SYSTEMATIC MATHEMATICS

数值分析

计算机给出一个数字,为什么应该相信它?本课用 37 个完整章节,从可以手算核验的算术开始,先区分四种问题:输入数据不准确、数学问题本身敏感、机器舍入,以及所选方法引入的误差。每个近似答案都要附带残差、误差估计或误差界,并用更高精度、更小步长或另一种方法再算一次。完成这一基础后,才进入方程、满秩与秩亏线性系统、一般稀疏系统、特征值问题、拟合、插值、固定与自适应积分、初值与边值演化以及简单 PDE 离散。课程始终区分“得到近似答案”“验证数值计算”“对无法解析的信息作正则化”与“验证原始模型”。

本课程之前: 已完成单变量微积分 I 与 II、多变量微积分、线性代数、微分方程与动力系统以及偏微分方程。最后的弱形式章节还使用向量微积分思想,并受益于测度与 Lebesgue 积分。学习者应能使用 Taylor 定理、范数、特征值、正交性、初值与边值数据以及基本证明方法。

COURSE FACTSLevel, chapters, units, prerequisite, and outcome
第 1 章

绝对误差、相对误差、截断误差与数据误差

目标: 精确答案为零时能否照常使用相对误差?

每次计算都从一个精确目标与一个近似值开始;不同误差度量回答不同问题,没有尺度信息时不能互换。

先读懂目标与误差度量,再运行算法:对精确值 x 与近似值 x̂,绝对误差为 |x−x̂|;当 x≠0 时相对误差为 |x−x̂|/|x|。截断误差来自用有限过程代替无限过程,数据误差则已存在于输入。 本节要建立的保证是:若 |x−x̂|≤ε 且 |x|≥m>0,则相对误差至多为 ε/m;若没有 |x| 的正下界,就不能作这种换算。 每个报告数字都保留数据尺度、范数、精度、停止准则与离散方式。

例题是:用 1.414 近似 √2,计算绝对误差与相对误差。 从“用 √2≈1.414213562,减去 1.414。”开始,以“除以 √2,得到相对误差约 1.51×10⁻⁴。”完成。再使用所述残差、界、不变量或细化比较,判断这些数字究竟认证了什么。

若 |x−x̂|≤ε 且 |x|≥m>0,则相对误差至多为 ε/m;若没有 |x| 的正下界,就不能作这种换算。

从 |x−x̂|≤ε 出发,除以已知正量 |x|。

用 |x|≥m 得到 1/|x|≤1/m。

合并不等式得到 |x−x̂|/|x|≤ε/m。

用 1.414 近似 √2,计算绝对误差与相对误差。

  1. 用 √2≈1.414213562,减去 1.414。
  2. 绝对误差约为 0.000213562。
  3. 除以 √2,得到相对误差约 1.51×10⁻⁴。

结果: 绝对误差约 2.14×10⁻⁴,相对误差约 0.0151%;参考值本身也经过舍入,所以最后显示的数字是近似的。