skripta

Univerzitet u Zenici

V
I
UN

ER

ZITET U Z E

N
IC
I

A

S

ST

ZE

UDIORUM

Mašinski fakultet

Aleksandar Karač

Numeričke metode u inženjerstvu

Zenica, 2008.

N

IC

UNIVER

AEN IS S
T

SI

Predgovor Ovaj udžbenik je namijenjen studentima dodiplomskog studija Mašinskog fakulteta ...... Poglavlja u udžbeniku u potpunosti zadovoljavaju plan i .... Na kraju, autor bi se zahvalio ....

i

.

. . konvergencija. . . . . . . . . . . .2. . . . . . 2. . . . . . . . 1 1 1 3 4 4 5 5 8 8 11 12 12 12 13 15 16 16 18 21 21 25 28 30 . .1 Metoda polovljenja intervala . . . . . . . . . . . . . . . . 2. . . . . 2.1 Lokalizacija nula . . . . . . . . . . . . . . . . . . . . . .3. . .1 Osnovne karakteristike u pronalaženju korijena 2.1. . . . . . .2 Poboljšanje rješenja . . 2. 1. . . . . . . . . . . . . . . .1. . . 2. tačnost.3 Taylorov red za funkcije jedne promjenljive . . . . . . . . . .3.2. . 2. . . . . . . . . . . . . . . . . . . . . .4 Neke smjernice u traženju korijena . . iii i iii . . . . . . . . 2. . . . .4 Metoda sječice . . . . . .2. . . . . . 2 Rješavanje nelinearnih jednačina 2. . . greške i predstavljanje brojeva 1. . . .1 Značajne cifre . . . . . . . rekurzija . . . . . . . 2. . 1. . .1 Metoda proste iteracije . . . . . . . . . . .2 Značajne cifre.3 Modifikovana Newtonova metoda . . . . . . . aproksimacija. . 1. . . . . . . . . .2. . . . . . . . . . . . . . . . . . .1. . . . . . . . . .3 Ponašanje nelinearnih jednačina . . .2. . . .2 Preciznost i tačnost .4 Predstavljanje brojeva . 2. . . . . .3 Metode na otvorenom intervalu . . . . . . . . . . . . . . . . .1 Osnovne ideje i koncepti u numeričkoj analizi . . ekstrapolacija . . .2 Metoda regula falsi . . . . .1. .2 Linearizacija. 2. . . . .2 Newtonova metoda . 1. . . .3. . .Sadržaj Predgovor Sadržaj 1 Uvod 1. . . . . 2. . . . .2. . .3 Greške . . . . . . . . . . . . . . . . . . . .2 Metode na zatvorenom intervalu . . . . . . . 1. . . . . . . . . 1. . . . . . . . . . . . . . . . . .1 Iteracija. . . . 1. . . . . .3. . . . . . . . .1. . . . . . . . .1. . .

. . . . . . . . . . . . . . . . .4 2. . . . . . . . . . . . . 5. . . . .1. . . . . .3 Newtonovi interpolacioni polinomi . . . . . . . . . . . 3. . . . . . . . . . . . . . . . 4. 5. . 4 Interpolacija i aproksimacija funkcija 4.2. . . . . . . . . . . . . . . . . . .2 Numeričko integriranje . . 3. . . . . .2 Metode eliminacije . . .2 Aproksimacija funkcija . . .2 Lagrangeov interpolacioni polinom . . . . . . .3 Pitanja i zadaci . . . . . . . . . . . . .1 Integriranje pomoću približnih polinoma .4 Pitanja i zadaci . . 4. . . . . . . . . . . . . . . . . . . . . . .1. . . . . .1 Cramerovo pravilo . . 5. . . . . .2. . . . . .1.3 Gaussove kvadraturne formule . .1 Direktne metode . . . . . . . . . 5. . .1 Numeričko diferenciranje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5 Problemi u numeričkom rješavanju nelinearnih jednačina . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . . .2. . . . . . . . . . . . . . . . . 3. . . .1 Interpolacija polinomima . . . . . . . . . . . .2. . . . . . . . . . . . .3 Ostale metode . . . . . . .3 Metode relaksacije . . . . . . . . . . . . .1.1. . . . . . . . .1. . . . . . . . . .1. . .2. . . . . . 3. . . .1. . . . . . . . 33 37 38 38 39 48 49 51 54 55 58 60 61 62 65 66 67 70 72 77 77 78 84 87 87 87 89 92 93 95 101 104 105 3 Rješavanje sistema linearnih jednačina 3. . .4 Numeričko izračunavanje višestrukih integrala 5. . . . . . . . .4 Metode faktorizacije . . . . . . .1 Diferenciranje pomoću približnih polinoma . . . 5. . . . iv . . . . . . . 3.2 Gauss-Seidelova metoda . . . . . . . . . . . . . . . .1 Jacobijeva metoda . .1. . .2. . . . . . . . . . .5 Nedostaci metoda eliminacije . . . . . . . . . 3. . . . . . . . . . . . .2.1. . . . 4. . . . . . . 3. . . . 4. . . 4. . . . . . . 3. . . . . . . . . . . . . . . .2 Iterativne metode . . . . . 3. . . . . . . . . . .2. . 4. . . . . . . . . . . . . . . . . . 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Direktna metoda .3 Matrična metoda .2 Newton-Cotesove formule . 5. . . . . . . . . . . .1 Metoda najmanjih kvadrata . . .4 Greška interpolacije . . . . . . . . . . . 3. . . . . . 5 Numeričko diferenciranje i integriranje 5. 32 Pitanja i zadaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Formule za diferenciranje . . . . . . . . . . . . . .3 Pitanja i zadaci . . . . . .2. . . . . . 4. . 3.

1 Metoda gađanja . . . . 6. . . . . . . . . . . . . . . 128 . . .2 Numeričke metode za rješavanje parcijalnih diferencijalnih jednačina . . 109 . . . . . 6. . . .2. .2 Metoda konačnih volumena . 137 . . . . . . . .2. . . . . . . . 6. . . . . . . . . . .6 Rješavanje običnih diferencijalnih jednačina 6. .1 O običnim diferencijalnim jednačinama .2. . 112 .2. . . . . 7. . .5. . . . . . . . . . 136 . .1 Metoda konačnih razlika . . . . . . . . . . . . . . . 7. . . . .4 Runge-Kutta metode . .3 Obične diferencijalne jednačine višeg reda . . .2 Metoda konačnih razlika . .2. . . . .2. . . . . . . . 152 152 153 153 155 157 159 161 167 7 Ukratko o rješavanju parcijalnih diferencijalnih jednačina 7. . . . . . . . . . . . . . 6. . . . 6.5 Ostale metode . . . . 6. . . . . . . . . 141 . . . . . . . .3 Eulerova metoda . .2 Rješavanje problema početnih vrijednosti . . . . . . . . . . . . 7. . . . . . . . . . . 117 . . . . . . . .3 Metoda konačnih elemenata . . . . . . . 6. . . 109 . . . . . . 6. . 116 . . . 146 151 . 7. . . . . . . .2. . . . .2. . . . . . 111 . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Taylorova metoda . . . 6. 122 . . . 151 . 6. . . . . . .5 Rješavanje problema graničnih vrijednosti . . . . . . . . . . . . . . . . . .4 Sistem običnih diferencijalnih jednačina . . . 6. . . . . . . . . . .5. . . . .6 Pitanja i zadaci . .2 Metoda ravnoteže . 132 . .1 Ukratko o parcijalnim diferencijalnim jednačinama . . . . . . . . . . . Literatura A Softveri za numeričku analizu B Neke korisne web stranice C Formule za pismeni ispit Popis pojmova v . . . . . . . 6. . . . . . . . 129 . . . . . . . .

.

U ovom poglavlju date su neke osnovne opšte ideje koje se kriju iza numeričkih metoda za rješavanje jednostavnijih problema. na ovaj način je moguće veoma brzo dobiti rješenja visoke tačnosti za mnoge probleme sa kojima se suočavaju današnji inženjeri i naučnici. konvergencija.1. s ciljem poboljšanja prethodno dobivenih rezultata. pak. objašnjava osnovne pojmove sa kojima se susrećemo u numeričkim proračunima. a za koje ne postoje tačne metode rješavanja. 1. iteration.1 Iteracija. ponavljanje) ili sukcesivne aproksimacije. u posljednjem dijelu je data je i lista najčešće korištenih komercijalnih softvera za numeričke proračune koji su na raspolaganju današnjim inženjerima i naučnicima. Ovo uvodno poglavlje. S obzirom na pristupačnost veoma brzim računarima u današnje vrijeme. Pored toga. a mogu se pojaviti kao dio nekog većeg problema. .1 Osnovne ideje i koncepti u numeričkoj analizi U većini numeričkih metoda primjenjuje se mali broj opštih i relativno jednostavnih ideja. rekurzija Jedan od najčešće sretanih pojmova u mnogim kontekstima je pojam iteracije (lat. 1. iteracija predstavlja ponavljanje niza radnji ili postupaka. Općenito govoreći. kao što je ponavljanje nekog numeričkog procesa. Ove ideje se međusobno povezuju sa nekim dodatnim saznanjima o problemu koji se rješava.Poglavlje 1 Uvod U ovom udžbeniku predstavljene su metode koje se mogu koristiti u rješavanju matematičkih problema koji se pojavljuju u inženjerskim problemima i nauci. ili su iste neefikasne.

xn+1 = g(xn ). Iteracija se zaustavlja kada se dobije željena tačnost. postoje i slučajevi u kojima iterativni proces divergira (slike 1. Slika 1.1c i d). date u obliku: x = g(x) (1..1)... počinje se sa nekom početnom aproksimacijom x0 . (1. x3 = g(x2 ).2) xn+1 = g(xn ) (1..1) gdje je g(x) diferencijabilna funkcija čija se vrijednost može izračunati za bilo koju vrijednost realne promjenljive x unutar zadatog intervala. Ako niz xn konvergira ka graničnoj vrijednosti ξ tada imamo: ξ = lim xn+1 = lim g(xn ) = g(ξ) n→∞ n→∞ (1. Geometrijska interpretacija iteracije je data na slici 1. jer ima istu vrijednost ordinate kao tačka A0 .3) pa x = ξ zadovoljava jednačinu x = g(x).Uvod Kako bismo pojasnili pojam iteracije.1. Koristeći iteraciju. y = g(x0 ) = x1 . U cilju je da sa porastom n imamo sve bolju procjenu željenog korijena (rješenja) jednačine (1. Međutim. Korijen jednačine (1.1a se vidi da niz xn monotono konvergira (stepeničasti profil približavanja tačnom rješenju). proces konvergira. Koristeći ideju iteracije i počinjući sa x0 dobijamo tačku A0 sa koordinatama (x0 .4) naziva se rekurzivna ili rekurentna formula. posmatrajmo problem rješavanja nelinearne jednačine.2) Svaka jednakost oblika xn+1 = g(xn ) naziva se iteracija. Sa slike 1. tj.1) je dat kao abscisa (i ordinata) presječne tačke krive y = g(x) i linije y = x. Ove formule predstavljaju jedan od najvažnijih elemenata u pisanju numeričkih algoritama. . ali ne monotono (sukcesivne iteracije se smjenjuju s lijeva na desno). i izračunava se red: x1 = g(x0 ). s obzirom da se veliki broj komplikovanih proračuna često može svesti na mali broj izraza koji su međusobno povezani. Posljednja formula u nizu (1.1b pokazuje slučaj u kojem. g(x0 )). Sada se lako dobija tačka B1 . također. Postupak se zatim ponavlja dok se ne postigne željena tačnost.. x2 = g(x1 ). 2 .

a) f(x) A1 A0 B1 g(x0) M b) f(x) A0 A2 A4 A3 M A1 x0 x1 x2 x3 x x0 x2 x4 x3 x1 x c) f(x) M B0 B1 B2 A0 A1 d) f(x) M B3 A2 x2 x1 x0 x x0=x2 x1=x3 x x3 Slika 1.1: Geometrijska interpretacija iteracije xn+1 = g(xn ) Ipak. Upotreba ove ideje će se pokazati na primjerima rješavanja jednačine f (x) = 0 koristeći razne numeričke metode date u poglavlju 2. metoda sječice je klasični primjer upotrebe linearne aproksimacije. Osnovne ideje i koncepti u numeričkoj analizi 1. linearizacija (neki autori je nazivaju i linearna aproksimacija) ponekad ne može da omogući rješavanje problema sa željenom tačnošću ili brzinom (na primjer. aproksimacija.2 Linearizacija. aproksimira linearnom funkcijom.1. Na primjer. tj. numerička integracija elementarnih funkcija za koje ne postoji 2 analitičko rješenje.1. ekstrapolacija Još jedna od često korištenih ideja je da se neka komplikovanija funkcija lokalno. u maloj okolini neke tačke.1. Međutim. U takvim slučajevima može se iskoristiti jedna od sljedeće dvije važne ideje: • Lokalna aproksimacija polinomom višeg reda. ili nekom drugom funkcijom. treba naglasiti i upotrebu kombinovanja ideja linearizacije i iteracije. 3 . kao što je integracija primitivnih funkcija ex ili sin x/x).

2 Značajne cifre. trapezno pravilo za numeričku integraciju se primijeni na više različitih koraka h.).). itd. a zatim se ekstrapolira za h = 0 (tzv. -3/5.56 ima pet značajnih cifara.1415926535 . a broj 123456 ima šest značajnih cifara. broj 142. Predstavljanje brojeva 1.400 ima tri značajne cifre. Postoje različita tumačenja pojma značajnih cifara. (ii) Sve nule koje se nalaze između cifara različitih od nule su značajne. 1/2. Preciznost i tačnost 3. 2. ali i broj 5. π = 3. svaki inženjerski ili naučni proračun počinje grupom podataka koji imaju poznat broj značajnih cifara. broj 5. množenje.2. itd. Na primjer. -30.40 ima tri značajne cifre. Kada se ovakvi brojevi procesiraju u nekom numeričkom algoritmu. ili beskonačni nizovi cifara (npr. pri čemu brojevi mogu biti cijeli (npr. 1.378 ima 7 značajnih cifara.). Na primjer. razlomci (npr. .1 Značajne cifre Pojam značajnih cifara nekog broja predstavlja cifre tog broja za koje se zna da su tačne. Greške 4. Značajne cifre 2. . Općenito. (iii) Sve nule koje se nalaze sa desne strane decimalne tačke (zareza) su značajne ako slijede cifru različitu od nule. tačnost. ali sva se mogu svesti na sljedećih 5 pravila: (i) Sve cifre različite od nule su značajne. Na primjer. Pri radu sa numeričkim vrijednostima i numeričkim proračunima treba imati na umu sljedeće koncepte: 1. itd. vrlo je važno moći odrediti koliko značajnih cifara se nalaze u konačno proračunatom rezultatu. 50.). Richardsonova ekstrapolacija).Uvod • Ekstrapolacija. greške i predstavljanje brojeva Numerički proračuni uključuju i razne manipulacije brojevima (sabiranje. koristeći opšte rezultate sa osvrtom na zavisnost greške od koraka h. broj 3001. 4 . Na primjer.

tačnost nekog numeričkog proračuna se kvantificira greškom proračuna. broj 00315. Greške se šire (propagiraju) od njihovog izvora prema veličinama koje se kasnije izračunavaju. Izvori grešaka Numerički rezultati mogu biti izloženi mnogim tipovima grešaka. (v) Nule koje se mogu izostaviti bez mijenjanja numeričke vrijednosti nekog broja nisu značajne.2. 1. ali većina autora smatra da u tom slučaju posljednjih pet nula nisu značajne.050160 pet značajnih cifara. broj 321560 ima tačnost od 5 značajnih cifara i preciznost desetina. koliko ima značajnih cifara. Na primjer. i preciznost u milionima. i kod ove grupe pravila postoje neke nejasne situacije. pak.8 ima četiri značajne cifre.1. Ipak. koja je pozicija posljednje značajne cifre na desnoj strani decimalnog zareza. Pojam tačnosti. broj 0. Pri tome. i greške koja se naslijedila (propagirala) iz podataka od kojih zavisi veličina koja se računa. njihove vrste. broj 320. tj. S druge strane.2. Pri tome je veoma važno napraviti razliku između greške koja se stvorila pri računanju neke veličine (izvor greške). U principu. tačnost.2 Preciznost i tačnost Pojam preciznosti se odnosi na to koliko je neki broj blizu broja koji predstavlja. Ako je ta pozicija sa lijeve strane decimalnog zareza. broj 0. dok se neke druge mogu potpuno eliminisati. stotinama i sl. se odnosi na to koliko dobro se neki broj slaže sa tačnom vrijednosti broja koji predstavlja.0516 ima tri značajne cifre. kod kojeg imamo veliki broj nula kojima završava broj.05016 ima četiri značajne cifre. ponekad sa velikim pojačanjem ili prigušenjem. na primjer.2.3 Greške Kao što je rečeno u prethodnom dijelu. i preciznost na 2 decimalna mjesta. 5 . a broj 0. Broj 0.00000002 ima tačnost od jedne značajne cifre. greške i predstavljanje brojeva (iv) Nule koje se u broju nalaze samo da bi označile poziciju decimalnog zareza nisu značajne. Preciznost i tačnost se u numeričkim proračunima kvantificiraju greškama. treba imati u vidu izvore ovih grešaka.516 ima tri značajne cifre. ne postoji savršeno rješenje za ovakav problem. Značajne cifre. te njihovu propagaciju. pri čemu se na neke može veoma teško utjecati. sa tri značajne cifre. onda se preciznost mjeri u desetinama. kao što je na primjer broj 2040300000.Na sličan način. Na primjer. 1.56 ima tačnost od 5 značajnih cifara. ili broj 325000000. i preciznost od 8 decimalnih mjesta. tj. ali i broj 0.

Ako se pri proračunu relativno mali broj a doda broju b. mora se paziti i na mogućnost grešaka u knjigama. prave se idealizacije. i neće imati nikakav utjecaj na dalji proračun. Dva tipična slučaja su: 1. Drugi vid aproksimacije je kada zanemarujemo neke veličine koje su male u odnosu na druge. mora se očekivati pojava grešaka u ručnom računanju ili usljed nesporazuma. i sl. na primjer. i sl. Tako se. Pri numeričkom rješavanju problema. a ne mora. greške u korištenim operatorima. • Ljudske greške i greške računara. Osim toga. s. može se usvojiti princip mehanike kontinuuma (iako se tvari sastoje od atoma). Ovakve aproksimacije su često neophodne kako problem koji rješavamo ne bi postao previše komplikovan sa matematičkog i numeričkog gledišta. Ulazni podaci mogu biti rezultat mjerenja. Ove greške nastaju kada se neki proces prekine prije nego se dobije neka granična vrijednost. Ovaj tip grešaka je ponekad veoma teško procijeniti. koje može biti pod utjecajem sistemskih grešaka ili trenutnih poremećaja. tabelama ili formulama koje su na raspolaganju. Ograničenje broja značajnih cifara u računaru može ponekad dovesti do gubitka informacije koja može. mogu podijeliti na sljedeći način: • Greške pri unosu podataka. onda će neke vrijednosti broja a biti zanemarene. na primjer. greške u računarskim procesorima.Uvod Sve greške se. biti važna. 2. Apsolutna i relativna greška Aproksimacija je centralni koncept u gotovo svim oblastima primjene (numeričke) matematike. s obzirom da se vrlo često moramo zadovoljiti sa približnim vrijednostima sa kojima radimo. Ova greška se javlja kada se. 6 . unosu podataka. U ove greške spadaju i greške u samim programima. onda tačan proizvod dva broja sa s cifara ne može da se koristi u naknadnim proračunima. U većini problema sa primjenom (numeričke) matematike. može pretpostaviti da je težina užeta klatna jednaka nuli. s obzirom na izvore nastanka. • Pojednostavljenja u matematičkom modelu. beskonačan niz prekida nakon konačnog broja članova. Kada računar ne može da manipuliše sa brojevima koji imaju veći broj cifara od. • Greške usljed prekidanja. • Greške usljed zaokruživanja u toku računanja. na primjer. ili kada se neka funkcija aproksimira linearnom funkcijom.

Greške u ulaznim podacima se šire (propagiraju) i povećavaju greške na izlazu. međutim. Ako je. javljaju se pojmovi (definicije) apsolutne i relativne greške. relativna greška dovodi do jednakog broja značajnih cifara u približnom rješenju. Međutim. U suprotnom. vrlo je važno napomenuti neke karakteristike u vezi ove dvije vrste grešaka.001.00001. tačnost.00001) = ±0. onda je približna vrijednost jednaka 100. pogodnije je koristiti relativnu grešku.00001) = ±0.001 i nema značajnih cifara.0000001 da bi se zadovoljio kriterij relativne greške. greške zaokruživanja u svakom koraku proračuna se mogu širiti i dati greške na izlazu.1. x približna vrijednost tačne ¯ vrijednosti x. Dakle.001. koja za slučajeve sa malim poremećajima ulaznih podataka. Ipak.000 · (±0. bez obzira na veličinu tačnog rješenja. Propagacija grešaka U naučnim proračunima dati ulazni podaci su obično netačni. na primjer.6) (1. onda apsolutna greška mora biti jednaka 100. onda je približno rješenje jednako 0. na primjer. Ako je. Posmatrajmo sada slučaj iterativnog postupka sa relativnom greškom jednakom ±0.001. Ovo znači da će u približnom rješenju biti pet značajnih cifara.001 ± 0. na primjer. grešku definišu kao običnu razlika između tačne i približne vrijednosti. u slučaju kada se poznaje tačno rješenje. tačno rješenje 0. također. Ako je tačno rješenje 100. Posmatrajmo.2. Ipak. Ovo. Ako je tačno rješenje 100. onda apsolutna greška mora biti jednaka 0.001 da bi se zadovoljila relativna greška.000.000 ± 0. kriterij apsolutne greške se može koristiti za dobivanje tačnosti sa traženim brojem značajnih cifara. Ovaj primjer ukazuje na opasnost korištenja apsolutne greške kao kriterija tačnosti. No. greške i predstavljanje brojeva Upravo iz prethodno navedenih razloga.001 i ima pet značajnih cifara. Također.5) Neki autori.000. onda je: • apsolutna greška ∆x = |¯ − x| x • relativna greška x−x ¯ ∆x = x x (1. mada neki koriste i običnu razliku približne i tačne vrijednosti. pokazuje da je izračunati rezultat uvijek jednak tačnom. dovodi do pet značajnih cifara. neki iterativni postupak u kojem se traži da je apsolutna greška ±0. Značajne cifre. ako je tačno rješenje jednako 0.001 · (±0. 7 . u većini algoritama može se dati analiza greške zaokruživanja.

u mnogim inženjerskim i naučnim proračunima 32-bitni binarni brojevi su sasvim dovoljni. respektivno. Najčešća veličina binarnog broja je 32 binarna bita. takvi proračuni mogu zahtijevati i do 10 puta više računskog vremena od tzv. Situacija se pogoršava kada se izvršavaju aritmetičke operacije sa takvim binarnim reprezentacijama. sve binarne reprezentacije decimalnih brojeva aproksimacije. dekadni. Ovdje je rezultat zaokružen na posljednju binarnu cifru na raspolaganju. u daljem tekstu je dato objašnjene istog za funkciju jedne promjenljive. s obzirom na konačnu dužinu binarnog zapisa (na primjer. Nasuprot decimalnom sistemu (sa bazom 10).3 Taylorov red za funkcije jedne promjenljive S obzirom da se će se u tekstu vrlo često pojavljivati potreba za korištenjem Taylorovog reda. digitalni računari koriste binarni sistem (sistem sa bazom 2). dvostruke (eng.. koristeći određena softverska poboljšanja. koji približno može predstaviti realni broj sa sedam decimalnih cifara. Može se pokazati da se svaka neprekidna funkcija f (x) može tačno predstaviti stepenim redom u radijusu konvergencije r.). tj..Uvod 1. jednostruke tačnosti (eng. No. ali je i na njima moguće izvršiti 64-bitne i 128-bitne proračune. koji predstavljaju 13 ili 14 decimalnih cifara. quad precision) tačnosti.7) 8 . sistem nula i jedinica. Ovo se postiže korištenjem tzv. Međutim. a neki čak i 128-bitne. heksadecimalni. Neki računari imaju 64-bitne binarne brojeve.2. Treba napomenuti da su osim za cijele brojeve i neke razlomke.4 Predstavljanje brojeva Brojevi se predstavljaju brojnim sistemima (npr. Broj binarnih bita određuje preciznost kojom binarni broj predstavlja neki decimalni broj. binarni. oktalni. koja se može akumulisati sa povećanim brojem kalkulacija. Na taj način.2 u binarnom zapisu ima beskonačan oblik 0.00110011. double precision) ili četverostruke (eng.). itd. 1. koje čini baza sistema. jer se tačan rezultat ne može tačno predstaviti binarnim brojevima koje digitalni računar može predstaviti. single precision). ∞ f (x) = n=0 an (x − x0 )n . x 0 − r ≤ x ≤ x0 + r (1. tj. Ovo zaokruživanje povećava grešku zaokruživanja. koji je najčešći sistem u komunikaciji ljudi. U tom slučaju binarni broj se sastoji od binarnih bita. broj 0. gubitak preciznosti u binarnoj reprezentaciji decimalnih brojeva se ne može izbjeći.

on se može napisati i kao konačan red. a2 = f (x0 ). .8) dobija se Taylorov red funkcije f (x) za x = x0 ∗ . 9 .7) prikažu u obliku: a0 = f (x0 ).11) 1 + f (n) (x0 )(x − x0 )n + Rn+1 n! gdje je Rn+1 ostatak koji je dat formulom: Rn+1 = 1 f (n+1) (ζ)(x − x0 )n+1 . . kako slijedi: f (x) = f (x0 ) + 1 1 f (x0 )(x − x0 ) + f (x0 )(x − x0 )2 + . . koji se još naziva i Taylorova formula ili polinom.12) ∗ Za x0 = 0 dobija se tzv. . a1 = 1 1 f (x0 ). . . 1! 2! (1. 1! 2! (1. + f0 ∆xn + . sa ostatkom.9) ili u jednostavnijoj formi 1 1 (n) f (x) = f0 + f0 ∆x + f0 ∆x2 + .10) S obzirom da je nepraktično koristiti beskonačan Taylorov red dat prethodnim jednačinama. . Taylorov red za funkcije jedne promjenljive Ako se koeficijenti an u jednačini (1. (n + 1)! x0 ≤ ζ ≤ x (1. odnosno f (x) = f (x0 ) + 1 1 f (x0 )(x − x0 ) + f (x0 )(x − x0 )2 + . . . 1! 2! (1. . MacLaurinov red. .3.1. 2 n! ∞ 1 (n) n = f ∆x n! 0 n=0 (1.

.

f(x) 1 2 f( 1)=0 f( 2)=0 x Slika 2. Pri tome.1. nelinearna jednačina f (x) = 0 može biti algebarska. Ovo je jedan od najstarijih problema u matematici. Problem se. treba naći vrijednosti x = ξ takvu da je f (ξ) = 0. svodi na sljedeće: Za datu neprekidnu nelinearnu funkciju f (x). transcedentalna. ili bilo koja nelinearna relacija između ulazne veličine x i izlazne veličine y. rješenje neke diferencijalne jednačine. Problem je grafički predstavljen na slici 2. u stvari.1: Rješenje nelinearne jednačine .Poglavlje 2 Rješavanje nelinearnih jednačina Mnogi problemi u inženjerstvu i nauci zahtijevaju pronalaženje rješenja neke nelinearne jednačine (traženje korijena).

koja poboljšava rješenje do određene tačnosti.Rješavanje nelinearnih jednačina 2. Ove dvije vrijednosti mogu se koristiti kao početne aproksimacije za neku od procedura poboljšanja rješenja. U ovu svrhu se mogu koristiti različite metode od kojih su najčešće: crtanje grafika funkcije. itd. Excel. Crtanje grafika funkcije izvodi se u intervalu koji nas interesuje. nećemo crtati negativne vrijednosti funkcije. Ako je to moguće. Treba napomenuti da je vrlo važno naći dobre početne aproksimacije kako bi procedura za poboljšanje korijena jednačine uopšte konvergirala. Matlab. itd. prethodno rješenje u nizu dobijanja rješenja. Ako. pretpostavi se da korijen date jednačine leži u tom podintervalu (naravno. U trenutku kada funkcija promijeni znak. rješenje pojednostavljenog modela.2 Poboljšanje rješenja Poboljšanje rješenja predstavlja određivanje rješenja do željene tačnosti pomoću neke od sistematskih procedura. postoje mnogi softverski paketi koji uz sve ostale mogućnosti mogu da se koriste i za crtanje grafika funkcija (na primjer. na primjer. Uz to. inkrementalno pretraživanje. i to: • lokalizacija nula. uz uslov da je funkcija neprekidna na datom intervalu). rješenje neke jednačine predstavlja pozitivnu veličinu.1. MathCAD. U tu svrhu mogu se koristiti: ∗ Više o ovim softverima biće riječi u A 12 . prošla iskustva sa istim ili sličnim problemom.1. Kako danas mnogi kalkulatori imaju mogućnost crtanja grafika funkcija.1 Lokalizacija nula Lokalizacija nula predstavlja grubo (približno) pronalaženje rješenja koje može poslužiti kao početna aproksimacija u nekoj sistematskoj proceduri pronalaženja. sa nekim malim korakom.1 Osnovne karakteristike u pronalaženju korijena U postupku rješavanja nelinearnih jednačina možemo razlikovati dvije faze. 2. ali i da bi konvergirala prema tačnom rješenju. kao što je pređeni put ili vrijeme. Mathematica. najbolje je naći granice intervala u kojima se nalazi korijen i u kojima funkcija ima različit znak.)∗ Inkrementalno pretraživanje se sastoji u izračunavanju vrijednosti funkcije od početne do krajnje tačke intervala koji se posmatra. ovaj postupak je znatno olakšan. • poboljšanje rješenja 2.

Metode na otvorenom intervalu ne zahtijevaju da se korijen nalazi u nekom intervalu. ove metode nisu tako sigurne. U tom slučaju mogu postojati kompleksni korijeni. Opšti slučaj. Slika 2. dat je na slici 2. Situacija sa dva mnogostruka i jednim jednostavnim korijenom data je na slici 2. Kao posljedica.3 Ponašanje nelinearnih jednačina Nelinearne jednačine se mogu različito ponašati u blizini korijena.1. modifikovana Newtonova metoda. i koje sistematski smanjuju početni interval (a. respektivno. 2. Slika 2. Slika 2. ako imamo dobru početnu aproksimaciju. mogu veoma sporo konvergirati do tražene tačnosti. 13 .2c i d.2b pokazuje slučaj bez realnih korijena. Algebarske i transcedentalne jednačine mogu imati različite (jednostavne) realne. te metoda sječice. između kojih se nalazi rješenje x = ξ. Polinomi mogu imati realne i kompleksne korijene.2g. Newtonova metoda. U ove metode spadaju metoda polovljenja intervala i regula falsi. dok su na slikama 2. te kompleksne korijene.1. Situacija sa dva ili tri jednostavna slučaja pokazana je na slikama 2.2e i f dati primjeri mnogostrukih korijena. U ovom kursu obradiće se sljedeće metode na otvorenom intervalu: metoda proste iteracije. Metode na zatvorenom intervalu su metode koji počinju sa dvije vrijednosti x. jer je dobijanje željenog rješenja zagarantovano. mora nalaziti korijen jednačine.2a. Osnovne karakteristike u pronalaženju korijena • Metode na zatvorenom intervalu • Metode na otvorenom intervalu.2. Ipak. Takvi korijeni se mogu naći gotovo svakom od metoda za rješavanje nelinearnih jednačina. na primjer a i b. u kojem se pojavljuje više jednostavnih i mnogostrukih korijena.2a pokazuje slučaj sa jednim realnim korijenom (jednostavan korijen). kako se u ovim metodama pri procjeni korijena koriste informacije o samoj funkciji koja se posmatra. pri čemu se u slučaju svih realnih koeficijenata polinoma. postoje slučajevi kod kojih je neophodna pažnja kako bi se došlo do željenog rješenja. b) na podintervale u kojima se. kao što je pokazano na slici 2. Ipak. Međutim. Treba napomenuti da su ove metode veoma sigurne. one su mnogo efikasnije od metoda na zatvorenom intervalu. a mogu i divergirati.2h (i u ovom slučaju mogu se pojaviti kompleksni korijeni).2 pokazuje nekoliko slučajeva različitog ponašanja nelinearnih funkcija u blizini korijena. također. kompleksni korijeni javljaju u konjugovanim parovima (u slučaju kompleksnih koeficijenata mogući su i pojedinačni kompleksni korijeni). višestruke. Mnogi inženjerski problemi imaju jednostavne korijene.

d) tri jednostavna korijena.Rješavanje nelinearnih jednačina a) b) f(x) f(x) x x c) d) f(x) f(x) 1 2 x 1 2 3 x e) f) f(x) f(x) 1 = 2 x 1 = 2= x 3 g) h) f(x) f(x) 1 2 = 3 x x Slika 2. f) tri višestruka korijena. e) opšti slučaj 14 . g) jedan jednostavan i dva višestruka korijena. c) dva jednostavna korijena. b) bez realnih korijena. e) dva višestruka korijena.2: Korijeni nelinearnih jednačina: a) jednostavan korijen.

efikasnost nije u prvom planu. treba znati da neke od metoda ne mogu naći neke od korijena.4 Neke smjernice u traženju korijena I pored toga što postoji veliki broj metoda za rješavanje nelinearnih jednačina. utrošenog rada i vremena. Nasuprot tome. kada konvergiraju. te apsolutna vrijednost funkcije |f (xi+1 )| se moraju uzeti u obzir. Osnovne karakteristike u pronalaženju korijena 2. U takvim slučajevima se jednostavne metode. • Metode sa zatvorenim intervalom su sigurnije nego one sa otvorenim. 15 . mogu primijeniti bez bojazni da se radi o nekom specijalnom slučaju. Neke od važnih smjernica pri rješavanju jednačina su: • Proces lokalizacije bi trebao ograničiti korijen. • Dobra početna aproksimacija je veoma važna. • Kada se dostigne konvergencija. veoma važno je koristiti efikasnije metode.1. mora se paziti da ova vrijednost u toku proračuna ne bude jednaka nuli. • U slučaju da metoda koristi prvi izvod funkcije. Metode za rješavanje nelinearnih jednačina bi trebale imati sljedeće osobine: • Treba biti poznat maksimalan broj iteracija.2. • Za funkcije bez naglih promjena u ponašanju. • Ako se neki problem treba riješiti samo jednom. • Mnogi. te da brzina konvergencije. kao što je Newtonova metoda. konačna procjena korijena bi se trebala uvrstiti u funkciju f (x). općenito konvergiraju brže od metoda sa zatvorenim intervalom. ili mali broj puta. većina algoritama uvijek konvergira ako je početna aproksimacija dovoljno blizu. • Test konvergencije oblika |xi+1 − xi |. Za ove slučajeve unaprijed je moguće procijeniti brzinu konvergencije. kako bi se zagarantovalo da je f (x) = 0 u granicama željene konvergencije. f (x).1. tj. • Metode sa otvorenim intervalom. ako se rješavanje neke jednačine obavlja veliki broj puta. inženjerski problemi su jednostavni i dobro se "ponašaju". jer zadržavaju rješenje u zatvorenom intervalu. može biti od presudnog značaja. ako ne i većina.

U slučaju da je f (a) · f (c) = 0. prvo se odrede dvije procjene korijena. Ako je f (a) · f (c) < 0. metoda polovljenja intervala je iterativna metoda. i to lijevo. kao što je to slučaj na slici 2. x = b.1b) (2.1d) Iterativni postupak se nastavlja sve dok se ne postigne željena tačnost. Ove procjene ograničavaju korijen.2. interval halving. tj. od korijena. U ovoj metodi. postavi se da je a = c i postupak polovljenja nastavi. dok veličina intervala ne postane manja od željene tolerancije ε1 (|bi − ai | ≤ ε1 ). Na taj način dobiju se dva intervala:(a. Koji interval sadrži korijen ξ zavisi od vrijednosti f (c). b = b dobiva se rješenje ξ = c (2. c).2 2. Ako je. 16 . b = c a = c. f(x) f(b) a2 a1 a=a0 c=a3 f(a) f(c) ξ c=b2 c=b1 b=b0 x Slika 2. za x = a.1c) (2.3: Grafička interpretacija metode polovljenja intervala Prema tome. kao što je prikazano na slici 2. tako da se dobije c = (a + b)/2. b). sa sljedećim algoritmom: a+b 2 Ako je f (a) · f (c) < 0 : Ako je f (c) · f (b) < 0 : Ako je f (a) · f (c) = 0 : c= (2. b).3.1a) a = a. Tada se postavi da je b = c.Rješavanje nelinearnih jednačina 2. Očigledno je da korijen x = ξ leži u intervalu (a. c) i (c. Ovaj interval se može prepoloviti usrednjavanjem vrijednosti a i b. korijen se nalazi u intervalu (a. f (c) · f (b) < 0.3.1 Metode na zatvorenom intervalu Metoda polovljenja intervala Metoda polovljenja intervala ili bisekcije (eng. pak. i postupak ponovi. korijen jednačine jednak je c. bisection) je jedna od najjednostavnijih metoda za traženje korijena nelinearnih jednačina. i desno.

Sa slike 2. Dakle. dobiva se iz (bn − an ) = 1 (b0 − a0 ) 2n b0 − a0 bn − an (2. 2). bude manja od 10−4 .5 2 2 17 . Rješenje Kao što je u prethodnim poglavljima rečeno. an ). tj. |xi+1 − xi | < ε. imamo: c= 1+2 a+b = = 1. Ovo možemo na najlakši način postići crtanjem grafika funkcije i utvrđivanjem intervala u kojem se dato rješenje nalazi. tako da je konvergencija zagarantovana. ε. Metoda polovljenja intervala ima nekoliko prednosti: • Korijen jednačine se nalazi unutar granica nekog intervala. • Maksimalna greška metode je |bn − an |. slijedeći algoritam za metodu polovljenja intervala. (maksimalan) broj iteracija n.1 Metodom polovljenja intervala naći pozitivni korijen jednačine f (x) = x2 − 2=0. U krajnjim tačkama intervala funkcija f (x) ima vrijednosti različitog predznaka. pa se u datom intervalu nalazi bar jedan korijen date jednačine.2. b) = (1. Primjer 2. n je dato sa: n= 1 log log(2) (2. odnosno veliki broj iteracija radi postizanja željene tačnosti. prvi korak u numeričkom rješavanju jednačina predstavlja lokalizacija nula. • S obzirom da se svakom iteracijom interval polovi. koji je potreban da se prvobitni interval (b0 .4 se jasno vidi da se pozitivno rješenje zadate jednačine nalazi u intervalu (a. ili oboje. Sada se vrši podjela intervala na dva jednaka podintervala i provjerava koji od podintervala sadrži korijen jednačine. a time i broj računanja funkcije.3) Osnovni nedostatak ove metode je spora konvergencija. tj. a0 ) smanji na određeni interval (bn . Postupak rješavanja zaustaviti kada apsolutna vrijednost razlike između dvije uzastopne iteracije.2. Metode na zatvorenom intervalu ili veličina f (x) ne postane manja od željene tolerancije ε2 (|f (ci )| ≤ ε2 ).2) Na taj način. f (1) = −1 < 0 i f (2) = 2 > 0.

25) = −0. a+b 1 + 1. Postupak se ponavlja dok se ne postigne željena tačnost. U Tabeli 2. c) = (1.5 = = 1. Postupak ponavljamo na novom intervalu (a.2 Metoda regula falsi Kao što se moglo vidjeti. b).25.25 > 0 S obzirom da je f (c) > 0 i f (a) < 0 rješenje se nalazi u podintervalu (a. 18 . tj. 1. 1. rješenje je ξ = 1. u slučaju metode polovljenja intervala korijen jednačine se aproksimira kao srednja vrijednost intervala u kojem se korijen nalazi.2. Konačno.4: Grafički prikaz funkcije f (x) = x2 − 2 f (c) = f (1. 2. i stavljamo da je b = c. nelinearna funkcija f (x) se aproksimira linearnom funkcijom g(x) u intervalu (a.5).5). U metodi regula falsi (što u prevodu znači metoda netačnog položaja).1 sumarno su dati rezultati proračuna.5) = 0. b) = (1.25 2 2 f (c) = f (1. c) = (1.41425.4375 < 0 c= pa je novi podinterval u kojem se nalazi korijen zadate jednačine (a. 1.5).Rješavanje nelinearnih jednačina 5 4 3 f x =x 2 1 0 1 2 y -1 -2 -3 -5 -4 -3 -2 -1 0 1 2 3 4 5 x Slika 2.

25 0. S obzirom na linearnu interpolaciju nelinearne funkcije. ova metoda se još naziva i linearna interpolaciona metoda. 0. f(x) f(b) f(c) a ξ f(a) c=x2 c=x1 b x Slika 2.125 0.0625 . tj. Vrijednost tačke x1 se može lako odrediti pomoću jednačine g(x) i uslova g(x1 ) = 0. Na taj način. linearna funkcija g(x). . . 1.25 0.4375 1. g(b) − g(x1 ) = g(b) − g(a) (b − x1 ) b−a (2.41431 f (b) 2 0.25 -0.375 1.25 0. 13 14 Uz primjer 2.2.41425 |xi − xi−1 | 0. . .5 .25 1.000263 c 1.000263 0.41431 1. . .109375 . . 1. .1: Iteracija 1 2 3 4 . koja aproksimira funkciju f (x). b) se dijeli na dva podintervala (a. x1 ) i (x1 . .25 .5 1.2.000061 a korijen te linearne funkcije g(x).41418 -0.4375 . 0.5.000008 b 2 1.41418 1.41406 1. ima korijen u tački c = x1 . . .375 -0. početni interval (a. . b). .5 1.1 a f (a) 1 -1 1 -1 1. Kao što se sa slike vidi.5 1.5: Grafička interpretacija metode regula falsi Grafička interpretacija metode regula falsi data je na slici 2. . . 1. se uzima kao sljedeća aproksimacija korijena nelinearne jednačine f (x) = 0.000122 0.000427 -0.4) 19 . x = ξ. Metode na zatvorenom intervalu Tabela 2.

ali ne daje unaprijed veličinu greške.7b) (2.6).333333 f (b) − f (a) 2 − (−1) . uzmemo (a. a zatim se proces ponavlja. ε. Ako kao početni interval. Primjer 2. nego pomoću jednačine (2.7d) Proces se nastavlja dok se ne postigne željena tačnost.8) Metoda regula falsi je nešto brža od metode polovljenja intervala. 2). x1 ) i (x1 . bude manja od 10−4 . tj.Rješavanje nelinearnih jednačina S obzirom da je g(a) = f (a) i g(b) = f (b). b = b dobiva se rješenje ξ = xi (2. i ova metoda je mnogo sporija od metoda koje slijede.2 Problem iz primjera 2. sadrži korijen jednačine. |xi+1 − xi | < ε. s tom razlikom što se sljedeća aproksimacija rješenja neke jednačine ne izračunava kao srednja vrijednost krajeva intervala.5) Koji od ova dva intervala. b = xi a = xi . b) = (1. Ipak.(a.7a) a = a. određuje se na isti način kao u metodi polovljenja intervala.6) f (b) − f (a) (b − x1 ) b−a (2. |f (xi )| ≤ ε2 (2. Algoritam metode regula falsi može se predstaviti na sljedeći način: b−a f (b) f (b) − f (a) Ako je f (a)f (xi ) < 0 : Ako je f (xi )f (b) < 0 : Ako je f (a)f (xi ) = 0 : xi = b − |b − a| ≤ ε1 i/ili (2.7c) (2. slijedi: f (b) = i konačno: x1 = b − b−a f (b) f (b) − f (a) (2. u kojem se nalazi korijen jednačine f (x) = x2 − 2. Postupak rješavanja zaustaviti kada apsolutna vrijednost razlike između dvije uzastopne iteracije. b). tj.1 riješiti metodom regula falsi. Rješenje Postupak rješavanja metodom regula falsi je vrlo sličan rješavanju metodom polovljenja intervala. biće: x1 = b − 20 2−1 b−a f (b) = 2 − 2 = 1. te g(x1 ) = 0.

ova metoda simultano rješava dvije funkcije: x(x) i g(x). Metode na otvorenom intervalu f (x1 ) = f (1.333333.333333 1.41414 2.0011891 -0.3.2. Tačka presjecišta ove dvije funkcije predstavlja rješenje jednačine x = g(x). Tabela 2.04 < 0 x2 = b − pa je novi podinterval u kojem se nalazi korijen zadate jednačine (a.3.41176 1. Postupak se ponavlja dok se ne postigne željena tačnost.1 Metode na otvorenom intervalu Metoda proste iteracije Metoda proste iteracije (još se naziva i iteracija pomoću fiksirane tačke) rješava jednačinu f (x) = 0 preuređivanjem u oblik x = g(x).41379 1. a zatim traženjem vrijednosti x = ξ takvom da je ξ = g(ξ).2 f (a) -1 -0.41414 1.00692 -0.4 f (b) − f (a) 2 − (−0.000348 0. U principu. c) = (1. rješenje je ξ = 1.002028 0. 2). b−a 2 − 1. 2).333333 f (b) = 2 − 2 = 1. što je ekvivalentno jednakosti f (ξ) = 0. b) = (1. Početna aproksimacija x1 se određuje intuitivno.4 1.222222 < 0 S obzirom da je f (x1 ) < 0 i f (b) > 0 rješenje se nalazi u podintervalu (x1 .3 2.4 1.6.04 -0.333333) = −0. Metoda je grafički predstavljena na slici 2.222222) f (x2 ) = f (1.41379 1. a time i jednačine f (x) = 0.4142 |xi − xi−1 | 0.00006 Konačno.333333. Postupak ponavljamo na novom intervalu (a.2: Iteracija 1 2 3 4 5 6 Uz primjer a 1 1.2 sumarno su dati rezultati proračuna.222222 -0.4) = −0.41176 1. a zatim se uvrštava u funkciju 21 . 2).333333 1. Vrijednost x za koju je x = g(x) se naziva fiksna tačka relacije x = g(x) odakle i proizilazi drugo ime metode. U Tabeli 2. 2.011765 0. i stavljamo da je a = x1 . tj. rješenje se mora naći iterativno.4.4142. b) = (1. Pošto je funkcija g(x) također nelinearna.066667 0.000204 b 2 2 2 2 2 2 f (b) 2 2 2 2 2 2 c 1.

11) gdje je xi ≤ ζ ≤ ξ. Oduzimajući izraz ξ = g(ξ) od jednačine (2. kao na primjer: |xi+1 − xi | ≤ ε1 i/ili |f (xi+1 )| ≤ ε2 (2. Algoritam je dat sljedećom rekurzivnom formulom: xi+1 = g(xi ) (2. Zanemarujući članove višeg reda u jednačini (2.11).9) Procedura se ponavlja dok se ne zadovolji kriterij konvergencije.9) dobija se: xi+1 − ξ = ei+1 = g(xi ) − g(ξ) Funkcija g(ξ) izražena Taylorovim redom oko tačke xi ima oblik: g(ξ) = g(xi ) + g (ζ)(ξ − xi ) + . Neka je x = ξ rješenje neke jednačine f (x) i e = x − ξ greška rješenja. te rješavajući za [g(xi ) − g(ξ)] i uvrštavajući dobijeni rezultat u jednačinu (2. .6: Grafička interpretacija metode proste iteracije g(x) kako bi se dobila vrijednost sljedeće aproksimacije.13) . (2. dobija se: ei+1 = g (ζ)ei 22 (2.10) Problem konvergencije ove metode može se posmatrati na sljedeći način.12) (2. .Rješavanje nelinearnih jednačina y xi xi+1 x Slika 2.12).

15a) √ x=± x+2 (2. a vrijednost |g (ζ)| blizu 1. Na taj način. Rješenje Kao što je rečeno u prethodnom poglavlju. Međutim. na primjer x0 = 3. U slučaju kada je uslov ispunjen. = 0 ek n 23 . Da bi bilo koji iterativni postupak bio konvergentan treba biti ispunjen sljedeći uslov: ei+1 = |g (ζ)| < 1 ei (2. potrebna je samo jedna početna aproksimacija.15d) 2x − 1 Svaka od ovih jednačina prolazi kroz traženo rješenje.14) Dakle. Posmatrajmo prvo jednačinu (2. S obzirom da je metoda proste iteracije metoda na otvorenom intervalu.0. S obzirom da metoda nekada radi.3.15a). tj. Iz jednačine (2. metoda proste iteracije je konvergentna samo ako je |g (ζ)| < 1. također. Prvih nekoliko iteracija daje: x1 = g(x0 ) = 32 − 2 = 7 † Za konvergentnu metodu se kaže da je k-tog reda tačnosti ako vrijedi en+1 = const. nije preporučljiva za rješavanje nelinearnih jednačina. prvog reda tačnosti† . metoda iteracije se zasniva na algoritmu koji je dat jednačinom (2.tražiti pozitivno rješenje jednačine. i ako jeste koja ja brzina konvergencije.9). jednačina f (x) = x2 − x − 2 = 0 se može prikazati na jedan od sljedećih načina: x = x2 − 2 (2. konvergencija je veoma spora. Metode na otvorenom intervalu Ova jednačina se može koristiti za ocjenu da li je metoda konvergentna ili ne. Ako ovaj uslov nije ispunjen procedura divergira. Primjer 2.15b) 2 x=1+ (2.2. a nekada ne. kao što je pokazano na slici 2.3 Na primjeru rješavanja jednačine f (x) = x2 − x − 2 = 0 pokazati upotrebu metode proste iteracije . vidi da je konvergencija linearna.7. sljedeća analiza pokazuje da svaka od jednačina ne konvergira prema datom rješenju.15c) x x2 − x − 2 x=x+ (2.14) se.

. dobija se: |g (x)| = 2|x| > 1 za |x| > 1 2 Dakle. s obzirom da je svaka sljedeća vrijednost veća od prethodne. uslov za konvergenciju (2. Kako se može vidjeti.Rješavanje nelinearnih jednačina 5 g x =x - 4 3 2 1 0 1 fx =x x -x-x gx= / 2x- gx= x- y g x = + /x -1 -2 -3 0 1 2 3 4 5 x Slika 2.058 + 2 = 2. imamo: √ x1 = g(x0 ) = 3 + 2 = 2. Ako sada ponovimo postupak sa jednačinom (2.0014 √ x4 = g(x3 ) = 2. Ako se pogleda vrijednost prvog izvoda funkcije g(x).014 + 2 = 2. iterativni postupak konvergira ka rješenju ξ = 2.0004 .15b).236 + 2 = 2.. što je 24 . Vidi se da iterativni postupak divergira.14) nije ispunjen...7: Mogući oblici jednačine f (x) = x2 − x − 2 pri računanju metodom proste iteracije x2 = g(x1 ) = 72 − 2 = 47 x3 = g(x2 ) = 472 − 2 = 2207 .058 √ x3 = g(x2 ) = 2.236 √ x2 = g(x1 ) = 2.

Metode na otvorenom intervalu bilo i za očekivati s obzirom da je uslov konvergencije (2.3. Metoda uvijek konvergira ako je početna aproksimacija dovoljno blizu rješenju.8. Za razliku od prethodne metode.3. tj. konvergencija Newtonove metode je kvadratna. 2. 25 .15c) i (2.15d).16) metoda se ponekad naziva i metoda tangente.14) ispunjen. predstavlja sljedeću aproksimaciju rješenja jednačine f (x) = 0. x1 . 1 <1 |g (x)| = √ 2 x+2 za x>− 7 4 Na sličan način mogu se analizirati i preostale dvije jednačine (2. f(x) M0 M1 M2 x0 x1 x2 ξ x Slika 2. Prvi korak metode je lokalna aproksimacija funkcije f (x) pomoću linearne funkcije g(x) koja predstavlja tangentu‡ funkcije f (x) u tački M0 .2. postavimo sljedeću relaciju: f (x) = ‡ Newtonova f (xi+1 ) − f (xi ) xi+1 − xi (2. Grafička interpretacija metode data je na slici 2.2 Newtonova metoda Newtonova metoda (naziva se i Newton-Raphsonova metoda) je jedna od najpoznatijih i najefikasnijih procedura u cijeloj numeričkoj analizi. Rješenje jednačine g(x) = 0.8: Grafička interpretacija Newtonove metode Kako bismo izveli algoritam za Newtonovu metodu.

tj.Rješavanje nelinearnih jednačina Rješenje ove jednačine za xi+1 . f (xi+1 ) = f (xi ) + f (xi )(xi+1 − xi ) + .17) se ponavlja dok se ne zadovolji jedan od ili oba kriterija konvergencije: |xi+1 − xi | ≤ ε1 i/ili |f (xi+1 )| ≤ ε2 (2. a metoda je konvergentna. Jednačina (2. i sa e = x − ξ označi greška. time je i g (x) = 0.21) dobijamo: g (x) = 1 − (2.21) (2. daje: xi+1 = xi − f (xi ) f (xi ) (2. . Brzina konvergencije se može odrediti ako se od obje strane jednačine (2.17) oduzme ξ. .24) .17) što predstavlja rekurzivnu formulu za Newtonovu metodu. i konačno xi+1 = xi − f (xi ) f (xi ) (2. Newtonova metoda predstavlja specijalni slučaj metode proste iteracije i konvergira ako je ispunjen uslov |g (ζ)| ≤ 1 xi ≤ ζ ≤ ξ f (x)f (x) − f (x)f (x) f (x)f (x) = 2 [f (x)] [f (x)]2 (2. pri čemu je f (xi+1 ) = 0. Na taj način se dobija: xi+1 − ξ = ei+1 = xi − ξ − 26 f (xi ) f (xi ) = ei − f (xi ) f (xi ) (2.18) Newtonova metoda se može dobiti i direktno iz Taylorovog niza.22) Diferenciranjem jednačine (2.22) zadovoljen.19) Konvergencija Newtonove metode se može odrediti na sljedeći način.17) predstavlja jednačinu oblika: xi+1 = g(xi ) pri čemu je funkcija g(x) data sa: g(x) = x − f (x) f (x) (2. pa je uslov (2. ako se zanemare članovi višeg reda. Jednačina (2.20) Stoga.23) Kako za korijen jednačine vrijedi x = ξ i f (ξ) = 0.

Osim toga.4 Problem iz primjera 2. jer je za neke funkcije vrlo teško analitički izračunati prvi izvod. pri čemu je f (ξ) = 0. može se desiti da u toku iterativnog procesa prvi izvod bude jednak nuli. tj. Međutim.3. xi → ξ. pošto se može dogoditi da procedura konvergira prema nekom drugom korijenu (rješenju).25) uvrstimo u jednačinu (2. ali globalna konvergencija može biti slaba zbog zanemarivanja viših članova Taylorovog reda. Metode na otvorenom intervalu Razvojem funkcije f (x) u Taylorov red. tj. Primjer 2. za x = ξ vrijedi: 1 f (ξ) = f (xi ) + f (xi )(ξ − xi ) + f (ζ)(ξ − xi )2 = 0 xi ≤ ζ ≤ ξ (2. i zanemarujući članove iznad drugog reda. ε. Postupak rješavanja zaustaviti kada apsolutna vrijednost razlike između dvije uzastopne iteracije. što u praksi znači da se sa svakom iteracijom udvostručava broj značajnih cifara.27) Posljednja jednačina jasno pokazuje da je Newtonova metoda metoda tačnosti drugog reda. a za neke funkcije to uopšte nije moguće. Ova metoda ima odlične osobine za lokalnu konvergenciju. Ako se u datu jednačinu uvrsti da je f (x) = 2x. veoma je važno da uslov (2. kvadratna.26) S obzirom da za i → ∞. Newtonova metoda ima i nedostataka.25) 2 Ako sada izraz (2.24). čime ne bi bilo moguće nastaviti postupak rješavanja.f (xi ) → f (ξ).22) bude ispunjen. |xi+1 − xi | < ε.f (xi ) → f (ξ) imamo: ei+1 = 1 f (ξ) 2 e 2 f (ξ) i (2. kao što je modifikovana Newtonova metoda ili metoda sječice. Ipak.2.1 riješiti Newtonovom metodom. dobija se poznata jednačina za izračunavanje korijena broja 2: xi+1 = xi − x2 − 2 f (xi ) = xi − i f (xi ) 2xi 27 . Rješenje Algoritam za rješavanje neke nelinearne jednačine Newtonovom metodom dat je jednačinom (2. dobijamo: ei+1 1 f (xi )ei − 2 f (ζ)e2 1 f (ζ) 2 i = ei − = e f (xi ) 2 f (xi ) i (2. te da početna aproksimacija bude što bliže rješenju.16). U takvim slučajevima koriste se neke druge metode. bude manja od 10−4 .

000785 1. tj.047123 1. f (xn ) = f (x0 ) 28 (n = 1.3: Iteracija 0 1 2 3 4 5 Uz primjer 2. i za Newtonovu metodu je potrebna samo jedna početna aproksimacija. tj. . može se koristiti modifikovana Newtonova metoda.371212 1. Tabela 2.3 Modifikovana Newtonova metoda U slučajevima kada izračunavanje prvog izvoda funkcije uzima mnogo računskog vremena.41421 0. ali i tačnost od 10−6 se postiže u istoj iteraciji.18e-7 Iz tabele se vidi da je rješenje koje zadovoljava zadatu tačnost. .16667 1. Jedini problem je konvergencija prema traženom rješenju. U ovom slučaju bilo koja početna vrijednost x0 < 0 konvergirala bi prema drugom korijenu zadate jednačine. ξ = 1.41421. Ovo pokazuje koliko je.4 xi |xi − xi−1 | 3 1.83333 1. √ ξ2 = − 2.46212 1.83333 2 1.3.Rješavanje nelinearnih jednačina xi+1 = 1 2 xi + 2 xi (2.46212 0.3 daje rezultate svih iteracija. 2. Newtonova metoda brza. pošto se može desiti da rješenje konvergira prema nekom drugom korijenu. Ako sada kao početnu aproksimaciju uzmemo x0 = 3 za prve dvije iteracije imamo: 1 2 1 x2 = 2 x1 = 2 x0 2 x1 + x1 x0 + 1 2 1 = 2 = 3+ 2 3 = 1.41421 2.28) Slično metodi proste iteracije. može uzeti da je vrijednost prvog izvoda u svim iteracijama jednaka vrijednosti prvog izvoda iz prve iteracije. u stvari.415 0.29) .83333 = 1. 2. .) (2. dobiveno već u petoj iteraciji. Ovdje su umjesto izračunavanja prvog izvoda funkcije u svakoj iteraciji.83333 + Tabela 2.

16) uvijek je f (x) = f (x0 ).). tj.2. tj.9. .17) dobija oblik: xi+1 = xi − f (xi ) f (x0 ) (2. Rješenje Ova metoda se ni u čemu ne razlikuje od prethodne osim što se umjesto računanja vrijednosti f (x) za novu aproksimaciju. ε. rekurzivna formula glasi: xi+1 = xi − x2 − 2 i 2x0 (2. koristi ona iz početne iteracije. f(x) M0 M1 M2 x0 M2 ξ x1 x2 x3 x3 x Slika 2. Postupak rješavanja zaustaviti kada apsolutna vrijednost razlike između dvije uzastopne iteracije. bude manja od 10−4 .9: Grafička interpretacija modifikovane Newtonove metode Primjer 2. .5 Problem iz primjera 2.30) Grafička interpretacija modifikovane Newtonove metode data je na slici 2. u jednačini (2.3.1 riješiti modifikovanom Newtonovom metodom. |xi+1 − xi | < ε. na primjer 29 . Iz slike se jasno vidi da je nagib funkcije g(x) jednak za sve tačke Mi (i = 0. 1. Metode na otvorenom intervalu pa jednačina (2. .31) I u ovom slučaju koristimo samo jednu početnu aproksimaciju. Na taj način.

metoda sječice (sekante) predstavlja alternativu Newtonovoj metodi.83333 1.50968 0.60648 2x0 6 x 1 = x0 − Tabela 2. uz f (x0 ) = 2x0 = 6. Za prve dvije iteracije dobija se: x2 − 2 32 − 2 0 = 1.83333 =3− 2x0 6 x2 − 2 1. 12 13 Uz primjer 2. . .Rješavanje nelinearnih jednačina x0 = 3.833332 − 2 x 2 = x1 − 1 = 1. iteraciji i iznosi ξ = 1.41429 0.4 daje rezultate svih iteracija.5 xi |xi − xi−1 | 3 1. koja je sječica funkcije f (x).10. . 1.41429. Nelinearna funkcija f (x) se lokalno aproksimira pomoću linearne funkcije g(x).000072 Rješenje se dobiva u 13.000136 0. Metoda je grafički data na slici 2.41437 1.4 Metoda sječice U slučajevima kada je nemoguće analitički odrediti prvi izvod neke funkcije. . x0 i x1 .3.33) .32) (2.60648 0.096797 .83333 − = 1.226852 1. Tabela 2. za iniciranje metode neophodne su prve dvije aproksimacije. . . 2. S obzirom da je sječica prava linija koja prolazi kroz dvije tačke krive f (x).17) je dat sa: f (x) = pri čemu je f (xi+1 ) = 0 30 f (xi ) − f (xi−1 ) xi − xi−1 (2. . a njen korijen se koristi kao poboljšana aproksimacija korijena funkcije f (x).4: Iteracija 0 1 2 3 . Vrijednost prvog izvoda u jednačini (2. Pri tome se između njih može ali i ne mora nalaziti korijen jednačine f (x) = 0.16667 1.

također.34) Jednačina (2.3. Također se može pokazati da ako je vrijeme potrebno za izračunavanje vrijednosti f (x) oko 43% veće od onog za proračunavanje vrijednosti f (x). ε. tj. Primjer 2.34) se. metode sječice je efikasnija od Newtonova metode.2. vidi da je za proračun Newtonovom metodom neophodno izračunati vrijednosti f (x) i f (x). Metode na otvorenom intervalu f(x) M0 M1 M2 x0 x1 x2 M3 ξ x3 x Slika 2. dok je za metodu sječice potrebno izračunati samo f (x).34) se koristi dok se ne zadovolji jedan od ili oba kriterija konvergencije (2. Iz jednačina (2.62.17) i (2. bude manja od 10−4 . dobija se: xi+1 = xi − xi − xi−1 f (xi ) f (xi ) − f (xi−1 ) (2. ali i nešto sporije od kvadratne brzine konvergencije Newtonove metode.6 Problem iz primjera 2.1 riješiti metodom sječice.17. Postupak rješavanja zaustaviti kada apsolutna vrijednost razlike između dvije uzastopne iteracije. Može se pokazati da je brzina konvergencije reda 1. 31 . što je mnogo brže od linearne konvergencije proste iteracije. |xi+1 − xi | < ε.10: Grafička interpretacija metode sječice Uvrštavajući prethodne jednakosti u jednačinu 2.18).

086412 1.4 0.6 0.086412 0. s obzirom da su indeksi 0 i 1 rezervisani za početne aproksimacije): x1 − x0 f (x1 ) = 3 − f (x1 ) − f (x0 ) x2 − x1 f (x2 ) = 2 − x 3 = x2 − f (x2 ) − f (x1 ) x2 = x1 − Tabela 2.41606 1.6 xi−1 f (xi−1 ) 4 14 3 7 2 2 1.5 daje rezultate svih iteracija. Tabela 2.5: Iteracija 1 2 3 4 5 6 7 Uz primjer 2. rješenje je ξ = 1. Jedan od načina da se to postigne je ocjena rješenja pomoću grafičkog prikaza funkcije. i koristimo jednačinu (2.6 1. metode koje su opisane u prethodnim poglavljima imaju i neke zajedničke nedostatke.6e-8 |xi − xi−1 | 1 1 0. za ovu metodu su potrebne dvije početne aproksimacije rješenja.444444 1.4 Problemi u numeričkom rješavanju nelinearnih jednačina I pored dobrih osobina.000055 3−4 7=2 7 − 14 2−3 2 = 1.005221 0.34).001825 0. Ona može da dovede do pronalaženja pogrešnog korijena.41421. za prve dvije iteracije se dobija (koriste se indeksi 2 i 3.44444 0.Rješavanje nelinearnih jednačina Rješenje I pored toga što predstavlja varijantu metode proste iteracije.jedan od najčešćih nedostataka ovih metoda.6 2−7 xi 3 2 1.56 0.155556 0.41423 0. 2. Neki od tih nedostataka su: 1.56 1. spore konvergencije.028386 0.000055 3.005221 1. 32 . Ako kao početne aproksimacije uzmemo x0 = 4 i x1 = 3. ili inkrementalno pretraživanje sa malim korakom. Jedini način da se riješi ovaj problem je dobra početna aproksimacija. pri čemu se rješenje može ali i ne mora nalaziti između njih.41421 f (xi ) 7 2 0.41606 0.41423 1. pa čak i divergencije. Nedovoljno dobra početna aproksimacija .00002 Konačno.

Mnogostruki korijeni . Newtonova i metoda sječice lako mogu naći kompleksne korijene. 8. i koristi se samo aritmetika sa realnim brojevima. Loše postavljena nelinearna jednačina . tako da se svakom problemu može pristupiti sa optimizmom. ali to nije zagarantovano. Dilema se može riješiti ako se poveća graf funkcije. Konvergencija prema pogrešnom korijenu 3. mnogostruki korijeni se mogu naći koristeći Newtonovu metodu. Bez obzira na nedostatke i moguće probleme. Pitanja i zadaci 2. Najbolji pristup ovom problemu je korištenje računara sa većom tačnošću. većina problema u inženjerstvu se može riješiti nekom od opisanih metoda bez većih poteškoća. Grafičko prikazivanje i inkrementalno traženje korijena mogu pomoći. 5. ako se kompleksni korijeni ne očekuju. Spora konvergencija . kompleksni korijeni se ne mogu naći. Korijeni koji su blizu jedan drugom . 6. mada dobra početna aproksimacija može pomoći. koristeći kompleksnu aritmetiku i kompleksnu početnu aproksimaciju. Jedan od rješenja ovog problema je korištenje Bairstowove metode kvadratnih faktora. 2. Kako se izvodi inkrementalno pretraživanje? 33 .5 Pitanja i zadaci 1.5.Korijeni koji su blizu jedan drugom mogu da predstavljaju problem pri numeričkom rješavanju. 4. Tačke infleksije . Na primjer. Kompleksni korijeni . 7.Kompleksni korijeni ne predstavljaju nikakav problem ako se zna da isti postoje.Problem spore konvergencije se može riješiti boljom početnom aproksimacijom ili promjenom metode traženja korijena.Loše postavljena jednačina može predstavljati veliki problem prilikom traženja korijena jednačine. Međutim. Objasniti postupak lokalizacije nula! 2. s obzirom da interval u kojem se nalaze može biti suviše mali da bi se moglo odrediti u kojem intervalu se nalaze.Korijeni u tački infleksije mogu odvesti procedure traženja daleko od traženog korijena. ali je problem u tome što se ne zna da li i gdje isti postoje.Iako se u prethodnom tekstu nije pominjalo njihovo traženje. ili se smanji korak pri inkrementalnom traženju korijena.2.

Jednačine iz zadatka 12 riješiti metodom regula falsi. 9. 17. Objasniti metodu polovljenja intervala! Navesti prednosti i mane. Jednačinu a) iz zadatka 12 riješiti Newtonovom metodom. ako to drugačije ne bude zadato. Riješiti jednačinu d) zadatka 12 koristeći metodu sječice. Kao prve dvije aproksimacije koristiti x0 = 0 i x1 = 1. 13. 1). Navesti metode na otvorenom intervalu! 6. Objasniti metodu regula falsi! Navesti prednosti i mane. Objasniti postupak korištenja metode proste iteracije! Dati uslov za konvergenciju metode proste iteracije. Newtonovom metodom naći najveći pozitivni korijen jednačine f (x) = x3 − 5x + 1. f (x) = x3 − 2x2 − 2x + 1 = 0 – početni interval (0. riješiti metodom proste iteracije za sljedeća tri oblika date jednačine: x = ex − (2x + 2).5. Objasniti modifikovanu Newtonovu metodu! Procijeniti brzinu konvergencije. Navesti metode na zatvorenom intervalu! 5. 14. Metodom polovljenja intervala riješiti sljedeće jednačine: a) b) c) d) f (x) = x − cos(x) = 0 – početni interval (0. 11. Objasniti Newtonovu metodu.Rješavanje nelinearnih jednačina 3. Ispitati ovisnost rješenja o izboru početne aproksimacije. 7. 34 .5). Za početnu aproksimaciju uzeti x0 = 1. Proračun u ovom i ostalim zadacima zaustaviti kada apsolutna vrijednost razlike između dvije uzastopne iteracije bude manja od 10−4 . Objasniti metodu sekante! 12. te navesti njene prednosti i mane! 10. 18. 8. f (x) = ex − 2x − 2 = 0 – početni interval (1. 16.5. 15. 2). Objasniti koncept poboljšanja rješenja! 4. f (x) = ex − sin(πx/3) = 0 – početni interval (−3. Jednačinu b) iz zadatka 12 riješiti modifikovanom Newtonovom metodom. Kao početnu iteraciju koristiti x0 = 1. −2. 1). Jednačinu f (x) = ex − (3x + 2) = 0. x = (ex − 2)/3 i x = ln(3x + 2).

L i D dužina i prečnik cijevi. U ovom zadatku potrebno je naći sva korijene jednačine f (x) = x4 − 1 ako se kao početne aproksimacije uzmu sljedeće vrijednosti: 2. 23. Van der Valsova jednačina za stanje vodene pare glasi: a P + 2 (v − b) = RT v (2. Jednačina pada pritiska pri proticanju tečnosti kroz cijev kružnog poprečnog presjeka data je sljedećom empirijskom formulom: ∆P = −0. Newtonovu metodu.37) gdje je ∆P pad pritiska u Pa.5.35) gdje je P pritisak u Pa.35) se može prikazati u obliku: P v 3 − (P b + RT )v 2 + av − ab = 0 (2. Dozvoljeno je koristiti i komercijalne softvere (MathCAD.2. Jednačina (2. Zadatak riješiti bilo kojom od metoda za rješavanje nelinearnih jednačina. modifikovanu Newtonovu metodu. 20. Ispitati ovisnost rješenja o izboru početne aproksimacije za slučaj iz prethodnog zadatka. V brzina u m/s.36) Izračunati specifičnu zapreminu v za P =10000 kPa i T =800K. −2.5f ρV 2 L D (2. T temperatura u K. a a i b su empirijske konstante sa sljedećim vrijednostima za vodenu paru: a=1703. Postoji veliki 35 .) 22.00169099 m3 /kg. Newtonova metoda se može koristiti i za traženje kompleksnih korijena polinoma. MATLAB. ρ specifična gustoća u kg/m3 . metodu regula falsi.28 Pa(m3 /kg)2 i b=0. v specifična zapremina u m3 /kg. 21.495 J/kgK). U nekom od programskih jezika napisati program za rješavanje nelinearnih jednačina koristeći: a) b) c) d) e) f) metodu polovljenja intervala. Kao početnu aproksimaciju koristiti zakon za idealni gas P v = RT . Pitanja i zadaci 19. Mathematica. 2i i −2i. a f koeficijent trenja. metodu proste iteracije. Rezultate prikazati u kompleksnoj ravni. itd. R gasna konstanta (R=461. metodu sječice.

Za proticanje u turbulentnom režimu za slučajeve od potpuno glatke do vrlo grube površine cijevi razvijena je sljedeća formula: 1 √ = −2 log f ε/D 2. a gornji sa pokretnim osloncem. gdje je µ viskoznost tečnosti u Pas. naći najmanje od njih. pluta u tečnosti specifične gustoće ρt . 24. u zavisnosti od l. 6. 36 . te Re=10n i n = 4. Kao početnu aproksimaciju koristiti jednakost: f = 0.51 + √ 3.001.41) S obzirom da jednačina (2. 25.16Re−0.42)).40) ima beskonačno mnogo rješenja. Zadatak riješiti bilo kojom od metoda za rješavanje nelinearnih jednačina.42) gdje je x tražena dubina (izvesti jednačinu (2.Rješavanje nelinearnih jednačina broj formula za izračunavanje koeficijenta trenja u zavisnosti od Raynoldsovog broja za različite režime proticanja tečnosti.7 Re f (2. Zadatak riješiti bilo kojom od metoda za rješavanje nelinearnih jednačina. ako je ρp /ρt = k = 0. Zadatak se svodi na rješavanje nelinearne jednačine: x3 − 3rx2 + 4kr3 = 0 (2. 5. svodi se na rješavanje jednačine: tg(pl) = pl (2. Plovak u obliku sfere radijusa r. lkr = π p (2. ako za kritično opterećenje vrijedi: Pkr π 2 EI = p EI = 2 lkr 2 tj. Riješiti f za cijev sa /D = 0.5 cm. Izračunati do koje dubine će plovak potonuti. Problem računanja kritičnog opterećenja grede izložene izvijanju pri čemu je donji dio uklješten.38) gdje je ε hrapavost površine cijevi.39) Zadatak riješiti bilo kojom od metoda za rješavanje nelinearnih jednačina. Pri tome Raynoldsov broj je dat izrazom Re=DV ρ/µ. izrađen od materijala specifične gustoće ρp .40) Naći vrijednost kritične dužine lkr .16 (2.6 i r = 5.

. xn  b1 b2  . .. . . n) konstantne koeficijente. 2. an1 an2 . . .  . . Sistem od n linearnih jednačina sa n nepoznatih se može napisati u obliku∗ : a11 x1 + a12 x2 + . .. . j = 1. obične ili parcijalne diferencijalne jednačine. a bi (i = 1. . . Ipak. one mogu biti i linearne ili nelinearne. . Također... n) predstavljaju nepoznate promjenljive. . . + a2n xn = b2 . a2n  A= . bn (3. a x i b su vektori kolone.. 2.. ali je u većini inženjerskih problema jednak broju nepoznanica. . transcedentalne. . . . . .   x1  x2  . .2) sistema). .. Pri tome jednačine mogu biti algebarske. .. aij (i.  .. . . .. n) nehomogene članove. ..b =   . .. .1) se može napisati i u matričnoj formi: Ax = b gdje je A matrica koeficijenata (matrica odnosno:    a11 a12 .x =    . .  .3) jednačina može biti i drugačiji od n. ovdje će se obraditi samo (numeričko) rješavanje sistema linearnih jednačina...1) gdje xi (i = 1. . Sistem jednačina (3. + a1n xn = b1 a21 x1 + a22 x2 + . a1n   a21 a2 2 .. .Poglavlje 3 Rješavanje sistema linearnih jednačina Problem rješavanja sistema jednačina je jedan od najčešćih problema sa kojima se susreću inženjeri i naučnici. 2. + ann xn = bn (3..  .. . an1 x1 + an2 x2 + ..... . ann ∗ Broj (3. .

ono se uvrsti u sistem jednačina kako bi se dobilo odstupanje.6) (3. . . iterativne metode asimptotski dovode do rješenja pomoću neke iterativne procedure u kojoj se pretpostavi neko rješenje.sistem je homogen i xi = 0 (i = 1.Rješavanje sistema linearnih jednačina Riješiti sistem (3.sistem ima nedovoljan broj jednačina. . . .5) 38 . dobije poboljšano rješenje.sistem je protivrječan. • Trivijalno rješenje .1 3.2) znači naći vrijednosti xi (i = 1. . mogu se desiti 4 slučaja: • Jedinstveno rješenje . . . . Ax=b. 3. Na primjer.sistem je određen.1 Direktne metode Cramerovo pravilo Posmatrajmo sistem linearnih algebarskih jednačina.1). • Beskonačan broj rješenja . n) (3. Pri tome. neodređen je. Cramerovo pravilo kaže da je rješenje takvog sistema dato sa xj = det(Aj ) det(A) (j = 1. . n) koje istovremeno zadovoljavaju sve jednačine sistema. n) U rješavanju sistema linearnih algebarskih jednačina postoje dva fundamentalno različita pristupa: • Direktne metode • Iterativne metode Direktne metode predstavljaju sistematske procedure koje se zasnivaju na principu eliminacije. odnosno greške. a zatim se na osnovu tog odstupanja. odnosno (3. .4) gdje je (Aj ) matrica n × n koja se dobija zamjenom kolone j matrice A sa kolonom vektora b. sa n jednačina. . ili greška. Za razliku od njih. 2. • Nema rješenja . tj.1. za sistem sa dvije algebarske jednačine: a11 x1 + a12 x2 = b1 a21 x1 + a22 x2 = b2 rješenje je: x1 = b1 a12 b2 a22 a11 a12 a21 a22 i x2 = a11 b1 a21 b2 a11 a12 a21 a22 (3.

na primjer x1 . Operacija se koristi kako bi se izbjeglo dijeljenje sa nulom i smanjile greške zaokruživanja.000. Vrijednost nepoznanice xn se može dobiti iz posljednje jednačine procesa eliminacije. dok se ne dođe do jednačine koja sadrži samo nepoznanicu xn . za xn−2 . a za samo 100 jednačina ovaj broj je reda 10157 . tj. za jednu nepoznanicu. ne mijenjaju rješenje sistema. • redovi (jednačine) mogu zamijeniti mjesta. Zatim se rješava (n − 2)-ga jednačina. Direktne metode U ovom slučaju determinante se vrlo lako izračunaju pomoću pravila dijagonala. Čitav proces se naziva eliminacija. koriste osnovne operacije sa redovima neke matrice: • bilo koji red (jednačina) se može pomnožiti konstantom. Primjer 3.. Ova operacija se najčešće koristi kako bi se implementirao proces sistematske eliminacije. u odnosu na ostale nepoznanice.3. Ove operacije. Metode eliminacije. Nakon toga se može dobiti vrijednost nepoznanice xn−1 iz modifikovane (n − 1)-ve jednačine. a zatim se vrši zamjena izraza za x1 u ostalih n − 1 jednačina. xn . iako mijenjaju vrijednosti elemenata matrice A i b. x2 . 3. xn−1 i xn−2 . Ova operacija se najčešće koristi za skaliranje jednačina.. koja sadrži nepoznanice xn .1.. broj operacija jednak 360.1 Radi ilustracije procesa eliminacije i procesa zamjene unazad riješimo sljedeći sistem jednačina: 80x1 − 20x2 − 20x3 = 20 (3. koja sadrži samo nepoznanice xn i xn−1 . Očigledno je da Cramerovo pravilo nije efikasno u rješavanju velikih sistema jednačina. . i tako redom do prve jednačine.7a) 39 . tako da je neophodno koristiti neke druge metode. u principu. na primjer prvu. Procedura se nastavlja n − 1 puta. Međutim. ako je to neophodno.1.000. Ovaj proces se naziva zamjena unazad. pri čemu je n dimenzija kvadratne matrice. • bilo koji red (jednačina) može se zamijeniti linearnom kombinacijom tog reda (jednačine) i bilo kojeg drugog reda (jednačine). Broj množenja i dijeljenja pri korištenju metode kofaktora jednak je (n − 1)(n + 1)!. za sisteme sa više jednačina to pravilo ne važi i neophodno je koristiti metodu kofaktora. koji predstavlja mali sistem jednačina. Lako je izračunati da je za slučaj 10 jednačina.2 Metode eliminacije Metode eliminacije rješavaju sistem linearnih algebarskih jednačina rješavajući jednu jednačinu.

40)]/35 = 1.40)]/80 = 0.10a) za x2 .14c) .40 x2 = [25 − (−25)(0.14b) (3.7) se svodi na sistem jednačina: 80x1 − 20x2 − 20x3 = 20 35x2 − 25x3 = 25 750/7x3 = 300/7 (3. respektivno: − 20[20 − (−20)x2 − (−20)x3 ]/80 + 40x2 − 20x3 = 20 − 20[20 − (−20)x2 − (−20)x3 ]/80 − 20x2 + 130x3 = 20 koje se mogu pojednostaviti na oblik: 35x2 − 25x3 = 25 −25x2 + 125x3 = 25 Ako sada riješimo jednačinu (3. tj.7c) Postupak rješavanja počinje rješavanjem jednačine (3.60 40 (3.8) u jednačine (3.8) Uvrštavajući jednačinu (3.00 x1 = [20 − (−20)(1.10b) nakon pojednostavljenja dobija se: 750 300 x3 = 7 7 Na taj način.: x3 = 300/750 = 0.7a) za nepoznanicu x1 . dobijamo: x2 = [25 − (−25)x3 ]/35 (3.9a) (3.Rješavanje sistema linearnih jednačina −20x1 + 40x2 − 20x3 = 20 −20x1 − 20x2 + 130x3 = 20 Rješenje (3.11) (3.7b) i (3.10b) (3. Na taj način imamo: x1 = [20 − (−20)x2 − (−20)x3 ]/80 (3.7c) dobiva se.10a) (3.14a) (3. Sada se vrlo lako može dobiti rješenje sistema zamjenom unazad.13b) (3.7b) (3.9b) Uvrštavajući posljednju jednačinu u jednačinu (3.13c) (3.13a) (3.12) čime je završen proces eliminacije.00) − (−20)(0. sistem jednačina (3.

i postupak je prilično komplikovan.60  → x2 = 1.40 (3. Zbog toga se najčešće koristi procedura sa djelimičnim izborom glavnog elementa.). U toku izvođenja metode eliminacije može se desiti da je elemenat na glavnoj dijagonali modifikovane matrice A.16) (3. Prilikom rješavanja sistema jednačina. kod koje se samo zamjenjuju mjesta redova. nakon čega nije moguće nastaviti proceduru zbog dijeljenja sa nulom. jer se rješenje sistema za sve vektore b može dobiti simultano.00 25 300/7 x3 = 0. treba voditi računa o dva problema koji se mogu javiti: 1. prethodno opisana metoda eliminacije mora se modifikovati.1. 41 . Kako bi se izbjegla ova situacija.18) Postupak rješavanja na ovakav način je veoma pogodan u slučajevima kada imamo veći broj vektora b. pa imamo:  ·−(−20/80)+(b). Ovaj postupak dovodi do metoda sa djelimičnim i potpunim izborom glavnog elementa.3. Na taj način imamo:   80 −20 −20 20 40 −20 20  [A|b] =  −20 (3. Direktne metode Prethodno opisani primjer predstavlja slučaj jednostavne eliminacije (nema potrebe za zamjenom reda redova i sl.17) (3. Metode sa potpunim izborom glavnog elementa obuhvataju zamjenu i redova i kolona. jednak nuli. koji se još naziva i glavni elemenat.15) −20 −20 130 20 Sve informacije se sada mogu  80 −20 −20 (a) 40 −20 (b)  −20 (c) −20 −20 130  (a) 80 −20 −20 (b)  0 35 −25 (c) 0 −25 125 i konačno  (a) 80 −20 −20  0 (b) 35 −25 (c) 0 0 750/7 pisati sa strane sistema.·−(−20/80)+(c) 20 20  20  20 25  ·−(−25/35)+(c) 25  20 x1 = 0. te se može rješavati u pogodnijem obliku ako se matrica koeficijenata sistema A proširi vektorom b.

jer bi se u suprotnom mogao narušiti proces eliminacije koji je do tada obavljen. može dovesti do pogrešnih rješenja. tako da je zamjena redova neophodna. što. ispod glavnog elementa. prikazan u matričnoj formi:      5 x1 0 2 1  4 1 −1   x2  =  −3  5 −2 3 −3 x3 Rješenje Kao što se može vidjeti.·−(−2/4)+(c) (b)  0 2 1 5  (3. U tom slučaju vrši se skaliranje glavnog elementa. Primjer 3.   (a) 4 1 −1 −3 ·−(0/4)+(b).2 Riješiti sljedeći sistem jednačina. tako da je opet neophodno izvesti zamjenu redova. pak.19) (3. I ovaj postupak se izvodi za zamjenom mjesta redova. on je po apsolutnoj vrijednosti manji od elementa ispod njega. Nakon zamjene drugog i trećeg reda imamo:   (a) −3 4 1 −1 (b)  0 7/2 −7/2 7/2  ·−(4/7)+(c) (3. nalazi se u drugom redu.21) Iako u ovom slučaju elemenat na glavnoj dijagonali druge jednačine nije jednak nuli. može doći do značajne greške zaokruživanja.22) (c) 5 0 2 1 42 .Rješavanje sistema linearnih jednačina 2. tako da vršimo zamjenu prvog i drugog reda. Najveći elemenat po apsolutnoj vrijednosti u prvoj koloni. odnosno matrica se podesi da glavni elemenat bude po apsolutnoj vrijednosti veći od ostalih elemenata u toj koloni.20) (c) −2 3 −3 5 pa se dobija proširena matrica:   4 1 −1 −3  0 2 1 5  0 7/2 −7/2 7/2 (3. prvi elemenat jednak je nuli. U slučaju da su elementi po dijagonalama mnogo manji od ostalih elemenata u jednačinama. Treba napomenuti da se zamjena redova vrši samo na redovima ispod trenutnog glavnog elementa.

u tom slučaju.·−(0.9  (3.24) čije je rješenje: x1 = −1. Skaliranje se.924 i x3 = −0.33 33 28.4 Iz posljednje jednačine se zamjenom unazad dobija rješenje: x3 = 0.23) Prethodno opisani proces eliminacije. Primjer 3.333)+(c)  2 −3 103  (b) 98 (3.6   3 2 105 104  2 −4.884.334 −32 −31.27) 0 0 −29. Rješenje Prvo ćemo riješiti sistem jednačina koristeći do sada objašnjene metode.26) (c) 0 0. može da proizvede greške zaokruživanja.077)+(c) (3. x2 = 0.3.997.5 −29. pri čemu proračun vršiti na tri značajne cifre.667)+(b).25) (c) 1 1 3 3   (a) 3 2 105 104 (b)  2 −4. bez dodatnih objašnjenja. pa se u tu svrhu koristi proces skaliranja jednačina.1. Rješenje je pogrešno zbog greške zaokruživanja na tri značajne cifre. x2 = 1 i x3 = 1. To se dešava kada je glavni elemenat po apsolutnoj vrijednosti manji od ostalih elemenata u istom redu. ipak.3 Provjeriti prednosti procesa skaliranja na sistemu jednačina:      3 2 105 x1 104  2 −3 103   x2  =  98  1 1 3 x3 3 (3.   (a) 3 2 105 104 ·−(0. Sljedeći primjer pokazuje upotrebu procesa skaliranja u svrhu izbora glavnog elementa. Direktne metode i konačno  4 1 −1  0 7/2 −7/2 0 0 3  −3 x1 = −1  → x2 = 2 7/2 3 x3 = 1 (3. izvodi samo kako bi se odabrao glavni elemenat.6  ·−(0.33 33 28. 43 . što se ne slaže dobro sa tačnim rješenjem.

6 76. x2 = 1 i x3 = −1. što znači da prva i treća jednačina datog sistema trebaju zamijeniti mjesta. kao na primjer. Jasno je da je treći elemenat vektora a1 najveći po apsolutnoj vrijednosti. Sve ostale direktne metode.31) pa nije potrebna nova zamjena redova.6 odakle se dobiva tačno rješenje: x3 = 1.32) 0 0 76.28) 1/3 0. Ona je najvažnija i najkorisnija direktna metoda za rješavanje sistema linearnih algebarskih jednačina. imamo da je:     − − a2 =  −5/97  =  −0.30) dobija:   1 1 3 3  0 −5 97 92  (3.0194  (3. potrebno je skalirati sve elemente prve kolone sa najvećim elementom u njihovom redu. pa je:     3/105 0. uzimajući u obzir samo elemente matrice sistema (A).0286 a1 =  2/103  =  0.3333 gdje se vektor a1 sastoji od skaliranih elemenata prve kolone. ove greške se mogu znatno smanjiti ako se primijeni proces skaliranja.29) 3 2 105 104 (c)   (a) 1 1 3 3 (b)  0 −5 97 92  ·−(1/5)+(c) (3. Gaussova metoda eliminacije Prethodno opisana metoda eliminacije se naziva i Gaussova metoda eliminacije. nego se iz jednačine (3.30) (c) 0 −1 96 95 Ponovnim skaliranjem.·−(3/1)+(c) 1 1 3 (a)   2 −3 103 98 (b) (3.Rješavanje sistema linearnih jednačina Kao što je ranije rečeno.0104 (3. 44 . Prije izvršenja prvog koraka u procesu eliminacije (izjednačavanje elemenata ispod glavnog elementa sa nulom).0516  −1/96 −0. Na taj način imamo:   3 ·−(2/1)+(b).

. . . imao bi oblik: 1. Gaussova metoda eliminacije je daleko brža nego Cramerovo pravilo. j = k + 1. k + 2. 2. predstavljaju modifikacije ili proširenja Gaussove metode. 2. . Algoritam za Gaussovu metodu eliminacije (sa djelimičnim izborom glavnog elementa). n − 1) i tražiti po veličini najveći elemenat u koloni k te zamijeniti redove kako bi se taj koeficijent postavio u poziciju glavnog elementa akk . Dakle. treba normalizirati kolone k (k = 1. 4. akk .1. . Broj množenja i dijeljenja koji koristi Gaussova metoda eliminacije približno je jednak N = (n3 /3 − n/3) za matricu A i n2 za vektor b. .34) Nakon što se primijeni ovaj korak na svih k kolona. Za kolonu k (k = 1. . . ne vrši se zamjena vrijednosti svih koeficijenata. te pomoćnog vektora o† . Riješiti nepoznanice x koristeći zamjenu unazad. metode faktorizacije. . a za sistem od 100 jednačina 343. n) (i = k + 1. . 3. matrična.35) aij xj j=i+1 bi − xi = aii (i = n − 1. n) (3. nego se samo u pomoćnom vektoru o označi/markira data promjena. . što za sistem od 10 jednačina iznosi 430. . n − 1) se primijeni procedura eliminacije na redove i (i = k + 1.33) (3. n − 2.3. . i time uštedilo vrijeme računanja. . . tj. .000. k + 2. . zamjena jednačina. 2. Thomasov algoritam za tridijagonalne sisteme. k + 2. . tako da je: xn = bn ann n (3. U optimalnom algoritmu. Definisati koeficijente matrice A. n) kako bi se stvorile nule ispod glavnog elementa. . .36) † Pomoćni elemenat se koristi u slučajevima izbora glavnog elementa kako bi se izbjegla zamjena koeficijenata matrice. 45 . itd. . vektora b. Direktne metode Gauss-Jordanova. Počevši od prve kolone. koji je prikladan za programiranje. Na taj način se dobija: aij = aij − bi = bi − aik akk aik akk akj akj (i. originalna matrica A postaje gornja trougaona.. . . 1) (3.

1 riješiti Gauss-Jordanovom metodom.25)+(a). Redovi se obično skaliraju kako bi se dobili jedinični dijagonalni elementi.25 0.25 (b)  0 5/7  ·−(−0.25 −0.37) (c) −20 −20 130 20 pa se dobija:  (a) 1 −0. na taj način.25 −0.·−(−25)+(c) 1 −5/7 (3.   (a) 80 −20 −20 20 /80  −20  (b) 40 −20 20 (3.25 0. što je za oko 50% više nego za Gaussovu metodu eliminacije.25 20  20 ·−(−20)+(b).38) Primjenjujući proces eliminacije i naknadnim skaliranjem druge jednačine dobijamo:   (a) 1 −0. pogodna za više vektora b. Broj množenja i dijeljenja za Gauss-Jordanovu metodu eliminacije je približno jednak N = (n3 /2 − n/2) + n2 . tj.25 −0.25 (b)  0 35 −25 25  /35 (3.39) (c) 0 −25 125 25   (a) 1 −0. i direktno očitavati rješenja svih sistema.40) (c) 25 0 −25 125 46 . kada je neophodno simultano riješiti više sistema sa različitim vektorima b. u kojoj se i elementi iznad kao i elementi ispod glavne dijagonale eliminišu (izjednačavaju sa nulom). Rješenje Prvi korak u procesu rješavanja Gauss-Jordanovom metodom predstavlja skaliranje prve jednačine. Gauss-Jordanova metoda je. Primjer 3. pa se matrica A pretvara u jediničnu matricu. odnosno dijeljenje svih elemenata jednačine sa glavnim elementom.·−(−20)+(c) (3. Na taj način se matrica A transformiše u dijagonalnu matricu. Tada vektor b postaje vektor rješenja x.25  −20 (b) 40 −20 (c) −20 −20 130  0.Rješavanje sistema linearnih jednačina Gauss-Jordanova metoda eliminacije Gauss-Jordanova metoda eliminacije je varijacija Gaussove metode eliminacije.4 Primjer 3. tj.

tako da se matrica sistema A poroširi jediničnom matricom.6 1. a zatim primijeni Gauss-Jordanov algoritam. odnosno xT = [ 0.  (a) (b)  (c)  (a) (b)  (c) i konačno  1  0 0 eliminacija iznad i ispod glavnog elementa i vrši skaliranje trećeg 1 0 −3/7 0 1 −5/7 0 0 750/7 1 0 −3/7 0 1 −5/7 0 0 1  0.45) −20 −20 130 0 0 1 47 (3.4 ].6 1.1. A.41) (3. Proces se može shematski prikazati sljedećom relacijom: [A|I] → [I|A−1 ] Primjer 3. tj.1 koristeći GaussJordanovu metodu. a vektor b je postao vektor rješenja. dobijamo:   80 −20 −20 1 0 0 40 −20 0 1 0  [A|I] =  −20 (3.42) se dobija: 0 0 1 0 0 1 (3. Inverzija matrica metodom eliminacije Gauss-Jordanova metoda se može koristiti za dobijanje inverzne matrice matrice koeficijenata sistema.·−(−5/7)+(b) (3.44) .3.4  3/7 5/7  300/7 /(750/7)  3/7 5/7  215 ·−(−3/7)+(a). x.0  0.5 Naći inverznu matricu koeficijenata sistema iz primjera 3.7) jediničnom matricom.0 0. Direktne metode Sada se vrši reda.43) Matrica A je na taj način transformisana u jediničnu matricu. Rješenje Proširivanjem matrice koeficijenata iz jednačine (3.

4 48 (3.45) se može svesti na oblik:  1 0 0 2/125 1/100  0 1 0 1/100 1/30 0 0 1 1/250 1/150 metodu eliminacije. treba imati na umu da sve matrice ne moraju imati inverznu matricu (mogu biti singularne).47) Sistem linearnih jednačina može se riješiti korištenjem inverzne matrice.49) množenjem date jednačine inverznom matricom A−1 sa lijeve strane. pa tada sistem nema jedinstveno rješenje. ako je poznata inverzna matrica matrice A. A−1 .51) 1/250 1/150 7/750 20 0. rješenje x se dobija jednostavnim množenjem te inverzne matrice sa vektorom b.6 Primjer 3.6 x = A−1 b =  1/100 1/30 1/150   20  =  1.46) odakle se direktno dobija A−1 :   2/125 1/100 1/250 A−1 =  1/100 1/30 1/150  1/250 1/150 7/750 3.48) (3. dobijamo . desna strana jednačine  1/250 1/150  7/750 (3.50) se direktno dobija:      2/125 1/100 1/250 20 0.1. A−1 na sljedeći način.1 riješiti matričnom metodom. Rješenje Koristeći rješenje iz prethodnog primjera.0  (3.3 Matrična metoda (3. Međutim. Ako dati sistem linearnih jednačina napišemo u matričnoj formi: Ax = b A−1 Ax = Ix = x = A−1 b i konačno x = A−1 b (3. Primjer 3. iz jednačine (3.50) Dakle.Rješavanje sistema linearnih jednačina Primjenjujući Gauss-Jordanovu (3.

1. a ona kod koje su elementi dijagonale gornje trougaone matrice jednaki jedinici metoda Crouta. dobija se:     1 0 −0 80 −20 −20 1 −0  U =  0 35 −25  L =  −0. matrica U se dobija procesom Gaussove eliminacije (predstavlja prvi dio proširene matrice prije primjene procesa zamjene unazad).1 u pogodnijem obliku. mogu faktorizirati (razložiti) u proizvod neke dvije matrice na beskonačno mnogo načina.25 −5/7 1 0 0 750/7 49 (3. Kada su takve dvije matrice donja trougaona.1. matrica L predstavlja matricu koja se sastoji od množitelja nastalih u procesu eliminacije Gaussovom metodom. Primjer 3. koji množe jednačinu sa glavnim elementom u procesu eliminacije).54) . Rješenje Kao što je u prethodnom tekstu rečeno. Metoda faktorizacije kod koje su elementi po dijagonali donje trougaone matrice jednaki jedinici naziva se i Doolittleova metoda.1 riješiti metodom Doolittlea. L (od engleske riječi lower ). Direktne metode 3. Može se pokazati da kada se odrede matrice L i U. U (od engleske riječi upper ). dok matrica L predstavlja zapis množitelja u procesu eliminacije (brojevi u zagradama sa strane jednačina.3. tj.25 (3.7 Primjer 3.55) −0. rješavanje se sastoji iz dva koraka: • prvo se vektor b transformiše u vektor b’ koristeći izraz (zamjena unaprijed): Lb’ = b • a zatim se vektor rješenja dobiva sa (zamjena unazad): Ux = b’ Sljedeći primjer pokazuje upotrebu Doolittleove metode. Kod metode Doolittlea. koristeći rješenje iz primjera 3.52) dobija se tzv. i gornja trougaona.4 Metode faktorizacije Metode faktorizacije zasnivaju se na činjenici da se matrice (kao i skalarne veličine).53) (3. Na taj način. LU faktorizacija. A=LU (3. a matrica U gornju tridijagonalnu matricu u koju se transformiše matrica koeficijenata A pomoću Gaussove metode. koja je jedinstvena.

dok je element L13 jednak množitelju koji ide uz jednačinu (c) (tj.0 x1 = 20 − 20 − [(−20)1. −20/80 = −0.57a) (3.40 x2 = 25 − [(−25)0.18). −5/7). Po definiciji. kada su poznate matrice L i U. elementi na dijagonali jednaki su 1. −20/80 = −0.54) dobija se:      80 −20 −20 x1 20  0 35 −25   x2  =  25  0 0 750/7 x3 300/7 i zamjenom unaprijed: x3 = 300/750 = 0.0 + (−20)0. odnosno element L23 jednak je množitelju koji ide uz jednačinu c) (tj.53) dobija:      1 0 −0 b1 20  −0. iznad dijagonale. elementi druge kolone su jednaki množiteljima iz drugog koraka procesa eliminacije (jednačina (3.58) Osnovna prednost metoda faktorizacije je u tome što je broj operacija množenja i dijeljenja.59a) (3. Analogno.25 −5/7 1 b3 20 i zamjenom unaprijed: b1 = 20 b2 = 20 − (−1/4)20 = 25 b3 = 20 − (−1/4)20 − (−5/7)25 = 300/7 Uvrštavajući dobijeni vektor b’ u jednačinu (3.4]/35 = 1. Treba napomenuti da ispred množitelja treba da stoji znak minus (−).57b) (3. što je mnogo 50 .4]/80 = 0. Kako je ranije rečeno.25 1 −0   b2  =  20  (3. Elementi prve kolone jednaki su množiteljima iz prvog koraka pri rješavanju Gaussovom metodom eliminacije (jednačina (3. jednaki 0.57c) (3.16)) – element L12 jednak je množitelju koji ide uz jednačinu (b) (tj. matrica L se generiše na sljedeći način. a ostali. matrica U u metodi Doolittlea jednaka je gornjoj trougaonoj matrici u koju se transformiše matrica sistema A u toku postupka Gaussove metode eliminacije – u ovom slučaju radi se o matrici iz jednačine (3. pošto se u procesu eliminacije od jednačina oduzima trenutno glavna jednačina pomnožena množiteljem. jednak n2 .59c) (3.60 (3.59b) (3.25).25). Sada se koristeći jednačinu (3.Rješavanje sistema linearnih jednačina Dakle.56) −0.17)).

tzv. također.5 Nedostaci metoda eliminacije Svi nesingularni sistemi linearnih jednačina imaju rješenje. teoretski. oni su osjetljivi i na greške zaokruživanja.8 Pokažimo ponašanje jednog slabo podešenog sistema na sljedećem primjeru: x1 + x 2 = 2 (3. Međutim. Primjer 3.60a) 51 . Ovo rješenje se. greške zaokruživanja. to rješenje se uvijek može naći nekom od metoda eliminacije. koji kao posljedicu sadrže greške zaokruživanja. i (ii) slaba podešenost sistema. greške zaokruživanja nastaju kada se neki beskonačno dugi brojevi aproksimiraju brojevima konačne tačnosti. 3. kao što je to i pokazano u pomenutom primjeru. metoda iterativnog poboljšanja. U ove svrhe se može. slabo podešen sistem je onaj kod kojeg male promjene nekog elementa uzrokuju velike promjene u rješenju sistema.3. To naročito dolazi do izražaja kada se treba izračunati sistem jednačina za veliki broj različitih vrijednosti vektora b. Međutim. Dobro podešen sistem je onaj kod kojeg male promjene bilo kojeg elementa sistema uzrokuju male promjene u rezultatu problema. Na taj način.3 pokazuje kako greška zaokruživanja može da utječe na rezultat. svi praktični proračuni se ostvaruju sa konačnim brojevima. Direktne metode manje nego što to zahtijeva metoda Gaussove eliminacije. Nasuprot tome. koristiti i poseban iterativni postupak. uvijek može ostvariti korištenjem razlomaka ili beskonačno dugih brojeva. Greške zaokruživanja Kao što je to u uvodnim poglavljima rečeno. Greške zaokruživanja u rješavanju sistema jednačina se mogu smanjiti pogodnim razmještajem jednačina. Primjer 3. Podešenost sistema Svi dobro podešeni nesingularni numerički problemi imaju tačno rješenje. Međutim. Teoretski gledano. S obzirom da su slabo podešeni sistemi veoma osjetljivi na male promjene elemenata problema.1. mogu promijeniti rezultat proračuna.1. treba napomenuti da se greške zaokruživanja nikada ne mogu u potpunosti eliminisati. Na sličan način se može izvesti i algoritam za Croutovu metodu. postoje dva osnovna problema koja se javljaju u primjeni metoda eliminacije: (i) prisustvo grešaka zaokruživanja.

0001 2 0. Postoji više definicija norme matrice sistema. Jedini pravi lijek protiv problema slabe podešenosti je korištenje beskonačno dugih brojeva. ostaje samo pokušaj da se skaliranjem i zamjenama redova poboljša podešenost sistema. Slično ponašanje bi se desilo ako bismo elemenat b2 promijenili za neku malu veličinu. male promjene u koeficijentima sistema dovele su do znatnih promjena u rješenju sistema.65a) (3. kao: n A A A A 1 = max 1≤j≤n |aij | i=1 n maksimalan zbir kolone (3.0001 (3.0001x2 = 2. što pokazuje da je sistem slabo podešen.0001 2 0.65d) ∞ = max 1≤j≤n |aij | maksimalan zbir reda j=1 2 = min λi n n spektralna norma a2 ij Euklidska norma e = i=1 j=1 52 . Dakle.60b) Primjenom Gaussove eliminacije na sistem jednačina (3. Posmatrajmo sada sistem kod kojeg smo koeficijent a22 promijenili sa 1. koje je potpuno drugačije od onog prethodnog.64) 1 1 1 −0.65b) (3.0001 2 2.63) (3.0001 na 0. Imamo: (a) (b) 1 1 1 0.61) (3.Rješavanje sistema linearnih jednačina x1 + 1. Kako to nije moguće ostvariti.9999.62) 1 1 0 0. Podešenost sistema se procjenjuje korištenjem norme matrice sistema i broja podešenosti .60) dobija se: (a) (b) 1 1 1 1.0001 što dovodi do rješenja x2 = 1 i x1 = 1.0001 ·(−1)+(b) (3.9999 2 2.0001 ·(−1)+(b) (3.0001 što dovodi do rješenja x2 = −1 i x1 = 3.65c) (3.

00005 (3.3. Rješenje Matrica sistema jednačina (3. broj podešenosti predstavlja mjeru osjetljivosti sistema na male promjene njegovih elemenata.70) Dakle.60) ima oblik: A= 1 1 1 −0.00012 = 2. pa je takav sistem slabo podešen. osnovni uzrok je tačnost računanja. Direktne metode Za razliku od norme. inverzna matrica i njena Euklidska norma su: A−1 = 10001 −10000 −10000 10000 n n (3.71) što pokazuje da je sistem slabo podešen.69) A −1 e = i=1 j=1 a2 ij = 20000.5 = 40002 1 (3.0001 (3. Broj podešenosti matrice A dat je izrazom: C(A) = A A−1 (3.67) pa bi Euklidska norma imala vrijednost: n n A e = i=1 j=1 a2 ij = √ 12 + 12 + 12 + 1.9 Pokažimo na primjeru 3.66) Velike vrijednosti broja podešenosti pokazuju i veliku osjetljivost na promjene u vektoru b. Primjer 3. a postoje znatne greške u rješenju.5 (3.68) Nasuprot tome. broj podešenosti je: C(A) = A e A−1 e = 2. Treba napomenuti da u slučaju kada je sistem dobro podešen.8 upotrebu norme i broja podešenosti.00005 · 20000.1. 53 .

kao i kod rješavanja nelinearnih jednačina. počinju sa pretpostavkom početnog rješenja x(0) . 54 . koji nisu dijagonalno dominantni. U tom slučaju mnogo je efikasnije za njihovo rješavanje koristiti iterativne nego direktne metode. Postupak se nastavlja do postizanja željene tačnosti. Broj iteracija neophodan za postizanje konvergencije zavisi od: • Dominantnosti dijagonalnih koeficijenata. matrica je dijagonalno dominantna ako je apsolutna vrijednost svakog elementa na glavnoj dijagonali jednaka ili veća od zbira apsolutnih vrijednosti svih ostalih elemenata u tom redu.2 Iterativne metode Za mnoge velike sisteme linearnih jednačina. neki. Iterativne metode. . 2.) i učiniti dijagonalno dominantnim. Ovo rješenje se zatim koristi za dobivanje boljeg rješenja x(1) na osnovu neke strategije smanjenja razlike između x(0) i stvarnog rješenja x. Iterativne metode ne konvergiraju uvijek za sve jednačine u datom sistemu. Neki sistemi koji nisu dijagonalno dominantni mogu se preurediti (na primjer zamjenom redova i sl. . Pri tome.Rješavanje sistema linearnih jednačina 3. matrica koeficijenata A je rijetka. S druge strane. smanjuje se broj iteracija neophodnih za postizanje kriterija konvergencije. . U praksi se iterativne metode ne koriste u slučajevima kada dijagonalna dominantnost ne može da se osigura. n) (3. Procedura je konvergentna ako se sa povećanjem broja iteracija aproksimacija rješenja približava tačnom rješenju. Kada ponovljena primjena iterativne metode ne proizvodi značajne razlike u rješenju. tj. odnosno algoritam se zaustavlja kada se postigne određeni kriterij konvergencije. . pri čemu je za bar jedan red apsolutna vrijednost dijagonalnog elementa veća od odgovarajućeg zbira apsolutnih vrijednosti ostalih elemenata. sistemi. Dovoljan uslov za konvergenciju iterativnih metoda opisanih u ovom poglavlju za bilo koji početni vektor rješenja x je dijagonalna dominantnost matrice sistema. algoritam treba zaustaviti. većina elemenata jednaka je nuli.72) pri čemu znak > vrijedi za bar jedan red. Sa povećanjem dijagonalne dominantnosti. niti za sve moguće rasporede jednačina nekog sistema. ili n |aii | ≥ j=1 j=i |aij | (i = 1. koji proističu iz inženjerskih problema. ali im konvergencija nije osigurana. mogu konvergirati ka rješenju za određena početna rješenja.

xi . . .74) Neka je x(0) vektor početnog rješenja. n) (3. n) (3. 2. n) (3. koji u indeksnoj notaciji ima oblik: n aij xj = bi j=1 (i = 1. . . . Iterativne metode • korištene metode • početnog vektora rješenja • zahtijevanog kriterija konvergencije. 2. . n) (3. . 3. . n) (3.1 Jacobijeva metoda Posmatrajmo opšti sistem linearnih algebarskih jednačina Ax=b. Prva aproksimacija se dobija pomoću ovog vektora na osnovu jednakosti: (1) xi 1 = aii i−1 n (0) aij xj bi − j=1 − j=i+1 aij xj (0) (i = 1. . . 2. . n) (3. . 2.75) a analogno se može dobiti i rekurzivna formula Jacobijevog algoritma: xi (k+1) = 1 aii i−1 n bi − j=1 aij xj − j=i+1 (k) aij xj (k) (i = 1. gdje indeks u zagradi označava broj iteracije. 2.78) 55 .76) ili u nešto prikladnijem obliku: xi (k+1) = xi + (k) 1 aii n bi − j=1 aij xj (k) (i = 1. . tj.3. .77) Jednačina (3. Na taj način imamo: 1 xi = aii i−1 n bi − j=1 aij xj − j=i+1 aij xj (i = 1.77) se može napisati i u opštem obliku: (k+1) xi = (k) xi R + i aii (k) (i = 1. svaka jednačina sistema se rješava po komponenti vektora rješenja koja se odnosi na dijagonalni element. . . 2. .2. . . .2. . . . .73) U Jacobijevoj iteraciji.

80) se može prikazati u proširenom obliku: 4x1 − x2 + x4 −x1 + 4x2 − x3 + x5 −x2 + 4x3 − x4 x1 − x3 + 4x4 − x5 x2 − x4 + 4x5 = = = = = 100 100 100 100 100 (3.25x2 − 0.25x5 56 (3. formule (3.81c) (3. .77). Jednačina (3. 2. .25x3 − 0.78) se koriste dok se ne postigne željena tačnost. . Kao i u ostalim iterativnim postupcima.77) ili (3. tj.10 Riješiti sljedeći sistem linearnih jednačina:     4 −1 0 1 0 x1  −1 4 −1 0 1   x2        0 −1 4 −1 0   x3  =       1 0 −1 4 −1   x4   0 1 0 −1 4 x5       (3. Iz formule (3.79) predstavlja ostatak (rezidual) i-te jednačine.82a) (3.Rješavanje sistema linearnih jednačina gdje n (k) Ri = bi − j=1 aij xj (k) (i = 1.72) ispunjen za sve jednačine. o vrijednostima iz prethodne iteracije. Primjer 3.25x4 x2 = 25 + 0. pa red xi procesiranja jednačina nije nebitan. jer se sve vrijednosti xi iteriraju simultano. Rješenje Na osnovu elemenata matrice sistema lako se zaključuje da je uslov konvergencije (3.81e) tako da se. pa se može pristupiti rješavanju pomoću Jacobijeve iterativne metode.80) 100 100 100 100 100 Proračun zaustaviti kada najveća apsolutna razlika rješenja dvije uzastopne iteracije bude manja od 10− 6.25x1 + 0. Jacobijeva metoda se ponekad naziva i metoda simultanih iteracija. dobija: x1 = 25 + 0.81a) (3.77) se vidi da vrijednost (k+1) (k) zavisi samo o xi . n) (3.81b) (3. . koristeći jednačinu (3.81d) (3.82b) .

.80).25x4 Ako se za početno rješenje uzme da je x(0)T = [ 0.83b) (3.000000 34.000000 . . 35.0 25.000000 25.25x4 x4 = 25 − 0.83d) (3.0 25.000000 37.714285 x3 0. 17 18 25. Tabela 3. odnosno matrica koeficijenata jednačine (3. . simetričan.714285 35.857142 42.000000 25. 42. . itd.0 0. .714285 x5 0.625000 42. jednačinu (3. Rezultati su sumirani u tabeli 3.000000 0.0 25. .714285 35.10 k x1 x2 0 0.82d) (3.25x2 + 0.25x3 + 0.857143 x4 0. tako da vrijedi da je x1 = x5 .000000 35. Iterativne metode x3 = 25 + 0.000000 2 25.000000 1 25.000000 25.3.250000 3 25.0 0. . . . 25.0 25.0] i uvrsti u prethodnu jednačinu. tj.83c) (3.000000 25. Prvo se na osnovu jednačine (3.1: Uz primjer 3.000000 25.83e) a nakon toga se uvrštenjem u jednačinu (3.0] (3.0 0.79) odrede reziduali: R1 R2 R3 R4 R1 = = = = = 100 − 4x1 + x2 − x4 100 + x1 − 4x2 + x3 − x5 100 + x2 + 4x3 + x4 100 − x1 + x3 − 4x4 + x5 100 − x2 + x4 − 4x5 (3. . .25x1 + 0.2.000000 25. . lako se dobiva da je x(0)T = [ 25.250000 34.000000 31. .000000 25.000000 31.000000 25.000000 Lako je uočiti da je sistem jednačina.500000 40.375000 35.1.156250 . i x2 = x4 .187500 . .25x5 x5 = 25 − 0.78).375000 4 25.78) dobivaju vrijednosti xi .156250 .82c) (3.000000 35. Postupak se ponavlja dok se ne dostigne željena tačnost.25x2 + 0. Do istih rezultata se moglo doći i koristeći opšti oblik.0 0.000000 25.82e) Postupak se ponavlja na sličan način za x(2) . 57 .83a) (3.

84) ili u opštem obliku: (k+1) xi (k) Ri = (k) xi R + i aii (k) (i = 1. . Algoritam za Gauss-Seidelovu metodu se dobija iz Jacobijevog algoritma. .87d) (3. . .0 0. jednačina (3. Gauss-Seidelova metoda se naziva i metoda sukcesivne iteracije.25x2 (k) (k) (3. Uzimajući da je početna aproksimacija jednaka x(0)T = [ 0. .25x4 = 25 + = 25 + = 25 − = 25 − (k+1) 0. Gauss-Seidelova metoda manipuliše sa tek izračunatim vrijednostima. s tom razlikom što se u proračunu koriste najnovije vrijednosti rješenja.25x4 gdje je k korak iteracije.Rješavanje sistema linearnih jednačina 3. 2.25x1 (k+1) 0. Primjer 3. a za j = i + 1 do n vrijednosti xi . Rješenje Postupak rješavanja Gauss-Seidelovom je vrlo sličan Jacobijevoj metodi. . odnosno u indeksnoj notaciji: (k+1) xi 1 = aii i−1 n (k+1) aij xj bi − j=1 − j=i+1 aij xj (k) (i = 1.76). .82) ima oblik: x1 (k+1) = 25 + 0.11 Riješiti problem iz zadatka 3. .87a) (3.25x5 (k) 0.25x1 (k+1) 0.0 0. jednačina (3.87e) (k+1) x2 (k+1) x3 (k+1) x4 (k+1) x5 + + + + (k) (k) 0.85) (i = 1. Na taj način.25x4 (k+1) (k) 0.25x2 − 0. .25x3 + 0. kod koje sve veličine xi ovise samo o xi (rješenju iz prethodne iteracije).2 Gauss-Seidelova metoda (k+1) (k) Za razliku od Jacobijeve metode. . 2.86) i−1 = bi − j=1 (k+1) aij xj − j=i aij xj (k) Upravo zbog toga što se koriste tek izračunate vrijednosti pojedinih nepoznanica.0 0.2. . 2.87c) (3. n) n (3. n) (3.25x5 (k+1) 0.25x2 (k+1) 0. tako što se u sabiranju od j = 1 do (k+1) (k) i − 1 koriste vrijednosti xi .25x3 − 0. . n) (3.0 0.10 koristeći Gauss-Sedelovu metodu.0] 58 .87b) (3.

2: Uz primjer 3.953125 (3. .714286 35.87) dobivaju sljedeće aproksimacije : x1 (1) = 25 + 0.88a) = 31.25x4 − + (0) 0.686612 .714286 x5 0. u ovom slučaju imali bismo: R1 (k+1) = 100 − 4x1 + x2 − x4 = 100 + = 100 + = 100 − = 100 − (k+1) x1 (k+1) x2 (k+1) x1 (k+1) x2 (k) (k) (k) (3.25x1 (1) 0.184757 .000000 25.953125 34. 25.88d) (3. tj.074219 33. pa x2 .191498 25.11 k x1 x2 0 0.2.88b) (3.25x5 = 32.857143 42.925781 Postupak se ponavlja dok se ne postigne tražena tačnost.363453 . .25x3 (1) 0.25x4 = 0 = 25 + = 25 + = 25 − = 25 − (1) 0.250000 2 26. .89c) (3.000000 31. . .89e) (k) x5 Dakle. . Do istih rezultata se moglo doći i koristeći opšti oblik (jednačina (3.25x3 (0) 0. .740234 3 24.947586 . zatim R2 . . 35. 42.88c) (3.714285 35.25x2 (1) 0.173340 42.25x1 (1) 0.89d) (3.25x2 − 0.25x4 (1) 0.89a) − + (k+1) x5 (k+1) R2 (k+1) R3 (k+1) R4 (k+1) R1 − + + + (k) (k+1) 4x2 + x3 (k) (k) 4x3 + x4 (k+1) (k) x3 − 4x4 (k) (k+1) x4 − 4x5 (3.000000 1 25.8125 (0) 0.25x5 = 23. .808502 34. Iterativne metode lako se na osnovu jednačine (3.25x2 (0) (0) (3.857143 x4 0.2. 59 .714286 x3 0.85)). Ostali rezultati proračuna su sumirani u tabeli 3. .925781 25. . pa na osnovu nje x1 .000001 25. itd.506226 35.000000 26. .000000 Iz tabele je jasno da se ista tačnost dostiže nešto brže koristeći Gauss-Seidelovu metodu.25 = 26.812500 40.89b) (3. prvo se izračunava vrijednost R1 . Tabela 3.88e) (1) x2 (1) x3 (1) x4 (1) x5 + + + + (0) 0.000000 23. .000000 0. . 14 15 25.000000 35.000000 32.3.

Rješavanje sistema linearnih jednačina

3.2.3

Metode relaksacije

Iterativne metode se često same po sebi nazivaju relaksacionim metodama, pošto iterativnu proceduru možemo posmatrati kao relaksaciju vektora rješenja x(0) za rješenje x. Ipak, termin relaksacija vezan je za tzv. Southwellovu metodu relaksacije, kod koje se kombinuju dva procesa kako bi se ubrzala konvergencija: (i) red relaksacije se određuje traženjem po veličini najvećeg reziduala |Ri |max i (ii) relaksira se odgovarajuća jednačina tako da bude (Ri )max = 0. Ipak, proces traženja najvećeg reziduala za velike sisteme je veoma spor, tako da nije efikasan. Zato se često primjenjuje malo drugačija metoda koja se naziva i metoda sukcesivne nadrelaksacije (tzv. SOR‡ metoda). (k) Metoda sukcesivne nadrelaksacije uključuje množenje reziduala Ri sa relaksirajućim faktorom ω, pa bi za Gauss-Seidelovu metodu, na primjer, imala oblik:
(k+1) xi (k) Ri

=

(k) xi

R +ω i aii

(k)

(i = 1, 2, . . . , n)
n

(3.90) (3.91)

i−1

= bi −
j=1

(k+1) aij xj


j=i

aij xj

(k)

(i = 1, 2, . . . , n)

Iz gornje jednakosti se vidi da za ω = 1 dobijamo originalnu Gauss-Seidelovu metodu. Može se pokazati da za 0 ≤ ω < 2 sistem konvergira, pri čemu je za 0 ≤ ω < 1 sistem jednačina podrelaksiran, a za 1 ≤ ω < 2 nadrelaksiran. Podrelaksacija je pogodna kada se iterativnom metodom udaljava od rješenja, što je karakteristika nelinearnih sistema jednačina. Treba napomenuti da relaksirajući faktor ne mijenja konačno rješenje, s obzirom da množi rezidual, koji sa konvergencijom ka tačnom rješenju teži nuli. Osnovni nedostatak relaksirajućih metoda je određivanje optimalne vrijednosti faktora ω. Na žalost, ne postoji dobra opšta procedura za određivanje ove vrijednosti. Ipak, dobrim izborom faktora ω, kompjutersko vrijeme se može smanjiti za čak 10-50 puta, što je u svakom slučaju vrijedno pomena radi mogućeg korištenja. Optimalna vrijednost se može naći eksperimentisanjem, ali nije preporučljiva ako se problem rješava samo jednom. Ako se, pak, problem rješava često nad istim vrijednostima matrice sistema A sa različitim vrijednostima b, onda je to pogodno uraditi. Vrijedno je pomenuti da Jacobijeva i Gauss-Seidelova metoda uz ispunjenje dijagonalne dominantnosti matrice sistema konvergiraju, dok metoda relaksacije za ω = 1 može, ali i ne mora konvergirati.
‡ eng.

Successive-Over-Relaxation

60

3.3. Ostale metode

Primjer 3.12 Riješiti problem iz zadatka 3.10 koristeći metodu relaksacije Gauss-Sedelove metode. Uzeti da je ω = 1.10. Rješenje Metode relaksacije pogodno je raditi kada se algoritam za Gauss-Seidelovu metodu prikaže jednačinom (3.85), odnosno kada se koristi jednačina (3.90). Uzimajući da je početna aproksimacija jednaka x(0)T = [ 0.0 0.0 0.0 0.0 0.0] prema jednačini (3.89) se dobija rezidual R1 = 100.00 pa je: 100.00 = 27.50 4 Uvrštavajući dobijenu vrijednost u jednačinu (3.89b) dobija se: x1 = 0 + 1.1
(1) (1) (0)

(3.92)

R2 = 100 + 27.50 = 127.70 pa je:
(1)

(3.93)

127.50 = 35.0625 (3.94) 4 Nakon računanja vrijednosti x3 , x4 i x5 , prelazi se na sljedeću iteraciju, i postupak se nastavlja do postizanja željene tačnosti. U tabeli 3.3 date su ostale vrijednosti proračuna. Jasno vidi da je broj iteracija manji nego koristeći prethodne dvije metode. x2 = 0 + 1.1

3.3

Ostale metode

Pored prethodno opisanih metoda, postoji još niz metoda koje se koriste za rješavanje sistema linearnih jednačina. Naročito mjesto zauzimaju tzv. nestacionarne metode, koje uključuju informacije koje se mijenjaju u svakoj iteraciji. One su izuzetno efikasne, ali im je primjena i razumijevanje nešto kompliciranija. Najpoznatije metode u ovoj grupi su metoda konjugovanih gradijenata, koja se koristi za simetrične matrice sistema, te metoda bikonjugovanih gradijenata, za asimetrične matrice sistema.
61

Rješavanje sistema linearnih jednačina

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 12 13 24.999996 25.000000 25.000000 35.714285 35.714286 35.714286

x3 0.000000 37.142188 41.480925 42.914285 . . . 42.857145 42.857143 42.857143

x4 0.000000 30.151602 35.905571 35.968342 . . . 35.714287 35.714286 35.714286

x5 0.000000 26.149503 25.355629 25.167386 . . . 25.000000 25.000000 25.000000

3.4

Pitanja i zadaci

1. Objasniti koja su moguća rješenja sistema linearnih jednačina! 2. Koje su osnovne razlike između direktnih i iterativnih metoda? 3. Objasniti osnovni koncept direktnih metoda eliminacije! 4. Objasniti Gaussovu metodu eliminacije! 5. Objasniti postupke zamjene redova i skaliranja! Iz kojih razloga se koriste ovi postupci? 6. Objasniti Gauss-Jordanovu metodu eliminacije! 7. Na koji način se koristeći Gauss-Jordanovu metodu eliminacije može odrediti inverzna matrica? 8. Objasniti matričnu metodu! 9. Objasniti koncept metode faktorizacije! Koje metode faktorizacije razlikujemo? 10. Koji su nedostaci direktnih metoda? 11. Objasniti utjecaj greške zaokruživanja na numerički algoritam! 12. Objasniti utjecaj broja podešenosti na neku matricu! 13. Objasniti koncept korištenja iterativnih metoda! 14. Objasniti Jacobijevu metodu! 15. Objasniti Gauss-Seidelovu metodu!
62

18. Primjere iz zadatka 18 riješiti Gauss-Jordanovom metodom! 20.4.3. Sljedeće sisteme jednačina riješiti Gaussovom metodom: a) −2x1 + 3x2 + x3 = 9 3x1 + 4x2 − 5x3 = 0 x1 − 2x2 + x3 = −4 b) x1 + 3x2 + 2x3 − x4 4x1 + 2x2 + 5x3 + x4 3x1 − 3x2 + 2x3 + 4x4 −x1 + 2x2 − 3x3 + 5x4 c)      1 −2 1 x1 −1  2 1 2   x2  =  3  −1 1 3 x3 8 d)   2 −2 2 1 x1  2 −4   x2 1 3    −1 3 −4 2   x3 2 4 3 −2 x4   7   10  =    −14  1  = = = = 9 27 19 14 19. Pitanja i zadaci 16. Objasniti metode relaksacije! 17. U nekom programskom jeziku. napisati program za rješavanje sistema linearnih jednačina koristeći: a) b) c) d) e) Gaussovu metode eliminacije Gauss-Jordanovu metodu! Jacobijevu metodu! Gauss-Seidelovu metodu! metode relaksacije. Primjere iz zadatka 18 riješiti matričnom metodom! 63 .

Rješavanje sistema linearnih jednačina

21. Primjere iz zadatka 18 riješiti metodom faktorizacije, odnosno metodom Doolittlea! 22. Sljedeće sisteme jednačina riješiti Jacobijevom iterativnom metodom: a)  2  1   0 0 b)  3  2   0 0 c)   −2 1 0 0 x1  1 −2   x2 1 0    0 1 −2 1   x3 0 0 1 −2 x4 d)   2 −1 0 0 x1  −1 2 −1 0   x2    0 −1 2 −1   x3 0 0 −1 2 x4   5   1  =    0  8    1   2  =    −7  −1  2 3 2 0 0 2 3 2  0 x1 0   x2  2   x3 3 x4  12   17  =    14  7   1 2 1 0 0 1 2 1  0 x1 0   x2  1   x3 2 x4   4   8  =    12  11 

23. Primjere iz zadatka 22 riješiti Gauss-Seidelovom metodom! 24. Primjere iz zadatka 22 riješiti metodom relaksacije sa ω = 1.27! 25. Naći optimalnu vrijednost faktora relaksacije za primjer 3.12. Rezultat predstaviti grafički - kao koordinatne ose koristiti broj iteracija i vrijednost ω. U tu svrhu napisati program u nekom od programskih jezika, ili komercijalnih softvera.

64

Poglavlje 4

Interpolacija i aproksimacija funkcija
U mnogim inženjerskim problemima, podaci koji se posmatraju su poznati samo za niz diskretnih tačaka, a ne kao kontinuirana funkcija. Na primjer, može se desiti da je (kontinuirana) funkcija y = f (x) poznata samo u n diskretnih vrijednosti x, tj.: yi = y(xi ) (i = 1, 2, . . . , n) (4.2) (4.1)

Međutim, veličine diskretnih podataka nisu uvijek ono što nama treba, nego nam ponekad trebaju i vrijednosti funkcije u nekim drugim tačkama (interpolacija, ekstrapolacija). Također, mogu nam trebati izvodi takve zavisnosti (diferenciranje), ili integral (integriranje). Ovo i sljedeće poglavlje su u uskoj vezi sa interpolacijom, diferenciranjem i integriranjem diskretnih podataka. Svi ovi procesi se izvršavaju aproksimiranjem diskretnih podataka pomoću neke približne funkcije, i izvršenjem željenog procesa. Postoji veliki broj različitih funkcija koje se mogu koristiti kao približne funkcije. U stvari, svaka algebarska funkcija se može koristiti u tu svrhu. Ipak, najčešće korištene funkcije su: 1. polinomi, a naročito linearne aproksimacione funkcije, 2. trigonometrijske funkcije, 3. eksponencijalne funkcije. Pri tome, ove funkcije trebaju imati sljedeće osobine:

Interpolacija i aproksimacija funkcija

1. lako određivanje, 2. lako izračunavanje, 3. lako diferenciranje, 4. lako integriranje. Postoje dva fundamentalno različita pristupa za određivanje približnih funkcija koje se koriste za opisivanje zavisnosti grupe podataka: 1. interpolacija, ili tačno poklapanje 2. aproksimacija, ili približno poklapanje. Interpolacija dovodi do funkcija koje tačno prolaze kroz sve zadate tačke, kao što je to pokazano na slici 4.1a. Interpolacija se obično koristi za mali broj podataka. Nasuprot tome, aproksimacijom se dolazi do funkcija koje prolaze kroz grupu podataka na najbolji mogući način, bez obaveze da tačno prođu kroz zadate tačke (slika 4.1b). Aproksimacija je veoma pogodna za velike grupe podataka, lijepo grupisane podatke, te male i velike grupe razbacanih podataka.
a) y b) y

x

Slika 4.1: Približno predstavljanje podataka funkcijama: a) interpolacija, b) aproksimacija

4.1

Interpolacija polinomima
Pn (x) = a0 + a1 x + a2 x2 + . . . + an xn (4.3)

Opšta formula polinoma n-tog reda ima oblik:

gdje n predstavlja red polinoma, a ai (i = 0, 1, . . . , n) su konstantni koeficijenti. Dakle, imamo n + 1 koeficijenata, pa je za dobijanje jedinstvenih vrijednosti koeficijenata neophodno n + 1 diskretnih tačaka.
66

č

Diskretne ta ke
č

Diskretne ta ke

x

tj. . + an xn 2 2 . .. . . .. .3) dobija se sistem od n + 1 jednačina sa n + 1 nepoznatih koeficijenata ai (i = 0. . . f (x0 )]. xn 0 . . . koji prolazi kroz sve date tačke.5) 67 . bilo koja funkcija se može interpolirati do željene ili tražene tačnosti polinomom dovoljno velikog reda... 1 xn x2 0 x2 1 x2 2 . . yn ). (x1 . .1.1. . xn n (4.. 4. . Dakle. + an xn 1 1 y2 = a0 + a1 x2 + a2 x2 + . y0 ). kod kojeg vrijednost n zavisi od vrijednosti ε.3)). .. xn 2 .4) (4.(xn ... . .. . x2 n . Problem se svodi na određivanje jedinstvenog polinoma n-tog reda. .. . Neka je dato n + 1 tačaka [x0 . . .1 Direktna metoda Posmatrajmo opštu proceduru za interpolaciju niza tačaka sa jednakim ili nejednakim razmakom pomoću polinoma. .. S obzirom da se u praksi koriste polinomi nižeg reda. + an xn 0 0 y1 = a0 + a1 x1 + a2 x2 + .: y0 = a0 + a1 x0 + a2 x2 + . . .. . U narednim poglavljima date su neke od metoda koje se koriste za izračunavanje koeficijenata polinoma. xn 1 . . . + an xn n n Glavna determinanta sistema jednaka je: 1 x0 1 x1 1 x2 . tada za svako proizvoljno malo ε > 0 postoji polinom Pn (x). Pn (x) (jednačina (4. ... .. treba paziti na postizanje tačnosti. . . .[xn .. Interpolacija polinomima Za proces interpolacije pomoću polinoma veoma su bitne sljedeće dvije teoreme: • Weierstrassov aproksimacioni polinom: Ako je funkcija f (x) neprekidna na intervalu [a. f (x1 )]. . koje možemo pisati i u obliku (x0 . .. . b] vrijedi |Pn (x) − f (x)| < ε • Teorem o jedinstvenosti rješenja: Polinom n-tog reda koji prolazi kroz tačno n + 1 diskretnih tačaka je jedinstven. yn = a0 + a1 xn + a2 x2 + .. n). b].. . tako da za svako x u intervalu [a. [x1 . f (xn )]. y1 ).. . . Uvrštavajući svaki podatak u jednačinu (4. 1.4. ..

35)2 0.35 3. Primjer 4.50 0. tako da sistem (4.290698 3.60 0.40) + c · (3. Glavni nedostatak metode je u tome što se u slučaju dobivanja nekih novih podataka. čime se povećava i red polinoma. .277778 Rješenje Tačna vrijednost funkcije je: f (3.7) primijenimo na svaku od datih tačaka.285714 = a + b · (3. sa polinomom nižeg reda.50)2 68 (4. Rezultat dobijen prethodno.44) = 1 = 0.50) + c · (3.298507 0.294118 = a + b · (3. nema nikakve veze sa onim koji se dobiju u ponovljenom postupku.44 (4.294118 3. koristeći podatake u tabeli 4. Interpolirati vrijednost za x = 3.44. Ako polinom (4.4) ima jedinstveno rješenje.8) . Rezultujući polinom je jedinstveni polinom koji prolazi kroz svih n + 1 tačaka. Prednost je i u tome što se može koristiti za podatke koji nemaju jednak razmak. .1.40 f (x) 0. koristeći linearnu. . Tabela 4.35) + c · (3.1: Uz primjer 4.6) Prvo pokažimo proces interpolacije koristeći kvadratnu funkciju: P2 (x) = a + bx + cx2 (4. Dati sistem jednačina može se riješiti nekom od metoda koje su objašnjene u prethodnom poglavlju. dobijamo sljedeći sistem jednačina: 0.1 x 3. Glavna prednost direktne metode je što se kao rezultat dobija eksplicitni oblik funkcije. postupak dobijanja koeficijenata polinoma mora ponoviti.Interpolacija i aproksimacija funkcija i naziva se Vandermondova determinanta. 1.285714 3.7) i tri (n + 1 = 2 + 1 = 3) tačke date u prethodnoj tabeli. što znači da se vrijednost za bilo koju tačku dobija jednostavnim izračunavanjem vrijednosti funkcije za tu tačku. n) različita od nule. Može se pokazati da je vrijednost determinante za različite tačke xi (i = 0.298507 = a + b · (3.1 Primjenu procesa interpolacije pomoću direktne metode prikazati na primjeru jednostavne funkcije f (x) = 1/x. kvadratnu i kubnu aproksimaciju. .40)2 0.

35) + c · (3.60)3 sa konačnim rješenjem u obliku kubnog polinoma: P3 (x) = 1.277778 = a + b · (3.44 + 0.50. x = 3.12) (4.290698 (4.44 = 0.00613333x3 odnosno.44 u prethodni polinom dobijamo: P2 (3.8) se može riješiti nekom od metoda pokazanih u prethodnom poglavlju (npr.40) + c · (3.876561 − 0.16) (4.876561 − 0.44) = 0.470839x + 0.294118 = a + b · (3. Interpolacija polinomima Jednačina (4.442 = 0.15) (4.0878x2 − 0.40)2 + d · (3.290756 linearni Greška = 0.35)3 0.285714 = a + b · (3.11) U slučaju kubnog interpolacionog polinoma.256080 · 3.44) = 0.290697 (4.14) Poredeći dobivene rezultate sa tačnim rješenjem dobivaju se sljedeće veličine grešaka: P (3.44 u prethodni polinom dobijamo: P1 (3. uzimamo dvije tačke (drugu i treću.10) (4.000058 69 .121066 − 0.40) 0.44 P3 (3.40)3 0.13) (4.50) + c · (3.579854 − 0.256080x + 0.44) =0.285714 = a + b · (3.0249333 · 3. jer se zadata tačka nalazi između njih).50)2 + d · (3.9) U slučaju linearnog polinoma.1. uvrštavajući vrijednost x = 3. pa se dobija sljedeći sistem: 0.08404x Uvrštavajući vrijednost x = 3.40 i x = 3.35)2 + d · (3.08404 · 3.294118 = a + b · (3. pa se dobija sljedeći sistem jednačina: 0.60)2 + d · (3.290756 (4.50)3 0.4.44) = 0.579854 − 0.60) + c · (3.298507 = a + b · (3.0249333x2 Uvrštavajući vrijednost x = 3. tj. tako da se dobije sljedeći polinom: P2 (x) = 0.50) što dovodi do polinoma: P1 (x) = 0. neophodne su nam sve četiri zadate tačke. Gaussova metoda eliminacije).

Jedan od jednostavnijih postupaka.17) što je lako pokazati. polinom ima oblik: P2 (x) = (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) (4. U tom slučaju. ali ima mnogo nedostataka. također. slučaj sa dva podatka [a. može koristiti za interpolaciju podataka sa jednakim i nejednakim razmacima. U slučaju tri zadate tačke. Linearni Lagrangeov polinom koji tačno prolazi kroz obje tačke dat je jednačinom: P1 (x) = (x − b) (x − a) f (a) + f (b) (a − b) (b − a) (4. za polinome višeg reda (n > 4) sistem jednačina može biti slabo podešen. što može da uzrokuje veliku grešku u procjeni koeficijenata interpolacionog polinoma. na primjer. lako je pokazati da dobijeni polinom prolazi kroz sve tri zadate tačke. f (a)] i [b. f (a)]. gore sprovedena procedura može se primijeniti za bilo koji skup od n + 1 tačaka. 4.000001 = 0. [b. f (b)]. Općenito. Osim toga.290698 kvadratni kubni =−0.2 Lagrangeov interpolacioni polinom Kao što se moglo vidjeti u prethodnom dijelu.Interpolacija i aproksimacija funkcija =0.18) Slično prethodnom slučaju. f (b)] i [c. f (c)]. Ovaj postupak se.000000 čime se pokazuje prednost korištenja polinoma višeg reda. Posmatrajmo. koji će dati polinom n-tog reda. direktna metoda je veoma jednostavna po svom principu.1. [a. je upotreba Lagrangeovih interpolacionih polinoma.290697 =0. za n + 1 70 . koji se vrlo često koristi za interpolaciju. među kojima prednjači znatno vrijeme za određivanje koeficijenata polinoma.

razlika dividendi). [k. . . [b.1. . + f (k) (k − a)(k − b) . (x − k) + f (b) (b − a)(b − c) . Ipak. (x − k) f (a) (a − b)(a − c) . . . . . .1 riješiti pomoću Lagrangeovog interpolacionog polinoma koristeći linearnu. (b − k) (x − a)(x − b) . (xk − xk−1 )(xk − xk+1 ) . Rješenje 71 . . . . .20) gdje Lk (x) = = i=0 i=k (x − x0 ) . n) (4.. . ali je neophodno znatno računarsko vrijeme za dobijanje njegovih koeficijenata.2 Primjer 4. .21) predstavljaju tzv. (x − j) + . (x − xn ) (xk − x0 ) . f (b)]. . . f (k)]. . f (a)]. . može se prevazići korištenjem određenih procedura. imamo: Pn (x) = (x − b)(x − c) . obje metode daju isto. + Ln (x)f (xn ) n = k=0 Lk (x)f (xk ) (4. (x − xk−1 )(x − xk+1 ) . . . . . 1. (a − k) (x − a)(x − c) . . . . ali po teoremu jedinstvenosti rješenja. Način određivanja Lagrangeovog interpolacionog polinoma je znatno drugačiji od onog dobivenog direktnom metodom. Primjer 4. (k − j) (4. . . koje se mogu naći u literaturi (Nevillov algoritam.19) ili u nešto drugačijem obliku: Pn (x) = L0 (x)f (x0 ) + L1 (x)f (x1 ) + . . kvadratnu i kubnu interpolaciju. . Vidi se da za određivanje Lagrangeovog interpolacionog polinoma nema potrebe za rješavanjem sistema jednačina. (xk − xn ) n x − xi xk − xi (k = 0. Interpolacija polinomima tačaka [a. problem ponovnog rješavanja za drugačiji red polinoma. Prednosti i nedostaci ove metode su slični kao i u prethodnom slučaju.. Lagrangeove polinome. . tačno rješenje.4.

4. Može se pokazati da je konačno rješenje: P3 (x) = 1.23) Za dobijanje polinoma trećeg reda koristimo opštu formulu (4.285714 (3. pa je: P2 (x) = (x − 3.35)(3.26) . . + ∆f0 + n 2 1 (4. dat izrazom: s= 72 x − x0 h čime je x = x0 + sh (4.298507 (3.285714 (3.40)(x − 3.25) gdje je parametar s.20).18).24) Vidi se da su sva rješenja jednaka onim dobivenim u primjeru 4.Interpolacija i aproksimacija funkcija Najprije ćemo odrediti interpolacioni polinom prvog reda.1.50 − 3.40) = 0.50) (x − 3.40) = 0.50) + 0.08404x (4. U tu svrhu. pri čemu je n = 3.294118 (3.579854 − 0.35)(x − 3.50) (x − 3.470839x + 0.3 Newtonovi interpolacioni polinomi Jedan od oblika polinoma n−tog reda koji prolazi kroz n + 1 tačaka je i: Pn (x) = f0 + s s s ∆n f0 ∆2 f0 + .876561 − 0.40) 0. koristeći drugu i treću tačku iz tabele 4.1.35 − 3.50 − 3.1.0249333x2 (4.35 − 3.22) Za polinom drugog reda.50) (3. koriste se sve četiri tačke iz tabele 4.1 i jednačinu (4.294118 + 0.40 − 3.40) + 0. .00613333x3 (4. koristimo prve tri tačke iz tabele 4.40)(3.1.50 − 3.121066 − 0.50) (x − 3.35)(3.50) 0.17) imamo: P1 (x) = (x − 3. tzv.256080x + 0.40 − 3. interpolaciona promjenljiva.40 − 3.0878x2 − 0.35)(x − 3. što se i moglo očekivati s obzirom na teorem jedinstvenosti polinoma. Prema jednačini (4.

27) n fi i ∆n f0 = ∆n−1 f1 − ∆n−1 f0 = i=0 (−1)i Ove razlike se mogu dobiti i pomoću tzv.2: Tabela podijeljenih razlika Polinom predstavljen jednačinom (4. Interpolacija polinomima gdje je h korak. povećani red polinoma. ∆2 f0 .27). h = xi − xi−1 . Imajući u vidu teorem o jedinstvenosti rješenja. dobijamo dodavanjem dodatnog člana na prethodni polinom manjeg reda. xi x1 x2 x3 x4 fi (0) (0) fi (1) fi (2) fi (3) f1 f2 f3 f4 f1 (0) (1) f1 f2 (1) (2) f1 f2 (2) (3) (0) f3 (0) (1) Slika 4. Najveća prednost ovog polinoma je što. .. Primjer 4. Jedna takva tabela za četiri vrijednosti funkcije data je na slici 4. tabele podijeljenih razlika.. n (4. osim jednostavnosti. .. sa manjim brojem podataka. ili Newtonov interpolacioni polinom za diferenciranje unaprijed. su date izrazima: ∆f0 = f1 − f0 ∆2 f0 = ∆f1 − ∆f0 = f2 − 2f1 + f0 .4. tako da nije potrebno dodatno računanje koeficijenata.3 Koristeći prvi Newtonov interpolacioni polinom izračunati vrijednost funkcije 73 .2. Time se rad koji je učinjen prethodno. ne mora ponavljati.25) naziva se prvi Newtonov interpolacioni polinom.1.. tj. kao što je to dato i izrazima (4. a razlike ∆f0 . on predstavlja željeni jedinstveni aproksimacioni polinom.. Ovaj polinom uopšte ne liči ni na jedan od polinoma koji su dati u poglavlju o aproksimacionim funkcijama. . pri čemu vrijednost svakog člana tabele predstavlja razliku dvije vrijednosti sa lijeve strane. a time i njegovu tačnost. ali ipak ima osobinu da prolazi kroz svih n + 1 zadatih tačaka. .

000558 -0.285714 -0.000050 0.44 − 3.4) + s(s − 1) 2 ∆ f (3.007112 0.5 3.3 3.1. također.28) Iz jednačine (4.4) + s∆f (3.000428 -0.7 3. + 3! 74 (4.000008 0.4 3. date i podijeljene razlike za date vrijednosti funkcije.25) se direktno dobija: P (3.009470 0.007508 0. .40 = = 0.000032 0.000000 0.2 3.312500 -0. xi 3.277778 -0.322581 -0. te h = 0. .008912 0. U tu svrhu koristiti Tabelu 4. U tabeli su.000040 0.8 3.008404 0. pa je: s= x − x0 3.1 3.3.4) + .294118 -0.000468 -0.4) 2! s(s − 1)(s − 2) 3 ∆ f (3.000396 -0.44) = f (3.9 fi (0) fi (1) fi (2) fi (3) fi (4) 0.000053 0.270270 -0.010081 0.000003 Rješenje Prema tabeli 4.000364 0.000032 0.3 0. imamo da je x0 = 3.000508 -0.3: Tabela podijeljenih razlika za primjer 4.000000 0.000040 0.1 (4.6 3.000010 0.007936 0.263158 -0.40.29) .3.256410 Slika 4.303030 -0.44.4 h 0.Interpolacija i aproksimacija funkcija f (x) = 1/x u tački za x = 3.006748 0.000611 -0.

3.289772 =0.1.290698 linearni kvadratni kubni Greška =−0.29): P (3. dok je u slučaju kvadratne aproksimacije rezultat nešto drugačiji.44.30) 2 0. neophodne razlike unaprijed ne postoje.4. . ili Newtonov interpolacioni polinom za diferenciranje unazad koji je dat izrazom: s+ s+ s+ Pn (x) = f0 + ∆f0 + ∆2 f0 + . + 3! Uzimajući u obzir samo prva dva člana dobija se linearna aproksimacija.44) =0.30) dobija se kubna aproksimacija. + ∆n f0 (4.4. pak. .000058 =0. ako je x0 = 3.290756 =0. i ovdje se vidi da se povećanjem reda polinoma znatno povećava tačnost.2.4.5)) i imamo proces interpolacije.290698 linearni kvadratni kubni Greška =0.000011 = 0. Interpolacija polinomima te uvodeći brojne vrijednosti u jednačinu (4.000002 =0.44) =0.000926 = 0. pri čemu početna tačka x0 = 3. U slučaju kada je neophodno primijeniti ovu metodu na posljednju grupu podataka.4 − 2) (−0. Dodavajući i treći član dobija se kvadratna.000000 Rješenje za linearnu aproksimaciju je potpuno isto kao i u primjerima 4.290709 =0. i rezultati su manje tačni. .294118 + 0.31) 1 2 n 75 .4(0.000468) (4.44) = 0. ili grupu podataka koja se nalazi u sredini čitave grupe.000000 Vidimo da je greška za linearnu i kvadratnu ekstrapolaciju znatna. tako da tražena vrijednost pada u zadati opseg (x = 3.4 − 1)(0. imamo ekstrapolacije. Ako.4(−0. drugi Newtonov interpolacioni polinom.4 − 1) + (0.2 ne ulazi u opseg čvornih tačaka koje su date. s obzirom da se u razmatranje nisu uzele iste čvorne tačke. Prvi Newtonov interpolacioni polinom koristi se za početnu grupu podataka. U prethodnom primjeru smo kao početnu tačku uzeli tačku x0 = 3.4.1 i 4. Dakle.4(0.2 i s = 2.008404) 0. . a uzmajući u obzir prva četiri člana polinoma u jednačini (4. U tom slučaju. dok kubna dovodi do interpolacionog polinoma.290700 =0. imamo: P (3. dobija se: P (3. No.44 ∈ (3.00040) + . pa se koristi tzv. želimo izračunati vrijednost funkcije za x = 3.

3! te uvodeći brojne vrijednosti u jednačinu (4.6)(−0. Dakle.000508) 2 (−0.).32) a ostale oznake su kao u prethodnom slučaju.44 (tačno rješenje je x = 0.00050) + . h = 0.6 h 0. Rješenje Prema tabeli 4. .290756 =0.6)(−0. .290698 .290695 =0.34) (4. imamo: s= x − x0 3.4 Koristeći drugi Newtonov interpolacioni polinom izračunati vrijednost funkcije f (x) = 1/x u tački za x = 3.3.6 + 1)(−0. a uzmajući u obzir prva četiri člana polinoma u jednačini (4.44) =0.33) Iz jednačine (4.5 iz tabele 4.35) dobija se kubna aproksimacija.4 + 2) + (−0. Kao početnu vrijednost uzeti x0 = 3. 3! (4.5) + s∆f (3.50 = = −0.6 + 1) + (0.5) + s(s + 1) 2 ∆ f (3.34): P (3.290698 linearni kvadratni kubni Greška = 0. Dodavajući i treći član dobija se kvadratna. imamo: P (3.6)(−0.44 − 3.44) = f (3.44) = 0.1 (4.285714 + (−0.5) 2! s(s + 1)(s + 2) 3 + ∆ f (3.1 i sa x0 = 3. .008404) (−0.31) se direktno dobija: P (3.5. Primjer 4.000000 76 .3. . .Interpolacija i aproksimacija funkcija pri čemu je: s+ i = s(s + 1)(s + 2) · · · (s + [i − 1]) i! (4.5) + .35) Uzimajući u obzir samo prva dva člana dobija se linearna aproksimacija.000003 = 0. .000058 =−0.

to ne znači da se i vrijednosti funkcije između čvornih tačaka dobro poklapaju sa interpolacionim polinomom.36) ima ograničenu praktičnu vrijednost. za neku neprekidnu i diferencijabilnu funkciju do reda n+1 na intervalu [a. te su neophodna približna poklapanja . Pri tome. tj.4. ali se u tu svrhu najčešće koristi metoda najmanjih kvadrata. s obzirom da se rijetko poznaje f (n+1) .37) Međutim. Tada je devijacija ei razlika između Yi i yi = f (xi ). formula ima teoretsku vrijednost u procjeni greške kod numeričkog diferenciranja i integriranja.2. grupu diskretnih tačaka [xi . Razlika između vrijednosti polinoma i funkcije. a da devijacija zavisi od zavisno promjenljive Yi . ili podataka koji nisu lijepo grupisani. Aproksimacija funkcija 4. formula (4. b] data izrazom: Rn (x) = f (x) − Pn (x) = ψ(x) gdje je: n f (n+1) (ξ) (n + 1)! (4. Osnovna ideja određivanja aproksimacione funkcije zasniva se na minimiziranju devijacija (razmaka) tačaka od aproksimacionog polinoma. b) (4.proces aproksimacije. Međutim.38) Proces minimizacije se može izvršiti na različite načine. a gotovo nikada ξ. kao što je prikazano na slici 4. Može se pokazati da je ova greška interpolacije.4. Yi ) i aproksimacioni polinom y(x) koji je izabran da predstavi ove podatke. na primjer.1. ei = Yi − yi (4. Rn (x). koju dati polinom interpolira. Y (xi )] = (xi . 4. U slučaju kada se radi o velikom broju podataka. krive sa tačnim poklapanjem nije moguće ostvariti. predstavlja grešku interpolacije.2 Aproksimacija funkcija U prethodnom poglavlju opisane su interpolacione funkcije koje su pogodne za mali uzorak diskretnih podataka. može se pretpostaviti da su vrijednosti nezavisne promjenljive xi tačne. interpolacioni polinom se sa datom funkcijom poklapa u svim čvornim tačkama. Ipak. Vidi se da diskretne tačke ne leže na polinomu y(x). 77 .36) ψ(x) = i=0 (x − xi ) i ξ ∈ (a.4 Greška interpolacije Kao što je poznato. Posmatrajmo.

a1 . Primjer linearne funkcije je polinom n-tog reda. a ne nezavisnim veličinama). Aproksimacija polinomom Neka je dato N tačaka (xi . . .2. tj.41) = i=1 (Yi − a0 − a1 xi − .40) S(a0 .4: Grafička interpretacija aproksimacije 4. dok su logaritamska ili eksponencijalna funkcija primjeri nelinearnih aproksimacionih funkcija. . na minimiziranju funkcije S. .Interpolacija i aproksimacija funkcija y(x) Yi(xi) Yi ei y(x) Diskretne ta ke č xi x Slika 4. aproksimaciona funkcija y(x) može biti linearna ili nelinearna (pri tome se naziv linearan odnosi na linearnost po parametrima.39) je: N N (4. . Yi ) koje treba aproksimirati polinomom n-tog reda: y = a0 + a1 x + a2 x2 + . koja je zavisna od parametara aproksimacione funkcije: N N S= i=1 (ei ) = i=1 2 (Yi − yi )2 (4. + an xn Zbir kvadrata devijacija prema jednačini (4.39) Pri tome. . a2 . an ) = i=1 N (ei ) = i=1 2 (Yi − yi )2 (4. − an xn )2 i 78 . . .1 Metoda najmanjih kvadrata Metoda najmanjih kvadrata zasniva se na minimiziranju zbira kvadrata razlika ei = Yi − yi .

44) xi Yi a i=1 xi + b i=1 x2 = i i=1 koji se vrlo lako može riješiti. 79 . jer sistem jednačina (4. Polinomi do 6-tog reda obično daju vrlo dobre rezultate. 1. . Slaba podešenost sistema jednačina može se prevazići korištenjem nekih drugih oblika linearne aproksimacije.43) .43) može se riješiti nekom od metoda za rješavanje sistema jednačina.43........42) Na taj način se dobija sistem od n + 1 linearnih jednačina koji nakon preuređivanja ima oblik: N N N a0 N + a1 i=1 N xi + . Čebiševljevi polinomi i mogu se naći u literaturi... . . Ipak. Na osnovu jednačine 4. . ali i ne moraju dovesti do dobrih rezultata..−an xn )(−xk ) = 0 i i i=1 (k = 0... + an i=1 x2n i = i=1 xn Yi i Sistem jednačina (4. . . .... . Aproksimacija polinomom prvog reda se najčešće koristi u praksi. Aproksimacija funkcija Potreban uslov za postojanje ekstrema (time i minimuma) ove funkcije sa više nepoznatih je: ∂S = ∂ak N 2(Yi −a0 −a1 xi −. dok vrijednosti za n od 6 do 10 mogu. N N N N a0 i=1 xn i + a1 i=1 xn+1 i + . na primjer. kao što su.. ... Pri korištenju polinoma višeg reda mogu se pojaviti problemi.43) može biti slabo podešen... normalizovanjem jednačina i korištenjem dvostruke preciznosti ovi problemi se mogu prevazići. .... n) (4.. .2...4. . lako je pokazati da se u slučaju aproksimacije linearnom funkcijom y = a + bx dobija sljedeći sistem jednačina: N N aN + b i=1 N xi = i=1 N Yi N (4. + an i=1 N xn i N = i=1 Yi N a0 i=1 xi + a1 i=1 x2 i + .... Vrijednosti n > 10 općenito vode lošim rezultatima. + an i=1 xn+1 i = i=1 xi Yi (4.

Koristeći metodu najmanjih kvadrata potrebno je odrediti aproksimacioni polinom prvog reda u obliku: Cp = a + bT (4.5331 5200a + 3800000b = 5632.0045 1.1410 Cp .09 -0.0296 1.205298 · 10−3 T 80 (4.19 0.1385 Greška.i 8 (4.2 data je zavisnost specifične toplote zraka pri konstantnom pritisku (za niske temperature).0743 1.J/mK·103 0.54 0.22 Rješenje Koristeći jednačinu (4.933194 + 0.0153 1.29 -0.0564 1.46) Ti Cp. J/mK·103 1. K 300 400 500 600 700 800 900 1000 Cp .1180 1.5 T. T . % -0.74 (4.61 0.0769 1.9948 1.0134 1.48) . od temperature zraka.Interpolacija i aproksimacija funkcija Primjer 4.24 -0.2: Uz primjer 4.44) dobija se sljedeći sistem jednačina: 8 8 8a + b i=1 8 Ti = i=1 8 Cp.i a i=1 Ti + b i=1 Ti 2 = i=1 koji nakon uvrštavanja vrijednosti iz tabele ima oblik: 8a + 5200b = 8.0974 1.47) Koristeći neku od metoda za rješavanje sistema linearnih jednačina dobija se: Cp = 0.1212 1. Cp .0984 1.45) Tabela 4.0507 1.97 0.0358 1.5 U tabeli 4.

2. K 1000 1500 2000 2500 3000 Cp . T .1427 1.5 · 106 a + 55 · 109 b + 142.48).51) .15 -0.26 -0.5 · 106 b + 55 · 109 c = 12.2815 1. te greške aproksimacije. Cp . % 0.6 U tabeli 4.43) za n = 3 dobija se sljedeći sistem jednačina: 5 5 5 5a + b i=1 5 Ti + c i=1 5 2 Ti = i=1 5 3 2 Cp.i 5 a i=1 5 Ti + b i=1 5 Ti + c i=1 5 Ti = i=1 5 Ti Cp.2782 1.1410 1.125 · 1012 c = 288.6 T.50) a i=1 Ti 2 + b i=1 Ti 3 + c i=1 Ti 4 = koji nakon uvrštavanja vrijednosti iz tabele ima oblik: 5a + 10 · 103 b + 22. Cp .1762 10 · 103 a + 22.2955 Cp .5413 · 103 22.2059 1. Aproksimacija funkcija U tabeli 4.4.3 data je zavisnost specifične toplote zraka pri konstantnom pritisku (za visoke temperature).5 · 106 c = 6.2 date su i vrijednosti dobivene jednačinom (4.2938 Greška.13 Rješenje Koristeći jednačinu (4.5186 · 106 81 (4.2522 1.29 0.3: Uz primjer 4. J/mK·103 1.i Ti 2 Cp. Primjer 4.2520 1.i i=1 (4. od temperature zraka.2095 1. J/mK·103 1.02 0. Koristeći metodu najmanjih kvadrata potrebno je odrediti aproksimacioni polinom drugog reda u obliku: Cp = a + bT + cT 2 (4.49) Tabela 4.

82 . i sl.55) Pored prethodne.53) i uvođenjem smjena Y = ln(y). . kao što su na primjer logaritamske. eksponencijalne.56) Postoji i niz drugih funkcija koje se mogu koristiti u ovu svrhu.54) (4. . U tu svrhu nam može pomoći i grafičko predstavljanje podataka u Descartesovom ili nekom specijalnom koordinatnom sistemu (logaritamski. često se koristi i eksponencijalna funkcija (na primjer.Interpolacija i aproksimacija funkcija Koristeći neku od metoda za rješavanje sistema linearnih jednačina dobija se: Cp = 0.57) (4.3 date su i vrijednosti dobivene jednačinom (4.965460 + 0. kriva napon-naprezanje za nelinearne materijale): y = aebx koja se može nakon logaritmiranja svesti na oblik linearne funkcije: ln(y) = ln a + bx ⇒ Y = A + bx (4. te greške aproksimacije. Koja od njih je najpodesnija. . polulogaritamski. pa je traženje koeficijenata takvih jednačina otežano. Posmatrajmo stepenu funkciju koja se često koristi za opisivanje fizikalnih procesa: y = axb Logaritmiranjem gornjeg izraza dobija se: ln(y) = ln a + b ln(x) (4. zavisi od prirode fizikalnog procesa koji se opisuje.52).211197 · 10−3 T − 0. ponekad je nelinearni aproksimacioni problem moguće svesti na linearan koristeći pogodne smjene. problem se svodi na aproksimaciju polinomom prvog reda: Y = A + Bx (4. ). A = ln(a).52) U tabeli 4. Nelinearna aproksimacija U mnogim inženjerskim problemima fizikalne osobine nekih procesa navode nas na korištenje nekih drugih aproksimacionih funkcija. Ipak. X = ln(x) i B = b.0339143 · 10−6 T 2 (4. U tim slučajevima. metoda najmanjih kvadrata vodi do sistema jednačina koji je nelinearan.

57).61) 83 .69315x odnosno. Aproksimacija funkcija Primjer 4.4: Uz primjer 4.69315x Posljednja jednakost se može predstaviti i u obliku: y = 3e0.7 Podatke date u tabeli 4.69315x = 3e0.62) (4.09861 + 0.7 x 0 1 y 3 6 Y = ln(y) 1.58) Tabela 4.09861 e0.60) Koristeći neku od metoda za rješavanje sistema linearnih jednačina dobija se: Y = A + bx = 1. pri čemu je Y = ln(y) i A = ln(a).4).4 aproksimirati pomoću nelinearne relacije date jednačinom: y = aebx (4. trebamo prvo odrediti ln(y) (dato u tabeli 4.178053 4 48 3.780538 (4.098612 1. a onda problem svesti na određivanje aproksimacione funkcije Y = A + bx.424533 10A + 30b = 31.2. koristeći smjene: y = aebx = eA ebx = e1. Na taj način dobijamo sistem jednačina: 5 5 5A + b i=1 5 xi = i=1 5 Yi 5 (4.59) xi Yi A i=1 xi + b i=1 xi 2 = i=1 koji nakon uvrštavanja vrijednosti iz tabele ima oblik: 8A + 10b = 12.69315 )x = 3 · 2x (4.4.791759 2 12 2.871201 Rješenje Prema jednačini (4.69315x = 3(e0.63) (4.484907 3 24 3.

174 1278.5 daje zavisnost specifične toplote zraka pri konstantnom pritisku. Objasniti metodu najmanjih kvadrata! 9. Navesti osnovne prednosti Newtonovih interpolacionih polinoma! 6.Interpolacija i aproksimacija funkcija 4. d) vrijednost Cp (1480) koristeći tri tačke. 7. Tabela 4.188 1757.2197 h. Greška interpolacije.kJ/kgK 1.663 1396. Tabela 4. K 1000 1100 1200 1300 Cp .1410 1.1573 1.kJ/kg 1047.3 Pitanja i zadaci 1.1858 h. Objasniti metodu najmanjih kvadrata korištenjem linearne aproksimacije! 10. h. Kao početnu tačku koristiti onu koja je najbliža traženoj vrijednosti.578 T. Objasniti Lagrangeov interpolacioni polinom. 84 .792 1636. Objasniti prednosti i mane direktne metode! 4.1722 1.1982 1. K 1400 1500 1600 Cp .kJ/kgK 1. Navesti njegove prednosti i mane! 5. Navesti metode interpolacije! 3. Cp i entalpije. Objasniti metodu najmanjih kvadrata korištenjem nelinearne aproksimacije! 11. i njena upotrebna vrijednost.657 Koristeći direktnu metodu.5: Uz zadatak 11 T. b) vrijednost Cp (1120) koristeći tri tačke.kJ/kg 1515. c) vrijednost Cp (1480) koristeći dvije tačke. T . Navesti metode koje se koriste za aproksimaciju funkcija! 8.2095 1. od temperature. Objasniti razliku između aproksimacije i interpolacije! 2. naći: a) vrijednost Cp (1120) koristeći dvije tačke.248 1162.

18. iz tabele 4. Napisati program za izračunavanje kvadratne interpolacione funkcije za date podatke.0320 1000 0.5 za 1000 ≤ T ≤ 1400.0080 85 . Cp . Rezultate uporediti sa onim iz prethodnog primjera. Zadatke 11 i 12 riješiti korištenjem prvog Newtonovog interpolacionog polinoma! 16.3.64) Koristeći podatke iz tabele 4. 19. naći a i b koristeći metodu najmanjih kvadrata.0107 2000 0. 17. Zadatak 11 riješiti koristeći Lagrangeov interpolacioni polinom! 14.5. naći najbolju aproksimaciju polinomom prvog reda. i dati grešku za svaku čvornu tačku. koristeći sljedeću relaciju: f = aReb (4. Pitanja i zadaci 12.6. Naći polinom četvrtog reda kao aproksimaciju podataka za specifičnu gustinu zraka pri konstantnom pritisku. koristeći direktnu metodu! 20. Tabela 4. Zadatak 11 riješiti za h(T ) umjesto Cp (T )! 13. Dati grešku za svaku čvornu tačku. Napisati program sa metodom najmanjih kvadrata za slučaj polinoma prvog reda! 22.0160 1500 0.6: Uz zadatak 22 Re f 500 0. Prethodni zadatak riješiti uzimajući u obzir sve podatke iz tabele 4. Napisati program koji interpolira vrijednost grupe podataka. Re.4. Koristeći podatke za specifičnu toplotu zraka pri konstantnom pritisku. koristeći Lagrangeov interpolacioni polinom! 21. Zadatak 12 riješiti koristeći Lagrangeov interpolacioni polinom! 15. Koeficijent trenja za laminarno tečenje se može povezati sa Raynoldsovim brojem.

.

Poglavlje 5 Numeričko diferenciranje i integriranje 5. ali može biti i niz diskretnih podataka o nekom procesu. vrijedi: d d (f (x)) ∼ (Pn (x)) = dx dx S druge strane.). funkcija koja se želi diferencirati može biti poznata. dobija se. koje se izvode iz Newtonovih interpolacionih polinoma. Pri tome. i sl. . Općenito. a zatim se izvrši njeno diferenciranje.1 Diferenciranje pomoću približnih polinoma U prethodnom poglavlju opisane su metode za određivanje približnih polinoma. 5.1. poznate funkcije se lako mogu diferencirati. tj. definicije izvoda ili pomoću Taylorovog reda. dok je za niz diskretnih podataka neophodno koristiti numeričko diferenciranje. Niz diskretnih podataka se može diferencirati diferenciranjem približnih funkcija koje su izvedene u prethodnom poglavlju.1 Numeričko diferenciranje U mnogim inženjerskim problemima zahtijeva se izračunavanje izvoda (na primjer. + an xn . ili korištenjem formula za diferenciranje. Ovaj način se često koristi i za aproksimiranje tačnih derivacija pri numeričkom rješavanju diferencijalnih jednačina. U prvom slučaju. polinom oblika: Pn (x) = a0 + a1 x + a2 x2 + . određivanje brzine ili ubrzanja na osnovu podataka o pređenom putu. . diferenciranje se može izvesti pomoću formula za diferenciranje. najprije se odredi približna funkcija za zadati niz tačaka (podataka). Kao rezultat interpolacije ili aproksimacije.

5 Koeficijenti polinoma drugog reda. .Numeričko diferenciranje i integriranje tako da je postupak diferenciranja veoma lagan.5) = − 1 1 = − 2 = −0. a tačna vrijednost prvog izvoda u tački x = 3.1. na primjer.5.1) (5. imamo: f (x) ∼ P (x) = a1 + 2a2 x + 3a3 x2 + . Rješenje Kao i u prethodnom poglavlju. . mogu se dobiti nekom od metoda opisanih u prethodnom poglavlju (direktna. + nan xn−1 = f (x) ∼ P (x) = 2a2 + 6a3 x + . . 88 . + n(n − 1)an xn−2 = (5.5 je: f (3.1: Greška diferenciranja korištenjem aproksimacionog polinoma Zbog toga se ovaj način diferenciranja veoma rijetko koristi. Primjer 5.081633 . |f (x) − Pn (x)|. Za prve dvije derivacije. . |f (x) − Pn (x)|. i da mala odstupanja aproksimacione funkcije od stvarne.1. izračunati vrijednost prvog izvoda u tački x = 3. zadate vrijednosti predstavljaju vrijednosti funkcije f (x) = 1/x.2) Ipak. koje prolaze kroz sve tri zadate tačke. treba napomenuti da je takav proces diferenciranja veoma nestabilan i netačan.1 Za podatke u Tabeli 5. koristeći polinom drugog reda. . a daleko pogodnije je diferenciranje korištenjem formula za diferenciranje. kao što je to prikazano na slici 5. 2 x 3. . P’n(x) f’ (x) f (x) f (x) Pn(x) x0 x1 x2 x Slika 5. ne znače i mala odstupanja derivacija.

2455x + 0. odnosno: P2 (x) = 0.1.4) gdje je h razmak između dvije susjedne tačke.0817 Na osnovu greške.1 x f (x) 3.0234. dobija se: a = 0.000067|.60) 2 (5.858314 − 0.2 Formule za diferenciranje Formule za diferenciranje se mogu dobiti iz definicije izvoda neke funkcije f (x) u tački x = xi : f (xi ) = lim f (xi + h) − f (xi ) h→0 h (5.40) + c · (3. možemo zaključiti da dobijeni polinom dobro aproksimira funkcija i u pogledu njenog prvog izvoda.285714 3.5) 89 .5) = −0.40)2 0.1: Uz primjer 5.50 0. dobija se: f (xi ) ≈ f (xi + h) − f (xi ) h (5.5)−Pn (3.294118 3.0234x2 Sada je lako odrediti i prvi izvod: P2 (x) = −0.50) + c · (3.294118 = a + b · (3.50)2 0.1.277778 = a + b · (3.858314.2455 i c = 0.0468 · 3. Na primjer. 5. Ako se sada uzme približna vrijednost gornjeg izraza.285714 = a + b · (3.2455 + 0.3) Koristeći neku od metoda za rješavanje sistema linearnih jednačina.0468x pa je: P2 (3. imamo sistem: 0.60) + c · (3.5) = 0. Newtonovi interpolacioni polinomi). koristeći direktnu metodu. Numeričko diferenciranje Tabela 5.60 0.5.277778 Lagrangeovi polinomi. |f (3.2455 + 0.5 = −0. b = −0.40 0.

umjesto h u jednačini (5. formuli za diferenciranje unaprijed. Na slici 5. respektivno. ali uz mogućnost procjene greške. . f (xi ) ≈ f (x) A tc B t+ f (xi-h) f (xi) f (xi+h) tC t xi-1 xi xi+1 x Slika 5. nagib linije koja prolazi kroz tačke A i C.8) f (n) (xi ) (x − xi )n + . .5) uzme vrijednost −h dobija se formula: f (xi ) − f (xi − h) (5. može se doći i razvojem funkcije f (x) u Taylorov red u okolini tačke xi : f (xi ) ≈ f (x) = f (xi ) + f (xi )(x − xi ) + f (xi ) (x − xi )2 + .6) predstavljaju formule za diferenciranje unaprijed i unazad. Ako se.7) 2h Ovaj izraz predstavlja formulu za centralno diferenciranje. . .6) h Izrazi (5. t− . pak.9) . + n! odnosno zanemarivanjem članova višeg reda (za xi < ζ < xi + h) imamo f (x) = f (xi ) + f (xi )(x − xi ) + 90 f (ζ) 2 h 2 (5.2: Grafička interpretacija formula za diferenciranje Iz slike se vidi da bi linija koja prolazi kroz tačke A i B bila bolja aproksimacija izvoda funkcije f (x). a nagib linije koja prolazi kroz tačke C i B.Numeričko diferenciranje i integriranje što predstavlja aproksimaciju prvog izvoda funkcije f (x).2 data je grafička interpretacija ovih formula. odgovara formuli za diferenciranje unazad. Do istih izraza. Dakle. t+ . 2 (5. pri čemu nagib linije t odgovara tačnom izvodu funkcije f (x) u tački C.5) i (5. Njen nagib jednak je: f (xi + h) − f (xi − h) (5.

pak. što pokazuje da greška kod centralnog diferenciranja opada mnogo brže nego je to slučaj sa ostala dva postupka. greška se dobija ako se uzmu u obzir prva tri člana u jednačini (5.9) direktno se za x − xi = h (diferenciranje unaprijed) i x − xi = −h (diferenciranje unazad) dobija. To je i razlog zbog kojeg se centralno diferenciranje treba koristiti gdje je god to moguće. koji se javljaju u diferencijalnim jednačinama. Numeričko diferenciranje Iz izraza (5. dok je kod centralnog proporcionalna kvadratu koraka h. respektivno: f (xi ) ≈ f (xi ) ≈ f (xi + h) − f (xi ) h − f (ζ) h 2 (5.11) h 2 Za centralno diferenciranje. 91 .10) f (xi ) − f (xi − h) h − f (ζ) (5. tj.5. unazad i centralno diferenciranje.13) (5. Posljednji način određivanja formula za diferenciranje se često koristi i za izvođenje aproksimacija tačnih izvoda (i totalnih i parcijalnih). Također. metoda se može koristiti i za numeričko diferenciranje funkcija više promjenljivih. Na kraju. ζ2 ): f (xi ) = f (xi + h) − f (xi − h) h2 = f (xi ) − f (ζ) 2h 6 (5.12) Na osnovu prethodnih izraza možemo zaključiti da je greška diskretizacije diferenciranjem unaprijed i unazad proporcionalna koraku h.8). koje se mogu izvesti na sličan način kao formule za diferenciranje unaprijed. treba naglasiti da postoji niz drugih formula za diferenciranje. za xi < ζ1 < xi + h f (xi + h) = f (xi ) + f (xi )h + za xi − h < ζ2 < xi f (xi − h) = f (xi ) − f (xi )h + f (xi ) 2 f (ζ1 ) 3 h − h 2 3! f (xi ) 2 f (ζ1 ) 3 h + h 2 3! pa se oduzimanjem druge jednačine od prve dobija: f (xi + h) − f (xi − h) h2 = f (xi ) + [f (ζ1 ) + f (ζ2 )] 2h 12 odnosno za ζ ∈ (ζ1 .1.

081633 − (−0.5.08404)| = 0.2 Numeričko integriranje Slično numeričkom diferenciranju. 5. unazad i centralno diferenciranje.6 − 3.). vidi se da formula za centralno diferenciranje daje najbolju aproksimaciju.08404 3.6 − 3.07936 3. 2 x 3.081633 .0817 3.07936)| = 0.277778 − 0. .0817)| = 0.6) − f (3.000067 Na osnovu dobijenih rezultata.294118 = = −0.002273 • diferenciranje unazad: f (3.4) 0.5) = − 1 1 = − 2 = −0.1 sa greškom | − 0. Rješenje Kao i u prethodnom primjeru.1 izračunati vrijednost prvog izvoda u tački x = 3.4 0.5 0.5 − 3.5) − f (3.1 sa greškom | − 0.294118 = = −0.2 Koristeći podatke iz primjera 5.7) dobija se: • diferenciranje unaprijed: f (3. tačna vrijednost prvog izvoda u tački x = 3. veoma važno mjesto u mnogim inženjerskim problemima zauzima i numeričko integriranje (npr.6) − f (3.5) = f (3. (5. izračunavanje pređenog puta na osnovu zavisnosti brzine kretanja od vremena.285714 − 0.5) 0.2 sa greškom | − 0. Numerička 92 .002407 • centralno diferenciranje: f (3.277778 − 0.5) = f (3.081633 − (−0. koristeći formule za diferenciranje unaprijed.5). .5 je: f (3. i sl.5 Na osnovu formula (5.6) i (5.4) 0.4 0.5) = f (3.Numeričko diferenciranje i integriranje Primjer 5.081633 − (−0.285714 = = −0.

Pri tome.2. 2 b (5. funkcija f (x) za koju je teško ili nemoguće izračunati integral.3: Grafička interpretacija integrala 5. U narednim poglavljima date su neke poznatije formule koje se koriste u ovu svrhu.2. je pomoću približnih polinoma. .14) koristeći neku od formula koje aproksimiraju funkciju f (x). najlakša procedura za numeričku integraciju. . ili kvadratura (izraz dolazi od činjenice da vrijednost određenog integrala predstavlja površinu ispod funkcije. koja se može koristiti i za podatke sa jednakim i nejednakim razmacima.16) a 93 . kao što je prikazano na slici 5. funkcija može biti zadata eksplicitno ili predstavljati niz tačaka. Nakon dobijanja polinoma. i integriranja dobija se: b b I= a f (x)dx ≈ a Pn (x)dx = x2 a0 x + a1 + .5.1 Integriranje pomoću približnih polinoma Slično numeričkom diferenciranju. ili niz tačaka.3). . mogu da se predstave u obliku: f (x) ≈ Pn (x) = a0 + a1 x + a2 x2 + . f ( x) b I a f(x)dx a b x Slika 5.15) gdje se dati polinom može dobiti korištenjem neke od metoda za interpolaciju ili aproksimaciju. U tom slučaju. (5. predstavlja izračunavanje integrala: b I= a f (x)dx (5. Numeričko integriranje integracija. .

1 P2 (x)dx 3.28571429 3.1 3.9 I= 3. koristeći direktnu metodu. imamo: 0.17) Koristeći neku od metoda za rješavanje sistema linearnih jednačina. Tabela 5.9 I= 3. zadate vrijednosti predstavljaju vrijednosti funkcije f (x) = 1/x.1 Koeficijenti polinoma drugog reda koji prolazi kroz sve tri zadate tačke.10) + c · (3.22957444 3.86470519x − 0.10)2 0. b = −0.22957974 94 .50 0. mogu se dobiti nekom od metoda opisanih u prethodnom poglavlju (direktna.86470519.0078776x3 I = 0.86470519 − 0.32258065 3.1 1 dx = ln(x) x 3. dobija se: a = 0.1240698x2 + 0.3 x f (x) 3.90 0. a tačna vrijednost integrala je: 3. Na primjer.90) + c · (3.28571429 = a + b · (3.9 = ln( 3.25641026 Rješenje Kao i u prethodnom poglavlju. Lagrangeovi polinomi.24813896x + 0.1 1 dx x koristeći podatke u Tabeli 5.50)2 0.25641026 = a + b · (3.02363228.24813896 i c = 0.32258065 = a + b · (3. odnosno: P2 (x) = 0. Newtonovi interpolacioni polinomi).9 3.3 Izračunati vrijednost određenog integrala 3.9 I= 3.90) 2 (5.2 i polinom drugog reda.50) + c · (3.2: Uz primjer 5.10 0.Numeričko diferenciranje i integriranje Primjer 5.02363228x2 Sada je lako odrediti i integral: 3.9 ) = 0.1 = 0.

19) Smjenom se sada dobija: b I= a f (x)dx ≈ a Pn (x)dx = h s(a) Pn (s)ds (5. ako se promjene granice integracije.1.20) Prethodni izraz se može predstaviti u još pogodnijem obliku. ∆2 f0 .22957974 − 0.0000053. Do ovih formula se može doći na različite načine. Kada se.21) Zavisno od stepena polinoma n. U inženjerskoj praksi najčešće se za n koriste vrijednosti 0. ∆f0 . radi o funkciji ili nizu podataka sa jednakim razmacima h (ekvidistantne tačke) onda je moguće koristiti neke druge. Numeričko integriranje Na osnovu greške.2. možemo zaključiti da dobijeni polinom dobro aproksimira funkcija i u pogledu vrijednosti integrala.3.22957444| = 0. kao što su Newton-Cotesove formule. su objašnjeni u poglavlju 4. . mogu se dobiti različite Newton-Cotesove formule. mnogo efikasnije metode. tako da donja bude jednaka 0.2 Newton-Cotesove formule Kao što je poznato. + ∆n f0 + greška 1 2 n (5. 95 . 2. itd. 5. Greška je data izrazom: greška = s hn+1 f (n+1) (ζ) n+1 b s(b) (5. Jedan od načina je korištenjem Newtonovog aproksimacionog polinoma za diferenciranje unaprijed (4.25): Pn (x) = f0 + s s s ∆f0 + ∆2 f0 + . pak.5. . |0. 3.18) gdje je h korak. s interpolaciona promjenljiva data izrazom: s= x − x0 h čime je x = x0 + sh i dx = s · dh a ostali parametri.2. određivanje aproksimacionih funkcija zahtijeva jako mnogo kompjuterskih resursa kada je neophodno odrediti veliki broj koeficijenata polinoma. 1. Konačan izraz je: b b s I= a f (x) ≈ a Pn (x)dx = h 0 Pn (x0 + sh)ds (5. a gornja jednaka s.

ukupna površina ispod krive f (x) aproksimira se zbirom površina trapeza pojedinih segmenata. koja je data na slici 5. trapeznom pravilu. koje ima veliku grešku. za ekvidistantne tačke (h = hi = (b − a)/n za i = 0.) Trapezno pravilo Trapezno pravilo za pojedinačni interval se dobija kada se u izraz (5.25) fi i=1 Do sličnih izraza moglo se doći i preko grafičke interpretacije trapeznog pravila. b) koji se dijeli na n jednakih dijelova ima oblik: I= b n−1 I= a f (x)dx ≈ i=0 1 hi (fi + fi+1 ) 2 (5. .4.24) ili u proširenom obliku. Na taj način. U narednim dijelovima biće objašnjene neke od ovih metoda (Pravilo pravougaonika. jer nije od praktične važnosti. neće se razmatrati. Koristeći izraz (5.20) uvrsti polinom prvog reda (n = 1).19) dobija se i greška trapeznog pravila: 96 . pravilu pravougaonika.22) = h sf0 + s2 ∆f0 2 1 1 I = h(f0 + ∆f0 ) = h[f0 + (f1 − f0 )] 2 2 pa izraz za trapeznu formulu za pojedinačni interval ima oblik: h (f0 + f1 ) (5.23) 2 Opšti oblik trapezne formule koja se primjenjuje na čitav interval posmatranja (a. imamo: x1 1 I= x0 f (x)dx ≈ h 0 (f0 + s∆f0 )ds 1 0 (5. n − 1): b I= a b−a 1 f (x)dx ≈ (f0 + fn ) + n 2 n−1 n−1 fi i=1 b−a I= f0 + fn + 2 2n (5. . 1. tj. .Numeričko diferenciranje i integriranje što odgovara tzv. respektivno. Simpsonovom 1/3 pravilu i Simpsonovom 3/8 pravilu. Osjenčeni dio predstavlja aproksimaciju stvarnog odsječka pomoću trapeza. .

Primjer 5.4 Izračunati vrijednost određenog integrala 3.2. Numeričko integriranje f (x) D C f (x ) b I a f(x)dx a B b x Slika 5.9 I= 3. Rješenje S obzirom da je funkcija data jednačinom (f (x) = 1/x). greška opšteg trapeznog pravila je drugog reda.26) greška = i=0 − 1 3 1 h f (ζ) = n[− h3 f (ζ)] 12 12 (5.1 1 dx x pomoću trapeznog pravila koristeći jedan.4: Grafička interpretacija integrala • za pojedinačni interval: 1 greška = h 0 s(s − 1) 2 h f (ζ)ds 2 1 = − h3 f (ζ) = O(h3 ) 12 • za opšti interval (a.3. i četiri intervala. dva. b) n−1 (5.27) 1 = − (b − a)h2 f (ζ) = O(h2 ) 12 Dakle.5. podatke koji su neophodni za proračun dobijamo kreiranjem tabele 5. 97 .

32258065 3.Numeričko diferenciranje i integriranje Tabela 5.32258065 + 0.1 1 b−a dx ≈ (f0 + 2(f1 + f2 + f3 ) + f4 ) x 2n 0. 98 .22957444.23)) imamo: 3.1 1 b−a dx ≈ (f0 + f1 ) x 2n 0.27027027 3.25641026) 2·2 I = 0.28571429 + 0.9 I= 3.25641026) I = 0.9 I= 3.8 = (0.1 3.22970206 Imajući u vidu da je tačno rješenje I = 0.25641026) 2·1 I = 0.25641026 Kao i u prethodnom poglavlju.22957444 3.32258065 + 2 · 0.3: Uz primjer 5.23008389 a za četiri: 3.1 U slučaju jednog intervala (izraz (5.30303030 + 0.28571429 3.4 x f (x) 3.8 = (0.27027027) + 0.1 1 b−a dx ≈ (f0 + 2f1 + f2 ) x 2n 0.25) za dva intervala dobijamo: 3.70 0.8 = (0.23159636 Koristeći izraz (5. zadate vrijednosti predstavljaju vrijednosti funkcije f (x) = 1/x.9 = ln( 3. vidimo da se povećanjem broja intervala povećava i tačnost izračunavanja.32258065 + 2(0.9 I= 3.9 I= 3.9 ) = 0.1 1 dx = ln(x) x 3.50 0.30 0.28571429 2·4 + 0.10 0.90 0. a tačna vrijednost integrala je: 3.30303030 3.

četvrtog. člana reda: 2 greška = h 0 s(s − 1)(s − 2)(s − 3) 4 iv h f (ζ)ds 24 1 = − h5 f iv (ζ) = O(h5 ) 90 a za opšti interval (a. međutim.32) greška = i=0 − 1 5 iv h f (ζ) = 90 (5. kada se u jednačini (5. Dakle.29) I= a b−a f (x)dx ≈ f0 + f2n + 4 6n n−1 n−1 f2i+1 + 2 i=0 i=1 f2i (5.2. nego da je kubni član jednak nuli.20) uvrsti n = 2.31) Ovo. te zamjene za vrijednosti ∆f0 i ∆2 f0 . za pojedinačni interval se dobija: 1 I = h(f0 + 4f1 + f2 ) 3 pa je opšti izraz za Simpsonovo 1/3 pravilo: b n−1 n−1 (5.33) 1 =− (b − a)h4 f iv (ζ) = O(h4 ) 180 99 .28) Nakon izvršavanja integracije.30) h = f0 + f2n + 4 3 f2i+1 + 2 i=0 i=1 f2i Analogno proračunu za trapezno pravilo. Numeričko integriranje Simpsonovo 1/3 pravilo Simpsonovo 1/3 pravilo se dobije kada se tri ekvidistantne tačke aproksimiraju polinomom drugog reda. ne znači da je greška jednaka nuli. tj. za pojedinačni interval koji se sastoji od tri tačke imamo: 2 I=h 0 f0 + s∆f0 + s(s − 1) 2 ∆ f0 ds 2 (5.5. pa se stvarna greška za pojedinačni interval dobija preko sljedećeg. b) n−1 (5. greška za Simpsonovo 1/3 pravilo za pojedinačni interval je: 2 greška = h 0 s(s − 1)(s − 2) 3 iii h f (ζ)ds = 0 6 (5.

29): 3.2 = (0. 100 .30) za dva intervala (dva intervala sadrže 2n+1 =pet tačaka) imamo: 3. pa se ova metoda i najčešće koristi u praksi.25641026) = 0.9 I= 3.9 I= 3.3 izračunati vrijednost određenog integrala 3.27027027) 3 + 2 · 0.22957444 3. opšta greška Simpsonovog 1/3 pravila je četvrtog reda.9 ) = 0.1 U slučaju jednog intervala (jedan interval sadrži 2n + 1 =tri tačke) imamo prema izrazu (5. Također.1 3.Numeričko diferenciranje i integriranje Dakle.1 1 dx = ln(x) x 3.32258065 + 4 · 0.9 ln( 3.22957974 Koristeći izraz (5.1 1 dx x pomoću Simpsonovog 1/3 pravila za jedan i dva intervala.32258065 + 4(0.28571429 + 0.9 I= 3. Primjer 5.9 I= 3.25641026) 3 I = 0. Rješenje Tačna vrijednost integrala je: 3.30303030 + 0.4 = (0.28571429 + 0.1 h 1 dx ≈ (f0 + 4f1 + f2 ) x 3 0.5 Koristeći podatke u Tabeli 5.1 1 h dx ≈ (f0 + 4(f1 + f3 ) + 2f2 + f4 ) x 3 0. tačnost se povećava sa povećanjem broja intervala.22957478 Već na prvi pogled je jasno da je tačnost Simpsonovog 1/3 pravila daleko veća od trapeznog. i već za četiri intervala iznosi 10−6 .

dobivaju se daleko tačnije metode za numeričku integraciju. .2. Na taj način. Sa ovih 2n parametara moguće je naći polinom 2n − 1 stepena.35) i n = 2. tako da je I tačno za polinom trećeg reda (2n − 1 = 3). za n = 2. t2 . tj. tm 101 . a Gaussove kvadraturne formule predstavljaju jednu takvu metodu. Ovo je ispunjeno ako integral vrijedi za sljedeće polinome∗ : F (t) = 1.34) gdje su xi lokacije tačaka u kojima je integrand poznat. za n datih tačaka. ako se koristi n tačaka. t2 i t3 .35 vrijedi za sve algebarske polinome stepena ne višeg od m je da vrijedi za sve funkcije f (x) = 1. . n). . . imamo na raspolaganju 2n parametara: n parametara xi i n parametara Ci (i = 1. . C1 i C2 . posmatrajmo prvo integral funkcije F (t) sa granicama -1 i 1: 1 n I= −1 F (t)dt = i=1 Ci F (ti ) (5.3 Gaussove kvadraturne formule Metode za numeričko integriranje koje su opisane u prethodnim poglavljima daju najbolje moguće rješenje za slučajeve sa jednakim razmacima između tačaka (ekvidistantne tačke). pri čemu je neophodno odrediti pomenute parametre. U daljem tekstu pokazaće se primjena Gaussovih kvadraturnih formula trećeg reda.5.36a) (5. Da bismo pojednostavili dobijanje Gaussovih kvadraturnih formula. Problem se svodi na izračunavanje parametara t1 . t. t2 . t. a Ci su težinski faktori. u slučajevima kada se treba integrirati poznata funkcija (za koju je teško ili nemoguće izračunati integral). . Međutim.36c) I[F (t) = t] = I[F (t) = t2 ] = t2 dt = 2 = C1 t2 + C2 t2 1 2 3 ∗ Potreban i dovoljan uslov da jednakost 5. Kao posljedica. . Na taj način dobijamo sistem jednačina: 1 I[F (t) = 1] = −1 1 1dt = 2 = C1 + C2 tdt = 0 = C1 t1 + C2 t2 −1 1 −1 (5. a ima oblik: b n I= a f (x)dx = i=1 Ci f (xi ) (5. dobija se polinom n + 1 stepena koji na najbolji način aproksimira datu funkciju ili niz tačaka.36b) (5.2. Na taj način. javljaju se dodatni stepeni slobode lokacije xi u kojima se izračunava vrijednost funkcije. . Numeričko integriranje 5. 2.

102 . pa se lako pokaže da je: m= b−a 2 i c= b+a 2 (5.42) i jednačina (5.37) Dakle.43) Slične jednačine se mogu izvesti i za druge vrijednosti n.36d) 1 t1 = − √ 3 1 t2 = √ 3 (5. s obzirom da se metoda zasniva na aproksii maciji istih.40 imamo da je za x = a. t = −1. t = 1.39) Ovo se vrlo lako može uraditi transformisanjem iz prostora t u prostor x pomoću sljedeće transformacije: x = mt + c odnosno funkcija f (x) se transformiše u funkciju F (t) i vrijedi: F (t) = f (mt + c) (5. rješenje izraza (5.39) postaje: b 1 I= a f (x)dx = −1 f (mt + c)m dt = +F 1 √ 3 b−a 2 1 F [t]dt −1 b−a = 2 F 1 −√ 3 (5. za x = b. i dx = mdt. † Parametri t predstavljaju korijene Legendreovih polinoma.35) je: 1 I= −1 F (t)dt = F 1 −√ 3 +F 1 √ 3 (5.40) Na osnovu izraza 5.41) (5.Numeričko diferenciranje i integriranje I[F (t) = t3 ] = čije je rješenje† : C1 = C2 = 1 1 −1 t3 dt = 0 = C1 t3 + C2 t3 1 2 (5.38) Sada je potrebno dobiveno rješenje iskoristiti za rješavanje izraza: b I= a f (x)dx (5.

5 3. Numeričko integriranje Primjer 5.5.4 F 2 −1 I = 0.43) dobija se: m= pa je: x = 0.2 i c = = 3.4 i c = = 3.1 1 dx = x 3. Tačno rješenje je I = 0. I1 .22957444.5 i F (t) = Konačno je b−a 1 F (t)dt = 0. postupak bi se sastojao u podjeli intervala i primjeni metode za svaki interval pojedinačno.47) . je: m= pa je: x = 0.5 1 dx = I1 + I2 x Za prvi integral. i u ovom treba izračunati vrijednost određenog integrala 3. tj.5 2 2 (5.42) i (5.3 i F (t) = 1 0.5 (5.3 2 2 (5.2.45) b−a b+a = 0.9 3. za dva intervala imamo: 3.4.2t + 3.6 Slično prethodnim primjerima.4t + 3.2t + 3. Rješenje Na osnovu formula (5.22957092 I= −1 √ 3 +F 1 √ 3 (5.1 1 dx x ali pomoću Gaussove kvadraturne formule za n = 2.1 1 dx + x 3.44) Vidi se da je već za samo jednu podjelu intervala tačnost ove metode uporediva sa tačnošću Simpsonovog pravila za h = 0. Ako bismo željeli koristiti više intervala.46) 1 1 = mt + c 0.9 I= 3.4t + 3.3 (5. Proračun izvršiti za jedan i dva intervala.9 I= 3.48) 103 b−a b+a = 0.

10821350 = 0. 5. Posmatrajmo.22957421 (5.2 −1 F (t)dt = 0. dvostruki integral: d b I= c a f (x.2 F −1 √ 3 +F (5.56) Dakle.12136071 + 0.4 Numeričko izračunavanje višestrukih integrala Metode numeričke integracije pokazane u prethodnim poglavljima na primjerima izračunavanja jednostrukih integrala.7 i F (t) = 0. na primjer.2 F I1 = 2 −1 I1 = 0.54) Jednakost (5. (5.52) I2 = 0. dvostruki integral se izračunava u dva koraka: 104 .2.50) (5.7 1 −1 √ 3 +F 1 √ 3 (5. y) dx dy = c F (y) dy (5.51) 1 √ 3 i I2 = 0.Numeričko diferenciranje i integriranje i b−a 1 F (t)dt = 0.2t + 3.2.49) (5.10821350 Sada je: I = I1 + I2 = 0.2t + 3.7 2 2 1 x = 0.12136071 Analogno.55) gdje je: b F (y) = a f (x. y) dx dy (5.54) može se predstaviti u obliku: d b d I= c a f (x.53) Na osnovu rezultata se može zaključiti da je u ovom slučaju metoda uporediva sa Simpsonovim pravilom za h = 0. za integral I2 je: m= b−a b+a = 0.2 i c = = 3. y) dx y = const. mogu se koristiti i za izračunavanje višestrukih integrala.

4 daje vrijednosti funkcije f (x) = ex za zadate vrijednosti x. 1.98. Za podatke iz Tabele 5.02.4: Uz zadatak 4 x 0.55998142 2.02 c) 1. 1.77319476 2. 0.3.80106584 2.04 1. 1.99. Pri tome koristiti tačke: a) 1.99 1.69123447 2.03 Interpolacioni polinom dobiti jednom od metoda objašnjenih u prethodnom poglavlju.00 Tabela 5.97. 0. d c F (y) dy pomoću bilo koje formule za nu- 5.0) pomoću interpolacionog polinoma. 1. 4.66445624 2. Izračunavanje integrala I = meričku integraciju.63794446 x 0.01.74560102 x 1.00 c) 0.05 f (x) 2. 1.01.0.3 Pitanja i zadaci 1.98. 105 . 1.82921701 2.99. 0.00 b) 0.97 f (x) 2. Navesti i objasniti razlike između formula za diferenciranje! 3.61169647 2. 1.01 b) 1.0) za podatke iz zadatka 4 koristeći: a) formulu za diferenciranje unaprijed. Naći vrijednost f (1.58570966 2.0) pomoću interpolacionog polinoma. 1. Tabela 5.00 1.0. Treba izračunati vrijednost f (1.03 1.99. Objasniti postupak diferenciranja pomoću približnih polinoma! 2.02 1.5.0. 1.85765112 5. Izračunavanje funkcije F (y) u izabranim vrijednostima za y pomoću bilo koje od prethodno opisanih metoda 2.94 0.95 0.96 0. Pri tome koristiti tačke: a) 0.71828183 2. Pitanja i zadaci 1.01 f (x) 2.98 0.4 izračunati f (1.

6 date su vrijednosti temperature za različite udaljenosti.0 55. 6.00024 Pas. Treba izračunati vrijednost tangencijalnog napona na površini.Numeričko diferenciranje i integriranje b) formulu za diferenciranje unazad. Pri kretanju tečnosti preko neke površine A.5 date su vrijednosti brzina za različite udaljenosti. drugog i trećeg reda. U tabeli 5. 8. ako se koristi polinom prvog. U tabeli 5. vrijedi jednakost: τ=µ du dy S gdje je µ (Pas) viskozitet.5: Uz zadatak 6 y u 0. dobivene pomoću LDV (eng. i y (cm) okomita udaljenost od površine. drugog i ˙ trećeg reda. Na umjerenim temperaturama vrijedi k = 0. laser-Doppler velocitymetre) brzinomjera. i y (cm) okomita udaljenost od površine.00 1. Pri kretanju tečnosti preko neke površine S.56 2.0 88. u (m/s) brzina paralelna površini. dobivene pomoću termopara. ako je S = 50 cm2 .0030 J/s-m-K. c) formulu za centralno diferenciranje. ako se koristi polinom prvog.0 0.00 7.89 3. Napisati program za određivanje vrijednosti prvog izvoda pomoću formula za diferenciranje! 106 . Napisati program za određivanje vrijednosti prvog i drugog izvoda pomoću interpolacionih polinoma! 9.0 100. Izračunati toplotu koja se prenese na površinu. za brzinu prenosa toplote q ˙ (J/s) na površinu vrijedi jednakost: q = −kA µ ˙ dT dy A gdje je k (J/s-m-K) viskozitet. Tabela 5. ako je A = 50 cm2 . Na sobnoj temperaturi vrijedi µ = 0. Izračunati tangencijalnu silu koja djeluje na površinu. T (K) temperatura. za tangencijalni napon τ (N/m2 ) na površini. Treba izračunati vrijednost q/A na površini.

0 1000. Koristeći Gaussove kvadraturne formule (za n = 2) riješiti integral: 2.7: Uz zadatak 15 x 0. Izvesti Gaussove kvadraturne formule za n = 2! 15.00 1.8100 4.0 2.2 2.1400 3.3.0000 x 1.5. Izvesti formulu za Simpsonovo 1/3 pravilo! 14.5933 7.4 f (x)dx pomoću trapeznog pravila.8 1.4 1.1067 3. Objasniti osnovne karakteristike numeričkog integriranja! 11.0 355.6933 3. Zadatak 15 riješiti pomoću Simpsonovog 1/3 pravila koristeći dvije i četiri podjele intervala.2 1.7491 6.5292 16. Izvesti formulu za trapezno pravilo! 13. Objasniti postupak numeričkog integriranja koristeći približne funkcije! 12.5 ln(x)dx 1.3511 x 2.4 0.6 f (x) 5.5 sa jednim i dva podintervala. 107 .0000 5. Koristeći podatke iz tabele 5. Pitanja i zadaci Tabela 5.8 f (x) 3. Pri tome koristiti dvije i četiri podjele intervala.7 izračunati integral: 2.1600 3. 17.56 3.00 10. Tabela 5.0 f (x) 5.3886 3.4 2.6: Uz zadatak 7 y T 0.0 I= 0.6 1.33 2.0 533.0 300.6 0.

Izračunati integral √ 2 I= e x+y dxdy S pri čemu je S površina kruga sa jednačinom x2 + y 2 = 1. 108 .Numeričko diferenciranje i integriranje 18.

x. nije moguće naći rješenje u zatvorenom obliku. Općenito. . Većinu diferencijalnih jednačina koje opisuju fizičke procese nije moguće riješiti. većina fizičkih procesa uključuje više od jedne nezavisne promjenljive. nezavisna promjenljiva zavisi od fizičkog procesa. pa su odgovarajuće diferencijalne jednačine parcijalne diferencijalne jednačine. Pri tome. Ipak. opšti oblik diferencijalne jednačine n−tog reda dat je izrazom: an y (n) + an−1 y (n−1) + . y. + a2 y + a1 y + a0 y = F (t) (6. tj. s obzirom da se njima opisuju mnogi stvarni fizički procesi. Međutim. ove jednačine se mogu svesti na obične diferencijalne jednačine. 6. . Na primjer.1) .1 O običnim diferencijalnim jednačinama Obične diferencijalne jednačine daju zavisnost između funkcije sa jednom nezavisnom promjenljivom i njenih totalnih izvoda u odnosu na tu nezavisnu promjenljivu. u mnogim slučajevima. sa manjim ili većim poteškoćama. sve one se. Red obične diferencijalne jednačine je određen najvećim izvodom u diferencijalnoj jednačini.Poglavlje 6 Rješavanje običnih diferencijalnih jednačina Diferencijalne jednačine se javljaju u svim oblastima inženjerstva i nauke. ali se najčešće radi o vremenu t (vremenskoj koordinati) ili prostoru x (prostornim koordinatama. mogu približno riješiti koristeći za tu svrhu razvijene numeričke metode. z za trodimenzionalan prostor).

razlikujemo homogene (F (t) = 0) i nehomogene diferencijalne jednačine.2). i kada se izvodi javljaju u linearnom obliku. Kada koeficijenti zavise od nezavisno promjenljive t jednačina je linearna sa promjenljivim koeficijentima (na primjer y + aty = F (t)). Zavisno od tipa pomoćnih uslova. n) su koeficijenti. Dakle. y)y = F (t. Ako koeficijenti zavise od zavisne promjenljive. . y)y + Q(x. Na taj način se dobija familija rješenja za tu diferencijalnu jednačinu. odnosno redu diferencijalne jednačine. Zavisno od postojanja funkcije F (t) u jednačini (6. diferencijalna jednačina je nelinearna (na primjer yy + ay = 0 ili (y )2 + ay = 0). na krajnjim tačkama ili granicama domene. 2. 1.4) . Primjer diferencijalne jednačine sa graničnim vrijednostima je opšta diferencijalna jednačina drugog reda: y + P (x. y) y(t0 ) = y0 (6. a ai (i = 0. U slučaju kada koeficijenti diferencijalne jednačine (6. y) y(x1 ) = y1 i y(x2 ) = y2 110 (6. te zadovoljava pomoćne uslove koji su specificirani na granicama domene.2) izvod n-tog reda. Klasičan primjer takve jednačine je opšta nelinearna diferencijalna jednačina prvog reda: y = f (t. Ovaj tip jednačina se najčešće rješava pomoću marširajućih numeričkih metoda. diferencijalne jednačine sa graničnim vrijednostima – pomoćni uslovi su specificirani za dvije različite vrijednosti nezavisne promjenljive. . razlikujemo dvije vrste ili klase običnih diferencijalnih jednačina: 1.3) Ovaj problem se naziva i Cauchyjev problem. diferencijalne jednačine sa početnim vrijednostima – pomoćni uslovi su specificirani za istu vrijednost nezavisne promjenljive i rješenje se prostire naprijed od te početne tačke. . Opšte rješenje neke diferencijalne jednačine sadrži jednu ili više konstanti integracije. a partikularno rješenje se dobija koristeći pomoćne uslove.Rješavanje običnih diferencijalnih jednačina gdje je: y (n) = dn y dtn (6.2) ne zavise od zavisne promjenljive y. pri čemu je broj pomoćnih uslova jednak broju konstantni integracije. rješenje neke obične diferencijalne jednačine je ona partikularna funkcija f (t) ili f (x) koja identički zadovoljava tu diferencijalnu jednačinu u njenoj domeni rješavanja. radi se o linearnoj diferencijalnoj jednačini (na primjer y + ay = F (t)). .

svoje pomoćne uslove. Problemi ravnoteže su stacionarni problemi u zatvorenoj domeni. a broj graničnih vrijednosti mora biti jednak redu diferencijalne jednačine. • problemi ravnoteže. Ovi problemi se opisuju običnim diferencijalnim jednačinama sa početnim vrijednostima. Rješavanje problema početnih vrijednosti Ovaj tip diferencijalnih jednačina se može riješiti marširajućim. svoj određeni tip obične diferencijalne jednačine. početne vrijednosti. Njihova podjela je različita od autora do 111 . pri čemu red jednačine može biti jednak jedan ili više. Problemi širenja mogu biti nestacionarni u vremenu ili stacionarni u prostoru. Problemi ravnoteže su problemi graničnih vrijednosti u zatvorenim domenama u kojima se poznate informacije (granične vrijednosti) specificiraju za dvije različite vrijednosti nezavisne promjenljive.2.6. širenja).2 Rješavanje problema početnih vrijednosti Postoji jako veliki broj numeričkih metoda koje se mogu koristiti za rješavanje problema početnih vrijednosti. • i problemi sopstvenih vrijednosti. i to: • problemi kretanja (propagacije. Poznate informacije. Slično podjeli diferencijalnih jednačina. Red ovih diferencijalnih jednačinama može biti najmanje dva ili više. i fizički problemi se mogu podijeliti na tri opšte klasifikacije. se specificiraju za jednu veličinu nezavisne promjenljive. i svoje numeričke metode za rješavanje. Problemi kretanja (propagacije) su problemi početnih vrijednosti u otvorenim domenama. sopstvene ili eigen veličine). Svaki od prethodno pomenutih problema ima svoje specifičnosti. 6. U narednim poglavljima biće objašnjene prve dvije grupe problema. na krajnjim tačkama (granicama) domene rješavanja. te numeričkim metodama ravnoteže. Problemi sopstvenih vrijednosti su posebni problemi u kojima rješenje postoji samo za specifične veličine nekog parametra posmatranog problema (tzv. tj. Ovi problemi se opisuju običnim diferencijalnim jednačinama sa graničnim vrijednostima. u kojima poznata informacija (početna veličina) maršira naprijed u vremenu ili prostoru od početnog stanja.dok se o problemima sa sopstvenim vrijednostima više može naći u literaturi. a broj početnih vrijednosti mora odgovarati redu jednačine.

No. . kao na primjer za drugi izvod: d(y ) y = (y ) = dt ∂y ∂y ∂y ∂y dy d(y ) = d(y (t. ekstrapolirana modificirana metoda srednje vrijednosti) izračunava vrijednost u nekoj tački domene za različite veličine razmaka između tačaka. .2. . + (∆t)n + . ekstrapolacione i višekoračne metode. Taylorov red za funkciju y(t) u tački t = t0 dat je sa: y(t) = y(t0 ) + y (t0 )(t − t0 ) + y (n) (t0 ) + (t − t0 )n + . prije nego se opišu neke od njih. .5) . 2 (6. Višekoračne metode traže rješenje koristeći podatke nekoliko tačaka (na primjer. s obzirom da predstavlja vrijednost funkcije f (t. metode konačnih razlika. Runge-Kutta metoda. dok se ostali izvodi moraju izračunati sukcesivnim diferenciranjem prve od jednačina (6.6) 2 n! Ova jednačina se može koristiti za izračunavanje vrijednosti y(t). . na primjer. U ove metode spadaju Eulerova metoda (i njene varijacije).7) ∂t ∂y ∂t ∂y dt ∂y ∂y dy d(y ) = + = yt + yy y y = dt ∂t ∂y dt y(t) = y(t0 ) + y (t0 )∆t + 112 y (t0 ) (t − t0 )2 + . Prvi izvod se može lako odrediti. Ekstrapolacione metode (na primjer. data je Taylorova metoda. . a zatim ekstrapolira ove vrijednosti kako bi se dobilo tačnije rješenje. (6. Sve tri gore navedene vrste metoda za rješavanje običnih diferencijalnih jednačina spadaju u tzv.1 Taylorova metoda Ova metoda koristi činjenicu da se Taylorov red može koristiti za izračunavanje vrijednosti funkcije ako se zna njen izvod i vrijednost u nekoj tački. na jednokoračne. Adamsova metoda). . y)) = dt + dy = dt + (6. Vrijednost y0 se naziva početna vrijednost (vidi jednačinu (6.3). 6.Rješavanje običnih diferencijalnih jednačina autora. n! ili y (t0 ) y (n) (t0 ) (∆t)2 + . Jednokoračne metode rješavaju jednačinu od tačke do tačke koristeći podatke samo jedne tačke. . y). ako se mogu odrediti vrijednosti y0 i izvod u tački t0 . Jedna takva podjela je.3)). te nejpoznatija među njima.

ε ˙ Stefan-Boltzmanova konstanta (5.6. T je unutrašnja temperatura mase u K. Ta temperatura okoline. σ bezdimenzionalna konstanta emisije tijela koja predstavlja odnos stvarnog zračenja sa zračenjem crnog tijela. pa ostaje krajnji član: Ostatak = 1 y (n+1) (τ )∆tn+1 (n + 1)! (6. jednačina (6.11) Koristeći Taylorovu metodu riješiti jednačinu (6.67 × 10−8 J/(m2 K4 s)). Rješavanje problema početnih vrijednosti ili za treći izvod: y = (y ) = d(y ) ∂ ∂ dy = (yt + yy y ) + (yt + yy y ) dt ∂t ∂y dt 2 2 y = ytt + 2yty y + yt yy + (yy ) y + yyy (y ) (6. Ta = 250 K i T (0) = T0 = 2500 K.2. Primjer 6.10) gdje je qr brzina prenosa toplote u J/s. procjenu greške je teško izračunati. Uzeti da je α = 4 × 10−12 (K3 /s)−1 .1 Prenos toplote zračenjem sa tijela mase m u okolinu se opisuje Stefan-Boltzmanovim zakonom zračenja: 4 qr = Aεσ T 4 − Ta = ˙ dE d(mcp T ) = dt dt (6.9) gdje je t0 ≤ τ ≤ t. 113 .8) Izvodi višeg reda postaju znatno komplikovaniji. tako da ih nije praktično koristiti.11). Pošto je vrijednost τ nepoznata. A površina tijela mase m u m2 .10) se može prikazati u obliku: dT 4 = T = −α T 4 − Ta dt gdje je: α= Aεσ mcp (6. a cp specifična toplota materijala tijela u J/(kg· K). Ako se usvoji da su masa m i specifična toplota cp konstantni. Upravo zbog toga se Taylorov red mora skratiti.12) (6.

Taylorov red za T (t) je dat izrazom 1 1 1 T (t) = T0 + T |0 t + T |0 t2 + T |0 t3 + T (4) |0 T 4 + . 2 6 24 114 (6.1: Tačno rješenje problema zračenja Riješimo sada zadatak koristeći Taylorovu metodu. Prema jednačini (6. dobija se: arctg T − arctg Ta 3 = 2αTa t T0 Ta + (T0 − Ta )(T0 + Ta ) 1 ln 2 (T − Ta )(T + Ta ) (6. . 3000 2500 Temperatura T.11) može se dobiti razdvajanjem promjenljivih.14) Sada se za različite vrijednosti vremena t pomoću neke od metoda za rješavanje nelinearnih jednačina dobija vrijednost temperature T .6).1 dato je tačno rješenje za prvih 10 sekundi. Na slici 6. K 2000 1500 1000 0 2 4 6 8 10 Vrijeme t.13) Uvrštavajući zadate veličine dobija se: arctg 1 T 6187500 + ln 250 2 (T − 250)(T + 250) −12 = 2(4 × 10 )2503 t + arctg(10) (6. Koristeći početni uslov T (0) = T0 .15) . s Slika 6.Rješavanje običnih diferencijalnih jednačina Rješenje Tačno rješenje jednačine (6. .

679169 (6. Treba naglasiti da i pored činjenice što Taylorova metoda nije efikasna u rješavanju običnih diferencijalnih jednačina sa početnim vrijednostima. Rješavanje problema početnih vrijednosti gdje je ∆t = t − t0 = t.058594 4 T = 4α2 (T 7 − T 3 Ta ) (6.2.284375t + 19. ona predstavlja osnovu za mnoge efikasne numeričke metode. zbog čega je Taylorova metoda neefikasna u rješavanju običnih diferencijalnih jednačina sa početnim vrijednostima.8479t3 + 0. već za t > 2 s rješenje je veoma netačno.234375) T |0 = −17. Koristeći sada jednačinu (6.52929t2 − 2.18) T (4) |0 = (T ) = ∂T ∂T + T ∂t ∂T 4 = 0 − 4α3 (70T 9 − 60T 5 Ta + 6T t8 )T a T (4) |0 = −4(4 × 10−12 )3 (70 · 25009 − 60 · 25005 · 2504 + 6 · 2500 · 2508 )(−156.20) Tačno rješenje i rješenja dobivena jednačinom (6.19) Uvrštavajući prethodno dobivene vrijednosti u jednačinu (6.11) dobijamo vrijednosti za izvode u početnoj tački kako slijedi: 4 T |0 = −α(T 4 − Ta )|0 = −(4 × 10−12 )(25004 − 2504 ) = −156.17) T |0 = (T ) = ∂T ∂T + T ∂t ∂T 4 = 0 + 4α2 (7T 6 − 3T 2 Ta )T T |0 = 4(4 × 10−12 )2 (7 · 25006 − 3 · 25002 · 2504 )(−156.20) (uzimajući u obzir samo jedan. Kako se vidi iz slike 115 .6.234375 T |0 = (T ) = ∂T ∂T + T = 0 − 4αT 3 T ∂t ∂T T |0 = −4(4 × 10−12 )25003 (−156. Na osnovu ovih podataka je jasno da se tačnost rješenja povećava sa povećanjem broja članova Taylorovog reda. tako da je potrebno koristiti mnogo više članova Taylorovog reda.16) (6.444965t4 (6. Međutim. tri i četiri člana Taylorovog reda) data su grafički na slici 6.234375) = 39.234375) T (4) |0 = 10.15) dobija se: T (t) = 2500 − 156. dva.087402 T 4 8 = −4α3 (7T 10 − 10T 6 Ta + 3T 2 Ta ) (6.2.

a sastoji se od sljedećih koraka: 1.2. koje predstavljaju zadate diferencijalne jednačine. K 2000 1500 tacno rjesenje Taylor 1. U ovim čvornim tačkama se postavljaju jednačine konačnih razlika. a zatim se mogu izvršiti ponovne kalkulacije koeficijenata za novu tačku. Rješava se rezultujuća jednačina konačnih razlika. s Slika 6. reda Taylor 3. 2. Neprekidna fizička oblast (domena) se prekrije numeričkom mrežom. i to upravo predstavlja osnovu za mnoge druge metode u rješavanju običnih diferencijalnih jednačina.2: Rješenje problema zračenja Taylorovom metodom 6. metoda se može koristiti za mali vremenski korak u blizini početne tačke. 116 . reda 0 2 4 6 8 10 v v 1000 Vrijeme t. 3.2 Metoda konačnih razlika Suština metode konačnih razlika u svrhu rješavanja običnih diferencijalnih jednačina leži u transformaciji sa problema rješavanja diferencijalne jednačine na algebarski problem. oblasti rješavanja na niz čvornih tačaka. tj. Numerička mreža se dobija diskretiziranjem. reda Taylor 4. Algebarske aproksimacije konačnih razlika se smjenom uvrste u diferencijalnu jednačinu kako bi se dobila algebarska jednačina konačnih razlika. Tačni izvodi diferencijalne jednačine sa početnom vrijednošću se aproksimiraju algebarskim aproksimacijama konačnih razlika. 4. reda Taylor 2.2 ona je vrlo tačna za male vrijednosti t. podjelom.Rješavanje običnih diferencijalnih jednačina 3000 2500 Temperatura T. 6.

tzv. • Greška izračunavanja vrijednosti y(n+1) . tj.2 Primjer 6.3 Eulerova metoda Eulerova metoda (ili metode) predstavlja najjednostavnije metodu za rješavanje Cauchyjevog problema. je drugog reda.23) (6. • Potrebna je samo jedna poznata čvorna tačka. Koristiti vremenske korake od 1 i 2 sekunde. yn ) Osnovne karakteristike eksplicitne Eulerove metode su: • Metoda je eksplicitna. ako se prvi izvod aproksimira pomoću formule za diferenciranje unaprijed. 6.2. Rješavanje problema početnih vrijednosti Aproksimacija izvoda se vrši pomoću neke od formula za numeričko diferenciranje. Eksplicitna Eulerova metoda Formula sa eksplicitnu Eulerovu metodu se može jednostavno dobiti iz jednačine Cauchyjevog problema. yn ) h pri čemu je h = xn+1 − xn i konačno yn+1 = yn + h f (tn . kao što je to pokazano u poglavlju 5. • Globalna greška. 117 (6. Primjer 6. pa metoda spada u jednokoračne metode (metode jedne poznate tačke). je prvog reda.1 riješiti eksplicitnom Eulerovom metodom. Razlikujemo eksplicitnu i implicitnu Eulerovu metodu.6.22) (6. O(∆t2 ). y) yn+1 − yn = f (tn . jer f (n) ne zavisi od yn+1 .24) . • Potrebno je samo jedno izračunavanje izvoda funkcije po koraku (iteraciji). koja se akumulira nakon N koraka. O(∆t).21) (6.2. y = f (t. lokalna greška.

s 0 1 2 3 4 5 6 7 8 9 10 ¯ T 2500.22 -29.23 1758.77 2223.2 ∆t = 1 s t.47 2074. Svi rezultati su dati u tabeli 6.42 1944.Rješavanje običnih diferencijalnih jednačina Rješenje Koristeći jednačinu (6.1: Uz primjer 6.26 T 2500.83 2248. s tim da se uzima da je ∆t = 1 s.33 -30.34 2004.17 -29.53125 4 4 T2 = T1 − ∆tα(T1 − Ta ) T2 = 2187.45 -28.61 2005.01 1913.25 2154.52 1776.00 2360..87 1768.1 imamo: 4 4 T1 = T0 − ∆tα(T0 − Ta ) T1 = 2500 − 2(4 × 10−12 )(25004 − 2504 ) = 2187..00 2343.53125 − 2(4 × 10−12 )(2187.06 -25.24) dobija se: 4 4 Tn+1 = Tn − ∆tα(Tn − Ta ) (6.25) pri čemu n predstavlja indeks vremenskog koraka. Za ∆t = 2 i koristeći podatke iz zadatka 6.29 1859.82 -31.37 -70.79 1974.64 ¯ T −T -17.27 -69.40 -31.37 -65.07 -30.70 1811.531254 − 2504 ) = 2004.09 1798.37027 . Tabela 6.53 -60.72 1875.24 2187.62 1890. Postupak rješavanje je isti i za vremenski korak od 1 sekunde.00 ¯ T −T - 118 .08 2125.72 ∆t = 2 s T 2500.1 sa odgovarajućim greškama.74 -61.78 1729.62 1696.40 2043.58 1842.88 -30.

i prvog. dok kod eksplicitne zavisi. Primjer 6. a lokalna i globalna greška su drugog. respektivno. yn+1 ) (6. O(∆t2 ).27) Dakle. Koristiti vremenske korake od 1 i 2 sekunde. zahtijeva samo jedno izračunavanje izvoda po iteraciji. se dobija: 4 4 T1 = T0 − ∆tα(T1 − Ta ) 4 T1 = 2500 − 1 · (4 × 10−12 )(T1 − 2504 ) (6.29) dobija se: 4 4 Tn+1 = Tn − ∆tα(Tn+1 − Ta ) (6.26) (6. Dakle. Treba napomenuti da je implicitna Eulerova metoda bezuslovno stabilna. tj.1 riješiti implicitnom Eulerovom metodom. reda tačnosti. pa je metoda implicitna. za prvu iteraciju. y = f (t.3 Primjer 6. O(∆t). i implicitna Eulerova metoda je jednokoračna. yn+1 ) h pri čemu je h = xn+1 − xn Konačno se dobija: yn+1 = yn + h f (tn+1 . Slično eksplicitnoj metodi.30) predstavlja nelinearnu jednačinu.29) (6. To znači da stabilnost implicitne metode ne zavisi od izbora koraka ∆t.28) (6. dok je eksplicitna metoda uslovno stabilna.30) pri čemu n predstavlja indeks iteracije (u vremenu). tako da je istu neophodno riješiti nekom od numeričkih metoda za rješavanje nelinearnih jednačina kako bi dobili vrijednost Tn+1 i prešli na sljedeću iteraciju.31) 119 .2.6. Rješenje Koristeći jednačinu (6. vrijednost yn+1 zavisi od vrijednosti fn+1 . Rješavanje problema početnih vrijednosti Implicitna Eulerova metoda Formula za implicitnu Eulerovu metodu se dobija ako se posmatra tačka n + 1 i u njoj primijeni formula za diferenciranje unazad. y) yn+1 − yn = f (tn+1 . uzimajući da je ∆t = 1. Jasno je da jednačina (6.

Rješavanje običnih diferencijalnih jednačina

pa jednačinu treba riješiti po T1 . Ovo se može uraditi bilo kojom metodom za rješavanje nelinearnih jednačina (na primjer Newton-Raphsonova metoda). Na kraju se dobija: T1 = 2373.14596 Nakon toga se prelazi na drugi vremenski korak i dobija jednačina:
4 4 T2 = T1 − ∆tα(T2 − Ta ) 4 T2 = 2373.14596 − 1 · (4 × 10−12 )(T2 − 2504 )

(6.32)

čijim se rješavanjem dobija: T2 = 2267.431887 Postupak se nastavlja do zadatog vremena. U tabeli 6.2 su dati rezultati za prvih 10 sekundi za oba zadata vremenska koraka.
Tabela 6.2: Uz primjer 6.3 ∆t = 1 s t, s 0 1 2 3 4 5 6 7 8 9 10 ¯ T 2500.00 2360.83 2248.25 2154.47 2074.61 2005.42 1944.62 1890.58 1842.09 1798.23 1758.26 T 2500.00 2373.15 2267.43 2177.52 2099.77 2031.64 1971.26 1917.23 1868.49 1824.21 1783.73 ¯ T −T 12.32 19.18 23.05 25.16 26.23 26.64 26.65 26.39 25.98 25.47 1806.72 48.46 1891.93 49.84 1994.39 49.78 2120.93 46.32 2282.79 34.54 ∆t = 2 s T 2500.00 ¯ T −T -

O stabilnosti Eulerovih metoda

U prethodnom dijelu rečeno je da je implicitna Eulerova metoda bezuslovno, dok je njena eksplicitna verzija uslovno stabilna. Pri tome se za neku jednačinu konačnih razlika kaže da je stabilna∗ ako za stabilnu običnu diferencijalnu
∗ Pored stabilnosti, vrlo važno mjesto u proučavanju numeričkih metoda za rješavanje diferencijalnih jednačina zauzimaju i osobine konzistentnost, red, i konvergencija.

120

6.2. Rješavanje problema početnih vrijednosti

jednačinu daje ograničeno rješenje, odnosno nestabilna ako daje neograničeno rješenje. Osobinu stabilnosti Eulerovih metoda ćemo pokazati na primjeru homogene linearne diferencijalne jednačine prvog reda: y = −y y(0) = 1 (6.33)

za koju je f (t, y) = −y, a čije tačno rješenje iznosi y(t) = e−t . Koristeći jednačinu (6.24) za eksplicitnu metodu se dobija: yn+1 = yn + ∆tf (t, yn ) = yn + ∆t(−yn ) yn+1 = (1 − ∆t)yn a prema jednačini (6.29) izraz za implicitnu metodu: yn+1 = yn + ∆tf (t, yn+1 ) = yn + ∆t(−yn+1 ) yn yn+1 = 1 + ∆t (6.35) (6.34)

Koristeći 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 tačno rješenje). Pri tome, vremenski korak ∆t je variran od 0.25 do 3 sekunde za eksplicitnu i 0.5 do 5 sekundi za implicitnu metodu.
2 1

0.8 1 0.6

y(t)

0 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 0 2 4
v

y(t)
0.4 tacno ∆t=0.50 s ∆t=1.00 s ∆t=2.00 s ∆t=5.00 s 0 2 4
v

-1

0.2

-2

0 10

Vrijeme t, s

6

8

Vrijeme t, s

6

8

10

Slika 6.3: Problem stabilnosti Eulerovih metoda za različite vrijednosti ∆t: lijevo – eksplicitna, desno – implicitna metoda

Sa slike 6.3-lijevo se vidi da se numeričko rješenje ponaša korektno u fizičkom smislu (monotono opada) za ∆t ≤ 1.0, a za t → ∞ se približava tačnom rješenju y(∞) = 0. Za ∆t = 1 numeričko rješenje dostiže tačno asimptotsko rješenje u jednom koraku.
121

Rješavanje običnih diferencijalnih jednačina

Za slučaj kada je 1 ≤ ∆t ≤ 2, numeričko rješenje osciluje oko tačnog asimptotskog rješenja, i u prigušenom obliku se približava istom kada t → ∞. Za ∆t = 2, numeričko rješenje stabilno osciluje oko tačnog rješenja i nikada se ne približava asimptotskom rješenju. Na taj način se može zaključiti da su rješenja stabilna kada je ∆t ≤ 2. U slučajevima za ∆t > 2, numeričko rješenje osciluje oko tačnog asimptotskog rješenja ali na nestabilan način – eksponencijalno se udaljava izvan fizičkih granica. Ovo predstavlja numeričku nestabilnost. Dakle, može se zaključiti da je eksplicitna Eulerova metoda uslovno stabilna, pošto je stabilna samo za ∆t ≤ 2. Ipak, treba naglasiti da je i oscilatorno ponašanje numeričkih metoda nepoželjno, s obzirom da ne predstavlja fizičku realnost. Zbog toga se općenito usvaja vremenski korak za 50% kraći od graničnog za koji je metoda stabilna. S druge strane, iz slike 6.3-desno se jasno vidi da se rješenja u slučaju implicitne Eulerove metode uvijek, tj. za sve vrijednosti ∆t ponašaju fizički korektno i asimptotski približavaju tačnom rješenju. Ovaj jednostavan primjer pokazuje u čemu je osnovna prednost implicitne metode u odnosu na eksplicitnu, s obzirom na činjenicu da su obje metode istog reda tačnosti, a dobijanje rezultata implicitnom metodom znatno otežano. U oba slučaja se, također, može primijetiti da se greška povećava sa povećanjem vremenskog koraka, ali u tom slučaju se ne radi o stabilnosti nego o tačnosti. 6.2.4 Runge-Kutta metode

Runge-Kutta metode predstavljaju grupu jednokoračnih metoda kod kojih se ∆y = yn+1 − yn izračunava kao težinski zbir nekoliko razlika ∆yi (i = 1, 2, . . .), pri čemu se svako ∆yi izračunava kao proizvod ∆t i izvoda funkcije f (t, y) u nekoj tački iz intervala tn ≤ t ≤ tn+1 . Na taj način imamo: yn+1 = yn + ∆y ∆y = C1 ∆y1 + C2 ∆y2 + C3 ∆y3 + . . . gdje su Ci (i = 1, 2, . . .) težinski faktori (koeficijenti).
Runge-Kutta drugog reda

(6.36) (6.37)

Za Runge-Kutta metodu drugog reda, ∆y se dobija kao težinski zbir dvije razlike ∆y, tj. yn+1 = yn + C1 ∆y1 + C2 ∆y2
122

(6.38)

i uslovno je stabilna. Rješenje Kao i u prethodnim primjerima imamo funkciju izvoda jednaku f (t.1 riješiti modifikovanom Eulerovom metodom.24): ∆y1 = ∆t f (tn .6.41b): 4 ∆y2 = ∆tf (t0 + ∆t. yn + (β∆y1 )) (6.16098 (6. T ) = 4 −α(T 4 − Ta ). T0 ) = 2[−α(T0 − Ta )] = 2[−4 × 10−12 (25004 − 2504 )] ∆y1 = −312. C2 . Koristiti vremenske korake od 1 i 2 sekunde. a jedno od takvih rješenja je C1 = C2 = 1/2 i α = β = 1.41a) ∆y2 = hf (tn + ∆t. tj. Primjer 6. T0 + ∆y1 ) = 2[−α((T0 + ∆y1 )4 − Ta )] (6.43) 123 .41c) 2 2 2 Iz prethodnog se vidi da je za ovu metodu neophodno dva puta izračunati vrijednost funkcije izvoda u svakom vremenskom koraku. y) negdje na intervalu tn ≤ t ≤ tn+1 . yn ) = ∆t fn (6. yn + ∆y1 ) = hfn+1 (6. a formule imaju oblik: ∆y1 = hf (tn . Na ovaj način se dobija metoda koja se još naziva i modifikovana Eulerova metoda.2.42) = 2[−4 × 10−12 ((2500 − 312.4 Primjer 6.: ∆y2 = ∆t f [(tn + (α∆t).46875 Sada je prema jednačini (6. α i β. yn ) = hfn (6.39) a ∆y2 se računa na osnovu vrijednosti funkcije f (t. ili prva modifikacija Eulerove metode. Modifikovana Eulerova metoda je drugog reda tačnosti (globalno). Rješavanje problema početnih vrijednosti gdje je razlika ∆y1 data eksplicitnom Eulerovom formulom (6.40) Može se pokazati da postoji beskonačno mnogo rješenja za izbor parametara C1 .41b) 1 1 h yn+1 = yn + ∆y1 + ∆y2 = yn + (fn + fn+1 ) (6.46875)4 − 2504 )] ∆y2 = −183.41a) za prvi vremenski korak uz ∆t = 2 dobija: 4 4 ∆y1 = ∆tf (t0 . pa se prema jednačini (6.

05 1.54 2252.18513 (6.44) Rezultati za vremenske korake jednake 1 i 2 sekunde dati su u tabeli 6.60 1846.16098) 2 T1 = 2252.55 1945. Konačno se na osnovu jednačine (6.16 ¯ T −T 0.59 2075.45c) postupak rješavanja je poznat pod imenom prediktor-korektor metoda.3: Uz primjer 6.4 ∆t = 1 s t. koje se još naziva i korektor rješenje.01 1. poboljšana Eulerova metoda.99 1948. i to: 1 T1 = T0 + (∆y1 + ∆y2 ) 2 1 = 2500 + (−312.76 2006.41c).09 1798.61 2005.46875 − 183.86 3. dobija rješenje.94 ∆t = 2 s T 2500.Rješavanje običnih diferencijalnih jednačina Vrijednost T0 + ∆y1 se još naziva i prediktor vrijednost.3.12 1. yn ) = hfn h ∆y1 ∆y2 = hf tn + .83 2248.62 1890.26 2155.13 1.71 1. a njeno računanje prediktor faza ili prediktor jednačina konačnih razlika† . pa se za ostale koeficijente dobija: C2 = 1 i α = β = 1/2.47 2074.00 0.71 1891.25 2154.15 4.26 T 2500. ili druga modifikacija Eulerove metode.00 2361.35 2079.58 1842.00 2360.42 1944.15 1. 124 . Tabela 6.45a) (6.54 2249. modifikovana metoda srednje vrijednosti.17 1759.63 1843.09 1.08 3.09 1799.00 ¯ T −T - Još jedno često korišteno rješenje je za C1 = 0.19 3. yn + = hfn+1/2 2 2 yn+1 = yn + 0 · ∆y1 + 1 · ∆y2 = yn + hfn+1/2 † Ovakav (6. Na ovaj način dobija se tzv.23 1758. Metoda je data sljedećim rekurzivnim formulama: ∆y1 = hf (tn .94 0.97 4.45b) (6. s 0 1 2 3 4 5 6 7 8 9 10 ¯ T 2500.90 1761.

4. 4) i četiri preostala (α.5 Primjer 6.1 riješiti modifikovanom metodom srednje vrijednosti. 3.45a) za prvi vremenski korak uz ∆t = 2 dobija se: 4 4 ∆y1 = ∆tf (t0 . γ i δ) 125 . najpoznatija Runge-Kutta metoda je ona četvrtog reda.46875/2)4 − 2504 )] ∆y2 = −241.37399) T1 = 2258. dobija rješenje (korektor rješenje): T1 = T0 + ∆y2 = 2500 + (−241.48) Runge-Kutta četvrtog reda Ipak. T0 ) = 2[−α(T0 − Ta )] = 2[−4 × 10−12 (25004 − 2504 )] ∆y1 = −312.45c). Rješavanje problema početnih vrijednosti I ova metoda predstavlja prediktor-korektor metodu za koju je u svakom vremenskom koraku neophodno dva puta izračunati vrijednost funkcije izvoda. postoji beskonačno mnogo rješenja za izbor parametara‡ . Slično prethodnoj. i ova metoda je drugog reda tačnosti (globalno) i uslovno je stabilna. Konačno se na osnovu jednačine (6.2.četiri C parametra (i = 1. Primjer 6.46) (6.6.47) I u ovom slučaju se vrijednost T0 + (∆y1 )/2 naziva prediktor vrijednost. (6. ali je ‡ Ukupno je potrebno odraditi osam parametara . Kao i u prethodnom slučaju. 2. Koristiti vremenske korake od 1 i 2 sekunde.37399 ∆y2 = ∆tf (t0 + (6.626001 Rezultati za vremenske korake jednake 1 i 2 dati su u tabeli 6.46875 Sada se prema jednačini (6. i β. Rješenje Prema jednačini (6. T0 + ) 2 2 ∆y1 4 4 = 2[−α((T0 + ) − Ta )] 2 = 2[−4 × 10−12 ((2500 − 312.45b) dobija: ∆t ∆y1 .

standardna Runge-Kutta metoda data sljedećim formulama: 1 yn+1 = yn + (∆y1 + 2∆y2 + 2∆y3 + ∆y4 ) 6 ∆y1 = hf (tn .5 ∆t = 1 s t.86 1852.21 2.50d) .43 2.00 2360.23 1758.50a) (6.01 1.85 1946.58 1842.91 2077.63 10.09 2007.49) (6.13 2.42 1944.57 2.00 ¯ T −T - najpoznatija tzv.17 ¯ T −T 1.27 11.00 2362.82 1844. s 0 1 2 3 4 5 6 7 8 9 10 ¯ T 2500. yn + 2 2 ∆y2 h ∆y3 = hf tn + . yn ) h ∆y1 tn + .26 T 2500.34 2.24 1760. Jednačine su konzistentne.97 2086. yn + 2 2 ∆y4 = hf (tn + h. sa lokalnom greškom reda O(∆t5 ) i globalnom reda O(∆t4 ) 3.91 1955. Aproksimirane jednačine su eksplicitne i zahtijevaju četiri izračunavanja izvoda funkcije u jednom koraku (iteraciji) 2.09 1798.66 2258.Rješavanje običnih diferencijalnih jednačina Tabela 6.96 1892.50b) (6.4: Uz primjer 6.12 8.61 2005.83 2248.40 2250.59 10. yn + ∆y3 ) ∆y2 = hf Osnovne karakteristike Runge-Kutta metode četvrtog reda su: 1.62 1890. Jednačine su uslovno stabilne (za α∆t ≤ 2.38 ∆t = 2 s T 2500.00 9.24 2.25 2154.46 2156.47 2074.44 2.91 1767.50c) (6.48 2.22 1800.785) 126 (6.

46875/2)4 − 2504 )] ∆y2 = −241.46875 (6. Primjer 6. Tn + ∆y3 = ∆tf tn + 2 2 ∆y4 = ∆tf (tn + ∆t.52d) 4 Ako se sada uzme da je funkcija izvoda jednaka −α(T 4 −Ta ) i vremenski korak ∆t = 2.54) 127 .51) (6. Koristiti vremenske korake od 1 i 2 sekunde.50) dobija se: 1 Tn+1 = Tn + (∆y1 + 2∆y2 + 2∆y3 + ∆y4 ) 6 ∆y1 = ∆tf (tn .53) ∆t ∆y1 .52c) (6. Tn + 2 2 ∆y2 ∆t .37399 ∆y2 = ∆tf (t0 + (6.49) i (6.6 Primjer 6. T0 ) = 2[−α(T0 − Ta )] = 2[−4 × 10−12 (25004 − 2504 )] ∆y1 = −312. one su i konvergentne.2.1 riješiti Runge-Kutta metodom četvrtog reda.52b) (6. T0 + ) 2 2 ∆y1 4 4 = 2[−α((T0 + ) − Ta )] 2 = 2[−4 × 10−12 ((2500 − 312. T1 : 4 4 ∆y1 = ∆tf (t0 .52a) (6. Rješenje Na osnovu jednačina (6. S obzirom da su jednačine konzistentne i uslovno stabilne. imamo za prvu iteraciju.6. Tn + ∆y3 ) (6. Tn ) ∆t ∆y1 ∆y2 = ∆tf tn + . Rješavanje problema početnih vrijednosti 4.

te višekoračne metode. Na taj način se pokazuje osnovna prednost korištenja metoda višeg reda.56) Uvrštavajući prethodno dobivene vrijednosti u jednačinu (6.37399/2)4 − 2504 )] ∆y3 = −256. Na osnovu greške računanja može se pokazati da je Runge-Kutta metoda čak 110000 puta tačnija od eksplicitne Eulerove metode. S druge strane.355925)4 − 2504 )] ∆y4 = −202.229723 Rezultati za prvih 10 sekundi za oba vremenska koraka dati su u tabeli 6. Kod ekstrapolacionih metoda se proračun vrši za više različitih vremenskih koraka. i oko 3500 puta tačnija od prve modifikacije Eulerove metode. 6.69306] T1 = 2248.355925 tn + (6. Tn + ∆y3 ) 4 = 2[−α((T0 + ∆y3 )4 − Ta )] = 2[−4 × 10−12 ((2500 − 256.693063 (6. postoji i niz drugih metoda kao što su ekstrapolacione. Tn + 2 2 ∆y2 4 4 = 2[−α((T0 + ) − Ta )] 2 = 2[−4 × 10−12 ((2500 − 241.5 Ostale metode U prethodnim dijelovima su date najčešće korištene jednokoračne metode za numeričko rješavanje običnih diferencijalnih jednačina. Postoji čitav niz ovih metoda među kojima su najpoznatije Adamsova.Rješavanje običnih diferencijalnih jednačina ∆y3 = ∆tf ∆t ∆y2 .55) ∆y4 = ∆tf (tn + ∆t.37399) (6. opšta Adamsova metoda i druge.355925) − 202. višekoračne metode koriste više tačaka sa kojima se kreće prema rješenju.2.51) dobija se: 1 T1 = T0 + (∆y1 + 2∆y2 + 2∆y3 + ∆y4 ) 6 1 = 2500 + [−312. a onda se na osnovu grešaka za pojedine vremenske korake.57) 6 + 2(−256. pomoću ekstrapolacije dolazi do numeričkog rješenja.46875 + 2(−241. 128 .5. Međutim.

. a kuplovani sistem diferencijalnih jednačina višeg reda se tada svodi na kuplovani sistem diferencijalnih jednačina prvog reda.00049 -0. .09420 1798.3.24681 2154. y . Najpoznatije među njima su procedure vremenske linearizacija. te Newtonova metoda.26340 T 2500. i mogu se naći u literaturi.02 2248. opisuje se diferencijalnim jednačinama višeg reda (jednačine dinamike kretanja.60559 -0. y .00000 2360.25452 -0.58290 1842. .61804 1890.47030 2074.61144 2005.01 2074. svaka od tih jednačina se može svesti na sistem običnih diferencijalnih jednačina prvog reda.41640 1944.08395 -0.82956 2248. opštu diferencijalnu jednačinu n−tog reda sa početnim vrijednostima: y (n) = f (t.5 ∆t = 1 s t.22758 1758. Posmatrajmo.09450 1798. ).00036 -0.01 1944.02 ∆t = 2 s T 2500. .61840 1890. koriste se i procedure za rješavanje nelinearnih implicitnih jednačina konačnih razlika.6.59623 -0. .83000 2248. s 0 1 2 3 4 5 6 7 8 9 10 ¯ T 2500. Međutim.00000 2360.00030 -0.00045 -0.00 ¯ T −T - U svrhu rješavanja opštih diferencijalnih jednačina prvog reda sa početnim vrijednostima kod kojih je funkcija izvoda nelinearna (kao što je problem prenosa toplote zračenjem).61190 2005.47080 2074.00029 1758.00038 -0. veliki broj prirodnih procesa.58) 129 . . Obične diferencijalne jednačine višeg reda Tabela 6.00046 -0.22790 1758. Kao što je poznato.00050 -0. y.01 1842. .00044 -0. U slučaju kada se radi o sistemu jednačina višeg reda.26311 ¯ T −T -0. 6.22972 -0. y (n−1) ) (6.58252 1842.00032 -0. problema u inženjerstvu i sl.41595 1944.3 Obične diferencijalne jednačine višeg reda U prethodnim poglavljima obrađene su metode rješavanja običnih diferencijalnih jednačina prvog reda (Cauchyjev problem).24730 2154. na primjer. diferencijalne jednačine višeg reda se općenito mogu svesti na sistem običnih diferencijalnih jednačina prvog reda.

60)..7 Na primjeru diferencijalne jednačine koja opisuje vertikalni let rakete.. . .58). i uvrštavajući rezultate u jednačinu (6. Na taj način se dobija sistem od n kuplovanih diferencijalnih jednačina prvog reda. n − 1) (6. y2 . Primjer 6. .. .. .61).Rješavanje običnih diferencijalnih jednačina y(t0 ) = y0 i y (i) (t0 ) = y0 (i) (i = 1..... . yn−1 = yn y1 (0) = y0 y2 (0) = y0 (6. dobija se sljedeći sistem od n kuplovanih diferencijalnih jednačina prvog reda: y1 = y2 y2 = y3 . yn ) yn (0) = y0 (n−1) gdje je posljednja jednačina u nizu početna diferencijalna jednačina n-tog reda (6. 130 . pri čemu se definiše n pomoćnih promjenljivih: y1 = y y2 = y = y1 y3 = y = y2 . ..61) (6... y1 . . Ovakva redukcija se gotovo uvijek može ostvariti.. izražena pomoću pomoćnih promjenljivih yi (i = 1. 2.. opisati postupak svođenja diferencijalne jednačine višeg reda na sistem diferencijalnih jednačina prvog reda.. 2. .60) Preuređenjem sistema jednačina (6. yn = y (n−1) = yn−1 Diferenciranjem posljednje jednačine dobija se: yn = y (n) (6.. .59) Ova jednačina se može zamijeniti ekvivalentnim sistemom od n kuplovanih diferencijalnih jednačina prvog reda.. . koji se može riješiti nekom od metoda opisanih u narednom poglavlju. n).62) yn−1 (0) = (n−2) y0 yn = F (t. .

Početna brzina rakete jednaka je v(0. a početna visina y(0.65) T −g m0 − mt ˙ 131 . 0) = 0 (6. Ako uzmemo pomoćnu promjenljivu v i stavimo da je y = v. a ubrzanje rakete. direktno se dobija sljedeći sistem sa odgovarajućim početnim uslovima: y =v v = y(0. 0) = 0 y (0. te aerodinamički uzgon zanemariv. 0) = y0 = 0. m trenutna masa rakete (m(t) = t m0 − 0 mdt). gravi˙ taciono ubrzanje konstantno. Obične diferencijalne jednačine višeg reda Rješenje D mg F T y (0) 0 y (t ) ? mg D i ma mv my v (0) 0 v (t ) ? T Slika 6. a v brzina rakete. Ako se pretpostavi da je promjena mase konstantna (m =const.63) pri čemu je T sila koju proizvodi motor rakete. 0) = 0 (6.4: Vertikalni let rakete Fizikalni sistem koji opisuje problem vertikalnog leta rakete dat je na slici 6.).64) Ova jednačina se može svesti na sistem diferencijalnih jednačina prvog reda na sljedeći način.6.3. g gravitaciono ubrzanje koje općenito zavisi od nadmorske visine ˙ y. 0) = v0 = 0. D aerodinamički uzgon.4. Za takav sistem može se postaviti jednačina drugog Newtonovog zakona kako slijedi: F = T − mg − D = ma = mv = my (6. 0) = 0 y (0. dolazi se do sljedeće diferencijalne jednačine drugog reda sa početnim uslovima: y = T −g m0 − mt ˙ y(0.

y.4 Sistem običnih diferencijalnih jednačina Mnogi problemi u praksi uključuju nekoliko zavisno promjenljivih.65) predstavljaju kuplovani sistem dvije diferencijalne jednačine prvog reda. z) (6. tj. kao na primjer: y = f (t. y. Jedina razlika je u tome što se mora voditi posebna pažnja pri kuplovanju rješenja. Na taj način. z) z = f (t. korištenjem istih metoda. Svaka od diferencijalnih jednačina u sistemu jednačina se može riješiti kao pojedinačna diferencijalna jednačina koristeći metode opisane u prethodnim poglavljima. m0 = 100 kg.65) dobijen u primjeru 6. tj.65). ˙ Rješenje Tačno rješenje sistema (6. Uzeti da je T = 10000 N. Primjer 6. 0) = 0 (6.8 Sistem običnih diferencijalnih jednačina prvog reda (6. y. od kojih je svaka od njih funkcija jedne te iste nezavisne promjenljive i jedne ili više zavisnih promjenljivih. m = 5 kg/s i g = 9. 0) = 0 y (0. 6. i od kojih se svaka može opisati običnom diferencijalnom jednačinom.7 riješiti koristeći Runge-Kutta metodu.67) T −g m0 − mt ˙ . obje vrste problema se mogu numerički riješiti na isti način. y = f (t. Ovakav kuplovani set običnih diferencijalnih jednačina se naziva sistem običnih diferencijalnih jednačina.66b) U prethodnom poglavlju smo vidjeli da se i diferencijalne jednačine višeg reda mogu svesti na sistem kuplovanih diferencijalnih jednačina prvog reda.Rješavanje običnih diferencijalnih jednačina Jednačine (6. kako je objašnjeno u daljem tekstu.66a) (6. v) = v v = g(t. v) = 132 y(0. te ∆t = 1. y. veličina koraka mora biti jednaka za sve jednačine. Također.8 m/s2 . koje se mogu riješiti jednom od metoda za numeričko rješavanje običnih diferencijalnih jednačina prvog reda sa početnim uslovima.

vn + 2 2 2 ∆y4 = ∆tf (tn + ∆t. vn + 2 2 2 ∆t ∆y2 ∆v2 ∆v3 = ∆tg tn + . vn + ∆v2 = ∆tg tn + 2 2 2 ∆t ∆y2 ∆v2 ∆y3 = ∆tf tn + . a sa ∆vi (i = 1.67). vn + ∆v3 ) ∆v4 = ∆tg(tn + ∆t.72g) (6.68) Riješimo sada zadatak koristeći Runge-Kutta metodu. vn ) ∆v1 = ∆tg(tn .9t2 (6.72c) (6. 2.69) Tt 1 2 − gt + m ˙ 2 (6. 0) = 0 Prvo sa ∆yi (i = 1. yn + .72h) 133 (6. Uvrštavajući zadate vrijednosti u sistem jednačina (6.05t) − 9.72e) (6. yn + .72a) (6. yn + ∆y3 .71) . yn . 3. Sistem običnih diferencijalnih jednačina je dato jednačinama: T mt ˙ ln 1 − − gt m ˙ m0 m0 T mt ˙ mt ˙ y(t) = 1− ln 1 − mm ˙ ˙ m0 m0 v(t) = − odnosno v(t) = −1000 ln (1 − 0.70) y (0. 4) inkremente funkcije v(t). vn ) ∆t ∆y1 ∆v1 ∆y2 = ∆tf tn + .72f) (6.05t) + 2000t − 4.49) dobijamo: 1 yn+1 = yn + (∆y1 + 2∆y2 + 2∆y3 + ∆y4 ) 6 1 vn+1 = vn + (∆v1 + 2∆v2 + 2∆v3 + ∆v4 ) 6 gdje su odgovarajući inkrementi dati formulama: ∆y1 = ∆tf (tn .72d) (6. yn + ∆y3 .8t y(t) = 10000 (1 − 0. pa prema jednačini (6.6. 0) = 0 10000 v = − 9. yn + .72b) (6.8 100 − 5t y =v (6. dobija se sistem diferencijalnih jednačina: y(0. 4) označimo inkremente funkcije y(t). yn . yn + . 3. vn + ∆v3 ) (6. vn + 2 2 2 ∆y1 ∆v1 ∆t .05t) ln (1 − 0.4. 2.

8 = 92.7641 100 − 5(0 + 1/2) ∆y4 = 1(0 + 95. a time i inkrementi dati jednačinama (6.463158) = 92.8 = 90. Funkcije f (t.Rješavanje običnih diferencijalnih jednačina Vrlo važno je napomenuti da se algoritam rješavanja sastoji u tome da se prvo izračunavaju vrijednosti ∆y1 i ∆v1 .73b) (6.73h) Sada. za prvi vremenski korak i ∆t = 1 imamo: ∆y1 = 1 · 0 = 0 10000 ∆v1 = 1 − 9.8 100 − 5(tn + ∆t) (6.74f) (6.73g) (6.73f) (6.74e) (6.67) i uvrštavajući zadate vrijednosti. zatim na rješavanje vrijednosti inkremenata ∆y3 i ∆v3 . itd.73e) (6.73d) (6.2 ∆y2 = 1 0 + = 45. vrijednost vremenskog inkrementa mora biti isti za sve jednačine.8 100 − 5(tn + ∆t/2) ∆v2 = ∆t vn + 2 10000 − 9.463158 ∆y3 = 1 0 + = 46.2 100 − 5 · 0 90. ali se s obzirom na jednačine (6.7641 134 (6.74g) .73a) (6.74d) (6.74a) (6. pa tek onda ide na izračunavanje vrijednosti ∆y2 i ∆v2 . inkrementi mogu svesti na sljedeći oblik: ∆y1 = ∆tvn ∆v1 = ∆t ∆y2 ∆v2 ∆y3 ∆v3 ∆y4 ∆v4 10000 − 9.72). v) i g(t. y. općenito zavise od promjenljivih t.7641 100 − 5(0 + 1/2) 95. y.1 2 10000 ∆v2 = 1 − 9.382 2 10000 ∆v3 = 1 − 9.74b) (6. y i v.8 100 − 5tn ∆v1 = ∆t vn + 2 10000 = ∆t − 9.8 = 92. v).73c) (6.8 = ∆t 100 − 5(tn + ∆t/2) = ∆t(vn + ∆v3 ) 10000 = ∆t − 9.74c) (6. Također.

9658 943.7004 2559.0058 1247.0000 92.7866 191. izračunati sve veličine koje su zavisne od navede§ Na primjer.76) gdje je cD empirijski koeficijent uzgona. tako da se mogu dobiti komplikovaniji oblici jednačine (6.6832 5647.2514 1107.5500 792.6379 407. T (t. ¯ ¯ Tabela 6. t.4.2 + 2(92. na primjer. V. 0) = 0 (6.2560 781.4214 430.7641 + 92.9660 943.9547 187.382) + 95.6.6 data su rješenja za y i v za prvih deset sekundi sa tačnim rješenjima.1210 295.5850 4450. 135 .4631] = 92.7866 6 (6. yn + ∆y1 /2 i vn + ∆v1 /2. s tim da je potrebno prije proračunavanja. 0) = 0 y (0.2512 1107.5442 3426.1 + 46.0525 v ¯ 0. y) 1 ρ(y)Av 2 2 m0 − t 0 mdt ˙ y(0.6: Uz primjer 6.6860 5647.0378 1836.2564 781.75) U tabeli 6.7866 191.8 = 95.2944 v 0.4743 1288.2947 Treba naglasiti da je prethodni primjer jednostavna verzija problema vertikalnog leta rakete.4631] = 45. ρ specifična gustina atmosfere.0000 45.9548 187. a A poprečni presjek rakete.4740 1288.74h) pa uvrštavajući dobivene vrijednosti u jednačine (6.0871 526.7016 2559. i u ovom slučaju postupak rješavanja je potpuno isti.0000 45.3642 654. y) m0 − t 0 y = mdt ˙ − g(y) − cD (ρ.0370 1836.5829 4450.0871 526. U realnosti sve veličine mogu biti zavisne od sve tri promjenljive.8 t.0064 1247. veličine ∆y2 . y i v .1210 295.0000 92.4212 430.6379 407.5426 3426.9547 6 1 v1 = 0 + [90.7641) + 95.0564 y 0. Sistem običnih diferencijalnih jednačina ∆v4 = 1 10000 − 9.71) dobijamo rješenje za prvi vremenski korak: 1 y1 = 0 + [0 + 2(45.4631 100 − 5(0 + 1) (6.3641 654.64)§ No.5499 792. s 0 1 2 3 4 5 6 7 8 9 10 y ¯ 0. koja ovisi o tn +∆t/2. y i v.

Metoda ravnoteže. Osim ovih metoda postoji i niz drugih metoda koje se zasnivaju na aproksimaciji rješenja pomoću linearnih kombinacija funkcija i sl. U svrhu rješavanja jednačina tipa (6. y)y + Q(x. u koje spadaju: 136 . ali se možemo sresti i sa sistemom ovakvih jednačina. y)y = F (x) y(x1 ) = y1 i y(x2 ) = y2 ili y + P y + Qy = F (x) y(x1 ) = y1 i y(x2 ) = y2 (6. 2. mješoviti granični uslov. po terminologiji korištenoj u numeričkom rješavanju parcijalnih diferencijalnih jednačina. Ovdje će se. U slučaju kada je na granici definisanosti data vrijednost izvoda funkcije. Ovo je slučaj sa graničnim uslovima u kojima su date vrijednosti funkcije na granicama domene. prema boliku jednačine datom u fosnoti). T . Mogu da budu zavisne od samo jedne promjenljive. Oblast rješavanja je zatvorena (x1 ≤ x ≤ x2 ). Metoda gađanja. radi se o Neumannovom graničnom uslovu.5 Rješavanje problema graničnih vrijednosti Slično diferencijalnim jednačinama sa početnim vrijednostima. ili metoda početnih vrijednosti. Opšti oblik diferencijalne jednačine drugog reda sa graničnim vrijednostima ima oblik: y + P (x. te homogene i nehomogene. 6. Pored ova dva.78) (6.77) mogu se koristiti dvije fundamentalno različite metode konačnih razlika: 1.77) Rješenje ove jednačine je funkcija f (x). drugog i viših redova. m. Mogu biti linearne i nelinearne. i diferencijalne jednačine koje pripadaju problemima graničnih vrijednosti opisuju mnoge inženjerske probleme.Rješavanje običnih diferencijalnih jednačina nih promjenljivih (na primjer. obraditi samo neki problemi graničnih vrijednosti za diferencijalne jednačine drugog reda. koja zadovoljava dva granična uslova na dvije granice oblasti (domene) rješavanja. ipak. javlja se i slučaj kombinacije prethodna dva uslova – tzv. ili metoda graničnih vrijednosti. Ovaj granični uslov se još naziva i Dirichletov granični uslov. ρ i cD .

itd ali se ove metode najčešće koriste za numeričko rješavanje parcijalnih diferencijalnih jednačina.9 Stacionarni problem jednodimenzionalnog prenosa toplote sastoji se od toplotne difuzije. Primjena metode gađanja je pokazana u sljedećem primjeru. uzduž šipke sa konstantnim poprečnim presjekom i toplotne konvekcije na okolinu. riješi se problem početnih vrijednosti. koje se mogu riješiti koristeći metode iz prethodnog poglavlja (problemi početnih vrijednosti). Rješavanje problema graničnih vrijednosti • Rayleigh-Ritzova metoda. • metoda kolokacija. Može se pokazati da se ovaj problem opisuje sljedećom običnom diferencijalnom jednačinom drugog reda sa graničnim vrijednostima: T − α2 T = −α2 Ta T (x1 ) = T (0) = T1 T (x2 ) = T (L) = T2 (6. Ukoliko rješenje nije tačno. respektivno. a zatim se upotrebom metode sekante dolazi do sljedećih aproksimacija. a granični uslovi na drugoj strani ostaju neiskorišteni. odnosno kondukcije. P perimetar šipke. Primjer 6. pokušava se gađanjem doći do tačnog rješenja. 6. a T1 i T2 temperature na granicama. k toplotna provodljivost. • metoda konačnih volumena. odakle i ime metode. • Galerkinova metoda. α = hP/kA. Obično se u prve dvije aproksimacije pretpostave početni granični uslovi. Ta temperatura okoline.1 Metoda gađanja Metoda gađanja transformiše diferencijalnu jednačinu sa graničnim uslovima na sistem diferencijalnih jednačina prvog reda sa početnim vrijednostima. (iterativni) proces se nastavlja promjenom dodatnog graničnog uslova. h koeficijent prenosa toplote. • metoda konačnih elemenata. a tako dobijeno rješenje se uporedi sa poznatim graničnim uslovom na drugoj granici. 137 . U figurativnom smislu.5.79) gdje je T temperatura u šipki. Dodatni početni uslovi se pretpostave. A i L poprečni presjek i dužina šipke.6. Izvod T odnosi se na dužinsku promjenljivu x.5. Tako se granični uslovi na jednoj strani mogu koristiti kao početni uslovi.

79).79) sa novim početnim uslovima.82) Riješimo sada jednačinu (6. Dobija se: T = u T (0) = 0 u = α2 (T − Ta ) u(0) = T (0) (6.79) koristeći metodu gađanja. zadatu diferencijalnu jednačinu drugog reda. Prvo. Pretpostavimo da je za prvu aproksimaciju u(0) = T1 (0) = 1000 ◦ C/m. T2 (L) = 100◦ C.80) (6.79) dato je jednačinom: T (x) = Aeαx + Be−αx + Ta T (x) = α(Aeαx − Be−αx ) gdje je: (T2 − Ta ) − (T1 − T2 )e−αL eαL − e−αx (T1 − T2 )eαL − (T2 − Ta ) B= eαL − e−αx Uzimajući u obzir zadatke podatke.Rješavanje običnih diferencijalnih jednačina Uzeti da je: L = 0. (6. pri čemu se drugi uslov na početnoj granici.8716(e400x + e−400x ) (6.22934◦ C.81) (6. T1 = 0◦ C. što je manje od zadate vrijednosti na istoj granici.832179(e400x − e−400x ) T (x) = 732. te ponovimo postupak rješavanja jednačine (6. U tabeli 6. Sada pretpostavimo drugu aproksimaciju uslova T1 na početnoj granici.83) Iz prethodne jednačine se vidi da se diferencijalna jednačina drugog reda sa graničnim uslovima svodi na sistem diferencijalnih jednačina prvog reda sa početnim vrijednostima. tj.0025 m. T2 = 100◦ C. dobija se rješenje: A= T (x) = 1. na primjer T1 (0) = 2000◦ C/m. u(0) = T (0). kao što je to objašnjeno u prethodnom poglavlju. i ∆x = 0. Ta = 0◦ C. U tabeli 6. 138 . Rješenje Tačno rješenje jednačine (6.01 m. pretpostavi. svodimo na sistem od dvije obične diferencijalne jednačine prvog reda.7 sumarno su dati rezultati za T i T sa rješenjem za prethodnu aproksimaciju. i riješimo sistem koristeći Runge-Kutta metodu. Na osnovu tabele se vidi da je vrijednost temperature na drugoj granici jednaka T2 (L) = 67. kao što je pokazano u prethodnom poglavlju.7 sumarno su dati rezultati za T i T . α = 400 m−1 .

U tu svrhu se najčešće koristi metoda sekante. T1 (0) = 1000◦ C/m i T1 (0) = 2000◦ C/m.7: Uz primjer 6.0000 2. 139 .45867 T 2000. Dakle.5327 134.45867 je veće od zadatog.84) pri čemu indeks (n) označava broj iteracije. m 0 0.22934 T 1000.3333 7475. Na osnovu tabele.85) Koristeći dobiveno rješenje za T (0) ponovimo postupak rješavanja sistema (6.0100 T 0. Postupak rješavanja obične diferencijalne jednačine sa graničnim vrijednostima sa Neumannovim graničnim uslovom na drugom kraju domene bio bi analogan prethodnom.8 uz tačno rješenje prema izrazima (6.0025 0.9931 24. Ovo se moglo i očekivati u ovoj iteraciji (linearna aproksimacija vrijednosti). za sljedeću aproksimaciju koristimo formulu: T1 (n+1) = T1 (n) (n) (n) + T2 − T2 nagib (n−1) (n−1) (n) nagib = T2 T1 − T2 − T1 (6.9 T (0) = 1000◦ C/m x. s obzirom da je T (L) = 100◦ C.9861 49.0000 3083.2737 26911. lako se zaključuje da se radi o tačnom rješenju. pa postupak treba ponoviti sa sljedećom aproksimacijom.01915 Ovaj put rješenje na drugoj granici.50957 T (0) = 2000◦ C/m T 0.45867 = 2000 + = 1487.0000 5.6667 3737.0050 0. T2 (L) = 100◦ C. T2 (L) = 134. U našem slučaju imamo: nagib = T1 (3) 134.7664 67.6. s tim da bi se umjesto "gađanja" vrijednosti funkcije na kraju intervala "gađala" vrijednost prvog izvoda na tom kraju.8333 17.06722933 (6.22934 = 0. s obzirom da se radi o linearnom problemu.79).06722933 2000 − 1000 100 − 134.0000 1541.5475 53823.9167 8. Rezultati su dati u tabeli 6. Rješavanje problema graničnih vrijednosti Tabela 6.4459 0.5.80). pri čemu su prve dvije aproksimacije jednake onim koje smo pretpostavili pri rješavanju sistema diferencijalnih jednačina.0075 0.6944 19918. tj.45867 − 67.8472 9959.

9 ¯ x.85 14813.10 Riješiti primjer 6.15 5559.42 4.7091 100.03353501(e4x + 99.8: Uz primjer 6.89) (6.0000 T 0 ¯ T 1465.0100 0 4.0025 0. m T 0 0.41 14756. tako da je T (L) = 0.87) (6.2901 36.76 5514.74 2261. s tim da je na drugom kraju šipka izolirana.3064 13.88 40029.60 40026.86) (6.3767 36.0050 0.9.85 T 1487.96646499e−4x ) 140 (6.0075 0.90) . te T1 (0) = 100◦ C.0000 Primjer 6.Rješavanje običnih diferencijalnih jednačina Tabela 6.45 2293.8386 100. Rješenje U ovom slučaju treba riješiti diferencijalnu jednačinu sa graničnim uslovima: T − α2 T = −α2 Ta T (x1 ) = T (0) = T1 T (x2 ) = T (L) = 0 odnosno sistem diferencijalnih jednačina: T = u T (0) = 0 u = α2 (T − Ta ) u(0) = T (0) Analitičko rješenje je dato izrazom: T (x) = Aeαx + Be−αx + Ta T (x) = α(Aeαx − Be−αx ) s tim da je: (T1 − Ta ) 1 + e2αL (T1 − Ta )e2αL B= 1 + e2αL A= odnosno za zadate podatke: T (x) = 0.88) (6.3384 13.

9 su dati rezultati proračuna.86).0278 129. Pretpostavimo da je T1 (0) = −40000 i T2 (0) = −35000 i riješimo zadatak koristeći neku od metoda za rješavanje sistema običnih diferencijalnih jednačina sa početnim vrijednostima.0000 37. dok je za T1 (0) = −35000 jednaka 133766.3750 -791.0100 T 100.97754 T -40000.91) 133766. a onda koristeći metodu sekante određujemo sljedeću aproksimaciju za T (0).2361 47686.0625 5. Rezultati su dati u tabeli 6.0075 0.5322.0000 -2109.9: Uz primjer 6.912 −35000 − (−40000) (6.88).912 Koristeći dobiveno rješenje za T (0) ponovimo postupak rješavanja sistema (6.5.2 Metoda ravnoteže Metoda ravnoteže primijenjena na problem rješavanja obične diferencijalne jednačine drugog reda sa graničnim vrijednostima.0833 59.2734 1.01563 T (0) = −35000◦ C/m T 100.12422 T -35000.1052 338. Rješavanje problema graničnih vrijednosti Slično prethodnom primjeru. tj.0000 -7291. pa sljedeću aproksimaciju tražimo koristeći metodu sekante.0000 52.9936 133766.0000 -15000.0050 0.0000 -5625.5000 14.0025 0. se ostvaruje kroz sljedeće korake: 141 .10 uz tačno rješenje prema izrazima (6. T1 (n+1) = T1 (n) (n) (n) + T2 − T2 nagib (n−1) (n−1) (n) nagib = nagib = T2 T1 − T2 − T1 (6.6667 13064.5322 − (−791.10 T (0) = −40000◦ C/m x.5322 (3) T1 = −35000 + = −39970.6068 26. prvo pretpostavimo dvije vrijednosti za T (0).01563) = 26.01563. Tabela 6.92) 0 − 133766.5. 6. i gađamo vrijednost T (L) = 0.5322 Vidi se da je vrijednost T (L) za T1 (0) = −40000 jednaka −791. U tabeli 6.6. m 0 0.

Domenu rješavanja podijeliti na četiri jednaka dijela. Koristeći metodu centralnog diferenciranja. Rješenje Jednačina koju treba riješiti ima oblik (6.78 -5312.8668 13. drugi izvod T ima oblik: T = 142 Ti+1 − 2Ti + Ti−1 ∆x2 (6.6506 3.17 -14673.94) .79): T − α2 T = −α2 Ta T (x1 ) = T (0) = T1 T (x2 ) = T (L) = T2 (6. Rješava se rezultujuća jednačina konačnih razlika. podijeli na određeni broj pod-domena.0100 100 36. Algebarske aproksimacije konačnih razlika se smjenom uvrste u diferencijalnu jednačinu kako bi se dobila algebarska jednačina konačnih razlika.0050 0.39 0.6068 -14954.3268 6. domena je podijeljena na četiri jednaka dijela. m T T 0 0.Rješavanje običnih diferencijalnih jednačina Tabela 6. kao što je prikazano na slici 6. dobija se sistem kuplovanih diferentnih jednačina. 3.0025 0.00 T -39970. Neprekidna oblast (domena) se prekrije numeričkom mrežom. Primjer 6. Prema zadatku.10: Uz primjer 6. Kada se jednačina konačnih razlika primijeni na svaku tačku u numeričkoj mreži.6619 100 37.5857 14. Primjena metode je pokazana na sljedećem primjeru.6855 -5515. tj. Tačni izvodi diferencijalne jednačine sa graničnim vrijednostima se aproksimiraju algebarskim aproksimacijama konačnih razlika. 4.11 Primjer 6.1327 -1816.48 -1721.7768 5. koji se mora riješiti simultano.5.6401 -0.9536 ¯ T -39973.0075 0.93) Prvi korak u rješavanju je podjela domene na određeni broj dijelova. Sljedeći korak je aproksimacija izvoda izrazima za konačne razlike.10 ¯ x.0014 3.9 riješiti pomoću metode ravnoteže.0002 1. 2.

5: Domena rješavanja i numerička mreža za problem kondukcije 3 4 5 T2 pri čemu je i indeks tačke (pod-domene) u numeričkoj mreži – u ovom slučaju i = 2.75 cm. koji se može prikazati u matričnom obliku na sljedeći način:      −3 1 0 T2 0      (6. 4. dobija se diferentna jednačina: Ti−1 − (2 + α2 ∆x2 )Ti + Ti+1 = α2 ∆x2 Ta odnosno.5 i 0.97b) (6. dok indeksi 1 i 5 predstavljaju granice domene.97c) Uvrštenjem vrijednosti za T1 = 0 i T5 = 100 u jednačine (6. 0. 3. U tabeli 6.50 T2 − 3T3 + T4 = 0 x = 0. 4).94) u jednačinu (6.11 dato je rješenje sa tačnim rješenjem. pa se u tu svrhu najčešće koriste iterativne metode za rješavanje sistema jednačina.5.75 T3 − 3T4 + T5 = 0 (6. 3. Uvrštenjem izraza (6.95) Sada se jednačina primijeni na svaku unutrašnju tačku domene (i = 2. mrežne tačke za x = 0. pa se dobija: x = 0. Rješavanje problema graničnih vrijednosti x T1 1 2 L Slika 6. respektivno. dobija se sistem.93).98)  1 −3 1   T3  =  0  0 1 −3 T4 −100 Sistem je moguće riješiti bilo kojom metodom opisanom u poglavlju 3.6. 143 .96) (6. sa uvrštenim zadatim veličinama: Ti−1 − 3Ti + Ti+1 = 0 (6. nakon sređivanja. Treba napomenuti da se sa povećanjem broja mrežnih čvorova povećava i tačnost rješavanja.25.25 T1 − 3T2 + T3 = 0 x = 0.97a) (6.97c). obično je i dijagonalno dominantan.97a) i (6. sistem postaje rijedak (za jednodimenzionalne probleme maksimalno tri elementa u svakom redu su različita od nule). tj.

treba riješiti diferencijalnu jednačinu sa graničnim uslovima: T − α2 T = −α2 Ta T (x1 ) = T (0) = T1 T (x2 ) = T (L) = 0 (6.0075 0.7619 14. data diferencijalna jednačina se za unutrašnje tačke može svesti na diferentnu jednačinu oblika: Ti−1 − (2 + α2 ∆x2 )Ti + Ti+1 = α2 ∆x2 Ta (6. m T T 0 0.99) Slično prethodnom primjeru.0000 Postupak rješavanja obične diferencijalne jednačine sa graničnim vrijednostima sa Neumannovim graničnim uslovom na drugom kraju domene pomoću metode ravnoteže je nešto drugačiji od onog sa Dirichletovim graničnim uslovima na oba kraja.11 ¯ x.100) Za razliku od prethodnog primjera.0050 0.11: Uz primjer 6. s obzirom da ne poznajemo vrijednost funkcije na kraju intervala na kojoj se nalazi Neumannov granični uslov. a koja se dobija iz zadate vrijednosti prvog izvoda za tu granicu. što znači da vrijednost temperature na granici nije poznata. Primjer 6. Zbog toga je neophodno napisati dodatnu jednačinu za čvornu tačku na granici sa Neumannovim graničnim uslovom. Domenu rješavanja podijeliti na četiri jednaka dijela.0025 0. Rješenje Kao što je to u primjeru 6. u ovom slučaju na desnoj granici imamo Neumannov granični uslov.7091 100.0100 0 4.2857 38.10 rečeno. u kojem su na granicama dati Dirichletovi uslovi.3064 13.12 Primjer 6.0000 0 4.10 riješiti pomoću metode ravnoteže.2901 36.0952 100.Rješavanje običnih diferencijalnih jednačina Tabela 6. Zbog toga se i 144 .

101).101) S obzirom da tačka 6 ne postoji.104) (6.105b) (6.105a) (6. dobijamo sistem jednačina: x = 0. aproksimira koristeći formulu za centralno diferenciranje: T5 = T (L) = T6 − T4 2∆x x x x T1 1 2 L Slika 6. koja za slučaj podjele na četiri jednaka podintervala ima oblik: T − α2 T = −α2 Ta T6 − 2T5 + T4 − α2 T5 = −α2 Ta ∆x2 (6.Neumannov granični uslov (6.5.50 x = 0. koja je zadata zadatkom.6.6: Domena rješavanja i numerička mreža za problem kondukcije . i tačku na granici sa Neumannovim graničnim uslovom.105d) 145 .00 T1 − 3T2 + T3 = 0 T2 − 3T3 + T4 = 0 T3 − 3T4 + T5 = 0 2T4 − 3T5 = 0 (6.105c) (6. nakon sređivanja.102) 3 4 5 T’ 6 Uvrštavajući jednačinu (6. dobija se sljedeća jednačina: 2T4 − (2 + α2 ∆x2 )T5 = −2∆xT (L) − α2 Ta ∆x2 odnosno.102) u jednačinu (6. uzimajući u obzir unutrašnje tačke. Rješavanje problema graničnih vrijednosti za ovu tačku postavlja diferentna jednačina.6 (izvan domene).103) Dakle.25 x = 0. a dodatna jednačina se dobija tako što se vrijednost prvog izvoda za tačku 5.75 x = 1. nakon uvrštavanja zadatih veličina: 2T4 − 3T5 = 0 (6. može se smatrati fiktivnom kao što je prikazano na slici 6.

12 dato je rješenje sa tačnim rješenjem. U čemu se sastoji Eulerova metoda! 5.0075 0.0050 0.Rješavanje običnih diferencijalnih jednačina što se sa T1 (0) = 100 može prikazati u matričnom obliku kao:      −3 1 0 0 T2 −100       1 −3 1 0   T3   0    =       1 −3 1   T4   0   0 0 0 2 −3 T5 0 (6.12 x.2550 6. U tabeli 6. Objasni razlike između prve i druge modifikacije Eulerovih metoda.6 Pitanja i zadaci 1.8668 13.106) Sistem je moguće riješiti bilo kojom metodom opisanom u poglavlju 3. Tabela 6. Objasni upotrebu metoda konačnih razlika u rješavanju diferencijalnih jednačina! 4. U čemu je razlika između implicitne i eksplicitne Eulerove metode? 6.7768 5.8940 6.0025 0.0100 ¯ T 100 36.3830 4. Nabroj metode za numeričko rješavanje običnih diferencijalnih jednačina sa početnim vrijednostima! 2. Opiši Taylorovu metodu! 3.298 14. m 0 0. Na koji način se rješavaju diferencijalne jednačine sa početnim vrijednostima višeg reda? 146 .6619 T 100 38.6506 3. Šta su to Runge-Kutta metode i na koji način se izvode njihove jednačine! 7. 8. odnosno Runge-Kutta metoda drugog reda).

gdje je h koeficijent hlađenja konvekcijom i ˙ A površina tijela mase m. Na osnovu Newtonovog zakona hlađenja može se dobiti: qkonv = hA(T − Ta ). Koristeći neki od programskih jezika. Kako je unutrašnja energija tijela E = mcp T . Tijelo mase m sa početnom temperaturom T0 se hladi konvekcijom na temperaturu okoline Ta . Objasni postupak rješavanja običnih diferencijalnih jednačina sa graničnim vrijednostima pomoću metode gađanja! 12. ). 15. Koje metode se koriste za rješavanje diferencijalnih jednačina sa graničnim vrijednostima? 11. Objasni postupak rješavanja običnih diferencijalnih jednačina sa graničnim vrijednostima pomoću metode ravnoteže! 13. gdje je cp specifična toplota.1. Rast populacije neke (biološke) vrste se često modelira običnom diferencijalnom jednačinom oblika: dN = aN − bN 2 dt N (0) = N0 (6. 14.108) 147 . Pitanja i zadaci 9. napisati program za: • • • • • • Eulerovu eksplicitnu metodu Eulerovu implicitnu metodu prvu modifikaciju Eulerove metode drugu modifikaciju Eulerove metode Runge-Kutta metodu metodu ravnoteže. aN predstavlja natalitet. izračunati N(t) za period od 0 do 20 godina. . a = 0. Ako je N0 = 100000. na osnovu održanja energije (brzina promjene unutrašnje energije E je jednaka brzini hlađenja usljed konvekcije qkonv ).6. ˙ dobija se: hA dT =− (T − Ta ) dt mC T (0) = T0 (6. Na koji način se rješavaju sistemi diferencijalnih jednačina sa početnim vrijednostima? 10. . a bN 2 mortalitet usljed svih uzroka (bolest.0000008.107) gdje je N populacija. borba za hranu. i b = 0. Koristiti neku od metoda za numeričko rješavanje običnih diferencijalnih jednačina sa početnim vrijednostima.6. .

Rješavanje običnih diferencijalnih jednačina

Uzeti da je tijelo sferičnog oblika, prečnika r = 0.01 m, izrađeno od legure sa koju je ρ = 3000 kg/m3 i cp = 1000 J/(kg·K), h = 500 J/(s·m2 ·K), T (0) = 500◦ C, Ta = 50◦ C. Koristeći neku od metoda za numeričko rješavanje običnih diferencijalnih jednačina sa početnim vrijednostima, riješiti T (t) za vrijeme od 0 do 10 sekundi, sa korakom od 2 sekunde. 16. Prethodni zadatak kombinovati sa primjerom 6.1 kako bi uzeli u obzir simultano hlađenje konvekcijom i zračenjem. 17. Jačina struje i(t) u serijskom RLC kolu data je jednačinom: 1 di + Ri + q = U (t) dt C i(0) = i0 q(0) = q0 L (6.109)

gdje je i jačina struje u A, q naboj u C, dq/dt = i, L induktivitet u H, R otpor u Ω, C konduktivitet u F, a U je napon u V. Za podatke: L = 100 mH, R = 10 Ω, C = 1 mF, U = 10 V, i0 = 0 i q0 = 0, treba izračunati i(t) za vrijeme od 0 do 0.05 sekundi. Koja je maksimalna vrijednost struje, i kada se javlja? 18. Ugaono odstupanje klatna bez trenja θ(t) dato je jednačinom: d2 θ g + sin θ = 0 2 dt L θ(0) = θ0 θ (0) = θ0 (6.110)

gdje je g gravitaciono ubrzanje a L dužina klatna. Za male otklone θ, jednačina (6.110) se svodi na jednostavniji oblik: d2 θ g + θ=0 2 dt L θ(0) = θ0 θ (0) = θ0 (6.111)

Koristeći neku od metoda za numeričko rješavanje običnih diferencijalnih jednačina sa početnim vrijednostima, riješiti θ(t) za jedan period oscilacija za tačnu i pojednostavljenu jednačinu klatna. Uzeti da je θ(0) = 0.1 i θ(0) = 0.5 radijana uz L = 0.1, 1 i 10 m, te θ (0) = 0. 19. Populacija dvije (biološke) vrste koje se natječu za isti izvor hrane može se modelirati sistemom običnih diferencijalnih jednačina: dN1 = N1 (A1 − B1 N1 − C1 N2 ) N1 (0) = N1,0 dt (6.112) dN2 = N2 (A2 − B2 N2 − C2 N1 ) N2 (0) = N2,0 dt
148

6.6. Pitanja i zadaci

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 = 0.0000008, C1 = 0.000001, A2 = 0.1, B2 = 0.0000008, C1 = 0.0000001. Izračunati N1 (t) i N2 (t) za vrijeme od 0 do 10 godina. 20. Raspodjela temperature u zidu cijevi kroz koju protiče vruća tečnost data je sljedećom diferencijalnom jednačinom: d2 T 1 dT + =0 dr2 r dr T1 (1) = 100◦ C (6.113) T (2) = 0 C

Odrediti temperaturni profil u zidu cijevi. 21. Ako se cijev iz prethodnog primjera hladi konvekcijom na spoljašnjoj površini, toplotna kondukcija na spoljašnjem zidu, qkond jednaka je toplotnoj ˙ konvekciji sa okolinom, tj: dT = qkonv = hA(T − Ta ) ˙ (6.114) dr gdje je toplotni konduktivitet k = 100 J/(s·m·K), koeficijent hlađenja konvekcijom h = 500 J/(s·m2 ·K) i Ta = 0◦ C temperatura okoline. Odrediti temperaturni profil u zidu cijevi. qkond = −kA ˙ 22. Ugib slobodno oslonjene grede opterećene kontinuiranim opterećenjem za male ugibe, dat je diferencijalnom jednačinom: EI d2 y qLx qx2 =− + dx2 2 2 y(0) = 0 y(L) = 0 (6.115)

gdje je q kontinuirano opterećenje po jedinici dužine, L dužina grede, I moment inercije poprečnog presjeka grede, i E modul elastičnosti. Ako se uzme da je I = bh3 /12, te L = 5 m, b = 0.05 m, h = 0.1 m, E = 200 GPa, i q = −1500 N/m, izračunati ugib y(x). 23. Zadatak 22 riješiti ako se greda optereti kontinuiranim opterećenjem po visini h, tj. I = b3 h/12. U tom slučaju ugibi će biti veliki, pa se ne može koristiti jednačina (6.115), nego jednačina: EI 1+ y(0) = 0
d2 y dx2 3/2 dy 2 dx

=−

qLx qx2 + 2 2

(6.116)

y(L) = 0
149

Rješavanje običnih diferencijalnih jednačina

Uporediti dobivena rješenja.

150

pa se gotovo uvijek rješenje mora tražiti koristeći numeričke metode. a ponekad i na algebarske jednačine. y.). U većini inženjerskih problema nezavisne promjenljive su ili prostorne (x. pri čemu moraju biti ispunjeni početni i/ili granični uslovi. u današnje vrijeme su neophodni tačniji modeli mnogih fizikalnih procesa. z) ili prostorne i vremenske (x. U mnogim slučajevima koriste se pojednostavljene aproksimacije. pa se parcijalne diferencijalne jednačine mogu svesti na obične diferencijalne jednačine.1 Ukratko o parcijalnim diferencijalnim jednačinama Parcijalne diferencijalne jednačine su jednačine koje daju vezu između (zavisne) funkcije dvije ili više promjenljivih i parcijalnih izvoda ove funkcije u odnosu na njene nezavisne promjenljive. linearnosti koeficijenata. pa je neophodno pristupiti numeričkom rješavanju parcijalnih diferencijalnih jednačina koji opisuju te probleme. itd. hiperboličke i paraboličke. Pomoću ovih jednačina je moguće opisati sve tri vrste fizičkih problema koji se . Klasifikacija parcijalnih diferencijalnih jednačina se može izvršiti na različite načine (prema redu. Međutim. 7. t). y. z. a većina realnih fizičkih procesa se može opisati pomoću njih. a zavisna promjenljiva zavisi od procesa koji se modelira. U vrlo malom broju slučajeva rješenje parcijalnih jednačina može se prikazati u zatvorenom obliku. Rješenje neke parcijalne diferencijalne jednačine je ona funkcija koja zadovoljava parcijalnu diferencijalnu jednačinu u čitavom domenu posmatranja. homogenosti. ali posebno mjesto zauzima ona koja ih dijeli na eliptičke.Poglavlje 7 Ukratko o rješavanju parcijalnih diferencijalnih jednačina Parcijalne diferencijalne jednačine se javljaju u svim oblastima nauke i inženjerstva.

Klasični primjer paraboličke parcijalne diferencijalne jednačine je nestacionarna toplotna kondukcija. 7. Za razliku od problema ravnoteže.1 Metoda konačnih razlika O metodi konačnih razlika je već bilo riječi u dijelu 6. koja opisuje nerotaciono tečenje nestišljivog fluida. te stacionarni prenos toplote kondukcijom. i dr. napomenuti da se i neka stacionarna tečenja opisuju paraboličkim ili hiperboličkim jednačinama. metode konačnih elemenata.2. Ova metoda predstavlja i najstariju metodu za numeričko rješavanje parcijalnih diferencijalnih jednačina (vjeruje se da ju je koristio Euler u XVIII vijeku) i postupak primjene na parcijalne diferencijalne jednačine je isti onom koji je objašnjen u dijelu 6. ravnoteža raspodjele napona u krutom tijelu usljed vanjskog opterećenja. Treba. Ovi i mnogi drugi stacionarni problemi predstavljeni su eliptičkim jednačinama. i dr. gdje se pokazala njihova upotreba u numeričkom rješavanju običnih diferencijalnih jednačina. problemi kretanja (propagacije) i problemi sopstvenih veličina (vidi dio 6. ipak. bezmrežna metoda. a prototip ove vrste jednačina je talasna jednačina. prostiranje talasa.2. Općenito se javljaju u vremenski zavisnim procesima sa zanemarljivom količinom rasipanja.2 Numeričke metode za rješavanje parcijalnih diferencijalnih jednačina Svaki od oblika parcijalnih diferencijalnih jednačina (eliptičke.2. 7. U daljem tekstu date su osnovne ideje metode konačnih razlika. problemi kretanja (propagacije) ili širenja se opisuju paraboličkim ili hiperboličkim parcijalnim diferencijalnim jednačinama.1). U ovu grupu spadaju problemi prenosa toplote. nestacionarna tečenja. te mnoga stacionarna tečenja fluida. kao što je raspodjela temperature u šipki. 152 . kao što su metode konačnih razlika. Hiperboličke jednačine dominiraju analizom problema vibracija. paraboličke i hiperboličke) zahtijeva posebnu pažnju pri njihovom rješavanju. s obzirom na njihovu čestu upotrebu u rješavanju mnogih inženjerskih problema. metoda graničnih elemenata. metoda konačnih elemenata. te metode konačnih volumena.Ukratko o rješavanju parcijalnih diferencijalnih jednačina mogu pojaviti – problemi ravnoteže. metode karakteristika.2. Problemi ravnoteže su problemi koji opisuju stacionarna stanja.2. U tu svrhu mogu se koristiti različite numeričke metode. Prototip eliptičke jednačine su Laplaceova jednačina. metoda konačnih volumena. metoda parčića.

) kao početni korak. Domena rješavanja se podijeli na konačan broj međusobno povezanih kontrolnih volumena. pa se jednačine održanja primijene na svaki od njih. u kojima se javljaju i vrijednosti iz susjednih čvorova. Numeričke metode za rješavanje parcijalnih diferencijalnih jednačina Ova metoda je veoma jednostavna i efikasna. Metoda konačnih volumena je vjerovatno najjednostavnija metoda za razumijevanje i programiranje. Osnovna razlika u odnosu na metodu konačnih volumena je u tome što se jednačine pomnože sa tzv. ali ima manu što zakoni održanja nisu obezbijeđeni osim ako se ne poduzmu neke specijalne mjere. a može se pokazati da za neke vrste (diferencijalnih) jednačina imaju optimalne osobine. 7. Upravo zbog toga je vrlo popularna kod inženjera. Ove metode se vrlo lako analiziraju matematički.2. .7. Osnovna prednost metode konačnih elemenata je sposobnost da rješava probleme sa različitom.2. geometrijom.2. Osnovna mana ove. . a na kraju se kao rezultat dobija algebarska jednačina za svaki čvor. težinskom funkcijom prije nego se izvrši integracija. za dvodimenzionalne probleme obično se koriste trougaoni ili četverougaoni elementi.2 Metoda konačnih volumena Metoda konačnih volumena koristi integralni oblik jednačina održanja (mase. 7. Vrijednosti promjenljivih na površinama kontrolnih volumena se dobivaju interpolacijom preko vrijednosti promjenljivih u čvornim tačkama. Kod najjednostavnijih metoda konačnih elemenata rješenje se aproksimira funkcijom linearnog oblika unutar svakog elementa na način koji garantuje kontinuitet rješenja preko granica elemenata. diferenciranje i integraciju. . s obzirom da svi članovi koje treba aproksimirati imaju fizičko značenje. Nedostatak ove metode u odnosu na metodu konačnih razlika je u tome što je metode višeg reda od drugog vrlo teško primijeniti na trodimenzionalne proračune. U težištu svakog kontrolnog volumena nalazi se numerički čvor u kojem se proračunavaju vrijednosti promjenljivih. Ovo je zbog toga što metoda konačnih volumena ima tri nivoa aproksimacije: interpolaciju. momenta količine kretanja. energije. dok se za trodimenzionalne probleme najčešće koriste tetraedri i heksaedri. ponekad vrlo kompleksnom. Površinski i zapreminski integrali se aproksimiraju pomoću odgovarajućih kvadraturnih formula.3 Metoda konačnih elemenata Metoda konačnih elemenata je u mnogome slična metodi konačnih volumena. Ova aproksimacija se zatim zamijeni u težinski integral zakona održanja. Domena rješavanja se podijeli na određeni broj diskretnih ili konačnih elemenata. količine kretanja. kao i većine 153 . pa se kao rezultat dobiju nelinearne algebarske jednačine.

je što matrice lineariziranih rješenja nisu dobro struktuirane. control-volume-based finite element method ). Kontrolni volumeni se formiraju oko svakog čvora tako što se povezuju težišta elemenata. pa se na svaki ovako formirani kontrolni volumen primijene jednačine održanja na isti način kao kod metode konačnih volumena. treba pomenuti i tzv. pa je teško naći efikasnu metodu za njihovo rješavanje. metodu konačnih elemenata koja se zasniva na kontrolnim volumenima (eng. kod koje se koriste funkcije oblika kako bi se opisale promjene promjenljivih u nekom elementu. Pored ovog.Ukratko o rješavanju parcijalnih diferencijalnih jednačina ostalih metoda koje koriste nestruktuirane mreže. 154 .

2003.J. 2001. 2003. 2002.LITERATURA [1] Bertolino. R. [10] Hoffman. McGraw-Hill Book Company. 2006. 1992. 155 . Numerical Methods in Scientific Computing. G. University of Oslo. koja je korištena u toku pisanja ovog udžbenika. Numerička Analiza. i Turner. čitaoci se upućuju i na sljedeće naslove. S. Marcel Dekker. Inc. G. Sveučilište u Zagrebu. I. Numerical Methods for Engineers and Scientists. Numerička Analiza. značajan broj navedenih naslova daje i gotove numeričke programe koji se mogu korisiti za rješavanje odgovarajućih problema iz numeričkog inženjerstva.L. M.R. Inc.. 5th edition.. Springer-Verlag. [5] Dahlquist. [6] Demirdžić. 1981. Beograd. 3th edition. M.H. [9] Hjorth-Jensen. [11] Schäfer.A. [3] Chapra. Fundamental Numerical Methods and Data Analysis. [8] Ferziger. M. J. koji po svom sadržaju ne samo da zadovoljavaju potrebe kursa (pojedini naslovi su vrlo korisni za vježbu. 2003. Univerzitet u Sarajevu. nego i šire.Introduction to Numerical Methods. [4] Collins. naročito pri korištenju raznih softvera). [2] Buchnan. Perić. Numerička matematika. Computational Methods for Fluid Dynamics. Osim navedene literature. i dr. volume I-III.W. Computational Engineering . Cambridge University Press. Bjorck.D. i Canale. [7] Drmač. 2006. Numerical Methods and Analysis.Z. Internet Edition. 2008. J. Springer-Verlag.. Numerical Methods for Engineers. 1996.. Naučna knjiga. M. Computational Physics. McGrawHill.P. a u pojedinim su obuhvaćene i druge oblasti iz primjene numeričkih metoda. Uz to.

Cambridge University Press. QuickBASIC. MATLAB and Mathematica. 2001. Kiusalaas. S and C. Numerical Methods in Engineering with MATLAB. de Boor. [4] J. Naučna knjiga. Allen Jr. [11] Subašić. McGraw-Hill Book Company. Inc. Numeričke Metode. 2008. Fundamentals of Numerical Computing. 1992. Inc. Elementary Mathematical and Computational Tools for Electrical and Computer Engineers using MATLAB. 2003.. Zomaya. Manassah. Shampine. K. [6] Marić-Dedijer. 2001. [8] W. [10] L. [5] J. 2007. CRC Press LLC. 156 . 1997. R. ISBN 0-521-43108-5. Zbirka riješenih zadataka iz Numeričke Analize. M. Građevisnki fakuktet. 3rd edition. ISBN 978-0-47 1-38734-3. Bakar. Inc. and P. ISBN 0-471-26610-8.. 1997. ISBN 978-0-47012795-7. 2nd edition. 2007. and S. CRC Press LLC. ISBN 0-521-43108-5. Engineering Analysis . ISBN 978-0-521-85288-3. Dubin. John Wiley & Sons.Beograd. Numerical and Analytical Methods for Scientists and Engineers Using Matematica. 2005. Pao. Inc. Conte. Computing for Numerical Methods Using Visual C++.. [3] D. [2] D. [7] J. Salleh. Numerical Recipes in C. 1997. S.Interactive Methods and Programs with FORTRAN. Press.. Univerzitet u Zenici. Billo. John Wiley & Sons. Cambridge University Press. Excel for Scientists and Engineers . [9] S. A. John Wiley & Sons.. John Wiley & Sons.Numerical Methods. Elementary Numerical Analysis .An Alghoritmic Approach.LITERATURA [1] E.

kompletan proračun koji ovisi od tog promijenjenog podatka se automatski koriguje. Web stranica: http://office. Excel predstavlja proračunsku tabelu (eng. kao što su statističi testovi. a sa Visual Basic programiranjem. Ipak. U daljem tekstu su abecednim redom dati oni poznatiji i šire korišteni. x − y grafovi. koje je sastavni dio paketa. a mateMaple 157 .microsoft. Inc. Ovaj paket.Dodatak A Softveri za numeričku analizu U današnje vrijeme su za numeričko rješavanje inženjerskih i naučnih problema na raspolaganju brojni komercijalni softveri. regresija.aspx Excel Maple predstavlja višenamjenski matematički softverski alat visoke kvalitete sa potpuno integrisanim numeričkim i simboličkim računanjem. Metode Konačnih Volumena i slično. Sve funkcije softvera su pristupačne iz WYSIWYG tehničkog okruženja. ali u svakom slučaju može poslužiti za rješavanje mnogih numeričkih problema. . površine. Ovaj programski paket omogućava razne proračune na podacima raspoređenim u redovima i kolonama. .com/en-gb/excel/default. s obzirom da se u udžbeniku ne izučava ovo područje. nisu dati softveri koji se odnose na numeričko rješavanje parcijalnih diferencijalnih jednačina. nelinearna regresija. Uz ove osnovne karakteristike. Excel posjeduje i veliki broj ugrađenih algoritama. Fourierova analiza. . i drugi. Ukoliko se promijeni bilo koji podatak. kolone. međutim. omogućava i brzo crtanje grafova u različitim stilovima (histogrami. moguće je pravljenje sopstvenih windows aplikacija visoke kvalitete. U ovoj listi. spreadsheet) koju je kao dio Microsoft Office-a razvio Microsoft. odnosno softveri zasnovani na metodama poput Metode Konačnih Elemenata. deskriptivna statistika. treba napomenuti da ovaj softver nije napravljen za numeričku analizu. ). također.

Ovaj softverski paket se može efektivnije koristiti u mnogo širem opsegu aplikacija u odnosu na gore pomenute pakete. MathCAD omogućava inženjerima da istovremeno dizajniraju i dokumentuju proračune sa savremenim funkcionalnim i dinamičkim kalkulacijama koje uzimaju u obzir i mjerne jedinice.maplesoft.Softveri za numeričku analizu matički izrazi se ispisuju u prirodnoj notaciji. Ove aplikacije obuhvataju područja procesiranja signala i slika. komunikacija. Uz sve to. Za razliku od drugih softvera koji se mogu koristiti u inženjerskim proračunima. jedan od vodećih matematičkih softvera. Također je moguće MATLAB integrirati sa drugim programskim jezicima i aplikacijama. Web stranica: http://www. kontrole dizajniranja. kako za inženjera.ptc. Ovaj paket sadrži veliki broj ugrađenih algoritama (funkcija) koji se mogu koristiti u numeričkoj analizi. te animacije sa potpunom kontrolom editiranja i prezentacije. Web stranica: http://www. koji mogu da rade u mnogobrojim oblastima numeričkom.aspx Mathematica Wolfram Mathematica. Slično.com/products/mathcad/ MATLAB MATLAB je integrirano proračunsko okruženje koje kombinuje numeričke proračune.com/products/mathematica/index. razvio je Wolfram Research. Maple 6 predstavlja sistem sa integrisanim numeričkim i simboličkim računanjem. naprednu grafiku i vizualizaciju.html MathCAD MathCAD je softver za inženjerske proračune koji pruža značajne prednosti u produktivnosti pri razvoju i dizaniranju inženjerskih projekata. Web stranica: http://www. te numeričke bioologije.com/products/Maple/index.wolfram. financijskog modeliranja i analize. sa višim programskim jezikom. Web stranica: http://www. grafičkog ili simboličkog računanja. ali korisnik može da programira svoje algoritme u veoma moćnom programskom modulu.com/products/matlab/ 158 . testiranja i mjerenja. tu su i state-of-the-art grafika.mathworks. Ovaj softver obuhvata najveću kolekciju algoritma u jednom sistemu. tako i za sam procesa.

Pro159 .damtp.ac.University of Cambridge [5] http://pagesperso-orange.edu/mathews/n2003/ /NumericalUndergradMod.html Na ovoj stranici data su predavanja koja se koriste na California State University.eng. Uz sve ovo. [3] http://math. Neke od njih.usf. Sadržaj stranice u potpunosti odgovara sadržaju ovog udžbenika. na stranici se za svaku oblast mogu naći i kviz pitanja radi provjere znanja.uk/lab/people/sd/lectures/ /nummeth98//introduction. Mathamatica i Matlab. te programi napisani za softvere Maple. s tim da se tu mogu naći i predavanja (u PDF i Word formatima). [1] http://numericalmethods. [2] http://math. koji prednjače po kvalitetu i interesantnosti sadržaja. MathCAD.cam.htm Još jedna od stranica na kojoj se nalazi nastavni materijal . sa velikim brojem poglavlja iz numeričke analize. [4] http://www.moreau/links.jct. date su u daljem tekstu.fullerton.Dodatak B Neke korisne web stranice U današnje vrijeme se na internetu mogu naći mnogobrojne web stranice koje su bave numeričkim metodama i njihovom primjenom na razne inženjerske probleme.html Vrlo obimna baza urađenih programa iz oblasti numeričke analize. Fullerton.ac. a koja u potpunost pokrivaju sadržaj ovog udžbenika.edu/ Izuzetno sadržajna web stranica. prezentacije (u PDF i Power Point formatima).fr/jean-pierre. a tu se mogu naći i ostale metode iz oblasti numeričke matematike.il/ñaiman/nm/ Online kurs iz numeričkih metoda na Jerusalem College of Technology.

Neke korisne web stranice grami su dati za programske jezike BASIC. mogu da budu katastrofalne.edu/ arnold/disasters/ Greške koje se javljaju u toku numeričkih proračuna. C++.umn.ima. Na ovoj stranici su dati neki od najpoznatijih primjera.edu/18. te Visual C++.wolfram.mit.html Na ovoj stranici mogu se naći video predavanja iz oblasti linearne algebre. [8] http://web. [6] http://mathworld.06/www/Video/video-fall-99. kao što su na primjer problemi koji se tiču upotrebe matrica. Pascal.com/topics/ /NumericalMethods. 160 . koja se može naći na internetu. [7] http://www. Fortran 90.html Ova web stranica je samo jedan dio najobimnije baze iz oblasti matematike.

1a) a = a.3d) (C.2) b−a f (b) f (b) − f (a) Ako je f (a)f (xi ) < 0 : Ako je f (xi )f (b) < 0 : Ako je f (a)f (xi ) = 0 : xi = b − |b − a| ≤ ε1 i/ili (C.4) |f (xi )| ≤ ε2 xi+1 = g(xi ) |xi+1 − xi | ≤ ε1 i/ili ei+1 = |g (ζ)| < 1 ei |f (xi+1 )| ≤ ε2 (C.3a) a = a.1d) (C.5a) (C. a+b 2 Ako je f (a)f (c) < 0 : Ako je f (c)f (b) < 0 : Ako je f (a)f (c) = 0 : c= |b − a| ≤ ε1 i/ili (C.5b) (C.3c) (C.1b) (C. b = b dobiva se rješenje ξ = xi (C.3b) (C.5c) 161 . b = xi a = xi . b = b dobiva se rješenje ξ = c |f (xi )| ≤ ε2 (C. b = c a = c.Dodatak C Formule za pismeni ispit U ovom Dodatku dat je primjerak sa formulama koje se mogu koristiti u toku izrade pismenog ispita.1c) (C.

.9) (i = 1. .16) 162 . .Formule za pismeni ispit f (xi ) f (xi ) |xi+1 − xi | ≤ ε1 i/ili xi+1 = xi − (C. . n) (C.6a) |f (xi+1 )| ≤ ε2 (C.6b) f (xi ) f (x0 ) |xi+1 − xi | ≤ ε1 i/ili xi+1 = xi − (C. n) (C.15) (k+1) xi = (k) xi 1 + aii bi − j=1 aij xj (k) (i = 1. 2. .7a) |f (xi+1 )| ≤ ε2 (C.7b) xi − xi−1 f (xi ) f (xi ) − f (xi−1 ) |xi+1 − xi | ≤ ε1 i/ili |f (xi+1 )| ≤ ε2 xi+1 = xi − (C.14) (C.11) x=A−1 b (C. . .8a) (C. 2.10) aij xj = bi j=1 [A|I] → [I|A−1 ] (C.12) A=LU Lb’ = b ⇒ b’ Ux = b’ ⇒ x n (C. .8b) Ax = b n (C.13) (C.

. . + an xn y0 = a0 + a1 x0 + a2 x2 + . . 2.19) (i = 1. n) (k+1) xi (k) = (k) xi (i = 1.25) Lk (x) = = i=0 i=k x − xi xk − xi (k = 0.26) Pn (x) = f0 + s s s ∆f0 + ∆2 f0 + . . n) (k) (C. .20) i−1 Ri = bi − j=1 aij xj − j=i aij xj (k) xi (k+1) = xi + ω i−1 (k) Ri aii (k) (i = 1.18) = bi − j=1 aij xj R + i aii (k) (i = 1. 2. n) (C. . . . . . ... . n) Pn (x) = a0 + a1 x + a2 x2 + . . .. (xk − xk−1 )(xk − xk+1 ) . n) n (k+1) (C. + an xn 0 0 y1 = a0 + a1 x1 + a2 x2 + ..22) (k) Ri = bi − j=1 (k+1) aij xj − j=i aij xj (k) (i = 1. .17) (C.. n) n (C. . . + an xn 2 2 ... (x − xn ) (xk − x0 ) . .. .. . . 2. . . . . . 1..23) (C. . .24) Pn (x) = k=0 Lk (x)f (xk ) (x − x0 ) . (xk − xn ) n (C..(k+1) xi (k) Ri = (k) xi R + i aii n (k) (i = 1...21) (C. . . . + an xn n n n (C. n) (C.. . + ∆ n f0 1 2 n (C. . . . . .27) 163 . + an xn 1 1 y2 = a0 + a1 x2 + a2 x2 + . . . . .. 2. (x − xk−1 )(x − xk+1 ) . 2.. ... .. 2. . . . . . yn = a0 + a1 xn + a2 x2 + ..

...29) ∆2 f0 = ∆f1 − ∆f0 = f2 − 2f1 + f0 . n) (C. . .. . 1.35) .Formule za pismeni ispit x − x0 h h = xi − xi−1 s= ∆f0 = f1 − f0 pa je x = x0 + sh (C.. + an i=1 x2n i = i=1 xn Yi i y = axb ln(y) = ln a + b ln(x) Y = ln(y) Y = A + Bx A = ln(a) X = ln(x) iB = b (C.... ..31) (C. . .38) (C.. + an xn ∂S = ∂ak N (C.34) 2(Yi −a0 −a1 xi −.......40) .−an xn )(−xk ) = 0 i i i=1 N N N a0 N + a1 i=1 xi + . ...30) n fi i ∆n f0 = ∆n−1 f1 − ∆n−1 f0 = i=0 (−1)i Pn (x) = f0 + s+ i = s+ s+ s+ ∆f0 + ∆2 f0 + ..... + an i=1 xn i = i=1 Yi (C.32) s(s + 1)(s + 2) · · · (s + [i − 1]) i! y = a0 + a1 x + a2 x2 + .. .. .28) (C.. .36) (C....33) (k = 0.37) (C... n (C.. N N N N a0 i=1 xn i + a1 i=1 xn+1 i + .. .. . + ∆n f0 n 1 2 (C.. . .39) y = aebx 164 (C.

51) (C.52) 165 . .41) Pn (x) = a0 + a1 x + a2 x2 + . 2 b I= a f (x)dx ≈ a Pn (x)dx = a0 x + a1 n−1 (C. + n(n − 1)an xn−2 = (C.. .47) x2 + .49) b I= a b−a f (x)dx ≈ f0 + f2n + 4 f2j+1 + 2 f2j 6n j=0 j=1 1 (C.ln(y) = ln a + bx ⇒ Y = A + bx (C.43) f (xi ) ≈ f (xi ) ≈ f (xi + h) − f (xi ) h (C.48) a b I= a f (x)dx ≈ b−a (f0 + fn ) + 2 fj 2n j=1 n−1 n−1 (C. + an xn f (x) ∼ P (x) = a1 + 2a2 x + 3a3 x2 + ..50) b I= a f (x)dx = −1 f (mt + c)m dt = +F b+a 2 1 √ 3 b−a 2 1 F [t]dt −1 b−a = 2 m= b−a 2 F i 1 −√ 3 c= (C.42) (C. .45) (C. .46) f (xi ) − f (xi − h) h f (xi + h) − f (xi − h) f (xi ) ≈ 2h f (x) ≈ Pn (x) = a0 + a1 x + a2 x2 + . .44) (C. + nan xn−1 = f (x) ∼ P (x) = 2a2 + 6a3 x + . b b (C. . . .

yn+1 ) 1 1 h yn+1 = yn + ∆y1 + ∆y2 = yn + (fn + fn+1 ) 2 2 2 ∆y1 = hf (tn .55) (C.57) (C. 2 n! (C.58b) (C. yn ) h ∆y1 tn + .59b) (C. yn + ∆y3 ) ∆y2 = hf (C. yn + 2 2 ∆y2 h ∆y3 = hf tn + . . .61d) 166 .59c) (C. + (∆t)n + .53) (C. yn + 2 2 ∆y4 = hf (tn + h.61b) (C.60) (C.61a) (C.59a) (C. . yn + = hfn+1/2 2 2 1 yn+1 = yn + (∆y1 + 2∆y2 + 2∆y3 + ∆y4 ) 6 ∆y1 = hf (tn . yn + ∆y1 ) = hfn+1 (C. .Formule za pismeni ispit y(t) = y(t0 ) + y (t0 )∆t + y = y (n) (t0 ) y (t0 ) (∆t)2 + . yn ) yn+1 = yn + h f (tn+1 . yn ) = hfn ∆y2 = hf (tn + ∆t.56) ∂y ∂y dy + = yt + yy y ∂t ∂y dt y = ytt + 2yty y + yt yy + (yy )2 y + yyy (y )2 yn+1 = yn + h f (tn .61c) (C.58a) (C.54) (C. yn ) = hfn h ∆y1 ∆y2 = hf tn + .58c) yn+1 = yn + 0 · ∆y1 + 1 · ∆y2 = yn + hfn+1/2 ∆y1 = hf (tn .

12 matrična metoda. 3. 16 metoda eliminacije Gauss-Jornadnova metoda inverzija matrica. iterativne metode greške. v. 8 Cauchyjev problem. 54 Jacobijeva metoda. 38 diferencijalne jednačine. 1 linearizacija. v. sistemi linearnih jednačina Dirichletov granični uslov. v. numeričko integriranje Gauss-Seidelova metoda. v. v. 137. 51 podešenost sistema. 136. 153 metoda najmanjih kvadrata. aproksimacija 167 . 82 polinom. problemi graničnih vrijednosti Metoda Konačnih elemenata. 7 relativna. 70 Newtonovi polinomi. 77 metoda najmanjih kvadrata. 6 integriranje. v. 78 brojni sistemi. numeričko diferenciranje direktne metode. 6 izvori. v. 52 norma. 72 direktna metoda. v. 49 Croutova metoda. sistemi linearnih jednačina Gauss-Seidelova metoda. v. 109 problemi graničnih vrijednosti. 142 ekstrapolacija. problemi početnih vrijednosti Gauss-Jordanova metoda. v. 75 Eulerova metoda. problemi graničnih vrijednosti diferenciranje. v. v. 153 metoda konačnih razlika. 66 Lagrangeov polinom. metode eliminacije metoda bisekcije. v. problemi početnih vrijednosti.Indeks aproksimacija. v. metode eliminacije Gaussova metoda. 47 greške zaokruživanja. 58 Jacobijeva metoda. 52 metoda gađanja. 67 greška. 5 apsolutna. 55 metode relaksacije. problemi početnih vrijednosti Cramerovo pravilo. 3 lokalizacija nula. 78 nelinearna. 5 propagacija. v. Gauss-Jordanova metoda iteracija. iterativne metode konvergencija. 51 broj podešenosti. 3. 1 iterativne metode. 60 uslov konvergencije. metode eliminacije Gaussove kvadraturne formule. 49 nedostaci. numeričko integriranje interpolacija. 77 inverzija matrica. v. 49 Doolittleova metoda. 51 matrična metoda. 48 metode faktorizacije. v. 152 Metoda Konačnih Volumena.

90 Taylorova metoda. 44 metode faktorizacije. 122 Taylorova metoda. problemi graničnih vrijednosti metoda regula falsi. 111 Cauchyjev problem. 101 Newton-Cotesove formule.Indeks metoda ravnoteže. 111 Eulerova metoda. 90 diferenciranje unaprijed. metode eliminacije metode relaksacije. 11 Neumannov granični uslov. 136 metoda gađanja. 99 trapezno pravilo. 92 Gaussove kvadraturne formule. 1 Runge-Kutta metode. v. 25 modifikovana. 144 Newton-Cotesove formule. problemi početnih vrijednosti trapezno pravilo. numeričko integriranje sistemi linearnih jednačina. 140. 68 značajne cifre. 112 Taylorov red. v. v. 37 direktne metode. problemi početnih vrijednosti SimpsonovoSimpsonovo pravilo. v. 96 približni polinomi. 90 diferenciranje unazad. v. 18 metoda sekante. 119 modifikovana. 54 tačnost. 5 problemi graničnih vrijednosti. 137 metoda ravnoteže. v. v. 28 numeričko diferenciranje. iterativne metode nelinearna aproksimacija. aproksimacija nelinearne jednačine. 4 168 . numeričko integriranje Newtonova metoda. 117 implicitna. 122 Runge-Kutta metode četvrtog reda reda. 21 rekurzija. 46 Gaussova metoda. 117 stabilnost. Runge-Kutta metode poboljšana. 95 Simpsonovo pravilo. 112 metoda konačnih razlika. v. 151 preciznost. 38 iterativne metode. 5 tabela podijeljenih razlika. 8. 73 Taylorov red. Newtonova metoda metode eliminacije. metoda sječice metoda sječice. numeričko integriranje Vandermondova determinanta. v. 141 problemi početnih vrijednosti. 30 metoda tangente. 136. 87 numeričko integriranje. 93 višestruki integrali. 104 parcijalne diferencijalne jednačine. 39 Gauss-Jordanova metoda. v. Runge-Kutta metode Runge-Kutta metoda. 87 formule za diferenciranje. 120 eksplicitna. v. 132 višeg reda. 125 drugog reda. 90 približni polinomi. v. 116 sistem jednačina. 89 centralno diferenciranje. v. 129 prosta iteracija.

Sign up to vote on this title
UsefulNot useful