Формула Бесселя имеет вид:
Формула Гаусса имеет вид:
Выполним преобразование формулы с учетом, что
Тогда формулы Бесселя и Гаусса примут вид для исходных данных:
Таблица 2 - Первая и вторая производные по методу Бесселя и Гаусса
B1 | B2 | Ga1 | Ga2 |
-64.333 | 1.024e3 | -69.444 | 1.027e3 |
-59.507 | 909.633 | -64.668 | 892.867 |
-55.205 | 814.033 | -60.515 | 778.467 |
-51.335 | 737.233 | -56.884 | 684.067 |
-47.802 | 679.233 | -53.674 | 609.667 |
-44.511 | 640.033 | -50.787 | 555.267 |
-41.37 | 619.633 | -48.122 | 520.867 |
-38.284 | 618.033 | -45.578 | 506.467 |
-35.158 | 635.233 | -43.057 | 512.067 |
-31.9 | 671.233 | -40.458 | 537.667 |
-28.415 | 726.033 | -37.68 | 583.267 |
-24.608 | 799.633 | -34.625 | 648.867 |
-20.387 | 892.033 | -31.192 | 734.467 |
-15.657 | 1.003e3 | -27.28 | 840.067 |
-10.323 | 1.133e3 | -22.791 | 965.667 |
-4.293 | 1.282e3 | -17.624 | 1.111e3 |
2.528 | 1.45e3 | -11.678 | 1.277e3 |
10.235 | 1.636e3 | -4.855 | 1.462e3 |
18.92 | 1.841e3 | 2.946 | 1.668e3 |
28.678 | 2.065e3 | 11.826 | 1.894e3 |
39.604 | 2.308e3 | 21.883 | 2.139e3 |
51.79 | 2.57e3 | 33.218 | 2.405e3 |
Сравним результаты полученные методами Гаусса и Бесселя.
Рисунок 9 - Сравнение результатов первой производной по формуле Бесселя и Гаусса
Сравним результаты полученные методами Гаусса и Бесселя.
Рисунок 10 - Сравнение результатов второй производной по формуле Бесселя и Гаусса
Полученные результаты имеют достаточно большой разбеги и сильно разнятся по значению, что свидетельствует о плохой обусловленности задачи.
Под обусловленностью вычислительной задачи понимают чувствительность ее решения к малым изменениям погрешностей исходных данных. Задачу называют хорошо обусловленной, если малым погрешностям исходных данных отвечают малые погрешности решения, и плохо обусловленной, если возможны существенные изменения решения. Мерой степени обусловленности вычислительной задачи является число обусловленности. Эту величину можно интерпретировать как коэффициент возможного возрастания погрешностей в решении по отношению к вызвавшим их погрешностям входных данных.
Вычислим коэффициенты обусловленности, основанные на второй формуле Гаусса:
линейный сглаживание гаусс бессель
Так как 6000 намного больше единицы, то задача плохо обусловлена, то есть малым погрешностям исходных данных соответствуют существенные изменения в решении.
Вычислим коэффициенты обусловленности, основанные на формуле Бесселя:
Так как 10000 намного больше единицы, то задача плохо обусловлена, то есть малым погрешностям исходных данных соответствуют существенные изменения в решении.
Вычислим оптимальное значение шага дифференцирования.
Оценка максимальной погрешности интерполяции исходной функции на всем отрезке дифференцирования [a, b] для четырёх узлов интерполяции (n=3) удовлетворяет условию:
, где
Полная погрешность представляет собой сумму вычислительной погрешности и погрешности интерполяции на интервале дифференцирования и не превосходит величины:
Минимизация по h функции ε1(h) приводит к следующей формуле для вычисления оптимального значения шага дифференцирования:
Из полученных значений можно сделать вывод, что оптимальное значения шага дифференцирования намного превышает значение шага в нашей функции. Следовательно, чтобы задача стала хорошо обусловленной, следует взять шаг h=0.275.
ВЫВОД
В ходе данной лабораторной работы были проведены процедуры сглаживания - линейного по трем и пяти точкам и нелинейного по семи точкам, а также сглаживание с использованием функций MEDSMOOTH и SUPSMOOTH. Сравнивая полученные результаты, можно сделать вывод, что сглаживание по трем и пяти точкам, а также функция SUPSMOOTH дают самые гладкие графики, в то время как нелинейное сглаживание по семи точкам, и функция MEDSMOOTH дают более приближенные к оригинальным значения.
В результате выполнения численного дифференцирования для данных, с использованием формул численного дифференцирования, основанных на второй формуле Гаусса и на формуле Бесселя. Были вычислены коэффициенты обусловленности (6000 для формулы Гаусса и 10000
для формулы Бесселя), сравнив полученные значения, был сделан вывод о том, что задача плохо обусловлена для обоих методов численного дифференцирования.
Также было определено оптимальное значение шага численного дифференцирования для достижения заданного значения точности решения: . Сравнив полученное значение оптимального шага с заданным шагом аргумента (h=0.005) в табличном представлении функции, был сделан вывод, что при проведении последующих измерений значений функции следует увеличить шаг для лучшей обусловленности задачи.