Вычисление второй производной по одной переменной

Материал из MachineLearning.

(Различия между версиями)

Версия 09:11, 16 октября 2008

Содержание

1 Введение
- 1.1 Постановка математической задачи
2 Изложение метода
3 Числовой пример
4 Рекомендации программисту
5 Заключение
6 Список литературы

Введение

Постановка математической задачи

Допустим, что в некоторой точке $x$ у функции $y(x)$ существует производная 2-го порядка $y''(x)$ , которую точно вычислить либо не удается, либо слишком сложно. В этом случае для приближенного нахождения производной функции требуется использовать методы численного дифференцирования.

Изложение метода

Полиномиальные формулы

При численном дифференцировании функцию $y(x)$ аппроксимируют легко вычисляемой функцией $\varphi(x)$ и приближенно полагают $y^{(k)}(x)\approx\varphi^{(k)}(x)$ . При этом можно использовать различные способы аппроксимации. Рассмотрим простейший случай - аппроксимацию интерполяционным многочленом Ньютона. Вводя обозначение $\xi_i=x-x_i$ , запишем это многочлен и продифференцируем его почленно:

$\varphi(x)=y(x_0)+\xi_0 y(x_0,x_1)+\xi_0\xi_1 y(x_0,x_1,x_2) + \xi_0\xi_1\xi_2 y(x_0,x_1,x_2,x_3)+\dots$

$\varphi'(x)=y(x_0,x_1)+(\xi_0+\xi_1) y(x_0,x_1,x_2) + (\xi_0\xi_1+\xi_0\xi_2 +\xi_1\xi_2) y(x_0,x_1,x_2,x_3)+\dots$

$\varphi''(x)=2 y(x_0,x_1,x_2) + 2(\xi_0+\xi_1 +\xi_2) y(x_0,x_1,x_2,x_3)+\dots$

Общая формула примет следующий вид:

( 1 )

$\varphi^{(k)}(x)=k!\left[ y(x_0,x_1,\dots,x_k) + \left( \sum_{i=0}^k \xi_i \right) y(x_0,x_1,\dots,x_{k+1}) + \left( \sum_{i>j\geq 0}^{i=k+1}\xi_i\xi_j\right)y(x_0,x_1,\dots,x_{k+2}) + \left( \sum_{i>j>l\geq 0}^{i=k+2}\xi_i\xi_j\xi_l\right)y(x_0,x_1,\dots,x_{k+3}) +\dots\right]$

Здесь $y(x_0,x_1,\dots,x_k)$ - разделенные разности.

Обрывая ряд на некотором числе членов, получим приближенное выражение для соответсвующей производной. Наиболее простые выражения получим, оставляя в формуле (1) только первый член:

$y'(x)\approx y(x_0,x_1) = \frac{y(x_0)-y(x_1)}{x_0-x_1}$ ,

( 2 )

$\frac{1}{2}y''(x)\approx y(x_0,x_1,x_2) = \frac{1}{x_0-x_2}\left( \frac{y_0-y_1}{x_0-x_1}- \frac{y_1-y_2}{x_1-x_2}\right)$ ,

$\frac{1}{k!} y^{(k)}(x) \approx y(x_0,x_1,\dots,x_k) = \sum_{p=0}^{k}y_p \prod_{i=0, i\neq p}^k {(x_p-x_i)}^{-1}$

Исследование точности полученных выражений при численных расчетах удобно делать при помощи апостериорной оценки, по скорости убывания членов ряда (1). Если шаг сетки достаточно мал, то погрешность близка к первому отброшенному члену. Пусть мы используем узлы $x_i, i=1\dots n$ . Тогда первый отброшенный член содержит разделенную разность $y(x_0,x_1,\dots,x_{n+1})$ , которая согласно (2) примерно равна $y^{(n+1)}(x)/(n+1)!$ . Перед ней стоит сумма произведений различных множителей $\xi_i$ ; каждое произведение содержит $n+1-k$ множителей, а вся сумма состоит из $C_{n+1}^k$ слагаемых. Отсюда следует оценка погрешности формулы (1) с $n+1$ узлами:

(3)

$R_n^{(k)}\leq\frac{M_{n+1}}{(n+1-k)!}\max_i {|\xi_i|}^{n+1-k}$ , $M_{n+1}=\max{|y^{(n+1)}|}$

В частности, если сетка равномерная, то $M_{n+1}=\max{|\xi_i|}\leq nh$ , откуда

(4)

$R_n^{(k)}<M_{n+1} {\left( \frac{en}{n+1-k}h \right)}^{n+1-k}=O(h^{n+1-k})$ .

Стоит заметить, что строгое априорное исследование погрешности формулы (1), аналогичное выводу остаточного члена многочлена Ньютона в форме Коши, для произвольного расположения узлов приводит к той же оценке (3).

Таким образом, порядок точности формулы (1) по отношению к шагу сетки равен числу оставленных в ней членов, или, что то же самое, он равен числу узлов интерполяции минус порядок производной. Поэтому минимальное число узлов, необходимое для вычисления $k$ -й производной, равно $k+1$ ; оно приводит к формулам (2) и обеспечивает первый порядок точности. Эти выводы соответсвуют общему принципу: при почленном дифференцировании рдяа скорость его сходимости уменьшается.

Простейшие формулы

Чаще всего используются равномерные сетки, на которых вид формул (1) заметно упрощается, а точность нередко повышается.

Рассмотрим сначала причину повышения точности. Остаточный член общей формулы (1) - это чногочлен $\sum\prod(x-x_i)$ степени $n+1-k$ относительно $x$ . Если $x$ равен корню этого многочлена, то главный остаточный член обращается в нуль, то есть в этой точке формула имеет порядок точности на еденицу больше, чем согласно оценке (4). Эти точки повышенной точности будем обозначать $x_k^{(p)}$ , где $k$ - порядок производной, а $p=n+1-k$ - число оставленных в формуле (1) членов. Очевидно, $p$ -членная формула имеет p точек повышенной точности.

У одночленной формулы (2) для $k$ -й производной точка повышенной точности на произвольной сетке определяется учловием $\sum \xi_i=\sum(x-x _i)=0$ , что дает

(5)

$x_k^{(1)}=(x_0+x_1+\dots+x_k)/(k+1)$ ;

в этой точке одночленная формула имеет погрешность $O(h^2)$ вместо обычной $O(h)$ . Для двучленной формулы задача нахождения точек повышенной точности приводит к квадратному уравнению, корни которого действительны, но формула для их нахождения громоздка. Если $p>2$ , то найти точки повышенной точности очень сложно, за исключением одного частного случая, который мы сейчас и рассмотрим.

Утверждение. Пусть $p$ нечетно, а узлы в формуле (2) выбраны так, что они расположены симметрично относительно точки $x$ ; тогда $x$ является одной из точек повышенной точности $x_k^{(p)}$ .

Доказательство. В самом деле, при этом величины $\xi_i=x-x_i$ имеюи попарно равные абсолютные величины, но противоположные знаки. В остаточном члене множитель $w=\sum\prod\xi_i$ имеет нечетную степень, и при одномерном изменении знаков всех $\xi_i$ он должен изменить знак. Но поскольку одновременное изменение знаков $\xi_i$ сводится при таком расположении узлов лишь к перемене их нумерации, то величина $w$ должна сохраниться, что возможно только при $w=0$ . Утверждение доказано.

Замечание. Число узлов предполагалось произвольным; очевидно, симметричное расположение узлов относительно точки $x_k^{(n)}$ означает, что при нечетном числе узлов точка $x_k^{(p)}$ совпадает с центральным узлом, а при четном - лежит между средними узлами.

На произвольной сетке условие симметрии реализуется только в исключительных случаях. Но если сетка равномерна, то каждый ее узел симметрично окружен соседними узлами. Это позволяется составить несложные формулы хорошей точности для вычисления производных в узлах сетки.

Например, возьмем три соседний узла $x_0$ , $x_1$ и $x_2$ . и вычислим первую и вторую производную в среднем узле. Выражая в одночленных формулах (2) разделенные разности через узловые значения функции, легко получим:

$y'(x_1)=(y_2-y_0)/2h+O(h_2)$ , $h=x_{i+1}-x_i=const$ , $y_i=y(x_i)$ ,

(6)

$y''(x_1)=(y_2-2y_1+y_0)/h^2+O(h^2)$ .

Аналогично можно вывести формулы более высокого порядка или для более выслких производных. Например, формула для второй производной в центральной точке по пяти узлам:

(7)

$y''(x_2)=(-y_4+16y_3-30y_2+16y_1-y_0)/(12h^2)+O(h^4)$

Заметим, что формулы (6) и (7) написаны для случая равномерной сетки; применение их на неравномерной сетке приведет к грубой ошибке.

На равномерной сетке для априоной оценки точности формул часто применяют способ разложения по формуле Тейлора-Макрорена. Предположим, например, что функция $y(x)$ имеет непрерыную четвертую производную, и выразим значения функции в узлах $x_{i\pm 1}$ через значиния функции и ее производных в центре симметрии узлов (в данном случае этим центром является узел $x_i$ ):

$y(x_{i\pm 1})=y(x_i \pm h)= y_i \pm h y_i'+\frac{1}{2}h^2 y_i'' \pm \frac{1}{6}h^3 y_i''' + \frac{1}{24}h^4 y^{(4)}(\eta_\pm)$ ,

где $\eta_{+}$ - некая точка интервала $(x_i, x_{i+1})$ , а $\eta_{-}$ - некоторая точка итервала $(x_{i-1},x_i)$ . Подставляя эти разложения во вторую разность, стоящую в правой части формулы (6) для второй производной имеем:

$\frac{1}{h^2}(y_{i+1}-2y_i+y_{i-1})=y_i''+\frac{h^2}{24}[y^{(4)}(\eta_{+})+y^{(4)}(\eta_{-})]= y_i'' +O(h^2)$ .

Это подтверждает ранее сделанную оценку и уточняет величину остаточного члена, который оказался равен $h^2y^{(4)}(\eta)/12$ . Такой способ получения остаточного члена проще, чем непосредственное вычисление по формуле (1).

Регуляризация дифференцирования

Рис.1

При численном дифференцированиии приходится вычитать друг из друга близкие значения функций. Это приводит к уничтожению первых значащих цифр, то есть к потере части достоверных знаков чила. Если значения функции известны с малой точностью, то встает вопрос - останется ли в ответе хотя один достоверный знак?

Для ответа на этот вопрос исследуем ошибки при численном дифференцировании. При интерполировании обобщенным многочленом производная $k$ -го порядка определяется согласно (2), (3) формулой типа

$y^{(k)}(x)=h^{-k}\sum_q C_q(x)y(x_q) +R_k(x.$ $C_q(x)=O(1)$ .

Если формула имеет порядок точности $p$ , то, значит, ее осатточный член равен $R_k(x)\approx C(x)h^p$ . Этот остаточный член определяет погрешность метода, и он неограниченно убывает при $h\to 0$ . Его зависимость от шага изображена на рис.1 жирной линией.

Но есть еще неустарнимая погрешность, связанная с погрешностью функции $\delta y(x)$ . Поскольку точный вид этой погрешности неизвестен, можно оценить только мажоранту неустранимой погрешности $r_k=\delta*h^{-k}\sum_q|C_q|$ ; она неограниченно возрастает при $h \to 0$ (тонкая линия на рис.1). Фактически же неустранимая погрешность будет нерегулярно зависеть от величины шага, беспорядочно осцилируя в границах, определяемых мажорантой (точки на рис.1).

Пока шаг достаточно велик, при его убывании неустранимая погрешность мала по сравнению с погрешностью метода; поэтому полная погрешность убывает. При дальнейшем уменьшении шага неустранимая погрешность становится заметной, что проявляется в не вполне регулярной зависимости результатов вычислений от величины шага. Наконец, при достаточно малом шаге неустранимая погрешность становится преобладающей, и при дальнейшем уменьшении шага результат вычислений становится все меньше достоверным.

Полная погрешность мажорируется суммой $R_k+r_k$ (штриховая кривая на рис.1). Оптимальным будет шаг, соответсвующий этой кривой. Нетрудно подсчитать, что

(8)

$h_0(\delta)={\left( \frac{k\delta \sum|C_q|}{pC} \right)}^{\frac{1}{p+k}}=O(\delta^{\frac{1}{p+k}})$ .

$\min(R_k+r_k)=Ch_0^p \left( 1+\frac{p}{k} \right) =O\left(\delta^{\frac{p}{p+k}} \right)$ .

Меньший шаг невыгоден, а меньшая погрешность, вообще говоря, недостижима (хотя отдельные вычисления случайно окажутся более точными, но мы не сможем этого узнать). Эта минимальная ошиюка тем менее, чем меньше погрешность входных данных и порядок вычисляемой производной и чем выше порядок точности формулы.

Очевидно, при $\delta y(x)\to 0$ можно получить сколь угодно высокую точность результата, если шаг стремится к нулю, будучи всегда не менее $h_0(\delta)$ . Но если допустить $h<h_0(\delta)$ , то результат предельного перехода может быть неправильным.

Эта тонкость связана с некорректностью задачи дифференцирования. Рассмотрим погрешность входных данных вида $\delta y(x)= m^{-1}\sin (m^2 x)$ . Она приводит к погрешности первой производной $\delta y'(x) = m \cos (m^2 x)$ . При $m \to \infty$ погрешность функции в $\| \cdot \|_c$ неограниченно убывает, а погрешность производной в той же норме неограниченно растет. Значит, нет непрерывной зависимости производной от функции, то есть дифференцирование некорректно. Особенно сильно это сказывается при нахождении производных высокого порядка.

Изложенный выше способ определения оптимального шага и запрещение вести расчет шагом меньше оптимального есть некоторый способ регуляризации дифференцирования, так называемая регуляризация по шагу.

Стоит заметить, что с ростом $p$ , количества узлов в сетке для вычисления производных, константы $C_q$ и $C$ в формулах (8) повышаются, поэтому увеличение $p$ разумно лишь в определенных пределах.

Числовой пример

Заключение

Список литературы

А.А.Самарский, А.В.Гулин. Численные методы. Москва «Наука», 1989.
Н.С.Бахвалов, Н.П.Жидков, Г.М.Кобельков. Численные методы. Лаборатория Базовых Знаний, 2003.
Н.Н.Калиткин. Численные методы. Москва «Наука», 1978.

Это незавершённая статья. Вы поможете проекту, исправив и дополнив её.

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%92%D1%8B%D1%87%D0%B8%D1%81%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2%D1%82%D0%BE%D1%80%D0%BE%D0%B9_%D0%BF%D1%80%D0%BE%D0%B8%D0%B7%D0%B2%D0%BE%D0%B4%D0%BD%D0%BE%D0%B9_%D0%BF%D0%BE_%D0%BE%D0%B4%D0%BD%D0%BE%D0%B9_%D0%BF%D0%B5%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D0%BE%D0%B9»

Категории: Незавершённые статьи | Численное дифференцирование

@@ Строка 87: / Строка 87: @@
 === Регуляризация дифференцирования ===
+[[Изображение:Derives.PNG|thumb|200px|Рис.1]]
 При численном дифференцированиии приходится вычитать друг из друга близкие значения функций. Это приводит к уничтожению первых значащих цифр, то есть к потере части достоверных знаков чила. Если значения функции известны с малой точностью, то встает вопрос - останется ли в ответе хотя один достоверный знак?
@@ Строка 93: / Строка 94: @@
 ::<tex>y^{(k)}(x)=h^{-k}\sum_q C_q(x)y(x_q) +R_k(x.</tex> <tex>C_q(x)=O(1)</tex>.
-Если формула имеет порядок точности <tex>p</tex>, то, значит, ее осатточный член равен <tex>R_k(x)\approx C(x)h^p</tex>. Этот остаточный член определяет погрешность метода, и он неограниченно убывает при <tex>h\to 0</tex>. Его зависимость от шага изображена на рисунке жирной линией.
+Если формула имеет порядок точности <tex>p</tex>, то, значит, ее осатточный член равен <tex>R_k(x)\approx C(x)h^p</tex>. Этот остаточный член определяет погрешность метода, и он неограниченно убывает при <tex>h\to 0</tex>. Его зависимость от шага изображена на рис.1 жирной линией.
-Но есть еще неустарнимая погрешность, связанная с погрешностью функции <tex>\delta y(x)</tex>. Поскольку точный вид этой погрешности неизвестен, можно оценить только мажоранту неустранимой погрешности <tex>r_k=\delta*h^{-k}\sum_q|C_q|</tex>; она неограниченно возрастает при <tex>h \to 0</tex> (тонкая линия на рисунке). Фактически же неустранимая погрешность будет нерегулярно зависеть от величины шага, беспорядочно осцилируя в границах, определяемых мажорантой (точки на рисунке).
+Но есть еще неустарнимая погрешность, связанная с погрешностью функции <tex>\delta y(x)</tex>. Поскольку точный вид этой погрешности неизвестен, можно оценить только мажоранту неустранимой погрешности <tex>r_k=\delta*h^{-k}\sum_q|C_q|</tex>; она неограниченно возрастает при <tex>h \to 0</tex> (тонкая линия на рис.1). Фактически же неустранимая погрешность будет нерегулярно зависеть от величины шага, беспорядочно осцилируя в границах, определяемых мажорантой (точки на рис.1).
 Пока шаг достаточно велик, при его убывании неустранимая погрешность мала по сравнению с погрешностью метода; поэтому полная погрешность убывает. При дальнейшем уменьшении шага неустранимая погрешность становится заметной, что проявляется в не вполне регулярной зависимости результатов вычислений от величины шага. Наконец, при достаточно малом шаге неустранимая погрешность становится преобладающей, и при дальнейшем уменьшении шага результат вычислений становится все меньше достоверным.
-Полная погрешность мажорируется суммой <tex>R_k+r_k</tex> (штриховая кривая на рисунке). Оптимальным будет шаг, соответсвующий этой кривой. Нетрудно подсчитать, что
+Полная погрешность мажорируется суммой <tex>R_k+r_k</tex> (штриховая кривая на рис.1). Оптимальным будет шаг, соответсвующий этой кривой. Нетрудно подсчитать, что
 {{eqno|8}}

Вычисление второй производной по одной переменной

Материал из MachineLearning.

Версия 09:11, 16 октября 2008

Содержание

Введение

Постановка математической задачи

Изложение метода

Полиномиальные формулы

Простейшие формулы

Регуляризация дифференцирования

Числовой пример

Рекомендации программисту

Заключение

Список литературы

Просмотры

Личные инструменты

Навигация

Поиск

Инструменты