Математический анализ
Математический анализ, страница 3
Раздел высшей математики о пределах, непрерывности, производных, интегралах, рядах и функциях нескольких переменных.
179 формул
Таблица формул
Показаны 121-179 из 179. Остальные формулы доступны на соседних страницах подборки.
| Формула | Запись | Тема | Для чего нужна |
|---|---|---|---|
| Интегрирующий множитель для уравнения первого порядка | $\mu Mdx+\mu Ndy=0,\quad (\mu M)_y=(\mu N)_x$ | Дифференциальные уравнения | Формула описывает метод «интегрирующий множитель общего уравнения» для решения обыкновенного дифференциального уравнения. Она показывает, как перейти от связи между функцией и производной к интегралам, алгебраическому уравнению или вспомогательной функции с постоянной интегрирования. |
| Характеристическое уравнение линейного ОДУ второго порядка | $ay''+by'+cy=0,\quad ar^2+br+c=0$ | Дифференциальные уравнения | Формула описывает метод «характеристическое уравнение» для решения обыкновенного дифференциального уравнения. Она показывает, как перейти от связи между функцией и производной к интегралам, алгебраическому уравнению или вспомогательной функции с постоянной интегрирования. |
| Решение однородного линейного ОДУ с постоянными коэффициентами | $ay''+by'+cy=0,\quad y=C_1e^{r_1x}+C_2e^{r_2x}$ | Дифференциальные уравнения | Формула описывает метод «суперпозиция экспонент» для решения обыкновенного дифференциального уравнения. Она показывает, как перейти от связи между функцией и производной к интегралам, алгебраическому уравнению или вспомогательной функции с постоянной интегрирования. |
| Метод неопределенных коэффициентов для линейного ОДУ | $L[y]=f(x),\quad y=y_h+y_p$ | Дифференциальные уравнения | Формула описывает метод «подбор частного решения» для решения обыкновенного дифференциального уравнения. Она показывает, как перейти от связи между функцией и производной к интегралам, алгебраическому уравнению или вспомогательной функции с постоянной интегрирования. |
| Метод вариации постоянных для линейного ОДУ | $y_p=u_1y_1+u_2y_2,\quad u_1'y_1+u_2'y_2=0$ | Дифференциальные уравнения | Формула описывает метод «вариация постоянных» для решения обыкновенного дифференциального уравнения. Она показывает, как перейти от связи между функцией и производной к интегралам, алгебраическому уравнению или вспомогательной функции с постоянной интегрирования. |
| Метод бисекции: корень и гарантированная точность | $c=\frac{a+b}{2},\qquad |c-r|\leq\frac{b-a}{2}$ | Численный поиск корней | Метод бисекции ищет корень непрерывной функции делением отрезка пополам. Разные знаки на концах дают гарантию существования корня, а длина отрезка — оценку ошибки. |
| Метод Ньютона: приближение корня по касательной | $x_{k+1}=x_k-\frac{f(x_k)}{f'(x_k)}$ | Численный поиск корней | Метод Ньютона заменяет функцию касательной в текущем приближении и берёт нуль этой прямой как следующий шаг. Вблизи простого корня сходимость может быть квадратичной. |
| Метод секущих: поиск корня без вычисления производной | $x_{k+1}=x_k-f(x_k)\frac{x_k-x_{k-1}}{f(x_k)-f(x_{k-1})}$ | Численный поиск корней | Метод секущих строит прямую по двум последним точкам графика и использует её пересечение с осью для нового приближения корня. Производная заменяется разностным наклоном. |
| Составная формула трапеций для вычисления интеграла | $T_n=h\left[\frac{f(a)+f(b)}2+\sum_{i=1}^{n-1}f(a+ih)\right],\quad h=\frac{b-a}{n}$ | Численное интегрирование | Составная формула трапеций приближает определённый интеграл суммой площадей под линейными отрезками между соседними узлами. Концевые значения получают половинный вес. |
| Формула Симпсона: интеграл по параболическим дугам | $S_n=\frac h3\left[f_0+f_n+4\!\sum_{\substack{i=1\\i\text{ нечётное}}}^{n-1}f_i+2\!\sum_{\substack{i=2\\i\text{ чётное}}}^{n-2}f_i\right]$ | Численное интегрирование | Составная формула Симпсона объединяет соседние промежутки попарно и заменяет функцию параболой через три узла. Для равномерной сетки число промежутков должно быть чётным. |
| Явный метод Эйлера: решение задачи Коши по шагам | $y_{n+1}=y_n+h f(t_n,y_n),\qquad t_{n+1}=t_n+h$ | Численные методы ОДУ | Явный метод Эйлера приближённо решает уравнение y′ = f(t,y), продолжая решение по наклону в начале каждого шага. При гладком решении глобальная ошибка имеет первый порядок по шагу. |
| Неявный метод Эйлера: шаг и устойчивость затухания | $y_{n+1}=y_n+h f(t_{n+1},y_{n+1})$ | Численные методы ОДУ | Неявный метод Эйлера использует производную в конце шага. Новое значение входит в обе части равенства, поэтому каждый переход требует решения уравнения, зато схема хорошо подавляет быстро затухающие компоненты. |
| Явный метод средней точки для задачи Коши | $k_1=f(t_n,y_n),\quad k_2=f(t_n+h/2,y_n+hk_1/2),\quad y_{n+1}=y_n+hk_2$ | Численные методы ОДУ | Явный метод средней точки делает пробный полушаг по Эйлеру, оценивает производную в середине и использует её на полном шаге. Это двухстадийная схема Рунге — Кутты второго порядка. |
| Метод Хойна: явное усреднение двух наклонов | $k_1=f(t_n,y_n),\quad k_2=f(t_n+h,y_n+hk_1),\quad y_{n+1}=y_n+\frac h2(k_1+k_2)$ | Численные методы ОДУ | В этой двухстадийной схеме сначала делают прогноз Эйлера на полный шаг, затем усредняют начальный и прогнозный конечный наклоны. Метод имеет второй порядок, но названия его вариантов различаются в литературе. |
| Классический метод Рунге — Кутты четвёртого порядка | $\begin{aligned}k_1&=f(t_n,y_n),&k_2&=f(t_n+h/2,y_n+hk_1/2),\\k_3&=f(t_n+h/2,y_n+hk_2/2),&k_4&=f(t_n+h,y_n+hk_3),\\y_{n+1}&=y_n+\frac h6(k_1+2k_2+2k_3+k_4).\end{aligned}$ | Численные методы ОДУ | Классический RK4 вычисляет четыре наклона за шаг и объединяет их с весами 1:2:2:1. Для гладкой задачи Коши он даёт четвёртый порядок общей ошибки без явного вычисления высших производных. |
| Линейная интерполяция: значение между двумя узлами | $P(x)=y_0+\frac{y_1-y_0}{x_1-x_0}(x-x_0)=(1-t)y_0+ty_1,\quad t=\frac{x-x_0}{x_1-x_0}$ | Интерполяция | Линейная интерполяция оценивает значение между двумя заданными точками по соединяющей их прямой. Доля положения внутри интервала задаёт веса концов; оценка учитывает наклон, но не кривизну исходного графика. |
| Интерполяция Лагранжа: полином через заданные точки | $P_n(x)=\sum_{k=0}^{n}y_kL_k(x),\qquad L_k(x)=\prod_{\substack{0\leq j\leq n\\j\ne k}}\frac{x-x_j}{x_k-x_j}$ | Интерполяция | Формула Лагранжа строит полином степени не выше n по n+1 различным узлам. Каждый базисный множитель выбирает значение своего узла и обращает вклады остальных узлов в ноль. |
| Интерполяция Ньютона: таблица разделённых разностей | $P_n(x)=f[x_0]+\sum_{k=1}^{n}f[x_0,\ldots,x_k]\prod_{j=0}^{k-1}(x-x_j),\quad f[x_i,\ldots,x_j]=\frac{f[x_{i+1},\ldots,x_j]-f[x_i,\ldots,x_{j-1}]}{x_j-x_i}$ | Интерполяция | Форма Ньютона строит интерполяционный полином по треугольной таблице разделённых разностей. Новый узел добавляет коэффициент при очередном произведении, не требуя переписывать уже найденные нижние порядки. |
| Кубическая интерполяция Эрмита по значениям и наклонам | $H(x)=h_{00}(s)y_0+h_{10}(s)\ell m_0+h_{01}(s)y_1+h_{11}(s)\ell m_1,\quad s=\frac{x-x_0}{\ell},\quad \ell=x_1-x_0$ | Интерполяция | Кубический полином Эрмита согласует значения и первые производные на двух концах интервала. Четыре заданных условия определяют единственную кубическую или более простую кривую между узлами. |
| Барицентрическая интерполяция: веса и вычисление полинома | $P(x)=\frac{\sum_{k=0}^{n}\dfrac{w_ky_k}{x-x_k}}{\sum_{k=0}^{n}\dfrac{w_k}{x-x_k}},\qquad w_k=\frac{1}{\prod_{j\ne k}(x_k-x_j)},\quad x\ne x_k$ | Интерполяция | Барицентрическая форма вычисляет полином Лагранжа через заранее рассчитанные веса узлов. Она удобна для множества запросов по одной таблице; при точном совпадении аргумента с узлом нужно сразу вернуть узловое значение. |
| Правая разность: производная по двум соседним значениям | $f'(x)\approx D_h^+f(x)=\frac{f(x+h)-f(x)}{h},\qquad D_h^+f-f'=O(h)$ | Численное дифференцирование | Правая разность оценивает производную по значениям функции в текущем и следующем узле. Это удобная односторонняя схема у левой границы таблицы, но её ошибка обычно линейна по шагу. |
| Центральная разность для первой производной | $f'(x)\approx D_hf(x)=\frac{f(x+h)-f(x-h)}{2h},\qquad D_hf-f'=O(h^2)$ | Численное дифференцирование | Центральная разность оценивает первую производную по двум узлам на одинаковом расстоянии слева и справа. Симметрия устраняет линейную по шагу ошибку и обычно даёт второй порядок точности. |
| Вторая производная по трём равноотстоящим узлам | $f''(x)\approx Q_hf(x)=\frac{f(x+h)-2f(x)+f(x-h)}{h^2},\qquad Q_hf-f''=O(h^2)$ | Численное дифференцирование | Трёхточечная центральная схема оценивает вторую производную по отклонению центрального значения от среднего соседей. Она измеряет изменение наклона, а не сам наклон, и имеет второй порядок по шагу. |
| Пятиточечная формула первой производной | $f'(x)\approx P_hf=\frac{f(x-2h)-8f(x-h)+8f(x+h)-f(x+2h)}{12h},\qquad P_hf-f'=O(h^4)$ | Численное дифференцирование | Пятиточечная центральная формула оценивает первую производную с четвёртым порядком по шагу. Для неё нужны четыре значения вокруг центра: вес самого центрального значения равен нулю. |
| Экстраполяция Ричардсона для численной производной | $R_h=\frac{4D_{h/2}-D_h}{3},\qquad D_h=\frac{f(x+h)-f(x-h)}{2h},\qquad R_h-f'(x)=O(h^4)$ | Численное дифференцирование | Экстраполяция Ричардсона объединяет две центральные оценки производной на шагах h и h/2. При гладкой функции она сокращает ведущую ошибку второго порядка и даёт оценку четвёртого порядка. |
| Метод Якоби для системы линейных уравнений | $x_i^{(k+1)}=\frac{b_i-\sum_{j\ne i}a_{ij}x_j^{(k)}}{a_{ii}},\quad i=1,\ldots,n$ | Численное решение линейных систем | Метод Якоби строит новое приближение к решению Ax=b, одновременно пересчитывая все неизвестные из значений предыдущего шага. Он удобен для разреженных систем и хорошо показывает, зачем проверять сходимость, а не только выполнять заданное число итераций. |
| Метод Гаусса—Зейделя для системы линейных уравнений | $x_i^{(k+1)}=\frac{b_i-\sum_{j<i}a_{ij}x_j^{(k+1)}-\sum_{j>i}a_{ij}x_j^{(k)}}{a_{ii}}$ | Численное решение линейных систем | Метод Гаусса—Зейделя решает Ax=b последовательными проходами: новая компонента сразу участвует в вычислении следующих. Это обычно ускоряет простую итерацию, но делает результат одного прохода зависимым от порядка переменных. |
| Метод SOR: последовательная сверхрелаксация | $x_i^{(k+1)}=(1-\omega)x_i^{(k)}+\frac{\omega}{a_{ii}}\left(b_i-\sum_{j<i}a_{ij}x_j^{(k+1)}-\sum_{j>i}a_{ij}x_j^{(k)}\right)$ | Численное решение линейных систем | Метод SOR добавляет к проходу Гаусса—Зейделя параметр релаксации ω. При 0<ω<2 он дозирует поправку; ω=1 возвращает обычный метод, а удачный выбор ω>1 способен ускорить сходимость. |
| Метод прогонки для трёхдиагональной системы | $c_i x_{i-1}+a_i x_i+b_i x_{i+1}=d_i;\quad \alpha_i=-\frac{b_i}{a_i+c_i\alpha_{i-1}},\;\beta_i=\frac{d_i-c_i\beta_{i-1}}{a_i+c_i\alpha_{i-1}}$ | Численное решение линейных систем | Метод прогонки решает трёхдиагональную систему за линейное число операций, используя прямой расчёт коэффициентов связи и обратную подстановку. Он сохраняет ленточную структуру вместо работы с полной матрицей. |
| Метод Ричардсона: стационарная итерация для Ax=b | $x^{(k+1)}=x^{(k)}+\tau(b-Ax^{(k)}),\qquad r^{(k)}=b-Ax^{(k)}$ | Численное решение линейных систем | Метод Ричардсона прибавляет к текущему приближению невязку, умноженную на параметр τ. Для симметричной положительно определённой матрицы разумный τ превращает эту простую формулу в сходящуюся стационарную итерацию. |
| Метод золотого сечения: сужение интервала минимума | $\tau=\frac{\sqrt5-1}{2},\quad u=a+(1-\tau)(b-a),\quad v=a+\tau(b-a),\quad L_n=\tau^nL_0$ | Численная оптимизация | Золотое сечение находит минимум унимодальной функции без производных. Два внутренних значения позволяют отбросить часть интервала, а удачное отношение длин сохраняет одно вычисление для следующего шага. |
| Тернарный поиск минимума непрерывной унимодальной функции | $u=a+\frac{b-a}{3},\quad v=b-\frac{b-a}{3},\quad [a,b]\leftarrow\begin{cases}\left[u,b\right],&f(u)>f(v),\\\left[a,v\right],&f(u)\le f(v),\end{cases}\quad L_n=(2/3)^nL_0$ | Численная оптимизация | Тернарный поиск сравнивает функцию в двух точках, делящих интервал на трети. При унимодальности одно сравнение позволяет удалить крайнюю треть и сохранить интервал, содержащий минимум. |
| Параболическая интерполяция для поиска минимума функции | $A=\frac{(f_3-f_2)/(x_3-x_2)-(f_2-f_1)/(x_2-x_1)}{x_3-x_1},\quad B=\frac{f_2-f_1}{x_2-x_1}-A(x_1+x_2),\quad x_p=-\frac{B}{2A}$ | Численная оптимизация | Через три значения функции строят квадратичный интерполянт и используют его вершину как новую пробную точку минимума. В отличие от деления интервала схема учитывает высоты всех трёх точек. |
| Градиентный спуск с постоянным шагом: условие убывания | $x_{k+1}=x_k-\alpha\nabla f(x_k),\quad 0<\alpha<2/L,\quad f(x_{k+1})\le f(x_k)-\alpha(1-L\alpha/2)\|\nabla f(x_k)\|^2$ | Численная оптимизация | Постоянный шаг градиентного спуска смещает точку против градиента. При липшицевом градиенте известная граница шага обеспечивает уменьшение функции и объясняет, почему слишком крупный шаг вызывает расходимость. |
| Правило Армихо: обратный поиск длины шага спуска | $f(x+\alpha p)\le f(x)+c\alpha\nabla f(x)^Tp,\quad \nabla f(x)^Tp<0,\quad \alpha\leftarrow\beta\alpha,\quad 0<c<1,\ 0<\beta<1$ | Численная оптимизация | Обратный поиск по правилу Армихо уменьшает пробный шаг, пока функция не снизится на заданную долю линейного прогноза. Он выбирает длину движения вдоль уже найденного направления спуска. |
| Составная формула средних прямоугольников | $M_n=h\sum_{i=0}^{n-1}f\!\left(a+\left(i+\tfrac12\right)h\right),\quad h=\frac{b-a}{n}$ | Численное интегрирование | Составная формула средних прямоугольников заменяет интеграл суммой площадей с высотами в серединах равных отрезков. Для гладкой функции погрешность имеет второй порядок по шагу, хотя значения на концах не используются. |
| Квадратура Гаусса—Лежандра с двумя узлами | $G_2=\frac{b-a}{2}\left[f\!\left(m-\frac{b-a}{2\sqrt3}\right)+f\!\left(m+\frac{b-a}{2\sqrt3}\right)\right],\quad m=\frac{a+b}{2}$ | Численное интегрирование | Двухузловая квадратура Гаусса—Лежандра вычисляет функцию в двух специально выбранных внутренних точках. На конечном отрезке с единичным весом она точно интегрирует любой многочлен степени не выше трёх. |
| Метод Ромберга: таблица уточнений интеграла | $R_{k,0}=T_{2^k},\quad R_{k,j}=R_{k,j-1}+\frac{R_{k,j-1}-R_{k-1,j-1}}{4^j-1},\quad 1\le j\le k$ | Численное интегрирование | Метод Ромберга строит таблицу из составных трапеций с последовательным удвоением числа отрезков. Экстраполяция устраняет ведущие чётные степени шага и повышает точность без смены уже вычисленных узлов. |
| Адаптивный Симпсон: локальная оценка ошибки | $S_1=S(a,b),\ S_2=S(a,m)+S(m,b),\quad \varepsilon_{\mathrm{est}}=\frac{|S_2-S_1|}{15},\quad I\approx S_2+\frac{S_2-S_1}{15}$ | Численное интегрирование | Адаптивный метод Симпсона сравнивает одну параболическую оценку с двумя оценками на половинах. Разность даёт локальный индикатор ошибки, по которому алгоритм уточняет только те участки, где не достигнут допуск. |
| Интеграл методом Монте-Карло: среднее и ошибка | $\hat I_N=\frac{b-a}{N}\sum_{i=1}^N f(X_i),\quad X_i\overset{\mathrm{iid}}\sim U(a,b),\quad\widehat{\mathrm{SE}}=(b-a)\frac{s_f}{\sqrt N}$ | Численное интегрирование | Метод Монте-Карло оценивает интеграл как длину отрезка, умноженную на среднее значений функции в случайных равномерных точках. Разброс оценки измеряют стандартной ошибкой, которая при независимой выборке убывает как N⁻¹ᐟ². |
| Метод Тейлора второго порядка для задачи Коши | $y_{n+1}=y_n+h f_n+\frac{h^2}{2}\left(f_t+f_y f\right)_n$ | Численные методы ОДУ | Метод Тейлора второго порядка добавляет к шагу Эйлера член с полной производной правой части. Для скалярного уравнения y′=f(t,y) вторая производная решения равна fₜ+fᵧf, вычисленной в начале шага. |
| Неявная средняя точка: шаг и сохранение структуры | $y_{n+1}=y_n+h f\!\left(t_n+\frac h2,\frac{y_n+y_{n+1}}2\right)$ | Численные методы ОДУ | Неявная средняя точка вычисляет производную в среднем старого и нового состояний. Новый уровень входит в правую часть, поэтому шаг находят решением уравнения. Схема второго порядка обратима по времени при согласованном решении. |
| Неявная трапециевидная схема Кранка — Николсон для ОДУ | $y_{n+1}=y_n+\frac h2[f(t_n,y_n)+f(t_{n+1},y_{n+1})]$ | Численные методы ОДУ | Неявная трапециевидная схема усредняет производные на концах шага, включая неизвестный новый уровень. Она имеет второй порядок и A-устойчивость, но при крупном шаге затухание может сопровождаться сменой знака. |
| Метод Адамса — Башфорта второго порядка для ОДУ | $y_{n+1}=y_n+h\left(\frac32 f_n-\frac12 f_{n-1}\right)$ | Численные методы ОДУ | Двухшаговый метод Адамса — Башфорта использует два уже вычисленных наклона и получает явное приближение второго порядка с одним новым вызовом правой части. |
| Метод Ньютона для минимума: шаг через матрицу Гессе | $H_k d_k=-g_k,\qquad x_{k+1}=x_k+\alpha_k d_k$ | Численная оптимизация | Метод Ньютона выбирает шаг по квадратичной модели целевой функции: матрица Гессе учитывает кривизну, а градиент задаёт линейную часть. Решение системы даёт направление, но длину шага иногда приходится уменьшать. |
| Покоординатный спуск для выпуклой квадратичной функции | $x_i^{+}=x_i-\frac{(Ax-b)_i}{A_{ii}},\quad f(x)=\tfrac12x^TAx-b^Tx$ | Численная оптимизация | Покоординатный спуск минимизирует функцию по одной переменной при фиксированных остальных. Для положительно определённой квадратичной цели точное обновление получается делением компоненты градиента на диагональ матрицы. |
| Проекционный градиент: минимум с ограничениями на переменные | $x_{k+1}=\Pi_C(x_k-\alpha\nabla f(x_k))$ | Численная оптимизация | Проекционный градиент сначала делает обычный градиентный шаг, затем возвращает точку в допустимое выпуклое множество ближайшей евклидовой проекцией. Для прямоугольника проекция сводится к отсечению каждой координаты по границам. |
| Метод Франка — Вульфа: линейный подшаг на симплексе | $s_k\in\arg\min_{s\in C}\nabla f(x_k)^Ts,\quad x_{k+1}=(1-\gamma_k)x_k+\gamma_k s_k$ | Численная оптимизация | Метод Франка — Вульфа заменяет проекцию решением линейной задачи на допустимой области. Новая точка лежит на отрезке между старой точкой и решением подзадачи; на симплексе линейный минимум достигается в одной из его вершин. |
| Метод тяжёлого шарика: инерционный шаг для квадратичной цели | $x_{k+1}=x_k-\alpha\nabla f(x_k)+\beta(x_k-x_{k-1})$ | Численная оптимизация | Метод тяжёлого шарика добавляет к градиентному шагу долю предыдущего перемещения. На положительно определённой квадратичной функции сходимость можно проверять по корням скалярной рекурсии для каждого собственного направления. |
| Метод простой итерации для поиска корня уравнения | $x_{k+1}=g(x_k),\quad x=g(x)$ | Численный поиск корней | Метод простой итерации заменяет уравнение f(x)=0 равносильным уравнением x=g(x) и строит последовательность приближений. Условие сжатия отображения даёт проверяемую гарантию сходимости к единственной неподвижной точке. |
| Метод ложного положения: корень по хорде со скобкой | $c=a-\frac{f(a)(b-a)}{f(b)-f(a)}$ | Численный поиск корней | Метод ложного положения (regula falsi) берёт пересечение хорды с осью x и сохраняет интервал, где функция меняет знак. Он сочетает интерполяцию секущей с гарантией удержания корня в скобке непрерывной функции. |
| Левая разность: производная по текущему и прошлому узлу | $f^{\prime}(x_i)\approx\frac{f(x_i)-f(x_{i-1})}{h}$ | Численное дифференцирование | Левая конечная разность оценивает производную в текущем узле по значению функции в нём и в предыдущем узле. Она имеет ошибку первого порядка по шагу и удобна на правой границе таблицы, когда будущие значения ещё недоступны. |
| Трёхточечная левая формула производной второго порядка | $f^{\prime}(x_n)\approx\frac{3f_n-4f_{n-1}+f_{n-2}}{2h}$ | Численное дифференцирование | Трёхточечный шаблон использует два предыдущих узла и текущее значение, чтобы оценить производную на правом краю равномерной сетки с ошибкой порядка h². Он точнее простой левой разности и не требует будущих значений. |
| BDF2: неявная формула второго порядка для жёсткого ОДУ | $\frac{3y_{n+1}-4y_n+y_{n-1}}{2h}=f(t_{n+1},y_{n+1})$ | Численные методы ОДУ | BDF2 аппроксимирует производную в новом узле комбинацией двух предыдущих значений и неизвестного y следующего шага. Это неявный метод второго порядка, который применяют для жёстких задач, где явные схемы требуют слишком малого шага. |
| Узлы Чебышёва: выбор точек для интерполяции | $x_k=\frac{a+b}{2}+\frac{b-a}{2}\cos\frac{(2k+1)\pi}{2n},\quad k=0,\ldots,n-1$ | Интерполяция | Узлы Чебышёва — неравномерные точки, сгущённые около концов отрезка. Корни полинома Tₙ дают удобную сетку для интерполяционного полинома степени не выше n−1 и уменьшают наибольший модуль узлового произведения. |
| Схема Кленшоу для суммы полиномов Чебышёва | $b_{n+1}=b_{n+2}=0,\quad b_k=c_k+2xb_{k+1}-b_{k+2},\quad S=c_0+xb_1-b_2$ | Интерполяция | Схема Кленшоу вычисляет конечную сумму S(x)=c₀+ΣcₖTₖ(x) обратной рекурсией. Вместо отдельного построения всех полиномов она хранит два соседних состояния и объединяет вычисление базисных функций с суммированием. |
| Константа Лебега: усиление ошибки интерполяции | $L_n(x)=\sum_{j=0}^n|\ell_j(x)|,\qquad\Lambda_n=\max_{x\in[a,b]}L_n(x)$ | Интерполяция | Константа Лебега измеряет наибольшее усиление ошибок значений при полиномиальной интерполяции на фиксированной сетке. Она зависит от расположения узлов и выбранного отрезка, но не от конкретных значений функции. |
| Теорема Ролля: условие нулевой производной | $f(a)=f(b) \Rightarrow \exists c\in(a,b): f'(c)=0$ | Математический анализ | Теорема Ролля утверждает: если функция непрерывна на отрезке [a,b], дифференцируема внутри него и принимает на концах одинаковые значения, то хотя бы в одной внутренней точке её производная равна нулю. Геометрически график имеет там горизонтальную касательную. |
| Теорема Лагранжа о среднем: производная и наклон хорды | $f'(c)=\frac{f(b)-f(a)}{b-a},\quad c\in(a,b)$ | Математический анализ | Теорема Лагранжа о среднем связывает среднюю скорость изменения функции на [a,b] с её мгновенной скоростью в некоторой внутренней точке: найдётся c, для которого f′(c)=(f(b)−f(a))/(b−a). Функция должна быть непрерывна на отрезке и дифференцируема внутри. |