Numeriske metoder: gratis øving, teori og oppgaver

1. Ligningsløsning

Hva handler det om?

Mange praktiske ingeniørligninger, som $f(x) = 0$ for rørfriksjon, spenning i en bjelke eller likevektspunkter i en prosess, har ingen enkel formel for løsningen. Numeriske metoder finner en tilnærmet rot ved å gjette, sjekke og forbedre gjetningen gradvis. Målet er alltid det samme: et tall $x^*$ der $f(x^*) \approx 0$, innenfor en gitt toleranse.

Begreper og formler

• Rot: en verdi $x^*$ der $f(x^*) = 0$.
• Halveringsmetoden (bisection): krever et intervall $[a,b]$ der $f(a)$ og $f(b)$ har ulikt fortegn. Midtpunktet $c=(a+b)/2$ testes, og halvparten med fortegnsskifte beholdes. Antall steg for toleranse $\varepsilon$: $n \geq \log_2\!\big((b-a)/\varepsilon\big)$.
• Newtons metode: $x_{n+1} = x_n - \dfrac{f(x_n)}{f'(x_n)}$. Krever den deriverte og et startpunkt nær roten. Konvergensen er kvadratisk (antall riktige siffer omtrent dobles per steg) når den virker, men metoden kan divergere ved dårlig start eller hvis $f'(x_n)\approx 0$.
• Sekantmetoden: som Newton, men den deriverte erstattes med en differansekvotient: $x_{n+1} = x_n - f(x_n)\dfrac{x_n-x_{n-1}}{f(x_n)-f(x_{n-1})}$. Trenger to startpunkter, ikke den deriverte.
• Fikspunktiterasjon: skriv $f(x)=0$ om til $x=g(x)$ og iterer $x_{n+1}=g(x_n)$. Konvergerer hvis $|g'(x)|<1$ nær roten.
• Konvergensorden: hvor raskt feilen $e_n=x_n-x^*$ minker. Lineær (halvering, fikspunkt): feilen skaleres med en omtrent konstant faktor per steg. Kvadratisk (Newton): $e_{n+1}\approx C e_n^2$.

Slik løser du oppgavene

1. Sjekk hva som er gitt: et intervall (halvering), en funksjon og ett startpunkt med den deriverte (Newton), to startpunkter (sekant), eller en $g(x)$ (fikspunkt).
2. Regn ut $f$ (og eventuelt $f'$) i de nødvendige punktene.
3. Bruk riktig oppdateringsformel og finn neste verdi.
4. Gjenta til endringen er mindre enn toleransen, eller til ønsket antall steg er nådd.

Eksempel

Finn en rot av $f(x) = x^2 - 3$ med Newtons metode, startet på $x_0 = 2$.

1. $f(x) = x^2-3$ og $f'(x)=2x$.
2. Steg 1: $x_1 = x_0 - \dfrac{f(x_0)}{f'(x_0)} = 2 - \dfrac{4-3}{4} = 2 - 0{,}25 = 1{,}75$.
3. Steg 2: $f(1{,}75)=1{,}75^2-3=0{,}0625$ og $f'(1{,}75)=3{,}5$, så $x_2 = 1{,}75 - 0{,}0625/3{,}5 \approx 1{,}7321$.

Svaret nærmer seg $\sqrt3 \approx 1{,}7321$ raskt, typisk for kvadratisk konvergens.

Vanlige feil

• Å starte halveringsmetoden på et intervall der $f(a)$ og $f(b)$ har samme fortegn.
• Å glemme å sjekke om $f'(x_n)$ er nær null i Newtons metode (metoden kan da hoppe langt av gårde).
• Å blande sammen konvergenshastighet (hvor fort) med om metoden konvergerer i det hele tatt.
• Å tro at flere desimaler i mellomregningen automatisk gir et mer nøyaktig svar enn metoden faktisk kan levere.

Begreper i denne delen

Øv på ligningsløsning i appen →

2. Interpolasjon og integrasjon

Hva handler det om?

Ofte har du bare noen få kjente punkter – fra en tabell, en sensor eller en beregning – og trenger en verdi mellom dem, eller et areal under en kurve du ikke kan integrere for hånd. Interpolasjon bygger en funksjon som går nøyaktig gjennom de kjente punktene, mens numerisk integrasjon tilnærmer et bestemt integral ved å summere areal av enkle former (rektangler, trapeser, parabler).

Begreper og formler

• Lineær interpolasjon mellom $(x_0,y_0)$ og $(x_1,y_1)$: $y = y_0 + \dfrac{y_1-y_0}{x_1-x_0}(x-x_0)$.
• Lagrange-interpolasjon: for $n+1$ punkter finnes et entydig polynom av grad høyst $n$ som går gjennom alle punktene. Det bygges som en sum av basispolynomer $L_i(x)$, ett per punkt, der $L_i(x_i)=1$ og $L_i(x_j)=0$ for $j\neq i$.
• Runges fenomen: høygradig interpolasjon i jevnt fordelte punkter kan gi store, urealistiske svingninger nær endene. Løses med lavere grad, Chebyshev-punkter eller splines (stykkevise polynomer, glatte i skjøtene).
• Midtpunktregelen: den enkleste kvadraturregelen, $\int_a^b f(x)\,dx \approx (b-a)f\big(\tfrac{a+b}2\big)$.
• Trapesmetoden: $\int_a^b f(x)\,dx \approx (b-a)\dfrac{f(a)+f(b)}2$. Sammensatt med $n$ like store intervaller ($h=(b-a)/n$): $\dfrac{h}{2}\big(f_0+2f_1+\dots+2f_{n-1}+f_n\big)$. Feilen er $O(h^2)$.
• Simpsons metode: bruker parabler over par av intervaller, eksakt for polynomer opp til grad 3. Sammensatt (krever partall antall intervaller): $\dfrac{h}{3}\big(f_0+4f_1+2f_2+4f_3+\dots+f_n\big)$. Feilen er $O(h^4)$.

Slik løser du oppgavene

1. Sjekk hva du skal gjøre: finne en mellomliggende verdi (interpolasjon) eller et areal/integral (kvadratur).
2. Ved interpolasjon: sett opp riktig formel (lineær for 2 punkter, Lagrange/kvadratisk for 3).
3. Ved integrasjon: finn $h$, regn ut funksjonsverdiene i alle punktene, og bruk riktig vektet sum.
4. Sjekk om metoden er eksakt for funksjonstypen (f.eks. er Simpson eksakt for et tredjegradspolynom).

Eksempel

Interpoler kvadratisk gjennom $(0,0)$, $(1,1)$ og $(2,4)$ (altså $y=x^2$). Finn $y$ i $x=1{,}5$ med Lagranges formel.

I $x=1{,}5$: $L_0=-0{,}125$, $L_1=0{,}75$ og $L_2=0{,}375$. Da blir $y = 0\cdot L_0 + 1\cdot L_1 + 4\cdot L_2 = 0{,}75+1{,}5 = 2{,}25$, akkurat som $1{,}5^2$.

Vanlige feil

• Å bruke Simpson med et oddetall delintervaller (metoden krever partall).
• Å tro trapesmetoden er eksakt for en krum kurve, ikke bare for en rett linje.
• Å blande sammen antall punkter og antall intervaller ($n+1$ punkter gir $n$ intervaller).
• Å ekstrapolere (gå utenfor datapunktene) og tro resultatet er like pålitelig som interpolasjon.

Begreper i denne delen

Øv på interpolasjon og integrasjon i appen →

3. Differensialligninger og stabilitet

Hva handler det om?

Mange fysiske prosesser (nedkjøling, elektriske kretser, kjemiske reaksjoner, mekaniske svingninger) beskrives med differensialligninger uten noen enkel formel for løsningen. Numeriske løsere bygger løsningen skritt for skritt: gitt $y$ ved tiden $t$, regner de ut en tilnærming for $y$ ved $t+h$. Som ingeniør bruker du dette til å simulere systemer over tid, for eksempel temperaturen i en motor eller strømmen i en krets.

Begreper og formler

• Eulers eksplisitte metode: $y_{n+1} = y_n + h f(t_n, y_n)$. Orden 1 (global feil $O(h)$). Enkel, men kan kreve svært liten $h$.
• Heuns metode (forbedret Euler): en prediktor-korrektor-metode av orden 2. Prediktor: $y_p = y_n + h f(t_n,y_n)$. Korrektor: $y_{n+1} = y_n + \dfrac{h}{2}\big(f(t_n,y_n)+f(t_{n+1},y_p)\big)$ – altså gjennomsnittet av stigningstallet i start- og sluttpunktet av steget.
• Bakover (implisitt) Euler: $y_{n+1} = y_n + h f(t_{n+1}, y_{n+1})$. $y_{n+1}$ står på begge sider, så man må løse en ligning. Dyrere per steg, men stabil selv med store $h$ – viktig for stive problemer.
• Runge–Kutta 4 (RK4): orden 4, bruker fire vurderinger av $f$ per steg: $k_1=f(t_n,y_n)$, $k_2=f(t_n+\tfrac h2,y_n+\tfrac h2k_1)$, $k_3=f(t_n+\tfrac h2,y_n+\tfrac h2k_2)$, $k_4=f(t_n+h,y_n+hk_3)$, og $y_{n+1}=y_n+\dfrac h6(k_1+2k_2+2k_3+k_4)$.
• Stivt problem: svært ulike tidsskalaer i samme system. Eksplisitte metoder trenger da urealistisk liten $h$ for å være stabile, selv om selve nøyaktighetskravet ikke krever det.
• Stabilitet: for $y'=\lambda y$ er eksplisitt Euler stabil bare når $|1+h\lambda|\leq 1$. Implisitte metoder er stabile for mye større $h$.

Slik løser du oppgavene

1. Identifiser $f(t,y)$, startverdien og steglengden $h$.
2. Velg riktig metode ut fra hva oppgaven spør om (Euler, Heun, RK4 eller implisitt).
3. Regn ut ett steg av gangen, og bruk resultatet fra forrige steg som utgangspunkt for det neste.
4. For stabilitet: sett opp $|1+h\lambda|$ (eksplisitt Euler) og sammenlign med 1.

Eksempel

Løs $y'=-2y$, $y(0)=5$, med ett steg av Heuns metode og $h=0{,}5$.

1. $f(t,y)=-2y$, så $f(t_0,y_0)=-2\cdot5=-10$.
2. Prediktor: $y_p = 5 + 0{,}5\cdot(-10) = 0$.
3. Korrektor: $f(t_1,y_p)=-2\cdot 0=0$, så $y_1 = 5 + \dfrac{0{,}5}{2}(-10+0) = 5-2{,}5=2{,}5$.

Til sammenligning gir eksplisitt Euler $y_1=5+0{,}5\cdot(-10)=0$ – Heuns metode er mer nøyaktig fordi den bruker gjennomsnittet av to stigningstall.

Vanlige feil

• Å bruke $y_n$ i stedet for prediktoren $y_p$ når man regner ut korrektorsteget i Heuns metode.
• Å tro implisitt Euler er «feil» fordi $y_{n+1}$ står på begge sider – det er nettopp poenget, og for et lineært problem kan man løse det algebraisk.
• Å bruke en for stor $h$ på et stivt problem med en eksplisitt metode, og få et resultat som «eksploderer».
• Å blande sammen antall funksjonsevalueringer (RK4 bruker fire per steg) med antall tidssteg.

Begreper i denne delen

Øv på differensialligninger og stabilitet i appen →