ΣΥΝΟΠΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΘΕΩΡΙΑΣ ΣΤΟ ΜΑΘΗΜΑ

«ΑΡΙΘΜΗΤΙΚΕΣ ΜΕΘΟΔΟΙ ΣΤΗΝ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗ

ΜΗΧΑΝΙΚΗ»
Οι παρακάτω σημειώσεις περιλαμβάνουν συνοπτικά τα πιο βασικά σημεία που θίξαμε
στο μάθημα για κάθε κεφάλαιο (έχω παραλείψει τα παραδείγματα και
αντιπαραδείγματα κατανόησης της θεωρίας, τις εφαρμογές και αρκετές λεπτομέρειες της
θεωρίας που αναφέρθηκαν στο μάθημα). Ο αλγόριθμος των αριθμητικών μεθόδων που
διδάχτηκαν μπορεί να γίνει κατανοητός απο τη μελέτη των ασκήσεων του βιβλίου που
έχει διανεμηθεί (Τσάνης) και δεν αναφέρεται πάντοτε στις σημειώσεις . Ωστόσο
υπάρχουν κάποια σημεία στη θεωρία που δεν αποσαφηνίζονται στην περιληπτική
θεωρία του βιβλίου, τα οποία τονίζονται στις σημειώσεις αυτές. Απο την άλλη υπάρχουν
σημεία τα οποία θίξαμε στο μάθημα περισσότερο ακροθιγώς και δεν περιλαμβάνονται
σε μεγάλη ανάπτυξη σε αυτές τις σημειώσεις. Επομένως για τις εξετάσεις καλό θα ήταν
να διαβάσετε απο όλες τις πηγές σας (βιβλίο, σημειώσεις που στέλνω και σημειώσεις
δικές σας). Προτείνεται επίσης να διαβάσετε πρώτα το βιβλίο και τις σημειώσεις σας και
μετά τις σημειώσεις που σας στέλνω καθότι είναι συμπληρωματικές και όχι πλήρεις.

ΣΦΑΛΜΑΤΑ

Στην εφαρμογή της αριθμητικής ανάλυσης είναι σημαντικό να συνειδητοποιήσουμε ότι οι

αριθμητικές λύσεις δεν είναι οι ακριβείς αναλυτικές λύσεις. Η ακρίβεια μιας προσεγγιστικής
λύσης μπορεί να ελαττωθεί με ποικίλους και λεπτούς τρόπους. Η κατανόηση αυτών των
δυσκολιών μπορεί συχνά να οδηγήσει τον χρήστη στην εφαρμογή και ανάπτυξη των
κατάλληλων αριθμητικών αλγορίθμων.

Σε όλες τις αριθμητικές μεθόδους, ακριβώς λόγω της προσεγγιστικής τους φύσης αλλά και
των πεπερασμένων δυνατοτήτων αναπαράστασης των αριθμών στο χρησιμοποιούμενο
υπολογιστικό μέσο, οι υπολογισμοί που εκτελούνται περιλαμβάνουν αναπόφευκτα
σφάλματα τα οποία εξαρτώνται τόσο από το ίδιο το πρόβλημα που επιλύεται, όσο και από
την αριθμητική του υπολογιστή που χρησιμοποιείται αλλά φυσικά και από τη μέθοδο που
εφαρμόζεται. Για τον λόγο αυτό, η καλή γνώση των αριθμητικών μεθόδων και των
περιορισμών τους, μπορεί να βοηθήσει στην εφαρμογή της κατάλληλης μεθόδου ούτως
ώστε να επιτύχουμε τη μείωση των σφαλμάτων υπολογισμού αλλά ακόμα και την επίλυση
προβλημάτων σε περίπτωση που κάποια μέθοδος αποτυγχάνει.

Τα σφάλματα που εισάγονται στις αριθμητικές μεθόδους διακρίνονται σε σφάλματα

αποκοπής και στρογγυλοποίησης.

Σφάλμα αποκοπής: Η μετάβαση από το μαθηματικό μοντέλο στο διακριτό συνεπάγεται ένα
σφάλμα το οποίο εξαρτάται κυρίως από την αριθμητική μέθοδο και ονομάζεται γενικά

1
σφάλμα διακριτοποίησης ή αποκοπής (discretization or truncation error). Χαρακτηριστικό
παράδειγμα σφάλματος αποκοπής είναι το ανάπτυγμα μιας συνάρτησης f(x) σε σειρά
Taylor με πεπερασμένο πλήθος όρων.

Σφάλμα στρογγυλοποίησης: ο προγραμματισμός της μεθόδου και η χρήση ενός

υπολογιστή για υπολογισμό των αριθμητικών λύσεων, συνεπάγεται αποθήκευση
δεδομένων (data) στον υπολογιστή. Έτσι, όταν ένας αριθμός αποθηκευτεί στον υπολογιστή
θα αντικατασταθεί στη μνήμη του υπολογιστή απο έναν αριθμό ο οποίος είναι μια
προσέγγιση του ακριβούς αρχικού αριθμού. Η διαδικασία αυτή ορίζει ένα νέο σφάλμα το
οποίο ονομάζεται σφάλμα στρογγυλοποίησης (round off error) και εξαρτάται κυρίως από
τον υπολογιστή.

ΚΕΦΑΛΑΙΟ 2

ΣΕΙΡΑ TAYLOR
Η σειρά Taylor έχει ιδιαίτερη αξία και θέση στη μελέτη των αριθμητικών μεθόδων και δίνει
τη δυνατότητα πρόβλεψης της τιμής μιας συνάρτησης σε ένα σημείο δεδομένης της τιμής
της συνάρτησης και των παραγώγων της σε ένα γειτονικό σημείο.

Η σειρά Taylor στην ουσία είναι ένα άθροισμα άπειρων όρων καθένας από τους οποίους
περιέχει και μια παράγωγο της συνάρτησης διαφορετικής και αυξανόμενης τάξης.

Ο πρώτος όρος της σειράς είναι ο f ( xi +1 ) ≅ f ( xi ) . Η σχέση αυτή καλείται προσέγγιση

μηδενικής τάξης (zero order approximation) και θεωρεί ότι η τιμή της συνάρτησης στο νέο
σημείο είναι ίδια με την τιμή στο παλιό σημείο. Η σχέση αυτή είναι ικανοποιητική αν η
συνάρτηση στο διάστημα που εφαρμόζεται είναι σταθερή ή σχεδόν σταθερή. Αν όμως η
συνάρτηση δεν ικανοποιεί αυτόν τον όρο τότε για να είναι πιο ακριβής η πρόβλεψη της
σειράς Taylor θα πρέπει να προστεθούν επιπλέον όροι μεγαλύτερης τάξης παραγώγου.

Η προσέγγιση πρώτης τάξης προκύπτει από την προσθήκη επιπλέον ενός όρου πρώτης
τάξης και δίνεται από τη σχέση:

f ( xi +1 ) ≅ f ( xi ) + f ′( xi )( xi +1 − xi )

Αυτή η σχέση είναι ακριβής για γραμμικές συναρτήσεις ή σχεδόν γραμμικές στο διάστημα
εφαρμογής. Αν όμως η συνάρτηση έχει καμπυλότητα τότε θα πρέπει να προστεθεί στη
σειρά Taylor επιπλέον ένας όρος ο οποίος θα είναι δεύτερης τάξης και η σχέση που θα
προκύψει είναι η εξής:

f ′′( xi )
f ( xi +1 ) ≅ f ( xi ) + f ′( xi )( xi +1 − xi ) + ( xi +1 − xi ) 2
2!

2
Με ανάλογο τρόπο και για να έχουμε μεγαλύτερη ακρίβεια στην πρόβλεψη του γειτονικού
σημείου μπορούμε να προσθέσουμε όσους όρους επιθυμούμε στη σειρά Taylor. Η γενική
μορφή της άπειρης σειράς είναι η εξής:

f ′′( xi )
f ( xi +1 ) ≅ f ( xi ) + f ′( xi )( xi +1 − xi ) + ( xi +1 − xi ) 2 +
2!
f (3) ( xi ) f ( n ) ( xi )
( xi +1 − xi )3 + ... + ( xi +1 − xi ) n + Rn
3! n!

ο όρος Rn περιλαμβάνεται για το άθροισμα των όρων τάξης n+1 μέχρι το άπειρο. Πολλές
φορές επίσης όταν η σειρά Taylor χρησιμοποιείται για την πρόβλεψη πολλών ισαπέχοντων
σημείων κατά μήκος ενός διαστήματος είναι χρήσιμο να αντικαθίσταται η απόσταση
μεταξύ των σημείων με ένα σταθερό βήμα h :

f ′′( xi ) 2 f (3) ( xi ) 3 f ( n ) ( xi ) n
f ( xi +1 ) ≅ f ( xi ) + f ′( xi )h + h + h + ... + h + Rn
2! 3! n!

Γενικά, η n-οστής τάξης σειρά Taylor θα είναι ακριβής για ένα πολυώνυμο τάξης n. Για
άλλες όμως συνεχείς και διαφορίσιμες συναρτήσεις, όπως οι εκθετικές και οι ημιτονοειδείς,
ένας πεπερασμένος αριθμός όρων δε μπορεί να δώσει ακριβές αποτέλεσμα. Κάθε επιπλέον
όρος θα δίνει μια ακριβέστερη πρόβλεψη κατά ελάχιστο και ακριβής πρόβλεψη θα μπορεί
να επιτευχθεί μόνο με άπειρο αριθμό όρων.

Η πρακτική επομένως σημασία της σειράς Taylor είναι η χρησιμοποίηση λίγων όρων με
παράλληλη προσέγγιση του αποτελέσματος με καλή ακρίβεια.

Θεωρητικά, όταν συμπεριλαμβάνονται όλοι οι όροι στη σειρά Taylor προκύπτει το ακριβές
αποτέλεσμα. Αποκώπτοντας όρους μεγαλύτερης τάξης έχουμε αποτέλεσμα με σφάλμα
αποκοπής και βρίσκουμε επομένως μια προσεγγιστική τιμή.

ΚΕΦΑΛΑΙΟ 3

ΕΥΡΕΣΗ ΠΡΟΣΕΓΓΙΣΤΙΚΩΝ ΛΥΣΕΩΝ ΜΗ ΓΡΑΜΜΙΚΩΝ ΕΞΙΣΩΣΕΩΝ

ΜΙΑΣ ΜΕΤΑΒΛΗΤΗΣ

Λύσεις ή ρίζες μιας εξίσωσης μιας μεταβλητής ονομάζονται οι τιμές της ανεξάρτητης
μεταβλητής για τις οποίες η εξίσωση επαληθεύεται. Υπάρχουν εκτός από τις πρωτοβάθμιες
και δευτεροβάθμιες εξισώσεις (οι οποίες επιλύονται εύκολα με αναλυτικό τρόπο), πολλές
άλλες περιπτώσεις εξισώσεων μη γραμμικών στις οποίες η ρίζα δε μπορεί να βρεθεί με
ευκολία αναλυτικά. Καταφεύγουμε για το λόγο αυτό στην αριθμητική επίλυση αυτών των
εξισώσεων με εύρεση μιας προσεγγιστικής τους λύσης.

3
Θεωρούμε για τις παρακάτω αριθμητικές μεθόδους που θα αναφερθούν ότι η εξίσωση έχει
μετασχηματιστεί ούτως ώστε όλοι οι όροι της να βρίσκονται στο ένα μέλος και το άλλο να
είναι μηδενικό. Θεωρούμε το μη μηδενικό μέλος ίσο με f(x) και επομένως το πρόβλημα
επίλυσης της αρχικής εξίσωσης ανάγεται στο πρόβλημα εύρεσης της τιμής της ανεξάρτητης
μεταβλητής για την οποία η συνάρτηση αποτιμάται μηδενική, δηλαδή το σημείο του άξονα
των x στο οποίο τέμνει η συνάρτηση τον οριζόντιο άξονα (x για το οποίο ).

ΓΡΑΦΙΚΗ ΜΕΘΟΔΟΣ

Η πιο απλή και προφανής μέθοδος επίλυσης μιας μη γραμμικής εξίσωσης είναι η γραφική
αναπαράσταση της συνάρτησης και εύρεση της τετμημένης του σημείου στο οποίο τέμνει
τον άξονα των x. Η μέθοδος αυτή δίνει μια χονδροειδή εκτίμηση της ρίζας της εξίσωσης και
δεν είναι κατάλληλη για προσεγγιστικές λύσεις με απαίτηση μεγάλης ακρίβειας. Αντίθετα, η
γραφική μέθοδος είναι χρήσιμη για μια αρχική εκτίμηση της περιοχής (διαστήματος)
εύρεσης της ρίζας για τις bracketing methods και μιας αρχικής εκτίμησης της ρίζας για τις
open methods. Επίσης η γραφική αναπαράσταση της συνάρτησης είναι ιδιαίτερα χρήσιμη
στην περίπτωση που η εξίσωση έχει πολλαπλές ρίζες και θέλουμε να οδηγηθούμε σε
συγκεκριμένη εξ’ αυτών, αλλά και στην περίπτωση που θέλουμε να θέσουμε αρχική
εκτίμηση της ρίζας για τις ανοικτές μεθόδους η οποία δε θα οδηγήσει τη μέθοδο σε απόκλιση.

ΜΕΘΟΔΟΣ ΔΙΧΟΤΟΜΗΣΗΣ

Η μέθοδος διχοτόμησης είναι μια επαναληπτική μέθοδος και ανήκει στις bracketing
methods, οι οποίες έχουν κοινό χαρακτηριστικό ότι απαιτούν εκτίμηση ενός αρχικού
διαστήματος τιμών της ανεξάρτητης μεταβλητής, μέσα στο οποίο περιλαμβάνεται με
βεβαιότητα η πραγματική λύση της εξίσωσης, δηλαδή η τιμή της ανεξάρτητης μεταβλητής
για την οποία η συνάρτηση έχει τιμή μηδέν.

Η μέθοδος διχοτόμησης (bisection method) βασίζεται στο θεώρημα του Bolzano, κατά το
οποίο:«Αν η συνάρτηση είναι συνεχής στο κλειστό διάστημα , και
τότε υπάρχει τουλάχιστον ένα στο διάστημα τέτοιο ώστε »

Το θεώρημα Bolzano είναι ικανή αλλά όχι και αναγκαία συνθήκη για να υπάρχει ρίζα σε ένα
διάστημα. Ωστόσο η ισχύς του σε ένα διάστημα εξασφαλίζει ότι το διάστημα αυτό
περιλαμβάνει σίγουρα μια λύση της εξίσωσης (μπορεί και περισσότερες).

Η μέθοδος διχοτόμησης είναι μια μέθοδος brute-force, δηλαδή δεν υιοθετεί κάποιο
κριτήριο για τη βελτίωση της προσεγγιστικής λύσης της εξίσωσης σε κάθε επανάληψη, αλλά
αντιθέτως θεωρεί ως προσέγγιση της ρίζας της εξίσωσης το μέσον του διαστήματος κάθε
επανάληψης. Στη συνέχεια υπολογίζει την τιμή της συνάρτησης στο σημείο αυτό (μέσον)
και αναλόγως με το πρόσημο της τιμής αυτής επιλέγει ως νέο υποδιπλάσιο διάστημα για
την επόμενη επανάληψη, το διάστημα για το οποίο ισχύει το θεώρημα Bolzano στο οποίο
με βεβαιότητα θα περιλαμβάνεται η πραγματική λύση της εξίσωσης.

4
Με τον τρόπο αυτό, η μέθοδος δίνει με βεβαιότητα μια πολύ κοντινή προσέγγιση της ρίζας
της εξίσωσης και επομένως σε κάθε περίπτωση συγκλίνει. Η σύγκλιση της μεθόδου
αποτελεί βασικό της πλεονέκτημα και εξασφαλίζεται από την ισχύ του θεωρήματος Bolzano
σε κάθε επαναληπτικό βήμα της μεθόδου.

Η μέθοδος διχοτόμησης ωστόσο δεν αποτελεί γρήγορη μέθοδο, καθότι δεν οδηγείται με
κάποιο κριτήριο γρήγορα κοντά στην περιοχή της ρίζας της εξίσωσης σε αντίθεση με τις
ανοικτές μεθόδους. Ο αριθμός των απαιτούμενων επαναλήψεων ανάλογα με το επιτρεπτό
απόλυτο σφάλμα που έχει τεθεί είναι δυνατόν να υπολογιστεί ακόμα και πριν την εφαρμογή
της μεθόδου από τη σχέση:

log(∆x 0 / Ea ,d )
n= ,
log 2

όπου Ea ,d είναι το απόλυτο σφάλμα προσέγγισης, ∆x 0 το εύρος των ακραίων τιμών της
ανεξάρτητης μεταβλητής στο αρχικό διάστημα και n ο απαιτούμενος αριθμός
επαναλήψεων.

Ο αλγόριθμος της μεθόδου διχοτόμησης περιγράφεται στο βιβλίο του Τσάνη. Σημαντικά
σημεία που πρέπει να τονιστούν είναι ότι κάθε επανάληψη ξεκινάει με τον ορισμό ενός
διαστήματος και τελειώνει με μια αποτίμηση της συνάρτησης για τη νέα εκτίμηση της ρίζας.
Αφότου αποτιμηθεί η συνάρτηση και αν αυτή δεν έχει τιμή μηδενική (οπότε θα έχουμε βρει
την πραγματική ρίζα), υπολογίζουμε το σχετικό ποσοστιαίο προσεγγιστικό σφάλμα (ή
οποιοδήποτε σφάλμα έχει καθοριστεί ως κριτήριο τερματισμού) και αν είναι μικρότερο από
το προκαθορισμένο σταματάμε τις επαναλήψεις και θεωρούμε ως λύση της εξίσωσης την
τελευταία προσεγγιστική τιμή της ανεξάρτητης μεταβλητής, διαφορετικά προχωρούμε σε νέα
επανάληψη. Σημαντικό σημείο είναι ότι σχετικό προσεγγιστικό ποσοστιαίο σφάλμα για την
πρώτη επανάληψη δεν μπορεί να οριστεί (δε διαθέτουμε προηγούμενη προσέγγιση).

ΜΕΘΟΔΟΣ ΕΣΦΑΛΜΕΝΗΣ ΘΕΣΗΣ

Η μέθοδος εσφαλμένης θέσης (Regula-Falsi) είναι μια βελτίωση της μεθόδου της
διχοτόμησης. Η μέθοδος επίσης ανήκει στις bracketing methods διότι απαιτεί την ύπαρξη
ενός αρχικού διαστήματος που περιλαμβάνει την πραγματική λύση της εξίσωσης. Η
βελτίωση συνίσταται στο ότι η μέθοδος λαμβάνει υπ’ όψιν εκτός από το πρόσημο των
τιμών της συνάρτησης στα άκρα κάθε διαστήματος και την απόλυτη αριθμητική τιμή
αυτών. Η ιδέα πίσω από τη μέθοδο της εσφαλμένης θέσης είναι ότι αν η απόλυτη τιμή της
συνάρτησης είναι πολύ μικρότερη στο ένα άκρο από το άλλο, είναι πολύ πιθανότερο να
βρίσκεται η ρίζα κοντά σε εκείνο το άκρο. Έτσι επιταχύνεται η επαναλαμβανόμενη μείωση
του αρχικού διαστήματος. Η φόρμουλα της μεθόδου είναι η εξής:

5
ΜΕΘΟΔΟΣ NEWTON-RAPHSON

Η μέθοδος Newton- Raphson, σε αντίθεση με τη μέθοδο της διχοτόμησης υιοθετεί ένα μη

τετριμμένο κριτήριο υπολογισμού κάθε επόμενης προσέγγισης από την προηγούμενη. Το
κριτήριο υπολογισμού εξάγεται αλγεβρικά από την πρώτη διηρημένη εμπρόσθια διαφορά
προσέγγισης της πρώτης παραγώγου με αναδιάταξη των όρων:

Η παραπάνω φόρμουλα της μεθόδου εφαρμόζεται επαναληπτικά και όπως φαίνεται απαιτεί
την τιμή της παραγώγου της συνάρτησης για κάθε προσέγγιση της ρίζας της εξίσωσης.
Επομένως απαιτεί εύρεση με αναλυτικό τρόπο της παραγώγου της συνάρτησης f(x).

Η μέθοδος έχει επίσης εύκολη γραφική αναπαράσταση. Συγκεκριμένα, ως επόμενη

προσέγγιση της ρίζας της εξίσωσης θεωρείται η τετμημένη του σημείου τομής της
εφαπτομένης της συνάρτησης στο προηγούμενο σημείο με τον άξονα των x.

Η μέθοδος Newton- Raphson έχει ως βασικό μειονέκτημα ότι δεν συγκλίνει πάντοτε, σε
αντίθεση με τη μέθοδο διχοτόμησης. Ωστόσο, όταν συγκλίνει, συγκλίνει συνήθως πιο
γρήγορα από τη μέθοδο διχοτόμησης. Επίσης απαιτεί μόνο μια αρχική εκτίμηση της ρίζας
(ανήκει στις open methods οι οποίες απαιτούν μια αρχική εκτίμηση της ρίζας). Η επιτυχία
της μεθόδου και η ταχύτητα σύγκλισης εξαρτώνται τόσο από την αρχική εκτίμηση της ρίζας
αλλά και από τις επόμενες προσεγγίσεις της ρίζας που θα προκύψουν και πιο συγκεκριμένα
από την τιμή της παραγώγου της συνάρτησης σε αυτές τις προσεγγίσεις.. Αποτυχία της
μεθόδου εμφανίζεται όταν έχουμε προσεγγίσεις της ρίζας στις οποίες η κλίση της
συνάρτησης τείνει στο μηδέν και περιοχές τοπικού ελαχίστου οπότε η μέθοδος εμφανίζει
ταλαντωτική συμπεριφορά γύρω απο το τοπικό ελάχιστο και προσδιορίζει αυτό
λανθασμένα ως λύση της εξίσωσης. Επομένως η μέθοδος Newton- Raphson δε μπορεί να
εφαρμοστεί στις περιπτώσεις αυτές.

ΜΕΘΟΔΟΣ ΤΕΜΝΟΥΣΑΣ

Η μέθοδος τέμνουσας (secant method) είναι μια βελτίωση της μεθόδου Newton- Raphson
για την περίπτωση που δεν είναι διαθέσιμη η αναλυτική έκφραση της παραγώγου (η οποία
απαιτείται για τη μέθοδο Newton-Raphson). Για τον λόγο αυτό, επειδή η μέθοδος θα
υπολογίσει την τιμή της παραγώγου ως πεπερασμένη διαφορά απαιτείται η εισαγωγή ενός
δευτέρου σημείου στη φόρμουλα και ο υπολογισμός της συνάρτησης και σε αυτό το
σημείο:

Άρα χρειαζόμαστε δεδομένα σε 2 σημεία σε αντίθεση με τη μέθοδο Newton-Raphson.

Ωστόσο η μέθοδος της τέμνουσας δεν κατατάσσεται στις bracketing methods γιατί δεν
απαιτείται η εναλλαγή του προσήμου της συνάρτησης μεταξύ των δύο σημείων.

6
ΚΕΦΑΛΑΙΟ 4. ΕΠΙΛΥΣΗ ΣΥΣΤΗΜΑΤΩΝ ΓΡΑΜΜΙΚΩΝ ΕΞΙΣΩΣΕΩΝ
Τα συστήματα γραμμικών εξισώσεων είναι συνδεδεμένα με πολλά προβλήματα της
Επιστήμης και της Τεχνολογίας. Επομένως η επίλυση συστημάτων γραμμικών εξισώσεων,
συνήθως με ίσο πλήθος εξισώσεων και αγνώστων (δηλαδή με μοναδική λύση στην
περίπτωση που είναι μη ιδιόμορφα), είναι ένα από τα προβλήματα που συναντάμε πιο
συχνά στα υπολογιστικά μαθηματικά.

Θεωρούμε το γραμμικό σύστημα στη μορφή:

ε1 : a11 x1 + a12 x2 + a13 x3 + ... + a1n xn =b1

ε1 : a21 x1 + a22 x2 + a23 x3 + ... + a2 n xn =b2
ε 3 : a31 x1 + a32 x2 + a33 x3 + ... + a3n xn =b3
.
.
ε n : an1 x1 + an 2 x2 + an 3 x3 + ... + ann xn =
bn

Ένα τέτοιο σύστημα μπορεί να γραφεί στη μορφή:

Ax = b

Όπου Α είναι ένας δεδομένος τετραγωνικός πίνακας τάξης n, b δεδομένο διάνυσμα-στήλη

με n συνιστώσες και x άγνωστο διάνυσμα-στήλη με n συνιστώσες:

 a11 a12 . . . a1n   x1   b1 

a  x  b 
 21 a22 . . . a2 n   2  2
 . . . . . .  . .
A = , x   , b=  
 . . . . . .  . .
 . . . . . .  . .
     
 a1n a2 n . . . ann   xn  bn 

Η γραμμική άλγεβρα μας διδάσκει μεθόδους για να λύνουμε συστήματα γραμμικών

εξισώσεων με αντιστρέψιμους πίνακες. Μια τέτοια μέθοδος είναι ο κανόνας του Cramer,
όπου κάθε συνιστώσα της λύσης ορίζεται ως πηλίκο οριζουσών με τον ίδιο παρονομαστή
και διαφορετικό αριθμητή. Έτσι, η λύση ενός συστήματος 20 εξισώσεων με τον κανόνα του
Cramer, απαιτεί να υπολογίσουμε 21 ορίζουσες τάξης 20. υπολογίζεται ότι η επίλυση του
συστήματος των 20 γραμμικών εξισώσεων με την εν λόγω μέθοδο απαιτεί 21*20!*19
πολλαπλασιασμούς συν ένα παρόμοιο πλήθος προσθέσεων. Αυτό σημαίνει ότι ένας
υπολογιστής που εκτελεί 10^6 πράξεις ανά δευτερόλεπτο θα χρειαζόταν 3*10^7 χρόνια για
να υπολογίσει μόνο τους πολλαπλασιασμούς με την προυπόθεση ότι ο υπολογιστής θα
λειτουργεί συνεχώς. Η γραμμική άλγεβρα διδάσκει και άλλες μεθόδους για την επίλυση
7
συστημάτων γραμμικών εξισώσεων αλλά για διαφορετικούς λόγους η κάθεμία θεωρούνται
ακατάλληλες για την επίλυση συστημάτων με πολλές εξισώσεις.

Στο κεφάλαιο αυτό θα αναπτύξουμε διάφορες υπολογιστικές μεθόδους για την επίλυση
συστημάτων γραμμικών εξισώσεων που προκύπτουν στις εφαρμογές και τα οποία συνήθως
έχουν πολλές εξισώσεις. Οι υπολογιστικές μέθοδοι μπορούν να χωριστούν σε δύο
κατηγορίες:

Άμεσες Μέθοδοι

Οι άμεσες μέθοδοι δίνουν τη λύση του γραμμικού συστήματος μετά από έναν ορισμένο
αριθμό βημάτων και υπόκεινται μόνο στα σφάλματα στρογγύλευσης. Στην περίπτωση των
μεθόδων αυτών το γραμμικό σύστημα μετασχηματίζεται σε ένα ισοδύναμο, το οποίο όμως
επιλύεται εύκολα. Ο μετασχηματισμός αυτός βασίζεται στις παρακάτω επιτρεπτές πράξεις
για τους πίνακες:

1. μια εξίσωση μπορεί να αντικατασταθεί με το γινόμενο της επί μια μη μηδενική

πραγματική σταθερά

2. μια εξίσωση μπορεί να αντικατασταθεί με το άθροισμα αυτής και το πολλαπλάσιο

μιας άλλης επί μια μη μηδενική πραγματική σταθερά.

3. δύο εξισώσεις μπορούν να αλληλοαντιμετατεθούν.

Αν με ε i , i = 1, 2,..., n συμβολίσουμε τις εξισώσεις του γραμμικού συστήματος τοτε οι

παραπάνω πράξεις μπορούν να παρασταθούν ως εξής:

(ε i ) → (λε i ), (ε i ) → (ε i + λε i ), (ε i ) ↔ (ε j )

Επαναληπτικές Μέθοδοι

Οι επαναληπτικές μέθοδοι βασίζονται στην κατασκευή ενός επαναληπτικού αλγορίθμου ο

οποίος υπολογίζει μια ακολουθία διανυσμάτων της λύσης, η οποία θα πρέπει να συγκλίνει
στη λύση του συστήματος των γραμμικών εξισώσεων.

ΜΕΘΟΔΟΣ ΑΠΑΛΟΙΦΗΣ ΚΑΤΑ GAUSS (ΑΜΕΣΗ ΜΕΘΟΔΟΣ)

Η μέθοδος απαλοιφής Gauss είναι μια από τις πλέον αποτελεσματικές μεθόδους λύσης
γραμμικών συστημάτων με υπολογιστή. Η μέθοδος βασίζεται στη μετατροπή του αρχικού
συστήματος, με τις επιτρεπτές πράξεις που αναφέρθηκαν παραπάνω, σε ισοδύναμο του
οποίου ο πίνακας των συντελεστών είναι άνω τριγωνικός. Στη συνέχεια το άνω τριγωνικό
8
σύστημα επιλύεται εύκολα με διαδοχικές αντικαταστάσεις. Υποθέτουμε ότι ο πίνακας Α
είναι τετραγωνικός και ομαλός, δηλαδή det( A) ≠ 0 ώστε το σύστημα να έχει μοναδική
λύση. Η μέθοδος απαλοιφής Gauss εφαρμόζεται σε δύο φάσεις, την τριγωνοποίηση και την
πίσω-αντικατάσταση.

Τριγωνοποίηση-Απαλοιφή των αγνώστων.

Σημειώνεται ότι ο συντελεστής του 1ου αγνώστου στην πρώτη εξίσωση είναι γνωστός ως
πρώτος οδηγός, ο συντελεστής του δευτέρου αγνώστου στη δεύτερη εξίσωση δεύτερος
οδηγός και ούτω καθ’ εξής. Θεωρούμε τον επαυξημένο πίνακα του συστήματος και τον
τριγωνοποιούμε ως εξής:

Πολλαπλασιάζουμε την πρώτη σειρά του πίνακα (εφόσον αυτή δεν έχει μηδενικό οδηγό
στοιχείο) με κατάλληλο συντελεστή- πολλαπλασιαστή και προσθέτουμε στη δεύτερη ώστε
να μηδενιστεί το πρώτο στοιχείο της δεύτερης σειράς. Εν συνεχεία απαλείφεται το πρώτο
στοιχείο κάθε επόμενης γραμμής με τον ίδιο τρόπο, πολλαπλασιάζοντας κάθε φορά την
πρώτη σειρά του πίνακα με τον κατάλληλο συντελεστή και αφαιρώντας από την εκάστοτε
επόμενη σειρά. Στη συνέχεια θεωρείται η δεύτερη σειρά του πίνακα. Αν το οδηγό στοιχείο
της είναι μηδενικό ανταλλάσσουμε με κάποια από τις επόμενες σειρές και με τον ίδιο τρόπο
απαλείφεται το δεύτερο στοιχείο κάθε σειράς από την τρίτη έως και την τελευταία. Η
εφαρμογή της μεθόδου γίνεται πιο κατανοητή από το βιβλίο του Τσάνη και τις αντίστοιχες
εφαρμογές. Το τελικό αποτέλεσμα θα είναι ένας πίνακας τριγωνικής μορφής.

Πίσω αντικατάσταση

Μετά από την τριγωνοποίηση του πίνακα αρχίζοντας απο την τελευταία εξίσωση η οποία
πλέον δίνει άμεσα την τιμή της τελευταίας συνιστώσας της λύσης και προχωρώντας στις
παραπάνω εξισώσεις διαδοχικά, υπολογίζεται το διάνυσμα της λύσης του συστήματος.

ΟΔΗΓΗΣΗ

Από τα παραπάνω έγινε φανερό ότι για να προσδιοριστούν κατά το στάδιο της
τριγωνοποίησης οι σωστοί πολλαπλασιαστές της εκάστοτε οδηγού εξίσωσης, ο οδηγός
διαιρεί τους συντελεστές των επόμενων σειρών του πίνακα που βρίσκονται από κάτω του.
Επομένως το οδηγό στοιχείο κάθε γραμμής εμφανίζεται ως παρονομαστής στον εκάστοτε
συντελεστή και απαιτείται να είναι μη μηδενικός. Αν κατά την επίλυση του συστήματος με τη
μέθοδο απαλοιφής κατά Gauss εμφανιστεί σε κάποιο στάδιο οδηγός μηδενικός, πρέπει να
αντιμετατεθούν οι σειρές του πίνακα ώστε να παρακαμφθεί αυτό το πρόβλημα.. Η διαδικασία
αυτή λέγεται οδήγηση, αφορά το οδηγό (διαγώνιο) στοιχείο κάθε γραμμής του πίνακα του
συστήματος και το κριτήριο για να αποφασίσουμε ποιά γραμμή θα επιλέξουμε ονομάζεται
στρατηγική οδήγησης. Η οδήγηση εφαρμόζεται σε δύο περιπτώσεις:

• Οδήγηση ώστε - Απλή στρατηγική οδήγησης

Η στρατηγική οδήγησης αυτή είναι η απλή στρατηγική οδήγησης: Αν το οδηγό στοιχείο της i
γραμμής είναι μηδενικό στην i επανάληψη, επίλεξε την πρώτη ακριβώς γραμμή κάτω από την
9
i έστω την κ, από την οποία αν αντικατασταθεί η γραμμή i, το οδηγό στοιχείο θα είναι πλέον
μη μηδενικό και αντάλλαξε μεταξύ τους τις γραμμές κ και i.

Σημειώνεται ότι ένας ενδιάμεσος οδηγός μπορεί να μηδενιστεί κατά τη διαδικασία της
απαλοιφής, ακόμα και όταν ο συντελεστής σε αυτή τη θέση του αρχικού συστήματος ήταν μη
μηδενικός.

Σε αρκετές περιπτώσεις το πρόβλημα μηδενικού οδηγού αντιμετωπίζεται με οδήγηση και η

διαδικασία συνεχίζεται. Ένα τέτοιο σύστημα είναι μη ιδιόμορφο (non-singular) και έχει
δηλαδή μη μηδενική ορίζουσα. Σε άλλες περιπτώσεις η αποτυχία της μεθόδου είναι
αναπόφευκτη γιατί το σύστημα είναι ιδιόμορφο και δεν έχει λύση ή έχει άπειρο πλήθος
λύσεων.

• Οδήγηση για την ελάττωση του σφάλματος- Στρατηγική μερικής οδήγησης

Η στρατηγική οδήγησης σ’ αυτήν την περίπτωση είναι να ανταλλάξουμε την οδηγό σειρά
του πίνακα πριν την απαλοιφή των αγνώστων σε κάθε βήμα με μια μεταγενέστερη σειρά του
πίνακα η οποία έχει το πρώτο μη μηδενικό στοιχείο μέγιστο κατά απόλυτη τιμή από
οποιοδήποτε αντίστοιχο στοιχείο των υπολοίπων σειρών. Έτσι, πριν προχωρήσουμε στην
απαλοιφή των στοιχείων της i-στήλης, εναλλάσσουμε την i-γραμμή με την k έτσι ώστε:

Αυτή η διαδικασία ονομάζεται στρατηγική μερικής οδήγησης και στοχεύει, στην ελάττωση
των σφαλμάτων αποκοπής. Υπάρχουν περιπτώσεις συστημάτων όπου αν δεν εφαρμοστεί η
στρατηγική μερικής οδήγησης στη μέθοδο απαλοιφής κατά Gauss μπορεί να προκύψουν
λύσεις με απαράδεκτα μεγάλο σφάλμα.

Το πρόβλημα των σφαλμάτων στρογγυλοποίησης είναι σημαντικό όταν περιλαμβάνεται

μεγάλος αριθμός εξισώσεων στο σύστημα. Αυτό συμβαίνει γιατί κάθε αποτέλεσμα
βασίζεται σε προηγούμενα αποτελέσματα (μετάδοση σφάλματος).

ΕΠΑΝΑΛΗΠΤΙΚΕΣ ΜΕΘΟΔΟΙ

ΜΕΘΟΔΟΣ GAUSS SEIDEL

Είναι η πιο κοινή επαναληπτική μέθοδος για την επίλυση συστημάτων γραμμικών
εξισώσεων. Υποθέτουμε ότι δίνεται ένα σύνολο n εξισώσεων .

Θεωρούμε χωρίς βλάβη της γενικότητας ότι n=3. Αν τα διαγώνια στοιχεία είναι μη
μηδενικά, η πρώτη εξίσωση λύνεται ως προς , η δεύτερη ως προς και η τρίτη ως προς
:

10
Υποθέτουμε ένα αρχικό διάνυσμα λύσης, συνηθέστερα το . Αν τα και είναι

0 τότε . Με αντικατάσταση της νέας τιμής του και της μηδενικής τιμής του
μπορούμε να υπολογίσουμε τη νέα τιμή του από τη δεύτερη εξίσωση. Η διαδικασία
επαναλαμβάνεται για τον υπολογισμό του χρησιμοποιώντας τις τιμές των και που
μόλις έχουν υπολογιστεί και εφαρμόζοντας τις στην τρίτη εξίσωση. Οι υπολογισμοί
τερματίζονται όταν το διάνυσμα λύσης που έχει υπολογιστεί συγκλίνει αρκετά στην
πραγματική τιμή ή όταν υπάρχει κάποιο κριτήριο σφάλματος.

Η σύγκλιση της μεθόδου μπορεί να ελεγχθεί χρησιμοποιοώντας το κριτήριο:

για κάθε i, όπου j και j-1 είναι η τωρινή και η προηγούμενη

επανάληψη.

Το βασικό σημείο στο οποίο πρέπει να δοθεί προσοχή για τη μέθοδο είναι ότι όταν
υπολογίζεται μια νέα συνιστώσα της λύσης, αυτή χρησιμοποιείται κατ’ ευθείαν στην
επόμενη εξίσωση για τον προσδιορισμό της επόμενης συνιστώσας της λύσης.

Για να είμαστε βέβαια ότι η μέθοδος Gauss-Seidel θα συγκλίνει στην πραγματική λύση του
συστήματος, θα πρέπει ο πίνακας του συστήματος να έχει διαγώνιο υπεροχή, δηλαδή θα
πρέπει το στοιχείο κάθε γραμμής που ανήκει στη διαγώνιο του πίνακα να είναι μεγαλύτερο
κατά απόλυτη τιμή απο το άθροισμα των απολύτων τιμών των υπολοίπων στοιχείων της
γραμμής.

Αυτό το κριτήριο είναι η ικανή αλλά όχι αναγκαία συνθήκη για τη σύγκλιση της μεθόδου.

Αν ο πίνακας δεν έχει διαγώνιο υπεροχή, υπάρχει περίπτωση να μπορεί να αποκτήσει

διαγώνιο υπεροχή με αναδιάταξη των γραμμών ή όχι. Υπάρχουν δηλαδή συστήματα τα
οποία δε μπορούν να αποκτήσουν διαγώνιο υπεροχή ούτε και με αναδιάταξη των γραμμών
τους.

11
ΑΛΓΟΡΙΘΜΟΣ THOMAS

Ο αλγόριθμος υπάρχει αυτούσιος στο βιβλίο του κ. Τσάνη σελ. 49-50. Προσοχή θέλει μόνο
το γεγονός ότι ο αλγόριθμος Thomas εφαρμόζεται σε τριδιαγώνια συστήματα, δηλαδή
συστήματα όπου ο πίνακας των συντελεστών έχει παντού μηδενικά εκτός απο την κύρια
διαγώνιο, τη διαγώνιο πάνω και κάτω απο αυτήν. Βλ. Εφαρμογή 4.1. απο Τσάνη.

ΚΕΦΑΛΑΙΑ 5 ΚΑΙ 6. ΠΡΟΣΑΡΜΟΓΗ ΚΑΜΠΥΛΩΝ (CURVE

FITTING)
Η θεωρία προσαρμογής καμπυλών αφορά δύο τύπους προβλημάτων. Ο ένας τύπος
προκύπτει όταν, ενώ δίνεται μια συνάρτηση ζητάμε να υπολογίσουμε μια απλούστερη
συνάρτηση, π.χ. πολυώνυμο η οποία μπορεί να χρησιμοποιηθεί για να υπολογίσουμε
προσεγγιστικές τιμές της γνωστής συνάρτησης. Ο άλλος τύπος προβλήματος αφορά στην
προσαρμογή (fitting) συνάρτησης σε γνωστά δεδομένα (data) με την εύρεση της
«βέλτιστης» συνάρτησης από μια κλάση συναρτήσεων οι οποίες μπορεί να
χρησιμοποιηθούν για την παράσταση δεδομένων.

Όταν έχουμε στη διάθεση μας ακριβή δεδομένα, εφαρμόζουμε παρεμβολή συνάρτησης,
δηλαδή κατασκευάζουμε μια συνάρτηση η οποία θα περνά ακριβώς από κάθε ένα σημείο των
δεδομένων. Όταν ωστόσο έχουμε σημαντικό σφάλμα στα δεδομένα μας, δεν εφαρμόζουμε
παρεμβολή γιατί δίνει έντονες ταλαντώσεις, αλλά αντίθετα εφαρμόζουμε στα δεδομένα μια
συνάρτηση που δείχνει απλά την τάση των δεδομένων, χωρίς απαραίτητα να περνάει από
κάθε σημείο (παλινδρόμηση ελαχίστων τετραγώνων).

Πριν προχωρήσουμε στη μέθοδο παλινδρόμησης ελαχίστων τετραγώνων δίνεται μια

επανάληψη στις απλές στατιστικές παραμέτρους:

Επανάληψη στις στατιστικές παραμέτρους:

Έστω σύνολο μετρήσεων για μια παράμετρο , ( πειραματικά δεδομένα): .Ο

αριθμητικός μέσος όρος αυτών των δεδομένων δίνει μια εκτίμηση της θέσης του κέντρου
της κατανομής των δεδομένων:

Η τυπική απόκλιση του συνόλου των δεδομένων δίνει μια εκτίμηση της εξάπλωσης των
δεδομένων γύρω απο το μέσο όρο τους :

, , όπου είναι το άθροισμα των τετραγώνων των αποκλίσεων

των δεδομένων από το μέσο όρο τους.

12
Η διακύμανση είναι .

ΠΑΛΙΝΔΡΟΜΗΣΗ ΕΛΑΧΙΣΤΩΝ ΤΕΤΡΑΓΩΝΩΝ

Στην περίπτωση αυτής της μεθόδου προσαρμόζουμε στα δεδομένα μας μια συνάρτηση η
οποία δείχνει την τάση αυτών και δεν απαιτείται να περνάει από κάθε ένα από αυτά.

Η προσαρμογή αυτή θα μπορούσε να γίνει και γραφικά αλλά αυτός ο τρόπος εμπεριέχει
μεγάλο βαθμό υποκειμενικότητας. Για να αποφευχθεί αυτό το πρόβλημα και να
προσαρμοστεί μια μοναδική αντικειμενική καμπύλη στα δεδομένα εισάγεται ένα κριτήριο
βάσει του οποίου υπολογίζονται οι παράμετροι- σταθερές της καμπύλης. Το κριτήριο αυτό
είναι κριτήριο ελαχιστοποίησης του αθροίσματος των τετραγώνων των αποκλίσεων των
τιμών των δεδομένων από την καμπύλη που εφαρμόζεται σε αυτά. Έτσι υπολογίζεται η
«βέλτιστη» καμπύλη που προσαρμόζεται στα δεδομένα.

Η συνάρτηση που προσαρμόζουμε στα δεδομένα μπορεί να είναι πολυωνυμική οπότε έχουμε
γραμμική παλίνδρόμηση, παλινδρόμηση 2ης, 3ης κλπ τάξης, ή ακόμα μπορεί να προσαρμοστεί
και μη πολυωνυμική συνάρτηση ειδικής μορφής.

ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ

Στη γραμμική παλινδρόμηση η συνάρτηση που προσαρμόζεται στα δεδομένα είναι γραμμική.
Η γενική εξίσωση της ευθείας είναι:

y =a0 + a1 x + e .

Για να προσδιοριστεί κατά μοναδικό τρόπο αυτή η ευθεία θα πρέπει να καθοριστούν οι

συντελεστές της (e είναι η απόκλιση της ευθείας για συγκεκριμένο x από το αντίστοιχο
πειραματικό δεδομένο).

Το γενικό πρόβλημα προσαρμογής σε ένα σύνολο δεδομένων της βέλτιστης ευθείας με τη

μέθοδο ελαχίστων τετραγώνων, συνεπάγεται την ελαχιστοποίηση της παράστασης:

nn
S=
r
2
i ∑ e= ∑ ( y − a
=i 1 =i 1
i 0 − a1 xi ) 2 , (η οποία είναι το άθροισμα των τετραγώνων των

αποκλίσεων των σημείων της ευθείας από τα αντίστοιχα πειραματικά δεδομένα)

οπότε προκύπτει για τα

n∑ xi yi − ∑ xi ∑ yi
a1 =
n∑ xi2 − (∑ xi ) 2

a0= y − a1 x

1 1
όπου x =
n
∑ xi και y = ∑ yi
n
13
Το τυπικό σφάλμα της προσέγγισης για τη γραμμική παλινδρόμηση δίνεται από τη σχέση
Sr
sy =
x n−2

το οποίο είναι αντίστοιχο της τυπικής απόκλισης για ένα σύνολο δεδομένων. Ο
παρονομαστής (n-2) δηλώνει ότι έχουν χαθεί 2 βαθμοί ελευθερίας απο τον υπολογισμό των
δύο παραμέτρων α0 και α1 απο τα δεδομένα.

είναι η εξάπλωση των δεδομένων γύρω απο τη γραμμική ευθεία παλινδρόμησης και ο
δείκτης δείχνει οτι η μεταβλητή y εξαρτάται απο τη μεταβλητή χ

είναι η εξάπλωση των δεδομένων γύρω απο το μέσο όρο

O συντελεστής συσχέτισης δίνεται από τη σχέση:

n∑ xi yi − (∑ xi )(∑ yi )
r=
n∑ xi2 − (∑ xi ) 2 n∑ yi2 − (∑ yi ) 2

ή με ύψωση του προηγούμενου στο τετράγωνο του δίνεται ο συντελεστής καθορισμού:

St − S r St
r2 =
St
=
, όπου St ∑ ( y − y)
i
2
,
Sy =
n −1

O συντελεστής καθορισμού είναι μια κανονικοποιημένη διαφορά σφάλματος των

δεδομένων πριν και μετά την προσαρμογή της καμπύλης.

Προσοχή στο ότι όταν υπολογίζουμε μια καμπύλη που προσαρμόζεται σε ένα σύνολο
δεδομένων, δεν επιτρέπεται να αναδιατάξουμε την εξίσωση για να κάνουμε πρόβλεψη της
τιμής του x σε κάποιο y. Δηλαδή επιτρέπεται μόνο πρόβλεψη του y δεδομένου του x!

ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ ΜΕ ΜΗ ΓΡΑΜΜΙΚΑ ΜΟΝΤΕΛΑ

Αν στα δεδομένα δε μπορεί να προσαρμοστεί ευθεία με μικρό σφάλμα, τότε είναι δυνατόν με
γραμμική παλινδρόμηση να προσαρμόσουμε μη γραμμικό μοντέλο στα δεδομένα. Τα μη
γραμμικά μοντέλα που εφαρμόζονται συνήθως είναι τα εξής:

Exponential

Power equation

Saturation

14
Από τα παραπάνω φαίνεται ότι η γραμμική σχέση εμφανίζεται στα μετασχηματισμένα
δεδομένα μετά από αντιστροφή, λογαρίθμηση κλπ. Επομένως, όταν πρόκειται να
προσαρμόσουμε τέτοιο μοντέλο στα δεδομένα, θα πρέπει να μετασχηματίσουμε τους πίνακες
των δεδομένων κατάλληλα και να εφαρμόσουμε γραμμική παλινδρόμηση στα
μετασχηματισμένα δεδομένα ούτως ώστε να υπολογίσουμε τους συντελεστές (σταθερές).
Αφότου υπολογιστούν οι σταθερές τις αντικαθιστούμε στο μη γραμμικό μοντέλο.

ΠΟΛΥΩΝΥΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ

Όταν στα δεδομένα δεν προσαρμόζεται ευθεία γραμμή, μπορούμε να εφαρμόσουμε απ’
ευθείας ένα πολυώνυμο όποιας τάξης επιθυμούμε. Γενικά το πολυώνυμο m τάξης έχει την
εξής μορφή:

y = a0 + a1 x + a2 x 2 + a3 x 3 + ... + am x m + e

και όπως φαίνεται απαιτεί υπολογισμό m+1 παραμέτρων για τον καθορισμό του.

Χωρίς βλάβη της γενικότητας θεωρούμε την προσαρμογή μιας παραβολικής καμπύλης (2ης
τάξης) στα δεδομένα. Η γενική εξίσωση παραβολικής καμπύλης είναι:

y =a0 + a1 x + a2 x 2 + e

Όπου οι συντελεστές του πολυωνύμου 2ης τάξης υπολογίζονται από το παρακάτω 3x3
γραμμικό σύστημα με κριτήριο την ελαχιστοποίηση του αθροίσματος των τετραγώνων των
αποκλίσεων του πολυωνύμου από τις τιμές των δεδομένων
n n
( S=
r ∑ e=i2
=i 1 =i 1
∑(y − a i 0 − a1 xi − a2 xi2 ) 2 ):

(n)a0 + (∑ xi )a1 + (∑ xi2 )a2 =

∑ yi
(∑ xi )a0 + (∑ xi2 )a1 + (∑ xi3 )a2 =
∑ xi yi
(∑ xi2 )a0 + (∑ xi3 )a1 + (∑ xi4 )a2 =
∑ xi2 yi

Για την περίπτωση όπου εφαρμόζουμε m τάξης πολυώνυμο στα δεδομένα, θα πρέπει να
επιλύσουμε ένα (m+1)x(m+1) γραμμικό σύστημα για τον υπολογισμό των συντελεστών του
πολυωνύμου.

Κατ’ αντιστοιχία με τη γραμμική παλινδρόμηση το τυπικό σφάλμα της προσέγγισης δίνεται

από τη σχέση:

Sr
sy =
x n − (m + 1)

15
όπου όμως στον παρονομαστή εμφανίζονται m+1 βαθμοί ελευθερίας που έχουν χαθεί (από
τον υπολογισμό αντίστοιχα m+1 παραμέτρων του συστήματος)

και ο συντελεστής καθορισμού είναι ίδιος με την περίπτωση της γραμμικής παλινδρόμησης
(κατά συνέπεια και ο συντελεστής συσχέτισης r):

ΠΟΛΛΑΠΛΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ

Όταν η εξαρτημένη μεταβλητή είναι γραμμική συνάρτηση 2 ή περισσοτέρων

ανεξάρτητων μεταβλητών, τότε εφαρμόζεται πολλαπλή γραμμική παλινδρόμηση
στην οποία το επίπεδο που εφαρμόζεται στα δεδομένα για την περίπτωση δύο
ανεξάρτητων μεταβλητών είναι το εξής:

y =a0 + a1 x1 + a2 x2 + e

Και οι σταθερές του υπολογίζονται κατ΄αναλογία με τις προηγούμενες περιπτώσεις

απο το 3x3 γραμμικό σύστημα:

(n)a0 + (∑ x1 )a1 + (∑ x2 )a2 =

∑ yi
(∑ x1 )a0 + (∑ x12 )a1 + (∑ x1 x2 )a2 =
∑ x1 yi
(∑ x2 )a0 + (∑ x1 x2 )a1 + (∑ x22 )a2 =
∑ x2 yi
Για m πλήθος ανεξάρτητων μεταβλητών κατ’ αναλογία θα υπάρχουν m όροι πρώτης
τάξης και συνεπώς για να καθοριστεί η εξίσωση θα πρέπει να προσδιοριστούν m+1
σταθερές από την επίλυση του αναλόγου γραμμικού συστήματος (ελαχιστοποίηση
n n
S=
του =r ∑ e=
2
i ∑
i 1 =i 1
( yi − a0 − a1 x1i − a2 x2i ) 2 ):

Το τυπικό σφάλμα της προσέγγισης και σε αυτή την περίπτωση δίνεται από τη σχέση:

Sr
sy =
x n − (m + 1)

όπου πάλι φαίνεται στον παρονομαστή ότι έχουμε χάσει m+1 βαθμούς ελευθερίας από τον
υπολογισμό των m+1 συντελεστών από τα δεδομένα.

Αντίστοιχες σχέσεις με τις προηγούμενες ισχύουν για το συντελεστή καθορισμού και τον
συντελεστή συσχέτισης.

16
ΠΟΛΥΩΝΥΜΙΚΗ ΠΑΡΕΜΒΟΛΗ
Παρεμβολή σημαίνει απλά προσαρμογή κάποιας συνάρτησης σε δεδομένα, έτσι ώστε η
συνάρτηση να έχει τις ίδιες τιμές με τις τιμές των δεδομένων.

Γενικά το απλούστερο πρόβλημα παρεμβολής σε μια διάσταση μπορεί να διατυπωθεί ως

εξής:

Για δοθέντα δεδομένα ( xi , f i ) , i=1,2,…,n, με x1 < x2 < ... < xn , ζητάμε να υπολογίσουμε μια
συνάρτηση y ( xi ) έτσι ώστε: y=
( xi ) f=
i, i 1, 2,..., n (παρεμβολικές συνθήκες) και
ονομάζουμε την y ( xi ) παρεμβολική συνάρτηση για τα δοθέντα δεδομένα.

Σε περισσότερο σύνθετα προβλήματα παρεμβολής, μπορεί να δοθούν πρόσθετα δεδομένα,

όπως η κλίση της παρεμβολικής συνάρτησης σε δεδομένα σημεία, ή μπορεί να επιβληθούν
στην παρεμβολική συνάρτηση επί πλέον συνθήκες όπως η μονοτονία, η κυρτότητα και
άλλα. Επίσης μπορούμε να μελετήσουμε το πρόβλημα της παρεμβολής σε περισσότερες
από μια διαστάσεις, όπου η συνάρτηση έχει περισσότερες από μια μεταβλητές.

Σκοποί της παρεμβολής

Προβλήματα παρεμβολής προκύπτουν από διαφορετικές πηγές και μπορούν να έχουν

διάφορους σκοπούς. Μερικοί από αυτούς είναι:

• Σχεδιασμός μιας λείας καμπύλης δια μέσου διακεκριμένων σημείων

• Γρήγορος και εύκολος υπολογισμός για μια μαθηματική συνάρτηση

• Αντικατάσταση μιας «δύσκολης» συνάρτησης με μια «εύκολη»

• Ανάγνωση μεταξύ των γραμμών ενός πίνακα

• Διαφόριση ή ολοκλήρωση δεδομένων πίνακα

Οι βασικές οικογένειες συναρτήσεων οι οποίες συνήθως χρησιμοποιούνται για την

παρεμβολή είναι τα αλγεβρικά πολυώνυμα, τα τμηματικά πολυώνυμα, οι τριγωνομετρικές
συναρτήσεις, οι εκθετικές συναρτήσεις και οι ρητές συναρτήσεις.

Στη συνέχεια θα εφαρμοστεί παρεμβολή με αλγεβρικά πολυώνυμα (πολυωνυμική

παρεμβολή).

17
ΓΕΝΙΚΗ ΠΟΛΥΩΝΥΜΙΚΗ ΠΑΡΕΜΒΟΛΗ

Μια από τις πιο χρήσιμες και γνωστές κλάσεις συναρτήσεων που απεικονίζουν το σύνολο
των πραγματικών αριθμών στον εαυτό του, είναι η κλάση των αλγεβρικών πολυωνύμων,
δηλαδή το σύνολο των συναρτήσεων της μορφής:

) ak x k + ak −1 x k −1 + ... + a1 x + a0
Pk ( x=

Όπου κ είναι μη αρνητικός ακέραιος, και (κ>=1) πραγματικές σταθερές. Οι

συναρτήσεις αυτές προσεγγίζουν ομοιόμορφα συνεχείς συναρτήσεις, δηλαδή για κάθε
συνεχή συνάρτηση, υπάρχει πολυώνυμο το οποίο την προσεγγίζει με όσο μεγαλύτερη
ακρίβεια επιθυμούμε. Ισχύει το επόμενο θεώρημα:

Θεώρημα Weierstrass: Αν η συνάρτηση f ανήκει στην οικογένεια των συνεχών

συναρτήσεων στο διάστημα [α,β] και ε>0 , τότε υπάρχει ένα πολυωνυμο P(x) , ορισμένο
στο [α,β] , έτσι ώστε:

για κάθε x στο διάστημα [α,β].

To θεώρημα Weierstrass είναι πολύ σημαντικό από θεωρητικής πλευράς, αλλά δε μπορεί
να χρησιμοποιηθεί αποτελεσματικά για υπολογιστικούς σκοπούς.

Ο υπολογισμός των συντελεστών του πολυωνύμου με βάση τις γνωστές παρεμβολικές

συνθήκες οδηγεί στη λύση ενός γραμμικού συστήματος, του οποίου ο πίνακας των
συντελεστών είναι ο γνωστός πίνακας Vandermonde. Η ορίζουσα του πίνακα αυτού είναι
διάφορη του μηδενός όταν τα σημεία παρεμβολής είναι διακεκριμένα. Η επίλυση του
γραμμικού συστήματος και επομένως η κατασκευή του παρεμβολικού πολυωνύμου με τον
κλασσικό τρόπο δεν αποτελεί την καλύτερη αντιμετώπιση του προβλήματος. Στη συνέχεια
θα αναπτύξουμε τύπους παρεμβολικών πολυωνύμων οι οποίοι υπολογίζονται εύκολα.

ΠΑΡΕΜΒΟΛΗ LAGRANGE

Αναζητούμε την κατασκευή ενός πολυωνύμου παρεμβολής βαθμού κ, που θα παρεμβάλλει

τη συνάρτηση στα κ+1 διαφορετικά σημεία του πεδίου ορισμού της :

Pk=
( xi ) f =
( xi ) f=
i, i 0,1,..., k (5.7.)

Υπάρχει ένα μοναδικό πολυώνυμο βαθμού <=κ που πληροί τις παραπάνω συνθήκες
παρεμβολής, αλλά μπορεί να εκφραστεί με διάφορους τρόπους. Το πολυώνυμο
παρεμβολής Lagrange το οποίο θα κατασκευαστεί στη συνέχεια, είναι πιο προσιτό για
αναλυτικούς κυρίως σκοπούς.

Το πολυώνυμο παρεμβολής Lagrange βαθμού κ που πληροί τις παρεμβολικές συνθήκες

βασίζεται σε ένα σύνολο βασικών πολυωνύμων Li ( x), i = 0,1,..., k , καθένα βαθμού k , τα
οποία πληρούν τις παραπάνω σχέσεις:

18
 1 αν i = j
Li ( x j ) = 
0 αν i ≠ j

Είναι εύκολο να διαπιστώσουμε ότι τα πολυώνυμα της μορφής:

( x − x0 )( x − x1 )...( x − xi −1 )( x − xi +1 )...( x − xk ) k (x − x j )
Li ( x) =
( xi − x0 )( xi − x1 )...( xi − xi −1 )( xi − xi +1 )...( xi − xk )
∏ (x − x )
j =0 i j
j ≠i

είναι βαθμού k και πληρούν τις σχέσεις

k
Τότε το πολυώνυμο : PkL ( x) = ∑ L ( x) f
i =0
i i

είναι βαθμού k και είναι ένα πολυώνυμο παρεμβολής διότι:

Pk=
L
( x) f 0 L0 ( xi ) + f1 L1 ( xi ) + ... + f i Li ( xi ) + ... + f k L=
k ( xi ) fi

για κάθε i = 0,1,..., k .

Η παραπάνω εξίσωση καλείται ο τύπος του Lagrange για το πολυώνυμο παρεμβολής και
γράφεται στη γενική μορφή:

k k (x − x j )
PkL ( x) = ∑ fi ∏
i =0 j =0 ( xi − x j )
j ≠i

ΠΟΛΥΩΝΥΜΟ NEWTON ΜΕ ΔΙΗΡΗΜΕΝΕΣ ΔΙΑΦΟΡΕΣ

Πολλές φορές π.χ. όταν επιλύουμε διαφορικές εξισώσεις, συνεχώς πηγαίνουμε από την
παρεμβολή σε ένα σύνολο τιμών στην παρεμβολή σε ένα άλλο σύνολο τιμών, που
προκύπτει διαγράφοντας ή προσθέτοντας ένα σημείο παρεμβολής ή και τα δύο μαζί. Από
τον τρόπο κατασκευής του πολυωνύμου παρεμβολής Lagrange είναι φανερό ότι, κάθε
φορά που το σύνολο των σημείων παρεμβολής μεταβάλλεται, ο τύπος του Lagrange πρέπει
να υπολογιστεί εξ΄ ολοκλήρου από την αρχή. Μπορούμε να έχουμε οικονομία υπολογισμών
αν κατασκευάσουμε ένα πολυώνυμο παρεμβολής που να λαμβάνει υπ’ όψιν του ότι οι
περισσότερες τιμές παραμένουν ίδιες.

Υποθέτουμε ότι γνωρίζουμε το πολυώνυμο παρεμβολής Pk ( x) βαθμού k που

παρεμβάλλει τη συνάρτηση f ( x) στα σημεία x0 , x1 ,..., xk . τότε, το πολυώνυμο
παρεμβολής Pk +1 ( x) βαθμού k + 1 , που παρεμβάλλει την f ( x) στα σημεία
x0 , x1 ,..., xk , xk +1 , θα απαιτήσουμε να πληροί τη σχέση:

Pk +=
1 ( x) Pk ( x) + Rk +1 ( x)
19
Όπου Rk +1 ( x) πρέπει να είναι βαθμού k + 1 και να αποτελεί κατά κάποιον τρόπο μια
διόρθωση του γνωστού πολυωνύμου Pk ( x) . Επιπλέον ο τύπος του πολυωνύμου Rk +1 ( x)
πρέπει να είναι τέτοιος ώστε να πληροί τις συνθήκες παρεμβολής στα πρώτα k + 1 σημεία
x0 , x1 ,..., xk , xk +1 .

Το πολυώνυμο της μορφής : Rk +1 ( x) = ak +1 ( x − x0 )( x − x1 )...( x − xk )

όπου ak +1 κατάλληλος συντελεστής, ικανοποιεί τις συνθήκες παρεμβολής στα πρώτα k + 1

σημεία διότι, Pk +1 ( xi ) =Pk ( xi ) + Rk +1 ( xi ) = 0,1,..., k και είναι βαθμού k + 1 . Η
fi , i =
συνθήκη παρεμβολής στο επιπλέον σημείο xk +1 απαιτεί να ισχύει:

k
Pk +1 ( xk +1 ) = f k +1 = Pk ( xk +1 ) + ak +1 ⋅ ∏ ( xk +1 − x j )
j =0

( f k +1 − Pk ( xk +1 ))
ή ak +1 = k

∏ (x
j =0
k +1 − xj )

Το ak +1 είναι ορισμένο διότι το xk +1 διαφέρει από τα άλλα σημεία παρεμβολής και

υπολογίζεται από την προηγούμενη σχέση. Επομένως, το Pk +1 ( x) ικανοποιεί όλες τις
συνθήκες παρεμβολής και είναι βαθμού k + 1 . Ο συντελεστής ak +1 είναι ένα παράδειγμα
διηρημένης διαφοράς τάξης k + 1 και μπορεί να γραφεί με τη γνωστή μορφή:

ak +1 = f [ x0 , x1 ,..., xk +1 ]

η οποία εξηγεί τα σημεία από τα οποία εξαρτάται. Χρησιμοποιώντας τις διηρημένες

διαφορές η νέα μορφή του πολυωνύμου παρεμβολής βαθμού k γράφεται:

) f [ x0 ] + ( x − x0 ) f [ x0 , x1 ] + ( x − x0 )( x − x1 ) f [ x0 , x1 , x2 ] + ... +
PkN ( x=
+( x − x0 )( x − x1 )...( x − xk −1 ) f [ x0 , x1 ,..., xk ]

20
ΔΙΗΡΗΜΕΝΕΣ ΔΙΑΦΟΡΕΣ

Οι διηρημένες διαφορές που εμφανίζονται στο πολυώνυμο Newton δίνονται από τις
παρακάτω σχέσεις ανάλογα με την τάξη της διαφοράς.

f ( xi ) − f ( x j )
f [ xi , x j ] =
xi − x j
f [ xi , x j ] − f [ x j , xk ]
f [ xi , x j , xk ] =
xi − xk
f [ xi , x j , xk ] − f [ x j , xk , xl ]
f [ xi , x j , xk , xl ] =
xi − xl
f [ x1 , x2 ,..., xn −1 ] − f [ x2 , x3 ,..., xn ]
f [ x1 , x2 ..., xn −1 , xn ] =
x1 − xn

ΚΕΦΑΛΑΙΟ 7. ΑΡΙΘΜΗΤΙΚΗ ΟΛΟΚΛΗΡΩΣΗ

Η παραγώγιση και η ολοκλήρωση αποτελούν βασικές πράξεις του διαφορικού λογισμού και
συναντώνται σχεδόν σε κάθε περιοχή των μαθηματικών, της τεχνολογίας και της επιστήμης.
Ο αναλυτικός υπολογισμός της παραγώγου μιας συνάρτησης μπορεί να είναι εύκολος και
άμεσος. Το αντίστροφο αυτής της διαδικασίας, δηλαδή ο υπολογισμός του ολοκληρώματος
της συνάρτησης, μπορεί να είναι πολύ δύσκολος ή ακόμη και αδύνατος.

Η δυσκολία υπολογισμού ενός ολοκληρώματος αναλυτικά, οδήγησε στην ανάπτυξη και

μελέτη πολλών αριθμητικών μεθόδων για τον υπολογισμό της τιμής ενός ορισμένου
ολοκληρώματος..

Στην παράγραφο αυτή θα αναπτύξουμε μεθόδους για τον υπολογισμό του ορισμένου
β
ολοκληρώματος I = ∫α f ( x)dx για πεπερασμένες τιμές των α και β. Το παραπάνω
ορισμένο ολοκλήρωμα είναι μια αθροιστική διαδικασία αλλά μπορεί επίσης να ερμηνευτεί
ως το εμβαδόν του χωρίου το οποίο περικλείεται από την καμπύλη y = f ( x) και τις
ευθείες χ=α και χ=β. Κάθε περιοχή πάνω από τον άξονα των χ θεωρείται ότι έχει θετικό
εμβαδόν και κάθε περιοχή κάτω από τον άξονα των χ αρνητικό εμβαδόν.

Είναι γνωστό από την ανάλυση ότι αν μπορούμε να βρούμε μια συνάρτηση F ( x) έτσι ώστε
β
=
F ' ( x) = f ( x) , τότε ισχύει: I ∫α )dx F ( β ) − F (α )
f ( x=

Πολλές φορές απαιτείται πολύπλοκη άλγεβρα για τον υπολογισμό της συνάρτησης F ( x) ή
αυτός ο υπολογισμός είναι αδύνατος. Ακόμη και αν αυτό είναι σχετικά εύκολο, μας
συμφέρει να εφαρμόσουμε μια προσεγγιστική μέθοδο για να υπολογίσουμε το ορισμένο
ολοκλήρωμα όταν ο προσδιορισμός της F ( x) απαιτεί πολλούς υπολογισμούς.

21
 ΠΡΟΣΕΓΓΙΣΗ ΟΛΟΚΛΗΡΩΜΑΤΟΣ

Ένας προφανής τρόπος για την προσέγγιση του ορισμένου ολοκληρώματος είναι να
αντικαταστήσουμε τη συνάρτηση που ολοκληρώνεται με κάποιο προσεγγιστικό πολυώνυμο
παρεμβολής και να ολοκληρώσουμε το τελευταίο (η ολοκλήρωση πολυωνύμων είναι
αναλυτικά εύκολη). Με τον τρόπο αυτόν προκύπτουν διάφορες μέθοδοι προσέγγισης του
ολοκληρώματος οι οποίες αποτελούν την κατηγορία των μεθόδων Newton- Cotes.

ΑΠΛΟΣ ΚΑΝΟΝΑΣ ΤΟΥ ΤΡΑΠΕΖΙΟΥ

Ο κανόνας του τραπεζίου βασίζεται στο ότι η συνάρτηση προσεγγίζεται στο διάστημα
ολοκλήρωσης της με μία ευθεία γραμμή, δηλαδή με ένα πολυώνυμο πρώτου βαθμού. Έτσι
η μορφή της περιοχής ολοκλήρωσης είναι ένα τραπέζιο. Συνεπώς για το συνολικό διάστημα
ολοκλήρωση [a,b] ισχύει:

(b − a )
=
I ≈T ( f (a ) + f (b))
2

Ο απλός κανόνας του τραπεζίου εφαρμόζεται για το συνολικό διάστημα και μπορεί να
οδηγήσει σε αρκετά μεγάλο σφάλμα ανάλογα με τη μορφή της συνάρτησης.

ΣΥΝΘΕΤΟΣ ΚΑΝΟΝΑΣ ΤΟΥ ΤΡΑΠΕΖΙΟΥ

Η ακρίβεια υπολογισμού του ολοκληρώματος μπορεί να βελτιωθεί σημαντικά αν το

διάστημα ολοκλήρωσης διαιρεθεί σε μικρότερα υποδιαστήματα ίσου πλάτους σε κάθε
υποδιάστημα εφαρμοστεί ο απλός κανόνας του τραπεζίου και στη συνέχεια να προστεθούν
τα επιμέρους εμβαδά που έχουν προκύψει. Είναι φανερό ότι όσο ο αριθμός των
υποδιαστημάτων αυξάνεται οι ευθείες γραμμές θα προσεγγίζουν καλύτερα τη συνάρτηση.

Ο σύνθετος τύπος του τραπεζίου είναι ο εξής:

n −1
f 0 + 2∑ f i + f n
I ≈ Tn = (b − a ) i =1

2n

όπου n είναι ο αριθμός των υποδιαστημάτων.

ΑΠΛΟΣ ΚΑΝΟΝΑΣ SIMPSON ΤΟΥ 1/3

Ο κανόνας Simpson του 1/3 βασίζεται στην εφαρμογή δευτεροβάθμιου πολυωνύμου

παρεμβολής για την προσέγγιση της συνάρτησης και θεωρείται ότι το διάστημα έχει

22
 διαιρεθεί σε 2 υποδιαστήματα (3 σημεία εφαρμογής= 2ης τάξης πολυώνυμο). Ο κανόνας είναι
ο εξής:

(b − a )
=
I ≈S ( f (a ) + 4 f (m) + f (b))
6

ΣΥΝΘΕΤΟΣ ΚΑΝΟΝΑΣ SIMPSON ΤΟΥ 1/3

Είναι προφανές ότι η ακρίβεια του τύπου θα βελτιωθεί σημαντικά αν το διάστημα

ολοκλήρωσης διαιρεθεί σε άρτιο αριθμό υποδιαστημάτων και σε κάθε ζεύγος από αυτά
εφαρμοστεί ο απλός κανόνας Simpson του 1/3.

Εφαρμόζοντας τον απλό αντίστοιχο κανόνα σε όλα τα διαδοχικά ζεύγη υποδιαστημάτων

του [α,β] και προσθέτoντας τα αποτελέσματα, προκύπτει η παρακάτω μέθοδος γνωστή και
σαν σύνθετος τύπος του Simpson του 1/3:

( f 0 + 4∑ f i + 2 ∑ fi + f 2 n )
S=
n (b − a ) odd even < 2 n

3n

ΑΠΛΟΣ ΚΑΝΟΝΑΣ SIMPSON ΤΩΝ 3/8

Ο απλός κανόνας Simpson των 3/8 βασίζεται στην εφαρμογή τριτοβάθμιου πολυωνύμου
παρεμβολής για την προσέγγιση της συνάρτησης και θεωρείται ότι το διάστημα έχει
διαιρεθεί σε 3 υποδιαστήματα (4 σημεία εφαρμογής= 3ης τάξης πολυώνυμο).:

f 0 + 3 f1 + 3 f 2 + f3 f + 3 f1 + 3 f 2 + f3
I ≈ (b − a ) = 3⋅ h ⋅ 0
8 8

Προσοχή στο ότι γενικά για την αριθμητική ολοκλήρωση, το πλάτος των υποδιαστημάτων
πρέπει να είναι ίδιο και προσοχή στο πλήθος των διαστημάτων στα οποία εφαρμόζουμε μια
μέθοδο.

23
ΚΕΦΑΛΑΙΟ 8. ΔΙΑΦΟΡΙΚΕΣ ΕΞΙΣΩΣΕΙΣ
Πολλά προβλήματα της επιστήμης και της τεχνολογίας με τη διαδικασία της μαθηματικής
μοντελοποίησης μπορούν να παρασταθούν με διάφορα μαθηματικά μοντέλα. Οι εξισώσεις
οι οποίες συχνά προκύπτουν εκφράζονται συναρτήσει άγνωστων μεταβλητών και των
παραγώγων τους. Τέτοιες εξισώσεις ονομάζονται διαφορικές εξισώσεις. Η επίλυση αυτών
των εξισώσεων έχει απασχολήσει πολύ τους μεγάλους μαθηματικούς από την εποχή του
Νεύτωνα και πολύ ισχυρές τεχνικές είναι τώρα στη διάθεση των σύγχρονων επιστημόνων.
Όμως, πριν από την ανάπτυξη των ισχυρών υπολογιστών, μόνο ένα μικρό μέρος των
διαφορικών εξισώσεων των εφαρμοσμένων μαθηματικών μπορούσε να επιλυθεί με
ακρίβεια. Για να επιτύχουμε την επίλυση της συχνά απλοποιούμε τη διαφορική εξίσωση,
διακυβεύοντας όμως την εγκυρότητα του μαθηματικού μοντέλου που εφαρμόστηκε.

Στο κεφάλαιο αυτό ασχολούμαστε με τις συνήθεις διαφορικές εξισώσεις (ordinary

differential equations) πρώτης τάξης, όπου στην εξίσωση περιλαμβάνεται μόνον η πρώτη
παράγωγος της εξαρτημένης μεταβλητής και η ανεξάρτητη μεταβλητή είναι μια.

ΠΡΟΒΛΗΜΑ ΑΡΧΙΚΩΝ ΤΙΜΩΝ Σ.Δ.Ε. 1Ης ΤΑΞΗΣ

Έστω f ( x, y ) μια πραγματική συνάρτηση δύο μεταβλητών ορισμένη στα διαστήματα

a ≤ x ≤ β και −∞  y  +∞ . Υποθέτουμε ότι y είναι μια πραγματική συνάρτηση
ορισμένη στο διάστημα [a, β ] . Η πιο απλή μορφή διαφορικής εξίσωσης είναι:
y ′ = f ( x, y )

Και ονομάζεται συνήθης διαφορική εξίσωση πρώτης τάξης. Κάθε πραγματική συνάρτηση
y ( x) , η οποία είναι παραγωγίσιμη και ικανοποιεί τη διαφορική εξίσωση για όλα τα x του
διαστήματος [a, β ] , λέμε ότι είναι μια λύση της διαφορικής εξίσωσης. Η εξίσωση
ονομάζεται γραμμική αν έχει τη μορφή:

y′ Ay + g ( x)
=

Όπου A μια σταθερά. Είναι γνωστό ότι η προηγούμενη διαφορική εξίσωση αν έχει λύση, η
λύση αυτή δεν είναι μοναδική, επειδή μια αυθαίρετη σταθερά εισάγεται ολοκληρώνοντας
την. Παράδειγμα αποτελεί η συνάρτηση: y ( x) = ceλ x

Είναι για κάθε τιμή της σταθεράς c , μια λύση της διαφορικής εξίσωσης: y′ = λ y

Όπου λ μια σταθερά. Για να υπολογίσουμε μια ιδιαίτερη λύση πρέπει να επιβάλλουμε μια
επιπλέον συνθήκη στη λύση της μορφής: y ( x0 ) = y0 όπου x0 ∈ [a, β ] . Η συνθήκη αυτή
ονομάζεται αρχική συνθήκη και το y0 αρχική τιμή της y ( x) . Για το παραπάνω
παράδειγμα, η ιδιαίτερη λύση που ικανοποιεί την είναι: y ( x) = y0 eλ ( x − x0 )

24
Αν θεωρήσουμε μια διαφορική εξίσωση μαζί με μια αρχική συνθήκη, τότε ορίζουμε το
λεγόμενο πρόβλημα αρχικών τιμών. Η γενική μορφή του προβλήματος αρχικών τιμών για
συνήθεις διαφορικές εξισώσεις πρώτης τάξης

y′( x)
είναι: = y (a) y0 , x0 ∈ [a, β ]
f ( x, y ( x)), =

Όπου ο τόνος δηλώνει παραγώγιση ως προς τη μεταβλητή x και y είναι γενικά ένα
διάνυσμα διάστασης n .

Στις επόμενες αριθμητικές μεθόδους υπολογίζεται η τιμή της συνάρτησης για το επόμενο
σημείο δεδομένης της διαφορικής εξίσωσης και του προηγούμενου σημείου οι αριθμητικές
μέθοδοι που αναπτύσσονται ανήκουν στην κατηγορία των μεθόδων ενός βήματος. Όλες οι
μέθοδοι ενός βήματος εκτός από μια μικρή εξαίρεση ανήκουν στις λεγόμενες Runge- Kutta
τεχνικές.

ΑΡΙΘΜΗΤΙΚΕΣ ΜΕΘΟΔΟΙ ΕΠΙΛΥΣΗΣ ΔΙΑΦΟΡΙΚΩΝ ΕΞΙΣΩΣΕΩΝ

ΜΕΘΟΔΟΣ EULER

Η μέθοδος Euler έχει την εξής φόρμουλα υπολογισμού διαδοχικών σημείων της
παράγουσας συνάρτησης:

Η συνάρτηση f είναι η παράγωγος της ζητούμενης συνάρτησης και συνεπώς είναι φανερή η
ιδέα που βρίσκεται πίσω απο τη μέθοδο Euler. Συγκεκριμένα στη μέθοδο γίνεται η
θεώρηση ότι η κλίση στο σύνολο του διαστήματος απο το γνωστό σημείο στο ζητούμενο
μπορεί να αντιπροσωπευτεί απο την κλίση της συνάρτησης στο αρχικό σημείο του
διαστήματος. Η μέθοδος αυτή είναι ακριβής (error-free), δεν έχει σφάλμα δηλαδή, στην
περίπτωση προφανώς που η παράγουσα συνάρτηση την οποία αναζητούμε είναι γραμμική
(στην ουσία προσεγγίζεται η συνάρτηση σε κάθε διάστημα με ένα ευθύγραμμο τμήμα και
είναι επομένως πρώτης τάξης μέθοδος). Η ίδια γενίκευση γίνεται και για τις μεθόδους
μεγαλύτερης τάξης, π.χ. μια τάξης n μέθοδος θα δώσει ακριβή αποτελέσματα για μια
παράγουσα συνάρτηση που είναι πολυωνυμική n τάξης. Η μέθοδος Euler βελτιώνει την
πρόβλεψη της όταν το βήμα μειώνεται.

ΜΕΘΟΔΟΙ RUNGE-KUTTA

Οι μέθοδοι τύπου Runge – Kutta θεωρούνται οι πλέον πρακτικές μέθοδοι απλού βήματος
για την επίλυση συνήθως διαφορικών εξισώσεων. Όμως όπως θα διαπιστώσουμε στη
συνέχεια η παραγωγή αυτών των μεθόδων απαιτεί μεγάλη προσπάθεια. Για πρώτη φορά,
πριν περίπου έναν αιώνα, προτάθηκαν από τον Runge και λίγα χρόνια αργότερα από τον
Kutta. Οι μέθοδοι Runge- Kutta αποτελούν τις πλέον δημοφιλείς μεθόδους για την επίλυση
συνήθων διαφορικών εξισώσεων.
25
Η γενική μορφή της άμεσης μεθόδου Runge- Kutta μπορεί να εκφραστεί:

Όπου αντιπροσωπεύει την κλίση για το διάστημα.

Τα α, p και q είναι σταθερές. Παρατηρούμε επίσης ότι τα κ είναι αναδρομικές σχέσεις. Όλες
οι μέθοδοι Runge- Kutta ακολουθούν ακριβώς αυτή τη φόρμουλα και διαφέρουν μόνο στον
τρόπο υπολογισμού της αντιπροσωπευτικής κλίσης του διαστήματος φ. Η φόρμουλα αυτή
εφαρμόζεται επαναληπτικά και σε κάθε επανάληψη υπολογίζει το επόμενο σημείο της
συνάρτησης. Έτσι, ως αποτέλεσμα προκύπτει ένα πλήθος σημείων που αντιπροσωπεύει την
παράγουσα συνάρτηση που θέλαμε να βρούμε.

Όταν καθοριστούν οι συντελεστές α, p και q τότε έχει προσδιοριστεί πλήρως η μέθοδος

Runge- Kutta. Επιπλέον, για τις χαμηλής τάξης μεθόδους μπορούμε να πούμε ότι όταν η
κλίση φ περιλαμβάνει μόνο τον πρώτο όρο ( ) είναι πρωτοβάθμια η προσέγγιση
της συνάρτησης. Όταν περιλαμβάνει 2 όρους ( ) ακόμα και αν το είναι
μηδέν είναι δευτεροβάθμια η προσέγγιση και ούτω καθ΄εξής.

Στο βιβλίο του Τσάνη αναφέρονται 3 μέθοδοι Runge-Kutta 2ης τάξης, 1 μέθοδος 3ης τάξης
και μια 4ης. Αυτό που διαφοροποιεί τις μεθόδους μεταξύ τους είναι η επιλογή των
σταθερών των εξισώσεων για τις ίδιας τάξης μεθόδους (και προφανώς για τις διαφορετικής
τάξης μεθόδους) και η διαφορά στο πλήθος των κ παραμέτρων μεταξύ διαφορετικής τάξης
μεθόδων. Επιπλέον σημειώνεται ότι η μέθοδος Heun και η μέθοδος του ενδιαμέσου
σημείου είναι 2ης τάξης και αποτελούν βελτιώσεις της μεθόδου Euler και η εν λόγω
βελτίωση έγκειται στο ότι αφενός μεν στη μέθοδο Heun ως αντιπροσωπευτική κλίση του
διαστήματος λαμβάνεται ένας μέσος όρος της κλίσης στο αρχικό και το τελικό σημείο του
διαστήματος και αφετέρου στη μέθοδο του ενδιαμέσου σημείου ως αντιπροσωπευτική
κλίση θεωρείται η κλίση στο μέσο σημείο του διαστήματος.

26