Bosna i Hercegovina Босна и Херцеговина

BRČKO DISTRIKT БРЧКО ДИСТРИКТ

BOSNE I БОСНЕ И
HRECEGOVINE ХРЕЦЕГОВИНЕ
Internacionalni Интернационални
Univerzitet Brčko Универзитет Брчко

NUMERIČKA ANALIZA
SEMINARSKI RAD IZ NUMERIČKIH ANALIZA

STUDENT: MENTOR:

Luka Kožuh Prof.dr.Aleksa Macanović

19.04.2018
 SADRŽAJ

1. PREDGOVOR...................................................................................................................3
2. SUSTAV LINEARNIH JEDNADŽBI.......................................................................................
.......................................................................................................................................5
3. ITERATIVNE METODE......................................................................................................
.......................................................................................................................................8
4. TIPOVI GREŠAKA...........................................................................................................10
5. LITERATURA.................................................................................................................11
 1. PREDGOVOR
Ovaj seminarski sam odlučio posvetiti numeričkoj analizi. Međutim numerička analiza
je širok pojam. Ja ću u ovom seminarskom radu izdvojiti vrijeme i pisati o sustavu
linearnih jednačina. Prije svega treba pomenuti da smo se već nekoliko puta susreli sa
tipovima zadataka gdje je potrebno riješiti neku linearnu jednačinu. Suština je uvjek
bilo shvatiti koliko nepoznatih ima i prema tome shvatiti na koji način ćemo rješiti tu
jednačinu. Primjera radim ako imamo linearnu jednačinu sa jednom nepoznatom
onda koristimo klasični način riješavanja linearne jednačine. Tako što nepoznatu
ostavimo ili prebacimo na lijevu stranu jednačine a sve ostalo na desnu stranu
jednačine. Ako pak imamo linearnu jednačinu sa dvije, tri ili više nepoznatih koristimo
neku od metoda za rješavanje linearnih jednačina sa više nepoznatih. Da li to bila
metoda supstitucije, da li to bila Gausova metoda, metoda determinante ili neka
druga metoda. Uglavnom uvjek smo se bazirali na to kakvu jednačinu moramo riješiti
i zaključiti koji je najjednostavniji način rješavanja te jednačine. Opet primjera radim
ako imamo dvije jednačine:
x+y=5&x–y=2
U ovakvom tipu jednačine koristimo Gausovu metodu odnosno metodu suprotnih
koeficijenata jer nam je to najjednostavnije. Jer u zadatku primjećujemo da imamo +y
i –y. Kada iskoristimo Gausovu metodu y će nestati a x ćemo moći uzračunati
jednostavno i prosto. Daljni postupak znamo.

Međutim šta je to što mi nikad nismo pomenuli kod rješavanja linearnih jednačina?
Na šta to mi nikada nismo pomislili prilikom rješavanja jednačina? Iako bi bilo logično
da ans to pitanje zaista zanima i interesuje da bi kompletirali našu teoriju rješavanja
bilo kakve vrste jednačina. Mi se niti jednom prilikom toliko silnog rješavanja
jednačina nismo zapitali kako nastaje sustav jednačina odnosno kako nastaje
jednačina. Prošli smo sve što smo mogli tokom školskog rješavanja jednačina. Od
proste jednačine sa jednom nepoznatom, došli do jednačine sa dvije nepoznate.
Zatim smo rješavali i jednačine sa ti ili više nepoznatih. Upoznali nekoliko metoda
rješavanja tih jednačina. Zatim smo učili i kvadratne jednačine i upoznali osnovnu
formulu sa kojom možemo riješiti bilo koju kvadratnu jednačinu. Zatim smo se susreli
i sa jednačinama u kojima tražimo rješenja na nekom određenom intervalu. Pa smo
tamo koristili unije i nismo imali konkretnog rješenja tih jednačina. Zatim su slijedile
trigonometrijske jednačine. To su jednačine u kojima koristimo trigonometrijske
funkcije sinus, cosinus, tanges i contanges. Naučili smo rješavati i te tzv. Teške
jednačine i nismo se zapitali kako nastaju. Zatim smo naučili rješavati eksponencijalne
jednačine ili jednačine sa eksponencijama. I tu nismo stali već smo naučili rješavati i
logaritamske jednačine. To smo sve naučili kroz osnovnu i srednju školu. Iz razreda u
razred smo učili neku novu jednačinu ali niti u jednom razredu nismo se zapitali kako
nastaje jednačina.
3
Na red je došla i viša škola odnosno fakultet. Na fakultetu smo proširili svoje znanje i
upoznali se sa matričnim jednačinama te naučili rješavati matrične jednačine. Zatim
smo naučili metode rješavanja matričnih jednačina. Tada na red dolaze jednačine sa
izvodom koje nazivamo diferencijalne jednačine. To je sve jedan veliki skup jednačina
i put učenja od obične linearne jednačine sa jednom nepoznatom do diferencijalne
jednačine. Tokom cijelog procesa učenja jednačina nismo se zapitali šta mi to
rješavamo? Rješavamo jednačinu odnosno tražimo nepoznatu ili nepoznate? Ali kako
je nastala ta jednačina i kako su anstali sistemi jednačina je pitanje koje bi trebalo sve
nas zanimati. Međutim prilikom rješavanja nije nas zanimalo. Evo u ovom
seminarskom radu vi čitaoci imat ćete priliku saznati odgovor na pitanej kako nastaju
sistemi jednačina odnosno kako je nastao sistem jednačina.

Pored toga danas ćete imati priliku upoznati još jednu metodu rješavanja jednačina.
Ta metoda zove se iterativna metoda. Nekada bi se zapitali imali kraja tim
jednačinama. Sve neke nove vrste jednačina iz godine u godinu. Ali zanimljivo je to da
se nismo zapitali kako je nastala jednačina.

I na kraju ovog mog seminarskog rada pomenut ćemo i pojam greška. I navest ćemo
tipove grešaka. Evo što se tiče uvoda mislim da sam vas odmah zaintegrirao da
pročitate moj seminarski rad i da nema potrebe da više pišemo o tome zašto pišem
ovaj seminarski rad. Već da krenemo sa samim sadržajem seminarskog rada i prvom
oblasti u ovom mom seminarskom radu ''kako nastaje sistem jednačina?''!

4
 2. SUSTAV LINEARNIH JEDNADŽBI
Jedan od osnovnih problema numeriˇcke matematike je rjeˇsavanje linearnih sustava
jednadˇzbi. U ovom poglavlju istraˇzivat ´cemo metode za rjeˇsavanje kvadratnih n ×
n sustava, tj. sustava s n jednadˇzbi i n nepoznanica,

a11x1 + a12x2 + ··· + a1jxj + ··· + a1nxn = b1

a21x1 + a22x2 + ··· + a2jxj + ··· + a2nxn = b2
ai1x1 + ai2x2 + ··· + aijxj + ··· + ainxn = bi
an1x1 + an2x2 + ··· + anjxj + ··· + annxn = bn

Matrica A = [ aij ] n i,j=1 ∈ Rn×n je matrica sustava, a njeni elementi su koeficijenti

sustava. Vektor b = [ bi ] n i=1 ∈ Rn je vektor desne strane sustava. Treba odrediti
vektor nepoznanica x = [ xi ] n i=1 ∈ Rn tako da vrijedi Ax = b. Kako znamo iz
linearne algebre, za teorijsku matematiku je rjeˇsavanje sustava Ax = b gotovo
trivijalan problem, posebno u sluˇcaju kada je matrica sustava kvadratna i regularna.
Rjeˇsenje x je dano formulom x = A−1b u kojoj je A−1 inverzna matrica od A (AA−1
= A−1A = I). Pri tome postoje eksplicitne formule i za elemente matrice A−1 i za
samo rjeˇsenje x. Osim toga, svima dobro poznata Gaussova metoda eliminacija dolazi
do rjeˇsenja u O(n3) elementarnih operacija3. Dakle, situacija je potpuno jasna:
rjeˇsenje x = A−1b postoji, i to samo jedno, i znamo jednostavan algoritam koji to
rjeˇsenje eksplicitno raˇcuna koriste´ci samo jednostavne aritmetiˇcke operacije. U
primijenjenoj matematici, posebno u numeriˇckoj linearnoj algebri (grana numeriˇcke
matematike koja se bavi problemima linearne algebre) je situacija puno
kompliciranija. Zaˇsto? U numeriˇckoj matematici danas rijeˇsiti problem znaˇci biti u
stanju u konkretnoj situaciji sa konkretnim podacima, koriste´ci raˇcunalo, brzo do´ci
do dovoljno toˇcne numeriˇcke aproksimacije rjeˇsenja. Na primjer, ako su n × n
matrica A i vektor b zapisani u nekim datotekama na disku, ili su dane procedure
(potprogrami) koji generiraju A i b, onda je zadatak izraˇcunati numeriˇcke vrijednosti
xi, i = 1,...,n. Ono po ˇcemu su raˇcunala poznata je brzina – dobro jednoprocesorsko
raˇcunalo moˇze napraviti npr. 109 operacija u sekundi. Medutim, ono ˇsto je osnovna
znaˇcajka moderne numeriˇcke matematike je da joj u primjenama dolaze problemi
sve ve´cih dimenzija. Kako je broj operacija u Gaussovim eliminacijama O(n3), to
znaˇci da je npr. za n = 105 broj operacija reda veliˇcine 1015 pa brzinom od 109
operacija u sekundi dobivamo vrijeme izvrˇsavanja4 oko 106 sekundi, ˇsto je viˇse od
deset dana. U ozbiljnim primjenama treba u procesu projektiranja puno puta rjeˇsavati
takve sustave. Tada je brzina raˇcunala samo jedan faktor u razumno (ili dovoljno)
brzom rjeˇsavanju linearnog sustava. Dakle, problem koji je matematiˇcki posve
jednostavan u praksi moˇze biti puno izazovniji i netrivijalniji. U divljenju brzini
kojom raˇcunalo zbraja, oduzima ili mnoˇzi brojeve ˇcesto zaboravljamo da su
rezultati tih operacija uglavnom netoˇcni. Sjetimo se, raˇcunalo reprezentira brojeve i
izvrˇsava raˇcunske operacije koriste´ci fiksni broj znamenki – to znaˇci da se rezultati
operacija zaokruˇzuju. Dakle, mogu´ce je da je svaka od O(n3) operacija u Gaussovom

5
algoritmu izvrˇsena s greˇskom zaokruˇzivanja. Koliko onda moˇzemo vjerovati
izraˇcunatom rjeˇsenju?

U ovom odjeljku dajemo niz primjera problema iz primijenjene matematike ˇcije

rjeˇsavanje je bazirano na sustavima linearnih jednadˇzbi. Primjer 4.2.1 Zadani su
parovi toˇcaka (xi, yi), i = 0,...,n, gdje su yi = f(xi) izmjerene (ili na neki drugi naˇcin
dobivene) vrijednosti funkcije f(x) koju ˇzelimo aproksimirati polinomom p(x) stupnja
n. Pretpostavljamo i da je xi

= xj za i

= j. Kriterij za odabir polinoma p(x) je da u toˇckama xi ima vrijednost p(xi) = yi =

f(xi). (Govorimo o interpolacijskom polinomu.) Ako p(x) prikaˇzemo u kanonskom
obliku

onda treba odrediti koeficijente a0,...,an tako da vrijede uvjeti interpolacije p(xi) = yi, i
= 0,...,n, tj.

Vidimo da svaki uvjet interpolacije daje jednu jednadˇzbu u kojoj se nepoznati koeficijenti
pojavljuju linearno. Sve jednadˇzbe ˇcine sustav linearnih jednadˇzbi kojeg moˇzemo
matriˇcno zapisati u obliku V a = y, tj.

6
Matrica V zove se Vandermondeova matrica. Zahvaljuju´ci njenom specijalnom
obliku, mogu´ce je efikasno odrediti a = V −1y.

Metoda Gaussovih eliminacija je svakako najstariji, najjednostavniji i najpoznatiji algoritam za

rjeˇsavanje sustava linearnih jednadˇzbi Ax = b. Ideja je jednostavna. Da bismo rijeˇsili sustav.

odakle je x1 = 1. Kaˇzemo da smo x1 eliminirali iz druge jednadˇzbe.

Ovu ideju moˇzemo lako generalizirati na dimenziju n > 1, gdje sustavno eliminiramo
neke nepoznanice iz nekih jednadˇzbi. Pokazuje se da takav algoritam ima dosta
zanimljivu strukturu i da ga se moˇze ekvivalentno zapisati u terminima matriˇcnih
operacija. Kvalitativno novi moment u analizi metode eliminacija nastaje kada sam
proces eliminacija interpretiramo kao faktorizaciju matrice sustava A na produkt
trokutastih matrica.

7
 3.ITERATIVNE METODE

Jedan od osnovnih problema numeriˇcke matematike je rjeˇsavanje linearnih sustava

jednadˇzbi. Uovom poglavlju ´cemo istraˇzivati metode za rjeˇsavanje kvadratnih n×n sustava,
tj. sustava od n jednadˇzbi sa n nepoznanica,

Matrica A = ( aij)n i,j=1 je matrica sustava, a njeni elementi su koeficijenti sustava. Vektor b
= ( bi )n i=1 je vektor desne strane sustava. Treba odrediti vektor nepoznanica x = ( xi )n i=1
tako da vrijedi Ax = b. Kako znamo iz linearne algebre, za teorijsku matematiku je rjeˇsavanje
sustava Ax = b gotovo trivijalan problem, posebno u sluˇcaju kada je matrica sustava
kvadratna i regularna. Rjeˇsenje x je dano formulom x = A −1b u kojoj je A −1 inverzna
matrica od A (AA−1 = A −1A = I). Pri tome postoje eksplicitne formule i za elemente matrice
A −1 i za samo rjeˇsenje x. Osim toga, svima dobro poznata Gaussova metoda eliminacija
dolazi do rjeˇsenja u O(n 3 ) elementarnih operacija1 . Dakle, situacija je potpuno jasna:
rjeˇsenje x = A −1b postoji, i to samo jedno, i znamo jednostavan algoritam koji to rjeˇsenje
eksplicitno raˇcuna koriste´ci konaˇcno mnogo samo jednostavnih aritmetiˇckih operacija. Na
ˇzalost, konaˇcna aritmetika raˇcunala niti te jednostavne operacije ne moˇze izvrˇsavati
egzaktno, pa Gaussovim eliminacijama, koje su jednostavno konaˇcan niz formula koje vode
rjeˇsenju, rjeˇsenje linearnog sustava Ax = b op´cenito ne moˇzemo izraˇcunati apsolutno
toˇcno. Takoder, u nekim primjenama niti toˇcno rjeˇsenje x = A −1b nije puno bolje od neke
dovoljno dobre aproksimacije ˜x, gdje obiˇcno ˜x zadovoljava sustav (A+δA)˜x = b + δb,
blizak polaznom. Razlog je u ˇcinjenici da su u primijenjenim znanostima i inˇzenjerstvu

8
podaci A, b dobiveni mjerenjima fizikalnih veliˇcina (dakle, s neizbjeˇznim pogreˇskama
mjernih instrumenata) ili su zadani formulama (npr. aij = ∫ Ω ψi(x)ψj (x)dx gdje integral
raˇcunamo numeriˇcki i to u strojnoj aritmetici, dakle s neizbjeˇznom pogreˇskom) pa je
zapravo A = A0 + δA0, b = b0 + δb0, gdje su A0, b0 idealni i nama nedostupni podaci a δA0,
δb0 inicijalna pogreˇska u podacima. Dakle, ˇcak i kada bismo egzaktno rijeˇsili Ax = b, imali
bismo (A0+δA0)x = b0+δb0. Nadalje, u praksi moramo biti svjesni da je stroj (raˇcunalo)
omeden ne samo u pitanju numeriˇcke toˇcnosti nego i u joˇs dva vaˇzna aspekta: raspoloˇzivi
memorijski prostor i vrijeme izvrˇsavanja. Moderne primjene matematike zahtijevaju rjeˇsenja
sustava velikih dimenzija, npr. n > 105 . Ponekad je to rjeˇsenje samo mali dio u
kompleksnijem raˇcunu i potrebno ga je raˇcunati viˇse (stotina ili tisu´ca) puta, s razliˇcitim
desnim stranama i/ili razliˇcitim matricama koeficijenata. Lako se uvjeriti da je u takvim
primjerima proces Gaussovih eliminacija ˇcesto praktiˇcno neupotrebljiv. Jer, matrica
dimenzije n = 105 zahtijeva n 2 = 1010 lokacija u memoriji, svaka barem 4 bajta (veliˇcina
reprezentacije realnog broja u jednostrukoj preciznosti). Dakle, mogu´ce je da samo
spremanje matrice koefi- cijenata u memoriju raˇcunala predstavalja poteˇsko´cu – ponekad
matricu drˇzimo na vanjskoj, sporoj memoriji (datoteka na disku) i onda moˇzemo dijelove
matrice uˇcitavati dio po dio u radnu memoriju. Same eliminacije trebaju O(n 3 ) aritmetiˇckih
operacija, ako je n = 105 i ako moˇzemo raˇcunati brzinom npr. 109 operacija u sekundi, te
ako uraˇcunamo vrijeme transporta podataka iz memorije u procesor i natrag, vidimo da s
praktiˇcne strane stvar nije baˇs jednostavna kao ˇsto je re´ci da rjeˇsenje postoji, jedinstveno
je, zadano je izrazom x = A−1 b i postoji konaˇcan algoritam koji ga raˇcuna.

Gauss-Seidelova metoda je zapravo modifikacija, odnosno poboljšanje Jacobijeve metode.

Ukoliko pogledamo ključnu formulu Jacobijevog iterativnog postupka (2.1), možemo
primijetiti da u k-tom koraku postupka poznajemo vrijednosti x1 (k) , x2 (k) , . . . , xn (k) .
Budući da pretpostavljamo kako metoda konvergira, jasno je da očekujemo kako će u
sljedećem koraku aproksimacija biti bolja, odnosno da će vrijednosti x1 (k+1), x2 (k+1) , . . . ,
xn (k+1) biti bliže rješenju sustava. Upravo iz tog razloga se u izraz za izračunavanje
komponente xi+1 (k+1) uvrštavaju prethodno dobivene vrijednosti x1 (k+1), . . . , xi (k+1):

Dakle, Gauss-Seidelove iteracije na nivou elemenata glase:

9
 4.TIPOVI GREŠAKA
Da bismo mogli ocjenjivati izraˇcunava li neki algoritam, implementiran na raˇcunalu
(kao program), traˇzeno rjeˇsenje problema s dovoljnom toˇcnoˇs´cu, potrebno je
upoznati pojmove apsolutne i relativne greˇske, greˇske unaprijed i unazad, stabilnosti
algoritma, uvjetovanosti problema itd. Svi ti pojmovi nastajali su vremenski postupno,
a uglavnom su vezani uz raˇcunanje na raˇcunalima.

U praktiˇcnom raˇcunanju postoje dvije osnovne vrste greˇsaka: greˇske zbog polaznih
aproksimacija i greˇske zaokruˇzivanja.

Taj tip greˇsaka ˇcesto se javlja kod rjeˇsavanja praktiˇcnih problema. Te greˇske
moˇzemo podijeliti u sljede´ce klase: greˇske modela, greˇske metode i greˇske u
polaznim podacima.

Najˇceˇs´ce nastaju zamjenom sloˇzenih sustava (u skali veliˇcina, od svemirskih

sustava do atomskih struktura, u skali sloˇzenosti, od reakcija u atomskim centralama
do npr. kemijskih i bioloˇskih fenomena u stanicama raka, u svakidaˇsnjem ˇzivotu: od
sustava koji odreduje prognozu vremena do sustava koji daje kretanje cijena na
burzama) jednostavnijima koje moˇzemo opisati matematiˇckim zapisom. Cesto su
stvarni fenomeni takvi da ih ni pribliˇ ˇ zno ne moˇzemo opisati danaˇsnjim
matematiˇckim teorijama, ili su previˇse sloˇzeni za danaˇsnji stupanj matematike.
Stoga se vrˇse razna pojednostavljenja, s jedne strane da bismo uop´ce opisali
fenomene matematiˇckim zapisom, a s druge strane da bismo i njih pojednostavili
kako bismo ih uop´ce mogli rijeˇsiti. Npr. kod gibanja u zemaljskim uvjetima ˇcesto se
zanemaruje utjecaj otpora zraka. Cesto se dobri modeli zamjenjuju slabijim da bi se
mogle ˇ primijeniti numeriˇcke metode (na primjer, sustavi nelinearnih parcijalnih
diferencijalnih jednadˇzbi se lineariziraju). Pogreˇske u modelu mogu nastati i kod
upotrebe modela u graniˇcnim sluˇcajevima. Na primjer, kod matematiˇckog njihala se
sin x aproksimira s x, ˇsto vrijedi samo za male kuteve, a upotrebljava se, recimo i za
ve´ce kutove npr. za 15◦. Pogreˇske modela su neuklonjive, i na korisnicima je da
procijene dobivaju li primjenom danog modela oˇcekivane rezultate.

10
 5.LITERATURA

1. https://web.math.pmf.unizg.hr/~rogina/2001096/num_anal.pdf
2. https://web.math.pmf.unizg.hr/~drmac/na001.pdf

11