数值分析研究生版第一章.ppt

* 3.3 函数的误差估计 /*Error Estimation for Functions*/ 问题：对于 y = f (x)，若用 x* 取代 x，将对y 产生什么影响？ 分析：e*(y) = f (x*) ? f (x) e*(x) = x* ? x Mean Value Theorem = f ’(? )(x* ? x) x* 与 x 非常接近时，可认为 f ’(? ) ? f ’(x*) ，则有： |e*(y)| ? | f ’(x*)|·|e*(x)| 即：x*产生的误差经过 f 作用后被放大/缩小了| f ’(x*)|倍。故称| f ’(x*)|为放大因子 /* amplification factor */ 或 绝对条件数 /* absolute condition number */. * 相对误差条件数 /* relative condition number*/ f 的条件数在某一点是小\大，则称 f 在该点是好条件的 /* well-conditioned */ \坏条件的 /* ill-conditioned */。 注：关于多元函数 的讨论，请参阅教材第11-15页。 * 例:计算 y = ln x。若 x ? 20，则取 x 的几位有效数字可保证 y 的相对误差 0.1% ? 解：设截取 n 位有效数字后得 x* ? x，则 估计 x 和 y 的相对误差上限满足近似关系 不知道怎么办？ x 可能是20.#，也可能是19.#，取最坏情况，即a1 = 1。 ? n ? 4 例：计算 ，取 4 位有效，即 , 则相对误差 * 几点注意事项 /* Remarks */ 1. 避免相近二数相减 (详细分析请参阅教材p.13) 例：a1 = 0.12345，a2 = 0.12346，各有5位有效数字。 而 a2 ? a1 = 0.00001，只剩下1位有效数字。 ? 几种经验性避免方法： 当 | x | 1 时： * 2. 避免小分母 : 分母小会造成浮点溢出 /* over flow */ 3. 避免大数吃小数 例：用单精度计算 的根。 精确解为 ? 算法1：利用求根公式 在计算机内，109存为0.1?1010，1存为0.1?101。做加法时，两加数的指数先向大指数对齐，再将浮点部分相加。即1 的指数部分须变为1010，则：1 = 0.0000000001 ? 1010，取单精度时就成为： 109+1=01010+0?1010=0?1010 大数吃小数 * 算法2：先解出 再利用 注：求和时从小到大相加，可使和的误差减小。 例：按从小到大、以及从大到小的顺序分别计算 1 + 2 + 3 + … + 40 + 109 4. 先化简再计算，减少步骤，避免误差积累。 一般来说，计算机处理下列运算的速度为 * 3.4 浮点运算的舍入误差 设 ，则算术运算： 不一定属于 例如： 则： 因此 不属于 . * 如果 用表示一种四则运算,有: 例如： 那么 Th2 * §4 算法的数值稳定性 一个算法，如果在执行它的过程中舍入误差在 一定条件下可以得到控制（或者说初始误差和舍入 误差的增长不影响产生可靠的结果），则称它是数 值稳定的，否则称该算法数值不稳定. * 传播与积累 /* Spread Accumulation */ 例：蝴蝶效应 —— 纽约的一只蝴蝶翅膀一拍，风和日丽的北京就刮起台风来了？！ NY BJ 以上是一个病态问题 /* ill-posed problem*/ * 例：计算 ? 公式一： 注意此公式精确成立 记为 则初始误差 ? ?? ? ! ! ! * 考察第n步的误差 我们有责任改变。 造成这种情况的是不稳定的算法 /* unstable algorithm */ 迅速积累，误差呈递增走势。 可见初始的小扰动 ? 公式二： 注意此公式与公式一 在理论上等价。 方法：先估计一个IN ,再反推要求的In ( n N )。 可取 * 取 * 考察反推一步的误差： 以此类推，对 n N 有： 误差逐步递减, 这样的算法称为稳定的算法 /* stable algorithm */ 在我们今