|
مقاله دانشجویی تحقیق پروزه ومفالات دانشجویی
|
||
|
|
سرفصلها: فصل 1: چند جمله ایهای متعامد فصل 2 :تابع گرین و مسائل اشترم _ لیوویل فصل 3:سری فوریه و انتگرال فوریه فصل 4 :معادلات دیفرانسیل با مشتقات جزئی مرتبه دوم فصل5 : معادلات دیفرانسیل با مشتقات جزئی مرتبه دوم فصل6: کاربرد های فیزیکی معادلات دیفرانسیل با مشتقات جزئی برای دانلود اینجا کلیک کنید
کتاب Boyce & Diprima یکی از معروف ترین کتاب های معادلات دیفرانسیل می باشد، این جزوه اموزشی پاورپینت توسط جمال صفار اردبیلی تهیه شده است که علاوه بر قضایای مهم مثال های حل شده ی خوبی را دارا می باشد. پیشنهاد:ابتدا این جزوه اموزشی را به طور کامل فرا بگیرید سپس تمارین کتاب بویس را حل کنید تا به راحتی از پس سوالات امتحانات پایان ترم و حتی ازمون کارشناسی ارشد بر آیید. البته خود کتاب معادلات دیفرانسیل بویس را نیز می توانید از قسمت معالات دیفرانسیل در ارشیو موضوعی دانلود کنید. مباحث این جزوه اموزشی: فصل اول: معادله دیفرانسیل مرتبه اول فصل دوم: معادله دیفرانسیل مرتبه دوم فصل سوم: حل معادله دیفرانسیل به روش سری ها فصل چهارم:توابع بسل وخواص آن فصل پنجم:دستگاه معادلات دیفرانسیل
این کتاب شامل مجموعه ای از بهترین ایده ها در انالیز مختلط است ، برخی از قسمت های کتاب عبارتند از: اعداد مختلط؛ پایه تجزیه و تحلیل پیچیده، تمایز پیچیده، انتگرال های پیچیده، قضیه انتگرال کوشی، فرمول انتگرال کوشی، سری تیلور، اصل حداکثر، نقاط تکین و لوران سری، قضیه انتگرال کوشی مجدد، نظریه باقی مانده، ارزیابی انتگرال معین توابع همساز و تعیین conformal موبیوس تحولات شوارتز کریستوفل تحولات، همگرایی یکنواخت و... Chapter 2: FOUNDATIONS OF COMPLEX ANALYSIS Chapter 3: COMPLEX DIFFERENTIATION Chapter 5: CAUCHY'S INTEGRAL THEOREM Chapter 6: CAUCHY'S INTEGRAL FORMULA Chapter 7: TAYLOR SERIES, UNIQUENESS AND THE MAXIMUM PRINCIPLE Chapter 8: ISOLATED SINGULARITIES AND LAURENT SERIES Chapter 9: CAUCHY'S INTEGRAL THEOREM REVISITED Chapter 11: EVALUATION OF DEFINITE INTEGRALS Chapter 12: HARMONIC FUNCTIONS AND CONFORMAL MAPPINGS Chapter 13: MÖBIUS TRANSFORMATIONS Chapter 14: SCHWARZ-CHRISTOFFEL TRANSFORMATIONS Chapter 15: LAPLACE'S EQUATION REVISITED Chapter 16: UNIFORM CONVERGENCE
 نام کتاب:Lectures in Basic Computational Numerical Analysis نویسندگان :by James M. McDonough انتشار : University of Kentucky 2001 تعداد صفحات : 166 فرمت فایل:PDF حجم فایل : 2MG زبان کتاب : انگلیسی Download link
 فصل 1: مقدمه و مفاهیم اساسی فصل 2: روش های عددی برای معادلات خطی و ماتریس ها فصل 3: چندجملهای تقریب، درونیابی و چندجمله ای متعامد فصل 4: بررسی عددی مشتق و انتگرال فصل 5: حل عددی معادلات دیفرانسیل و انتگرال فصل 6: حداقل مربعات، تجزیه و تحلیل فوریه، و هنجارهای تقریب مرتبط فصل 7: تئوری احتمال و آمار فصل 8: نمونه توزیع لحظات، آزمایش های آماری، و روش نام کتاب:Fundamental Numerical Methods and Data Analysis نویسندگان :George W. Collins, II انتشار :NASA ADS 2003 تعداد صفحات :254 فرمت فایل:PDF زبان کتاب : انگلیسی برای دانلود هر قسمت از کتاب بر روی ان کلیک کنید.
جزوه اموزشی انالیز عددی 1 که مولف اصلی کتاب ان دکتر اسماعیل بابلیان است توسط محسن ساعدی در اسلاید های پاور پوینت تهیه شده است،این جزوه منبع خوبی برای یادگیری اولیه انالیز عددی می باشد. سرفصل های این جزوه: فصل اول : خطاها فصل دوم: حل معادلات غیر خطی فصل سوم: حل معادلات چند جمله ای فصل چهارم : درونیابی فصل پنجم: مشتق گیری وانتگرالگیری فصل ششم: حل عددی معادلات دیفرانسیل... برای دانلود اینجا کلیک کنید.
سرفصل های این کتاب 187 صفحه ای : قصل اول : مروری بر حساب دیفرانسیل و انتگرال فصل دوم:منابع خطا فصل سوم:حل معادلات غیر خطی فصل چهارم:درونیابی فصل پنجم : تقریب برای دانلود اینجا کلیک کنید.
 مباحث : فصل اول : حل سیستمهای خطی فصل دوم : مقادیر و بردارهای ویژه فصل سوم : حل عددی معادلات دیفرانسیل
 مباحث : فصل اول : خطاها فصل دوم : حل معدلات غیر خطی( f( x مساوی با صفر فصل سوم : درون یابی و برون یابی فصل چهارم : مشتق گیری و انتگرال گیری عددی .... پسورد فایل فشرده شده : mathbook.mihanblog.com برای دانلود اینجا کلیک کنید. حجم : 13 مگابایت
صرفه جویی در وقت و هزینه
1- سرشماری جمعیت،کار عظیم ووقت گیر و پرهزینه ایه مخصوصا برای کشورهایی با ده ها میلیون جمعیت،انجام دادن سرشماری در هر سال کار غیر معقولیه به همین خاطر این کار رو هر ده سال یک بار انجام میدن. اطلاعات حاصل از سرشماری بسیار ارزشمنده و برای برنامه ریزیهای کلان یک کشور یا بررسی روندی که اون کشور در مورد مسائل مختلف در حال طی کردنشه یا پیش بینی اتفاقات آینده،مورد استفاده قرار میگیره.حالا اگر بتونیم بجای اینکه این اطلاعات رو ده سال به ده سال داشته باشیم،سال به سال یا حتی ماه به ماه داشته باشیم این مسئله میتونه در روند رو به رشد جامعه بسیار بسیار مفید باشه،اما همونطور که گفته شد انجام سرشماری با بازه های زمانی کمتر از ده سال به دردسرهاش نمی ارزه.آیا راهی نیست که سرشماری رو ده سال یکبار انجام بدیم اما از همون اطلاعات برای بدست آوردن اطلاعات سالیانه یا حتی ماهیانه استفاده کنیم؟2- اجازه بدید کمی دقیق تر به این مسئله نگاه کنیم.فرض کنید یک نمودار داریم که محور x اون سالها رو نشون میده و محور y اون جمعیت یک کشور رو در هر سال.سرشماری انجام شده در هر ده سال یک نقطه رو در اون نمودار مشخص میکنه.فرض کنید طی 50 سال 5 سرشماری انجام شده پس ما 5 نقطه روی این نمودار داریم اما اگه بتونیم به نوعی این نقاط رو به هم وصل کنیم میتونیم تابع جمعیت در سال رو پیدا کنیم و با کمک اون تابع،جمعیت رو در هر سال یا ماهی (خارج از زمان سرشماری)مشخص کنیم.به این اتصال نقاط به هم برای ساختن تابع،درونیابی (Interpolation) میگن. 3- درونیابی در جاهای مختلفی مورد استفاده قرار میگیره مثلا فرض کنید شرکتی میخواد در یک مناقصه ی سود آور جهت ساخت یک بزرگراه شرکت کنه.مسیر طولانی و هزینه ها در حد چندین میلیارد تومانه.این شرکت از کجا میتونه بفهمه که برای ساخت این بزرگراه چه مقدار خاکبرداری و خاکریزی لازمه تا هزینه ها رو مشخص کنه و هزینه ی پیشنهادیش رو در مناقصه ارائه کنه؟ تنها راه استفاده از درونیابیه. متخصصین نقشه برداری اون شرکت،طول و عرض و ارتفاع چندین نقطه از مسیر رو محاسبه میکنن و به کمک این اطلاعات و درونیابی،به یک نقشه ی سه بعدی ازمسیر دست پیدا میکنن که دیگه با اون براحتی میشه هزینه ها رو برآورد کرد و در مناقصه برنده شد!!! 4- سر و کله ی درونیابی در بسیاری از آزمایشهای هزینه بر یا زمان بر هم پیدا میشه. مثلا فرض کنید مجبور باشید مقداری طلا رو در محلولی حل کنید و دمای واکنش حاصل از حل طلا در محلول رو اندازه بگیرید.در این حالت هر چه تعداد آزمایشهاتون کمتر باشه هزینتون کمتره پس اینجا هر چه درونیاب دقیق تری داشته باشید میتونین هزینه کار رو پایین تر ببرید.یا ممکنه برنامه ای کامپیوتری نوشتید که پارامتر خاصی رو به عنوان ورودی می گیره و عدد خاصی رو به عنوان خروجی به شما میده و اجرای این برنامه هم ساعتها طول میکشه.خب طبیعیه که شما نمیتونین پارامتر ورودیتون رو به میزان کمی افزایش بدین و برنامتون رو اجرا کنید چون این کار میتونه هفته ها وقتتون رو بگیره پس پارامترتون رو زیاد افزایش میدین و بعدا از دورنیابی استفاده می کنید. 5- در گذشته هم درونیابی اهمیت زیادی داشت چرا که مثل الان،ماشین حسابهای پیشرفته و کامپیوتر و نرم افزارهای قدرتمند ریاضی در دسترس نبود.در اون روزها برای بدست آوردن جدول سینوس یا لگاریتم که کار زمان بر و دشواری بود تنها مقادیر خاصی(مثلا اعداد حسابی 0 و 1 و 2 و ..) رو در نظر میگرفتن و اطلاعات رو بصورت جدولی ارائه میکردن.حالا اگه یه نفر سینوس یا لگاریتم مقداری اعشاری رو میخواست باید از درونیابها استفاده می کرد. درونیابی چه فرقی با تقریب داره؟!!!
منبع : daneshju6- حالا که این همه راجع به اهمیت درونیابی صحبت کردیم، فرض کنید چند نقطه که باید برای درونیابی مورد استفاده قرار بگیرند رو پیدا کردین و حالا هدفتون وصل کردن اون نقاط به هم و بدست آوردن یک تابع درونیابیه که تا حد ممکن رفتاری شبیه تابع اصلی داشته باشه . ساده ترین راه برای اتصال نقاط به هم اینه که اونها رو با یک خط مستقیم به هم وصل کنیم (درونیابی خطی) اما آیا مثلا در مثال سرشماری، رشد جمعیت خطی بوده؟ نه الزاما !!! ممکنه در سال خاصی یک بلای طبیعی یا بیماری همه گیر یا مهاجرت رخ داده باشه و جمعیت در اون سال بطور غیر خطی افزایش یا کاهش پیدا کرده باشه پس اتصال نقاط بطور خطی میتونه خطای زیادی داشته باشه پس بهتره راههای دیگه ای رو امتحان کنیم. 7- اگه تابع رو طوری بسازیم که بصورت یک چند جمله ای باشه، چند مزیت بزرگ خواهیم داشت.چند جمله ایها، توابع شناخته شده ای هستند و کار باهاشون راحته و براحتی میتونیم مشتق و انتگرالشون رو بگیریم. راههای زیادی برای بدست آوردن چند جمله ای درونیاب وجود داره مثل روش لاگرانژ،روش نیوتون،روش نویل و روش هرمیت. همینطور میتونیم درونیابی رو با توابعی بجز چند جمله ایها انجام بدیم مثلا درونیابی گویا که در اون تابع بصورت کسری که در صورت و مخرجش چند جمله ای قرار داره، محاسبه میشه یا چند جمله ای نمایی یا مثلثاتی که بترتیب از توابع نمایی و مثلثاتی(سینوس و کسینوس) برای درونیابی استفاده می کنند. 8- درونیابی به روشهای اخیر دو مشکل بزرگ داره.اول اینکه ممکنه نوسانات تابع درونیاب (علی الخصوص برای درونیاب چند جمله ای با درجه بالا) خیلی زیاد بشه و خطای درونیابی به شدت بالا بره.دوم هم اینکه اگه ما یک نقطه به نقاط اولیه اضافه کنیم (مثلا اطلاعات یک سال دیگه رو به اطلاعات سرشماری اضافه کنیم) تابع درونیاب بدست اومده کلا عوض میشه!!! برای رفع این مشکل از درونیابی با اسپلاینها استفاده میشه.اسپلاینها بر خلاف درونیابهای گفته شده که اطلاعات رو بطور سراسری (global) درونیابی می کردن،اطلاعات رو بطور موضعی (local) درونیابی می کنند. اسپلاینهای مکعبی(Cubic Spline) و بی-اسپلاین ها(B-Spline) امروزه کاربردهای بسیاری در مقاصد عملی مثل مدل سازی های پزشکی،صنایع اتومبیل سازی، گرافیک کامپیوتر و پردازش تصاویر دارند. 9- در بعضی موارد نقاط بدست آمده طی آزمایش که برای پیدا کردن تابع درونیاب مورد استفاده قرار می گیرند بگونه ای هستند که اگر از درونیابی استفاده کنیم(یعنی تابع را دقیقا از نقاطی که طی آزمایش بدست آمده عبور دهیم) تابع فرمی پیچیده پیدا میکند مثلا در بعضی نقاط مشتق پذیر نیست (تابع در اون نقطه به شکل نوک تیز است) یا نوسانات زیادی دارد. اینجاست که بجای درونیابی از تقریب(Approximation) استفاده میکنیم یعنی بجای اینکه تابع را دقیقا از نقاط عبور دهیم و به تابعی پیچیده برسیم، تابع را از بین نقاط برازش می کنیم یعنی تابع را بگونه ای میسازیم که بجای اینکه دقیقا از نقاط عبور کند از نزدیک نقاط عبور کند اما در عوض تابع حاصله فرمی ساده داشته باشد تا کار با آن آسان باشد. 10- جالب آنکه گاهی ما خود تابع را داریم اما در کارهایمان به علت پیچیدگی آن تابع، از تقریبش بجای خود آن تابع استفاده می کنیم.مشهورترین روش تقریب، تقریب کمترین مربعات است. در این روش تابع تقریب، بگونه ای انتخاب می شود که فاصله ی آن تا نقاط، می نیمم شود.این روش وزن یکسانی را در طول بازه ی تقریب اعمال می کند که ممکن است منجر به خطای زیاد در تقریب شود.در این حالت از تقریب کمترین مربعات وزن دار استفاده می شود تا خطای تقریب کاهش یابد. |
 سلام خیلی به سایت خودتون خوش امدید این سایت هر یک ساعت به روز می شود دوستان به علت استقبال شدید شما قادر نیستیم تمامی مقاله های شما رو در سایت به بعضی دلایل قرار دهیم ولی هم چنان می توانید مقاله ها و پایان نامه های خود را برای ما ارسال نمایید با تشکر 09217354724 |
 |
||
