1.数值算法、误差及误差传播规律

1.数值算法

数值计算是指借助计算机用数值方法来近似求解数学问题。
在数学的长期发展过程中，数学家们解决了一个又一个的问题。这中间有些问题是可以求出确切解的，但是有些问题是不容易或者根本无法求出确切的解的。数值计算可以用来解决这些数学问题。
我们通常使用下列四个标准来衡量数值算法的优劣：

• 简单易实现：算法容易在计算机上面实现
• 收敛与稳定：算法具有很好的收敛性和稳定性
• 计算效率高：算法的效率高，而且节省存储
• 算法有效：算法确实可以解决对应的问题

2.误差

误差的含义和分类

前面说了，数值计算的目的不是求一个确切解，而是近似的求解。误差就是衡量数值计算结果和确切解近似程度的工具。

误差描述数值计算中近似值的精确程度
在一般的数值计算教材的定义中，误差按来源可分为模型误差、观测误差、截断误差和舍入误差四种。下面我来谈一下我对四种误差的理解。

• 模型误差：在针对实际问题的分析中，我们建立了一个数学模型，这个数学模型带有自己的误差。例如对于人口问题，如果我们建立线性模型来研究人口问题，显然这和实际情况就存在一些误差
• 观测误差：这个比较好理解，我们在获取数据时，难免会有测量的误差，例如对于同一本书籍，用20cm的直尺和精度更高的游标卡尺测量，其厚度的测量值是不一样的，并且这两个测量的值和原始数据本身会有一定的误差
• 截断误差：在数学计算中，近似方法通常都要舍去某些项，这些舍去的东西就形成了截断误差，这是人为的截断，又称为方法误差
• 舍入误差：计算机只可以计算有限的数字，而且对于$\sqrt{2}$这样的数字，计算机是无法表示的，那么我们必须进行保留有限位，这就是舍入

绝对误差,相对误差和误差限

• 假设精确值为$x^{\ast }$， $x$ 是精确值 $x^{\ast }$ 的一个近似值，将误差$error$简单表示为$e$记$e=x^{\ast }-x$为近似值$x$的绝对误差,简称误差
• 如果绝对误差满足$|e|\le ϵ$ 则称 $ϵ$ 为近似值$x$的绝对误差限，简称误差限
• 有时绝对误差不能很好的描述近似的程度，所以定义$e_r=\frac{e}{x^{\ast }}$为相对误差，在实际情况中，$x^{\ast }$不容易获得，所以实际中有时取$e_r=\frac{e}{x}$，相对的，可以定义满足$|e_r|\le {ϵ}_r$的${ϵ}_r$为相对误差限
• 有效数字：在诸多实验学科中都会定义一个有效数字的概念。这里用误差来给有效数字下一个数值计算的定义。设数$x$是数$x^{\ast }$的近似值，如果$x$的绝对误差限是它的某一数位的半个单位，并且从$x$左起第一个非零数字到该数位共有$n$ 位，则称这$n$个数字为$x$的有效数字，也称用$x$近似$x^{\ast }$时具有$n$位有效数字。例如对于$x=0.578$，若其绝对误差限为$0.0005$，那么它就有3位有效数字

3.误差传播规律

在实际的数值计算中，已知局部的误差，如何通过分析求出整体的误差？

如果我们不考虑模型误差，截断误差和舍入误差，只分析初始的数据误差对结算结果误差的影响，即分析算法的稳定性，那么我们就需要分析误差传播规律。
这个问题可以描述成以下的数学问题
$$\begin{gathered} 已知算法为y=f(x_1,x_2,...,x_n) \\ {x}_1,x_2,...x \end{gathered}$$