工程数学中的误差

第一章 概论

• 数值计算方法（数值分析）：求解的数值方法及与此有关的理论。

• 实际问题的步骤：（面向计算机）

  1. 实际问题
  2. 数学模型（应用数学：数学建模）
  3. 数值算法（计算数学）
  4. 设计程序
  5. 出结果

• 做题步骤：

  1. 数值计算
  2. 近似结果
  3. 误差估计

1.1 误差基本概念

• 种类：

  例题：用牛顿第二定律测量单摆周期$T=2\pi \sqrt{\frac{l}{g}}$.
  

  1. 模型误差：忽视空气阻力，摩擦力
  2. 观测误差：重力加速度 $g$ 不精确
  3. 截断误差：$\theta \approx \sin \theta$ （无限的计算过程用有限步替代：泰勒展开）
  4. 舍入误差：数位太长四舍五入

• 绝对误差与相对误差：

  设 $x$ 是准确值 $x^{\ast }$ 的近似值

  • 绝对误差：$e(x)=x-x^{\ast }$ 为 $x$ 的绝对误差，注意没有绝对值。

    $e(x)>0$，称 $x$ 为 $x^{\ast }$的强近似；$e(x)<0$，称 $x$ 为 $x^{\ast }$ 的近似。

  • 绝对误差限/界（用于误差估计）：确定$\eta >0$，使 $|e(x)|=|x-x^{\ast }|\le \eta$ ，称$\eta$为 $x$ 的绝对误差限（不唯一）。

  • 相对误差：$e_r(x)=\frac{x-x^{\ast }}{x^{\ast }}\approx \frac{x-x^{\ast }}{x}$ 为 $x$ 的相对误差。

    $e(x)>0$，称 $x$ 为 $x^{\ast }$ 的强近似；$e(x)<0$，称 $x$ 为 $x^{\ast }$ 的弱近似

  • 绝对误差限/界：若存在$\eta >0$，使 $|e_r(x)|\le \eta$ ，称 $\eta$ 为 $x$ 的相对误差限

• 有效数字：工程上常用有效数字，可隐含绝对误差限和相对误差限

  • 简单说：若近似值 $x$ 误差限是某一位上的 半个单位，该位到左边第一位非零数字共有 $n$ 位，则称 $x$ 具有 $x$ 位有效数字。
  • 设$a_1\ne 0,x=\pm 10^m\times a_1.a_2{a}_3...a_n...$，若$\eta \le \frac{1}{2}\times 10^{m-(n-1)}$，则$a_n$为有效数字，$x$ 共有 $n$ 位有效数字。

  例：精确数${\pi }_0=3.14159265..$，近似数$\pi =3.1416$，求有效数字

  解：
  $$\begin{gathered} e(\pi )=3.1416-3.14159265..=0.00000734..\le 0.5\times 10^{-4} \\ 称\pi =3.1416准确到小数点后4位,共5位有效数字 \end{gathered}$$

• 定理1.1：近似数 $x$ 有 $n$ 位有效数字，则其相对误差限 $\eta \le \frac{1}{2a_1}\times 10^{-(n-1)}$；

  ​ 反之，若 $x$ 有相对误差限$\eta \le \frac{1}{2(a_1+1)}\times 10^{-(n-1)}$，则 $x$ 至少具有 $n$ 位有效数字。

  ​ 表明有效数字位数越多，相对误差越小。

• 基本运算与函数运算的误差估计：

  • 引入微分：$\{\begin{array}{l}e(x)=x-x^{\ast }=dx\\ e_r(x)=\frac{dx}{x}=d\ln x\end{array}$

  • 四则运算：

    • 加减法：
      $$e(x\pm y)=e(x)\pm e(y)$$

    • 乘法：
      $$\{\begin{array}{l}e(xy)=d(xy)=xd(y)+yd(x)=xe(y)+ye(x)\\ e_r(xy)=d\ln (xy)=d\ln x+d\ln y=e_r(x)+e_r(y)\end{array}$$

    • 除法：
      $$\{\begin{array}{l}e(\frac{x}{y})=\frac{ye(x)-xe(y)}{y^2}\\ e_r(xy)=e_r(x)-e_r(y)\end{array}$$

  • 函数运算：

    • 函数值：
      $$\{\begin{array}{l}e(f)=f(x)-f(x^{\ast })\approx df(x)=f^{\prime }(x)dx=f^{\prime }(x)e(x)\\ e_r(f)\approx \frac{df(x)}{f(x)}=\frac{f^{\prime }(x)dx}{f(x)}=\frac{x{f}^{\prime }(x)}{f(x)}{e}_r(x)\end{array}$$

    • 于是，当==$|f^{\prime }(x)|\le 1$且$|\frac{x{f}^{\prime }(x)}{f(x)}|\le 1$==时，使$|e(f)|\le |e(x)|,|e_r(f)|\le |e_r(x)|$（函数值舍入误差不增加/可控），此时称算法是稳定的。

1.2 算法的优化与注意

• 更稳定的数值计算格式：

  例：$设计一个稳定算法，计算定积分I_n={\int }_0^1{x}^n{e}^{x}dx(n=0,1,...,99)$

  解：
  $$\begin{gathered} 分部积分：I_n=e-n{I}_{n-1} \\ 若I_0=e-1=1.71828,则由\{\begin{array}{l}{I}_n=e-n{I}_{n-1}\\ I_0=e-1\approx 1.71828\end{array}计算 \\ 此时I_{99}的误差是I_1误差的99!倍,导致结果严重失真。 \\ 取I_{n-1}=\frac{e}{n}-\frac{I_n}{n} \\ \because \frac{1}{100}={\int }_0^1{x}^{99}{e}^{0}dx\le I_{99}\le {\int }_0^1{x}^{99}{e}^{1}dx=\frac{e}{100}\therefore I_{99}\approx \frac{1}{2}(\frac{1}{100}+\frac{e}{100})=0.0185914 \\ 则由\{\begin{array}{l}{I}_{n-1}=\frac{e}{n}-\frac{I_n}{n}\\ I_{99}\approx 0.0185914\end{array}计算,向下计算误差逐渐减少 \end{gathered}$$

• 防止“大数”吃“小数”：运算时若数字数量级差距太大，计算机运算时会造成结果失真。

  例：在四位十进制计算机上计算$x=1234+\sum _{i=1}^{1000}0.02$

  解：

  1. 计算机正常计算：
     $$x=0.1234\times 10^4+\overbrace{0.000002\times 10^4+\cdots +0.000002\times 10^4}\approx 0.1234\times 10^4(小数被吃掉)$$

  2. 算法优先算小数：
     $$\begin{gathered} \sum _{i=1}^{1000}0.02=20 \\ x=0.1234\times 10^4+0.002\times 10^4\approx 0.1254\times 10^4 \end{gathered}$$

• 其他减少误差：

  1. 避免两个相近的数相减：

     原因：两个数前几位相同的有效数字在差中消失，使得差的有效数字大大减少

     例：当 $x$ 很大时，应将$\sqrt{x+1}-\sqrt{x}\to \frac{1}{\sqrt{x+1}+\sqrt{x}}$

     例：当 $x\to 0$时，应将$\frac{1-\cos x}{\sin x}\to \frac{\sin x}{1+\cos x}$

  2. 避免分母很小或分子很大：

     原因：防止溢出（对于计算机来说）

• 秦九韶算法（简化步骤，减少次数）：

  • 介绍：对于多项式 $P_n(x)=a_n{x}^n+a_{n-1}{x}^{n-1}+...+a_{1}x+a_0$，直接计算在 $x$ 处的值需要$\frac{n(n+1)}{2}$次乘法和$n$次加法。转化为$P_n(x)=((((a_n\cdot x+a_{n-1})\cdot x+a_{n-1})\cdot x+...a_2)\cdot x+a_1)\cdot x+a_0$，计算在 $x$ 处的值只需要$n$次乘法和$n$次加法。
  • 算法迭代格式：$\{\begin{array}{l}{S}_n=a_n\\ S_k=x\cdot S_{k+1}+a_k\\ P_n(x)=S_0\end{array}$