Bỏ qua tới nội dung chính
Toán học

Hướng dẫn học chủ đề

Giải tích số

Trung bìnhkhoảng 45 giờ6 bước

Sai số làm tròn, giải phương trình phi tuyến, nội suy, tích phân số, giải hệ tuyến tính và phương trình vi phân bằng phương pháp số.

Bắt đầu học

Bạn sẽ học được gì

  • Giải thích biểu diễn số dấu phẩy động, phân biệt sai số làm tròn và sai số chặt cụt, đánh giá số điều kiện và tính ổn định
  • Cài đặt và so sánh các phương pháp chia đôi, lặp điểm bất động, Newton, dây cung; xác định bậc hội tụ bằng lý thuyết và thực nghiệm
  • Xây dựng đa thức nội suy Lagrange, Newton và spline bậc ba; ước lượng sai số và nhận biết hiện tượng Runge
  • Áp dụng công thức sai phân, quy tắc hình thang, Simpson, Romberg và cầu phương Gauss với đánh giá sai số
  • Giải hệ tuyến tính bằng khử Gauss có chọn trụ, phân tích LU và phương pháp lặp Jacobi, Gauss–Seidel
  • Giải bài toán giá trị đầu cho ODE bằng Euler và Runge–Kutta, nhận biết khi nào bài toán cứng cần phương pháp ẩn
  • Dùng Python (NumPy, SciPy) để kiểm chứng thuật toán và đọc bậc hội tụ trên đồ thị log–log

Nên học trước

Giới thiệu

Giải tích số (Phương pháp tính) nghiên cứu cách tính ra con số cho những bài toán mà công thức giải tích không tồn tại hoặc quá đắt: nghiệm của phương trình phi tuyến, tích phân không có nguyên hàm sơ cấp, hệ hàng triệu phương trình tuyến tính, phương trình vi phân mô tả quỹ đạo vệ tinh. Nhưng cốt lõi của môn học không phải là “thuộc công thức”, mà là trả lời ba câu hỏi cho mỗi thuật toán: nó có hội tụ không, hội tụ nhanh cỡ nào, và sai số là bao nhiêu? Chủ đề này tương ứng với MIT 18.330 Introduction to Numerical Analysis, Berkeley Math 128A và học phần Giải tích số / Phương pháp tính ở ĐHBK Hà Nội, ĐHKHTN.

Máy tính không làm việc với số thực

Mọi tính toán trên máy dùng số dấu phẩy động với độ chính xác hữu hạn (khoảng 16 chữ số thập phân với kiểu double). Hậu quả: 0,1 + 0,2 không đúng bằng 0,3, trừ hai số gần bằng nhau làm mất nhiều chữ số có nghĩa, và một công thức đúng về toán học có thể cho kết quả sai hoàn toàn trên máy. Môn học phân biệt hai nguồn sai số — sai số làm tròn (do biểu diễn số) và sai số chặt cụt (do thay quá trình vô hạn bằng hữu hạn) — cùng hai khái niệm then chốt: số điều kiện của bài toán (bài toán nhạy cảm đến đâu với nhiễu dữ liệu) và tính ổn định của thuật toán.

Các khối kiến thức

  1. Giải phương trình phi tuyến f(x) = 0: chia đôi (chậm nhưng chắc chắn), lặp điểm bất động, Newton (hội tụ bậc hai khi gần nghiệm), dây cung; khái niệm bậc hội tụ và cách đo nó bằng thực nghiệm.
  2. Nội suy và xấp xỉ: đa thức nội suy Lagrange và Newton (tỉ sai phân), sai số nội suy, hiện tượng Runge khi dùng mốc cách đều, spline bậc ba — nền của đồ họa và thiết kế đường cong.
  3. Đạo hàm và tích phân số: công thức sai phân, quy tắc hình thang và Simpson, ngoại suy Richardson, tích phân Romberg, cầu phương Gauss, tích phân thích nghi.
  4. Hệ phương trình tuyến tính: khử Gauss với chọn trụ, phân tích LU, Cholesky, chuẩn và số điều kiện của ma trận; phương pháp lặp Jacobi, Gauss–Seidel cho ma trận lớn thưa.
  5. Phương trình vi phân thường: phương pháp Euler, Taylor, Runge–Kutta (RK4), phương pháp đa bước, điều khiển bước thích nghi, và vấn đề phương trình cứng (stiff).

Học bằng cách lập trình

Giải tích số chỉ thực sự “ngấm” khi bạn tự cài đặt thuật toán và nhìn nó hội tụ — hoặc thất bại. Hãy dùng Python (NumPy, SciPy, Matplotlib): với mỗi phương pháp, vẽ đồ thị sai số theo số bước trên thang log–log và đọc ra bậc hội tụ từ độ dốc. Sau khi tự viết, so sánh với hàm thư viện (scipy.optimize, scipy.integrate, numpy.linalg) để hiểu những cải tiến mà phần mềm chuyên nghiệp đã làm.

Tài liệu

Sách chính là Numerical Analysis của Burden, Faires và Burden — giáo trình dùng rộng rãi nhất, đầy đủ thuật toán dạng giả mã và phân tích sai số. Tea Time Numerical Analysis của Leon Brin (miễn phí, CC BY-SA) viết thân thiện, rất hợp để tự học các phần phương trình phi tuyến, nội suy, tích phân số và ODE. Python Programming and Numerical Methods của Kong, Siauw và Bayen (UC Berkeley, đọc miễn phí trực tuyến, đã có trong thư viện OpenER) cho mã Python cho từng phương pháp. Bài giảng MIT 18.330 và 18.335J trên MIT OpenCourseWare là nguồn đối chiếu tốt.

Nền tảng cần có: giải tích một biến (đặc biệt khai triển Taylor, định lý giá trị trung bình) và đại số tuyến tính (ma trận, định thức, trị riêng), cộng với kỹ năng lập trình cơ bản.

Giáo trình & sách tham khảo

Xem tất cả trong tab Sách

Giáo trình chính

Numerical Analysis

Richard L. Burden, J. Douglas Faires, Annette M. Burden · 2015 · Bản thứ 10

Có phíTrung bìnhTiếng Anh912 trang

Vì sao chọn: Giáo trình giải tích số được dùng rộng rãi nhất (bản thứ 10), trình bày mọi phương pháp của lộ trình dưới dạng thuật toán giả mã kèm phân tích sai số và rất nhiều bài tập. Chọn làm sách chính vì phủ đủ cả sáu bước, kể cả hệ phương trình tuyến tính; sách trả phí.

Nên đọc: Chương 1–7 (sai số, phương trình một biến, nội suy, đạo hàm và tích phân số, bài toán giá trị đầu, hệ tuyến tính trực tiếp và lặp)

Tea Time Numerical Analysis

Leon Q. Brin · 2021 · Bản thứ 3

CC BY-SATrung bìnhTiếng Anh

Giáo trình mở (CC BY-SA 4.0, bản thứ 3), miễn phí, được Viện Toán học Hoa Kỳ (AIM) giới thiệu; viết thân thiện, có mã Octave. Rất hợp để tự học; lưu ý sách không có chương về hệ phương trình tuyến tính.

Nên đọc: Chương 1 Preliminaries; Chương 2 Root Finding; Chương 3 Interpolation; Chương 4 Numerical Calculus; Chương 5 More Interpolation; Chương 6 Ordinary Differential Equations

Python Programming and Numerical Methods: A Guide for Engineers and Scientists

Qingkai Kong, Timmy Siauw, Alexandre Bayen · 2020 · Bản thứ 1

Miễn phíCơ bảnTiếng Anh400 trang

Sách của UC Berkeley đọc miễn phí trực tuyến, đã có trong thư viện OpenER. Mỗi phương pháp đi kèm mã Python chạy được — dùng để cài đặt và thử nghiệm song song với lý thuyết.

Nên đọc: Chương 9 Representation of Numbers; Chương 14 Linear Algebra and Systems of Linear Equations; Chương 17 Interpolation; Chương 19–22 (tìm nghiệm, đạo hàm số, tích phân số, ODE)

Các bước học

Đăng nhập để đánh dấu các bước đã hoàn thành.

  1. Bước 1: Sai số, số dấu phẩy động và tính ổn định

    khoảng 6 giờ

    Học biểu diễn số dấu phẩy động, epsilon máy, sai số tuyệt đối và tương đối, sai số làm tròn và chặt cụt, khai triển Taylor như công cụ đánh giá sai số, số điều kiện và thuật toán ổn định. Tính (1 − cos x)/x² với x = 10⁻⁸ theo hai cách (trực tiếp và qua công thức 2sin²(x/2)) để thấy hiện tượng mất chữ số có nghĩa.

  2. Bước 2: Giải phương trình phi tuyến

    khoảng 8 giờ

    Học phương pháp chia đôi, lặp điểm bất động, Newton, dây cung, bậc hội tụ, tăng tốc Steffensen và tìm nghiệm của đa thức. Cài đặt chia đôi, Newton và dây cung để giải x = cos x, in sai số từng bước và ước lượng bậc hội tụ từ dữ liệu.

  3. Bước 3: Nội suy và spline

    khoảng 8 giờ

    Học đa thức nội suy Lagrange và Newton (tỉ sai phân), công thức sai số nội suy, hiện tượng Runge và mốc Chebyshev, nội suy Hermite, spline bậc ba tự nhiên. Nội suy hàm Runge 1/(1 + 25x²) trên [−1, 1] với 11 mốc cách đều, 11 mốc Chebyshev và spline bậc ba, rồi vẽ sai số của ba cách.

  4. Bước 4: Đạo hàm số và tích phân số

    khoảng 7 giờ

    Học công thức sai phân cho đạo hàm và sự cân bằng giữa sai số chặt cụt và làm tròn, quy tắc hình thang, Simpson, ngoại suy Richardson, tích phân Romberg, cầu phương Gauss và tích phân thích nghi. Tính ∫₀¹ e^(−x²) dx bằng hình thang và Simpson với n = 2, 4, …, 1024, vẽ sai số trên thang log–log và đọc bậc chính xác.

  5. Bước 5: Giải hệ phương trình tuyến tính

    khoảng 8 giờ

    Học khử Gauss, chọn trụ, phân tích LU và Cholesky, chuẩn vectơ – ma trận, số điều kiện, phương pháp lặp Jacobi và Gauss–Seidel. Giải hệ với ma trận Hilbert cấp 5, 10, 15 bằng numpy.linalg.solve, so sánh sai số với số điều kiện, và cài đặt Gauss–Seidel cho một ma trận chéo trội ngặt.

  6. Bước 6: Giải số phương trình vi phân thường

    khoảng 8 giờ

    Học bài toán giá trị đầu, phương pháp Euler, Taylor, Runge–Kutta, sai số địa phương và toàn cục, Runge–Kutta thích nghi, phương pháp đa bước và phương trình cứng. Giải phương trình con lắc bằng Euler và RK4 với cùng bước h, so sánh sai số năng lượng sau 100 chu kỳ; đối chiếu với scipy.integrate.solve_ivp. Bài giảng MIT 18.330 trên MIT OpenCourseWare có thêm bài tập.

Khái niệm chính

Số dấu phẩy động
Cách máy tính biểu diễn số thực với độ chính xác hữu hạn (chuẩn IEEE 754); epsilon máy khoảng 2,2·10⁻¹⁶ với kiểu double.
Sai số làm tròn và sai số chặt cụt
Sai số làm tròn đến từ biểu diễn số hữu hạn; sai số chặt cụt đến từ việc thay quá trình vô hạn (chuỗi, giới hạn) bằng hữu hạn bước.
Số điều kiện và tính ổn định
Số điều kiện đo độ nhạy của bài toán với nhiễu dữ liệu; thuật toán ổn định không khuếch đại sai số vượt quá mức mà số điều kiện cho phép.
Bậc hội tụ
Phương pháp lặp có bậc p nếu sai số bước sau xấp xỉ tỉ lệ với lũy thừa p của sai số bước trước; Newton có bậc 2, dây cung khoảng 1,618.
Phương pháp Newton
Lặp xₙ₊₁ = xₙ − f(xₙ)/f′(xₙ), hội tụ bậc hai khi khởi đầu đủ gần nghiệm đơn nhưng có thể phân kỳ nếu khởi đầu kém.
Lặp điểm bất động
Viết lại phương trình thành x = g(x) và lặp; hội tụ khi g là ánh xạ co gần nghiệm (|g′| < 1).
Đa thức nội suy và hiện tượng Runge
Đa thức bậc n đi qua n + 1 điểm cho trước; với mốc cách đều và bậc cao, sai số dao động mạnh ở hai đầu đoạn (hiện tượng Runge), khắc phục bằng mốc Chebyshev hoặc spline.
Spline bậc ba
Hàm ghép từ các đa thức bậc ba có đạo hàm cấp một, cấp hai liên tục tại các mốc; xấp xỉ trơn, ổn định cho dữ liệu nhiều điểm.
Công thức cầu phương
Xấp xỉ tích phân bằng tổng có trọng số giá trị hàm: hình thang, Simpson, Romberg (ngoại suy Richardson), cầu phương Gauss đạt bậc chính xác tối đa.
Phân tích LU và chọn trụ
Viết ma trận thành tích tam giác dưới – tam giác trên, tương đương khử Gauss; chọn trụ (hoán vị hàng) để tránh chia cho số nhỏ và giữ ổn định.
Phương pháp lặp Jacobi, Gauss–Seidel
Giải hệ tuyến tính lớn thưa bằng cách cập nhật dần từng ẩn; hội tụ khi ma trận chéo trội ngặt hoặc bán kính phổ của ma trận lặp nhỏ hơn 1.
Phương pháp Runge–Kutta
Họ phương pháp một bước giải ODE bằng cách lấy trung bình có trọng số nhiều độ dốc trong mỗi bước; RK4 có sai số toàn cục bậc 4.
Phương trình cứng (Stiff)
ODE có các thang thời gian rất khác nhau, khiến phương pháp hiện cần bước cực nhỏ để ổn định; cần phương pháp ẩn như Euler ẩn, BDF.

Học xong để làm gì

  • Mô phỏng kỹ thuật: tính toán kết cấu, dòng chảy, truyền nhiệt đều quy về giải hệ tuyến tính lớn và ODE/PDE bằng số
  • Đồ họa và thiết kế (CAD): spline và đường cong Bézier để vẽ phông chữ, thân xe, hoạt hình
  • Khoa học dữ liệu và học máy: giải bình phương tối thiểu, tối ưu bằng Newton và gradient, ổn định số khi huấn luyện mô hình
  • Vật lý và thiên văn: tích phân quỹ đạo vệ tinh, hành tinh bằng Runge–Kutta và phương pháp đa bước
  • Tài chính và kinh tế: tính lãi suất nội bộ (IRR) bằng Newton, định giá quyền chọn bằng phương pháp số
  • Phần mềm khoa học: hiểu cách NumPy, SciPy, MATLAB hoạt động để chọn đúng hàm và tránh lỗi số

Câu hỏi thường gặp

Giải tích số và Phương pháp tính có khác nhau không?

Về cơ bản là cùng nội dung; “Phương pháp tính” thường là học phần cho khối kỹ thuật, thiên về thuật toán, còn “Giải tích số” ở khoa Toán chú trọng thêm chứng minh hội tụ và đánh giá sai số.

Có bắt buộc phải lập trình không?

Gần như bắt buộc: chỉ khi tự cài đặt và quan sát thuật toán hội tụ hay thất bại, bạn mới hiểu vì sao cần phân tích sai số. Python với NumPy là lựa chọn dễ bắt đầu nhất.

Tại sao không dùng luôn hàm có sẵn của thư viện?

Trong thực tế bạn sẽ dùng thư viện, nhưng cần hiểu thuật toán để chọn đúng phương pháp, đặt đúng tham số dung sai và nhận ra khi kết quả sai vì bài toán điều kiện kém hoặc phương trình cứng.

Nên đọc sách nào trước?

Tea Time Numerical Analysis (miễn phí) để tự học nhẹ nhàng, kết hợp sách của Kong và cộng sự để có mã Python; dùng Burden khi cần thuật toán đầy đủ và phân tích sai số chặt chẽ.

Học xong có thể học gì tiếp?

Đại số tuyến tính số (phân tích QR, SVD, trị riêng), phương pháp số cho PDE (sai phân, phần tử hữu hạn), tối ưu hóa số và tính toán khoa học hiệu năng cao.

Chọn nguồn tự học

Tự cài đặt từng thuật toán bằng Python trước khi dùng thư viện, và luôn đo sai số thực tế để so với đánh giá lý thuyết.