1.2.1 误差来源与分类
近似解 与 精确解 之间的误差称为 截断误差 或 方法误差。
eg:
可微函数 f(x) 用泰勒 (Taylor) 多项式
P
n
(
x
)
=
f
(
0
)
+
f
′
(
0
)
1
!
x
+
f
′
′
(
0
)
2
!
x
2
+
⋯
+
f
(
n
)
(
0
)
n
!
x
n
P_{n}(x)=f(0)+\frac{f^{\prime}(0)}{1!}x+\frac{f^{\prime\prime}(0)}{2!}x^{2}+\cdots+\frac{f^{(n)}(0)}{n!}x^{n}
Pn(x)=f(0)+1!f′(0)x+2!f′′(0)x2+⋯+n!f(n)(0)xn
近似代替,则数值方法的截断误差是
R
n
(
x
)
=
f
(
x
)
−
P
n
(
x
)
=
f
(
n
+
1
)
(
ξ
)
(
n
+
1
)
!
x
n
+
1
,
ξ
在 0 与
x
之间
.
R_{n}\left(x\right)=f\left(x\right)-P_{n}\left(x\right)=\frac{f^{\left(n+1\right)}\left(\xi\right)}{\left(n+1\right)!}x^{n+1},\quad\xi\text{ 在 0 与 }x\text{ 之间}.
Rn(x)=f(x)−Pn(x)=(n+1)!f(n+1)(ξ)xn+1,ξ 在 0 与 x 之间.
由于计算机的字长 (一次能够处理的二进制数字的位数)有限,原始数据在计算机上表示时会产生误差,这种误差称为舍入误差。
eg:
用3.14159近似代替π,产生的误差
R = π - 3.14159 = 0.0000026•••
就是舍入误差。
1.2.2 误差与有效数字
定义1 设x为准确值,x*为x的一个近似值,e*=x*-x为近似值的绝对误差,简称误差。
注意:是 近似值 减去 准确值 !(近-准)。
ε* (其中ε读作伊普西隆),ε*叫做近似值的误差限,它总是正数。
对于一般情形,
∣
x
⋆
−
x
∣
≤
ε
⋆
\left|x^{\star}-x\right|\leq\varepsilon^{\star}
∣x⋆−x∣≤ε⋆,即
x
⋆
−
ε
⋆
≤
x
⩽
x
⋆
+
ε
⋆
x^{\star}-\varepsilon^{\star}\leq x\leqslant x^{\star}+\varepsilon^{\star}
x⋆−ε⋆≤x⩽x⋆+ε⋆ , 这个不等式有时也表示为x = x* ± ε* .
误差限的大小还不能完全表示近似值的好坏,除考虑误差的大小外,还应考虑准确值x本身的大小。我们把近似值的误差e*与准确值x的比值 e ⋆ x = x ⋆ − x x \frac{e^{\star}}{x}=\frac{x^{\star}-x}{x} xe⋆=xx⋆−x 称为近似值x*的相对误差,记作 e r ⋆ e_{r}^{\star} er⋆。
相对误差可正可负,相对误差的绝对值上界叫做相对误差限,记作εr*,即 ε r ∗ = ε ∗ ∣ x ∗ ∣ \varepsilon_{r}^{*}=\frac{\varepsilon^{*}}{\left|x^{*}\right|} εr∗=∣x∗∣ε∗。
相对误差限=误差限/近似值的绝对值
定义2 若近似值x*的误差限是某一位的半个单位,该位到x*的第一位非零数字共有n位,就说x*有n位有效数字,它可以表示为
x
∗
=
±
1
0
m
×
(
a
1
+
a
2
×
1
0
−
1
+
⋯
+
a
n
×
1
0
−
(
n
−
1
)
)
,
(
2.1
)
x^{*}=\pm10^{m}\times\left(a_{1}+a_{2}\times10^{-1}+\cdots+a_{n}\times10^{-\left(n-1\right)}\right), (2.1)
x∗=±10m×(a1+a2×10−1+⋯+an×10−(n−1)),(2.1)
其中 a i ( i = 1 , 2 , ⋯ , n ) 是0到9中的一个数字 , a 1 ≠ 0 , m 为整数,且 \text{其中}a_i(i=1,2,\cdots,n)\text{是0到9中的一个数字},a_1\neq0,m\text{ 为整数,且} 其中ai(i=1,2,⋯,n)是0到9中的一个数字,a1=0,m 为整数,且
∣ x − x ∗ ∣ ⩽ 1 2 × 1 0 m − n + 1 , ( 2.2 ) \mid x-x^{*}\mid\leqslant\frac{1}{2}\times10^{m-n+1}, (2.2) ∣x−x∗∣⩽21×10m−n+1,(2.2)