3
+ 2 0.28571429 + 0.25641026)
I = 0.22957478
pa je greka integracije jednaka |0.22957478 0.22957444|=0.00000034.
Ve na prvi pogled je jasno da je tanost Simpsonovog 1/3 pravila daleko
vea od trapeznog. Takoer, tanost se poveava s poveanjem broja podjela,
odnosno smanjenjem koraka h, i u ovom primjeru ve za podjelu na dva intervala iznosi 106 .
Na slian nain mogu se izvesti i Newton-Cotesove formule za druge vrijednosti stepena polinoma n.
5.2.3
i=1
Numeriko integriranje
111
jednu takvu metodu. U daljem tekstu pokazae se primjena Gaussovih kvadraturnih formula treeg reda, tj. za n = 2.
Da bismo pojednostavili dobivanje Gaussovih kvadraturnih formula, posmatrajmo prvo integral funkcije F (t) s granicama 1 i 1:
Z
I=
F (t)dt =
1
n
X
Ci F (ti )
(5.38)
i=1
ije je rjeenje :
C1 = C2 = 1
1
t1 =
3
1
t2 =
3
(5.40)
I=
F (t)dt =
1
2
X
i=1
Ci F (ti ) = F
+F
(5.41)
(5.42)
a
Potreban i dovoljan uslov da jednakost (5.38) vrijedi za sve algebarske polinome stepena ne vieg od m
je da vrijedi za sve funkcije f (t) = 1, t, t2 , . . . , tm [7]
Parametri t predstavljaju korijene Legendreovih polinoma, s obzirom da se metoda zasniva na njihovoj
i
aproksimaciji.
112
(5.43)
ba
2
c=
b+a
2
(5.44)
(5.45)
1
ba
1
F
I=
+F
2
3
3
(5.46)
ba
b+a
= 0.4 i c =
= 3.5
2
2
(5.47)
pa je:
x = 0.4t + 3.5 i F (t) = f (mt + c) =
1
1
=
mt + c
0.4t + 3.5
(5.48)
Numeriko integriranje
113
Z
ba 1
1
1
I=
F (t)dt = 0.4 F
+F
2
3
3
1
I = 0.22957092
(5.49)
ba
b+a
= 0.2 i c =
= 3.3
2
2
(5.50)
pa je:
x = 0.2t + 3.3 i F (t) = f (mt + c) =
i
1
0.2t + 3.3
Z
1
ba 1
1
I1 =
F (t)dt = 0.2 F
+F
2
3
3
1
I1 = 0.12136071
(5.51)
(5.52)
ba
b+a
= 0.2 i c =
= 3.7
2
2
1
0.2t + 3.7
1
1
I2 = 0.2
F (t)dt = 0.2 F
+F
3
3
1
I2 = 0.10821350
Z
(5.53)
(5.54)
(5.55)
114
Sada je:
I = I1 + I2 = 0.12136071 + 0.10821350 = 0.22957421
(5.56)
a greka integracije |0.22957421 0.22957444|=0.00000023. Na osnovu rezultata se moe zakljuiti da je u ovom sluaju metoda uporediva sa Simpsonovim
pravilom za h = 0.2.
Metode numerike integracije pokazane u prethodnim poglavljima na primjerima izraunavanja jednostrukih integrala, mogu se koristiti i za izraunavanje viestrukih integrala. Detaljnije o ovom problemu moe se nai u
literaturi (npr. [5, 6, 10]).
5.3
Pitanja i zadaci
f (x)
f (x)
f (x)
0.94
2.55998142
0.98
2.66445624
1.02
2.77319476
0.95
2.58570966
0.99
2.69123447
1.03
2.80106584
0.96
2.61169647
1.00
2.71828183
1.04
2.82921701
0.97
2.63794446
1.01
2.74560102
1.05
2.85765112
Pitanja i zadaci
115
du
=
dy S
gdje je = 0.00024 Pa s viskozitet, u brzina paralelna povrini u m/s, i
y okomita udaljenost od povrine u m. U tabeli 5.5 date su vrijednosti
brzine za razliite udaljenosti, dobivene pomou LDV (eng. laser-Doppler
velocitymetre) brzinomjera.
Treba izraunati vrijednost tangencijalnog napona na povrini, ako se
koristi polinom prvog, drugog i treeg reda. Izraunati tangencijalnu silu
koja djeluje na povrinu, ako je S = 50 cm2 .
Tabela 5.5: Uz zadatak 5
y, m
0.00
0.01
0.02
0.03
u, m/s
0.00
55.56
88.89
100.00
dT
q = kA
dy A
gdje je k koeficijent provoenja toplote u W/m K, T temperatura u K, i
y okomita udaljenost od povrine u m. U tabeli 5.6 date su vrijednosti
temperature za razliite udaljenosti, dobivene pomou termopara.
Na umjerenim temperaturama vrijedi k = 0.003 W/m K. Treba izraunati vrijednost q/A
0.00
0.01
0.02
0.03
T, K
1000.00
533.33
355.56
300.00
7. Napisati program za odreivanje vrijednosti prvog i drugog izvoda pomou interpolacionih polinoma!
116
pomou trapeznog pravila. Pri tome koristiti dvije i etiri podjele intervala.
Tabela 5.7: Uz zadatak 14
x
f (x)
f (x)
f (x)
0.4
5.1600
1.2
3.1067
2.0
5.0000
0.6
3.6933
1.4
3.3886
2.2
5.7491
0.8
3.1400
1.6
3.8100
2.4
6.5933
1.0
3.0000
1.8
4.3511
2.6
7.5292
15. Zadatak 14 rijeiti pomou Simpsonovog 1/3 pravila koristei dvije i etiri
podjele intervala.
16. Koristei Gaussove kvadraturne formule (za n = 2) rijeiti integral:
Z 2.5
ln x dx
1.5
Poglavlje 6
6.1
Obine diferencijalne jednaine daju zavisnost izmeu funkcije s jednom nezavisnom promjenljivom i njenih izvoda u odnosu na tu nezavisnu promjenljivu.
Red obine diferencijalne jednaine je odreen najveim izvodom u diferencijalnoj jednaini. Na primjer, opti oblik diferencijalne jednaine n-tog reda
dat je izrazom:
an y (n) + an1 y (n1) + . . . + a2 y 00 + a1 y 0 + a0 y = F (t)
(6.1)
gdje je:
y (n) =
dn y
dtn
(6.2)
118
Opte rjeenje neke diferencijalne jednaine sadri jednu ili vie konstanti
integracije. Na taj nain se dobiva familija rjeenja za tu diferencijalnu jednainu, a partikularno rjeenje se dobiva koristei granine uslove, pri emu
je broj graninih uslova jednak broju konstantni integracije, odnosno redu diferencijalne jednaine. Dakle, rjeenje neke obine diferencijalne jednaine je
ona partikularna funkcija koja identiki zadovoljava tu diferencijalnu jednainu u njenoj domeni rjeavanja, te zadovoljava uslove koji su specificirani na
granicama domene.
Zavisno od tipa graninih uslova, razlikujemo dvije vrste ili klase obinih
diferencijalnih jednaina (isto vai i za sisteme obinih diferencijalnih jednaina):
1. diferencijalne jednaine s poetnim vrijednostima granini uslovi su dati
za jednu vrijednost nezavisne promjenljive. Klasian primjer takve jednaine je opta diferencijalna jednaina prvog reda:
y 0 = f (t, y)
y(t0 ) = y0
(6.3)
Ovaj problem se naziva Cauchyjev problem ili problem poetnih vrijednosti. O sistemima obinih diferencijalnih jednaina s poetnim vrijednostima vidi poglavlje 6.4.
2. diferencijalne jednaine s graninim vrijednostima granini uslovi su
specificirani za dvije ili vie razliitih vrijednosti nezavisne promjenljive.
Primjer diferencijalne jednaine s graninim vrijednostima je opta diferencijalna jednaina drugog reda:
y 00 + P (x, y)y 0 + Q(x, y)y = F (t, y)
y(x1 ) = y1 i y(x2 ) = y2
(6.4)
6.2
Postoji jako veliki broj numerikih metoda koje se mogu koristiti za rjeavanje problema poetnih vrijednosti. Njihova podjela je razliita od autora do
autora. Jedna takva podjela je, na primjer, na jednokorane, ekstrapolacione
i viekorane metode.
119
Jednokorane metode rjeavaju jednainu od take do take koristei podatke samo jedne take. U ove metode spadaju Eulerova metoda (i njene varijacije), te nejpoznatija meu njima, Runge-Kutta metoda. Ekstrapolacione
metode (na primjer, ekstrapolirana modificirana metoda srednje vrijednosti )
izraunava vrijednost u nekoj taki domene za razliite veliine razmaka izmeu taaka, a zatim ekstrapolira ove vrijednosti kako bi se dobilo tanije
rjeenje. Viekorane metode trae rjeenje koristei podatke nekoliko taaka
(na primjer, Adamsova metoda).
Sve tri navedene vrste metoda za rjeavanje obinih diferencijalnih jednaina
spadaju u tzv. metode konanih razlika. No, prije nego se opiu neke od njih,
data je Taylorova metoda.
6.2.1
Taylorova metoda
y 00 (t0 )
(t t0 )2 + . . .
2
(6.5)
y (n) (t0 )
+
(t t0 )n + . . .
n!
ili
y(t) = y(t0 ) + y 0 (t0 )t +
y 00 (t0 )
y (n) (t0 )
(t)2 + . . . +
(t)n + . . .
2
n!
(6.6)
0 0
y 0
y 0
d(y ) = d(y (t, y)) =
dt +
dy = dt
t
y
y 0 y 0 dy
d(y 0 )
=
+
= yt0 + yy0 y 0
y 00 =
dt
t
y dt
0
y 0 y 0 dy
+
t
y dt
(6.7)
120
a za trei izvod:
0
dy
d(y 00 )
= (yt0 + yy0 y 0 ) +
(yt + yy0 y 0 )
dt
t
y
dt
000
0
0 0
0 0
0 2 0
0
0 2
y = ytt + 2yty y + yt yy + (yy ) y + yyy (y )
y 000 = (y 00 )0 =
(6.8)
dE
d(mcp T )
qr = A T 4 Ta4 =
=
(6.9)
dt
dt
gdje je qr brzina prenosa toplote u W, A povrina tijela mase m u m2 ,
Stefan-Boltzmanova konstanta (5.67 108 W/m2 K4 ), bezdimenzionalna
konstanta emisije tijela koja predstavlja odnos stvarnog zraenja sa zraenjem
crnog tijela, T je unutranja temperatura mase u K, Ta temperatura okoline u
K, a cp specifina toplota materijala tijela u J/kg K. Ako se usvoji da su masa
m i specifina toplota cp konstantni, izraz (6.9) se moe prikazati u obliku:
dT
= T 0 = T 4 Ta4
(6.10)
dt
gdje je:
=
A
mcp
(6.11)
T0
1
(T0 Ta )(T0 + Ta )
T
arctg
+ ln
arctg
Ta
Ta
2
(T Ta )(T + Ta )
(6.12)
3
= 2Ta t
121
6187500
T
1
arctg
+ ln
250
2
(T 250)(T + 250)
12
= 2(4 10 )2503 t + arctg(10)
(6.13)
Rjeenje jednaine (6.13) za proizvoljnu vrijednost t nije mogue nai u zatvorenom obliku, pa je neophodno primijeniti neku od metoda za numeriko
rjeavanje jednaina za svaku pojedinanu vrijednosti t iz zadatog intervala.
Tano rjeenje u prvih 10 s dato je grafiki na slici 6.1.
3000
Temperatura T, K
2500
2000
1500
1000
0
10
Vrijeme t, s
(6.14)
(6.15)
122
T 0 T 0 0
+
T = 0 4T 3 T 0 = 4T 3 T 0
t
T
T 00 |0 = 4(4 1012 )25003 (156.234375) = 39.058594
T 00 = (T 0 )0 =
(6.16)
T 00 = 42 (T 7 T 3 Ta4 )
T 00 T 00 0
+
T = 0 + 42 (7T 6 3T 2 Ta4 )T 0
t
T
= 42 (7T 6 3T 2 Ta4 )T 0
T 000 = (T 00 )0 =
(6.17)
T (4) = (T 000 )0 =
(6.18)
(6.19)
Tano rjeenje i rjeenja dobivena izrazom (6.19) (uzimajui u obzir prva dva,
tri, etiri i svih pet lanova) data su grafiki na slici 6.2.
Na osnovu ovih podataka je jasno da se tanost rjeenja poveava sa poveanjem broja lanova Taylorovog reda. Meutim, ve za t > 2 s rjeenje je
veoma netano, tako da je potrebno koristiti mnogo vie lanova Taylorovog
reda, zbog ega je Taylorova metoda neefikasna u rjeavanju obinih diferencijalnih jednaina s poetnim vrijednostima.
Treba naglasiti da i pored injenice to Taylorova metoda nije efikasna u rjeavanju obinih diferencijalnih jednaina s poetnim vrijednostima, ona predstavlja osnovu za mnoge efikasne numerike metode. Kako se vidi iz slike 6.2
ona je vrlo tana za male vrijednosti t, i to upravo predstavlja osnovu za mnoge
druge metode u rjeavanju obinih diferencijalnih jednaina; metoda se moe
koristiti za mali vremenski korak u blizini poetne take, a zatim se odreenim
modifikacijama dobiva rjeenje za novu taku.
123
3000
Temperatura T, K
2500
2000
tacno rjesenje
Taylor 1. reda
Taylor 2. reda
Taylor 3. reda
Taylor 4. reda
1500
1000
0
10
Vrijeme t, s
6.2.2
Eulerova metoda
Eulerova metoda (ili metode) predstavlja najjednostavniju metodu za rjeavanje Cauchyjevog problema. Razlikujemo eksplicitnu i implicitnu Eulerovu
metodu.
Eksplicitna Eulerova metoda
Formula za eksplicitnu Eulerovu metodu se moe jednostavno dobiti iz jednaine Cauchyjevog problema, ako se prvi izvod aproksimira pomou formule za
diferenciranje unaprijed, tj.
y 0 = f (t, y)
yn+1 yn
= f (tn , yn )
h
(6.20)
(6.21)
pri emu je
h = xn+1 xn
(6.22)
i konano
yn+1 = yn + h f (tn , yn )
Osnovne karakteristike eksplicitne Eulerove metode su:
(6.23)
124
dT
= T 0 = T 4 Ta4
dt
se moe napisati u obliku:
Tn+1 = Tn t(Tn4 Ta4 )
(6.24)
125
t = 2 s
t, s
T, K
T, K
T T, K
T, K
T T, K
2500.00
2500.00
2500.00
2360.83
2343.77
-17.06
2248.25
2223.08
-25.17
2187.53
-60.72
2154.47
2125.40
-29.07
2004.37
-70.24
1875.27
-69.34
1776.37
-65.72
1696.74
-61.52
2074.61
2043.79
-30.82
2005.42
1974.01
-31.40
1944.62
1913.29
-31.33
1890.58
1859.70
-30.88
1842.09
1811.87
-30.22
1798.23
1768.78
-29.45
10
1758.26
1729.64
-28.62
(6.25)
(6.26)
pri emu je
h = xn+1 xn
(6.27)
Konano se dobiva:
yn+1 = yn + h f (tn+1 , yn+1 )
(6.28)
126
Primjer 6.3
Problem prenosa toplote zraenjem iz primjera 6.1 rijeiti implicitnom Eulerovom metodom. Koristiti vremenske korake od 1 i 2 sekunde.
Rjeenje
Koristei formulu (6.28), diferencijalna jednaina prenosa toplote zraenjem
(6.10)
dT
= T 0 = T 4 Ta4
dt
se moe napisati u obliku:
4
Tn+1 = Tn t(Tn+1
Ta4 )
(6.29)
(6.30)
(6.31)
127
t = 2 s
T, K
T T, K
T, K
T T, K
2500.00
2500.00
2500.00
2360.83
2373.15
12.32
2248.25
2267.43
19.18
2282.79
34.54
2154.47
2177.52
23.05
2074.61
2099.77
25.16
2120.93
46.32
2005.42
2031.64
26.23
1944.62
1971.26
26.64
1994.39
49.78
1890.58
1917.23
26.65
1842.09
1868.49
26.39
1891.93
49.84
1798.23
1824.21
25.98
10
1758.26
1783.73
25.47
1806.72
48.46
t, s
T, K
Na osnovu rezultata datih u tabeli, moe se zakljuiti da je greka pri raunanju pomou implicitne Eulerove metode neto manja nego je to sluaj
pri koritenju eksplicitne metode. S druge strane, rijeeni primjer pokazuje
da se kod koritenja implicitne metode moe pojaviti potreba za numerikim
rjeavanjem jednaine koja slijedi iz izraza (6.28) u svakom koraku, to usporava proces rjeavanja. Ipak, sljedea diskusija pokazuje jo jednu vrlo vanu
osobinu, koja daje prednost koritenju implicitne Eulerove metode - osobinu
stabilnosti.
Za neku metodu (konanih razlika), koja se koristi za rjeavanje obinih diferencijalnih jednaina, kae se da je stabilna ako za stabilnu obinu diferencijalnu
Pored stabilnosti, vrlo vano mjesto u prouavanju numerikih metoda za rjeavanje diferencijalnih
jednaina zauzimaju i osobine konzistentnost, red, i konvergencija [7].
128
y(0) = 1
(6.32)
(6.33)
(6.34)
Koristei prethodno dobivene izraze mogu se dobiti grafici dati na slici 6.3lijevo i desno, za eksplicitnu i implicitnu Eulerovu metodu, respektivno (na
graficima je dato i tano rjeenje). Pri tome, vremenski korak t se mijenja
od 0.25 do 3 sekunde za eksplicitnu i 0.5 do 5 sekundi za implicitnu metodu.
2
0.8
1
y(t)
y(t)
0.6
0
v
tacno
t=0.25 s
t=0.50 s
t=0.75 s
t=1.00 s
t=1.50 s
t=2.00 s
t=3.00 s
-1
-2
0
Vrijeme t, s
0.4
v
tacno
t=0.50 s
t=1.00 s
t=2.00 s
t=5.00 s
0.2
0
10
Vrijeme t, s
10
129
Runge-Kutta metode
(6.35)
(6.36)
(6.37)
130
(6.38)
(6.39a)
(6.39b)
(6.39c)
(6.40)
(6.41)
131
(6.42)
T, K
t = 2 s
T, K
T T, K
T, K
T T, K
2500.00
2500.00
2500.00
2360.83
2361.54
0.71
2248.25
2249.26
1.01
2252.19
3.94
2154.47
2155.59
1.12
2074.61
2075.76
1.15
2079.15
4.54
2005.42
2006.55
1.13
1944.62
1945.71
1.09
1948.97
4.35
1890.58
1891.63
1.05
1842.09
1843.09
1.00
1846.08
3.99
1798.23
1799.17
0.94
10
1758.26
1759.16
0.90
1761.86
3.60
h
y1
y2 = hf tn + , yn +
= hfn+1/2
2
2
(6.43a)
(6.43b)
132
yn+1 = yn + 0 y1 + 1 y2 = yn + hfn+1/2
(6.43c)
I ova metoda predstavlja prediktor-korektor metodu za koju je u svakom vremenskom koraku neophodno dva puta izraunati vrijednost funkcije izvoda.
Slino prethodnoj, i ova metoda je drugog reda tanosti (globalna greka je
drugog reda) i uslovno je stabilna.
Primjer 6.5
Problem prenosa toplote zraenjem iz primjera 6.1 rijeiti modifikovanom metodom srednje vrijednosti. Koristiti vremenske korake od 1 i 2 sekunde.
Rjeenje
Prema izrazu (6.43a) za prvi vremenski korak uz t = 2 dobiva se:
y1 = tf (t0 , T0 ) = 2[(T04 Ta4 )]
= 2[4 1012 (25004 2504 )]
y1 = 312.46875
(6.44)
(6.45)
(6.46)
133
t = 2 s
t, s
T, K
T, K
T T, K
T, K
T T, K
2500.00
2500.00
2500.00
2360.83
2362.40
1.57
2248.25
2250.46
2.21
2258.63
10.38
2154.47
2156.91
2.44
2074.61
2077.09
2.48
2086.27
11.66
2005.42
2007.85
2.43
1944.62
1946.96
2.34
1955.59
10.97
1890.58
1892.82
2.24
1842.09
1844.22
2.13
1852.00
9.91
1798.23
1800.24
2.01
10
1758.26
1760.17
1.91
1767.12
8.86
Najpoznatija Runge-Kutta metoda je ona etvrtog reda. Kao i u prethodnom sluaju, postoji beskonano mnogo rjeenja za izbor parametara , ali je
najpoznatija tzv. standardna Runge-Kutta metoda data sljedeim formulama:
1
yn+1 = yn + (y1 + 2y2 + 2y3 + y4 )
6
y1 = hf (tn , yn )
h
y1
y2 = hf tn + , yn +
2
2
y2
h
y3 = hf tn + , yn +
2
2
y4 = hf (tn + h, yn + y3 )
(6.47)
(6.48a)
(6.48b)
(6.48c)
(6.48d)
134
t
y1
y2 = tf tn +
, Tn +
2
2
t
y2
y3 = tf tn +
, Tn +
2
2
y4 = tf (tn + t, Tn + y3 )
(6.49)
(6.50a)
(6.50b)
(6.50c)
(6.50d)
(6.51)
y2 = tf (t0 +
(6.52)
t
y2
, Tn +
y3 = tf tn +
2
2
y2 4
= 2[((T0 +
) Ta4 )]
2
= 2[4 1012 ((2500 241.37399/2)4 2504 )]
y3 = 256.355925
135
(6.53)
y4 = tf (tn + t, Tn + y3 )
= 2[((T0 + y3 )4 Ta4 )]
= 2[4 1012 ((2500 256.355925)4 2504 )]
y4 = 202.693063
(6.54)
6.2.4
Ostale metode
136
t = 2 s
t, s
T, K
T, K
T T, K
T, K
T T, K
2500.00000
2500.00000
2500.00
2360.83000
2360.82956
-0.00044
2248.24730
2248.24681
-0.00049
2248.22972
-0.02
2154.47080
2154.47030
-0.00050
2074.59623
-0.02
1944.60559
-0.01
1842.08395
-0.01
1758.25452
-0.01
2074.61190
2074.61144
-0.00046
2005.41640
2005.41595
-0.00045
1944.61840
1944.61804
-0.00036
1890.58290
1890.58252
-0.00038
1842.09450
1842.09420
-0.00030
1798.22790
1798.22758
-0.00032
10
1758.26340
1758.26311
-0.00029
6.3
U prethodnim poglavljima obraene su metode rjeavanja obinih diferencijalnih jednaina prvog reda (Cauchyjev problem). Meutim, veliki broj prirodnih
procesa, problema u inenjerstvu i sl. opisuje se diferencijalnim jednainama
vieg reda (jednaine kretanja, na primjer). Kao to je poznato, diferencijalne
jednaine vieg reda se openito mogu svesti na sistem obinih diferencijalnih
jednaina prvog reda. U sluajevima kada se radi o sistemu jednaina vieg
reda, svaka od jednaina sistema se moe svesti na sistem obinih diferencijalnih jednaina prvog reda, pa se i sistem diferencijalnih jednaina vieg reda
tada svodi na sistem diferencijalnih jednaina prvog reda. Na taj nain se oba
problema mogu rjeavati koristei iste metode.
Posmatrajmo, na primjer, optu diferencijalnu jednainu n-tog reda s poetnim vrijednostima:
y (n) = f (t, y, y 0 , y 00 , . . . , y (n1) )
(6.56)
y(t0 ) = y0
(i)
i y (i) (t0 ) = y0
137
(i = 1, 2, . . . , n 1)
(6.57)
(6.58)
0
yn = y (n1) = yn1
(6.59)
= yn
y1 (0) = y0
y2 (0) = y00
(6.60)
yn1 (0) =
yn0 = F (t, y1 , y2 , . . . , yn )
(n2)
y0
(n1)
yn (0) = y0
138
Rjeenje
Fizikalni sistem koji opisuje problem vertikalnog leta rakete dat je na slici
6.4. Za takav sistem moe se postaviti jednaina drugog Newtonovog zakona
kako slijedi:
X
F = T mg D = ma = mv 0 = my 00
(6.61)
pri emu je RT sila koju proizvodi motor rakete, m trenutna masa rakete,
t
m(t) = m0 0 mdt,
T
g
m0 mt
y(0) = 0 y 0 (0) = 0
(6.62)
y(0) = 0
T
g
m0 mt
y 0 (0) = 0
(6.63)
139
6.4
(6.64a)
(6.64b)
y(0) = 0
T
g
m0 mt
y 0 (0) = 0
140
Rjeenje
Tano rjeenje sistema
y 0 = f (t, y, v) = v
v 0 = g(t, y, v) =
y(0) = 0
T
g
m0 mt
y 0 (0) = 0
je dato jednainama:
T
mt
v(t) = ln 1
gt
m
m0
mt
mt
Tt 1 2
m0 T
y(t) =
1
ln 1
+
gt
m
m
m0
m0
m
(6.65)
(6.66)
odnosno
v(t) = 1000 ln (1 0.05t) 9.8t
y(t) = 10000 (1 0.05t) ln (1 0.05t) + 2000t 4.9t2
(6.67)
y(0) = 0
10000
v0 =
9.8
100 5t
y 0 (0) = 0
(6.68)
y1
v1
t
, yn +
, vn +
y2 = tf tn +
2
2
2
t
y1
v1
v2 = tg tn +
, yn +
, vn +
2
2
2
(6.69)
(6.70a)
(6.70b)
(6.70c)
(6.70d)
141
y3
v3
y4
v4
t
y2
v2
= tf tn +
, yn +
, vn +
2
2
2
y2
v2
t
= tg tn +
, yn +
, vn +
2
2
2
= tf (tn + t, yn + y3 , vn + v3 )
= tg(tn + t, yn + y3 , vn + v3 )
(6.70e)
(6.70f)
(6.70g)
(6.70h)
10000
v1 = t
9.8
100 5tn
v1
y2 = t vn +
2
10000
v2 = t
9.8
100 5(tn + t/2)
v2
y3 = t vn +
2
10000
v3 = t
9.8
100 5(tn + t/2)
y4 = t(vn + v3 )
10000
9.8
v4 = t
100 5(tn + t)
(6.71a)
(6.71b)
(6.71c)
(6.71d)
(6.71e)
(6.71f)
(6.71g)
(6.71h)
10000
9.8 = 90.2
v1 = 1
100 5 0
90.2
y2 = 1 0 +
= 45.1
2
(6.72a)
(6.72b)
(6.72c)
142
v2
y3
v3
y4
v4
10000
=1
9.8 = 92.7641
100 5(0 + 1/2)
95.463158
=1 0+
= 46.382
2
10000
=1
9.8 = 92.7641
100 5(0 + 1/2)
= 1(0 + 95.463158) = 92.7641
10000
=1
9.8 = 95.4631
100 5(0 + 1)
(6.72d)
(6.72e)
(6.72f)
(6.72g)
(6.72h)
y, m
y, m
v, m/s
v, m/s
0.0000
0.0000
0.0000
0.0000
45.9548
45.9547
92.7866
92.7866
187.4214
187.4212
191.1210
191.1210
430.2564
430.2560
295.6379
295.6379
781.0064
781.0058
407.0871
407.0871
1247.0378
1247.0370
526.3641
526.3642
1836.7016
1836.7004
654.5499
654.5500
2559.5442
2559.5426
792.9658
792.9660
3426.5850
3426.5829
943.2512
943.2514
4450.6860
4450.6832
1107.4740
1107.4743
10
5647.0564
5647.0525
1288.2944
1288.2947
Treba naglasiti da je prethodni primjer jednostavna verzija problema vertikalnog leta rakete. U realnosti sve veliine mogu biti zavisne od sve tri
143
6.5
(6.74)
Metoda gaanja
Metoda gaanja transformie diferencijalnu jednainu s graninim vrijednostima na sistem diferencijalnih jednaina prvog reda s poetnim vrijednostima,
koje se mogu rijeiti koristei metode za rjeavanje problema poetnih vrijednosti. Na primjer, jednaina (6.74)
y 00 + P (x, y)y 0 + Q(x, y)y = F (x)
y(x1 ) = y1 i y(x2 ) = y2
Na
primjer,
y 00 =
cD (, V, y) 12 (y)Av 2
T (t, y)
g(y)
Rt
R
m0 0 mdt
m0 0t mdt
y(0) = 0
y 0 (0) = 0
gdje je cD empirijski koeficijent uzgona, specifina gustina atmosfere, a A popreni presjek rakete.
144
v(x1 ) = v1
(6.75)
Dakle, granini uslov na jednoj strani se koristiti kao poetni uslov (uslov
y(x1 ) = y1 ), a granini uslov na drugoj strani ostaje neiskoriten (uslov y(x2 ) =
y2 ). Dodatni poetni uslov, koji je potreban za v, se pretpostavi (uslov v(x1 ) =
v1 ), a zatim se rijei sistem (6.75). Ukoliko je
|y(x2 ) y2 | <
(6.76)
(6.77)
145
Rjeenje
Tano rjeenje jednaine (6.77) za T i T 0 dato je jednainama:
T (x) = Aex + Bex + Ta
T 0 (x) = (Aex Bex )
(6.78)
gdje je:
(T2 Ta ) (T1 T2 )eL
eL ex
(T1 T2 )eL (T2 Ta )
B=
eL ex
A=
(6.79)
(6.80)
u0 = 2 (T Ta ) u(0) = T 0 (0)
x, m
T , C
T 0 , C/m
T , C
T 0 , C/m
0.0000
1000.0000
0.0000
2000.0000
0.0025
2.9167
1541.6667
5.8333
3083.3333
0.0050
8.9931
3737.8472
17.9861
7475.6944
0.0075
24.7664
9959.2737
49.5327
19918.5475
0.0100
67.22934
26911.50957
134.45867
53823.01915
146
0 (n+2)
(0) = T
0 (n+1)
(0) +
(6.81)
nagib =
(6.82)
T0 , C/m
T 0 , C/m
1465.74
1487.45
0.0025
4.3064
4.3384
2261.76
2293.15
0.0050
13.2901
13.3767
5514.41
5559.85
0.0075
36.7091
36.8386
14756.60
14813.88
0.0100
100.0000
100.0000
40026.85
40029.42
147
Sljedei primjer pokazuje primjenu metode gaanja za sluaj kada je na drugoj granici umjesto vrijednosti funkcije (y(x2 ) = x2 ) poznata vrijednost prvog
izvoda funkcije (y 0 (x2 ) = y20 ). Postupak rjeavanja je isti kao u prethodnom
sluaju, osim to se umjesto "gaanja" vrijednosti funkcije na kraju intervala
"gaa" vrijednost prvog izvoda na tom kraju.
Primjer 6.10
Rijeiti zadatak iz primjera 6.9, s tim da je na drugom kraju ipka izolirana,
tj. T 0 (L) = 0.
Rjeenje
U ovom sluaju treba rijeiti diferencijalnu jednainu s graninim uslovima:
d2 T
2 T = 2 Ta
2
dT
T (0) = T1 T 0 (L) = 0
(6.83)
(6.84)
(6.85)
s tim da je:
(T1 Ta )
1 + e2L
(T1 Ta )e2L
B=
1 + e2L
A=
(6.86)
148
x, m
T , C
T 0 , C/m
T , C
T 0 , C/m
100.0000
-40000.0000
100.0000
-35000.0000
0.0025
37.5000
-15000.0000
52.0833
-7291.6667
0.0050
14.0625
-5625.0000
59.0278
13064.2361
0.0075
5.2734
-2109.3750
129.1052
47686.9936
0.0100
1.97754
-791.01563
338.12422
133766.5322
Vidi se da je vrijednost T 0 (L) za T (1) (0) = 40000 C/m jednaka T (1) (L) =
0
0
791.01563 C/m, dok je za T (2) (0) = 35000 C/m jednaka T (2) (L) =
133766.5322 C/m, pa sljedeu aproksimaciju traimo koristei metodu sekante
(ovaj put umjesto vrijednosti T koristimo vrijednosti T 0 ), tj.
0
(6.87)
133766.5322 (791.01563)
= 26.912
35000 (40000)
0 133766.5322
0
T (3) (0) = 35000 +
= 39970.6068
26.912
(6.88)
0 (3)
0 (2)
nagib =
T 0 , C/m
100
100
-39973.17
-39970.6068
0.0025
36.8668
37.5857
-14673.78
-14954.6855
0.0050
13.7768
14.3268
-5312.48
-5515.1327
0.0075
5.6506
6.0014
-1721.39
-1816.6401
0.0100
3.6619
3.9536
0.00
-0.0002
Koristei dobiveno rjeenje T (3) (0) = 39970.6068 C/m, ponovimo postupak rjeavanja sistema (6.83). Rezultati su dati u tabeli 6.10 uz tano rjeenje
149
prema izrazima (6.85). Ovaj put odstupanja numerikog rjeenja od analitikog su neto vea nego u prethodnom primjeru, ali se tanost moe poveati
smanjenjem koraka x (Zaokruivanje vrijednosti T 0 (L) na etvrtu decimalu,
takoer je utjecalo na rezultat!).
6.5.2
Metoda konanih razlika primijenjena na problem rjeavanja obine diferencijalne jednaine drugog reda s graninim vrijednostima, se ostvaruje kroz
sljedee korake:
1. Neprekidna oblast (domena) se prekrije numerikom mreom , tj. podijeli
na odreeni broj pod-domena.
2. Izvodi u diferencijalnoj jednaini se aproksimiraju izrazima za numeriko
diferenciranje.
3. Dobivene aproksimacije izvoda se uvrste u diferencijalnu jednainu kako
bi se dobila algebarska jednaina konanih razlika.
4. Rjeava se rezultujua jednaina konanih razlika.
Kada se jednaina konanih razlika primijeni na svaku taku u numerikoj
mrei, dobiva se sistem jednaina, koji se moe rijeiti nekom od metoda objanjenih u poglavlju 3. Primjena metode je pokazana na sljedeem primjeru.
Primjer 6.11
Primjer stacionarnog problema jednodimenzionalnog prenosa toplote 6.9 rijeiti pomou metode konanih razlika. Domenu rjeavanja podijeliti na etiri
jednaka dijela.
Rjeenje
Jednaina koju treba rijeiti ima oblik:
T 00 2 T = 2 Ta
T (x1 ) = T (0) = T1 T (x2 ) = T (L) = T2
(6.89)
150
x
T1
1
'x
5
T2
L
Slika 6.5: Podjela domene za problem kondukcije uz primjer 6.11
(6.90)
(6.91)
(6.92)
(6.93a)
(6.93b)
(6.93c)
0
T2
3
1
0
(6.94)
1 3
0
1 T3 =
0
1 3
T4
100
151
0.0025
4.3064
4.7619
0.0050
13.2901
14.2857
0.0075
36.7091
38.0952
0.0100
100.0000
100.0000
(6.95)
(6.96)
152
(6.97)
T6 T4
2x
(6.98)
'x
'x
x
T1
5
T
L
Slika 6.6: Podjela domene za problem kondukcije uz primjer 6.12
(6.99)
(6.100)
(6.101a)
(6.101b)
(6.101c)
Pitanja i zadaci
153
(6.101d)
3
1
0
0
T
100
1 3
1
0 T3
0
1 3
1 T4
0
0
0
2 3
T5
(6.102)
x, m
T, C
T , C
100
100
0.0025
36.8668
38.298
0.0050
13.7768
14.8940
0.0075
5.6506
6.3830
0.0100
3.6619
4.2550
6.6
Pitanja i zadaci
154
N (0) = N0
(6.103)
T (0) = T0
(6.104)
Pitanja i zadaci
155
(6.105)
(6.106)
(6.107)
156
gdje AN predstavlja natalitet, BN 2 mortalitet usljed bolesti, a CN mortalitet usljed borbe za hranu. Ako je N1 (0) = N2 (0) = 100, A1 = 0.1,
B1 = 8 107 , C1 = 106 , A2 = 0.1, B2 = 8 107 , C1 = 107 , izraunati
N1 (t) i N2 (t) za vrijeme od 0 do 100 godina.
19. Raspodjela temperature u zidu cijevi kroz koju protie vrua tenost data
je sljedeom diferencijalnom jednainom:
d2 T
1 dT
+
=0
2
dr
r dr
T1 (1) = 100 C
(6.109)
T (2) = 0 C
dT
= qkonv = hA(T Ta )
dr
(6.110)
gdje je toplotni konduktivitet k = 100 W/m K, koeficijent hlaenja konvekcijom h = 500 W/m2 K, i Ta = 0 C temperatura okoline. Odrediti
temperaturni profil u zidu cijevi.
21. Ugib slobodno oslonjene grede optereene kontinuiranim optereenjem za
male ugibe, dat je diferencijalnom jednainom:
d2 y
qLx qx2
=
+
dx2
2
2
y(0) = 0
y(L) = 0
EI
(6.111)
Pitanja i zadaci
157
#
2 3/2
2
2
dy
1+
dx
y(0) = 0
y(L) = 0
(6.112)
Poglavlje 7
7.1
Parcijalne diferencijalne jednaine su jednaine koje daju vezu izmeu (zavisne) funkcije dvije ili vie promjenljivih i parcijalnih izvoda ove funkcije s
njenim nezavisnim promjenljivim. U veini inenjerskih problema nezavisne
promjenljive su prostorne koordinate i/ili vrijeme (x, y, z, t), a zavisna promjenljiva zavisi od procesa koji se modelira.
Rjeenje neke parcijalne diferencijalne jednaine je ona funkcija koja zadovoljava parcijalnu diferencijalnu jednainu u itavoj domeni posmatranja, pri
emu moraju biti ispunjeni poetni i/ili granini uslovi. U vrlo malom broju
sluajeva rjeenje parcijalnih diferencijalnih jednaina moe se prikazati u zatvorenom obliku, pa se gotovo uvijek rjeenje mora traiti koristei numerike
metode.
Klasifikacija parcijalnih diferencijalnih jednaina se moe izvriti na razliite
naine (prema redu, homogenosti, linearnosti koeficijenata, itd.), ali posebno
mjesto zauzima ona koja ih dijeli na eliptike, hiperbolike i parabolike. Po-
160
mou ovih jednaina je mogue opisati sve tri vrste fizikih problema koji se
mogu pojaviti problemi ravnotee, problemi kretanja (propagacije) i problemi
sopstvenih veliina.
Problemi ravnotee su problemi koji opisuju stacionarna stanja, kao to je
raspodjela temperature u ipki, ravnotea raspodjele napona u vrstom tijelu
usljed vanjskog optereenja, te mnoga stacionarna teenja fluida. Ovi i mnogi
drugi stacionarni problemi predstavljeni su eliptikim jednainama. Prototip
eliptike jednaine su Laplaceova jednaina, koja opisuje nerotaciono teenje
nestiljivog fluida, te stacionarni prenos toplote kondukcijom.
Za razliku od problema ravnotee, problemi kretanja (propagacije) ili irenja
se opisuju parabolikim ili hiperbolikim parcijalnim diferencijalnim jednainama. U ovu grupu spadaju problemi prenosa toplote, nestacionarna teenja,
prostiranje talasa, i dr. Klasini primjer parabolike parcijalne diferencijalne
jednaine je nestacionarna toplotna kondukcija. Hiperbolike jednaine dominiraju analizom problema vibracija. Openito se javljaju u vremenski zavisnim
procesima sa zanemarljivom koliinom rasipanja, a prototip ove vrste jednaina
je talasna jednaina.
7.2
O metodi konanih razlika je ve bilo rijei u poglavlju 6.5.2, gdje se pokazala njena upotreba u numerikom rjeavanju obinih diferencijalnih jednaina.
Ova metoda predstavlja i najstariju metodu za numeriko rjeavanje parcijalnih diferencijalnih jednaina (vjeruje se da ju je koristio Euler u XVIII vijeku)
i postupak primjene na parcijalne diferencijalne jednaine je isti onom koji je
objanjen u poglavlju 6.5.2.
7.2.2
161
Metoda konanih volumena kao poetni korak koristi integralni oblik zakona
odranja (mase, koliine kretanja, momenta koliine kretanja, energije, . . . ).
Domena rjeavanja se podijeli na konaan broj meusobno povezanih kontrolnih volumena, pa se jednaine odranja primijene na svaki od njih. U teitu
svakog kontrolnog volumena nalazi se numeriki vor u kojem se proraunavaju
vrijednosti promjenljivih. Vrijednosti promjenljivih na povrinama kontrolnih
volumena se dobivaju interpolacijom preko vrijednosti promjenljivih u vornim
takama. Povrinski i zapreminski integrali se aproksimiraju pomou odgovarajuih kvadraturnih formula, a na kraju se kao rezultat dobiva algebarska
jednaina za svaki vor, u kojima se javljaju i vrijednosti iz susjednih vorova.
Metoda konanih volumena je vjerovatno najjednostavnija metoda za razumijevanje i programiranje, s obzirom da svi lanovi koje treba aproksimirati
imaju fiziko znaenje. Upravo zbog toga je vrlo popularna kod inenjera. Jedini nedostatak ove metode u odnosu na metodu konanih razlika je u tome
to je metode vieg reda od drugog vrlo teko primijeniti na trodimenzionalne
proraune. Ovo je zbog toga to metoda konanih volumena ima tri nivoa
aproksimacije: interpolaciju, diferenciranje i integraciju.
7.2.3
162
kontrolni volumen primijene jednaine odranja na isti nain kao kod metode
konanih volumena.
LITERATURA
164
LITERATURA
[1] Billo, E. Excel for Scientists and Engineers - Numerical Methods. John
Wiley & Sons, Inc., 2007.
[2] Conte, S.D. i de Boor, C. Elementary Numerical Analysis - An Alghoritmic Approach. McGraw-Hill Book Company, 3rd edition, 1997.
[3] Dubin, D. Numerical and Analytical Methods for Scientists and Engineers
Using Matematica. John Wiley & Sons, Inc., 2003.
[4] Kiusalaas, J. Numerical Methods in Engineering with MATLAB. Cambridge University Press, 2005.
[5] Manassah, J. Elementary Mathematical and Computational Tools for
Electrical and Computer Engineers using MATLAB. CRC Press LLC,
2001.
[6] Mari-Dedijer, M. Zbirka rijeenih zadataka iz Numerike Analize. Nauna knjiga, Graevisnki fakuktet,Beograd, 1992.
[7] Pao, J. Engineering Analysis - Interactive Methods and Programs with
FORTRAN, QuickBASIC, MATLAB and Mathematica. CRC Press LLC,
2001.
[8] Press, W. Numerical Recipes in C. Cambridge University Press, 2nd
edition, 1997.
[9] Salleh, S i dr. Computing for Numerical Methods Using Visual C++.
John Wiley & Sons, Inc., 2008.
[10] Shampine, L i dr. Fundamentals of Numerical Computing. John Wiley
& Sons, Inc., 1997.
[11] Subai, K. Numerike Metode. Univerzitet u Zenici, 2007.
Dodatak A
an (x x0 )n ,
x 0 r x x0 + r
(A.1)
n=0
1 0
1
f (x0 ), a2 = f 00 (x0 ), . . .
1!
2!
(A.2)
1
1 0
f (x0 )(x x0 ) + f 00 (x0 )(x x0 )2 + . . .
1!
2!
(A.3)
X
1 (n) n
=
f0 x
n!
n=0
(A.4)
166
1 0
1
f (x0 )(x x0 ) + f 00 (x0 )(x x0 )2 + . . .
1!
2!
1
+ f (n) (x0 )(x x0 )n + Rn+1
n!
(A.5)
1
f (n+1) ()(x x0 )n+1 ,
(n + 1)!
x0 x
(A.6)
Dodatak B
Excel
168
funkcije softvera su pristupane iz WYSIWYG tehnikog okruenja, a matematiki izrazi se ispisuju u prirodnoj notaciji. Uz sve to, tu su i state-of-the-art
grafika, te animacije s potpunom kontrolom editiranja i prezentacije.
Web stranica: http://www.maplesoft.com/products/Maple/index.aspx
Mathematica Wolfram Mathematica, jedan od vodeih matematikih softvera, razvio je Wolfram Research. Slino, Maple 6 predstavlja sistem s integrisanim numerikim i simbolikim raunanjem. Ovaj softver obuhvata najveu kolekciju algoritma u jednom sistemu, koji mogu da rade u mnogobrojim
oblastima numerikog, grafikog ili simbolikog raunanja.
Web stranica: http://www.wolfram.com/products/mathematica/index.html
MathCAD MathCAD je softver za inenjerske proraune koji prua znaajne
prednosti u produktivnosti pri razvoju i dizaniranju inenjerskih projekata,
kako za inenjera, tako i za sam proces. Za razliku od drugih softvera koji se
mogu koristiti u inenjerskim proraunima, MathCAD omoguava inenjerima
da istovremeno dizajniraju i dokumentuju proraune sa savremenim funkcionalnim i dinamikim kalkulacijama koje uzimaju u obzir i mjerne jedinice.
Ovaj paket sadri veliki broj ugraenih algoritama (funkcija) koji se mogu koristiti u numerikoj analizi, ali korisnik moe da programira svoje algoritme u
veoma monom programskom modulu.
Web stranica: http://www.ptc.com/products/mathcad/
eng.
Dodatak C
170
Indeks
aproksimacija, 7, 85
metoda najmanjih kvadrata, 86
nelinearna, 89
polinom, 86
brojevni sistemi, 12
Cauchyjev problem, vidi problemi poetnih vrijednosti
Cramerovo pravilo, 40
konvergencija, 5
linearizacija, 7
lokalizacija nula, 14
matrina metoda, vidi metode eliminacije
metoda bisekcije, 15
metoda eliminacije
Gauss-Jornadnova metoda
inverzija matrica, 50
greke zaokruivanja, 57
matrina metoda, 52
metode faktorizacije, 53
Croutova metoda, 53
Doolittleova metoda, 53
nedostaci, 56
podeenost sistema, 57
broj podeenosti, 58
norma, 58
metoda gaanja, vidi problemi graninih
vrijednosti
Metoda Konanih elemenata, 161
metoda konanih razlika, vidi problemi
graninih vrijednosti, 160
Metoda Konanih Volumena, 161
metoda najmanjih kvadrata, vidi aproksimacija
metoda regula falsi, 18
metoda sekante, vidi metoda sjeice
172
metoda sjeice, 30
metoda tangente, vidi Newtonova metoda
metode eliminacije, 41
Gauss-Jordanova metoda, 49
Gaussova metoda, 48
metode faktorizacije, vidi metode eliminacije
metode relaksacije, vidi iterativne metode
nelinearna aproksimacija, vidi aproksimacija
Newton-Cotesove formule, vidi numeriko
integriranje
Newtonova metoda, 24
modifikovana, 29
numeriko diferenciranje, 95
formule za diferenciranje, 97
centralno diferenciranje, 98
diferenciranje unaprijed, 98, 123
diferenciranje unazad, 98, 125
interpolacioni polinomi, 95
numeriko integriranje, 101
Gaussove kvadraturne formule, 110
Newton-Cotesove formule, 103
Simpsonovo pravilo, 108
trapezno pravilo, 105
interpolacioni polinomi, 101
parcijalne diferencijalne jednaine, 159
pokretna taka, 12
problemi graninih vrijednosti, 143
metoda gaanja, 143
metoda konanih razlika, 149
problemi poetnih vrijednosti, 118
Cauchyjev problem, 118
Eulerova metoda, 123
stabilnost, 127
eksplicitna, 123
implicitna, 125
modifikovana, vidi Runge-Kutta
metode
poboljana, vidi Runge-Kutta metode
Runge-Kutta metoda, 129
Runge-Kutta metode
etvrtog reda reda, 133
drugog reda, 129
Taylorova metoda, 119
sistem jednaina, 139
vieg reda, 136
Indeks
prosta iteracija, 21
rekurzija, 5
rjeavanje jednaina, 13
Runge-Kutta metode, vidi problemi poetnih vrijednosti
SimpsonovoSimpsonovo pravilo, vidi numeriko integriranje
sistemi linearnih jednaina, 39
direktne metode, 40
iterativne metode, 59
tabela podijeljenih razlika, 81
Taylorov red, 119
Taylorov red, 99
Taylorova metoda, vidi problemi poetnih
vrijednosti
trapezno pravilo, vidi numeriko integriranje
Vandermondeova determinanta, 76
znaajne cifre, 8
Sadraj
Predgovor
1 Uvod
1.1 Osnovne ideje i koncepti u numerikoj analizi
1.1.1 Iteracija, konvergencija, rekurzija . . .
1.1.2 Aproksimacija . . . . . . . . . . . . .
1.2 Znaajne cifre, greke i predstavljanje brojeva
1.2.1 Znaajne cifre . . . . . . . . . . . . . .
1.2.2 O grekama . . . . . . . . . . . . . . .
1.2.3 Predstavljanje brojeva . . . . . . . . .
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
. 5
. 5
. 7
. 8
. 8
. 8
. 12
2 Rjeavanje jednaina
2.1 Osnovne faze u pronalaenju korijena jednaine .
2.1.1 Lokalizacija nula . . . . . . . . . . . . . .
2.1.2 Poboljanje rjeenja . . . . . . . . . . . .
2.2 Metoda polovljenja intervala . . . . . . . . . . . .
2.3 Metoda regula falsi . . . . . . . . . . . . . . . . .
2.4 Metoda proste iteracije . . . . . . . . . . . . . . .
2.5 Newtonova metoda . . . . . . . . . . . . . . . . .
2.6 Modifikovana Newtonova metoda . . . . . . . . .
2.7 Metoda sjeice . . . . . . . . . . . . . . . . . . .
2.8 Smjernice u traenju korijena i pisanju programa
2.9 Pitanja i zadaci . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
13
13
14
14
15
18
21
24
29
30
32
34
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
39
40
40
41
52
53
56
59
60
64
66
.
.
.
.
.
.
.
174
Sadraj
3.3
3.4
Ostale metode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Pitanja i zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
73
75
75
78
80
85
85
86
91
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
95
95
95
97
101
101
103
110
114
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
117
117
118
119
123
129
135
136
139
143
143
149
153
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
159
159
160
160
161
161
.
.
.
.
.
.
.
.
Literatura
A Taylorov red za funkcije jedne promjenljive
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
163
165
Sadraj
175
167
169
Popis pojmova
171