在所有有限差分表达式中,系数之和为零。对舍入误差的影响可能很大。很小时,的值几乎相等。当它们通过系数相乘再相加,可能会丢失几个有效数字。
以(1)为例,分子可能会为0。但是我们不能使h太大,因为这样截断错误将变得过大。为了解决这个矛盾,我们可以采取以下措施:
- 1 使用双精度浮点数运算
- 2 采用精确度至少为的有限差分公式
例如,用中心差分法计算 在 处的二阶导数。取不同的 值以及精度为 和 ,手算结果见下表
精确值为。精度为 时,的最佳值为0.08。由于截断和舍入错误的共同影响,三位有效数字丢失。大于最佳值,主要错误是由截断引起的。小于最佳值,舍入误差变得明显。
精度为 时,结果精确到四位有效数字。这是因为额外的精度降低了舍入误差。最佳约为0.02。
Python的双精度计算
import mathh = 0.02x = 1.0 ddf = ( math.exp(-(x+h)) - 2*math.exp(-(x)) + math.exp(-(x-h)) ) / (h*h)print(ddf)
输出结果:
h的取值对双精度计算影响不大。
★★★★往期相关★★★★
数值微分|向前差分和向后差分
数值微分|中心差分法(Central Finite Difference Approximations)
数值微分|多项式的导数计算C++版
数值微分|多项式的导数计算
通过案例学Python之定义函数类
数值积分|第二类反常积分
数值积分|第一类反常积分
数值积分|中点法则(Midpoint Rule)
数值积分|龙贝格公式
数值积分|自适应辛普森积分公式
数值积分|自适应梯形积分
数值积分|牛顿-柯特斯公式
数值积分|高斯积分
数值积分|泰勒(Taylor)公式求积分
数值积分| 辛普森公式
Python实现辛普森公式