‫آنالیز عددی‬

‫تهیه کننده‪:‬‬
‫امین روشنی‬

‫وبالگ دنیای آمار‬

‫‪statistics94.blogfa.com‬‬

‫‪statistics94.blogfa.com‬‬
 ‫» ﻓﻬﺮﺳﺖ ﻣﻄﺎﻟﺐ «‬

‫ﺻﻔﺤﻪ‬ ‫ﻋﻨﻮان‬

‫• ﻓﺼﻞ اول‬

‫‪1-2‬‬ ‫ﻣﺮوري ﺑﺮ ﺣﺴﺎب دﯾﻔﺮاﻧﺴﯿﻞ و اﻧﺘﮕﺮال‬

‫‪2-6‬‬ ‫ﻫﻤﮕﺮاﯾﯽ و ﻣﺮﺗﺒﻪ ﻫﺎي ﻫﻤﮕﺮاﯾﯽ‬

‫• ﻓﺼﻞ دوم‬

‫‪7-8‬‬ ‫ﺣﺴﺎب ﮐﺎﻣﭙﯿﻮﺗﺮي‬

‫‪8-14‬‬ ‫ﺗﺒﺪﯾﻞ ﺳﯿﺴﺘﻤﻬﺎي اﻋﺪاد‬

‫‪14-16‬‬ ‫ﻧﻤﺎﯾﺶ اﻋﺪاد در ﮐﺎﻣﭙﯿﻮﺗﺮ‬

‫‪16-17‬‬ ‫ﻣﻨﺎﺑﻊ ﺧﻄﺎ‬

‫‪17-23‬‬ ‫ﺗﺤﻠﯿﻞ ﺧﻄﺎ و اﻧﺒﺎﺷﺘﮕﯽ ﺧﻄﺎ در ﻋﻤﻠﯿﺎت ﺣﺴﺎﺑﯽ‬

‫‪23-24‬‬ ‫ﺟﻠﻮﮔﯿﺮي از رﺷﺪ ﺧﻄﺎ‬

‫‪24-27‬‬ ‫ﺧﻄﺎي ﻧﺴﺒﯽ در ﻣﺤﺎﺳﺒﻪ ﺗﻮاﺑﻊ ﭼﻨﺪ ﻣﺘﻐﯿﺮه‬

‫‪28-33‬‬ ‫ﭘﺎﯾﺪاري روﺷﻬﺎي ﻋﺪدي‬

‫• ﻓﺼﻞ ﺳﻮم ‪ :‬ﺣﻞ ﻣﻌﺎدﻻت ﻏﯿﺮ ﺧﻄﯽ‬

‫‪36-40‬‬ ‫روش ﻧﺼﻒ ﮐﺮدن‬

‫‪41-46‬‬ ‫روش وﺗﺮي و ﻧﺎﺑﺠﺎﯾﯽ‬

‫‪46-57‬‬ ‫روش ﻧﯿﻮﺗﻦ راﻓﺴﻮن‬

‫‪57-61‬‬ ‫روش ﻧﻘﻄﻪ ﺛﺎﺑﺖ ﯾﺎ ﺗﮑﺮار ﺳﺎده‬

‫أ‬
‫‪62-65‬‬ ‫روش ﻧﻘﻄﻪ ﺛﺎﺑﺖ ﺑﺎ ﻫﻤﮕﺮاﯾﯽ ﻣﺮاﺗﺐ ﺑﺎﻻﺗﺮ‬

‫‪66‬‬ ‫ﺗﻤﺮﯾﻨﻬﺎ‬

‫• ﻓﺼﻞ ﭼﻬﺎرم ‪ :‬دروﻧﯿﺎﺑﯽ‬

‫‪67-93‬‬ ‫درون ﯾﺎﺑﯽ ﻻﮔﺮاﻧﮋ و ﻧﯿﻮﺗﻦ‬

‫‪94-96‬‬ ‫درون ﯾﺎﺑﯽ ﻫﺮﻣﯿﺖ‬

‫‪96-105‬‬ ‫دروﻧﯿﺎﺑﯽ اﺳﭙﻼﯾﻦ ﻣﮑﻌﺒﯽ‬

‫‪105-107‬‬ ‫ﺗﻤﺮﯾﻨﻬﺎي ﻓﺼﻞ‬

‫• ﻓﺼﻞ ﭘﻨﺠﻢ ‪ :‬ﺗﻘﺮﯾﺐ‬

‫‪108-109‬‬ ‫ﻣﻘﺪﻣﻪ‬

‫‪110-117‬‬ ‫روش ﺣﺪاﻗﻞ ﻣﺮﺑﻌﺎت ﮔﺴﺴﺘﻪ‬

‫‪117-118‬‬ ‫روش ﺣﺪاﻗﻞ ﻣﺮﺑﻌﺎت ﭘﯿﻮﺳﺘﻪ‬

‫‪118-121‬‬ ‫روﻧﺪ ﻣﺘﻌﺎﻣﺪ ﺳﺎزي ﮔﺮام اﺷﻤﯿﺖ‬

‫‪121-122‬‬ ‫ﺗﻤﺮﯾﻨﻬﺎي ﻓﺼﻞ‬

‫• ﻓﺼﻞ ﺷﺸﻢ ‪ :‬اﻧﺘﮕﺮال ﮔﯿﺮي ﻋﺪدي‬

‫‪123-124‬‬ ‫ﻣﻘﺪﻣﻪ‬

‫‪124-125‬‬ ‫روﺷﻬﺎي ﻣﺒﺘﻨﯽ ﺑﺮ دروﻧﯿﺎﺑﯽ‬

‫‪125-129‬‬ ‫روﺷﻬﺎي ﻧﯿﻮﺗﻦ ﮐﺎﺗﺲ‬

‫‪129-129‬‬ ‫روﺷﻬﺎي ﺑﺎز‬

‫‪129-133‬‬ ‫روﺷﻬﺎي ﻣﺮﮐﺐ‬

‫ب‬
‫‪133-137‬‬ ‫روش اﻧﺘﮕﺮال ﮔﯿﺮي راﻣﺒﺮگ‬

‫‪138-141‬‬ ‫روﺷﻬﺎي ﻣﺒﺘﻨﯽ ﺑﺮ ﺿﺮاﺋﺐ ﻧﺎﻣﻌﯿﻦ‬

‫‪141-141‬‬ ‫ﺗﻤﺮﯾﻨﻬﺎي ﻓﺼﻞ‬

‫• ﻓﺼﻞ ﻫﻔﺘﻢ ‪ :‬ﻣﺸﺘﻖ ﮔﯿﺮي ﻋﺪدي‬

‫‪142-144‬‬ ‫ﻣﻘﺪﻣﻪ‬

‫‪144-150‬‬ ‫روﺷﻬﺎي ﻣﺒﺘﻨﯽ ﺑﺮ دروﻧﯿﺎﺑﯽ‬

‫‪150-153‬‬ ‫روﺷﻬﺎي ﻣﺸﺘﻖ ﮔﯿﺮي ﻣﺒﺘﻨﯽ ﺑﺮ ﺗﻔﺎﺿﻼت ﻣﺘﻨﺎﻫﯽ‬

‫‪153-154‬‬ ‫روﺷﻬﺎي ﻣﺒﺘﻨﯽ ﺑﺮ ﺿﺮاﺋﺐ ﻧﺎﻣﻌﯿﻦ‬

‫‪154-158‬‬ ‫اﻧﺘﺨﺎب ﻃﻮل ﮔﺎم ﺑﻬﯿﻨﻪ‬

‫‪158-161‬‬ ‫روﺷﻬﺎي ﺑﺮون ﯾﺎﺑﯽ‬

‫‪162-163‬‬ ‫ﺗﻤﺮﯾﻨﻬﺎي ﻓﺼﻞ‬

‫• ﻓﺼﻞ ﻫﺸﺘﻢ ‪ :‬ﺣﻞ ﻋﺪدي ﻣﻌﺎدﻻت دﯾﻔﺮاﻧﺴﯿﻞ ﻣﻌﻤﻮﻟﯽ‬

‫‪164-171‬‬ ‫ﻣﻘﺪﻣﻪ‬

‫‪171-172‬‬ ‫روﺷﻬﺎي ﻋﺪدي ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﻣﻘﺪار اوﻟﯿﻪ‬

‫‪172-177‬‬ ‫روش اوﯾﻠﺮ‬

‫‪177-179‬‬ ‫روش ﺳﺮي ﺗﯿﻠﻮر‬

‫‪179-185‬‬ ‫روﺷﻬﺎي راﻧﮓ ﮐﻮﺗﺎ‬

‫‪186‬‬ ‫ﺗﻤﺮﯾﻨﻬﺎي ﻓﺼﻞ‬

‫ج‬
 ‫ﻓﺼﻞ اول‬

‫ﻣﻘﺪﻣﻪ ‪:‬‬

‫‪ 1-1‬ﻣﺮوري ﺑﺮ ﺣﺴﺎب دﯾﻔﺮاﻧﺴﯿﻞ و اﻧﺘﮕﺮال ‪:‬‬

‫ﻗﻀﺎﯾﺎي زﯾﺮ در ﺑﻪ دﺳﺖ آوردن روﺷﻬﺎي ﺗﺨﻤﯿﻦ ﺧﻄﺎ ‪ ،‬داراي اﻫﻤﯿﺖ ﺑﻨﯿﺎدي ﻫﺴﺘﻨﺪ ‪ .‬اﺛﺒﺎت اﯾﻦ ﻗﻀﺎﯾﺎ ودﯾﮕﺮ‬

‫ﻧﺘﺎﯾﺞ ﺑﺪون ﻣﺮﺟﻊ دراﯾﻦ ﺑﺨﺶ را ﻣﯽ ﺗﻮان درﻫﺮﮐﺘﺎب ﺣﺴﺎب دﯾﻔﺮاﻧﺴﯿﻞ و اﻧﺘﮕﺮال اﺳﺘﺎﻧﺪارد ﯾﺎﻓﺖ ‪.‬‬

‫ﻗﻀﯿﻪ رول ‪ :‬ﻓﺮض ﮐﻨﯿﺪ ]‪ f ∈ c[a , b‬و ‪ f‬ﺑﺮ )‪ (a , b‬ﻣﺸﺘﻖ ﭘﺬﯾﺮ ﺑﺎﺷﺪ ‪.‬ﻫﺮﮔﺎه ‪ f (a ) = f (b) = 0‬دراﯾﻦ ﺻﻮرت‬

‫ﻋﺪدي ﭼﻮن ‪ c‬در )‪ (a , b‬وﺟﻮد دارد ﺑﻪ ﻃﻮري ﮐﻪ ‪. f ′(c) = 0‬‬

‫ﻗﻀﯿﻪ ﻣﻘﺪار ﻣﯿﺎﻧﮕﯿﻦ ‪ :‬ﻫﺮﮔﺎه ]‪ f ∈ c[a , b‬و ‪ f‬ﺑﺮ )‪ (a , b‬ﻣﺸﺘﻖ ﭘﺬﯾﺮ ﺑﺎﺷﺪ ‪ ،‬دراﯾﻦ ﺻﻮرت ﻋﺪدي ﭼﻮن ‪ c‬در‬

‫) ‪f (b) − f (a‬‬
‫= )‪f ′(c‬‬ ‫)‪ (a , b‬ﻣﻮﺟﻮد اﺳﺖ ﺑﻪ ﻃﻮري ﮐﻪ‬
‫‪b−a‬‬

‫ﻗﻀﯿﻪ ﻣﻘﺪار ﻣﯿﺎﻧﮕﯿﻦ ﺑﺮاي اﻧﺘﮕﺮاﻟﻬﺎ ‪ :‬ﻫﺮﮔﺎه ]‪ f ∈ c[a , b‬و ‪ g‬روي ]‪ [a , b‬اﻧﺘﮕﺮاﻟﭙﺬﯾﺮ ﺑﺎﺷﺪ وﻧﯿﺰ ‪ g‬در ]‪ [a , b‬ﺗﻐﯿﯿﺮ‬

‫ﻋﻼﻣﺖ ﻧﺪﻫﺪ ‪،‬آﻧﮕﺎه ﻋﺪدي ﻣﺎﻧﻨﺪ ‪ c‬در )‪ (a , b‬وﺟﻮد دارد ﺑﻪ ﻃﻮري ﮐﻪ ‪:‬‬

‫‪b‬‬ ‫‪b‬‬
‫‪∫a f ( x) g ( x)dx = f (c)∫a g ( x)dx‬‬
‫ﺗﻌﻤﯿﻢ ﻗﻀﯿﻪ رول ‪ :‬ﻓﺮض ﮐﻨﯿﺪ ]‪ f ∈ c n [a , b‬ﺑﺎﺷﺪ ‪،‬ﻫﺮﮔﺎه )‪ f ( x‬در ‪ n+1‬ﻧﻘﻄﻪ ﻣﺘﻤﺎﯾﺰ ‪ x0 , x1 ,…,xn‬از ]‪[a , b‬‬

‫ﺻﻔﺮ ﺷﻮد ‪ ،‬آﻧﮕﺎه ﻧﻘﻄﻪ اي ﻣﺎﻧﻨﺪ ‪ c‬در )‪ (a,b‬وﺟﻮد دارد ﺑﻄﻮري ﮐﻪ ‪. f ( n ) (c) = 0‬‬

‫ﻗﻀﯿﻪ ﺗﯿﻠﻮر ‪ :‬ﻓﺮض ﮐﻨﯿﺪ ]‪ f ∈ c n +1[a , b‬ﺑﺎﺷﺪ و ﻫﻢ ﭼﻨﯿﻦ ]‪، x0 ∈ [a , b‬آﻧﮕﺎه ﺑﻪ ازاي ﻫﺮ ]‪ x ∈ [a , b‬ﻋﺪدي ﻣﺎﻧﻨﺪ‬

‫)‪ t(x‬ﺑﯿﻦ ‪ x0‬و ‪ x‬وﺟﻮد دارد ﺑﻪ ﻃﻮري ﮐﻪ ‪:‬‬

‫)‪f ( x) = Pn ( x) + Rn ( x‬‬
‫‪n‬‬
‫) ‪f ( k ) ( x0‬‬
‫∑ = )‪Pn ( x‬‬ ‫‪( x − x0 ) k‬‬ ‫ﮐﻪ در آن‬
‫‪k =0‬‬ ‫!‪k‬‬

‫‪1‬‬
 ‫‪1‬‬
‫= )‪Rn ( x‬‬ ‫))‪( x − x0 ) n +1 f ( n+1) (t ( x‬‬ ‫و‬
‫!)‪(n + 1‬‬

‫دراﯾﻨﺠﺎ )‪ Pn(x‬ﭼﻨﺪ ﺟﻤﻠﻪ اي ﺗﯿﻠﻮر درﺟﻪ ‪ n‬ام ﺣﻮل ‪ x0‬و )‪ Rn(x‬ﺟﻤﻠﻪ ﺑﺎﻗﯿﻤﺎﻧﺪه )ﯾﺎ ﺧﻄﺎي ﺑﺮﺷﯽ( واﺑﺴﺘﻪ ﺑﻪ‬

‫)‪ Pn(x‬ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد ‪ .‬ﺳﺮي ﻧﺎﻣﺘﻨﺎﻫﯽ ﮐﻪ ﺑﺎ ﺣﺪﮔﯿﺮي از )‪ Pn(x‬ﺑﻪ ازاي ∞ → ‪ ، n‬ﺑﻪ دﺳﺖ ﻣﯽ آﯾﺪ ﺳﺮي ﺗﯿﻠﻮر ‪f‬‬

‫ﺣﻮل ‪ x0‬ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد ‪ .‬اﻏﻠﺐ در ﺣـﺎﻟﺘﯽ ﮐﻪ ‪ x0=0‬ﺑﺎﺷﺪ ‪ ،‬ﭼﻨﺪﺟﻤﻠﻪ اي ﺗﯿﻠﻮر ‪ ،‬ﭼﻨﺪﺟﻤﻠﻪ اي ﻣﮏ ﻟﻮرن ﻧﺎﻣﯿﺪه‬

‫ﻣﯽ ﺷﻮد ‪.‬‬

‫ﻗﻀﯿﻪ ﺗﯿﻠﻮر ﺑﺎ ﺑﺎﻗﯿﻤﺎﻧﺪه اﻧﺘﮕﺮال ‪ :‬اﮔﺮ ]‪ ، f ∈ c n+1[a , b‬آﻧﮕﺎه ﺑﺮاي ﻫﺮﻧﻘﻄﻪ ‪ x‬و ‪ c‬در ]‪ [a,b‬دارﯾﻢ ‪:‬‬

‫‪n‬‬
‫)‪1 (k‬‬
‫∑ = )‪f ( x‬‬ ‫)‪f (c)( x − c) k + Rn ( x‬‬
‫!‪k = 0 k‬‬

‫‪x‬‬
‫‪1‬‬
‫ﮐﻪ در آن‬
‫‪n! ∫c‬‬
‫= )‪Rn ( x‬‬ ‫‪f ( n +1) (t )( x − t ) n dt‬‬

‫ﻗﻀﯿﻪ ﺗﯿﻠﻮر دو ﻣﺘﻐﯿﺮه ‪ :‬ﻓﺮض ﮐﻨﯿﺪ )‪ f(x,y‬و ﻫﻤﻪ ﻣﺸﺘﻘﺎت ﺟﺰﯾﯽ آن ﺗﺎ ﻣﺮﺗﺒﻪ )‪ (n+1‬ام در ﺳﺮاﺳﺮ ﯾﮏ ﻧﺎﺣﯿﻪ‬

‫ﻣﺴﺘﻄﯿﻠﯽ ‪ D‬ﺣﻮل ﻧﻘﻄﻪ )‪ (a,b‬ﭘﯿﻮﺷﺘﻪ ﺑﺎﺷﻨﺪ ‪ ،‬دراﯾﻦ ﺻﻮرت در ﺳﺮاﺳﺮ ﻧﺎﺣﯿﻪ ‪ D‬دارﯾﻢ ‪:‬‬

‫‪1‬‬
‫) ‪f ( x, y) = f (a , b) + [( x − a ) f x + ( y − b) f y ]( a ,b ) + [( x − a ) 2 f xx + 2( x − a )( y − b) f xy + ( y − b) 2 f yy ]( a ,b‬‬
‫!‪2‬‬
‫‪1‬‬ ‫∂‬ ‫∂‬ ‫‪1‬‬ ‫∂‬ ‫∂‬
‫‪+ ... +‬‬ ‫‪[( x − a ) + ( y − b) ]n . f (a , b) + ... +‬‬ ‫‪[( x − a ) + ( y − b) ]n+1‬‬
‫!‪n‬‬ ‫‪∂x‬‬ ‫‪∂y‬‬ ‫!)‪(n + 1‬‬ ‫‪∂x‬‬ ‫‪∂y‬‬
‫‪. f (a + θ ( x − a ), b + θ ( y − b)) ; 0 ≤ θ ≤ 1‬‬

‫‪ 2-1‬ﻫﻤﮕﺮاﯾﯽ‬

‫دﻧﺒﺎﻟﻪ ﻫﺎي ﻫﻤﮕﺮا ‪ :‬ﻗﺒﻞ از ﺗﻌﺎرﯾﻒ ﮐﻠﯽ اﺑﺘﺪا ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ درﺻﺪ ﯾﺎﻓﺘﻦ رﯾﺸﻪ ﯾﮏ ﻣﻌﺎدﻟﻪ ﺑﻐﺮﻧﺞ ﯾﺎ ﻣﻘﺪار‬

‫ﻋﺪدي ﯾﮏ اﻧﺘﮕﺮال ﻣﻌﯿﻦ ﭘﯿﭽﯿﺪه ﻫﺴﺘﯿﻢ ‪.‬درﭼﻨﯿﻦ ﺣﺎﻟﺘﯽ ﯾﮏ ﺑﺮﻧﺎﻣﻪ ﮐﺎﻣﭙﯿﻮﺗﺮي ﻣﻤﮑﻦ اﺳﺖ ﯾﮏ دﻧﺒﺎﻟﻪ از اﻋﺪاد‬

‫‪lim xn = L‬‬
‫اﮔﺮ ﺑﺮاي ﻫﺮ‬ ‫ﺣﻘﯿﻘﯽ ‪ ..., x2 , x1‬را اﯾﺠﺎد ﮐﻨﺪ ﮐﻪ ﺑﻪ ﺟﻮاب درﺳﺖ ﻧﺰدﯾﮏ ﺷﻮد ‪ .‬ﺑﻨﺎﺑﺮاﯾﻦ ﻣﯽ ﻧﻮﯾﺴﯿﻢ‬
‫∞→‪n‬‬

‫‪ ε‬ﻣﺜﺒﺖ ﯾﮏ ﻋﺪد ﺣﻘﯿﻘﯽ ‪ r‬ﯾﺎﻓﺖ ﺷﻮد ﺑﻪ ﻃﻮري ﮐﻪ ‪ | xn − L |< ε‬ﻫﺮﮔﺎه ﮐﻪ ‪ n) n>r‬ﯾﮏ ﻋﺪد ﺻﺤﯿﺢ اﺳﺖ(‪.‬‬

‫‪2‬‬
 ‫‪n +1‬‬
‫‪lim‬‬ ‫‪=1‬‬
‫‪n‬‬ ‫ﻣﺜﺎل ‪: 1-1‬‬
‫∞→‪n‬‬
‫‪n +1‬‬
‫‪−1 < ε‬‬ ‫زﯾﺮا‬
‫‪n‬‬

‫‪n > ε −1‬‬ ‫ﻫﺮﮔﺎه‬

‫‪1‬‬
‫‪e = lim (1 + ) n‬‬
‫را در ﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ ﮐﻪ ﺑﻮﺳﯿﻠﻪ آن ﻋﺪد ﻏﯿﺮ ﮔـــﻮﯾﺎي ‪ e‬ﺗﻌﺮﯾﻒ‬ ‫ﻣﺜﺎل ‪ : 2-1‬ﺑﻌﻨﻮان ﻣﺜﺎل ﻣﻌﺎدﻟﻪ ‪n‬‬
‫∞→‪n‬‬

‫‪1‬‬
‫ﻣﯽ ﺷﻮد‪ .‬اﮔﺮ دﻧﺒﺎﻟﻪ ‪ xn = (1 + ) n‬را ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﻢ‪ ،‬ﺑﺮﺧﯽ از ﺟﻤﻼت ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬
‫‪n‬‬

‫‪x1 = 2.000000‬‬
‫‪x10 = 2.593742‬‬
‫‪x30 = 2.674319‬‬
‫‪x50 = 2.691588‬‬
‫‪x1000 = 2.716924‬‬
‫ﻣﺜﺎل ﻓﻮق دﻧﺒﺎﻟﻪ اﯾﺴﺖ ﮐﻪ ﺑﻪ ﮐﻨﺪي ﻫﻤﮕﺮاﺳﺖ ‪ .‬زﯾﺮا ﺣﺪ آن ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪e = 2.7182818 ...‬‬

‫‪xn +1 − e‬‬
‫و در ﻫﺰارﻣﯿﻦ ﺟﻤﻠﻪ ﻫﻨﻮز ﺧﻄﺎ ﺣﺪود ‪ 0.001358‬اﺳﺖ ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ ‪→ 1 :‬‬
‫‪en − e‬‬

‫ﻣﺜﺎل ‪ : 3-1‬ﻣﺜﺎل دﯾﮕﺮي از دﻧﺒﺎﻟﻪ اي ﮐﻪ ﮐﻤﯽ ﺳﺮﯾﻌﺘﺮ ﺑﻪ ﺻﻔﺮ ﻫﻤﮕﺮا ﻣﯽ ﺷﻮد ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪x2 n‬‬
‫‪xn+1 = xn −‬‬
‫‪xn2 + xn2−1‬‬

‫ﺑﺎ اﻧﺘﺨﺎب دو ﻣﻘﺪار اوﻟﯿﻪ ‪ x0=20.00‬و ‪ x1=15.00‬دارﯾﻢ ‪:‬‬

‫‪x2 = 14.64‬‬ ‫‪x3 = 14.15‬‬ ‫‪x33 = 0.54‬‬ ‫‪x34 = 0.27‬‬

‫درﺣﺎﻟﯽ ﮐﻪ اﯾﻦ ﻣﺜﺎل از ﻣﺜﺎل ﻗﺒﻠﯽ ﺳﺮﯾﻌﺘﺮ ﻫﻤﮕﺮا ﻣﯽ ﺷﻮد اﻣﺎ ﻫﻨﻮز ﻫﻢ ﻫﻤﮕﺮاﯾﯽ ﮐﻨﺪ اﺳﺖ ‪.‬‬

‫‪xn+1‬‬
‫‪→0‬‬
‫‪xn‬‬

‫‪3‬‬
 ‫ﻣﺜﺎل ‪ : 4-1‬ﻣﺜﺎل ﺑﻌﺪي دﻧﺒﺎﻟﻪ اي اﺳﺖ ﮐﻪ ﺳﺮﯾﻌﺎً ﻫﻤﮕﺮا ﻣﯽ ﺷﻮد ‪.‬دﻧﺒﺎﻟﻪ زﯾﺮ را درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪:‬‬

‫‪ x1 = 2‬‬
‫‪‬‬
‫‪‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪ xn+1 = 2 xn + x‬‬ ‫‪n ≥1‬‬
‫‪‬‬ ‫‪n‬‬

‫ﺟﻤﻼت اﯾﻦ دﻧﺒﺎﻟﻪ ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬

‫‪x1 = 2.000000‬‬ ‫‪x3 = 1.416667‬‬

‫‪x2 = 1.500000‬‬ ‫‪x4 = 1.414216‬‬

‫ﺣﺪ ﻋﺒﺎرﺗﺴﺖ از ‪ 2 = 1.414213562...‬و دﻧﺒﺎﻟﻪ ﺑﺎ ﺳﺮﻋﺖ زﯾﺎدي ﺑﻪ ﺣﺪ ﺧﻮد ﻫﻤﮕﺮاﺳﺖ ‪.‬‬

‫‪xn+1 − 2‬‬
‫‪2‬‬
‫‪≤ 0.36‬‬
‫‪xn − 2‬‬

‫ﭼﻨﯿﻦ وﺿﻌﯿﺘﯽ ﻣﺘﻨﺎﻇﺮ ‪ ،‬ﻫﻤﮕﺮاﯾﯽ ﻣﺮﺗﺒﻪ ‪ 2‬اﺳﺖ وﻣﺜﺎل دوم ﻫﻤﮕﺮاﯾﯽ ﻓﻮق ﺧﻄﯽ ﻣﯽ ﺑﺎﺷﺪ و ﻣﺜﺎل اول داراي‬

‫ﺧﺎﺻﯿﺖ ﺑﺪﺗﺮ از ﻫﻤﮕﺮاﯾﯽ ﺧﻄﯽ اﺳﺖ ‪.‬‬

‫ﻣﺮﺗﺒﻪ ﻫﺎي ﻫﻤﮕﺮاﯾﯽ ‪:‬‬

‫ﺗﻌﺮﯾﻒ ‪ : 1-1‬ﻓﺮض ﮐﻨﯿﺪ } ‪ {xn‬ﯾﮏ دﻧﺒﺎﻟﻪ از اﻋﺪاد ﺣﻘﯿﻘﯽ ﺑﺎﺷﺪ ﮐﻪ ﺑﻪ ﺣﺪ ‪ x‬ﻣﯿﻞ ﮐﻨﺪ ‪ .‬ﮔﻮﺋﯿﻢ ﻧﺮخ ﻫﻤﮕﺮاﯾﯽ‬

‫ﺣﺪاﻗﻞ ﺧﻄﯽ اﺳﺖ اﮔﺮ ﻋﺪد ﺛﺎﺑﺖ ‪ c<1‬و ﻋﺪد ﺻﺤﯿﺢ ‪ N‬وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ﺑﻪ ﻃﻮري ﮐﻪ ‪:‬‬

‫) ‪xn+1 − x ≤ c xn − x , (n ≥ N‬‬

‫ﺗﻌﺮﯾﻒ ‪ :‬ﻣﯽ ﮔﻮﺋﯿﻢ ﮐﻪ ﻧﺮخ ﻫﻤﮕﺮاﯾﯽ ﺣﺪاﻗﻞ ﻓﻮق ﺧﻄﯽ اﺳﺖ اﮔﺮ ﯾﮏ دﻧﺒﺎﻟﻪ ‪ λn‬ﻫﻤﮕﺮا ﺑﻪ ﺻﻔﺮ و ﯾﮏ ﻋﺪد‬

‫ﺻﺤﯿﺢ ‪ N‬وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﻨﺪ ﺑﻪ ﻃﻮري ﮐﻪ ‪:‬‬

‫) ‪xn+1 − x ≤ λn xn − x , (n ≥ N‬‬

‫ﺗﻌﺮﯾﻒ ‪ : 3-1‬ﻣﯽ ﮔﻮﯾﯿﻢ ﻧﺮخ ﯾﺎ ﺳﺮﻋﺖ ﻫﻤﮕﺮاﯾﯽ ﺣﺪاﻗﻞ از ﻣﺮﺗﺒﻪ ‪ 2‬اﺳﺖ اﮔﺮ ﯾﮏ ﺛﺎﺑﺖ ‪) c‬ﻧﻪ ﻟﺰوﻣﺎً ﮐﻤﺘﺮ از ﯾﮏ(‬

‫و ﯾﮏ ﻋﺪد ﺻﺤﯿﺢ ‪ N‬وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﻨﺪ ﺑﻪ ﻃﻮري ﮐﻪ ‪:‬‬

‫‪4‬‬
 ‫‪2‬‬
‫‪xn+1 − x ≤ c xn − x‬‬ ‫) ‪, (n ≥ N‬‬

‫ﺣﺎل ﺑﻄﻮرﮐﻠﯽ ﻣﯽ ﺗﻮان ﻣﺮﺗﺒﻪ ﻫﻤﮕﺮاﯾﯽ را ﺑﺼﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻧﻤﻮد‬

‫ﺗﻌﺮﯾﻒ‪ : 4-1‬ﻣﯽ ﮔﻮﺋﯿﻢ ﺳﺮﻋﺖ ﯾﺎ ﻧﺮخ ﻫﻤﮕﺮاﯾﯽ ﺣﺪاﻗﻞ از ﻣﺮﺗﺒﻪ ‪ p‬اﺳﺖ اﮔﺮ اﻋﺪاد ﻣﺜﺒﺖ و ﺛﺎﺑﺖ ‪ p,c‬وﻋﺪد‬

‫ﺻﺤﯿﺢ ‪ N‬وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ﺑﻄﻮرﯾﮑﻪ‬

‫‪p‬‬
‫) ‪xn+1 − x ≤ c xn − x , (n ≥ N‬‬

‫‪ 3-1‬ﻣﻘﺎﯾﺴﻪ دو دﻧﺒﺎﻟﻪ ‪ :‬ﻓﺮض ﮐﻨﯿﺪ } ‪ {α n }, {xn‬دو دﻧﺒﺎﻟﻪ ﻣﺨﺘﻠﻒ ﺑﺎﺷﻨﺪ ﻣﯽ ﻧﻮﯾﺴﯿﻢ ‪:‬‬

‫) ‪xn = O(α n‬‬

‫اﮔﺮ اﻋﺪاد ﺛﺎﺑﺖ ‪ c‬و ‪ n0‬وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﻨﺪ ﺑﻄﻮرﯾﮑﻪ ‪ xn ≤ c α n‬وﻗﺘﯽ ﮐﻪ ‪ n ≥ n‬دراﯾﻦ ﺣﺎﻟﺖ ﮔﻮﺋﯿﻢ ‪» xn‬اي‬
‫‪0‬‬

‫ﺑﺰرگ« ‪ α n‬اﺳﺖ ‪.‬‬

‫))‪f (n) = O ( g (n‬‬ ‫ﺑﻌﻨﻮان ﻣﺜﺎل ﻓﺮض ﮐﻨﯿﺪ )‪ f(n‬و )‪ g(n‬ﺗﻮاﺑﻌﯽ ﻧﺎﻣﻨﻔﯽ از ‪ n‬ﺑﺎﺷﻨﺪ ﻣﯽ ﻧﻮﯾﺴﯿﻢ ‪:‬‬

‫اﮔﺮ اﻋﺪاد ﺛﺎﺑﺖ ﻣﺜﺒﺖ ‪ c‬و ‪ n0‬وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﻨﺪ ﺑﻪ ﻃﻮري ﮐﻪ ﺑﻪ ازاي ﻫﻤﻪ ﻣﻘﺎدﯾﺮ ‪ n ≥ n0‬داﺷﺘﻪ ﺑﺎﺷﯿﻢ‬

‫)‪. 0 ≤ f (n) ≤ cg (n‬ﻧﻤﺎد ‪ O‬ﺑﺰرگ ﯾﮏ اﮐﺮان ﺑﺎﻻ ﺑﺮاي ﺗﺎﺑﻊ )‪ f(n‬ﺑﺎ ﯾﮏ ﻋﺎﻣﻞ ﺛﺎﺑﺖ را اراﺋﻪ ﻣﯿﺪﻫﺪ ‪.‬ﯾﻌﻨﯽ ﺑﺮاي ﺗﻤﺎم‬

‫ﻣﻘﺎدﯾﺮ ‪ n‬ﺑﺰرﮔﺘﺮ از ﻣﻘﺪار اوﻟﯿﻪ ﻣﺎﻧﻨﺪ ‪ ، n0‬ﻣﻘﺪار ﺗﺎﺑﻊ )‪ f(n‬ﺑﺮ روي )‪ C g(n‬وﯾﺎ ﮐﻤﺘﺮ از آن ﺧﻮاﻫﺪ ﺑﻮد ‪.‬‬

‫ﺷﮑﻞ زﯾﺮ را ﻣﻼﺣﻈﻪ ﮐﻨﯿﺪ ‪.‬‬

‫‪5‬‬
 ‫)‪f ( n‬‬
‫ﺗﻮﺳﻂ ‪ c‬ﻣﺤﺪود ﺑﺎﻗﯽ ﻣﯽ ﻣﺎﻧﺪ‬ ‫اﮔﺮ ﺑﺮاي ﻫﻤﻪ ﻣﻘﺎدﯾﺮ ‪ n‬داﺷﺘﻪ ﺑﺎﺷﯿﻢ ‪ g (n) ≠ 0‬اﯾﻦ ﺑﺪﯾﻦ ﻣﻌﻨﺎﺳﺖ ﮐﻪ ﻧﺴﺒﺖ‬
‫)‪g (n‬‬

‫‪ ،‬ﻫﻨﮕﺎﻣﯽ ﮐﻪ ∞ → ‪. n‬‬

‫) ‪xn = o(α n‬‬ ‫ﻣﻌﺎدﻟﻪ‬

‫‪x‬‬
‫‪lim( n ) = 0‬‬
‫در اﯾﻨﺠﺎ ﻣﯽ ﮔﻮﺋﯿﻢ ﮐﻪ ‪» xn‬اي ﮐﻮﭼﮏ« ‪ α n‬اﺳﺖ ‪.‬ﺑﻌﻨﻮان ﻣﺜﺎل ﻓﺮض ﮐﻨﯿﺪ )‪f(n‬‬ ‫‪αn‬‬ ‫ﺑﻪ اﯾﻦ ﻣﻌﻨﺎﺳﺖ ﮐﻪ‬
‫∞→‪n‬‬

‫))‪f (n) = O ( g (n‬‬ ‫و )‪ g(n‬ﺗﻮاﺑﻌﯽ ﻧﺎﻣﻨﻔﯽ از ‪ n‬ﺑﺎﺷﻨﺪ ﻣﯽ ﻧﻮﯾﺴﯿﻢ ‪:‬‬

‫اﮔﺮ ﺑﻪ ازاي ﻫﺮ ‪ ε > 0‬ﯾﮏ ‪ n0‬وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ﺑﻪ ﻃﻮري ﮐﻪ ﻫﺮﮔﺎه ‪ 0 ≤ f ( x) ≤ εg (n) ، n ≥ n0‬در ﻧﻤﺎد ‪o‬‬

‫)‪f (n‬‬
‫‪lim‬‬ ‫‪=0‬‬
‫ﺑﻪ ﻃﻮر ﺷﻬﻮدي ﺗﺎﺑﻊ )‪ f(n‬وﻗﺘﯿﮑﻪ ‪ n‬ﺑﻪ ﺑﯽ ﻧﻬﺎﯾﺖ ﻣﯿﻞ ﻣﯽ ﮐﻨﺪ ‪ ،‬ﻧﺴﺒﺖ ﺑﻪ )‪g(n‬‬ ‫)‪g ( n‬‬ ‫ﮐﻮﭼﮏ دارﯾﻢ ‪:‬‬
‫∞→‪n‬‬

‫ﻧﺎﭼﯿﺰ اﺳﺖ ‪ .‬ﺷﮑﻞ زﯾﺮ را ﻣﻼﺣﻈﻪ ﮐﻨﯿﺪ ‪.‬‬

‫دو ﻧﻤﺎد ﻓﻮق ﻣﺎرا ﺑﺮاي ﻣﻘﺎﯾﺴﻪ دو دﻧﺒﺎﻟﻪ ﺗﻮان ﻣﻨﺪ ﻣﯽ ﺳﺎزد ‪.‬اﻏﻠﺐ از آﻧﻬﺎ ﻣﯽ ﺗﻮان ﺑﺮاي ﻫﻨﮕﺎﻣﯽ ﮐﻪ ﻫﺮ دودﻧﺒﺎﻟﻪ ﺑﻪ‬

‫ﺻﻔﺮ ﻫﻤﮕﺮا ﻣﯽ ﺑﺎﺷﻨﺪ ‪ ،‬اﺳﺘﻔﺎده ﮐﺮد ‪.‬اﮔﺮ ‪ xn → 0‬و ‪ xα → 0‬و ) ‪ xn = O(α n‬آﻧﮕﺎه ‪ xn‬ﺣﺪاﻗﻞ ‪ ،‬ﺑﻪ ﺳﺮﻋﺖ ‪ α n‬ﺑﻪ‬

‫ﺻﻔﺮ ﻫﻤﮕﺮاﺳﺖ ‪.‬‬

‫اﮔﺮ ) ‪ xn = o(α n‬آﻧﮕﺎه ‪ xn‬ﺳﺮﯾﻊ ﺗﺮ از ‪ α n‬ﺑﻪ ﺻﻔﺮ ﻫﻤﮕﺮاﺳﺖ ‪.‬‬

‫‪n −1‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪ln 2 − ∑ (−1) k −1‬‬ ‫) (‪= O‬‬ ‫ﺑﺮاي ﻣﺜﺎل ‪ :‬دارﯾﻢ‬
‫‪k =1‬‬ ‫‪k‬‬ ‫‪n‬‬

‫اﯾﻦ ﻣﺜﺎل داراي ﻫﻤﮕﺮاﯾﯽ ﺧﯿﻠﯽ ﮐﻨﺪ اﺳﺖ ‪ .‬اﻣﺎ از ﻃﺮف دﯾﮕﺮ ﻣﺜﺎل زﯾﺮ داراي ﻫﻤﮕﺮاﯾﯽ ﺧﯿﻠﯽ ﺗﻨﺪ اﺳﺖ ‪.‬‬

‫‪6‬‬
 n −1
1 k 1
ex − ∑ x = 0( ) , (| x |≤ 1)
k = 0 k! n!

7
 ‫ﻓﺼﻞ دوم‬

‫‪ 1-2‬ﺣﺴﺎب ﮐﺎﻣﭙﯿﻮﺗﺮي‬

‫ﮔﺮﭼﻪ ﻋﻠﻢ رﯾﺎﺿﯽ ﻣﺪام درﺣﺎل ﮔﺴﺘﺮش و ﺗﻮﺳﻌﻪ روزاﻓﺰون ﻣﯿﺒﺎﺷﺪ ‪ ،‬ﻣﻌﻬﺬا ﻣﺴﺎﺋﻞ زﯾﺎدي در ﻋﺮﺻﻪ ﻣﺨﺘﻠﻒ‬

‫ﻋﻠﻮم وﺟﻮد دارﻧﺪ ﮐﻪ ﺑﻪ ﮐﻤﮏ آﻧﺎﻟﯿﺰ رﯾﺎﺿﯽ وراه ﺣﻠﻬﺎي ﻣﺘﻌﺎرف ﻗﺎﺑﻞ ﺣﻞ ﻧﯿﺴﺘﻨﺪ ‪.‬ﺑﻌﻨﻮان ﻣﺜﺎل ﺣﻞ دﺳﺘﮕﺎﻫﻬﺎي‬

‫ﺧﻄﯽ وﻏﯿﺮﺧﻄﯽ ﮐﻪ ﺗﻌﺪاد ﻣﺠﻬﻮﻻت ﺑﺴﯿﺎر زﯾﺎد ﺑﺎﺷﻨﺪ و ﻋﻤﻼً در زﻧﺪﮔﯽ روزﻣﺮه ﺑﺎ آن ﺳﺮوﮐﺎر دارﯾﻢ و ﺑﺎﯾﺴﺘﯽ ﺣﻞ‬

‫ﻧﻤﺎﺋﯿﻢ ‪ .‬ﻋﻤﻼً ﺑﻪ ﮐﻤﮏ ﻧﯿﺮوي اﻧﺴﺎﻧﯽ ﺻﺮف ﻏﯿﺮﻗﺎﺑﻞ ﺣﻞ ﻫﺴﺘﻨﺪ وﺑﺪون اﺳﺘﻔﺎده از ﮐﺎﻣﭙﯿﻮﺗﺮ ﻣﻘﺪور ﻧﯿﺴﺖ ‪.‬ﻣﻌﺎدﻻت‬

‫ﻓﺮازﻧﺪه ﻧﯿﺰ از ﺟﻤﻠﻪ ﻣﺴﺎﺋﻠﯽ ﻫﺴﺘﻨﺪ ﮐﻪ ﺑﺎﯾﺴﺘﯽ ﺗﻘﺮﯾﺐ زده ﺷﻮﻧﺪ ‪.‬ﯾﺎ ﺑﻌﻨﻮان ﻣﺜﺎل اﻧﺘﮕﺮال ﮔﯿﺮي رادرﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ ‪.‬‬

‫ﻣﯿﺪاﻧﯿﻢ ﮐﻪ ﺧﯿﻠﯽ از اﻧﺘﮕﺮاﻟﻬﺎ ﻫﺴﺘﻨﺪ ﮐﻪ ﻓﺮﻣﻮل ﻫﺎي ﻣﺘﻌﺎرف ﺑﺮاي ﺣﻞ آﻧﻬﺎ وﺟﻮد ﻧﺪارﻧﺪ و ﺗﻨﻬﺎ راه ‪ ،‬ﺣﻞ ﺗﻘﺮﯾﺒﯽ آﻧﻬﺎ‬

‫اﺳﺖ ‪ .‬ﺗﻮﺳﻌﻪ روز اﻓﺰون ﻋﻠﻢ ﮐﺎﻣﭙﯿﻮﺗﺮ و دﺧﺎﻟﺖ ﻣﺴﺘﻘﯿﻢ و ﺑﯿﺶ از ﺣﺪ آن در زﻧﺪﮔﯽ روزﻣﺮه ودر ﻫﻤﻪ ﺷﺎﺧﻪ ﻫﺎي‬

‫ﻋﻠﻮم و ﻓﻨﻮن ‪ ،‬ﮐﺎرﺑﺮد روﺷﻬﺎي ﻋﺪدي را در ﺣﻞ ﻣﺴﺎﺋﻞ را اﻣﮑﺎن ﭘﺬﯾﺮ ﺳﺎﺧﺘﻪ اﺳﺖ ‪.‬ﭼﺮا ﮐﻪ ﺑﺪون دﺧﺎﻟﺖ ﮐﺎﻣﭙﯿﻮﺗﺮ‬

‫ﺑﻌﻠﺖ ﺣﺠﻢ زﯾﺎد ﻋﻤﻠﯿﺎت وزﻣﺎن ﺣﻞ آن ﻋﻤﻼً اﻧﺴﺎن ﺑﺪون ﮐﺎﻣﭙﯿﻮﺗﺮ ﻗﺎدر ﻧﯿﺴﺖ و ﻋﻤﺮش ﺑﺮاي ﺣﻞ ﭘﺎره اي ﻣﺴﺎﺋﻞ‬

‫ﮐﺎﻓﯽ ﻧﻤﯽ ﺑﺎﺷﺪ ‪.‬درﺻﻮرﺗﯿﮑﻪ ﺑﺎ وﺟﻮد ﮐﺎﻣﭙﯿﻮﺗﺮ اﯾﻦ ﮐﺎر ﻋﻤﻠﯽ اﺳﺖ ‪.‬‬

‫در روﻧﺪ ﻣﺤﺎﺳﺒﺎت ﻣﺎ ﺑﺎ ﮐﺎﻣﭙﯿﻮﺗﺮ ﺳﺮ وﮐﺎر دارﯾﻢ و ﻣﯿﺪاﻧﯿﻢ ﮐﻪ ﮐﺎﻣﭙﯿﻮﺗﺮ ﺗﻨﻬﺎ ﭼﻬﺎر ﻋﻤﻞ اﺻﻠﯽ ﺟﻤﻊ ‪ ،‬ﺗﻔﺮﯾﻖ‬

‫‪،‬ﺿﺮب و ﺗﻘﺴﯿﻢ را اﻧﺠﺎم ﻣﯿﺪﻫﺪ ‪.‬و در اﯾﻦ روﻧﺪ ﻣﺤﺎﺳﺒﺎﺗﯽ ‪ ،‬ﺑﺎ اﻋﺪاد ﺣﻘﯿﻘﯽ ﺳﺮوﮐﺎر دارﯾﻢ ‪.‬ﻟﺬا ﺑﺮرﺳﯽ اﺟﻤﺎﻟﯽ‬

‫ﺳﯿﺴﺘﻢ ﻫﺎ ﻧﻤﺎﯾﺶ اﻋﺪاد ﻻزم و ﺿﺮورﯾﺴﺖ و ﻗﺒﻞ از اﯾﻨﮑﻪ ﺑﻪ ﺳﯿﺴﺘﻢ ﻫﺎي ﻧﻤﺎﯾﺶ ﻋﺪد دوﺗﺎﯾﯽ ‪8 ،‬ﺗﺎﯾﯽ ‪ 16،‬ﺗﺎﯾﯽ و‬

‫ﻏﯿﺮه ﺑﭙﺮدازﯾﻢ ﻻزم اﺳﺖ اﺑﺘﺪا در ﻣﻮرد ﺳﯿﺴﺘﻢ دﻫﺪﻫﯽ ﮐﻪ ﻣﺎ ﺑﻪ آن ﻋﺎدت دارﯾﻢ اﺷﺎره اي ﺑﮑﻨﯿﻢ ‪ .‬دﺳﺘﮕﺎه ﯾﺎ ﺳﯿﺴﺘﻢ‬

‫اﻋﺪاد دﻫﺪﻫﯽ داراي ﻣﺒﻨﺎي ‪ 10‬اﺳﺖ وﻫﺮ ﻋﺪد را ﺑﻌﻨﻮان ﻣﺜﺎل ‪ (3678)10‬را ﻣﯽ ﺗﻮان ﺑﺼﻮرت زﯾﺮ ﻧﺸﺎن داد ‪.‬‬

‫‪(3678)10 = 3 × 10 3 + 6 × 10 2 + 7 × 101 + 8 × 10 0‬‬

‫ﯾﻌﻨﯽ ﭼﻨﺪ ﺟﻤﻠﻪ اي از ﺗﻮاﻧﻬﺎي ‪10‬‬

‫‪7‬‬
 ‫ﯾﺎ ‪ (0.6251)10‬را ﺑﻪ ﺻﻮرت ﭼﻨﺪﺟﻤﻠﻪ اي از ‪ 10 −1‬ﻣﯽ ﺗﻮان ﻧﻮﺷﺖ ‪:‬‬

‫‪(0.6251)10 = 6 × 10 −1 + 2 × 10 −2 + 5 × 10 −3 + 1× 10 −4‬‬

‫‪( 4987.6251)10 = 4 × 10 3 + 9 × 10 2 + 8 × 101 + 7 × 10 0 + 6 × 10 −1 + 2 × 10 −2 + 5 × 10 −3 + 1× 10 −4‬‬

‫) ‪( N )10 = (d n d n−1d n −2 ...d1d 0 .d −1d −2 d −3 ...d −m‬‬ ‫ﺑﻨﺎﺑﺮاﯾﻦ ﻋﺪد ﺑﺼﻮرت ﮐﻠﯽ ﺗﺮ در ﺳﯿﺴﺘﻢ دﻫﺪﻫﯽ‬

‫راﺑﺼﻮرت زﯾﺮ ﺑﯿﺎن ﻣﯽ ﮐﻨﯿﻢ ‪.‬‬

‫‪( N )10 = d n × 10 n + d n−1 × 10 n−1 + ... + d1 × 101 + d 0 × 10 0 + d −1 × 10 −1 + ... + d −m × 10 − m‬‬

‫ﻫﻤﻪ ‪ d‬ﻫﺎ رﻗﻤﻬﺎﯾﯽ ﺑﯿﻦ ‪ 0‬ﺗﺎ‪ 9 .‬ﻫﺴﺘﻨﺪ ‪.‬‬

‫‪ 2-2‬ﻣﺒﻨﺎي دودوﯾﯽ ‪ :‬ﯾﮏ ﻣﺒﻨﺎي ﺑﺴﯿﺎر ﻣﻔﯿﺪ ﺑﺮاي ﮐﺎر ﺑﺎ ﮐﺎﻣﭙﯿﻮﺗﺮ ‪ ،‬ﻣﺒﻨﺎي دودوﯾﯽ ﯾﺎ ﺳﯿﺴﺘﻢ اﻋﺪاد ﭘﺎﯾﻪ ‪ 2‬ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬

‫ﺗﻨﻬﺎ ﻋﻼﻣﺖ اﺳﺎﺳﯽ اﯾﻦ ﻣﺒﻨﺎ ﻋﺒﺎرﺗﻨﺪ از ‪ . 1,0‬ﮐﻪ ﺑﯿﺖ )‪ (Bit‬ﻧﺎﻣﯿﺪه ﻣﯿﺸﻮﻧﺪ‪ .‬ﯾﮑﯽ از ﻣﺰاﯾﺎي اﺻﻠﯽ ﻃﺮز ﻧﻤﺎﯾﺶ‬

‫دودوﯾﯽ آﻧﺴﺖ ﮐﻪ ﺑﻪ ﺳﻬﻮﻟﺖ ﺗﻮﺳﻂ ﺑﺴﯿﺎري از دﺳﺘﮕﺎﻫﻬﺎي ﻓﯿﺰﯾﮑﯽ ﮐﻪ ﻣﯽ ﺗﻮاﻧﻨﺪ در دو ﺣﺎﻟﺖ ﻣﺘﻔﺎوت از ﻫﻢ ﻗﺮار‬

‫ﮔﯿﺮﻧﺪ ﻧﺸﺎن داده ﻣﯽ ﺷﻮﻧﺪ ‪.‬ﺑﻌﻨﻮان ﻣﺜﺎل روي ﯾﮏ ﻧﻮار ﮐﺎﻏﺬي و ﯾﺎ ﮐﺎرت ‪ 1 ،‬را ﻣﯽ ﺗﻮان ﺑﻮﺳﯿﻠﻪ ﯾﮏ ﺳﻮراخ و ‪ 0‬را‬

‫ﺑﺎ ﻧﺒﻮدن ﺳﻮراخ ﻣﺸﺨﺺ ﮐﺮد ‪.‬روي ﻧﻮار ﻣﻐﻨﺎﻃﯿﺴﯽ ﯾﺎ ﺳﺎﯾﺮ ﻣﻮاد ﻣﻐﻨﺎﻃﯿﺲ ﺷﻮﻧﺪه ‪ 1 ،‬را ﺑﺎ ﻧﻘﻄﻪ ﻣﻐﻨﺎﻃﯿﺲ ﺷﺪه و ‪0‬‬

‫را ﺑﺎ ﻧﻘﻄﻪ ﻣﻐﻨﺎﻃﯿﺲ ﻧﺸﺪه و ﯾﺎ ﻣﻐﻨﺎﻃﯿﺲ ﺷﺪه ﺑﺎ ﻗﻄﺐ ﻣﺨﺎﻟﻒ ‪ ،‬ﻣﺸﺨﺺ ﮐﺮد ‪.‬درﯾﮏ ﻣﺪار اﻟﮑﺘﺮﯾﮑﯽ ‪ 1‬را ﻣﯽ ﺗﻮان ﺑﺎ‬

‫ﯾﮏ ﭘﺎﻟﺲ وﻟﺘﺎژ و ‪ 0‬را ﺑﺎ ﻧﺒﻮدن ﭘﺎﻟﺲ ﯾﺎ ﭘﺎﻟﺲ ﺑﺎ ﻋﻼﻣﺖ ﻣﻨﻔﯽ ﻣﺸﺨﺺ ﻧﻤﻮد ‪ .‬ﻣﺰﯾﺖ دﯾﮕﺮ ﻃﺮز ﻧﻤﺎﯾﺶ دودوﯾﯽ‬

‫آﻧﺴﺖ ﮐﻪ ﺑﻌﻠﺖ وﺟﻮد ﺗﻨﻬﺎ دو ﻋﻼﻣﺖ ﻗﻮاﻧﯿﻦ ﺑﺴﯿﺎر ﮐﻤﯽ ﺑﺮاي درﻧﻈﺮﮔﺮﻓﺘﻦ ﻫﻤﻪ ﺗﺮﮐﯿﺒﺎت ﻣﻤﮑﻦ در ﺟﻤﻊ وﺿﺮب‬

‫وﺟﻮد دارد ‪.‬ﻣﺜﻼً ﺟﺪول ﺿﺮب اﺳﺎﺳﯽ ﺗﻨﻬﺎ ﻣﺮﮐﺐ از ‪ 1× 1 = 1 ، 1× 0 = 0 × 1 = 0 ، 0 × 0 = 0‬اﺳﺖ ‪.‬‬

‫ﯾﮏ ﻋﯿﺐ اﺳﺎﺳﯽ ﻣﺒﻨﺎي دودوﯾﯽ آﻧﺴﺖ ﮐﻪ ﺑﺮاي ﻧﺸﺎن دادن ﻋﺪدﻫﺎﯾﯽ ﺑﺎ ﻣﻘﺎدﯾﺮ ﻧﺴﺒﺘﺎً ﻣﺘﻮﺳﻂ ‪ ،‬ﺗﻌﺪاد ﺑﯿﺘﻬﺎي زﯾﺎدي‬

‫ﻻزم ﻣﯽ ﺷﻮد ‪ .‬ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺮاي ﻧﻤﺎﯾﺶ ﯾﮏ ﻋﺪد دﻫﺪﻫﯽ ﭼﻬﺎررﻗﻤﯽ ﻣﻤﮑﻦ اﺳﺖ ﺳﯿﺰده رﻗﻢ ﻣﺒﻨﺎي دودوﯾﯽ ﻻزم ﺷﻮد‬

‫‪.‬درﺣﺎﻟﺖ ﮐﻠﯽ ﭼﻮن ‪ log10 2 = 0.30103‬ﯾﺎ ‪ 2 N = 10 0.30103 N‬ﺑﻪ ﻃﻮري ﮐﻪ ﻋﺪد دودوﯾﯽ ‪ N‬ﺑﯿﺘﯽ ﺗﻘﺮﯾﺒﺎً ﻣﺴﺎوي ﻋﺪد‬

‫دﻫﺪﻫﯽ ‪ 0.3N‬رﻗﻤﯽ اﺳﺖ ‪ .‬ﻋﺪد ‪ N‬در اﯾﻦ دﺳﺘﮕﺎه را ﻣﯽ ﺗﻮان ﺑﺼﻮرت زﯾﺮ ﻧﻮﺷﺖ ‪:‬‬

‫‪8‬‬
‫‪( N ) 2 = (bn bn −1 ...b1b0 .b−1b−2 ...b−m ) 2‬‬

‫ﮐﻪ درآن ‪ bm‬ﺗﺎ ‪ bn‬ﺑﯿﺘﻬﺎي دوﺗﺎﯾﯽ ﻫﺴﺘﻨﺪ ﺻﻔﺮ ﯾﺎ ﯾﮏ ﻫﺴﺘﻨﺪ ‪ .‬ﻋﺪد ﻣﺘﻨﺎﻇﺮ ﺑﺎ اﯾﻦ ﻋﺪد در دﺳﺘﮕﺎه اﻋﺪاد دﻫﺪﻫﯽ‬

‫ﺑﺼﻮرت زﯾﺮ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺷﻮد ‪.‬‬

‫‪( N )10 = bn × 2 n + bn −1 × 2 n −1 + ...b1 × 21 + b0 × 2 0 + b−1 × 2 −1 + ... + b− m × 2 − m‬‬

‫‪ 3-2‬ﺗﺒﺪﯾﻞ اﻋﺪاد در ﺳﯿﺴﺘﻢ دوﺗﺎﯾﯽ ﺑﻪ ﺳﯿﺴﺘﻢ دﻫﺪﻫﯽ‬

‫ﻣﺜﺎل ‪ : 1-2‬ﻋﺪد ذﯾﻞ را از دﺳﺘﮕﺎه دوﺗﺎﯾﯽ ﺑﻪ دﻫﺪﻫﯽ ﺑﺼﻮرت زﯾﺮ ﺗﺒﺪﯾﻞ ﻣﯽ ﻧﻤﺎﺋﯿﻢ‬

‫‪(10111) 2 = 1 × 2 4 + 0 × 2 3 + 1 × 2 2 + 1× 21 + 1 × 2 0‬‬

‫)‪= 16 + 4 + 2 + 1 = (23)10 = ((((1× 2 + 0)2 + 1)2 + 1)2 + 1‬‬

‫‪( N ) 2 = bmbm−1 ...b1b0‬‬ ‫اﻟﮕﻮرﯾﺘﻢ ﻣﻨﺎﺳﺐ ﺑﺮاي ﺗﺒﺪﯾﻞ ﻋﺪد ‪ N‬در ﺳﯿﺴﺘﻢ دوﺗﺎﯾﯽ ‪:‬‬

‫‪a m = bm‬‬ ‫ﻋﺒﺎرﺗﺴﺖ از‬

‫‪a r = 2a r +1 + br‬‬ ‫‪,‬‬ ‫‪r = m − 1,...,1,0‬‬

‫ﺳﺮاﻧﺠﺎم ‪ a0‬ﻫﻤﺎن ﻋﺪد ﻣﺘﻨﺎﻇﺮ در ﺳﯿﺴﺘﻢ اﻋﺪاد دﻫﯽ اﺳﺖ ‪.‬‬

‫اﮔﺮ ﻣﺜﺎل ﻓﻮق را ﺑﺎ اﯾﻦ اﻟﮕﻮرﯾﺘﻢ ﺣﻞ ﮐﻨﯿﻢ دارﯾﻢ‬

‫‪a4 = 1‬‬
‫‪a 3 = 2 ×1 + 0 = 2‬‬
‫‪a2 = 2 × 2 +1 = 5‬‬
‫‪a1 = 2 × 5 + 1 = 11‬‬
‫‪a 0 = 11× 2 + 1 = 23‬‬

‫‪ 4-2‬ﺗﺒﺪﯾﻞ اﻋﺪاد در ﺳﯿﺴﺘﻢ دﻫﺪﻫﯽ ﺑﻪ دودوﯾﯽ‬

‫روش ﻣﺴﺘﻘﯿﻢ ﺗﺒﺪﯾﻞ ﻋﺒﺎرﺗﺴﺖ از ﮐﺎﻫﺶ ﺑﺰﮔﺘﺮﯾﻦ ﺗﻮان ﺻﺤﯿﺢ ﻣﻤﮑﻦ ‪ 2‬از ﻋﺪد دﻫﺪﻫﯽ وﺛﺒﺖ آن در ﺳﺘﻮن ﻣﻨﺎﺳﺐ‬

‫و اداﻣﻪ روﻧﺪ ﺗﺎ ﺣﺼﻮل ﺑﺎﻗﯿﻤﺎﻧﺪه ﺻﻔﺮ ﺑﻌﻨﻮان ﻣﺜﺎل ‪:‬‬

‫‪( 28)10 = 2 4 + 2 3 + 2 2 = 1× 2 4 + 1× 2 3 + 1× 2 2 + 0 × 21 + 0 × 2 0 = (11100) 2‬‬

‫‪9‬‬
 ‫اﻣﺎ روش دﯾﮕﺮ ﺗﻘﺴﯿﻢ ﻣﺘﻮاﻟﯽ ﺑﻪ ‪ 2‬و ﺛﺒﺖ ﺑﺎﻗﯿﻤﺎﻧﺪه ﻫﺎ ﺑﺼﻮرت ‪ ..., b1 , b0‬واﻟﯽ آﺧﺮ اﺳﺖ ﺑﻌﻨﻮان ﻣﺜﺎل ‪:‬‬

‫‪N0=58‬‬ ‫‪Nk‬‬ ‫‪bk‬‬

‫‪2‬‬ ‫‪58‬‬ ‫‪b0‬‬ ‫‪0‬‬

‫‪2‬‬ ‫‪29‬‬ ‫‪b1‬‬ ‫‪1‬‬
‫‪2‬‬ ‫‪14‬‬ ‫‪b2‬‬ ‫‪0‬‬
‫‪⇒ (58)10 = (111010) 2‬‬
‫‪2‬‬ ‫‪7‬‬ ‫‪b3‬‬ ‫‪1‬‬
‫‪2‬‬ ‫‪3‬‬ ‫‪b4‬‬ ‫‪1‬‬
‫‪2‬‬ ‫‪1‬‬ ‫‪b5‬‬ ‫‪1‬‬
‫‪0‬‬

‫ﻓﺮض ﮐﻨﯿﺪ در ﺣﺎﻟﺖ ﮐﻠﯽ ‪ N‬ﯾﮏ ﻋﺪد در دﺳﺘﮕﺎه دﻫﺪﻫﯽ ﺑﺎﺷﺪ و ﺑﺮاي ﺗﺒﺪﯾﻞ آن ﺑﻪ ﺳﯿﺴﺘﻢ دودوﯾﯽ ﮐﻪ داراي‬

‫ﺑﯿﺘﻬﺎي ‪ bn , bn−1 ,..., b1 , b0‬ﺑﺎﺷﺪ ﺑﻨﺎﺑﺮاﯾﻦ ﻣﯽ ﺗﻮان ﻧﻮﺷﺖ ‪:‬‬

‫‪( N )10 = bn 2 n + bn −1 2 n −1 + ... + b2 2 2 + b1 21 + b0 2 0‬‬ ‫)‪(2.1‬‬

‫در راﺑﻄﻪ )‪ (2.1‬آﺧﺮﯾﻦ رﻗﻢ دودوﯾﯽ ﯾﻌﻨﯽ ‪ b0‬ﺻﻔﺮ اﺳﺖ اﮔﺮ و ﻓﻘﻂ اﮔﺮ ‪ N‬زوج ﺑﺎﺷﺪ ‪.‬ﻫﻤﭽﻨﯿﻦ ‪ b1‬ﻧﯿﺰ ﺻﻔﺮ اﺳﺖ‬

‫‪N − b0‬‬
‫ﻧﯿﺰ زوج ﺑﺎﺷﺪ واﻟﺦ ‪ ،‬ﺑﻨﺎﺑﺮاﯾﻦ دارﯾﻢ ‪:‬‬ ‫اﮔﺮ و ﻓﻘﻂ اﮔﺮ‬
‫‪2‬‬

‫‪N0 = N‬‬
‫‪N −b‬‬
‫‪N k +1 = k k‬‬ ‫‪,‬‬ ‫‪k = 0,1,2,...‬‬
‫‪2‬‬
‫‪Nk = 0‬‬

‫اﮔﺮ ‪ Nk‬ﻓﺮد ﺑﺎﺷﺪ‬

‫‪1‬‬ ‫اﮔﺮ ‪ Nk‬زوج ﺑﺎﺷﺪ‬
‫‪ bk= ‬اﮔﺮ‬
‫‪0‬‬

‫‪10‬‬
‫‪N0 = 58‬‬
‫‪N − b 58 − 0‬‬
‫= ‪N1 = 0 0‬‬ ‫‪= 29‬‬ ‫‪→ b0 = 0‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪N1 − b1 29 − 1‬‬
‫= ‪N2‬‬ ‫=‬ ‫‪= 14‬‬ ‫‪→ b1 = 1‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪N 2 − b2 14 − 0‬‬
‫= ‪N3‬‬ ‫=‬ ‫‪=7‬‬ ‫‪→ b2 = 0‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪N3 − b3 7 − 1‬‬
‫= ‪N4‬‬ ‫=‬ ‫‪=3‬‬ ‫‪→ b3 = 1‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪N 4 − b4 3 − 1‬‬
‫= ‪N5‬‬ ‫=‬ ‫‪=1‬‬ ‫‪→ b4 = 1‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪N5 − b5 1 − 1‬‬
‫= ‪N6‬‬ ‫=‬ ‫‪=0‬‬ ‫‪→ b5 = 1‬‬
‫‪2‬‬ ‫‪2‬‬

‫‪ 5-2‬ﺗﺒﺪﯾﻞ اﻋﺪاد اﻋﺸﺎري دﻫﺪﻫﯽ ﺑﻪ اﻋﺪاد در ﺳﯿﺴﺘﻢ دودوﯾﯽ داراي ﻣﻤﯿﺰ‬

‫ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ‪ N‬ﻋﺪد اﻋﺸﺎري ﺑﺎﺷﺪ و ‪ b-1b-2…b-m‬ﻋﺪد دودوﯾﯽ ﻣﺘﻨﺎﻇﺮ ﺑﺎ آن ﺑﺎﺷﺪ ‪ .‬ﺑﻨﺎﺑﺮاﯾﻦ ‪:‬‬

‫)‪b−1 × 2 −1 + b−2 × 2 −2 + b−3 2 −3 + ... + b−m 2 − m = N , (0 < N < 1‬‬ ‫)‪(2.2‬‬

‫در راﺑﻄﻪ )‪ b (2.2‬ﻫﺎ ﻓﻘﻂ ﺻﻔﺮ ﯾﺎ ﯾﮏ ﻫﺴﺘﻨﺪ ‪ .‬ﺑﻪ آﺳﺎﻧﯽ ﻣﯿﺘﻮان درﯾﺎﻓﺖ ﮐﻪ ‪ b-1‬ﺑﺮاﺑﺮ ﯾﮏ اﺳﺖ اﮔﺮ و ﻓﻘﻂ اﮔﺮ‬

‫‪ 2 N ≥ 1‬ﺑﺎﺷﺪ و اﮔﺮ ‪ 2 N < 1‬ﺑﺎﺷﺪ ﺑﺮاﺑﺮ ﺻﻔﺮ اﺳﺖ ‪.‬واﻟﯽ آﺧﺮ ﺳﺮاﻧﺠﺎم دارﯾﻢ ‪:‬‬

‫‪N1 = N‬‬

‫‪1 if 2 N k ≥ 1‬‬
‫‪b−k = ‬‬
‫‪0 if 2 N k < 1‬‬

‫‪NK+1=2Nk-b-k‬‬ ‫…‪, k=1,2,‬‬

‫‪Nk+1=0‬‬
‫ﻣﺜﺎل ‪ : 2-2‬ﻋﺪد اﻋﺸﺎري ‪ (0.859375)10‬را ﺑﻪ ﻣﺒﻨﺎي دودوﯾﯽ ﺗﺒﺪﯾﻞ ﮐﻨﯿﺪ ‪:‬‬

‫‪K‬‬ ‫‪bk‬‬ ‫‪Nk+1‬‬

‫‪0‬‬ ‫‪0‬‬ ‫‪0.859375×2‬‬

‫‪1‬‬ ‫‪1‬‬ ‫‪1.718750×2‬‬

‫‪11‬‬
‫‪2‬‬ ‫‪1‬‬ ‫‪1.437500×2‬‬

‫‪3‬‬ ‫‪0‬‬ ‫‪0.875000×2‬‬

‫‪4‬‬ ‫‪1‬‬ ‫‪1.750000×2‬‬

‫‪5‬‬ ‫‪1‬‬ ‫‪1.500000×2‬‬

‫‪6‬‬ ‫‪1‬‬ ‫‪1.00000‬‬

‫‪(0.859375)10=(0.110111)2‬‬

‫ﻣﺜﺎل‪ : 3- 2‬ﻋﺪد اﻋﺸﺎري ‪ (0.7)10‬را ﺑﺮ ﻣﺒﻨﺎي دودوﯾﯽ ﺗﺒﺪﯾﻞ ﮐﻨﯿﺪ ‪:‬‬

‫‪K‬‬ ‫‪bk‬‬ ‫‪Nk+1‬‬

‫‪0‬‬ ‫‪0.7×2‬‬

‫‪1‬‬ ‫‪1‬‬ ‫‪0.4×2‬‬

‫‪2‬‬ ‫‪0‬‬ ‫‪0.8×2‬‬

‫‪3‬‬ ‫‪1‬‬ ‫‪0.6×2‬‬

‫‪4‬‬ ‫‪1‬‬ ‫‪0.2×2‬‬

‫‪5‬‬ ‫‪0‬‬ ‫‪0.4×2‬‬

‫‪6‬‬ ‫‪0‬‬ ‫‪0.8×2‬‬

‫‪7‬‬ ‫‪1‬‬ ‫‪0.6×2‬‬

‫‪8‬‬ ‫‪1‬‬ ‫‪0.2×2‬‬

‫‪9‬‬ ‫‪0‬‬ ‫‪0.4‬‬

‫‪(0.7)10=(0.101100110…)2‬‬
‫اﮔﺮ ﺑﻌﻨﻮان ﻣﺜﺎل ﺑﺎ ﻣﺎﺷﯿﻦ ﺣﺴﺎﺑﯽ ﮐﺎرﮐﻨﯿﻢ ﮐﻪ ﻫﻔﺖ رﻗﻢ اﻋﺸﺎر را ﻣﯽ ﺗﻮاﻧﺪ در ﺣﺎﻓﻈﻪ ﺟﺎي دﻫﺪ آﻧﮕﺎه دارﯾﻢ‪:‬‬

‫‪12‬‬
‫‪(0.7)10 ≈ (0.1011001) 2 = 0.6953125‬‬

‫‪(0.7 − 0.6953125) = 0.0046875‬‬ ‫ﺧﻄﺎي راﻧﺪ ﮔﺮدن ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪ 6-2‬ﻣﺒﻨﺎي ﻫﺸﺖ ﺗﺎﯾﯽ و ‪ 16‬ﺗﺎﯾﯽ‬

‫رﻗﻢ ﻫﺎي ﻣﻮرد اﺳﺘﻔﺎده در ﻣﺒﻨﺎي ﻫﺸﺖ )‪ (octal‬ﻋﺒﺎرﺗﻨﺪ از ‪ 0,1,2,3,4,5,6,7‬و در ﻣﺒﻨﺎي ‪ 16‬ﯾﺎ‬

‫)‪ (hexadecimal‬ﻋﺒﺎرﺗﻨﺪ از ‪0,1,2,3,4,5,6,7,8,9,A,B,C,D,E,F:‬‬

‫دﺳﺘﮕﺎه دﻫﺪﻫﯽ ﺑﻪ ﻫﻤﺎن ﻃﺮﯾﻖ ﮐﻪ ﺑﻪ دوﺗﺎﯾﯽ ﺗﺒﺪﯾﻞ ﮐﺮدﯾﻢ ﺑﻪ ﺳﯿﺴﺘﻢ ‪ 8‬ﺗﺎﯾﯽ و ‪ 16‬ﺗﺎﯾﯽ ﺗﺒﺪﯾﻞ ﻣﯽ ﮐﻨﯿﻢ ‪.‬ﺗﺒﺪﯾﻞ‬

‫ﻣﺒﻨﺎي دودوﯾﯽ ﺑﻪ ‪ 8‬و ‪ 16‬ﺗﺎﯾﯽ ﺧﯿﻠﯽ آﺳﺎن اﺳﺖ ‪ .‬زﯾﺮا ﻣﺒﻨﺎي ‪. 16 = 2 4 ,8 = 2 3‬ﻣﺎ ﻣﯽ ﺗﻮاﻧﯿﻢ اﻋﺪاد در ﻣﺒﻨﺎي‬

‫دودوﯾﯽ را ﺑﻪ ﺳﯿﺴﺘﻢ ‪ 8‬ﺗﺎﯾﯽ ﺗﺒﺪﯾﻞ ﮐﻨﯿﻢ ﺑﺮاي اﯾﻦ ﮐﺎر ﻻزم اﺳﺖ اﻋﺪاد در ﻣﺒﻨﺎي دودوﯾﯽ را ﺑﻪ ﮔﺮوﻫﻬﺎي ﺳﻪ ﺗﺎﯾﯽ‬

‫در ﺳﻤﺖ راﺳﺖ و ﭼﭗ ﻣﻤﯿﺰ ﺗﻘﺴﯿﻢ ﻧﻤﺎﺋﯿﻢ و ﺑﺎ اﺿﺎﻓﻪ ﻧﻤﻮدن ﺻﻔﺮﻫﺎي اﺿﺎﻓﯽ ﺗﺎ ﮐﺎﻣﻞ ﮐﺮدن ﮔﺮوه ﺳﻪ ﺗﺎﯾﯽ‬

‫وﺟﺎﮔﺬاري ﻫﺮدﺳﺘﻪ ﺳﻪ ﺗﺎﯾﯽ ﺑﺎ اﻋﺪاد ﻣﺘﻨﺎﻇﺮ در ﺳﯿﺴﺘﻢ ‪ 8‬ﺗﺎﯾﯽ ﻋﻤﻞ ﻣﯽ ﮐﻨﯿﻢ ‪.‬‬

‫ﻫﻢ ﭼﻨﯿﻦ ﺑﺮاي ﺗﺒﺪﯾﻞ اﻋﺪاد ﺑﺮ ﻣﺒﻨﺎي دودوﯾﯽ ﺑﻪ ‪ 16‬ﺗﺎﯾﯽ ﻣﺜﻞ روش ﻓﻮق از ﺳﻤﺖ راﺳﺖ ﻣﻤﯿﺰ دﺳﺘﻪ ﻫﺎي ‪4‬‬

‫ﺗﺎﯾﯽ از ﺳﻤﺖ ﭼﭗ ﻫﻢ ﭼﻨﯿﻦ دﺳﺘﻪ ﻫﺎي ﭼﻬﺎرﺗﺎﯾﯽ ﺗﻘﺴﯿﻢ وﻫﺮ دﺳﺘﻪ را ﺑﺎ اﻋﺪاد ﻣﺘﻨﺎﻇﺮ در ﺳﯿﺴﺘﻢ ‪ 16‬ﺗﺎﯾﯽ ﻗﺮار ﻣﯽ‬

‫دﻫﯿﻢ ‪.‬‬

‫ﻣﺜﺎل ‪ : 4-2‬ﻋﺪد زﯾﺮ ﮐﻪ ﺑﺮﻣﺒﻨﺎي دودوﯾﯽ اﺳﺖ را ﺑﻪ ‪ 8‬ﺗﺎﯾﯽ و ‪ 16‬ﺗﺎﯾﯽ ﺗﺒﺪﯾﻞ ﮐﻨﯿﺪ ‪.‬‬

‫‪(110101.11101) 2 = (110,101.111,010) 2‬‬

‫) ‪= (1× 2 5 + 1 × 2 4 + 0 × 2 3 ) + (1× 2 2 + 0 × 21 + 1 × 2 0‬‬

‫) ‪+ (1× 2 −1 + 1× 2 −2 + 1× 2 −3 ) + (0 × 2 −4 + 1× 2 −5 + 0 × 2 −6‬‬
‫‪= (1× 4 + 1× 2 + 0)2 3 + (1× 4 + 0 + 1)2 0 + (4 + 2 + 1)2 −3‬‬
‫‪+ (0 + 2 + 0)2 −6 = 6 × 81 + 5 × 8 0 + 7 × 8 −1 + 2 × 8 −2 = (65.72) 8‬‬

‫‪(110101.11101) = (0011,0101.1110,1000) 2‬‬

‫‪13‬‬
 ‫) ‪= (0 × 2 7 + 0 × 2 6 + 1 × 2 5 + 1 × 2 4 ) + (0 × 2 3 + 1× 2 2 + 0 × 21 + 1× 2 0‬‬
‫) ‪+ (1 × 2 −1 + 1 × 2 −2 + 1× 2 −3 + 0 × 2 −4 ) + (1 × 2 −5 + 0 × 2 −6 + 0 × 2 −7 + 0 × 2 −8‬‬
‫‪= (0 + 0 + 2 + 1)2 4 + (0 + 4 + 0 + 1)2 0 + (8 + 4 + 2 + 0)2 −4 +‬‬
‫‪(8 + 0 + 0 + 0)2 −8 = 3 × 161 + 5 × 16 0 + ( D )16 −1 + 8 × 16 −2‬‬
‫‪= (35.D8)16‬‬

‫‪ 7-2‬ﻧﻤﺎﯾﺶ اﻋﺪاد در ﮐﺎﻣﭙﯿﻮﺗﺮ‬

‫ﻣﺎ ﻋﺎدﺗﺎً ﺑﺎ ﺳﯿﺴﺘﻢ اﻋﺪاد دﻫﺪﻫﯽ ﺳﺮوﮐﺎر دارﯾﻢ و ﮐﺎﻣﭙﯿﻮﺗﺮﻫﺎي دﯾﺠﯿﺘﺎﻟﯽ ﺳﯿﺴﺘﻢ اﻋﺪاد دﻫﺪﻫﯽ را ﺑﻪ ﺳﯿﺴﺘﻢ‬

‫اﻋﺪادي ﺑﺎ ﻣﺒﻨﺎﯾﯽ ﮐﻪ ﻗﺎﺑﻞ درك و ﭘﺬﯾﺮش ﮐﺎﻣﭙﯿﻮﺗﺮ اﺳﺖ ﺗﺒﺪﯾﻞ و در ﺣﺎﻓﻈﻪ ﻧﮕﻪ ﻣﯿﺪارﻧﺪ )ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﻣﺒﻨﺎ ‪β‬‬

‫ﺑﺎﺷﺪ( ﺣﺎﻓﻈﻪ ﮐﺎﻣﭙﯿﻮﺗﺮ دﯾﺠﯿﺘﺎﻟﯽ از ﺳﻠﻮﻟﻬﺎي ﺟﺪاﮔﺎﻧﻪ اي ﮐﻪ آﻧﺮا ‪ words‬ﻣﯽ ﻧﺎﻣﯿﻢ ﺗﺸﮑﯿﻞ ﺷﺪه اﺳﺖ ‪ .‬ﻫﺮ ‪word‬‬

‫ﺗﻌﺪاد ارﻗﺎم ﮐﻪ ﺑﯿﺖ ﺧﻮاﻧﺪه ﻣﯿﺸﻮﻧﺪ ﺑﻬﻤﺮاه ﻋﻼﻣﺖ ﻣﺜﺒﺖ ﯾﺎ ﻣﻨﻔﯽ درﺧﻮد ﻧﮕﻪ ﻣﯽ دارﻧﺪ ﺗﻌﺪاد ارﻗﺎﻣﯽ ﮐﻪ درﯾﮏ‬

‫‪ word‬ﮐﺎﻣﭙﯿﻮﺗﺮ ذﺧﯿﺮه ﻣﯽ ﺷﻮﻧﺪ را ‪ word length‬ﻣﯽ ﻧﺎﻣﻨﺪ و در ﮐﺎﻣﭙﯿﻮﺗﺮﻫﺎي ﻣﺨﺘﻠﻒ ﻣﺘﻔﺎوت ﻫﺴﺘﻨﺪ ‪.‬اﻋﺪاد ﺑﻪ‬

‫دو ﺻﻮرت در ‪ word‬ﮐﺎﻣﭙﯿﻮﺗﺮ ذﺧﯿﺮه ﻣﯽ ﺷﻮﻧﺪ ‪.‬‬

‫‪-2‬ﻣﻤﯿﺰ ﺷﻨﺎور )‪(Floating-point‬‬ ‫‪-1‬ﻣﻤﯿﺰ ﺛﺎﺑﺖ )‪(Fixed-point‬‬

‫در ﻧﻤﺎﯾﺶ ﻣﻤﯿﺰ ﺛﺎﺑﺖ ﺗﻌﺪاد ﺛﺎﺑﺖ ‪ n1‬ﻣﺤﻞ اول ﺑﺮاي اﻋﺪاد ﺻﺤﯿﺢ و ﺗﻌﺪاد ﺛﺎﺑﺖ ‪ n2‬ﻣﺤﻞ ﺑﻌﺪي را ﺑﺮاي ﻗﺴﻤﺖ‬

‫اﻋﺸﺎري ﯾﺎ )‪ (binary‬درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﻧﺪ ﺑﻄﻮرﯾﮑﻪ اﮔﺮ ﻓﺮض ﮐﻨﯿﻢ ﮐﻪ ‪ word length‬ﮐﺎﻣﭙﯿﻮﺗﺮ ‪ t‬رﻗﻢ ﺑﺎﺷﺪ‪.‬‬

‫‪t=n1+n2‬‬
‫در اﯾﻦ ﻧﻤﺎﯾﺶ ﻣﻮﻗﻌﯿﺖ ﻣﻤﯿﺰ ﺛﺎﺑﺖ اﺳﺖ ‪ .‬ﺗﻌﺪاد ﻣﺤﺪودي اﺑﺰار آﻻت رﻗﻤﯽ ﮐﻪ اﺳﺎﺳﺎً ﺷﻤﺎرﮔﺮﻧﺪ از اﯾﻦ ﻧﻤﺎﯾﺶ اﻋﺪاد‬

‫اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﻨﺪ ‪.‬در اﻏﻠﺐ ﮐﺎﻣﭙﯿﻮﺗﺮﻫﺎ از ﻧﻤﺎﯾﺶ اﻋﺪاد در ﻣﻤﯿﺰ ﺷﻨﺎور اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﻨﺪ ﮐﻪ اﯾﻦ ﻧﻤﺎﯾﺶ ﺑﻪ ﭼﻬﺎر‬

‫ﭘﺎراﻣﺘﺮ زﯾﺮ اﺳﺘﻮار اﺳﺖ ‪:‬‬

‫‪14‬‬
‫ﻫﺮ ﻋﺪد ﻧﺎﺻﻔﺮ ‪ x‬ﻋﻤﻮﻣﺎً ﺑﻔﺮم زﯾﺮ در‬ ‫‪3‬و‪Range e (m,M)-4‬‬ ‫‪-1‬ﻣﺒﻨﺎي ‪ t-2 β‬رﻗﻢ ‪word length‬‬

‫ﮐﺎﻣﭙﯿﻮﺗﺮ ﻧﻤﺎﯾﺶ داده ﻣﯽ ﺷﻮد ‪:‬‬

‫‪x = σ .(.d1d 2 ...d t ).β e‬‬ ‫)‪(2.3‬‬

‫ﺑﻄﻮرﯾﮑﻪ ‪ σ = ±1‬ﮐﻪ ﺑﺮاي ﻧﻤﺎﯾﺶ ﻋﻼﻣﺖ ﻋﺪد اﺳﺖ ‪0 ≤ d i ≤ β − 1 = γ ،‬‬

‫و ﻋﺪد ﻧﻤﺎﯾﯽ ‪ e‬ﮐﻪ ﺑﻪ ﻧﻮع ﮐﺎﻣﭙﯿﻮﺗﺮ واﺑﺴﺘﻪ اﺳﺖ و داراي ﮐﻤﺘﺮﯾﻦ و ﺑﺎﻻﺗﺮﯾﻦ ﻣﻘﺪار اﺳﺖ ‪ m ≤ e ≤ M‬و‬

‫)‪ (.d1d2…dt‬را ﻣﺎﻧﺘﯿﺲ ﻣﯽ ﻧﺎﻣﻨﺪ و ‪ β‬را ﻣﺒﻨﺎ ﯾﺎ ‪ radix‬ﺧﻮاﻧﺪه ﻣﯽ ﺷﻮد ‪.‬‬

‫راﺑﻄﻪ )‪ (2.3‬ﭼﻨﺎﻧﭽﻪ ﻫﻤﻮاره ‪ (1 ≤ d1 ≤ γ ) d1 ≠ 0‬درﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ ﺷﮑﻞ ﻧﺮﻣﺎل ﻣﻤﯿﺰ ﺷﻨﺎور ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد ‪.‬‬

‫‪ m ≤ e ≤ M‬را اﻧﺪازه ﻣﻤﮑﻦ ﻋﺪد ‪ x‬را ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﺪ ‪.‬‬

‫اﻣﺎ ﻫﻤﻪ اﻋﺪاد ﺣﻘﯿﻘﯽ ‪ x‬را ﻧﻤﯽ ﺗﻮان آﻧﻄﻮر ﮐﻪ واﻗﻌﺎً ﻫﺴﺘﻨﺪ ﺑﻔﺮم ﻣﻤﯿﺰ ﺷﻨﺎور ﺑﯿﺎن ﮐﺮد ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺎﯾﺴﺘﯽ ﺑﻪ ﻧﺰدﯾﮑﺘﺮﯾﻦ‬

‫ﻋﺪد ﺗﻘﺮﯾﺐ زده ﺷﻮﻧﺪ ‪.‬ﭘﺲ ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ )‪ fl(x‬ﻧﻤﺎﯾﺶ ﺗﻘﺮﯾﺒﯽ ﻣﺎﺷﯿﻦ ﻣﺤﺎﺳﺐ ﺑﺎﺷﺪ ﮐﻪ ﺑﻪ دو ﺻﻮرت ﻣﻤﮑﻦ‬

‫‪ chopping‬و ‪ rounding‬ﺻﻮرت ﻣﯽ ﮔﯿﺮد ‪.‬‬

‫ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﯾﮏ ﻋﺪد ﺣﻘﯿﻘﯽ ﺑﻪ ﻓﺮم زﯾﺮ دارﯾﻢ‬

‫‪x = σ (.d1d 2 ...d t d t +1 ...) β e‬‬ ‫)‪( 2. 4‬‬

‫ﭼﻨﺎﻧﭽﻪ ﻓﺮض ﮐﻨﯿﻢ ﮐﺎﻣﭙﯿﻮﺗﺮي داراي ‪ t‬رﻗﻢ ‪ word length‬ﺑﺎﺷﺪ ﺑﺎ اﺳﺘﻔﺎده از ﻋﻤﻞ ‪ chopping‬دارﯾﻢ ‪:‬‬

‫‪fl ( x) chopping = σ (.d1d 2 ...d t ) β e‬‬ ‫)‪(2.5‬‬

‫اﻣﺎ ﻧﻤﺎﯾﺶ ﺗﻘﺮﯾﺒﯽ آن ﺑﻔﺮم ‪ rounding‬ﺑﺼﻮرت زﯾﺮ اﺳﺖ ‪:‬‬

‫‪σ (.d1d 2 ...d t ) β e‬‬ ‫)‪if 0 ≤ d t +1 < β 2 (2.6‬‬

‫‪fl rounding ( x) = ‬‬
‫[‬
‫‪σ (.d1d 2 ...d t ) β + (0.00..01) β β‬‬‫]‬‫‪e‬‬
‫)‪if β 2 ≤ d t +1 < β (2.7‬‬

‫ﮐﻮﭼﮑﺘﺮﯾﻦ وﺑﺰرﮔﺘﺮﯾﻦ ﻋﺪد ﻗﺎﺑﻞ ﻧﻤﺎﯾﺶ در ﮐﺎﻣﭙﯿﻮﺗﺮ‬

‫‪15‬‬
‫ﮐﻮﭼﮑﺘﺮﯾﻦ ﻋﺪد ﻗﺎﺑﻞ ﻧﻤﺎﯾﺶ ﺑﺮاي ﮐﺎﻣﭙﯿﻮﺗﺮ در ﻣﺒﻨﺎي ‪ β‬ﺑﺎ ﻣﻤﯿﺰ ﺷﻨﺎور ﺗﺎ ‪ t‬رﻗﻢ ‪ word length‬را ﺑﺎ ‪ xL‬ﻧﻤﺎﯾﺶ‬

‫ﻣﯿﺪﻫﯿﻢ و ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪xL = ±(0.100...0) β m = β m−1‬‬ ‫)‪(2.8‬‬

‫اﻋﺪاد ﮐﻮﭼﮑﺘﺮ از ﻋﺪد ﻓﻮق ﻣﻮﺟﺐ ﭘﺎرﯾﺰ )‪ (under flow‬و ﺑﺎ ﺻﻔﺮ ﺗﻘﺮﯾﺐ زده ﻣﯽ ﺷﻮﻧﺪ ‪.‬‬

‫ﺑﺰرﮔﺘﺮﯾﻦ ﻋﺪد ﻗﺎﺑﻞ ﻧﻤﺎﯾﺶ در ﮐﺎﻣﭙﯿﻮﺗﺮ را ﺑﺎ ‪ xU‬ﻧﻤﺎﯾﺶ ﻣﯽ دﻫﯿﻢ و ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪xU = ± (0.γγ ...γ ) β M ≅ β M‬‬ ‫‪,‬‬ ‫‪γ = β −1‬‬ ‫)‪(2.9‬‬

‫اﻋﺪاد ﺑﺰرﮔﺘﺮ از ‪ xU‬از ﺟﻬﺖ ﻗﺪرﻣﻄﻠﻖ در ﮐﺎﻣﭙﯿﻮﺗﺮ ﻣﻮﺟﺐ ﺳﺮرﯾﺰ )‪ (over flow‬و ﺑﺎﻋﺚ ﺗﻮﻗﻒ ﻧﺎﮔﻬﺎﻧﯽ ﻣﺎﺷﯿﻦ‬

‫ﻣﯽ ﺷﻮد ‪.‬‬

‫‪ 8-2‬ﻣﻨﺎﺑﻊ ﺧﻄﺎ‬

‫ﻣﻨﺎﺑﻊ ﺧﻄﺎ را ﻣﯽ ﺗﻮان ﺑﻪ ﺳﻪ دﺳﺘﻪ ﺗﻘﺴﯿﻢ ﻧﻤﻮد ‪:‬‬

‫‪-1‬ﺧﻄﺎي ﻣﺪﻟﺴﺎزي)ﯾﺎ ﺧﻂ ذاﺗﯽ( ‪Inherent Error‬‬

‫ﺧﻄﺎﯾﯽ اﺳﺖ ﮐﻪ در ﺑﯿﺎن و ﺗﻌﺒﯿﺮ ﻣﺴﺎﺋﻞ ﻣﻮﺟﻮد ﻫﺴﺘﻨﺪ ‪.‬ﭼﺮا ﮐﻪ ﻓﺮﻣﻮﻟﺒﻨﺪي ﻣﺴﺎﺋﻞ ﻋﻠﻤﯽ ﺷﺎﻣﻞ داده ﻫﺎي ﻓﯿﺰﯾﮑﯽ‬

‫)ﻃﻮل ‪،‬ﺟﺮم ‪،‬زﻣﺎن و ﻏﯿﺮه( ﻣﯿﺒﺎﺷﻨﺪ وﺑﻄﻮر ﻗﻄﻊ در اﯾﻦ داده ﻫﺎ ﺧﻄﺎﻫﺎي ﻣﺸﺎﻫﺪاﺗﯽ وآزﻣﺎﯾﺸﮕﺎﻫﯽ وﺟﻮد دارد ﮐﻪ‬

‫ﻏﯿﺮﻗﺎﺑﻞ اﺟﺘﻨﺎب ﻫﺴﺘﻨﺪ ‪ .‬ﻫﻢ ﭼﻨﯿﻦ ﺑﺮاﺛﺮ ﻣﻔﺮوﺿﺎت ﺳﺎده ﺷﺪه در ﻓﺮﻣﻮل ﺑﻨﺪي رﯾﺎﺿﯽ ﻣﺴﺌﻠﻪ ﻣﯽ ﺗﻮاﻧﻨﺪ ﺣﺎدث‬

‫ﺷﻮﻧﺪ ‪.‬ﺑﺪون ﺷﮏ ﻋﻤﻞ ﻣﺤﺎﺳﺒﺎﺗﯽ ازاﯾﻦ ﺧﻄﺎﻫﺎ ﺗﺄﺛﯿﺮ ﻣﯽ ﭘﺬﯾﺮﻧﺪ اﻣﺎ روﻧﺪ ﻣﺤﺎﺳﺒﺎﺗﯽ ﺗﻮاﻧﺎﯾﯽ ﺣﺬف آﻧﺮا ﻧﺪارﻧﺪ ‪ .‬اﻣﺎ‬

‫ﻣﯽ ﺗﻮان ﺗﺄﺛﯿﺮ واﻧﺘﺸﺎر اﯾﻦ ﻧﻮع ﺧﻄﺎرا زﯾﺮ ﻧﻈﺮ داﺷﺖ ‪.‬‬

‫‪-2‬ﺧﻄﺎي ﺑﺮﺷﯽ ﺗﻘﺮﯾﺐ ‪Truncation Error :‬‬

‫‪16‬‬
‫ﺧﻄﺎي ﻧﺎﺷﯽ از ﺗﺒﺪﯾﻞ ﯾﮏ ﻣﺴﺎﻟﻪ ﻏﯿﺮﻗﺎﺑﻞ ﺣﻞ ﺑﻪ ﻣﺴﺌﻠﻪ ﺗﻘﺮﯾﺒﯽ ﻗﺎﺑﻞ ﺣﻞ ﻣﯽ ﺑﺎﺷﺪ ‪ ،‬ﻣﺎﻧﻨﺪ ﮔﺴﺴﺘﻪ ﺳﺎزي ﯾﮏ‬

‫ﻣﺴﺌﻠﻪ ﺑﺮاي ﻣﺜﺎل ﺑﺎ ﻣﺘﻨﺎﻫﯽ ﺳﺎزي ﯾﮏ ﺑﺴﻂ ﻧﺎﻣﺘﻨﺎﻫﯽ ﮐﻪ ﺳﺮﭼﺸﻤﻪ آن ﻓﻦ ﺟﺎﻧﺸﺎﻧﯽ ﺳﺮي ﺗﯿﻠﻮر ﻣﺤﺪود ﺷﺪه ﺑﻪ ﺟﺎي‬

‫ﯾﮏ ﺗﺎﺑﻊ ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬

‫‪x2‬‬ ‫‪x3‬‬ ‫‪x4‬‬

‫‪e =1+ x +‬‬
‫‪x‬‬
‫‪+‬‬ ‫‪+‬‬ ‫‪+ ...‬‬
‫‪2‬‬ ‫!‪3‬‬ ‫!‪4‬‬

‫‪x2‬‬
‫‪ … , p2 = 1 + x +‬ﭼﻨﺪ ﺟﻤﻠﻪ اﯾﻬﺎي ﻗﻄﻊ ﺷﺪه از ﺑﺴﻂ ﺑﺮاي ﺗﻘﺮﯾﺐ ‪ ex‬ﺑﻪ ﺧﺼﻮص ﺣﻮل ﻧﻘﻄﻪ‬ ‫ﮐﻪ ‪, p1 = 1 + x‬‬
‫‪2‬‬

‫‪ x=0‬ﻣﯽ ﺑﺎﺷﻨﺪ ‪.‬‬

‫ﺗﻌﺮﯾﻒ ‪ 1-2‬ﻣﺮﺗﺒﻪ ﺧﻄﺎي ﺑﺮﺷﯽ ‪:‬‬

‫ﮔﻮﺋﯿﻢ )‪ f(h‬ﺑﻪ وﺳﯿﻠﻪ )‪ f (h‬ﺑﺎﺧﻄﺎي ﺑﺮﺷﯽ از ﻣﺮﺗﺒﻪ ‪ n‬ﺗﻘﺮﯾﺐ زده ﻣﯽ ﺷﻮد اﮔﺮ ﺑﺮاي ﻣﻘﺎدﯾﺮ ﮐﻮﭼﮏ ‪ h>0‬ﺛﺎﺑﺖ‬

‫‪ M>0‬ﻣﻮﺟﻮد ﺑﺎﺷﺪ ﺑﻄﻮري ﮐﻪ ‪ f (h) − f (h) ≤ Mh n‬وﺑﺎ )‪ O(hn‬ﻧﺸﺎن داده ﻣﯽ ﺷﻮد ﯾﻌﻨﯽ ‪:‬‬

‫) ‪f ( h ) = f ( h) + O ( h n‬‬ ‫)‪(2.10‬‬

‫ﻣﻼﺣــﻈﻪ ﻣﯽ ﮐﻨﯿﺪ ﮐﻪ ﭼﻮن ‪ h‬ﺧﯿﻠﯽ ﮐﻮﭼﮏ اﺳﺖ ﻫﺮﻗﺪر ‪ n‬ﺑﺰرﮔﺘﺮ ﺑﺎﺷﺪ ﺟﻤﻠﻪ ﺧﻄﺎ ﺳﺮﯾﻌﺘﺮ ﺑﻪ ﺻﻔﺮ ﻣﯿﻞ ﻣﯽ ﮐﻨﺪ ‪.‬‬

‫‪-3‬ﺧﻄﺎي روﻧﺪ ﮐﺮدن اﻋﺪاد ‪Round-off Error‬‬

‫اﻏﻠﺐ ﻣﺤﺎﺳﺒﺎت ﺑﺎ اﺳﺘﻔﺎده از ﻣﺎﺷﯿﻦ ﺻﻮرت ﻣﯽ ﮔﯿﺮﻧﺪ و ﭼﻮن داراي ﺣﺎﻓﻈﻪ ﻣﺤﺪود ﻫﺴﺘﻨﺪ ‪ .‬اﻋﺪاد ﺑﻪ اﺟﺒﺎر ﺑﻪ‬

‫ﺻﻮرت ﺗﻘﺮﯾﺒﯽ درﺣﺎﻓﻈﻪ ذﺧﯿﺮه ﻣﯽ ﺷﻮﻧﺪ ‪ ،‬ﯾﻌﻨﯽ ﺧﻄﺎي روﻧﺪ ﮐﺮدن ﻏﯿﺮﻗﺎﺑﻞ اﺟﺘﻨﺎب اﺳﺖ ‪.‬ﻫﻤﭽﻨﯿﻦ ﻫﻤﻪ اﻋﺪاد‬

‫ﺣﻘﯿﻘﯽ ﻣﺎﻧﻨﺪ ‪ π , e, 2 ,1 / 3‬وﻏﯿﺮه ﺑﺼﻮرت اﻋﺸﺎري و ﻣﺘﻨﺎﻫﯽ ﻗﺎﺑﻞ ﻧﻤﺎﯾﺶ ﻧﯿﺴﺘﻨﺪ ﭘﺲ اﻏﻠﺐ اﻋﺪاد ‪ x‬ﺑﺎ ﻋﺪد ﺗﻘﺮﯾﺒﯽ‬

‫‪ x‬درﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﯽ ﺷﻮﻧﺪ ﮐﻪ اﯾﻦ اﻣﺮ ﺑﺎﻋﺚ اﯾﺠﺎد ﺧﻄﺎ ﻣﯽ ﺷﻮﻧﺪ ‪.‬‬

‫‪17‬‬
 ‫‪ 9-2‬ﺗﺤﻠﯿﻞ ﺧﻄﺎ‬

‫در اﺳﺘﻔﺎده از روﺷﻬﺎي ﻋﺪدي آﮔﺎه ﺑﻮدن از اﯾﻦ ﮐﻪ اﻋﺪاد ﻫﻤﺮاه ﺑﺎ ﺧﻄﺎي روﻧﺪ ﮐﺮدن ﻣﯽ ﺑﺎﺷﻨﺪ اﻫﻤﯿﺖ زﯾﺎدي‬

‫دارد ‪ ،‬ﭼﻮﻧﮑﻪ درﯾﮏ روش ﻋﺪدي ﺑﻪ ﮐﻤﮏ ﻣﺎﺷﯿﻦ ﻣﺤﺎﺳﺐ ﻫﺰاران وﯾﺎ ﻣﯿﻠﯿﻮﻧﻬﺎ ﻋﻤﻞ ﻣﺤﺎﺳﺒﺎﺗﯽ روي اﯾﻦ اﻋﺪاد‬

‫ﺗﻘﺮﯾﺒﯽ ﺻﻮرت ﻣﯽ ﮔﯿﺮد ‪.‬ﭘﺲ اﻣﮑﺎن دارد دﻗﺖ ﻧﺘﺎﯾﺞ ﺣﺎﺻﻠﻪ ﺑﻪ اﻧﺪازه اي ﮐﻢ ﺷﻮد ﮐﻪ ﺑﻄﻮرﮐﺎﻣﻞ ﺑﯽ ﻣﻌﻨﯽ ﺷﻮد‬

‫‪.‬ﺑﻨﺎﺑﺮاﯾﻦ ﺟﻠﻮﮔﯿﺮي از اﻧﺒﺎﺷﺘﮕﯽ ﺧﻄﺎ ﯾﮑﯽ از ﻣﻬﺎرﺗﻬﺎﯾﯽ اﺳﺖ ﮐﻪ ﺑﺎﯾﺴﺘﯽ ﻫﻤﯿﺸﻪ ﻣﺪﻧﻈﺮ ﻗﺮار دﻫﯿﻢ ‪.‬‬

‫ﺗﻌﺮﯾﻒ ‪ 2-2‬ﺧﻄﺎي ﻣﻄﻠﻖ و ﻧﺴﺒﯽ‬

‫ﻓﺮض ﮐﻨﯿﺪ ‪ x‬ﯾﮏ ﺗﻘﺮﯾﺐ ﺑﺮاي ‪ x‬ﺑﺎﺷﺪ ﺧﻄﺎي ﻣﻄﻠﻖ )‪ (ex‬وﺧﻄﺎي ﻧﺴﺒﯽ )‪ (rx‬ﺑﺼﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽ ﺷﻮﻧﺪ‬

‫‪x− x‬‬
‫‪ex = x − x‬‬ ‫‪,‬‬ ‫= ‪rx‬‬ ‫)‪(2.11‬‬
‫‪x‬‬

‫ﺧﻄﺎي ﻣﻄﻠﻖ ﺑﻄﻮر ﺳﺎده اﺧﺘﻼف ﺑﯿﻦ ﻣﻘﺪار واﻗﻌﯽ و ﻣﻘﺪار ﺗﻘﺮﯾﺒﯽ ﻣﯽ ﺑﺎﺷﺪ ‪.‬وﻟﯽ ﺧﻄﺎي ﻧﺴﺒﯽ ﺳﻨﺠﺶ ﺑﻬﺘﺮي ﺑﺮاي‬

‫ﺧﻄﺎ ﻣﯽ ﺑﺎﺷﺪ ‪.‬اﮔﺮ ﻣﻘﺪار ﻗﺪر ﻣﻄﻠﻖ ‪ ex‬ﻧﺴﺒﺖ ﺑﻪ ﻗﺪر ﻣﻄﻠﻖ ‪ x‬ﮐﻮﭼﮏ ﺑﺎﺷﺪ دراﯾﻨﺼﻮرت ﺣﺪ ﻧﺴﺒﺖ ‪ ex/x‬ﻧﺰدﯾﮏ ﺑﻪ‬

‫ﺣﺪ ﻧﺴﺒﺖ ‪ ex / x‬ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ در ﻋﻤﻞ ﺑﺪﻟﯿﻞ ﻧﺎﻣﻌﻠﻮم ﺑﻮدن ‪ x‬ﺑﯿﺸﺘﺮ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮد ‪.‬‬

‫ﮐﺮان ﺧﻄﺎﻫﺎي ﻣﻄﻠﻖ و ﻧﺴﺒﯽ‬

‫ﻋﻤﻼً ﺧﻄﺎﻫﺎي )‪ (2.11‬را ﻧﻤﯽ ﺗﻮان ﺑﻄﻮر دﻗﯿﻖ ﻣﺸﺨﺺ ﮐﺮد ﭼﻮن اﻏﻠﺐ ﻣﻘﺪار واﻗﻌﯽ ‪ x‬در دﺳﺘﺮس ﻧﻤﯽ ﺑﺎﺷﺪ‬

‫از آﻧﺠﺎ ﮐﻪ ﻫﻤﻮاره ﺑﺎﯾﺴﺘﯽ ﺑﺪاﻧﯿﻢ ﺟﻮاب ﺗﻘﺮﯾﺒﯽ ‪ x‬ﺑﺎ ﭼﻪ دﻗﺘﯽ ﻣﻘﺪار واﻗﻌﯽ ‪ x‬را ﻧﺸﺎن ﻣﯽ دﻫﺪ ‪.‬ﺑﺮاي اﯾﻦ ﻣﻨﻈﻮر‬

‫ﻣﺎﯾﻞ ﻫﺴﺘﯿﻢ ﺣﺪاﻗﻞ اﻧﺪازه ﺣﺪاﮐﺜﺮ ﺧﻄﺎي ﻣﻤﮑﻦ را ﺑﺪاﻧﯿﻢ‪ .‬ﺑﻄﻮرﯾﮑﻪ از اﯾﻦ ﺑﻪ ﺑﻌﺪ از ﮐﺮاﻧﻬﺎي ﺧﻄﺎ ﺑﻪ ﺟﺎي ﺧﻄﺎﻫﺎ‬

‫ﺻﺤﺒﺖ ﻣﯽ ﮐﻨﯿﻢ ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ اﮔﺮ ﻋﺪد ‪ x‬را ﺑﺎ ﻣﻤﯿﺰ ﺷﻨﺎور ﻧﻤﺎﯾﺶ دﻫﯿﻢ ‪ ،‬ﺧﻄﺎي ﻧﺴﺒﯽ ﻧﻤﺎﯾﺶ ﺑﺎ اﺳﺘﻔﺎده از روﺷﻬﺎي‬

‫‪ Chopping‬و ‪ Rounding‬ﺑﺼﻮرت زﯾﺮ اﺳﺖ ‪:‬‬

‫‪18‬‬
 ‫‪x − fl ( x) chop‬‬ ‫‪(.d1d 2 ...d t d t +1 ...) β e − (.d1d 2 ...d t ) β e‬‬
‫=‬
‫‪x‬‬ ‫‪(.d1d 2 ...d t ...) β e‬‬
‫‪(.d t +1d t + 2 ...) β e−t‬‬ ‫‪.d t +1d t + 2 ... −t‬‬ ‫‪.γγγ ... −t‬‬
‫=‬ ‫=‬ ‫≤ ‪β‬‬ ‫‪β‬‬
‫‪(.d1d 2 ...) β‬‬ ‫‪e‬‬
‫‪.d1d 2 ...‬‬ ‫‪.10000‬‬

‫از آﻧﺠﺎﯾﯽ ﮐﻪ ‪ d1 ≠ 0‬ﺣﺪاﻗﻞ ﻣﻘﺪار ﻣﺨﺮج ﮐﺴﺮ ‪ 0/1‬اﺳﺖ ودر ﻣﺒﻨﺎي ‪ β‬ﺑﺮاﺑﺮ ‪ β −1‬ﻣﯽ ﺑﺎﺷﺪ ‪ .‬ﺻﻮرت ﮐﺴﺮ ﻓﻮق‬

‫ﻧﯿﺰ ﺣﺪاﮐﺜﺮ ﻣﻘﺪار ﻣﻤﮑﻦ آن ﯾﮏ اﺳﺖ در ﻧﺘﯿﺠﻪ ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫‪x − fl ( x) chop‬‬ ‫‪1‬‬

‫≤‬ ‫‪−1‬‬
‫‪× β −t = β 1−t‬‬ ‫)‪(2.12‬‬
‫‪x‬‬ ‫‪β‬‬

‫ﺑﻪ روش ﻣﺸﺎﺑﻪ ﮐﺮاﻧﯽ ﺑﺮاي ﺧﻄﺎي ﻧﺴﺒﯽ وﻗﺘﯽ ﮐﻪ از روش ‪ Rounding‬در ﻣﻤﯿﺰ ﺷﻨﺎور اﺳﺘﻔﺎده ﻧﻤﺎﺋﯿﻢ ﺑﺪﺳﺖ‬

‫آورﯾﻢ ‪:‬‬

‫‪x − fl ( x) round 1 1−t‬‬

‫‪≤ β‬‬ ‫)‪(2.13‬‬
‫‪x‬‬ ‫‪2‬‬

‫ﺗﻌﺮﯾﻒ ‪ : 3-2‬ﻣﯽ ﮔﻮﺋﯿﻢ ‪ x, x‬را ﺗﺎ ‪ t‬رﻗﻢ ﺑﺎﻣﻌﻨﯽ درﺳﺖ در ﻣﺒﻨﺎي ‪ β‬ﺗﻘﺮﯾﺐ ﻣﯽ زﻧﺪ ‪ ،‬اﮔﺮ ‪ t‬ﺑﺰرﮔﺘﺮﯾﻦ ﻋﺪد‬

‫‪x − x 1 1−t‬‬
‫‪≤ β‬‬ ‫ﺻﺤﯿﺢ ﻧﺎﻣﻨﻔﯽ ﺑﺎﺷﺪ ﮐﻪ ﺑﻪ ازاي آن دارﯾﻢ ‪:‬‬
‫‪x‬‬ ‫‪2‬‬

‫ﻣﺜﺎل ‪ : 5-2‬ﺧﻄﺎي ﻣﻄﻠﻖ و ﻧﺴﺒﯽ را در ﺣﺎﻟﺘﻬﺎي زﯾﺮ ﺑﯿﺎﺑﯿﻢ و ﺗﻌﺪاد ارﻗﺎم ﺑﺎﻣﻌﻨﯽ درﺳﺖ در ﺗﻘﺮﯾﺒﻬﺎ را ﻣﺸﺨﺺ ﮐﻨﯿﺪ‬

‫‪y = 0.000009, y = 0.000012(b), x = 3.14, x = 3.141592(a ) .‬‬

‫ﺣﻞ )‪ : (a‬ﺑﺎﺗﻮﺟﻪ ﺑﻪ ﺗﻌﺮﯾﻒ ﺧﻄﺎي ﻣﻄﻠﻖ و ﻧﺴﺒﯽ )‪ (9‬دارﯾﻢ ‪:‬‬

‫‪e x = x − x = 3.141592 − 3.140000 = 0.001592‬‬

‫‪ex‬‬ ‫‪1‬‬
‫= ‪rx‬‬ ‫‪= 0.001592 / 3.141592 = 0.000507 ≈ × 10 −3‬‬
‫‪x‬‬ ‫‪2‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ ‪ x‬ﻋﺪد ‪ x‬را ﺗﺎ ﺳﻪ رﻗﻢ ﺑﺎﻣﻌﻨﯽ ﺗﻘﺮﯾﺐ ﻣﯽ زﻧﺪ ‪.‬‬

‫ﺣﻞ )‪ : (b‬ﻧﻈﯿﺮ ﻓﻮق دارﯾﻢ ‪e y = y − y = 0.000012 − 0.000009 = 0.000003 :‬‬

‫‪19‬‬
 ‫‪ey 0.000003‬‬
‫= ‪ry‬‬ ‫=‬ ‫‪= 0.25 ⇒ r y ≤ 10 −0 / 2‬‬ ‫‪ y‬ﻋﺪد ‪ y‬را ﺑﺪون رﻗﻢ ﺑﺎﻣﻌﻨﯽ درﺳﺖ ﺗﻘﺮﯾﺐ ﻣﯽ زﻧﺪ‬
‫‪y 0.000012‬‬

‫ﺑﺎ ﻣﻘﺎﯾﺴﻪ ‪ ey,ex‬ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ﺧﻄﺎي ﻣﻄﻠﻖ در ﺗﻘﺮﯾﺐ ‪ y‬ﮐﻤﺘﺮ از ‪ x‬اﺳﺖ اﻣﺎ ﺑﺎ ﻣﻘﺎﯾﺴﻪ ‪ r y , rx‬ﻧﺘﯿﺠﻪ ﻣﯽ‬

‫ﮔﯿﺮﯾﻢ ﮐﻪ ﺧﻄﺎي ﻧﺴﺒﯽ در ‪ y‬ﺑﺴﯿﺎر ﺑﺰرﮔﺘﺮ از ‪ x‬اﺳﺖ ‪.‬‬

‫‪ 10-2‬اﻧﺒﺎﺷﺘﮕﯽ و اﻧﺘﺸﺎر ﺧﻄﺎ‬

‫ﺗﺎ اﯾﻨﺠﺎ درﯾﺎﻓﺘﯿﻢ ﮐﻪ اﻏﻠﺐ اﻋﺪادي ﮐﻪ در ﻣﺎﺷﯿﻦ ذﺧﯿﺮه ﻣﯽ ﺷﻮﻧﺪ ﻫﻤﺮاه ﺑﺎ ﺧﻄﺎ ﻫﺴﺘﻨﺪ ‪.‬اﮐﻨﻮن ﺑﻪ ﺑﺮرﺳﯽ اﻧﺘﺸﺎر‬

‫ﺧﻄﺎ در ﻣﺤﺎﺳﺒﺎت ﻣﺘﻮاﻟﯽ و در روﺷﻬﺎي ﻋﺪدي ﻣﯽ ﭘﺮدازﯾﻢ ‪ .‬ﭼﻮﻧﮑﻪ ﻫﺮ روش ﻋﺪدي ﺗﺮﮐﯿﺒﯽ از اﻋﻤﺎل ﺣﺴﺎﺑﯽ‬

‫ﺟﻤﻊ ‪ ،‬ﺗﻔﺮﯾﻖ ‪ ،‬ﺿﺮب و ﺗﻘﺴﯿﻢ ﻣﯽ ﺑﺎﺷﺪ ﺑﻨﺎﺑﺮاﯾﻦ اﺑﺘﺪا اﻧﺒﺎﺷﺘﮕﯽ ﺧﻄﺎ در ﭼﻬﺎر ﻋﻤﻞ اﺻﻠﯽ ﺣﺴﺎﺑﯽ را ﮐﻪ ﻣﺘﺄﺛﺮ از‬

‫ﺧﻄﺎي روﻧﺪ ﻣﯽ ﺑﺎﺷﻨﺪ ﺑﺮرﺳﯽ ﮐﻨﯿﻢ ‪ .‬ﺳﭙﺲ ﺗﺄﺛﯿﺮاﺗﯽ را ﮐﻪ اﯾﻦ ﺧﻄﺎﻫﺎ ﺑﺮ روي ﻣﺤﺎﺳﺒﻪ ﺗﻮاﺑﻊ دارﻧﺪ ‪ ،‬اراﺋﻪ ﻣﯽ دﻫﯿﻢ ‪.‬‬

‫‪ [+,−,÷,×] w‬ﯾﮏ ﻋﻤﻞ ﺣﺴﺎﺑﯽ ﺑﯿﻦ آﻧﻬﺎ ﺑﺎﺷﺪ ‪ .‬ﻣﯽ ﺧﻮاﻫﯿﻢ ﮐﺮان‬ ‫ﻓﺮض ﮐﻨﯿﺪ ‪ y, x‬ﺗﻘﺮﯾﺐ اﻋﺪاد ‪ y,x‬ﺑﺎﺷﻨﺪ و‬

‫)‪E = ( xwy) − ( xwy‬‬ ‫)‪(2.14‬‬ ‫ﺧﻄﺎي زﯾﺮ را ﺗﻌﯿﯿﻦ ﮐﻨﯿﻢ ‪.‬‬

‫زﻣﺎﻧﯽ ﮐﻪ ﻣﺎﺷﯿﻦ ﻋﻤﻞ ‪ W‬را اﻧﺠﺎم ﻣﯿﺪﻫﺪ دﻗﯿﻖ ﻧﻤﯽ ﺑﺎﺷﺪ ﺑﻠﮑﻪ ﺑﺎﺧﻄﺎي روﻧﺪ ﻫﻤﺮاه اﺳﺖ ﭘﺲ ﻋﻤﻞ ﻣﺎﺷﯿﻦ ﻣﺘﻨﺎﻇﺮ‬

‫را ﺑﺎ ‪ W‬ﻧﻤﺎﯾﺶ ﻣﯿﺪﻫﯿﻢ و ﺑﺎ اﺿﺎﻓﻪ وﮐﻢ ﮐﺮدن ‪ xwy‬ﺑﻪ راﺑﻄﻪ )‪ (2.14‬دارﯾﻢ ‪.‬‬

‫])‪E = [( xwy) − ( xwy)] + [( xwy) − ( xwy‬‬ ‫)‪(2.15‬‬

‫ﻣﻼﺣﻈﻪ ﻣﯽ ﮐﻨﯿﺪ درﻣﺎﺷﯿﻦ دو ﻧﻮع ﺧﻄﺎ ﺑﺮاي ﻫﺮﻋﻤﻞ ﺣﺴﺎﺑﯽ ‪ W‬اﯾﺠﺎد ﻣﯽ ﺷﻮد ‪ ،‬ﺧﻄﺎي روﻧﺪ ﮐﺮدن ﮐﻪ ﮐﺮان‬

‫آن ﺑﺎﺗﻮﺟﻪ ﺑﻪ ﻗﻄﻊ ﮐﺮدن )‪ ، (Chopping‬ﮔﺮد ﮐﺮدن )‪ (Rounding‬ﺗﻮﺳﻂ رواﺑﻂ )‪ (2.12‬و )‪ (2.13‬ﻗﺎﺑﻞ ﺗﻌﯿﯿﻦ‬

‫اﺳﺖ و ﺧﻄﺎي اﻧﺒﺎﺷﺘﮕﯽ ﮐﻪ ﮐﺮان آن را ﺑﺮاي ﭼﻬﺎر ﻋﻤﻞ اﺻﻠﯽ ﺑﺮرﺳﯽ ﻣﯽ ﮐﻨﯿﻢ ‪.‬‬

‫‪ 11-2‬اﻧﺒﺎﺷﺘﮕﯽ ﺧﻄﺎ در ﻣﺤﺎﺳﺒﺎت‬

‫ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ دو ﻋﺪد ﻣﺜﺒﺖ ‪ y, x‬ﺗﻘﺮﯾﺒﯽ ﺑﺮاي دو ﻋﺪد ‪ y,x‬ﺑﺎﺷﻨﺪ وﺑﻪ ﺗﺮﺗﯿﺐ ﺧﻄﺎي ﻣﻄﻠﻖ آﻧﻬﺎ ‪ ey,ex‬ﺑﺎﺷﺪ‬

‫ﺣﺎل ﺑﻪ اﻧﺒﺎﺷﺘﮕﯽ ﺧﻄﺎ در ﻣﺤﺎﺳﺒﺎت در ذﯾﻞ ﻣﯽ ﭘﺮدازﯾﻢ ‪:‬‬

‫‪20‬‬
‫‪ 12-2‬اﻧﺒﺎﺷﺘﮕﯽ ﺧﻄﺎ در ﻋﻤﻞ ﺟﻤﻊ ‪ :‬ﺑﺰرﮔﺘﺮﯾﻦ ﻣﻘﺪار ﻣﻤﮑﻦ ﯾﺎ ﺗﻘﺮﯾﺐ ﺑﺎﻻ ﺑﺮاي ‪ x‬و‪ y‬ﻋﺒﺎرﺗﺴﺖ از ‪ x + e x‬و‬

‫‪ y + e y‬ﮐﻮﭼﮑﺘﺮﯾﻦ ﻣﻘﺪار ﻣﻤﮑﻦ ﯾﺎ ﺗﻘﺮﯾﺐ ﭘﺎﺋﯿﻦ ﺑﺮاي ‪ x‬و‪ y‬ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ‪ x − ex‬و ‪ y − e y‬ﺣﺎل ﺑﯿﺸﺘﺮ ﻣﻘﺪار ﻣﻤﮑﻦ‬

‫ﺣﺎﺻﻞ ﺟﻤﻊ ‪ y,x‬ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ‪:‬‬

‫) ‪x + e x + y + e y = x + y + (e x + e y‬‬ ‫)‪(2.16‬‬

‫ﮐﻤﺘﺮﯾﻦ ﻣﻘﺪار ﺣﺎﺻﻞ ﺟﻤﻊ ‪ y,x‬ﺑﺮاﺑﺮاﺳﺖ ﺑﺎ ‪:‬‬

‫) ‪x − e x + y − e y = x + y − (e x + e y‬‬ ‫)‪(2.17‬‬

‫از رواﺑﻂ )‪ (2.16‬و )‪ (2.17‬ﻧﺘﯿﺠﻪ ﻣﯿﮕﯿﺮﯾﻢ ﮐﻪ ﺧﻄﺎي ﻣﻄﻠﻖ ﺣﺎﺻﻞ ﺟﻤﻊ دو ﻋﺪد ‪ y,x‬ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‬

‫‪ =ex+ey‬ﺧﻄﺎي ﻣﻄﻠﻖ ﺣﺎﺻﻞ ﺟﻤﻊ‬

‫اﻣﺎ ﻃﺒﻖ ﺗﻌﺮﯾﻒ دارﯾﻢ ﺧﻄﺎي ﻧﺴﺒﯽ در ‪ y, x‬وﺟﻤﻊ دو ﻋﺪد ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ‪:‬‬

‫‪ex‬‬ ‫‪ey‬‬ ‫‪ex + e y‬‬

‫= ‪rx‬‬ ‫= ‪ry‬‬ ‫‪,‬‬ ‫= ‪rx+ y‬‬
‫‪x‬‬ ‫‪y‬‬ ‫‪x+ y‬‬

‫‪x‬‬ ‫‪ex‬‬ ‫‪y ey‬‬ ‫‪x‬‬ ‫‪y‬‬

‫= ‪rx+ y‬‬ ‫(‬ ‫‪)+‬‬ ‫=) (‬ ‫‪rx +‬‬ ‫‪ry‬‬
‫‪x+ y x‬‬ ‫‪x+ y y‬‬ ‫‪x+ y‬‬ ‫‪x+ y‬‬
‫‪y‬‬ ‫‪x‬‬
‫ﻟﺬا دارﯾﻢ ‪:‬‬ ‫= ‪ θ‬دارﯾﻢ ‪= 1 − θ‬‬ ‫ﺑﺎ ﻓﺮض‬
‫‪x+ y‬‬ ‫‪x+ y‬‬

‫‪rx+ y = θrx + (1 − θ )r y ,0 ≤ θ ≤ 1‬‬

‫اﮔﺮ ‪ x‬ﻧﺴﺒﺖ ﺑﻪ ‪ y‬ﺑﺴﯿﺎر ﺑﺰرﮔﺘﺮ ﺑﺎﺷﺪ ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ‪ θ → 1‬وآﻧﮕﺎه ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ‪ rx+ y → rx‬اﻣﺎ اﮔﺮ‬

‫‪ x‬ﻧﺴﺒﺖ ﺑﻪ ‪ y‬ﺑﺴﯿﺎر ﮐﻮﭼﮑﺘﺮ ﺑﺎﺷﺪ ﯾﻌﻨﯽ ‪ θ → 0‬آﻧﮕﺎه ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ‪ rx+ y → r y‬ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ﺧﻄﺎي‬

‫ﻧﺴﺒﯽ ﻋﻤﻞ ﺟﻤﻊ ﻣﯽ ﺗﻮاﻧﺪ ﻣﻘﺪار ﻣﺘﻮﺳﻂ از ﺧﻄﺎي ﺗﮏ ﺗﮏ ﻋﺎﻣﻠﻬﺎي ﺟﻤﻊ ﺑﺎﺷﺪ ‪.‬‬

‫‪ 13-2‬اﻧﺒﺎﺷﺘﮕﯽ ﺧﻄﺎ در ﻋﻤﻞ ﺗﻔﺮﯾﻖ ‪ :‬ﺑﺎ ﺗﺌﺠﻪ ﺑﻪ ﻓﺮﺿﯿﺎت ﻗﺒﻞ وﺑﺎ ﻓﺮض اﯾﻨﮑﻪ ‪ x > y‬ﺑﺎﺷﺪ دارﯾﻢ ‪:‬‬

‫) ‪x + e x − ( y − e y ) = x − y + (e x + e y‬‬ ‫ﺣﺪاﮐﺜﺮ ﻣﻘﺪار ﻣﻤﮑﻦ ﺗﻔﺮﯾﻖ‬

‫) ‪x − e x − ( y + e y ) = x − y − (e x + e y‬‬ ‫ﺣﺪاﻗﻞ ﻣﻘﺪار ﻣﻤﮑﻦ ﺗﻔﺮﯾﻖ‬

‫‪21‬‬
 ‫از رواﺑﻂ ﻓﻮق ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ﺧﻄﺎي ﻣﻄﻠﻖ ﺣﺎﺻﻞ از ﺗﻔﺮﯾﻖ ﻋﺒﺎرﺗﺴﺖ از ) ‪ (e x + e y‬اﻣﺎ ﺧﻄﺎي ﻧﺴﺒﯽ‬

‫ﺗﻔﺮﯾﻖ دو ﻋﺪد ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪ex + e y‬‬
‫= ‪rx− y‬‬ ‫=‬
‫‪x− y‬‬
‫‪ex‬‬
‫‪x‬‬ ‫‪y ey‬‬ ‫‪x+ y x‬‬ ‫‪y‬‬ ‫‪‬‬
‫‪)+‬‬‫(‬ ‫=) (‬ ‫‪‬‬ ‫‪rx +‬‬ ‫‪ry ‬‬
‫‪x− y x‬‬ ‫‪x− y y‬‬ ‫‪x− y x+ y‬‬ ‫‪x+ y ‬‬

‫‪x+ y‬‬
‫ﻣﯽ ﺑﺎﺷﺪ اﯾﻦ ﻣﻀﺮب ﺑﺰرﮔﺘﺮ از ﯾﮏ اﺳﺖ و‬ ‫اﯾﻦ راﺑﻄﻪ ﻫﻤﺎن راﺑﻄﻪ ﻋﻤﻞ ﺟﻤﻊ اﺳﺖ ﮐﻪ داراي ﻣﻀﺮب‬
‫‪x− y‬‬

‫ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ ﺧﻄﺎي ﻧﺴﺒﯽ در ﻋﻤﻞ ﺗﻔﺮﯾﻖ ﻧﺴﺒﺖ ﺑﻪ ﺟﻤﻊ ﺑﺎ ﻣﻀﺮﺑﯽ ﺑﺰرﮔﺘﺮ از ﯾﮏ ﺗﻤﺎﯾﻞ ﺑﻪ اﻧﺒﺎﺷﺘﮕﯽ دارد‬

‫وﻣﻀﺎﻓﺎً اﯾﻨﮑﻪ اﮔﺮ ‪ y, x‬دو ﻋﺪد ﺑﺴﯿﺎر ﻧﺰدﯾﮏ ﺑﻪ ﻫﻢ ﺑﺎﺷﺪ ﻣﻀﺮب راﺑﻄﻪ ﻓﻮق ﺑﯿﮑﺮان ﻣﯽ ﺷﻮد واﯾﻦ ﺧﻄﺮ در ﻋﻤﻞ‬

‫ﺗﻔﺮﯾﻖ اﺣﺘﻤﺎل دارد ‪ .‬ﻟﺬا ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ دو ﻋﺪد ﻧﺰدﯾﮏ ﺑﻪ ﻫﻢ را در ﻣﺤﺎﺳﺒﺎت ﻧﺒﺎﯾﺴﺘﯽ از ﻫﻢ ﮐﻢ ﮐﻨﯿﻢ ‪.‬‬

‫‪ 14-2‬اﻧﺒﺎﺷﺘﮕﯽ ﺧﻄﺎ در ﻋﻤﻞ ﺿﺮب‬

‫‪( x + e x )( y + e y ) = xy + ( xe y + ye x ) + e x e y‬‬ ‫ﺣﺪاﮐﺜﺮ ﻣﻘﺪار ﻣﻤﮑﻦ ﺣﺎﺻﻠﻀﺮب‬

‫‪( x − e x )( y − e y ) = xy − ( xe y + ye x ) + e x e y‬‬ ‫ﺣﺪاﻗﻞ ﻣﻘﺪار ﻣﻤﮑﻦ ﺣﺎﺻﻠﻀﺮب‬

‫ﺑﺎ اﻏﻤﺎض ﺟﻤﻠﻪ ‪ e x e y‬از دو راﺑﻄﻪ ﻓﻮق ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ﺧﻄﺎي ﻣﻄﻠﻖ درﺣﺎﺻﻠﻀﺮب ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫) ‪( xe y + ye x‬‬

‫ﺧﻄﺎي ﻧﺴﺒﯽ درﻋﻤﻞ ﺣﺎﺻﻠﻀﺮب ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ‪:‬‬

‫‪xe y + ye x e y e x‬‬
‫= ‪rx y‬‬ ‫‪= + = r y + rx‬‬
‫‪xy‬‬ ‫‪y x‬‬
‫‪x‬‬
‫‪ 15-2‬اﻧﺒﺎﺷﺘﮕﯽ ﺧﻄﺎ در ﻋﻤﻞ ﺗﻘﺴﯿﻢ ﻧﺴﺒﺖ‬
‫‪y‬‬

‫‪x + ex‬‬
‫)‪(2.18‬‬ ‫ﺣﺪاﮐﺜﺮ ﻣﻘﺪار ﻣﻤﮑﻦ‬
‫‪y − ey‬‬

‫‪22‬‬
 ‫‪x − ex‬‬
‫)‪(2.19‬‬ ‫ﺣﺪاﻗﻞ ﻣﻘﺪار ﻣﻤﮑﻦ‬
‫‪y + ey‬‬

‫راﺑﻄﻪ )‪ (2.18‬را درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪:‬‬

‫‪x + e x y + e y x y + xe y + ye x + e x e y x x e x e y‬‬
‫×‬ ‫=‬ ‫) ‪= − ( +‬‬
‫‪y − ey y + ey‬‬ ‫‪y 2 − (e y ) 2‬‬ ‫‪y y x y‬‬
‫‪x − e x y − e y xy − xe y − ye x + e x e y x x e x e y‬‬
‫×‬ ‫=‬ ‫) ‪= + ( +‬‬
‫‪y + ey y − ey‬‬ ‫‪y 2 − (e y ) 2‬‬ ‫‪y y x y‬‬

‫راﺑﻄﻪ )‪ .(2.19‬رادرﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ از رواﺑﻂ ﻓﻮق ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ﺧﻄﺎي ﻣﻄﻠﻖ درﻋﻤﻞ ﺗﻘﺴﯿﻢ ﺑﺮاﺑﺮاﺳﺖ ﺑﺎ ‪:‬‬

‫‪x ex e y‬‬
‫) ‪( +‬‬
‫‪y x y‬‬

‫‪x ex ey‬‬
‫) ‪( +‬‬
‫‪y x y‬‬
‫‪rx‬‬ ‫=‬ ‫‪= rx + r y‬‬ ‫وﺧﻄﺎي ﻧﺴﺒﯽ در ﻋﻤﻞ ﺗﻘﺴﯿﻢ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ‪:‬‬
‫‪y‬‬ ‫‪x‬‬
‫‪y‬‬

‫ﻣﯽ ﺗﻮان ﮐﺮان ﺑﺎﻻي اﻧﺒﺎﺷﺘﮕﯽ ﺧﻄﺎي ﻧﺴﺒﯽ در ﭼﻬﺎر ﻋﻤﻞ ﻓﻮق را ﺑﺼﻮرت زﯾﺮ ﺧﻼﺻﻪ ﮐﺮد ‪:‬‬

‫‪x‬‬ ‫‪y‬‬
‫≤ ‪rx + y‬‬ ‫‪rx +‬‬ ‫‪r y + 0.5 × 10 −t‬‬ ‫)‪(2.20‬‬
‫‪x+ y‬‬ ‫‪x+ y‬‬

‫‪x‬‬ ‫‪y‬‬
‫≤ ‪rx − y‬‬ ‫‪rx +‬‬ ‫‪r y + 0.5 × 10 −t‬‬ ‫)‪(2.21‬‬
‫‪x− y‬‬ ‫‪x− y‬‬

‫‪rxy ≤ rx + r y + 0.5 × 10 −t‬‬ ‫)‪(2.22‬‬

‫‪rx ÷ y ≤ rx + r y + 0.5 × 10 −t‬‬ ‫)‪(2.23‬‬

‫‪ t‬دﻗﺖ ﻣﺎﺷﯿﻦ ﺣﺴﺎب و ﻣﺒﻨﺎ ﺳﯿﺴﺘﻢ دﻫﺪﻫﯽ ﻓﺮض ﺷﺪه اﺳﺖ ‪.‬‬

‫‪ 16-2‬ﺟﻠﻮﮔﯿﺮي از رﺷﺪ ﺧﻄﺎ‬

‫ﺑﺎﺗﻮﺟﻪ ﺑﻪ اﻧﺒﺎﺷﺘﮕﯽ ﺧﻄﺎ در ﭼﻬﺎرﻋﻤﻞ اﺻﻠﯽ ﮐﻪ در ﺑﺎﻻ ﺑﺮرﺳﯽ ﮐﺮدﯾﻢ ﻧﺘﯿﺠﻪ ﻣﯽ ﺷﻮد ﮐﻪ از ﺿﺮب اﻋﺪاد ﺗﻘﺮﯾﺒﯽ‬

‫ﺑﺰرگ ﭘﺮﻫﯿﺰ ﻧﻤﺎﯾﯿﻢ ‪.‬ﻟﺬا درﺿﺮب اﻋﺪاد ﺑﺎﯾﺴﺘﯽ ﺑﻄﺮﯾﻘﯽ ﻋﻤﻞ ﻧﻤﻮد ﮐﻪ ﻋﺎﻣﻠﻬﺎي ﺿﺮب ﺑﻪ ﮐﺮان ﻋﺪد ﯾﮏ ﻣﺤﺪود‬

‫‪23‬‬
‫ﺷﻮﻧﺪ ‪.‬دوم اﯾﻨﮑﻪ از اﻧﺒﺎﺷﺘﮕﯽ ﺧﻄﺎ در ﻋﻤﻞ ﺗﻔﺮﯾﻖ ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ﺗﻔﺮﯾﻖ دو ﻋﺪد ﺗﻘﺮﯾﺒﺎً ﺑﻬﻢ ﻧﺰدﯾﮏ ﺑﺰرﮔﺘﺮﯾﻦ‬

‫ﻣﻨﺸﺄ اﯾﺠﺎد ﺧﻄﺎ در ﻣﺤﺎﺳﺒﺎت ﻣﯽ ﺑﺎﺷﻨﺪ ‪.‬‬

‫ﻣﺜﺎل ‪ : 6-2‬از ﺑﯿﻦ ارﻗﺎم ﺑﺎﻣﻌﻨﯽ درﺳﺖ ‪ :‬ﻣﺤﺎﺳﺒﻪ ﺗﺎﺑﻊ زﯾﺮ را درﻧﻈﺮ ﻣﯿﮕﯿﺮﯾﻢ ‪:‬‬

‫) ‪f ( x) = x( x + 1 − x‬‬

‫ﺑﺎ ﻣﺎﺷﯿﻦ ﺣﺴﺎب ‪ 6‬رﻗﻤﯽ درﭘﺎﯾﻪ دﻫﺪﻫﯽ ﻧﺘﺎﯾﺞ ﺑﺎ ﻣﻘﺎدﯾﺮ ﻣﺨﺘﻠﻒ ‪ x‬درﺟﺪول آورده ﺷﺪه اﺳﺖ ‪.‬‬

‫‪X‬‬ ‫‪1‬‬ ‫‪10‬‬ ‫‪100‬‬ ‫‪1000‬‬ ‫‪10000‬‬ ‫‪100000‬‬

‫)‪ f(x‬ﺟﻮاب‬ ‫‪0.414210‬‬ ‫‪1.54340‬‬ ‫‪4.99000‬‬ ‫‪15.8000‬‬ ‫‪50.0000‬‬ ‫‪100.000‬‬
‫ﺗﻘﺮﯾﺒﯽ‬
‫)‪f(x‬ﺟﻮاب‬ ‫‪0.414210‬‬ ‫‪1.54347‬‬ ‫‪4.98756‬‬ ‫‪15.8074‬‬ ‫‪49.9988‬‬ ‫‪158.113‬‬
‫واﻗﻌﯽ‬
‫ﺑﻪ ﻫﻢ ﻧﺰدﯾﮏ ﺗﺮ‬ ‫و ‪x +1‬‬ ‫ﻣﻼﺣﻈﻪ ﻣﯽ ﮐﻨﯿﺪ ﮐﻪ ﻫﺮﻗﺪر ‪ x‬ﺑﺰرﮔﺘﺮ ﻣﯽ ﺷﻮد ﺧﻄﺎ ﺑﯿﺸﺘﺮ ﻣﯽ ﺷﻮد ﭼﻮن ‪x‬‬

‫ﻣﯿﺸﻮﻧﺪ و ﺑﺎﻋﺚ از دﺳﺖ رﻓﺘﻦ ارﻗﺎم ﺑﺎ ﻣﻌﻨﯽ درﺳﺖ ﻣﯽ ﺷﻮد ‪.‬‬

‫دراﯾﻦ ﺗﺎﺑﻊ ﺧﺎص ﺑﺎ ﻋﻤﻠﯿﺎت ﺟﺒﺮي ﺳﺎده ﻣﯽ ﺗﻮان ارﻗﺎم ﺑﺎﻣﻌﻨﯽ درﺳﺖ را ﺣﻔﻆ ﻧﻤﻮد ‪.‬‬

‫~‬ ‫‪x +1 − x‬‬ ‫‪x +1 + x‬‬ ‫‪x‬‬

‫‪f ( x) = x‬‬ ‫×‬ ‫=‬
‫‪1‬‬ ‫‪x +1 + x‬‬ ‫‪x +1 + x‬‬

‫ﺣﺎل ﺑﺎ ﻣﺎﺷﯿﻦ ﺣﺴﺎب ﺷﺶ رﻗﻤﯽ ﺑﺎ ﺿﺎﺑﻄﻪ ﺟﺪﯾﺪ در ﻧﻘﻄﻪ ‪ x=100‬دارﯾﻢ ‪:‬‬

‫‪f(100) =4.98756‬‬ ‫ﯾﻌﻨﯽ ﺟﻮاب ﺗﺎ ‪ 6‬رﻗﻢ ﺻﺤﯿﺢ اﺳﺖ‬

‫‪ 17-2‬اﻧﺒﺎﺷﺘﮕﯽ ﺧﻄﺎي ﻧﺴﺒﯽ در ﻣﺤﺎﺳﺒﻪ ﺗﻮاﺑﻊ‬

‫اﮔﺮ ‪ x‬ﯾﮏ ﺗﻘﺮﯾﺐ ﺑﺮاي ‪ x‬ﺑﺎﺷﺪ ‪.‬ﻣﯽ ﺧﻮاﻫﯿﻢ ﺑﻪ اﯾﻦ ﻣﻮﺿﻮع ﺑﭙﺮدازﯾﻢ ﮐﻪ )‪ f ( x‬ﺗﺎ ﭼﻪ اﻧﺪازه ﺗﻘﺮﯾﺐ ﻣﻨﺎﺳﺒﯽ ﺑﺮاي‬

‫)‪ f(x‬ﻣﯽ ﺑﺎﺷﺪ ‪.‬اﮐﻨﻮن ﻧﺸﺎن ﻣﯽ دﻫﯿﻢ در ﻣﺤﺎﺳﺒﻪ )‪ f ( x‬ﻧﯿﺰ ﺧﻄﺎﯾﯽ اﻧﺠﺎم ﻣﯽ ﺷﻮد ‪.‬ﺑﺎ اﺳﺘﻔﺎده از ﺑﺴﻂ ﺗﯿﻠﻮر دارﯾﻢ ‪:‬‬

‫‪ex 2‬‬
‫‪f ( x) = f ( x + e x ) = f ( x) + e x f ′( x) +‬‬ ‫‪f ′′( x) + ...‬‬
‫!‪2‬‬

‫اﮐﻨﻮن ﺑﺎﺗﻮﺟﻪ ﺑﻪ ﮐﻮﭼﮏ ﺑﻮدن ﻣﻘﺪار ‪ ex‬از ﺗﻮاﻧﻬﺎي ﺑﺎﻻﺗﺮ از ﯾﮏ ‪ ex‬ﺻﺮف ﻧﻈﺮ ﻣﯽ ﮐﻨﯿﻢ‬

‫‪24‬‬
‫)‪f ( x) ≅ f ( x) + e x f ′( x) ⇒ f ( x) − f ′( x) ≈ e x f ′( x‬‬

‫اﻧﺒﺎﺷﺘﮕﯽ ﺧﻄﺎي ﻧﺴﺒﯽ ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫)‪f ( x) − f ′( x‬‬ ‫)‪f ′( x‬‬ ‫)‪f ′( x‬‬

‫≤‬ ‫= ‪ex‬‬ ‫‪x r x = k rx‬‬ ‫)‪(2.24‬‬
‫)‪f ( x‬‬ ‫)‪f ( x‬‬ ‫)‪f ( x‬‬

‫‪ k‬را ﻋﺪد ﺣﺎﻟﺖ ﻣﯽ ﻧﺎﻣﻨﺪ ودﻗﺖ ﻧﺴﺒﯽ ورودي ﯾﮏ ﻣﺴﺌﻠﻪ را ﺑﺎ دﻗﺖ ﻧﺴﺒﯽ ﺧﺮوﺟﯽ آن ﻣﺮﺗﺒﻂ ﻣﯽ ﮐﻨﺪ ‪ .‬اﮔﺮ ‪ k‬ﻋﺪد‬

‫)‪f ′( x‬‬
‫=‪k‬‬ ‫‪x‬‬ ‫ﺑﺰرﮔﯽ ﺑﺎﺷﺪ ﻣﺴﺌﻠﻪ ﺑﺪوﺿﻊ ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد ‪.‬‬
‫)‪f ( x‬‬

‫ﻣﺜﺎل ‪ : 7-2‬ﺧﻄﺎي ﻧﺴﺒﯽ ﺗﺎﺑﻊ ‪ f ( x) = b x‬را ﺑﯿﺎﺑﯿﺪ‬

‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ راﺑﻄﻪ )‪ (2.24‬دارﯾﻢ ‪:‬‬

‫‪ b x log b‬‬ ‫‪‬‬

‫‪rf ≤ ‬‬ ‫‪x‬‬
‫‪x  rx ≈ ( log(b) x ) rx‬‬
‫‪‬‬ ‫‪b‬‬ ‫‪‬‬

‫اﮔﺮ ‪ k = log b x‬ﻋﺪد ﺑﺰرﮔﯽ ﺑﺎﺷﺪ آﻧﮕﺎه ﺧﻄﺎي ﻧﺴﺒﯽ در ‪ bx‬ﺑﺴﯿﺎر ﺑﺰرﮔﺘﺮ از ﺧﻄﺎي ﻧﺴﺒﯽ در ‪ x‬ﺧﻮاﻫﺪ ﺑﻮد ‪.‬‬

‫ﯾﻌﻨﯽ اﮔﺮ ‪ rx ≤ 10 −6‬ﺑﺎﺷﺪ و ‪ k=1000‬آﻧﮕﺎه ‪ rb x < 10 −3‬ﮐﻪ ﺑﯿﺎﻧﮕﺮ اﻓﺰاﯾﺶ ﺧﻄﺎ ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬

‫‪ 18-2‬ﺧﻄﺎ در ﻣﺤﺎﺳﺒﻪ ﺗﻮاﺑﻊ ﭼﻨﺪ ﻣﺘﻐﯿﺮه‬

‫ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ) ‪ z = f ( x1 , x2 ,..., xn‬ﺗﺎﺑﻌﯽ ‪ n‬ﻣﺘﻐﯿﺮه و ﻣﺸﺘﻖ ﭘﺬﯾﺮ ﺑﺎﺷﺪ ‪.‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﻫﺮﯾﮏ از ﻣﺘﻐﯿﺮﻫﺎي‬

‫‪ x1 , x2 ,..., xn‬داراي ﺧﻄﺎي ﻣﻄﻠﻖ ‪ ∆xk‬ﺑﻪ ازاي ‪ k = 1,2,..., n‬ﺑﺎﺷﻨﺪ ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ ﺧﻄﺎي ﻣﻄﻠﻖ ﺗﺎﺑﻊ ‪ z‬ﻋﺒﺎرﺗﺴﺖ از‬

‫) ‪∆z = f ( x1 + ∆x1 , x2 + ∆x2 ,..., xn + ∆xn ) − f ( x1 , x2 ,..., xn‬‬

‫ﭼﻮن ﻋﻤﻼً ﺳﻌﯽ ﻣﯽ ﺷﻮد ﮐﻪ ‪ ∆xk‬ﺑﺴﯿﺎر ﮐﻮﭼﮏ ﺑﺎﺷﻨﺪ ‪ ،‬ﻟﺬا ﺿﺮب آﻧﻬﺎ و ﺗﻮاﻧﻬﺎي ﺑﺎﻻي اﯾﻦ ﻣﻘﺎدﯾﺮ ﻗﺎﺑﻞ ﭼﺸﻢ‬

‫ﭘﻮﺷﯽ ﻫﺴﺘﻨﺪ ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ ﻣﯽ ﺗﻮاﻧﯿﻢ ﺧﻄﺎي ﻣﻄﻠﻖ ﺗﺎﺑﻊ ‪ n‬ﻣﺘﻐﯿﺮه ‪ z‬را ﺑﺼﻮرت زﯾﺮ ﺗﻘﺮﯾﺐ زد ‪:‬‬

‫‪n‬‬
‫‪∂f‬‬ ‫‪n‬‬
‫‪∂f‬‬
‫= ) ‪∆z ≈ df ( x1 , x2 ,..., xn‬‬ ‫∑‬
‫‪k ∂x‬‬
‫‪=1‬‬
‫∑ ≤ ‪∆xk‬‬
‫‪k =1‬‬ ‫‪∂xk‬‬
‫‪∆xk‬‬
‫‪k‬‬

‫‪e xk = max ∆xk‬‬

‫ﺑﺎﺷﺪ و ‪ ez‬ﮐﺮان ﺑﺎﻻي ﺧﻄﺎي ﻣﻄﻠﻖ ﺗﺎﺑﻊ ‪ n‬ﻣﺘﻐﯿﺮه ﺑﺎﺷﺪ دارﯾﻢ ‪:‬‬ ‫ﺣﺎل اﮔﺮ ﻓﺮض ﮐﻨﯿﻢ‬
‫‪1≤ k ≤ n‬‬

‫‪25‬‬
 ‫‪n‬‬
‫‪∂f‬‬
‫∑ = ‪ez‬‬ ‫‪ex‬‬ ‫)‪(2.29‬‬
‫‪k =1‬‬ ‫‪∂xk k‬‬

‫ﺣﺎل ﮐﺮان ﺑﺎﻻي ﺧﻄﺎي ﻧﺴﺒﯽ در ‪ z‬را ﻣﯽ ﺗﻮان ﺑﺼﻮرت زﯾﺮ ﺑﺪﺳﺖ آورد ‪.‬‬

‫‪ez‬‬ ‫‪n‬‬
‫‪∂f‬‬ ‫‪n‬‬
‫∂‬
‫= ‪rz‬‬ ‫(∑=‬ ‫∑ = ‪z e xk‬‬ ‫‪(ln f ( x1 , x2 ,..., xn ) e x k‬‬ ‫ﯾﺎ‬
‫‪z k =1 ∂xk‬‬ ‫‪k =1 ∂xk‬‬

‫‪n‬‬ ‫∂ ‪‬‬ ‫‪‬‬

‫‪rz = ∑ ‬‬ ‫‪(ln f ( x1 , x2 ,..., xn )) xk rxk ‬‬ ‫)‪(2.30‬‬
‫‪k =1  ∂xk‬‬ ‫‪‬‬

‫‪n‬‬
‫∂‬
‫∑ = ‪rz‬‬ ‫‪(ln f ( x1 , x2 ,..., xk )) xk‬‬ ‫در راﺑﻄﻪ )‪ (2.30‬ﻋﺪد ﺣﺎﻟﺖ ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬
‫‪k =1‬‬ ‫‪∂xk‬‬

‫ﮐﺮان ﺑﺎﻻي ﺧﻄﺎي ﻧﺴﺒﯽ ﺗﺎﺑﻊ دوﻣﺘﻐﯿﺮه )‪ f(x,y‬ﺑﻪ آﺳﺎﻧﯽ از راﺑﻄﻪ ﻓﻮق ﻣﯽ ﺗﻮان ﻧﺘﯿﺠﻪ ﮔﺮﻓﺖ ‪:‬‬

‫)‪f x ( x, y‬‬ ‫)‪f ( x, y‬‬

‫≤ ) ‪r f ( x, y‬‬ ‫‪x rx + y‬‬ ‫‪y r y = k1 rx + k2 r y‬‬
‫)‪f ( x, y‬‬ ‫)‪f ( x, y‬‬
‫)‪f x ( x, y‬‬ ‫)‪f ( x, y‬‬
‫= ‪k1‬‬ ‫‪x , k2 = y‬‬ ‫‪y‬‬
‫)‪f ( x, y‬‬ ‫)‪f ( x, y‬‬

‫‪ k2,k1‬را ﻋﺪد ﺷﺮﻃﯽ ﺗﺎﺑﻊ )‪ f(x,y‬ﻣﯽ ﻧﺎﻣﻨﺪ ‪.‬‬

‫‪ 19-2‬ﻋﮑﺲ ﻓﺮﻣﻮل ﮐﻠﯽ ﺧﻄﺎ در ﺗﻮاﺑﻊ ﭼﻨﺪ ﻣﺘﻐﯿﺮه‬

‫در ﻣﺴﺎﺋﻞ ﮐﺎرﺑﺮدي ﮔﺎﻫﯽ ﻧﯿﺎز اﺳﺖ ﮐﻪ ﺧﻄﺎي ﻣﺘﻐﯿﺮﻫﺎي ﯾﮏ ﺗﺎﺑﻊ را ﺑﻄﺮﯾﻘﯽ ﻣﺤﺎﺳﺒﻪ ﻧﻤﻮد ﺗﺎ ﺧﻄﺎي ﮐﻠﯽ ﺗﺎﺑﻊ از‬

‫ﻣﻘﺪار ﻣﺸﺨﺺ و ﻣﻌﯿﻨﯽ ﺗﺠﺎوز ﻧﮑﻨﺪ ‪.‬ﯾﺎ ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ ﺑﻪ ازاي ﮐﺮان ﺑﺎﻻي ﺧﻄﺎي ﯾﮏ ﺗﺎﺑﻊ ﺑﺎﯾﺴﺘﯽ ﮐﺮان ﺑﺎﻻي‬

‫ﺧﻄﺎي ﻣﻄﻠﻖ ﻫﺮﻣﺘﻐﯿﺮ را ﻣﺤﺎﺳﺒﻪ ﻧﻤﺎﺋﯿﻢ ‪.‬اﯾﻦ ﮐﺎر ﺑﺎ اﺳﺘﻔﺎده از ﻗﺎﻧﻮن ﺗﺄﺛﯿﺮات ﯾﮑﺴﺎن ﻣﺘﻐﯿﺮﻫﺎ ﻋﻤﻠﯽ اﺳﺖ ‪.‬ﯾﻌﻨﯽ‬

‫‪∂f‬‬
‫را ﺑﻪ ازاي ‪ k=1,2,…,n‬ﮐﻪ در ﺧﻄﺎي ﻣﻄﻠﻖ ﺗﺎﺑﻊ‬ ‫ﺑﺎﯾﺴﺘﯽ ﻓﺮض ﮐﻨﯿﻢ ﮐﻪ ﻫﻤﻪ دﯾﻔﺮاﻧﺴﯿﻞ ﻫﺎي ﺟﺰﺋﯽ ‪∆xk‬‬
‫‪∂xk‬‬

‫ﺷﺮﮐﺖ دارﻧﺪ داراي ﺗﺄﺛﯿﺮات ﯾﮑﺴﺎن ﻫﺴﺘﻨﺪ ‪.‬ﻟﺬا دارﯾﻢ ‪:‬‬

‫‪∂f ( x1 , x2 ,..., xn‬‬ ‫‪∂f ( x1 , x2 ,..., xn‬‬ ‫) ‪∂f ( x1 ,..., xn‬‬

‫= ‪∆x1‬‬ ‫= ‪∆x2 = ...‬‬ ‫‪∆xn‬‬
‫‪∂x1‬‬ ‫‪∂x2‬‬ ‫‪∂xn‬‬

‫‪26‬‬
 ‫‪n‬‬
‫) ‪∂f ( x1 , x2 ,..., xn‬‬ ‫) ‪∂f ( x1 ,..., xn‬‬
‫∑ = ‪∆z‬‬ ‫‪∆xk = n‬‬ ‫‪∆x1‬‬ ‫ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺎ اﺳﺘﻔﺎده از‬
‫‪k =1‬‬ ‫‪∂xk‬‬ ‫‪∂x1‬‬

‫) ‪∂f ( x1 ,..., xn‬‬

‫‪=n‬‬ ‫‪∆x2‬‬ ‫ﯾﺎ‬
‫‪∂x2‬‬

‫) ‪∂f ( x1 ,..., xn‬‬

‫‪=n‬‬ ‫‪∆xn‬‬ ‫ﺗﺎ‬
‫‪∂xn‬‬

‫‪∆z‬‬
‫= ‪∆xk‬‬ ‫و‬ ‫‪k = 1,2,..., n‬‬ ‫ﻟﺬا ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ‬
‫) ‪∂f ( x1 ,..., xn‬‬
‫‪n‬‬
‫‪∂xk‬‬

‫ﻣﺜﺎل ‪ : 8-2‬ﺣﺠﻢ ﯾﮏ ﮐﺮه ﺑﺎ ﻗﻄﺮ ‪ d‬را ﻣﺤﺎﺳﺒﻪ ﮐﺮده اﯾﻢ ‪.‬ﭼﻨﺎﻧﭽﻪ ﻗﻄﺮ ﮐﺮه ‪ d=3.7000‬ﺑﺎﺧﻄﺎ ‪ 0.0500 cm‬و‬

‫‪ π ≈ 3.14‬ﺑﺎ ﺧﻄﺎي ‪ 0.0016‬رادﯾﺎن ‪.‬ﮐﺮان ﺑﺎﻻي ﺧﻄﺎي ﻣﻄﻠﻖ و ﻧﺴﺒﯽ در ﺣﺠﻢ ﮐﺮه را ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪πd 3‬‬
‫= ‪. v‬ﮐﺮان ﺑﺎﻻي ﺧﻄﺎي ﻣﻄﻠﻖ در ﺣﺠﻢ ﮐﺮه ‪:‬‬ ‫ﺣﻞ ‪ :‬ﺣﺠﻢ ﮐﺮه ﻋﺒﺎرﺗﺴﺖ از‬
‫‪6‬‬

‫‪∂v‬‬ ‫‪∂v‬‬
‫= ‪∆v‬‬ ‫‪∆π +‬‬ ‫‪∆d‬‬
‫‪∂π‬‬ ‫‪∂d‬‬

‫‪∂v 1 3 1‬‬
‫‪= d = (3.7000) 3 = 8.4400‬‬
‫‪∂π 6‬‬ ‫‪6‬‬
‫‪∂v 1 2 1‬‬
‫‪= πd = (3.14)(3.7000) 2 = 21.5000‬‬
‫‪∂d 2‬‬ ‫‪2‬‬
‫‪∆v = (8.4400)(0.0016) + (21.5000)(0.0500) = 1.0880cm3‬‬

‫‪v = 1 / 6πd 3 = 1 / 6(3.1400)(3.7000) 3 = 25.5100cm3‬‬

‫‪1.0880‬‬
‫= ‪rv‬‬ ‫‪= 0.0426 ≈ %4‬‬ ‫ﮐﺮان ﺑﺎﻻي ﺣﻄﺎي ﻧﺴﺒﯽ ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬
‫‪25.5100‬‬

‫ﻣﺜﺎل ‪ : 9-2‬ﺣﺠﻢ اﺳﺘﻮاﻧﻪ اي ﺑﺎ ﺷﻌﺎع ﻗﺎﻋﺪه دو ﻣﺘﺮ )‪ (r=2m‬و ارﺗﻔﺎع ﺳﻪ ﻣﺘﺮ )‪ (h=3m‬ﺑﺎ ﺧﻄﺎي ﻣﻄﻠﻖ ‪0.1 m3‬‬

‫ﻣﺤﺎﺳﺒﻪ ﺷﺪه اﺳﺖ ‪.‬ﻣﯿﺰان ﺧﻄﺎ در ﺷﻌﺎع ﻗﺎﻋﺪه و ارﺗﻔﺎع را ﺗﻌﯿﯿﻦ ﮐﻨﯿﺪ ‪ .‬ﺣﻞ ‪:‬‬

‫‪v = πr 2 h‬‬ ‫‪∆v = 0.1m3‬‬

‫‪27‬‬
‫‪∂v‬‬
‫‪= r 2 h = (2) 2 (3) = 12‬‬
‫‪∂π‬‬
‫‪∂v‬‬
‫‪= 2πrh = 2(3.140(2)(3) = 37.7‬‬
‫‪∂r‬‬
‫‪∂v‬‬
‫‪= πr 2 = (3.14)(4) = 12.56‬‬
‫‪∂h‬‬

‫ﺗﻌﺪاد ﻣﺘﻐﯿﺮﻫﺎ ‪ n=3‬ﻣﯽ ﺑﺎﺷﺪ ‪ ،‬ﻟﺬا دارﯾﻢ ‪:‬‬

‫‪∆v‬‬ ‫‪0.1‬‬
‫= ‪∆π‬‬ ‫=‬ ‫‪= 0.0027 < 0.003‬‬
‫‪∆v 3 × 12‬‬
‫‪n‬‬
‫‪∂π‬‬
‫‪∆v‬‬ ‫‪0.1‬‬
‫= ‪∆r‬‬ ‫=‬ ‫‪= 0.00088 < 0.001‬‬
‫‪∂v 3 × 37.7‬‬
‫‪n‬‬
‫‪∂r‬‬
‫‪∆v‬‬ ‫‪0.1‬‬
‫= ‪∆h‬‬ ‫=‬ ‫‪= 0.00264 < 0.003‬‬
‫‪∂v 3 × 12.6‬‬
‫‪n‬‬
‫‪∂h‬‬

‫‪ 20-2‬ﭘﺎﯾﺪاري روﺷﻬﺎي ﻋﺪدي‬

‫ﻣﺎ ﻋﻼﻗﻪ ﻣﻨﺪ ﻫﺴﺘﯿﻢ روﺷﻬﺎﯾﯽ را اﻧﺘﺨﺎب ﮐﻨﯿﻢ ﮐﻪ ﺑﺮاي ﻃﯿﻒ وﺳﯿﻌﯽ از ﻣﺴﺎﺋﻞ ﻧﺘﺎﯾﺞ دﻗﯿﻖ و ﻗﺎﺑﻞ اﻋﺘﻤﺎدي‬

‫ﺑﺪﺳﺖ ﺑﺪﻫﺪ ‪.‬ﻫﺮﮔﺎه ﺑﺘﻮان ﻣﻌﯿﺎري را ﺑﺮاي اﻟﮕﻮرﯾﺘﻢ اﻋﻤﺎل ﻧﻤﺎﺋﯿﻢ ﻣﺒﻨﯽ ﺑﺮ اﯾﻨﮑﻪ ﺗﻐﯿﯿﺮات ﮐﻮﭼﮑﯽ در داده ﻫﺎي‬

‫ورودي ﻣﻨﺠﺮ ﺑﻪ ﺗﻐﯿﯿﺮاﺗﯽ ﮐﻮﭼﮏ در ﻧﺘﺎﯾﺞ ﻧﻬﺎﯾﯽ ﮔﺮدد ‪.‬اﻟﮕﻮرﯾﺘﻤﯽ ﮐﻪ اﯾﻦ ﺧﺎﺻﯿﺖ راﺑﺮآورده ﺳﺎزد ‪ ،‬ﭘﺎﯾﺪار ﻧﺎﻣﯿﺪه‬

‫ﻣﯿﺸﻮد واﻟﮕﻮرﯾﺘﻤﯽ ﮐﻪ اﯾﻦ ﻣﻌﯿﺎر را ﺑﺮآورده ﻧﺴﺎزد ‪ ،‬ﻧﺎﭘﺎﯾﺪار ﺧﻮاﻧﺪه ﻣﯽ ﺷﻮد ‪.‬‬

‫ﺑﻄﻮرﮐﻠﯽ ﻣﺴﺌﻠﻪ ﻧﺎﭘﺎﯾﺪاري را ﻣﯽ ﺗﻮان ﺑﻪ ذاﺗﺎً ﻧﺎﭘﺎﯾﺪار‪ 1‬وﻧﺎﭘﺎﯾﺪاري واداﺷﺘﻪ‪2‬ﯾﺎ اﯾﺠﺎد ﺷﺪه دﺳﺘﻪ ﺑﻨﺪي ﻧﻤﺎﺋﯿﻢ ‪.‬‬

‫دﺳﺘﻪ اول زﻣﺎﻧﯽ ﺑﺮوز ﻣﯽ ﮐﻨﺪ ﮐﻪ ﻣﺴﺌﻠﻪ ﺑﺪوﺿﻊ ﺑﺎﺷﺪ ودﺳﺘﻪ دوم زﻣﺎﻧﯽ رخ ﻣﯽ دﻫﺪ ﮐﻪ اﻧﺘﺨﺎب روش ﺣﻞ ﻣﺴﺌﻠﻪ‬

‫ﻧﺎدرﺳﺖ ﺑﺎﺷﺪ ‪ .‬در زﯾﺮ ﺑﺎ اراﺋﻪ ﻣﺜﺎﻟﻬﺎﯾﯽ اﯾﻦ ﻣﻮﺿﻮع را ﭘﯽ ﻣﯽ ﮔﯿﺮﯾﻢ ‪:‬‬

‫ﻣﺜﺎل ‪ : 10-2‬رﯾﺸﻪ ﻫﺎي ﭼﻨﺪ ﺟﻤﻠﻪ اي زﯾﺮ را ﮐﻪ ﺑﻪ ﻣﺜﺎل وﯾﻠﮑﯿﻨﺴﻮن ‪3‬ﻣﻌﺮوف اﺳﺖ را درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪:‬‬

‫‪1‬‬
‫‪Inherent‬‬
‫‪2‬‬
‫‪Induced‬‬

‫‪28‬‬
‫!‪P20(x)=(x-1)(x-2)…(x-20)=x20-210x19+…+20‬‬
‫اﯾﻦ ﭼﻨﺪﺟﻤﻠﻪ اي داراي رﯾﺸﻪ ﻫﺎي ‪1‬و‪2‬و‪...‬و‪ 20‬ﻣﯽ ﺑﺎﺷﺪ ‪.‬ﺣﺎل اﮔﺮ ﺿﺮﯾﺐ ‪ x19‬ﮐﻪ ‪ -210‬ﻣﯽ ﺑﺎﺷﺪ را ﺑﻪ –‬

‫)‪ (210+2-23‬ﺗﻐﯿﯿﺮ دﻫﯿﻢ ﮐﻪ ﯾﮏ ﺗﻐﯿﯿﺮ ﺑﺴﯿﺎر ﮐﻮﭼﮏ ﻣﯽ ﺑﺎﺷﺪ ‪.‬ﺣﺎل اﮔﺮ ﺟﻮاﺑﻬﺎي ﭼﻨﺪﺟﻤﻠﻪ اي ﺟﺪﯾﺪ را ﺑﯿﺎﺑﯿﻢ ‪،‬‬

‫رﯾﺸﻪ ﻫﺎي از ﻟﺤﺎظ ﮐﻤﯽ ﮐﻮﭼﮏ ﺗﺮ ﭼﻨﺪ ﺟﻤﻠﻪ اي اﺧﯿﺮ ﺑﺎ دﻗﺖ ﻗﺎﺑﻞ ﻗﺒﻮﻟﯽ ﺑﺪﺳﺖ ﻣﯽ آﯾﻨﺪ درﺻﻮرﺗﯿﮑﻪ رﯾﺸﻪ ﻫﺎي‬

‫از ﻟﺤﺎظ ﮐﻤﯽ ﺑﺰرﮔﺘﺮ ﺑﺎﻣﻘﺪار ﻗﺎﺑﻞ ﻣﻼﺣﻈﻪ اي ﺗﻐﯿﯿﺮ ﻣﯽ ﯾﺎﺑﻨﺪ ‪.‬ﺑﯿﺸﺘﺮﯾﻦ ﺗﻐﯿﯿﺮ در رﯾﺸﻪ ﻫﺎي ﺷﺎﻧﺰدﻫﻢ و ﻫﻔﺪﻫﻢ اﯾﺠﺎد‬

‫ﻣﯽ ﺷﻮد ﮐﻪ ﺑﺼﻮرت ﻣﺨﺘﻠﻂ ‪ 16.73000 ± i 2.81000‬ﻣﯽ ﺑﺎﺷﺪ ‪.‬اﯾﻦ ﺗﻐﯿﯿﺮات در رﯾﺸﻪ ﻫﺎ ﺑﻪ ﻋﻠﺖ ﻧﺎﭘﺎﯾﺪاري ذاﺗﯽ ﯾﺎ‬

‫ﺑﺪوﺿﻌﯽ ﭼﻨﺪ ﺟﻤﻠﻪ اي اﺳﺖ‪.‬‬

‫‪1‬‬
‫‪xn‬‬
‫∫ = ‪In‬‬ ‫‪dx‬‬ ‫‪n = 1,2,...,10‬‬ ‫ﻣﺜﺎل ‪ : 11-2‬اﻧﺘﮕﺮال ﻣﻌﯿﻦ زﯾﺮ ﻣﻔﺮوض اﺳﺖ ‪.‬‬
‫‪0‬‬
‫‪x+6‬‬

‫ﺑﺮاي ﺣﻞ اﯾﻦ اﻧﺘﮕﺮال از راﺑﻄﻪ ﺑﺎزﮔﺸﺘﯽ زﯾﺮ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ ‪:‬‬

‫‪1‬‬
‫‪dx‬‬ ‫‪7‬‬
‫∫ = ‪I0‬‬ ‫‪= ln( ) = 0.15413‬‬ ‫ﺑﻄﻮرﯾﮑﻪ ﻣﯽ داﻧﯿﻢ ‪:‬‬
‫‪0‬‬
‫‪x+ 6‬‬ ‫‪6‬‬

‫‪I n = 1 / n − 6 I n−1 , n = 1,2,...,10‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از راﺑﻄﻪ ﺑﺎزﮔﺸﺘﯽ ﻓﻮق ﺟﻮاﺑﻬﺎي زﯾﺮ را ﺑﺮاي ﻣﻘﺎدﯾﺮ ﻣﺨﺘﻠﻒ ‪ n‬ﻣﯽ ﯾﺎﺑﯿﻢ‬

‫‪I1 ≈ 0.07510‬‬ ‫‪I 2 ≈ 0.04940‬‬ ‫‪I 3 ≈ 0.03693‬‬

‫‪I 4 ≈ 0.02842‬‬ ‫‪I 5 ≈ 0.02948‬‬ ‫‪I 6 ≈ −0.01021‬‬

‫‪I 7 ≈ 0.20412‬‬ ‫‪I 8 ≈ −1.09972‬‬ ‫‪I 9 ≈ 6.70943‬‬

‫‪I10 ≈ −40.15658‬‬

‫ﺟﻮاب واﻗﻌﯽ ‪ I10 ≈ 0.01449‬ﻣﯽ ﺑﺎﺷﺪ ‪.‬اﯾﻦ ﺗﻐﯿﯿﺮ ﻓﺎﺣﺶ در ﺟﻮاب ‪ I10‬ﺑـﻌﻠﺖ ﻧﺎﭘﺎﯾﺪاري واداﺷﺘﻪ ﺷﺪه اﺳﺖ‪.‬اﻣﺎ‬

‫ﻣﯽ داﻧﯿﻢ ﮐﻪ اﻧﺘﮕﺮال ﻓﻮق ﺧﻮش وﺿﻊ اﺳﺖ و داراي ﺟﻮاب ﻗﺎﺑﻞ ﻗﺒﻮل و دﺳﺖ ﯾﺎﻓﺘﻨﯽ اﺳﺖ ‪ ،‬اﮔﺮ روش ﻣﻨﺎﺳﺐ‬

‫اﻧﺘﺨﺎب ﮐﻨﯿﻢ ‪.‬‬

‫‪3‬‬
‫‪wilkinson‬‬

‫‪29‬‬
 ‫راﺑﻄﻪ ﺑﺎزﮔﺸﺘﯽ ﻓﻮق را ﻣﯽ ﺗﻮان ﺑﺼﻮرت زﯾﺮ ﻧﯿﺰ ﻧﻮﺷﺖ‬

‫‪1‬‬
‫) ‪I n−1 = 1 / 6( − I n‬‬ ‫‪n=10,9,8,…,1‬‬
‫‪n‬‬
‫از آﻧﺠﺎ ﮐﻪ ‪ In‬ﺑﺎ اﻓﺰاﯾﺶ ‪ n‬ﮐﺎﻫﺶ ﻣﯽ ﯾﺎﺑﺪ ﻣﯽ ﺗﻮان ‪ I10=0‬اﺧﺘﯿﺎر ﮐﺮد و ﺑﺮاﯾﻦ اﺳﺎس ﺟﻮاﺑﻬﺎي ﻣﺨﺘﻠﻒ زﯾﺮ ﺑﺮاي‬

‫ﻣﻘﺎدﯾﺮ ﻣﺨﺘﻠﻒ ‪ n‬ﻣﯽ ﯾﺎﺑﯿﻢ ‪:‬‬

‫‪I 9 ≈ 0.01666‬‬ ‫‪I 8 ≈ 0.01574‬‬ ‫‪I 7 ≈ 0.01821‬‬

‫‪I 6 ≈ 0.02077‬‬ ‫‪I 5 ≈ 0.02432‬‬ ‫‪I 4 ≈ 0.02928‬‬

‫‪I 3 ≈ 0.03679‬‬ ‫‪I 2 ≈ 0.04942‬‬ ‫‪I1 ≈ 0.07510‬‬

‫‪I 0 ≈ 0.15415‬‬

‫در ﺻﻮرﺗﯿﮑﻪ ﻣﯽ داﻧﯿﻢ ﻣﻘﺪار واﻗﻌﯽ ‪ I0=0.15415‬اﺳﺖ‬

‫ﺑﺮاي ﺑﺮرﺳﯽ ﺑﯿﺸﺘﺮ ﻣﻮﺿﻮع رﺷﺪ ﺧﻄﺎي روﻧﺪ ﮐﺮدن وارﺗﺒﺎط آن ﺑﺎ ﭘﺎﯾﺪاري اﻟﮕﻮرﯾﺘﻢ ‪ ،‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ‬

‫ﺧﻄﺎﯾﯽ ﺑﺎ ﻗﺪرﻣﻄﻠﻖ ‪ E0‬در ﻣﺮﺣﻠﻪ اي از ﻣﺤﺎﺳﺒﺎت وارد ﻣﯽ ﺷﻮد وﻧﯿﺰ ﻗﺪرﻣﻄﻠﻖ ﺧﻄﺎ ‪،‬ﭘﺲ از ﻋﻤﻠﯿﺎت ﺑﻌﺪي ﺑﺎ ‪En‬‬

‫ﻧﺸﺎن داده ﻣﯽ ﺷﻮد ‪.‬در ﺣﺎﻟﺘﯽ ﮐﻪ اﻏﻠﺐ ﻣﻮارد در ﻋﻤﻞ ﺑﺮوز ﻣﯽ ﮐﻨﻨﺪ ‪ ،‬ﺑﺼﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ ‪:‬‬

‫ﺗﻌﺮﯾﻒ ‪ : 4-2‬ﻫﺮﮔﺎه ‪ E n ≈ CE0‬ﺑﺎﺷﺪ ﮐﻪ در آن ‪ C‬ﺛﺎﺑﺘﯽ ﻣﺴﺘﻘﻞ از ‪ n‬اﺳﺖ ‪ ،‬رﺷﺪ ﺧﻄﺎ را ﺧﻄﯽ ﻣﯽ ﻧﺎﻣﯿﻢ ‪.‬اﻣﺎ‬

‫ﻫﺮﮔﺎه ‪ E n ≈ C n E0‬ﺑﻪ ازاي ‪ C>1‬ﺑﺎﺷﺪ ‪ ،‬رﺷﺪ ﺧﻂ ﻧﻤﺎﯾﯽ ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد ‪.‬‬

‫ﻣﻌﻤﻮﻻً رﺷﺪ ﺧﻄﺎ ‪ ،‬ﻏﯿﺮﻗﺎﺑﻞ اﺟﺘﻨﺎب اﺳﺖ و ﻋﻤﻮﻣﺎً ﻫﻨﮕﺎﻣﯽ ﮐﻪ ‪ E0 , C‬ﮐﻮﭼﮏ ﺑﺎﺷﻨﺪ ‪ ،‬ﻧﺘﺎﯾﺞ ﻗﺎﺑﻞ ﻗﺒﻮل ﻫﺴﺘﻨﺪ‬

‫‪ .‬از آﻧﺠﺎﯾﯽ ﮐﻪ ﺟﻤﻠﻪ ‪ C n‬ﺣﺘﯽ ﺑﻪ ازاي ﻣﻘﺎدﯾﺮ ﻧﺴﺒﺘﺎً ﮐﻮﭼﮏ ‪ ، n‬ﺑﺰرگ ﻣﯽ ﺑﺎﺷﺪ ﺑﺎﯾﺪ از رﺷﺪ ﻧﻤﺎﯾﯽ ﺧﻄﺎ اﺟﺘﻨﺎب‬

‫ﮔﺮدد ‪.‬اﯾﻦ ﻣﻮﺿﻮع ‪ ،‬ﺻﺮف ﻧﻈﺮ از اﻧﺪازه ‪ ، E0‬ﻣﻨﺠﺮ ﺑﻪ ﺧﻄﺎي ﻧﺎﭘﺬﯾﺮﻓﺘﻨﯽ ﻣﯽ ﮔﺮدد ‪.‬در ﻧﺘﯿﺠﻪ اﻟﮕﻮرﯾﺘﻤﯽ ﮐﻪ رﺷﺪ‬

‫ﺧﻄﯽ را اراﺋﻪ ﻣﯽ دﻫﺪ ﭘﺎﯾﺪار ﻣﯽ ﺑﺎﺷﺪ ‪.‬و در ﺣﺎﻟﯽ ﮐﻪ اﻟﮕﻮرﯾﺘﻤﯽ ﺑﺎ رﺷﺪ ﻧﻤﺎﯾﯽ ﺧﻄﺎ ‪ ،‬ﻧﺎﭘﺎﯾﺪار اﺳﺖ ‪.‬‬

‫‪30‬‬
 ‫‪10‬‬
‫ﺟﻮاﺑﯽ ﺑﻪ ﺻﻮرت‬ ‫= ‪Pn‬‬ ‫‪Pn−1 − Pn−2‬‬ ‫ﻣﺜﺎل ‪ : 12-2‬راﯾﻄﻪ ﺑﺎزﮔﺸﺘﯽ زﯾﺮ ﺑﻪ ازاي …‪n=2,3,‬‬
‫‪3‬‬

‫‪ Pn = c1 (1 / 3) n + c 2 (3) n‬ﺑﻪ ازاي ﺗﻤﺎم ﻣﻘﺎدﯾﺮ ‪ c1‬و ‪ c2‬دارد ‪.‬‬

‫ﻫﺮﮔﺎه ‪ p0=1‬و ‪ p1=1/3‬اﻧﺘﺨﺎب ﮐﻨﯿﻢ ‪ c1=1‬و ‪ c2=0‬ﺑﺪﺳﺖ ﻣﯽ آورﯾﻢ ﺑﻄﻮري ﮐﻪ ﺑﻪ ازاي ﺗﻤﺎم ﻣﻘﺎدﯾﺮ ‪n‬‬

‫‪ pn = (1 / 3) n ،‬ﺧﻮاﻫﺪ ﺑﻮد ‪.‬ﻓﺮض ﮐﻨﯿﺪ ﮐﻪ از ﺣﺴﺎب ﮔﺮدﮐﺮدن ﭘﻨﺞ رﻗﻤﯽ ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﺟﻤﻼت دﻧﺒﺎﻟﻪ داده ﺷﺪه ﺑﻪ‬

‫وﺳﯿﻠﻪ اﯾﻦ ﻣﻌﺎدﻟﻪ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ ‪.‬در اﯾﻦ ﺻﻮرت ‪ p0=1.0000‬و ‪ p1=0.33333‬ﺧﻮاﻫﺪ ﺑﻮد ﮐﻪ ﻧﯿﺎز ﺑﻪ ﺗﻐﯿﯿﺮ‬

‫ﺛﺎﺑﺘﻬﺎ از ﻣﻘﺎدﯾﺮ ﻗﺒﻠﯽ ﺑﻪ ‪ c1=1.000‬و ‪ c2 = −0.125 × 10 −5‬دارد ‪.‬دراﯾﻨﺼﻮرت دﻧﺒﺎﻟﻪ ‪ {pˆ n }∞ n=0‬اﯾﺠﺎد ﺷﺪه ﺑﻮﺳﯿﻠﻪ ‪:‬‬

‫ﮔﺮدﮐﺮدن‬ ‫ﺧﻄﺎي‬ ‫و‬ ‫ﺷﻮد‬ ‫ﻣﯽ‬ ‫ﺗﻌﯿﯿﻦ‬ ‫‪Pˆn = 1.0000(1 / 3) n − 0.12500 × 10 −5 (3) n‬‬

‫‪ Pn − pˆ n = 0.12500 × 10 −5 (3) n‬ﺑﻄﻮر ﻧﻤﺎﯾﯽ ﺑﺮﺣﺴﺐ ‪ n‬رﺷﺪ ﻣﯽ ﮐﻨﺪ‪ .‬ﺧﻄﺎﻫﺎي ﺣﺎﺻﻠﻪ را در ﺟﺪول زﯾﺮ ﻣﻨﻌﮑﺲ‬

‫ﮐﺮده اﯾﻢ و ﻧــﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ ﺑﺎ اﻓﺰاﯾﺶ ‪ n‬ﺧﻄﺎي ﻧﺴﺒﯽ اﻓﺰاﯾﺶ ﻣﯽ ﯾﺎﺑﺪ ‪.‬ﯾﻌﻨﯽ راﺑﻄﻪ ﺑﺎزﮔﺸﺘﯽ ﻓﻮق ﻧﺎﭘﺎﯾﺪار ﻣﯽ‬

‫ﺑﺎﺷﺪ ‪.‬‬

‫‪N‬‬ ‫ﻣﻘﺪار ﻣﺤﺎﺳﺒﻪ ﺷﺪه ‪p̂ n‬‬ ‫ﻣﻘﺪار واﻗﻌﯽ ‪pn‬‬ ‫ﺧﻄﺎي ﻧﺴﺒﯽ‬
‫‪0‬‬ ‫‪0.10000×101‬‬ ‫‪0.10000×101‬‬
‫‪1‬‬ ‫‪0.33333×100‬‬ ‫‪0.33333×100‬‬
‫‪2‬‬ ‫‪0.11111×100‬‬ ‫‪0.11120×100‬‬ ‫‪9×10-5‬‬
‫‪3‬‬ ‫‪0.37000×10-1‬‬ ‫‪0.37037×10-1‬‬ ‫‪9×10-3‬‬
‫‪4‬‬ ‫‪0.12230×10-1‬‬ ‫‪0.12346×10-1‬‬ ‫‪9×10-3‬‬
‫‪5‬‬ ‫‪0.37660×10-2‬‬ ‫‪0.41152×10-3‬‬ ‫‪8×10-2‬‬
‫‪6‬‬ ‫‪0.32300×10-3‬‬ ‫‪0.13717×10-3‬‬ ‫‪8×10-1‬‬
‫‪7‬‬ ‫‪-0.26893×10-2‬‬ ‫‪0.45725×10-3‬‬ ‫‪7×100‬‬
‫‪8‬‬ ‫‪-0.92872×10-2‬‬ ‫‪0.15242×10-3‬‬ ‫‪6×101‬‬
‫ﻣﺜﺎل ‪ : 13-2‬راﺑﻄﻪ ﺑﺎزﮔﺸﺘﯽ زﯾﺮ …‪ n=2,3,‬و ‪ pn=2pn-1-pn-2‬داراي ﺟﻮاب ‪ pn=c1+c2n‬ﺑﻪ ازاي ﺗﻤﺎم ﻣﻘﺎدﯾﺮ‬

‫‪ c1‬و‪ c2‬ﻣﯽ ﺑﺎﺷﺪ ‪.‬ﻫﺮﮔﺎه ‪ p0=1‬و ‪ p1=1/3‬اﻧﺘﺨﺎب ﮐﻨﯿﻢ دراﯾﻨﺼﻮرت ﺛﺎﺑﺘﻬﺎ ‪ c1=1‬و ‪ c2=-2/3‬ﻣﯽ ﺑﺎﺷﻨﺪ ‪.‬ﺑﻄﻮري‬

‫ﮐﻪ ﺟﻮاب ﺑﺼﻮرت زﯾﺮ اﺳﺖ ‪. pn=1-2n/3 :‬‬

‫‪31‬‬
‫اﮔﺮ ﺑﺎ ﺣﺴﺎب ﮔﺮد ﮐﺮدن ﭘﻨﺞ رﻗﻤﯽ ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﻢ در ﻧﺘﯿﺠﻪ ‪ pˆ 0 = 1.0000‬و ‪ pˆ 1 = 0.33333‬درﻧﺘﯿﺠﻪ‬

‫‪ c1=1.0000‬و ‪ c2=-0.66667‬ﺑﻪ اﯾﻦ ﺗﺮﺗﯿﺐ ‪ pˆ n = 1.0000 − 0.66667n‬ﺧﻄﺎي ﮔﺮدﮐﺮدن ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪ pˆ n − pn = (0.66667 − 2 / 3) n‬ﮐﻪ ﺑﻄﻮر ﺧﻄﯽ ﺑﺮﺣﺴﺐ ‪ n‬رﺷﺪ ﻣﯽ ﮐﻨﺪ اﯾﻦ ﻣﻮﺿﻮع و ﭘﺎﯾﺪاري راﺑﻄﻪ در ﺟﺪول‬

‫زﯾﺮ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ ‪.‬‬

‫‪N‬‬ ‫ﻣﻘﺪار ﻣﺤﺎﺳﺒﻪ ﺷﺪه ‪p̂ n‬‬ ‫ﻣﻘﺪار واﻗﻌﯽ ‪pn‬‬ ‫ﺧﻄﺎي ﻧﺴﺒﯽ‬
‫‪1‬‬ ‫‪1‬‬
‫‪0‬‬ ‫‪0.10000×10‬‬ ‫‪0.10000×10‬‬
‫‪0‬‬
‫‪1‬‬ ‫‪0.33333×10‬‬ ‫‪0.33333×100‬‬
‫‪2‬‬ ‫‪-0.33330×100‬‬ ‫‪-0.33333×100‬‬ ‫‪3×10-5‬‬
‫‪3‬‬ ‫‪-0.10000×101‬‬ ‫‪-0.10000×101‬‬ ‫‪0‬‬
‫‪4‬‬ ‫‪-0.16667×101‬‬ ‫‪-0.16667×101‬‬ ‫‪0‬‬
‫‪5‬‬ ‫‪-0.23334×101‬‬ ‫‪-0.23333×101‬‬ ‫‪1×10-5‬‬
‫‪6‬‬ ‫‪-0.30000×101‬‬ ‫‪-0.30000×101‬‬ ‫‪0‬‬
‫‪7‬‬ ‫‪-0.36667×101‬‬ ‫‪-0.36667×101‬‬ ‫‪0‬‬
‫‪8‬‬ ‫‪-0.43334×101‬‬ ‫‪-0.43333×101‬‬ ‫‪1×10-5‬‬
‫درﭘﺎﯾﺎن ﺗﺄﮐﯿﺪ ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ ﺗﺄﺛﯿﺮات ﺧﻄﺎي ﮔﺮدﮐﺮدن را ﻣﯽ ﺗﻮان ﺑﺎ اﺳﺘﻔﺎده از ﻣﺤﺎﺳﺒﺎت ﺑﺎ ﺗﻌﺪاد ارﻗﺎم ﺑﯿﺸﺘﺮ ﻣﺎﻧﻨﺪ‬

‫اﻣﮑﺎن اﺧﺘﯿﺎر دﻗﺖ ﻣﻀﺎﻋﻒ وﯾﺎ ﭼﻨﺪ ﺑﺮاﺑﺮ ﮐﻪ در ﺑﯿﺸﺘﺮ راﯾﺎﻧﻪ ﻫﺎي رﻗﻤﯽ در دﺳﺘﺮس اﺳﺖ ‪ ،‬ﮐﺎﻫﺶ داد ‪.‬اﻣﺎ ﻣﻀﺮات‬

‫اﺳﺘﻔﺎده از ﺣﺴﺎب ﺑﺎ دﻗﺖ ﭼﻨﺪﺑﺮاﺑﺮ ﻋﺒﺎرت از اﯾﻦ اﺳﺖ ﮐﻪ زﻣﺎن ﻣﺤﺎﺳﺒﺎﺗﯽ ﺑﯿﺸﺘﺮي ﺻﺮف ﻣﯽ ﮔـــــﺮدد و دﯾﮕﺮ‬

‫اﯾﻨﮑﻪ ﺧﻄﺎي روﻧﺪ ﺣﺬف ﻧﻤﯽ ﮔﺮدد ‪.‬ﺑﻠﮑﻪ ﻓﻘﻂ ﺗﺎ اﻧﺠﺎم ﻣﺤﺎﺳﺒﺎت ﺑﻌﺪي ﺑﻪ ﺗﻌﻮﯾﻖ ﻣﯽ اﻓﺘﺪ ‪.‬‬

‫وﺳﯿﻠﻪ اي ﺑﺮاي ﺗﺨﻤﯿﻦ ﺧﻄﺎي ﮔﺮدﮐﺮدن ‪ ،‬اﺳﺘﻔﺎده از ﺣﺴﺎب ﺑﺎزه اي اﺳﺖ ‪.‬ﺑﻄﻮري ﮐﻪ درﭘﺎﯾﺎن ﺑﺎزه اي را ﮐﻪ‬

‫ﺷﺎﻣﻞ ﻣﻘﺪار درﺳﺖ اﺳﺖ ‪ ،‬ﺑﻪ دﺳﺖ آورده اﯾﻢ‪.‬اﻟﺒﺘﻪ ﺑﻄﻮر اﯾﺪه آل اﯾﻦ ﺑﺎزه ﺑﺴﯿﺎر ﮐﻮﭼﮏ اﺳﺖ‪.‬وﺟﻮاﺑﻬﺎي ﻧﻬﺎﯾﯽ ﻣﯽ‬

‫ﺗﻮاﻧﻨﺪ ﺑﺎ ﻋﺪم ﻗﻄﻌﯿﺖ ﺑﺴﯿﺎر ﮐﻤﯽ داده ﺷﻮﻧﺪ وﻟﯿﮑﻦ ﻫﺰﯾﻨﻪ ﺣﻤﻞ ﺑﺎزه ﻫﺎ ﺑﺠﺎي اﻋﺪاد ﻣﺎﺷﯿﻨﯽ ﺳﺎده در ﻃﻮل ﻣﺤﺎﺳﺒﺎت‬

‫ﻃﻮﻻﻧﯽ ﻣﻤﮑﻦ اﺳﺖ روﻧﺪ را ﻣﺸﮑﻞ ﺳﺎزد ‪.‬در ﻧﺘﯿﺠﻪ ﻓﻘﻂ وﻗﺘﯽ ﮐﻪ ﺑﺎﯾﺪ اﻋﺘﻤﺎد زﯾﺎدي در ﻣﺤﺎﺳﺒﺎت ﻣﻨﻈﻮر ﺷﻮد ﻣﻮرد‬

‫اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮد‪.‬‬

‫‪32‬‬
 ‫ﻣﺜﺎل ‪ : 14-2‬ﻣﺜﺎل وﯾﻠﮑﯿﻨﺴﻮن را از زاوﯾﻪ ﻋﺪد ﺣﺎﻟﺖ ﺑﺮرﺳﯽ ﻣﯽ ﮐﻨﯿﻢ ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ‬

‫‪20‬‬
‫) ‪P20 ( x) = Π ( x − k‬‬
‫‪k =1‬‬

‫‪g ( x) = x20‬‬

‫واﺿﺢ اﺳﺖ رﯾﺸﻪ ﻫﺎي ﭼﻨﺪ ﺟﻤﻠﻪ ﻋﺒﺎرﺗﻨﺪ از ‪ 20,…,2,1‬ﺑﺎ ﺗﻐﯿﯿﺮ )‪ p20(x‬ﺑﻪ )‪ p20 ( x) + εg ( x‬ﭼﻪ ﺗﺄﺛﯿﺮي ﺑﺮ‬

‫ﺟﻮاب‪ x=20‬ﻣﯽ ﮔﺬارد ‪.‬‬

‫ﺣﻞ ‪:‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ‪ r‬ﯾﮏ رﯾﺸﻪ ﺳﺎده )‪ p20(x‬ﺑﺎﺷﺪ ﺑﻄﻮرﯾﮑﻪ ‪ p20′ (r ) ≠ 0‬اﮔﺮ ﺗﺎﺑﻊ )‪ p20(x‬را ﺑﻪ‬

‫)‪ F = p20 ( x) + εg ( x‬ﺗﻐﯿﯿﺮ دﻫﯿﻢ رﯾﺸﻪ ﺟﺪﯾﺪ ﭼﻪ ﺧﻮاﻫﺪ ﺑﻮد ؟ ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ رﯾﺸﻪ ﺟﺪﯾﺪ ‪ r+h‬ﺑﺎﺷﺪ ﯾﮏ ﻓﺮﻣﻮل‬

‫ﺗﻘﺮﯾﺒﯽ ﺑﺮاي ‪ h‬ﺑﺪﺳﺖ ﻣﯽ آورﯾﻢ ﻣﯿﺰان ﻣﺘﻐﯿﺮ ‪ h‬در ﻣﻌﺎدﻟﻪ ‪ F (r + h) = 0‬ﺻﺪق ﻣﯽ ﮐﻨﺪ ﯾﺎ‬

‫‪P20 (r + h) + εg (r + h) = 0‬‬

‫ﭼﻮن )‪ p(r , h), g (r , h‬ﺑﻪ ‪ c2‬ﺗﻌﻠﻖ دارﻧﺪ ﻣﯽ ﺗﻮان ﻗﻀﯿﻪ ﺗﯿﻠﻮر ﺑﺮاي ﺑﺴﻂ ﺗﻮاﺑﻊ را ﺑﮑﺎر ﮔﺮﻓﺖ ‪:‬‬

‫‪1‬‬ ‫‪1‬‬
‫‪[ p (r ) + hp ′(r ) + h 2 p ′′(ζ )] + ε [ g (r ) + hg ′(r ) + h 2 g ′′(ζ )] = 0‬‬
‫‪2‬‬ ‫‪2‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از اﯾﻦ ﺣﻘﯿﻘﺖ ﮐﻪ ‪ p(r)=0‬و ﺣﺬف ‪ h2‬دارﯾﻢ‬

‫) ‪g (r‬‬ ‫) ‪g (r‬‬
‫‪h = −ε‬‬ ‫‪≈ −ε‬‬
‫) ‪p ′(r ) + εg ′′(r‬‬ ‫) ‪p ′(r‬‬
‫‪20 20‬‬
‫‪∴ h = −ε‬‬ ‫‪≈ −ε × 10 9‬‬
‫!‪19‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺎ ﺗﻐﯿﯿﺮ ‪ ε‬در ﺿﺮﯾﺐ ‪ x20‬از )‪ p20(x‬ﻣﻤﮑﻦ اﺳﺖ ﺑﺎﻋﺚ ﺗﻐﯿﯿﺮ رﯾﺸﻪ ‪ 20‬ﺑﻪ اﻧﺪازه ‪ 10 q ε‬ﺷﻮد ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ‬

‫رﯾﺸﻪ ﻫﺎي اﯾﻦ ﭼﻨﺪﺟﻤﻠﻪ اي در ﺑﺮاﺑﺮ ﺗﻐﯿﯿﺮات ﺿﺮاﺋﺐ ﺑﯽ ﻧﻬﺎﯾﺖ ﮐﻮﭼﮏ ﺣﺴﺎس ﻫﺴﺘﻨﺪ ‪.‬‬

‫‪33‬‬
 ‫ﺗﻤﺮﯾﻦ ﻫﺎي ﻓﺼﻞ دوم‬

‫‪ -1‬ﭼﻨﺪﺟﻤﻠﻪ اي ﺗﯿﻠﻮر درﺟﻪ ﭼﻬﺎر )‪ p4 ( x‬را ﺑﺮاي ﺗﺎﺑﻊ ‪ f ( x) = xe x‬ﺣﻮل ﻧﻘﻄﻪ ‪ x0 = 0‬ﺑﯿﺎﺑﯿﺪ و ﺑﻪ ازاي‬
‫‪2‬‬

‫‪ 0 ≤ x ≤ 0.4‬ﮐﺮان ﺑﺎﻻﯾﯽ ﺑﺮاي )‪ f ( x) − p4 ( x‬ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪ -2‬ﺑﺎ اﺳﺘﻔﺎده از ﺟﻤﻠﻪ ﺧﻄﺎ در ﭼﻨﺪ ﺟﻤﻠﻪ اي ﺗﯿﻠﻮر ﺧﻄﺎي ﻣﻮﺟﻮد در ﻓﺮﻣﻮل ‪ sin x ≈ x‬ﮐﻪ ﺑﺮاي ﺗﻘﺮﯾﺒﺎً ‪sin 1o‬‬

‫ﺑﮑﺎر ﻣﯽ رود ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪ cos 42 o -3‬را ﺑﺎ ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي ﺗﯿﻠﻮر ﺣﻮل ‪ π / 4‬ﺑﺎ دﻗﺖ ‪ 10-6‬ﺗﻘﺮﯾﺐ ﺑﺰﻧﯿﺪ‪.‬‬

‫‪ -4‬ﻫﺮﮔﺎه ‪ f ( x) = (1 − x) −1‬و ‪ x0=0‬ﺑﺎﺷﺪ ﭼﻨﺪﺟﻤﻠﻪ اي ﺗﯿﻠﻮر )‪ pn ( x‬راﺟﻬﺖ )‪ f ( x‬ﺣﻮل ‪ x0‬ﺑﯿﺎﺑﯿﺪ‪.‬ﻣﻘﺪار‬

‫ﺿﺮوري ‪ n‬را ﺑﺮاي اﯾﻦ ﮐﻪ دﻗﺖ ﺗﻘﺮﯾﺐ ‪ 10-6‬در ﺑﺎزه ]‪ [0,0.5‬ﺑﺎﺷﺪ ﺑﯿﺎﺑﯿﺪ؟‬

‫‪x2‬‬
‫‪ p2 ( x) = 1 −‬ﺑﺮاي ﺗﻘﺮﯾﺐ ‪ f(x)=cos x‬در ﺑﺎزه ]‪ [-1/2,1/2‬اﺳﺘﻔﺎده ﮐﺮده اﯾﻢ ﮐﺮاﻧﯽ ﺑﺮاي‬ ‫‪ -5‬ﭼﻨﺪ ﺟﻤﻠﻪ اي‬
‫‪2‬‬

‫ﺧﻄﺎي ﻣﺎﮔﺰﯾﻤﻢ ﺑﯿﺎﺑﯿﺪ‪.‬‬

‫‪-6‬ﻫﺮﮔﺎه ‪ x‬را ﺑﺎ ‪ x‬ﺗﻘﺮﯾﺐ زده ﺑﺎﺷﯿﻢ ‪ ،‬ﺧﻄﺎي ﻣﻄﻠﻖ وﺧﻄﺎي ﻧﺴﺒﯽ را ﺣﺴﺎب ﮐﻨﯿﺪ ‪.‬‬

‫ب‪x = 2.718, x = e :‬‬ ‫اﻟﻒ ‪x = 22.7, x = π :‬‬

‫ت‪x = 18π (q / e) 9 , x = 9! :‬‬ ‫پ ‪x = 1.414, x = 2 :‬‬

‫‪-7‬ﻣﺤﺎﺳﺒﺎت زﯾﺮ را ﺑﻪ روش )‪ (I‬دﻗﯿﻖ )‪(II‬ﺣﺴﺎب ﺟﺪا ﮐﺮدن ﺳﻪ رﻗﻤﯽ و)‪ (III‬ﺣﺴﺎب ﮔﺮدﮐﺮدن ﺳﻪ رﻗﻤﯽ اﻧﺠﺎم‬

‫دﻫﯿﺪ وﺧﻄﺎي ﻧﺴﺒﯽ را در ﻗﺴﻤﺘﻬﺎي )‪ (II‬و)‪ (III‬ﺣﺴﺎب ﮐﻨﯿﺪ ‪.‬‬

‫‪4 1‬‬
‫ب‪. :‬‬ ‫اﻟﻒ ‪4 / 5 + 1 / 3 :‬‬
‫‪3 3‬‬

‫ت ‪(1 / 3 + 3 / 11) − 3 / 20 :‬‬ ‫پ ‪(1 / 3 − 3 / 11) + 3 / 20 :‬‬

‫‪34‬‬
 ‫∞‬
‫‪1‬‬
‫∑ = ‪ e‬ﺗﻌﺮﯾﻒ ﻧﻤﻮد ‪.‬ﺧﻄﺎي ﻣﻄﻠﻖ و ﺧﻄﺎي ﻧﺴﺒﯽ را در ﺗﻘﺮﯾﺒﻬﺎي زﯾﺮ از ‪e‬‬ ‫‪-8‬ﻋﺪد ‪ e‬را ﻣﯽ ﺗﻮان ﺑﻮﺳﯿﻠﻪ‬
‫!‪n = 0 n‬‬

‫ﺣﺴﺎب ﮐﻨﯿﺪ ‪.‬‬

‫‪10‬‬ ‫‪5‬‬
‫‪1‬‬ ‫‪1‬‬
‫∑‬
‫!‪n n‬‬
‫‪=0‬‬
‫ب‪:‬‬ ‫∑‬
‫!‪n n‬‬
‫‪=0‬‬
‫اﻟﻒ ‪:‬‬

‫)‪x − fl ( x‬‬
‫‪-9‬ﻓﺮض ﮐﻨﯿﺪ ﮐﻪ )‪ fl ( x‬ﺗﻘﺮﯾﺐ ﮔﺮد ﺷﺪه ‪ t‬رﻗﻤﯽ ‪ x‬در ﻣﺒﻨﺎي ‪ β‬ﺑﺎﺷﺪ ‪.‬ﻧﺸﺎن دﻫﯿﺪ ﮐﻪ ‪≤ 1 / 2 β 1−t‬‬
‫‪x‬‬
‫‪10‬‬
‫ﻧﺨﺴﺖ ﺑﻮﺳﯿﻠﻪ ‪1 + 1 / 4 + ... + 1 / 100‬‬ ‫∑‬
‫‪=1‬‬
‫‪i‬‬
‫‪1/ i‬‬ ‫‪2‬‬
‫‪-10‬ﺑﺎ اﺳﺘﻔﺎده از ﺣﺴﺎل ﺟﺪاﮐﺮدن ﺳﻪ رﻗﻤﯽ ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻣﺠﻤﻮع‬

‫وﺳﭙﺲ ﺑﺎ ‪ 1 / 100 + 1 / 81 + ... + 1 / 1‬اﺳﺘﻔﺎده ﮐﻨﯿﺪ ‪.‬ﮐﺪام روش دﻗﯿﻖ ﺗﺮ اﺳﺖ‪.‬ﭼﺮا ؟‬

‫‪n+3‬‬ ‫‪n +1‬‬

‫= ‪αˆ n‬‬ ‫‪3‬‬
‫‪-11‬ﻓﺮض ﮐﻨﯿﺪ ﮐﻪ دﻧﺒﺎﻟﻪ ﻫﺎي ‪ {α n }∞n=1‬و ‪ {αˆ n }∞n=1‬ﺑﻪ ازاي ﻫﺮﻣﻘﺪار ﺻﺤﯿﺢ ‪ n ≥ 1‬ﺑﺎ ‪ α n = 2‬و‬
‫‪n‬‬ ‫‪n‬‬

‫‪limαˆ n = 0‬‬ ‫‪limα n = 0‬‬

‫وﻟﯽ دﻧﺒﺎﻟﻪ } ‪ {α̂ n‬ﺑﺴﯿﺎر ﺳﺮﯾﻌﺘﺮ از دﻧﺒﺎﻟﻪ } ‪ {α n‬ﺑﻪ اﯾﻦ ﺣﺪ‬ ‫و‬ ‫ﻣﺸﺨﺺ ﺷﺪه اﻧﺪ ‪.‬اﮔﺮﭼﻪ‬
‫∞→‪n‬‬ ‫∞→‪n‬‬

‫ﻫﻤﮕﺮا ﻣﯽ ﺷﻮد وﭼﺮا ؟‬

‫‪-12‬ﻓﺮض ﮐﻨﯿﺪ ‪ d,c,b,a‬اﻋﺪاد ﻣﺜﺒﺖ ﺑﺎﺷﻨﺪ ‪.‬ﭼﻨﺎﻧﭽﻪ ﻣﺤﺎﺳﺒﺎت را ﺑﺎ اﺣﺘﺴﺎب ﮔﺮد ﮐﺮدن ﺗﺎ ‪ t‬رﻗﻢ در ﻣﺒﻨﺎي دﻫﺪﻫﯽ‬

‫ﺟﻤﻊ ﮐﻨﯿﻢ ‪ y=a+b+c+d‬در ﭼﻪ ﺻﻮرﺗﯽ ﮐﻤﺘﺮﯾﻦ ﺧﻄﺎ را اﯾﺠﺎد ﻣﯽ ﮐﻨﺪ ‪.‬‬

‫‪35‬‬
 ‫ﻓﺼﻞ ﺳﻮم‬

‫‪ -3‬ﺣﻞ ﻣﻌﺎدﻻت ﻏﯿﺮ ﺧﻄﯽ‬

‫در اﯾﻦ ﻓﺼﻞ درﺻﺪد ﯾﺎﻓﺘﻦ رﯾﺸﻪ ﻣﻌﺎدﻟﻪ ﯾﮏ ﻣﺘﻐﯿﺮه ﺑﻪ ﺻﻮرت ‪ f ( x) = 0‬ﻫﺴﺘﯿﻢ ‪.‬اﯾﻦ ﻣﻌﺎدﻟﻪ ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪ ﺻﻮرت‬

‫ﺻﺮﯾﺢ زﯾﺮ ﺑﺎﺷﺪ ‪.‬‬

‫‪f ( x) = Pn ( x) = x n + a1 xn −1 + ... + a n−1 x + a n‬‬

‫ﯾﻌﻨﯽ ﯾﮏ ﭼﻨﺪﺟﻤﻠﻪ اي درﺟﻪ ‪ n‬از ‪ x‬وﯾﺎ ﻣﯽ ﺗﻮاﻧﺪ ﯾﮏ ﺗﺎﺑﻊ ﻓﺮازﻧﺪه ﺑﺎﺷﺪ ‪.‬‬

‫ﺗﻌﺮﯾﻒ ‪ :1-3‬ﻋﺪد ‪ α‬را ﺟﻮاب ﻣﻌﺎدﻟﻪ ‪ f ( x) = 0‬ﮔﻮﯾﻨﺪ ﻫﺮﮔﺎه ‪ f (α ) = 0‬ﭼﻨﯿﻦ ﺟﻮاﺑﯽ را رﯾﺸﻪ ﯾﺎ ﺻﻔﺮ ﻣﻌﺎدﻟﻪ‬

‫‪ f ( x) = 0‬ﻣﯽ ﻧﺎﻣﻨﺪ ‪.‬‬

‫از ﻟـــﺤﺎظ ﻫﻨﺪﺳﯽ رﯾﺸﻪ ﻣﻌﺎدﻟﻪ ‪ f ( x) = 0‬ﻣﻘﺪارﯾﺴﺖ ﺑﺮاي ‪ x‬ﮐﻪ ﻧﻤﻮدار )‪ y=f(x‬ﻣﺤﻮر ‪ x‬ﻫﺎ را درآن ﻗﻄﻊ ﻣﯽ‬

‫ﮐﻨﺪ‪.‬‬

‫ﺗﻌﺮﯾﻒ‪ : 2- 3‬ﻫﺮﮔﺎه ﺑﺘﻮان ‪ f ( x) = 0‬را ﺑﻪ ﺻﻮرت زﯾﺮ ﺑﯿﺎن ﮐﻨﯿﻢ ‪:‬‬

‫‪f ( x) = ( x − α ) m g ( x) = 0‬‬

‫ﺑﻄﻮرﯾﮑﻪ )‪ g(x‬ﻣﺤﺪود و ‪ g (α ) ≠ 0‬ﺑﺎﺷﺪ آﻧﮕﺎه ‪ α‬را ‪ m‬رﯾﺸﻪ ﺗﮑﺮاري )‪ f(x‬ﮔﻮﺋﯿﻢ ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ اﮔﺮ ‪ m=1‬ﺑﺎﺷﺪ رﯾﺸﻪ‬

‫‪ f(x)=0‬را رﯾﺸﻪ ﺳﺎده ﻣﯽ ﻧﺎﻣﯿﻢ ‪.‬‬

‫ﺑﻪ ﻃﻮر ﮐﻠﯽ اﮔﺮ ﺻﺤﺒﺖ ﮐﻨﺒﻢ رﯾﺸﻪ ‪ f(x)=0‬را ﻣﯽ ﺗﻮان ﺑﺎ دو روش ﻣﺴﺘﻘﯿﻢ ﯾﺎ روش ﺗﮑﺮاري ﺑﺪﺳﺖ آورد‪.‬‬

‫روﺷﻬﺎي ﻣﺴﺘﻘﯿﻢ ﯾﺎ ﺑﻌﺒﺎرت دﯾﮕﺮ روﺷﻬﺎي ﺗﺤﻠﯿﻠﯽ در ﻫﻤﻪ ﺣﺎﻻت ﭘﺎﺳﺨﮕﻮي ﺣﻞ ‪ f ( x) = 0‬ﻧﻤﯽ ﺑﺎﺷﻨﺪ ‪.‬ﻟﺬا در‬

‫اﯾﻦ ﻓﺼﻞ ﺑﻪ ﺑﺮرﺳﯽ ﺑﺮﺧﯽ روﺷﻬﺎي ﺗﮑﺮاري ﮐﻪ ﺟﻮاب ﺗﻘﺮﯾﺒﯽ ﺑﺮاي ‪ f ( x) = 0‬را ﺑﺪﺳﺖ ﻣﯽ دﻫﻨﺪ ﻣﯽ ﭘﺮدازﯾﻢ‬

‫‪35‬‬
‫‪.‬روﺷﻬﺎي ﺗﮑﺮاري ﻣﺒﺘﻨﯽ ﺑﺮ ﺗﻘﺮﯾﺒﻬﺎي ﻣﺘﻮاﻟﯽ ﻫﺴﺘﻨﺪ و ﺑﺎ ﯾﮏ ﯾﺎ ﭼﻨﺪ ﺗﻘﺮﯾﺐ اوﻟﯿﻪ ﺷﺮوع ﻣﯽ ﺷﻮﻧﺪ ودﻧﺒﺎﻟﻪ اي از‬

‫ﺗﮑﺮارﻫﺎ } ‪ {xn‬ﮐﻪ ﻧﻬﺎﯾﺘﺎً ﺑﻪ رﯾﺸﻪ واﻗﻌﯽ ‪ α‬ﻫﻤﮕﺮا ﻫﺴﺘﻨﺪ اﯾﺠﺎد ﻣﯽ ﮐﻨﻨﺪ ‪.‬‬

‫ﺗﻌﺮﯾﻒ ‪ : 3-3‬دﻧﺒﺎﻟﻪ ﺗﮑﺮاري } ‪ {xn‬را ﻫﻤﮕﺮا ﺑﻪ رﯾﺸﻪ واﻗﻌﯽ ‪ α‬ﻣﯽ ﻧﺎﻣﯿﻢ ﻫﺮﮔﺎه‬

‫‪lim xn − α = 0‬‬
‫∞→‪n‬‬
‫‪ -1-3‬روش ﻧﺼﻒ ﮐﺮدن ﯾﺎ دو ﺑﺨﺸﯽ )‪(Bisection Method‬‬

‫اﯾﻦ روش ﺑﺮ ﻗﻀﯿﻪ ﻣﻘﺪار ﻣﯿﺎﻧﯽ اﺳﺘﻮار اﺳﺖ ‪.‬ﻓﺮض ﮐﻨﯿﺪ ‪ f‬ﺗﺎﺑﻌﯽ ﭘﯿﻮﺳﺘﻪ وﺑﺮﺑﺎزه ]‪ [a,b‬ﺗﻌﺮﯾﻒ ﺷﺪه ﺑﺎﺷﺪ ﺑﻪ‬

‫ﻃﻮرﯾﮑﻪ ﻋﻼﻣﺘﻬﺎي )‪ f(a‬و )‪ f(b‬ﺑﺎ ﻫﻢ ﻣﺨﺎﻟﻒ ﺑﺎﺷﻨﺪ ‪.‬ﺑﻨﺎ ﺑﺮ ﻗﻀﯿﻪ ﻣﻘﺪار ﻣﯿﺎﻧﯽ ‪ ،‬ﻧﻘﻄﻪ اي ﭼﻮن ‪ ، α‬در )‪ (a,b‬وﺟﻮد‬

‫دارد ﺑﻪ ﻃﻮري ﮐﻪ ‪. f (α ) = 0‬در ﺣﺎﻟﺘﯽ ﮐﻪ )‪ f(a‬و )‪ f(b‬ﻣﺨﺘﻠﻒ اﻟﻌﻼﻣﻪ ﺑﺎﺷﻨﺪ وﺑﯿﺶ از ﯾﮏ رﯾﺸﻪ در ﺑﺎزه )‪(a,b‬‬

‫ﻣﻮﺟﻮد ﺑﺎﺷﺪ ﻣﯽ ﺗﻮان ﺑﺎ ﻣﺤﺪود ﮐﺮدن ﺑﺎزه ﻣﻄﻤﺌﻦ ﺷﺪ ﮐﻪ ﺗﻨﻬﺎ ﯾﮏ رﯾﺸﻪ در ﺑﺎزه ﻣﻮﺟﻮد ﺑﺎﺷﺪ ‪.‬ﺑﺮاي آﺳﺎﻧﯽ ﮐﺎر‬

‫ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ )‪ f(a‬و )‪ f(b‬ﻣﺨﺘﻠﻒ اﻟﻌﻼﻣﻪ ﺑﺎﺷﻨﺪ وﯾﮏ رﯾﺸﻪ در ]‪ [a,b‬ﻣﻮﺟﻮد ﺑﺎﺷﺪ ‪.‬ﺑﺎ اﺳﺘﻔﺎده از روش‬

‫ﻧﺼﻒ ﮐﺮدن ﻣﮑﺮر زﯾﺮ ﺑﺎزه ﻫﺎي ]‪ [a,b‬و ﺗﻌﯿﯿﻦ ﻧﯿﻤﻪ اي ﮐﻪ ﺷﺎﻣﻞ رﯾﺸﻪ ‪ α‬اﺳﺖ ‪ .‬ﺑﺮاي ﺷﺮوع ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ‬

‫‪a 0 + b0‬‬
‫= ‪ w1‬ﺑﺎﺷﺪ اﮔﺮ ‪ f(w1)=0‬ﺑﺎﺷﺪ در اﯾﻦ ﺻﻮرت ‪ α = w1‬ﻣﯽ ﺑﺎﺷﺪ‬ ‫‪ a0=a‬و ‪ b0=b‬ﺑﺎﺷﺪ ‪ .‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ‬
‫‪2‬‬

‫واﮔﺮ ﭼﻨﯿﻦ ﻧﺒﺎﺷﺪ )‪ f(w1‬ﺑﺎ )‪ f(a0‬ﯾﺎ )‪ f(b0‬ﻫﻢ ﻋﻼﻣﺖ اﺳﺖ اﮔﺮ )‪ f(w1‬و )‪ f(a0‬ﻫﻢ ﻋﻼﻣﺖ ﺑﺎﺷﻨﺪ در اﯾﻦ ﺻﻮرت‬

‫) ‪ α ∈ ( w1 , b0‬آﻧﮕﺎه ‪ a1=w1‬و ‪. b1=b0‬اﻣﺎ اﮔﺮ )‪ f(w1‬و )‪ f(a0‬ﻣﺨﺘﻠﻒ اﻟﻌﻼﻣﻪ ﺑﺎﺷﻨﺪ در اﯾﻦ ﺻﻮرت‬

‫) ‪ α ∈ (a 0 , w1‬ﻣﯽ ﺑﺎﺷﺪ آﻧﮕﺎه ‪ a1=a0‬و ‪. w1=b1‬ﺳﭙﺲ اﯾﻦ ﻋﻤﻞ را در ﺑﺎزه ]‪ [a1,b1‬ﺗﮑﺮار ﻣﯽ ﮐﻨﯿﻢ ﺑﻨﺎﺑﺮاﯾﻦ‬

‫اﻟﮕﻮرﯾﺘﻢ اﯾﻦ روش ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫ﺑﺮاي ﯾﮏ ﺑﺎزه اوﻟﯿﻪ ]‪ [a0,b0]=[a,b‬وﺑﺮاي ‪n=0‬‬

‫‪1‬‬
‫ﻣﺮﺣﻠﻪ ‪ -1‬ﻣﺤﺎﺳﺒﻪ ﮐﻦ ) ‪wn+1 = a n + (bn − a n‬‬
‫‪2‬‬

‫‪36‬‬
 ‫‪ -2‬اﮔﺮ ‪ f(wn+1)f(an)<0‬آﻧﮕﺎه ‪an+1=an , bn+1=wn+1‬‬

‫‪-3‬اﮔﺮ ‪ f(wn+1)f(bn)<0‬آﻧﮕﺎه ‪bn+1=bn ,an+1=wn+1‬‬

‫‪-4‬اﮔﺮ ‪ f ( wn+1 ) ≤ ε‬ﯾﺎ ‪ wn +1 − wn ≤ ε‬روﻧﺪ را ﻣﺘﻮﻗﻒ ﮐﻦ در ﻏﯿﺮ اﯾﻨﺼﻮرت ‪ n=n+1‬ﺑﺮو ﺑﻪ ﻣﺮﺣﻠﻪ اول‬

‫‪ 2-3‬ﻫﻤﮕﺮاﯾﯽ و ﺗﺤﻠﯿﻞ ﺧﻄﺎ در روش ﻧﺼﻒ ﮐﺮدن‬

‫ﻗﻀﯿﻪ ‪ : 1-3‬اﮔﺮ ] ‪ ...,[a n , bn ],...[a1 , b1 ],[a 0 , b0‬ﺑﺎزه ﻫﺎ را در روش ﻧﺼﻒ ﮐﺮدن ﻧﺸﺎن دﻫﻨﺪ ‪ ،‬آﻧﮕﺎه ﺣﺪود‬

‫‪1‬‬ ‫‪α = lim xn‬‬ ‫‪lim bn‬‬ ‫‪lim a n‬‬

‫و ) ‪xn = (bn−1 + a n−1‬‬ ‫ﻣﻮﺟﻮد ﻫﺴﺘﻨﺪ و ﺑﺮاﺑﺮﻧﺪ وﺑﯿﺎﻧﮕﺮ ﯾﮏ رﯾﺸﻪ ‪ f‬ﻫﺴﺘﻨﺪ اﮔﺮ‬ ‫و‬
‫‪2‬‬ ‫∞→‪n‬‬ ‫∞→‪n‬‬ ‫∞→‪n‬‬

‫آﻧﮕﺎه ‪α − xn ≤ 2 − n (b0 − a 0 ) :‬‬

‫اﺛﺒﺎت ‪ :‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ]‪ [a0,b0‬و ]‪ [a1,b1‬وﻏﯿﺮه ﺑﺎزه ﻫﺎﯾﯽ ﻫﺴﺘﻨﺪ ﮐﻪ ﻣﺘﻮاﻟﯿﺎً ﻧﺼﻒ ﻣﯽ ﻧﻤﺎﺋﯿﻢ در اﯾﻦ ﺟﺎ اﻋﺪاد ﺑﻪ‬

‫ﺻﻮرت زﯾﺮ ﻫﺴﺘﻨﺪ ‪.‬‬

‫‪a 0 ≤ a1 ≤ a 2 ≤ ... ≤ b0‬‬ ‫)‪(3.1‬‬

‫‪b0 ≥ b1 ≥ b2 ≥ ... ≥ a 0‬‬ ‫)‪(3.2‬‬

‫‪1‬‬
‫‪bn − a n = (bn−1 − a n −1 ), n ≥ 1‬‬ ‫)‪(3.3‬‬
‫‪2‬‬

‫ﭼﻮن دﻧﺒﺎﻟﻪ } ‪ {a n‬اﻓﺰاﯾﺸﯽ واز ﺑﺎﻻ ﮐﺮاﻧﺪار اﺳﺖ ﻫﻤﮕﺮاﺳﺖ ﺑﻪ ﻃﺮﯾﻖ ﻣــﺸﺎﺑﻪ } ‪ {bn‬ﻧﯿﺰ ﻫﻤﮕﺮاﺳﺖ اﮔﺮ ﮐﺮاراً ﻣﻌﺎدﻟﻪ‬

‫)‪ (3.3‬را ﺑﮑﺎرﮔﯿﺮﯾﻢ دارﯾﻢ ‪:‬‬

‫) ‪bn − a n = (1 / 2) n (b0 − a 0‬‬ ‫)‪(3.4‬‬

‫‪lim bn − lim a n = lim 2 − ( n ) (b0 − a 0 ) = 0‬‬

‫ﺑﻨﺎﺑﺮ اﯾﻦ‬
‫∞→‪n‬‬ ‫∞→‪n‬‬ ‫∞→‪n‬‬

‫‪α = lim bn = lim a n‬‬

‫اﮔﺮ ﻗﺮار دﻫﯿﻢ‬
‫∞→‪n→∞ n‬‬

‫‪37‬‬
‫آﻧﮕﺎه ﺑﺎ ﺣﺪﮔﺮﻓﺘﻦ از از ﻧﺎﻣﺴﺎوي ‪ f (a n ) f (bn ) ≤ 0‬ﻧﺘﯿﺠﻪ ﻣﯽ ﺷﻮد ‪ [ f (α )]2 ≤ 0‬ﮐﻪ از آن ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ‬

‫‪. f (α ) = 0‬‬

‫اﮔﺮ ﻓﺮض ﮐﻨﯿﻢ روﻧﺪ ﻧﺼﻒ ﮐﺮدن در ﻣﺮﺣﻠﻪ اي ﻣﻌﯿﻦ ﻣﺘﻮﻗﻒ ﺷﻮد ﻣﺎﻧﻨﺪ ]‪ [an-1,bn-1‬رﯾﺸﻪ ﻣﻄﻤﺌﻨﺎً در اﯾﻦ ﺑﺎزه‬

‫ﻗﺮار دارد ‪.‬ﺑﻬﺘﺮﯾﻦ ﺗﺨﻤﯿﻦ ﺑﺮاي رﯾﺸﻪ در اﯾﻦ ﻣﺮﺣﻠﻪ ‪ an-1‬ﯾﺎ ‪ bn-1‬ﻧﯿﺴﺖ ﺑﻠﮑﻪ ﻧﻘﻄﻪ وﺳﻂ ﺑﺎزه اﺳﺖ‪.‬‬

‫‪xn=(an-1+bn-1)/2‬‬ ‫)‪(3.5‬‬

‫)‪xn=(1/2)n(b0-a0‬‬ ‫ﻟﺬا ﺑﺎ اﺳﺘﻔﺎده از راﺑﻄﻪ )‪ (3.4‬دارﯾﻢ‬

‫ﺑﻨﺎﺑﺮاﯾﻦ ﮐﺮان ﺧﻄﺎ ﺑﻪ ﺻﻮرت زﯾﺮ ﺧﻮاﻫﺪ ﺑﻮد ‪.‬‬

‫) ‪α − xn ≤ (1 / 2) n (b0 − a 0 ) = 2 − ( n ) (b0 − a 0‬‬ ‫)‪(3.6‬‬

‫ﻧﺘﯿﺠﻪ ‪ :‬اﮔﺮ ﻣﻌﯿﺎر دﻗﺖ ﺣﻞ ﻣﺴﺌﻠﻪ ‪ ε‬ﺑﺎﺷﺪ ﯾﻌﻨﯽ ‪ α − xn ≤ ε‬ﺗﻌﺪاد ﺣﺪاﻗﻞ ﻣﺮاﺣﻞ ﺗﮑﺮاري ﮐﻪ ﺑﺎﯾﺴﺘﯽ اﻧﺠﺎم ﭘﺬﯾﺮد‬

‫ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪α − xn ≤ 2 − ( n ) (b0 − a 0 ) ≤ ε‬‬

‫‪log10 (b0 − a 0 ) − log10 ε‬‬

‫≥ ‪(b0 − a 0 ) < 2 n ε ⇒ n‬‬
‫‪log10 2‬‬

‫‪ 3-3‬ﺳﺮﻋﺖ ﻫﻤﮕﺮاﯾﯽ روش ﻧﺼﻒ ﮐﺮدن‬

‫‪1‬‬
‫) ‪ xn = (bn −1 − a n −1‬اﮔﺮ ﻓﺮض ﮐﻨﯿﻢ ﮐﻪ روش ﻫﻤﮕﺮا ﺑﻪ رﯾﺸﻪ واﻗﻌﯽ‬ ‫ﺑﺎﺗﻮﺟﻪ ﺑﻪ راﺑﻄﻪ )‪ (3.5‬دارﯾﻢ‬
‫‪2‬‬

‫‪lim xn = α‬‬
‫ﺑﺎﺷﺪ دارﯾﻢ ‪:‬‬ ‫‪ α‬اﺳﺖ ﯾﻌﻨﯽ‬
‫∞→‪n‬‬

‫) ‪en = α − xn ≤ 2 − n (b0 − a 0‬‬ ‫)‪(3.7‬‬

‫) ‪en +1 = α − xn+1 ≤ 2 − ( n+1) (b0 − a 0‬‬ ‫)‪(3.8‬‬ ‫ﺑﻪ ﻫﻤﯿﻦ ﻃﺮﯾﻖ دارﯾﻢ ‪:‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از )‪ (3.7‬و )‪ (3.8‬ﻣﺮﺗﺒﻪ ﻫﻤﮕﺮاﯾﯽ روش دوﺑﺨﺸﯽ را ﻣﯽ ﺗﻮاﻧﯿﻢ ﺑﯿﺎﺑﯿﻢ ‪.‬‬

‫‪38‬‬
 ‫‪en+1 1‬‬
‫‪lim‬‬ ‫=‬
‫‪en‬‬ ‫‪2‬‬ ‫ﯾﻌﻨﯽ داراي ﺳﺮﻋﺖ ﻫﻤﮕﺮا ﯾﯽ ﺧﻄﯽ اﺳﺖ ‪.‬‬
‫∞→‪n‬‬

‫روش ﻧﺼﻒ ﮐﺮدن ﻫﻤﻮاره ﻫﻤﮕﺮاﺳﺖ واﯾﻦ ﻣﺰﯾﺖ روش ﻧﺼﻒ ﮐﺮدن ﻣﯽ ﺑﺎﺷﺪ ‪.‬اﯾﻦ روش ﯾﮏ روش ‪Global‬‬

‫اﺳﺖ ﯾﻌﻨﯽ ﻫﻤﮕﺮاﯾﯽ آن ﻣﻨﻮط ﺑﻪ ﺗﻘﺮﯾﺐ اوﻟﯿﻪ دﻟﺨﻮاه ﻧﯿﺴﺖ ﯾﻌﻨﯽ ﻧﯿﺎزي ﻧﯿﺴﺖ ﮐﻪ ﺗﻘﺮﯾﺐ اوﻟﯿﻪ ﭼﻪ ﻣﻘﺪار ﺑﻪ رﯾﺸﻪ‬

‫واﻗﻌﯽ ﻧﺰدﯾﮏ ﺑﺎﺷﺪ ‪).‬اﻟﺒﺘﻪ ﺑﺎﯾﺪ داﺷﺘﻪ ﺑﺎﺷﯿﻢ ‪ (f(a)f(b)<0‬درﻣﻘﺎﺑﻞ اﯾﻦ روش روﺷﻬﺎي ﺗﮑﺮاري دﯾﮕﺮ ‪locally‬‬

‫)ﻣﻮﺿﻌﯽ( ﻫﻤﮕﺮا ﻫﺴﺘﻨﺪ ﯾﻌﻨﯽ ﺑﺎﯾﺴﺘﯽ ﺷﺮوع اوﻟﯿﻪ ﻧﺰدﯾﮏ رﯾﺸﻪ واﻗﻌﯽ اﻧﺘﺨﺎب ﮔﺮدد‪.‬‬

‫ﻋﺪم ﻣﺰﯾﺖ اﯾﻦ روش ﻋﻼوه ﺑﺮ ﮐﻨﺪﺑﻮدن آن ﻧﻤﯽ ﺗﻮان ﺑﺮاي رﯾﺸﻪ ﻫﺎﯾﯽ ﮐﻪ ﻣﻤﺎس ﺑﺮ ﻣﺤﻮر ‪ x‬ﻣﯽ ﺑﺎﺷﻨﺪ ﺑﻪ ﮐﺎر‬

‫ﮔﺮﻓﺖ و ﻫﻤﭽﻨﯿﻦ ﻧﻤﯽ ﺗﻮان اﯾﻦ روش را ﺑﺮاي ﺣﻞ ‪ f(x)=x2‬ﺑﮑﺎرﺑﺮد ‪.‬‬

‫ﻣﺜﺎل ‪ – 1-3‬ﺑﺎ اﺳﺘﻔﺎده از روش دوﺑﺨﺸﯽ ‪ ،‬رﯾﺸﻪ ﻣﻌﺎدﻟﻪ ‪ (2 x + 1) 2 − 4 cos πx = 0‬را ﮐﻪ در ﻓﺎﺻﻠﻪ ]‪[1/4,1/3‬‬

‫ﻗﺮار دارد ﺑﺎ ﻣﻌﯿﺎر دﻗﺖ ‪10-3‬ﺑﯿﺎ ﺑﯿﺪ‪.‬‬

‫‪f ( x) = (2 x + 1) 2 − 4 cos πx = 0‬‬

‫‪f (1 / 4) = −0.5784‬‬ ‫‪,‬‬ ‫‪f (1 / 3) = 0.7777‬‬

‫‪log(1 / 3 − 1 / 4) + 3 3 − log12‬‬
‫≥‪n‬‬ ‫=‬ ‫‪≈5‬‬
‫‪log 2‬‬ ‫‪log 2‬‬
‫‪n‬‬ ‫‪an‬‬ ‫‪bn‬‬ ‫‪wn+1‬‬ ‫)‪f(wn+1‬‬
‫‪0‬‬ ‫‪1/4‬‬ ‫‪1/3‬‬ ‫‪-------‬‬ ‫‪----------‬‬
‫‪1‬‬ ‫‪1/4‬‬ ‫‪1/3‬‬ ‫‪0.2917‬‬ ‫‪0.724‬‬
‫‪2‬‬ ‫‪1/4‬‬ ‫‪0.2917‬‬ ‫‪0.2709‬‬ ‫‪-0.2596‬‬
‫‪3‬‬ ‫‪0.2709‬‬ ‫‪0.2917‬‬ ‫‪0.2813‬‬ ‫‪-0.0954‬‬
‫‪4‬‬ ‫‪0.2813‬‬ ‫‪0.2917‬‬ ‫‪0.2865‬‬ ‫‪0.0724‬‬
‫‪5‬‬ ‫‪0.2865‬‬ ‫‪0.2917‬‬ ‫‪0.2891‬‬ ‫‪0.0287‬‬

‫‪wn +1 − wn = 0.2891 − 0.2865 = 0.0026‬‬

‫ﻣﺜﺎل ‪ 2-3‬ﻣﻌﺎدﻟﻪ ‪ f ( x) = x3 + 4 x2 − 10 = 0‬ﯾﮏ رﯾﺸﻪ در ]‪ [1,2‬دارد ‪.‬اﯾﻦ رﯾﺸﻪ را ﺑﺎ ﻣﻌﯿﺎر دﻗﺖ ‪ 10-3‬ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪log10 (b − a ) − log10 ε‬‬ ‫‪3‬‬

‫≥‪n‬‬ ‫=‬ ‫‪≈ 9.96‬‬
‫‪log10 2‬‬ ‫‪log 2‬‬

‫‪39‬‬
 ‫ﺗﻌﺪاد ﺗﮑﺮارﻫﺎي ﻻزم ﺑﺎﯾﺴﺘﯽ ﺣﺪاﻗﻞ ﺑﺮاﺑﺮ ‪ 10‬ﺑﺎﺷﺪ ‪n ≥ 10‬‬

‫‪f (2) = 14, f (1) = −2‬‬ ‫ﺣﻞ ‪ :‬ﺑﺎ اﺳﺘﻔﺎده از روش ﻧﺼﻒ ﮐﺮدن دارﯾﻢ ‪:‬‬

‫‪n‬‬ ‫‪an‬‬ ‫‪bn‬‬ ‫‪wn+1‬‬ ‫)‪f(wn+1‬‬

‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪--------------‬‬ ‫‪----------‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪1.5‬‬ ‫‪2.375‬‬
‫‪2‬‬ ‫‪1‬‬ ‫‪1.5‬‬ ‫‪1.25‬‬ ‫‪-1.79687‬‬
‫‪3‬‬ ‫‪1.25‬‬ ‫‪1.5‬‬ ‫‪1.375‬‬ ‫‪0.16211‬‬
‫‪4‬‬ ‫‪1.25‬‬ ‫‪1.375‬‬ ‫‪1.3125‬‬ ‫‪-0.84839‬‬
‫‪5‬‬ ‫‪1.3125‬‬ ‫‪1.375‬‬ ‫‪1.34375‬‬ ‫‪-0.35098‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪10‬‬ ‫‪1.36328125‬‬ ‫‪1.3671875‬‬ ‫‪1.365234375‬‬ ‫‪0.000072‬‬
‫ﺗﻤﺮﯾﻦ ﻫﺎ ‪:‬‬

‫‪ -1‬رﯾﺸﻪ ﻣﺜﺒﺖ ‪ x2 − 4 x sin x + (2 sin x) 2 = 0‬را ﺑﺎ دﻗﺖ دو رﻗﻢ ﺑﺎﻣﻌﻨﯽ ﺻﺤﯿﺢ ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪ -2‬ﻓﺮﻣﻮﻟﯽ ﺑﺮاي ﺗﻌﺪاد ﮔﺎﻣﻬﺎﯾﯽ ﮐﻪ در اﻟﮕﻮرﯾﺘﻢ ﺗﻨﺼﯿﻒ اﺧﺘﯿﺎر ﻣﯽ ﺷﻮد اراﺋﻪ دﻫﯿﺪ ﮐﻪ ﺷﺎﻣﻞ ‪ ε , b0 , a 0‬ﺑﻮده و‬

‫ﺗﻀﻤﯿﻦ ﮐﻨﺪ ﮐﻪ رﯾﺸﻪ ﺑﺎ دﻗﺖ ﻧﺴﺒﯽ ﮐﻮﭼﮑﺘﺮ ﯾﺎ ﻣﺴﺎوي ‪ ε‬ﺗﻌﯿﯿﻦ ﻣﯽ ﺷﻮد ‪a0>0.‬‬

‫‪ -3‬روش ﻧﺼﻒ ﮐﺮدن را ﺑﺎ ﺑﺎزه ]‪ [1.5,3.5‬درﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ ‪.‬‬

‫اﻟﻒ ‪ :‬ﻃﻮل ﺑﺎزه در ﻣﺮﺣﻠﻪ ‪ n‬ام اﯾﻦ روش ﭼﻘﺪر اﺳﺖ ؟‬

‫ب ‪ :‬ﻣﺎﮐﺰﯾﻤﻢ ﻓﺎﺻﻠﻪ ﻣﻤﮑﻦ ﺑﯿﻦ رﯾﺸﻪ ‪ α‬و ﻧﻘﻄﻪ وﺳﻂ اﯾﻦ ﺑﺎزه ﭼﻘﺪر اﺳﺖ ؟‬

‫‪xn+1 − α‬‬
‫‪lim‬‬
‫وﺟﻮد دارد ؟ ﺗﻮﺿﯿﺢ دﻫﯿﺪ ‪.‬‬ ‫‪ -4‬در روش ﻧﺼﻒ ﮐﺮدن آﯾﺎ ‪xn − α‬‬
‫∞→‪n‬‬

‫‪ -5‬ﺑﺎ اﺳﺘﻔﺎده از روش ﻧﺼﻒ ﮐﺮدن ﺟﻮاب ﺗﻘﺮﯾﺒﯽ ﺑﺎ دﻗﺖ ‪ 10-3‬را ﺑﺮاي ﻣﻌﺎدﻟﻪ زﯾﺮ در ﺑﺎزه ]‪ [1/2,3/2‬ﺑﯿﺎﺑﯿﺪ‪.‬‬

‫‪2 + cos(e x − 2) − e x = 0‬‬

‫‪ -6‬ﺑﺎ اﺳﺘﻔﺎده از روش ﻧﺼﻒ ﮐﺮدن ‪ ،‬ﺗﻘﺮﯾﺒﯽ ﺑﺮاي ‪ 3‬ﺑﺎ دﻗﺖ ‪ 10-6‬ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪40‬‬
‫‪ -7‬ﺑﺎ روش ﻧﺼﻒ ﮐﺮدن ‪ ،‬ﺗﻘﺮﯾﺒﯽ ﺑﺮاي رﯾﺸﻪ ‪ x cos x − 2 x2 + 3x − 1 = 0‬در ﺑﺎزه ]‪ [0.2,0.3‬و ‪ 1.2 ≤ x ≤ 1.3‬ﺑﺎ‬

‫ﻣﻌﯿﺎر دﻗﺖ ‪ 10-5‬ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪ 4-3‬روش وﺗﺮي)‪(Secant‬‬

‫ﺑﺮاي ﺣﻞ ﻣﻌﺎدﻟﻪ ‪ f(x)=0‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ )‪ f(x‬درﯾﺎزه ]‪ [a,b‬داراي ﯾﮏ رﯾﺸﻪ و ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﺪ ‪ ،‬اﮔﺮ‬

‫‪ f(a)f(b)<0‬ﺑﺎﺷﺪ ‪.‬ﭼﻨﺎﻧﭽﻪ )‪ f(x‬را ﺑﺎﺧﻂ ﺗﻘﺮﯾﺐ ﺑﺰﻧﯿﻢ ﯾﻌﻨﯽ‬

‫‪f ( x) ≈ α 0 x + α1 = 0‬‬ ‫)‪(3.9‬‬

‫‪α1‬‬
‫‪x=−‬‬ ‫‪,α 0 ≠ 0‬‬
‫‪α0‬‬

‫ﺿﺮاﯾﺐ ‪ α1 ,α 0‬ﻧﺎﻣﻌﯿﻦ ﻫﺴﺘﻨﺪ و ﺑﺎﯾﺴﺘﯽ ﻣﺤﺎﺳﺒﻪ ﺷﻮﻧﺪ ﻟﺬا اﮔﺮ ﻓﺮض ﮐﻨﯿﻢ ‪ xn−1 , xn‬دو ﺗﻘﺮﯾﺐ ﻣﺘﻮاﻟﯽ ﺑﺮاي رﯾﺸﻪ‬

‫‪ f ( x) = 0‬ﺑﺎﺷﻨﺪ ﺑﺎﺗﻮﺟﻪ ﺑﻪ اﯾﻦ ﮐﻪ در راﺑﻄﻪ)‪ (3.9‬ﺑﺎﯾﺴﺘﯽ ﺻﺪق ﻧﻤﺎﯾﺪ دارﯾﻢ ‪:‬‬

‫‪f ( xn ) = α 0 xn + α1‬‬ ‫)‪(3.10‬‬

‫‪f ( xn−1 ) = α 0 xn−1 + α1‬‬ ‫)‪(3.11‬‬

‫) ‪f ( xn ) − f ( xn−1‬‬
‫= ‪α0‬‬ ‫از ﺣﻞ راﺑﻄﻪ )‪(3.10‬و)‪ (3.11‬دارﯾﻢ‬
‫‪xn − xn −1‬‬

‫) ‪xn f ( xn −1 ) − xn −1 f ( xn‬‬
‫= ‪α1‬‬
‫‪xn − xn −1‬‬

‫‪α1‬‬
‫‪ x = −‬ﻗﺮار دﻫﯿﻢ ﻣﯽ ﺗﻮان ﺗﻘﺮﯾﺒﯽ ﺑﺮاي ﻣﺮﺣﻠﻪ ﺑﺎﻻﺗﺮ ﺗﮑﺮار ﯾﻌﻨﯽ ‪ xn+1‬ﺑﯿﺎﺑﯿﻢ ﻟﺬا‬ ‫ﺣﺎل اﮔﺮ ‪ α1 ,α 0‬را در راﺑﻄﻪ‬
‫‪α0‬‬

‫دارﯾﻢ ‪:‬‬

‫) ‪xn f ( xn−1 ) − xn−1 f ( xn‬‬ ‫‪xn − xn−1‬‬ ‫) ‪x f ( xn−1 ) − xn−1 f ( xn‬‬

‫‪xn+1 = −‬‬ ‫×‬ ‫‪=− n‬‬
‫‪xn − xn−1‬‬ ‫) ‪f ( xn ) − f ( xn−1‬‬ ‫) ‪f ( xn ) − f ( xn −1‬‬

‫ﺑﺎ اﺿﺎﻓﻪ وﮐﻢ ﮐﺮدن )‪ xnf(xn‬ﺑﻪ ﺻﻮرت ﮐﺴﺮ ﻓﻮق و ﺳﺎده ﮐﺮدن آن دارﯾﻢ ‪:‬‬

‫‪41‬‬
 ‫‪xn − xn −1‬‬
‫‪xn +1 = xn −‬‬ ‫‪f ( xn )., n ≥ 1‬‬
‫) ‪f ( xn ) − f ( xn−1‬‬

‫‪ 5-3‬اﻟﮕﻮرﯾﺘﻢ روش وﺗﺮي ‪ :‬ﺑﺮاي ﻣﻌﯿﺎر دﻗﺖ داده ﺷﺪه ‪ x1 , x0 , ε‬ﺗﻘﺮﯾﺒﻬﺎي اوﻟﯿﻪ از ﭘﯿﺶ ﻣﻌﻠﻮم ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪ -1‬ﺑﺮاي ‪n=1‬‬

‫‪xn − xn−1‬‬
‫‪xn+1 = xn −‬‬ ‫) ‪f ( xn‬‬ ‫‪ -2‬ﻣﺤﺎﺳﺒﻪ ﮐﻦ ‪:‬‬
‫) ‪f ( xn ) − f ( xn−1‬‬

‫‪ -3‬اﮔﺮ ‪ xn+1 − xn ≤ ε‬اﺳﺖ ﺑﺮو ﺑﻪ ﻣﺮﺣﻠﻪ ‪ 4‬درﻏﯿﺮ اﯾﻨﺼﻮرت ‪ n=n+1‬ﺑﺮو ﺑﻪ ﻣﺮﺣﻠﻪ ‪.2‬‬

‫‪ -4‬روﻧﺪ را ﻣﺘﻮﻗﻒ ﮐﻦ ‪.‬‬

‫‪ 6-3‬ﻧﻤﺎﯾﺶ ﻫﻨﺪﺳﯽ روش وﺗﺮي ‪ :‬در اﯾﻦ روش ﺗﺎﺑﻊ )‪ f(x‬راﺑﺎوﺗﺮي ﮐﻪ از ﻧﻘﺎط ))‪ (xn,f(xn‬و ))‪(xn-1,f(xn-1‬‬

‫ﻣﯽ ﮔﺬرد ﺗﻘﺮﯾﺐ ﻣﯽ زﻧﯿﻢ و ﻣﺤﻞ ﺗﻼﻗﯽ اﯾﻦ وﺗﺮ ﺑﺎ ﻣﺤﻮر ‪ x‬ﻫﺎ را ﺗﻘﺮﯾﺐ ﺑﻌﺪي ﺑﺮاي رﯾﺸﻪ ﻣﻌﺎدﻟﻪ ‪ f(x)=0‬ﻣﯽ‬

‫ﺑﺎﺷﺪ ‪.‬ﺣﺎل ﻧﻘﻄﻪ )) ‪ ( xn +1 , f ( xn+1‬را ﺑﺎ ﻫﺮﮐﺪام از دو ﻧﻔﻄﻪ ﻓﻮق ﻣﯽ ﺗﻮان درﻧﻈﺮ ﮔﺮﻓﺖ و وﺗﺮ ﺑﯿﻦ دو ﻧﻘﻄﻪ را رﺳﻢ‬

‫ﻧﻤﻮد ‪.‬اﮔﺮ وﺗﺮي را درﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ ﮐﻪ ﻫﻤﻮاره ‪ f(xn+1)f(xn)<0‬ﺑﺎﺷﺪ ﯾﺎ )‪ (f(xn+1)f(xn-1)<0‬روش ﺣﺎﺻﻞ را‬

‫روش ﻧﺎﺑﺠﺎﯾﯽ ﯾﺎ ‪ Regula -Falsi‬ﻣــــﯽ ﻧﺎﻣﻨﺪ ﮐﻪ ﻫﻤﻮاره ﻫﻤﮕﺮاﺳﺖ ‪.‬در ﻏﯿﺮ اﯾﻨﺼﻮرت روش را روش وﺗﺮي‬

‫ﻣﯽ ﻧﺎﻣﯿﻢ ‪.‬‬

‫‪ 7-3‬اﻟﮕﻮرﯾﺘﻢ روش ﻧﺎﺑﺠﺎﯾﯽ ‪:‬‬

‫ﺑﺮاي ﺗﺎﺑﻊ )‪ f(x‬ﮐﻪ در ﺑﺎزه ]‪ [a,b‬ﭘﯿﻮﺳﺘﻪ و ﻣﺨﺘﻠﻒ اﻟﻌﻼﻣﻪ ﺑﺎﺷﻨﺪ )‪ (f(a)f(b)<0‬و ﺑﺮاي ﻣﻘﺪار اوﻟﯿﻪ ﻫﺎي‬

‫‪ x1,x0‬ﻣﻌﻠﻮم و ﻣﻌﯿﺎر دﻗﺖ ‪ ε‬داده ﺷﺪه ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪42‬‬
 ‫‪-1‬ﺑﺮاي ‪n=1‬‬

‫) ‪a n f (bn ) − bn f (a n‬‬
‫= ‪wn+1‬‬ ‫‪ -2‬ﻣﺤﺎﺳﺒﻪ ﮐﻦ‬
‫) ‪f (bn ) − f (a n‬‬

‫‪ -3‬اﮔﺮ ‪ bn+1=wn+1 f(an)f(wn+1)<0‬و ‪ an+1=an‬درﻏﯿﺮ اﯾﻨﺼﻮرت ‪ bn+1=bn‬و ‪an+1=wn+1‬‬

‫‪ -4‬اﮔﺮ ‪ wn +1 − wn ≤ ε‬ﯾﺎ ‪ f ( wn+1 ) ≤ ε‬ﺑﺎﺷﺪ ﺑﺮو ﺑﻪ ﻣﺮﺣﻠﻪ ‪ 5‬در ﻏﯿﺮ اﯾﻨﺼﻮرت ‪ n=n+1‬ﺑﺮو ﺑﻪ ﻣﺮﺣﻠﻪ ‪.2‬‬

‫‪ -5‬روﻧﺪ را ﻣﺘﻮﻗﻒ ﮐﻦ‪.‬‬

‫‪ 8-3‬ﺗﺤﻠﯿﻞ ﺧﻄﺎ و ﺳﺮﻋﺖ ﻫﻤﮕﺮاﯾﯽ روش وﺗﺮي ‪:‬‬

‫ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ‪ xn‬ﺗﻘﺮﯾﺒﯽ ﺑﺮاي رﯾﺸﻪ واﻗﻌﯽ ‪ f(x)=0‬ﺑﺎﺷﺪ و ‪ α‬ﻧﯿﺰ رﯾﺸﻪ واﻗﻌﯽ )‪ f(x‬ﺑﺎﺷﺪ ﺑﻨﺎﺑﺮاﯾﻦ‬

‫‪xn −α = en‬‬

‫‪xn = α + en‬‬ ‫ﯾﺎ‬

‫‪xn+1 = α + en+1‬‬ ‫وﯾﺎ‬

‫ﺑﺎ ﺟﺎﯾﮕﺰﯾﻨﯽ اﯾﻦ ﻣﻮارد در روش وﺗﺮي دارﯾﻢ ‪:‬‬

‫‪α + en − α − en−1‬‬
‫‪α + en +1 = α + en −‬‬ ‫) ‪f (α + en‬‬
‫) ‪f (α + en ) − f (α − en−1‬‬
‫‪en − en−1‬‬
‫‪en+1 = en −‬‬ ‫) ‪f (α + en‬‬ ‫)‪(3.12‬‬
‫) ‪f (α + en ) − f (α − en −1‬‬

‫راﺑﻄﻪ )‪ (3.12‬ﻣﻌﺎدﻟﻪ ﺧﻄﺎي روش وﺗﺮي اﺳﺖ ‪ .‬ﺣﺎل اﮔﺮ در راﺑﻄﻪ )‪ f (α + en ) ، (3.12‬و ) ‪ f (α − en−1‬ﺑﺎ‬

‫اﺳﺘﻔﺎده از ﺳﺮي ﺗﯿﻠﻮر ﺣﻮل ‪ α‬ﺑﺴﻂ دﻫﯿﻢ دارﯾﻢ ‪.‬‬

‫‪1‬‬
‫]‪(en − en −1 )[ f (α ) + en f ′(α ) + e 2 n f ′′(α ) + ...‬‬
‫‪en+1‬‬ ‫‪= en −‬‬ ‫‪2‬‬
‫‪1 2‬‬
‫]‪[ f (α ) + en f ′(α ) + e n f ′′(α ) + ...] − [ f (α ) + en −1 f ′(α ) + ...‬‬
‫‪2‬‬

‫اﮔﺮ ﺗﻮاﻧﻬﺎي ‪ e3n‬ﺑﻪ ﺑﻌﺪ را ﻧﺎدﯾﺪه ﺑﮕﯿﺮﯾﻢ و ﭼﻮن ‪ f (α ) = 0‬اﺳﺖ راﺑﻄﻪ ﺑﺎﻻ ﺑﺼﻮرت زﯾﺮ ﺳﺎده ﻣﯽ ﺷﻮد ‪.‬‬

‫‪43‬‬
 1 f ′′(α )
(en − en−1 )(en + e 2 n )
2 f ′(α )
en+1 = en −
1 f ′′(α )
en − en−1 + (e 2 n − e 2 n−1 )
2 f ′(α )
f ′′(α ) 1
en + e 2 n
f ′(α ) 2
en+1 = en −
1 f ′′(α )
1 + (en + en−1 )
2 f ′(α )
−1
1 f ′′(α )  1 f ′′(α ) 
en+1 = en − ( e n + e 2 n ) 1 + (en + en−1 ) (3.13)
2 f ′(α )  2 f ′(α ) 

1 f ′′(α )
: ‫ﺑﺎﺷﺪ آﻧﮕﺎه دارﯾﻢ‬ (en + en−1 ) < 1 ‫اﮔﺮ ﻓﺮض ﮐﻨﯿﻢ‬
2 f ′(α )

1 f ′′(α ) 1 f ′′(α )
en+1 = en − (en + e 2 n )(1 − (en + en−1 ) )
2 ′
f (α ) 2 f ′(α )
1 f ′′(α ) 1 2 f ′′(α )
= − e2n + (e n + en en−1 ) + O (e 2 n )
2 f ′(α ) 2 f ′(α )
1 f ′′(α )
en+1 = en en−1 + O (e 2 n )
2 f ′(α )
1 f ′′(α )
en+1 = Cen en−1 ., C = (3.14)
2 f ′(α )

‫ اﺳﺖ اﮔﺮ‬p ‫ﺣﺎل ﻃﺒﻖ ﺗﻌﺮﯾﻒ ﺳﺮﻋﺖ ﻫﻤﮕﺮاﯾﯽ ﯾﮏ روش ﺗﮑﺮاري دارﯾﻢ ﮐﻪ ﯾﮏ روش داراي ﺳﺮﻋﺖ ﻫﻤﮕﺮاﯾﯽ‬

1
− 1
en−1 = A P e P
n ‫ و ﯾﺎ‬en = Aenp−1 ‫ ﻟﺬا دارﯾﻢ‬en+1 = Aenp ‫ و‬p > 0 ∈ R

1 1
−
Ae P n = Cen . A P e p n : ‫(ﻗﺮار ﻣﯽ دﻫﯿﻢ‬3.14) ‫اﯾﻦ ﻣﻮارد را در راﺑﻄﻪ‬

1 1
−
Ae P n = C. A P en1+ p
1
− (1+ ) 1
e P
n = CA p
en (1+ p ) (3.15)

: ‫ ﺑﻨﺎﺑﺮاﯾﻦ دارﯾﻢ‬. ‫( را ﻣﺘﺤﺪ ﻗﺮار ﻣﯽ دﻫﯿﻢ‬3.15) ‫ در دو ﻃﺮف‬en ‫ﺗﻮان‬

1
p =1+ ⇒ p 2 − p −1 = 0
p

44
 ‫‪1± 1+ 4 1‬‬
‫=‪p‬‬ ‫) ‪= (1 ± 5‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪1‬‬
‫‪p = (1 + 5 ) = 1.618‬‬ ‫ﺳﺮﻋﺖ ﻫﻤﮕﺮاﯾﯽ روش وﺗﺮي ﻋﺒﺎرت اﺳﺖ از ‪:‬‬
‫‪2‬‬

‫ﻣﺜﺎل ‪ : 3-3‬ﺑﺎ اﺳﺘﻔﺎده از روش وﺗﺮي وروش ﻧﺎﺑﺠﺎﯾﯽ رﯾﺸﻪ ﻣﻌﺎدﻟﻪ زﯾﺮ را ﺗﺎ ‪ 4‬رﻗﻢ اﻋﺸﺎر ﺻﺤﯿﺢ ﺑﺎ ﻣﻌﻨﯽ ﺑﺪﺳﺖ‬

‫آورﯾﺪ‬

‫‪f ( x) = cos x − xe x = 0‬‬ ‫]‪x ∈ [0,1‬‬

‫‪ f (1) = cos1 − e = −2.17798‬و ‪f (0) = 1‬‬ ‫ﺣﻞ ‪:‬‬

‫‪x0=0 , x1=1‬‬
‫‪xn − xn−1‬‬
‫‪xn+1 = xn −‬‬ ‫‪f ( xn ), n ≥ 1‬‬ ‫روش وﺗﺮي‬
‫) ‪f ( xn ) − f ( xn−1‬‬

‫‪x1 − x0‬‬ ‫‪1− 0‬‬

‫‪n =1‬‬ ‫‪,‬‬ ‫‪x2 = x1 −‬‬ ‫‪f1 = 1 −‬‬ ‫‪(−2.17798) = 0.31466‬‬
‫‪f1 − f0‬‬ ‫‪− 2.17798 − 1‬‬

‫‪x2 − x1‬‬ ‫‪0.31466 − 1‬‬

‫‪n=2‬‬ ‫‪,‬‬ ‫‪x3 = x2 −‬‬ ‫‪f2 = 0.31466 −‬‬ ‫‪(0.51987) = 0.44673‬‬
‫‪f2 − f1‬‬ ‫‪0.51987 + 2.17798‬‬

‫ﺑﻪ ﻫﻤﯿﻦ ﻃﺮﯾﻖ ﻋﻤﻞ ﻣﯽ ﮐﻨﯿﻢ ﺗﻤﺎﻣﯽ ﻣﺤﺎﺳﺒﺎت در ﺟﺪول زﯾﺮ آﻣﺪه اﺳﺖ ‪.‬‬

‫‪n‬‬ ‫‪Xn+1‬‬ ‫)‪f(xn+1‬‬

‫‪1 0.31466‬‬ ‫‪0.51987‬‬
‫‪2 0.44673‬‬ ‫‪0.20354‬‬
‫‪3 0.53171 -0.42931×10-1‬‬
‫‪4 0.51690‬‬ ‫‪0.25928×10-2‬‬
‫‪5 0.51775‬‬ ‫‪0.30111×10-4‬‬
‫‪6 0.51776‬‬ ‫‪-0.2151×10-7‬‬
‫‪x0=0 , x1=1‬‬ ‫ﺣﻞ ﺑﺎروش ﻧﺎﺑﺠﺎﯾﯽ ‪:‬‬

‫‪f ( x0 ) = f (0) = 1 > 0‬‬ ‫‪f ( x1 ) = f (1) = −2.17798 < 0‬‬

‫‪x1 − x0‬‬
‫‪x2 = x1 −‬‬ ‫‪f = 0.31466‬‬
‫‪n=1‬‬ ‫‪f1 − f0 1‬‬
‫‪f ( x2 ) = f (0.31466) = 0.51987 > 0‬‬

‫‪45‬‬
 ‫رﯾﺸﻪ ﺑﯿﻦ ‪ x1,x2‬اﺳﺖ‬

‫‪x2 − x1‬‬
‫‪x3 = x2 −‬‬ ‫‪f 2 = 0.44673‬‬
‫‪n=2‬‬ ‫‪f 2 − f1‬‬
‫‪f ( x3 ) = f (0.44673) = 0.20354 > 0‬‬

‫رﯾﺸﻪ ﺑﯿﻦ ‪ x1‬و ‪ x3‬ﻟﺬا در ﻣﺮﺣﻠﻪ ﺑﻌﺪي وﻗﺘﯽ ‪ n‬ﺑﺮاﺑﺮ ‪ 3‬ﺑﺎﺷﺪ ﺑﻪ ﺟﺎي ‪ x2‬از ‪ x1‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ ‪.‬‬

‫‪x3 − x1‬‬ ‫‪0.44673 − 1‬‬

‫‪x4 = x3 −‬‬ ‫‪f3 = 0.44673 −‬‬ ‫‪(0.20354) = 0.49402‬‬
‫‪n=3‬‬ ‫‪f3 − f1‬‬ ‫‪0.20354 + 2.17798‬‬
‫‪f ( x4 ) = 0.70802 × 10 −1 > 0‬‬

‫رﯾﺸﻪ ﺑﯿﻦ ‪ x4‬و ‪ x1‬اﺳﺖ ‪.‬ﻟﺬا در ﻣﺮﺣﻠﻪ ﺑﻌﺪ ‪ x3‬را ﺑﺎ ‪ x1‬ﻋﻮض ﻣﯽ ﮐﻨﯿﻢ و اﯾﻦ روﻧﺪ را اداﻣﻪ ﻣﯽ دﻫﯿﻢ ‪.‬‬

‫ﺳﺮاﻧﺠﺎم ﻣﺤﺎﺳﺒﺎت را در ﺟﺪول زﯾﺮ درج ﻣﯽ ﻧﻤﺎﺋﯿﻢ ﮐﻪ ﻧﺸﺎن ﻣﯽ دﻫﺪ روش ﻧﺎﺑﺠﺎﯾﯽ داراي ﺳﺮﻋﺖ ﻫﻤﮕﺮاﯾﯽ ﮐﻨﺪ‬

‫ﺗﺮ از روش وﺗﺮي اﺳﺖ ‪.‬‬

‫‪n‬‬ ‫‪Xn+1‬‬ ‫)‪f(xn+1‬‬

‫‪1 0.31466‬‬ ‫‪0.51987‬‬
‫‪2 0.44673‬‬ ‫‪0.20354‬‬
‫‪3 0.49402 0.70802×10-1‬‬
‫‪4 0.50995 0.23608×10-1‬‬
‫‪5 0.51520 0.77601×10-2‬‬
‫‪6 0.51692 0.25389×10-2‬‬
‫‪7 0.51748 0.82936×10-3‬‬
‫‪8 0.51767 0.27079×10-3‬‬

‫‪ 9-3‬روش ﻧﯿﻮﺗﻦ راﻓﺴﻮن‬

‫ﺑﻪ ﻃﻮر ﮐﻠﯽ روش ﻧﯿﻮﺗﻦ ﺳﺮﯾﻌﺘﺮ از روﺷﻬﺎي ﺗﮑﺮاري دﯾﮕﺮ ﻧﻈﯿﺮ ﻧﺼﻒ ﮐﺮدن ﯾﺎ وﺗﺮي ﻣﯽ ﺑﺎﺷﺪ ‪.‬زﯾﺮا ﻫﻤﮕﺮاﯾﯽ‬

‫آن ﻓﻮق ﺧﻄﯽ و از ﻣﺮﺗﺒﻪ دوم اﺳﺖ ﺑﻪ ﻣﺤﺾ آﻧﮑﻪ ﻫﻤﮕﺮاﯾﯽ ﻣﺆﺛﺮ واﻗﻊ ﮔﺮدد ﯾﻌﻨﯽ ﻣﻘﺎدﯾﺮ دﻧﺒﺎﻟﻪ روش ﻧﯿﻮﺗﻦ ﺑﻪ‬

‫اﻧﺪازه ﮐﺎﻓﯽ ﻧﺰدﯾﮏ ﺑﻪ رﯾﺸﻪ واﻗﻌﯽ ﺑﺎﺷﻨﺪ ﻫﻤﮕﺮاﯾﯽ ﺑﻪ ﻗﺪري ﺳﺮﯾﻊ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﻓﻘﻂ ﭼﻨﺪ ﺟﻤﻠﻪ دﯾﮕﺮ از دﻧﺒﺎﻟﻪ ‪،‬‬

‫ﻣﻮرد ﻧﯿﺎز ﺧﻮاﻫﺪ ﺑﻮد ‪.‬اﻣﺎ ﻣﺘﺄﺳﻔﺎﻧﻪ اﯾﻦ روش ﻫﻤﯿﺸﻪ ﻫﻤﮕﺮاﯾﯽ را ﺗﻀﻤﯿﻦ ﻧﻤﯽ ﮐﻨﺪ ‪ .‬ﻏﺎﻟﺒﺎً اﯾﻦ روش را ﺑﺎ ﺳﺎﯾﺮ‬

‫روﺷﻬﺎي ﮐﻨﺪﺗﺮ در ﯾﮏ ﭘﯿﻮﻧﺪ ﺗﺮﮐﯿﺒﯽ ﺑﻪ ﮐﺎر ﻣﯽ ﮔﯿﺮﻧﺪ ﺗﺎ از ﻟﺤﺎظ ﻋﺪدي ﺟﺎﻣﻊ ﻫﻤﮕﺮا ﮔﺮدد ‪(globaly).‬‬

‫‪46‬‬
‫ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﺗﺎﺑﻊ )‪ f(x‬در ﺑﺎزه ]‪ [a,b‬ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﺪ ‪.‬اﮔﺮ اﯾﻦ ﺗﺎﺑﻊ داراي ﻣﺸﺘﻖ ﻣﺮﺗﺒﻪ دوم ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﺪ واﮔﺮ‬

‫ﻓﺮض ﮐﻨﯿﻢ ‪ α‬رﯾﺸﻪ واﻗﻌﯽ و ‪ xn‬ﺟﻮاب ﺗﻘﺮﯾﺒﯽ ﺑﺮاي ‪ f(x)=0‬ﺑﺎﺷﺪ دراﯾﻨﺼﻮرت )‪ f(x‬را ﺣﻮل ‪ xn‬ﺑﺎ ﺳﺮي ﺗﯿﻠﻮر‬

‫ﺑﺴﻂ ﻣﯽ دﻫﯿﻢ ‪:‬‬

‫‪1‬‬
‫) ‪f ( x) = f ( xn ) + ( x − xn ) f ′( xn ) + ( x − xn ) 2 f ′′(ζ n‬‬
‫‪2‬‬

‫ﺑﻪ ﻃﻮرﯾﮑﻪ ‪ ζ n‬ﺑﯿﻦ ‪ xn‬و ‪ x‬ﻗﺮار دارد ‪.‬ﺑﺮاي ﺑﺪﺳﺖ آوردن اﻟﮕﻮرﯾﺘﻢ از اﯾﻦ راﺑﻄﻪ ‪ f(x)=0 ،‬ﻣﯽ ﮔﯿﺮﯾﻢ و‪ x‬را‬

‫ﺑﺮﺣﺴﺐ ) ‪ f ( xn ), f ′( xn‬ﻣﯽ ﯾﺎﺑﯿﻢ‬

‫‪f ( xn ) 1‬‬ ‫) ‪f ′′(ζ n‬‬

‫‪x = xn −‬‬ ‫‪− ( x − xn ) 2‬‬ ‫)‪(3.16‬‬
‫‪f ′( xn ) 2‬‬ ‫) ‪f ′( xn‬‬

‫ﭼﻨﺎﻧﭽﻪ ‪ xn‬ﻧﺰدﯾﮏ ﺑﻪ ‪ x‬ﺑﺎﺷﺪ ﻣﯽ ﺗﻮان از ﺟﻤﻠﻪ دوم ﺻﺮف ﻧﻈﺮ ﻧﻤﻮد و ‪ xn+1‬را اﯾﻦ ﭼﻨﯿﻦ ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ ‪:‬‬

‫) ‪f ( xn‬‬
‫‪xn+1 = xn −‬‬ ‫…‪n=0,1,2,‬‬ ‫)‪(3.17‬‬
‫) ‪f ′( xn‬‬

‫‪ 10-3‬اﻟﮕﻮرﯾﺘﻢ روش ﻧﯿﻮﺗﻦ راﻓﺴﻮن ﺑﺮاي ‪ ε‬داده ﺷﺪه ﺑﺮاي ﺣﻞ ‪: f(x)=0‬‬

‫‪ -1‬ﺑﺮاي ‪n=0‬‬

‫) ‪f ( xn‬‬
‫‪xn+1 = xn −‬‬ ‫‪ -2‬ﻣﺤﺎﺳﺒﻪ ﮐﻦ‬
‫) ‪f ′( xn‬‬

‫‪ -3‬اﮔﺮ ‪ xn+1 − xn ≤ ε‬ﯾﺎ ‪ f ( xn ) ≤ ε‬روﻧﺪ را ﻣﺘﻮﻗﻒ ﮐﻦ درﻏﯿﺮ اﯾﻨﺼﻮرت ‪ n=n+1‬ﺑﺮو ﺑﻪ ﻣﺮﺣﻠﻪ دوم ‪.‬‬

‫‪ 11-3‬ﻧﻤﺎﯾﺶ ﻫﻨﺪﺳﯽ روش ﻧﯿﻮﺗﻦ راﻓﺴﻮن ‪:‬‬

‫ﻣﻄﺎﺑﻖ ﺷﮑﻞ ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ درﺻﺪد ﯾﺎﻓﺘﻦ رﯾﺸﻪ ‪ α‬ﺗﺎﺑﻊ )‪ y=f(x‬ﻫﺴﺘﯿﻢ ﺑﺎ ﯾﮏ ﺗﻘﺮﯾﺐ اوﻟﯿﻪ ‪ x0‬ﺷﺮوع ﻣﯽ ﮐﻨﯿﻢ‬

‫‪.‬اﯾﺪه اﺳﺎﺳﯽ روش ﻧﯿﻮﺗﻦ اﺳﺘﻔﺎده از ﺧﻂ ﻣﻤﺎس ﺑﺮاي ﺗﻘﺮﯾﺐ ‪ f‬اﺳﺖ در اﺑﺘﺪا ﯾﻌﻨﯽ ﺧﻄﯽ ﻣﻤﺎس ﮐﻪ از ﻧﻘﻄﻪ‬

‫))‪ (x0,f(x0‬رﺳﻢ ﻣﯽ ﺷﻮد ‪ ،‬ﻓﺮﻣﻮل اﯾﻦ ﺧﻂ ﻋﺒﺎرﺗﺴﺖ از‬

‫‪y − y0‬‬
‫) ‪= f ′( x0 ) ⇒ y = f ( x0 ) + f ′( x0 )( x − x0‬‬
‫‪x − x0‬‬

‫‪47‬‬
 ‫اﯾﻦ ﺧﻂ ﻣﺤﻮر ‪ x‬ﻫﺎ را در ﯾﮏ ﻧﻘﻄﻪ ‪ y=0‬ﻗﻄﻊ ﻣﯽ ﮐﻨﺪ‬

‫‪f ( x0 ) + f ′( x0 )( x − x0 ) = 0‬‬
‫) ‪f ( x0‬‬
‫‪x = x0 −‬‬ ‫اﯾﻦ راﺑﻄﻪ را ﺑﺮاي ‪ x‬ﺣﻞ ﻣﯽ ﮐﻨﯿﻢ‬
‫) ‪f ′( x0‬‬

‫اﯾﻦ ﻧﻘﻄﻪ ﺑﺴﯿﺎر ﻧﺰدﯾﮑﺘﺮ ﺑﻪ ﺟﻮاب واﻗﻌﯽ ‪ α‬اﺳﺖ ﻋﯿﻦ ﻫﻤﯿﻦ روﻧﺪ را اداﻣﻪ ﻣﯽ دﻫﯿﻢ ‪.‬‬

‫) ‪f ( x1‬‬
‫‪x2 = x1 −‬‬
‫) ‪f ′( x1‬‬
‫‪.‬‬
‫‪.‬‬
‫) ‪f ( xn‬‬
‫‪xn+1 = xn −‬‬
‫) ‪f ′( xn‬‬
‫‪f ′′( x0 ) > 0‬‬
‫‪f ( x0 ) > 0‬‬
‫‪f ( x0 ) f ′′( x0 ) > 0‬‬

‫‪ 12-3‬ﺧﻄﺎي روش ﻧﯿﻮﺗﻦ ‪:‬‬

‫ﻗﻀﯿﻪ ‪ : 2-3‬ﺑﺮاي ‪ f ∈ C 2 ( I ) ، I ⊆ R‬ﻣﻔﺮوض اﺳﺖ ‪ .‬ﻫﻢ ﭼﻨﯿﻦ ﺑﺮاي ‪ f (α ) = 0 α ∈ I‬ﺑﺎﺷﺪ ‪.‬اﮔﺮ ‪xn ∈ I‬‬

‫) ‪f ( xn‬‬
‫‪xn+1 = xn −‬‬ ‫داده ﺷﺪه ﺑﺎﺷﺪ ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ‬
‫) ‪f ′( xn‬‬

‫آﻧﮕﺎه ﻧﻘﻄﻪ اي ﻣﺎﻧﻨﺪ ‪ ζ n‬ﺑﯿﻦ ‪ α‬و ‪ xn‬وﺟﻮد دارد ﺑﻪ ﻃﻮري ﮐﻪ ‪:‬‬

‫‪1‬‬ ‫) ‪f ′′(ζ n‬‬

‫‪(α − xn+1 ) = − (α − xn ) 2‬‬ ‫)‪(3.18‬‬
‫‪2‬‬ ‫) ‪f ′( xn‬‬

‫اﺛﺒﺎت ‪ :‬اﺑﺘﺪا )‪ f(x‬راﺑﺎ ﺳﺮي ﺗﯿﻠﻮر ﺣﻮل ‪ x=xn‬ﺑﺴﻂ ﻣﯽ دﻫﯿﻢ‬

‫‪1‬‬
‫) ‪f ( x) = f ( xn ) + ( x − xn ) f ′( xn ) + ( x − xn ) 2 f ′′(ζ n‬‬
‫‪2‬‬

‫‪ ζ n‬ﺑﯿﻦ ‪ x‬و ‪ α‬اﺳﺖ ‪ .‬ﺣﺎﻻ ﻗﺮار ﻣﯽ دﻫﯿﻢ ‪. α = x‬‬

‫‪1‬‬
‫) ‪0 = f (α ) = f ( xn ) + (α − xn ) f ′( xn ) + (α − xn ) 2 f ′′(ζ n‬‬
‫‪2‬‬

‫‪48‬‬
 ‫ﻃﺮﻓﯿﻦ راﺑﻄﻪ را ﺑﺮ ) ‪ f ′( xn‬ﺗﻘﺴﯿﻢ ﻣﯽ ﮐﻨﯿﻢ و ﻣﺮﺗﺐ ﻣﯽ ﮐﻨﯿﻢ ‪:‬‬

‫‪f ( xn ) 1‬‬ ‫) ‪f ′′(ζ n‬‬

‫‪( xn − α ) −‬‬ ‫‪= (α − xn ) 2‬‬
‫‪f ′( xn ) 2‬‬ ‫) ‪f ′( xn‬‬
‫) ‪f ( xn‬‬ ‫‪1‬‬ ‫) ‪f ′′(ζ n‬‬
‫‪xn −‬‬ ‫‪− α = (α − xn ) 2‬‬
‫) ‪f ′( xn‬‬ ‫‪2‬‬ ‫) ‪f ′( xn‬‬
‫‪1‬‬ ‫) ‪f ′′(ζ n‬‬
‫‪xn+1 − α = (α − xn ) 2‬‬
‫‪2‬‬ ‫) ‪f ′( xn‬‬
‫‪1‬‬ ‫) ‪f ′′(ζ n‬‬
‫‪en+1 = − e 2 n‬‬ ‫‪ en+1 = α − xn +1‬‬
‫‪2‬‬ ‫) ‪f ′( xn‬‬

‫از ﻗﻀﯿﻪ ﻓﻮق ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ﺧﻄﺎ درﯾﮏ ﻣﺮﺣﻠﻪ ﻣﺮﺑﻊ ﺧﻄﺎي ﻣﺮﺣﻠﻪ ﻗﺒﻞ از آن اﺳﺖ ‪.‬زﻣﺎﻧﯽ ﮐﻪ ﺧﻄﺎ ﺑﻪ‬

‫ﺳﺮﯾﻌﺎً ﺷﺮوع ﺑﻪ ﮐﺎﻫﺶ ﻣﯽ ﻧﻤﺎﯾﺪ ‪.‬در ﺣﻘﯿﻘﺖ اﮔﺮ ﻓﺮض ﮐﻨﯿﻢ ﮐﻪ روﻧﺪ ﻫﻤﮕﺮا ﺑﺎﺷﺪ‬ ‫اﻧﺪازه ﮐﺎﻓﯽ ﮐﻮﭼﮏ ﺑﺎﺷﺪ‬

‫‪lim xn = α‬‬
‫آﻧــــﮕﺎه ﻣـﯽ ﺗــﻮاﻧــﯿــﻢ ﺑــﮕــﻮﺋــﯿــﻢ ﮐـــﻪ ) ‪ f ′( xn ) ≈ f ′(α‬و‬ ‫و ‪ f ′(α ) ≠ 0‬و ﻫﻤﭽﻨﯿﻦ‬
‫∞→‪n‬‬

‫) ‪ f ′′(ζ n ) ≈ f ′′(α‬ﺑــﻨﺎﺑﺮاﯾﻦ‬

‫) ‪1 f ′′(α‬‬
‫‪(α − xn +1 ) ≈ C (α − xn ) 2 , C = −‬‬
‫) ‪2 f ′(α‬‬

‫اﯾﻦ راﺑﻄﻪ ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ ﺗﻘﺮﯾﺐ اوﻟﯿﻪ ‪ x0‬ﺑﺎﯾﺴﺘﯽ ﺑﻪ رﯾﺸﻪ واﻗﻌﯽ ﻧﺰدﯾﮏ ﺑﺎﺷﺪ ﺗﺎﻫﻤﮕﺮاﯾﯽ ﺣﺎﺻﻞ ﺷﻮد ‪.‬‬

‫ﻣﻀﺎﻓﺎً اﯾﻨﮑﻪ ﻣﯽ ﺗﻮان ﺑﺎ ﻓﺮض اﯾﻨﮑﻪ روش ﻫﻤﮕﺮا ﺑﺎﺷﺪ ﻧﺘﯿﺠﻪ ﮔﺮﻓﺖ ﮐﻪ ‪:‬‬

‫‪α − xn+1‬‬ ‫) ‪f ′′(α‬‬

‫‪lim‬‬ ‫‪=−‬‬
‫) ‪(α − xn‬‬ ‫‪2‬‬
‫) ‪2 f ′(α‬‬

‫ﻣﺸﺮوط ﺑﺮ اﯾﻨﮑﻪ ‪ f ′′, f ′‬ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﻨﺪ ‪.‬‬

‫ﭼﺮا در روش ﻧﯿﻮﺗﻦ ارﻗﺎم اﻋﺸﺎري ﺻﺤﯿﺢ درﻫﺮﻣﺮﺣﻠﻪ دوﺑﺮاﺑﺮ ﻣﯿﺸﻮد ؟‬

‫ﻓــﺮض ﻣﯽ ﮐﻨﯿﻢ ‪ xn‬دﻧﺒﺎﻟﻪ اي از ﻣﻘﺎدﯾﺮي ﺑﺎﺷﺪ ﮐﻪ ﺗﻮﺳﻂ روش ﻧﯿﻮﺗﻦ ﺑﺮاي ﺗﺎﺑﻊ ﻫﻤﻮار ‪ f‬اﯾﺠﺎد ﻣﯽ ﺷﻮد ‪.‬ﻓﺮض‬

‫ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ اﯾﻦ دﻧﺒﺎﻟﻪ ﺑﻪ رﯾﺸﻪ واﻗﻌﯽ ‪ α‬ﻫﻤﮕﺮا ﺑﺎﺷﺪ ‪.‬آﻧﮕﺎه از ﻗﻀﯿﻪ ﻓﻮق ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ‪:‬‬

‫‪49‬‬
 ‫‪1‬‬ ‫) ‪f ′′(ζ n‬‬
‫‪α − xn+1 = (α − xn ) 2‬‬
‫‪2‬‬ ‫) ‪f ′( xn‬‬

‫ﺣﺎل اﮔﺮ از ﻃﺮﻓﯿﻦ راﺑﻄﻪ ﻟﮕﺎرﯾﺘﻢ ﺑﺮﻣﺒﻨﺎي ‪ 10‬ﺑﮕﯿﺮﯾﻢ دارﯾﻢ ‪:‬‬

‫) ‪ f ′′(ζ n‬‬ ‫‪‬‬

‫‪log α − xn+1 = 2 log10 α − xn + log10 ‬‬ ‫‪ = 2 log10 α − xn + bn‬‬
‫‪‬‬
‫‪ 2 f ′( xn‬‬ ‫‪‬‬

‫ﺑﺎ ﻧﺎدﯾﺪه ﮔﺮﻓﺘﻦ ﺟﻤﻠﻪ ‪ bn‬درﺑﺎﻻ واز آﻧﺠﺎ ﮐﻪ ﺧﻄﺎ ﮐﻮﭼﮑﺘﺮ از ﯾﮏ ﻣﯽ ﺑﺎﺷﺪ ﻣﯽ ﺗﻮان راﺑﻄﻪ ﻓﻮق را اﯾﻦ ﭼﻨﯿﻦ‬

‫ﺗﻌﺒﯿﺮ ﻧﻤﻮد ﮐﻪ ﺗﻌﺪاد ارﻗﺎم درﻫﺮﻣﺮﺣﻠﻪ ﻧﺴﺒﺖ ﺑﻪ ﻣﺮﺣﻠﻪ ﻗﺒﻞ آن دو ﺑﺮاﺑﺮ ﻣﯿﺸﻮد‪.‬‬

‫‪ 13-3‬ﻫﻤﮕﺮاﯾﯽ روش ﻧﯿﻮﺗﻦ‬

‫ﻗﻀﯿﻪ ‪ 2-3‬درﺑﺎره ﺧﻄﺎي روش ﻧﯿﻮﺗﻦ درﻗﺒﻞ ﮔﺮﭼﻪ اﯾﺪه ﺑﺎاﻫﻤﯿﺘﯽ راﺟﻊ ﺑﻪ ﺗﻐﯿﯿﺮات ﺧﻄﺎ درﻫﺮﻣﺮﺣﻠﻪ راﺑﺪﺳﺖ‬

‫ﻣﯽ دﻫﺪ اﻣﺎ ﺑﻪ ﺗﻨـﻬﺎﯾﯽ ﮐـــــﺎﻓﯽ ﻧﯿﺴﺖ ﮐﻪ ﻫﻤﮕﺮاﯾﯽ را ﻧﺸﺎن و درﻋﻤﻞ ﻫﺮﮔﻮﻧﻪ دﻗﺖ را ﺑﯿﺎن ﮐﻨﺪ ﻟﺬا ﻗﻀﯿﻪ زﯾﺮ را‬

‫درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪:‬‬

‫ﻗﻀﯿﻪ ‪ : 3-3‬ﻓﺮض ﮐﻨﯿﺪ ‪ f‬ﺗﻌﺮﯾﻒ ﺷﺪه و دوﺑﺎر ﭘﯿﻮﺳﺘﻪ و ﻣﺸﺘﻖ ﭘﺬﯾﺮ ﺑﺮاي ﺟﻤﯿﻊ ﻣﻘﺎدﯾﺮ ‪ x‬ﺑﺎﺷﺪ وﻓﺮض ﮐﻨﯿﺪ ﺑﺮاي‬

‫‪ α‬اي ‪ f (α ) = 0‬ﺑﺎﺷﺪ ‪ .‬ﻫﺮﮔﺎه راﺑﻄﻪ زﯾﺮ ﺑﺮﻗﺮار ﺑﺎﺷﺪ‬

‫)‪M = max x∈R f ′′( x) / 2 min x∈R f ′( x‬‬ ‫)‪(3.19‬‬

‫وﻫﻢ ﭼﻨﯿﻦ ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ ∞ < ‪ M‬آﻧﮕﺎه ﺑﺮاي ﻫﺮ ‪ x0‬اﮔﺮ‬

‫‪M α − x0 < 1‬‬ ‫)‪(3.20‬‬

‫ﺑﺎﺷﺪ روش ﺗﮑﺮار ﻧﯿﻮﺗﻦ ﻫﻤﮕﺮا ﻣﯽ ﺷﻮد وﻣﻀﺎﻓﺎً اﯾﻨﮑﻪ‬

‫‪n‬‬
‫‪α − xn ≤ M −1 ( M α − x0 ) 2‬‬ ‫)‪(3.21‬‬

‫اﺛﺒﺎت ‪ :‬اﺛﺒﺎت اﯾﻦ ﻗﻀﯿﻪ ﺑﺮ اﺳﺎس راﺑﻄﻪ )‪ (3.18‬از ﻗﻀﯿﻪ ‪ 2-3‬اﺳﺘﻮار اﺳﺖ ‪.‬ﻟﺬا دارﯾﻢ ‪:‬‬

‫‪1‬‬ ‫) ‪f ′′(ζ n‬‬

‫‪α − xn +1 = (α − xn ) 2‬‬
‫‪2‬‬ ‫) ‪f ′( xn‬‬

‫‪50‬‬
 ‫ﺑﺎ اﺳﺘﻔﺎده از )‪ (3.19‬دارﯾﻢ‬

‫‪α − xn+1 ≤ (α − xn ) 2 M‬‬

‫ﺣﺎل ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ‪ en = α − xn‬ﺑﺎﺷﺪ آﻧﮕﺎه دارﯾﻢ‬

‫‪en+1 ≤ e 2 n M‬‬

‫‪e1 ≤ e 2 0 M‬‬
‫‪2‬‬
‫‪e2 ≤ e 21 M ≤ (e 21 M ) 2 M = e 4 0 M 3 = M −1 (e0 M ) 4 = M −1 (e0 M ) 2‬‬
‫‪3‬‬
‫‪e3 ≤ e 2 2 M ≤ (e 21 M ) 2 M = e 8 0 M 7 = M −1 ( Me0 ) 8 = M −1 ( Me0 ) 2‬‬
‫‪.‬‬
‫‪.‬‬
‫‪.‬‬
‫‪n‬‬
‫‪en ≤ M −1 ( Me0 ) 2‬‬ ‫)‪(3.22‬‬

‫اﯾﻦ راﺑﻄﻪ ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ ﻃﺮف راﺳﺖ وﻗﺘﯽ ﮐﻪ ∞ → ‪ n‬ﺑﻪ ﺳﻤﺖ ﺻﻔﺮ ﻣﯿﻞ ﻣﯽ ﮐﻨﺪ اﮔﺮ و ﻓﻘﻂ اﮔﺮ‬

‫‪ Me0 = M α − x0 < 1‬ﺑﺎﺷﺪ و اﯾﻦ ﺑﻪ ﻣﻌﻨﺎي اﺛﺒﺎت ﻗﻀﯿﻪ اﺳﺖ ‪.‬‬

‫ﻣﺸﺎﻫﺪاﺗﯽ ﮐﻪ از ﻗﻀﯿﻪ ﻓﻮق ﻣﯽ ﺗﻮاﻧﯿﻢ ﺑﻪ ﺗﺮﺗﯿﺐ داﺷﺘﻪ ﺑﺎﺷﯿﻢ ﻋﺒﺎرﺗﻨﺪ از اوﻻً ‪:‬ﭼﻪ ﻣﻮﻗﻊ روش ﻫﻤﮕﺮاﺳﺖ و‬

‫ﻫﻤﮕﺮاﯾﯽ ﺧﯿﻠﯽ ﺳﺮﯾﻊ اﺳﺖ؟ ﻣﺎداﻣﯿﮑﻪ در راﺑﻄﻪ )‪ (3.22‬ﻧﻤﺎ ﺑﻪ ﺻﻮرت ﻧﻤﺎﯾﯽ اﻓﺰاﯾﺶ ﻣﯽ ﯾﺎﺑﺪ ﺑﺮاي ﻣﺜﺎل اﮔﺮ‬

‫‪ Me0 = 0.5‬ﺑﺎﺷﺪ دارﯾﻢ ‪:‬‬

‫‪e5 ≤ M −1 (0.5) 32 = M −1 × 2.328... × 10 −10‬‬

‫ﺛﺎﻧﯿﺎً راﺑﻄﻪ )‪ (3.22‬زﯾﺎد ﻋﻤﻠﯽ ﻧﯿﺴﺖ ﮐﻪ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﯿﺮد واز آن ﺑﺘﻮان ﺗﺨﻤﯿﻨﯽ ﺑﺮاي ‪ x0‬ﯾﺎﻓﺖ ‪.‬‬

‫ﻧﮑﺎت ﻗﻀﯿﻪ ﺑﻪ ﻣﺎ ﺑﺮاي اﻧﺘﺨﺎب ‪ x0‬ﮐﻤﮑﯽ ﻧﻤﯽ ﮐﻨﺪ اﻣﺎ ﻣﻌﯿﻦ ﻣﯽ ﮐﻨﺪ ﮐﻪ ‪ x0‬ﺑﺎﯾﺴﺘﯽ ﭼﮕﻮﻧﻪ ﺑﺎﺷﺪ ﮐﻪ روش ﻫﻤﮕﺮا‬

‫ﮔﺮدد ‪.‬اﻣﺎ ﻧﻬﺎﯾﺘﺎً ﺑﯿﺎن ﻣﯽ ﮐﻨﺪ ﮐﻪ ‪ x0‬ﺑﺎﯾﺴﺘﯽ ﺑﺴﯿﺎر ﻧﺰدﯾﮏ ﺑﻪ رﯾﺸﻪ واﻗﻌﯽ اﻧﺘﺨﺎب ﺷﻮد ﺗﺎ ﻫﻤﮕﺮا ﺷﻮد و ﻫﻤﮕﺮاﯾﯽ‬

‫ﺳﺮﯾﻊ ﺑﺎﺷﺪ ‪.‬‬

‫‪51‬‬
‫اﻣﺎﯾﺎدآور ﻣﯽ ﺷﻮﯾﻢ ﮐﻪ ﻣﻔﺮوﺿﺎت ﻗﻀﯿﻪ آن اﺳﺖ ﮐﻪ ‪ f‬ﻫﻤﻪ ﺟﺎ ﺗﻌﺮﯾﻒ ﺷﺪه ودوﺑﺎر ﭘﯿﻮﺳﺘﻪ و ﻣﺸﺘﻖ ﭘﺬﯾﺮ ﺑﺎﺷﺪ‬

‫)‪ f ′′( x‬‬ ‫‪2 min f ′( x) ‬‬

‫‪ M = max ‬ﻧﯿﺰ ﺑﺮﻗﺮار ﺑﺎﺷﺪ ‪.‬اﯾﻦ ﻣﻮارد ﻣﺤﺪودﯾﺖ زﯾﺎدي اﺳﺖ‬ ‫‪x∈R‬‬ ‫‪.‬ﻣﻀﺎﻓﺎً اﯾﻨﮑﻪ ﻓﺮض ‪‬‬
‫‪x∈R‬‬ ‫‪‬‬ ‫‪‬‬

‫اﮔﺮ ﻣﻤﮑﻦ ﺑﺎﺷﺪ ﻣﺎ درﺻﺪد ﺑﺮﻃﺮف ﻧﻤﻮدن اﯾﻦ ﻣﺤﺪودﯾﺖ ﻫﺴﺘﯿﻢ ‪ .‬در زﯾﺮ ﻣﯽ ﺧﻮاﻫﯿﻢ ﻓﺮﺿﯿﻪ ﭘﯿﻮﺳﺘﻪ ﺑﻮدن ﻣﺸﺘﻘﺎت‬

‫ﻣﺮﺗﺒﻪ اول و دوم ‪ f‬را ﻣﺪﻧﻈﺮ ﻗﺮار دﻫﯿﻢ و ﺑﻪ ﻫﻤﺎن ﻧﺘﯿﺠﻪ ﺑﺮﺳﯿﻢ ‪.‬ﭘﺲ ﻗﻀﯿﻪ زﯾﺮ را ﻣﺪ ﻧﻈﺮ ﻗﺮار ﻣﯽ دﻫﯿﻢ ‪:‬‬

‫ﻗﻀﯿﻪ ‪ : 4-3‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ) ‪ f ∈ C 2 ( I‬و ‪ α ∈ I ⊂ R‬ﯾﮏ رﯾﺸﻪ ‪ f‬ﺑﺎﺷﺪ و ‪ I‬ﯾﮏ ﺑﺎزه ﺑﺎز ﺑﺎﺷﺪ ‪ .‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ‬

‫‪ f ′(α ) ≠ 0‬و ‪ xn‬ﺟﻮا ب ﺗﻘﺮﯾﺒﯽ ‪ f‬ﺑﻪ وﺳﯿﻠﻪ روش ﻧﯿﻮﺗﻦ ﺑﺎﺷﺪ ‪.‬آﻧﮕﺎه ﺑﺮاي ‪ x0‬ﺑﻪ اﻧﺪازه ﮐﺎﻓﯽ ﻧﺰدﯾﮏ ﺑﻪ ‪ α‬دارﯾﻢ ‪:‬‬

‫‪lim xn = α‬‬ ‫)‪(3.23‬‬

‫∞→‪n‬‬

‫‪α − xn+1‬‬ ‫) ‪f ′′(α‬‬

‫‪lim‬‬ ‫‪=−‬‬ ‫)‪(3.24‬‬
‫) ‪(α − xn‬‬ ‫‪2‬‬
‫) ‪2 f ′(α‬‬ ‫و‬
‫∞→‪n‬‬

‫اﺛﺒﺎت ‪ :‬از آﻧﺠﺎ ﮐﻪ ‪ f ′(α ) ≠ 0‬و ‪ f ′‬ﭘﯿﻮﺳﺘﻪ ﻣﯽ ﺑﺎﺷﺪ ﻣﺎ ﻣﯽ ﺗﻮاﻧﯿﻢ ﯾﮏ ﺑﺎزه ﺑﺴﺘﻪ در ﻫﻤﺴﺎﯾﮕﯽ ‪) α‬ﺣﺘﻤﺎً ﯾﮏ ﺑﺎزه‬

‫ﮐﻮﭼﮏ( ﺑﯿﺎﺑﯿﻢ ﺑﻪ ﻃﻮري ﮐﻪ ‪ f ′( x) ≠ 0‬ﺑﺎﺷﺪ ‪.‬اﯾﻦ ﺑﺎزه را ‪ J‬ﻣﯽ ﻧﺎﻣﯿﻢ ‪.‬ﻧﺎﮔﻔﺘﻪ ﻧﻤﺎﻧﺪ ﺑﺪون ﻧﺎدﯾﺪه ﮔﺮﻓﺘﻦ ﻋﻤﻮﻣﯿﺖ‬

‫ﻣﺴﺌﻠﻪ ﻣﯽ ﺗﻮان ﻓﺮض ﻧﻤﻮد ﮐﻪ ‪ J ⊂ I‬وﺑﺮاي ﻫﺮ ‪. J = {x | α − ε ≤ x ≤ α + ε } ε > 0‬ﺑﻪ ﻃﻮرﯾﮑﻪ ‪ f ′( x) ≠ 0‬در‬

‫ﺑﺎزه ‪ J‬ﺑﺎﺷﺪ ‪.‬‬

‫ﺣﺎل ﭼﻮن ‪ J‬ﯾﮏ ﺑﺎزه ﺑﺴﺘﻪ اﺳﺖ و ‪ f ′‬درﺑﺎزه ‪ J‬ﻧﺎﺻﻔﺮ ﻣﯽ ﺑﺎﺷﺪ و ‪ f ′′‬در اﯾﻦ ﺑﺎزه ﭘﯿﻮﺳﺘﻪ اﺳﺖ ﻟﺬا ﻧﺴﺒﺖ زﯾﺮ‬

‫)‪M = max f ′′( x‬‬

‫‪x∈ j‬‬ ‫ﻣﺤﺪود ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬
‫‪2 min‬‬ ‫)‪f ′( x‬‬
‫‪x∈ j‬‬

‫‪ x0 ∈ J‬را ﺑﻌﻨﻮان ﺗﻘﺮﯾﺐ اوﻟﯿﻪ اﻧﺘﺨﺎب ﻣﯽ ﮐﻨﯿﻢ ﺑﻨﺎﺑﺮاﯾﻦ از روش ﻧﯿﻮﺗﻦ دارﯾﻢ‪.‬‬

‫) ‪f ( x0‬‬
‫‪x1 = x0 −‬‬
‫) ‪f ′( x0‬‬

‫‪52‬‬
 ‫ﺑﺮاي اﯾﻨﮑﻪ ‪ x1 ∈ J‬ﺑﺎﺷﺪ ﺑﺎﯾﺴﺘﯽ ‪ x0‬ﺧﯿﻠﯽ ﺑﻪ ‪ α‬ﻧﺰدﯾﮏ ﺑﺎﺷﺪ ‪.‬ﺑﻨﺎﺑﻪ ﻓﺮﻣﻮل ﺧﻄﺎي ﻧﯿﻮﺗﻦ دارﯾﻢ ‪:‬‬

‫‪1‬‬ ‫) ‪f ′′(ζ 0‬‬

‫‪α − x1 = − (α − x0 ) 2‬‬
‫‪2‬‬ ‫) ‪f ′( x0‬‬

‫‪ ζ 0‬ﺑﯿﻦ ‪ x0 ,α‬ﻣﯽ ﺑﺎﺷﺪ وﻟﺬا ‪ ζ 0 ∈ J‬اﺳﺖ ‪.‬ﻟﺬا‬

‫)‪max f ′′( x‬‬

‫‪1‬‬ ‫)‪f ′′(ζ 0‬‬ ‫‪x∈ j‬‬
‫= ‪α − x1‬‬ ‫‪(α − x0 ) 2‬‬ ‫‪≤ (α − x0 ) 2‬‬ ‫‪= (α − x0 ) 2 M‬‬
‫‪2‬‬ ‫) ‪f ′( x0‬‬ ‫)‪2 min f ′( x‬‬
‫‪x∈ j‬‬

‫اﮔﺮ ‪ x0‬را ﻃﻮري اﻧﺘﺨﺎب ﮐﻨﯿﻢ ﮐﻪ ‪ M α − x0 < 1‬آﻧﮕﺎه دارﯾﻢ ‪:‬‬

‫‪α − x1 ≤ (α − x0 ) 2 M = α − x0 ( α − x0 M ) < α − x0‬‬

‫اﯾﻦ ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ ‪ x1 ∈ J‬اﺳﺖ ﭼﻮن ﮐﻪ ﻧﺴﺒﺖ ﺑﻪ ‪ x0‬ﺑﻪ ‪ α‬ﻧﺰدﯾﮏ ﻣﯽ ﺑﺎﺷﺪ ‪.‬ﺑﻪ ﻫﻤﯿﻦ ﻃﺮﯾﻖ ‪ x2‬ﻧﯿﺰ در ﺑﺎزه ‪j‬‬

‫وﺳﺮاﻧﺠﺎم دﻧﺒﺎﻟﻪ ‪ xn‬ﻫﺎي اﯾﺠﺎد ﺷﺪه ﻣﺘﻌﻠﻖ ﺑﻪ ‪ j‬ﻣﯽ ﺷﻮﻧﺪ ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ دارﯾﻢ ‪:‬‬

‫‪1‬‬ ‫) ‪f ′′(ζ n‬‬

‫‪α − xn+1 = (α − xn ) 2‬‬ ‫‪≤ (α − xn ) 2 M‬‬
‫‪2‬‬ ‫) ‪f ′( xn‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺮاي ‪ en = α − xn‬از ﻗﻀﯿﻪ ‪ 3-3‬دارﯾﻢ‬

‫‪n‬‬
‫‪en ≤ M −1 ( Me0 ) 2‬‬

‫‪lim en = 0‬‬
‫ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺮاي ‪ Me0 = M α − x0 < 1‬ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ‬
‫∞→‪n‬‬

‫‪lim xn = α‬‬
‫واﯾﻦ ﺑﻪ ﻣﻌﻨﺎي ﻫﻤﮕﺮاﯾﯽ اﺳﺖ )راﺑﻄﻪ )‪(3.23‬اﺛﺒﺎت ﺷﺪ(‪.‬‬ ‫ﯾﻌﻨﯽ‬
‫∞→‪n‬‬

‫ﺣﺎل ﺑﺮاي اﺛﺒﺎت راﺑﻄﻪ )‪ (3.24‬در اﯾﻦ ﻗﻀﯿﻪ دارﯾﻢ ‪:‬‬

‫‪1‬‬ ‫) ‪f ′′(ζ n‬‬

‫‪α − xn+1 = − (α − xn ) 2‬‬
‫‪2‬‬ ‫) ‪f ′( xn‬‬

‫‪α − xn+1‬‬ ‫) ‪1 f ′′(ζ n‬‬

‫‪=−‬‬
‫) ‪(α − xn‬‬ ‫‪2‬‬
‫) ‪2 f ( xn‬‬

‫‪53‬‬
‫از آﻧﺠﺎ ﮐﻪ } ‪ {xn‬اﯾﺠﺎد ﺷﺪه ﻣﺘﻌﻠﻖ ﺑﻪ ﺑﺎزه ‪ J‬ﻫﺴﺘﻨﺪ ﻟﺬا ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ) ‪ f ′′(α ) ≈ f ′′(ζ n ), f ′(α ) ≈ f ′( xn‬ﻟﺬا‬

‫‪α − xn +1‬‬ ‫) ‪f ′′(α‬‬

‫‪lim‬‬ ‫‪=−‬‬
‫) ‪(α − xn‬‬ ‫‪2‬‬
‫) ‪2 f ′(α‬‬ ‫ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ‪:‬‬
‫∞→‪n‬‬

‫‪ 14-3‬ﭼﮕﻮﻧﻪ ﻣﺮاﺣﻞ ﺗﮑﺮار روش ﻧﯿﻮﺗﻦ را ﻣﺘﻮﻗﻒ ﮐﻨﯿﻢ ؟‬

‫درﺣﻘﯿﻘﺖ روﻧﺪ ﺗﮑﺮار روش ﻧﯿﻮﺗﻦ زﻣﺎﻧﯽ ﻣﺘﻮﻗﻒ ﻣﯽ ﮔﺮدد ﮐﻪ ﺧﻄﺎ ‪ α − xn‬ﺑﻪ اﻧﺪازه ﮐﺎﻓﯽ ﮐﻮﭼﮏ ﮔﺮدد اﻣﺎ‬

‫درﻋﻤﻞ دﺳﺖ ﯾﺎﺑﯽ ﺑﻪ ‪ α‬ﻣﻘﺪور ﻧﯿﺴﺖ وﺑﻬﺮﺣﺎل ﭼﻮن ‪ . f ′(α ) ≠ 0‬ﺣﺎل اﮔﺮ ‪ Cn‬ﻣﻘﺪاري ﺑﯿﻦ ‪ α‬و ‪ xn‬ﻓﺮض ﮐﻨﯿﻢ‬

‫) ‪f (α ) − f ( xn‬‬
‫= ‪α − xn‬‬ ‫) ‪= − f ( xn ) f ′(cn‬‬ ‫دارﯾﻢ ‪:‬‬
‫) ‪f ′(cn‬‬

‫‪f ( xn−1 )  f ( xn ) f ′( xn−1 ) ‬‬

‫‪=−‬‬ ‫‪‬‬ ‫‪.‬‬ ‫‪‬‬
‫‪f ′( xn−1 )  f ( xn−1 ) f ′(cn ) ‬‬
‫‪ f ( xn ) f ′( xn−1 ) ‬‬
‫‪= ( xn − xn−1 )‬‬ ‫‪.‬‬ ‫) ‪ = λ n ( xn − xn−1‬‬
‫‪ f ( xn−1 ) f ′(cn ) ‬‬
‫) ‪f ( xn ) f ′( xn−1‬‬
‫= ‪λn‬‬ ‫‪.‬‬ ‫)‪(3.25‬‬ ‫ﺑﻪ ﻃﻮري ﮐﻪ ؛‬
‫) ‪f ( xn−1 ) f ′(cn‬‬

‫اﮔﺮ ﻓﺮض ﮐﻨﯿﻢ روﻧﺪ ﻫﻤﮕﺮا ﺑﺎﺷﺪ و ‪ f ′(α ) ≠ 0‬آﻧﮕﺎه ﻣﯽ ﺗﻮان ﻧﺘﯿﺠﻪ ﮔﺮﻓﺖ ﮐﻪ ‪:‬‬

‫‪ f ′( xn ) f ′( xn−1 ) ‬‬

‫‪lim λn = lim‬‬ ‫‪.‬‬ ‫‪ = 1‬‬ ‫)‪(3.26‬‬
‫‪‬‬ ‫‪f‬‬ ‫(‬ ‫‪x‬‬‫‪n−‬‬‫‪1‬‬ ‫)‬ ‫‪f‬‬ ‫‪′‬‬‫(‬ ‫‪c‬‬ ‫‪n‬‬ ‫)‬ ‫‪‬‬
‫∞→‪n‬‬
‫‪α − xn‬‬
‫‪lim‬‬ ‫‪=1‬‬
‫‪xn − xn−1‬‬ ‫ﺑﻨﺎﺑﺮاﯾﻦ ﻣﯽ ﺗﻮان ﻧﺘﯿﺠﻪ ﮔﺮﻓﺖ ‪:‬‬
‫∞→‪n‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ ﻣﯽ ﺗﻮان از ﻣﺤﮏ ‪ xn − xn−1‬ﮐﻪ ﻗﺎﺑﻞ ﻣﺤﺎﺳﺒﻪ اﺳﺖ ﺑﺮاي ﭘﺎﯾﺎن دادن ﺑﻪ روﻧﺪ ﺗﮑﺮار اﺳﺘﻔﺎده ﮐﺮد‪.‬‬

‫اﻣﺎ در اﯾﻦ ﺑﺎره ﻧﯿﺰ ﮔﺮﭼﻪ ﻋﻤﻠﯽ اﺳﺖ ﺧﺎﻟﯽ از ﻋﺪم اﻃﻤﯿﻨﺎن ﻧﯿﺴﺖ ‪.‬ﺣﺎﻟﺘﻬﺎﯾﯽ وﺟﻮد دارد ﮐﻪ ‪ xn − xn −1‬ﺑﺴﯿﺎر‬

‫ﮐﻮﭼﮏ اﺳﺖ اﻣﺎ ‪ xn‬ﺑﻪ ‪ α‬ﺧﯿﻠﯽ ﻧﺰدﯾﮏ ﻧﯿﺴﺖ ‪.‬ﺑﻌﻨﻮان ﻣﺜﺎل ﭼﻨﺎﻧﭽﻪ ) ‪ f ′( xn‬ﺑﺴﯿﺎر ﺑﺰرﮔﺘﺮ از ) ‪ f ( xn‬ﺑﺎﺷﺪ اﯾﻦ‬

‫‪54‬‬
‫ﻣﺴﺌﻠﻪ ﭘﯿﺶ ﺧﻮاﻫﺪ آﻣﺪ ‪.‬در اﯾﻦ ﺻﻮرت ‪ λn‬در راﺑﻄﻪ )‪ (3.25‬داراي ﺣﺪ ﯾﮏ ﻧﯿﺴﺖ ﺑﻌﻨﻮان ﻣﺜﺎل اﮔﺮ ﻓﺮض ﮐﻨﯿﻢ‬

‫‪5 xn − xn −1 ≤ ε‬‬ ‫‪ λn = 5‬ﺑﺎﺷﺪ دارﯾﻢ ‪ ε > 0 :‬ﻣﻌﯿﺎر دﻗﺖ اﺳﺖ ‪.‬‬

‫دراﯾﻦ ﺣﺎﻟﺖ ﻣﯽ ﺗﻮان ﺑﺮاي اﻃﻤﯿﻨﺎن ﺑﯿﺸﺘﺮ ﻣﻘﺪار ﺗﺎﺑﻊ در ‪ xn‬را ﻧﯿﺰ در ﻣﻌﯿﺎر ﭘﺎﯾﺎن دادن ﺗﺄﺛﯿﺮ دﻫﯿﻢ ﯾﻌﻨﯽ ‪:‬‬

‫‪f ( xn ) + xn − xn −1 ≤ ε 5‬‬

‫ﻣﺜﺎل ‪ : 4-3‬رﯾﺸﻪ ﻣﺜﺒﺖ ﻣﻌﺎدﻟﻪ ‪ f ( x) = cos x − x = 0‬را ﺑﺎ اﺳﺘﻔﺎده از روش ﻧﯿﻮﺗﻦ راﻓﺴﻮن ﺗﺎ ‪9‬رﻗﻢ ﺑﺎ ﻣﻌﻨﯽ ﺻﺤﯿﺢ‬

‫ﺑﯿﺎﺑﯿﺪ‪.‬‬

‫‪f (0) = 1, f (π / 2) = −π / 2‬‬ ‫ﺣﻞ ‪:‬‬

‫ﺑﺮاﺳﺎس ﻗﻀﯿﻪ ﻣﻘﺪار ﻣﯿﺎﻧﯽ داراي ﺣﺪاﻗﻞ ﯾﮏ رﯾﺸﻪ در ]‪ [0, π / 2‬اﺳﺖ ‪.‬ﻧﻤﻮدار ﻣﻌﺎدﻻت ‪ y1=x‬و ‪y2=cos x‬‬

‫در ﺷﮑﻞ زﯾﺮ ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ در ﻓﺎﺻﻠﻪ ﻓﻮق ﻓﻘﻂ ﯾﮏ رﯾﺸﻪ وﺟﻮد دارد ‪.‬‬

‫ﺑﺎ اﻧﺘﺨﺎب ‪ x0 = π / 4‬ﻣﯽ ﺗﻮان اﻟﮕﻮرﯾﺘﻢ راﻓﺴﻮن را ﺑﺮاي ﻣﺴﺌﻠﻪ ﻓﻮق ﺑﺼﻮرت زﯾﺮ ﻧﻮﺷﺖ ‪.‬‬

‫‪f ( x) = cos x − x ⇒ f ( xn ) = cos xn − xn‬‬

‫)‪f ′( x) = − sin x − 1 ⇒ f ′( xn ) = −(sin xn + 1‬‬
‫) ‪f ( xn‬‬ ‫‪cos xn − xn‬‬
‫‪xn +1 = xn −‬‬ ‫‪= xn +‬‬ ‫‪, n = 0,1,2,...‬‬
‫) ‪f ′( xn‬‬ ‫‪sin xn + 1‬‬

‫‪cos x0 − x0‬‬ ‫‪cos π / 4 − π / 4‬‬

‫‪n=0‬‬ ‫‪x1 = x0 +‬‬ ‫‪=π /4+‬‬ ‫‪= 0.785398163‬‬
‫‪sin x0 + 1‬‬ ‫‪sin π / 4 + 1‬‬

‫‪cos x1 − x1‬‬
‫‪n=1‬‬ ‫‪x2 = x1 +‬‬ ‫‪= 0.739536134‬‬
‫‪sin x1 + 1‬‬

‫‪55‬‬
 ‫ﺑﻘﯿﻪ ﺟﻮاﺑﻬﺎ دا در ﺟﺪول زﯾﺮ آورده اﯾﻢ ‪:‬‬

‫‪N‬‬ ‫‪xn‬‬
‫‪0‬‬ ‫‪0.785398163‬‬
‫‪1‬‬ ‫‪0.739536134‬‬
‫‪2‬‬ ‫‪0.739085178‬‬
‫‪3‬‬ ‫‪0.739085133‬‬
‫‪4‬‬ ‫‪0.739085133‬‬

‫ﻣﺜﺎل ‪ : 5-3‬ﺑﺎ اﺳﺘﻔﺎده از روش ﻧﯿﻮﺗﻦ راﻓﺴﻮن رﯾﺸﻪ ﻣﻌﺎدﻟﻪ ‪ x4 − 3x2 + 75 x − 10000 = 0‬را درﺑﺎزه ]‪ [-11,-10‬ﺗﺎ‬

‫ﭘﻨﺞ رﻗﻢ اﻋﺸﺎر ﺑﺪﺳﺖ آورﯾﺪ ‪.‬‬

‫‪f ( x) = x 4 − 3 x2 + 75 x − 10000 = 0‬‬

‫‪f(-11)=3453‬‬ ‫‪f(-10)=-1050‬‬
‫‪f ′( x) = 4 x3 − 6 x + 75‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از ‪ x0=-11‬دارﯾﻢ ‪:‬‬

‫‪x 4 n − 3 x 2 n + 75 xn − 10000‬‬
‫‪xn+1 = xn −‬‬ ‫‪,n ≥ 0‬‬
‫‪4 x3 n − 6 xn + 75‬‬

‫‪x 4 0 − 3 x2 0 + 75 x0 − 10000‬‬
‫‪n=0‬‬ ‫‪x1 = x0 −‬‬ ‫‪= −10.3338‬‬
‫‪4 x3 0 − 6 x0 + 75‬‬

‫‪n=1‬‬ ‫‪x2 = −10.3268‬‬

‫‪n xn+1‬‬
‫‪0 -10.3338‬‬
‫‪1 -10.3268‬‬
‫‪2 -10.2618‬‬
‫‪3 -10.2610‬‬

‫ﺗﻤﺮﯾﻦ ﻫﺎ ‪:‬‬

‫‪56‬‬
‫‪ -1‬ﻓﺮض ﮐﻨﯿﺪ ‪ f ( x) = − x3 − cos x‬و ‪ x0=-1‬از روش ﻧﯿﻮﺗﻦ ﺑﺮاي ﯾﺎﻓﺘﻦ ‪ x2‬اﺳﺘﻔﺎده ﮐﻨﯿﺪ ‪.‬آﯾﺎ ﻣﯽ ﺗﻮان از ‪x0=0‬‬

‫اﺳﺘﻔﺎده ﻧﻤﻮد ؟‬

‫‪ -2‬ﻓﺮض ﮐﻨﯿﺪ ‪ ln(x-1)+cos(x-1)=0‬در ﺑﺎزه ]‪ [1/3,2‬داراي ﯾﮏ رﯾﺸﻪ ﺑﺎﺷﺪ ‪ .‬ﺑﺎ روﺷﻬﺎي وﺗﺮي ﻧﺎﺑﺠﺎﯾﯽ و‬

‫ﻧﯿﻮﺗﻦ ﺟﻮاب آﻧﺮا ﺑﺎ دﻗﺖ ‪ 10-5‬ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪ -3‬ﺛﺎﺑﺖ ﮐﻨﯿﺪ ﺷﺮط ﮐﺎﻓﯽ ﺑﺮاي ﻫﻤﮕﺮاﯾﯽ روش ﻧﯿﻮﺗﻦ راﻓﺴﻮن ﺑﺮاي ﺣﻞ ‪ f(x)=0‬ﻋﺒﺎرﺗﺴﺖ از‬

‫‪. f ′′( x) f ( x) < [ f ′( x)]2‬‬

‫‪ -4‬ﻣﻌﺎدﻟﻪ ‪ x2 − 10 cos x = 0‬داراي ﺟﻮاب ‪ ± 1.3793646‬اﺳﺖ از روش ﻧﯿﻮﺗﻦ ﺑﺮاي ﺗﻘﺮﯾﺐ ﺟﻮاﺑﻬﺎ ﺑﺎ دﻗﺘﯽ در‬

‫ﺣﺪود ‪ 10-5‬ﺑﺎ ﻣﻘﺎدﯾﺮ اوﻟﯿﻪ زﯾﺮ اﺳﺘﻔﺎده ﮐﻨﯿﺪ ‪.‬‬

‫ت(‪x0=25‬‬ ‫پ(‪x0=100‬‬ ‫ب(‪x0=-25‬‬ ‫اﻟﻒ( ‪x0=-100‬‬

‫‪ -5‬ﮐﻮﭼﮑﺘﺮﯾﻦ رﯾﺸﻪ ﻣﺜﺒﺖ ‪ cosx=x2‬را ﺑﺎ ﻣﻌﯿﺎر دﻗﺖ ‪ 10-2‬ﺑﺎ روش دﻟﺨﻮاه ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪ -6‬ﺑﺎ اﺳﺘﻔﺎده از روش ﻧﯿﻮﺗﻦ راﻓﺴﻮن اﻟﮕﻮرﯾﺘﻤﯽ ﺑﺮاي ﯾﺎﻓﺘﻦ رﯾﺸﻪ دوم ﻋﺪد ﺻﺤﯿﺢ ‪ N‬ﺑﻨﻮﯾﺴﯿﺪ؟ ﺳﭙﺲ ﺑﺮاي‬

‫‪ N=18‬ﺣﻞ ﮐﻨﯿﺪ ‪.‬ﻣﻌﯿﺎر دﻗﺖ ﺣﻞ ﻣﺴﺌﻠﻪ ‪ 10-4‬ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬

‫‪1‬‬
‫‪1‬‬
‫و ‪ N 3‬روش ﺗﮑﺮاري ﻧﯿﻮﺗﻦ راﻓﺴﻮن ﺑﻨﻮﯾﺴﯿﺪ)‪ N‬اﻋﺪاد ﺣﻘﯿﻘﯽ ﻣﺜﺒﺖ ﻫﺴﺘﻨﺪ(‪.‬‬ ‫‪ -7‬ﺑﺮاي‬
‫‪N‬‬

‫‪ 15-3‬روش ﻧﻘﻄﻪ ﺛﺎﺑﺖ )ﯾﺎ ﺗﮑﺮار ﺳﺎده(‬

‫) ‪α = g (α‬‬ ‫ﯾﮏ ﻧﻘﻄﻪ ﺛﺎﺑﺖ ﺑﺮاي ﺗﺎﺑﻊ داده ﺷﺪه ‪ g‬ﻋﺪدي ﭼﻮن ‪ α‬اﺳﺖ ﮐﻪ ﺑﻪ ازاي آن ‪:‬‬

‫در اﯾﻦ ﻗﺴﻤﺖ ﺑﻪ ﯾﺎﻓﺘﻦ ﺟﻮاﺑﻬﺎي ﺗﻘﺮﯾﺒﯽ ﺑﺮاي ﻣﻌﺎدﻟﻪ ‪ ، f(x)=0‬ﺑﺎ روش ﻧﻘﻄﻪ ﺛﺎﺑﺖ ﻣﯽ ﭘﺮدازﯾﻢ ‪.‬ﺑﺮاي اﯾﻨﮑﺎر‬

‫ﻣﯽ ﺗﻮان ﺑﻪ ﻃﺮق ﻣﺘﻌﺪد ‪ ،‬ﺗﺎﺑﻌﯽ ﭼﻮن )‪ g(x‬ﺑﺎ ﻧﻘﻄﻪ ﺛﺎﺑﺖ ‪ α‬ﭼﻨﺎن ﺑﯿﺎﺑﯿﻢ ﮐﻪ ﺑﻌﻨﻮان ﻣﺜﺎل )‪ g(x)=x-f(x‬ﮔﺮدد‬

‫‪.‬ﺑﺮﻋﮑﺲ ﻫﺮﮔﺎه ﺗﺎﺑﻌﯽ ﭼﻮن ‪ . g‬ﻧﻘﻄﻪ اي ﺛﺎﺑﺖ در ‪ α‬داﺷﺘﻪ ﺑﺎﺷﺪ دراﯾﻦ ﺻﻮرت ﺗﺎﺑﻊ ﺗﻌﺮﯾﻒ ﺷﺪه ﺑﺎ ‪:‬‬

‫)‪ f(x)=x-g(x‬ﯾﮏ رﯾﺸﻪ در ‪ α‬دارد ‪.‬‬

‫‪57‬‬
 ‫ﻗﻀﯿﻪ ‪ : 5-3‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ]‪ g ∈ C[a , b‬وﺑﻪ ازاي ﻫﻤﻪ ﻣﻘﺎدﯾﺮ ]‪ a ≤ g ( x) ≤ b ، x ∈ [a , b‬آﻧﮕﺎه‬

‫اﻟﻒ‪ g :‬داراي ﺣﺪاﻗﻞ ﯾﮏ ﻧﻘﻄﻪ ﺛﺎﺑﺖ ]‪ α ∈ [a .b‬اﺳﺖ ‪.‬‬

‫‪g ( x) − g ( y) ≤ γ x − y‬‬ ‫ب‪ :‬اﮔﺮ ﻣﻘﺪاري ﻣﺎﻧﻨﺪ ‪ γ < 1‬وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ﺑﻪ ﻃﻮري ﮐﻪ ‪(3.27) :‬‬

‫ﺑﻪ ازاي ﺟﻤﯿﻊ ﻣﻘﺎدﯾﺮ ‪ x,y‬درﺑﺎزه ]‪ [a,b‬ﺑﺮﻗﺮار ﺑﺎﺷﺪ آﻧﮕﺎه ‪:‬‬

‫‪ α - I‬ﻣﻨﺤﺼﺮﺑﻔﺮد اﺳﺖ ‪.‬‬

‫‪ -II‬روش ﺗﮑﺮاري ) ‪ xn +1 = g ( xn‬ﺑﻪ ازاي ﻫﺮﺗﻘﺮﯾﺐ اوﻟﯿﻪ اي ]‪ x0 ∈ [a , b‬ﺑﻪ ‪ α‬ﻫﻤﮕﺮاﺳﺖ ‪.‬‬

‫‪γn‬‬
‫≤ ‪α − xn‬‬ ‫‪x1 − x0‬‬ ‫)‪(3.28‬‬ ‫‪ -III‬و راﺑﻄﻪ ﺧﻄﺎي روش ﻋﺒﺎرﺗﺴﺖ از‬
‫‪1−γ‬‬

‫اﺛﺒﺎت ‪ :‬ﺗﺎﺑﻊ )‪ h(x‬را ﺑﺼﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ‬

‫‪h( x) = g ( x) − x‬‬

‫‪h(b) = g (b) − b ≤ 0‬‬ ‫آﻧﮕﺎه‬

‫‪h(a ) = g ( a ) − a ≥ 0‬‬ ‫و‬

‫ﺑﻨﺎﺑﺮاﯾﻦ ‪،‬ﻗﻀﯿﻪ ﻣﻘﺪار ﻣﯿﺎﻧﯽ ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ ‪ h‬داراي ﯾﮏ رﯾﺸﻪ ‪ α‬در ﺑﺎزه ]‪ [a,b‬اﺳﺖ ‪.‬ﻟﺬا ‪ h(α ) = 0‬ﻧﺸﺎن‬

‫ﻣﯿﺪﻫﺪ ﮐﻪ ) ‪ α = g (α‬اﺳﺖ واﯾﻦ ﺑﻤﻌﻨﺎي اﺛﺒﺎت )اﻟﻒ( اﺳﺖ ‪.‬‬

‫ﺑﺮاي اﺛﺒﺎت ﻣﻨﺤﺼﺮﺑﻔﺮدﺑﻮدن ﻧﻘﻄﻪ ﺛﺎﺑﺖ ‪ ،‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ راﺑﻄﻪ )‪ (3.27‬ﺑﺮﻗﺮار اﺳﺖ و ﻫﻢ ﭼﻨﯿﻦ ﻧﻘﻄﻪ ﺛﺎﺑﺖ دوم‬

‫‪ β‬در ﺑﺎزه ]‪ [a,b‬ﻣﻮﺟﻮد ﺑﺎﺷﺪ وآﻧﮕﺎه ﻃﺒﻖ ﺗﻌﺮﯾﻒ دارﯾﻢ ‪:‬‬

‫) ‪α = g (α‬‬
‫)‪(3.29‬‬
‫) ‪β = g(β‬‬

‫ﺗﻔﺎﺿﻞ دو راﺑﻄﻪ ﻓﻮق را درﻧﻈﺮ ﻣﯿﮕﯿﺮﯾﻢ وﺑﺎ اﺳﺘﻔﺎده از )‪ (3.27‬دارﯾﻢ ‪:‬‬

‫‪α − β = g (α ) − g ( β ) ≤ γ α − β‬‬
‫‪⇒ α − β (1 − γ ) ≤ 0‬‬

‫‪58‬‬
‫ﻣﺎداﻣﯽ ﮐﻪ ‪ 0 < γ < 1‬ﺑﺎﺷﺪ از راﺑﻄﻪ ﻓﻮق ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ‪ α − β ≤ 0‬ﻟﺬا ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ‪ α = β‬اﺳﺖ‬

‫واﯾﻦ ﺑﻤﻌﻨﺎي ﻣﻨﺤﺼﺮﺑﻔﺮد ﺑﻮدن ‪ α‬اﺳﺖ ‪ .‬ﺣﺎل ﺑﺎدر ﻧﻈﺮ ﮔﺮﻓﺘﻦ‬

‫) ‪xn +1 = g ( xn‬‬ ‫)‪(3.30‬‬

‫وﺑﺎ اﺳﺘﻔﺎده از راﺑﻄﻪ )‪ (3.29‬دارﯾﻢ ‪:‬‬

‫) ‪α = g (α‬‬ ‫)‪(3.31‬‬

‫‪α − xn+1 = g (α ) − g ( xn ) ≤ γ α − xn‬‬ ‫ﻟﺬا دارﯾﻢ ‪:‬‬

‫اﮔﺮ ‪ en = α − xn‬ﻓﺮض ﮐﻨﯿﻢ از راﺑﻄﻪ ﻓﻮق ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ‪:‬‬

‫‪en+1 ≤ γen , n ≥ 0‬‬

‫‪e n ≤ γ n e0‬‬ ‫)‪(3.32‬‬ ‫از راﺑﻄﻪ ﻓﻮق ﻣﯽ ﺗﻮان ﻧﺘﯿﺠﻪ ﮔﺮﻓﺖ ﮐﻪ ‪:‬‬

‫‪lim en ≤ lim γ n e0 ⇒ lim en = 0‬‬

‫∞→‪n‬‬ ‫∞→‪n‬‬ ‫∞→‪n‬‬

‫‪limα − xn = 0‬‬
‫∞→‪n‬‬

‫واﯾﻦ ﺑﻤﻌﻨﺎي ﻫﻤﮕﺮاﯾﯽ روش ﻧﻘﻄﻪ ﺛﺎﺑﺖ اﺳﺖ ‪.‬‬

‫ﺑﺮاي اﺛﺒﺎت ﻗﺴﻤﺖ آﺧﺮ ﻗﻀﯿﻪ ﺧﻄﺎي ‪ e0‬رادر ﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ‬

‫‪e0 = α − x0 = α − g ( x0 ) + x1 − x0 ≤ α − g ( x0 ) + x1 − x0 = g (α ) − g ( x0 ) + x1 − x0‬‬

‫‪α − x0 ≤ γ α − x0 + x1 − x0‬‬ ‫ﺑﺎ اﺳﺘﻔﺎده از راﺑﻄﻪ )‪ (3.27‬دارﯾﻢ‬

‫‪α − x0 (1 − γ ) ≤ x1 − x0‬‬

‫‪1‬‬
‫≤ ‪α − x0‬‬ ‫‪x1 − x0‬‬ ‫)‪(3.33‬‬
‫‪1− γ‬‬

‫‪59‬‬
 ‫‪γn‬‬
‫≤ ‪en‬‬ ‫‪x1 − x0‬‬ ‫ﺑﺎ اﺳﺘﻔﺎده از راﺑﻄﻪ )‪ (3.32‬دارﯾﻢ ‪:‬‬
‫‪1−γ‬‬

‫ﻗﻀﯿﻪ ‪: 6-3‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ]‪ g ∈ C[a , b‬وﺑﻪ ازاي ﻫﻤﻪ ﻣﻘﺎدﯾﺮ ]‪ a ≤ g ( x) ≤ b x ∈ [a , b‬آﻧﮕﺎه اﮔﺮ ‪ g‬در ﺑﺎزه‬

‫‪max g ′( x) = γ < 1‬‬ ‫)‪(3.34‬‬

‫]‪ [a,b‬ﻣﺸﺘﻖ ﭘﺬﯾﺮ ﺑﺎﺷﺪ و‬
‫]‪x ∈ [ a , b‬‬

‫ﺑﺎﺷﺪ آﻧﮕﺎه ‪:‬‬

‫اﻟﻒ‪ α :‬ﻣﻨﺤﺼﺮﺑﻔﺮد اﺳﺖ و روش ﺗﮑﺮاري ) ‪ xn+1 = g ( xn‬ﻫﻤﮕﺮاﺳﺖ ‪.‬‬

‫‪α − xn +1‬‬
‫‪lim‬‬ ‫) ‪= g ′(α‬‬
‫ﺑﺮﻗﺮار اﺳﺖ ‪.‬‬ ‫‪α − xn‬‬ ‫ب‪ :‬راﺑﻄﻪ‬
‫∞→‪n‬‬

‫اﺛﺒﺎت ‪ :‬راﺑﻄﻪ )‪ (3.34‬راﺑﻄﻪ )‪ (3.27‬را ﻧﺸﺎن ﻣﯽ دﻫﺪ ‪.‬ﻟﺬا ﻗﺴﻤﺖ اﻟﻒ ﻗﻀﯿﻪ ﻧﻈﯿﺮ ﻗﻀﯿﻪ ‪ 5-3‬اﺛﺒﺎت ﻣﯽ ﺷﻮد ‪ ،‬ﺗﻨﻬﺎ‬

‫ﺑﺎﯾﺴﺘﯽ ﻗﺴﻤﺖ ب را اﺛﺒﺎت ﻣﯽ ﮐﻨﯿﻢ ‪.‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از راﺑﻄﻪ )‪ (3.30‬و)‪ (3.31‬در ﻗﻀﯿﻪ ‪ 5-3‬دارﯾﻢ ‪α − xn+1 = g (α ) − g ( xn ) = g ′(ζ n )(α − xn ) :‬‬

‫‪α − xn+1‬‬
‫) ‪= g ′(ζ n ) → g ′(α‬‬ ‫ﻟﺬا ‪:‬‬
‫‪α − xn‬‬

‫ازآﻧﺠﺎ ﮐﻪ ‪ xn‬ﺑﻪ ‪ α‬ﻫﻤﮕﺮاﺳﺖ ﻟﺬا ‪ ζ n → α‬ﻣﯿﻞ ﺧﻮاﻫﺪ ﮐﺮد ‪.‬‬

‫‪ 16-3‬اﻟﮕﻮرﯾﺘﻢ ﻧﻘﻄﻪ ﺛﺎﺑﺖ‬

‫اﻟﮕﻮرﯾﺘﻢ روش ﻧﻘﻄﻪ ﺛﺎﺑﺖ ﺑﺮاي ﺣﻞ ‪ f(x)=0‬وﺑﺎ ﻓﺮض اﯾﻨﮑﻪ ﻣﯽ ﺗﻮان )‪ x=g(x‬را ﺑﺼﻮرت ﻣﻨﺤﺼﺮﺑﻔﺮد ﯾﺎﻓﺖ‬

‫و ﺑﺎ ﺗﻘﺮﯾﺐ اوﻟﯿﻪ داده ﺷﺪه ‪ x0‬و ﻣﻌﯿﺎر دﻗﺖ ‪ ε‬داده ﺷﺪه ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪ -1‬ﺑﺮاي ‪n=0‬‬

‫‪ -2‬ﻣﺤﺎﺳﺒﻪ ﮐﻦ ) ‪xn +1 = g ( xn‬‬

‫‪ -3‬اﮔﺮ ‪ xn+1 − xn ≤ ε‬ﺑﺮو ﺑﻪ ﻣﺮﺣﻠﻪ ﭼﻬﺎرم درﻏﯿﺮ اﯾﻨﺼﻮرت ‪ n=n+1‬ﺑﺮو ﺑﻪ ﻣﺮﺣﻠﻪ دوم‬

‫‪60‬‬
 ‫‪ -4‬روﻧﺪ را ﻣﺘﻮﻗﻒ ﮐﻦ ‪.‬‬

‫)‪x=g(x‬‬ ‫‪ 17-3‬ﻧﻤﺎﯾﺶ ﻫﻨﺪﺳﯽ روش ﻧﻘﻄﻪ ﺛﺎﺑﺖ ‪:‬‬

‫)‪y1=x , y2=g(x‬‬
‫دو ﻣﻨﺤﻨﯽ ‪ y2,y1‬را رﺳﻢ ﻣﯽ ﮐﻨﯿﻢ و ﻣﺤﻞ ﺗﻼﻗﯽ اﯾﻦ دو ﻣﻨﺤﻨﯽ رﯾﺸﻪ ﻣﻮرد ﻧﻈﺮ ﻣﯽ ﺑﺎﺷﺪ‪.‬‬

‫ﻣﺜﺎل ‪ : 6-3‬ﺑﺮاي ﺣﻞ ﻣﻌﺎدﻟﻪ زﯾﺮ ﯾﮏ روش ﻧﻘﻄﻪ ﺛﺎﺑﺖ ﻣﻨﺎﺳﺐ ﺑﻨﻮﯾﺴﯿﺪ‪:‬‬

‫‪f ( x) = 2 tan x − x − 1 = 0‬‬

‫‪x = 2 tan x − 1‬‬ ‫ﺣﻞ‪ :‬اﮔﺮ راﺑﻄﻪ ﻓﻮق را ﺑﺼﻮرت زﯾﺮ درﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ‬

‫‪∴ g ( x) = 2 tan − 1 ⇒ g ′( x) = 2 sec 2 x > 1‬‬

‫‪1+ x‬‬
‫= ‪2 tan x = 1 + x ⇒ tan x‬‬ ‫اﻣﺎ اﮔﺮ ‪:‬‬
‫‪2‬‬

‫‪1+ x ‬‬ ‫‪−1  1 + x ‬‬

‫‪x = tan −1 ‬‬ ‫‪ ⇒ g ( x) = tan ‬‬ ‫‪‬‬ ‫ﯾﺎ ‪:‬‬
‫‪ 2 ‬‬ ‫‪ 2 ‬‬

‫‪1‬‬ ‫‪1‬‬ ‫‪2‬‬

‫= )‪g ′( x‬‬ ‫=‬ ‫‪<1‬‬
‫‪2‬‬ ‫)‪(1 + x‬‬ ‫‪2‬‬
‫‪4 + (1 + x) 2‬‬
‫‪1+‬‬
‫‪4‬‬

‫) ‪xn+1 = g ( xn‬‬ ‫ﻣﺜﺎل ‪ : 7-3‬راﺑﻄﻪ ﺗﮑﺮاري زﯾﺮ ﻣﻔﺮوض اﺳﺖ ‪:‬‬

‫‪61‬‬
 ‫‪1‬‬ ‫‪1‬‬
‫≤ )‪ 0 ≤ g ( x‬ﺑﺮاي ‪ x ≥ 0‬اﺳﺖ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ‬ ‫درﺻﻮرﺗﯿﮑﻪ ‪ g ( x) = e − x‬ﺑﺎﺷﺪ آﻧﮕﺎه ﻣﯽ ﺗﻮان ﻧﺘﯿﺠﻪ ﮔﺮﻓﺖ ﮐﻪ‬
‫‪4‬‬ ‫‪2‬‬

‫‪1‬‬ ‫‪1‬‬
‫ﺑﺮ ] ‪ x ∈ [0,‬اﺳﺖ ‪.‬از آﻧﺠﺎ ﮐﻪ )‪ g(x‬ﭘﯿﻮﺳﺘﻪ در ﺑﺎزه ]‪ [0,1/2‬اﺳﺖ در اﯾﻦ ﺑﺎزه ﯾﮏ ﻧﻘﻄﻪ ﺛﺎﺑﺖ‬ ‫] ‪g ( x) ∈ [0,‬‬
‫‪2‬‬ ‫‪2‬‬

‫‪1‬‬ ‫‪1‬‬
‫وﺟﻮد دارد ‪.‬ﭼﻮن ‪ g‬ﭘﯿﻮﺳﺘﻪ و ﻣﺸﺘﻖ ﭘﺬﯾﺮ اﺳﺖ در ﺑﺎزه ]‪ [0,1/2‬و ‪ g ′( x) = − e − x ≤ < 1‬ﺑﺮاي ﺟﻤﯿﻊ‬
‫‪2‬‬ ‫‪2‬‬

‫‪1‬‬
‫] ‪ x ∈ [0,‬ﯾﮏ ﻧﻘﻄﻪ ﻣﻨﺤﺼﺮﺑﻔﺮد ﺛﺎﺑﺖ در ]‪ [0,1/2‬ﻣﻮﺟﻮد اﺳﺖ ‪.‬ﻟﺬا ﻃﺒﻖ ﻗﻀﯿﻪ ‪ 6-3‬روش ﻧﻘﻄﻪ ﺛﺎﺑﺖ ﻫﻤﮕﺮاﺳﺖ‬
‫‪2‬‬

‫‪1‬‬
‫‪xn +1 = e − xn , n ≥ 0‬‬ ‫‪.‬‬
‫‪2‬‬

‫‪ 18-3‬روش ﻧﻘﻄﻪ ﺛﺎﺑﺖ ﺑﺎ ﻫﻤﮕﺮاﯾﯽ ﻣﺮاﺗﺐ ﺑﺎﻻﺗﺮ‬

‫ﻗﻀﯿﻪ ‪ : 7-3‬روش ﻧﻘﻄﻪ ﺛﺎﺑﺖ ) ‪ xn+1 = g ( xn‬ﻣﻔﺮوض اﺳﺖ ‪.‬ﺑﻄﻮرﯾﮑﻪ ‪ p ، g‬ﻣﺮﺗﺒﻪ ﭘﯿﻮﺳﺘﻪ و ﻣﺸﺘﻖ ﭘﺬﯾﺮ ﺑﺎﺷﺪ‬

‫‪ g ′(α ) = g ′′(α ) = ... = g ( p −1) (α ) = 0‬اﻣﺎ ‪ g ( p ) (α ) ≠ 0‬ﺑﺎﺷﺪ آﻧﮕﺎه روش ﻧﻘﻄﻪ‬ ‫و ) ‪. α = g (α‬اﮔﺮ ‪:‬‬

‫ﺛﺎﺑﺖ ﻫﻤﮕﺮاﺳﺖ و داراي ﻣﺮﺗﺒﻪ ﻫﻤﮕﺮاﯾﯽ ‪ P‬ﺑﻪ ازاي ‪ x0‬ﺑﻪ اﻧﺪازه ﮐﺎﻓﯽ ﻧﺰدﯾﮏ ﺑﻪ ‪ α‬اﺳﺖ ‪.‬‬

‫اﺛﺒﺎت ‪ :‬در ﺣﻘﯿﻘﺖ ازآﻧﺠﺎ ﮐﻪ ‪ g ′(α ) = 0 < 1‬ﻣﯽ ﺑﺎﺷﺪ ﺧﻮد ﺑﯿﺎﻧﮕﺮ آﻧﺴﺖ ﮐﻪ روش ﺗﮑﺮاري ﺑﺮاي ‪ x0‬ﺑﻪ ﺣﺪ ﮐﺎﻓﯽ‬

‫ﻧﺰدﯾﮏ ﺑﻪ ‪ α‬ﻫﻤﮕﺮا ﻣﯽ ﺑﺎﺷﺪ ‪.‬ﺗﻨﻬﺎ ﻧﯿﺎز دارﯾﻢ ﺳﺮﻋﺖ ﻫﻤﮕﺮاﯾﯽ ﺑﺎﻻ را اﺛﺒﺎت ﻧﻤﺎﺋﯿﻢ ‪.‬ﺑﺎ اﺳﺘﻔﺎده از ﺳﺮي ﺗﯿﻠﻮر دارﯾﻢ ‪:‬‬

‫‪1‬‬ ‫) ‪( xn − α ) p −1 ( p −1) ( xn − α ) p ( p‬‬

‫‪g ( xn ) = g (α ) + ( xn − α ) g ′(α ) + ( xn − α ) 2 g ′′(α ) + ... +‬‬ ‫‪g g (α ) +‬‬ ‫) ‪g (ζ n‬‬
‫‪2‬‬ ‫!)‪( p − 1‬‬ ‫!‪p‬‬

‫‪ ζ n‬ﺑﯿﻦ ‪ xn‬و ‪ α‬ﻗﺮار دارد ‪ .‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻓﺮض ﻣﺸﺘﻘﺎت )‪ g(x‬ﺗﺎ ﻣﺮﺗﺒﻪ )‪ (p-1‬ام ﻫﻤﻪ ﺻﻔﺮ ﻫﺴﺘﻨﺪ ﻟﺬا ﻧﺘﯿﺠﻪ ﻣﯽ‬

‫‪xn+1 − α‬‬ ‫‪1‬‬ ‫) ‪( xn − α ) p ( p‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ ‪= g ((ζpn)) :‬‬ ‫= ) ‪g ( xn ) − g (α‬‬ ‫ﮔﯿﺮﯾﻢ ‪g (ζ n ) :‬‬
‫) ‪( xn − α‬‬ ‫‪p‬‬
‫!‪p‬‬ ‫!‪p‬‬

‫ﻟﺬا ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ﺳﺮﻋﺖ ﻫﻤﮕﺮاﯾﯽ روش ﻣﺮﺗﺒﻪ ‪ p‬ام اﺳﺖ ‪.‬‬

‫ﻣﺜﺎل ‪ : 8-3‬دﻧﺒﺎﻟﻪ ﻫﺎي ﺗﺎﺑﻌﯽ ذﯾﻞ را درﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ ‪:‬‬

‫) ‪xn ( x 2 n + 3a‬‬
‫= ‪xn+1‬‬ ‫‪,x≥ 0‬‬ ‫اﻟﻒ ‪:‬‬
‫‪3x2 n + a‬‬

‫‪62‬‬
 ‫‪2‬‬ ‫‪1‬‬
‫= ‪xn +1‬‬ ‫‪xn + 2‬‬ ‫ب‪:‬‬
‫‪3‬‬ ‫‪xn‬‬

‫ﻣﯽ ﺧﻮاﻫﯿﻢ درﺻﻮرت وﺟﻮد ﻣﻘﺪار ﻫﻤﮕﺮاﯾﯽ وﻣﺮﺗﺒﻪ آﻧﺮا ﺗﻌﯿﯿﻦ ﮐﻨﯿﻢ ‪.‬‬

‫) ‪x( x 2 + 3a‬‬
‫= )‪ g ( x‬ﻣﯽ ﺑﺎﺷﺪ وﻗﺘﯽ ﮐﻪ ∞ → ‪ n‬درﺻﻮرت وﺟﻮد ﻧﻘﻄﻪ ﺛﺎﺑﺖ آن‬ ‫ﺣﻞ اﻟﻒ ‪ :‬ﺑﺮاي دﻧﺒﺎﻟﻪ اﻟﻒ ‪،‬‬
‫‪3 x2 + a‬‬

‫) ‪α (α 2 + 3a‬‬
‫ﻫﻤﮕﺮاﺳﺖ ﻫﻢ‬ ‫= ‪ α‬وﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ‪ α = a‬ﻣﯽ ﺑﺎﺷﺪ ‪ ،‬ﭘﺲ دﻧﺒﺎﻟﻪ ﺑﻪ ‪a‬‬ ‫ﺑﺮاﺑﺮ ‪ α‬ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬
‫‪3α 2 + a‬‬

‫ﭼﻨﯿﻦ ﭼﻮن ‪ g ′( a ) = g ′′( a ) = 0‬اﺳﺖ و ‪ g ′′′( a ) ≠ 0‬ﻣﯽ ﺑﺎﺷﺪ دﻧﺒﺎﻟﻪ اﻟﻒ ﻫﻤﮕﺮا ﺑﻪ ‪ α = a‬از ﻣﺮﺗﺒﻪ ﺳﻮم‬

‫اﺳﺖ ‪.‬‬

‫‪2‬‬ ‫‪1‬‬
‫‪ g ( x) = x +‬وﻗﺘﯽ ﮐﻪ ∞ → ‪ n‬ﻧﻘﻄﻪ ﺛﺎﺑﺖ آن درﺻﻮرت وﺟﻮد ﺑﺮاﺑﺮ‬ ‫ﺣﻞ ب ‪ :‬ﺑﺮاي دﻧﺒﺎﻟﻪ ﺗﺎﺑﻌﯽ ب دارﯾﻢ‬
‫‪3‬‬ ‫‪x2‬‬

‫‪2‬‬ ‫‪1‬‬
‫‪ α = α +‬ﻣﯽ ﺑﺎﺷﺪ در ﻧﺘﯿﺠﻪ ‪ α = 3 3‬ﻫﻢ ﭼﻨﯿﻦ ﭼﻮن ‪ g ′(3 3 ) = 0‬و ‪ g ′′(3 3 ) ≠ 0‬ﻣﯽ ﺑﺎﺷﺪ دﻧﺒﺎﻟﻪ ﻫﻤﮕﺮا‬
‫‪3‬‬ ‫‪α2‬‬

‫ﺑﻪ ‪ 3 3‬اﺳﺖ و از ﻣﺮﺗﺒﻪ دو ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬

‫ﺳﺎده ﺗﺮﯾﻦ راه ﺑﺮاي ﺳﺎﺧﺘﻦ ﯾﮏ ﻣﺴﺌﻠﻪ ﻧﻘﻄﻪ ﺛﺎﺑﺖ ﺑﺮاي ‪ f(x)=0‬ﻋﺒﺎرﺗﺴﺖ از ﺗﻔﺮﯾﻖ ﯾﮏ ﻣﻀﺮب )‪) f(x‬ﮐﻪ در‬

‫رﯾﺸﻪ آن ﺣﺬف ﻣﯽ ﺷﻮد( از ‪ x‬ﺑﻪ اﯾﻦ ﺗﺮﺗﯿﺐ دارﯾﻢ ‪xn = g ( xn−1 ), n ≥ 1 :‬‬

‫ﮐﻪ در آن ‪ g‬ﺑﻪ ﺷﮑﻞ )‪ g ( x) = x − φ ( x) f ( x‬ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬

‫در اﯾﻨﺠﺎ ‪ φ‬ﺗﺎﺑﻌﯽ ﻣﺸﺘﻖ ﭘﺬﯾﺮ اﺳﺖ و ﻣﯽ ﺗﻮان ﺑﻌﺪاً آﻧﺮا اﻧﺘﺨﺎب ﮐﺮد ‪.‬ﺑﺮاي اﯾﻨﮑﻪ ﺑﻌﻨﻮان ﻣﺜﺎل روش ﺗﮑﺮاري ﺑﺪﺳﺖ‬

‫آﻣﺪه از ‪ ، g‬ﻫﻤﮕﺮا و ﻫﻤﮕﺮاﯾﯽ آن ﻣﺮﺗﺒﻪ دوم ﺑﺎﺷﺪ ‪ ،‬ﻻزم اﺳﺖ ﮐﻪ ‪ g ′(α ) = 0‬ﺑﺎﺷﺪ ‪.‬ﭼﻮن ‪:‬‬

‫)‪g ′( x) = 1 − φ ′( x) f ( x) − f ′( x)φ ( x‬‬

‫‪1‬‬
‫= ) ‪φ (α‬‬ ‫‪ g ′(α ) = 1 − f ′(α )φ (α ) = 0‬ﻟﺬا‬ ‫در ‪ x = α‬دارﯾﻢ ‪:‬‬
‫‪α‬‬

‫‪63‬‬
 ‫‪1‬‬
‫= )‪ φ ( x‬اﻧﺘﺨﺎب ﮐﻨﯿﻢ ‪.‬در اﯾﻨﺼﻮرت روش ﻃﺒﯿﻌﯽ ﺑﺮاي ﺗﻮﻟﯿﺪ‬ ‫ﻣﯽ ﺑﺎﺷﺪ ‪.‬ﯾﮏ اﻧﺘﺨﺎب ﻣﻌﻘﻮل اﯾﻦ اﺳﺖ ﮐﻪ‬
‫)‪f ′( x‬‬

‫) ‪f ( xn−1‬‬
‫‪xn = g ( xn−1 ) = xn−1 −‬‬ ‫ﻫﻤﮕﺮاﯾﯽ ﻣﺮﺗﺒﻪ دوم ﻋﺒﺎرت اﺳﺖ از ‪:‬‬
‫) ‪f ′( xn −1‬‬

‫ﮐﻪ ﻫﻤﺎن روش ﻧﯿﻮﺗﻦ راﻓﺴﻮن اﺳﺖ ‪.‬‬

‫در ﺑﺤﺚ ﻫﺎي ﭘﯿﺶ ﻣﺤﺪودﯾﺖ ‪ f ′(α ) ≠ 0‬اﻋﻤﺎل ﮐﺮدﯾﻢ اﻣﺎ اﮔﺮ ) ‪ f ′(α‬ﻫﻤﺰﻣﺎن ﺑﺎ ) ‪ f ( xn‬ﺑﻪ ﺻﻔﺮ ﻣﯿﻞ ﮐﻨﺪ‬

‫ﻣﺸﮑﻼﺗﯽ در روﻧﺪ ﺑﮑﺎرﮔﯿﺮي روش ﻧﯿﻮﺗﻦ اﯾﺠﺎد ﻣﯽ ﺷﻮد ﺑﺮاي ﻣﺮﺗﻔﻊ ﺳﺎﺧﺘﻦ اﯾﻦ ﻣﺸﮑﻼت ﺗﻌﺮﯾﻒ زﯾﺮ را درﻧﻈﺮ‬

‫ﻣﯽ ﮔﯿﺮﯾﻢ ‪:‬‬

‫ﺗﻌﺮﯾﻒ ‪ : 4-3‬ﯾﮏ ﺟﻮاب ‪ α‬ﻣﻌﺎدﻟﻪ ‪ f ( x) = 0‬رﯾﺸﻪ ﺗﮑﺮاري ﻣﺮﺗﺒﻪ ‪ m‬ﻧﺎﻣﯿﺪه ﻣﯿﺸﻮد ﻫﺮﮔﺎه ﺑﻪ ازاي ‪ x ≠ α‬ﺑﺘﻮاﻧﯿﻢ‬

‫‪lim q ( x) ≠ 0‬‬
‫ﺑﻨﻮﯾﺴﯿﻢ ‪ f ( x) = ( x − α ) m q( x) :‬ﮐﻪ در اﯾﻨﺠﺎ ‪:‬‬
‫‪x →α‬‬

‫ﻗﻀﯿﻪ ‪ f ∈ C 1[a , b] : 8-3‬ﯾﮏ رﯾﺸﻪ ﺳﺎده ‪ α‬در )‪ (a,b‬دارد اﮔﺮ و ﻓﻘﻂ اﮔﺮ ‪ f (α ) = 0‬اﻣﺎ ‪f ′(α ) ≠ 0‬‬

‫اﺛﺒﺎت ‪ :‬ﻫﺮﮔﺎه ‪ f‬ﯾﮏ رﯾﺸﻪ ﺳﺎده در ‪ α‬داﺷﺘﻪ ﺑﺎﺷﺪ ‪ ،‬در اﯾﻨﺼﻮرت ‪ f (α ) = 0‬اﺳﺖ ‪.‬و )‪f ( x) = ( x − α )q ( x‬‬

‫ﺧﻮاﻫﺪ ﺑﻮد ﮐﻪ دراﯾﻨﺠﺎ ﺑﺮﻗﺮار اﺳﺖ ﭼﻮن‬

‫‪f ′(α ) = lim f ′( x) = lim [q ( x) + ( x − α )q′( x)] = lim q ( x) ≠ 0‬‬ ‫]‪ f ∈ C 1[a .b‬اﺳﺖ ‪.‬‬
‫‪x→α‬‬ ‫‪x →α‬‬

‫ﺑﺮﻋﮑﺲ ﻫﺮﮔﺎه ‪ f (α ) = 0‬وﻟﯽ ‪ f ′(α ) ≠ 0‬ﺑﺎﺷﺪ از ﺑﺴﻂ ﺗﯿﻠﻮر ‪ f‬ﺣﻮل ‪ α‬دارﯾﻢ ‪:‬‬

‫) ‪f ( x) = f (α ) + f ′(ζ x )( x − α‬‬

‫ﮐﻪ دراﯾﻨﺠﺎ ‪ ζ n‬ﺑﯿﻦ ‪ x‬و ‪ α‬ﻗﺮار دارد ﭼﻮن ]‪ f ∈ C 1[a , b‬اﺳﺖ ‪.‬‬

‫‪lim f ′(ζ n ) = f ′(lim ζ n ) = f ′(α ) ≠ 0‬‬

‫‪x →α‬‬ ‫‪x →α‬‬

‫‪64‬‬
 ‫‪lim q ( x) ≠ 0‬‬
‫‪.‬ﺑﻨﺎﺑﺮاﯾﻦ ‪ f‬ﯾﮏ‬ ‫ﺑﺎﻓﺮض اﯾﻨﮑﻪ ) ‪ q = f ′(ζ n‬اﺳﺖ ﺧﻮاﻫﯿﻢ داﺷﺖ )‪ f ( x) = ( x − α )q( x‬ﮐﻪ در اﯾﻨﺠﺎ‬
‫‪x →α‬‬

‫رﯾﺸﻪ ﺳﺎده ‪ α‬دارد ‪.‬‬

‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺴﺎﺋﻞ ﻓﻮق اﻟﺬﮐﺮ ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ﭼﻨﺎﻧﭽﻪ ﺗﺎﺑﻊ ‪ f(x)=0‬داراي رﯾﺸﻪ ﺗﮑﺮاري ﺑﺎﺷﺪ روش ﻧﯿﻮﺗﻦ‬

‫راﻓﺴﻮن از ﻟﺤﺎظ ﻫﻤﮕﺮاﯾﯽ ﻣﺸﮑﻞ ﭘﯿﺪا ﻣﯽ ﮐﻨﺪ ‪.‬ﺑﻌﻨﻮان ﻣﺜﺎل ﭼﻨﺎﻧﭽﻪ ﻓﺮض ﮐﻨﯿﻢ ‪ f(x)=0‬داراي ‪ m‬رﯾﺸﻪ ﺗﮑﺮاري‬

‫)‪f ( x) = ( x − α ) m q ( x‬‬ ‫‪ α‬ﺑﺎﺷﺪ ﯾﻌﻨﯽ ‪:‬‬

‫)‪f ( x‬‬
‫= )‪u ( x‬‬ ‫ﺗﺎﺑﻊ )‪ u ( x‬راﺑﺼﻮرت زﯾﺮ را درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪:‬‬
‫)‪f ′( x‬‬

‫)‪( x − α ) m q ( x‬‬
‫= )‪u ( x‬‬
‫)‪m( x − α ) m−1 q ( x) + ( x − α ) m q ′( x‬‬
‫ﺑﻨﺎﺑﺮاﯾﻦ دارﯾﻢ ‪:‬‬
‫)‪q ( x‬‬
‫) ‪= (x −α‬‬
‫)‪mq ( x) + ( x − α )q ′( x‬‬

‫ﻟﺬا ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ )‪ u(x‬ﻧﯿﺰ ﯾﮏ رﯾﺸﻪ ‪ α‬ﺧﻮاﻫﺪ داﺷﺖ وﭼﻮن ‪ q(α ) ≠ 0‬اﺳﺖ ﺑﻨﺎﺑﺮاﯾﻦ ‪:‬‬

‫) ‪q(α‬‬ ‫‪1‬‬
‫=‬ ‫‪≠0‬‬
‫) ‪mq(α ) + (α − α )q (α‬‬ ‫‪m‬‬

‫ﭘﺲ )‪ u(x‬ﯾﮏ رﯾﺸﻪ ﺳﺎده از ﻣﺮﺗﺒﻪ ﺗﮑﺮاري ﯾﮏ دارد ﺑﻨﺎﺑﺮاﯾﻦ ﻣﯽ ﺗﻮان روش ﻧﯿﻮﺗﻦ را ﺑﺮاي ﺗﺎﺑﻊ )‪ u(x‬ﺑﮑﺎرﺑﺮد‬

‫) ‪u ( xn‬‬
‫‪xn+1 = xn −‬‬ ‫ﯾﻌﻨﯽ ‪:‬‬
‫‪u ′xn‬‬

‫)‪u ( x‬‬ ‫)‪f ( x) f ′( x‬‬

‫‪g ( x) = x −‬‬ ‫‪= x−‬‬ ‫ﻟﺬا دارﯾﻢ ‪:‬‬
‫)‪u ′( x‬‬ ‫{‬
‫])‪[ f ′( x)] − [ f ( x)][ f ′′( x‬‬
‫‪2‬‬
‫])‪} [ f ′( x‬‬ ‫‪2‬‬

‫)‪f ( x) f ′( x‬‬
‫‪g ( x) = x −‬‬ ‫وﯾﺎ‬
‫)‪[ f ′( x)]2 − f ( x) f ′′( x‬‬
‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ راﺑﻄﻪ ﻓﻮق ‪ g ′(α ) = 0‬ﻣﯿﺸﻮد وﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻗﻀﯿﻪ ‪ 7-3‬روش ﻧﯿﻮﺗﻦ راﻓﺴﻮن ﺑﺮاي ﺣﻞ‬

‫‪ f ( x) = ( x − α ) m q( x) = 0‬داراي ﻣﺮﺗﺒﻪ ﻫﻤﮕﺮاﯾﯽ دو ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬

‫‪65‬‬
 ‫ﺗﻤﺮﯾﻦ ﻫﺎ ﻧﻘﻄﻪ ﺛﺎﺑﺖ‬

‫‪ -1‬ﺑﺎ اﺳﺘﻔﺎده از ﻋﻤﻠﯿﺎت ﺟﺒﺮي ﻧﺸﺎن دﻫﯿﺪ ﮐﻪ ‪ f ( x) = x4 + 2 x2 − x − 3 = 0‬ﺑﻪ ﻫﺮﯾﮏ از اﺷﮑﺎل زﯾﺮ داراي ﻧﻘﻄﻪ‬

‫ﺛﺎﺑﺖ ‪ α‬ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬

‫‪1‬‬
‫‪ x + 3 − x4  2‬‬ ‫‪1‬‬
‫‪g 2 ( x) = ‬‬ ‫‪‬‬ ‫)‪(b‬‬ ‫‪g1 ( x) = (3 + x − 2 x 2 ) 4‬‬ ‫) ‪(a‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪‬‬
‫‪1‬‬
‫‪ 3 x 4 + 2 x2 + 3 ‬‬ ‫‪ x + 3 2‬‬
‫‪g 4 ( x) =  3‬‬ ‫‪‬‬ ‫) ‪(d‬‬ ‫‪g 3 ( x) =  2‬‬ ‫‪‬‬ ‫) ‪(c‬‬
‫‪ 4x + 4x −1 ‬‬ ‫‪ x +2‬‬

‫‪ -2‬اﮔﺮ ﻫﺮﯾﮏ از ﺗﻮاﺑﻊ ‪ g‬در ﺗﻤﺮﯾﻦ اول را ﺑﺎ اﻧﺘﺨﺎب ‪ x0=1‬وﺑﻪ ازاي ‪ n=0,1,2,3‬؛ ) ‪ xn +1 = g ( xn‬درﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ‬

‫ﮐﺪام ﺗﺎﺑﻊ ﺗﻘﺮﯾﺐ ﺑﻬﺘﺮي را از ﺟﻮاب ﺑﺪﺳﺖ ﻣﯽ دﻫﺪ ؟‬

‫‪66‬‬
‫‪ -3‬ﺑﺎ اﺳﺘﻔﺎده از روش ﺛﺎﺑﺖ اﻟﮕﻮرﯾﺘﻢ ﻣﻨﺎﺳﺒﯽ ﺑﺮاي ﻣﻌﺎدﻟﻪ ‪ x4 − 3x2 − 3 = 0‬در ﺑﺎزه ]‪ [1,2‬ﺑﯿﺎﺑﯿﺪ و ﺑﺎ اﺳﺘﻔﺎده از‬

‫اﯾﻦ اﻟﮕﻮرﯾﺘﻢ ﺑﺎ دﻗﺖ ‪ 10-2‬ﺟﻮاب ﺗﻘﺮﯾﺒﯽ را ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﺪ درﺻﻮرﺗﯿﮑﻪ ‪ x0=1‬ﺑﺎﺷﺪ ‪.‬‬

‫‪ -4‬ﺑﺮاي ﻫﺮﯾﮏ از ﻣﻌﺎدﻻت ذﯾﻞ ﯾﮏ روش ﺗﮑﺮاري ﻣﻨﺎﺳﺐ ﮐﻪ ﺑﻪ ﺟﻮاب ﻣﺜﺒﺖ ﻣﻌﺎدﻟﻪ ﻫﻤﮕﺮا ﺷﻮد ﺑﻨﻮﯾﺴﯿﺪ و آﻧﮕﺎه‬

‫ﺟﻮاب ﺗﻘﺮﯾﺒﯽ را ﺑﺎ دﻗﺖ ‪ 10-5‬ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪x − cos x = 0‬‬ ‫)‪(b‬‬ ‫‪3x2 − e x = 0‬‬ ‫) ‪(a‬‬

‫‪x + 10 cos x = 0‬‬
‫‪2‬‬
‫) ‪(c‬‬

‫‪ -5‬روش ﻧﻘﻄﻪ ﺛﺎﺑﺖ ‪ xn+1 = 1 + e − x‬رادرﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ ‪.‬ﻧﺸﺎن دﻫﯿﺪ اﯾﻦ روش ﻫﻤﮕﺮاﺳﺖ اﮔﺮ ]‪ x0 ∈ [1,2‬ﺑﺎﺷﺪ ‪.‬ﺑﺮاي‬
‫‪n‬‬

‫رﺳﯿﺪن ﺑﻪ دﻗﺖ ‪ 10-5‬ﭼﻨﺪ دور ﺗﮑﺮار ﻻزم اﺳﺖ ‪.‬‬

‫‪67‬‬
 ‫ﻓﺼﻞ ﭼﻬﺎرم‬

‫‪ -4‬ﻓﺼﻞ دروﻧﯿﺎﺑﯽ‬

‫در اﯾﻦ ﻓﺼﻞ ﺑﻪ ﻣﺴﺌﻠﻪ ﺗﻘﺮﯾﺐ ﯾﮏ ﺗﺎﺑﻊ داده ﺷﺪه ﺑﻮﺳﯿﻠﻪ ﯾﮏ رده از ﺗﻮاﺑﻊ ﺳﺎده ﺗﺮ ﮐﻪ ﻋﻤﺪاً ﭼﻨﺪ ﺟﻤﻠﻪ اﯾﻬﺎ‬

‫ﻫﺴﺘﻨﺪ ﻣﯽ ﭘﺮدازﯾﻢ ‪.‬دو ﻫﺪف ﻋﻤﺪه در اﺳﺘﻔﺎده از دروﻧﯿﺎﺑﯽ ﺑﺎ ﭼﻨﺪﺟﻤﻠﻪ اي ﻫﺎي دروﻧﯿﺎب وﺟﻮد دارد ‪ .‬ﻫﺪف اول‬

‫اﯾﻨﺴﺖ ﮐﻪ ﺗﺎﺑﻌﯽ را ﺑﺎزﺳﺎزي ﻣﯽ ﮐﻨﯿﻢ ﺑﻄﻮر ﺻﺮﯾﺢ داده ﻧﺸﺪه و ﺗﻨﻬﺎ ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ )وﯾﺎ ﻣﺸﺘﻘﺎت ﻣﺮاﺗﺐ ﻣﻌﯿﻨﯽ از ﺗﺎﺑﻊ(‬

‫در ﻣﺠﻤﻮﻋﻪ اي از ﻧﻘﺎط ﻣﻌﻠﻮم ﻣﯽ ﺑﺎﺷﺪ ‪ .‬ﻧﻘﺎط را ﮔﺮه ﻫﺎ ﯾﺎ ﻧﻘﺎط ﺟﺪوﻟﯽ وﯾﺎ ﺷﻨﺎﺳﻪ ﻫﺎ ﻧﺎﻣﯿﺪه ﻣﯿﺸﻮﻧﺪ ‪.‬ﻫﺪف دوم‬

‫اﯾﻨﺴﺖ ﮐﻪ ﺗﺎﺑﻊ )‪ f(x‬را ﺑﺎ ﭼﻨﺪﺟﻤﻠﻪ ﻫﺎي دروﻧﯿﺎب )‪ p(x‬ﺟﺎﯾﮕﺰﯾﻦ ﻧﻤﺎﺋﯿﻢ ‪.‬ﺑﻄﻮرﯾﮑﻪ ﻋﻤﻠﯿﺎت ﻋﺎﻣﯽ ﻧﻈﯿﺮ ﭘﯿﺪاﮐﺮدن‬

‫رﯾﺸﻪ ﻫﺎ ‪ ،‬ﻣﺸﺘﻖ ﮔﯿﺮي و اﻧﺘﮕﺮال ﮔﯿﺮي و ﻏﯿﺮه ﮐﻪ ﺑﺮاي ﺗﺎﺑﻊ )‪ f(x‬ﻣﺪﻧﻈﺮ ﻣﯽ ﺑﺎﺷﺪ ﺑﻮﺳﯿﻠﻪ ﭼﻨﺪﺟﻤﻠﻪ اي )‪p(x‬‬

‫ﻋﻤﻠﯽ ﺳﺎزﯾﻢ ‪.‬‬

‫اﻫﻤﯿﺖ ﭼﻨﺪ ﺟﻤﻠﻪ اي ﻫﺎ در اﯾﻨﺴﺖ ﮐﻪ ﺗﻮاﺑﻊ ﭘﯿﻮﺳﺘﻪ راﺑﻄﻮر ﯾﮑﻨﻮاﺧﺖ ﺗﻘﺮﯾﺐ ﻣﯽ ﮐﻨﻨﺪ ﺑﺮاي ﻫﺮ ﺗﺎﺑﻊ ﭘﯿﻮﺳﺘﻪ و‬

‫ﺗﻌﺮﯾﻒ ﺷﺪه درﯾﮏ ﺑﺎزه ﺑﺴﺘﻪ و ﮐﺮاﻧﺪار ‪ ،‬ﯾﮏ ﭼﻨﺪﺟﻤﻠﻪ اي وﺟﻮد دارد ﮐﻪ ﻫﺮﻗﺪر ﺑﺨﻮاﻫﯿﻢ ﺑﻪ ﺗﺎﺑﻊ ﻣﻔﺮوض ﻧﺰدﯾﮏ‬

‫اﺳﺖ ‪ .‬اﯾﻦ ﻧﺘﯿﺠﻪ در ﻗﻀﯿﻪ ذﯾﻞ ﺑﯿﺎن ﺷﺪه اﺳﺖ ‪.‬‬

‫ﻗﻀﯿﻪ ‪) : 1-4‬ﻗﻀﯿﻪ ﺗﻘﺮﯾﺐ واﯾﺮﺷﺘﺮاس( ‪:‬‬

‫ﻓﺮض ﮐﻨﯿﺪ ﮐﻪ ‪ f‬ﺑﺮ ]‪ [a,b‬ﭘﯿﻮﺳﺘﻪ و ﺗﻌﺮﯾﻒ ﺷﺪه ﺑﺎﺷﺪ ‪.‬ﺑﻪ ازاي ﻫﺮ ‪ ε > 0‬ﭼﻨﺪﺟﻤﻠﻪ اي ﻣﺎﻧﻨﺪ )‪ p(x‬وﺟﻮد دارد ﮐﻪ‬

‫‪f ( x) − p ( x) < ε‬‬ ‫ﺑﺮ ]‪ [a,b‬ﺗﻌﺮﯾﻒ ﺷﺪه اﺳﺖ وداراي اﯾﻦ وﯾﮋﮔﯽ اﺳﺖ ﮐﻪ ﺑﻪ ازاي ﻫﺮ ]‪x ∈ [a , b‬‬

‫اﺛﺒﺎت اﯾﻦ ﻗﻀﯿﻪ را ﻣﯽ ﺗﻮان درﻫﺮﮐﺘﺎب آﻧﺎﻟﯿﺰ ﺣﻘﯿﻘﯽ ﯾﺎﻓﺖ ‪.‬‬

‫ﺗﻌﺮﯾﻒ ‪ : 1-4‬ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي )‪ p(x‬را ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد اﮔﺮ ﻣﻘﺎدﯾﺮ )‪) p(x‬وﯾﺎ ﻣﻘﺎدﯾﺮ‬

‫ﻣﺮاﺗﺐ ﻣﻌﯿﻨﯽ از ﻣﺸﺘﻘﺎت آن( ﺑﺮ ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ )‪ f(x‬و)ﯾﺎ ﻣﻘﺎدﯾﺮ ﻣﺮاﺗﺐ ﻣﻌﯿﻨﯽ از ﻣﺸﺘﻘﺎت ﺗﺎﺑﻊ( ‪.‬درﯾﮏ ﻧﻘﻄﻪ وﯾﺎ در‬

‫ﺗﻌﺪادي از ﻧﻘﺎط ﺟﺪوﻟﯽ ﻣﻨﻄﺒﻖ ﺑﺎﺷﺪ ‪.‬‬

‫‪67‬‬
 ‫ﺑﻌﻨﻮان ﻣﺜﺎل اﮔﺮ ﭼﻨﺪﺟﻤﻠﻪ اي )‪ p(x‬ﺑﺴﻂ ﺳﺮي ﺗﯿﻠﻮر ﺗﺎﺑﻊ )‪ f(x‬ﺣﻮل ﻧﻘﻄﻪ ‪ x0 ∈ [a , b] ، x0‬ﺑﺎﺷﺪ در اﯾﻦ ﺻﻮرت‬

‫‪1‬‬ ‫‪1‬‬
‫‪p ( x) = f ( x0 ) + ( x − x0 ) f ′( x0 ) +‬‬ ‫) ‪( x − x0 ) 2 f ′′( x0 ) + ... + ( x − x0 ) n f n ( x0‬‬ ‫)‪(4.1‬‬
‫!‪2‬‬ ‫!‪n‬‬
‫آﻧﮕﺎه )‪ p(x‬ﻣﻤﮑﻦ اﺳﺖ ﯾﮏ ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب درﺟﻪ ‪ n‬ﻧﺎﻣﯿﺪه ﺷﻮد ﮐﻪ در ﺷﺮاﯾﻂ ‪:‬‬

‫‪p ( k ) ( x ) = f ( k ) ( x ) , k = 0(1)n‬‬
‫‪0‬‬ ‫‪0‬‬ ‫)‪(4.2‬‬

‫ﺻﺪق ﻣﯽ ﻧﻤﺎﯾﺪ ‪.‬‬

‫‪1‬‬
‫= ‪Rn‬‬ ‫‪( x − x0 ) n +1 f ( n+1) (ζ ) , x0 < ζ < x‬‬ ‫ﺟﻤﻠﻪ ي ‪:‬‬
‫!)‪(n + 1‬‬

‫ﮐﻪ در راﺑﻄﻪ )‪ (2.1‬ﻧـﺎدﯾﺪه ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ را ﺑﺎﻗﯿﻤﺎﻧﺪه وﯾﺎ ﺧﻄﺎي ﻗﻄﻊ ﮐﺮدن ﻧﺎﻣﯿﺪه ﻣﯿﺸﻮد ‪ .‬ﺗﻌﺪاد ﺟﻤﻼت راﺑﻄﻪ‬

‫)‪ (2.1‬ﻣﻤﮑﻦ اﺳﺖ ﺑﻮﺳﯿﻠﻪ دﻗﺖ ﺣﻞ ﻣﺴﺌﻠﻪ ﺗﻌﯿﯿﻦ ﺷﻮﻧﺪ ‪.‬اﮔﺮ ﺧﻄﺎي ‪ ε > 0‬ﻣﻌﻠﻮم ﺑﺎﺷﺪ ﺳﺮي )‪ (2.1‬در ﺟﻤﻠﻪ‬

‫‪1‬‬ ‫‪n +1‬‬

‫‪x − x0‬‬ ‫‪f ( n +1) (ζ ) ≤ ε‬‬ ‫) ‪ f ( n ) ( x‬ﻗﻄﻊ ﺷﻮد آﻧﮕﺎه ‪:‬‬
‫!)‪(n + 1‬‬
‫‪0‬‬

‫‪1‬‬ ‫‪n +1‬‬

‫‪x − x0‬‬ ‫‪M n+1 ≤ ε‬‬ ‫)‪(4.3‬‬ ‫ﯾﺎ‬
‫!)‪(n + 1‬‬

‫)‪M n+1 = max f ( n+1) ( x‬‬

‫‪.‬ﺑﺮاي ﯾﮏ ‪ ε‬داده ﺷﺪه در )‪ (4.3‬ﻣﯽ ﺗﻮان ‪ n‬را ﺗﻌﯿﯿﻦ ﻧﻤﻮد واﮔﺮ ‪n‬‬ ‫ﺑﻄﻮرﯾﮑﻪ‬
‫‪a ≤ x≤b‬‬

‫از ﭘــﯿﺶ ﺗﻌﯿﯿﻦ ﺷﻮد ﻣﯽ ﺗﻮان ‪ ε‬را ﺗﻌﯿﯿﻦ ﮐﺮد ‪.‬ﻫﻨﮕﺎﻣﯽ ﮐﻪ ‪ n‬و ‪ ε‬ﻫﺮدو داده ﺷﺪه ﺑﺎﺷﻨﺪ راﺑﻄﻪ )‪ (4.3‬ﮐﺮان ﺑﺎﻻﯾﯽ‬

‫روي )‪ (x-x0‬ﺑﺪﺳﺖ ﻣﯿﺪﻫﺪ ‪.‬‬

‫ﻣﺜﺎل ‪ : 1-4‬ﺑﺮاي ﺗﺎﺑﻊ ‪ f ( x) = e − x‬ﺑﺎ اﺳﺘﻔﺎده از ﺳﺮي ﺗﯿﻠﻮر ﺣﻮل ‪ ، x0=0‬ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي )‪ p(x‬را ﺗﻘﺮﯾﺐ‬

‫ﺑﺰﻧﯿﺪ و ‪:‬‬

‫اﻟﻒ‪ :‬ﭼﻨﺎﻧﭽﻪ )‪ p(x‬از ﭼﻬﺎرﺟﻤﻠﻪ اول ﺑﺪﺳﺖ آﻣﺪه ﺑﺎﺷﺪ وﺧﻄﺎي ﺗﻘﺮﯾﺐ ﺑﻌﺪ از راﻧﺪ ﮐﺮدن از ‪ 10-6‬ﮐﻤﺘﺮ ﺑﺎﺷﺪ آﻧﮕﺎه‬

‫‪ x‬را ﺗﻌﯿﯿﻦ ﮐﻨﯿﺪ ‪.‬‬

‫‪68‬‬
 ‫ب ‪ :‬ﺑﺮاي ‪ 0 ≤ x ≤ 1‬وﺑﺮاي رﺳﯿﺪن ﺑﻪ دﻗﺖ ‪ 10-10‬در ﺗﻘﺮﯾﺐ ﺗﻌﺪاد ﺟﻤﻼﺗﯽ ﮐﻪ ﻻزم ﻣﯽ ﺑﺎﺷﺪ ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪f ( x) = e − x ⇒ f ( r ) ( x) = (−1) r e − x‬‬

‫ﺣﻞ اﻟﻒ ‪:‬‬
‫‪f ( r ) (0) = (−1) r‬‬ ‫‪, r = 0,1,...‬‬

‫‪x4 M 4 < 24 × 5 × 10 −7‬‬ ‫ﺑﻨﺎﺑﺮاﯾﻦ از راﺑﻄﻪ )‪ (4.3‬دارﯾﻢ ‪:‬‬

‫‪M 4 = max f ( 4 ) ( x) = max e − x = 1‬‬

‫‪0 ≤ x≤1‬‬ ‫‪0 ≤ x ≤1‬‬

‫‪x4 < 120 × 10 −7‬‬ ‫‪ x < 0.06‬ﯾﺎ‬ ‫ﻟﺬا دارﯾﻢ‬

‫‪1‬‬
‫‪n ≥ 14‬‬ ‫ﺑﺎ ﺣﻞ راﺑﻄﻪ ﻓﻮق دارﯾﻢ ‪:‬‬ ‫‪< 5 × 10 −11‬‬ ‫ﺣﻞ ب‪ :‬از راﺑﻄﻪ )‪ (4.3‬دارﯾﻢ‬
‫!)‪(n + 1‬‬

‫اﺳﺘﻔﺎده از ﭼﻨﺪ ﺟﻤﻠﻪ اي ﺗﯿﻠﻮر در ﻣﻮرد ﺗﻘﺮﯾﺐ ﺗﻮاﺑﻊ ﭘﯿﻮﺳﺘﻪ ﻋﻤﻠﯽ اﺳﺖ اﻣﺎ ﮐﺎراﯾﯽ وﺳﯿﻌﯽ ﻧﺪارﻧﺪ زﯾﺮا ﻫﺮﭼﻨﺪ ﮐﻪ‬

‫ﭼﻨﺪﺟﻤﻠﻪ اي ﻫﺎي ﺗﯿﻠﻮر ﻫﺮﻗﺪر ﮐﻪ ﻣﻤﮑﻦ ﺑﺎﺷﺪ و ﺑﻪ ﺗﺎﺑﻊ داده ﺷﺪه در ﻧﻘﻄﻪ اي ﻣﻌﯿﻦ ﻣﻨﻄﺒﻖ ﺑﺎﺷﺪ ‪ ،‬وﻟﯽ دﻗﺖ آﻧﻬﺎ‬

‫در ﻣﻮرد ﺗﻘﺮﯾﺐ ﺗﻮاﺑﻊ در ﻧﺰدﯾﮑﯽ ﻫﻤﺎن ﻧﻘﻄﻪ اﯾﺴﺖ ﮐﻪ ﺣﻮل آن ﺑﺴﻂ داده ﺷﺪه اﻧﺪ ‪ .‬ﯾﮏ ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب‬

‫ﻣﻨﺎﺳﺐ ﺗﻘﺮﯾﺒﯽ ﻧﺴﺒﺘﺎٌ دﻗﯿﻖ را در ﺗﻤﺎم ﻃﻮل ﯾﮏ ﺑﺎزه ﺑﺪﺳﺖ ﻣﯿﺪﻫﻨﺪ ‪.‬ﻋﻤﻮﻣﺎً ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎي ﺗﯿﻠﻮر اﯾﻦ ﮐﺎر را ﻧﻤﯽ‬

‫ﮐﻨﻨﺪ ‪ .‬ﻣﺜﺎل زﯾﺮ ﺿﻌﻒ ﭼﻨﺪ ﺟﻤﻠﻪ اﯾﻬﺎي ﺗﯿﻠﻮر را در ﺗﻘﺮﯾﺐ ﻧﺸﺎن ﻣﯿﺪﻫﺪ ‪.‬‬

‫‪1‬‬
‫= )‪ f (3‬درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪ .‬ﺗﺎﺑﻊ ﻣﻮرد ﻧﻈﺮ‬ ‫ﻣﺜﺎل ‪ : 2-4‬ﭼﻨﺪ ﺟﻤﻠﻪ اﯾﻬﺎي ﺗﯿﻠﻮر را ﺑﺎ درﺟﺎت ﻣﺨﺘﻠﻒ ﺑﺮاي ﺗﻘﺮﯾﺐ‬
‫‪3‬‬

‫‪1‬‬
‫دﻫﯿﻢ‬ ‫ﻣﯽ‬ ‫ﺑﺴﻂ‬ ‫‪x0=1‬‬ ‫ﺣﻮل‬ ‫ﺗﯿﻠﻮر‬ ‫ﻫﺎي‬ ‫اي‬ ‫ﭼﻨﺪﺟﻤﻠﻪ‬ ‫ﮐﻪ‬ ‫اﺳﺖ‬ ‫= )‪f ( x‬‬
‫‪x‬‬

‫‪.‬ﭼﻮن ‪ f ′′( x) = (−1) 2 2 x−3 , f ′( x) = − x−2 , f ( x) = x−1‬وﺑﻄﻮر ﮐﻠﯽ ‪ f ( k ) ( x) = (−1) k k! x− k −1‬اﺳﺖ ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ ﭼﻨﺪ‬

‫‪n‬‬
‫)‪f ( k ) (1‬‬ ‫‪n‬‬
‫∑ = )‪Pn ( x‬‬ ‫‪( x − 1) k = ∑ (−1) k ( x − 1) k‬‬ ‫ﺟﻤﻠﻪ اي درﺟﻪ ‪ n‬ﺗﯿﻠﻮر ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬
‫‪k =0‬‬ ‫!‪k‬‬ ‫‪k =0‬‬

‫‪1‬‬
‫= )‪ f (3‬را ﺑﺎ اﺳﺘﻔﺎده از )‪ pn(3‬و ﺑﻪ ازاي ﻣﻘﺎدﯾﺮ ﺻﻌﻮدي ‪ n‬ﺑﺪﺳﺖ آورﯾﻢ درﻣﯽ ﯾﺎﺑﯿﻢ ﮐﻪ‬ ‫ﺣﺎل اﮔﺮ ﺑﺨﻮاﻫﺒﻢ‬
‫‪3‬‬

‫ﺗﻐﯿﯿﺮات آﻧﻬﺎ ﻓﺎﺣﺶ ﻫﺴﺘﻨﺪ ‪ .‬ﻣﻘﺎدﯾﺮ را در ﺟﺪول زﯾﺮ آورده اﯾﻢ ‪.‬‬

‫‪69‬‬
 ‫‪N‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬
‫)‪Pn(3‬‬ ‫‪1‬‬ ‫‪–1‬‬ ‫‪3‬‬ ‫‪–5‬‬ ‫‪11‬‬ ‫‪–21‬‬ ‫‪43‬‬ ‫‪-85‬‬
‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺟﺪول ﻓﻮق درﻣﯽ ﯾﺎﺑﯿﻢ ﮐﻪ ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎي ﺗﯿﻠﻮر داراي اﯾﻦ وﯾﮋﮔﯽ ﻫﺴﺘﻨﺪ ﮐﻪ ﺗﻤﺎم اﻃﻼﻋﺎت ﻣﻮرد‬

‫اﺳﺘﻔﺎده در ﺗﻘﺮﯾﺐ ﻓﻘﻂ در ﻧﻘﻄﻪ ‪ x0‬ﻣﺘﻤﺮﮐﺰ ﺷﺪه اﻧﺪ ‪ .‬ﻋﻤﻮﻣﺎً اﯾﻦ ﻣﺸﮑﻞ اﺳﺘﻔﺎده از ﭼﻨﺪﺟﻤﻠﻪ اي ﻫﺎي ﺗﯿﻠﻮر را‬

‫ﻣﺤﺪود ﺑﻪ ﻣﻮاردي ﻣﯽ ﮐﻨﺪ ﮐﻪ ﺗﻨﻬﺎ ﻧﯿﺎز ﺑﻪ ﺗﻘﺮﯾﺒﻬﺎﯾﯽ در ﻧﻘﺎط ﻧﺰدﯾﮏ ﺑﻪ ‪ x0‬اﺳﺖ ‪.‬ﺑﺮاي ﻣﻘﺎﺻﺪ ﻣﺤﺎﺳﺒﺎﺗﯽ ﻣﻌﻤﻮﻻً‬

‫ﺑﻬﺘﺮ اﺳﺖ ﮐﻪ از روﺷﻬﺎﯾﯽ اﺳﺘﻔﺎده ﺷﻮد ﮐﻪ ﺷﺎﻣﻞ اﻃﻼﻋﺎﺗﯽ از ﻧﻘﺎط ﻣﺨﺘﻠﻒ ﺑﺎﺷﻨﺪ ‪.‬‬

‫درﺣﺎﻟﺖ ﮐﻠﯽ اﮔﺮ )‪ (n+1‬ﻧﻘﻄﻪ ﻣﺘﻤﺎﯾﺰ ‪ a ≤ x0 < x1 < ... < xn−1 < xn ≤ b‬را داﺷﺘﻪ ﺑﺎﺷﯿﻢ ﻣﺴﺌﻠﻪ ﻣﺎ ﯾﺎﻓﺘﻦ )‪p(x‬‬

‫اﺳﺖ ﮐﻪ در ﺷﺮاﯾﻂ دروﻧﯿﺎﺑﯽ ذﯾﻞ ﺻﺪق ﻣﯽ ﻧﻤﺎﯾﺪ ‪:‬‬

‫) ‪(i‬‬ ‫) ‪p( xi ) = f ( xi‬‬ ‫‪, i = 0(1)n‬‬ ‫)‪(4.4‬‬

‫)‪(ii‬‬ ‫) ‪p ( xi ) = f ( xi‬‬ ‫)‪(4.5‬‬
‫‪p ( xi ) = f‬‬
‫)‪(k‬‬ ‫)‪(k‬‬
‫‪( xi ) , k = 0,1,...mi , i = 0(1)n‬‬

‫ﺷﺮط )‪ (4.4‬ﭼﻨﺪ ﺟﻤﻠﻪ اي دروﻧﯿﺎب ﻻﮔﺮاﻧﮋ را ﻧﺘﯿﺠﻪ ﻣﯿﺪﻫﺪ و ﭼﻨﺎﻧﭽﻪ ﺷﺮط )‪ (4.5‬را ﺑﮑﺎرﮔﯿﺮﯾﻢ و ‪ mi=1‬ﺑﺎﺷﺪ‬

‫ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب »ﻫﺮﻣﯿﺖ« را دارﯾﻢ و ﭼﻨﺎﻧﭽﻪ ﻣﺸﺘﻘﺎت ﻣﺮاﺗﺐ ﺑﺎﻻﺗﺮ در راﺑﻄﻪ )‪ (4.5‬را ﻣﺪﻧﻈﺮ ﻗﺮار دﻫﯿﻢ‬

‫ﭼﻨﺪﺟﻤﻠﻪ اي ﻫﺎي دروﻧﯿﺎب »ﺑﻮﺳﺎن« )‪(Osculating Polynomial‬ﮐﻪ ﺗﻌﻤﯿﻤﯽ از ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎي ﺗﯿﻠﻮر و‬

‫ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎي ﻻﮔﺮاﻧﮋ اﺳﺖ ﺑﺪﺳﺖ ﺧﻮاﻫﺪ داد ‪.‬‬

‫‪ 2-4‬دروﻧﯿﺎﺑﯽ ﻫﺎي ﻻﮔﺮاﻧﮋ و ﻧﯿﻮﺗﻦ‬

‫ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﺗﺎﺑﻊ )‪ f(x‬ﺑﺮ ﺑﺎزه ]‪ [a,b‬ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﺪ و ﻫﻤﭽﻨﯿﻦ ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ )‪ (n+1‬ﻧﻘﻄﻪ ﻣﺠﺰا‬

‫‪ a ≤ x0 < x1 < x2 ... < xn−1 < xn ≤ b‬درﺑﺎزه ]‪ [a,b‬را درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪ .‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ )‪ f(x‬درﻧﻘﺎط‬

‫ﻓﻮق ﻣﻌﻠﻮم ﺑﺎﺷﻨﺪ‪.‬ﻣﺎ درﺻﺪدﯾﺎﻓﺘﻦ ﭼﻨﺪﺟﻤﻠﻪ اي ‪:‬‬

‫‪p n ( x) = a 0 + a1 x + a 2 x 2 + ... + a n x n‬‬ ‫)‪(4.5‬‬

‫‪70‬‬
‫) ‪ p( xi ) = f ( xi‬ﺻﺪق ﻣﯽ ﻧﻤﺎﯾﺪ ‪.‬ﺣﺎل ﭼﻨﺪﺟﻤﻠﻪ اي )‪ p(x‬ﻣﻮﺟﻮد‬ ‫ﻫﺴﺘﯿﻢ ﮐﻪ در ﺷﺮاﯾﻂ دروﻧﯿﺎﺑﯽ ‪i = 0(1)n‬‬

‫اﺳﺖ اﮔﺮ دﺗﺮﻣﯿﻨﺎن »واﻧﺪرﻣﻮر« ذﯾﻞ ﻧﺎﺻﻔﺮ ﺑﺎﺷﺪ ‪:‬‬

‫‪1 x0‬‬ ‫‪x2‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪x0 n‬‬

‫‪1 x1‬‬ ‫‪x1 2‬‬ ‫‪x1 n‬‬
‫‪v( x0 , x1 ,... xn ) = .‬‬ ‫‪≠0‬‬
‫‪.‬‬
‫‪1 xn‬‬ ‫‪xn 2‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪xn n‬‬

‫‪1 x0‬‬ ‫‪x0 2‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪x0 n‬‬ ‫ﻣﺎ ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ‪:‬‬
‫‪1 x1‬‬ ‫‪x1 2‬‬ ‫‪x1 n‬‬
‫‪v( x0 , x1 ,... xn −1 , x) = .‬‬ ‫‪≠0‬‬
‫‪2‬‬ ‫‪n‬‬
‫‪. xn −1‬‬ ‫‪x n −1‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪x n −1‬‬
‫‪1 x‬‬ ‫‪x2‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪xn‬‬
‫ﺑﺎ اﺳﺘﻔﺎده از ﺧﺎﺻﯿﺖ دﺗﺮﻣﯿﻨﺎﻧﻬﺎ دارﯾﻢ ‪:‬‬

‫‪v( x0 , x1 ,...xn−1 , x) = ( x − x0 )( x − x1 )...( x − xn −1 ) A‬‬

‫ﺑﻄﻮرﯾﮑﻪ ‪ A‬ﯾﮏ ﺛﺎﺑﺖ اﺳﺖ ﺑﺎ ﻣﻘﺎﯾﺴﻪ ﺿﺮﯾﺐ ‪ xn‬دارﯾﻢ ﮐﻪ ‪:‬‬

‫‪1‬‬ ‫‪x0‬‬ ‫‪x0 2‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪x0n−1‬‬

‫‪1‬‬ ‫‪x1‬‬ ‫‪x12‬‬ ‫‪x1n−1‬‬
‫‪.‬‬
‫=‪A‬‬
‫‪.‬‬
‫‪.‬‬
‫‪1 xn−1‬‬ ‫‪x 2 n−1‬‬ ‫‪xnn−−11‬‬
‫‪n −1‬‬
‫) ‪v( x0 , x1 ,..., xn ) = v( x0 , x1 ,...xn−1 ) Π ( xn − xi‬‬ ‫ﺑﻨﺎﺑﺮاﯾﻦ ‪:‬‬
‫‪i =0‬‬

‫‪n‬‬
‫‪v( x0 , x1 ,..., xn ) = Π ( xi − x j ) ≠ 0‬‬ ‫ﭼﻨﺎﻧﭽﻪ ﺑﺼﻮرت ﺑﺎزﮔﺸﺘﯽ اﺳﺘﻔﺎده ﮐﻨﯿﻢ دارﯾﻢ ‪:‬‬
‫‪i , j =0‬‬
‫‪i> j‬‬

‫‪71‬‬
‫راﺑﻄﻪ ﻓﻮق ﻣﺨﺎﻟﻒ ﺻﻔﺮ اﺳﺖ ﭼﻮن ﮐﻪ ‪ xi‬ﻫﺎ ﻣﺠﺰا ﻫﺴﺘﻨﺪ ‪ ،‬ﺗﺎ اﯾﻨﺠﺎ ﻧﺸﺎن دادﯾﻢ ﮐﻪ دﺗﺮﻣﯿﻨﺎن واﻧﺪرﻣﻮر ﻧﺎﺻﻔﺮ اﺳﺖ‬

‫ﯾﻌﻨﯽ در راﺑﻄﻪ )‪ (4.5‬ﺑﺎ اﺳﺘﻔﺎده از ﺷﺮاﯾﻂ دروﻧﯿﺎﺑﯽ ﻣﯽ ﺗﻮان ‪ a0,…,an‬را ﺑﺪﺳﺖ آورد ‪.‬ﯾﻌﻨﯽ )‪ p(x‬وﺟﻮد دارد ‪.‬‬

‫ﺣﺎل در ذﯾﻞ ﺑﺎﯾﺴﺘﯽ ﺛﺎﺑﺖ ﮐﻨﯿﻢ ﮐﻪ )‪ p(x‬ﻣﻨﺤﺼﺮﺑﻔﺮد اﺳﺖ ‪.‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ ﺑﺮاي )‪ (n+1‬ﻧﻘﻄﻪ ﻣﺘﻤﺎﯾﺰ ﻓﻮق دو‬

‫ﭼﻨﺪ ﺟﻤﻠﻪ اي ﻧﻈﯿﺮ )‪ p(x‬و )‪ q(x‬ﻣﻮﺟﻮد ﺑﺎﺷﺪ ﺑﻄﻮرﯾﮑﻪ در ﺷﺮاﯾﻂ ‪:‬‬

‫‪p ( xi ) = f ( xi ) , i = 0(1)n‬‬
‫‪q ( xi ) = f ( xi ) , i = 0(1)n‬‬ ‫)‪(4.6‬‬

‫ﺻﺪق ﻣﯽ ﻧﻤﺎﯾﺪ ‪ .‬ﭼﻨﺪ ﺟﻤﻠﻪ اي زﯾﺮ را درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪:‬‬

‫)‪Q ( x) = p( x) − q ( x‬‬ ‫)‪(4.7‬‬

‫ﭼﻮن )‪ p(x‬و )‪ q(x‬ﭼﻨﺪﺟﻤﻠﻪ اي ﻫﺎي ﻣﺎﮐﺰﯾﻤﻢ درﺟﻪ ‪ n‬ﻣﯽ ﺑﺎﺷﻨﺪ آﻧﮕﺎه )‪ Q(x‬ﻧﯿﺰ ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي درﺟﻪ‬

‫ﺣﺪاﮐﺜﺮ ‪ n‬ﻣﯽ ﺑﺎﺷﺪ و در ﺷﺮاﯾﻂ )‪ (4.6‬ﺻﺪق ﻣﯽ ﻧﻤﺎﯾﺪ ‪.‬‬

‫‪Q ( x) = p ( xi ) − q ( xi ) , i = 0(1)n‬‬ ‫)‪(4.8‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ )‪ Q(x‬ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي اﺳﺖ ﮐﻪ درﺟﻪ آن ﺣﺪاﮐﺜﺮ ‪ n‬ﻣﯽ ﺑﺎﺷﺪ ‪ .‬ﻟﺬا ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ راﺑﻄﻪ )‪Q(x) ، (4.8‬‬

‫داراي )‪ (n+1‬رﯾﺸﻪ ‪ x0,x1,…xn‬اﺳﺖ ‪.‬اﻣﺎ ﻣﺎ ﻣﯽ داﻧﯿﻢ ﮐﻪ )‪ Q(x‬ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي ﺣﺪاﮐﺜﺮ از درﺟﻪ ‪ n‬اﺳﺖ و‬

‫ﺑﺎﯾﺴﺘﯽ داراي ‪ n‬رﯾﺸﻪ ﺑﺎﺷﺪ )ﭼﻪ ﺑﺼﻮرت ﺣﻘﯿﻘﯽ ﯾﺎ ﻣﺨﺘﻠﻂ وﯾﺎ ﺗﻌﺪادي ﺗﮑﺮاري(‪ .‬ﻟﺬا ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ﻣﺘﻨﺎﻗﺾ‬

‫‪Q( x) ≡ 0‬‬ ‫ﻣﯽ ﺑﺎﺷﺪ و ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ‪:‬‬

‫ﺑﺎﺷﺪ ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ )‪ p(x)=q(x‬ﻣﯽ ﺑﺎﺷﺪ ‪ .‬واﯾﻦ ﺑﻤﻌﻨﺎي ﻣﻨﺤﺼﺮﺑﻔﺮد ﺑﻮدن ﭼﻨﺪﺟﻤﻠﻪ اي ﻫﺎي دروﻧﯿﺎب اﺳﺖ ‪.‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب ﮐﻪ ﺑﻪ دو ﻃﺮﯾﻖ ﻣﺘﻔﺎوت ﺑﺪﺳﺖ ﻣﯽ آﯾﻨﺪ ﻣﻤﮑﻦ اﺳﺖ در ﻓﺮم ﻣﺘﻔﺎوت ﺑﺎﺷﻨﺪ اﻣﺎ ﻣﺸﺎﺑﻪ‬

‫ﻫﻤﺪﯾﮕﺮ ﻫﺴﺘﻨﺪ ‪ .‬از ﻟﺤﺎظ ﺷﮑﻞ ‪ ،‬ﭼﻨﺪﺟﻤﻠﻪ اي ﻫﺎي دروﻧﯿﺎب ‪ ،‬ﭼﻨﺪﺟﻤﻠﻪ اي ﻻﮔﺮاﻧﮋ وﯾﺎ ﻧﯿﻮﺗﻦ ﺑﺎ ﺗﻔﺎﺿﻞ ﺗﻘﺴﯿﻢ‬

‫ﺷﺪه ﻧﺎﻣﯿﺪه ﻣﯿﺸﻮﻧﺪ ‪.‬ﮐﻪ در ﻗﺴﻤﺘﻬﺎي ﺑﻌﺪي ﺑﺪاﻧﻬﺎ ﻣﯽ ﭘﺮدازﯾﻢ ‪.‬‬

‫‪ 3-4‬درون ﯾﺎﺑﯽ ﻻﮔﺮاﻧﮋ‬

‫‪72‬‬
‫ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﺗﺎﺑﻊ )‪ f(x‬در ﻓﺎﺻﻠﻪ ]‪ [a,b‬ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﺪ و ﻫﻤﭽﻨﯿﻦ ﻓﺮض ﮐﻨﯿﻢ ﮐﻪ )‪ (n+1‬ﻧﻘﻄﻪ ﻣﺠﺰا در اﯾﻦ ﻓﺎﺻﻠﻪ‬

‫ﺑﺼﻮرت زﯾﺮ دارﯾﻢ ﮐﻪ اﻟﺰاﻣﺎً ﻣﺘﺴﺎوي اﻟﻔﺎﺻﻠﻪ ﻧﯿﺴﺘﻨﺪ ‪a ≤ x0 < x1 < x2 ... < xn −1 < xn ≤ b :‬‬

‫و ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ )‪ f(x‬در اﯾﻦ ﻧﻘﺎط ﻣﻌﻠﻮم ﻣﯽ ﺑﺎﺷﻨﺪ ‪.‬ﻣﺎ درﺻﺪد ﯾﺎﻓﺘﻦ ﭼﻨﺪﺟﻤﻠﻪ اي درﺟﻪ ‪ n‬ام ‪،‬‬

‫‪ P ( x) = α 0 + α1 x + α 2 x 2 + ... + α n x n‬ﻫﺴﺘﯿﻢ ﮐﻪ در ﺷﺮاﯾﻂ زﯾﺮ ﺻﺪق ﮐﻨﺪ ‪:‬‬

‫‪p ( xi ) = f ( xi ) , i = 0(1)n‬‬

‫ﺑﺮاي آﺳﺎﻧﯽ ﮐﺎر ‪ ،‬اﺑﺘﺪا ﺣﺎﻟﺖ ﺧﻄﯽ آن را درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪.‬‬

‫درون ﯾﺎﺑﯽ ﺧﻄﯽ ‪ α 0 ,α1 :‬ﻣﻘﺎدﯾﺮ ﺛﺎﺑﺖ ﻫﺴﺘﻨﺪ و درﻓﺎﺻﻠﻪ ]‪ [x0,x1‬دارﯾﻢ ‪:‬‬

‫‪P ( x) = α 0 + α1 x‬‬ ‫)‪(4.9‬‬

‫‪P ( x0 ) = f ( x0 ) = α 0 + α1 x0‬‬ ‫)‪(4.10‬‬
‫‪P ( x1 ) = f ( x1 ) = α 0 + α1 x1‬‬ ‫)‪(4.11‬‬

‫‪p ( x) 1 x‬‬
‫)ﺣﻮل ﺳﻄﺮ اول ﺑﺴﻂ ﻣﯽ دﻫﯿﻢ( ⇒ ‪f ( x0 ) 1 x0 = 0‬‬
‫‪f ( x1 ) 1 x1‬‬

‫‪p ( x)( x1 − x0 ) − f ( x0 )( x1 − x) + f ( x1 )( x0 − x) = 0‬‬

‫‪ x − x1 ‬‬ ‫‪ x − x0 ‬‬

‫‪p( x) = ‬‬ ‫‪ f ( x0 ) + ‬‬ ‫) ‪ f ( x1‬‬
‫‪ x0 − x1 ‬‬ ‫‪ x1 − x0 ‬‬

‫ﺟﻤﻼت اﺳﺎﺳﯽ ﻻﮔﺮاﻧﮋ ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬

‫‪x − x1‬‬ ‫‪x − x0‬‬

‫= )‪L0 ( x‬‬ ‫= )‪& L1 ( x‬‬
‫‪x0 − x1‬‬ ‫‪x1 − x0‬‬
‫) ‪P ( x) = L0 ( x) f ( x0 ) + L1 ( x) f ( x1‬‬

‫ﺟﻤﻼت اﺳﺎﺳﯽ ﻻﮔﺮاﻧﮋ داراي ﺧﺎﺻﯿﺖ ذﯾﻞ ﻫﺴﺘﻨﺪ ‪:‬‬

‫‪L0 ( x0 ) = 1 & L0 ( x1 ) = 0‬‬ ‫‪1 , i = j‬‬

‫‪ Li ( x j ) = ‬‬
‫‪L1 ( x1 ) = 1 & L1 ( x0 ) = 0 ‬‬ ‫‪0 , i ≠ j‬‬

‫‪73‬‬
‫اﮐﻨﻮن درﺻﺪد ﯾﺎﻓﺘﻦ ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي درﺟﻪ ‪ n‬ﻫﺴﺘﯿﻢ ﮐﻪ از ﺗﻤﺎﻣﯽ ﻧﻘﺎط ﻓﻮق ﺑﮕﺬرد ‪ ،‬اﯾﻦ ﭼﻨﺪ ﺟﻤﻠﻪ اي ﺗﻘﺮﯾﺒﯽ‬

‫ﺑﺮاي ﯾﺎﻓﺘﻦ )‪ f(x‬اﺳﺖ و در ﻧﻘﺎط ﻓﻮق اﻟﺬﮐﺮ ﺗﺎﺑﻊ )‪ f(x‬و ﭼﻨﺪ ﺟﻤﻠﻪ اي )‪ p(x‬ﺑﺮﻫﻢ ﻣﻨﻄﺒﻖ ﻫﺴﺘﻨﺪ ‪ ،‬ﯾﻌﻨﯽ ‪:‬‬

‫‪f ( xi ) = p ( xi ) , i = 0,1,..., n‬‬

‫ﺑﺎ ﺗﻌﻤﯿﻢ ﺣﺎﻟﺖ ﺧﻄﯽ ﭼﻨﺪ ﺟﻤﻠﻪ اي اﺳﺎﺳﯽ ﻻﮔﺮاﻧﮋ درﺣﺎﻟﺖ ﮐﻠﯽ را اﯾﻦ ﭼﻨﯿﻦ ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ ‪:‬‬

‫) ‪Li ( x) = Ci ( x − x0 )( x − x1 )...( x − xi −1 )( x − xi +1 )...( x − xn‬‬

‫‪n‬‬
‫‪= Ci‬‬ ‫‪Π‬‬
‫‪j‬‬
‫) ‪(x − xj‬‬
‫‪=0‬‬
‫‪& j ≠i‬‬

‫‪1‬‬
‫= ‪Ci‬‬ ‫‪,‬‬ ‫‪i = 0,1,..., n‬‬
‫) ‪( xi − x0 )( xi − x1 )...( xi − xi −1 )( xi − xi +1 )...( xi − xn‬‬

‫) ‪n (x − x‬‬
‫) ‪( x − x0 )( x − x1 )...( x − xi −1 )( x − xi +1 )...( x − xn‬‬
‫‪=Π‬‬
‫‪j‬‬
‫= )‪Li ( x‬‬
‫) ‪( xi − x0 )( xi − x1 )...( xi − xi −1 )( xi − xi +1 )...( xi − xn ) j =0 ( xi − x j‬‬
‫‪j ≠i‬‬

‫‪n‬‬ ‫) ‪( xi − x j‬‬
‫‪ Li ( xi ) = Π‬ﻫﺴﺘﻨﺪ ‪.‬‬ ‫‪=1‬‬ ‫ﺟﻤﻼت اﺳﺎﺳﯽ ﻻﮔﺮاﻧﮋ داراي ﺧﺎﺻﯿﺖ ‪:‬‬
‫‪j =0‬‬ ‫) ‪( xi − x j‬‬
‫‪& j ≠i‬‬

‫‪n‬‬ ‫‪n‬‬
‫) ‪( x − xi‬‬
‫) ‪P ( x) = ∑ Li ( x) f ( xi‬‬ ‫‪,‬‬ ‫‪Li ( x) = Π‬‬
‫‪i =0‬‬ ‫) ‪j = 0 ( xi − x j‬‬
‫‪j ≠i‬‬

‫‪ 4-4‬ﺧﻄﺎي ﻗﻄﻊ ﮐﺮدن ‪:‬‬

‫ﻣﯽ داﻧﯿﻢ ﮐﻪ اﮔﺮ ‪ x=x0‬ﯾﺎ ‪ x=x1‬ﺑﺎﺷﺪ آﻧﮕﺎه ‪:‬‬

‫‪E1 ( f , x) = f ( x) − p ( x) = 0‬‬
‫‪E1 ( f , x) = 0‬‬

‫اﻣﺎ اﮔﺮ ]‪ x ∈ [a , b‬و ‪ x1‬و ‪ ، x ≠ x0‬ﺑﺮاي اﯾﻦ ‪ x‬ﻣﺎ ﯾﮏ ﺗﺎﺑﻊ )‪ g(t‬را ﭼﻨﯿﻦ ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ ‪:‬‬

‫) ‪(t − x0 )(t − x1‬‬

‫])‪g (t ) = f (t ) − p (t ) − [ f ( x) − p ( x‬‬ ‫)‪( 4.12‬‬
‫) ‪( x − x0 )( x − x1‬‬

‫‪74‬‬
‫ﺑﻪ آﺳﺎﻧﯽ ﻣﯽ ﺗﻮان درﯾﺎﻓﺖ ﮐﻪ ‪ g(t)=0‬در )‪ (t=x , t=x0 ,t=x1‬اﺳﺖ‪ .‬از راﺑﻄﻪ )‪(4.12‬دوﺑﺎر ﻧﺴﺒﺖ ﺑﻪ ‪ t‬ﻣﺸﺘﻖ ﻣﯽ‬

‫ﮔﯿﺮﯾﻢ ‪:‬‬

‫‪ t − x1 + t − x0 ‬‬
‫‪g ′(t ) = f ′(t ) − p ′(t ) − [ f ( x) − p ( x)]‬‬ ‫‪‬‬
‫‪ ( x − x0 )( x − x1 ) ‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪‬‬
‫‪g ′′(t ) = f ′′(t ) − [ f ( x) − p ( x)]‬‬ ‫‪‬‬
‫‪ ( x − x0 )( x − x1 ) ‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از ﻗﻀﯿﻪ رول اﮔﺮ )‪ g(t‬در ﻓﺎﺻﻠﻪ ]‪ [x0,x1‬ﭘﯿﻮﺳﺘﻪ و در )‪ (x0,x1‬ﻣﺸﺘﻖ ﭘﺬﯾﺮ ﺑﺎﺷﺪ‬

‫واﮔﺮ ‪ g ( x) = g ( x1 ) = g ( x0 ) = 0‬ﭘﺲ ﺣﺪاﻗﻞ ﯾﮏ ﻧﻘﻄﻪ ﻣﺎﻧﻨﺪ ‪ ζ 1‬در ﻓﺎﺻﻠﻪ )‪ (x0,x1‬ﻣﻮﺟﻮد اﺳﺖ ﺑﻄﻮرﯾﮑﻪ‬

‫‪g ′′(ζ ) = 0‬‬

‫‪2‬‬
‫))‪0 = f ′′(ζ ) − ( f ( x) − p ( x‬‬
‫) ‪( x − x0 )( x − x1‬‬

‫ﺣﺎل راﺑﻄﻪ ﺑﺎﻻرا ﺣﻞ ﻣﯽ ﮐﻨﯿﻢ ‪:‬‬

‫‪1‬‬
‫) ‪f ( x) − p ( x) = ( x − x0 )( x − x1 ) f ′′(ζ‬‬ ‫&‬ ‫)‪min( x0 , x1 , x) < ζ < max( x0 , x1 , x‬‬
‫‪2‬‬

‫اﮔﺮ ﻓﺮض ﮐﻨﯿﻢ‬

‫)‪M 2 = max f ′′( x‬‬

‫‪x0 ≤ x ≤ x1‬‬

‫ﺑﺎﺷﺪ ‪ ،‬دارﯾﻢ ‪:‬‬

‫‪1‬‬
‫= )‪E1 ( f , x‬‬ ‫) ‪( x − x0 )( x − x1 ) f ′′(ζ‬‬
‫‪2‬‬
‫‪1‬‬
‫‪E1 ( f , x) ≤ max ( x − x0 )( x − x1 ) .M 2‬‬
‫‪2‬‬
‫‪x0 ≤ x ≤ x1‬‬
‫) ‪( x0 + x1‬‬
‫= ‪ x‬ﻣﺎﮐﺰﯾﻤﻢ اﺳﺖ ‪.‬ﯾﻌﻨﯽ ‪:‬‬ ‫ﺑﻨﺎﺑﺮاﯾﻦ ﻋﺒﺎرت ) ‪ ( x − x0 )( x − x1‬در ﻧﻘﻄﻪ‬
‫‪2‬‬

‫‪75‬‬
 1  x0 + x1  x + x1 
E1 ( f , x) ≤  − x0  0 − x1  .M 2
2 2  2 
1  x − x0  x0 − x1 
≤    .M 2
2  2  2 
1
≤ ( x1 − x0 ) 2 M 2 (4.13)
8

h2
E1 ( f , x) ≤ M2 : ‫ ﻫﺎ ﻣﺘﺴﺎوي اﻟﻔﺎﺻﻠﻪ ﺑﺎﺷﻨﺪ‬x ‫اﮔﺮ‬
8

: ‫ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺮاي ﺣﺎﻟﺖ ﮐﻠﯽ دارﯾﻢ‬

Π ( x − xi )
E n ( f , x) = i=0
f ( n+1) (ζ ) , min {x0 , x1 ,..., xn , x} < ζ < max {x0 , x1 ,..., xn , x}
(n + 1)!

n
E n ( f , x) ≤ max Π
i
( x − xi ) . M n
=0
+1

x0 ≤ x ≤ xn
M n +1 = max f ( n+1) ( x) , x ∈ {x0 , x1 ,..., xn }

: ‫ﺣﺎل دارﯾﻢ‬

x − xi ≤ xn − x0 , i = 0(1)n
( n +1)
x −x
En ( f , x) ≤ n 0 M n +1 (4.14)
(n + 1)!

‫ ﯾﮏ‬sin(0.2)=0.19867 ‫ و‬sin(0.1)=0.09983 ‫ ﺑﺎ اﺳﺘﻔﺎده از ﻓﺮﻣﻮل ﻻﮔﺮاﻧﮋ وﺑﺎ اﺳﺘﻔﺎده از اﯾﻨﮑﻪ‬: 3-4 ‫ﻣﺜﺎل‬

. ‫ ﺑﯿﺎﺑﯿﺪ و ﺧﻄﺎ را ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﺪ‬sin(0.14) ‫ﻣﻘﺪار ﺑﺮاي‬

: ‫راه ﺣﻞ اول‬

76
 ‫) ‪p ( x) = L0 ( x) f ( x0 ) + L1 ( x) f ( x1‬‬
‫‪x − x1‬‬ ‫‪x − x0‬‬
‫= )‪p ( x‬‬ ‫‪f ( x0 ) +‬‬ ‫) ‪f ( x1‬‬
‫‪x0 − x1‬‬ ‫‪x1 − x0‬‬
‫‪x − 0.2‬‬ ‫‪x − 0.1‬‬
‫=‬ ‫‪× (0.09983) +‬‬ ‫)‪(0.19867‬‬
‫‪0.1 − 0.2‬‬ ‫‪0.2 − 0.1‬‬
‫‪p (0.14) = 0.139366‬‬
‫‪1‬‬
‫] ‪E1 ( f , x) ≤ (0.2 − 0.1) 2 . f ′′( x) , x ∈ [ x0 , x1‬‬
‫‪8‬‬
‫‪1‬‬
‫‪≤ (0.1) 2 × 1 = 0.0025‬‬
‫‪8‬‬

‫راه ﺣﻞ دوم ‪:‬‬

‫‪1‬‬
‫≤ )‪E1 ( f , x‬‬ ‫) ‪( x − 0.1)( x − 0.2) . sin ′′(ζ‬‬
‫‪2‬‬
‫‪1‬‬
‫= ‪≤ 0.14 − 0.1 0.14 − 0.2 × 1‬‬
‫‪2‬‬
‫‪1‬‬
‫‪= (0.0024) = 0.0012‬‬
‫‪2‬‬

‫ﻣﺜﺎل ‪ : 4-4‬ﺑﺮاي داده ﻫﺎي زﯾﺮ ﯾﮏ ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب را ﺑﯿﺎﺑﯿﺪ ‪:‬‬

‫‪x 0 1 2‬‬ ‫‪5‬‬

‫‪f(x) 2 3 12 147‬‬

‫‪77‬‬
 ‫‪3‬‬
‫) ‪( x − x1 )( x − x2 )( x − x3‬‬
‫= ) ‪p ( x) = ∑ Li ( x) f ( xi‬‬ ‫‪f ( x0 ) +‬‬
‫‪i =0‬‬ ‫)‪( x0 − x1 )( x0 − x2 )( x0 − x‬‬
‫) ‪( x − x0 )( x − x2 )( x − x3‬‬ ‫) ‪( x − x0 )( x − x1 )( x − x3‬‬
‫‪+‬‬ ‫‪f ( x1 ) +‬‬ ‫) ‪f ( x2‬‬
‫) ‪( x1 − x0 )( x1 − x2 )( x1 − x3‬‬ ‫) ‪( x2 − x0 )( x2 − x1 )( x2 − x3‬‬
‫) ‪( x − x0 )( x − x1 )( x − x2‬‬
‫) ‪f ( x3‬‬
‫) ‪( x3 − x0 )( x3 − x1 )( x3 − x2‬‬
‫)‪( x − 1)( x − 2)( x − 5‬‬ ‫)‪( x − 0)( x − 1)( x − 5‬‬ ‫)‪( x − 0)( x − 1)( x − 5‬‬
‫‪p ( x) = 2 .‬‬ ‫×‪+ 3‬‬ ‫‪+ 12‬‬ ‫‪+‬‬
‫)‪(0 − 1)(0 − 2)(0 − 5‬‬ ‫)‪(1 − 0)(1 − 2)(1 − 5‬‬ ‫)‪(2 − 0)(2 − 1)(2 − 5‬‬
‫)‪( x − 0)( x − 1)( x − 2‬‬
‫‪147‬‬
‫)‪(5 − 0)(5 − 1)(5 − 2‬‬
‫‪p ( x) = x3 + x2 − x + 2‬‬

‫ﻣﺜﺎل ‪ sin(x): 5-4‬را از داده ﻫﺎي زﯾﺮﯾﻦ ﺑﺎ ﻓﺮﻣﻮل ﻻﮔﺮاﻧﮋ دروﻧﯿﺎﺑﯽ ﺷﺪه ‪ ،‬ﺑﻪ ازاي ﭼﻪ ﻣﻘﺎدﯾﺮ ‪ n‬ﻣﯽ ﺗﻮاﻧﯿﻢ‬

‫ﻣﻄﻤﺌﻦ ﺷﻮﯾﻢ ﮐﻪ ﺧﻄﺎي ﻗﻄﻊ ﮐﺮدن ﮐﻤﺘﺮ از ) ‪ (0.5 × 10 −4‬اﺳﺖ ؟‬

‫‪x0 = 1‬‬
‫‪x1 = 0.9‬‬
‫‪x2 = 0.8‬‬
‫)‪xn = 1 − (0.1× n‬‬
‫)‪( n +1‬‬
‫‪x −x‬‬
‫‪E n ( f , x) = n 0‬‬ ‫}‪× f ( n+1) (ζ ) , min {x0 , x1 ,..., xn , x} < ζ < max {x0 , x1 ,..., xn , x‬‬
‫!)‪(n + 1‬‬

‫‪n +1‬‬
‫‪x −x‬‬
‫‪E n ( f , x) ≤ n 0 × f ( n+1) (ζ ) ≤ 0.5 × 10 −4‬‬
‫!)‪(n + 1‬‬
‫‪‬‬ ‫‪d n+1‬‬ ‫اﮔﺮ ‪ n‬ﻓﺮد ﺑﺎﺷﺪ دارﯾﻢ ‪:‬‬
‫‪‬‬ ‫‪( sin x ) = sin x‬‬
‫‪f ( x) = sin( x) ‬‬ ‫‪dx n+1‬‬
‫‪‬‬ ‫‪d n+1‬‬ ‫اﮔﺮ ‪ n‬زوج ﺑﺎﺷﺪ دارﯾﻢ ‪:‬‬
‫‪( sin x ) = cos x‬‬
‫‪‬‬ ‫‪dx n+1‬‬
‫‪n +1‬‬
‫‪1 − (0.1× n) − 1‬‬
‫≤ )‪E n ( f , x‬‬ ‫‪≤ 0.5 × 10 −4‬‬
‫!)‪(n + 1‬‬
‫‪n +1‬‬
‫)‪(0.1 × n‬‬
‫‪≤ 0.5 × 10 −4 ⇒ n = 7‬‬
‫!)‪(n + 1‬‬

‫ﻣﺜﺎل ‪ : 6-4‬ﺗﺎﺑﻊ )‪ x1=1.1 ، x0=1 ، f(x)=ln (1+x‬ﻣﻔﺮوﺿﻨﺪ ‪ .‬ﺑﺎ اﺳﺘﻔﺎده از درون ﯾﺎﺑﯽ ﺧﻄﯽ ﻣﻘﺪار‬

‫ﻣﻨﺎﺳﺐ )‪ f(1.04‬را ﻣﺤﺎﺳﺒﻪ وﺣﺪ ﺑﺎﻻي ﺧﻄﺎ را ﺑﯿﺎﺑﯿﺪ ‪:‬‬

‫‪78‬‬
 ‫‪f ( x) = ln (1 + x) , f (1) = ln 2 = 0.301030 , f (1.1) = ln (2.1) = 0.322219‬‬

‫‪x − x1‬‬ ‫‪x − x0‬‬

‫= )‪P1 ( x‬‬ ‫‪f ( x0 ) +‬‬ ‫) ‪f ( x1‬‬
‫‪x0 − x1‬‬ ‫‪x1 − x0‬‬
‫‪x − 1.1‬‬ ‫‪x −1‬‬
‫=‬ ‫‪× 0.301030 +‬‬ ‫‪× 0.322219‬‬
‫‪1.0 − 1.1‬‬ ‫‪1.1 − 1‬‬
‫‪p1 (1.04) = 0.304506‬‬
‫‪1‬‬
‫= )‪E ( f , x‬‬ ‫‪( x − x0 )( x − x1 ) f ′′(C ) ; x0 < c < x1‬‬
‫!‪2‬‬

‫ﻣﺎﮐﺰﯾﻤﻢ ) ‪ ( x − x0 )( x − x1‬در ﻧﻘﻄﻪ ‪ x = ( x0 + x1 ) / 2‬ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬

‫‪1‬‬
‫| )‪E ( f , x) ≤ max ( x − x0 )( x − x1 ) . max | f ′′( x‬‬
‫‪2‬‬
‫‪1 ≤ x ≤ 1.1‬‬ ‫‪1 ≤ x ≤ 1.1‬‬

‫‪−1‬‬
‫= )‪f ′′( x‬‬
‫‪(1 + x) 2‬‬

‫‪1‬‬ ‫‪−1‬‬ ‫‪1‬‬ ‫‪1 0.01‬‬ ‫‪1‬‬

‫‪E ( f , x) ≤ ( x1 − x0 ) 2 max‬‬ ‫= × ‪= (0.1) 2‬‬ ‫=‬
‫‪8‬‬ ‫)‪(1 + x‬‬ ‫‪2‬‬
‫‪8‬‬ ‫‪4 32 3200‬‬

‫ﻣﺜﺎل ‪ : 7-4‬ﻣﻘﺪار ﻣﻨﺎﺳﺐ ﮔﺎم )‪ (h‬را ﮐﻪ ﺑﺮاي اﯾﺠﺎد ﺟﺪول ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ ‪ f ( x) = (1 + x) 6‬روي ﻓﺎﺻﻠﻪ ]‪ [0,1‬ﻻزم‬

‫اﺳﺖ ﺑﻄﺮﯾﻘﯽ ﺑﯿﺎﺑﯿﺪ ﮐﻪ ﺣﺪ ﺑﺎﻻي ﺧﻄﺎي دروﻧﯿﺎﺑﯽ ﺧﻄﯽ ) ‪ (5 × 10 −5‬ﺑﺎﺷﺪ ‪:‬‬

‫‪h2‬‬
‫≤ )‪E1 ( f , x‬‬ ‫‪M‬‬
‫‪8‬‬
‫‪` M = max f ′′( x) = max 30(1 + x) 4 = 480‬‬
‫‪0 < x ≤1‬‬ ‫‪0 ≤ x ≤1‬‬

‫ﺑﯿﺸﺘﺮﯾﻦ ﻣﻘﺪار ‪ h‬ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪h2‬‬
‫≤ )‪E1 ( f , x‬‬ ‫‪× 480 ≤ 5 × 10 −5‬‬
‫‪8‬‬
‫‪60h 2 ≤ 0.00005 ⇒ h ≈ 0.00091‬‬

‫ﻣﺜﺎل ‪ : 8-4‬ﭼﻨﺪ ﺟﻤﻠﻪ اي ﻣﻨﺤﺼﺮﺑﻔﺮد )‪ p(x‬ﺑﺎدرﺟﻪ ‪ 2‬ﯾﺎ ﮐﻤﺘﺮ را ﺑﯿﺎﺑﯿﺪ ﺑﻄﻮرﯾﮑﻪ ‪ p(4)=64‬و ‪ p(3)=27‬و‬

‫‪ p(1)=1‬ﺑﺎﺷﺪ ‪ .‬ﺑﺎ اﺳﺘﻔﺎده از ﻓﺮﻣﻮل ﻻﮔﺮاﻧﮋ و ﻧﯿﻮﺗﻦ ﻣﻘﺪار ﺗﺎﺑﻊ در )‪ (x=1.5‬را ﺑﯿﺎﺑﯿﺪ ‪:‬‬

‫‪79‬‬
 ‫)‪( x − 4)( x − 3‬‬ ‫)‪( x − 1)( x − 4‬‬ ‫)‪( x − 1)( x − 3‬‬
‫= )‪P2 ( x‬‬ ‫‪(1) +‬‬ ‫‪× 27 +‬‬ ‫‪× 64 = 8 x 2 − 19 x + 12‬‬
‫)‪(1 − 4)(1 − 3‬‬ ‫)‪(3 − 1)(3 − 4‬‬ ‫)‪(4 − 1)(4 − 3‬‬

‫‪p 2 (1.5) = 1.5‬‬

‫‪ 5-4‬ﺗﻔﺎﺿﻼت ﺗﻘﺴﯿﻢ ﺷﺪه ﻧﯿﻮﺗﻦ‬

‫ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ‪ (n+1) ، x0<x1<x2 …<xn-1<xn‬ﻧﻘﻄﻪ ﻣﺘﻤﺎﯾﺰ ﺑﺎﺷﻨﺪ و ﻧﺎﻣﺘﺴﺎوي اﻟﻔﺎﺻﻠﻪ ﺑﺎﺷﻨﺪ و ﻣﻘﺪار ﺗﺎﺑﻊ‬

‫)‪ f(x‬ﺑــــﻪ ازاي ﻧﻘﺎط ﻓﻮق ﻣﻌﻠﻮم ﺑﺎﺷﻨﺪ ‪ f0,f1,…,fn.‬دراﯾﻦ ﺻﻮرت ﻣﻔﻬﻮم ﺗﻔﺎﺿﻞ ﺗﻘﺴﯿﻢ ﺷﺪه را در زﯾﺮ ﺗﻌﺮﯾﻒ‬

‫ﻣﯽ ﮐﻨﯿﻢ ‪:‬‬

‫) ‪f ( xi +1 ) − f ( xi‬‬
‫= ] ‪f [xi , xi +1‬‬ ‫‪, i = 0(1)n − 1‬‬ ‫ﺗﻔﺎﺿﻞ ﺗﻘﺴﯿﻢ ﺷﺪه ﻣﺮﺗﺒﻪ اول ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬
‫‪xi +1 − xi‬‬

‫] ‪f [xi +1 , xi +2 ] − f [xi , xi +1‬‬

‫= ] ‪f [xi , xi +1 , xi + 2‬‬ ‫ﺗﻔﺎﺿﻞ ﺗﻘﺴﯿﻢ ﺷﺪه ﻣﺮﺗﺒﻪ دوم ‪i = 0(1)n − 2 :‬‬
‫‪xi + 2 − xi‬‬

‫] ‪f [xi +1 , xi + 2 ,..., xi + n ] − f [xi , xi +1 ,..., xi + n−1‬‬

‫= ] ‪f [xi , xi +1 ,..., xi + n‬‬ ‫وﺗﻔﺎﺿﻞ ﺗﻘﺴﯿﻢ ﺷﺪه ﻣﺮﺗﺒﻪ ‪ n‬ام ‪, i = 0 :‬‬
‫‪xi + n − xi‬‬

‫ﻧﮑﺘﻪ اي ﮐﻪ ﺑﺎﯾﺴﺘﯽ اﺷﺎره ﮐﻨﯿﻢ اﯾﻨﺴﺖ ﮐﻪ ﺗﻘﺪم و ﺗﺄﺧﺮ ‪ xi‬ﻫﺎ در ﻧﻤﺎد ﺗﻔﺎﺿﻞ ﺗﻘﺴﯿﻢ ﺷﺪه ﺗﺄﺛﯿﺮي ﻧﺪارد ﻣﺎﻧﻨﺪ ‪:‬‬

‫) ‪f ( x1 ) − f ( x0 ) f ( x0 ) − f ( x1‬‬
‫= ] ‪f [ x0 , x1‬‬ ‫=‬ ‫] ‪= f [ x1 , x0‬‬
‫‪x1 − x0‬‬ ‫‪x0 − x1‬‬

‫ﺣﺎل ﺑﻪ ﺑﺮرﺳﯽ ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب ﺗﻔﺎﺿﻞ ﺗﻘﺴﯿﻢ ﺷﺪه ﻧﯿﻮﺗﻦ ﻣﯽ ﭘﺮدازﯾﻢ ‪:‬‬

‫‪ 6-4‬ﻓﺮﻣﻮل دروﻧﯿﺎب ﺗﻔﺎﺿﻞ ﺗﻘﺴﯿﻢ ﺷﺪه ﻧﯿﻮﺗﻦ‬

‫ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ )‪ f(x‬ﺑﻪ ازاي ﻧﻘﺎط ﻧﺎﻣﺘﺴﺎوي اﻟﻔﺎﺻﻠﻪ ‪ x0,x1,…,xn‬ﯾﻌﻨﯽ ‪ f0,f1,…,fn‬ﺑﺎﺷﻨﺪ‪.‬‬

‫ﻣﺎ در ﺻﺪد ﯾﺎﻓﺘﻦ ﯾﮏ ﭼﻨﺪﺟﻤﻠﻪ اي درﺟﻪ ‪ n‬ام ‪ Pn(x) ،‬ﺑﺮاي ﺗﻘﺮﯾﺐ )‪ f(x‬ﻫﺴﺘﯿﻢ ﮐﻪ درﺷﺮاﯾﻂ زﯾﺮ ﺻﺪق ﮐﻨﺪ ‪:‬‬

‫‪Pn ( xi ) = f ( xi ) i = 0(1)n‬‬ ‫)‪(4.15‬‬

‫‪Pn ( x) = a 0 + ( x − x0 )a1 + ( x − x0 )( x − x1 )a 2 + ... + ( x − x0 )...( x − xn−1 )a n‬‬ ‫)‪(4.16‬‬
‫) ‪if x = x0 ⇒ Pn ( x) = a 0 = f ( x0‬‬
‫‪Pn ( x) − f ( x0 ) = ( x − x0 )a1 + ( x − x0 )( x − x1 )a 2 + ... + ( x − x0 )...( x − xn−1 )a n‬‬ ‫)‪(4.17‬‬

‫‪80‬‬
 ‫ﺣﺎل اﮔﺮ ﻃﺮﻓﯿﻦ راﺑﻄﻪ ‪ 3‬را ﺑﺮ ‪ x-x0‬ﺗﻘﺴﯿﻢ ﮐﻨﯿﻢ ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫) ‪p n ( x) − f ( x0‬‬
‫‪= a1 + ( x − x1 )a 2 + ... + ( x − x1 )...( x − xn−1 )a n‬‬
‫‪x − x0‬‬
‫) ‪p ( x ) − f ( x0‬‬ ‫) ‪f ( x1 ) − f ( x0‬‬
‫‪if x = x1 ⇒ n 1‬‬ ‫= ‪= a1‬‬ ‫] ‪= f [ x0 , x1‬‬ ‫)‪(4.18‬‬
‫‪x1 − x0‬‬ ‫‪x1 − x0‬‬

‫اﮔﺮ ﺑﻪ ﻫﻤﯿﻦ ﺗﺮﺗﯿﺐ ﻋﻤﻞ ﮐﻨﯿﻢ درﻣﯽ ﯾﺎﺑﯿﻢ ﮐﻪ ‪:‬‬

‫) ‪a 0 = f ( x0‬‬
‫) ‪f ( x1 ) − f ( x0‬‬
‫= ] ‪a1 = f [ x0 , x1‬‬
‫‪x1 − x0‬‬
‫] ‪f [ x1 , x2 ] − f [ x0 , x1‬‬ ‫‪f0‬‬ ‫‪f1‬‬ ‫‪f2‬‬
‫= ] ‪a 2 = f [ x0 , x1 , x2‬‬ ‫=‬ ‫‪+‬‬ ‫‪+‬‬
‫‪x2 − x0‬‬ ‫) ‪( x0 − x1 )( x0 − x2 ) ( x1 − x0 )( x1 − x2 ) ( x2 − x0 )( x2 − x1‬‬
‫‪.‬‬
‫‪.‬‬
‫‪.‬‬
‫‪n‬‬
‫) ‪f ( xi‬‬
‫∑ = ] ‪a n = f [ x0 , x1 , x2 ..., xn‬‬ ‫‪n‬‬
‫)‪(4.19‬‬
‫‪i =0‬‬
‫‪Π‬‬
‫‪j‬‬
‫) ‪( xi − x j‬‬
‫‪=0‬‬
‫‪j ≠i‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺎ اﺳﺘﻔﺎده از راﺑﻄﻪ )‪ (4.19‬در )‪ (4.16‬ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب ﺗﻔﺎﺿﻞ ﺗﻘﺴﯿﻢ ﺷﺪه ﻧﯿﻮﺗﻦ ﺑﺼﻮرت زﯾﺮ‬

‫ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫‪Pn ( x) = f ( x0 ) + ( x − x0 ) f [ x0 , x1 ] + ( x − x0 )( x − x1 ) f [ x0 , x1 , x2 ] + ...‬‬
‫] ‪+ ( x − x0 )( x − x1 )...( x − xn −1 ) f [ x0 , x1 , x2 ,..., xn‬‬ ‫)‪(4.20‬‬
‫‪n‬‬
‫) ‪Pn ( x) = f ( x0 ) + ∑ f [ x0 , x1 ,..., xi ]( x − x0 )( x − x1 )...( x − xi −1‬‬ ‫ﯾﺎ ‪:‬‬
‫‪i =1‬‬

‫در ﺟﺪول زﯾﺮ ﺗﻔﺎﺿﻼت ﺗﻘﺴﯿﻢ ﺷﺪه ﺑﺮاي ﻧﻘﺎط داده ﺷﺪه آورده ﺷﺪه اﺳﺖ ‪:‬‬

‫ﺗﻔﺎﺿﻞ ﺗﻘﺴﯿﻢ ﺷﺪه ﻣﺮﺗﺒﻪ اول )‪x f(x‬‬ ‫ت ‪.‬ت ‪.‬ﻣﺮﺗﺒﻪ دوم‬ ‫ت ‪ .‬ت ‪ .‬م ‪ .‬ﺳﻮم‬
‫‪x0‬‬ ‫‪f0‬‬ ‫‪f1 − f0‬‬ ‫] ‪f [ x1 , x2 ] − f [ x0 , x1‬‬
‫= ] ‪f [ x0 , x1‬‬ ‫= ] ‪f [ x0 , x1 , x2‬‬
‫‪x1‬‬ ‫‪f1‬‬ ‫‪x1 − x0‬‬ ‫‪x2 − x0‬‬
‫‪f −f‬‬
‫‪f [ x1 , x2 ] = 2 1‬‬ ‫] ‪f [ x0 , x1 , x2 , x3‬‬
‫‪x2‬‬ ‫‪f2‬‬ ‫‪x2 − x1‬‬
‫‪f −f‬‬

‫‪81‬‬
 ‫] ‪f [ x2 , x3 ] − f [ x1 , x2‬‬
‫= ] ‪f [ x1 , x2 , x3‬‬
‫‪x3 − x1‬‬
‫‪x3‬‬ ‫‪f3‬‬

‫ﻣﺜﺎل ‪ : 9-4‬ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب درﺟﻪ ‪ n ≤ 2‬را ﺑﯿﺎﺑﯿﺪ ﺑﻄﻮرﯾﮑﻪ ‪f (0) = 1 , f (1) = 3 , f (3) = 55 :‬‬

‫از روش ﺗﻔﺎﺿﻞ ﺗﻘﺴﯿﻢ ﺷﺪه ﻧﯿﻮﺗﻦ اﺳﺘﻔﺎده ﮐﻨﯿﺪ ‪.‬‬

‫ﺣﻞ ‪ :‬ﺟﺪول ﺗﻔﺎﺿﻞ ﺗﻘﺴﯿﻢ ﺷﺪه ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫ت ‪ .‬ت ‪ .‬م‪.‬دوم ت ‪ .‬ت ‪ .‬م‪.‬اول )‪x f(x‬‬

‫‪0‬‬ ‫‪1‬‬ ‫‪3 −1‬‬ ‫‪26 − 2‬‬
‫‪=2‬‬ ‫‪=8‬‬
‫‪1‬‬ ‫‪3‬‬ ‫‪1− 0‬‬ ‫‪3−0‬‬
‫‪3‬‬ ‫‪55‬‬ ‫‪55 − 3‬‬
‫‪= 26‬‬
‫‪3 −1‬‬

‫]‪p 2 ( x) = f [0] + ( x − 0) f [0,1] + ( x − 0)( x − 1) f [0,1,3‬‬

‫‪p 2 ( x) = 1 + 2 x + 8 x( x − 1) = 8 x 2 − 6 x + 1‬‬

‫اﮔﺮ ﻣﺜﺎل ﻓﻮق را ﺑﺎ روش ﻻﮔﺮاﻧﮋ ﺣﻞ ﮐﻨﯿﻢ ﻣﺴﻠﻤﺎً ﻫﻤﯿﻦ ﭼﻨﺪﺟﻤﻠﻪ درﺟﻪ دوم را ﺑﺎﯾﺴﺘﯽ ﺑﯿﺎﺑﯿﻢ زﯾﺮا ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎي‬

‫دروﻧﯿﺎب ﻋﻠﯿﺮﻏﻢ ﺗﻔﺎوت ﺷﮑﻞ آﻧﻬﺎ ﯾﮑﺴﺎن و ﻣﺘﺸﺎﺑﻪ ﻫﺴﺘﻨﺪ ‪.‬‬

‫ﺣﻞ ﺑﺎ ﻻﮔﺮاﻧﮋ ‪:‬‬

‫‪( x − 1)( x − 3) 1‬‬

‫= )‪l0 ( x‬‬ ‫)‪= ( x − 1)( x − 3‬‬
‫‪(0 − 1)(0 − 3) 3‬‬
‫)‪( x − 0)( x − 3‬‬ ‫‪1‬‬
‫= )‪l1 ( x‬‬ ‫)‪= − ( x)( x − 3‬‬
‫)‪(1 − 0)(1 − 3‬‬ ‫‪2‬‬
‫‪( x − 0)( x − 1) 1‬‬
‫= )‪l 2 ( x‬‬ ‫)‪= ( x)( x − 1‬‬
‫‪(7 − 0)(3 − 1) 6‬‬

‫ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب ﻻﮔﺮاﻧﮋ ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫)‪( x − 1)( x − 3‬‬ ‫)‪x( x − 3‬‬ ‫‪1‬‬

‫= )‪P2 ( x‬‬ ‫‪(1) −‬‬ ‫‪(3) + x( x − 1)(55) = 8 x 2 − 6 x + 1‬‬
‫‪3‬‬ ‫‪2‬‬ ‫‪6‬‬

‫‪82‬‬
 ‫ﻣﺜﺎل ‪ :10-4‬ﺑﺮاي داده ﻫﺎي ﺟﺪوﻟﯽ زﯾﺮ ﺑﺎ اﺳﺘﻔﺎده از روش ﺗﻔﺎﺿﻞ ﺗﻘﺴﯿﻢ ﺷﺪه ﻧﯿﻮﺗﻦ ﺗﻘﺮﯾﺒﯽ ﺑﺮاي )‪ f(1.5‬ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪x‬‬ ‫‪1‬‬ ‫‪1.3‬‬ ‫‪1.6‬‬ ‫‪1.9‬‬ ‫‪2.2‬‬

‫‪0.7651977 0.6200860 0.4554022 0.2818186 0.1103623‬‬

‫ﺣﻞ ‪ :‬اﺑﺘﺪا ﺟﺪول ﺗﻔﺎﺿﻠﯽ ﺗﻘﺴﯿﻢ ﺷﺪه را ﺗﺸﮑﯿﻞ ﻣﯽ دﻫﯿﻢ ‪:‬‬

‫‪xi‬‬ ‫)‪f(xi‬‬ ‫]‪f[xi-1,xi‬‬ ‫ت‪.‬ت‪.‬م دوم‬ ‫ت‪.‬ت‪.‬م‪.‬ﭼﻬﺎرم ت‪.‬ت‪.‬م‪.‬ﺳﻮم‬

‫‪x0‬‬ ‫‪1‬‬ ‫‪0.7651977‬‬ ‫‪-0.4837057 -0.1087339 0.0658784‬‬
‫‪x1‬‬ ‫‪1.3‬‬ ‫‪0.6200860‬‬
‫‪-0.5489460 -0.0494433‬‬
‫‪x2‬‬ ‫‪1.6‬‬ ‫‪0.4554023‬‬ ‫‪0.0018251‬‬
‫‪x3‬‬ ‫‪1.9‬‬ ‫‪0.2818186‬‬ ‫‪-0.5786120 0.0118183 0.0680685‬‬
‫‪x4‬‬ ‫‪2.2‬‬ ‫‪0.1103623‬‬ ‫‪-0.5715210‬‬

‫)‪p 4 ( x) = 0.7651977 − 0.4837057( x − 1) − 0.1087339( x − 1)( x − 1.3) + 0.0658784( x − 1)( x − 1.3)( x − 1.6‬‬
‫)‪+ 0.0018251( x − 1)( x − 1.3)( x − 1.6)( x − 1.9‬‬
‫‪f (1.5) ≈ p 4 (1.5) = 0.5118200‬‬

‫ﺗﻮﺿﯿﺢ اﯾﻨﮑﻪ ﺗﺎﺑﻌﯽ ﮐﻪ ﻣﻘﺎدﯾﺮ آن در ﺟﺪول ﻓﻮق داده ﺷﺪه اﺳﺖ ﺗﺎﺑﻊ ﺑﺴﻞ ﻧﻮع اول وﺑﺎ ﻣﺮﺗﺒﻪ ﺻﻔﺮ ﯾﻌﻨﯽ )‪J0(x‬‬

‫‪J 0 (1.5) = 0.5118277‬‬ ‫اﺳﺖ ﮐﻪ ﻣﻘﺪار واﻗﻌﯽ ان در ‪ 1.5‬ﺑﺮاﺑﺮاﺳﺖ ﺑﺎ ‪:‬‬

‫‪p 4 (1.5) − f (1.5) ≈ 7.7 × 10 −6‬‬ ‫ﻟﺬا ﺧﻄﺎي ﻣﻄﻠﻖ ﺗﻘﺮﯾﺐ ﻋﺒﺎرت اﺳﺖ از ‪:‬‬

‫در ﺑﺨـﺶ ﺑﻌﺪي ﻗﺒﻞ از ﭘﺮداﺧﺘﻦ ﺑﻪ روﺷﻬﺎي ﻣﺘﺴﺎوي اﻟﻔﺎﺻﻠﻪ ﻧﯿﻮﺗﻦ اﺑﺘﺪا ﺗﻔﺎﺿﻼت ﻣﺘﻨﺎﻫﯽ و ﻋﻤﻠﮕﺮﻫﺎي آﻧﺮا‬

‫ﺑﺮرﺳﯽ ﻣﯽ ﮐﻨﯿﻢ ‪.‬‬

‫‪ 7-4‬ﺗﻔﺎﺿﻠﻬﺎي ﻣﺘﻨﺎﻫﯽ ‪:‬‬

‫ﻣﻘﺎدﯾﺮ ﻣﺘﺴﺎوي اﻟﻔﺎﺻﻠﻪ ‪ x0,x1,…,xn‬ﺑﺎ ﮔﺎم ‪ h‬ﻣﻔﺮوض ﻫﺴﺘﻨﺪ وﻣﻘﺎدﯾﺮ )‪ f(x‬ﺑﻪ ازاي اﯾﻦ ﻧﻘﺎط ﻣﻌﻠﻮم ﻣﯽ‬

‫ﺑﺎﺷﻨﺪ‪.‬ﺣﺎل در زﯾﺮ ﺑﻪ ﺗﻌﺮﯾﻒ ﻧﻤﺎدﻫﺎ)ﻋﻤﻠﮕﺮﻫﺎي( زﯾﺮ ﻣﯽ ﭘﺮدازﯾﻢ ‪:‬‬

‫‪83‬‬
 ‫‪x j = x0 + jh‬‬ ‫‪j = 0(1) n‬‬

‫‪(1‬ﻋﻤﻠﮕﺮ ﺗﻔﺎﺿﻞ ﭘﯿﺸﺮو ‪The Forward Difference Operator‬‬

‫‪∆f ( x j ) = f ( x j + h) − f ( x j ) = f j +1 − f j , j = 0,1,..., n − 1‬‬

‫‪(2‬ﻋﻤﻠﮕﺮ ﺗﻔﺎﺿﻞ ﭘﺴﺮو ‪The Backward Difference Operator‬‬

‫‪∇f ( x j ) = f ( x j ) − f ( x j − h) = f j − f j −1 , j = n, n − 1,...,1‬‬

‫‪ (3‬ﻋﻤﻠﮕﺮ ﺗﻔﺎﺿﻞ ﻣﺮﮐﺰي ‪The Central Difference Operator‬‬

‫‪δ f ( x j ) = f ( x j + h / 2) − f ( x j − h / 2) = f‬‬ ‫‪1‬‬ ‫‪−f‬‬ ‫‪1‬‬

‫‪j+‬‬ ‫‪j−‬‬
‫‪2‬‬ ‫‪2‬‬

‫‪(4‬ﻋﻤﻠﮕﺮ ﻣﯿﺎن ﮔﯿﺮي ‪The Avraging Operator‬‬

‫‪1‬‬ ‫‪1‬‬
‫] ‪µf ( x j ) = [ f ( x j + h / 2) + f ( x j − h / 2)] = [ f 1 + f 1‬‬
‫‪2‬‬ ‫‪2 j+ 2‬‬ ‫‪j−‬‬
‫‪2‬‬

‫‪(5‬ﻋﻤﻠﮕﺮ اﻧﺘﻘﺎل ‪The Shift Operator‬‬

‫)‪Ef ( x j ) = f ( x j + h‬‬

‫)‪E −1 ( f ( x j )) = f ( x j − h‬‬ ‫‪(6‬ﻋﻤﻠﮕﺮ اﻧﺘﻘﺎل ﻣﻌﮑﻮس‬

‫ﺑﺎ ﺗﮑﺮار ﻋﻤﻠﮕﺮﻫﺎي ﻓﻮق ﺗﻔﺎﺿﻼت ﻣﺮاﺗﺐ ﺑﺎﻻﺗﺮ را ﺧﻮاﻫﯿﻢ داﺷﺖ اﻣﺎ اﺑﺘﺪا راﺑﻄﻪ ﺑﯿﻦ ﻋﻤﻠﮕﺮﻫﺎي ﻓﻮق را ﺗﻌﯿﯿﻦ ﻣﯽ‬

‫ﮐﻨﯿﻢ و ﺳﭙﺲ ﺗﻔﺎﺿﻼت ﻣﺮاﺗﺐ ﺑﺎﻻﺗﺮ را ﺑﻪ آﺳﺎﻧﯽ ﻣﯽ ﺗﻮان ﻧﺘﯿﺠﻪ ﮔﺮﻓﺖ ‪.‬‬

‫ﻣﺜﺎل ‪ : 11-4‬راﺑﻄﻪ ﺑﯿﻦ ﻋﻤﻠﮕﺮﻫﺎ در زﯾﺮ را ﺛﺎﺑﺖ ﮐﻨﯿﺪ ‪:‬‬

‫) ‪(a‬‬ ‫‪∆f j = ∇f j +1 = δ f‬‬ ‫‪1‬‬

‫‪j+‬‬
‫‪2‬‬

‫‪(b) ∆ ≡ E − 1‬‬
‫‪(c) ∇ ≡ 1 − E −1‬‬
‫‪(d ) δ ≡ E 1 / 2 − E −1 / 2‬‬
‫‪1‬‬
‫) ‪(e) µ ≡ ( E 1 / 2 + E −1 / 2‬‬
‫‪2‬‬

‫‪84‬‬
 ∆ f j = ∆f ( xi ) = f ( x j + h) − f ( x j ) = f j +1 − fi
∇ f j +1 = ∇f ( x j + h) = f ( x j + h) − f ( x j ) = f j +1 − f j
δ f 1 = δ f ( xi + h / 2) = f ( x j + h) − f ( x j ) = f j +1 − f j (a) ‫ﺣﻞ‬
j+
2

∆ fi ≡ ∇f j +1 ≡ δ f 1
j+
2

∆ f j ≡ ∇f j +1 ≡ δ f j +1 / 2 : ‫ﻟﺬا ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ‬

∆f ( x j ) = f ( x j + h) − f ( x j ) = Ef ( x j ) − f ( xi ) (b)
= ( E − 1) f ( x j )
∴ ∆ ≡ E −1
∇f ( x j ) = f ( x j ) − f ( x j − h) = f ( x j ) − E −1 f ( x j ) (c )
= (1 − E −1 ) f ( x j )
 ∇ ≡ (1 − E −1 )
δ f ( x j ) = f ( x j + h / 2) − f ( x j − h / 2) = E 1 / 2 f ( x j ) − E −1 / 2 f ( x j ) (d )
−1 / 2
= (E 1/ 2
−E ) f (xj )
−1 / 2
δ ≡ (E 1/ 2
−E )

. ‫ﺑﺎ اﺳﺘﻔﺎده از رواﺑﻂ ﻓﻮق ﻣﯽ ﺗﻮان ﺗﻔﺎﺿﻼت ﻣﺮاﺗﺐ ﺑﺎﻻﺗﺮ را ﯾﺎﻓﺖ‬. ‫( ﻣﯽ ﺗﻮان ﺛﺎﺑﺖ ﮐﺮد‬d) ‫( ﻧﯿﺰ ﻧﻈﯿﺮ راﺑﻄﻪ‬e) ‫راﺑﻄﻪ‬

: ‫ ام‬n ‫ﺗﻔﺎﺿﻞ ﭘﯿﺸﺮو ﻣﺮﺗﺒﻪ‬

1  n n!  n n
∆ ≡ E − 1 ⇒ ∆n = ( E − 1) n = E n (1 − ) n = E n  ∑ (−1) k E −k  = ∑ (−1) k   E n−k
E  k =0 k!(n − k )!  k =0 k
n
n!
∆n f ( x j ) = ∑ (−1) k E n −k f ( x j )
k =0 k!( n − k )!
n
n!
= ∑ (−1) k f
k =0 k!(n − k )! j + n−k

‫ ﻫﻤﺎن ﺿﺮاﺋﺐ‬، ‫ ﺑﯿﺎن ﻧﻤﻮد وﺿﺮاﺋﺐ‬f j , f j +1 ,..., f j + k ‫∆ را ﻣﯽ ﺗﻮان ﺑﺼﻮرت ﯾﮏ ﺗﺮﮐﯿﺐ ﺧﻄﯽ‬n f ( x j ) ‫ﯾﻌﻨﯽ‬

: ‫دوﺟﻤﻠﻪ اي ﺑﺎ ﻋﻼﻣﺘﻬﺎي ﻣﺘﻨﺎوب ﻣﯽ ﺑﺎﺷﺪ‬

85
 : ‫ ام‬n ‫ﺗﻔﺎﺿﻞ ﭘﺴﺮو ﻣﺮﺗﺒﻪ‬

n
n!
∇ n = (1 − E −1 ) n = ∑ (−1) k E −k
k =0 k!(n − k )!
n n
n! n!
∇ n f ( x j ) = ∑ (−1) k E −k f ( x j ) = ∑ (−1) k f j −k
k =0 k!(n − k )! k =0 k!(n − k )!

. ‫ ﺑﯿﺎن ﻧﻤﻮد‬f j , f j −1 ,..., f j −k ‫ ∇ را ﻣﯽ ﺗﻮان ﺑﺼﻮرت ﯾﮏ ﺗﺮﮐﯿﺐ ﺧﻄﯽ‬n f j ‫ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ‬

: ‫ ام‬n ‫ﺗﻔﺎﺿﻞ ﻣﺮﮐﺰ ﻣﺮﺗﺒﻪ‬

1
−
1 n n
n n 
δn = ( E 2 − E 2 ) n = E 2 (1 − E −1 ) n = E 2 ∑ (−1) k   E −k 
 k =0 k 
n
n n 
δ n f ( x j ) = E 2 ∑ (−1) k  E −k  f ( x j )
 k =0 k 
n
 n  n2 −k
= ∑ (−1)   E f ( x j )
k

k =0 k
n
n
= ∑ (−1) k   f n
k =0  k  j + 2 −k

. ‫ ﺑﯿﺎن ﻧﻤﻮد‬f n ,..., f j ,..., f n ‫ را ﻣﯽ ﺗﻮان ﺑﻌﻨﻮان ﯾﮏ ﺗﺮﮐﯿﺐ ﺧﻄﯽ از‬δ n f j ‫ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ‬
j+ j−
2 2

‫(ﺟﺪول ﺗﻔﺎﺿﻞ ﭘﯿﺸﺮو‬1

x f(x) ∆f ∆2 f ∆3 f ∆4 f

x0 f0
x1 f1 f1 − f0 = ∆f0

x2 f2 f2 − f1 = ∆f1 ∆f1 − ∆f0 = ∆2 f0

x3 f3 f 3 − f 2 = ∆f 2 ∆2 f1 ∆3 f0

x4 f4 f 4 − f 3 = ∆f 3 ∆2 f2 ∆3 f1 ∆4 f0

86
 ‫ﺟﺪول ﺗﻔﺎﺿﻞ ﭘﺴﺮو‬

‫‪x‬‬ ‫)‪f(x‬‬ ‫‪∇f‬‬ ‫‪∇2 f‬‬ ‫‪∇3 f‬‬ ‫‪∇4 f‬‬

‫‪x0‬‬ ‫‪f0‬‬
‫‪x1‬‬ ‫‪f1‬‬ ‫‪f1 − f0 = ∇f1‬‬

‫‪x2‬‬ ‫‪f2‬‬ ‫‪f2 − f1 = ∇f2‬‬ ‫‪∇f2 − ∇f1 = ∇ 2 f2‬‬

‫‪x3‬‬ ‫‪f3‬‬ ‫‪f3 − f 2 = ∇ f3‬‬ ‫‪∇ 2 f1‬‬ ‫‪∇ 3 f3‬‬

‫‪x4‬‬ ‫‪f4‬‬ ‫‪f4 − f3 = ∇f4‬‬ ‫‪∇2 f2‬‬ ‫‪∇ 3 f4‬‬ ‫‪∇ 4 f4‬‬

‫راﺑﻄﻪ ﺑﯿﻦ ﻋﻤﻠﮕﺮﻫﺎي ﺗﻔﺎﺿﻠﯽ را ﻣﯽ ﺗﻮان در ﺟﺪول زﯾﺮ ﺧﻼﺻﻪ ﮐﺮد ‪:‬‬

‫‪E‬‬ ‫∆‬ ‫∇‬ ‫‪δ‬‬

‫‪E‬‬ ‫‪E‬‬ ‫‪∆ +1‬‬ ‫‪(1 − ∇) −1‬‬ ‫)‪1 + δ 2 / 2 + δ (1 + δ 2 / 4‬‬
‫∆‬ ‫‪E-1‬‬ ‫∆‬ ‫‪(1 − ∇) −1 − 1‬‬ ‫)‪δ 2 / 2 + δ (1 + δ 2 / 4‬‬
‫∇‬ ‫‪1-E-1‬‬ ‫‪1 − (1 + ∆) −1‬‬ ‫∇‬ ‫)‪− δ 2 / 2 + δ (1 + δ 2 / 4‬‬
‫‪δ‬‬ ‫‪E1/2-E-1/2‬‬ ‫‪∆(1 + ∆) −1 / 2‬‬ ‫‪∇(1 − ∇) −1 / 2‬‬ ‫‪δ‬‬
‫‪µ‬‬ ‫‪1 1/ 2‬‬
‫) ‪( E + E −1 / 2‬‬ ‫‪(1 + ∆ )(1 + ∆)1 / 2‬‬ ‫‪(1 − ∆ )(1 − ∇) −1 / 2‬‬ ‫)‪(1 + δ 2 / 4‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪2‬‬
‫ﻫﻢ ﭼﻨﯿﻦ ﻣﯽ ﺗﻮان ﺗﻔﺎﺿﻼت ﺗﻘﺴﯿﻢ ﺷﺪه ﻧﯿﻮﺗﻦ راﺑﺮﺣﺴﺐ ﺗﻔﺎﺿﻼت ﭘﯿﺸﺮو وﭘﺴﺮو وﻣﺮﮐﺰي ﺑﻪ ﺷﺮح زﯾﺮ ﺑﯿﺎن ﻧﻤﻮد‬

‫وﺑﺎ اﺳﺘﻔﺎده ازاﯾﻦ رواﺑﻂ از ﻓﺮﻣﻮل ﺗﻔﺎﺿﻞ ﺗﻘﺴﯿﻢ ﺷﺪه ﻧﯿﻮﺗﻦ ﻓﺮﻣﻮﻟﻬﺎي ﺗﻔﺎﺿﻞ ﭘﯿﺸﺮو وﭘﺴﺮو را ﻧﺘﯿﺠﻪ ﮔﺮﻓﺖ ‪.‬اﻟﺒﺘﻪ ﺑﺎ‬

‫ﻓﺮض اﯾﻨﮑﻪ ﻧﻘﺎط ﻣﺘﺴﺎوي اﻟﻔﺎﺻﻠﻪ ﺑﺎﺷﻨﺪ ‪.‬‬

‫‪f ( x1 ) − f ( x0 ) f ( x1 ) − f ( x0 ) 1‬‬
‫= ] ‪f [ x0 , x1‬‬ ‫=‬ ‫) ‪= ∆f ( x0‬‬
‫‪x1 − x0‬‬ ‫‪h‬‬ ‫‪h‬‬
‫‪1‬‬ ‫‪1‬‬
‫) ‪∆f ( x) − ∆f ( x0‬‬
‫‪f [ x1 , x2 ] − f [ x0 , x1 ] h‬‬ ‫‪h‬‬ ‫‪1 2‬‬
‫= ] ‪f [ x0 , x1 , x2‬‬ ‫=‬ ‫=‬ ‫) ‪∆ f ( x0‬‬
‫‪x2 − x0‬‬ ‫‪2h‬‬ ‫‪2!h 2‬‬
‫‪.‬‬
‫‪.‬‬
‫‪.‬‬
‫‪1 n‬‬
‫= ] ‪f [ x0 , x1 , x2 ,..., xn‬‬ ‫) ‪∆ f ( x0‬‬ ‫)‪(4.21‬‬
‫‪n!h n‬‬

‫‪87‬‬
 ‫) ‪f ( x1 ) − f ( x0 ) ∇f ( x1‬‬
‫= ] ‪f [ x0 , x1‬‬ ‫=‬ ‫ﻫﻢ ﭼﻨﯿﻦ ﻣﯽ ﺗﻮان ﻧﻮﺷﺖ ‪:‬‬
‫‪x1 − x0‬‬ ‫‪h‬‬

‫‪1‬‬ ‫‪1‬‬
‫‪∇f ( x2 ) − ∇f1‬‬
‫‪f [ x1 , x2 ] − f [ x0 , x1 ] h‬‬ ‫‪h‬‬
‫= ] ‪f [ x0 , x1 , x2‬‬ ‫=‬
‫‪x2 − x0‬‬ ‫‪2h‬‬
‫‪1‬‬ ‫‪1‬‬
‫=‬ ‫‪2‬‬
‫= )) ‪(∇f ( x2 ) − ∇f ( x1‬‬ ‫‪2‬‬
‫) ‪∇ 2 f ( x2‬‬
‫‪2h‬‬ ‫‪2!h‬‬
‫‪.‬‬
‫‪.‬‬
‫‪.‬‬
‫] ‪f [ x1 , x2 ,..., xn ] − f [ x0 , x1 ,..., xn−1‬‬ ‫‪1‬‬
‫= ] ‪f [ x0 , x1 ,..., xn‬‬ ‫=‬ ‫) ‪∇ n f ( xn‬‬ ‫)‪(4.22‬‬
‫‪x2 − x0‬‬ ‫‪n!h n‬‬

‫ﻫﻢ ﭼﻨﯿﻦ ﻣﯽ ﺗﻮان رواﺑﻂ ﺑﯿﻦ ﺗﻔﺎﺿﻼت ﺗﻘﺴﯿﻢ ﺷﺪه ﺑﺎ ﺗﻔﺎﺿﻞ ﻣﺮﮐﺰي را ﺑﻪ ﺻﻮرت زﯾﺮ ﻧﻮﺷﺖ ‪:‬‬

‫‪f ( x1 ) − f ( x0 ) δ f ( x0 + h / 2) δ f1 / 2‬‬
‫= ] ‪f [ x0 , x1‬‬ ‫=‬ ‫=‬
‫‪x1 − x0‬‬ ‫‪h‬‬ ‫‪h‬‬

‫)‪f [ x1 , x2 ] − f [ x0 , x1 ] δ f ( x1 + h / 2) − δ f ( x0 + h / 2‬‬
‫= ] ‪f [ x0 , x1 , x2‬‬ ‫=‬
‫‪x2 − x0‬‬ ‫‪2h‬‬
‫‪δ 2 f ( x0 + h) δ 2 f1‬‬
‫=‬ ‫=‬
‫‪2!h 2‬‬ ‫‪2!h 2‬‬
‫‪.‬‬
‫‪.‬‬
‫‪.‬‬
‫‪1‬‬
‫= ] ‪f [ x0 , x1 ,..., x2 m‬‬ ‫‪2m‬‬
‫‪δ 2m fm‬‬
‫‪(2m)!h‬‬
‫‪1‬‬
‫= ] ‪f [ x0 , x1 ,..., x2 m+1‬‬ ‫‪δ 2 m+1 fm+1 / 2‬‬ ‫)‪(4.23‬‬
‫‪(2m + 1)!h 2 m+1‬‬

‫ﺣﺎل ﻣﯽ ﺗﻮان ﭼﻨﺪﺟﻤﻠﻪ اي ﻫﺎي دروﻧﯿﺎب ﮐﻪ ﺑﺎ اﺳﺘﻔﺎده ازﺗﻔﺎﺿﻼت ﻣﺘﻨﺎﻫﯽ ﺑﺪﺳﺖ ﻣﯽ آﯾﻨﺪ در ذﯾﻞ ﺑﯿﺎورﯾﻢ‪:‬‬

‫‪ 8-4‬ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎي دروﻧﯿﺎب ﻣﺒﺘﻨﯽ ﺑﺮ ﺗﻔﺎﺿﻼت ﻣﺘﻨﺎﻫﯽ‬

‫دروﻧﯿﺎﺑﯽ ﺗﻔﺎﺿﻞ ﭘﯿﺸﺮو ﻧﯿﻮﺗﻦ –ﮔﺮﯾﮕﻮري)‪: (Gregory-Newton‬‬

‫ﺑﺎ ﺟﺎﯾﮕﺰﯾﻨﯽ ﺗﻔﺎﺿﻼت ﭘﯿﺸﺮو راﺑﻄﻪ )‪ (4.21‬درﻓﺮﻣﻮل ﺗﻔﺎﺿﻞ ﺗﻘﺴﯿﻢ ﺷﺪه ﻧﯿﻮﺗﻦ)‪ (4.20‬دارﯾﻢ ‪:‬‬

‫‪88‬‬
 ‫‪x − x0‬‬ ‫‪( x − x0 )( x − x1 ) 2‬‬ ‫‪( x − x0 )( x − x1 )...( x − xn−1 ) n‬‬
‫‪p ( x) = f0 +‬‬ ‫‪∆f0 +‬‬ ‫‪∆ f0 + ... +‬‬ ‫‪∆ f0‬‬ ‫)‪(4.24‬‬
‫‪h‬‬ ‫‪2!h‬‬ ‫‪2‬‬
‫‪n!h n‬‬
‫‪x − x0‬‬
‫راﺑﻄﻪ‬ ‫راﺑﻄﻪ)‪ (4.24‬ﻓﺮﻣﻮل دروﻧﯿﺎب ﭘﯿﺸﺮو ﻧﯿﻮﺗﻦ‪-‬ﮔﺮﯾﮕﻮري ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد ‪.‬اﮔﺮ در)‪ (4.24‬ﻗﺮار دﻫﯿﻢ ‪= u‬‬
‫‪h‬‬

‫)‪u (u − 1‬‬ ‫‪u (u − 1)(u − 2)...(u − n + 1) n‬‬

‫‪P ( x0 + uh) = f0 + u∆f0 +‬‬ ‫‪∆2 f0 + ... +‬‬ ‫‪∆ f0‬‬ ‫زﯾﺮ را ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬
‫!‪2‬‬ ‫!‪n‬‬
‫‪n‬‬
‫‪u ‬‬
‫‪= ∑   ∆i f0‬‬ ‫)‪(4.25‬‬
‫‪i =0  i ‬‬

‫ﺧﻄﺎي اﯾﻦ روش ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫)‪u (u − 1)...(u − n) n+1 ( n+1‬‬

‫= )‪E n ( f , x‬‬ ‫‪h f‬‬ ‫) ‪(ζ‬‬ ‫)‪(4.26‬‬
‫!)‪(n + 1‬‬

‫اﻟﺘﺮﻧﺎﺗﯿﻮ دﯾﮕﺮ ﺑﺮاي اراﺋﻪ راﺑﻄﻪ )‪ (4.24‬ﺑﺸﺮح زﯾﺮ ﻣﯽ ﺑﺎﺷﺪ‪.‬‬

‫‪x − x0‬‬
‫‪f ( x) = f ( x0 +‬‬ ‫) ‪h) = f ( x0 + uh) = E u f ( x0‬‬
‫‪h‬‬
‫) ‪= (1 + ∆) f ( x0‬‬
‫‪u‬‬

‫‪u (u − 1) 2‬‬ ‫‪u (u − 1)(........(u − n + 1) n‬‬

‫‪= f0 + u∆f0 +‬‬ ‫‪∆ f0 + ... +‬‬ ‫‪∆ f0 + ...‬‬
‫!‪2‬‬ ‫!‪n‬‬
‫ﺑﺎ ﻧﺎدﯾﺪه ﮔﺮﻓﺘﻦ ﺗﻔﺎﺿﻞ ﭘﯿﺸﺮو ﻣﺮﺗﺒﻪ )‪ (n+1‬وﻣﺮاﺗﺐ ﺑﺎﻻﺗﺮ آن ﻫﻤﺎن ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب راﺑﻄﻪ )‪ (4.24‬را‬

‫ﺧﻮاﻫﯿﻢ داﺷﺖ ‪.‬‬

‫دروﻧﯿﺎﺑﯽ ﺗﻔﺎﺿﻞ ﭘﺴﺮو ﻧﯿﻮﺗﻦ‪-‬ﮔﺮﯾﮕﻮري‬

‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺟﺪول ﺗﻔﺎﺿﻠﯽ ﭘﺴﺮو ﺑﺪﯾﻬﯽ اﺳﺖ ﮐﻪ دروﻧﯿﺎب ﺗﻔﺎﺿﻞ ﺗﻘﺴﯿﻢ ﺷﺪه ﻧﯿﻮﺗﻦ ﺑﺎﯾﺴﺘﯽ ﺑﺮﺣﺴﺐ ﺟﻤﻼت‬

‫ﺗﻔﺎﺿﻠﯽ در اﻧﺘﻬﺎي ﺟﺪول ﯾﻌﻨﯽ درﻧﻘﻄﻪ ‪ xn‬ﺑﺎﺷﺪ ﺑﻨﺎﺑﺮاﯾﻦ ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب ﺗﻔﺎﺿﻞ ﺗﻘﺴﯿﻢ ﺷﺪه ﺑﺼﻮرت زﯾﺮ‬

‫ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫‪P ( x) = fn + ( x − xn ) f [ x0 , xn−1 ] + ( x − xn )( x − xn −1 ) f [ xn , xn−1 , xn −2 ] + ...‬‬

‫] ‪+ ( x − xn )( x − xn−1 )...( x − x1 ) f [ xn , xn−1 ,..., x0‬‬ ‫)‪(4.27‬‬

‫‪89‬‬
 ‫ﻟﺬا رواﺑﻂ)‪ (4.22‬را ﻣﯽ ﺗﻮان ﺑﺼﻮرت زﯾﺮ ﻧﯿﺰ ﺑﯿﺎن ﻧﻤﻮد ‪:‬‬

‫‪∇fn‬‬
‫= ] ‪f [ xn , xn−1‬‬
‫‪h‬‬
‫‪1‬‬
‫= ] ‪f [ xn , xn−1 , xn−2‬‬ ‫‪∇ 2 fn‬‬
‫‪2!h 2‬‬
‫‪1‬‬
‫= ] ‪f [ xn , xn−1 ,..., x0‬‬ ‫‪∇ n fn‬‬ ‫)‪(4.28‬‬
‫‪n!h n‬‬
‫ﺑﺎ ﺟﺎﯾﮕﺰﯾﻨﯽ )‪ (4.28‬در )‪ (4.27‬دارﯾﻢ ‪:‬‬

‫) ‪( x − xn‬‬ ‫‪( x − xn )( x − xn−1 ) 2‬‬ ‫‪( x − xn )( x − xn−1 )...( x − x1 ) n‬‬

‫‪Pn ( x) = fn +‬‬ ‫‪∇fn +‬‬ ‫‪∇ fn + ... +‬‬ ‫‪∇ fn‬‬ ‫)‪(4.29‬‬
‫‪h‬‬ ‫‪2!h‬‬ ‫‪2‬‬
‫‪n!h n‬‬
‫‪x − xn‬‬
‫دارﯾﻢ ‪:‬‬ ‫ﯾﺎ ﺑﺎ ﺗﻐﯿﯿﺮ ﻣﺘﻐﯿﺮ ‪= u‬‬
‫‪h‬‬

‫)‪u (u + 1‬‬ ‫‪u (u + 1)(u + 2)...(u + n − 1) n‬‬

‫‪p n ( xn + uh) = fn + u∇fn +‬‬ ‫‪∇ 2 fn + ... +‬‬ ‫‪∇ fn‬‬
‫‪2‬‬ ‫!‪n‬‬
‫‪n‬‬
‫‪−u‬‬
‫‪= ∑ (−1) i  ∇ i fn‬‬ ‫)‪(4.30‬‬
‫‪i =0‬‬ ‫‪i ‬‬

‫ﻫﻢ ﭼﻨﯿﻦ ﻣﯽ ﺗﻮان ﯾﮏ روش دﯾﮕﺮ ﺑﻌﻨﻮان آﻟﺘﺮﻧﺎﺗﯿﻮ ﺑﺮاي ﯾﺎﻓﺘﻦ ﭼﻨﺪ ﺟﻤﻠﻪ اي دروﻧﯿﺎب ﭘﺴﺮو ﻧﯿﻮﺗﻦ)‪ (4.30‬اراﺋﻪ داد‬

‫‪ .‬ﻟﺬا دارﯾﻢ ‪:‬‬

‫‪x − xn‬‬
‫‪f ( x) = f ( xn +‬‬ ‫‪h) = f ( xn + uh) = E u f n‬‬
‫‪h‬‬
‫‪u (u + 1) 2‬‬ ‫‪u (u + 1)...(u + n − 1) n‬‬
‫‪= (1 − ∇) −u f n = fn + u∇f n +‬‬ ‫‪∇ fn + ... +‬‬ ‫‪∇ f n + ...‬‬
‫!‪2‬‬ ‫!‪n‬‬
‫‪x − xn‬‬
‫ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬ ‫ﺑﻄﻮرﯾﮑﻪ ‪= u‬‬
‫‪h‬‬

‫ﺣﺎل اﮔﺮ در راﺑﻄﻪ ﻓﻮق از ﺗﻔﺎﺿﻼت ‪ ∇ n+1 f n‬وﻣﺮاﺗﺐ ﺑﺎﻻﺗﺮ آن ﺻﺮف ﻧﻈﺮ ﮐﻨﯿﻢ ‪.‬ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب ﭘﺴﺮو ﻧﯿﻮﺗﻦ‬

‫را ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫)‪u (u + 1‬‬ ‫‪u (u + 1)...(u + n − 1) n‬‬

‫‪P ( xn + uh) = fn + u∇fn +‬‬ ‫‪∇ 2 fn + ... +‬‬ ‫‪∇ fn‬‬
‫!‪2‬‬ ‫!‪n‬‬
‫‪n‬‬
‫‪−u‬‬
‫‪= ∑ (−1) i  ∇ i fn‬‬
‫‪i =0‬‬ ‫‪i ‬‬

‫‪90‬‬
 ‫راﺑﻄﻪ )‪ (4.30‬راﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب ﭘﺴﺮو ﻧﯿﻮﺗﻦ‪-‬ﮔﺮﯾﮕﻮري ﻧﺎﻣﯿﺪه ﻣﯿﺸﻮد و ﺧﻄﺎي آن ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫)‪u (u + 1)...(u + n) n+1 ( n+1‬‬

‫= )‪E n ( f , x‬‬ ‫‪h f‬‬ ‫) ‪(ζ‬‬ ‫)‪(4.31‬‬
‫!)‪(n + 1‬‬

‫ﺧﻄﺎي ﻗﻄﻊ ﮐﺮدن ﻓﺮﻣﻮﻟﻬﺎي دروﻧﯿﺎب ﭘﺴﺮو وﭘﯿﺸﺮو ﻧﯿﻮﺗﻦ ﮐﻪ در رواﺑﻂ)‪ (4.26‬و)‪ (4.31‬آﻣﺪه اﺳﺖ ﺑﺮاﺳﺎس ﻗﻀﯿﻪ‬

‫زﯾﺮ اﺳﺘﻮار ﻫﺴﺘﻨﺪ ‪:‬‬

‫ﻗﻀﯿﻪ ‪ : 2-4‬ﻓﺮض ﮐﻨﯿﺪ ﮐﻪ ]‪ f ∈ C n [a , b‬ﺑﺎﺷﺪ و ‪ x0,x1,…,xn‬ﻧﻘﺎط ﻣﺘﻤﺎﯾﺰي در ]‪ [a,b‬ﺑﺎﺷﻨﺪ ‪.‬دراﯾﻦ ﺻﻮرت‬

‫) ‪f ( n ) (ζ‬‬
‫= ] ‪f [ x0 , x1 ,..., xn‬‬ ‫ﻋﺪدي ﻣﺜﻞ ‪ ζ‬در )‪ (a,b‬وﺟﻮد دارد ﺑﻄﻮرﯾﮑﻪ ‪:‬‬
‫!‪n‬‬

‫)‪g ( x) = f ( x) − p n ( x‬‬ ‫)‪(4.32‬‬ ‫اﺛﺒﺎت ‪ :‬ﺗﺎﺑﻊ زﯾﺮ رادرﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪:‬‬

‫ﭼﻮن ﺑﻪ ازاي ﻫﺮ ‪ i=0(1)n‬و )‪ f(xi)=Pn(xi‬اﺳﺖ ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ﺗﺎﯾﻊ ‪ g‬داراي )‪ (n+1‬ﺻﻔﺮ ﻣﺘﻤﺎﯾﺰ در‬

‫]‪ [a,b‬ﻣﯽ ﺑﺎﺷﺪ ‪.‬ﻗﻀﯿﻪ ﺗﻌﻤﯿﻢ ﯾﺎﻓﺘﻪ رول اﯾﺠﺎب ﻣﯽ ﮐﻨﺪ ﮐﻪ ﻋﺪدي ﭼﻮن ‪ ζ‬در )‪ (a,b‬وﺟﻮد دارد ﺑﻄﻮرﯾﮑﻪ‬

‫‪ g n (ζ ) = 0‬ﺑﻨﺎﺑﺮاﯾﻦ ﻣﺸﺘﻖ ﻣﺮﺗﺒﻪ ‪ n‬ام )‪ g(x‬در ‪ ζ‬را ﻣﯽ ﯾﺎﺑﯿﻢ ‪:‬‬

‫‪g ( n ) ( x) = f ( n ) ( x) − p((xn)) ( x) | x=ζ‬‬

‫) ‪0 = f ( n ) (ζ ) − p n( n ) (ζ‬‬ ‫)‪(4.33‬‬

‫ﭼﻮن )‪ pn(x‬ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي درﺟﻪ ‪ n‬ام اﺳﺖ و ﺿﺮﯾﺐ ‪ xn‬آن ] ‪ f [ x0 , x1 ,...xn‬ﻣﯽ ﺑﺎﺷﺪ ﻟﺬا دارﯾﻢ ‪:‬‬

‫!‪Pn( n ) = f [ x0 , x1 ,..., xn ].n‬‬ ‫)‪(4.34‬‬

‫ﺑﺎ ﺟﺎﯾﮕﺰﯾﻨﯽ )‪ (4.34‬در)‪ (4.33‬دارﯾﻢ ‪:‬‬

‫!‪f ( n ) (ζ ) = f [ x0 , x1 ,..., xn ]n‬‬

‫) ‪f ( n ) (ζ‬‬
‫= ] ‪f [ x0 , x1 ,..., xn‬‬ ‫ﻟﺬا ‪:‬‬
‫!‪n‬‬

‫ﻣﺜﺎل ‪ :12-4‬ﺑﺮاي داده ﻫﺎي ﺟﺪوﻟﯽ زﯾﺮ ﺗﻔﺎﺿﻼت ﻣﺘﻨﺎﻫﯽ را ﺑﯿﺎﺑﯿﺪ ‪.‬ﭼﻨﺪ ﺟﻤﻠﻪ اي دروﻧﯿﺎب ﭘﯿﺸﺮو و ﭘﺴﺮو ﻧﯿﻮﺗﻦ را‬

‫ﺑﯿﺎﺑﯿﺪ ‪ .‬در ‪ x=0.25‬و ‪ f(x) ، x=0.35‬را دروﻧﯿﺎﺑﯽ ﮐﻨﯿﺪ ‪.‬‬

‫‪91‬‬
 ‫‪x‬‬ ‫‪0.1‬‬ ‫‪0.2‬‬ ‫‪0.3‬‬ ‫‪0.4‬‬ ‫‪0.5‬‬
‫‪f(x) 1.40‬‬ ‫‪1.56‬‬ ‫‪1.76‬‬ ‫‪2.00‬‬ ‫‪2.28‬‬
‫ﺣﻞ ‪:‬ﺟﺪول ﺗﻔﺎﺿﻠﯽ را ﺗﺸﮑﯿﻞ ﻣﯿﺪﻫﯿﻢ ‪:‬‬

‫‪xi‬‬ ‫)‪f(x‬‬ ‫ت ‪.‬م‪ .‬اول‬ ‫ت ‪.‬م ‪ .‬دوم‬ ‫ت‪ .‬م ‪ .‬ﺳﻮم‬ ‫ت ‪ .‬م ‪ .‬ﭼﻬﺎرم‬
‫‪0.1‬‬ ‫‪1.40‬‬ ‫‪0.16‬‬ ‫‪0.04‬‬
‫‪0.2‬‬ ‫‪1.56‬‬ ‫‪0‬‬
‫‪0.20‬‬
‫‪0.3‬‬ ‫‪1.76‬‬ ‫‪0.04‬‬ ‫‪0‬‬
‫‪0.4‬‬ ‫‪2.00‬‬ ‫‪0.24‬‬
‫‪0‬‬
‫‪0.5‬‬ ‫‪2.28‬‬ ‫‪0.04‬‬
‫‪0.28‬‬
‫ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب ﭘﯿﺸﺮو ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪0.16 ( x − 0.1)( x − 0.2) 0.04‬‬

‫)‪P ( x) = 1.4 + ( x − 0.1‬‬ ‫‪+‬‬ ‫‪.‬‬ ‫‪= 2 x2 + x + 1.28‬‬
‫‪0. 1‬‬ ‫‪2‬‬ ‫‪0.01‬‬

‫ﭼﻨﺪ ﺟﻤﻠﻪ اي دروﻧﯿﺎب ﭘﺴﺮو ﻧﯿﻮﺗﻦ ﻧﯿﺰ ﺑﺼﻮرت زﯾﺮ دارﯾﻢ ‪:‬‬

‫‪0.28 ( x − 0.5)( x − 0.4) 0.04‬‬

‫)‪P ( x) = 2.28 + ( x − 0.5‬‬ ‫‪+‬‬ ‫‪.‬‬ ‫‪= 2 x 2 + x + 1.28‬‬
‫‪0.1‬‬ ‫‪2‬‬ ‫‪0.01‬‬

‫ﻫﺮدوﭼﻨﺪ ﺟﻤﻠﻪ اي ﯾﮑﺴﺎن و ﻣﺸﺎﺑﻪ ﻫﺴﺘﻨﺪ ‪.‬ﺑﻨﺎﯾﺮاﯾﻦ ﭼﻨﺎﻧﭽﻪ ﺑﺨﻮاﻫﯿﻢ )‪ f(0.25‬را ﺑﯿﺎﺑﯿﻢ دارﯾﻢ ‪:‬‬

‫‪f (0.25) = p (0.25) = 1.655‬‬

‫‪f (0.35) = p (0.35) = 1.875‬‬

‫ﻣﺜﺎل ‪ :13 -4‬ﭼﻨﺎﻧﭽﻪ داﺷﺘﻪ ﺑﺎﺷﯿﻢ ‪ x j = x0 + jh , j = 0(1)2‬ﺑﺮاي ﻓﺮﻣﻮل دروﻧﯿﺎب درﺟﻪ دوم ﯾﮏ ﮐﺮان ﺑﺎﻻي‬

‫ﺧﻄﺎي آﻧﺮا ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫) ‪( x − x0 )( x − x1 )( x − x2‬‬
‫= )‪E 2 ( f , x‬‬ ‫‪f ′′′(ζ ) , x0 < ζ < x2‬‬
‫‪6‬‬ ‫ﺣﻞ ‪:‬‬
‫‪1‬‬
‫)‪E 2 ( f , x) ≤ max ( x − x0 )( x − x1 )( x − x2 ) max f ′′′( x‬‬
‫‪6‬‬

‫)‪M 3 = max f ′′′( x‬‬

‫واﮔﺮ ‪:‬‬ ‫ﻟﺬا اﮔﺮ ﻓﺮض ﮐﻨﯿﻢ ‪:‬‬
‫‪x0 ≤ x ≤ x2‬‬

‫‪d‬‬
‫⇒ ) ‪max ( x − x0 )( x − x1 )( x − x2‬‬ ‫‪{( x − x0 )( x − x1 )( x − x2 )} = 0‬‬
‫‪dx‬‬

‫‪92‬‬
 x − x0
: ‫دارﯾﻢ‬ = t ‫ﺑﺎ اﻧﺘﺨﺎب‬
h

x − x1 x − x0 − h
= = (t − 1)
h h
x − x2 x − x0 − 2h
= = (t − 2)
h h
h 3 max t (t − 1)(t − 2) = max ( x − x0 )( x − x1 )( x − x2 ) : ‫ﻟﺬا دارﯾﻢ‬

d
∴ {t (t − 1)(t − 2)} = 0 ⇒ (t − 1)(t − 2) + t (t − 2) + t (t − 1) = 0
dt
2 1
t 2 − 2t + = 0 ⇒ t = 1±
3 3
2
max {t (t − 1)(t − 2)}t =1− 1 =
3 3 3
1 2 3 1
E 2 ( f , x) ≤ . h max f ′′′( x) = h 3 max f ′′′( x)
6 3 3 27 3 : ‫ﺑﻨﺎﺑﺮاﯾﻦ دارﯾﻢ‬
x0 ≤ x ≤ x2

‫ﺑﺎ‬. ‫ داده ﺷﺪه اﺳﺖ‬f (0.2) = 0.19867, f (1) = 0.09983 . ‫ ﻣﻔﺮوض اﺳﺖ‬f ( x) = sin x ‫ ﻣﻌﺎدﻟﻪ‬:14-4 ‫ﻣﺜﺎل‬

. ‫ را ﺑﯿﺎﺑﯿﺪ‬f(0.16) ‫ را ﻣﺤﺎﺳﺒﻪ و ﺧﻄﺎ در‬f(0.16) ‫اﺳﺘﻔﺎده از دروﻧﯿﺎﺑﯽ ﺧﻄﯽ‬

x x(x) x − x1 x − x0
P ( x) = f ( x0 ) + f ( x1 )
x0 − x1 x1 − x0
0.1 0.09983
0.16 − 0.2 0.16 − 0.1
P ( x) = + × 0.19867 = 0.159134
0.2 0.19867 0.1 − 0.2 0.2 − 0.1

( x1 − x0 ) 2
E ( f , x) = max f ′′(t ) ; x0 ≤ t ≤ x1
2
(0.2 − 0.1) 2
E ( f , x) = × 0.19867 = 0.00099335
2

93
 ‫‪ 9-4‬دروﻧﯿﺎﺑﯽ ﻫﺮﻣﯿﺖ )‪(Hermite Interpolation‬‬

‫ﭼﻨﺪ ﺟﻤﻠﻪ اي دروﻧﯿﺎب ﻧﻪ ﺗﻨﻬﺎ ﺗﺎﺑﻊ )‪ f(x‬را دروﻧﯿﺎﺑﯽ ﻣﯽ ﮐﻨﺪ ﺑﻠﮑﻪ ﻣﺮاﺗﺐ ﻣﻌﯿﻨﯽ از ﻣﺸﺘﻘﺎت ﺗﺎﺑﻊ را در ﻣﺠﻤﻮﻋﻪ‬

‫ﻧﻘﺎط ﺟﺪوﻟﯽ دروﻧﯿﺎﺑﯽ ﻣﯽ ﻧﻤﺎﯾﺪ ‪ .‬در اﯾﻨﺠﺎ ﻣﺎ ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب ﻫﺮﻣﯿﺖ را ﮐﻪ درﺷﺮاﯾﻂ زﯾﺮ ﺻﺪق ﻧﻤﺎﯾﺪ‬

‫ﺑﺮرﺳﯽ ﻣﯽ ﮐﻨﯿﻢ ‪:‬‬

‫) ‪p ( xi ) = f ( xi‬‬
‫) ‪p ′( xi ) = f ′( xi‬‬ ‫‪i = 0(1)n‬‬ ‫)‪(4.35‬‬

‫‪94‬‬
‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ راﺑﻄﻪ )‪ (4.35‬ﭼﻨﺪﺟﻤﻠﻪ اي )‪ p(x‬ﺑﺎﯾﺴﯽ در ‪ 2n+2‬ﺷﺮط ﺻﺪق ﻧﻤﺎﯾﺪ ﻟﺬا)‪ p(x‬ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي ﺣﺪاﮐﺜﺮ‬

‫درﺟﻪ )‪ (2n+1‬ﻣﯽ ﺑﺎﺷﺪ ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ ﭼﻨﺪﺟﻤﻠﻪ اي ﻣﻮرد ﻧﻈﺮ ﺑﺎﯾﺴﺘﯽ ﺑﻔﺮم زﯾﺮ ﺑﺎﺷﺪ ‪:‬‬

‫‪n‬‬ ‫‪n‬‬
‫) ‪P ( x) = ∑ Ai ( x) f ( xi ) + ∑ Bi ( x) f ′( xi‬‬ ‫)‪(4.36‬‬
‫‪i =0‬‬ ‫‪i =0‬‬

‫ﺑﻄﻮرﯾﮑﻪ )‪ Bi ( x), Ai ( x‬ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎي درﺟﻪ ‪ 2n+1‬ﻫﺴﺘﻨﺪ و در ﺷﺮاﯾﻂ زﯾﺮ ﺑﺎﯾﺴﺘﯽ ﺻﺪق ﻧﻤﺎﯾﻨﺪ ‪:‬‬

‫‪0 ,‬‬ ‫‪i≠ j‬‬

‫= ) ‪( I ) Ai ( x j‬‬
‫‪1 ,‬‬ ‫‪i= j‬‬
‫‪( II ) Ai′( x j ) = 0‬‬ ‫‪for all i & j‬‬
‫‪( III ) Bi ( x j ) = 0‬‬ ‫‪for all i & j‬‬
‫‪0 ,‬‬ ‫‪i≠ j‬‬
‫= ) ‪( IV ) Bi′( x j‬‬ ‫)‪(4.37‬‬
‫‪1 ,‬‬ ‫‪i= j‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از ﺟﻤﻼت اﺳﺎﺳﯽ ﻻﮔﺮاﻧﮋ )‪ li ( x‬ﻣﯽ ﺗﻮان ﻧﻮﺷﺖ ‪:‬‬

‫)‪Ai ( x) = γ i ( x)l 2 i ( x‬‬

‫)‪Bi ( x) = δ i ( x)l 2 i ( x‬‬ ‫)‪(4.38‬‬

‫از آﻧﺠﺎ ﮐﻪ )‪ l 2 i ( x‬ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي درﺟﻪ ‪ 2n‬اﺳﺖ ‪ δ i ( x), γ i ( x) .‬ﺑﺎﯾﺴﺘﯽ ﭼﻨﺪﺟﻤﻠﻪ اي ﺧﻄﯽ ﺑﺎﺷﻨﺪ ﻟﺬا ﻓﺮض‬

‫‪γ i ( x) = a i x + bi‬‬
‫ﻣﯽ ﮐﻨﯿﻢ ‪:‬‬
‫‪δ i ( x) = ci x + d i‬‬ ‫)‪(4.39‬‬

‫اﮔﺮ از ﺷﺮاﯾﻂ )‪ (4.37‬اﺳﺘﻔﺎده ﮐﻨﯿﻢ ﻣﯽ ﯾﺎﺑﯿﻢ ﮐﻪ ‪:‬‬

‫) ‪a i = −2li′( xi‬‬
‫) ‪bi = 1 + 2 xi li′( xi‬‬
‫‪ci = 1‬‬
‫‪d i = − xi‬‬ ‫)‪(4.40‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از راﺑﻄﻪ ﻫﺎي )‪ (4.40‬در رواﺑﻂ )‪ (4.39‬وﺑﺎ اﺳﺘﻔﺎده از )‪ (4.38‬راﺑﻄﻪ )‪ (4.36‬را ﺑﻪ ﺻﻮرت زﯾﺮ ﺧﻮاﻫﯿﻢ‬

‫‪n‬‬ ‫‪n‬‬
‫) ‪P ( x) = ∑ [1 − 2( x − xi )li′( xi )]l 2 i ( x) f ( xi ) + ∑ ( x − xi )l 2 i ( x) f ′( xi‬‬ ‫)‪(4.41‬‬ ‫داﺷﺖ ‪:‬‬
‫‪i =0‬‬ ‫‪i =0‬‬

‫‪95‬‬
 ‫اﯾﻦ راﺑﻄﻪ را ﭼﻨﺪ ﺟﻤﻠﻪ اي دروﻧﯿﺎب ﻫﺮﻣﯿﺖ ﻣﯽ ﻧﺎﻣﻨﺪ ‪ .‬ﺧﻄﺎي اﯾﻦ روش را ﻣﯽ ﺗﻮان ﺑﺼﻮرت زﯾﺮ ﺛﺎﺑﺖ ﮐﺮد ‪:‬‬

‫)‪w2 ( x‬‬
‫= )‪E 2 n+1 ( f , x‬‬ ‫‪f ( 2 n+1) (ζ ) , x0 < ζ < xn‬‬ ‫)‪(4.42‬‬
‫!)‪(2n + 2‬‬
‫‪n‬‬
‫) ‪w( x) = Π ( x − x j‬‬ ‫ﺑﻄﻮرﯾﮑﻪ ‪:‬‬
‫‪j =0‬‬

‫ﻣﺜﺎل ‪ : 15-4‬ﺑﺮاي )‪ f ′( x), f ( x‬داده ﻫﺎي زﯾﺮ را دارﯾﻢ ﻣﻘﺎدﯾﺮ )‪ f (0.5), f (−0.5‬را ﺑﺎ اﺳﺘﻔﺎده از ﭼﻨﺪ ﺟﻤﻠﻪ اي‬

‫ﻫﺮﻣﯿﺖ ﺗﺨﻤﯿﻦ ﺑﺰﻧﯿﺪ ‪.‬‬

‫)‪x f(x‬‬ ‫)‪f ′( x‬‬

‫‪-1 1‬‬ ‫‪-5‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪3‬‬ ‫‪7‬‬
‫‪2‬‬ ‫‪2‬‬
‫) ‪p ( x) = ∑ Ai ( x) f ( xi ) + ∑ Bi ( x) f ′( xi‬‬ ‫ﺣﻞ ‪:‬‬
‫‪i =0‬‬ ‫‪i =0‬‬

‫)‪A0 ( x) = [1 − 2( x − x0 )l0′ ( x0 )]l 2 0 ( x‬‬

‫)‪A1 ( x) = [1 − 2( x − x1 )l1′( x1 )]l 21 ( x‬‬
‫)‪A2 ( x) = [1 − 2( x − x2 )l2′ ( x2 )]l 2 2 ( x‬‬
‫)‪B0 ( x) = ( x − x0 )l 2 0 ( x‬‬
‫)‪B1 ( x) = ( x − x1 )l 21 ( x‬‬
‫)‪B2 ( x) = ( x − x2 )l 2 2 ( x‬‬
‫)‪( x − 0)( x − 1‬‬ ‫)‪x( x − 1‬‬ ‫‪3‬‬
‫= )‪l0 ( x‬‬ ‫=‬ ‫‪, l 0′ (−1) = −‬‬
‫)‪(−1 − 0)(−1 − 1‬‬ ‫‪2‬‬ ‫‪2‬‬
‫)‪( x + 1)( x − 1‬‬
‫= )‪l1 ( x‬‬ ‫‪= −( x 2 − 1) , l1′(0) = 0‬‬
‫)‪(0 + 1)(0 − 1‬‬

‫‪96‬‬
 ‫)‪( x + 1)( x − 0) x( x + 1‬‬ ‫‪3‬‬
‫= )‪l 2 ( x‬‬ ‫=‬ ‫= )‪, l 2′ (1‬‬
‫)‪(1 + 1)(1 − 0‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪x2 ( x − 1) 2‬‬
‫‪1‬‬
‫])‪A0 ( x) = [1 + 3( x + 1‬‬ ‫) ‪= (3 x5 − 2 x 4 − 5 x3 + 4 x 2‬‬
‫‪4‬‬ ‫‪4‬‬
‫‪A1 ( x) = [1 − 2( x − 0)(0)]( x − 1) = x 4 − 2 x2 + 1‬‬
‫‪2‬‬ ‫‪2‬‬

‫‪x 2 ( x + 1) 2‬‬ ‫‪1‬‬

‫])‪A2 ( x) = [1 − 3( x − 1‬‬ ‫=‬ ‫) ‪(−3 x5 − 2 x 4 + 5 x3 + 4 x 2‬‬
‫‪4‬‬ ‫‪4‬‬
‫)‪( x + 1) x ( x − 1‬‬
‫‪2‬‬
‫‪1‬‬‫‪2‬‬
‫= )‪B0 ( x‬‬ ‫) ‪= ( x5 − x 4 − x3 + x 2‬‬
‫‪4‬‬ ‫‪4‬‬
‫‪B1 ( x) = x( x − 1) = x − 2 x3 + x‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪5‬‬

‫‪( x − 1)( x 2 )( x + 1) 2 1 5‬‬

‫= )‪B2 ( x‬‬ ‫) ‪= ( x + x 4 − x3 − x 2‬‬
‫‪4‬‬ ‫‪4‬‬
‫‪P ( x) = 2 x 4 − x 2 + x + 1‬‬ ‫ﺑﻨﺎﺑﺮاﯾﻦ دارﯾﻢ ‪:‬‬

‫ﺑﺎ ﺟﺎﯾﮕﺰﯾﻨﯽ ‪ x = 0.5 , x = −0.5‬دارﯾﻢ ‪:‬‬

‫‪f (0.5) ≅ p (0.5) = 3 / 8‬‬

‫‪f (0.5) ≅ p (0.5) = 11 / 8‬‬

‫در اﺻﻞ دارﯾﻢ ‪:‬‬

‫‪1‬‬
‫)‪p ( x) = (3 x5 − 2 x4 − 5 x3 + 4 x2 )(1) + ( x4 − 2 x 2 + 1)(1‬‬
‫‪4‬‬
‫‪1‬‬
‫)‪+ (−3 x5 − 2 x 4 + 5 x3 + 4 x2 )(3‬‬
‫‪4‬‬
‫‪1 5‬‬
‫)‪+ ( x − x 4 − x3 + x 2 )(−5) + ( x5 − 2 x3 + x)(1‬‬
‫‪4‬‬
‫‪1‬‬
‫)‪+ ( x5 + x4 − x3 − x 2 )(7‬‬
‫‪4‬‬
‫‪= 2 x4 − x2 + x + 1‬‬

‫‪ 10-4‬دروﻧﯿﺎﺑﯽ اﺳﭙﻼﯾﻦ ﻣﮑﻌﺒﯽ‬

‫ﺑﺮاي رﺳﯿﺪن ﺑﻪ ﻧﺘﺎﯾﺞ دﻗﯿﻖ ﺗﺮ در ﻣﺴﺎﺋﻞ دروﻧﯿﺎﺑﯽ ﻣﺎ ﻣﻤﮑﻦ اﺳﺖ از ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎي درﺟﻪ ﺑﺎﻻﺗﺮ اﺳﺘﻔﺎده ﮐﻨﯿﻢ‬

‫‪.‬اﺳﺘﻔﺎده از ﭼﻨﺪﺟﻤﻠﻪ اي ﻫﺎ درﺟﻪ ﺑﺎﻻ ﻧﻪ ﺗﻨﻬﺎ ﺗﻌﺪاد ﻋﻤﻠﯿﺎت ﻣﺤﺎﺳﺒﺎﺗﯽ اﻓﺰاﯾﺶ ﻣﯽ ﯾﺎﺑﺪ ﺑﻠﮑﻪ ﻧﺘﺎﯾﺞ ﺣﺎﺻﻠﻪ ﺑﻌﻠﺖ‬

‫ﺧﻄﺎﻫﺎي راوﻧﺪ ﮐﺮدن ﻣﻄﻤﺌﻦ ﻧﺒﺎﺷﺪ ‪.‬ﺑﺮاي ﻧﮕﻪ داﺷﺘﻦ درﺟﻪ ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎي دروﻧﯿﺎب درﺣﺪ ﭘﺎﺋﯿﻦ و ﺑﺮاي رﺳﯿﺪن ﺑﻪ‬

‫‪97‬‬
‫دﻗﺖ ﻣﻮرد ﻧﻈﺮ درﻣﺴﺎﺋﻞ ﺗﻘﺮﯾﺐ از دروﻧﯿﺎﺑﯽ ﻗﻄﻌﻪ ﻗﻄﻌﻪ اي )‪ (Piecewise‬اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد ‪.‬ﺑﺎ اﻓﺮاز ﺑﺎز داده ﺷﺪه‬

‫]‪ [a,b‬ﺑﻪ زﯾـــﺮ ﺑﺎزه ﻫﺎي ]‪ [xi-1,xi‬ﺑﺮاي ‪ i=1(1)n‬وﺗﻘﺮﯾﺐ ﺗﺎﺑﻊ ﺑﻮﺳﯿﻠﻪ ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎي درﺟﻪ ﭘﺎﺋﯿﻦ درﻫﺮزﯾﺮ ﺑﺎزه‬

‫ﻣﯽ ﺗﻮان دﻗﺖ را اﻓﺰاﯾﺶ داد واز ﺳﺮﺷﺖ ﻧﻮﺳﺎﻧﯽ ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎي درﺟﻪ ﺑﺎﻻ ﺟﻠﻮﮔﯿﺮي ﻧﻤﻮد ‪ .‬ﺳﺎده ﺗﺮﯾﻦ ﻧﻮع اﯾﻦ‬

‫دروﻧﯿﺎﺑﯽ ‪ ،‬دروﻧﯿﺎﺑﯽ ﻗﻄﻌﻪ ﻗﻄﻌﻪ ﺧﻄﯽ اﺳﺖ ﮐﻪ از اﺗﺼﺎل ﻣﺠﻤﻮﻋﻪ اي از ﻧﻘﺎط داده ﺷﺪه ﻣﺎﻧﻨﺪ‬

‫}) ‪{( x0 , f0 ), ( x1 , f1 ),..., ( xn , fn‬‬

‫ﺑﺎرﺷﺘﻪ اي از ﺧﻄﻮط ﻣﺴﺘﻘﯿﻢ ﺑﻪ ﯾﮑﺪﯾﮕﺮ ﻧﻈﯿﺮ ﺷﮑﻞ زﯾﺮ ‪:‬‬

‫دروﻧﯿﺎﺑﯽ درﻫﺮزﯾﺮﺑﺎزه ]‪ [xi-1,xi‬ﺧﻄﯽ اﺳﺖ وﺑﺎ ﻣﻘﺪار ﺗﺎﺑﻊ )‪ f(x‬در )‪ (n+1‬ﻧﻘﻄﻪ دروﻧﯿﺎﺑﯽ ﻣﻨﻄﺒﻖ ﻣﯽ ﺑﺎﺷﺪ درﺷﮑﻞ‬

‫ﻓﻮق زﯾﺮﺑﺎزه ﻫﺎ ﯾﺎ ﺧﻄﻮط واﺻﻞ را اﻟﻤﺎﻧﻬﺎي ﻣﺤﺪود )‪ (finite elements‬درﻓﻀﺎي ﯾﮏ ﺑﻌﺪي ﻧﺎﻣﯿﺪه ﻣﯿﺸﻮﻧﺪ وﻧﻘﺎط‬

‫دروﻧﯿﺎﺑﯽ را ﮔﺮه ﻫﺎي دروﻧﯿﺎﺑﯽ )‪ (knots‬ﻣﯽ ﻧﺎﻣﻨﺪ ‪ .‬ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب را ﭼﻨﺪﺟﻤﻠﻪ اي ﺧﻄﯽ ﻗــﻄﻌﻪ ﻗﻄﻌﻪ اي‬

‫ﻣﯽ ﻧﺎﻣﻨﺪ‪.‬ﺑﺎ اﺳﺘﻔﺎده از ﻓﺮﻣﻮل ﺧﻄﯽ ﻻﮔﺮاﻧﮋ در ﺑﺎزه ]‪ [xi-1,xi‬وﺑﺮاي ‪ x‬ﻣﺘﻌﻠﻖ ﺑﻪ اﯾﻦ ﺑﺎزه دروﻧﯿﺎﺑﯽ ﻗﻄﻌﻪ ﻗﻄﻌﻪ ﺧﻄﯽ‬

‫‪x − xi‬‬ ‫‪x − xi −1‬‬

‫= )‪Pi ,1 ( x‬‬ ‫‪f ( xi −1 ) +‬‬ ‫) ‪f ( xi‬‬ ‫‪, i = 1(1)n‬‬ ‫)‪(4.43‬‬ ‫زﯾﺮ دارﯾﻢ ‪:‬‬
‫‪xi −1 − xi‬‬ ‫‪xi − xi −1‬‬

‫ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب ﻋﺒﺎرﺗﺴﺖ از‬

‫‪n‬‬
‫)‪p ( x) = ∑ pi ,1 ( x‬‬ ‫)‪(4.44‬‬
‫‪i =0‬‬

‫‪98‬‬
‫ﮐﻪ ﺑﺎ ﻣﻘﺪار ﺗﺎﺑﻊ )‪ f(x‬در ﻧﻘﺎط ‪ i=0(1)n‬و ‪ xi‬ﻣﻨﻄﺒﻖ ﻣﯽ ﺑﺎﺷﺪ ودر ﻫﺮزﯾﺮ ﺑﺎزه ﺧﻄﯽ اﺳﺖ ﺑﻨﺎﺑﺮاﯾﻦ ﻣﯽ ﺗﻮان در ﺑﺎزه‬

‫‪n‬‬
‫) ‪p ( x) = ∑ Ni ( x) f ( xi‬‬ ‫)‪(4.45‬‬ ‫]‪ [xi-1,xi‬دارﯾﻢ ‪:‬‬
‫‪i =0‬‬

‫ﺑﻄﻮرﯾﮑﻪ ‪:‬‬

‫‪0‬‬ ‫‪, x ≤ xi −1‬‬

‫‪( x − x ) /( x − x ) , x ≤ x ≤ x‬‬
‫‪‬‬ ‫‪i −1‬‬ ‫‪i‬‬ ‫‪i −1‬‬ ‫‪i −1‬‬ ‫‪i‬‬
‫‪Ni ( x) = ‬‬
‫‪( xi +1 − x) /( xi +1 − xi ) , xi ≤ x ≤ xi +1‬‬ ‫)‪(4.46‬‬
‫‪0‬‬ ‫‪, x ≥ xi +1‬‬

‫ﺗﺎﺑﻊ )‪ Ni(x‬را ”‪ “shape function‬ﻣﯽ ﻧﺎﻣﻨﺪ و در ﺷﮑﻞ زﯾﺮ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ ‪.‬‬

‫ﺧﻄﺎي دروﻧﯿﺎﺑﯽ ﻗﻄﻌﻪ ﻗﻄﻌﻪ ﺧﻄﯽ ﺑﻔﺮم زﯾﺮ اﺳﺖ ‪:‬‬

‫‪1‬‬
‫= )‪f ( x) − pi ,1 ( x‬‬ ‫‪( x − xi −1 )( x − xi ) f ′′(ζ i ) , xi −1 < ζ i < xi‬‬ ‫)‪(4.47‬‬
‫!‪2‬‬

‫‪ 11-4‬دروﻧﯿﺎﺑﯽ ﻣﮑﻌﺒﯽ ﻗﻄﻌﻪ ﻗﻄﻌﻪ اي‬

‫)‪(Piecewise Cubic Interpolation‬‬

‫درﻫﺮ زﯾﺮﺑﺎزه ] ‪ [ xi −1 , xi‬ﺑﺮاي ‪ i=1(1)n‬ﻣﺎ ﺗﺎﺑﻊ )‪ f(x‬را ﺑﻮﺳﯿﻠﻪ ﯾﮏ ﭼﻨﺪﺟﻤﻠﻪ اي درﺟﻪ ﺳﻪ )‪ Pi ,3 ( x‬ﺗﻘﺰﯾﺐ ﻣﯽ زﻧﯿﻢ‬

‫ﻟﺬا دروﻧﯿﺎﺑﯽ را دروﻧﯿﺎﺑﯽ ﻣﮑﻌﺒﯽ ﻗﻄﻌﻪ ﻗﻄﻌﻪ اي ﻣﯽ ﻧﺎﻣﻨﺪ ‪ .‬ﭼﻨﺪ ﺟﻤﻠﻪ اﯾﻬﺎي درﺟﻪ ﺳﻮم درﻫﺮ زﯾﺮ ﺑﺎزه را ﻣﯽ ﺗﻮان ﺑﺎ‬

‫اﺳﺘﻔﺎده از ﺷﺮاﯾﻂ زﯾﺮ ﺗﻌﯿﯿﻦ ﻧﻤﻮد ‪:‬‬

‫‪pi ,3 ( xi −1 ) = fi −1‬‬ ‫‪,‬‬ ‫‪pi ,3 ( xi ) = fi‬‬

‫‪pi′,3 ( xi −1 ) = fi′−1‬‬ ‫‪,‬‬ ‫‪pi′,3 ( xi ) = fi′‬‬ ‫)‪(4.48‬‬

‫‪99‬‬
‫از آﻧﺠﺎ ﮐﻪ در راﺑﻄﻪ )‪ (4.48‬از ﺷﺮاﯾﻄﯽ ﻧﻈﯿﺮ ﺷﺮاﯾﻂ ﻫﺮﻣﯿﺖ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ ﻟﺬا ﭼﻨﺪ ﺟﻤﻠﻪ اي ﺣﺎﺻﻠﻪ را دروﻧﯿﺎﺑﯽ‬

‫ﻣﮑﻌﺒﯽ ﻫﺮﻣﯿﺖ ﻗﻄﻌﻪ ﻗﻄﻌﻪ اي )‪ (Piecewice Cubic Hemite interpolation‬ﻣـﯽ ﻧﺎﻣﻨﺪ ‪ .‬ﺑﺎ اﺳﺘﻔﺎده از راﺑﻄﻪ )‪(4.41‬‬

‫ﻣﯽ ﺗﻮان ﭼﻨﺪ ﺟﻤﻠﻪ اي را ﺑﺼﻮرت زﯾﺮ ﻧﻮﺷﺖ ‪:‬‬

‫) ‪Pi ,3 ( x) = Ai −1 ( x) fi −1 + Ai ( x) fi + Bi −1 ( x) f ′( xi −1 ) + Bi ( x) f ′( xi‬‬ ‫)‪(4.49‬‬

‫‪( x − xi ) 2‬‬ ‫‪ 2( xi −1 − x) ‬‬

‫= )‪Ai −1 ( x‬‬ ‫‪1 +‬‬ ‫ﺑﻄﻮرﯾﮑﻪ ‪:‬‬
‫‪( xi −1 − xi ) 2‬‬ ‫‪‬‬ ‫‪xi −1 − xi ‬‬

‫‪( x − xi −1 ) 2‬‬ ‫‪ 2( x − xi ) ‬‬

‫= )‪Ai ( x‬‬ ‫‪1 +‬‬
‫‪( xi −1 − xi ) 2‬‬‫‪‬‬ ‫‪xi −1 − xi ‬‬
‫‪( x − xi −1 )( x − xi ) 2‬‬
‫= )‪Bi −1 ( x‬‬
‫‪( xi −1 − xi ) 2‬‬
‫‪( x − xi )( x − xi −1 ) 2‬‬
‫= )‪Bi ( x‬‬ ‫)‪(4.50‬‬
‫‪( xi −1 − xi ) 2‬‬
‫‪n‬‬
‫)‪p3 ( x) = ∑ pi ,3 ( x‬‬ ‫)‪(4.51‬‬ ‫ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬
‫‪i =1‬‬

‫ﮐﻪ ﺑﺎ )‪ f ′( x), f ( x‬در ﻧﻘﺎط ‪ xi , i = 0(1)n‬ﻣﻨﻄﺒﻖ ﻣﯽ ﺑﺎﺷﺪ و در ﻫﺮزﯾﺮﺑﺎزه ] ‪ [ xi −1 , xi‬ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي درﺟﻪ‬

‫ﺳﻮم اﺳﺖ ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ ﻣﯽ ﺗﻮاﻧﯿﻢ ﺑﻔﺮم زﯾﺮ ﺑﻨﻮﯾﺴﯿﻢ ‪:‬‬

‫‪n‬‬ ‫‪n‬‬
‫)‪p3 ( x) = ∑ Ni ( x) f (xi ) + ∑ H i ( x) f ′( x‬‬ ‫)‪(4.52‬‬
‫‪i =0‬‬ ‫‪i =0‬‬

‫ﺑﻄﻮرﯾﮑﻪ ‪:‬‬

‫‪0‬‬ ‫‪, x ≤ xi −1‬‬

‫‪‬‬
‫‪ ( x − xi −1 ) 1 + 2( x − xi ) ‬‬
‫‪2‬‬
‫‪, xi −1 < x ≤ xi‬‬
‫‪ ( xi − xi −1 ) ‬‬ ‫‪xi −1 − xi ‬‬
‫‪Ni ( x) = ‬‬ ‫)‪(4.53‬‬
‫‪ ( x − xi +1 ) 1 + 2( x − xi ) ‬‬
‫‪2‬‬

‫‪(x − x )2 ‬‬ ‫‪, xi ≤ x ≤ xi +1‬‬

‫‪‬‬ ‫‪xi +1 − xi ‬‬
‫‪‬‬ ‫‪i +1‬‬ ‫‪i‬‬

‫‪0‬‬ ‫‪, x ≥ xi +1‬‬

‫‪100‬‬
 ‫‪0‬‬ ‫‪, x ≤ xi −1‬‬
‫‪‬‬
‫) ‪ ( x − xi −1 ) ( x − xi‬‬
‫‪2‬‬
‫‪, xi −1 ≤ x ≤ xi‬‬
‫‪ ( xi − xi −1 ) 2‬‬
‫‪H i ( x) = ‬‬ ‫)‪(4.54‬‬
‫) ‪ ( x − xi +1 ) ( x − xi‬‬
‫‪2‬‬
‫‪, xi ≤ x ≤ xi +1‬‬
‫‪ ( xi − xi ) 2‬‬
‫‪+1‬‬
‫‪‬‬
‫‪0‬‬ ‫‪, x ≥ xi +1‬‬

‫ﻫﻤﭽﻨﯿﻦ ﻧﺄﮐﯿﺪ ﻣﯿﺸﻮد ﮐﻪ ‪:‬‬

‫‪pi −1,3 ( xi ) = pi ,3 ( xi ) = fi , i = 1(1)n‬‬

‫‪pi′−1,3 ( xi ) = pi′,3 ( xi ) = fi′ , i = 1(1)n‬‬

‫ﻟﺬا ﻧﺘﯿﺠﻪ ﻣﯿﺸﻮد ﮐﻪ )‪ p3(x‬در ﺑﺎزه ]‪ [a,b‬ﭘﯿﻮﺳﺘﻪ و ﻣﺸﺘﻖ ﭘﺬﯾﺮ ﻣﯽ ﺑﺎﺷﺪ ‪.‬ﺧﻄﺎي ﭼﻨﺪﺟﻤﻠﻪ اي درﺟﻪ ﺳﻮم دروﻧﯿﺎب‬

‫ﻫﺮﻣﯿﺖ ﻗﻄﻌﻪ ﻗﻄﻌﻪ اي ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪1‬‬
‫= )‪f ( x) − pi ,3 ( x‬‬ ‫‪( x − xi −1 ) 2 ( x − xi ) 2 f 4 (ζ i ) , xi −1 < ζ i < xi‬‬ ‫)‪(4.55‬‬
‫!‪4‬‬

‫ﻣﺜﺎل ‪ : 16-4‬ﻣﺜﺎل ‪ 15 -4‬را ﺑﺎاﺳﺘﻔﺎده از ﭼﻨﺪﺟﻤﻠﻪ اي ﻣﮑﻌﺒﯽ دروﻧﯿﺎب ﻫﺮﻣﯿﺖ ﻗﻄﻌﻪ ﻗﻄﻌﻪ اي ﺣﻞ ﻣﯽ ﮐﻨﯿﻢ ‪.‬‬

‫‪xi −1 = −1 , xi = 0 , xi +1 = 1‬‬ ‫ﺣﻞ ‪ :‬در اﯾﻨﺠﺎ‬

‫از آﻧﺠﺎ ﮐﻪ ] ‪ x = −0.5 ∈ [ xi −1 , xi‬اﺳﺖ ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب ﻣﮑﻌﺒﯽ ﻫﺮﻣﯿﺖ ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫)‪p3 ( x) = [1 + 2( x + 1)]x 2 (1) + [1 − 2( x − 0)]( x + 1) 2 (1‬‬

‫)‪+ ( x + 1) x 2 (−5) + x( x + 1) 2 (1‬‬
‫)‪= −(4 x3 + 3 x 2 − x − 1‬‬
‫‪1‬‬ ‫ﺑﻨﺎﺑﺮاﯾﻦ‬
‫≅ )‪f (−0.5) ≈ p3 (−0.5‬‬
‫‪4‬‬
‫ﺑﻪ ﻫﻤﯿﻦ ﻃﺮﯾﻖ ازآﻧﺠﺎ ﮐﻪ ] ‪ x = 0.5 ∈ [ xi , xi +1‬ﭼﻨﺪ ﺟﻤﻠﻪ اي دروﻧﯿﺎب ﻣﮑﻌﺒﯽ ﻫﺮﻣﯿﺖ ﺑﻔﺮم زﯾﺮ اﺳﺖ ‪.‬‬

‫‪p3 ( x) = [1 + 2( x − 0)]( x − 1) 2 (1) + [1 − 2( x − 1)]x 2 (3) + x( x − 1) 2 (1) + ( x − 1) x2 (7) = 4 x3 − 3 x 2 + x + 1‬‬

‫‪5‬‬
‫= )‪f (0.5) ≈ p3 (0.5‬‬ ‫ﻟﺬا دارﯾﻢ ‪:‬‬
‫‪4‬‬

‫‪ 12-4‬دروﻧﯿﺎﺑﯽ اﺳﭙﻼﯾﻦ )‪(Spline interpolation‬‬

‫‪101‬‬
‫در ﭼﻨﺪ ﺟﻤﻠﻪ اي ﻫﺮﻣﯿﺖ ﻗﻄﻌﻪ ﻗﻄﻌﻪ اي ﻧﯿﺎزي ﺑﻪ داﺷﺘﻦ اﻃﻼﻋﺎت از ﭘﯿﺶ ﺗﻌﯿﯿﻦ ﺷﺪه ) ‪ f ′( xi‬ﺑﺮاي ‪i = 0(1)n‬‬

‫دارﯾﻢ ‪.‬در ﻣﺴﺎﺋﻞ ﻋﻤﻠﯽ داﺷﺘﻦ ﭼﻨﯿﻦ ﻣﻌﻠﻮﻣﺎﺗﯽ ﻣﺸﮑﻞ اﺳﺖ ‪.‬اﮔﺮ ﻣﺎ ﺑﺨﻮاﻫﯿﻢ از ‪ fi = f ( xi ) , i = 0(1)n‬اﺳﺘﻔﺎده‬

‫ﮐﻨﯿﻢ آﻧﮕﺎه ﺑﺪون ارﺗﺒﺎط ﺑﺎ اﻧﺘﺨﺎب ﻣﻌﯿﻦ اﻋﺪادي ﻣﺎﻧﻨﺪ ) ‪ mi = f ′( xi‬ﺑﺮاي ‪. i = 0(1)n‬ﭼﻨﺪ ﺟﻤﻠﻪ اي ﺣﺎﺻﻞ ﺷﺪه‬

‫ﻣﮑﻌﺒﯽ ﻗﻄﻌﻪ ﻗﻄﻌﻪ اي )‪ p3(x‬ﺗﺎﺑﻊ )‪ f(x‬را در ‪ x0,x1,…,xn‬دروﻧﯿﺎﺑﯽ ﻣﯽ ﮐﻨﺪ و ﻫﻢ ﭼﻨﯿﻦ )‪ p3(x‬در ﺑﺎزه ﺑﺴﺘﻪ ]‪[a,b‬‬

‫ﭘﯿﻮﺳﺘﻪ و ﻣﺸﺘﻖ ﭘﺬﯾﺮ ﻣﯽ ﺑﺎﺷﺪ ‪.‬ﻣﺸﺘﻖ ﻣﺮﺗﺒﻪ دوم )‪ p3(x‬وﺟﻮد دارد ‪.‬اﻣﺎ ﻣﻤﮑﻦ اﺳﺖ در ﻧﻘﺎط دروﻧﯿﺎﺑﯽ ﭘﯿﻮﺳﺘﻪ ﻧﺒﺎﺷﺪ‬

‫‪ .‬اﻣﺎ اﻣﮑﺎن دارد ﮐﻪ ‪ mn,…,m1,m0‬را ﺑﻄﺮﯾﻘﯽ ﯾﺎﻓﺖ ﺗﺎ ﭼﻨﺪﺟﻤﻠﻪ اي ﻣﮑﻌﺒﯽ ﻗﻄﻌﻪ ﻗﻄﻌﻪ اي ﺣﺎﺻﻠﻪ دوﺑﺎرﭘﯿﻮﺳﺘﻪ و‬

‫ﻣﺸﺘﻖ ﭘﺬﯾﺮ ﮔﺮدد ‪ .‬ﭼﻨﯿﻦ ﭼﻨﺪﺟﻤﻠﻪ اي ﻣﮑﻌﺒﯽ را دروﻧﯿﺎﺑﯽ اﺳﭙﻼﯾﻦ ﻣـــــﮑﻌﺒﯽ )‪(Cubic Spline Interpelation‬‬

‫ﻣﯽ ﻧﺎﻣﻨﺪ ‪ .‬اﻣﺎ درﺣﺎﻟﺖ ﮐﻠﯽ ﻣﯽ ﺗﻮان اﺳﭙﻼﯾﻦ درﺟﻪ ‪ n‬ام را ﺑﻪ ﺷﺮح زﯾﺮ ﺗﻌﺮﯾﻒ ﻧﻤﻮد ‪.‬‬

‫ﺗﻌﺮﯾﻒ ‪ : 2-4‬ﯾﮏ ﺗﺎﺑﻊ اﺳﭙﻼﯾﻦ درﺟﻪ ‪ n‬ام ﺑﺎ ﻧﻘﺎط ﮔﺮه اي ‪ xn,…,x1,x0‬ﯾﮏ ﺗﺎﺑﻊ ﻧﻈﯿﺮ)‪ S(x‬ﺑﺎ ﻣﺸﺨﺼﺎت زﯾﺮ اﺳﺖ‪:‬‬

‫)‪ -(1‬درﻫﺮ زﯾﺮ ﺑﺎزه ] ‪ S(x) ، 1 ≤ i ≤ n , [ xi −1 , xi‬ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي درﺟﻪ ‪ n‬ام اﺳﺖ‬

‫)‪ S(x)-(2‬و ﻣـــــــﺸﺘﻘﺎت آن ﺗﺎ ﻣﺮﺗﺒﻪ )‪ (n-1‬در ﺑﺎزه ]‪ [a,b‬ﭘﯿﻮﺳﺘﻪ ﻫﺴﺘﻨﺪ اﻣﺎ در زﯾﺮ ﻣﺎ ﻓﻘﻂ ﺑﻪ اﺳﭙﻼﯾﻦ ﻣﮑﻌﺒﯽ‬

‫ﻣﯽ ﭘﺮدازﯾﻢ ‪:‬‬

‫ﺑﺮاي اﯾﻨﮑﻪ ﻣﺸﺘﻖ ﻣﺮﺗﺒﻪ دوم )‪ S(x‬در ‪ x=xi‬ﭘﯿﻮﺳﺘﻪ ﮔﺮدد ﻣﺎ از راﺑﻄﻪ )‪ (4.52‬دوﺑﺎر ﻧﺴﺒﺖ ﺑﻪ ‪ x‬ﻣﺸﺘﻖ ﻣﯽ ﮔﯿﺮﯾﻢ و در‬

‫‪ 1 ≤ i ≤ n , ε > 0 , xi ± ε‬دارﯾﻢ ‪:‬‬

‫) ‪s ′′( xi + ε ) = Ni′′( xi + ε ) f ( xi ) + H i′′( xi + ε ) f ′( xi‬‬

‫) ‪+ Ni′′+1 ( xi + ε ) f ( xi +1 ) + H i′′+1 ( xi + ε ) f ′( xi +1‬‬
‫‪6( fi +1 − fi ) 4 fi′ 2 fi′+1‬‬
‫=‬ ‫‪−‬‬ ‫‪−‬‬ ‫)‪(4.56‬‬
‫‪h 2 i +1‬‬ ‫‪hi +1 hi +1‬‬
‫) ‪s ′′( xi − ε ) = Ni′′−1 ( xi − ε ) f ( xi −1 ) + H i′′−1 ( xi − ε ) f ′( xi −1‬‬
‫) ‪+ Ni′′( xi − ε ) f ( xi ) + H i′′( xi − ε ) f ′( xi‬‬
‫‪6( fi −1 − fi ) 2 fi′−1 4 fi′‬‬
‫=‬ ‫‪−‬‬ ‫‪+‬‬ ‫)‪(4.57‬‬
‫‪h 2i‬‬ ‫‪hi‬‬ ‫‪hi‬‬

‫ﺑﻄﻮرﯾﮑﻪ ‪ . hi=xi-xi-1‬ﺑﺎ ﻣﺘﺤﺪ ﻗﺮار دادن ﻃﺮف راﺳﺖ رواﺑﻂ )‪ (4.56‬و)‪ (4.57‬دارﯾﻢ ‪:‬‬

‫‪102‬‬
 ‫‪1‬‬ ‫‪2‬‬ ‫‪2 ‬‬ ‫‪1‬‬ ‫) ‪3( fi −1 − fi ) 3( fi +1 − fi‬‬
‫‪fi′−1 + ‬‬ ‫‪+‬‬ ‫‪ fi′ +‬‬ ‫= ‪fi′+i‬‬ ‫‪+‬‬ ‫‪,‬‬ ‫‪i = 1(1)n − 1‬‬
‫‪hi‬‬ ‫‪ hi‬‬ ‫‪hi +1 ‬‬ ‫‪hi +1‬‬ ‫‪h2i‬‬ ‫‪h 2 i +1‬‬

‫در اﯾﻦ راﺑﻄﻪ )‪ (n-1‬راﺑﻄﻪ دارﯾﻢ اﻣﺎ ﺗﻌﺪاد ﻣﺠﻬﻮﻻت )‪ (n+1‬ﻫﺴﺘﻨﺪ ﻧﻈﯿﺮ ‪ fn′,..., f1′, f0′‬اﻣﺎ اﮔﺮ ‪ fn′′, f0′′‬از ﭘﯿﺶ داده‬

‫ﺷﺪه ﺑﺎﺷﺪ از رواﺑﻂ )‪ (4.56‬و)‪ (4.57‬ﺑﻪ ازاي ‪ i=0,n‬ﺑﻪ ﺗﺮﺗﯿﺐ دارﯾﻢ ؛‬

‫‪2‬‬ ‫‪1‬‬ ‫) ‪3( f1 − f0‬‬ ‫‪1‬‬

‫‪f0′ +‬‬ ‫= ‪f1′‬‬ ‫‪2‬‬
‫‪−‬‬ ‫‪f0′′‬‬ ‫)‪(4.59‬‬
‫‪h1‬‬ ‫‪h1‬‬ ‫‪h‬‬ ‫‪1‬‬ ‫‪2‬‬
‫‪1‬‬ ‫‪2‬‬ ‫) ‪3( fn − fn−1‬‬ ‫‪1‬‬
‫‪fn′−1 +‬‬ ‫= ‪fn′‬‬ ‫‪2‬‬
‫‪+‬‬ ‫‪fn′′‬‬ ‫)‪(4.60‬‬
‫‪hn‬‬ ‫‪hn‬‬ ‫‪h‬‬ ‫‪n‬‬ ‫‪2‬‬

‫ﺑـــــﺎ ﺣﻞ راﺑﻄﻪ ﻫﺎي )‪ (4.58‬و)‪(4.59‬و)‪ (4.60‬ﻣﺸﺘﻘﺎت ‪ fi′, i = 0(1)n‬را ﻣﯽ ﺗﻮان ﯾﺎﻓﺖ ﺑﺪﯾﻨﺼﻮرت ﮐﻪ از رواﺑﻂ‬

‫)‪ (4.59‬و)‪ fn′, f0′ (4.60‬را ﻣﯽ ﺗﻮان ﺗﻌﯿﯿﻦ ﻧﻤﻮد و ‪ fn′−1 ,..., f2′, f1′‬را ﻣﯽ ﺗﻮان از راﺑﻄﻪ )‪ (4.58‬ﺑﺪﺳﺖ آورد ‪.‬‬

‫ﭼﻨﺎﻧﭽﻪ ﻧﻘﺎط دروﻧﯿﺎﺑﯽ ﻣﺘﺴﺎوي اﻟﻔﺎﺻﻠﻪ ﺑﺎﺷﻨﺪ ﯾﻌﻨﯽ ‪ h=xi-xi-1‬ﺑﺮاي ‪ i=1(1)n‬دراﯾﻦ ﺻﻮرت رواﺑﻂ )‪ (4.58‬ﺗﺎ)‪(4.60‬‬

‫ﺑﻪ ﺗﺮﺗﯿﺐ زﯾﺮ ﺳﺎده ﻣﯿﺸﻮﻧﺪ ‪:‬‬

‫‪3‬‬
‫‪fi′−1 + 4 fi′ + fi′+1 = ( fi +1 − fi −1 ) i = 1(1)n − 1‬‬ ‫)‪(4.61‬‬
‫‪h‬‬
‫‪3‬‬ ‫‪h‬‬
‫‪2 f0′ + f1′ = ( f1 − f0 ) − f0′′‬‬ ‫)‪(4.62‬‬
‫‪h‬‬ ‫‪2‬‬
‫‪3‬‬ ‫‪h‬‬
‫‪fn′−1 + 2 fn′ = ( fn − fn −1 ) + fn′′‬‬ ‫)‪(4.63‬‬
‫‪h‬‬ ‫‪2‬‬
‫اﺛﺒﺎت ﻓﺮﻣﻮل اﺳﭙﻼﯾﻦ ﻣﮑﻌﺒﯽ از ﻃﺮﯾﻖ دﯾﮕﺮ‬

‫ﻣﯽ ﺗﻮان اﺳﭙﻼﯾﻦ ﻣﮑﻌﺒﯽ را ﺑﻪ ﻓﺮم دﯾﮕﺮي اﯾﺠﺎد ﮐﺮد از آﻧﺠﺎ ﮐﻪ )‪ S(x‬ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي ﻣﮑﻌﺒﯽ و ﻗﻄﻌﻪ ﻗﻄﻌﻪ اي‬

‫اﺳﺖ ﻟﺬا )‪ s ′′( x‬درﺑﺎزه ] ‪ x ∈ [ xi −1 , xi‬ﯾﮏ ﺗﺎﺑﻊ ﺧﻄﯽ اﺳﺖ ﺑﻨﺎﺑﺮاﯾﻦ ﻣﯽ ﺗﻮان ﻧﻮﺷﺖ ‪:‬‬

‫‪xi − x‬‬ ‫) ‪( x − xi −1‬‬

‫= )‪s ′′( x‬‬ ‫‪s ′′( xi −1 ) +‬‬ ‫) ‪s ′′( xi‬‬ ‫)‪(4.64‬‬
‫‪xi − xi −1‬‬ ‫‪xi − xi −1‬‬

‫ﭼﻨﺎﻧﭽﻪ ‪ s ′′( xi −1 ) = M i −1 , s ′′( xi ) = M i‬ﻓﺮض ﮐﻨﯿﻢ و دوﺑﺎر از راﺑﻄﻪ )‪ (4.64‬ﻧﺴﺒﺖ ﺑﻪ ‪ x‬اﻧﺘﮕﺮال ﺑﮕﯿﺮﯾﻢ دارﯾﻢ ‪:‬‬

‫‪( xi − x) 3‬‬ ‫‪( x − xi −1 ) 3‬‬

‫= )‪S( x‬‬ ‫‪M i −1 +‬‬ ‫‪M i + C1 x + C 2‬‬ ‫)‪(4.65‬‬
‫‪6hi‬‬ ‫‪6hi‬‬

‫‪103‬‬
 ‫‪ c2,c1‬ﺛﺎﺑﺘﻬﺎي اﻧﺘﮕﺮال ﮔﯿﺮي ﻫﺴﺘﻨﺪ و ﺑﺎ اﺳﺘﻔﺎده از ﺷﺮاﯾﻂ دروﻧﯿﺎﺑﯽ ) ‪s( xi −1 ) = f ( xi −1 ), s( xi ) = f ( xi‬‬

‫ﻣﯽ ﺗﻮاﻧﻨﺪ ﺗﻌﯿﯿﻦ ﺷﻮﻧﺪ ‪.‬ﻟﺬا ﭘﺲ از ﺑﺪﺳﺖ آوردن ﯾﮏ دﺳﺘﮕﺎه دو ﻣﻌﺎدﻟﻪ دو ﻣﺠﻬﻮل ‪ ،‬ﻣﺠﻬﻮﻻت ‪ C2,C1‬ﺑﺼﻮرت زﯾﺮ‬

‫ﻣﯽ ﯾﺎﺑﯿﻢ ‪:‬‬

‫‪fi − fi −1 1‬‬
‫= ‪C1‬‬ ‫‪− ( M i − M i −1 )hi‬‬
‫‪hi‬‬ ‫‪6‬‬
‫‪( x f − xi −1 fi ) 1‬‬
‫‪C 2 = i i −1‬‬ ‫‪− ( xi M i −1 − xi −1 M i )hi‬‬ ‫)‪(4.66‬‬
‫‪hi‬‬ ‫‪6‬‬

‫)‪ (4.66‬را در )‪ (4.65‬ﻗﺮار ﻣﯽ دﻫﯿﻢ ‪ ،‬دارﯾﻢ ‪:‬‬

‫‪ ( xi − x) 2 − h 2 i ‬‬ ‫‪ ( x − xi −1 ) 2 − h 2 i‬‬ ‫‪‬‬

‫‪S( x) = ( xi − x) ‬‬ ‫‪M‬‬
‫‪ i −1‬‬ ‫‪+‬‬ ‫(‬ ‫‪x‬‬ ‫‪−‬‬ ‫‪x‬‬ ‫)‬‫‪‬‬
‫‪i −1 ‬‬
‫‪ M i‬‬
‫‪‬‬ ‫‪6hi‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪6hi‬‬ ‫‪‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪+‬‬ ‫‪( xi − x) fi −1 +‬‬ ‫‪( x − xi −1 ) fi‬‬ ‫)‪(4.67‬‬
‫‪hi‬‬ ‫‪hi‬‬

‫ﺑﺮاي ‪hi = xi − xi −1 , i = 1(1)n‬‬

‫راﺑﻄﻪ ﻓﻮق اﺳﭙﻼﯾﻦ ﻣﮑﻌﺒﯽ در ﺑﺎزه ]‪ [xi-1,xi‬اﺳﺖ اﻣﺎ ﻫﻨﻮز ﻣﺠﻬﻮﻻت ‪ Mi‬ﺑﺎﯾﺴﺘﯽ ﺗﻌﯿﯿﻦ ﺷﻮﻧﺪ ﻟﺬا ﺑﺮاي ﺗﻌﯿﯿﻦ‬

‫ﻣﺠﻬﻮﻻت ‪ Mi‬ﻫﺎ از ﺷﺮط ﭘﯿﻮﺳﺘﮕﯽ ﻣﺸﺘﻖ ﻣﺮﺗﺒﻪ اول در ﻧﻘﺎط دروﻧﯿﺎﺑﯽ ‪ xi‬ﻫﺎ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ ‪.‬ﺣﺎل ﻧﯿﺎز دارﯾﻢ ﻣﺸﺘﻖ‬

‫ﻣﺮﺗﺒﻪ اول )‪ S ′( x‬در ‪ x = x0 ± ε‬وﻗﺘﯿﮑﻪ ‪ ε → 0‬ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﺪ ﯾﻌﻨﯽ ) ‪ S ′( xi − ε ) = S ′( xi + ε‬وﻗﺘﯿﮑﻪ ‪ ε → 0‬ﻟﺬا‬

‫دارﯾﻢ ‪:‬‬

‫‪hi‬‬ ‫‪hi‬‬ ‫‪1‬‬ ‫‪hi +1‬‬ ‫‪hi +1‬‬ ‫‪1‬‬

‫‪M i −1 +‬‬ ‫‪Mi +‬‬ ‫‪( fi − fi −1 ) = −‬‬ ‫‪Mi −‬‬ ‫‪M i +1 +‬‬ ‫) ‪( fi +1 − fi‬‬
‫‪6‬‬ ‫‪6‬‬ ‫‪hi‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪hi +1‬‬

‫ﮐﻪ ﺑﺼﻮرت زﯾﺮ ﺳﺎده ﻣﯿﺸﻮد ‪:‬‬

‫‪hi‬‬ ‫‪hi + hi +1‬‬ ‫‪hi +1‬‬ ‫‪1‬‬ ‫‪1‬‬

‫‪M i −1 +‬‬ ‫‪Mi +‬‬ ‫= ‪M i +1‬‬ ‫‪( fi +1 − fi ) −‬‬ ‫‪( fi − fi −1 ) , i = 1(1)n − 1‬‬ ‫)‪(4.68‬‬
‫‪6‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪hi +1‬‬ ‫‪hi‬‬

‫راﺑﻄﻪ ﻓﻮق ﯾﮏ دﺳﺘﮕﺎه )‪ (n-1)(n-1‬ﺧﻄﯽ اﺳﺖ و ﻣﺠﻬﻮﻻت ‪ M n , M n −1 ,..., M1 , M 0‬ﻣﯽ ﺑﺎﺷﻨﺪ دو ﻣﻌﺎدﻟﻪ دﯾﮕﺮ ﻧﯿﺎز‬

‫دارﯾﻢ ﺗﺎ ﺑﺘﻮاﻧﯿﻢ ﺑﺼﻮرت ﻣﻨﺤﺼﺮﺑﻔﺮد ﻣﺠﻬﻮﻻت را ﺑﯿﺎﺑﯿﻢ ﻟﺬا از ﯾﮑﯽ از ﺷﺮاﯾﻂ زﯾﺮ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ ‪:‬‬

‫‪104‬‬
 ‫‪ ، M 0 = M n = 0 -1‬اﺳﭙﻼﯾﻨﯽ ﮐﻪ در اﯾﻦ ﺷﺮاﯾﻂ ﺻﺪق ﮐﻨﺪ اﺳﭙﻼﯾﻦ ﻃﺒﯿﻌﯽ ﻣﯽ ﻧﺎﻣﯿﻢ‬

‫‪ h1 = hn+1 , f1 = fn+1 , f0 = fn , M1 = M n +1, M 0 = M n -2‬اﺳﭙﻼﯾﻨﯽ ﮐﻪ از اﯾﻦ ﺷﺮاﯾﻂ اﺳﺘﻔﺎده ﻧﻤﺎﯾﺪ اﺳﭙﻼﯾﻦ‬

‫ﻣﺘﻨﺎوب )‪ (Periodic Spline‬ﻣﯽ ﻧﺎﻣﻨﺪ ‪.‬‬

‫‪S ′(a ) = f ′(a ) = f0′‬‬

‫‪ -3‬ﭼﻨﺎﻧﭽﻪ از ﺷﺮاﯾﻂ ‪:‬‬
‫‪S ′(b) = f ′(b) = fn′‬‬

‫اﺳﺘﻔﺎده ﻧﻤﺎﺋﯿﻢ دارﯾﻢ ‪:‬‬

‫‪6  f1 − f0‬‬ ‫‪‬‬

‫= ‪2 M 0 + M1‬‬ ‫‪‬‬ ‫‪− f0′ ‬‬
‫‪h1  h1‬‬ ‫‪‬‬

‫‪6‬‬ ‫‪f − fn−1 ‬‬

‫= ‪M n−1 + 2 M n‬‬ ‫‪ fn′ − n‬‬ ‫‪‬‬ ‫)‪(4.69‬‬
‫‪hn ‬‬ ‫‪hn ‬‬

‫ﺑﺎ ﻫﻤﺮاه ﮐﺮدن دﺳﺘﮕﺎه )‪ (4.68‬ﺑﺎ ﯾﮑﯽ از ﺳﻪ ﺷﺮط ﻓﻮق ﻣﯽ ﺗﻮان ﻣﺠﻬﻮﻻت ‪ M n ,..., M1 , M 0‬را ﺑﺼﻮرت‬

‫ﻣﻨﺤﺼﺮﺑﻔﺮد ﯾﺎﻓﺖ آﻧﮕﺎه اﺳﭙﻼﯾﻦ ﻣﮑﻌﺒﯽ راﺑﻄﻪ )‪ (4.67‬را ﻣﯽ ﺗﻮان ﯾﺎﻓﺖ ‪.‬‬

‫ﺣﺎل اﮔﺮ ﺣﺎﻟﺖ ﺧﺎص را درﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ وﻓﺮض ﮐﻨﯿﻢ ﻧﻘﺎط دروﻧﯿﺎﺑﯽ ﻣﺘﺴﺎوي اﻟﻔﺎﺻﻠﻪ ﺑﺎﺷﻨﺪ ﯾﻌﻨﯽ‬

‫‪ xi = x0 + ih , i = 0(1)n‬ﺑﺎﺷﺪ در اﯾﻦ ﺻﻮرت ‪ hi = hi +1 = h‬دﺳﺘﮕﺎه )‪ (4.67‬و)‪ (4.68‬و)‪ (4.69‬ﺑﻪ ﺗﺮﺗﯿﺐ ﺑﻪ‬

‫ﺻﻮرت زﯾﺮ در ﻣﯽ آﯾﻨﺪ ‪:‬‬

‫‪1‬‬ ‫‪1‬‬
‫= )‪S( x‬‬ ‫‪( xi − x)[( xi − x) 2 − h 2 ]M i −1 + ( x − xi −1 )[( x − xi −1 ) 2 − h 2 ]M i‬‬
‫‪6h‬‬ ‫‪6h‬‬
‫‪1‬‬
‫‪+ [( xi − x) fi −1 + ( x − xi −1 ) fi ] , i = 1(1)n‬‬ ‫)‪(4.70‬‬
‫‪h‬‬
‫‪6‬‬
‫= ‪M i −1 + 4 M i + M i +1‬‬ ‫‪( fi +1 − 2 fi + fi −1 ) ,‬‬ ‫‪i = 1(1)n − 1‬‬ ‫)‪(4.71‬‬ ‫و‬
‫‪h2‬‬

‫‪105‬‬
‫) ‪(I‬‬ ‫‪M0 = Mn = 0‬‬
‫) ‪( II‬‬ ‫‪M 0 = M n , M1 = M n +1 , f0 = fn , f1 = fn+1‬‬
‫‪‬‬ ‫‪6  f1 − f0‬‬ ‫‪‬‬
‫‪2 M 0 + M1 = h  h − f0′ ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪( III )‬‬ ‫)‪(4.72‬‬
‫‪M + 2 M = 6  f ′ − fn − fn−1 ‬‬
‫‪ n−1‬‬ ‫‪n‬‬
‫‪h‬‬
‫‪n‬‬
‫‪h‬‬ ‫‪‬‬

‫ﻣﺜﺎل ‪ : 17-4‬ﺗﻘﺮﯾﺐ اﺳﭙﻼﯾﻦ ﻣﮑﻌﺒﯽ ﻃﺒﯿﻌﯽ ﺑﺮاي ﺗﺎﺑﻊ داده ﺷﺪه ﺑﺼﻮرت ﺟﺪوﻟﯽ زﯾﺮ ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪x0 x1 x2 x3‬‬
‫‪x‬‬ ‫‪0 1 2 3‬‬
‫‪f(x) 1 2 33 44‬‬
‫ﺣﻞ ‪ :‬از آﻧﺠﺎ ﮐﻪ داده ﻫﺎي ﺟﺪوﻟﯽ ﻣﺘﺴﺎوي اﻟﻔﺎﺻﻠﻪ ﺑﺎ ﮔﺎم ﻣﺴﺎوي ‪ h=1‬اﺳﺖ از راﺑﻄﻪ )‪ (4.71‬دارﯾﻢ ‪:‬‬

‫‪M i −1 + 4 M i + M i +1 = 6( fi −1 − 2 fi + fi −1 ) , i = 1,2‬‬

‫) ‪M 0 + 4 M1 + M 2 = 6( f2 − 2 f1 + f0‬‬
‫‪‬‬ ‫ﺑﻨﺎﺑﺮاﯾﻦ ‪:‬‬
‫) ‪M1 + 4 M 2 + M 3 = 6( f3 − 2 f2 + f1‬‬

‫ﭼﻮن اﺳﭙﻼﯾﻦ ﻃﺒﯿﻌﯽ اﺳﺖ دارﯾﻢ ‪ M0=M3=0‬ﻟﺬا دﺳﺘﮕﺎه ﻓﻮق ﺑﻪ ﺻﻮرت زﯾﺮ ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫‪4 M1 + M 2 = 180‬‬
‫‪‬‬
‫‪M1 + 4 M 2 = 1080‬‬

‫ﺑﺎ ﺣﻞ اﯾﻦ دﺳﺘﮕﺎه ‪ M2=276‬و ‪. M1=-24‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ اﺳﭙﻼﯾﻦ ﻣﮑﻌﺒﯽ در ﺑﺎزه ﻫﺎ ﻣﺘﻔﺎوت ﺑﺼﻮرت زﯾﺮ دارﯾﻢ ‪.‬ﯾﻌﻨﯽ ‪ M0‬ﺗﺎ ‪ M3‬را در راﺑﻄﻪ )‪ (4.70‬ﺑﺮاي ‪i=1,2,3‬‬

‫ﻗﺮار ﻣﯿﺪﻫﯿﻢ‬

‫‪S( x) = −4 x3 + 5 x + 1‬‬ ‫در ﺑﺎزه ]‪ [0,1‬دارﯾﻢ ‪:‬‬

‫‪S( x) = 50 x3 − 162 x 2 + 167 x − 53‬‬ ‫در ﺑﺎزه ]‪ [0,1‬دارﯾﻢ ‪:‬‬

‫‪S( x) = −64 x3 + 414 x 2 − 985 x + 715‬‬ ‫در ﺑﺎزه ]‪ [0,1‬دارﯾﻢ ‪:‬‬

‫‪106‬‬
 ‫ﺗﻤﺮﯾﻨﻬﺎي ﻓﺼﻞ ﭼﻬﺎرم‬

‫‪ -1‬ﺑﺎ ﻓﺮض اﯾﻨﮑﻪ ‪ f (4) = 484 , f (3) = 156 , f (1) = 4 , f (−1) = 4 , f (2) = 46‬ﺑﺎﺷﻨﺪ ﺑﺮاي ﻣﺤﺎﺳﺒﻪ )‪f(0‬‬

‫از دﺳﺘﻮر ﻻﮔﺮاﻧﮋ اﺳﺘﻔﺎده ﮐﻨﯿﺪ و ﭼﻨﺪ ﺟﻤﻠﻪ اي دروﻧﯿﺎب را ﻧﯿﺰ ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪ -2‬ﺑﺮاي ﭘﯿﺪاﮐﺮدن ﭼﻨﺪ ﺟﻤﻠﻪ اي دروﻧﯿﺎب )‪ P3(x‬ﮐﻪ ازﻧﻘﺎط )‪ (4,59), (2,7), (1,2), (0,3‬ﻣﯽ ﮔﺬرد ‪.‬از دﺳﺘﻮر ﻻﮔﺮاﻧﮋ‬

‫اﺳﺘﻔﺎده ﮐﻨﯿﺪ و از آﻧﺠﺎ ﻣﻘﺪار )‪ P3(3‬را ﺑﯿﺎﺑﯿﺪ‬

‫‪1‬‬
‫‪ -3‬ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب ‪ f ( x) = x2 + sin πx‬ﮐﻪ از ﻧﻘﺎط )‪ (0,0), (1,1), (2,4‬ﻣﯽ ﮔﺬرد ﺑﯿﺎﺑﯿﺪ ‪ .‬ﺧﻄﺎي ) ( ‪ f‬را‬
‫‪2‬‬

‫ﺑﯿﺎﺑﯿﺪ ‪ .‬ﺣﺪاﮐﺜﺮ ﺧﻄﺎ ﭼﯿﺴﺖ ؟‬

‫‪-4‬داده ﻫﺎي زﯾﺮ ﻣﻔﺮوﺿﻨﺪ ‪ ،‬ﻣﻘﺎدﯾﺮ )‪ f (1.98), f (0.15‬را ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﺪ ‪.‬‬

‫‪x 0‬‬ ‫‪0.5‬‬ ‫‪1‬‬ ‫‪1.5‬‬ ‫‪2‬‬

‫‪f(x) 1 1.2840 2.7183 9.4877 54.5982‬‬
‫‪-5‬ﺑﺮاي داده ﻫﺎي ذﯾﻞ ﯾﮏ ﺟﺪول ﺗﻔﺎﺿﻠﯽ ﺗﻘﺴﯿﻢ ﺷﺪه ﺗﺸﮑﯿﻞ دﻫﯿﺪ ‪.‬ﺳﭙﺲ ﻣﻘﺪاري ﺑﺮاي )‪ f(0.5‬را ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪x‬‬ ‫‪0.1‬‬ ‫‪0.3‬‬ ‫‪0.4‬‬ ‫‪0.7‬‬ ‫‪0.9‬‬

‫‪f(x) 1.10517 1.34989 1.49187 2.01390 2.45985‬‬
‫‪-6‬ﺟﺪول ﺗﻔﺎﺿﻠﯽ ﻣﺮﺑﻮط ﺑﻪ ‪ f ( x) = sin x‬ﺑﺮاي ‪ x = 0 o (10 o )50 0‬را درﻧﻈﺮﺑﮕﯿﺮﯾﺪ ‪ sin(5o ) .‬و ) ‪ sin(47 o‬را‬

‫دروﻧﯿﺎﺑﯽ ﮐﻨﯿﺪ ‪.‬‬

‫‪-7‬ﺟﺪول ﺗﻔﺎﺿﻠﯽ ‪ f ( x) = e x‬را ﺑﺮاي ‪ x = 0.1(0.05)0.4‬را ﺑﻨﻮﯾﺴﯿﺪ و آﻧﮕﺎه ‪ e 0.14‬و ‪ e 0.315‬را ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﺪ ‪.‬‬

‫‪-8‬ﺑﺮاي داده ﻫﺎي زﯾﺮ ﻧﺸﺎن دﻫﯿﺪ ﮐﻪ ﯾﮏ ﺟﻤﻠﻪ اي درﺟﻪ ﺳﻮم را ﻣﯽ ﺗﻮان ﺑﻌﻨﻮان ﺗﻘﺮﯾﺐ داده ﻫﺎ ﺑﮑﺎر ﮔﺮﻓﺖ‬

‫‪x‬‬ ‫‪0‬‬ ‫‪0.2‬‬ ‫‪0.4‬‬ ‫‪0.6‬‬ ‫‪0.8‬‬ ‫‪1‬‬

‫)‪f(x‬‬ ‫‪1‬‬ ‫‪1.096‬‬ ‫‪1.048‬‬ ‫‪0.952‬‬ ‫‪0.904‬‬ ‫‪1‬‬
‫‪-9‬ﺑﺮاي داده ﻫﺎي زﯾﺮ اﺳﭙﻼﯾﻦ ﻣﮑﻌﺒﯽ را ﺗﻘﺮﯾﺐ ﺑﺰﻧﯿﺪ درﺻﻮرﺗﯿﮑﻪ ‪ M 0 = M 3 = 0‬ﺑﺎﺷﺪ آﻧﮕﺎه )‪ f(1.5‬و )‪ f (2‬را‬
‫‪′‬‬

‫ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪x 1 2 3 4‬‬
‫‪f(x) 1 5 11 8‬‬

‫‪107‬‬
 ‫‪i‬‬
‫= ‪ xi‬ﺑﻪ ازاي ‪ i=1(1)4‬داده ﺷﺪه ﺑﺎﺷﻨﺪ ‪.‬ﺗﻘﺮﯾﺐ ﭼﻨﺪ ﺟﻤﻠﻪ اي‬ ‫‪-10‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ‪, fi′ = −2 x−3 i , fi = x −2 i‬‬
‫‪2‬‬

‫ﻫﺮﻣﯿﺖ ﻣﮑﻌﺒﯽ ﻗﻄﻌﻪ ﻗﻄﻌﻪ اي را ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪-11‬اﮔﺮ ‪ (n+1) ، xn,…,x1,x0‬ﻧﻘﻄﻪ دوﺑﺪو ﻣﺘﻤﺎﯾﺰ ﺑﺎﺷﻨﺪ و )‪ Q(x‬ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي از درﺟﻪ ‪ 0 ≤ n ≤ n‬ﺑﺎﺷﺪ آﻧﮕﺎه‬

‫‪n‬‬

‫∑‬
‫‪k‬‬
‫)‪Q( xk ) Lk ( x) = Q( x‬‬
‫‪=0‬‬

‫‪b−a‬‬
‫‪ xi = a +‬ﺑﺎﺷﺪ ‪ pn(x).‬ﭼﻨﺪ ﺟﻤﻠﻪ اي دروﻧﯿﺎب )‪ f(x‬در ‪ xi‬ﻫﺎ ﺑﺎﺷﺪ )‪(i=0(1)n‬‬ ‫‪-12‬اﮔﺮ ‪ f ( x) = sin πx‬و ‪i‬‬
‫‪n‬‬

‫)‪lim p n ( x) = f ( x‬‬
‫ﺑﺮاي ]‪ x ∈ [a , b‬ﺛﺎﺑﺖ ﮐﻨﯿﺪ ‪:‬‬
‫∞→‪n‬‬

‫‪-13‬ﻧﺸﺎن دﻫﯿﺪ ﮐﻪ ﭼﻨﺪ ﺟﻤﻠﻪ اي دروﻧﯿﺎب داده ﻫﺎي زﯾﺮ ‪ ،‬درﺟﻪ ‪ 3‬اﺳﺖ ‪.‬‬

‫‪x -2 -1 0 1 2 3‬‬
‫‪f(x) 1 4 11 16 13 -4‬‬

‫‪-14‬اﮔﺮ ) ‪ φ ( x) = ( x − x0 )....( x − xn‬ﺑﺎﺷﺪ ﻧﺸﺎن دﻫﯿﺪ ﮐﻪ ‪:‬‬

‫‪n‬‬
‫) ‪f ( xi‬‬
‫∑ = ] ‪f [ x0 , x1 ,..., xn‬‬
‫) ‪i = 0 φ ′( xi‬‬

‫‪108‬‬
 ‫ﻓﺼﻞ ﭘﻨﺠﻢ‬

‫‪Approximation‬‬ ‫‪ -5‬ﺗﻘﺮﯾﺐ‬

‫ﺑﻄﻮرﮐﻠﯽ ﭼﻨﺪ ﺟﻤﻠﻪ اي ﻫﺎ ‪ ،‬ﺗﻮاﺑﻊ ﻣﺜﻠﺜﺎﺗﯽ ‪ ،‬ﻧﻤﺎﯾﯽ وﮔﻮﯾﺎ از دﺳﺘﻪ ﺗﻮاﺑﻌﯽ ﻫﺴﺘﻨﺪ ﮐﻪ ﻋﻤﻮﻣﺎً ﺑﺮاي ﺗﻘﺮﯾﺐ ﺗﻮاﺑﻊ ﻣﻮرد‬

‫اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮﻧﺪ ‪.‬از ﺑﯿﻦ اﯾﻦ ﺗﻮاﺑﻊ ‪ ،‬ﭼﻨﺪ ﺟﻤﻠﻪ اﯾﻬﺎ ﺑﻌﻠﺖ ﮐﺎرﺑﺮدﺷﺎن ﺑﯿﺸﺘﺮ از ﺑﻘﯿﻪ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ‬

‫ﮔﯿﺮﻧﺪ ‪.‬وﺟﻮد ﯾــﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي )‪ p(x‬ﮐﻪ ﺗﺎﺑﻊ ﭘـﯿﻮﺳﺘﻪ )‪ f(x‬را در ﯾﮏ ﺑﺎزه ﻣﺘﻨﺎﻫﯽ ]‪ [a,b‬ﺗﻘﺮﯾﺐ ﻣﯽ زﻧﺪ ‪.‬از ﻗﻀﯿﻪ‬

‫» واﯾﺮ اﺷﺘﺮاس« ﮐﻪ در اﺑﺘﺪاي ﻓﺼﻞ ﻗﺒﻞ ﺑﯿﺎن ﮐﺮدﯾﻢ ﺗﻀﻤﯿﻦ ﻣﯽ ﮔﺮدد ‪.‬‬

‫ﺑﺮاي ﭘﯿﺪا ﮐﺮدن ﺗﻘﺮﯾﺐ ﯾﮏ ﺗﺎﺑﻊ )‪ f(x‬ﻋﺒﺎرت زﯾﺮ را ﻣﺪﻧﻈﺮ ﻗﺮار ﻣﯿﺪﻫﯿﻢ‬

‫)‪f ( x) ≈ p ( x, e0 , e1 ,..., en ) = e0φ 0 ( x) + e1φ1 ( x) + ... + enφ n ( x‬‬ ‫)‪(5.1‬‬

‫)‪ φ i ( x‬ﺑﺮاي ‪ i=0(1)n‬ﺗﻮاﺑﻌﯽ ﻫﺴﺘﻨﺪ ﮐﻪ ﺑﻄﺮﯾﻘﯽ اﻧﺘﺨﺎب ﺷﺪه اﻧﺪ ﮐﻪ ﻣﺴﺘﻘﻞ ﺧﻄﯽ ﻫﺴﺘﻨﺪ و ‪ Ci‬ﻫﺎ ﭘﺎراﻣﺘﺮﻫﺎي ﺛﺎﺑﺘﯽ‬

‫ﻫﺴﺘﻨﺪ ﮐﻪ ﺑﺎﯾﺴﺘﯽ ﺗﻌﯿﯿﻦ ﺷﻮﻧﺪ ‪ φ i ( x) .‬را ﺗﻮاﺑﻊ ‪ Coordinate‬ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮﻧﺪ و ﻣﻌﻤﻮﻻً ﺑﻔﺮم ‪φ i ( x) = xi , i = 0(1)n‬‬

‫ﺑﺮاي ﺗﻘﺮﯾﺐ ﺑﺎ ﭼﻨﺪﺟﻤﻠﻪ اي اﻧﺘﺨﺎب ﻣﯽ ﺷﻮﻧﺪ ﺧﻄﺎي ﺗﻘﺮﯾﺐ ﺑﺼﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽ ﺷﻮد‬

‫)‪E ( f , x) = f ( x) − (C oφ 0 ( x) + C1φ1 ( x) + ... + C nφ n ( x‬‬ ‫)‪(5.2‬‬

‫ﺑﻄﻮرﯾﮑﻪ ‪ .‬ﯾﮏ ﻧﺮم ﺗﻌﺮﯾﻒ ﺷﺪه اﺳﺖ ‪ .‬ﻣﺴﺌﻠﻪ ﺗﻘﺮﯾﺐ ﻋﺒﺎرﺗﺴﺖ از ﺗﻌﯿﯿﻦ ‪ Ci‬ﻫﺎ ﺑﻄﻮرﯾﮑﻪ ﺧﻄﺎي ﺗﻘﺮﯾﺐ درﺣﺪ‬

‫اﻣﮑﺎن ﮐﻢ وﮐﻤﺘﺮ ﮔﺮدد ﺑﺎ اﺳﺘﻔﺎده از ﻧﺮم اﻓﺰارﻫﺎي ﻣﺨﺘﻠﻒ ﺗﻘﺮﯾﺒﻬﺎي ﻣﺨﺘﻠﻔﯽ را ﻣﯽ ﺗﻮان ﯾﺎﻓﺖ ‪.‬ﻫﻨﮕﺎﻣﯿﮑﻪ ﻧﺮم ﻣﻮرد‬

‫ﻧﻈﺮ اﻧﺘﺨﺎب ﺷﻮد ‪.‬ﺗﺎﺑﻌﯽ ﮐﻪ )از ﺑﯿﻦ دﺳﺘﻪ ﺗﻮاﺑﻊ ﺑﺮاي ﺗﻘﺮﯾﺐ( ﺧﻄﺎي ﺗﻘﺮﯾﺐ را ﮐﻤﺘﺮﯾﻦ ﻣﯽ ﺳﺎزد ﺑﻌﻨﻮان ﺑﻬﺘﺮﯾﻦ‬

‫ﺗﻘﺮﯾﺐ )‪ (Best Approximation‬ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد ‪.‬‬

‫ﻧﺮﻣﻬﺎﯾﯽ ﮐﻪ ﻣﻌﻤﻮﻻً ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮﻧﺪ ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬

‫داده ﻫﺎي ﮔﺴﺴﺘﻪ )‪: (Discrete Data‬‬

‫‪1‬‬
‫‪ n‬‬ ‫‪p‬‬
‫‪p‬‬
‫‪x =  ∑ xi ‬‬ ‫‪, p ≥1‬‬ ‫)‪(5.3‬‬ ‫ﻧﺮم ‪: LP :‬‬
‫‪ i =0‬‬ ‫‪‬‬

‫‪108‬‬
 ‫ﺑﻄﻮرﯾﮑﻪ }‪ x={xi‬دﻧﺒﺎﻟﻪ اي از اﻋﺪاد ﺣﻘﯿﻘﯽ وﯾﺎ ﻣﺨﺘﻠﻂ ﻫﺴﺘﻨﺪ ‪.‬‬

‫‪1‬‬
‫‪ n‬‬ ‫‪2‬‬
‫‪2‬‬
‫‪x =  ∑ xi‬‬ ‫‪‬‬
‫‪‬‬
‫)‪(5.4‬‬ ‫ﻧﺮم اﻗﻠﯿﺪﺳﯽ ‪Euclidian norm :‬‬
‫‪ i =1‬‬ ‫‪‬‬

‫ﮐﻪ ﺣﺎﻟﺖ ﺧﺎﺻﯽ از )‪ (5.3‬اﺳﺖ ﺑﺮاي ‪ p=2‬ﻫﻢ ﭼﻨﯿﻦ ﻧﺮم ﻣﺮﺑﻊ ﻧﯿﺰ ﻧﺎﻣﯿﺪه ﻣﯿﺸﻮد وﺑﺎ ‪ x 2‬ﻧﺸﺎن داده ﻣﯿﺸﻮد ‪.‬‬

‫‪x = max x j‬‬ ‫)‪(5.5‬‬

‫)‪(uniform norm‬‬ ‫ﻧﺮم ﯾﮑﻨﻮاﺧﺖ‬
‫‪1≤ j ≤ n‬‬

‫ﮐﻪ ﺣﺎﻟﺖ ﺧﺎﺻﯽ از )‪ (5.3‬ﺑﺮاي ∞ → ‪. p‬‬

‫)‪: (Continuous Data‬‬ ‫داده ﻫﺎي ﭘﯿﻮﺳﺘﻪ‬

‫اﮔﺮ ﺗﺎﺑﻊ )‪ f(x‬در ﺑﺎزه ]‪ [a,b‬ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﺪ و )‪ f ( x‬در ﺑﺎزه ]‪ [a,b‬اﻧﺘﮕﺮال ﭘﺬﯾﺮ ﺑﺎﺷﺪ آﻧﮕﺎه ‪:‬‬
‫‪p‬‬

‫‪1‬‬
‫‪ b‬‬ ‫‪p‬‬
‫‪p‬‬
‫‪f =  ∫ w( x) f ( x) dx  , p ≥ 1‬‬ ‫)‪(5.6‬‬
‫‪ a‬‬ ‫‪‬‬

‫را ﻧﺮم ‪ Lp‬ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد ﺑﻄﻮرﯾﮑﻪ ‪ ، w(x)>0‬ﺗﺎﺑﻊ وزن ﻧﺎﻣﯿﺪه ﻣﯿﺸﻮد‪ .‬ﺑﺮاي ‪ p=2‬ﻧﺮم اﻗﻠﯿﺪﺳﯽ ﯾﺎ ﻧﺮم ﻣﺮﺑﻊ ﺧﻮاﻫﯿﻢ‬

‫داﺷﺖ ‪:‬‬

‫‪1‬‬
‫‪ b‬‬ ‫‪2‬‬
‫‪f =  ∫ w( x) f 2 ( x) dx ‬‬ ‫)‪(5.7‬‬
‫‪ a‬‬ ‫‪‬‬

‫وﺑﺮاي ∞ = ‪ p‬ﻧﺮم ﯾﮑﻨﻮاﺧﺖ را دارﯾﻢ‬

‫)‪f = max f ( x‬‬ ‫)‪(5.8‬‬

‫‪a ≤ x≤b‬‬

‫ﻫﻨﮕﺎﻣﯽ ﮐﻪ از ﻧﺮم اﻗﻠﯿﺪﺳﯽ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ ﻣﺎ ﺑﺎ ﺗﻘﺮﯾﺐ ﺣﺪاﻗﻞ ﻣﺮﺑﻌﺎت ﻣﻮاﺟﻪ ﻫﺴﺘﯿﻢ و زﻣﺎﻧﯽ ﮐﻪ از ﻧﺮم ﯾﮑﻨﻮاﺧﺖ‬

‫اﺳﺘﻔﺎده ﻣﯿﺸﻮد ﻣﺎ ﺑﺎ ﺗﻘﺮﯾﺐ ﯾﮑﻨﻮاﺧﺖ )‪ (uniform‬ﺳﺮوﮐﺎر دارﯾﻢ ‪ .‬در زﯾﺮ ﺑﻪ ﺗﻘﺮﯾﺐ ﺑﺎ اﺳﺘﻔﺎده از ﺣﺪاﻗﻞ ﻣﺮﺑﻌﺎت‬

‫ﺑﺼﻮرت ﮔﺴﺴﺘﻪ و ﭘﯿﻮﺳﺘﻪ ﻣﯽ ﭘﺮدازﯾﻢ ‪.‬‬

‫‪109‬‬
 ‫‪ -1-5‬روش ﺣﺪاﻗﻞ ﻣﺮﺑﻌﺎت‬

‫روش ﺣﺪاﻗﻞ ﻣﺮﺑﻌﺎت از ﺟﻤﻠﻪ ﻣﻮارد ﺗﻘﺮﯾﺒﯽ اﺳﺖ ﮐﻪ ﺑﺴﯿﺎر ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮد ‪ .‬اﯾﻦ روش ﺑﺮاي ﺗﻘﺮﯾﺐ‬

‫ﺗﺎﺑﻊ )‪ f(x‬ﮐﻪ ﻣﻤﮑﻦ اﺳﺖ ﺑﻮﺳﯿﻠﻪ داده ﻫﺎي ﺟﺪوﻟﯽ ﺑﺎﺷﺪ وﯾﺎ ﺑﻄﻮر ﺻﺮﯾﺢ در ﯾﮏ ﺑﺎزه ﻣﻌﯿﻦ داده ﺷﺪه ﺑﺎﺷﺪ ‪ .‬در اﯾﻦ‬

‫روش ﻣﺎ ﺑﻪ ﺗﺮﺗﯿﺐ از ﻧﺮم اﻗﻠﯿﺪﺳﯽ )‪ (5.4‬و )‪ (5.7‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ ‪ .‬از دﯾﺪﮔﺎه روش ﺣﺪاﻗﻞ ﻣﺮﺑﻌﺎت ‪ ،‬ﺑﻬﺘﺮﯾﻦ‬

‫ﺗﻘﺮﯾﺐ زﻣﺎﻧﯽ ﮐﻪ ﺛﺎﺑﺘﻬﺎي ‪ Ci‬ﺑﺮاي ‪ i=0(1)n‬ﺑﻄﺮﯾﻘﯽ ﺗﻌﯿﯿﻦ ﻣﯽ ﺷﻮﻧﺪ ﮐﻪ در ﻣﺠﻤﻮع ‪ w(x)E2‬روي ﯾﮏ داﻣﻨﻪ داده‬

‫ﺷﺪه ‪ D‬ﺑﺤﺪ اﻣﮑﺎن ﮐﻮﭼﮑﺘﺮ ﮔﺮدد ‪ .‬ﺑﺮاي ﺗﺎﺑﻌﯽ ﮐﻪ ﻣﻘﺎدﯾﺮ آن در ‪ N+1‬ﻧﻘﻄﻪ ‪ xn,…,x1,x0‬داده ﺷﺪه ﺑﺎﺷﺪ دارﯾﻢ ‪:‬‬

‫‪2‬‬
‫‪N‬‬
‫‪‬‬ ‫‪n‬‬
‫‪‬‬
‫‪I (C0 , C1 ,..., C n ) = ∑ w( xk )  f ( xk ) − ∑ Ciφ i ( xk ) = min‬‬ ‫)‪(5.9‬‬
‫‪k =0‬‬ ‫‪‬‬ ‫‪i =0‬‬ ‫‪‬‬

‫ﺑﺮاي ﺗﺎﺑﻌﯽ ﮐﻪ در ]‪ [a,b‬ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﺪ وﺑﻄﻮرﺻﺮﯾﺢ داده ﺷﺪه ﺑﺎﺷﺪ دارﯾﻢ ‪:‬‬

‫‪2‬‬
‫‪b‬‬ ‫‪‬‬ ‫‪n‬‬
‫‪‬‬
‫‪I (C0 , C1 ,..., C n ) = ∫ w( x)  f ( x) − ∑ Ciφ i ( x) dx = min‬‬ ‫)‪(5.10‬‬
‫‪a‬‬
‫‪‬‬ ‫‪i =0‬‬ ‫‪‬‬

‫‪φ i ( x) = xi , i = 0(1)n ,‬‬ ‫)‪ φ i ( x‬ﺗﻮاﺑﻊ ‪ Coordinate‬ﻣﻌﻤﻮﻻً ﺑﻔﺮم زﯾﺮ اﻧﺘﺨﺎب ﻣﯽ ﮔﺮدﻧﺪ ‪:‬‬

‫و ‪ w( x) = 1‬ﺷﺮط ﻻزم ﺑﺮاي آﻧﮑﻪ )‪ (5.9‬و)‪ (5.10‬ﻣﯿﻨﯿﻤﻢ ﮔﺮدﻧﺪ آن اﺳﺖ ﮐﻪ ‪:‬‬

‫‪∂I‬‬
‫‪=0‬‬ ‫‪,‬‬ ‫‪i = 0(1)n‬‬ ‫)‪(5.11‬‬
‫‪∂ci‬‬

‫اﯾﻦ ﺷﺮط ﯾﮏ دﺳﺘﮕﺎه ﺧﻄﯽ )‪ (N+1‬ﻣﻌﺎدﻟﻪ و )‪ (N+1‬ﻣﺠﻬﻮل ‪ Cn,….,C1,C0‬را اﯾﺠﺎد ﻣﯽ ﻧﻤﺎﯾﺪ ﮐﻪ ﻣﻌﺎدﻻت ﻧﺮﻣﺎل‬

‫ﺧﻮاﻧﺪه ﻣﯿﺸﻮﻧﺪ ‪.‬ﻣﻌﺎدﻻت ﻧﺮﻣﺎل ﺑﺮاي )‪ (5.9‬و )‪ (5.10‬ﺑﻪ ﺗﺮﺗﯿﺐ ﺑﺼﻮرت زﯾﺮ ﺧﻮاﻫﻨﺪ ﺑﻮد ‪:‬‬

‫‪N‬‬
‫‪‬‬ ‫‪n‬‬
‫‪‬‬
‫‪∑ w( xk )  f ( xk ) − ∑ Ciφi ( xk )φ j ( xk ) = 0 , j = 0(1)n‬‬
‫‪k =0‬‬ ‫‪‬‬ ‫‪i =0‬‬ ‫‪‬‬
‫)‪(5.12‬‬

‫‪b‬‬ ‫‪‬‬ ‫‪n‬‬

‫‪‬‬
‫‪∫a‬‬ ‫‪w( x)  f ( x) − ∑ Ciφ i ( x)φ j ( x)dx = 0 , j = 0(1)n‬‬ ‫)‪(5.13‬‬
‫‪‬‬ ‫‪i =0‬‬ ‫‪‬‬

‫در زﯾﺮ اﺑﺘﺪا ﻣﺎ روش ﺣﺪاﻗﻞ ﻣﺮﺑﻌﺎت ﮔﺴﺴﺘﻪ را ﺳﺎده ﺗﺮﯾﻦ ﺷﮑﻞ آن ﺑﮑﺎر ﻣﯽ ﮔﯿﺮﯾﻢ ‪.‬ﺳﺎده ﺗﺮﯾﻦ ﺗﺎﺑﻌﯽ ﮐﻪ ﻣﯽ ﺗﻮان‬

‫ازﯾﮏ ﺳﺮي ﻧﻘﺎط ﺑﮕﺬراﻧﯿﻢ ﯾﮏ ﺧﻂ ﻣﺴﺘﻘﯿﻢ اﺳﺖ ﻣﺎﻧﻨﺪ ‪:‬‬

‫‪110‬‬
g ( x) = C0 + C1 x
I K = yk − g ( xk ) = yK − (C 0 + C1 xk ) , k = 0(1) N
N N 2

I = ∑d 2
k = ∑ [( yk − (C0 + C1 xk )]
k =0 k =0

. ‫ ﻣﯿﻨﯿﻤﻢ ﮔﺮدد‬I ‫ راﺑﻄﺮﯾﻘﯽ ﺑﯿﺎﺑﯿﻢ ﮐﻪ‬C1,C0 ‫ ﺣﺪاﻗﻞ ﺷﻮد ﺑﺎﯾﺪ‬I ‫اﮔﺮ ﺑﺨﻮاﻫﺒﻢ‬

: ‫ﭘﺲ ﺑﺎﯾﺪ‬

∂I N N N
= −2∑ [ yk − (C 0 + C1 xk )] = 0 ⇒ ∑ (C 0 + C1 xk ) = ∑ yk
∂C 0 k =0 k =0 k =0

∂I N N N
= −2∑ xk [ yk − (C0 + C1 xk )] = 0 ⇒ ∑ xk (C0 + C1 xk ) = ∑ xk yk
∂C1 k =0 k =0 k =0

: ‫ ﻣﯽ ﺗﻮان ﺑﺎ ﻧﻤﺎﯾﺶ ﻣﺎﺗﺮﯾﺲ زﯾﺮ ﻫﻢ ﻧﺸﺎن داد‬-2 ‫رواﺑﻂ ﻓﻮق را ﺑﺎ ﺗﻘﺴﯿﻢ ﺑﺮ‬

 A11 A12  C 0   Z1 
 A A  C  =  Z 
 21 22   1   2
N N
A11 = N , A12 = ∑ xk , Z1 = ∑ yk
k =0 k =0
N N N
A21 = ∑ xk , A22 = ∑ x2 k , Z 2 = ∑ xk yk
k =0 k =0 k =0

: ‫از ﺣﻞ دﺳﺘﮕﺎه ﻓﻮق دارﯾﻢ‬

A22 Z1 − A12 Z 2 A11 Z 2 − A21 Z1

C0 = , C1 =
A11 A22 − A12 A21 A11 A22 − A12 A21

‫ از راﺑﻄﻪ زﯾﺮ ﺑﺎ ﮐﻤﮏ راﺑﻄﻪ ﻓﻮق ﯾﮏ ﺧﻂ ﻋﺒﻮر ﻣﯽ دﻫﯿﻢ‬: 1-5 ‫ﻣﺜﺎل‬

k xk yk x2k xkyk A11 = 6

1 0.1 0.61 0.01 0.061 A12 = ∑ xk = A21 = 3.3
2 0.4 0.92 0.16 0.368 A22 = ∑ x 2 k = 2.21
3 0.5 0.99 0.25 0.495 Z1 = ∑ yk = 7.54
4 0.7 1.52 0.49 1.064 Z2 = ∑ xk yk = 4.844
k =0
5 0.7 1.47 0.49 1.029
6 0.9 2.03 0.81 1.827
3.3 7.54 2.21 4.844

111
6 3.3  C0  7.54 
3.3 2.21 C  = 4.844
  1   
2.21× 7.54 − 3.3 × 4.844
C0 = = 0.2862
6 × 2.22 − 3.3 × 3.3
6 × 4.844 − 3.3 × 7.54
C1 = = 1.7646
6 × 2.22 − 3.3 × 3.3
g ( x) = 0.2862 + 1.7646 x

: ‫روش ﺣﺪاﻗﻞ ﻣﺮﺑﻌﺎت در ﺣﺎﻟﺖ ﮐﻠﯽ‬

: ‫ ام ﻣﺎﻧﻨﺪ‬n ‫({ ﺑﺎ ﯾﮏ ﭼﻨﺪﺟﻤﻠﻪ اي درﺟﻪ‬xi,yi)| i=1(1)M} ‫ﻣﺴﺄﻟﻪ ﮐﻠﯽ ﺗﻘﺮﯾﺐ ﺳﺎزي ﻣﺠﻤﻮﻋﻪ اي از داده ﻫﺎ ﯾﻌﻨﯽ‬

n
Pn ( x) = ∑ a j x j n<M
j =0

M M 2

I = ∑ I i = ∑ [ yi − p n ( xi )]
2

i =1 i =1
M M M
= ∑ yi − 2∑ p n ( xi ) yi + ∑ ( p n ( xi )) 2
2

i =1 i =1 i =1
M M M M n
= ∑ yi − 2∑ (∑ a j xi ) yi + ∑ (∑ a j xi ) 2
2 j j

i =1 i =1 j =0 i =1 j =0
M n M n n M
= ∑ yi − 2∑ a j ∑ xi yi + ∑∑ a j a k (∑ xi
2 j j+k
)
i =1 j =0 i =1 j = 0 k =0 i =1

∂I M n M
= −2∑ xi yi + 2∑ a k ∑ xi
j j+k
j = 0(1)n
∂a j i =1 k =0 i =1
n M M

∑ a k ∑ xi = ∑ yi xi
j+k j
j = 0(1)n : ‫ﺳﺮاﻧﺠﺎم ﻣﻌﺎدﻟﻪ ﻧﺮﻣﺎل ﺑﻪ ﺻﻮرت‬
k =0 i =1 i =0

: ‫ﯾﺎ ﺑﺼﻮرت زﯾﺮ‬

 M M M M

a 0 ∑1 + a1 ∑ xi + ... + a n ∑ xi = ∑ yi
1 n

 i =0 i =0 i =0 i =0

 M 1 M M M
 0∑ i 1∑ i n∑ i ∑
2 n +1
a x + a x + ... + a x = yi xi 1
 i =0 i =0 i =0 i =0
 M n M M M
a 0 ∑ xi + a1 ∑ xi + ... + a n ∑ xi = ∑ yi xi
n +1 2n n

 i =0 i =0 i =0 i =0

. ‫ را ﯾﺎﻓﺖ‬a n ,...a1 , a 0 ‫ﺑﺎ ﺣﻞ دﺳﺘﮕﺎه ﻓﻮق ﻣﯽ ﺗﻮان‬

: ‫ ﺣﺎل اﮔﺮ از ﻧﻘﺎط ﻣﺜﺎل ﻓﻮق ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي درﺟﻪ دوم ﻋﺒﻮر دﻫﯿﺪ‬: 2-5 ‫ﻣﺜﺎل‬

112
 ‫‪i‬‬ ‫‪xi‬‬ ‫‪yi‬‬ ‫‪x2i‬‬ ‫‪x3 i‬‬ ‫‪x4i‬‬ ‫‪xiyi‬‬ ‫‪x2iyi‬‬
‫‪1 0.1 0.61 0.01 0.001 0.0001 0.061 0.0061‬‬
‫‪2 0.4 0.92 0.16 0.064 0.0256 0.368 0.1472‬‬
‫‪3 0.5 0.99 0.25 0.125 0.0625 0.495 0.2475‬‬
‫‪4 0.7 1.52 0.49 0.343 0.2401 1.064 0.7448‬‬
‫‪5 0.7 1.47 0.49 0.343 0.2401 1.029 0.7203‬‬
‫‪6 0.9 2.03 0.81 0.729 0.6561 1.827 1.6443‬‬
‫‪3.3 7.54 2.21 1.605 1.2245 4.844 3.5102‬‬

‫‪∑ xi = 3.3‬‬ ‫‪∑ xi = 2.21‬‬ ‫‪∑ xi = 1.605‬‬ ‫‪∑x‬‬

‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬
‫‪M =6‬‬ ‫‪1‬‬ ‫‪= 1.2245‬‬

‫‪∑ yi = 7.54‬‬ ‫‪∑ xi yi = 4.844‬‬ ‫‪∑ xi yi = 3.5102‬‬

‫‪2‬‬

‫‪M‬‬ ‫‪∑ xi ∑ xi  a 0  ∑ yi ‬‬

‫‪2‬‬

‫‪‬‬
‫‪∑ xi‬‬ ‫∑‬ ‫‪xi 2‬‬ ‫∑‬ ‫‪xi 3  a1  = ∑ xi yi ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪∑ xi‬‬ ‫‪∑ xi ∑ xi  a 2  ∑ x1 yi ‬‬
‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪2‬‬

‫‪6‬‬ ‫‪3.3‬‬ ‫‪2.21  a 0  7.54 ‬‬

‫‪3.3‬‬ ‫‪ ‬‬
‫‪‬‬ ‫‪2.21‬‬ ‫‪1.605  a1  = 4.844‬‬
‫‪1.21 1.605 1.2245 a 2  3.502 ‬‬
‫‪6‬‬ ‫‪3.3‬‬ ‫‪2.21  a 0  7.54 ‬‬ ‫‪a 2 = 1.7312‬‬
‫‪0‬‬ ‫‪‬‬ ‫‪  ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪0.395 0.3895 a1  = 0.697  ⇒ a1 = 0.0576‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0.0264 a 2  0.0457‬‬ ‫‪a = 0.5873‬‬
‫‪ 0‬‬

‫ﺗﻮﺟﻪ ‪:‬‬

‫در ﺣﻞ ﻣﻌﺎدﻻت ﻓﻮق دﺳﺘﮕﺎه ﺣﺎﺻﻠﻪ اﻏﻠﺐ ﻧﺴﺒﺖ ﺑﻪ ﺧﻄﺎي ﮔﺮدﮐﺮدن ﺣﺴﺎس ﻫﺴﺘﻨﺪ ‪.‬اﯾﻦ ﭘﺪﯾﺪه ﻫﻨﮕﺎﻣﯽ رخ ﻣﯽ‬

‫دﻫﺪ ﮐﻪ دﺗﺮﻣﯿﻨﺎن ﻣﺎﺗﺮﯾﺲ ﺿﺮاﺋﺐ دﺳﺘﮕﺎه ﻣﻌﺎدﻻت ﻋﺪد ﮐﻮﭼﮑﯽ ﺑﺎﺷﺪ ﯾﺎ ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ دﺳﺘﮕﺎه ﺣﺎﺻﻠﻪ ﺑﺪ وﺿﻊ‬

‫ﻣﯽ ﺷﻮﻧﺪ ‪.‬ﻟﺬا ﺑﺎﯾﺴﺘﯽ دﻗﺖ ﮐﺮد وﻫﻤﻮاره ﻣﺸﮑﻼت ﺣﻞ دﺳﺘﮕﺎه ﻫﺎي ﺣﺎﺻﻠﻪ را ﻣﺪﻧﻈﺮ ﻗﺮار داد ‪.‬‬

‫‪113‬‬
 ‫‪ -2-5‬ﺗﻘﺮﯾﺐ ﮐﻤﺘﺮﯾﻦ ﻣﺮﺑﻌﺎت ﮔﺴﺴﺘﻪ ﺗﻮﺳﻂ ﺗﺮﮐﯿﺐ ﺧﻄﯽ ﺗﻮاﺑﻊ‬

‫ﺑﻪ ﺟﺎي ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي ﻣﯽ ﺗﻮان ﯾﮏ ﺗﺮﮐﯿﺐ ﺧﻄﯽ از ﺗﻮاﺑﻊ ﻣﺸﺨﺺ را از ﻧﻘﺎط ﻣﻮرد ﻧﻈﺮ ﻋﺒﻮر داد ‪.‬ﻃﺒﻌﺎً ﻋﺒﻮر‬

‫ﭼﻨﺪ ﺟﻤﻠﻪ اي ﺣﺎﻟﺖ ﺧﺎﺻﯽ ﺧﻮاﻫﺪ ﺑﻮد ﮐﻪ درآن ﺗﻮاﺑﻊ ﻣﺸﺨﺺ ﻋﺒﺎرﺗﻨﺪ از ﺗﻮاﻧﻬﺎي ﻣﺨﺘﻠﻒ ‪. x‬ﻧﺤﻮه ﺑﺪﺳﺖ آوردن‬

‫ﺿﺮﯾﺐ ﻫﺮﺗﺎﺑﻊ در اﯾﻦ ﺗﺮﮐﯿﺐ ﺧﻄﯽ ﻣﺸﺎﺑﻪ ﺣﺎﻟﺘﻬﺎي ﻗﺒﻞ ﻗﺎﺑﻞ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺑﺎﺷﻨﺪ ‪ .‬ﺗﺮﮐﯿﺐ ﺧﻄﯽ ﺗﻮاﺑﻊ ﻣﻮرد ﻧﻈﺮ‬

‫ﻋﺒﺎرت ﺧﻮاﻫﺪ ﺑﻮد از ‪:‬‬

‫‪n‬‬
‫)‪g ( x) = a 0 f0 ( x) + a1 f1 ( x) + ... + a n fn ( x) = ∑ a j f j ( x‬‬ ‫)‪(5.14‬‬
‫‪j =0‬‬

‫در راﺑﻄﻪ )‪ f0 (5.14‬ﺗﺎ ‪ fn‬ﺗﻮاﺑﻊ ﺷﻨﺎﺧﺘﻪ ﺷﺪه و ‪ a0‬ﺗﺎ ‪ an‬ﺿﺮاﯾﺒﯽ ﻫﺴﺘﻨﺪ ﮐﻪ ﺑﺎ اﻧﺘﺨﺎب ﻣﻨﺎﺳﺐ آﻧﻬﺎ ﺑﺎﯾﺪ ﻣﺠﻤﻮع‬

‫ﻣﺠﺬور اﻧﺤﺮاف ﺗﺎﺑﻊ )‪ g(x‬از ﻧﻘﺎط ﻣﻮرد ﻧﻈﺮ ﺑﻪ ﺣﺪاﻗﻞ ﺑﺮﺳﺪ و ‪ n+1‬ﺗﻌﺪاد ﺗﻮاﺑﻊ ﺷﻨﺎﺧﺘﻪ ﺷﺪه اي ﮐﻪ ﺑﺮاي ﺣﻞ‬

‫ﻣﺴﺎﻟﻪ ﺑﮑﺎر ﻣﯽ روﻧﺪ ‪ ،‬ﻣﯽ ﺑﺎﺷﺪ ‪.‬اﻧﺤﺮاف ﻣﻨﺤﻨﯽ ﺗﺎﺑﻊ )‪ g(x‬از ﻫﺮﯾﮏ از ﻧﻘﺎط ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪n‬‬
‫) ‪I i = yi − g ( xi ) = yi − ∑ a j f j ( xi‬‬ ‫‪i = 1,2,........., m‬‬ ‫)‪(5.15‬‬
‫‪j =0‬‬

‫ﻣﺠﻤﻮع ﻣﺮﺑﻌﺎت اﯾﻦ اﻧﺤﺮاﻓﻬﺎ ﺑﺮاﺑﺮاﺳﺖ ﺑﺎ ‪:‬‬

‫‪2‬‬
‫‪m‬‬ ‫‪‬‬‫‪m‬‬ ‫‪n‬‬ ‫‪‬‬
‫‪I = ∑ (d i ) = ∑  yi − ∑ a j f j ( xi )‬‬
‫‪2‬‬
‫)‪(5.16‬‬
‫‪i =1‬‬ ‫‪i =1 ‬‬ ‫‪j =0‬‬ ‫‪‬‬
‫درﻧﺘﯿﺠﻪ ﺑﺮاي ﺣﺪاﻗﻞ ﺷﺪن ‪ I‬ﺑﺎﯾﺪ ‪:‬‬

‫‪∂I‬‬
‫‪=0‬‬ ‫‪j = 0,1,...., n‬‬ ‫)‪(16‬‬
‫‪∂a j‬‬

‫ﻟﺬا ﺿﺮاﺋﺐ ‪ a0‬ﺗﺎ ‪ an‬از راﺑﻄﻪ زﯾﺮ ﻗﺎﺑﻞ ﻣﺤﺎﺳﺒﻪ ﺧﻮاﻫﻨﺪ ﺑﻮد ‪:‬‬

‫‪n‬‬
‫‪m‬‬ ‫‪‬‬ ‫‪m‬‬

‫∑‬ ‫) ‪∑ k i j i  k ∑ yi fk ( xi‬‬

‫‪k = 0  i =1‬‬
‫‪f‬‬ ‫(‬ ‫‪x‬‬ ‫)‬ ‫‪f‬‬ ‫(‬ ‫‪x‬‬ ‫)‬
‫‪‬‬
‫‪a‬‬ ‫=‬
‫‪i =1‬‬
‫‪j = 0,1,...., n‬‬ ‫)‪(5.18‬‬

‫‪114‬‬
‫ ﻣﺠﻬﻮل اﺳﺖ ﮐﻪ ﺑﺎ روش ﺣﺬﻓﯽ ﮔﺎوس ﻗﺎﺑﻞ ﺣﻞ ﻣﯽ ﺑﺎﺷﺪ ﺷﮑﻞ ﻣﺎﺗﺮﯾﺴﯽ‬n+1 ‫ ﻣﻌﺎدﻟﻪ و‬n+1 ‫دﺳﺘﮕﺎه ﻓﻮق داراي‬

: ‫( ﮐﻪ ﺑﺮاي ﺑﺨﺎﻃﺮ ﺳﭙﺮدن ﻣﻨﺎﺳﺒﺘﺮ ﻣﯽ ﺑﺎﺷﺪ ﻋﺒﺎرت اﺳﺖ از‬5.18) ‫راﺑﻄﻪ‬

m m m
 m 
∑ f0 ( xi ) f0 ( xi ) ∑ f0 ( xi ) f1 ( xi ) ... ∑ f0 ( xi ) f N ( xi )  a 0  ∑ f0 ( xi ) yi 
 i =1 i =1 i =1
    i =1 
m m m
  m 
∑ f1 ( xi ) f0 ( xi ) ∑ f1 ( xi ) f1 ( xi ) ... ∑ f1 ( xi ) f N ( xi )    ∑ f1 ( xi ) yi 
 i =1 i =1 i =1  a   i =1 
. . .   1  = . 
    
 . .    . 
. . .    . 
m     
    f (x ) y 
m m m
 f (x ) f (x )
∑ ∑ ∑ a N  ∑ N i i 
N i 0 i f N ( x i ) f1 ( xi ) ... f N ( xi ) f N ( x )
i  
i =1 i =1 i =1   i =1 

‫ را در ﺗﺎﺑﻊ زﯾﺮ ﺑﻨﺤﻮي ﺑﺪﺳﺖ آورﯾﺪ ﮐﻪ ﻣﻨﺤﻨﯽ ﺗﺎﺑﻊ ﺑﻪ ﺑﻬﺘﺮﯾﻦ ﺷﮑﻞ از ﻧﻘﺎط ﻣﺜﺎﻟﻬﺎي‬a2 ‫ ﺗﺎ‬a0 ‫ ﺿﺮاﺋﺐ‬: 3-5 ‫ﻣﺜﺎل‬

. ‫ﻓﻮق ﻋﺒﻮرﮐﻨﺪ‬

g ( x) = a1 x + a 2 ln x + a 3 e x : ‫ﺣﻞ‬

: ‫ﻣﻌﺎدﻟﻪ ﻧﺮﻣﺎل دراﯾﻦ ﺣﺎﻟﺖ ﻋﺒﺎرﺗﺴﺖ از‬

m m m
  m

∑ f0 ( xi ) f0 ( xi ) ∑ f0 ( xi ) f1 ( xi ) ... ∑ f0 ( xi ) f2 ( xi )  a 0  ∑ f0 ( xi ) yi 
 i =1 i =1 i =1
    i =1 
m m m
  m 
∑ f1 ( xi ) f0 ( xi ) ∑ f1 ( xi ) f2 ( xi ) ... ∑ f1 ( xi ) f2 ( xi )  a1  = ∑ f1 ( xi ) yi 
 i =1 i =1 i =1     i =1 
m m m   m 
∑ f2 ( xi ) f0 ( xi ) ∑ f1 ( xi ) f2 ( xi ) ... ∑ f2 ( xi ) f2 ( xi ) a 2  ∑ f2 ( xi ) yi 
 i =1 i =1 i =1   i =1 

f0 ( x) = x, f1 ( x) = ln( x), f 2 ( x) = e x : ‫ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎي ﺟﺪوﻟﯽ ﻣﺜﺎل ﻓﻮق دارﯾﻢ‬

i f0=xi yi f0f0 f0f1 f0f2 f1f1 f1f2 f2f2 f 0y f 1y f2y

1 0.1 0.61 0.01 -0.2303 0.1105 0.053019 -2.5448 1.2214 0.061 -1.4046 0.6742
2 0.4 0.92 0.16 -0.3665 0.5967 0.8396 -1.3669 2.2255 0.368 -0.8430 1.3725
3 0.5 0.96 0.25 -0.3466 0.8244 0.4805 -1.1428 2.7183 0.495 -0.6862 1.6322
4 0.7 1.52 0.49 -0.2497 1.4096 0.1272 -0.7182 4.0552 1.064 -0.5421 3.0609
5 0.7 1.47 0.49 -0.2497 1.4096 0.1272 -0.7182 4.0552 1.209 -0.5243 2.9602

115
6 0.9 2.03 0.81 -0.0948 2.2136 0.0111 -0.2591 6.0496 1.827 -0.2134 4.9930
3.3 7.54 2.21 -1.5576 6.5644 1.6386 -6.7500 20.3252 4.884 -4.2141 14.693

: ‫ﺑﺎ اﺳﺘﻔﺎده از ﺣﺎﺻﻞ ﺟﻤﻊ ﺳﺘﻮﻧﻬﺎي ﻣﺨﺘﻠﻒ از ﺟﺪول ﻓﻮق در ﻣﻌﺎدﻟﻪ ﻧﺮﻣﺎل دارﯾﻢ‬

2.21 − 1.5376 6.5644  a 0  4.844 

− 1.5376 1.6386 − 6.7500  a  = − 4.2141
  1   
6.5644 − 6.7500 20.3252  a 2  14.693 

‫ﺑﺎ ﺣﻞ ﺳﯿﺴﺘﻢ ﻓﻮق ﺿﺮاﺋﺐ را ﺑﺼﻮرت زﯾﺮ ﻣﯽ ﯾﺎﺑﯿﻢ‬

a 0 = 6.1872 a1 = −0.7123 a 2 = −1.5119

: ‫ ﺗﻘﺮﯾﺐ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺮﮐﯿﺐ ﺧﻄﯽ از ﺗﻮاﺑﻊ‬3-5

n
g ( x) = ∑ a jφ j ( x)
j =0
b n
I (a 0 , a1 ,..., a n ) = ∫ ( f ( x) − ∑ a jφ j ( x)) 2 dx
a j =0
2
b b n  n b

= ∫ f ( x)dx − 2 ∫ f ( x)∑ a jφ j ( x)dx + ∫  ∑ a jφ j ( x)  dx
2

a a j =0 a  j =0 

∂I
=0 j = 0(1)n
∂a j
b b
∂I n
= −2 ∫ f ( x)φ j dx + 2∑ a k ∫ φ k ( x)φ j ( x)dx = 0
∂a j a k =1 a
n b b

∑ a k ∫ φ j ( x)φ k ( x)dx = ∫ f ( x)φ j ( x)dx , j = 0(1)n

k =0 a a

: ‫ را ﺑﺘﻮان ﺑﺎ اﯾﻦ ﺧﺎﺻﯿﺖ‬φ 0 ( x),...φ n ( x) ‫ﺣﺎل اﮔﺮ‬

∫a φ j ( x)φ k ( x)dx = 0 j≠k

: ‫دﺳﺘﮕﺎه ﻧﺮﻣﺎل ﺑﺼﻮرت زﯾﺮ‬

116
 b b
a j ∫ [φ j ( x)]2 dx = ∫ f ( x)φ j ( x), j = 0(1)n
a a
b

∫a f ( x)φ j ( x)dx
aj = b
, j = 0(1)n
∫a [φ j ( x)]
2
dx

b
. ∫ [φ j ( x)]2 dx ≠ 0 ‫ﻣﺸﺮوط ﺑﺮ اﯾﻨﮑﻪ‬
a

f ‫[ ﺑﺎﺷﺪ آﻧﮕﺎه ﺗﻘﺮﯾﺐ ﮐﻤﺘﺮﯾﻦ ﻣﺮﺑﻌﺎت ﺑﻪ‬a,b] ‫{ ﯾﮏ ﻣﺠﻤﻮﻋﻪ ﻣﺘﻌﺎﻣﺪ ار ﺗﻮاﺑﻊ ﺑﺮﺑﺎزه‬φ 0 ,....φ n } ‫ ﻫﺮﮔﺎه‬: 1-5 ‫ﻗﻀﯿﻪ‬

: ‫ ﻋﺒﺎرﺗﺴﺖ از‬φ 0 ,....φ n ‫[ ﺑﺎ اﺳﺘﻔﺎده از‬a,b]‫ﺑﺮ‬

n ∫a f ( x)φ j ( x)dx b
P ( x) = ∑ a kφ j ( x) ; a k = b
= 1 ∫ f ( x)φ j ( x)dx
αj
∫a [φ j ( x)]
j =0 2 a
dx

: ‫ ﺗﻘﺮﯾﺐ ﮐﻤﺘﺮﯾﻦ ﻣﺮﺑﻌﺎت ﭘﯿﻮﺳﺘﻪ‬4-5

: ‫ ﻣﻔﺮوض ﺑﺎﺷﺪ‬Pn(x) ‫ ام ﻣﺎﻧﻨﺪ‬n ‫ وﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي درﺟﻪ‬f ∈ c[a , b] ‫ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ‬

1
b  2
f ( x) − p n ( x) 2 =  ∫ [ f ( x) − p n ( x)]2 dx = min
a 
2
b
 n 
I (a 0 , a1 ,..., a n ) = ∫  f ( x) − (∑ a j x j ) dx
a  j =0 
‫ﻣﺠﺬورات ﺧﻄﯽ‬ 2
b b n  n  b
= ∫ f ( x)dx − 2 ∫ f ( x)∑ a j x dx + ∫  ∑ a j x j  dx
2 j

a a j =0 a  j =0 

117
 ‫‪∂I‬‬
‫‪=0‬‬ ‫‪j = 0(1)n‬‬
‫‪∂a j‬‬
‫‪b‬‬ ‫‪b‬‬
‫‪∂I‬‬ ‫‪n‬‬
‫‪= −2 ∫ x j f ( x)dx + 2∑ a k ∫ x j + k dx = 0‬‬ ‫‪j = 0(1)n‬‬
‫‪∂a j‬‬ ‫‪a‬‬ ‫‪k =0‬‬ ‫‪a‬‬
‫‪n‬‬ ‫‪b‬‬ ‫‪b‬‬
‫∴‬ ‫∑‬ ‫‪ak ∫ x‬‬ ‫‪j+k‬‬
‫‪dx = ∫ x j f ( x)dx‬‬ ‫‪j = 0(1)n‬‬
‫‪k‬‬ ‫‪=0‬‬ ‫‪a‬‬ ‫‪a‬‬ ‫ﻣﻌﺎدﻟﻪ ﻧﺮﻣﺎل ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫ﻣﺜﺎل ‪ : 4– 5‬ﭼﻨﺪﺟﻤﻠﻪ اي ﺗﻘﺮﯾﺒﯽ ﮐﻤﺘﺮﯾﻦ ﻣﺮﺑﻌﺎت درﺟﻪ دوم را ﺑﺮاي ‪ f ( x) = sin πx‬در ﻓﺎﺻﻠﻪ ]‪ [0,1‬ﭘﯿﺪا ﮐﻨﯿﺪ ‪.‬‬

‫‪p 2 ( x) = a 2 x 2 + a1 x + a 0‬‬
‫‪2‬‬ ‫‪b‬‬ ‫‪b‬‬

‫‪∑ a k ∫ x j +k dx = ∫ x j sin πx dx‬‬

‫‪k =0‬‬
‫‪j = 0(1)2‬‬
‫‪a‬‬ ‫‪a‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪a 0 ∫ dx + a1 ∫ xdx + a 2 ∫ x2 dx = ∫ sin πxdx‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪a 0 ∫ xdx + a1 ∫ x 2 dx + a 2 ∫ x3 dx = ∫ x sin πxdx‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪a 0 ∫ x2 dx + a1 ∫ x3 dx + a 3 ∫ x4 dx = ∫ x 2 sin πxdx‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬

‫‪a 0 = −0.050465 , a1 = 4.12251 , a 2 = −4.12251‬‬

‫ﺗﻌﺮﯾﻒ ‪: 1-5‬‬

‫ﯾﮏ ﻣﺠﻤﻮﻋﻪ از ﺗﻮاﺑﻊ })‪ {φi ( x‬را درﻓﺎﺻﻠﻪ ]‪ [a,b‬ﻧﺴﺒﺖ ﺑﻪ ﺗﺎﺑﻊ وزن )‪ w(x‬ﻣﺘﻌﺎﻣﺪ ﮔﻮﯾﻨﺪ ﻫﺮﮔﺎه ‪:‬‬

‫‪b‬‬

‫‪∫a w( x)φ j ( x)φi ( x) dx = 0‬‬ ‫‪,‬‬ ‫‪j≠i‬‬

‫ﺗﻌﺮﯾﻒ ‪: 2-5‬‬

‫ﯾﮏ ﻣﺠﻤﻮﻋﻪ از ﺗﻮاﺑﻊ })‪ {φi ( x‬را روي ﯾﮏ ﻣﺠﻤﻮﻋﻪ از ﻧﻘﺎط } ‪ {xi‬ﻧﺴﺒﺖ ﺑﻪ ﺗﺎﺑﻊ وزن )‪ w(x‬ﻣﺘﻌﺎﻣﺪ ﮔﻮﯾﻨﺪ ﻫﺮﮔﺎه ‪:‬‬

‫‪N‬‬

‫∑‬
‫‪i‬‬
‫‪w( xi )φ j ( xi )φ k ( xi ) = 0‬‬
‫‪=0‬‬
‫‪,‬‬ ‫‪k≠ j‬‬

‫‪ 5-5‬روﻧﺪ ﻣﺘﻌﺎﻣﺪ ﺳﺎزي ﮔﺮام‪ -‬اﺷﻤﯿﺖ ‪Gram - Schmidt :‬‬

‫‪118‬‬
‫ﭼﻨﺪﺟﻤﻠﻪ اي )‪ φ i ( x‬درﺟﻪ ‪ i‬ﻣﻔﺮوض اﺳﺖ ‪.‬ﺑﺮاي اﯾﻦ ﭼﻨﺪ ﺟﻤﻠﻪ اي ‪ ،‬ﭼﻨﺪﺟﻤﻠﻪ اي )‪ φ i * ( x‬از درﺟﻪ ‪ i‬راﮐﻪ‬

‫ﻣﺘﻌﺎﻣﺪ در ﻓﺎﺻﻠﻪ ]‪ [a,b‬ﻧﺴﺒﺖ ﺑﻪ ﺗﺎﺑﻊ وزن )‪ w(x‬ﻣﯽ ﺑﺎﺷﺪ را ﻣﯽ ﺗﻮان ﺑﺼﻮرت ﻓﺮﻣﻮل ﺑﺎزﮔﺸﺘﯽ زﯾﺮ ﺑﺪﺳﺖ آورد ‪:‬‬

‫‪i −1‬‬
‫)‪φ i ( x) = xi − ∑ a ir φ r ( x‬‬
‫*‬ ‫*‬
‫‪i = 1,2,......., n‬‬
‫‪r =0‬‬
‫‪b‬‬

‫‪∫a w x x φ r‬‬
‫‪i‬‬ ‫*‬
‫) (‬ ‫‪( x)dx‬‬
‫*‬
‫= ‪a ir‬‬ ‫‪b‬‬
‫‪; φ 0 ( x) = 1‬‬ ‫)‪(5.19‬‬
‫‪∫a w x φ r‬‬
‫‪*2‬‬
‫) (‬ ‫‪( x)dx‬‬

‫ﻣﺜﺎل‪ : 5-5‬ﺑﺎ اﺳﺘﻔﺎده از روﻧﺪ ﻣﺘﻌﺎﻣﺪﺳﺎزي ﮔﺮام –اﺷﻤﯿﺖ ﺳﻪ ﺟﻤﻠﻪ اي ﻣﺘﻌﺎﻣﺪ )‪ P2 ( x), P1 ( x), P0 ( x‬را در ﺑﺎزه‬

‫]‪ [0,1‬ﻧﺴﺒﺖ ﺑﻪ ﺗﺎﺑﻊ وزن ‪ w(x)=1‬ﺑﯿﺎﺑﯿﺪ ‪.‬آﻧﮕﺎه ﺑﺎ اﺳﺘﻔﺎده از اﯾﻦ ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎ وﺑﺎ اﺳﺘﻔﺎده از روش ﺣﺪاﻗﻞ ﻣﺮﺑﻌﺎت‬

‫‪1‬‬
‫ﺑﺮاي ]‪ f ( x) = x 2 on [0,1‬درﺑﺎزه ]‪ [0,1‬ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي درﺟﻪ دوم ﺗﻘﺮﯾﺐ ﺑﺰﻧﯿﺪ ‪.‬‬

‫)‪P0 ( x) = 1 = φ 0 * ( x‬‬ ‫دﻟﺨﻮاه‬

‫‪119‬‬
 * *
φ1 ( x) = x − a10φ 0 ( x)
1 1

∫ xφ 0 ( x)dx ∫ xdx
*
1
a10 = 0
= 0
= 2=1
1
*2
1
1 2
∫φ
0
0 ( x)dx ∫ dx
0

∴φ ( x) = ( x − 1 ) = p1 ( x)
*
(5.20)
1 2
* * *
φ 2 ( x) = x − a 20φ 0 ( x) − a 21φ1 ( x)
2

1 1

∫x φ ∫ x dx
2 * 2
0 ( x)dx
a 20 = 0
= 0
=1
1
1 3
∫ φ0 ( x)dx
2
*

0
1 1

∫ x φ1 ( x)dx ∫x ( x − 1 )dx
2 * 2
1 x4 − 1 x3 ]1 1 2
a 21 = 1 0
= = 4 6 0 = 12 = 1
0
1 1 1
x − 2 x + 4 x]0
3 2 1 1 1

∫ φ1 ( x)dx ∫ ( x − 12) dx 3
2
* 2
12
0 0

∴φ 2 ( x) = x − 1 − ( x − 1 ) = x 2 − x + 1 − 1 = x 2 − x + 1 = p 2 ( x)
* 2
3 2 2 3 6
1 2

I (c0 , c1 , c2 ) = ∫  x 2 − (c0 p0 ( x) + c1 p1 ( x) + c 2 p 2 ( x)) dx = min

1

 
0
1
= ∫  x − 2 x 2 (c0 p0 ( x) + c1 p1 ( x) + c 2 p 2 ( x) + (c0 p0 ( x) + c1 p1 ( x) = c 2 p 2 ( x)) 2 dx
1

 
0
1 1
∂I 1
= −2 ∫ x 2 p0 ( x)dx + 2∫ p 0 ( x)(c0 p0 ( x) + c1 p1 ( x) + c 2 p 2 ( x) = 0
∂c0 0 0
1 1
1
∫ p0 ( x)(c0 p0 ( x) + c1 p1 ( x) + c2 p2 ( x))dx = ∫ x 2 p0 ( x)dx
0 0
(5.21)

1 1
1
c0 ∫ p0 ( x)dx = ∫ x 2 p0 ( x)dx
2

0 0

120
 3
1 1 2 x 2 ]1
c0 = 3 1 = 2 3
1 0
c0 ∫ dx = ∫ x dx 2
⇒
0 0
x]0
1 1
∂I 1
= −2 ∫ p1 ( x) x 2 dx + 2 ∫ p1 ( x)(c0 p0 ( x) + c1 p1 ( x) + c2 p 2 ( x))dx = 0
∂c1 0 0
1 1
1
∴ ∫ c1 p1 ( x)dx = ∫ p1 ( x) x 2 dx
2

0 0
1 1
1 3 1
∫ ( x − 12) x 2 dx ∫ (x
2 x 2 − 1 x 2 ]10
5 3
2
− 1 x 2 )dx
2 −1
2
5 3 = 12 = 4
5 3

c1 = 1 0
= = 0
=
15 5
1 3 1 1
1
x − 2 x + 4 x]0
2 1 1 − 1 +1
∫ − 1 ) 2 dx
∫ − + 1 )dx
2
( x ( x x 3 3 2 4
2 4
0 0
1 1
∂I 1
= 0 ⇒ ∫ c2 p 22 ( x)dx = ∫ p 2 ( x) x 2
∂c2 0 0
1 1
1 5 3 1
∫ ( x − x + 16) x 2 dx ∫ (x −x + 1 x 2 )dx
2 2 2
6
∴ c2 = 0
1
= 1
0

∫ (x − x + 1 ) 2 dx ∫ (x − 2 x3 + 4 x 2 − 1 x + 1 )dx
2 4
6 3 3 36
0 0
7 5 3
2 x 2 − 2 x 2 + 1 x 2 ]10 2 −2 + 1
= 7 5 9 = 7 5 9
1 x5 − 1 x4 + 4 x3 − 1 x2 + 1 x]10 1 − 1 + 4 − 1 + 1
5 2 9 6 36 5 2 9 6 36
90 − 126 + 35
7 × 5×9 4
= =−
36 − 5 × 18 + 80 − 30 + 5 7
5 × 36
y( x) = 2 p0 ( x) + 4 p1 ( x) − 4 p 2 ( x)
3 5 7
= 2 + ( x − ) − ( x2 − x + 1 )
4 1 4
3 5 2 7 6
= 1 (6 + 48 x − 20 x )
2
35

: ‫ﺗﻤﺮﯾﻨﻬﺎي ﻓﺼﻞ‬

‫ ﺑﺎ اﺳﺘﻔﺎده از روش‬f = ae −3t + be −2t ‫ﺑﺮاي ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ داده ﺷﺪه در ﺟﺪول زﯾﺮ ﺗﺮﮐﯿﺒﯽ از ﺗﻮاﺑﻊ ﻧﻤﺎﯾﯽ ﺑﻪ ﻓﺮم‬-1

‫ﺣﺪاﻗﻞ ﻣﺮﺑﻌﺎت ﺗﻘﺮﯾﺐ ﺑﺰﻧﯿﺪ‬

t 0.1 0.2 0.3 0.4

f(t) 0.76 0.58 0.44 0.35

121
‫‪-2‬ﯾﮑﻨﻔﺮ دوﻧﺪه ﯾﮏ ﻣﺴﯿﺮ ﻣﺸﺨﺺ را در ﭘﻨﭻ روزﻣﺘﻮاﻟﯽ دوﯾﺪ وﻫﺮﺑﺎر زﻣﺎن ﻻزم ﺑﺮاي ﭘﯿﻤﻮدن را ﯾﺎدداﺷﺖ ﮐﺮده‬

‫اﺳﺖ ﮐﻪ ﺑﻪ ﺷﺮح زﯾﺮ اﺳﺖ ‪:‬‬

‫روزﻫﺎ‪X‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬

‫زﻣﺎن‪y‬‬ ‫‪15.30 15.10 15.00 14.50 14.00‬‬

‫‪ a + b x + c‬را ﺑﺮاي داده ﻫﺎي ﻓﻮق ﺗﻘﺮﯾﺐ ﺑﺰﻧﯿﺪ ‪.‬‬ ‫ﺑﺎ اﺳﺘﻔﺎده از روش ﺣﺪاﻗﻞ ﻣﺮﺑﻌﺎت ﺗﻘﺮﯾﺒﯽ ﺑﻪ ﻓﺮم‬
‫‪x2‬‬

‫‪1‬‬
‫= )‪ f ( x‬ﺑﺎ اﺳﺘﻔﺎده از روش ﺣﺪاﻗﻞ ﻣﺮﺑﻌﺎت ﯾﮏ ﭼﻨﺪ ﺟﻤﻠﻪ اي درﺟﻪ دوم ﺗﻘﺮﯾﺐ ﺑﺰﻧﯿﺪ‬ ‫‪-3‬ﺑﺮاي ﺗﺎﺑﻊ‬
‫‪1 + x2‬‬

‫ﺑﻄﻮرﯾﮑﻪ ‪ − 1 ≤ x ≤ 1‬ﺑﺎﺷﺪ ‪.‬‬

‫‪-4‬ﺑﺎ اﺳﺘﻔﺎده از روش ﺣﺪاﻗﻞ ﻣﺮﺑﻌﺎت ﻣﻨﺤﻨﯽ ‪ y = C0 x + C1 x‬را ﺑﺮاي داده ﻫﺎي ﺟﺪول زﯾﺮ ﺑﺮازش ﮐﻨﯿﺪ ‪.‬‬

‫‪t‬‬ ‫‪0.1 0.2 0.4 0.5 1 2‬‬

‫‪f(t) 21 11 7‬‬ ‫‪6 5 6‬‬
‫‪-5‬ﯾﮏ ﭼﻨﺪﺟﻤﻠﻪ اي ﺑﻔﺮم ‪ ax2 + bx + c‬ﺑﺮ اﺳﺎس ﺣﺪاﻗﻞ ﻣﺮﺑﻌﺎت ﺑﺮاي ﺗﺎﺑﻊ ‪ 2 x‬در ﻧﻘﺎط ‪ xi = 0,1,2,3,4‬ﺗﻘﺮﯾﺐ‬

‫ﺑﺰﻧﯿﺪ ‪.‬‬

‫‪-6‬ﻣﻘﺪار ﺗﺎﺑﻊ )‪ f(x‬در ﭼﻬﺎر ﻧﻘﻄﻪ زﯾﺮ ﻣﻌﻠﻮم اﺳﺖ ‪:‬‬

‫‪x‬‬ ‫‪0 0.5‬‬ ‫‪1‬‬ ‫‪2‬‬

‫‪f(x) 1 3.52 3.73 -1.27‬‬
‫ﻣﻘﺎدﯾﺮ ‪ a‬و‪ b‬را وﻋﺪد ﻃﺒﯿﻌﯽ ‪ n‬را ﺑﻄﺮﯾﻘﯽ ﺑﯿﺎﺑﯿﺪ ﮐﻪ ﺣﺎﺻﻞ ﺟﻤﻊ زﯾﺮ ﻣﯿﻨﯿﻤﻢ ﮔﺮدد ‪.‬‬

‫‪4‬‬ ‫‪2‬‬

‫]‪∑ [ f ( xi ) − a sin(nxi ) − b‬‬

‫‪i =1‬‬

‫‪122‬‬
 ‫ﻓﺼﻞ ﺷﺸﻢ‬

‫‪ -6‬اﻧﺘﮕﺮال ﮔﯿﺮي ﻋﺪدي‬

‫‪ 1-6‬ﻣﻘﺪﻣﻪ ‪:‬‬

‫ﻣﺴﺌﻠﻪ اﺻﻠﯽ اﻧﺘﮕﺮال ﮔﯿﺮي ﻋﺪدي ﻋﺒﺎرﺗﺴﺖ از ﯾﺎﻓﺘﻦ ﯾﮏ ﻣﻘﺪار ﺗﻘﺮﯾﺐ ﺑﺮاي اﻧﺘﮕﺮال زﯾﺮ ‪:‬‬

‫‪b‬‬
‫‪I = ∫ w( x) f ( x)dx‬‬ ‫)‪(6.1‬‬
‫‪a‬‬

‫ﺑﻄﻮرﯾﮑﻪ در ﻓﺎﺻﻠﻪ ]‪ w(x)>0 ، [a,b‬ﺗﺎﺑﻊ وزن اﺳﺖ ‪ .‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ )‪ w(x‬و )‪ w(x)f(x‬اﻧﺘﮕﺮال ﭘﺬﯾﺮ اﺳﺖ‬

‫‪.‬ﺣﺪود اﻧﺘﮕﺮال ﻣﻤﮑﻦ اﺳﺖ ﻣﻌﯿﻦ ﯾﺎ ﻧﯿﻤﻪ ﻣﻌﯿﻦ ﯾﺎ ﺑﯿﻨﻬﺎﯾﺖ ﺑﺎﺷﺪ ‪.‬اﻧﺘﮕﺮال راﺑﻄﻪ )‪ (6.1‬ﺗﻮﺳﻂ ﯾﮏ ﺗﺮﮐﯿﺐ ﺧﻄﯽ از‬

‫ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ )‪ f(x‬ﺑﺼﻮرت زﯾﺮ ﺗﻘﺮﯾﺐ زده ﻣﯽ ﺷﻮد ‪:‬‬

‫‪b‬‬ ‫‪n‬‬
‫‪I = ∫ w( x) f ( x)dx ≈ ∑ λk fk‬‬ ‫)‪(6.2‬‬
‫‪a‬‬ ‫‪k =0‬‬

‫ﺑﻄﻮرﯾﮑﻪ ‪ k=0(1)n‬و ‪ xk‬ﮔﺮه ﻫﺎ ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮﻧﺪ ودر ﺑﯿﻦ ﺣﺪود اﻧﺘﮕﺮال ﮔﯿﺮي ]‪ [a,b‬ﻗﺮار دارﻧﺪ و ‪ λk‬را وزﻧﻬﺎي‬

‫دﺳﺘﻮراﻧﺘﮕﺮال ﮔﯿﺮي ﻣﯽ ﮔﻮﯾﻨﺪ ‪ .‬ﺧﻄﺎي ﺗﻘﺮﯾﺐ ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪b‬‬ ‫‪n‬‬
‫‪Rn = ∫ w( x) f ( x)dx − ∑ λ k fk‬‬ ‫)‪(6.3‬‬
‫‪a‬‬ ‫‪k =0‬‬

‫ﺣﺎل ﺑﻪ ﺗﻌﺮﯾﻒ ﻣﺮﺗﺒﻪ روش اﻧﺘﮕﺮال ﮔﯿﺮي ﻣﯽ ﭘﺮدازﯾﻢ ‪.‬‬

‫ﺗﻌﺮﯾﻒ ‪ : 1-6‬ﯾﮏ روش اﻧﺘﮕﺮال ﮔﯿﺮي ﻧﻈﯿﺮ )‪ (6.2‬را داراي دﻗﺖ ﻣﺮﺗﺒﻪ ‪ p‬ام ﻧﺎﻣﻨﺪ ﻫﺮﮔﺎه اﯾﻦ روش ﺑﺮاي ﻫﻤﻪ‬

‫ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎي درﺟﻪ ﮐﻤﺘﺮ ﯾﺎ ﻣﺴﺎوي ‪ p‬ﻧﺘﯿﺠﻪ دﻗﯿﻖ ﺑﺪﺳﺖ ﺑﺪﻫﺪ ‪.‬‬

‫در راﺑﻄﻪ )‪ (6-2‬ﺗﻌﺪاد ﻣﺠﻬﻮﻻت ‪ 2n+2‬ﻣﯽ ﺑﺎﺷﺪ ‪ n+1).‬ﮔﺮه ‪ xk‬و ‪ n+1‬وزن اﻧﺘﮕﺮال ﮔﯿﺮي ‪.( λk‬‬

‫روش ﻓــﻮق را ﻣﯽ ﺗﻮان ﺑﺮاي ﭼﻨﺪﺟﻤﻠﻪ اي درﺟﻪ ﮐﻮﭼﮑﺘﺮ وﻣﺴﺎوي ‪ 2n+1‬دﻗﯿﻖ ﮔﺮداﻧﯿﺪ ‪.‬ﻟﺬا روش ﺑﺼﻮرت راﺑﻄﻪ‬

‫)‪(6.2‬ﻣﯽ ﺗﻮاﻧﺪ ﺣﺪاﮐﺜﺮ داراي ﻣﺮﺗﺒﻪ دﻗﺖ ‪ 2n+1‬ﺑﺎﺷﺪ ‪ .‬اﮔﺮ ﺗﻌﺪادي از ﮔﺮه ﻫﺎ ازﻗﺒﻞ ﻣﺸﺨﺺ ﺑﺎﺷﻨﺪ ﻣﺮﺗﺒﻪ روش‬

‫‪123‬‬
 ‫ﮐﺎﻫﺶ ﺧﻮاﻫﺪ ﯾﺎﻓﺖ ‪.‬اﮔﺮ ‪ n+1‬ﮔﺮه از ﻗﺒﻞ داده ﺷﺪه ﺑﺎﺷﺪ آﻧﮕﺎه ﻣﺎ ﺑﺎﯾﺴﺘﯽ ﺗﻨﻬﺎ ‪ n+1‬وزن اﻧﺘﮕﺮال ﮔﯿﺮي را ﺑﯿﺎﺑﯿﻢ‬

‫‪.‬ﺑﻨﺎﺑﺮاﯾﻦ روش ﺣﺎﺻﻠﻪ ﺣﺪاﮐﺜﺮ داراي دﻗﺖ ‪ n‬ام ﺧﻮاﻫﺪ ﺑﻮد ‪.‬‬

‫‪ 2-6‬روﺷﻬﺎي ﻣﺒﺘﻨﯽ ﺑﺮ دروﻧﯿﺎﺑﯽ‬

‫درﺻﻮرﺗﯿﮑﻪ ‪ n+1‬ﮔﺮه ‪ xk‬داده ﺷﺪه ﺑﺎﺷﻨﺪ وﻣﺘﻨﺎﻇﺮ ﺑﺎ آﻧﻬﺎ ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ ‪ fk‬داده ﺷﺪه ﺑﺎﺷﻨﺪ ‪ ،‬ﺑﺎ اﺳﺘﻔﺎده از ﻓﺮﻣﻮل‬

‫دروﻧﯿﺎب ﻻﮔﺮاﻧﮋ ﭼﻨﺪﺟﻤﻠﻪ اي ﺑﺮاي داده ﻫﺎي )‪ (xk,fk‬ﺑﻪ ازاي ‪ k=0(1)n‬ﺑﺼﻮرت زﯾﺮ داده ﻣﯽ ﺷﻮد ‪:‬‬

‫‪n‬‬
‫)‪π ( x) ( n +1‬‬
‫‪f ( x) ≅ p n ( x) = ∑ l k ( x) fk +‬‬ ‫‪f‬‬ ‫) ‪(ζ‬‬ ‫‪x0 < ζ < xn‬‬ ‫)‪(6.4‬‬
‫‪k =0‬‬ ‫!)‪(n + 1‬‬

‫و )‪ lk(x‬ﭼﻨﺪ ﺟﻤﻠﻪ اي اﺳﺎﺳﯽ ﻻﮔﺮاﻧﮋ اﺳﺖ ‪.‬‬

‫)‪π ( x‬‬
‫= )‪l k ( x‬‬
‫)) ‪( x − xk )(π ′( xk‬‬
‫) ‪π ( x) = ( x − x0 )( x − x1 ) ... ( x − xn‬‬

‫ﺑﺎ ﺟﺎﯾﮕﺬاري ﺗﺎﺑﻊ )‪ f(x‬در راﺑﻄﻪ )‪ (6.1‬ﺑﺎ ﻓﺮﻣﻮل دروﻧﯿﺎﺑﯽ راﺑﻄﻪ )‪ (6.4‬و اﻧﺘﮕﺮال ﮔﯿﺮي از ‪ a‬ﺗﺎ ‪ b‬ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫‪b‬‬ ‫‪n‬‬ ‫‪b‬‬ ‫‪‬‬ ‫‪b‬‬

‫)‪π ( x) ( n +1‬‬ ‫‪n‬‬
‫)‪I = ∫ w( x) f ( x)dx = ∑  ∫ w( x)l k ( x)dx fk + ∫ w( x‬‬ ‫‪f‬‬ ‫‪(ζ )dx = ∑ λ k fk + Rn‬‬ ‫)‪(6.5‬‬
‫‪a‬‬ ‫‪k =0‬‬ ‫‪a‬‬ ‫‪‬‬ ‫‪a‬‬
‫!)‪(n + 1‬‬ ‫‪k =0‬‬

‫‪b‬‬
‫‪λk = ∫ w( x)l k ( x)dx‬‬ ‫ﺑﻄﻮرﯾﮑﻪ ‪:‬‬
‫‪a‬‬

‫‪b‬‬
‫‪1‬‬
‫= ‪Rn‬‬ ‫∫‬
‫‪(n + 1)! a‬‬
‫‪w( x)π ( x) f ( n+1) (ζ )dx‬‬ ‫)‪(6.6‬‬

‫اﮔﺮ ﺗﺎﺑﻊ )‪ π ( x‬در ﻓﺎﺻﻠﻪ ]‪ [a,b‬ﺗﻐﯿﯿﺮ ﻋﻼﻣﺖ ﻧﺪﻫﺪ و )‪ f(n+1)(x‬در اﯾﻦ ﻓﺎﺻﻠﻪ ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﺪ ‪ ،‬آﻧﮕﺎه ﺑﺎ اﺳﺘﻔﺎده از ﻗﻀﯿﻪ‬

‫ﻣﻘﺪار ﻣﯿﺎﻧﮕﯿﻦ ﺣﺴﺎب دﯾﻔﺮاﻧﺴﯿﻞ و اﻧﺘﮕﺮال ‪ ،‬ﻣﺎ ﻣﯽ ﺗﻮاﻧﯿﻢ ﺧﻄﺎي ﺗﻘﺮﯾﺐ راﺑﻄﻪ )‪ (6.6‬را ﺑﻔﺮم زﯾﺮ ﺑﯿﺎﺑﯿﻢ ‪:‬‬

‫‪f ( n+1) (η ) b‬‬

‫‪(n + 1)! ∫a‬‬
‫= ‪Rn‬‬ ‫‪w( x)π ( x)dx‬‬ ‫)‪η ∈ ( a , b‬‬ ‫)‪(6.7‬‬

‫اﮔﺮ در ﻓﺎﺻﻠﻪ ]‪ π ( x) ، [a,b‬ﺗﻐﯿﯿﺮ ﻋﻼﻣﺖ دﻫﺪ ‪ ،‬آﻧﮕﺎه راﺑﻄﻪ )‪ (6.6‬را ﻣﯽ ﺗﻮان ﺑﺼﻮرت زﯾﺮ ﻧﻮﺷﺖ ‪:‬‬

‫‪124‬‬
 ‫‪b‬‬
‫‪1‬‬ ‫‪M n +! b‬‬
‫‪(n + 1)! ∫a‬‬ ‫‪(n + 1)! ∫a‬‬
‫‪n +1‬‬
‫≤ ‪Rn‬‬ ‫‪w‬‬‫(‬ ‫‪x‬‬‫)‬ ‫‪π‬‬ ‫(‬ ‫‪x‬‬‫)‬ ‫‪f‬‬ ‫(‬‫‪ζ‬‬ ‫)‬ ‫‪dx‬‬ ‫≤‬ ‫‪w( x) π ( x) dx‬‬ ‫)‪(6.8‬‬

‫ﺑﻄﻮرﯾﮑﻪ ‪:‬‬

‫‪f ( n+1) ( x) ≤ M n+1‬‬ ‫]‪x ∈ [ a , b‬‬ ‫)‪(6.9‬‬

‫ﻫﻤﭽﻨﯿﻦ ﺟﻤﻠﻪ ﺧﻄﺎي ﺗﻘﺮﯾﺐ را ﻣﯽ ﺗﻮان ﺑﻪ ﻃﺮﯾﻖ زﯾﺮ ﻧﯿﺰ ﺑﺪﺳﺖ آورد ‪.‬از آﻧﺠﺎ ﮐﻪ روش ﺑﺮاي ﭼﻨﺪﺟﻤﻠﻪ اي‬

‫ﮐﻮﭼﮑﺘﺮ ﯾﺎ ﻣﺴﺎوي ‪ n‬دﻗﯿﻖ ﻣﯽ ﺑﺎﺷﺪ ‪.‬ﻟﺬا وﻗﺘﯿﮑﻪ ‪ f ( x) = xi‬ﺑﺮاي ‪ i = 0(1)n‬دارﯾﻢ ‪ Rn=0‬ووﻗﺘﯿﮑﻪ ‪f ( x) = x n+1‬‬

‫ﺑﺎﺷﺪ ‪ Rn ≠ 0 ،‬اﺳﺖ ‪.‬‬

‫‪C‬‬
‫= ‪Rn‬‬ ‫) ‪f ( n+1) (η‬‬ ‫)‪(6.10‬‬ ‫ﺑﻨﺎﺑﺮاﯾﻦ ﺟﻤﻠﻪ ﺧﻄﺎرا ﻣﯽ ﺗﻮان ﺑﻪ ﻓﺮم زﯾﺮ ﻧﻮﺷﺖ ‪:‬‬
‫!)‪(n + 1‬‬

‫‪b‬‬ ‫‪n‬‬
‫)‪C = ∫ w( x) x n+1dx − ∑ λk xk( n+1‬‬ ‫)‪(6.11‬‬ ‫ﺑﻄﻮرﯾﮑﻪ ﺛﺎﺑﺖ ﺧﻄﺎي ‪ C‬ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬
‫‪a‬‬ ‫‪k =0‬‬

‫اﮔﺮ ‪ C‬ﺑﺮاي ‪ f(x)=xn+1‬ﺻﻔﺮ ﺷﻮد ‪ ،‬آﻧﮕﺎه ﭼﻨﺪﺟﻤﻠﻪ اي ﯾﮏ درﺟﻪ ﺑﺎﻻﺗﺮ را درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪.‬ﺣﺎل ﺑﺎ ﺻﺮف ﻧﻈﺮ‬

‫‪b‬‬ ‫‪n‬‬

‫‪∫ w( x) f ( x)dx = ∑ λk fk‬‬

‫‪a‬‬ ‫‪k =0‬‬
‫)‪(6.12‬‬ ‫ﮐﺮدن ﺟﻤﻠﻪ ﺧﻄﺎ روش ﺑﺼﻮرت زﯾﺮ را ﻣﯽ ﯾﺎﺑﯿﻢ ‪.‬‬

‫‪ - 3-6‬روﺷﻬﺎي ﻧﯿﻮﺗﻦ ﮐﺎﺗﺲ‬

‫‪b−a‬‬
‫= ‪ h‬ﺑﺎ ‪ xn=b‬و ‪ x0=a‬ﻣﺪﻧﻈﺮ ﺑﺎﺷﻨﺪ آﻧﮕﺎه روش )‪(6.12‬‬ ‫وﻗﺘﯿﮑﻪ ‪ w(x)=1‬ﺑﺎﺷﺪ و ﮔﺮه ﻫﺎي ‪ xk‬ﺑﺎ ﮔﺎم ﻣﺴﺎوي‬
‫‪n‬‬

‫‪x − x0‬‬
‫دارﯾﻢ ‪:‬‬ ‫را روش اﻧﺘﮕﺮال ﮔﯿﺮي ﻧﯿﻮﺗﻦ ﮐﺎﺗﺲ ﻣﯽ ﻧﺎﻣﻨﺪ ‪.‬وزﻧﻬﺎي ‪ λk‬را ﻋﺪد ﮐﺎﺗﺲ ﻧﺎﻣﻨﺪ ﺑﺎ ﺗﻐﯿﯿﺮ ﻣﺘﻐﯿﺮ ‪= s‬‬
‫‪h‬‬

‫‪(−1) n−k‬‬
‫= )‪l k ( x‬‬ ‫)‪s ( s − 1)( s − 2)....( s − k − 1)....( s − n‬‬
‫!) ‪k!(n − k‬‬
‫‪n‬‬
‫‪(−1) n −k‬‬
‫‪k!(n − k )! ∫0‬‬
‫= ‪λk‬‬ ‫‪h s ( s − 1)....( s − k + 1)( s − k − 1)....( s − n)ds‬‬ ‫)‪(6.13‬‬

‫‪h n+ 2 n‬‬
‫‪(n + 1)! ∫0‬‬
‫= ‪Rn‬‬ ‫‪s ( s − 1)....( s − n) f ( n +1) (ζ )ds‬‬ ‫)‪(6.14‬‬

‫ﺣﺎل ﺑﺎ اﻧﺘﺨﺎب ﻣﻘﺎدﯾﺮ ﻣﺘﻔﺎوت ‪ n‬ﻣﯽ ﺗﻮان ﺧﺎﻧﻮاده اي از روﺷﻬﺎي ﻧﯿﻮﺗﻦ ﮐﺎﺗﺲ راﺑﺪﺳﺖ آورد ‪.‬‬

‫‪125‬‬
 ‫روش ذوزﻧﻘﻪ اي ‪ :‬ﺑﺮاي ‪ n=1‬دارﯾﻢ ‪ h = (b − a ) , x1 = b , x0 = a‬ﻟﺬا دارﯾﻢ ‪:‬‬

‫‪1‬‬
‫‪h‬‬
‫= ‪λ0 = −h ∫ ( s − 1)ds‬‬
‫‪0‬‬
‫‪2‬‬
‫‪1‬‬
‫‪h‬‬
‫= ‪λ1 = h ∫ sds‬‬
‫‪0‬‬
‫‪2‬‬

‫ﭘﺲ روش زﯾﺮ را ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫‪b‬‬
‫‪b−a‬‬
‫= ‪∫a f ( x)dx‬‬ ‫])‪[ f (a ) + f (b‬‬ ‫)‪(6.15‬‬
‫‪2‬‬

‫ﮐﻪ ﺑﻪ روش ذوزﻧﻘﻪ اي ﻣﻌﺮوف اﺳﺖ ‪ .‬ﺗﻌﺒﯿﺮ ﻫﻨﺪﺳﯽ اﯾﻦ روش اﯾﻦ اﺳﺖ ﮐﻪ روش ﻓﻮق ﺑﯿﺎن ﮐﻨﻨﺪه ﻣﺴﺎﺣﺖ ذوزﻧﻘﻪ‬

‫اي اﺳﺖ ﺑﺎ ﻋﺮض ‪ b-a‬وﻗﺎﻋﺪه ﻫﺎي )‪ f(b),f(a‬ﮐﻪ ﻣﺴﺎﺣﺖ زﯾﺮ ﻣﻨﺤﻨﯽ )‪ y=f(x‬و ﻣﺤﻮر ‪ x‬ﻫﺎ از ‪ x=a‬ﺗﺎ ‪ x=b‬را ﺑﺎ آن‬

‫ﺗﻘﺮﯾﺐ ﻣﯽ زﻧﯿﻢ ‪.‬ﺷﮑﻞ آن ﺑﺼﻮرت زﯾﺮ اﺳﺖ ‪:‬‬

‫‪1‬‬
‫‪h3‬‬
‫= ‪R1‬‬ ‫‪∫ s( s − 1) f ′′(ζ )ds‬‬ ‫ﺧﻄﺎ در روش ذوزﻧﻘﻪ اي ﻋﺒﺎرت اﺳﺖ از ‪:‬‬
‫‪2‬‬ ‫‪0‬‬

‫ازآﻧﺠﺎ ﮐﻪ )‪ s(s-1‬در ﻓﺎﺻﻠﻪ ]‪ [0,1‬ﺗﻐﯿﯿﺮ ﻋﻼﻣﺖ ﻧﻤﯽ دﻫﺪ دارﯾﻢ ‪:‬‬

‫‪1‬‬
‫‪h3‬‬
‫= ‪R1‬‬ ‫‪f ′′(η ) ∫ s( s − 1)ds‬‬ ‫)‪η ∈ (0,1‬‬
‫‪2‬‬ ‫‪0‬‬

‫‪h3‬‬ ‫‪− (b − a ) 3‬‬

‫‪=−‬‬ ‫= ) ‪f ′′(η‬‬ ‫) ‪f ′′(η‬‬ ‫)‪(6.16‬‬
‫‪12‬‬ ‫‪12‬‬
‫ازآﻧﺠﺎ ﮐﻪ روش ذوزﻧﻘﻪ اي ﺑﺮاي ﭼﻨﺪﺟﻤﻠﻪ اي ﮐﻮﭼﮑﺘﺮ ﯾﺎ ﻣﺴﺎوي ‪ n=1‬دﻗﯿﻖ اﺳﺖ وﺑﻨﺎﺑﺮاﯾﻦ داراي دﻗﺖ ﻣﺮﺗﺒﻪ اول‬

‫اﺳﺖ ‪.‬اﻟﺘﺮﻧﺎﺗﯿﻮ دﯾﮕﺮي ﺑﺮاي ﯾﺎﻓﺘﻦ ﺧﻄﺎ ﺑﺼﻮرت زﯾﺮ ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬

‫‪b‬‬
‫‪C = ∫ x2 dx − 1 2 (b − a )[a 2 + b 2 ] = − 1 6 (b − a ) 3‬‬
‫‪a‬‬

‫‪126‬‬
 ‫‪− (b − a ) 3‬‬
‫= ‪R1‬‬ ‫) ‪f ′′(η‬‬
‫‪12‬‬ ‫ﺑﺎ اﺳﺘﻔﺎده از راﺑﻄﻪ )‪ (6.10‬دارﯾﻢ ‪:‬‬
‫‪− (b − a ) 2‬‬
‫=‬ ‫) ‪h f ′′(η‬‬
‫‪12‬‬

‫ﮐﻪ ﺑﺎ راﺑﻄﻪ )‪ (6.16‬ﯾﮑﺴﺎن ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬

‫‪a +b‬‬ ‫‪b−a‬‬

‫= ‪ x2 = b , x1‬ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺎ اﺳﺘﻔﺎده از راﺑﻄﻪ‬ ‫= ‪, x0 = a , h‬‬ ‫روش ﺳــــﯿﻤﭙﺴﻮن ‪ :‬ﺑﺮاي ‪ n=2‬دارﯾﻢ‬
‫‪2‬‬ ‫‪2‬‬

‫)‪ (6.13‬دارﯾﻢ ‪:‬‬

‫‪h2‬‬ ‫‪h‬‬
‫∫‪2‬‬
‫= ‪λ0‬‬ ‫= ‪( s − 1)( s − 2)ds‬‬
‫‪0‬‬
‫‪3‬‬
‫‪2‬‬
‫‪4h‬‬
‫= ‪λ1 = −h ∫ s( s − 2)ds‬‬
‫‪0‬‬
‫‪3‬‬
‫‪2‬‬
‫‪h‬‬ ‫‪h‬‬
‫∫‪2‬‬
‫= ‪λ2‬‬ ‫= ‪s ( s − 1)ds‬‬
‫‪0‬‬
‫‪3‬‬

‫ﺣﺎل روش زﯾﺮ را دارﯾﻢ ‪:‬‬

‫‪b‬‬
‫‪b−a‬‬ ‫‪a +b‬‬ ‫‪‬‬
‫= ‪I = ∫ f ( x)dx‬‬ ‫‪‬‬ ‫‪f (a ) + 4 f ‬‬ ‫‪ + f (b)‬‬ ‫)‪(6.17‬‬
‫‪a‬‬
‫‪6 ‬‬ ‫‪ 2 ‬‬ ‫‪‬‬

‫اﯾﻦ روش را روش ﺳﯿﻤﭙﺴﻮن ﻣﯽ ﻧﺎﻣﻨﺪ ‪ .‬ﺟﻤﻠﻪ ﺧﻄﺎي اﯾﻦ روش ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪2‬‬
‫‪h4‬‬
‫∫ !‪3‬‬
‫= ‪R2‬‬ ‫‪s ( s − 1)( s − 2) f‬‬ ‫)‪( 3‬‬
‫‪(ζ )ds‬‬
‫‪0‬‬

‫ﭼﻮن )‪ s(s-1)(s-2‬در ﻓﺎﺻﻠﻪ ]‪ [0,2‬ﺗﻐﯿﯿﺮ ﻋﻼﻣﺖ ﻣﯿﺪﻫﺪ ﻣﺎ از راﺑﻄﻪ )‪ (6.10‬اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ ‪.‬ﻟﺬا از آﻧﺠﺎ ﮐﻪ اﯾﻦ‬

‫روش ﺑﺮاي ﭼﻨﺪ ﺟﻤﻠﻪ اي درﺟﻪ ﮐﻮﭼﮑﺘﺮ ﯾﺎ ﻣﺴﺎوي ‪ 2‬دﻗﯿﻖ اﺳﺖ دارﯾﻢ ‪:‬‬

‫‪b−a ‬‬ ‫‪‬‬

‫‪b‬‬ ‫‪3‬‬
‫‪a +b‬‬
‫‪C = ∫ x dx −‬‬ ‫‪3‬‬
‫‪a + 4‬‬ ‫‪ +b  = 0‬‬
‫‪3‬‬‫‪3‬‬

‫‪a‬‬
‫‪6 ‬‬ ‫‪ 2 ‬‬ ‫‪‬‬

‫ﭼﻮن ‪ c=0‬اﺳﺖ وﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ اﯾﻦ روش ﺑﺮاي ﭼﻨﺪﺟﻤﻠﻪ اي درﺟﻪ ‪ 3‬ﻧﯿﺰ دﻗﯿﻖ اﺳﺖ ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ ﺟﻤﻠﻪ ﺧﻄﺎ‬

‫ﺑﺼﻮرت زﯾﺮ ﺑﯿﺎن ﻣﯽ ﺷﻮد ‪:‬‬

‫‪127‬‬
 ‫‪C‬‬
‫= ‪R2‬‬ ‫) ‪f ( 4) (η‬‬ ‫)‪η ∈ (0,2‬‬
‫!‪4‬‬
‫‪b−a‬‬ ‫‪‬‬
‫‪b‬‬ ‫‪4‬‬
‫‪b+a ‬‬ ‫‪(b − a ) 5‬‬
‫‪C = ∫ x dx −‬‬‫‪4‬‬
‫‪a + 4‬‬ ‫‪ +b  = −‬‬
‫‪4‬‬ ‫‪4‬‬
‫)‪(6.18‬‬
‫‪a‬‬
‫‪6 ‬‬ ‫‪ 2 ‬‬ ‫‪‬‬ ‫‪120‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ ﺟﻤﻠﻪ ﺧﻄﺎي روش ﺳﯿﻤﭙﺴﻮن ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫)‪(b − a ) 5 ( 4‬‬
‫‪R2 = −‬‬ ‫) ‪f (η‬‬ ‫)‪(6.19‬‬
‫‪2880‬‬
‫‪5‬‬
‫‪b−a ‬‬
‫‪−‬‬ ‫‪‬‬
‫‪‬‬ ‫)‪2  (4‬‬ ‫)‪− h 5 ( 4‬‬ ‫)‪b − a 4 ( 4‬‬
‫= ‪R2‬‬ ‫= ) ‪f (η‬‬ ‫‪f (η ) = −‬‬ ‫) ‪h f (η‬‬ ‫)‪(6.20‬‬
‫‪90‬‬ ‫‪90‬‬ ‫‪180‬‬
‫روش ‪ 3/8‬ﺳﯿﻤﭙﺴﻮن ‪ :‬وﻗﺘﯿﮑﻪ ‪ n=3‬ﺑﺎﺷﺪ روﺷﯽ را ﮐﻪ ﻣﯽ ﯾﺎﺑﯿﻢ ﺑﻪ روش ‪ 3/8‬ﺳﯿﻤﭙﺴﻮن ﻣﻌﺮوف اﺳﺖ ‪.‬در ﺟﺪول‬

‫زﯾﺮ وزﻧﻬﺎي ‪ λk‬ﺑﺮاي ‪ n ≤ 6‬ﺑﻪ ازاي ‪ w(x)=1‬ﺑﺮاي روﺷﻬﺎي ﻧﯿﻮﺗﻦ ﮐﺎﺗﺲ ﺑﺼﻮرت زﯾﺮ آورده ﺷﺪه اﺳﺖ ‪.‬‬

‫وزﻧﻬﺎي روش ﻫﺎي اﻧﺘﮕﺮال ﮔﯿﺮي ﻧﯿﻮﺗﻦ – ﮐﺎﺗﺲ‬

‫‪λ0‬‬ ‫‪λ1‬‬ ‫‪λ2‬‬ ‫‪λ3‬‬ ‫‪λ4‬‬ ‫‪λ5‬‬ ‫‪λ6‬‬

‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪2‬‬ ‫‪1‬‬ ‫‪4‬‬ ‫‪1‬‬
‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬
‫‪3‬‬ ‫‪3‬‬ ‫‪9‬‬ ‫‪9‬‬ ‫‪3‬‬
‫‪8‬‬ ‫‪8‬‬ ‫‪8‬‬ ‫‪8‬‬
‫‪4‬‬ ‫‪14‬‬ ‫‪64‬‬ ‫‪24‬‬ ‫‪64‬‬ ‫‪14‬‬
‫‪45‬‬ ‫‪45‬‬ ‫‪45‬‬ ‫‪45‬‬ ‫‪45‬‬
‫‪5‬‬ ‫‪95‬‬ ‫‪375‬‬ ‫‪250‬‬ ‫‪250‬‬ ‫‪375‬‬ ‫‪95‬‬
‫‪288‬‬ ‫‪288‬‬ ‫‪288‬‬ ‫‪288‬‬ ‫‪288‬‬ ‫‪288‬‬
‫‪6‬‬ ‫‪41‬‬ ‫‪216‬‬ ‫‪27‬‬ ‫‪272‬‬ ‫‪27‬‬ ‫‪216‬‬ ‫‪41‬‬
‫‪140‬‬ ‫‪140‬‬ ‫‪140‬‬ ‫‪140‬‬ ‫‪140‬‬ ‫‪140‬‬ ‫‪140‬‬

‫ﻣﻌﻤﻮﻻً ﺑﺮاي ﻣﻘﺎدﯾﺮ ﺑﺰرگ ‪ n‬از ﻟﺤﺎظ ﻧﻈﺮي ﺑﺎﯾﺴﺘﯽ ﺗﻘﺮﯾﺐ ﺑﻬﺘﺮي ﺑﻪ ﯾﺎﺑﻢ ‪.‬اﻣﺎ ﺑﺮاي ﻣﻘﺎدﯾﺮ ﺑﺰرگ ‪(n ≠ 9, n ≥ 8)n‬‬

‫ﺑﺮﺧﯽ از وزﻧﻬﺎ اﻧﺘﮕﺮال ﮔﯿﺮي ﻣﻨﻔﯽ ﻣﯿﺸﻮﻧﺪ ‪ .‬اﯾﻦ ﺑﺎﻋﺚ ﮐﺎﻫﺶ ارﻗﺎم ﺻﺤﯿﺢ ﺑﺎﻣﻌﻨﯽ در ﻧﺘﺎﯾﺞ ﻣﯽ ﮔﺮدد ‪.‬ﺑﺪﯾﻦ ﻋﻠﺖ‬

‫روﺷﻬﺎي ﻣﺮاﺗﺐ ﺑﺎﻻﺗﺮ ﻧﯿﻮﺗﻦ ﮐﺎﺗﺲ ﻣﻌﻤﻮﻻً اﺳﺘﻔﺎده ﻧﻤﯽ ﺷﻮﻧﺪ ‪.‬‬

‫ﻫﻤﻪ روﺷﻬﺎي ﻓﻮق اﻟﺬﮐﺮ ﺷﺎﻣﻞ ﻧﻘﺎط اﺑﺘﺪا و اﻧﺘﻬﺎي اﻧﺘﮕﺮال ﮔﯿﺮي ﻫﺴﺘﻨﺪ )ﯾﻌﻨﯽ ‪ xn=b‬و ‪ (x0=a‬اﯾﻦ ﭼﻨﯿﻦ روﺷﻬﺎﯾﯽ‬

‫را روﺷﻬﺎي ﺑﺴﺘﻪ ﻣﯽ ﻧﺎﻣﻨﺪ ‪.‬روﺷﻬﺎﯾﯽ ﮐﻪ ﺷﺎﻣﻞ اﺑﺘﺪا و اﻧﺘﻬﺎي ﻓﺎﺻﻠﻪ ﻧﺒﺎﺷﺪ روﺷﻬﺎي ﺑﺎز ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد ‪ .‬ﺑﺎ‬

‫‪128‬‬
‫ﺟﺎﯾﮕﺰﯾﻨﯽ ﭼﻨﺪﺟﻤﻠﻪ اي ﻻﮔﺮاﻧﮋ در راﺑﻄﻪ )‪ (6.1‬ﺑﺮاي )‪ (n-1‬ﻧﻘﻄﻪ )‪ (xk,fk‬ﺑﻪ ازاي ‪ k=1(1)n-1‬و اﻧﺘﮕﺮال ﮔﺮﻓﺘﻦ در‬

‫اﯾﻦ ﺣﺪود ﺑﺮﺧﯽ از روﺷﻬﺎي ﺑﺎز را ﺑﺮاي ‪ w(x)=1‬ﺑﻬﻤﺮاه ﺧﻄﺎي آﻧﻬﺎ ﺑﺼﻮرت زﯾﺮ ﻣﯽ ﯾﺎﺑﯿﻢ ‪.‬‬

‫‪b−a‬‬
‫=‪h‬‬ ‫‪, x0 = a , xn = b‬‬ ‫ﮔﺮه ﻫﺎي اﻧﺘﮕﺮال ﮔﯿﺮي را در اﯾﻦ ﺣﺎﻟﺖ ﻧﯿﺰ ﻣﺴﺎوي اﻧﺘﺨﺎب ﻣﯽ ﮐﻨﯿﻢ ‪:‬‬
‫‪n‬‬
‫‪b‬‬
‫‪h3‬‬
‫‪∫a‬‬ ‫‪f ( x)dx = 2hf ( x0 + h) +‬‬ ‫)‪f ′′(ζ 1 ) (6.21‬‬ ‫)‪(n = 2‬‬ ‫‪ -1‬روش ﻧﻘﻄﻪ ﻣﯿﺎﻧﯽ ‪:‬‬
‫‪3‬‬

‫‪b‬‬
‫‪3h‬‬ ‫‪3‬‬
‫‪∫a f ( x)dx = 2 [ f ( x‬‬ ‫‪0‬‬ ‫‪ -2‬روش دو ﻧﻘﻄﻪ اي ‪+ h) + f ( x0 + 2h)] + h 3 f ′′(ζ 2 ) , (n = 3) (6.22) :‬‬
‫‪4‬‬

‫‪b‬‬
‫‪4h‬‬
‫= ‪∫a f ( x)dx‬‬ ‫)‪[2 f ( x0 + h) − f ( x0 + 2h) + 2 f ( x0 + 3h)] , (n = 4‬‬ ‫‪ -3‬روش ﺳﻪ ﻧﻘﻄﻪ اي ‪:‬‬
‫‪3‬‬

‫) ‪14h 5 ( 4‬‬
‫‪+‬‬ ‫) ‪f (ζ 3‬‬ ‫)‪(6.23‬‬ ‫‪,‬‬ ‫‪a < ζ1 , ζ 2 , ζ 3 < b‬‬
‫‪45‬‬
‫‪1‬‬
‫‪dx‬‬
‫∫ = ‪ I‬ﺑﺎ اﺳﺘﻔﺎده از )اﻟﻒ( روش ذوزﻧﻘﻪ اي )ب( روش ﺳﯿﻤﭙﺴﻮن ﺑﯿﺎﺑﯿﺪ ‪.‬‬ ‫ﻣﺜﺎل ‪ - 1-6‬ﺗﻘﺮﯾﺒﯽ ﺑﺮاي اﻧﺘﮕﺮال‬
‫‪0‬‬
‫‪1+ x‬‬

‫ﮐﺮان ﺑﺎﻻي ﺧﻄﺎ را ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﺪ ‪.‬‬

‫‪I = ln 2 = 0.693147‬‬ ‫ﺣﻞ ‪ :‬ﻣﺎ ﻣﯽ داﻧﯿﻢ ﮐﻪ ﺟﻮاب دﻗﯿﻖ اﻧﺘﮕﺮال ﻓﻮق ﺗﺎ ﺷﺶ رﻗﻢ اﻋﺸﺎر ﻋﺒﺎرﺗﺴﺖ از‬

‫‪1‬‬ ‫‪1‬‬
‫‪I ≅ (1 + ) = 0.75‬‬
‫‪2‬‬ ‫‪2‬‬ ‫ﺑﺎ اﺳﺘﻔﺎده از روش ذوزﻧﻘﻪ اي ‪:‬‬
‫‪R1 = 0.75 − 0.693147 = 0.056853‬‬

‫‪1‬‬ ‫‪2‬‬ ‫‪1‬‬

‫≤ ‪R1‬‬ ‫‪max‬‬ ‫≤‬ ‫ﮐﺮان ﺑﺎﻻي ﺧﻄﺎ ﺑﺮاي روش ذوذﻧﻘﻪ اي ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬
‫‪12‬‬ ‫)‪(1 + x‬‬ ‫‪3‬‬
‫‪6‬‬

‫‪b−a ‬‬ ‫‪ a +b‬‬ ‫‪‬‬

‫≅‪I‬‬ ‫‪f (a ) + 4 f ‬‬ ‫‪ + f (b)‬‬
‫‪6 ‬‬ ‫‪‬‬ ‫‪2‬‬ ‫‪‬‬ ‫‪‬‬ ‫ﺑﺎ اﺳﺘﻔﺎده از روش ﺳﯿﻤﭙﺴﻮن دارﯾﻢ ‪:‬‬
‫‪1  8 1  25‬‬
‫= ‪= 1 + + ‬‬ ‫‪= 0.694444‬‬
‫‪6  3 2  36‬‬

‫‪R2 = 0.694444 − 0.693147 = 0.001297‬‬

‫ﮐﺮان ﺑﺎﻻي ﺧﻄﺎ در روش ﺳﯿﻤﭙﺴﻮن‬

‫‪129‬‬
 ‫‪1‬‬ ‫‪24‬‬
‫≤ ‪R2‬‬ ‫‪max‬‬ ‫‪= 0.008333‬‬
‫‪2880‬‬ ‫‪(1 + x) 5‬‬

‫ﺑﺎ ﻣﺸﺎﻫﺪه ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ﺧﻄﺎي واﻗﻌﯽ از ﮐﺮان ﺑﺎﻻي ﺧﻄﺎ درﻫﺮ دو روش ﮐﻮﭼﮑﺘﺮ اﺳﺖ ‪.‬‬

‫‪ 4-6‬روﺷﻬﺎي ﻣﺮﮐﺐ ‪:‬‬

‫ﻫﻤــﺎﻧﻄﻮر ﮐﻪ ﻣﺮﺗﺒﻪ روﺷﻬﺎي اﻧﺘﮕﺮال ﮔﯿﺮي اﻓﺰاﯾﺶ ﻣﯽ ﯾﺎﺑﺪ ‪.‬ﻣﺮﺗﺒﻪ ﻣﺸﺘﻖ در ﺟﻤﻠﻪ ﺧﻄﺎ ﻣﺘﻨﺎﻃﺮ ﺑﺎ آن اﻓﺰاﯾﺶ‬

‫ﻣﯽ ﯾﺎﺑﺪ ‪.‬ﺑﺮاي اﯾﻨﮑﻪ ﯾﮏ روش داراي ﻧﺘﯿﺠﻪ ﺑﺎﻣﻌﻨﯽ ﺑﺎﺷﺪ اﯾﻦ اﺳﺖ ﮐﻪ ﻣﺸﺘﻘﺎت ﻣﺮاﺗﺐ ﺑﺎﻻ در ﻓﺎﺻﻠﻪ ﻣﻮرد ﻧﻈﺮ‬

‫ﭘﯿﻮﺳﺘﻪ ﺑﺎﻗﯽ ﺑﻤﺎﻧﻨﺪ ‪.‬روﺷﻬﺎي ﻧﯿﻮﺗﻦ ﻣﺮاﺗﺐ ﺑﺎﻻﺗﺮ ‪ ،‬ﺑﺮﺧﯽ اوﻗﺎت ﻧﺘﺎﯾﺞ ﻣﻌﮑﻮس ﺑﺪﺳﺖ ﻣﯽ دﻫﻨﺪ ‪ .‬ﯾﮏ اﻟﺘﺮﻧﺎﺗﯿﻮ‬

‫ﺟﻬﺖ ﺑﺪﺳﺖ آوردن ﻧﺘﺎﯾﺞ دﻗﯿﻖ اﯾﻦ اﺳﺖ ﮐﻪ از روﺷﻬﺎي ﻣﺮاﺗﺐ ﭘﺎﯾﯿﻦ ﻧﯿﻮﺗﻦ ﮐﺎﺗﺲ اﺳﺘﻔﺎده ﮐﻨﯿﻢ وﻓﺎﺻﻠﻪ اﻧﺘﮕﺮال‬

‫ﮔﯿﺮي را ﺑﻪ ﻓﻮاﺻﻞ رﯾﺰﺗﺮ اﻓﺮاز ﮐﻨﯿﻢ و روﺷﻬﺎي ﻣﺮﮐﺐ اﻧﺘﮕﺮال ﮔﯿﺮي اﯾﺠﺎد ﮐﻨﯿﻢ ‪.‬‬

‫روش ﻣﺮﮐﺐ ذوزﻧﻘﻪ اي ‪:‬‬

‫‪b−a‬‬
‫= ‪ h‬ﻣﺎ زﯾﺮ ﻓﺎﺻﻠﻪ ﻫﺎي‬ ‫ﻓﺎﺻﻠﻪ ]‪ [a,b‬را ﺑﻪ ‪ N‬زﯾﺮﻓﺎﺻﻠﻪ اﻓﺮاز ﻣﯽ ﮐﻨﯿﻢ ‪.‬ﺑﺎ ﮔﺎم‬
‫‪N‬‬

‫) ‪ ( xN −1 , xN ),...( x1 , x2 ), ( x0 , x1‬رادرﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ﺑﻄﻮرﯾﮑﻪ ‪ xi = x0 + ih , xN = b , x0 = a‬ﺑﺮاي ‪i = 1(1) N − 1‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ ﻣﯽ ﺗﻮان ﻧﻮﺷﺖ ‪:‬‬

‫‪b‬‬ ‫‪x1‬‬ ‫‪x2‬‬ ‫‪xN‬‬

‫‪I = ∫ f ( x)dx = ∫ f ( x)dx + ∫ f ( x)dx + ... +‬‬ ‫‪∫ f ( x)dx‬‬ ‫)‪(6.24‬‬
‫‪a‬‬ ‫‪x0‬‬ ‫‪x1‬‬ ‫‪xN −1‬‬

‫ﻫﺮﮐﺪام از اﻧﺘﮕﺮاﻟﻬﺎي ﻃﺮف راﺳﺖ راﺑﺎ روش ذوزﻧﻘﻪ اي ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﯿﻢ ‪:‬‬

‫‪h‬‬
‫=‪I‬‬ ‫}) ‪{( f0 + f1 ) + ( f1 + f2 ) + ... + ( f N −1 + f N‬‬
‫‪2‬‬
‫‪h‬‬
‫=‬ ‫} ‪{ f0 + 2( f1 + f2 + ... + f N −1 ) + f N‬‬ ‫)‪(6.25‬‬
‫‪2‬‬
‫‪h3‬‬
‫‪R1 = −‬‬ ‫}) ‪{ f ′′(ζ 1 ) + f ′′(ζ 2 ) + ... + f ′′(ζ N‬‬ ‫‪a < ζ 1 , ζ 2 ,...,ζ N < b‬‬ ‫ﺧﻄﺎ در اﯾﻦ روش‬
‫‪12‬‬

‫اﮔﺮ )‪ f ′′( x‬ﺑﺮاي ﻫﺮ‪ x‬درﻓﺎﺻﻠﻪ ]‪ [a,b‬ﺛﺎﺑﺖ ﺑﺎﺷﺪ ﯾﺎ اﮔﺮ ‪:‬‬

‫‪130‬‬
‫)‪f ′′(η ) = max f ′′( x‬‬ ‫‪a ≤η ≤ b‬‬
‫‪a ≤ x≤b‬‬

‫آﻧﮕﺎه دارﯾﻢ‬

‫‪−h‬‬ ‫) ‪− h 3 (b − a‬‬ ‫‪− (b − a )h 2‬‬

‫= ‪R1‬‬ ‫= )) ‪( Nf ′′(η‬‬ ‫(‬ ‫= ) ‪) f ′′(η‬‬ ‫) ‪f ′′(η‬‬
‫‪12‬‬ ‫‪12‬‬ ‫‪h‬‬ ‫‪12‬‬
‫‪− (b − a ) 3‬‬ ‫‪(b − a ) 3‬‬
‫= ‪R1‬‬ ‫(‬ ‫‪N‬‬‫‪f‬‬ ‫‪′‬‬
‫‪′‬‬ ‫(‬‫‪η‬‬ ‫))‬ ‫=‬ ‫‪−‬‬ ‫) ‪f ′′(η‬‬ ‫)‪(6.26‬‬
‫‪12 N 3‬‬ ‫‪12 N 2‬‬

‫ﻓﺎﮐﺘﻮر ‪ N‬در ﻣﺨﺮج راﺑﻄﻪ ﻓﻮق ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ ﺑﺮاي ﻣﻘﺎدﯾﺮ ﺑﺰرگ ‪ N‬ﺧﻄﺎ ﺑﻪ اﻧﺪازه ﮐﺎﻓﯽ ﮐﻮﭼﮏ ﻣﯽ ﺷﻮد ‪.‬ﺗﻌﺪاد‬

‫زﯾﺮﻓﺎﺻﻠﻪ ﺑﺮاي اﯾﻦ روش ﻣﯽ ﺗﻮاﻧﺪ ﻓﺮد ﯾﺎ زوج ﺑﺎﺷﺪ ‪.‬‬

‫روش ﻣﺮﮐﺐ ﺳﯿﻤﭙﺴﻮن ‪:‬‬

‫ﺑﺮاي اﺳﺘﻔﺎده از روش ﺳﯿﻤﭙﺴﻮن ﻣﺎ ﻧﯿﺎز دارﯾﻢ ﮐﻪ ﺳﻪ ﮔﺮه داﺷﺘﻪ ﺑﺎﺷﯿﻢ ‪.‬ﻣﺎ ﻓﺎﺻﻠﻪ ]‪ [a,b‬را ﺑﻪ ﺗﻌﺪاد زوج اﻓﺮاز‬

‫ﻣﯽ ﮐﻨﯿﻢ ﺗﺎﺑﺘﻮاﻧﯿﻢ ﺗﻌﺪاد ﮔﺮه ﻫﺎي ﻓﺮد داﺷﺘﻪ ﺑﺎﺷﯿﻢ ‪.‬اﮔﺮ ﻓﺎﺻﻠﻪ ]‪ [a,b‬را ﺑﻪ ‪ 2N‬زﯾﺮﻓﺎﺻﻠﻪ ﺑﺎ ﮔﺎم ﻣﺴﺎوي اﻓﺮاز ﮐﻨﯿﻢ‬

‫‪b−a‬‬
‫=‪h‬‬ ‫ﮔﺎم ﻣﺘﺴﺎوي اﻟﻔﺎﺻﻠﻪ ‪ h‬ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬
‫‪2N‬‬

‫آﻧﮕﺎه ﻣﺎ ‪ 2N+1‬ﮔﺮه اﻧﺘﮕﺮال ﮔﯿﺮي زﯾﺮ را ﺧﻮاﻫﯿﻢ داﺷﺖ ‪.‬‬

‫‪x0 = a‬‬ ‫‪x2 N = b‬‬ ‫‪xi = x0 + ih‬‬ ‫‪i = 1,2,...,2 N − 1‬‬

‫‪b‬‬ ‫‪x2‬‬ ‫‪x4‬‬ ‫‪x2 N‬‬
‫= ‪I = ∫ f ( x)dx‬‬ ‫∫‬ ‫‪f ( x)dx + ∫ f ( x)dx + ... +‬‬ ‫‪∫ f ( x)dx‬‬ ‫)‪(6.27‬‬ ‫ﺑﻨﺎﺑﺮاﯾﻦ دارﯾﻢ ‪:‬‬
‫‪a‬‬ ‫‪x0‬‬ ‫‪x2‬‬ ‫‪x2 N − 2‬‬

‫ﻫﺮﮐﺪام از اﻧﺘﮕﺮاﻟﻬﺎي ﻃﺮف راﺳﺖ راﺑﻄﻪ ﻓﻮق را ﺑﺎ ﻓﺮﻣﻮل ﺳﯿﻤﭙﺴﻮن ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﯿﻢ ‪.‬‬

‫‪h‬‬ ‫‪h‬‬ ‫‪h‬‬

‫) ‪I = ( f0 + 4 f1 + f2 ) + ( f2 + 4 f3 + f4 ) + ... + ( f2 N −2 + 4 f2 N −1 + f2 N‬‬
‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬
‫)‪− h ( 4‬‬
‫‪5‬‬
‫)‪− h ( 4‬‬
‫‪5‬‬
‫)‪− h ( 4‬‬
‫‪+‬‬ ‫‪f (ζ 1 ) +‬‬ ‫‪f (ζ 2 ) + ... +‬‬ ‫) ‪f (ζ N‬‬
‫‪90‬‬ ‫‪90‬‬ ‫‪90‬‬
‫‪h‬‬
‫=‪I‬‬ ‫} ‪{ f0 + 4( f1 + f3 + ... + f2 N −1 ) + 2( f2 + f4 + ... + f2 N −2 ) + f2 N‬‬ ‫)‪(6.28‬‬
‫‪3‬‬
‫اﯾﻦ روش را روش ﻣﺮﮐﺐ ﺳﯿﻤﭙﺴﻮن ﻣﯽ ﻧﺎﻣﯿﻢ ‪ .‬ﺟﻤﻠﻪ ﺧﻄﺎ ﺑﺮاي اﯾﻦ روش ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪131‬‬
 ‫)‪− h 5 ( 4‬‬
‫= ‪R2‬‬
‫‪90‬‬
‫{‬ ‫}) ‪f (ζ 1 ) + f ( 4) (ζ 2 ) + ... + f ( 4) (ζ N‬‬ ‫)‪(6.29‬‬

‫‪a <ζi < b‬‬ ‫‪,‬‬ ‫‪i = 1(1) N‬‬ ‫ﺑﻄﻮري ﮐﻪ ﺑﺮاي ‪:‬‬

‫‪f ( 4 ) (η ) = max f ( 4 ) x‬‬ ‫)‪η ∈ ( a , b‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از ‪:‬‬
‫‪a ≤ x≤b‬‬

‫ﻣﯽ ﺗﻮان راﺑﻄﻪ )‪ (4.29‬راﺑﺼﻮرت زﯾﺮ ﻧﻮﺷﺖ ‪:‬‬

‫‪− h5‬‬
‫= ‪R2‬‬ ‫)) ‪( Nf ( 4) (η‬‬
‫‪90‬‬
‫)‪− h 5  b − a ( 4 )  − (b − a )h 4 ( 4‬‬
‫=‬ ‫‪‬‬ ‫= ‪f (η )‬‬ ‫) ‪f (η‬‬
‫‪90  2h‬‬ ‫‪‬‬ ‫‪180‬‬

‫‪b−a ‬‬
‫‪−‬‬ ‫‪‬‬
‫‪‬‬ ‫‪2N ‬‬ ‫)‪− (b − a ) 5 ( 4‬‬
‫= ‪R2‬‬ ‫= )) ‪( Nf ( 4) (η‬‬ ‫) ‪f (η‬‬ ‫)‪(6.30‬‬
‫‪90‬‬ ‫‪180 N 4‬‬

‫ﻣﺜﺎل ‪ : 2-6‬اﻧﺘﮕﺮال زﯾﺮ را ﺑﺎ روﺷﻬﺎي )اﻟﻒ(ذوزﻧﻘﻪ اي ﻣﺮﮐﺐ و ﺳﯿﻤﭙﺴﻮن ﻣﺮﮐﺐ ﺑﺎ ‪2‬و‪4‬و‪ 8‬زﯾﺮ ﻓﺎﺻﻠﻪ ﻣﺘﺴﺎوي‬

‫ﺣﻞ ﮐﻨﯿﺪ ‪.‬‬

‫‪1‬‬
‫‪dx‬‬
‫∫= ‪I‬‬
‫‪0‬‬
‫‪1+ x‬‬

‫وﻗﺘﯿﮑﻪ ‪ N=2‬ﺑﺎﺷﺪ و ‪ h=1/2‬ﮔﺮه ﻫﺎ ‪ 0,1/2,1‬را ﺧﻮاﻫﯿﻢ داﺷﺖ ‪.‬‬

‫‪h‬‬
‫= ‪IT‬‬ ‫‪{ f0 + 2 f1 + f2 } = 1 [ f (0) + 2 f (1 / 2) + f (1)] = 1 / 41 + 4 + 1  = 17 = 0.708333‬‬
‫‪2‬‬ ‫‪4‬‬ ‫‪‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪24‬‬
‫‪h‬‬
‫= ‪Is‬‬ ‫‪[ f (0) + 4 f (1 / 2) + f (1)] = 1 (1 + 8 + 1 ) = 25 = 0.694444‬‬
‫‪3‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪36‬‬
‫‪1 1 3‬‬ ‫‪1‬‬
‫= ‪ h‬ﺑﻨﺎﺑﺮاﯾﻦ ﮔﺮه ﻫﺎ ﻋﺒﺎرﺗﻨﺪ از ‪ 0, , , ,1‬ﻣﺎ ﭼﻬﺎر زﯾﺮﻓﺎﺻﻠﻪ ﺑﺮاي روش ذوزﻧﻘﻪ‬ ‫ﻫﺮﮔﺎه ‪ N=4‬ﺑﺎﺷﺪ دارﯾﻢ‬
‫‪4 2 4‬‬ ‫‪4‬‬

‫دارﯾﻢ ودو زﯾﺮ ﻓﺎﺻﻠﻪ ﺑﺮاي اﺳﺘﻔﺎده روش ﺳﯿﻤﭙﺴﻮن دارﯾﻢ ‪:‬‬

‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪‬‬

‫‪I T =  f (0) + 2( f ( ) + f ( ) + f ( )) + f (1) = 0.697024‬‬
‫‪8‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪‬‬
‫‪1 ‬‬ ‫‪ 1‬‬ ‫‪3 ‬‬ ‫‪1‬‬ ‫‪‬‬
‫= ‪Is‬‬ ‫‪ f (0) + 4 f ( ) + f ( ) + 2 f ( ) + f (1) = 0.693234‬‬
‫‪12 ‬‬ ‫‪ 4‬‬ ‫‪4 ‬‬ ‫‪2‬‬ ‫‪‬‬

‫‪132‬‬
 ‫‪1‬‬
‫= ‪ h‬وﻧﻪ ﮔﺮه زﯾﺮ را دارﯾﻢ‬ ‫ﻫﺮﮔﺎه ‪ N=8‬ﺑﺎﺷﺪ ‪ ،‬آﻧﮕﺎه‬
‫‪8‬‬

‫‪1 1 3 1 5 3 7‬‬
‫‪0, , , , , , , ,1‬‬
‫‪8 4 8 2 8 4 8‬‬
‫ﻣﺎ ﻫﺸﺖ زﯾﺮﻓﺎﺻﻠﻪ ﺑﺮاي روش ذوزﻧﻘﻪ دارﯾﻢ و ﭼﻬﺎر زﯾﺮ ﻓﺎﺻﻠﻪ ﺑﺮاي روش ﺳﯿﻤﭙﺴﻮن‬

‫‪1‬‬ ‫‪7‬‬
‫‪i‬‬ ‫‪‬‬
‫= ‪IT‬‬ ‫‪‬‬
‫‪16 ‬‬
‫‪f‬‬ ‫(‬ ‫‪0‬‬ ‫)‬ ‫‪+‬‬ ‫‪2‬‬ ‫∑‬ ‫‪( ) + f (1) = 0.694122‬‬
‫‪i =1 8‬‬ ‫‪‬‬
‫‪1 ‬‬ ‫‪4‬‬
‫‪2i − 1‬‬ ‫‪3‬‬
‫‪2i‬‬ ‫‪‬‬
‫= ‪IS‬‬ ‫( ‪ f (0) + ∑ f‬‬ ‫‪) + 2∑ f ( ) + f (1) = 0.693155‬‬
‫‪24 ‬‬ ‫‪i =1‬‬ ‫‪8‬‬ ‫‪i =1‬‬ ‫‪8‬‬ ‫‪‬‬

‫‪ 5-6‬روش اﻧﺘﮕﺮال ﮔﯿﺮي راﻣﺒﺮگ ‪:‬‬

‫ﭼﻨﺎﻧﭽﻪ روﻧﺪ ﺑﺮون ﯾﺎﺑﯽ رﯾﭽﺎردﺳﻮن را در ﻣﻮرد روﺷﻬﺎي اﻧﺘﮕﺮال ﮔﯿﺮي ﻓﻮق اﻟﺬﮐﺮ ﺑﮑﺎر ﺑﺒﺮﯾﻢ ‪.‬روﺷﻬﺎﯾﯽ ﺑﺎ‬

‫دﻗﺖ ﻣﺮاﺗﺐ ﺑﺎﻻﺗﺮ ﻧﺴﺒﺖ ﺑﻪ روﺷﻬﺎي ﻗﺒﻠﯽ ﻣﯽ ﯾﺎﺑﯿﻢ ‪ .‬اﯾﻦ روﻧﺪ را اﻧﺘﮕﺮال ﮔﯿﺮي راﻣﺒﺮگ ﻣﯽ ﻧﺎﻣﻨﺪ ‪ .‬ﺑﺮاي ﻧﯿﻞ ﺑﻪ اﯾﻦ‬

‫روش اﺑﺘﺪا ﺧﻄﺎي روﺷﻬﺎي اﻧﺘﮕﺮال ﮔﯿﺮي را ﺑﺼﻮرت ﺳﺮي ﺗﻮاﻧﯽ ازﮔﺎم اﻧﺘﮕﺮال ﮔﯿﺮي ﺑﺴﻂ ﻣﯽ دﻫﯿﻢ و ﺟﻤﻼت‬

‫اﺑﺘﺪاﯾﯽ ﺳﺮي را ﻣﯽ ﺗﻮان ﺣﺬف ﮐﺮد ‪ .‬ﻗﺒﻞ از ﭘﺮداﺧﺘﻦ ﺑﻪ ﭼﮕﻮﻧﮕﯽ روش راﻣﺒﺮگ اﺑﺘﺪا ﺛﺎﺑﺖ ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ ﺧﻄﺎي‬

‫روش ذوزﻧﻘﻪ و ﺳﯿﻤﭙﺴﻮن را ﻣﯽ ﺗﻮان ﺑﺼﻮرت ﺳﺮي ﺗﻮاﻧﯽ زوﺟﯽ از ﮔﺎم اﻧﺘﮕﺮال ﮔﯿﺮي ﺑﯿﺎن ﮐﺮد ‪ .‬ﺧﻄﺎي روش‬

‫ذوزﻧﻘﻪ اي ﻣﺮﮐﺐ رادرﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪:‬‬

‫‪xn‬‬
‫‪1‬‬ ‫‪n −1‬‬
‫‪1 ‬‬
‫‪Rn = ∫ f ( x)dx − h  f0 + ∑ fi +‬‬ ‫‪fn‬‬ ‫)‪(6.31‬‬
‫‪x0‬‬ ‫‪2‬‬ ‫‪i =1‬‬ ‫‪2 ‬‬

‫ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ )‪ F(x‬ﺗﺎﺑﻊ اوﻟﯿﻪ )‪ f(x‬و ﭼﻨﺎﻧﭽﻪ ﻋﻤﻠﮕﺮ اﻧﺘﻘﺎل را )‪ E n ( f0 ) = f ( x0 + nh‬ﺑﮑﺎر ﺑﺒﺮﯾﻢ دارﯾﻢ ‪:‬‬

‫‪133‬‬
 [
Rn = [F ( x)]xxn − h ( f0 + f1 + ... + f n−1 ) − 1 2 f0 + 1 2 fn
0
]
[
= F ( xn ) − F ( x0 ) − h ( f0 + Ef0 + ... + E n−1 f0 ) + 1 ( E n − 1) f0
2
]
  1 
= ( E n − 1) 1 f0 − h (1 + E + E 2 + ... + E n−1 ) f0 + ( E n − 1) f0  
 D  2 
  E n − 1  1 n  
= ( E n − 1) 1 − h   + ( E − 1)  f ( x0 )
D
  E − 1  2  
  h h 
= ( E n − 1)  1 − −   f ( x0 )
  D E − 1 2 
  h 
= ( E n − 1)  1 − hD − h   f ( x0 )  E ≡ e hD
  D e −1 2 

: ‫ﻟﺬا ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ‬. ‫ ﻣﯽ ﺑﺎﺷﺪ‬h ‫ ﺗﺎﺑﻊ زوﺟﯽ از‬ −

1 h h
−  ‫ﺣﺎل ﺑﺎﯾﺴﺘﯽ ﻧﺸﺎن دﻫﯿﻢ ﮐﻪ‬
D e hD
−1 2 

1 h h
φ (h) = − −
D e hD
−1 2
1 h h 1 he hD h
φ (− h) = + + = + +
D e −hD − 1 2 D 1 − e hD 2
1 he hD + h − e hD − h
= + −h+h
D 1 − e hD 2
1 h 1
= + − h
D 1− e hD
2
1 h h
= − − = φ ( h)
D e hD − 1 2

‫ﺣﺎل ﺑﻪ‬. ‫ ﯾﻌﻨﯽ ﮔﺎم اﻧﺘﮕﺮال ﮔﯿﺮي اﺳﺖ‬h ‫ ﯾﻌﻨﯽ ﺧﻄﺎي روش ذوزﻧﻘﻪ اي ﺗﺎﺑﻊ زوﺟﯽ از‬Rn (h) = Rn (− h) ‫ﺑﻨﺎﺑﺮاﯾﻦ‬

. ‫ﺗﻮﺿﯿﺢ اﻟﮕﻮرﯾﺘﻢ روش راﻣﺒﺮگ ﻣﯽ ﭘﺮدازﯾﻢ‬

: ‫روش راﻣﺒﺮگ ﺑﺮ اﺳﺎس ذوزﻧﻘﻪ‬

: ‫اﮔﺮ اﻧﺘﮕﺮال را ﺑﺎ روش ذوزﻧﻘﻪ اي ﺣﻞ ﮐﻨﯿﻢ دارﯾﻢ‬

b
I = ∫ f ( x)dx = I T (h) + c1h 2 + c2 h 4 + c3 h 6 + ... (6.32)
a

‫ ﺣﻞ ﻣﯽ ﮐﻨﯿﻢ دارﯾﻢ‬h/2 ‫ﺣﺎل اﻧﺘﮕﺮال را ﺑﺎ ﮔﺎم‬

134
 ‫‪h‬‬ ‫‪h2‬‬ ‫‪h4‬‬ ‫‪h6‬‬
‫‪I = I T ( ) + c1 + c 2 + c3 + ...‬‬ ‫)‪(6.33‬‬
‫‪2‬‬ ‫‪4‬‬ ‫‪16‬‬ ‫‪64‬‬
‫واﮔﺮ ﻣﺠﺪداً ﮔﺎم را ﻧﺼﻒ ﮐﻨﯿﻢ دارﯾﻢ‬

‫‪h‬‬ ‫‪h2‬‬ ‫‪h4‬‬ ‫‪h6‬‬

‫‪I = I T ( ) + c1 + c 2 + c3‬‬ ‫‪+ ...‬‬ ‫)‪(6.34‬‬
‫‪4‬‬ ‫‪16‬‬ ‫‪64‬‬ ‫‪256‬‬
‫واﻟﯽ آﺧﺮ ‪.‬اﮔﺮ ‪ C1‬را از رواﺑﻂ ﻓﻮق ﺣﺬف ﮐﻨﯿﻢ و ﺳﭙﺲ ‪ C2‬را واﻟﯽ آﺧﺮ روش زﯾﺮ را ﺧﻮاﻫﯿﻢ داﺷﺖ ﮐﻪ ﺑﻪ روﻧﺪ‬

‫راﻣﺒﺮگ ﺑﺮ اﺳﺎس روش ذوزﻧﻘﻪ ﻣﻌﺮوف اﺳﺖ ﻣﯽ ﯾﺎﺑﯿﻢ ‪:‬‬

‫)‪4 m I T( m−1) ( h ) − I T( m−1) (h‬‬

‫= )‪I T( m) (h‬‬ ‫‪2‬‬ ‫)‪m = 1,2,... , I T( 0) = I T(1‬‬ ‫)‪(6.35‬‬
‫‪4 −1‬‬
‫‪m‬‬

‫روش راﻣﺒﺮگ ﺑﺮ اﺳﺎس ﺳﯿﻤﭙﺴﻮن ‪:‬‬

‫‪h h‬‬
‫واﻟﯽ آﺧﺮ ﺣﻞ ﮐﻨﯿﻢ دارﯾﻢ ‪:‬‬ ‫ﭼﻨﺎﻧﭽﻪ اﻧﺘﮕﺮال را ﺑﺎ روش ﺳﯿﻤﭙﺴﻮن ﻣﺮﮐﺐ ﺑﺎ ﮔﺎﻣﻬﺎي ‪, , h‬‬
‫‪4 2‬‬
‫‪b‬‬
‫‪I = ∫ f ( x)dx = I s( h ) + c1h 4 + c2 h 6 + c3 h 8 + ...‬‬ ‫)‪(6.36‬‬
‫‪a‬‬
‫‪b‬‬
‫‪4‬‬ ‫‪6‬‬ ‫‪8‬‬
‫‪I = ∫ f ( x)dx = I s ( h 2 ) + c1 h 16 + c2 h 64 + c3 h 256 + ...‬‬ ‫)‪(6.37‬‬
‫‪a‬‬
‫‪b‬‬
‫‪4‬‬ ‫‪6‬‬ ‫‪8‬‬
‫‪I = ∫ f ( x)dx = I s ( h 4 ) + c1 h 256 + c 2 h 6 + c3 h 8 + ...‬‬ ‫)‪(6.38‬‬
‫‪a‬‬
‫‪4‬‬ ‫‪4‬‬

‫واﻟﯽ آﺧﺮ ‪.‬ﺣﺎل اﮔﺮ اﺑﺘﺪا ‪ C1‬را در رواﺑﻂ ﺑﺎﻻ ﺣﺬف ﮐﻨﯿﻢ وﺳﭙﺲ ‪ C2‬وﺑﺮ ﻫﻤﯿﻦ ﻣﻨﻮال ﭘﯿﺶ ﺑﺮوﯾﻢ ﻣﯽ ﺗﻮان روش‬

‫زﯾﺮ را ﯾﺎﻓﺖ ‪:‬‬

‫‪h‬‬
‫)‪4 m+1 I s( m−1) ( ) − I s( m−1) (h‬‬
‫= )‪I s (h‬‬
‫)‪( m‬‬ ‫‪2‬‬ ‫‪, m = 1,2,...‬‬ ‫)‪(6.39‬‬
‫‪m+1‬‬
‫‪4 −1‬‬
‫‪1‬‬ ‫‪dx‬‬
‫‪ I = ∫0‬را ﺑﺎ اﺳﺘﻔﺎده از روش ذوزﻧﻘﻪ و ﺳﯿﻤﭙﺴﻮن ﺑﺎ ﺳﻪ و ﭘﻨﺞ وﻧﻪ ﮔﺮه ﺣﻞ ﮐﻨﯿﺪ ‪.‬‬ ‫ﻣﺜﺎل ‪ : 3-6‬اﻧﺘﮕﺮال‬
‫‪x3 + 10‬‬

‫ﺟﻮاﺑﻬﺎي ﺣﺎﺻﻠﻪ را ﺑﺎ اﺳﺘﻔﺎده از روش راﻣﺒﺮگ دﻗﯿﻖ ﺗﺮ ﺳﺎزﯾﺪ ‪.‬‬

‫‪135‬‬
 ‫‪b−a‬‬ ‫‪1− 0 1‬‬
‫= ‪ h‬ﺑﻪ دو زﯾﺮ ﻓﺎﺻﻠﻪ‬ ‫=‪⇒h‬‬ ‫ﺣﻞ ‪ :‬ﺑﺮاي اﯾﻨﮑﻪ ﺳﻪ ﮔﺮه داﺷﺘﻪ ﺑﺎﺷﯿﻢ ﺑﺎﯾﺴﺘﯽ ﻓﺎﺻﻠﻪ ]‪ [a,b‬را =‬
‫‪n‬‬ ‫‪2‬‬ ‫‪2‬‬

‫‪1‬‬
‫= )‪ f ( x‬ﺑﻪ ازاي ‪ x2 , x1 , x0‬ﺑﻪ ﺗﺮﺗﯿﺐ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‬ ‫ﻣﺴﺎوي اﻓﺮاز ﮐﻨﯿﻢ ﺑﻨﺎﺑﺮاﯾﻦ ‪x0 = 0, x1 = 1 2 , x2 = 1‬‬
‫‪x + 10‬‬
‫‪3‬‬

‫‪ 111, 8 81, 110‬ﺣﺎل اﮔﺮ اﻧﺘﮕﺮال ﻓﻮق راﺑﺎروش ذوزﻧﻘﻪ ﺣﻞ ﮐﻨﯿﻢ دارﯾﻢ ‪:‬‬

‫= )‪I T ( 1 2‬‬
‫‪h‬‬
‫‪[ f ( x0 ) + 2 f ( x1 ) + f ( x2 )] = 1 4 [110 + 16 81 + 111] = 0.09710999‬‬
‫‪2‬‬
‫اﮔﺮ اﻧﺘﮕﺮال را ﺑﻪ روش ﺳﯿﻤﭙﺴﻮن ﺣﻞ ﮐﻨﯿﻢ دارﯾﻢ ‪:‬‬

‫= )‪I s ( 1 2‬‬
‫‪h‬‬
‫‪[ f ( x0 ) + 4 f ( x1 ) + f ( x2 )] = 1 6 [110 + 32 81 + 111] = 0.09766180‬‬
‫‪3‬‬
‫ﻣﺴﺌﻠﻪ ﻓﻮق را ﺣﺎﻻ ﺑﻪ ‪ 5‬ﮔﺮه اﻧﺘﮕﺮال ﮔﯿﺮي ﮔﯿﺮي ﺣﻞ ﻣﯽ ﮐﻨﯿﻢ ﺑﻨﺎﺑﺮاﯾﻦ ﮔﺎم اﻧﺘﮕﺮال ﮔﯿﺮي را ﺑﺎﯾﺴﺘﯽ ‪ h=1/4‬ﺑﺎﺷﺪ‬

‫ﯾﻌﻨﯽ ﻓﺎﺻﻠﻪ ]‪ [0,1‬ﺑﻪ ‪ 4‬زﯾﺮﻓﺎﺻﻠﻪ ﺑﺎﯾﺴﺘﯽ اﻓﺮاز ﮐﻨﯿﻢ ‪.‬ﻟﺬا ﻣﻘﺪار ﺗﺎﺑﻊ )‪ f(x‬در ﻧﻘﺎط ﮔﺮه اي ﺑﻪ ﺗﺮﺗﯿﺐ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ‪:‬‬

‫‪f ( x0 ) = f (0) = 110 , f ( x1 ) = f ( 1 4 ) = 64 641‬‬

‫‪f ( x2 ) = f ( 1 2 ) = 8 81 , f ( x3 ) = f ( 3 4 ) = 64 667 , f ( x4 ) = f (1) = 111‬‬
‫[‬ ‫]‬
‫‪I T ( 1 4 ) = h 2 [ f0 + 2{ f1 + f2 + f3 } + f4 ] = 18 110 + 2(64 641 + 8 81 + 64 667) + 111 = 0.09750400‬‬
‫[‬ ‫]‬
‫‪I s ( 1 4 ) = h 3 [ f0 + 4( f1 + f3 ) + 2 f2 + f4 ] = 112 110 + 4(64 641 + 64 667) + 16 81 + 111 = 0.09763533‬‬

‫ﺣﺎل اﮔﺮ ﻣﺴﺌﻠﻪ را ﺑﺎ ‪ 9‬ﮔﺮه ﺑﺨﻮاﻫﯿﻢ ﺣﻞ ﮐﻨﯿﻢ ‪ h=1/8‬و ﮔﺮه ﻫﺎي اﻧﺘﮕﺮال ﮔﯿﺮي ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬

‫‪x0 = 0 , x1 = 18 , x2 = 1 4 , x3 = 3 8 , x4 = 1 2 , x5 = 5 8 ,‬‬
‫‪x6 = 3 4 , x7 = 7 8 , x8 = 1‬‬

‫‪1‬‬
‫= ) ‪ f ( xi‬ﺑﺮاي ‪i=0(1)8‬‬ ‫ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ ﺑﻪ ازاي ﻧﻘﺎط ﻓﻮق ﻋﺒﺎرﺗﻨﺪ از‬
‫‪(i / 8) 3 + 10‬‬

‫‪I T = ( 18 ) = 0.09760126‬‬
‫ﻟﺬا دارﯾﻢ ‪:‬‬
‫‪I s = ( 18 ) = 0.09763368‬‬

‫ﺣﺎل اﮔﺮ از روش راﻣﺒﺮگ ﺑﺮاﺳﺎس ذوزﻧﻘﻪ اﺳﺘﻔﺎده ﮐﻨﯿﻢ ﯾﻌﻨﯽ از روش )‪(6-35‬اﺳﺘﻔﺎده ﻧﻤﺎﺋﯿﻢ دارﯾﻢ ‪:‬‬

‫‪136‬‬
‫‪h‬‬ ‫)‪O(h2‬‬ ‫)‪O(h4‬‬ ‫)‪O(h6‬‬
‫‪1‬‬ ‫‪0.09710999‬‬
‫‪2‬‬ ‫‪0.09763534‬‬
‫‪1‬‬ ‫‪0.09750400‬‬ ‫‪0.09763357‬‬
‫‪4‬‬
‫‪0.09763368‬‬
‫‪1 ` 0.09760126‬‬
‫‪6‬‬
‫اﮔﺮ از روش راﺑﻄﻪ )‪ (6-39‬ﯾﻌﻨﯽ از روش راﻣﺒﺮگ ﺑﺮاﺳﺎس ﺳﯿﻤﭙﺴﻮن اﺳﺘﻔﺎده ﮐﻨﯿﻢ دارﯾﻢ ‪:‬‬

‫‪h‬‬ ‫)‪O(h4‬‬ ‫)‪O(h6‬‬ ‫)‪O(h8‬‬

‫‪1‬‬ ‫‪0.09766180‬‬
‫‪2‬‬ ‫‪0.09763357‬‬
‫‪1‬‬ ‫‪0.09763533‬‬ ‫‪0.09763357‬‬
‫‪4‬‬
‫‪0.09763357‬‬
‫‪1 ` 0.09763368‬‬
‫‪8‬‬
‫‪0.5‬‬ ‫‪x‬‬
‫∫‬ ‫‪dx‬‬ ‫ﻣﺜﺎل ‪ : 4-6‬ﻣﻄﻠﻮﺑﺴﺖ ﻣﺤﺎﺳﺒﻪ اﻧﺘﮕﺮال زﯾﺮ ﺑﺎ اﺳﺘﻔﺎده از روش راﻣﺒﺮگ وﺗﺎﮔﺎم ‪، h = 116‬‬
‫‪0‬‬ ‫‪sin x‬‬

‫‪x‬‬
‫‪f ( x0 ) = lim‬‬ ‫‪=1‬‬
‫‪sin x‬‬ ‫ﺑﺎ اﺳﺘﻔﺎده از روش ذوزﻧﻘﻪ اي دارﯾﻢ ‪:‬‬
‫‪x→0‬‬

‫‪n = 1 , h = 1 2 , x0 = 0 , x1 = 1 2 ⇒ I T ( 1 2 ) = 0.510729‬‬
‫‪n = 2 , h = 1 4 , x0 = 0 , x1 = 1 4 , x2 = 1 2 ⇒ I T ( 1 4 ) = 0.507988‬‬
‫‪n = 4 , h = 18 , xi = i 8 , i = 0(1)4 ⇒ I T ( 18 ) = 0.507298‬‬
‫‪n = 8 , h = 116 , xi = i 16 , i = 0(1)8 ⇒ I T ( 116) = 0.507126‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از روش راﻣﺒﺮگ دارﯾﻢ ‪:‬‬

‫‪h‬‬ ‫)‪O(h2‬‬ ‫)‪O(h4‬‬ ‫)‪O(h6‬‬ ‫)‪O(h8‬‬

‫‪1‬‬ ‫‪0.0510729‬‬
‫‪2‬‬ ‫‪0.507074‬‬
‫‪1‬‬ ‫‪0.507988‬‬ ‫‪0.507067‬‬
‫‪4‬‬
‫‪0.507068‬‬ ‫‪0.507069‬‬
‫‪1 ` 0.507298‬‬ ‫‪0.507069‬‬
‫‪8‬‬
‫` ‪1‬‬ ‫‪0.507069‬‬
‫‪16 0.507126‬‬

‫ﻫﻤﯿﻦ ﻣﺜﺎل را ﻣﯽ ﺗﻮان ﺑﺎ روش راﻣﺒﺮگ ﺑﺮاﺳﺎس ﺳﯿﻤﭙﺴﻮن ﻧﯿﺰ ﺣﻞ ﮐﺮد ‪.‬‬

‫‪137‬‬
 ‫‪ 6-6‬روﺷﻬﺎي ﻣﺒﺘﻨﯽ ﺑﺮ ﺿﺮاﺋﺐ ﻧﺎﻣﻌﯿﻦ ‪:‬‬

‫‪b‬‬ ‫‪n‬‬
‫) ‪ I = ∫ w( x) f ( x)dx = ∑ λ k f ( xk‬ﮔﺮه ﻫﺎ ‪ xk‬ووزﻧﻬﺎي ‪ λ k‬ﺑﻪ‬ ‫در اﯾﻦ ﺑﺨﺶ اﮔﺮ در روش اﻧﺘﮕﺮال ﮔﯿﺮي‬
‫‪a‬‬ ‫‪k =0‬‬

‫ازاي ‪ k=0,1,…,n‬ﺑﺨﻮاﻫﯿﻢ ﺗﻌﯿﯿﻦ ﮐﻨﯿﻢ ﺑﺎﯾﺴﺘﯽ روش را ﺑﺮاي ﭼﻨﺪﺟﻤﻠﻪ اي درﺟﻪ ‪ 2n+1‬دﻗﯿﻖ ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﻢ ‪.‬‬

‫روﺷﻬﺎﯾﯽ ﮐﻪ ﺑﺮ اﯾﻦ اﺳﺎس ﺑﺪﺳﺖ ﺧﻮاﻫﻨﺪ آﻣﺪ روﺷﻬﺎي اﻧﺘﮕﺮال ﮔﯿﺮي ﮔﺎوﺳﯽ ﻣﯽ ﻧﺎﻣﻨﺪ ‪.‬از آﻧﺠﺎ ﮐﻪ ﺑﺎزه ﻣﺘﻨﺎﻫﯽ‬

‫]‪ [a,b‬را ﻣﯽ ﺗﻮاﻧﯿﻢ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺒﺪﯾﻞ زﯾﺮ ﺑﻪ ﺑﺎزه ]‪ [-1,1‬ﺗﺒﺪﯾﻞ ﻧﻤﺎﺋﯿﻢ‬

‫‪b−a‬‬ ‫‪b+a‬‬
‫=‪x‬‬ ‫‪t+‬‬
‫‪2‬‬ ‫‪2‬‬
‫ﻟﺬا ﻣﺎ اﻧﺘﮕﺮال را ﺑﺼﻮرت زﯾﺮ درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪:‬‬

‫‪1‬‬ ‫‪n‬‬
‫) ‪I = ∫ w( x) f ( x)dx = ∑ λk f ( xk‬‬ ‫)‪(6.40‬‬
‫‪−1‬‬ ‫‪k =0‬‬

‫روش ﻫﺎي ﮔﺎوس ﻟﮋاﻧﺪر ‪:‬‬

‫ﺑﺮاي ‪ w(x)=1‬راﺑﻄﻪ )‪ (6-40‬را ﺑﺼﻮرت زﯾﺮ ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫‪1‬‬ ‫‪n‬‬
‫) ‪I = ∫ f ( x)dx = ∑ λ k f ( xk‬‬ ‫)‪(6.41‬‬
‫‪−1‬‬ ‫‪k =0‬‬

‫در اﯾﻦ ﺣﺎﻟﺖ ‪ xk‬ﻫﺎ و ‪ λk‬ﻫﺎ ﻣﺠﻬﻮل ﻫﺴﺘﻨﺪ وﺑﺎﯾﺴﺘﯽ ﺗﻌﯿﯿﻦ ﺷﻮﻧﺪ ‪.‬‬

‫ﺑﻌﻨﻮان ﻣﺜﺎل اﮔﺮ ‪ n=2‬ﺑﺎﺷﺪ روش )‪ (6-41‬راﺑﻔﺮم زﯾﺮ ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫‪1‬‬
‫) ‪I = ∫ f ( x)dx = λ0 f ( x0 ) + λ1 f ( x1 ) + λ2 f ( x2‬‬ ‫)‪(6.42‬‬
‫‪−1‬‬

‫در راﺑﻄﻪ )‪ (6-42‬ﺷﺶ ﻣﺠﻬﻮل دارﯾﻢ ﮐﻪ ﺑﺎﯾﺴﺘﯽ ﺗﻌﯿﯿﻦ ﻧﻤﺎﺋﯿﻢ ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ راﺑﻄﻪ ﻓﻮق ﺑﺎﯾﺴﺘﯽ ﺑﺮاي ﭼﻨﺪ ﺟﻤﻠﻪ اي ﺗﺎ‬

‫درﺟﻪ ﭘﻨﺠﻢ دﻗﯿﻖ ﺑﺎﺷﺪ ﯾﻌﻨﯽ ﺑﺮاي ‪ f(x)=xi , i=0(1)5‬دارﯾﻢ ‪:‬‬

‫‪138‬‬
‫‪λ0 + λ1 + λ 2 = 2‬‬
‫‪λ0 x0 + λ1 x1 + λ 2 x2 = 0‬‬
‫‪λ0 x02 + λ1 x12 + λ 2 x22 = 2 / 3‬‬

‫‪λ0 x03 + λ1 x13 + λ2 x23 = 0‬‬

‫‪λ0 x04 + λ1 x14 + λ 2 x24 = 2 / 5‬‬
‫‪λ0 x05 + λ1 x15 + λ2 x25 = 0‬‬

‫‪x0 = − 3 5‬‬ ‫‪x1 = 0‬‬ ‫‪x2 = 3 5‬‬

‫ﺑﺎ ﺣﻞ ﺳﯿﺴﺘﻢ ﻓﻮق دارﯾﻢ ‪:‬‬
‫‪λ0 = 5‬‬ ‫‪λ1 = 8‬‬ ‫‪λ2 = 5‬‬
‫‪9‬‬ ‫‪9‬‬ ‫‪9‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ روش )‪(6-42‬ﺑﺼﻮرت زﯾﺮ دارﯾﻢ ‪:‬‬

‫‪1‬‬
‫‪1‬‬ ‫‪3 ) + 8 f (0) + 5 f ( 3 )‬‬
‫‪∫ f ( x)dx = 9 5 f (−‬‬
‫‪−1‬‬
‫‪5‬‬ ‫‪5 ‬‬
‫)‪(6.43‬‬

‫ﻟﺬا ﺧﻄﺎي اﯾﻦ روش را ﻣﯽ ﺗﻮاﻧﯿﻢ ﺑﺼﻮرت زﯾﺮ ﺑﯿﺎﺑﯿﻢ ‪:‬‬

‫‪C‬‬
‫= ‪Rs‬‬ ‫‪f(η( 6)) , − 1 < η < 1‬‬ ‫)‪(6.44‬‬
‫!‪6‬‬

‫ﺑﻄﻮرﯾﮑﻪ ‪ C‬ﺿﺮﯾﺐ ﺛﺎﺑﺖ ﺧﻄﺎ ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪1‬‬
‫‪2 6‬‬ ‫‪8‬‬
‫= ) ‪C = ∫ x6 dx − (λ0 x06 + λ1 x16 + λ2 x26‬‬ ‫‪−‬‬ ‫=‬
‫‪−1‬‬
‫‪7 25 175‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ ﻣﯽ داﻧﯿﻢ ﮐﻪ ﮔﺮه ﻫﺎ اﻧﺘﮕﺮال ﮔﯿﺮي ‪ xk‬رﯾﺸﻪ ﻫﺎي ﭼﻨﺪﺟﻤﻠﻪ اي ﻟﮋاﻧﺪر ﻣﯽ ﺑﺎﺷﻨﺪ ﯾﻌﻨﯽ ‪:‬‬

‫= )‪p n+1 ( x‬‬

‫‪1‬‬ ‫‪d n+1‬‬
‫‪2 n +1 (n + 1) ! dxn +1‬‬
‫‪[( x2 − 1) n+1 ] , , n = 0,1,...‬‬ ‫)‪(6.45‬‬

‫ﺣﺎل در ﺟﺪول زﯾﺮ رﯾﺸﻪ ﻫﺎي ﭼﻨﺪ ﺟﻤﻠﻪ اي ﻟﮋاﻧﺪر ﺑﺮاي ‪ n=1(1)5‬ﺑﺮاي روش )‪ (6-41‬ﺑﺼﻮرت زﯾﺮ دارﯾﻢ ‪:‬‬

‫‪n‬‬ ‫‪xk‬‬ ‫‪λk‬‬

‫‪1‬‬ ‫‪± 0.5773502692‬‬ ‫‪1‬‬
‫‪0.00000000‬‬ ‫‪0.8888888889‬‬
‫‪2‬‬ ‫‪± 0.7745966692‬‬ ‫‪± 0.5555555556‬‬
‫‪± 0.3399810436‬‬ ‫‪0.6521451549‬‬
‫‪3‬‬ ‫‪± 0.8611363116‬‬ ‫‪0.3478548481‬‬
‫‪0.0000000000‬‬ ‫‪0.5688888889‬‬
‫‪4‬‬ ‫‪± 0.5384693101‬‬ ‫‪0.4786286705‬‬
‫‪± 0.9061798459‬‬ ‫‪0.2369268851‬‬

‫‪139‬‬
 ‫‪5‬‬ ‫‪± 0.2386191861‬‬ ‫‪0.4679139346‬‬
‫‪± 0.6612093865‬‬ ‫‪0.3607615730‬‬
‫‪± 0.93246995142‬‬ ‫‪0.1713244924‬‬
‫ﻣﺜﺎل ‪ : 5-6‬ﺑﺎ اﺳﺘﻔﺎده از روش ﮔﺎوس – ﻟﮋاﻧﺪر اﻧﺘﮕﺮال زﯾﺮ را ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﺪ ‪:‬‬

‫‪1‬‬
‫‪dx‬‬
‫∫= ‪I‬‬
‫‪0‬‬
‫‪1+ x‬‬

‫ﺣﻞ ‪ :‬اﺑﺘﺪا ﺑﺎزه ]‪ [0,1‬را ﺑﻪ ]‪ [-1,1‬ﺗﺒﺪﯾﻞ ﻣﯽ ﮐــﻨﯿﻢ‪.‬‬

‫‪b−a‬‬ ‫‪b+a‬‬
‫=‪x‬‬ ‫‪t+‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪x = 2 t + 2 ⇒ dx = 1 2 dt‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪1‬‬
‫‪dx 1 dt‬‬
‫∫= ‪I‬‬
‫‪1 + x −∫1 t + 3‬‬
‫=‬
‫‪0‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از روش ﮔﺎوس ﻟﮋاﻧﺪر ﺳﻪ ﻧﻘﻄﻪ اي )‪ (n=2‬دارﯾﻢ ‪:‬‬

‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬ ‫‪‬‬

‫‪1‬‬ ‫‪  1  ‬‬ ‫‪1‬‬ ‫‪ ‬‬ ‫‪1‬‬ ‫‪ 131‬‬
‫‪I = 9 8‬‬ ‫‪ + 5‬‬ ‫‪ + 5‬‬ ‫= ‪‬‬ ‫‪= 0.675774‬‬
‫‪0 + 3`   3 + 3‬‬ ‫‪ 189‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪5‬‬
‫‪ 3− 3‬‬
‫‪ ‬‬ ‫‪5‬‬ ‫‪‬‬

‫درﺻﻮرﺗﯿﮑﻪ ﺟﻮاب واﻗﻌﯽ اﻧﺘﮕﺮال ﻓﻮق ﻋﺒﺎرﺗﺴﺖ از ‪I=0.675774‬‬

‫ﻣﺜﺎل ‪ : 6-6‬در روش زﯾﺮ ‪ c,b,a‬را ﺑﻄﺮﯾﻘﯽ ﺑﯿﺎﺑﯿﺪ ﮐﻪ ﺣﺘﯽ اﻻﻣﮑﺎن ﺑﺮاي ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎي درﺟﻪ ﺑﺎﻻ دﻗﯿﻖ ﺑﺎﺷﺪ و‬

‫ﺧﻄﺎي روش را ﺑﯿﺎﺑﯿﺪ ؟‬

‫‪h‬‬

‫})‪∫ f ( x)dx = h{af (0) + bf ( h 3 ) + cf (h‬‬

‫‪0‬‬

‫ﺣﻞ ‪ f(x) :‬را ﺗﺎ ﭼﻨﺪﺟﻤﻠﻪ اي درﺟﻪ دوم درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ دارﯾﻢ‬

‫‪f ( x) = 1‬‬ ‫;‬ ‫) ‪h = h( a + b + c‬‬ ‫‪or‬‬ ‫‪a +b + c =1‬‬ ‫)‪(1‬‬

‫‪2‬‬
‫‪h‬‬ ‫‪bh‬‬ ‫‪1‬‬ ‫‪1‬‬
‫; ‪f ( x) = x‬‬ ‫(‪= h‬‬ ‫)‪+ ch‬‬ ‫‪or‬‬ ‫= ‪b+c‬‬ ‫)‪(2‬‬
‫‪2‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪2‬‬
‫‪h3‬‬ ‫‪bh 2‬‬ ‫‪1‬‬ ‫‪1‬‬
‫; ‪f ( x) = x 2‬‬ ‫(‪= h‬‬ ‫) ‪+ ch 2‬‬ ‫‪or‬‬ ‫= ‪b+c‬‬ ‫)‪(3‬‬
‫‪3‬‬ ‫‪9‬‬ ‫‪9‬‬ ‫‪3‬‬
‫دﺳﺘﮕﺎه ﺳﻪ ﻣﻌﺎدﻟﻪ و ﺳﻪ ﻣﺠﻬﻮل ﺑﺎﻻ را ﺣﻞ ﻣﯽ ﮐﻨﯿﻢ ‪:‬‬

‫‪140‬‬
 ‫‪3‬‬ ‫‪1‬‬
‫=‪a =0 , b‬‬ ‫=‪, c‬‬
‫‪4‬‬ ‫‪4‬‬
‫ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﺧﻄﺎ ﻣﻮﺿﻌﯽ ﯾﺎ ﻗﻄﻊ ﮐﺮدن دارﯾﻢ ‪:‬‬

‫‪c‬‬
‫= ‪R2‬‬ ‫)‪f ′′′(h‬‬ ‫‪,‬‬ ‫‪0 <ζ < h‬‬
‫!‪3‬‬
‫‪h‬‬
‫‪ bh 3‬‬ ‫‪ − h4‬‬
‫‪c = ∫ x3 dx − h ‬‬ ‫= ‪+ ch 3 ‬‬
‫‪0‬‬ ‫‪ 27‬‬ ‫‪ 36‬‬
‫‪− h4‬‬
‫= ‪∴R2‬‬ ‫) ‪f ′′′(ζ ) = 0(h 4‬‬
‫‪216‬‬

‫ﺗﻤﺮﯾﻦ ﻫﺎي ﻓﺼﻞ ‪:‬‬

‫‪π‬‬
‫‪2‬‬
‫)‪cos x ln(sin x‬‬
‫ﺗﺎ دو رﻗﻢ اﻋﺸﺎر ﺻﺤﯿﺢ ‪.‬‬ ‫∫‬ ‫‪-1‬ﻣﻄﻠﻮﺑﺴﺖ ﻣﺤﺎﺳﺒﻪ‬
‫‪0‬‬
‫‪sin 2 x + 1‬‬

‫‪0.8‬‬
‫‪sin x ‬‬
‫‪ ∫ 1 +‬ﺗﺎ ‪ 5‬رﻗﻢ اﻋﺸﺎر ﺻﺤﯿﺢ ‪.‬‬ ‫‪-2‬ﻣﻄﻠﻮﺑﺴﺖ ﻣﺤﺎﺳﺒﻪ ‪dx‬‬
‫‪0‬‬ ‫‪‬‬ ‫‪x ‬‬

‫‪ A-3‬ﻣﺴﺎﺣﺖ ﺳﻄﺤﯽ اﺳﺖ ﻣﺤﺼﻮر ﺑﻪ ﻣﻨﺤﻨﯽ ‪ y 2 + x2 = cos x‬و ﺑﻮﺳﯿﻠﻪ اﻧﺘﮕﺮال زﯾﺮ ﺗﻌﺮﯾﻒ ﺷﺪه اﺳﺖ ‪:‬‬

‫‪α‬‬
‫‪1‬‬
‫‪A = 4 ∫ (cos x − x2 ) 2 dx‬‬
‫‪0‬‬

‫ﺑﻄﻮرﯾﮑﻪ ‪ α‬رﯾﺸﻪ ﻣﺜﺒﺖ ﻣﻌﺎدﻟﻪ ‪ cos x = x2‬اﺳﺖ ‪.‬‬

‫اﻟﻒ ‪ α :‬را ﺗﺎ ﺳﻪ رﻗﻢ اﻋﺸﺎر ﺻﺤﯿﺢ ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﺪ ‪.‬‬

‫ب ‪ :‬ﺑﺎ اﺳﺘﻔﺎده از روش راﻣﺒﺮگ ‪ A‬را ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﺪ ﺑﻄﻮرﯾﮑﻪ ﺧﻄﺎي ﻣﻄﻠﻖ ﻣﺤﺎﺳﺒﻪ ﮐﻤﺘﺮ از ‪ 0.05‬ﺑﺎﺷﺪ ‪.‬‬

‫‪-4‬ﻣﻘﺎدﯾﺮ ‪ c,b,a‬را ﺑﻄﺮﯾﻘﯽ ﺑﯿﺎﺑﯿﺪ ﮐﻪ ﺧﻄﺎي ﻗﻄﻊ ﮐﺮدن ﻓﺮﻣﻮل زﯾﺮ ﺣﺪاﻗﻞ ﻣﻘﺪار ﻣﻤﮑﻦ ﺷﻮد ‪.‬‬

‫‪h‬‬

‫))‪∫h f ( x)dx = h[af (h) + bf (0) + af (h)] + h c( f ′(−h)) − f ′(h‬‬

‫‪2‬‬

‫‪−‬‬

‫‪-5‬در ﻓﺮﻣﻮل زﯾﺮ ﺿﺮاﺋﺐ را ﺗﻌﯿﯿﻦ ﮐﻨﯿﺪ ‪.‬‬

‫‪2h− 1‬‬
‫‪2‬‬ ‫‪1‬‬
‫∫‬
‫‪0‬‬
‫‪xf ( x)dx = (2h) 2 [ A0 f (0) + A1 f (h) + A2 f (2h)] + R‬‬

‫‪141‬‬
 ‫ﭘﺲ ‪ R‬را ﻧﯿﺰ ﺑﯿﺎﺑﯿﺪ در ﺻﻮرﺗﯿﮑﻪ )‪ f ′′′( x‬ﺛﺎﺑﺖ ﺑﺎﺷﺪ ‪.‬‬

‫‪142‬‬
 ‫ﻓﺼﻞ ﻫﻔﺘﻢ‬

‫‪ -7‬ﻓﺼﻞ ﻣﺸﺘﻖ ﮔﯿﺮي ﻋﺪدي‬

‫روﺷﻬﺎي ﻣﺘﻌﺪدي ﺑﺮاي ﯾﺎﻓﺘﻦ ﻣﺸﺘﻖ ﺗﺎﺑﻊ )‪ f(x‬وﺟﻮد دارد ‪.‬زﻣﺎﻧﯽ ﮐﻪ )‪ f(x‬ﺗﺎﺑﻌﯽ ﺑﻐﺮﻧﺞ وﯾﺎ ﺑﺼﻮرت داده ﻫﺎي ﺟﺪوﻟﯽ‬

‫ﺗﻌﺮﯾﻒ ﺷﺪه ﺑﺎﺷﺪ از روﺷﻬﺎي ﻋﺪدي ﺑﺮاي ﯾﺎﻓﺘﻦ ﻣﺸﺘﻖ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ ‪.‬در اﯾﻦ ﻓﺼﻞ ﻣﺎ ﺑﻪ روﺷﻬﺎﯾﯽ ﻣﯽ ﭘﺮدازﯾﻢ‬

‫ﮐﻪ ﻣﺸﺘﻖ ‪ f ( r ) ( x), r > 1‬ﺗﺎﺑﻊ )‪ f(x‬را ﺗﻘﺮﯾﺐ ﻣﯽ زﻧﻨﺪ ‪.‬در ﻓﺼﻞ دروﻧﯿﺎﺑﯽ اﺷﺎره ﮐﺮدﯾﻢ ﮐﻪ ﯾﮑﯽ از دﻻﯾﻞ اﺳﺘﻔﺎده از‬

‫ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎي ﺟﺒﺮي ﺑﺮاي ﺗﻘﺮﯾﺐ ﻣﺠﻤﻮﻋﻪ اي از داده ﻫﺎ ‪ ،‬اﯾﻦ اﺳﺖ ﮐﻪ ﺑﺮاي ﻫﺮﺗﺎﺑﻊ ﺗﻌﺮﯾﻒ ﺷﺪه و ﭘﯿﻮﺳﺘﻪ در‬

‫ﯾﮏ ﺑﺎزه ﺑﺴﺘﻪ ‪ ،‬ﭼﻨﺪﺟﻤﻠﻪ اي وﺟﻮد دارد ﮐﻪ درﻫﺮﻧﻘﻄﻪ ﺑﺎزه ﺑﻪ ﻣﯿﺰان دﻟﺨﻮاه ﺑﻪ ﺗﺎﺑﻊ ﻣﺰﺑﻮر ﻧﺰدﯾﮏ اﺳﺖ ‪ .‬ﻣﺸﺘﻘﺎت‬

‫ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎ ﺑﻪ آﺳﺎﻧﯽ ﺑﺪﺳﺖ ﻣﯽ آﯾﻨﺪ ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ ﺟﺎي ﺗﻌﺠﺐ ﻧﯿﺴﺖ ﮐﻪ در ﺑﯿﺸﺘﺮ روﻧﺪﻫﺎي ﺗﻘﺮﯾﺐ ﻣﺸﺘﻘﺎت ‪ ،‬از‬

‫ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎﯾﯽ ﮐﻪ ﺗﺎﺑﻊ را ﺗﻘﺮﯾﺐ ﻣﯽ زﻧﻨﺪ ﺑﺠﺎي ﺧﻮد ﺗﺎﺑﻊ اﺳﺘﻔﺎده ﺷﻮﻧﺪ ‪ .‬اﻣﺎ اﺑﺘﺪا ﺑﺎ ﺗﻌﺮﯾﻒ ﻣﺸﺘﻖ ﺷﺮوع ﻣﯽ ﮐﻨﯿﻢ‬

‫ﻣﺸﺘﻖ ﺗﺎﺑﻊ )‪ f(x‬در ﻧﻘﻄﻪ ‪ x0‬ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫) ‪f ( x0 + h) − f ( x0‬‬
‫‪f ′( x) = lim‬‬
‫‪h‬‬
‫‪h→0‬‬
‫) ‪f ( x0 + h) − f ( x0‬‬
‫≈‬ ‫)‪(7.1‬‬
‫‪h‬‬

‫راﺑﻄﻪ )‪ (7.1‬ﺑﺮاي ﺗﺎﺑﻊ ﺧﻄﯽ ‪ f(x)=ax+b‬دﻗﯿﻖ اﺳﺖ ‪ .‬ﯾﻌﻨﯽ ﻣﻘﺪار واﻗﻌﯽ )‪ f ′( x‬را ﺑﻪ ازاي ﻫﺮﻣﻘﺪار ﻣﺨﺎﻟﻒ ﺻﻔﺮ ‪h‬‬

‫ﻧﺘﯿﺠﻪ ﻣــــﯿﺪﻫﺪ ‪.‬اﺟﺎزه دﻫﯿﺪ ﺧﻄﺎي اﯾﻦ ﻓﺮﻣﻮل را ﺑﺮرﺳﯽ ﮐﻨﯿﻢ ‪ .‬ﻧﻘﻄﻪ ﺷﺮوع ‪ ،‬ﻗﻀﯿﻪ ﺗﯿﻠﻮر اﺳﺖ ﮐﻪ ﺑﺼﻮرت زﯾﺮ‬

‫‪h2‬‬
‫‪f ( x + h) = f ( x) + hf ′( x) +‬‬ ‫) ‪f ′′(ζ‬‬ ‫)‪(7.2‬‬ ‫ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬
‫!‪2‬‬

‫در اﯾﻦ ﺟﺎ ‪ ζ‬ﻧﻘﻄﻪ اي درﺑﯿﻦ ‪ x‬و ‪ x+h‬اﺳﺖ ‪.‬ﺑﺮاي اﯾﻨﮑﻪ راﺑﻄﻪ )‪ (7.2‬ﻣﻌﺘﺒﺮ ﺑﺎﺷﺪ ‪ f ′, f‬ﺑﺎﯾﺪ در ﺑﺎزه ﺑﺴﺘﻪ ﺑﯿﻦ ‪ x‬و‬

‫‪ x+h‬ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﻨﺪ و ‪ f ′′‬ﺑﺎﯾﺪ روي ﺑﺎزه ﺑﺎز ﻣﺘﻨﺎﻇﺮ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ‪ .‬از راﺑﻄﻪ )‪ (7.2‬ﻣﯽ ﺗﻮان ﻧﺘﯿﺠﻪ ﮔﺮﻓﺖ ‪:‬‬

‫= )‪f ′( x‬‬
‫‪1‬‬
‫) ‪[ f ( x + h) − f ( x)] − h f ′′(ζ‬‬ ‫)‪(7.3‬‬
‫‪h‬‬ ‫‪2‬‬

‫‪142‬‬
‫راﺑـــﻄﻪ )‪ (7.3‬از )‪(7.1‬ﻣﻔﯿﺪ ﺗﺮاﺳﺖ ‪.‬زﯾﺮا ﺑﺮ روي رده ﺑﺰرﮔﯽ از ﺗﻮاﺑﻊ ﻓﻮق اﻟﺬﮐﺮ ﺻﺎدق اﺳﺖ ‪.‬ﺟﻤﻠﻪ ﺧﻄﺎ در راﺑﻄﻪ‬

‫)‪ (7.3‬داراي دو ﻗﺴﻤﺖ اﺳﺖ ‪.‬ﺗﻮاﻧﯽ از ‪ h‬وﺷﺎﻣﻞ ﻣﺸﺘﻘﯽ از ﻣﺮﺗﺒﻪ ﺑﺎﻻﺗﺮ ‪ f‬اﺳﺖ ‪.‬ﺟﻤﻠﻪ ‪ h‬درﺧﻄﺎ ﺑﺎﻋﺚ ﻣﯽ ﺷﻮد ‪،‬‬

‫وﻗﺘﯽ ﮐﻪ ‪ h‬ﺑﻪ ﺻﻔﺮ ﻣﯿﻞ ﻣﯽ ﮐﻨﺪ ﺗﻤﺎم ﻋﺒﺎرت ﺑﻪ ﺻﻔﺮ ﻫﻤﮕﺮا ﮔﺮدد ‪ .‬ﺳﺮﻋﺖ اﯾﻦ ﻫﻤﮕﺮاﯾﯽ ﺑﻪ ﺗﻮان ‪ h‬ﺑﺴﺘﮕﯽ دارد ‪.‬‬

‫‪h‬‬
‫ﻗﺴﻤﺖ دوم ﺑﯿﺎﻧﮕﺮ رده ﺗﻮاﺑﻌﯽ اﺳﺖ ﮐﻪ ﺑﺮآورد ﺧﻄﺎ ﺑﺮاي آﻧﻬﺎ ﻗﺎﺑﻞ اﺟﺮا اﺳﺖ ‪ .‬ﺟﻤﻠﻪ ) ‪ − f ′′(ζ‬در راﺑﻄﻪ )‪(7.3‬‬
‫‪2‬‬

‫ﺧﻄﺎي ﺑﺮﺷﯽ ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد ‪ .‬ﻏﺎﻟﺒﺎً دﻗﺖ ﭼﻨﯿﻦ ﻓﺮﻣﻮﻟﻬﺎي ﻣﺸﺘﻖ ﮔﯿﺮي ﻋﺪدي ﺑﻪ آﺳﺎﻧﯽ ﺑﺎ ﺗﻮان ‪ h‬ﻣﻮﺟﻮد در ﺟﻤﻠﻪ‬

‫ﺧﻄﺎ ﺳﻨﺠﯿﺪه ﻣﯽ ﺷﻮد ‪.‬‬

‫ﻫﺮﭼﻪ ﺗﻮان ‪ h‬ﺑﺎﻻﺗﺮ ﺑﺎﺷﺪ ‪ ،‬ﭼﻮﻧﮑﻪ ‪ h‬ﯾﮏ ﻋﺪد ﮐﻮﭼﮏ اﺳﺖ دﻗﯿﻖ ﻣﯽ ﺑﺎﺷﺪ ‪ .‬ﺑﻨﺎﺑﺮاﯾﻦ راﺑﻄﻪ )‪ (7-2‬داراي دﻗﺖ‬

‫)‪ 0(h‬اﺳﺖ ‪.‬اﻣﺎ ﯾﮏ ﻓﺮﻣﻮل دﻗﯿﻖ ﺗﺮ را ﻣﯽ ﺗﻮان ﺑﺮاي ﻣﺸﺘﻖ ﻣﺮﺗﺒﻪ اول ﺑﺼﻮرت زﯾﺮ ﯾﺎﻓﺖ ‪:‬‬

‫‪h2‬‬ ‫‪h3‬‬
‫‪f ( x + h) = f ( x) + hf ′( x) +‬‬ ‫‪f ′′( x) +‬‬ ‫) ‪f ′′′(ζ 1‬‬ ‫)‪(7.4‬‬
‫‪2‬‬ ‫!‪3‬‬
‫‪h2‬‬ ‫‪h3‬‬
‫‪f ( x − h) = f ( x) − hf ′( x) +‬‬ ‫‪f ′′( x) −‬‬ ‫) ‪f ′′′(ζ 2‬‬ ‫)‪(7.5‬‬
‫‪2‬‬ ‫!‪3‬‬
‫ﺑﺎ ﮐﻢ ﮐﺮدن راﺑﻄﻪ )‪ (7-5‬از )‪ (7-4‬و ﻣﺮﺗﺐ ﮐﺮدن آن دارﯾﻢ ‪:‬‬

‫‪2‬‬
‫= )‪f ′( x‬‬
‫‪1‬‬
‫]) ‪[ f ( x + h) − f ( x − h)] − h [ f ′′′(ζ 1 ) + f ′′′(ζ 2‬‬ ‫)‪(7.6‬‬
‫‪2h‬‬ ‫‪12‬‬
‫در ﺻﻮرﺗﯿﮑﻪ ‪ f ′′′‬وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ اﯾﻦ ﻧﺘﯿﺠﻪ ﺑﻬﺘﺮي اﺳﺖ زﯾﺮا ﺟﻤﻠﻪ ﺧﻄﺎ ﺷﺎﻣﻞ ‪ h2‬اﺳﺖ ‪ .‬ﺑﺎ ﻓﺮض اﯾﻨﮑﻪ ﺗﺎﺑﻊ‬

‫‪ f ′′′‬ﺑﺮ ]‪ [x-h,x+h‬ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﺪ وﺑﺎ ﻓﺮض اﯾﻨﮑﻪ ‪ M‬و ‪ m‬ﺑﯿﺸﺘﺮﯾﻦ و ﮐﻤﺘﺮﯾﻦ ﻣﻘﺎدﯾﺮ ‪ f ′′′‬در اﯾﻦ ﺑﺎزه ﺑﺎﺷﺪ آﻧﮕﺎه‬

‫‪1‬‬
‫) ‪ C = [ f ′′ζ′ 1 + f ′′′(ζ 2 )] , f ′′′(ζ 2 ) , f ′′′(ζ 1‬ﺟﻤﻠﮕﯽ در ﺑﺎزه ]‪ [m,M‬ﻗﺮار ﻣﯽ ﮔﯿﺮﻧﺪ ‪ .‬ﭼﻮن ‪ f ′′′‬ﭘﯿﻮﺳﺘﻪ اﺳﺖ ‪،‬‬
‫‪2‬‬

‫ﻣﻘﺪار ‪ C‬را در ﻧﻘﻄﻪ اي ﻣﺎﻧﻨﺪ ‪ ζ‬در ]‪ [x-h,x+h‬اﺧﺘﯿﺎر ﻣﯽ ﮐﻨﺪ ‪.‬ازاﯾﻦ رو ‪:‬‬

‫‪1‬‬
‫= ) ‪f ′′′(ζ‬‬ ‫]) ‪[ f ′′′(ζ 1 ) + f ′′′(ζ 2‬‬
‫‪2‬‬
‫اﮔﺮ اﯾﻦ ﻋﺒﺎرت را در ﻣﻌﺎدﻟﻪ )‪ (7-6‬ﻗﺮار دﻫﯿﻢ ‪ ،‬دارﯾﻢ ؛‬

‫‪143‬‬
 ‫‪2‬‬
‫= )‪f ′( x‬‬
‫‪1‬‬
‫) ‪[ f ( x + h) − f ( x − h)] − h f ′′′(ζ‬‬ ‫)‪(7.7‬‬
‫‪2h‬‬ ‫‪6‬‬
‫ﻓﺮﻣﻮل ﻣﻬﻢ دﯾﮕﺮي ﺑﺮاي ﻣﺸﺘﻘﺎت ﻣﺮﺗﺒﻪ دوم ﺑﺎ ﮔﺴﺘﺮش ﻣﻌﺎدﻻت )‪ (7.4‬و)‪ (7.5‬ﺑﺎ ﯾﮏ ﺟﻤﻠﻪ ﺑﯿﺸﺘﺮ و ﺳﭙﺲ ﺟﻤﻊ آن‬

‫ﻣﻌﺎدﻻت ﺑﺪﺳﺖ ﻣﯽ آﯾﺪ وﺑﺎ ﻣﺮﺗﺐ ﮐﺮدن آن ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫‪2‬‬
‫= )‪f ′′( x‬‬
‫‪1‬‬
‫‪2‬‬
‫‪[ f ( x + h) − 2 f ( x) + f ( x − h)] − h‬‬ ‫))‪f(ζ( 4‬‬ ‫)‪(7.8‬‬
‫‪h‬‬ ‫‪12‬‬
‫ﺑﻪ ازاي )‪ ζ ∈ ( x − h, x + h‬ﮐﻪ ﻓﺮﻣﻮل ﻣﻨﺎﺳﺒﯽ ﺑﺮاي ﺣﻞ ﻋﺪدي ﻣﻌﺎدﻻت دﯾﻔﺮاﻧﺴﯿﻞ ﻣﺮﺗﺒﻪ دوم اﺳﺖ ‪.‬‬

‫ﺑﻄﻮر ﮐﻠﯽ روﺷﻬﺎي ﻣﺸﺘﻖ ﮔﯿﺮي ﻋﺪدي را ﻣﯽ ﺗﻮان ﺑﻪ ﺳﻪ ﻃﺮﯾﻖ زﯾﺮ ﺑﺪﺳﺖ آورد‬

‫‪ -1‬روﺷﻬﺎﯾﯽ ﮐﻪ ﻣﺒﺘﻨﯽ ﺑﺮ دروﻧﯿﺎﺑﯽ ﻫﺴﺘﻨﺪ ‪.‬‬

‫‪ -2‬روﺷﻬﺎﯾﯽ ﮐﻪ ﻣﺒﺘﻨﯽ ﺑﺮ ﻋﻤﻠﮕﺮﻫﺎي ﺗﻔﺎﺿﻼت ﻣﺘﻨﺎﻫﯽ ﻫﺴﺘﻨﺪ ‪.‬‬

‫‪ -3‬روﺷﻬﺎﯾﯽ ﮐﻪ ﻣﺒﺘﻨﯽ ﺑﺮ ﺗﻌﯿﯿﻦ ﺿﺮاﺋﺐ ﻧﺎﻣﻌﯿﻦ ﻫﺴﺘﻨﺪ ‪.‬‬

‫‪ 1-7‬روﺷﻬﺎي ﻣﺒﺘﻨﯽ ﺑﺮ دروﻧﯿﺎﺑﯽ‬

‫ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ } ‪ n + 1 , {x0 , x1 ,..., xn‬ﻧﻘﻄﻪ ﻣﺘﻤﺎﯾﺰ در ﺑﺎزه ]‪ [a,b‬ﺑﺎﺷﻨﺪ و ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ )‪ f(x‬در اﯾﻦ ﻧﻘﺎط داده ﺷﺪه‬

‫ﺑﺎﺷﻨﺪ ‪.‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ]‪ f ∈ C n+1[a , b‬ﺑﺎﺷﺪ ‪ .‬ﻃﺮﯾﻘﻪ ﻋﻤﻮﻣﯽ در اﯾﻦ روﺷﻬﺎ ‪ ،‬ﺑﺪﺳﺖ آوردن ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب‬

‫)‪ p n ( x‬اﺳﺖ وﺳﭙﺲ ‪ r‬ﻣﺮﺗﺒﻪ )‪ (r ≤ n‬از ﭼﻨﺪ ﺟﻤﻠﻪ اي ﻣﺸﺘﻖ ﻣﯽ ﮔﯿﺮﯾﻢ ﺗﺎ )‪ p n( r ) ( x‬را ﺑﯿﺎﺑﯿﻢ ‪ .‬ﻣﻘﺪار ) ‪p n( r ) ( xk‬‬

‫ﺗﻘﺮﯾﺒﯽ ﺑﺮاي ﻣﺸﺘﻖ ))‪ f((xr‬در ﻧﻘﻄﻪ ‪ xk‬ﻣﯽ ﺑﺎﺷﺪ ‪ .‬ﻋﻠﯿﺮﻏﻢ اﯾﻨﮑﻪ )‪ pn ( x‬و )‪ f(x‬داراي ﻣﻘﺎدﯾﺮ ﯾﮑﺴﺎن در ﻧﻘﺎط ﮔﺮه اي‬

‫ﻣﯽ ﺑﺎﺷﻨﺪ اﻣﺎ ﻣﻤﮑﻦ اﺳﺖ ﺗﻔﺎوت ﻣﺸﺘﻘﺎت در اﯾﻦ ﻧﻘﺎط ﻗﺎﺑﻞ ﻣﻼﺣﻈﻪ ﺑﺎﺷﻨﺪ ‪ .‬ﺷﮑﻞ‪ 1-‬ﻣﺸﺘﻖ ﻣﺮﺗﺒﻪ اول در ‪ xk‬اﺳﺖ ‪.‬‬

‫‪144‬‬
‫وﺿﻌﯿﺖ درﻧﻘﺎط ﻏﯿﺮ ﮔﺮه اي ﻣﻤﮑﻦ اﺳﺖ ﺑﺪﺗﺮ ﺑﺎﺷﻨﺪ ‪ .‬ﺑﺎ اﻓﺰاﯾﺶ ﻣﺮﺗﺒﻪ ﻣﺸﺘﻖ ﺑﯿﺸﺘﺮ از اﯾﻦ ﺑﺪﺗﺮ ﺧﻮاﻫﺪ ﺷﺪ ‪ .‬ﮐﻤﯿﺖ‪:‬‬

‫)‪E ( r ) ( x) = f ( r ) ( x) − p n( r ) ( x‬‬ ‫)‪(7.9‬‬

‫را ﺧﻄﺎي ﺗﻘﺮﯾﺐ در ‪ r‬اﻣﯿﻦ ﻣﺮﺗﺒﻪ ﻣﺸﺘﻖ درﻫﺮﻧﻘﻄﻪ ‪ x‬ﻧﺎﻣﯿﺪه ﻣﯿﺸﻮد ‪.‬‬

‫ﻧﻘﺎط ﮔﺮه اي ﻧﺎﻣﺘﺴﺎوي اﻟﻔﺎﺻﻠﻪ ‪:‬‬

‫اﮔﺮ ﻧﻘﺎط } ‪ {x0 , x1 ,..., xn‬ﻧﺎﻣﺘﺴﺎوي اﻟﻔﺎﺻﻠﻪ ﺑﺎﺷﻨﺪ آﻧﮕﺎه ﺑﺎ اﺳﺘﻔﺎده از روش ﻻﮔﺮاﻧﮋ ﻣﯽ ﺗﻮان ﭼﻨﺪﺟﻤﻠﻪ اي دروﻧﯿﺎب‬

‫زﯾﺮ را داﺷﺘﻪ ﺑﺎﺷﯿﻢ ‪:‬‬

‫‪n‬‬
‫‪Pn ( x) = ∑ l k ( x) f k‬‬ ‫)‪(7.10‬‬
‫‪k =0‬‬

‫‪n‬‬ ‫‪x − xj‬‬

‫‪l k ( x) = Π‬‬ ‫)‪ l k ( x‬ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎي اﺳﺎﺳﯽ ﻻﮔﺮاﻧﮋ ﻫﺴﺘﻨﺪ ﮐﻪ ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬
‫) ‪j = 0 ( xk − x j‬‬
‫‪j ≠k‬‬

‫)‪w( x‬‬
‫= )‪l k ( x‬‬
‫) ‪( x − xk ) w′( xk‬‬

‫‪n‬‬
‫) ‪fk = f ( xk ) , w( x) = Π ( x − x j‬‬
‫‪j =0‬‬

‫ﺧﻄﺎي ﺗﻘﺮﯾﺐ در ﻫﺮﻧﻘﻄﻪ ‪ x‬ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫)‪w( x) ( n+1‬‬
‫= )‪E n ( x) = f ( x) − p n ( x‬‬ ‫‪f‬‬ ‫‪(ζ x ) , x0 < ζ x < xn‬‬ ‫)‪(7.11‬‬
‫!)‪(n + 1‬‬

‫ﺑﺎ ﻣﺸﺘﻖ ﮔﯿﺮي از راﺑﻄﻪ )‪ (7-10‬و )‪ (7-11‬ﻧﺴﺒﺖ ﺑﻪ ‪ x‬دارﯾﻢ ‪:‬‬

‫‪n‬‬
‫‪p ′n ( x) = ∑ lk′ ( x) fk‬‬ ‫)‪(7.12‬‬
‫‪k =0‬‬

‫)‪w′( x) ( n+1‬‬
‫= )‪E n′ ( x‬‬
‫!)‪(n + 1‬‬
‫‪f‬‬ ‫‪(ζ x ) +‬‬
‫‪(n + 1)! dx‬‬
‫)) ‪( f (ζ x‬‬
‫)‪w( x) d ( n+1‬‬
‫)‪(7.13‬‬

‫از آﻧﺠﺎ ﮐﻪ درﺟﻤﻠﻪ ﻃﺮف راﺳﺖ راﺑﻄﻪ )‪ (7-13‬ﺗﺎﺑﻊ )‪ ζ ( x‬ﻧﺎﻣﻌﻠﻮم اﺳﺖ ‪.‬ﻣﺎ ﻧﻤﯽ ﺗﻮاﻧﯿﻢ ﻣﺴﺘﻘﯿﻤﺎً ﻣﻘﺪار )‪ En′ ( x‬را‬

‫ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﻢ ‪.‬ﺑﻬﺮﺣﺎل درﻧﻘﻄﻪ ‪ w( xk ) = 0 , xk‬اﺳﺖ ﻟﺬا دارﯾﻢ ‪:‬‬

‫‪145‬‬
 ‫)‪w′( xk ) ( n +1‬‬
‫= ) ‪E n′ ( xk‬‬ ‫‪f‬‬ ‫‪(ζ x ) , x0 < ζ x < xn‬‬ ‫)‪(7.14‬‬
‫!)‪(n + 1‬‬

‫ﻣﺤﺪود ﺑﺎﻗﯽ ﺑﻤﺎﻧﺪ ‪ .‬ﺑﻪ ازاي ﻫﺮ ‪ (1 ≤ r ≤ n) r‬درﻫﺮ ﻧﻘﻄﻪ ‪ x‬از راﺑﻄﻪ )‪(7-10‬‬
‫‪dx‬‬
‫ﻣﺸﺮوط ﺑﺮ اﯾﻨﮑﻪ ) ) ‪( f (ζ x‬‬
‫)‪d ( n +1‬‬

‫ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫‪n‬‬
‫‪f ( r ) ( x) ≈ p n( r ) ( x) = ∑ lk( r ) ( x ) fk‬‬ ‫)‪(7.15‬‬
‫‪k =0‬‬

‫ﺟﻤﻠﻪ ﺧﻄﺎي ﺗﻘﺮﯾﺐ ﺑﺎ اﺳﺘﻔﺎده از راﺑﻄﻪ زﯾﺮ ﻣﯽ ﺗﻮان ﯾﺎﻓﺖ ‪:‬‬

‫‪1‬‬ ‫‪dj‬‬ ‫!‪j‬‬

‫= ) )‪( f(ζ( nx+)1‬‬ ‫‪f ( n+ j +1) (η j ) , j = 1,2,...‬‬ ‫)‪(7.16‬‬
‫‪(n + 1)! dx‬‬ ‫‪j‬‬
‫!)‪(n + j + 1‬‬

‫)‪min ( x0 , x1 ,..., xn , x) < η j < max ( x0 , x1 ,..., xn , x‬‬ ‫ﺑﻄﻮرﯾﮑﻪ‬

‫ﻓﺮﻣﻮل ﻣﺸﺘﻖ ﮔﯿﺮي )‪ (7-15‬ﯾﮏ ﻓﺮﻣﻮل )‪ (n+1‬ﻧﻘﻄﻪ اي اﺳﺖ ﮐﻪ ﺑﺮاي ﺗﻘﺮﯾﺐ )‪ f ( r ) ( x‬ﺑﮑﺎر ﻣﯽ ﺑﺮﯾﻢ ‪.‬ﭼﻨﺎﻧﭽﻪ از‬

‫ﻓﺮﻣﻮل ﺧﻄﯽ ﻻﮔﺮاﻧﮋ اﺳﺘﻔﺎده ﺷﻮد دارﯾﻢ ‪:‬‬

‫‪x − x1‬‬ ‫‪x − x0‬‬

‫= )‪l0 ( x‬‬ ‫= )‪, l1 ( x‬‬
‫‪x0 − x1‬‬ ‫‪x1 − x0‬‬
‫‪x − x1‬‬ ‫‪x − x0‬‬
‫= )‪p1 ( x‬‬ ‫‪f0 +‬‬ ‫‪f‬‬ ‫)‪(7.17‬‬
‫‪x0 − x1‬‬ ‫‪x1 − x0 1‬‬
‫‪f −f‬‬
‫‪p1′ ( x) = 1 0‬‬ ‫)‪(7.18‬‬
‫‪x1 − x0‬‬

‫راﺑﻄﻪ )‪ (7-18‬ﺑﻪ ازاي ] ‪ x ∈ [ x0 , x1‬ﻫﻤﻮاره ﺛﺎﺑﺖ اﺳﺖ ﺧﻄﺎي اﯾﻦ راﺑﻄﻪ ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪x0 − x1‬‬
‫= ) ‪E1′( x0‬‬ ‫) ‪f ′′(ζ‬‬ ‫)‪(7.19‬‬
‫‪2‬‬
‫‪x −x‬‬
‫‪E1′( x1 ) = 1 0 f ′′(ζ ) , x0 < ζ < x1‬‬ ‫)‪(7.20‬‬
‫‪2‬‬
‫ﻫﻢ ﭼﻨﯿﻦ ﻣﺸﺎﺑﻪ ﻓﻮق از ﻓﺮﻣﻮل درﺟﻪ دوم ﻻﮔﺮاﻧﮋ ﻣﯽ ﺗﻮان اﺳﺘﻔﺎده ﮐﺮد ‪ ،‬ﻧﻈﯿﺮ ‪:‬‬

‫‪146‬‬
 ‫) ‪( x − x1 )( x − x2‬‬ ‫‪2 x − x1 − x2‬‬
‫= )‪l0 ( x‬‬ ‫⇒‬ ‫= )‪l0′ ( x‬‬
‫) ‪( x0 − x1 )( x0 − x2‬‬ ‫) ‪( x0 − x1 )( x0 − x2‬‬
‫) ‪( x − x0 )( x − x2‬‬ ‫‪2 x − x0 − x2‬‬
‫= )‪l1 ( x‬‬ ‫⇒‬ ‫= )‪l1′( x‬‬
‫) ‪( x1 − x0 )( x1 − x2‬‬ ‫) ‪( x1 − x0 )( x1 − x2‬‬
‫) ‪( x − x0 )( x − x1‬‬ ‫‪2 x − x0 − x1‬‬
‫= )‪l 2 ( x‬‬ ‫⇒‬ ‫= )‪l 2′ ( x‬‬
‫) ‪( x2 − x0 )( x2 − x1‬‬ ‫) ‪( x2 − x0 )( x2 − x1‬‬
‫‪p 2 ( x) = l0 ( x) f0 + l1 ( x) f1 + l 2 ( x) f2‬‬ ‫)‪(7.21‬‬
‫‪p ′2 ( x) = l0′ ( x) f0 + l1′ ( x) f1 + l 2′ ( x) f2‬‬ ‫)‪(7.22‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از رواﺑﻂ ﻓﻮق دارﯾﻢ ‪:‬‬

‫‪2 x0 − x1 − x2‬‬ ‫‪x0 − x2‬‬ ‫‪x0 − x1‬‬

‫= ) ‪f ′( x0 ) ≈ p ′2 ( x0‬‬ ‫‪f0 +‬‬ ‫‪f1 +‬‬ ‫‪f2‬‬ ‫)‪(7.23‬‬
‫) ‪( x0 − x1 )( x0 − x2‬‬ ‫) ‪( x1 − x0 )( x1 − x2‬‬ ‫) ‪( x2 − x0 )( x2 − x1‬‬
‫‪1‬‬
‫) ‪E 2′ ( x0 ) = ( x0 − x1 )( x0 − x2 ) f ′′′(ζ‬‬ ‫‪,‬‬ ‫‪x0 < ζ < x2‬‬ ‫)‪(7.24‬‬
‫‪6‬‬
‫ﻣﺸﺘﻖ ﻣﺮﺗﺒﻪ دوم ﭼﻨﺪﺟﻤﻠﻪ )‪ p2 ( x‬ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪‬‬ ‫‪f0‬‬ ‫‪f1‬‬ ‫‪f2‬‬ ‫‪‬‬

‫‪f ′′( x0 ) ≅ p ′2′ ( x0 ) = 2 ‬‬ ‫‪+‬‬ ‫‪+‬‬ ‫‪‬‬ ‫)‪(7.25‬‬
‫‪ ( x0 − x1 )( x0 − x2 ) ( x1 − x0 )( x1 − x2 ) ( x2 − x0 )( x2 − x1 ) ‬‬

‫راﺑﻄﻪ ﻓﻮق ﺑﻪ ازاي ﺟﻤﯿﻊ ﻣﻘﺎدﯾﺮ ‪ x‬در ﺑﺎزه ]‪ [x0,x2‬ﺛﺎﺑﺖ اﺳﺖ ‪ .‬ﺧﻄﺎي آن در ﻧﻘﻄﻪ ‪ x0‬را ﻣﯽ ﺗﻮان ﺑﺼﻮرت زﯾﺮ‬

‫داﺷﺖ ‪:‬‬

‫‪1‬‬
‫‪E 2′′( x0 ) = (2 x0 − x1 − x2 ) f ′′′(ζ ) +‬‬
‫‪3‬‬
‫‪1‬‬
‫‪24‬‬
‫[‬
‫) ‪( x0 − x1 )( x0 − x2 ) × f ( 4) (η1 ) + f ( 4 ) (η 2‬‬ ‫]‬
‫) ‪ζ ,η1 ,η 2 ∈ ( x0 , x2‬‬ ‫)‪(7.26‬‬

‫ﻧﻈﯿﺮ اﯾﻦ ﺧﻄﺎ ﺑﺮاي ﻧﻘﻄﻪ ‪ x2,x1‬ﻣﯽ ﺗﻮان ﯾﺎﻓﺖ ‪.‬‬

‫ﻧﻘﺎط ﮔﺮه اي ﻣﺘﺴﺎوي اﻟﻔﺎﺻﻠﻪ ‪:‬‬

‫ﭼﻨﺎﻧﭽﻪ } ‪ {x0 , x1 ,..., xn‬ﻣﺘﺴﺎوي اﻟﻔﺎﺻﻠﻪ ﺑﺎ ﮔﺎم ‪ h‬ﺑﺎﺷﻨﺪ در اﯾﻦ ﺻﻮرت‬

‫‪xk = x0 + kh , k = 0(1)n‬‬
‫) ‪fk = f ( xk‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از ﻓﺮﻣﻮل ﺧﻄﯽ دروﻧﯿﺎب دارﯾﻢ ‪:‬‬

‫‪147‬‬
 ‫‪f1 − f0‬‬
‫= ) ‪f ′( x0 ) ≈ p1′ ( x0‬‬ ‫)‪(7.27‬‬
‫‪h‬‬
‫‪f1 − f0‬‬ ‫‪h‬‬
‫‪E1′( x0 ) = f ′( x0 ) −‬‬ ‫‪= − f ′′(ζ ) , x0 < ζ < x1‬‬ ‫ﺑﺎ ﺧﻄﺎي‬
‫‪h‬‬ ‫‪2‬‬

‫اﯾﻦ ﺟﻤﻠﻪ ﺧﻄﺎ ﺑﺎ ﺧﻄﺎ در راﺑﻄﻪ )‪ (7-19‬ﯾﮑﺴﺎن ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬

‫ﭼﻨﺎﻧﭽﻪ ﻣﺠﺪداً از ﻓﺮﻣﻮل دروﻧﯿﺎﺑﯽ درﺟﻪ دوم اﺳﺘﻔﺎده ﺷﻮد دارﯾﻢ ‪:‬‬

‫‪− 3 f0 + 4 f1 − f2‬‬
‫= ) ‪f ′( x0 ) = p ′2 ( x0‬‬ ‫)‪(7.28‬‬
‫‪2h‬‬
‫‪− 3 f0 + 4 f1 − f2‬‬
‫‪E 2′ ( x0 ) = f ′( x0 ) −‬‬ ‫)‪(7.29‬‬
‫‪2h‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از ﺑﺴﻂ ﺳﺮي ﺗﯿﻠﻮر ﺣﻮل ‪ x0‬دارﯾﻢ ‪:‬‬

‫‪h2‬‬
‫‪E 2′ ( x0 ) = −‬‬ ‫‪f ′′′(ζ ) , x0 < ζ < x2‬‬ ‫)‪(7.30‬‬
‫‪3‬‬

‫ﺣﺎل ﻣﺸﺘﻖ ﻣﺮﺗﺒﻪ دوم ‪ f‬در ﻧﻘﻄﻪ ‪ xo‬را ﺑﺼﻮرت زﯾﺮ ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫‪f0 − 2 f1 + f2‬‬
‫= ) ‪f ′′( x0 ) ≅ p ′2′ ( x0‬‬ ‫)‪(7.31‬‬
‫‪h2‬‬
‫‪f0 − 2 f1 + f2‬‬
‫‪E 2′′( x0 ) = f ′′( x0 ) −‬‬ ‫‪2‬‬
‫‪= hf ′′′(ζ ) + 0(h 2 ) , x0 < ζ < x2‬‬ ‫ﺑﺎ ﺧﻄﺎي‬
‫‪h‬‬

‫ﺣﺎل در ﻣﻮﻗﻌﯿﺘﯽ ﻫﺴﺘﯿﻢ ﮐﻪ ﻣﯽ ﺗﻮان ﻣﺮﺗﺒﻪ دﻗﺖ روﺷﻬﺎي ﻋﺪدي ﻣﺸﺘﻖ ﮔﯿﺮي را ﺗﻌﺮﯾﻒ ﮐﻨﯿﻢ‬

‫ﺗﻌﺮﯾﻒ ‪ : 1-7‬ﯾﮏ روش ﻣﺸﺘﻖ ﮔﯿﺮي را داراي دﻗﺖ ﻣﺮﺗﺒﻪ ‪ p‬ام ﻣﯽ ﻧﺎﻣﯿﻢ ﻫﺮﮔﺎه ‪:‬‬

‫‪f ( r ) ( x) − p ( r ) ( x) ≤ Ch p‬‬

‫ﺑﻄﻮرﯾﮑﻪ ‪ C‬ﯾﮏ ﺛﺎﺑﺖ ﻣﺴﺘﻘﻞ از ‪ h‬اﺳﺖ ‪.‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﻌﺮﯾﻒ ﻓﻮق روﺷﻬﺎي )‪ (7-27‬و)‪ (7-31‬داراي دﻗﺖ ﻣﺮﺗﺒﻪ اول‬

‫ﻫﺴﺘﻨﺪ اﻣﺎ روش )‪ (7-28‬داراي دﻗﺖ ﻣﺮﺗﺒﻪ دوم ﻣﯽ ﺑﺎﺷﻨﺪ ‪.‬‬

‫ﻣﯽ ﺗﻮان ﺑﺎ اﺳﺘﻔﺎده از دروﻧﯿﺎﺑﯽ ﭼﻨﺪﺟﻤﻠﻪ اي ﻫﺎي درﺟﻪ ﺑﺎﻻﺗﺮ را ﺑﮑﺎرﮔﺮﻓﺖ و روﺷﻬﺎي ﻋﺪدﯾﯽ ﮐﻪ از ﻧﻘﺎط ﺑﯿﺸﺘﺮي‬

‫اﺳﺘﻔﺎده ﻣﯽ ﻧﻤﺎﯾﻨﺪ ﺳﺎﺧﺖ ‪ .‬اﻣﺎ ﻣﺤﺎﺳﺒﻪ ﺗﻮاﺑﻊ ﺑﯿﺸﺘﺮي ﺑﺎﯾﺪ ﺻﻮرت ﮔﯿﺮد واﯾﻦ ﻣﺸﮑﻞ ﺳﺎز ﺧﻮاﻫﺪ ﺷﺪ ‪.‬‬

‫‪148‬‬
‫ﻣﺜﺎل ‪ :1-7‬ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ ‪ f(x)=ln x‬در زﯾﺮ داده ﺷﺪه اﺳﺖ ‪ .‬ﺗﻘﺮﯾﺒﯽ ﺑﺮاي )‪ f ′(2), f ′′(2‬ﺑﺎ اﺳﺘﻔﺎده از دروﻧﯿﺎﺑﯽ‬

‫ﺧﻄﯽ و ﺳﻬﻤﯽ ﺑﯿﺎﺑﯿﺪ ‪ .‬ﯾﮏ ﮐﺮان ﺑﺎﻻ ﺑﺮاي ﺧﻄﺎي ﻗﻄﻊ ﮐﺮدن را ﺑﺪﺳﺖ آورﯾﺪ ؟‬

‫‪xk‬‬ ‫‪2‬‬ ‫‪2.2‬‬ ‫‪2.6‬‬

‫‪f(xk) 0.69315 0.78846 0.95551‬‬

‫‪f1 − f0‬‬
‫= ) ‪ f ′( x0‬دارﯾﻢ ‪:‬‬ ‫ﺣﻞ ‪ :‬ﺑﺎ اﺳﺘﻔﺎده از ﻓﺮﻣﻮل ‪:‬‬
‫‪x1 − x0‬‬

‫‪0.78846 − 0.69315‬‬
‫= )‪f ′(2.0‬‬ ‫‪= 0.47655‬‬
‫‪2.2 − 2‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از روش )‪ (7-23‬دارﯾﻢ ‪:‬‬

‫‪4 − 2.2 − 2.6‬‬ ‫‪2 − 2.6‬‬ ‫‪2 − 2.2‬‬

‫= )‪f ′(2.0‬‬ ‫‪(0.69315) +‬‬ ‫‪(0.78846) +‬‬ ‫)‪(0.95551‬‬
‫)‪(2 − 2.2)(2 − 2.6‬‬ ‫)‪(2.2 − 2)(2.2 − 2.6‬‬ ‫)‪(2.6 − 2)(2.6 − 2.2‬‬
‫‪= 0.49619‬‬

‫‪ f ′(2.0) = 0.5‬اﺳﺖ ‪.‬‬ ‫ﻣﯿﺪاﻧﯿﻢ ﮐﻪ ﻣﻘﺪار دﻗﯿﻖ ﻣﺸﺘﻖ‬

‫ﺣﺎل ﻣﺸﺘﻖ ﻣﺮﺗﺒﻪ دوم ‪ f‬را ﺑﺎ اﺳﺘﻔﺎده از روش )‪ (7-25‬دارﯾﻢ ‪:‬‬

‫‪‬‬ ‫‪0.69315‬‬ ‫‪0.78846‬‬ ‫‪0.95551‬‬ ‫‪‬‬

‫‪f ′′(2.0) = 2 ‬‬ ‫‪+‬‬ ‫‪+‬‬ ‫‪ = −0.19642‬‬
‫‪ (2 − 2.2)(2 − 2.6) (2.2 − 2)(2.2 − 2.6) (2.6 − 2)(2.6 − 2.2) ‬‬
‫اﻣﺎ ﻣﯿﺪاﻧﯿﻢ ﮐﻪ ﻣﻘﺪار دﻗﯿﻖ ﻣﺸﺘﻖ ‪f ′′(2.0) = −0.25‬‬

‫ﺧﻄﺎي ﻣﺮﺑﻮط ﺑﻪ روﺷﻬﺎي ﻓﻮق ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬

‫‪x0 − x1‬‬
‫= ) ‪E1′( x0‬‬ ‫‪f ′′(ζ ) , x0 < ζ < x1‬‬
‫‪2‬‬
‫‪1‬‬
‫‪E 2′ ( x0 ) = ( x0 − x1 )( x0 − x2 ) f ′′′(ζ ) , x0 < ζ < x2‬‬
‫‪6‬‬
‫‪1‬‬
‫‪3‬‬
‫‪1‬‬
‫[‬ ‫]‬
‫‪E 2′′( x0 ) = (2 x0 − x1 − x2 ) f ′′′(ζ ) + ( x0 − x1 )( x1 − x2 ) f ( 4) (η1 ) + f ( 4) (η 2 ) , x0 < ζ ,η1 ,η 2 < x2‬‬
‫‪24‬‬

‫ﺑﺮاي )‪ f(x‬دارﯾﻢ ‪:‬‬

‫‪149‬‬
‫)‪f ( x) = ln( x‬‬
‫‪1‬‬
‫‪M1 = max f ′( x) = max‬‬ ‫‪= 0.5‬‬
‫‪x‬‬
‫‪x0 < x < x1 2 < x ≤ 2.2‬‬
‫‪1‬‬
‫‪M 2 = max f ′′( x) = max −‬‬ ‫‪= 0.25‬‬
‫‪x2‬‬
‫‪x0 < x < x1 2 < x ≤ 2.2‬‬
‫‪2‬‬
‫‪M 3 = max f ′′′( x) = max‬‬ ‫‪= 0.25‬‬
‫‪x3‬‬
‫‪x0 < x < x2 2 < x ≤ 2.6‬‬
‫‪6‬‬
‫‪M 4 = max f ( 4) ( x) = max −‬‬ ‫‪= 0.375‬‬
‫‪x4‬‬
‫‪x0 < x < x2 2 < x ≤ 2.6‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ ﮐﺮان ﺑﺎﻻي ﺧﻄﺎ ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬

‫‪2 − 2.2‬‬
‫≤ )‪E1′ (2.0‬‬ ‫‪(0.25) = 0.025‬‬
‫‪2‬‬
‫‪1‬‬
‫‪E 2′ (2.0) ≤ (2 − 2.2)(2 − 2.6) (0.25) = 0.005‬‬
‫‪6‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪E 2′′(2.0) ≤ (4 − 2.2 − 2.6) (0.25) +‬‬ ‫)‪(2 − 2.2)(2.2 − 2.6) (0.75‬‬
‫‪3‬‬ ‫‪24‬‬
‫‪= 0.06917‬‬

‫‪ 2-7‬روﺷﻬﺎي ﻣﺸﺘﻖ ﮔﯿﺮي ﻣﺒﺘﻨﯽ ﺑﺮ ﺗﻔﺎﺿﻼت ﻣﺘﻨﺎﻫﯽ‬

‫راﺑﻄﻪ زﯾﺮ را ﻣﺪﻧﻈﺮ ﻗﺮار ﻣﯿﺪﻫﯿﻢ ‪:‬‬

‫‪h2‬‬
‫‪Ef ( x) = f ( x + h) = f ( x) + hf ′( x) +‬‬ ‫‪f ′′( x) + ...‬‬
‫!‪2‬‬
‫‪h2 D2‬‬
‫‪= (1 + hD +‬‬ ‫)‪+ ...) f ( x‬‬
‫!‪2‬‬
‫)‪= e hD f ( x‬‬ ‫)‪(7.32‬‬
‫‪d‬‬
‫= ‪ D‬اﭘﺮاﺗﻮر ﻣﺸﺘﻖ ﮔﯿﺮي اﺳﺖ ‪.‬‬ ‫ﺑﻄﻮرﯾﮑﻪ‬
‫‪dx‬‬

‫ﺑﻄﻮر ﺳﻤﺒﻠﯿﮏ ﻣﯽ ﺗﻮان از راﺑﻄﻪ )‪ (7-32‬ﻧﺘﯿﺠﻪ ﮔﺮﻓﺖ ﮐﻪ ‪e hD ≡ E :‬‬

‫ﯾﺎ ‪:‬‬

‫‪150‬‬
hD = ln E
 1 2 1 3
ln(1 + ∆ ) = ∆ − ∆ + ∆ − ...
 2 3
 1 1
hD = − ln(1 − ∇) = ∇ + ∇ 2 + ∇ 3 + ... (7.33)
 2 3
 −1  δ  12

2 sinh   = δ − 2 δ + ...
3

  2  2 . 3!

hf ′( xk ) = hDf ( xk ) ‫ﺑﻨﺎﺑﺮاﯾﻦ ﻣﯽ ﺗﻮان ﻧﻮﺷﺖ‬

 1 2 1 3
∆fk − 2 ∆ fk + 3 ∆ fk − ...

 1 1
′
hf ( xk ) = ∇fk + ∇ 2 fk + ∇ 3 fk + ... (7.34)
 2 3
 1 2

δfk − 2 δ fk + ...
3

 2 .3!

δ2
: ‫ ﻣﯽ ﺗﻮان ﻧﻮﺷﺖ‬µ = {1 + } ‫از آﻧﺠﺎ ﮐﻪ‬
4

µ δ
hD = (2 sinh −1 ( ))
δ2 2
{1 + }
4
 12 12.2 2 5 
= µ  δ − δ 3 + δ − ...
 3! 5! 
12 12.2 2
hf ′( xk ) = µδfk − µδ 3 fk + µδ 5 fk − ... (7.35) ‫ﻟﺬا دارﯾﻢ‬
3! 5!

: ‫ﺣﺎل راﺑﻄﻪ اي ﮐﻪ ﻣﺮاﺗﺐ ﺑﺎﻻﺗﺮ ﻣﺸﺘﻖ را ﻣﯽ ﺗﻮان ﯾﺎﻓﺖ از راﺑﻄﻪ زﯾﺮ ﻣﯽ ﺗﻮان اﺳﺘﻔﺎده ﻧﻤﻮد‬

 r 1 r +1 r (3r + 5) r + 2
∆ − 2 r ∆ + 24 ∆ − ...

∇ r + 1 r ∇ r +1 + r (3r + 5) ∇ r + 2 + ...
 2 24
hr Dr =  (7.36)
µδ r − r + 3 µδ r + 2 + 5r + 52r + 135 µδ r + 4 − ...
2
‫ ﻓﺮد ﺑﺎﺷﺪ‬r ‫اﮔﺮ‬
 24 5760
 r
µδ r − δ r +2 + r (5 r + 22 ) r +4
δ ... ‫ زوج ﺑﺎﺷﺪ‬r ‫اﮔﺮ‬
 24 5760

151
‫در ﻋﻤﻞ از راﺑﻄﻪ ﻓﻮق ﻣﯽ ﺗﻮان روﺷﻬﺎي ﻣﺸﺘﻖ ﮔﯿﺮي ﻣﺮﺗﺒﻪ اول ‪ r=1‬وﻣﺮﺗﺒﻪ دوم ‪ r=2‬در ﻧﻘﻄﻪ ‪ x=xk‬ﺑﺼﻮرت زﯾﺮ‬

‫ﯾﺎﻓﺖ ‪:‬‬

‫‪‬‬ ‫‪1 2‬‬ ‫‪1 3‬‬

‫‪∆fk − 2 ∆ fk + 3 ∆ fk − ...‬‬
‫‪‬‬
‫‪‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪′‬‬
‫‪hf ( xk ) = ∇fk + ∇ 2 fk + ∇ 3 f k − ...‬‬ ‫)‪(7.37‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪3‬‬
‫‪‬‬ ‫‪1 3‬‬ ‫‪1‬‬
‫‪µδfk − 6 µδ fk + 30 µδ fk − ...‬‬
‫‪5‬‬

‫‪‬‬
‫‪ 2‬‬ ‫‪11 4‬‬
‫‪∆ fk − ∆ fk + 12 ∆ fk − ...‬‬
‫‪3‬‬

‫‪‬‬
‫‪‬‬ ‫‪11‬‬
‫‪h f ′′( xk ) = ∇ 2 fk + ∇ 3 fk + ∇ 4 fk + ...‬‬
‫‪2‬‬
‫)‪(7.38‬‬
‫‪‬‬ ‫‪12‬‬
‫‪ 2‬‬ ‫‪1 4‬‬ ‫‪1 6‬‬
‫‪δ fk − 12 δ fk + 90 δ fk − ...‬‬
‫‪‬‬

‫ﭼﻨﺎﻧﭽﻪ ﺗﻨﻬﺎ از ﺟﻤﻼت اول )‪ (7.37‬اﺳﺘﻔﺎده ﻧﻤﺎﺋﯿﻢ روﺷﻬﺎي زﯾﺮ را دارﯾﻢ ‪:‬‬

‫‪ fk +1 − fk 1‬‬
‫‪‬‬ ‫‪− h‬‬ ‫) ‪f ′′(ζ 1‬‬ ‫) ‪(7.39 − a‬‬
‫‪h‬‬ ‫‪2‬‬
‫‪‬‬
‫‪‬‬ ‫‪f‬‬ ‫‪−‬‬ ‫‪f‬‬ ‫‪1‬‬
‫‪f ′( xk ) =  k‬‬ ‫‪k −1‬‬
‫‪+ h‬‬ ‫) ‪f ′′(ζ 2‬‬ ‫)‪(7.39 − b‬‬
‫‪‬‬ ‫‪h‬‬ ‫‪2‬‬
‫‪ fk +1 − fk −1 h 2‬‬
‫‪‬‬ ‫‪+‬‬ ‫) ‪f ′′′(ζ 3‬‬ ‫)‪(7.39 − c‬‬
‫‪‬‬ ‫‪2h‬‬ ‫‪6‬‬

‫روﺷﻬﺎي) ‪ ( 7 − 39 − a‬و) ‪ ( 7 − 39 − b‬داراي دﻗﺖ ﻣﺮﺗﺒﻪ اول و روش) ‪ ( 7 − 39 − c‬داراي دﻗﺖ ﻣﺮﺗﺒﻪ دوم اﺳﺖ ‪.‬‬

‫ﻫﻤﭽﻨﯿﻦ اﮔﺮ از راﺑﻄﻪ )‪ (7-38‬ﺗﻨﻬﺎ ﺟﻤﻼت اول را ﺑﻌﻨﻮان ﺗﻘﺮﯾﺐ ﺑﮑﺎر ﺑﺒﺮﯾﻢ روﺷﻬﺎي زﯾﺮ را ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫‪ fk + 2 − 2 fk +1 + fk‬‬
‫‪‬‬ ‫) ‪− hf ′′′(ζ 1‬‬ ‫) ‪(7.40 − a‬‬
‫‪h2‬‬
‫‪‬‬
‫‪ f − 2 fk −1 + fk −2‬‬
‫‪f ′′( xk ) =  k‬‬ ‫) ‪+ h f ′′′(ζ 2‬‬ ‫)‪(7.40 − b‬‬
‫‪‬‬ ‫‪h2‬‬
‫)‪ fk −1 − 2 fk + fk +1 h 2 ( 4‬‬
‫‪‬‬ ‫‪−‬‬ ‫) ‪f (ζ 3‬‬ ‫)‪(7.40 − c‬‬
‫‪‬‬ ‫‪h2‬‬ ‫‪12‬‬

‫روﺷﻬﺎي) ‪ ( 7 − 40 − a‬و) ‪ ( 7 − 40 − b‬داراي دﻗﺖ ﻣﺮﺗﺒﻪ اول و روش ) ‪ ( 7 − 40 − c‬داراي دﻗﺖ ﻣﺮﺗﺒﻪ دوم اﺳﺖ ‪.‬‬

‫‪152‬‬
 ‫‪ - 3-7‬روﺷﻬﺎي ﻣﺒﺘﻨﯽ ﺑﺮ ﺿﺮاﺋﺐ ﻧﺎﻣﻌﯿﻦ‬

‫در اﯾﻦ روش )‪ f ( r ) ( x‬ﺑﺼﻮرت ﯾﮏ ﺗﺮﮐﯿﺐ ﺧﻄﯽ از ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ )‪ f(x‬در ﯾﮏ ﻣﺠﻤﻮﻋﻪ از ﻧﻘﺎط ﺟﺪوﻟﯽ ﺑﺪﻟﺨﻮاه‬

‫اﻧﺘﺨﺎب ﺷﺪه ﺑﯿﺎن ﻣﯽ ﺷﻮد ‪ .‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ ﻧﻘﺎط ﺟﺪوﻟﯽ ﻣﺘﺴﺎوي اﻟﻔﺎﺻﻠﻪ ﺑﺎﮔﺎم ‪ h‬ﺑﺎﺷﻨﺪ ‪.‬ﻟﺬا ﺑﺮاي ﻧﻘﺎط ﺟﺪوﻟﯽ‬

‫ﻣﺮﺗﺐ ﺷﺪه ﺑﺼﻮرت ﻣﺘﻘﺎرن دارﯾﻢ ‪:‬‬

‫‪p‬‬
‫= ) ‪h r f ( r ) ( xk‬‬ ‫‪∑a‬‬
‫‪λ =− p‬‬
‫‪λ‬‬ ‫‪fk+λ‬‬ ‫)‪(7.41‬‬

‫ﯾﺎ ﺑﺮاي ﻧﻘﺎط ﺟﺪوﻟﯽ ﻧﺎﻣﺘﻘﺎرن دارﯾﻢ ‪:‬‬

‫‪p‬‬
‫= ) ‪h r f ( r ) ( xk‬‬ ‫‪∑a‬‬
‫‪λ =± v‬‬
‫‪λ‬‬ ‫‪fk+λ‬‬ ‫)‪(7.42‬‬

‫ﺧﻄﺎي ﻗﻄﻊ ﮐﺮدن ﻣﻮﺿﻌﯽ ﺑﻪ ﺗﺮﺗﯿﺐ ﺑﺼﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽ ﺷﻮﻧﺪ ‪:‬‬

‫) ‪1  r (r‬‬ ‫‪p‬‬
‫‪‬‬
‫= ) ‪E ( r ) ( xk‬‬ ‫‪ h f ( xk ) − ∑ a λ fk +λ ‬‬
‫‪r ‬‬
‫)‪(7.43‬‬
‫‪h ‬‬ ‫‪‬‬
‫‪λ =− p‬‬ ‫‪‬‬
‫) ‪1  r (r‬‬ ‫‪p‬‬
‫‪‬‬
‫= ) ‪E ( r ) ( xk‬‬ ‫‪‬‬
‫‪r ‬‬
‫‪h ‬‬
‫‪h‬‬ ‫‪f‬‬ ‫(‬ ‫‪x‬‬‫‪k‬‬ ‫)‬ ‫‪−‬‬ ‫∑‬ ‫‪a λ fk +λ ‬‬ ‫)‪(7.44‬‬
‫‪λ =± v‬‬ ‫‪‬‬
‫ﺿﺮاﺋــﺐ ‪ a λ‬ﻫﺎ در رواﺑﻂ )‪ (7-41‬و)‪ (7-42‬ﺑﺮ اﺳﺎس ﻧﯿﺎز ﺑﻪ دﻗﺖ ﻣﻌﯿﻦ روﺷﻬﺎ ﺗﻌﯿﯿﻦ ﻣﯽ ﺷﻮﻧﺪ ‪.‬ﻣﺎ ﻃﺮف راﺳﺖ‬

‫رواﺑﻂ )‪(7-41‬و)‪ (7-42‬را ﺑﺎ اﺳﺘﻔﺎده از ﺳﺮي ﺗﯿﻠﻮر ﺣﻮل ‪ xk‬ﺑﺴﻂ ﻣﯽ دﻫﯿﻢ و ﺿﺮاﺋﺐ ﻣﺮاﺗﺐ ﻣﺨﺘﻠﻒ ﻣﺸﺘﻘﺎت را از‬

‫ﻃﺮﻓﯿﻦ ﻣﺘﺤﺪﻫﻢ ﻗﺮار ﻣﯿﺪﻫﯿﻢ وﺗﻌﺪاد ﻣﻌﺎدﻻت ﻣﻮرد ﻧﯿﺎز ﺟﻬﺖ ﺗﻌﯿﯿﻦ ﺿﺮاﺋﺐ را ﻣﯽ ﯾﺎﺑﯿﻢ ‪.‬اوﻟﯿﻦ ﺟﻤﻼت ﻏﯿﺮﺻﻔﺮ در‬

‫)‪ (7-43‬و)‪ (7-44‬ﺧﻄﺎي ﺗﻘﺮﯾﺐ را ﺑﺪﺳﺖ ﻣﯿﺪﻫﻨﺪ ‪.‬‬

‫ﺑﻄﻮر وﯾﮋه ﭼﻨﺎﻧﭽﻪ در راﺑﻄﻪ )‪ p = 2 , r = 2 (7-41‬اﻧﺘﺨﺎب ﺷﻮﻧﺪ دارﯾﻢ ‪:‬‬

‫‪153‬‬
‫‪h 2 f ′′( xk ) = a −2 fk −2 + a −1 fk −1 + a 0 fk + a1 fk +1 + a 2 fk +2‬‬
‫) ‪= (a −2 + a −1 + a 0 + a1 + a 2 ) f ( xk ) + h(−2a −2 − a −1 + a1 + 2a 2 ) f ′( xk‬‬
‫‪h2‬‬ ‫‪h3‬‬
‫‪+‬‬ ‫‪(4a −2 + a −1 + a1 + 4a 2 ) f ′′( xk ) +‬‬ ‫) ‪(−8a −2 − a −1 + a1 + 8a 2 ) f ′′′( xk‬‬
‫‪2‬‬ ‫‪6‬‬
‫‪h4‬‬ ‫‪h5‬‬
‫‪+‬‬ ‫‪(16a −2 + a −1 + a1 + 16a 2 ) f ( 4) ( xk ) +‬‬ ‫) ‪(−32a −2 − a −1 + a 1 + 32a 2 ) f (5) f ( xk‬‬
‫‪24‬‬ ‫‪120‬‬
‫‪6‬‬
‫‪h‬‬
‫‪+‬‬ ‫‪(64a −2 + a −1 + a1 + 64a 2 ) f ( 6) (ζ ) + ...‬‬ ‫)‪(7.45‬‬
‫‪720‬‬
‫ﺑﺎ ﻣﻘﺎﯾﺴﻪ ﺿﺮاﺋﺐ ‪ f (i ) ( xk ), i = 0(1)4‬در ﻃﺮﻓﯿﻦ دارﯾﻢ ‪:‬‬

‫‪a −2 + a −1 + a 0 + a1 + a 2 = 0‬‬
‫‪− 2a −2 − a −1 + a1 + 2a 2 = 0‬‬
‫‪4a −2 + a −1 + a1 + 4a 2 = 2‬‬
‫‪− 8a −2 − a −1 + a1 + 8a 2 = 0‬‬
‫‪16a −2 + a −1 + a1 + 16a 2 = 0‬‬

‫ﺑﺎ ﺣﻞ ﺳﯿﺴﺘﻢ ﻓﻮق دارﯾﻢ ‪:‬‬

‫‪1‬‬ ‫‪16‬‬ ‫‪30‬‬

‫‪a −2 = a 2 = −‬‬ ‫‪,‬‬ ‫= ‪a −1 = a1‬‬ ‫‪,‬‬ ‫‪a0 = −‬‬
‫‪12‬‬ ‫‪12‬‬ ‫‪12‬‬
‫ﺑﻨﺎﺑﺮاﯾﻦ روش ﺑﺼﻮرت زﯾﺮ ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫‪1‬‬
‫= ) ‪f ′′( xk‬‬ ‫] ‪[− fk−2 + 16 fk−1 − 30 fk + 16 fk+1 − fk+2‬‬ ‫)‪(7.46‬‬
‫‪12h 2‬‬
‫اوﻟﯿﻦ ﺟﻤﻠﻪ ﻧﺎﺻﻔﺮ در )‪ (7-45‬ﺧﻄﺎي ﺑﺮﺷﯽ ﺗﻘﺮﯾﺐ ﻓﻮق را ﺑﺪﺳﺖ ﻣﯿﺪﻫﺪ ‪.‬‬

‫‪h4‬‬
‫‪E=−‬‬ ‫) ‪f ( 6) (ζ‬‬ ‫‪,‬‬ ‫‪xk −2 < ζ < xk + 2‬‬
‫‪90‬‬
‫ﺑﻨﺎﺑﺮاﯾﻦ روش )‪ (7-46‬داراي دﻗﺖ ﻣﺮﺗﺒﻪ ﭼﻬﺎرم اﺳﺖ ‪.‬‬

‫‪ 4-7‬اﻧﺘﺨﺎب ﻃﻮل ﮔﺎم ﺑﻬﯿﻨﻪ ‪:‬‬

‫ﺑﻄﻮرﮐﻠﯽ در روﺷﻬﺎي ﻋﺪدي ﻣﺸﺘﻖ ﮔﯿﺮي ‪ ،‬ﺧﻄﺎي ﺗﻘﺮﯾﺐ ﯾﺎ ﺧﻄﺎي ﺑﺮﺷﯽ ﺑﺼﻮرت ‪ chp‬ﻣﯽ ﺑﺎﺷﻨﺪ ‪.‬ﻫﺮﮔﺎه ﻃﻮل ﮔﺎم‬

‫‪ h → 0‬ﺧﻄﺎي ﺑﺮﺷﯽ ﺑﻪ ﺻﻔﺮ ﻣﯽ ﮔﺮاﯾﺪ ‪.‬اﻣﺎ روﺷﯽ ﮐﻪ ﻣﺸﺘﻖ ﻣﺮﺗﺒﻪ ‪ r‬ام ﯾﻌﻨﯽ )‪ f ( r ) ( x‬را ﺗﻘﺮﯾﺐ ﻣﯽ زﻧﺪ ﺷﺎﻣﻞ‬

‫ﺟﻤﻠﻪ ‪ hr‬در ﻣﺨﺮج ﻋﺒﺎرت اﺳﺖ وﻫﺮﮔﺎه ‪ h‬ﻣﺪام ﮐﻢ و ﮐﻤﺘﺮ ﮔﺮدد ‪ ،‬ﺧﻄﺎي ﺑﺮﺷﯽ ﮐﺎﻫﺶ ﻣﯽ ﯾﺎﺑﺪ اﻣﺎ ﺧﻄﺎي راوﻧﺪ‬

‫‪154‬‬
‫ﮐﺮدن اﻓﺰاﯾﺶ ﻗﺎﺑﻞ ﻣﻼﺣﻈﻪ اي ﻣﯽ ﮐﻨﺪ ‪ ،‬زﯾﺮا ﺗﻘﺴﯿﻢ ﺑﻪ ﻣﻘﺪار ﺑﺴﯿﺎر ﮐﻮﭼﮏ ﺻﻮرت ﻣﯽ ﮔﯿﺮد ‪ .‬ﻣﻤﮑﻦ اﺳﺖ ﭘﺲ از‬

‫ﻣﻘﺪار ﺑﺤﺮاﻧﯽ ‪ h‬ﺧﻄﺎي راوﻧﺪﮐﺮدن ﭼﻨﺎن ﻏﻠﺒﻪ ﮐﻨﺪ ﮐﻪ ﺟﻮاﺑﻬﺎي ﺣﺎﺻﻠﻪ ﻣﻄﻤﺌﻦ ﻧﺒﺎﺷﻨﺪ ‪.‬وﻗﺘﯿﮑﻪ ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ ﺑﺼﻮرت‬

‫ﻧﻘﺎط ﺟﺪوﻟﯽ داده ﺷﺪه ﺑﺎﺷﻨﺪ ﺧﻮد اﯾﻦ ﻣﻘﺎدﯾﺮ ﻣﻤﮑﻦ اﺳﺖ دﻗﯿﻖ ﻣﺤﺎﺳﺒﻪ ﻧﺸﺪه ﺑﺎﺷﻨﺪ ‪.‬اﯾﻦ ﻣﻘﺎدﯾﺮ ﺷﺎﻣﻞ ﺧﻄﺎي‬

‫راوﻧﺪﮐﺮدن ﻣﯽ ﺑﺎﺷﻨﺪ ‪.‬ﯾﻌﻨﯽ ‪ f ( xk ), f ( xk ) = fk + ε k‬ﻣﻘﺪار واﻗﻌﯽ )‪ fk , f(x‬ﻣﻘﺪار ﺗﻘﺮﯾﺒﯽ ﺟﺪول داده ﻫﺎﺳﺖ ‪.‬ﺑﺮاي‬

‫ﺑﺮرﺳﯽ ﺗﺄﺛﯿﺮ ﺧﻄﺎي روﻧﺪﮐﺮدن در روﺷﻬﺎي ﻋﺪدي ﻣﺸﺘﻖ ﮔﯿﺮي‪ .‬ﻣﺎ روش زﯾﺮ را درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪:‬‬

‫‪f ( x1 ) − f ( x0 ) h‬‬
‫= ) ‪f ′( x0‬‬ ‫‪− f ′′(ζ ) , x0 < ζ < x1‬‬ ‫)‪(7.47‬‬
‫‪h‬‬ ‫‪2‬‬
‫ﻫﺮﮔﺎه ﺧﻄﺎي راوﻧﺪﮐﺮدن درﻣﺤﺎﺳﺒﻪ )‪ f(x0),f(x1‬را ﺑﻪ ﺗﺮﺗﯿﺐ ‪ ε 0 ,ε 1‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ‪.‬از راﺑﻄﻪ )‪ (7-47‬ﻧﺘﯿﺠﻪ ﻣﯽ‬

‫ﮔﯿﺮﯾﻢ ﮐﻪ ‪:‬‬

‫) ‪( f1 + ε 1 ) − ( f0 + ε 0‬‬ ‫‪h‬‬ ‫‪f1 − f0 ε 1 − ε 0 h‬‬

‫= ) ‪f ′( x0‬‬ ‫‪−‬‬ ‫= ) ‪f ′′(ζ‬‬ ‫‪+‬‬ ‫) ‪− f ′′(ζ‬‬
‫‪h‬‬ ‫‪2‬‬ ‫‪h‬‬ ‫‪h‬‬ ‫‪2‬‬
‫‪f1 − f0‬‬
‫= ) ‪f ′( x0‬‬ ‫‪+ RE + TE‬‬
‫‪h‬‬
‫ﺑﻪ ﺗﺮﺗﯿﺐ ﺧﻄﺎي راوﻧﺪﮐﺮدن وﺑﺮﺷﯽ ﻫﺴﺘﻨﺪ ‪.‬اﮔﺮ ﻓﺮض ﮐﻨﯿﻢ ) ‪ ε = max(ε 0 , ε 1‬و‬ ‫‪TE , RE‬‬ ‫ﺑﻄﻮرﯾﮑﻪ‬

‫‪2ε‬‬ ‫‪h‬‬ ‫)‪M 2 = max f ′′( x‬‬

‫≤ ‪RE‬‬ ‫‪,‬‬ ‫‪TE ≤ M 2‬‬ ‫ﺑﺎﺷﺪ آﻧﮕﺎه دارﯾﻢ ‪:‬‬
‫‪h‬‬ ‫‪2‬‬ ‫‪x0 ≤ x ≤ x1‬‬

‫ﮔﺎم ‪ h‬را ﮔﺎم ﺑﻬﯿﻨﻪ )‪ (Optimal‬ﻣﯽ ﻧﺎﻣﻨﺪ ﻫﺮﮔﺎه درﻫﺮﮐﺪام از رواﺑﻂ زﯾﺮ ﺻﺪق ﻧﻤﺎﯾﺪ‬

‫| ‪(a ) | RE |=| TE‬‬

‫‪(b) | RE | + | TE |= min imum‬‬ ‫)‪(7.48‬‬

‫اﮔﺮ ﻣﺎ از راﺑﻄﻪ)‪ (7-48‬اﺳﺘﻔﺎده ﮐﻨﯿﻢ دارﯾﻢ ‪:‬‬

‫‪2ε‬‬ ‫‪h‬‬
‫=‬ ‫‪M2‬‬
‫‪h‬‬ ‫‪2‬‬
‫‪ε‬‬
‫‪hopt = 2‬‬
‫‪M2‬‬
‫‪| RE | = | TE | = εM 2‬‬

‫‪155‬‬
 ‫اﻣﺎ اﮔﺮ از راﺑﻄﻪ ) ‪ ( 7 − 48 − b‬اﺳﺘﻔﺎده ﮐﻨﯿﻢ دارﯾﻢ ‪:‬‬

‫‪2ε‬‬ ‫‪h‬‬
‫‪+‬‬ ‫‪M 2 = min imum‬‬
‫‪h‬‬ ‫‪2‬‬
‫‪− 2ε‬‬ ‫‪1‬‬
‫‪+ M2 = 0‬‬
‫‪2‬‬
‫‪h‬‬ ‫‪2‬‬
‫‪ε‬‬
‫‪hopt = 2‬‬
‫‪M2‬‬
‫‪1‬‬
‫) ‪2(εM 2‬‬ ‫‪2‬‬
‫ﺣﺎل ﻣﯿﻨﯿﻤﻢ ﮐﻞ ﺧﻄﺎ ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫ﺑﻌﻨﻮان ﻣﺜﺎل اﮔﺮ ﻣﺮﺗﺒﻪ ﺧﻄﺎي راوﻧﺪ ﮐﺮدن ﻓﺮض ﮐﻨﯿﻢ ‪ 10 − k‬ﺑﺎﺷﺪ و )‪ ، M 2 ≈ 0(1‬آﻧﮕﺎه دﻗﺖ روش ﺗﻘﺮﯾﺒﺎً داراي‬

‫‪−k‬‬
‫‪h‬‬ ‫‪ 10‬ﻣﯽ ﺑﺎﺷﺪ ‪.‬از آﻧﺠﺎ ﮐﻪ ﺧﻄﺎي ﺑﺮﺷﯽ ﯾﺎ ﻣﻮﺿﻌﯽ ﯾﮏ روش ﻋﺪدي ﻣﺸﺘﻖ ﮔﯿﺮي ﻣﺘﻨﺎﺳﺐ ﺑﺎ ﺗﻮاﻧﻬﺎﯾﯽ از‬ ‫‪2‬‬
‫ﻣﺮﺗﺒﻪ‬

‫اﺳﺖ اﻣﺎ ﺧﻄﺎي راوﻧﺪﮐﺮدن روش ﻣﺘﻨﺎﺳﺐ ﺑﺎ ﻣﻌﮑﻮس ﺗﻮاﻧﻬﺎﯾﯽ از ‪. h‬‬

‫ﻣﺜﺎل‪ : 2-7‬ﻃﻮل ﮔﺎم ﺑﻬﯿﻨﻪ را ﺑﺮاي روش ﻣﺸﺘﻖ ﮔﯿﺮي ذﯾﻞ ﺑﯿﺎﺑﯿﺪ ‪:‬‬

‫‪− 3 f ( x0 ) + 4 f ( x1 ) − f ( x2 ) h 2‬‬
‫= ) ‪f ′( x0‬‬ ‫‪+‬‬ ‫‪f ′′′(ζ ) , x0 < ζ < x2‬‬
‫‪2h‬‬ ‫‪3‬‬
‫)‪f(x)=ln(x‬‬ ‫اﺳﺘﻔﺎده ﺷﻮد آﻧﮕﺎه ﺗﻘﺮﯾﺒﯽ ﺑﺮاي )‪ f ′(2.0‬از داده ﻫﺎي ﺟﺪوﻟﯽ زﯾﺮ ﺑﺮاي‬ ‫|‪|RE|=|TE‬‬ ‫ﻫﺮﮔﺎه از ﺧﺎﺻﯿﺖ‬

‫ﺑﯿﺎﺑﯿﺪ درﺻﻮرﺗﯿﮑﻪ ﺧﻄﺎي روﻧﺪ ﮐﺮدن ﻣﺤﺎﺳﺒﺎت ‪ 5 × 10 −6‬ﺑﺎﺷﺪ ‪.‬‬

‫‪x‬‬ ‫‪2.0‬‬ ‫‪2.01‬‬ ‫‪2.02‬‬ ‫‪2.06‬‬ ‫‪2.12‬‬

‫‪f(x) 0.69315 0.69813 0.70310 0.72271 0.75142‬‬
‫ﺣﻞ ‪ :‬اﮔﺮ ‪ ε 2 , ε 1 , ε 0‬ﺧﻄﺎﻫﺎي راوﻧﺪﮐﺮدن ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ ‪ f2,f1,f0‬ﺑﺎﺷﻨﺪ دارﯾﻢ ‪:‬‬

‫‪− 3 f0 + 4 f1 − f2 − 3ε 0 + 4ε 1 − ε 2 h 2‬‬
‫= ) ‪f ′( x0‬‬ ‫‪+‬‬ ‫‪+‬‬ ‫) ‪f ′′′(ζ‬‬
‫‪2h‬‬ ‫‪2h‬‬ ‫‪3‬‬
‫‪− 3 f0 + 4 f1 − f2‬‬
‫=‬ ‫‪+ RE + TE‬‬
‫‪2h‬‬
‫)‪M 3 = max f ′′′( x‬‬
‫آﻧﮕﺎه دارﯾﻢ ‪:‬‬ ‫ﻫﺮﮔﺎه ﻓﺮض ﮐﻨﯿﻢ )| ‪ ε = max(| ε 0 |, | ε 1 |, | ε 2‬ﺑﺎﺷﺪ و‬
‫‪x0 ≤ x ≤ x2‬‬

‫‪8ε‬‬ ‫‪h2‬‬
‫≤| ‪| RE‬‬ ‫‪,‬‬ ‫≤| ‪| TE‬‬ ‫‪M3‬‬
‫‪2h‬‬ ‫‪3‬‬

‫‪156‬‬
 ‫اﮔﺮ از راﺑﻄﻪ |‪ |RE|=|TE‬اﺳﺘﻔﺎده ﮐﻨﯿﻢ درﻣﯽ ﯾﺎﺑﯿﻢ‬

‫‪8ε h 2‬‬
‫=‬ ‫‪M3‬‬
‫‪2h 3‬‬
‫‪12ε‬‬
‫= ‪h3‬‬
‫‪M3‬‬
‫‪1‬‬
‫‪ 12ε ‬‬ ‫‪3‬‬
‫‪hopt‬‬ ‫‪= ‬‬ ‫‪‬‬
‫‪ M3 ‬‬
‫‪2‬‬ ‫‪1‬‬
‫‪4ε 3 M 3 3‬‬
‫=| ‪| RE |=| TE‬‬ ‫‪1‬‬
‫ﺑﻨﺎﺑﺮاﯾﻦ ‪:‬‬
‫)‪(12‬‬ ‫‪3‬‬

‫اﻣﺎ اﮔﺮ از ﺧﺎﺻﯿﺖ ‪ |RE|+|TE|=min‬اﺳﺘﻔﺎده ﮐﻨﯿﻢ درﻣﯽ ﯾﺎﺑﯿﻢ ‪:‬‬

‫‪4ε‬‬ ‫‪M 3h 2‬‬

‫‪+‬‬ ‫‪= min‬‬
‫‪h‬‬ ‫‪3‬‬
‫‪− 4ε‬‬ ‫‪2M 3 h‬‬
‫‪2‬‬
‫‪+‬‬ ‫‪=0‬‬ ‫ﺑﺎ ﻣﺸﺘﻖ ﮔﯿﺮي ﻧﺴﺒﺖ ﺑﻪ ‪ h‬دارﯾﻢ‬
‫‪h‬‬ ‫‪3‬‬
‫‪1‬‬
‫‪ 6ε ‬‬ ‫‪3‬‬
‫‪hopt‬‬ ‫‪= ‬‬ ‫‪‬‬
‫‪ M3 ‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪1‬‬
‫‪6 3 ε 3 M3 3‬‬ ‫ﺣﺪاﻗﻞ ﺧﻄﺎي ﮐﻞ ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫ﺣﻞ ﻗﺴﻤﺖ دوم ﻣﺜﺎل ‪ :‬دارﯾﻢ‬

‫‪f ( x) = ln x‬‬
‫‪1‬‬
‫=| )‪M 3 = max | f ′′′( x‬‬
‫‪4‬‬
‫‪2 ≤ x ≤ 2.12‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از |‪ |RE|=|TE‬وﺑﺎ اﺳﺘﻔﺎده از ‪ ε = 5 × 10 −6‬دارﯾﻢ ‪:‬‬

‫‪1‬‬
‫‪ 12 × 5 × 10 −6 ‬‬ ‫‪3‬‬

‫‪hopt‬‬ ‫‪=‬‬ ‫‪‬‬ ‫‪≈ 0.06‬‬

‫‪‬‬ ‫‪1‬‬ ‫‪‬‬
‫‪‬‬ ‫‪4‬‬ ‫‪‬‬

‫ﺑﺎ اﻧﺘﺨﺎب ‪ h=0.06‬از ﺟﺪول داده ﺷﺪه دارﯾﻢ ‪:‬‬

‫‪157‬‬
 ‫‪− 3(0.69315) + 4(0.69813) − 0.70310‬‬
‫= )‪f ′(2.0‬‬ ‫‪= 0.49975‬‬
‫‪0.12‬‬

‫ﺣﺎل اﮔﺮ ﻃﻮل ﮔﺎم ‪ h‬را ﮐﻤﺘﺮ از ﻃﻮل ﮔﺎم ﺑﻬﯿﻨﻪ اﻧﺘﺨﺎب ﮐﻨﯿﻢ ﯾﻌﻨﯽ ‪ h=0.01‬دارﯾﻢ‬

‫‪− 3(0.69715) + 4(0.69813) − 0.70310‬‬

‫= )‪f ′(2.0‬‬ ‫‪= 0.49850‬‬
‫‪0.02‬‬
‫‪1‬‬
‫دارﯾﻢ ‪ f ′(2.0) = 0.5‬از اﯾﻦ ﺟﺎ ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ﺑﺎ وﺟﻮد اﻧﺘﺨﺎب‬ ‫‪x=2.0‬‬ ‫= )‪ f ′( x‬و درﻧﻘﻄﻪ‬ ‫ﻣﺎ ﻣﯽ داﻧﯿﻢ‬
‫‪x‬‬

‫‪ h < hopt‬ﻧﺘﺎﯾﺞ ﺑﺪﺳﺖ آﻣﺪه ﻧﻪ ﺗﻨﻬﺎ ﺑﻬﺒﻮد ﻣﯽ ﯾﺎﺑﺪ ﺑﻠﮑﻪ ﺧﺮاب ﺗﺮ ﻫﻢ ﻣﯽ ﺷﻮد ‪.‬‬

‫‪ - 5-7‬روﺷﻬﺎي ﺑﺮون ﯾﺎﺑﯽ )‪(Extrapolation Methods‬‬

‫ﺑﺮاي دﺳﺖ ﯾﺎﺑﯽ ﺑﻪ روﺷﻬﺎي داراي دﻗﺖ ﺑﺎﻻ ﻧﯿﺎز دارﯾﻢ ﮐﻪ از ﻧﻘﺎط زﯾﺎدي از ﺟﺪول داده ﻫﺎ اﺳﺘﻔﺎده ﻧﻤﺎﺋﯿﻢ ‪.‬اﺳﺘﻔﺎده‬

‫از اﯾﻦ ﻧﻘﺎط زﯾﺎد ﺑﺎﻋﺚ اﻓﺰاﯾﺶ ﻣﺤﺎﺳﺒﻪ ﺗﺎﺑﻊ ﻣﯽ ﮔﺮدد ‪ ،‬در ﻧﺘﯿﺠﻪ اﻣﮑﺎن اﻓﺰاﯾﺶ ﺧﻄﺎي راوﻧﺪ ﮐﺮدن ﺑﯿﺸﺘﺮ ﻣﯽ ﺷﻮد‬

‫وﻧﺘﺎﯾﺞ ﺣﺎﺻﻠﻪ ﺑﺪ و ﺑﺪﺗﺮ ﻣﯽ ﮔﺮدد ‪.‬ﺑﻬﺮﺣﺎل اﻣﮑﺎن اﯾﻨﮑﻪ ﻧﺘﺎﯾﺞ دﻗﯿﻖ ﺗﺮي را ﺑﯿﺎﺑﯿﻢ وﺟﻮد دارد ‪.‬ﺑﺮاي اﯾﻦ ﮐﺎر ﻣﯽ ﺗﻮان‬

‫از ﯾﮏ روش ﻣﻌﯿﻦ ﺑﺎ ﮔﺎﻣﻬﺎي ﻣﺘﻔﺎوت اﯾﻦ اﻣﺮ را ﻋﻤﻠﯽ ﺳﺎﺧﺖ ‪.‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ )‪ g(h‬ﺗﻘﺮﯾﺒﯽ ﺑﺮاي ﻣﻘﺪار ﺗﺎﺑﻊ ‪g‬‬

‫ﺑﺎﺷﺪ وﺑﺎ اﺳﺘﻔﺎده از ﯾﮏ روش داراي دﻗﺖ ﻣﺮﺗﺒﻪ ‪ p‬ام ﺑﺎ ﻃﻮل ﮔﺎم ‪ h‬ﺣﺎﺻﻞ ﺷﺪه اﺳﺖ ‪.‬وﻫﻢ ﭼﻨﯿﻦ ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ‬

‫)‪ g(qh‬ﺗﻘﺮﯾﺒﯽ ﺑﺮاي ﺗﺎﺑﻊ ‪ g‬ﺑﺎﺷﺪ ﮐﻪ ﺑﺎ اﺳﺘﻔﺎده از روش ﻣﺮﺗﺒﻪ ‪ p‬ام وﺑﺎ ﻃﻮل ﮔﺎم ‪ qh‬ﺣﺎﺻﻞ ﺷﺪه ﺑﺎﺷﺪ ‪.‬ﻟﺬا دارﯾﻢ ‪:‬‬

‫) ‪g (h) = g + ch p + o(h p +1‬‬

‫) ‪g (qh) = g + cq p h p + o(h p +1‬‬

‫ﺑﺎ ﺧﺬف ‪ c‬از دو راﺑﻄﻪ ﻓﻮق دارﯾﻢ ‪:‬‬

‫)‪q p g (h) − g (qh‬‬

‫=‪g‬‬ ‫) ‪+ o(h p +1‬‬
‫‪q p −1‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ دارﯾﻢ ‪:‬‬

‫)‪q p g (h) − g (qh‬‬

‫= )‪g (1) (h‬‬ ‫) ‪= g + 0(h p +1‬‬ ‫)‪(7.49‬‬
‫‪q −1‬‬
‫‪p‬‬

‫‪158‬‬
‫اﯾﻦ روش داراي دﻗﺖ )‪ (P+1‬اﺳﺖ ‪.‬اﯾﻦ ﻣﻬﺎرت ﮐﻪ ﺑﺎ درﻫﻢ آﻣﯿﺨﺘﻦ ﻣﻘﺎدﯾﺮ ﻣﺤﺎﺳﺒﻪ ﺷﺪه ﺗﻮﺳﻂ ﯾﮏ روش ﻣﻌﯿﻦ ﺑﺎ‬

‫دو ﻃﻮل ﮔﺎم ﻣﺘﻔﺎوت ﺣﺎﺻﻞ ﻣﯿﺸﻮد و ﺑﺮاي ﮐﺴﺐ دﻗﺖ ﻣﺮاﺗﺐ ﺑﺎﻻﺗﺮ ﺻﻮرت ﻣﯽ ﮔﯿﺮد را روش ﺑﺮون ﯾﺎﺑﯽ ﯾﺎ روش‬

‫دروﻧﯿﺎﺑﯽ رﯾﭽﺎردﺳﻮن ﻧﺎﻣﯿﺪه ﻣﯿﺸﻮد ‪.‬‬

‫ﻫﺮﮔﺎه ﺧﻄﺎي ﺑﺮﺷﯽ ﯾﺎ ﻣﻮﺿﻌﯽ ﯾﮏ روش ‪ ،‬ﺑﺼﻮرت ﺳﺮي ﺗﻮاﻧﯽ از ‪ h‬ﺑﺎﺷﺪ آﻧﮕﺎه ﺑﺎ ﺗﮑﺮار ﭘﯿﺎﭘﯽ روﻧﺪ ﺑﺮوﻧﯿﺎﺑﯽ ‪ ،‬ﻣﯽ‬

‫ﺗﻮان روﺷﻬﺎﯾﯽ ﺑﺎ ﻣﺮﺗﺒﻪ دﻗﺖ دﻟﺨﻮاه دﺳﺖ ﯾﺎﻓﺖ ‪.‬ﮐﺎرﺑﺮد اﯾﻦ روش زﻣﺎﻧﯽ آﺳﺎن ﻣﯿﺸﻮد ﮐﻪ ﻃﻮل ﮔﺎﻣﻬﺎي ﺑﮑﺎرﮔﺮﻓﺘﻪ‬

‫‪1‬‬
‫= ‪ q‬اﻧﺘﺨﺎب ﻣﯽ ﮐﻨﯿﻢ ‪.‬ﺑﺮاي واﺿﺢ ﺗﺮ ﻧﻤﻮدن‬ ‫ﺷﺪه ﯾﮏ دﻧﺒﺎﻟﻪ ﻫﻨﺪﺳﯽ را ﺗﺸﮑﯿﻞ دﻫﻨﺪ ‪.‬ﺑﺮاي آﺳﺎﻧﯽ ﮐﺎر ﻋﻤﻮﻣﺎً‬
‫‪2‬‬

‫روﻧﺪ ﻓﻮق ﻣﺜﺎل زﯾﺮ رادرﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪ ،‬روش زﯾﺮ را درﻧﻈﺮ ﻣﯿﮕﯿﺮﯾﻢ ‪:‬‬

‫‪f1 − f−1‬‬
‫= ) ‪f ′( x0‬‬ ‫)‪(7.50‬‬
‫‪2h‬‬

‫ﺑﻄﻮرﯾـــﮑﻪ )‪ ، f−1 = f ( x0 − h), f1 = ( x0 + h‬ﺧﻄﺎي ﻣﻮﺿﻌﯽ ﯾﺎ ﺑﺮﺷﯽ ﻣﺮﺗﺒﻂ ﺑﺎ روش ﻓﻮق ﺑﺼﻮرت زﯾﺮ ﺑﺪﺳﺖ‬

‫ﻣﯽ آﯾﺪ ‪.‬‬

‫‪E ′( x0 ) = c1h 2 + c2 h 4 + c3 h 6 + ...‬‬ ‫)‪(7.51‬‬

‫‪ c3 , c2 , c1‬و ‪ ...‬ﻣﻘﺎدﯾﺮ ﺛﺎﺑﺘﯽ ﻫﺴﺘﻨﺪ ﻣﺴﺘﻘﻞ از ﻃﻮل ﮔﺎم ‪. h‬‬

‫ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ) ‪ g ( x) = f ′( x0‬ﻣﻘﺪاري ﺑﺎﺷﺪ ﮐﻪ ﺑﺎﯾﺴﺘﯽ ﺑﺪﺳﺖ ﺑﯿﺎورﯾﻢ وﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ) ‪ g ( h r‬ﻣﻘﺪار ﺗﻘﺮﯾﺒﯽ‬
‫‪2‬‬

‫‪ h‬ﻟﺬا دارﯾﻢ ‪:‬‬ ‫)‪ g(x‬ﺑﺎﺷﺪ وﺑﺎ اﺳﺘﻔﺎده از روش )‪ (7-50‬ﺣﺎﺻﻞ ﺷﺪه اﺳﺖ وﺑﺎ ﻃﻮل ﮔﺎﻣﻬﺎي ‪, r = 0,1,2,...‬‬
‫‪2r‬‬

‫‪g (h) = g ( x) + c1h 2 + c2 h 4 + c3 h 6 + ...‬‬

‫‪h‬‬ ‫‪c h2 c h4 c h6‬‬
‫‪g ( ) = g ( x) + 1 + 2 + 3 + ...‬‬ ‫)‪(7.52‬‬
‫‪2‬‬ ‫‪4‬‬ ‫‪16‬‬ ‫‪64‬‬
‫‪h‬‬ ‫‪c1h 2‬‬ ‫‪c2 h 4‬‬ ‫‪c3 h 6‬‬
‫(‪g‬‬ ‫‪2‬‬
‫‪) = g ( x) +‬‬ ‫‪+‬‬ ‫‪+‬‬ ‫‪+ ...‬‬
‫‪2‬‬ ‫‪16‬‬ ‫‪256‬‬ ‫‪4096‬‬

‫ﺑﺎ ﺣﺬف ‪ c1‬از رواﺑﻂ ﻓﻮق دارﯾﻢ ‪:‬‬

‫‪159‬‬
 ‫‪h‬‬
‫)‪4 g ( ) − g ( h‬‬
‫= )‪g ( h‬‬
‫)‪(1‬‬ ‫‪2‬‬
‫‪3‬‬
‫‪1‬‬ ‫‪5‬‬
‫‪= g ( x) − c2 h 4 − c3 h 6 − ...‬‬
‫‪4‬‬ ‫‪16‬‬
‫‪h‬‬ ‫‪h‬‬
‫( ‪4g‬‬ ‫) (‪) − g‬‬
‫‪h‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪2‬‬
‫= ) ( )‪g (1‬‬
‫‪2‬‬ ‫‪3‬‬
‫‪1‬‬ ‫‪5‬‬
‫‪= g ( x) − c 2 h 4 −‬‬ ‫‪c3 h 6 − ...‬‬ ‫)‪(7.53‬‬
‫‪64‬‬ ‫‪1024‬‬
‫‪h‬‬
‫ﺑﻨﺎﺑﺮاﯾﻦ )‪ g (1) ( ), g (1) (h‬واﻟﺦ ﮐﻪ از راﺑﻄﻪ )‪ (7-53‬ﺣﺎﺻﻞ ﻣﯿﺸﻮﻧﺪ ﺗﻘﺮﯾﺒﯽ ﺑﺮاي )‪ g(x‬ﺑﺎ دﻗﺖ ) ‪ 0(h 4‬ﻫﺴﺘﻨﺪ ‪ .‬ﺑﺎ‬
‫‪2‬‬

‫ﺣﺬف ‪ c2‬از رواﺑﻂ )‪ (7-52‬ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫‪h‬‬
‫)‪4 2 g (1) ( ) − g (1) (h‬‬
‫‪2‬‬ ‫‪1‬‬
‫= )‪g ( h‬‬
‫)‪(2‬‬
‫‪+ c3 h 6 + ...‬‬ ‫)‪(7.54‬‬
‫‪4 −1‬‬
‫‪2‬‬
‫‪64‬‬

‫راﺑﻄﻪ )‪ (7-54‬ﺗﻘﺮﯾﺒﯽ ﺑﺮاي )‪ g(x‬ﺑﺎ دﻗﺖ ) ‪ o(h 6‬ﻣﯽ ﺑﺎﺷﺪ ‪.‬ﻟﺬا ﻧﺘﺎﯾﺞ داراي دﻗﺖ ﻣﺮاﺗﺐ ﺑﺎﻻﺗﺮ را ﻣﯽ ﺗﻮان از ﻓﺮﻣﻮل‬

‫زﯾﺮ ﮐﺴﺐ ﻧﻤﻮد ‪:‬‬

‫)‪4 m g ( m−1) ( h ) − g ( m−1) (h‬‬

‫= )‪g ( h‬‬
‫)‪( m‬‬ ‫‪2‬‬ ‫‪, m = 1,2,3,...‬‬ ‫)‪(7.55‬‬
‫‪4 −1‬‬
‫‪m‬‬

‫)‪g ( 0 ) ( h) = g ( h‬‬

‫اﯾﻦ روﻧﺪ را ﺑﺮوﻧﯿﺎﺑﯽ ﭘﯿﺎﭘﯽ ﺑﺮاي ﻣﺸﺘﻖ ﮔﯿﺮي ﻣﯽ ﻧﺎﻣﻨﺪ ‪ .‬ﻣﻘﺎدﯾﺮ ﻣﺘﻮاﻟﯽ )‪ g ( m) (h‬ﺑﺮاي ﻣﻘﺎدﯾﺮ ﻣﺘﻔﺎوت ‪ m‬ﻣﯽ ﺗﻮان‬

‫ﻣﺎﻧﻨﺪ ﺟﺪول زﯾﺮ ﻣﺤﺎﺳﺒﻪ ﮐﺮد ‪.‬‬

‫‪h‬‬ ‫دوم‬ ‫ﭼﻬﺎرم‬ ‫ﺷﺸﻢ‬ ‫ﻫـﺸﻢ‬

‫‪h‬‬ ‫)‪g ( h‬‬
‫‪h‬‬ ‫‪h‬‬ ‫)‪g (1) (h‬‬
‫) (‪g‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪h‬‬ ‫)‪g ( 2 ) (h‬‬ ‫)‪g ( 3 ) ( h‬‬
‫‪h‬‬ ‫‪h‬‬ ‫) ( )‪g (1‬‬
‫(‪g‬‬ ‫)‬ ‫‪2‬‬ ‫‪h‬‬
‫‪22‬‬ ‫‪22‬‬ ‫‪h‬‬ ‫) ( )‪g ( 2‬‬
‫( )‪g (1‬‬ ‫)‬ ‫‪2‬‬
‫‪h‬‬ ‫‪h‬‬ ‫‪22‬‬
‫(‪g‬‬ ‫)‬
‫‪23‬‬ ‫‪23‬‬

‫‪160‬‬
‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺟﺪول ﻓﻮق درﻣﯽ ﯾﺎﺑﯿﻢ ﮐﻪ ﻣﻘﺎدﯾﺮ ﺟﺪوﻟﯽ ﯾﮏ ﺳــﺘﻮن ﻣﺸﺨﺺ ﺗﻘﺮﯾﺒﯽ ﺑﻬﺘﺮ از داده ﺟﺪوﻟﯽ ﻗﺒﻞ از آن‬

‫ﻣﯽ ﺑﺎﺷﺪ ‪.‬ﻫﻢ ﭼﻨﯿﻦ در ﺳﺘﻮﻧﻬﺎي ﻣﺘﻮاﻟﯽ ﻫﺮ ﺳﺘﻮن ﻧﺴﺒﺖ ﺑﻪ ﺳﺘﻮن ﻗﺒﻠﯽ آن ﺗﻘﺮﯾﺐ ﺑﻬﺘﺮي ﺑﺪﺳﺖ ﻣﯿﺪﻫﺪ ‪ .‬ﺑﻬﺘﺮﯾﻦ‬

‫ﻧﺘﺎﯾﺞ در ﻗﺴﻤﺖ ﭘﺎﺋﯿﻨﯽ ﻗﻄﺮ ﺟﺪول اﺳﺖ اﯾﻦ روﻧﺪ زﻣﺎﻧﯽ ﻣﺘﻮﻗﻒ ﻣﯽ ﮔﺮدد ﮐﻪ داﺷﺘﻪ ﺑﺎﺷﯿﻢ ‪:‬‬

‫‪g ( k ) (h) − g ( k −1) ( h 2 ) < ε‬‬

‫‪ ε‬ﻣﻌﯿﺎر دﻗﺖ ﺣﻞ ﻣﺴﺌﻠﻪ ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬

‫) ‪f ( x2 ) − f ( x0‬‬
‫= ) ‪ f ′( x1‬اﺳﺘﻔﺎده ﮐﻨﯿﺪ وﺑﺎ اﺳﺘﻔﺎده از‬ ‫ﻣﺜﺎل ‪ : 3-7‬داده ﻫﺎي ﺟﺪوﻟﯽ زﯾﺮ ﻣﻔﺮوض اﻧﺪ ‪ ،‬از ﻓﺮﻣﻮل‬
‫‪2h‬‬

‫روﻧﺪ ﺑﺮوﻧﯿﺎﺑﯽ رﯾﭽﺎردﺳﻮن )‪ f ′(3‬را ﺑﯿﺎﺑﯿﺪ‬

‫‪x‬‬ ‫‪-1‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪7‬‬

‫)‪f(x‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪16‬‬ ‫‪81‬‬ ‫‪256‬‬ ‫‪625‬‬ ‫‪2401‬‬
‫ﺑﺎ اﺳﺘﻔﺎده از ﺑﺴﻂ ﺳﺮي ﺗﯿﻠﻮر دارﯾﻢ ‪:‬‬

‫) ‪f ( x2 ) − f ( x0‬‬ ‫)‪h 2 ( 3‬‬ ‫)‪h 4 (5‬‬

‫‪= f ′( x1 ) +‬‬ ‫‪f ( x1 ) +‬‬ ‫‪f ( x1 ) + ...‬‬
‫‪2h‬‬ ‫‪6‬‬ ‫‪120‬‬

‫ﻟﺬا ﺟﺪول زﯾﺮ را ﺑﺎ اﺳﺘﻔﺎده از روﻧﺪ ﺑﺮوﻧﯿﺎﺑﯽ ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫)‪f ′(3‬‬
‫)‪h O(h2) O(h4) O(h6‬‬
‫‪4‬‬ ‫‪300‬‬
‫‪108‬‬
‫‪2‬‬ ‫‪156‬‬
‫‪108‬‬
‫‪1‬‬ ‫‪120‬‬ ‫‪108‬‬

‫ﺑﺪﯾﻬﯽ اﺳﺖ ﮐﻪ ‪ f ′(3) = 108‬ﺑﺎﯾﺴﺘﯽ ﺣﻞ دﻗﯿﻖ ﺑﺎﺷﺪ ‪ .‬زﯾﺮا )‪ g (1) (4) = g (1) (2) = g ( 2) (4‬ازآﻧﺠﺎ ﮐﻪ داده ﻫﺎ ﺑﯿﺎﻧﮕﺮ‬

‫‪ f ( x) = x4‬ﻫﺴﺘﻨﺪ ﻟﺬا ﺳﺘﻮن دوم ﺑﺎﯾﺴﺘﯽ ﺟﻮاب دﻗﯿﻖ ﺑﺎﺷﺪ زﯾﺮا ﻧﺘﺎﯾﺞ ﺟﻤﻠﻪ ﺑﺎ ﺧﻄﺎي ) ‪ ch 4 f (5) (ζ‬ﻫﺴﺘﻨﺪ ‪.‬‬

‫‪161‬‬
 ‫ﺗﻤﺮﯾﻦ ﻫﺎي ﻓﺼﻞ‬

‫‪ -1‬ﯾﮏ ﻓﺮﻣﻮل ﭘﻨﺞ ﻧﻘﻄﻪ اي را از ﻣﺮﺗﺒﻪ ) ‪ 0(h 4‬ﮐﻪ از ) ‪f ( x0 + 3h), f ( x0 + 2h), f ( x0 − h), f ( x0 + h), f ( x0‬‬

‫اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﺪ ﺑﺮاي ﺗﻘﺮﯾﺐ ) ‪ f ′( x0‬ﺑﺪﺳﺖ آورﯾﺪ ‪.‬‬

‫)راﻫﻨﻤﺎﯾﯽ ‪ :‬ﻋﺒﺎرت )‪ Af ( x0 − h) + Bf ( x0 + h) + Cf ( x0 + 2h) + Df ( x0 + 3h‬را درﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺑﺴﻂ ﭼﻨﺪﺟﻤﻠﻪ اي‬

‫درﺟﻪ ‪ 5‬ﺗﯿﻠﻮر را ﻧﻮﺷﺘﻪ و ‪ D,C,B,A‬را ﺑﻄﻮر ﻣﺘﻨﺎﺳﺐ اﻧﺘﺨﺎب ﮐﻨﯿﺪ(‬

‫‪-2‬ﺗﻤﺎم داﻧﺸﺠﻮﯾﺎن رﯾﺎﺿﯽ ﻣﯽ داﻧﻨﺪ ﮐﻪ ﻣﺸﺘﻖ ‪ f‬در ‪ x‬ﺑﺼﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯿﺸﻮد ‪.‬‬

‫)‪f ( x + h) − f ( x‬‬
‫‪f ′( x) = lim‬‬
‫‪h‬‬
‫‪h→0‬‬

‫ﺗﺎﺑﻊ اﺧﺘﯿﺎري ‪ f‬ﻋﺪد ‪ x‬وﮐﺎﻣﭙﯿﻮﺗﺮ ﯾﺎ ﻣﺎﺷﯿﻦ ﻣﺤﺎﺳﺐ را اﻧﺘﺨﺎب ﮐﺮده و ﺗﻘﺮﯾﺒﻬﺎي )‪ fn′( x‬را ﺑﺮاي )‪ f ′( x‬ﮐﻪ ﺑﺼﻮرت‬

‫زﯾﺮ اﺳﺖ ﺑﻪ ازاي ‪ n=1,2,…,20‬ﺑﺪﺳﺖ آورﯾﺪ وآﻧﭽﻪ را ﻣﺸﺎﻫﺪه ﻣﯽ ﮐﻨﯿﺪ ﺷﺮح دﻫﯿﺪ ‪.‬‬

‫)‪f ( x + 10 − n ) − f ( x‬‬
‫= )‪fn′( x‬‬
‫‪10 −n‬‬

‫‪-3‬روﺷﯽ ﺑﺮاي ﺗﻘﺮﯾﺐ ) ‪ f ′′( x0‬ﺑﺎ ﺟﻤﻠﻪ ﺧﻄﺎﯾﯽ از ﻣﺮﺗﺒﻪ ‪ h2‬ﺑﺎ ﺑﺴﻂ ﭼﻨﺪﺟﻤﻠﻪ اي درﺟﻪ ‪ 5‬ﺗﯿﻠﻮر ﺗﺎﺑﻊ ‪ ، f‬ﺣﻮل ﻧﻘﻄﻪ‬

‫‪ x0‬وﻣﺤﺎﺳﺒﻪ آن در ‪ x0 ± 2h‬و ‪ x0 ± h‬ﺑﺪﺳﺖ آورﯾﺪ‪.‬‬

‫‪-4‬ﺗﺎﺑﻊ زﯾﺮ را درﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ‬

‫‪e h2‬‬
‫= ) ‪e( h‬‬ ‫‪+ M‬‬
‫‪h 6‬‬
‫‪3e‬‬
‫دارد ‪.‬‬ ‫‪3‬‬ ‫ﮐﻪ در آن ‪ M‬ﮐﺮاﻧﯽ ﺑﺮاي ﻣﺸﺘﻖ ﻣﺮﺗﺒﻪ ﺳﻮم ﺗﺎﺑﻊ اﺳﺖ ‪ .‬ﻧﺸﺎن دﻫﯿﺪ ﮐﻪ )‪ e(h‬ﻣﯿﻨﯿﻤﻤﯽ در‬
‫‪M‬‬

‫‪-5‬ﺧﻄﺎي ﺑﺮﺷﯽ ﻓﺮﻣﻮﻟﻬﺎي ﻣﺸﺘﻖ ﮔﯿﺮي زﯾﺮ را ﺑﯿﺎﺑﯿﺪ ؟‬

‫‪162‬‬
 ‫‪h‬‬ ‫) ‪f ( xk + h) − f ( xk‬‬
‫) ‪(a‬‬ ‫≅ ) ‪f ′( xk +‬‬
‫‪2‬‬ ‫‪h‬‬
‫‪1‬‬ ‫‪1 4‬‬
‫)‪(b‬‬ ‫≅ ‪fk′′+1‬‬ ‫‪2‬‬
‫‪(∆2 fk −‬‬ ‫) ‪∆ fk‬‬
‫‪h‬‬ ‫‪12‬‬
‫‪4f − f‬‬ ‫‪− 3 fk‬‬
‫) ‪(c‬‬ ‫‪fk′ ≅ k +1 k + 2‬‬
‫‪2h‬‬
‫‪fk′′ ≅ ∆ fk 2‬‬
‫‪2‬‬
‫) ‪(d‬‬
‫‪h‬‬
‫‪-6‬ﻓﺮﻣﻮل ﻣﺸﺘﻖ ﮔﯿﺮي زﯾﺮ داده ﺷﺪه اﺳﺖ ‪:‬‬

‫‪f ′( x0 ) = α 0 f0 + α1 f1 + α 2 f2‬‬ ‫)‪( xk = x0 + kh‬‬

‫‪ α 2 ,α1 ,α 0‬ﺑﻄﺮﯾﻘﯽ ﺑﯿﺎﺑﯿﺪ ﮐﻪ روش ﺑﺮاي ‪ f ∈ p2‬دﻗﯿﻖ ﺑﺎﺷﺪ ‪.‬ﺟﻤﻠﻪ ﺧﻄﺎ را ﻧﯿﺰ ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪-7‬از داده ﻫﺎي ﺟﺪوﻟﯽ زﯾﺮ اﺳﺘﻔﺎده ﮐﻨﯿﺪ و )‪ f ′(6.0‬ﺑﺎ ﺧﻄﺎي )‪ 0(h‬و )‪ f ′′(6.3‬ﺑﺎ ﺧﻄﺎي )‪. 0(h2‬‬

‫‪x‬‬ ‫‪6.0‬‬ ‫‪6.1‬‬ ‫‪6.2‬‬ ‫‪6.3‬‬ ‫‪6.4‬‬

‫)‪f(x‬‬ ‫‪0.1750‬‬ ‫‪-0.1998‬‬ ‫‪-0.2223‬‬ ‫‪-0.2422‬‬ ‫‪-0.2596‬‬
‫‪ δ , β , γ ,α -8‬را ﺑﻄﺮﯾﻘﯽ ﺑﯿﺎﺑﯿﺪ ﮐﻪ راﺑﻄﻪ زﯾﺮ‬

‫)‪y′ (a + b) 2  = αy(a ) + βy(b) + γy′′(a ) + δy′′(b‬‬

‫‪‬‬ ‫‪‬‬

‫ﺑﺮاي ﭼﻨﺪﺟﻤﻠﻪ اﯾﻬﺎي درﺟﻪ ﺑﺎﻻ ﺗﺎ ﺣﺪ ﻣﻤﮑﻦ دﻗﯿﻖ ﺑﺎﺷﺪ ‪.‬ﺟﻤﻠﻪ ﺧﻄﺎي را درﺻﻮرﺗﯿﮑﻪ ‪ | b − a |→ 0‬ﺑﯿﺎﺑﯿﺪ ‪.‬‬

‫‪163‬‬
 ‫ﻓﺼﻞ ﻫﺸﺘﻢ‬

‫‪ - 8‬ﺣﻞ ﻋﺪدي ﻣﻌﺎدﻻت دﯾﻔﺮاﻧﺴﯿﻞ ﻣﻌﻤﻮﻟﯽ‬

‫‪ 1-8‬ﻣﻘﺪﻣﻪ ‪ :‬ﺑﺴﯿﺎري از ﻣﺴﺎﺋﻞ رﯾﺎﺿﯿﺎت ﮐﺎرﺑﺮدي ‪ ،‬ﺑﻪ ﻣﻌﺎدﻻت دﯾﻔﺮاﻧﺴﯿﻞ ﻣﻌﻤﻮﻟﯽ ﻣﻨﺠﺮ ﻣﯿﺸﻮﻧﺪ ‪.‬ﯾﮏ ﻣﻌﺎدﻟﻪ‬

‫دﯾﻔﺮاﻧﺴﯿﻞ ﻣﻌﻤﻮﻟﯽ ‪ ،‬راﺑﻄﻪ اي اﺳﺖ ﺑﯿﻦ ﯾﮏ ﺗﺎﺑﻊ و ﻣﺸﺘﻘﺎت آن وﻣﺘﻐﯿﺮ ﻣﺴﺘﻘﻞ آن ‪.‬ﮐﻠﯽ ﺗﺮﯾﻦ ﻓﺮم ﯾﮏ ﻣﻌﺎدﻟﻪ‬

‫دﯾﻔﺮاﻧﺴﯿﻞ ﻣﻌﻤﻮﻟﯽ را ﻣﯽ ﺗﻮان ﺑﺼﻮرت زﯾﺮ ﻧﻮﺷﺖ ‪:‬‬

‫‪φ ( x, y, y′, y′′,..., y ( n ) ) = 0‬‬ ‫)‪(8.1‬‬

‫‪ y‬وﻣﺸﺘﻘﺎت آن ﺗﻮاﺑﻌﯽ از ‪ x‬ﻫﺴﺘﻨﺪ و ‪ n‬ﺑﯿﺎﻧﮕﺮ ﺑﺎﻻﺗﺮﯾﻦ ﻣﺮﺗﺒﻪ ﻣﺸﺘﻖ ‪ y‬ﻧﺴﺒﺖ ﺑﻪ ‪ x‬اﺳﺖ ‪.‬ﻣﺮﺗﺒﻪ ﯾﮏ ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ‬

‫ﻋﺒﺎرﺗﺴﺖ از ﺑﺎﻻﺗﺮﯾﻦ ﻣﺮﺗﺒﻪ ﻣﺸﺘﻖ آن و درﺟﻪ ﯾﮏ ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ ﻋﺒﺎرﺗﺴﺖ از درﺟﻪ ﺑﺎﻻﺗﺮﯾﻦ ﻣﺮﺗﺒﻪ ﻣﺸﺘﻖ ‪ .‬ﺑﻌﺪ‬

‫از ﮔﻮﯾﺎﺳﺎزي ﻣﻌﺎدﻟﻪ ﻣﺰﺑﻮر ﻫﺮﮔﺎه ﺣﺎﺻﻞ ﺿﺮب ﺗﺎﺑﻊ واﺑﺴﺘﻪ )‪ y(x‬ﺑﺎ ﺧﻮدش و ﯾﺎ ﯾﮑﯽ از ﻣﺸﺘﻘﺎﺗﺶ در ﻣﻌﺎدﻟﻪ ﺑﺮوز‬

‫ﻧﮑﻨﺪ ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ را ﺧﻄﯽ ودرﻏﯿﺮ اﯾﻨﺼﻮرت ﻏﯿﺮ ﺧﻄﯽ ﻣﯽ ﻧﺎﻣﯿﻢ ‪.‬‬

‫ﯾﮏ ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ ﻣﺮﺗﺒﻪ ‪ n‬ام ﺧﻄﯽ را ﻣﯽ ﺗﻮان ﺑﻪ ﺷﮑﻞ زﯾﺮ ﻧﻮﺷﺖ ‪:‬‬

‫‪n‬‬

‫∑‬
‫‪p‬‬
‫)‪φ p ( x) y p ( x) = r ( x‬‬
‫‪=0‬‬
‫) (‬
‫)‪(8.2‬‬

‫)‪ φ p ( x‬ﺗﻮاﺑﻊ ﺷﻨﺎﺧﺘﻪ ﺷﺪه ﻫﺴﺘﻨﺪ ‪.‬ﭼﻨﺎﻧﭽﻪ ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ )‪ (8-1‬را ﺑﺼﻮرت زﯾﺮ ﺑﺘﻮاﻧﯿﻢ ﺑﻨﻮﯾﺴﯿﻢ ‪:‬‬

‫) )‪y ( x) = F ( x, y, y′,... y ( n−1‬‬ ‫)‪(8.3‬‬

‫اﯾﻦ ﻣﻌﺎدﻟﻪ را ﻧﻤﺎﯾﺶ ﮐﺎﻧﻮﻧﯽ )‪ (Cononical‬ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ راﺑﻄﻪ )‪ (8-1‬ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد ‪.‬‬

‫‪-2-8‬ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ ‪:‬‬

‫ﺟﻮاب ﻋﻤــــــﻮﻣﯽ ﯾﮏ ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ ﻧﻈﯿﺮ )‪(8-1‬راﺑﻄﻪ اي ﺑﯿﻦ ‪ y‬و ‪ x‬و ‪ n‬ﺛﺎﺑﺖ دﻟﺨﻮاه ﮐﻪ در ﻣﻌﺎدﻟﻪ ﺻﺪق‬

‫ﻣﯽ ﻧﻤﺎﯾﺪ ‪.‬ﺟﻮاب ﻣﻌﺎدﻟﻪ ﻣﻤﮑﻦ اﺳﺖ ﺑﻪ ﺻﻮرت ﺿﻤﻨﯽ زﯾﺮ ﺑﺎﺷﺪ ‪.‬‬

‫‪w( x, y, c1 , c2 ,...cn ) = 0‬‬ ‫)‪(8.4‬‬

‫‪164‬‬
 ‫ﯾﺎ ﺑﻪ ﺻﻮرت ﯾﮏ ﺗﺎﺑﻊ ﺻﺮﯾﺢ از ‪ x‬ﺑﺼﻮرت زﯾﺮ ﺑﺎﺷﺪ‬

‫) ‪y = w( x, c1 , c 2 ,..., cn‬‬ ‫)‪(8.5‬‬

‫ﺛﺎﺑﺘﻬﺎي ‪ c1‬ﺗﺎ ‪ cn‬را ﻣﯽ ﺗﻮان ﺑﺎدرﻧﻈﺮﮔﺮﻓﺘﻦ ‪ n‬ﺷﺮط ذﯾﻞ ‪:‬‬

‫‪y ( v) ( x) = yv‬‬ ‫‪,‬‬ ‫‪v = 0,1,2,..., n − 1‬‬ ‫)‪(8.6‬‬

‫در ﯾـــﮏ ﻧﻘﻄﻪ ‪ x=x0‬ﮐﻪ ﺑﻪ ﺷﺮاﯾﻂ اوﻟﯿﻪ ﻣﻮﺳﻮم ﻣﯽ ﺑﺎﺷﺪ ﺗﻌﯿﯿﻦ ﻧﻤﻮد ‪.‬ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ )‪ (8-1‬ﺑﻬﻤﺮاه ﺷﺮاﯾﻂ اوﻟﯿﻪ‬

‫)‪ (8-6‬را ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ ﻣﺮﺗﺒﻪ ‪ n‬ام ﻣﯽ ﮔﻮﯾﻨﺪ ‪.‬‬

‫‪-3-8‬ﻣﺴﺌﻠﻪ ﻣﻘﺪار ﻣﺮزي ‪:‬‬

‫ﭼﻨﺎﻧﭽﻪ ﺑﺮاي ﺗﻌﯿﯿﻦ ‪ n‬ﺛﺎﺑﺖ دﻟﺨﻮاه در ﺟﻮاب ﻋﻤﻮﻣﯽ ﻣﻌﺎدﻟﻪ از ‪ n‬ﺷﺮط در ﺑﯿﺶ از ﯾﮏ ﻧﻘﻄﻪ اﺳﺘﻔﺎده ﮐﻨﯿﻢ ‪.‬دراﯾﻦ‬

‫ﺣﺎﻟﺖ ﺷﺮاﯾﻂ ﻣﺮزي ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد وﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ )‪ (8-1‬ﺑﻬﻤﺮاه ﺷﺮاﯾﻂ ﻣﺮزي را ﻣﺴﺌﻠﻪ ﻣﻘﺪار ﻣﺮزي ﻣﯽ ﻧﺎﻣﻨﺪ‪.‬‬

‫‪ -4-8‬ﺗﺒﺪﯾﻞ ﻣﻌﺎدﻻت ﻣﺮاﺗﺐ ﺑﺎﻻ ﺑﻪ دﺳﺘﮕﺎه ﻣﻌﺎدﻻت ﻣﺮﺗﺒﻪ اول ‪:‬‬

‫ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ ﻣﺮﺗﺒﻪ ‪ n‬ام )‪ (8-3‬ﺑﻬﻤﺮاه ﺷﺮاﯾﻂ اوﻟﯿﻪ )‪ (8-6‬را ﻣﯽ ﺗﻮان ﺑﻪ ﯾﮏ دﺳﺘﮕﺎه ﻣﺘﺸﮑﻞ از ‪ n‬ﻣﺴﺌﻠﻪ ﻣﻘﺪار‬

‫اوﻟﯿﻪ ﻣﺮﺗﺒﻪ اول ﺑﺮﮔﺮداﻧﺪ ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ دارﯾﻢ ‪:‬‬

‫‪u1 = y , y′ = u 2 , ... y ( n −1) = u n‬‬

‫ﺑﻄﻮرﯾﮑﻪ‬

‫‪u1′ = u 2 , u1 ( x0 ) = η 0‬‬
‫‪u 2′ = u 3 , u 2 ( x0 ) = η1‬‬
‫‪u 3′ = u 4 , u 3 ( x0 ) = η 2‬‬
‫‪.‬‬
‫‪.‬‬
‫‪u n′ = g ( x, u1 , u 2 ,..., u n ) , u n ( x0 ) = η n −1‬‬

‫دﺳﺘﮕﺎه ﻓﻮق را ﻣﯽ ﺗﻮان ﺑﺎ ﻧﻤﺎد ﻣﺎﺗﺮﯾﺴﯽ زﯾﺮ ﻧﺸﺎن داد ‪.‬‬

‫‪165‬‬
‫) ‪u ′ = f ( x, u‬‬ ‫‪u ( x0 ) = η‬‬ ‫)‪(8.7‬‬
‫‪u 2‬‬ ‫‪‬‬ ‫‪η 0 ‬‬
‫‪u‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪f ( x, u ) =  3‬‬ ‫‪ , η = η1 ‬‬
‫‪.‬‬ ‫‪‬‬ ‫‪. ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ g ( x, u1 , u 2 ,..., u n )‬‬ ‫‪η n−1 ‬‬
‫‪dy‬‬
‫‪= f ( x, y) , y( x0 ) = y0‬‬ ‫)‪(8.8‬‬ ‫ﺑﻨﺎﺑﺮاﯾﻦ روﺷﻬﺎي ﺣﻞ ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ‬
‫‪dx‬‬

‫ﻣﻤﮑﻦ اﺳﺖ ﺑﺮاي ﺣﻞ دﺳﺘﮕﺎه ﻣﻌﺎدﻟﻪ )‪ (8-7‬ﺑﮑﺎر رود ‪.‬‬

‫‪ 5-8‬وﺟﻮد ﺟﻮاب و ﯾﮑﺘﺎﯾﯽ ﺟﻮاب ‪:‬‬

‫ﻣﺎﻫﯿﺖ ﺟﻮاب ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ از ﻟﺤﺎظ وﺟﻮد ﺟﻮاب و ﻫﻢ ﭼﻨﯿﻦ ﻗﺎدر ﺑﻮدن ﻣﺎ ﺑﺮاي ﺑﻪ دﺳﺖ آورده ﺟﻮاب ﺗﻘﺮﯾﺒﯽ‬

‫دﻗﯿﻘﯽ ﺑﺮاي آن ﺑﻪ ﻣﺎﻫﯿﺖ و رﻓﺘﺎر ﺗﺎﺑﻊ ‪ f‬ﻣﺮﺑﻮط اﺳﺖ ‪ .‬اﺳﺎﺳﺎً اﮔﺮ ‪ f‬ﺑﻪ اﻧﺪازه ﮐﺎﻓﯽ ﻫﻤﻮار ﺑﺎﺷﺪ آﻧﮕﺎه ﺟﻮاب‬

‫ﻣﻨﺤﺼﺮﺑﻔﺮدي ﺑﺮاي ﻣﻌﺎدﻟﻪ وﺟﻮد ﺧﻮاﻫﺪ داﺷﺖ ‪.‬ﻟﺬا ﻣﺎ ﻣﯽ ﺗﻮاﻧﯿﻢ ﺟﻮاب ﺗﻘﺮﯾﺒﯽ ﺑﺎ دﻗﺖ ﻫﺎي ﻣﺘﻔﺎوت ﺑﺮاي ﻣﻌﺎدﻟﻪ‬

‫ﺑﯿﺎﺑﯿﻢ ‪.‬ﺑﻪ ﻫﺮﺣﺎل راه ﻫﺎي ﻣﺘﻔﺎوﺗﯽ ﺑﺮاي ﺑﯿﺎن »ﻫﻤﻮار ﺑﻮدن« وﺟﻮد دارد ﮐﻪ ﻣﺎ دو راه رادرﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪.‬اول‬

‫ﭘــــﯿــﻮﺳـــﺘــــﮕﯽ ﻟـــﯿـــﭗ ﺷـــﯿــﺘﺲ )‪ (Libschitz Continuity‬ودوم ‪ ،‬ﻫﻤــــﻮار و ﯾــــﮑــﻨﻮا‬

‫ﻧــــــﺰوﻟﯽ)‪ (Smooth and uniformly monotone decreasing‬دوﻣﯿﻦ راه ﺣﻞ ﻋﻤﻮﻣﺎً ﺑﺮاي اﯾﺠﺎد ﺟﻮاب ﻣﺴﺌﻠﻪ‬

‫ﻣﻘﺪار اوﻟﯿﻪ درﻧﻈﺮﮔﺮﻓﺘﻪ ﻣﯿﺸﻮد ﮐﻪ ﯾﮏ ﺷﺮط ﺿﻌﯿﻒ اﺳﺖ ‪.‬ﺣﺎل ﺑﻪ ﺗﻌﺎرﯾﻒ زﯾﺮ ﻣﯽ ﭘﺮدازﯾﻢ ‪:‬‬

‫ﺗﻌﺮﯾﻒ ﭘﯿﻮﺳﺘﮕﯽ ﻟﯿﭗ ﺷﯿﺘﺲ ‪:‬‬

‫ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ‪ g‬ﯾﮏ ﺗﺎﺑﻊ از ‪ R‬ﺑﻪ ﺗﻮي ‪ R‬ﺑﺎﺷﺪ ‪ g .‬را ﺗﺎﺑﻊ ﭘﯿﻮﺳﺘﻪ ﻟﯿﭗ ﺷﯿﺘﺲ در ﺑﺎزه ‪ I‬ﻣﯽ ﻧﺎﻣﯿﻢ ﻫﺮﮔﺎه ﯾﮏ ﺛﺎﺑﺖ‬

‫‪ k‬وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ﺑﻄﻮرﯾﮑﻪ ﺑﻪ ازاي ﻫﺮ ‪ x1 , x2 ∈ I‬داﺷﺘﻪ ﺑﺎﺷﯿﻢ ‪:‬‬

‫‪g ( x1 ) − g ( x2 ) ≤ k x1 − x2‬‬ ‫)‪(8.8‬‬

‫ﺗﻌﺮﯾﻒ ﻫﻤﻮار و ﯾﮑﻨﻮا ﻧﺰوﻟﯽ ‪ :‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ‪ g‬ﯾﮏ ﺗﺎﺑﻊ از ‪ R‬ﺑﻪ ﺗﻮي ‪ R‬ﺑﺎﺷﺪ ‪ g.‬را ﺗﺎﺑﻊ ﻫﻤﻮار و ﯾﮑﻨﻮا ﻧﺰوﻟﯽ‬

‫ﻣﯽ ﻧﺎﻣﯿﻢ ﻫﺮﮔﺎه ‪ g‬ﻣﺸﺘﻖ ﭘﺬﯾﺮ ﺑﺎﺷﺪ وﻣﺸﺘﻖ آن ﺑﻪ ازاي ﻫﻤﻪ ﻣﻘﺎدﯾﺮ ‪ x‬در راﺑﻄﻪ زﯾﺮ ﺻﺪق ﻧﻤﺎﯾﺪ ‪.‬‬

‫‪166‬‬
‫‪− M ≤ g ′( x) ≤ −m < 0‬‬ ‫)‪(8.9‬‬

‫در راﺑﻄﻪ ﻓﻮق ‪m‬و‪ M‬ﺛﺎﺑﺘﻬﺎي ﻣﺜﯿﺖ داده ﺷﺪه ﻫﺴﺘﻨﺪ ‪.‬‬

‫ﺑﺮاي روﺷﻦ ﺷﺪن ﺗﻌﺎرﯾﻒ ﻓﻮق دو ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ زﯾﺮ را درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ‬

‫ﻣﺜﺎل ‪ : 1-8‬دو ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ زﯾﺮ را درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪:‬‬

‫‪y′ = 4 y − e − x , y(0) = 1‬‬ ‫)‪(8.10‬‬

‫‪y′ = −(1 + x ) y + sin x , y(0) = 1‬‬
‫‪2‬‬
‫)‪(8.11‬‬

‫و در ﻣﺴﺌﻠﻪ )‪ (8-10‬دارﯾﻢ‬

‫‪f ( x, y) = 4 y − e − x‬‬
‫ﻟﺬا‬
‫) ‪f ( x, y1 ) − f ( x, y2 ) = (4 y1 − e − x ) − (4 y2 − e − x ) = 4( y1 − y2‬‬

‫‪f ( x, y1 ) − f ( x, y2 ) ≤ 4 y1 − y2‬‬ ‫ﺑﻨﺎﺑﺮاﯾﻦ دارﯾﻢ ‪:‬‬

‫ﻟﺬا ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ در اﯾﻦ ﺣﺎﻟﺖ ﺗﺎﺑﻊ ‪ f‬ﻧﺴﺒﺖ ﺑﻪ ‪ y‬ﭘﯿﻮﺳﺘﮕﯽ ﻟﯿﭗ ﺷﯿﺘﺲ دارد ودراﯾﻦ ﺟﺎ ‪ k=4‬ﻣﯽ ﺑﺎﺷﺪ‬

‫‪.‬ﺑﻬﺮﺣﺎل ﺗﺎﺑﻊ ‪ f‬ﯾﮑﻨﻮاﻧﺰوﻟﯽ ﻧﯿﺴﺖ زﯾﺮاﮐﻪ ‪ fy(x,y)=4>0‬ﺑﻪ ازاي ﺟﻤﯿﻊ ﻣﻘﺎدﯾﺮ ‪ y,x‬اﺳﺖ ‪.‬‬

‫درﺑﺎره ﻣﺴﺌﻠﻪ )‪ (8-11‬ﺗﺎﺑﻊ ‪ f‬ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪f(x,y)=-(x2+1)y+sinx‬‬
‫ﻟﺬا دارﯾﻢ ‪:‬‬

‫)‪f ( x, y1 ) − f ( x, y2 ) = −(−( x 2 + 1) y1 + sin x) − (−( x2 + 1) y2 + sin x‬‬

‫) ‪= −( x2 + 1)( y1 − y2‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺮاي ]‪ x ∈ [0,1‬دارﯾﻢ ‪:‬‬

‫‪f ( x, y1 ) − f ( x, y2 ) ≤ ( x2 + 1) y1 − y2 ≤ 2 y1 − y2‬‬
‫ﭘﺲ ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ﺗﺎﺑﻊ ‪ f‬داراي ﭘﯿﻮﺳﺘﮕﯽ ﻟﯿﭗ ﺷﯿﺘﺲ ﺑﺎ ﺗﺎﺑﺖ ‪ k=2‬اﺳﺖ ‪.‬ﻣﻀﺎف ﺑﺮاﯾﻦ ﺑﻪ ازاي ‪0 ≤ x ≤ 1‬‬

‫دارﯾﻢ ‪:‬‬

‫‪f y ( x, y) = −( x 2 + 1) ⇒ − 2 ≤ f y ( x, y) ≤ −1 < 0‬‬

‫‪167‬‬
 ‫اﯾﻦ راﺑﻄﻪ ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ ﺗﺎﺑﻊ ‪ f‬دراﯾﻦ ﺣﺎﻟﺖ ﯾﮑﻨﻮا ﻧﺰوﻟﯽ وﻫﻤﻮار اﺳﺖ ‪.‬‬

‫ﺣﺎل در ﻣﻮﻗﻌﯿﺘﯽ ﻫﺴﺘﯿﻢ ﮐﻪ ﺑﻪ ﻗﻀﺎﯾﺎي وﺟﻮد ﺟﻮاب وﯾﮑﺘﺎﯾﯽ ﺟﻮاب ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ ﺑﻪ ﭘﺮدازﯾﻢ ‪.‬‬

‫ﻗﻀﯿﻪ ‪ :‬ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ‪ R‬ﯾﮏ ﻧﺎﺣﯿﻪ ﺑﺎز ﻣﺴﺘﻄﯿﻠﯽ ﺑﺎﺷﺪ } ‪ R = {( x, y) : a ≤ x ≤ b, c < y < d‬ﻫﺮﮔﺎه ﺗﺎﺑﻊ ‪ f‬ﺑﻪ ازاي‬

‫ﺟﻤﯿﻊ ﻣﻘﺎدﯾﺮ ‪ ( x, y) ∈ R‬ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﺪ وﻫﻢ ﭼﻨﯿﻦ ﻧﺴﺒﺖ ﺑﻪ ‪ y‬ﭘﯿﻮﺳﺘﮕﯽ ﻟﯿﭗ ﺷﯿﺘﺲ ﺑﺎ ﺛﺎﺑﺖ ‪ k‬داﺷﺘﻪ ﺑﺎﺷﺪ ‪.‬آﻧﮕﺎه‬

‫‪y′ = f ( x, y) , y( x0 ) = y0‬‬ ‫ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ‬

‫ﺑﻪ ازاي ﺟﻤﯿﻊ ﻣﻘﺎدﯾﺮ ‪ ( x0 , y0 ) ∈ R‬داراي ﺟﻮاب ﻣﻨﺤﺼﺮﺑﻔﺮد ﺧﻮاﻫﺪ ﺑﻮد ‪.‬ﻣﻀﺎﻓﺎً اﯾﻨﮑﻪ ‪ :‬ﻫﺮﮔﺎه )‪ z(x‬ﺟﻮاب ﻣﺴﺌﻠﻪ‬

‫‪y( x) − z( x) ≤ e k ( x− x ) y0 − z0‬‬
‫‪0‬‬
‫ﻣﻘﺪار اوﻟﯿﻪ ﻓﻮق ﺑﺎ ﺷﺮاﯾﻂ اوﻟﯿﻪ ‪ z(x0)=z0‬ﺑﺎﺷﺪ آﻧﮕﺎه ‪:‬‬

‫ﭼﻨﺎﻧﭽﻪ ﺑﺨﻮاﻫﯿﻢ ﺷﺮاﯾﻂ ﺑﯿﺸﺘﺮي را ﺑﺮ روي ﺗﺎﺑﻊ ‪ f‬ﻗﺎﺋﻞ ﺷﻮﯾﻢ ‪ ،‬ﻗﻀﯿﻪ زﯾﺮ را دارﯾﻢ ‪.‬‬

‫ﻗﻀﯿﻪ ‪ :‬ﻫﺮﮔﺎه ﺗﺎﺑﻊ ‪ f‬ﺑﻪ ازاي ﺟﻤﯿﻊ ﻣﻘﺎدﯾﺮ ﻣﺘﻌﻠﻖ ﺑﻪ ﻧﺎﺣﯿﻪ ﺑﺎز ﻣﺴﺘﻄﯿﻠﯽ ‪ ( x, y) ∈ R ، R‬ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﺪ وﻫﻢ ﭼﻨﯿﻦ‬

‫ﻧﺴﺒﺖ ﺑﻪ ‪ y‬ﻫﻤﻮار و ﯾﮑﻨﻮاﻧﺰوﻟﯽ ﺑﺎﺷﺪ ‪ .‬آﻧﮕﺎه ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ ‪ y′ = f ( x, y) , y( x0 ) = y0‬ﺑﻪ ازاي ﺟﻤﯿﻊ ﻣﻘﺎدﯾﺮ‬

‫‪ ( x0 , y0 ) ∈ R‬داراي ﺟﻮاب ﻣﻨﺤﺼﺮد ﺑﻔﺮد اﺳﺖ ‪.‬‬

‫ﻣﻀﺎﻓﺎً اﯾﻨﮑﻪ ‪ :‬ﻫﺮﮔﺎه )‪ z(x‬ﺟﻮاب ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ ﻣﺰﺑﻮر ﺑﺎ ﺷﺮاﯾﻂ اوﻟﯿﻪ ‪ z(x0)=z0‬ﺑﺎﺷﺪ آﻧﮕﺎه ‪:‬‬

‫‪y( x) − z( x) ≤ e − m( x− x ) y0 − z0‬‬
‫‪0‬‬

‫در اﯾﻨﺠﺎ ‪ m‬ﺛﺎﺑﺖ ﮐﺮان ﺑﺎﻻ ﯾﮑﻨﻮاﯾﯽ در راﺑﻄﻪ )‪ (8.9‬اﺳﺖ ‪.‬‬

‫اﺛﺒﺎت دو ﻗﻀﯿﻪ ﻓﻮق ﻣﯽ ﺗﻮان در ﮐﺘﺐ ﻧﻈﺮﯾﻪ ﻣﻌﺎدﻻت دﯾﻔﺮاﻧﺴﯿﻞ ﻣﻌﻤﻮﻟﯽ ﯾﺎﻓﺖ ‪ ،‬اﺛﺒﺎت اﯾﻦ ﻗﻀﺎﯾﺎ ﻣﺮﺑﻮط ﺑﻪ درس‬

‫ﻣﺎ ﻧﻤﯽ ﺑﺎﺷﺪ ‪.‬ﻟﺬا از اﯾﻦ ﺑﻪ ﺑﻌﺪ ﻣﺴﺎﺋﻞ ﻣﻘﺪار اوﻟﯿﻪ اي را ﮐﻪ درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ داراي ﺟﻮاب‬

‫ﻣﻨﺤﺼﺮﺑﻔﺮد ﻫﺴﺘﻨﺪ وﻫﻢ ﭼﻨﯿﻦ ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ ﺗﺎﺑﻊ )‪ f(x,y‬داراي ﻣﺸﺘﻘﺎت ﻧﺴﺒﯽ ﭘﯿﻮﺳﺘﻪ ﻧﺴﺒﺖ ﺑﻪ ‪ y,x‬ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬

‫‪ 6-8‬ﻣﻌﺎدﻻت آزﻣﻮن )‪: (Text Equations‬‬

‫‪168‬‬
‫رﻓﺘﺎر ﺟﻮاب ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ )‪ (8-8‬در ﻫﻤﺴﺎﯾﮕﯽ ﻫﺮﻧﻘﻄﻪ اي ﻧﻈﯿﺮ )‪ ( x, y‬را ﻣﯽ ﺗﻮان ﺑﺎ درﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻓﺮم ﺧﻄﯽ‬

‫ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﺮد ‪.‬‬ ‫)‪y′ = f ( x, y‬‬ ‫ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ‬

‫ﺗﺎﺑﻊ ﻏﯿﺮﺧﻄﯽ )‪ f(x,y‬را ﻣﯽ ﺗﻮان ﺑﺎ اﺳﺘﻔﺎده از ﺑﺴﻂ ﺳﺮي ﺗﯿﻠﻮر آن ﺣﻮل ﻧﻘﻄﻪ )‪ ( x, y‬وﺑﺮش آن ﺑﻌﺪ از ﺟﻤﻼت اول‬

‫‪ ،‬ﺧﻄﯽ ﻧﻤﻮد ‪.‬ﻟﺬا ﻓﺮم ﺧﻄﯽ ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ ﻓﻮق ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪y′ = λy + c‬‬
‫‪∂f‬‬
‫‪λ = ( )x‬‬
‫‪∂y‬‬
‫‪∂f‬‬ ‫‪∂f‬‬
‫(‪c = f ( x, y) − y‬‬ ‫)‪) x + ( ) x ( x − x‬‬ ‫درﺻﻮرﺗﯿﮑﻪ ‪:‬‬
‫‪∂y‬‬ ‫‪∂x‬‬

‫‪c‬‬
‫‪ w = y +‬ﻣﻌﺎدﻟﻪ )‪ (8-12‬ﺑﺼﻮرت زﯾﺮ ﺳﺎده ﻣﯿﺸﻮد‬ ‫ﺑﺎ اﻧﺘﺨﺎب‬
‫‪λ‬‬

‫‪w′ = λw‬‬ ‫)‪(8.13‬‬

‫ﺟﻮاب )‪ w(x‬در ﺷﮑﻞ زﯾﺮ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ ‪ .‬ﺟﻮاب ﻣﻌﺎدﻟﻪ ﻓﻮق درﺻﻮرﺗﯿﮑﻪ ﻋﺪد ‪ λ‬ﻣﻄﻠﻘﺎً ﻣﻮﻫﻮﻣﯽ ﺑﺎﺷﺪ‬

‫ﻣﺘﻨﺎوب ﺧﻮاﻫﺪ ﺑﻮد ‪.‬‬

‫ﺷﮑﻞ ‪ :1‬ﻧﻤﺎﯾﺶ ‪w = e λx‬‬

‫ﻫﻢ ﭼﻨﯿﻦ ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ ﻣﺮﺗﺒﻪ دوم زﯾﺮ را ‪:‬‬

‫)‪y′′ = f ( x, y, y′‬‬
‫‪y( x0 ) = η0 , y′( x0 ) = η1‬‬ ‫)‪(8.14‬‬

‫ﻣﯽ ﺗﻮان ﻣﺘﺸﺎﺑﻪ ﺑﺎ روﻧﺪ ﻓﻮق اﻟﺬﮐﺮ ﺑﻔﺮم ﺧﻄﯽ ﺗﯿﺪﯾﻞ ﮐﻨﯿﻢ ‪:‬‬

‫‪169‬‬
‫‪w′′ = −bw′ − cw‬‬ ‫)‪(8.15‬‬
‫‪∂f‬‬ ‫‪∂f‬‬
‫‪b=−‬‬ ‫‪,c=−‬‬ ‫ﺑﻄﻮرﯾﮑﻪ ‪:‬‬
‫‪∂y′‬‬ ‫‪∂y‬‬

‫ﻣﻌﺎدل دﯾﻔﺮاﻧﺴﯿﻞ )‪ (8-15‬ﻣﻌﺎدل دﺳﺘﮕﺎه ذﯾﻞ اﺳﺖ ‪:‬‬

‫‪u ′ = Au‬‬ ‫)‪(8.16‬‬

‫‪0‬‬ ‫‪1‬‬
‫‪u = [u1 , u 2 ]T , A = ‬‬ ‫در ﺻﻮرﺗﯿﮑﻪ ‪:‬‬
‫‪− c‬‬ ‫‪− b ‬‬

‫‪u1 = w ,‬‬ ‫‪u 2 = w′‬‬

‫ﻣﺎﻫﯿﺖ ﺟﻮاب ﻣﻌﺎدﻟﻪ )‪ (8-15‬وﯾﺎ )‪ (8-16‬ﺑﻪ ‪ ζ 2 ,ζ 1‬رﯾﺸﻪ ﻫﺎي ﻣﻌﺎدﻟﻪ ﻣﺸﺨﺼﻪ ﻣﺎﺗﺮﯾﺲ ‪ A‬واﺑﺴﺘﻪ اﺳﺖ ‪.‬‬

‫‪ζ 2 + bζ + c = 0‬‬ ‫)‪(8.17‬‬

‫ﺣﺎل ﺳﻪ ﺣﺎﻟﺖ ذﯾﻞ ﮐﻪ ﻣﻤﮑﻦ اﺳﺖ ﭘﯿﺶ ﺑﯿﺎﯾﺪ را ﺑﺮرﺳﯽ ﻣﯽ ﮐﻨﯿﻢ ‪:‬‬

‫‪-1‬اﮔﺮ ‪ c ≥ 0 ، b>0‬و ‪ b > 2 c‬ﺑﺎﺷﻨﺪ ﺟﻮاﺑﻬﺎي ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ ﻧﻤﺎﯾﯽ و ﻧﺰوﻟﯽ ﻫﺴﺘﻨﺪ ‪.‬ﺑﺮاي ‪ c=0‬ﻣﻌﺎدﻟﻪ آزﻣـﻮن‬

‫)‪ (8-15‬ﺑﺼﻮرت زﯾﺮ ﺧﻮاﻫﺪ ﺑﻮد ‪.‬‬

‫‪w′′ + bw′ = 0 , b > 0‬‬ ‫)‪(8.18‬‬

‫‪-2‬اﮔﺮ ‪ b<0‬و ‪ c ≥ 0‬و ‪ b > 2 c‬ﺑﺎﺷﻨﺪ ‪ ،‬ﺟﻮاﺑﻬﺎي ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ ‪ ،‬ﻧﻤﺎﯾﯽ و ﺻﻌﻮدي ﻫﺴﺘﻨﺪ ‪.‬ﺑﺮاي ‪ c=0‬ﻣﻌﺎدﻟﻪ‬

‫آزﻣﻮن ﺑﺼﻮرت زﯾﺮ ﺧﻮاﻫﺪ ﺑﻮد ‪:‬‬

‫‪w′′ + bw′ = 0 , b < 0‬‬ ‫)‪(8.19‬‬

‫‪-3‬اﮔﺮ ‪ c>0‬و ‪ | b |≤ 2 c‬ﺑﺎﺷﻨﺪ ﺟﻮاﺑﻬﺎي ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ ﻧﻮﺳﺎﻧﯽ ﻫﺴﺘﻨﺪ ‪.‬‬

‫‪-‬اﮔﺮ ‪ b<0‬ﺑﺎﺷﺪ آﻧﮕﺎه ﺟﻮاب ﯾﮏ ﺗﺎﺑﻊ ﻧﻮﺳﺎﻧﯽ ﻣﯿﺮا اﺳﺖ و داﻣﻨﻪ ﻧﻮﺳﺎن آن ﺑﯿﮑﺮان ﻣﯽ ﮔﺮدد وﻗﺘﯿﮑﻪ ‪x → ∞ :‬‬

‫‪-‬اﮔﺮ ‪ b=0‬ﺑﺎﺷﺪ ﻣﻌﺎدﻟﻪ آزﻣﻮن )‪ (8-15‬ﺑﺼﻮرت زﯾﺮ ﺧﻮاﻫﺪ ﺑﻮد ‪.‬‬

‫‪w′′ + cw = 0 , c > 0‬‬ ‫)‪(8.20‬‬

‫‪170‬‬
 ‫‪ 2π‬اﺳﺖ ‪.‬‬ ‫ﺟﻮاب اﯾﻦ ﻣﻌﺎدﻟﻪ ﻣﺘﻨﺎوﺑﯽ ﺑﺎ دور ﺗﻨﺎوب‬
‫‪c‬‬

‫ﺑﺮاي ‪ b=0‬و ‪ c=0‬درﻣﯽ ﯾﺎﺑﯿﻢ ﮐﻪ ‪ ζ 2 ,ζ 1‬اﻋﺪاد ﻣﻄﻠﻘﺎً ﻣﻮﻫﻮﻣﯽ ﻫﺴﺘﻨﺪ ‪.‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ ﻣﺎﻫﯿﺖ ﺟﻮاﺑﻬﺎي دﺳﺘﮕﺎه ﻣﻌﺎدﻻت وﯾﺎ ﻣﻌﺎدﻻت ﻣﺮاﺗﺐ ﺑﺎﻻ ﻣﻤﮑﻦ اﺳﺖ ﺑﺎ اﺳﺘﻔﺎده از ﻣﻌﺎدﻟﻪ آزﻣﻮن )‪(8-13‬‬

‫ﺑﺮاي ﺣﺎﻟﺘﻬﺎﯾﯽ ﮐﻪ ‪ λ‬ﻣﻄﻠﻘﺎً ﺣﻘﯿﻘﯽ ﯾﺎ ﻣﻄﻠﻘﺎً ﻣﻮﻫﻮﻣﯽ وﯾﺎ ‪ λ‬ﻣﺨﺘﻠﻂ ﺑﺎﺷﺪ ﺑﺮرﺳﯽ ﮐﺮد ‪.‬‬

‫در اﯾﻦ ﻗﺴﻤﺖ ﻣﺎ ﺑﻪ ﺑﺮرﺳﯽ ﺣﻞ ﻋﺪدي ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ )‪ (I.V.P‬ﻣﯽ ﭘﺮدازﯾﻢ ‪.‬‬

‫‪ 7-8‬روﺷﻬﺎي ﻋﺪدي ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﻣﻘﺪار اوﻟﯿﻪ ‪:‬‬

‫ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ زﯾﺮ را درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ‬

‫)‪y′ = f ( x, y‬‬ ‫‪,‬‬ ‫‪a ≤ x≤b‬‬ ‫‪,‬‬ ‫‪y(a ) = α‬‬ ‫)‪(8.21‬‬

‫دراﯾﻦ راﺑﻄﻪ ‪ α , b, a‬اﻋﺪاد ﺛﺎﺑﺘﯽ ﻫﺴﺘﻨﺪ ‪.‬اﺑﺘﺪا ﻓﺎﺻﻠﻪ ]‪ [a,b‬را ﺑﻪ ‪ n‬زﯾﺮﻓﺎﺻﻠﻪ ﻣﺴﺎوي اﻓﺮاز ﻣﯽ ﮐﻨﯿﻢ )ﻣﯽ ﺗﻮان زﯾﺮ‬

‫ﻓﺎﺻﻠﻪ ﻫﺎي ﻧﺎﻣﺘﺴﺎوي اﻟﻔﺎﺻﻠﻪ راﻧﯿﺰ درﻧﻈﺮ ﮔﺮﻓﺖ( ﺑﻨﺎﺑﺮاﯾﻦ ﻣﺎ درﺻﺪد ﯾﺎﻓﺘﻦ ﺟﻮاب)‪ (8-21‬در ﻧﻘﺎط زﯾﺮ ﻫﺴﺘﯿﻢ ‪.‬‬

‫‪a = x0 < x1 < x2 < ... < xn = b‬‬

‫ﻧﻘﺎط ﻓﻮق را ﻧﻘﺎط ﮔﺮه اي ﯾﺎ ﺷﺒﮑﻪ اي ﻣﯽ ﻧﺎﻣﻨﺪ ﻧﻘﺎط ﻓﻮق را ﻣﯽ ﺗﻮان ﺑﺼﻮرت زﯾﺮ ﻫﻢ درﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮﻧﺪ‬

‫‪x j = x0 + jh , j = 0(1) n‬‬

‫‪b−a‬‬
‫=‪h‬‬ ‫ﺑﻄﻮرﯾﮑﻪ‬
‫‪n‬‬

‫در روﺷـــﻬﺎي ﻋﺪدي ﻣﺎ ﻋﺪد ‪ yj‬را ﮐﻪ درواﻗﻊ ﯾﮏ ﺟﻮاب ﺗﻘﺮﯾﺒﯽ ﺑﺮاي ﺟﻮاب ﺗﺤﻠﯿﻠﯽ )‪ y(x‬در ﻧﻘﻄﻪ ‪ xj‬ﻣﯽ ﺑﺎﺷﺪ‬

‫ﻣﯽ ﯾﺎﺑﯿﻢ ‪.‬ﻟﺬا ﻣﺠﻤﻮﻋﻪ }‪ {yj‬ﯾﻌﻨﯽ ‪ y0,y1,…,yn‬ﺣﻞ ﻫﺎي ﻋﺪدي ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ )‪ (8-21‬ﻣﯽ ﺑﺎﺷﻨﺪ ‪.‬اﻋﺪاد }‪ {yj‬از‬

‫ﯾﮏ ﻣﺠﻤﻮﻋﻪ ﻣﻌﺎدﻻت ﺟﺒﺮي ﮐﻪ ﻣﻌﺎدﻻت ﺗﻔﺎﺿﻠﯽ ﻧﺎﻣﯿﺪه ﻣﯿﺸﻮد ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﯿﻢ ‪.‬ﺗﻘﺮﯾﺒﻬﺎي ﺗﻔﺎﺿﻠﯽ ﻓﺮاواﻧﯽ ﺑﺮاي‬

‫ﺣﻞ ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ داده ﺷﺪه ﻓﻮق وﺟﻮد دارد ‪.‬اﯾﻦ روﺷﻬﺎ را ﻣﯽ ﺗﻮان ﺑﻄﻮر اﺟﻤﺎﻟﯽ ﺑﻪ دو دﺳﺘﻪ ﮐﻠﯽ ﺗﻘﺴﯿﻢ ﻧﻤﻮد‪:‬‬

‫‪-1‬روﺷﻬﺎي ﺗﮏ ﮔﺎﻣﯽ‬

‫‪171‬‬
 ‫‪-2‬روﺷﻬﺎي ﭼﻨﺪﮔﺎﻣﯽ‬

‫در اﯾﻦ ﺟﺎ ﻣﺎ ﻓﻘﻂ ﺑﻪ روﺷﻬﺎي ﺗﮏ ﮔﺎﻣﯽ ﻣﯽ ﭘﺮدازﯾﻢ ‪.‬روﺷﻬﺎي ﺗﮏ ﮔﺎﻣﯽ را ﻧﯿﺰ ﻣﯽ ﺗﻮان ﺑﻪ دو دﺳﺘﻪ ﺗﻘﺴﯿﻢ ﮐﺮد اول‬

‫روﺷﻬﺎي ﺗﮏ ﮔﺎﻣﯽ ﺻﺮﯾﺢ و دوم روﺷﻬﺎي ﺗﮏ ﮔﺎﻣﯽ ﺿﻤﻨﯽ ‪.‬ﻓﺮم ﮐﻠﯽ روﺷﻬﺎي ﺗﮏ ﮔﺎﻣﯽ ﺻﺮﯾﺢ ﻋﺒﺎرﺗﻨﺪ از‪:‬‬

‫)‪y j +1 = y j + hφ ( x j , y j , h‬‬ ‫‪,‬‬ ‫‪j = 0(1)n − 1‬‬ ‫)‪(8.22‬‬

‫ﺗﺎﺑﻊ ‪ φ‬را ﺗﺎﺑﻊ ﺗﺼﺤﯿﺢ ﻣﯽ ﻧﺎﻣﻨﺪ وﺑﻪ ﺗﺎﺑﻊ ‪ f‬وﮔﺎم ‪ h‬وﻧﻘﺎط ﺷﺒﮑﻪ واﺑﺴﺘﻪ اﺳﺖ ‪.‬ﺧﻄﺎي ﺑﺮﺷﯽ ﯾﺎ ‪ Truncate‬روش ﺗﮏ‬

‫ﮔﺎﻣﯽ را در ﺣﺎﻟﺖ ﮐﻠﯽ ﺑﺼﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ‬

‫)‪T j +1 = y( x j +1 ) − y( x j ) − hφ ( x j + y( xi ), h‬‬ ‫‪,‬‬ ‫)‪(8.23‬‬

‫ﺗﻌﺮﯾﻒ ﻣﺮﺗﺒﻪ دﻗﺖ ﯾﮏ روش ﺗﮏ ﮔﺎﻣﯽ ‪:‬‬

‫ﺑﺰرﮔﺘﺮﯾﻦ رﻗﻤﯽ ﻧﻈﯿﺮ ‪ p‬ﮐﻪ در راﺑﻄﻪ ذﯾﻞ ﺻﺪق ﻣﯽ ﻧﻤﺎﯾﺪ را ﻣﺮﺗﺒﻪ دﻗﺖ روش ﺗﮏ ﮔﺎﻣﯽ ﻣﯽ ﻧﺎﻣﻨﺪ ‪.‬‬

‫) ‪h −1Tj +1 ≤ O (h p‬‬

‫‪ 8-8‬روش اوﯾﻠﺮ‪:‬‬

‫ﻣﺴﺌﻠﻪ )‪ (8-21‬را در ﻧﻘﺎط ‪ x=xj‬درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪.‬‬

‫‪ dy ‬‬
‫‪ ‬‬ ‫)) ‪= f ( x j , y( x j‬‬ ‫)‪(8.24‬‬
‫‪ dx  x= x j‬‬

‫در اﯾﻦ راﺑﻄﻪ اﮔﺮ ﻣﺸﺘﻖ ﻣﺮﺗﺒﻪ اول راﺑﺎ ﯾﮏ ﻓﺮﻣﻮل ﻣﺸﺘﻖ ﮔﯿﺮي ﺑﺮاﺳﺎس ﺗﻔﺎﺿﻞ ﭘﯿﺸﺮو ﻣﺮﺗﺒﻪ اول ﺗﻘﺮﯾﺐ ﺑﺰﻧﯿﻢ دارﯾﻢ‬

‫) ‪∆y( x j‬‬
‫)) ‪ = f ( x j , y( x j‬ﺧﻄﺎ ‪+‬‬ ‫‪j = 0(1)n‬‬
‫‪h‬‬

‫) ‪y( x j +1 ) − y( x j‬‬
‫)) ‪ = f ( x j , y( x j‬ﺧﻄﺎ ‪+‬‬
‫‪h‬‬

‫‪y j +1 − y j = hf ( x j , y j ) , j = 0(1)n − 1‬‬ ‫ﺑﺎ ﻧﺎدﯾﺪه ﮔﺮﻓﺘﻦ ﺟﻤﻠﻪ ﺧﻄﺎ دارﯾﻢ‬

‫‪y j +1 = y j + hf ( x j , y j ) , j = 0(1) n − 1‬‬ ‫)‪(8.25‬‬ ‫ﯾﺎ‬

‫‪172‬‬
‫روش )‪ (8-25‬ﻓﺮﻣﻮل اوﯾﻠﺮ اﺳﺖ ﮐﻪ ﺳﺎده ﺗﺮﯾﻦ روش ﺻﺮﯾﺢ ﺗﮏ ﮔﺎﻣﯽ اﺳﺖ ‪.‬اﯾﻦ روش ﻧﯿﺰ روش آداﻣﺰ‪-‬ﺑﺸﻔﻮرث‬

‫ﻣﺮﺗﺒﻪ اول ﻧﺎﻣﯿﺪه ﻣﯿﺸﻮد ‪.‬اﯾﻦ روش را در ﻧﻘﺎط ﮔﺮه اي ‪ j=0(1)n-1‬و ‪ xj‬ﺑﮑﺎر ﮔﺮﻓﺘﻪ ﻣﯿﺸﻮد ﺗﺎ ﺟﻮاﺑﻬﺎي ﻋﺪدي ﻣﺴﺌﻠﻪ‬

‫ﻣﻘﺪار اوﻟﯿﻪ داده ﺷﺪه را ﻣﺤﺎﺳﺒﻪ ﻧﻤﺎﺋﯿﻢ ‪.‬‬

‫) ‪y1 = y0 + hf ( x0 , y0‬‬
‫) ‪y2 = y1 + hf ( x1 , y1‬‬
‫‪.‬‬
‫‪.‬‬
‫) ‪yn = yn−1 + hf ( xn −1 , yn−1‬‬

‫ﺑﺎ اﻧﺘﺨﺎب ﮔﺎم ‪ h‬و ﺷﺮاﯾﻂ اوﻟﯿﻪ داده ﺷﺪه ﻣﯽ ﺗﻮان ‪ y1‬را ﻣﺤﺎﺳﺒﻪ ﮐﺮد وﺳﭙﺲ ﺑﻪ آﺳﺎﻧﯽ ‪ y2‬ﺗﺎ‪ yn‬ﻗﺎﺑﻞ ﻣﺤﺎﺳﺒﻪ ﻫﺴﺘﻨﺪ‪.‬‬

‫ﺧﻄﺎي ﺑﺮﺷﯽ ﯾﺎ ﻣﻮﺿﻌﯽ )‪(Local truncation error‬‬

‫ﺧﻄﺎي ﺗﻘﺮﯾﺐ ﮐﻪ ﺗﻔﺎﺿﻞ ﺑﯿﻦ ﺟﻮاب ﺗﺤﻠﯿﻠﯽ ﻣﺴﺌﻠﻪ در ﻧﻘﻄﻪ ‪ x=xj+1‬و ﺟﻮاب ‪ yj+1‬ﮐﻪ از روش )‪ (8-25‬وﺑﺎ اﺳﺘﻔﺎده‬

‫ﺣﺴﺎب دﻗﯿﻖ ﺑﺪﺳﺖ ﻣﯽ آﯾﺪ را ﺧﻄﺎي ﺑﺮﺷﯽ ﯾﺎ ﻣﻮﺿﻌﯽ ﯾﺎ ﺧﻄﺎي ﮔﺴﺴﺘﻪ ﺳﺎزي ﻧﺎﻣﯿﺪه ﻣﯿﺸﻮد‪.‬ﻟﺬا دارﯾﻢ ‪:‬‬

‫‪T j +1 = y( x j +1 ) − y j +1 , i = 0(1) n − 1‬‬

‫)) ‪T j +1 = y( x j +1 ) − y( x j ) − hf ( xi , y( xi‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از ﺑﺴﻂ ﺳﺮي ﺗﯿﻠﻮر ﺣﻮل ‪ xj‬وراﺑﻄﻪ )‪ (8-24‬دارﯾﻢ ‪:‬‬

‫‪h2‬‬
‫= ‪T j +1‬‬ ‫‪y′′(ζ ) , x j < ζ < x j +1‬‬
‫‪2‬‬
‫‪Max y′′(ζ ) = M 2 , Max T j +1 = T‬‬
‫ﺑـــــــــــﺎﺷﻨﺪ از راﺑـــــــﻄﻪ ﻓـــــــــــﻮق ﻧﺘﯿﺠﻪ‬ ‫اﮔﺮ ﻓﺮض ﮐﻨﯿﻢ‬
‫]‪[ a , b‬‬ ‫]‪[ a , b‬‬

‫‪h2‬‬
‫≤ ‪ T‬ﻟﺬا ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ﻣﺮﺗﺒﻪ ﺧﻄﺎي ﺑﺮﺷﯽ ﻣﻮﺿﻌﯽ )‪ O(h2‬وﻗﺘﯿﮑﻪ ‪. h → 0‬در‬ ‫‪M2‬‬ ‫ﻣﯽ ﮔﯿﺮﯾﻢ ‪(8.26) :‬‬
‫‪2‬‬

‫‪173‬‬
‫روﻧﺪ ﻣﺤﺎﺳﺒﺎت دﻗﯿﻖ و ﺣﺴﺎب دﻗﯿﻖ در روش اوﯾﻠﺮ ‪ yj‬را ﻣﯽ ﯾﺎﺑﯿﻢ واﻣﺎ در ﻣﺤﺎﺳﺒﺎت ﻋﺪدي ﺑﻌﻠﺖ ﺗﺄﺛﯿﺮ ﺧﻄﺎي‬

‫روﻧﺪ ﮐﺮدن ﻋﻤﻼً ‪ yj‬ﺑﺪﺳﺖ ﻧﻤﯽ آﯾﺪ ﻟﺬا ﻣﺎ ﺗﻘﺮﯾﺐ ‪ y j‬را ﺑﺮاي ﻣﻘﺪار ﻋﻤﻼً ﻣﺤﺎﺳﺒﻪ ﺷﺪه ﻣﻌﺮﻓﯽ ﻣﯽ ﮐﻨﯿﻢ واﯾﻦ ﭼﻨﯿﻦ‬

‫ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ ‪.‬‬

‫‪y j +1 = y j + hf ( x j , yi ) − R j +1 , j = 0(1)n − 1‬‬ ‫)‪(8.27‬‬

‫ﺧﻄـــــــﺎي روﻧﺪ ﮐﺮدن ‪ Rj+1‬ﻣﻘﺪارﯾﺴﺖ ﮐﻪ ‪ y j‬در روش اوﯾﻠﺮ )‪ (8-25‬ﺻﺪق ﻧﻤﯽ ﻧﻤﺎﯾﺪ ‪.‬روش اوﯾﻠﺮ )‪ (8-25‬و‬

‫)‪ (8-27‬را روي ﻣﻌﺎدﻟﻪ آزﻣﻮن ‪ y′ = λy‬ﺑﮑﺎر ﻣﯽ ﺑﺮﯾﻢ وﺗﻔﺎﺿﻞ آﻧﻬﺎ را ﺑﺼﻮرت زﯾﺮ ﻣﯽ ﯾﺎﺑﯿﻢ ‪:‬‬

‫‪y( x j +1 ) − y j +1 = y( x j ) − y j − λh( y( xi ) − y j ) + T j +1 + R j +1‬‬

‫ﺑﺎ ﻓﺮض ‪ e j = y( x j ) − y j‬وﻗﺮار دادن آن در راﺑﻄﻪ ﻓﻮق ﻣﻌﺎدﻟﻪ ﺧﻄﺎ را ﺑﺼﻮرت زﯾﺮ ﻣﯽ ﯾﺎﺑﯿﻢ ‪:‬‬

‫‪e j +1 = (1 + λh)e j + T j +1 + R j +1‬‬ ‫)‪(8.28‬‬

‫‪E j +1 = AE j + B‬‬ ‫)‪(8.29‬‬ ‫ﺑﺎ درﻧﻈﺮﮔﺮﻓﺘﻦ راﺑﻄﻪ ﺗﻔﺎﺿﻠﯽ زﯾﺮ‬

‫ﺑﻄﻮرﯾﮑﻪ ‪ 1 + λh ≤ A‬و ‪ ، Tj +1 + R j +1 ≤ B‬ﺑﺪﯾﻬﯽ اﺳﺖ ﮐﻪ ‪ e j ≤ E j‬اﺳﺖ ‪.‬اﮔﺮ ﻓﺮض ﮐﻨﯿﻢ ‪ e0 ≤ E0‬ﺑﺎﺷﺪ‬

‫دارﯾﻢ ‪:‬‬

‫‪E1 = AE0 + B‬‬

‫‪E 2 = AE1 + B = A2 E0 + ( A + 1) B‬‬
‫‪.‬‬
‫‪.‬‬
‫‪ Aj − 1 ‬‬
‫‪E j = A j E0 + ‬‬ ‫‪ B‬‬
‫‪ A− 1 ‬‬

‫ﻣﺸﺮوط ﺑﺮ اﯾﻨﮑﻪ ‪ A ≠ 1‬ﺑﺎﺷﺪ ‪.‬ﻋﺒﺎرت زﯾﺮ ﻫﻤﻮاره ﺑﺮﻗﺮار اﺳﺖ ‪.‬‬

‫‪(1 + hλ ) j < exp(λ ( x j − x0 )) , λ > 0‬‬

‫ﺑﺎ ﺟﺎﯾﮕﺰﯾﻨﯽ ‪ E0 = e0‬دارﯾﻢ ‪:‬‬

‫‪exp(λ ( x j − x0 )) − 1‬‬
‫‪e j < exp( x j − x0 )λ ) e0 +‬‬ ‫)‪(T + R‬‬ ‫)‪(8.30‬‬
‫‪hλ‬‬

‫‪174‬‬
 ‫‪max R j +1 = R‬‬
‫ﺑﻄﻮرﯾﮑﻪ‬
‫]‪[ a , b‬‬

‫ﺣﺎل ﻣﻮارد زﯾﺮ را درﻧﻈﺮ ﻣﯽ ﮔﯿﺮﯾﻢ ‪:‬‬

‫‪-1‬اﮔﺮ ‪ R = 0 , e0 = 0‬ﻓﺮض ﮐﻨﯿﻢ ‪ ،‬راﺑﻄﻪ )‪ (8.30‬ﺑﺼﻮرت زﯾﺮ ﺳﺎده ﻣﯿﺸﻮد ‪.‬‬

‫‪T‬‬
‫< ‪ej‬‬ ‫))‪(exp(λ ( x j − x0 ) − 1‬‬ ‫)‪(8.31‬‬
‫‪λh‬‬
‫از آﻧﺠﺎ ﮐﻪ ) ‪ T = O(h 2‬اﺳﺖ وﻗﺘﯿﮑﻪ ‪ h → 0‬ﻣﯿﻞ ﮐﻨﺪ ‪ e j → 0‬ﻣﯿﻞ ﺧﻮاﻫﺪ ﮐﺮد ‪.‬ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ روش اوﯾﻠﺮ‬

‫ﻫﻤﮕﺮاﺳﺖ ‪.‬‬

‫‪-2‬اﮔﺮ ‪ e=0‬ﺑﺎﺷﺪ از راﺑﻄﻪ )‪ (8.30‬ﻧﺘﯿﺠﻪ ﻣﯽ ﮔﯿﺮﯾﻢ ﮐﻪ ‪:‬‬

‫‪exp[λ ( x j − x0 )] − 1 T R‬‬
‫< ‪ej‬‬ ‫) ‪( +‬‬ ‫)‪(8.32‬‬
‫‪λ‬‬ ‫‪h h‬‬
‫از آﻧﺠﺎ ﮐﻪ ) ‪ T = O(h 2‬ﮐﺮان ﺧﻄﺎ ﮐﺎﻫﺶ ﻣﯽ ﯾﺎﺑﺪ زﻣﺎﻧﯽ ﮐﻪ ‪ h‬ﮐﺎﻫﺶ ﻣﯽ ﯾﺎﺑﺪ ‪.‬اﻣﺎ ﺗﺎ زﻣﺎﻧﯽ ﮐﻪ ﺧﻄﺎي روﻧﺪ ﮐﺮدن‬

‫ﻏﻠﺒﻪ ﻧﮑﻨﺪ ‪.‬از ﯾﮏ ﻧﻘﻄﻪ اي ﺑﻪ ﺑﻌﺪ ﮐﺮان ﺑﺎﻻ اﻓﺰاﯾﺶ ﻣﯽ ﯾﺎﺑﺪ ﭼﻨﺎﻧﭽﻪ ‪ h‬را ﮐﺎﻫﺶ دﻫﯿﻢ ‪.‬اﯾﻦ رﻓﺘﺎر ﺧﻄﺎ در ﺷﮑﻞ زﯾﺮ‬

‫ﻧﻤﺎﯾﺶ داده ﺷﺪه اﺳﺖ ‪.‬‬

‫ﻣﺜﺎل ‪ : 2-8‬ﺑﺎ اﺳﺘﻔﺎده از روش اوﯾﻠﺮ ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ زﯾﺮ را ﺑﺎ ﮔﺎم ‪ h = 0.1, h = 0.2‬و ‪ h=0.05‬در ﺑﺎزه ]‪[0,1‬‬

‫ﺣﻞ ﮐﻨﯿﺪ ‪ .‬ﺑﺎ ﻧﺎدﯾﺪه ﮔﺮﻓﺘﻪ ﺧﻄﺎي ﮔﺮدﮐﺮدن )روﻧﺪ ﮐﺮدن( ﮐﺮاﻧﯽ ﺑﺮاي ﺧﻄﺎ ﺑﯿﺎﺑﯿﺪ؟‬

‫‪y′ = −2 xy 2 , y(0) = 1‬‬

‫‪175‬‬
 ‫ﺣﻞ ‪ :‬ﺑﺎ اﺳﺘﻔﺎده از روش اوﯾﻠﺮ دارﯾﻢ وﺑﺎ ﮔﺎم ‪: h=0.2‬‬

‫‪y j +1 = y j − 2 x j .hy 2j‬‬ ‫‪,‬‬ ‫‪j = 0(1)4‬‬

‫‪j = 0 , x0 = 0 , y0 = 1‬‬
‫‪y(0.2) ≈ y1 = y0 − 2hx0 y02 = 1‬‬
‫‪j = 1 , x1 = 0.2 , y1 = 1‬‬
‫‪y(0.4) ≈ y2 = y1 − 2hx1 y12 = 1 − 2(0.2)(0.2)(1) 2 = 0.92‬‬
‫‪j = 2 , x2 = 0.4 , y2 = 0.92‬‬
‫‪y(0.6) = y3 = y2 − 2hx2 y22 = 0.92 − 2(0.2)(0.4)(0.92) 2 = 0.78458‬‬

‫ﺑﺮ ﻫﻤﯿﻦ اﺳﺎس ﻣﻘﺎدﯾﺮ دﯾﮕﺮ ﺟﻮاب ﻋﺒﺎرﺗﻨﺪ از ‪:‬‬

‫‪y(0.8) ≈ y4 = 0.63684‬‬
‫‪y(1) ≈ y5 = 0.50706‬‬

‫ﺣﺎل اﮔﺮ ﮔﺎم ‪ h=0.1‬ﺑﺎﺷﺪ ‪ j=0(1)9‬ﺧﻮاﻫﺪ ﺑﻮد ﻟﺬا دارﯾﻢ ‪:‬‬

‫‪y(0.1) ≈ y1 = 1.0‬‬ ‫‪y(0.2) ≈ y2 = 0.98‬‬

‫‪y(0.3) ≈ y3 = 0.94158‬‬ ‫‪y(0.4) ≈ y4 = 0.88839‬‬
‫‪y(0.5) ≈ y5 = 0.82525‬‬ ‫‪y(0.6) ≈ y6 = 0.75715‬‬
‫‪y(0.7) ≈ y7 = 0.68835‬‬ ‫‪y(0.8) ≈ y8 = 0.62202‬‬
‫‪y(0.9) ≈ y9 = 0.56011‬‬ ‫‪y(1) ≈ y10 = 0.50364‬‬

‫وﺳﺮاﻧﺠﺎم ﺑﺮاي ﮔﺎم ‪ h=0.05‬دارﯾﻢ ‪:‬‬

‫‪y(0.05) ≈ y1 = 1‬‬ ‫‪y(0.1) ≈ y2 = 0.995‬‬

‫‪.‬‬ ‫‪.‬‬
‫‪.‬‬ ‫‪.‬‬
‫‪y(0.95) ≈ y19 = 0.52831‬‬ ‫‪y(1) ≈ y20 = 0.50179‬‬

‫ﺧﻄﺎي ﺑﺮﺷﯽ اوﯾﻠﺮ ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪h2‬‬
‫=‪T‬‬ ‫) ‪y′′(ζ‬‬
‫‪2‬‬
‫‪h2‬‬ ‫‪h2‬‬
‫= ‪T‬‬ ‫≤ ) ‪y′′(ζ‬‬ ‫)‪max y′′( x‬‬
‫‪2‬‬ ‫‪2‬‬
‫]‪[0,1‬‬
‫‪1‬‬
‫= )‪ y( x‬اﺳﺖ دارﯾﻢ ‪:‬‬ ‫از آﻧﺠﺎ ﮐﻪ ﺟﻮاب دﻗﯿﻖ ﻣﺴﺌﻠﻪ‬
‫‪1 + x2‬‬

‫‪176‬‬
 ‫‪h2‬‬ ‫) ‪2(1 − 3 x 2‬‬
‫≤‪T‬‬ ‫‪max‬‬ ‫‪≤ h2‬‬
‫‪2‬‬ ‫‪(1 + x2 ) 3‬‬
‫‪0 ≤ x ≤1‬‬

‫‪ 9-8‬روش ﺳﺮي ﺗﯿﻠﻮر‬

‫ﻓﺮض ﻣﯽ ﮐﻨﯿﻢ )‪ y(x‬را ﻣﯽ ﺗﻮان ﺑﺎ ﺳﺮي ﺗﯿﻠﻮر ﺣﻮل ﻧﻘﻄﻪ ‪ xj‬ﺑﺴﻂ دﻫﯿﻢ ‪.‬‬

‫‪1‬‬
‫‪y( x) = y( x j ) + ( x − x j ) y′( x j ) +‬‬ ‫‪( x − x j ) 2 y′′( x j ) + ...‬‬
‫!‪2‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪+‬‬ ‫‪( x − x j ) p y( p ) ( x j ) +‬‬ ‫)‪( x − x j ) p +1 y ( p +1) ( x j + θh‬‬ ‫)‪(8.33‬‬
‫!‪p‬‬ ‫!)‪( p + 1‬‬

‫اﯾﻦ ﺑﺴﻂ ﺑﺮاي ]‪ 0 < θ < 1 , x ∈ [a , b‬ﺑﺮﻗﺮار اﺳﺖ ‪ .‬ﭼﻨﺎﻧﭽﻪ ‪ x = x j +1‬را در راﺑﻄﻪ ﻓﻮق ﺟﺎﯾﮕﺰﯾﻦ ﮐﻨﯿﻢ دارﯾﻢ ‪:‬‬

‫‪h2‬‬ ‫)‪1 p ( p‬‬ ‫‪1‬‬

‫‪y( x j +1 ) = y( x j ) + hy′( x j ) +‬‬ ‫‪y′′( x j ) + ... +‬‬ ‫‪h y (xj ) +‬‬ ‫)‪h p +1 y p +1 ( x j + θh‬‬
‫!‪2‬‬ ‫!‪p‬‬ ‫!)‪( p + 1‬‬

‫راﺑﻄﻪ زﯾﺮ را ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ ‪:‬‬

‫‪h2‬‬ ‫)‪1 p ( p‬‬

‫‪hφ ( x j , y( x j ), h) = hy′( x j ) +‬‬ ‫‪y′′( x j ) + ... +‬‬ ‫) ‪h y (xj‬‬
‫!‪2‬‬ ‫!‪p‬‬

‫ﺑﺎ ﺟﺎﯾﮕﺰﯾﻨﯽ ﺟﻮاب ﺗﻘﺮﯾﺒﯽ ‪ yj‬ﺑﺠﺎي ﺟﻮاب دﻗﯿﻖ )‪ y(xj‬ﻣﯽ ﺗﻮان ﻋﺒﺎرت )‪ hφ ( x j , y j , h‬را از ﻋﺒﺎرت‬

‫)‪ hφ ( x j , y( x j ), h‬ﺑﺪﺳﺖ آورد ‪.‬ﻟﺬا ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﺗﻘﺮﯾﺐ ‪ yj‬ﻋﺒﺎرت زﯾﺮ را دارﯾﻢ ‪:‬‬

‫)‪y j +1 = y j + hφ ( x j , y j , h‬‬ ‫‪,‬‬ ‫‪j = 0(1)n − 1‬‬ ‫)‪(8.34‬‬

‫اﯾﻦ روش را روش ﺳﺮي ﺗﯿﻠﻮر ﻣﺮﺗﺒﻪ ‪ p‬ام ﻣﯽ ﻧﺎﻣﻨﺪ ‪.‬اﮔﺮ در راﺑﻄﻪ )‪ p=1 ، (8-34‬ﺑﺎﺷﺪ روش اوﯾﻠﺮ را ﺧﻮاﻫﯿﻢ‬

‫) ‪y j +1 = y j + hy′j = y j = hf ( x j , y j‬‬ ‫‪j = 0(1)n − 1‬‬ ‫داﺷﺖ ‪:‬‬

‫ﺑﺮاي اﯾﻨﮑﻪ ﺑﺘﻮاﻧﯿﻢ از روش )‪ (8-34‬اﺳﺘﻔﺎده ﮐﻨﯿﻢ ﻧﯿﺎز اﺳﺖ ﮐﻪ ) ‪ y′( x j ), y( x j‬ﺗﺎ ) ‪ y( p ) ( x j‬را ﺗﻌﯿﯿﻦ ﻧﻤﺎﺋﯿﻢ ‪.‬اﮔﺮ‬

‫‪ y( x j ), x j‬ﻣﻌﻠﻮم ﺑﺎﺷﻨﺪ آﻧﮕﺎه ﻣﺸﺘﻘﺎت ﻣﺮاﺗﺐ ﻣﺨﺘﻠﻒ آن را ﻣﯽ ﺗﻮان ﻣﺤﺎﺳﺒﻪ ﮐﺮد ‪.‬اﺑﺘﺪا ﻣﻘﺎدﯾﺮ ﻣﻌﻠﻮم ‪ y( x j ), x j‬را‬

‫)) ‪y′( x j ) = f ( x j , y( x j‬‬ ‫در ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ داده ﺷﺪه ﻗﺮار ﻣﯿﺪﻫﯿﻢ ﺑﻨﺎﺑﺮاﯾﻦ دارﯾﻢ ‪:‬‬

‫ﺛﺎﻧﯿﺎً از ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ )‪ (8-21‬ﻣﺸﺘﻖ ﻣﯽ ﮔﯿﺮﯾﻢ ﺗﺎ ﻣﺸﺘﻘﺎت ﻣﺮاﺗﺐ ﺑﺎﻻﺗﺮ )‪ y(x‬را ﺑﯿﺎﺑﯿﻢ ﻟﺬا دارﯾﻢ ‪:‬‬

‫‪177‬‬
‫)‪y′ = f ( x, y‬‬
‫‪y′′ = f x + ff y‬‬
‫) ‪y′′′ = f xx + 2 ff xy + f 2 f yy + f y ( f x + ff y‬‬
‫‪.‬‬
‫‪.‬‬
‫‪ ..., f y , f x‬ﺑﯿﺎﻧﮕﺮ ﻣﺸﺘﻘﺎت ﻧﺴﺒﯽ ‪ f‬ﻧﺴﺒﺖ ﺑﻪ ‪ y,x‬واﻟﺦ ﻣﯽ ﺑﺎﺷﺪ ‪.‬ﻣﻘﺎدﯾﺮ ) ‪ y′′′( x j ), y′′( x j‬و‪ ...‬را ﻣﯽ ﺗﻮان ﺑﺎ‬

‫ﺟﺎﯾﮕﺰﯾﻨﯽ )‪ x=(xj‬ﻣﺤﺎﺳﺒﻪ ﮐﺮد ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ اﮔﺮ ‪ y( x j ), x j‬دﻗﯿﻘﺎً ﻣﻌﻠﻮم ﺑﺎﺷﻨﺪ آﻧﮕﺎه روش )‪ (8-34‬را ﻣﯽ ﺗﻮان ﺑﺮاي‬

‫ﻣﺤﺎﺳﺒﻪ ‪ yj+1‬ﺑﮑﺎر ﺑﺮد وﺧﻄﺎي آن ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫)‪h p +1 ( p +1‬‬
‫) ‪y ( x j + θh‬‬
‫!)‪( p + 1‬‬

‫ﺗﻌﺪاد ﺟﻤﻼﺗﯽ را ﮐﻪ ﺑﺎﯾﺴﺘﯽ در راﺑﻄﻪ )‪ (8-34‬ﺑﮑﺎر ﮔﺮﻓﺘﻪ ﺷﻮﻧﺪ ﺑﻮﺳﯿﻠﻪ ﺧﻄﺎي ﻗﺎﺑﻞ اﻏﻤﺎض ﺗﻌﯿﯿﻦ ﻣﯽ ﺷﻮد‪ .‬اﮔﺮ‬

‫اﯾﻦ ﺧﻄﺎ ‪ ε‬ﺑﺎﺷﺪ و ﺳﺮي در ﺟﻤﻠﻪ ) ‪ y( p ) ( x j‬ﻗﻄﻊ ﮔﺮدد آﻧﮕﺎه‬

‫‪h p +1 y ( p +1) ( x j + θh) < ( p + 1)!ε‬‬

‫‪h p +1 f ( p ) ( x j + θh) < ( p + 1)!ε‬‬ ‫)‪, (8.35‬‬ ‫ﯾﺎ‬

‫ﺑﺮاي ﯾﮏ ‪ h‬از راﺑﻄﻪ ﻓﻮق ﻣﯽ ﺗﻮان ‪ p‬را ﺑﺪﺳﺖ آورد و اﮔﺮ ‪ p‬از ﭘﯿﺶ ﻣﻌﻠﻮم ﺑﺎﺷﺪ ﻣﯿﺘﻮان ﮐﺮاﻧﯽ ﺑﺮاي ‪ h‬ﺑﯿﺎﺑﯿﻢ‪ .‬از‬

‫آﻧﺠﺎ ﮐﻪ ‪ x j + hθ‬ﻣﻌﻠﻮم ﻧﯿﺴﺖ ‪ ،‬ﻟﺬا )‪ f ( p ) ( x j + θh‬در راﺑﻄﻪ )‪ (80-35‬ﺑﺎ ﻣﻘﺪار ﻣﺎﮐﺰﯾﻤﻢ درﺑﺎره ]‪ [a,b‬ﺟﺎﯾﮕﺰﯾﻦ‬

‫ﻣﯽ ﮔﺮدد‬

‫ﻣﺜﺎل ‪: 3-8‬‬

‫ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ ‪ y′ = x2 + y 2 , y(0) = 0 :‬ﻣﻔﺮوض اﺳﺖ‪ .‬ﺳﻪ ﺟﻤﻠﻪ اول ﻧﺎﺻﻔﺮ در ﺑﺴﻂ ﺳﺮي ﺗﯿﻠﻮر )‪ y( x‬را‬

‫ﺑﯿﺎﺑﯿﺪ و ﻣﻘﺪار )‪ y(1‬را ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﺪ‪ .‬ﻫﻢ ﭼﻨﯿﻦ ‪ x‬اي را ﺑﯿﺎﺑﯿﺪ ﮐﻪ ﺧﻄﺎي در )‪ y( x‬ﮐﻪ از دو ﺟﻤﻠﻪ اول ﻧﺎﺻﻔﺮ ﺑﺪﺳﺖ‬

‫ﻣﯽ آﯾﺪ از ‪ 10-6‬ﮐﻤﺘﺮ ﺑﺎﺷﺪ‪.‬‬

‫‪y( 0) = 0‬‬ ‫‪, y(′0) = 0‬‬ ‫ﺣﻞ ‪:‬‬

‫‪178‬‬
‫‪y′′ = 2 x + 2 yy′‬‬ ‫‪, y(′′0 ) = 0‬‬

‫‪y′′′ = 2 + 2( yy′′ + y′ 2 ) , y(′′0′ ) = 2‬‬

‫‪y( 4) ( 0) = y(5) ( 0) = y( 6) ( 0 ) = 0‬‬

‫‪y ( 7 ) = 2( yy( 6 ) + 6 y′y (5) + 15 y′′y ( 4) + 10( y′′′) 2 ) . y ( 7 ) (0 ) = 80‬‬

‫‪y (8) (0 ) = y (9) ( 0) = y (10) (0 ) = 0‬‬

‫) ‪y (11) = 2[ yy(10 ) + 10 y′y (9) + 45 y′′y (8) + 120 y′′′y ( 7 ) + 210 y ( 4) y ( 6‬‬
‫] ‪+ 126( y (5) ) 2‬‬
‫‪y (11) ( 0 ) = 38400‬‬

‫‪1‬‬ ‫‪1 7‬‬ ‫‪2 11‬‬

‫‪y( x) = x3 +‬‬ ‫‪x +‬‬ ‫‪x‬‬ ‫ﺑﺴﻂ ﺳﺮي ﺗﯿﻠﻮر )‪ y( x‬ﻋﺒﺎرﺗﺴﺖ‪:‬‬
‫‪3‬‬ ‫‪63‬‬ ‫‪2079‬‬

‫ﺑﺮاي ﺗﻘﺮﯾﺐ )‪ y(1‬دارﯾﻢ‬

‫‪y(1) ≈ 0.3502‬‬

‫اﮔﺮ ﻓﻘﻂ دو ﺟﻤﻠﻪ ﻧﺎﺻﻔﺮ ﺑﮑﺎر ﮔﺮﻓﺘﻪ ﺷﻮد‪،‬آﻧﮕﺎه ﻣﻘﺪار ‪ x‬را از راﺑﻄﻪ زﯾﺮ ﻣﯽ ﯾﺎﺑﯿﻢ‪.‬‬

‫‪2 11‬‬
‫‪x < 0.5 × 10 −7‬‬
‫‪2049‬‬

‫‪x ≈ 0.41‬‬ ‫ﺑﺎﺣﻞ آن دارﯾﻢ‬

‫‪ 10-8‬روﺷﻬﺎي راﻧﮓ – ﮐﻮﺗﺎ ‪:‬‬

‫روﺷﻬﺎي ﺗﯿﻠﻮر ﮐﻪ ﻗﺒﻼً ﺑﺤﺚ ﺷﺪ داراي وﯾﮋﮔﯽ ﻣﻨﺎﺳﺒﯽ ﻫﺴﺘﻨﺪ و آن ﻫﻤﺎﻧﺎ ﺧﻄﺎي ﺑﺮش ﻣﻮﺿﻌﯽ ﻣﺮﺗﺒﻪ ﺑﺎﻻ آﻧﻬﺎﺳﺖ‪.‬‬

‫وﻟﯽ ﻧﯿﺎز ﺑﻪ ﻣﺤﺎﺳﺒﻪ ﻣﺸﺘﻘﺎت )‪ f(x,y‬در ﺑﺴﯿﺎري از ﻣﺴﺎﺋﻞ ﻣﯽ ﺗﻮاﻧﺪ ﭘﯿﭽﯿﺪه و ﻣﻼل آور ﺑﺎﺷﺪ ﺑﻨﺎﺑﺮاﯾﻦ از روش ﺗﯿﻠﻮر‬

‫ﺑﻪ ﻧﺪرت اﺳﺘﻔﺎده ﻣﯽ ﮔﺮدد‪ .‬ﻣﺎاﺑﺘﺪا اﺻﻮل اﺳﺎﺳﯽ روﺷﻬﺎي راﻧﮓ‪-‬ﮐﻮﺗﺎ را ﺑﯿﺎن ﻣﯽ ﮐﻨﯿﻢ‪ .‬ﺑﺎ اﺳﺘﻔﺎده از ﻗﻀﯿﻪ ﻣﻘﺪار‬

‫ﻣﯿﺎﻧﮕﯿﻦ دارﯾﻢ‪:‬‬

‫‪179‬‬
‫)‪y ( x j +1 ) = y( x j ) + hy′( x j + θh‬‬
‫‪= y( x j ) + hf (( x j + θh ), y( x j + θh)) ,‬‬ ‫‪0 <θ <1‬‬

‫‪h‬‬ ‫‪h‬‬ ‫‪1‬‬

‫‪y( x j +1 ) = y( x j ) + hf ( x j +‬‬ ‫)) ‪, y( x j +‬‬ ‫= ‪ θ‬دارﯾﻢ ‪:‬‬ ‫ﺑﻪ ازاي‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬

‫روش اوﯾﻠﺮ ﺑﺎ ﻧﺼﻒ ﮔﺎم ‪ h 2‬دارﯾﻢ‬

‫‪h‬‬ ‫‪h‬‬
‫‪y( x j + ) ≈ y j + f j‬‬
‫‪2‬‬ ‫‪2‬‬

‫ﺑﻨﺎﺑﺮاﯾﻦ ﺗﻘﺮﯾﺐ زﯾﺮ را دارﯾﻢ‪:‬‬

‫‪h‬‬ ‫‪h‬‬
‫‪y j +1 = y j + hf ( x j +‬‬ ‫‪, yj +‬‬ ‫)‪fj‬‬
‫‪2‬‬ ‫‪2‬‬

‫راﺑﻄﻪ ﻓﻮق را ﻣﯽ ﺗﻮان ﺑﻪ ﺻﻮرت زﯾﺮ ﻧﯿﺰ ﻧﻮﺷﺖ‬

‫‪K1 = hf j‬‬
‫‪h‬‬ ‫‪1‬‬
‫) ‪K 2 = hf ( x j + , y j + K1‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪y j +1 = y j + K 2‬‬ ‫)‪(8.36‬‬

‫اﯾﻦ روش را روش اوﯾﻠﺮ ﺑﺎ ﻧﺼﻒ ﮔﺎم ﻣﯽ ﻧﺎﻣﻨﺪ ‪.‬‬

‫ﺣﺎل ﺑﺎ اﺳﺘﻔﺎده از روش اوﯾﻠﺮ ﻣﯽ ﺗﻮان روﻧﺪ زﯾﺮ را ﻧﯿﺰ ﺑﺮرﺳﯽ ﮐﺮد‬

‫])‪y′( x j + ) ≈ [y′( x j ) + y′( x j + h‬‬

‫‪h 1‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪1‬‬
‫[‬
‫) ‪≈ f ( x j , y j ) + f ( x j + h, y j + hfi‬‬
‫‪2‬‬
‫]‬
‫ﺑﻨﺎﺑﺮاﯾﻦ ﺗﻘﺮﯾﺐ ذﯾﻞ را ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫‪y j +1 = y j +‬‬
‫‪h‬‬
‫‪2‬‬
‫‪[ f (x , y ) + f (x‬‬
‫‪j‬‬ ‫‪j‬‬ ‫‪j‬‬ ‫) ‪+ h, y j + hfi‬‬ ‫]‬ ‫)‪(8.37‬‬

‫اﯾﻦ روش را ﻣﯽ ﺗﻮان ﺑﻔﺮم زﯾﺮ ﻧﯿﺰ ﻧﻮﺷﺖ ‪:‬‬

‫‪180‬‬
‫) ‪K1 = hf ( x j , y j‬‬
‫) ‪K 2 = hf ( x j + h, y j + K1‬‬
‫‪1‬‬
‫‪y j +1 = y j + ( K1 + K 2 ) , j = 0(1)n − 1‬‬ ‫)‪(8.38‬‬
‫‪2‬‬
‫اﯾﻦ روش را روش ﮐﻮﺷﯽ – اوﯾﻠﺮ ﻣﯽ ﻧﺎﻣﻨﺪ ‪.‬‬

‫روﺷﻬﺎي )‪ (8-36‬و)‪ (8-38‬را ﻣﯽ ﺗﻮان ﺑﺼﻮرت زﯾﺮ ﺗﻌﺒﯿﺮ ﻧﻤﻮد‬

‫)ﻣﺘﻮﺳﻂ ﺿﺮﯾﺐ زاوﯾﻪ( ‪y j +1 = y j + h‬‬ ‫)‪(8.39‬‬

‫اﯾﻦ اﺳﺎس اﯾﺪه روﺷﻬﺎي راﻧﮓ‪-‬ﮐﻮﺗﺎ ﻣﯽ ﺑﺎﺷﻨﺪ ‪ .‬ﺑﻪ ﻃﻮر ﻋﻤﻮﻣﯽ در روﺷﻬﺎي راﻧﮓ‪ -‬ﮐﻮﺗﺎ ﻣﺎ ﺿﺮﯾﺐ زاوﯾﻪ را در‬

‫ﻧﻘﻄﻪ ‪ x j‬و ﺳﺎﯾﺮ ﻧﻘﺎط دﯾـﮕﺮ ﻣﯽ ﯾﺎﺑﯿﻢ و ﻣﺘﻮﺳﻂ اﯾﻦ ﺿﺮﯾﺐ زاوﯾﻪ ﻫﺎ را درﮔﺎم ‪ h‬ﺿﺮب ﻣﯽ ﻧﻤﺎﺋﯿﻢ و ﺑﻪ ﺟﻮاب ‪y j‬‬

‫اﺿﺎﻓﻪ ﻣﯽ ﮐﻨﯿﻢ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ روﺷﻬﺎي راﻧﮓ – ﮐﻮﺗﺎ را ﻣﯽ ﺗﻮان ﺑﻪ ﺻﻮرت ﮐﻠﯽ ذﯾﻞ ﺗﻌﺮﯾﻒ ﮐﺮد ‪.‬‬

‫روﺷﻬﺎي راﻧﮓ – ﮐﻮﺗﺎ‬

‫روش راﻧﮓ – ﮐﻮﺗﺎ ﺑﺎ ‪ V‬ﺿﺮﯾﺐ زاوﯾﻪ را ﻣﯿﺘﻮان ﺑﺼﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﮐﺮد‬

‫) ‪K1 = hf ( x j y j‬‬
‫) ‪K 2 = hf ( x j + c2 h, y j + a 21k1‬‬
‫) ‪k3 = hf ( x j + c3 h , y j + a 31k1 + a 32 k2‬‬
‫) ‪k4 = hf ( x j + c4 h , y j + a 41k1 + a 42 k2 + a 43 k3‬‬
‫‪.‬‬
‫‪.‬‬
‫‪.‬‬
‫‪v−1‬‬
‫‪kv = hf ( x j + cv h , y j + ∑ a vi ki‬‬
‫‪i =1‬‬

‫‪y j +1 = y j + w1k1 + w2 k2 + ... + wv kv‬‬

‫‪v‬‬

‫∑‬
‫‪i‬‬
‫‪wi = 1‬‬
‫‪=1‬‬
‫)‪(8.40‬‬

‫در ﻓﺮﻣﻮل )‪ (8-40‬ﺗﺎﺑﻊ ﺗﺼﺤﯿﺢ ﻋﺒﺎرﺗﺴﺖ از ﺗﺮﮐﯿﺐ ﺧﻄﯽ ﺿﺮﯾﺐ زاوﯾﻪ ﻫﺎ درﻧﻘﻄﻪ ‪ x j‬و ﺗﻌﺪاد دﯾﮕﺮ ﻧﻘﺎط ﮐﻪ در‬

‫ﺑﯿﻦ ‪ x j‬و ‪ x j +1‬ﻗﺮار دارﻧﺪ‪ .‬ﺑﺎداﻧﺴﺘﻦ ﻃﺮف راﺳﺖ )‪ (8-40‬ﻣﯽ ﺗﻮان ‪ y j +1‬را ﺑﻪ آﺳﺎﻧﯽ ﻣﺤﺎﺳﺒﻪ ﮐﺮد ﺑﻨﺎﺑﺮاﯾﻦ روش‬

‫‪181‬‬
‫راﻧﮓ – ﮐﻮﺗﺎ )‪ (8-40‬ﯾﮏ روش ﺻﺮﯾﺢ ‪ v‬ﺿﺮﯾﺐ زاوﯾﻪ اي اﺳﺖ‪ .‬ﺑﺮاي ﺗﻌﯿﯿﻦ ‪ c‬ﻫﺎ‪ a ،‬ﻫﺎ و ‪w‬ﻫﺎ در )‪ (8-40‬ﻣﺎ‬

‫‪ y j +1‬را ﺑﺼﻮرت ﺳﺮي ﺗﻮاﻧﯽ ‪ h‬ﺑﺴﻂ ﻣﯿﺪﻫﯿﻢ ﺑﻄﻮرﯾﮑﻪ ﺑﺎ ﺑﺴﻂ ﺳﺮي ﺗﯿﻠﻮر ﺟﻮاب ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ ﺗﺎ ﺗﻌﺪاد ﻣﻌﯿﻨﯽ‬

‫از ﺟﻤﻼت ﻣﻨﻄﺒﻖ ﺑﺎﺷﺪ‪ .‬ﺑﺮاي آﺳﺎﻧﯽ ﮐﺎر در ذﯾﻞ ﻧﺤﻮه ﺑﺪﺳﺖ آوردن ‪a‬ﻫﺎ و ‪c‬ﻫﺎ و ‪w‬ﻫﺎ را ﺑﺮاي روش ﻣﺮﺗﺒﻪ دوم ﺑﺎ‬

‫ﺟﺰﺋﯿﺎت ﺑﺤﺚ و ﺑﺮرﺳﯽ ﻣﯽ ﮐﻨﯿﻢ‪.‬‬

‫روش ﻣﺮﺗﺒﻪ دوم‬

‫روش راﻧﮓ – ﮐﻮﺗﺎ دوﺿﺮﯾﺐ زاوﯾﻪ زﯾﺮ را ﻣﺪﻧﻈﺮ ﻗﺮار ﻣﯿﺪﻫﯿﻢ‪.‬‬

‫) ‪k1 = hf ( x j , y j‬‬
‫) ‪k2 = hf ( x j + c2 h, y j + a 21k1‬‬
‫‪y j +1 = y j + w1k1 + w2 k2‬‬ ‫)‪(8.41‬‬

‫ﭘﺎراﻣﺘﺮﻫﺎي ‪ w2 , w1 , a 21 , c2‬ﺑﻄﺮﯾﻘﯽ ﻣﯽ ﯾﺎﺑﯿﻢ ﺗﺎ ‪ y j +1‬ﺑﻪ ) ‪ y( x j +1‬ﻧﺰدﯾﮑﺘﺮ ﮔﺮدد‪ .‬ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺴﻂ ﺳﺮي ﺗﯿﻠﻮر ﺟﻮاب‬

‫ﻣﻌﺎدﻟﻪ دﯾﻔﺮاﻧﺴﯿﻞ ) ‪ y( x j +1‬را ﺑﺼﻮرت زﯾﺮ دارﯾﻢ‪.‬‬

‫‪h2‬‬ ‫‪h3‬‬
‫‪y( x j +1 ) = y( x j ) + hy′( x j ) +‬‬ ‫‪y′′( x j ) +‬‬ ‫‪y′′′( x j ) + ...‬‬
‫‪2‬‬ ‫‪31‬‬
‫‪h2‬‬
‫‪= y( x j ) + hf ( x j , y( x j )) +‬‬ ‫‪( f x + ff y ) x j‬‬
‫‪2‬‬
‫‪h3‬‬
‫=‬ ‫‪[ f xx + 2 fyxy + f 2 f yy + f y ( f x + ff y )] xj + ...‬‬ ‫)‪(8.42‬‬
‫‪31‬‬
‫ﻫﻢ ﭼﻨﯿﻦ دارﯾﻢ‬

‫‪k1 = hf j‬‬
‫) ‪k2 = hf ( x j + c 2 h, y j + a 21 hf j‬‬
‫‪h2‬‬
‫‪= h[ f j + h(c2 f x + a 21 ff y ) xj +‬‬ ‫‪(c 2 f xx + 2c2 a 21 ff xy‬‬
‫‪2‬‬
‫‪+a‬‬ ‫‪2‬‬
‫‪21‬‬ ‫]‪f f yy ) xj + ...‬‬
‫‪2‬‬

‫ﺑﺎ ﺟﺎﯾﮕﺰﯾﻨﯽ ‪ k1‬و ‪ k2‬در )‪ (8-41‬دارﯾﻢ‪.‬‬

‫‪182‬‬
 ‫‪y j +1 = y j + ( w1 + w2 )hf j + h 2 ( w2 c2 f x + w2 a 21 ff y ) xj‬‬
‫‪h3‬‬
‫‪+‬‬ ‫‪( w2 )(c 2 2 f xx + 2c2 a 21 ff xy + a 2 21 f 2 f yy ) xj + ...‬‬ ‫)‪(8.43‬‬
‫‪2‬‬
‫در رواﺑﻂ )‪ (8.43) , (8.42‬ﺿﺮاﺋﺐ ﺗﻮاﻧﻬﺎي ﻣﺨﺘﻠﻒ ‪ h‬را ﺑﺎ ﻫﻢ ﻣﻘﺎﯾﺴﻪ ﻣﯽ ﮐﻨﯿﻢ ‪.‬ﺑﻨﺎﺑﺮاﯾﻦ دارﯾﻢ ‪:‬‬

‫‪w1 + w2 = 1‬‬
‫‪‬‬
‫‪c2 w2 = 1 2‬‬
‫‪a w = 1 / 2‬‬
‫‪ 21 2‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪ w1 = 1 −‬ﺑﻄﻮرﯾﮑﻪ ‪ ، c2 ≠ 0‬ﭘﺎراﻣﺘﺮآزاد ﻣﯽ ﺑﺎﺷﺪ‬ ‫= ‪, w2‬‬ ‫ﺟﻮاب دﺳﺘﮕﺎه ﻓﻮق ﻋﺒﺎرﺗﺴﺖ از ‪, a 21 = c 2‬‬
‫‪2c 2‬‬ ‫‪2c 2‬‬

‫‪.‬ﭼﻨﺎﻧﭽﻪ ﺟﻮاب را در راﺑﻄﻪ )‪(8-43‬ﻗﺮار دﻫﯿﻢ دارﯾﻢ ‪:‬‬

‫‪h2‬‬ ‫‪h 3c 2‬‬

‫‪y j +1 = y j + hf j +‬‬ ‫‪( f x + ff y ) x j +‬‬ ‫‪( f xx + 2 ff xy + f 2 f yy + f 2 f yy ) x j + ...‬‬ ‫)‪(8.44‬‬
‫‪2‬‬ ‫‪4‬‬
‫ﺧﻄﺎي ﺑﺮﺷﯽ ﻋﺒﺎرﺗﺴﺖ از ‪:‬‬

‫‪ 1‬‬ ‫‪c2‬‬ ‫‪1‬‬ ‫‪‬‬

‫‪T j +1 = y( x j +1 ) − y j +1 = h 3 ( −‬‬ ‫‪)( f xx + 2 ff xy + f 2 f yy ) x j + { f y ( f x + ff y )}x j + ... ‬‬ ‫)‪(8.45‬‬
‫‪ 6‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪‬‬

‫اﯾﻦ راﺑﻄﻪ ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ روش )‪ (8-41‬داراي دﻗﺖ ﻣﺮﺗﺒﻪ دوم اﺳﺖ ‪.‬ﭘﺎراﻣﺘﺮ آزاد ‪ c2‬ﻣﻌﻤﻮﻻً ﺑﯿﻦ ﺻﻔﺮ و ﯾﮏ‬

‫اﻧﺘﺨﺎب ﻣﯽ ﮔﺮدد ‪.‬ﺑﺮﺧﯽ اوﻗﺎت ‪ c2‬را ﺑﻄﺮﯾﻘﯽ اﻧﺘﺨﺎب ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ ﯾﮑﯽ از ‪ w‬ﻫﺎرا در )‪ (8-41‬ﺻﻔﺮ ﺷﻮﻧﺪ ﺑﻌﻨﻮان‬

‫‪1‬‬
‫= ‪ C 2‬اﻧﺘﺨﺎب ﺷﻮد ‪ w1=0‬ﻣﯽ ﮔﺮدد ‪.‬‬ ‫ﻣﺜﺎل اﮔﺮ‬
‫‪2‬‬

‫‪1‬‬
‫= ‪ C 2‬اﻧﺘﺨﺎب ﺷﻮد روش ﮐﻼﺳﯿﮏ را دارﯾﻢ ‪:‬‬ ‫)‪ (a‬اﮔﺮ‬
‫‪2‬‬

‫‪h‬‬ ‫‪h‬‬
‫‪y j +1 = y j + hf ( x j + , y j + f j ) , j = 0(1)n − 1‬‬ ‫)‪(8.46‬‬
‫‪2‬‬ ‫‪2‬‬
‫اﯾﻦ راﺑﻄﻪ ﻫﻤﺎن روش ﻧﺼﻒ ﮔﺎم اوﯾﻠﺮ اﺳﺖ ‪.‬‬

‫)‪ (b‬اﮔﺮ ‪ c2=1‬ﺑﻌﻨﻮان ﭘﺎراﻣﺘﺮ آزاد اﻧﺘﺨﺎب ﮐﻨﯿﻢ دارﯾﻢ ‪:‬‬

‫‪y j +1 = y j +‬‬
‫‪h‬‬
‫‪2‬‬
‫‪[ f (x , y ) + f (x‬‬
‫‪i‬‬ ‫‪j‬‬ ‫‪j‬‬ ‫]‬
‫‪+ h, yi + hfi ) , j = 0(1)n − 1‬‬ ‫)‪(8.47‬‬

‫‪183‬‬
 ‫اﯾﻦ روش ﻫﻤﺎن روش ﮐﻮﺷﯽ اوﯾﻠﺮ اﺳﺖ ﮐﻪ ﻗﺒﻼً ﺑﺤﺚ ﮐﺮدﯾﻢ ‪.‬‬

‫‪2‬‬
‫= ‪ c2‬اﻧﺘﺨﺎب ﺷﻮد ﯾﻌﻨﯽ ﺿﺮﯾﺐ ﺟﻤﻼﺗﯽ از ﺧﻄﺎي ﻗﻄﻊ ﮐﺮدن را ﺻﻔﺮ ﺑﺴﺎزﯾﻢ روﺷﯽ را ﺑﺪﺳﺖ ﺧﻮاﻫﯿﻢ‬ ‫)‪(c‬اﮔﺮ‬
‫‪3‬‬

‫آورد‪ ،‬روش راﻧﮓ‪-‬ﮐﻮﺗﺎ ﻣﺮﺗﺒﻪ دوم ﺑﻬﯿﻨﻪ ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬

‫‪1‬‬ ‫‪3‬‬
‫= ‪w1‬‬ ‫= ‪, w2‬‬
‫‪4‬‬ ‫‪4‬‬
‫) ‪K1 = hf ( x j , y j‬‬
‫‪2‬‬ ‫‪2‬‬
‫) ‪K 2 = hf ( x j + h, y j + K1‬‬
‫‪3‬‬ ‫‪3‬‬
‫‪1‬‬
‫‪y j +1 = y j + ( K1 + 3K 2 ) , j = 0(1)n − 1‬‬ ‫)‪(8.48‬‬
‫‪4‬‬

‫روﺷﻬﺎي راﻧﮓ – ﮐﻮﺗﺎ ﻣﺮﺗﺒﻪ ﺳﻮم ‪:‬‬

‫) ‪K1 = hf ( x j , y j‬‬
‫) ‪K 2 = hf ( x j + c2 h, y j + a 21 K1‬‬
‫) ‪K3 = hf ( x j + c3 h, y j + a 31 K1 + a 32 K 2‬‬
‫‪y j +1 = y j + w1 K1 + w2 K 2 + w3 K3‬‬ ‫‪j = 0(1)n − 1‬‬

‫‪1‬‬
‫= ‪ c2‬ﺑﻌﻨﻮان ﭘﺎراﻣﺘﺮ آزاد اﻧﺘﺨﺎب‬ ‫ﻧﻈﯿﺮ روش ﻣﺮﺗﺒﻪ دوم ﻣﯽ ﺗﻮان ‪ a‬ﻫﺎي و ‪ c‬ﻫﺎ و ‪ w‬ﻫﺎ را ﻣﺤﺎﺳﺒﻪ ﮐﺮد ‪.‬ﭼﻨﺎﻧﭽﻪ‬
‫‪2‬‬

‫ﮐﻨﯿﻢ ‪.‬روﺷﯽ ﮐﻪ ﻣﯽ ﯾﺎﺑﯿﻢ روش ﮐﻼﺳﯿﮏ ﻣﺮﺗﺒﻪ ﺳﻮم راﻧﮓ – ﮐﻮﺗﺎ ﻣﯽ ﺑﺎﺷﺪ ‪.‬‬

‫‪1‬‬ ‫‪1‬‬ ‫‪4‬‬

‫= ‪c2 = a 21‬‬ ‫= ‪, c3 = 1 , a 31 = −1 , a 32 = 2 , w1 = w3 = , w2‬‬
‫‪2‬‬ ‫‪6‬‬ ‫‪6‬‬
‫) ‪K1 = hf ( x j + y j‬‬
‫‪1‬‬ ‫‪1‬‬
‫) ‪K 2 = hf ( x j + h, y j + K1‬‬
‫‪2‬‬ ‫‪2‬‬
‫) ‪K3 = hf ( x j + h, y j − K1 + 2 K 2‬‬
‫‪1‬‬
‫‪y j +1 = y j + ( K1 + 4 K 2 + K3 ) , j = 0(1)n − 1‬‬ ‫)‪(4.49‬‬
‫‪6‬‬

‫روش ﻫﺎي ﻣﺮﺗﺒﻪ ﭼﻬﺎرم راﻧﮓ – ﮐﻮﺗﺎ‬

‫‪184‬‬
‫) ‪K1 = hf ( x j , y j‬‬
‫) ‪K 2 = hf ( x j + c2 h, y j + a 21 K1‬‬
‫) ‪K3 = hf ( x j + c3 h, y j + a 31 K1 + a 32 K 2‬‬
‫) ‪K 4 = hf ( x j + c4 h, y j + a 41 K1 + a 42 K 2 + a 43 K3‬‬
‫‪y j +1 = y j + w1 K1 + w2 K 2 + w3 K3 + w4 K 4‬‬ ‫‪j = 0(1)n − 1‬‬

‫ﺑﺎز ﻫﻢ ﻧﻈﯿﺮ روﻧﺪ ﻓﻮق ﻋﻤﻞ ﻣﯽ ﮐﻨﯿﻢ ‪ c‬ﻫﺎ ‪ a ،‬ﻫﺎ و ‪ w‬ﻫﺎ را ﻣﯽ ﯾﺎﺑﯿﻢ در اﯾﻨﺠﺎ ﻣﺎ ﻓﻘﻂ ‪ 11‬راﺑﻄﻪ را ﺑﺪﺳﺖ ﻣﯽ آورﯾﻢ‬

‫اﻣﺎ ﺗﻌﺪاد ﻣﺠﻬﻮﻻت ‪ 13‬ﻣﯽ ﺑﺎﺷﺪ ‪ ،‬ﺑﺎ اﻧﺘﺨﺎب ﭘﺎراﻣﺘﺮ آزاد ﺑﺮاﺑﺮ ‪ 1/2‬ﻣﺠﻬﻮﻻت را ﺑﺼﻮرت زﯾﺮ ﻣﯽ ﺗﻮان ﻣﺤﺎﺳﺒﻪ ﮐﺮد‬

‫‪.‬ﻟﺬا روش ﮐﻼﺳﯿﮏ ﻣﺮﺗﺒﻪ ﭼﻬﺎرم راﻧﮓ – ﮐﻮﺗﺎ را ﺧﻮاﻫﯿﻢ داﺷﺖ ‪:‬‬

‫‪1‬‬
‫= ‪c2 = a 21 = c3 = a 32‬‬
‫‪2‬‬
‫‪a 31 = 0‬‬
‫‪c4 = 1 a 41 = a 42 = 0‬‬ ‫‪a 43 = 1‬‬
‫‪1‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪1‬‬
‫= ‪w1‬‬ ‫= ‪w2‬‬ ‫= ‪w3‬‬ ‫= ‪w4‬‬
‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬
‫روش ﮐﻼﺳﯿﮏ ﻣﺮﺗﺒﻪ ﭼﻬﺎرم راﻧﮓ – ﮐﻮﺗﺎ‬

‫) ‪K1 = hf ( x j , y j‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪K 2 = hfx j + h, y j + K1‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪1‬‬ ‫‪1‬‬
‫) ‪K3 = hf ( x j + h, y j + K 2‬‬
‫‪2‬‬ ‫‪2‬‬
‫) ‪K 4 = hf ( x j + h, y j + K3‬‬
‫‪1‬‬
‫‪y j +1 = y j +‬‬ ‫] ‪[K1 + 2 K 2 + 2 K3 + K4‬‬ ‫‪j = 0(1)n − 1‬‬ ‫)‪(8.50‬‬
‫‪6‬‬

‫ﻣﺜﺎل ‪ : 4-8‬ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ ذﯾﻞ را ﺑﺎ روش ﻣﺮﺗﺒﻪ ﭼﻬﺎرم ﮐﻼﺳﯿﮏ راﻧﮓ –ﮐﻮﺗﺎ ﺑﺎ ﮔﺎم ‪ h=0.2‬ﺣﻞ ﮐﻨﯿﺪ ؟‬

‫‪185‬‬
‫‪y′ = −2 xy 2 , y(0) = 1 , 0 ≤ x ≤ 1‬‬
‫‪b−a‬‬ ‫‪1‬‬
‫=‪h‬‬ ‫=‪⇒n‬‬ ‫‪=5‬‬
‫‪n‬‬ ‫‪0.2‬‬
‫‪x j = 0 + jh‬‬ ‫‪j = 0(1)5‬‬
‫‪x0 = 0 , x1 = 0.2 , x2 = 0.4 , x3 = 0.6 , x4 = 0.8 , x5 = 1‬‬
‫‪For j = 0‬‬ ‫‪K1 = hf ( x0 , y0 ) = −2(0.2)(0)(1) 2 = 0‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪0.2 2‬‬
‫()‪K 2 = hf ( x j + h , y0 + K1 ) = −2(0.2‬‬ ‫‪)(1) = −0.04‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪h‬‬ ‫‪1‬‬ ‫‪0.2‬‬
‫‪K3 = hf ( x0 + , y0 + K 2 ) = −2(0.2)( )(0.98) 2 = −0.038416‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪K 4 = hf ( x0 + h, y0 + K3 ) = −2(0.2)(0.2)(0.961584) 2 = −0.0739715‬‬
‫‪1‬‬
‫‪y(0.2) ≈ y1 = 1 +‬‬ ‫‪[0 − 0.8 − 0.076832 − 0.0739715] = 0.9615328‬‬
‫‪6‬‬
‫‪For j = 1‬‬
‫‪K1 = −0.0739636‬‬
‫‪K 2 = −0.1025754‬‬
‫‪K3 = −0.0994255‬‬
‫‪K 4 = −0.1189166‬‬

‫ﺑﺮ ﻫﻤﯿﻦ اﺳﺎس ‪:‬‬

‫‪y(0.4) ≈ y2 = 0.8620525‬‬
‫‪y(0.6) ≈ y3 = 0.7352784‬‬
‫‪y(0.8) ≈ y4 = 0.6097519‬‬
‫‪y(1.0) ≈ y5 = 0.5000073‬‬

‫ﺗﻤﺮﯾﻨﺎت ﻓﺼﻞ‬

‫‪ -1‬ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ ﻣﻔﺮوض اﺳﺖ ‪ y′ = 1 + x sin y , 0 ≤ x ≤ 2 , y(0) = 0 .‬را ﺑﺎ ﮔﺎم ‪ h=0.2‬ﺑﺎ ﮐﻠﯿﻪ روﺷﻬﺎ‬

‫ﻓﻮق اﻟﺬﮐﺮ ﺣﻞ ﮐﻨﯿﺪ؟‬

‫‪ -2‬ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ زﯾﺮ را ﺑﺎ ﮔﺎم ‪ h=0.5‬ﺑﺎ روﺷﻬﺎي ﻣﺮاﺗﺐ دوم و ﺳﻮم و ﭼﻬﺎرم راﻧﮓ‪ -‬ﮐﻮﺗﺎ ﺣﻞ ﮐﻨﯿﺪ؟‬

‫‪2‬‬
‫= ‪y′‬‬ ‫‪y + x 2 e x , 1 ≤ x ≤ 2 y(1) = 0‬‬
‫‪x‬‬

‫‪186‬‬
‫‪ -3‬ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ زﯾﺮ ﻣﻔﺮوض اﺳﺖ ‪ y′ = x + y , y(0) = 1 , x ∈ [0,1] :‬اﯾﻦ ﻣﺴﺌﻠﻪ را ﺑﺎ ﮔﺎم ‪ h=0.1‬ﺑﺎ ﺗﻤﺎﻣﯽ‬

‫روﺷﻬﺎي ﻓﻮق اﻟﺬﮐﺮ ﺣﻞ ﮐﻨﯿﺪ ﺧﻄﺎي اﯾﻦ روﺷﻬﺎ را در ﻧﻘﺎط ﮔﺮه اي ﺑﯿﺎﺑﯿﺪ وﺑﺎ روﺷﻬﺎي دﯾﮕﺮ ﻣﻘﺎﯾﺴﻪ ﮐﻨﯿﺪ؟‬

‫‪ -4‬ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ زﯾﺮ ﻣﻔﺮوض اﺳﺖ ‪ y′ = y − x2 + 1 , 0 ≤ x ≤ 2 , y(0) = 0.5 :‬ﺑﺎ ﮔﺎم ‪ h=0.1‬ﺑﺎ روﺷﻬﺎي‬

‫ﻣﺮﺗﺒﻪ دوم و ﭼﻬﺎرم ﺗﯿﻠﻮر ﺣﻞ ﮐﻨﯿﺪ ‪.‬ﺧﻄﺎي روش را در ﻧﻘﺎط ﮔﺮه اي ﺑﯿﺎﺑﺪ؟‬

‫‪ -5‬ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ ‪ y′ = xe3 x − 2 y , 0 ≤ x ≤ 1 , y(0) = 0‬را ﺑﺎ ﮔﺎم ‪ h=0.5‬ﺑﺎ روﺷﻬﺎي ﻣﺮﺗﺒﻪ دوم و ﭼﻬﺎرم ﺗﯿﻠﻮر‬

‫ﺣﻞ ﮐﻨﯿﺪ؟‬

‫‪ -6‬ﺑﺎ اﺳﺘﻔﺎده از روش ﺗﯿﻠﻮر ﻣﺮﺗﺒﻪ دوم وﺑﺎ ﮔﺎم ‪ h=0.1‬ﻣﺴﺌﻠﻪ ﻣﻘﺪار اوﻟﯿﻪ زﯾﺮ را ﺣﻞ ﮐﻨﯿﺪ؟‬

‫‪y′ = 1 + x sin xy , 0 ≤ x ≤ 2 , y(0) = 0‬‬

‫‪ -7‬ﻣﺴﺎﺋﻞ ﻣﺜﺎﻟﻬﺎ ‪4‬و‪5‬و‪ 6‬را ﺑﺎ ﻃﻮل ﮔﺎﻣﻬﺎي ﻣﻨﺪرج ﺷﺪه ﻓﻮق ﺑﺎ ﺳﺎﯾﺮ روﺷﻬﺎي ﻓﺼﻞ ﺣﻞ ﮐﻨﯿﺪ؟‬

‫‪187‬‬