Wstęp do metod numerycznych Zagadnienia wstępne Uwarunkowanie. P. F. Góra

Transkrypt

1 Wstęp do metod numerycznych Zagadnienia wstępne Uwarunkowanie P. F. Góra

2 Źródła błędów numerycznych Wyniki obliczeń numerycznych obarczone sa błędami. Ich najważniejszymi źródłami sa 1. Błędy grube, pomyłki zawinione przez człowieka. Czasami trudno je wyeliminować, ale teoretycznie wszystkie można usunać, dlatego też, zalecajac ostrożność i staranność autorom programów numerycznych, w analizie algorytmów pomijamy wpływ tych błędów. 2. Błędy algorytmu, wynikajace z zastapienia idealnego problemu matematycznego przez jakieś przybliżenie, na przykład zastapienie zagadnienia obliczania całki oznaczonej przez obliczanie skończonego ciagu sum. W analizie numerycznej staramy się oszacować wpływ takich błędów. Algorytm, którego błędu nie umiemy oszacować, można uznać za bezwartościowy. Copyright c P. F. Góra 1 2

3 Dla niektórych problemów istnieja tak zwane algorytmy dokładne, które dałyby matematycznie ścisłe wyniki, gdyby można było pominać Konsekwencje błędów zaokraglenia, wynikajacych z tego, że nie wszystkie liczby daja się reprezentować na skończonych komputerach w sposób dokładny, a zatem obliczenia prowadzone sa ze skończona precyzja (dokładnościa). Tych błędów, poza bardzo szczególnymi przypadkami, nie daje się całkowicie wyeliminować, należy natomiast umieć szacować ich wpływ oraz go minimalizować. W ogólnym przypadku wpływ błędu algorytmu i błędu zaokraglenia moga się na siebie nakładać i wzajemnie wzmacniać. Copyright c P. F. Góra 1 3

4 Bład zaokraglenia Sposoby reprezentacji liczb całkowitych i rzeczywistych patrz wykład z Teoretycznych Podstaw Informatyki. W sposób ścisły można reprezentować w komputerze tylko liczby całkowite (z pewnego zakresu) oraz liczby wymierne, posiadajace skończone rozwinięcia binarne (z pewnego zakresu). Wszystkie inne liczby można reprezentować tylko w sposób przybliżony. Sa one zatem obarczone pewnym błędem, zwanym błędem zaokraglenia. Copyright c P. F. Góra 1 4

5 Cyfry znaczace Niech x będzie liczba rzeczywista, majac a ogólnie nieskończone rozwinięcie dziesiętne. Cyfry tego rozwinięcia numerujemy w sposób naturalny : cyfra jedności ma numer zero, cyfra dziesiatek ma numer jeden, cyfra setek ma numer dwa itd. Cyfry części ułamkowej rozwinięcia dziesiętnego maja numery ujemne. Liczba x jest poprawnie zaokraglona na d-ej pozycji do liczby, która oznaczamy x (d), jeśli bład zaokraglenia ε jest taki, że ε = x x (d) d. (1) Copyright c P. F. Góra 1 5

6 Na przykład jeśli x = , x ( 3) = 6.744, x ( 7) = Jeśli x jest przybliżeniem dokładnej wartości x, to k-ta cyfrę dziesiętna liczby x nazwiemy znaczac a, jeśli x x k (2) oraz y 10 k (części ułamkowe rozinięcia maja numery ujemne!). Wynika stad, że każda cyfra poprawnie zaokraglonej liczby, poczawszy od pierwszej cyfry różnej od zera, jest znaczaca. Liczba cyfr znaczacych jest pewna miara błędu zaokraglenia. Copyright c P. F. Góra 1 6

7 Propagacja błędu Niech x będzie poprawnie zaokraglonym do d przybliżeniem dokładnej liczby x. Można powiedzieć, że x = x + ε, gdzie ε jest liczba losowa o rozkładzie jednostajnym w przedziale [ d, d]. Weźmy teraz dwie liczby x = x + ε x oraz y = ȳ + ε y. Co można powiedzieć o błędach powstałych w wyniku elementarnych obliczeń artymetycznych? x + y = x + ȳ + ε x + ε y }{{} ε +. (3) Liczba ε + jest liczba losowa. Jeżeli obie liczby ε x, ε y maja rozkład jednostajny na przedziale [ d, d], liczba ε + ma rozkład trójkatny na przedziale [ 10 d, 10 d]. Copyright c P. F. Góra 1 7

8 Jeśli będziemy sumować N >> 1 liczb o błędach zaokraglenia pochodza- cych z tego samego rozkładu, bład sumy będzie dażył do rozkładu normalnego o szerokości proporcjonalnej do N 10 d. W wypadku mnożenia, x y x ȳ + xε y + ȳε x. (4) Jeżeli x ȳ lub ȳ x, może to spowodować znaczny wzrost błędu (niewielki bład multiplikuje się). Copyright c P. F. Góra 1 8

9 W wypadku dzielenia, x y x ȳ + 1 ȳ ε x + x ȳ 2ε y. (5) Jeżeli ȳ x, bład dzielenia może być bardzo duży! Dzielenie przez (względnie) małe liczby obarczone błędem, może powodować pojawienie się znacznego błędu ilorazu. Copyright c P. F. Góra 1 9

10 Wpływ błędów zaokraglenia Błędy zaokraglenia fakt, że na komputerach pracujemy w arytmetyce ze skończona dokładnościa maja wpływ na prowadzone obliczenia. Wynik może zależeć od kolejności przeprowadzanych działań: dodawanie na komputerze nie jest łaczne! Przykład: Przypuśćmy, że prowadzac obliczenia z dokładnościa do czterech cyfr znaczacych chcemy znaleźć wartość sumy (6) Copyright c P. F. Góra 1 10

11 Zaczynamy sumować od lewej. Suma dwu pierwszych składników wynosi Ta liczba ma pięć cyfr znaczacych, więc zostanie zaokraglona do czterech cyfr znaczacych. I tak okazuje się, że w przyjętej dokładności, = Widać zatem, że przy tym sposobie prowadzenia obliczeń, wartość całej sumy (6) wynosi Sumujmy teraz od prawej = = i tak dalej. Suma dziesięciu pierwszych (od prawej) składników wynosi Gdy teraz dodamy tę wielkość do składnika ostatniego od prawej, otrzymamy Ta liczba ma cztery cyfry znaczace, co mieści się w przyjętej dokładności i wyniku nie trzeba zaokra- glać. Copyright c P. F. Góra 1 11

12 Inny przykład Rozważmy ciag zadany przepisem x n+1 = 4x n 1 x 0 = 1 3. (7) Jak łatwo sprawdzić, ciag (7) jest ciagiem stałym, którego wszystkie wyrazy sa równe 3 1. Co jednak się stanie, jeśli wyrazy tego ciagu będziemy obliczali posługujac się arytmetyka przybliżona, zachowujac osiem cyfr znaczacych? Copyright c P. F. Góra 1 12

13 Mamy zatem x 0 = (8a) 4x 0 = (8b) Ostatnia cyfra w powyższym wyrażeniu byłaby dziewiat a cyfra znaczac a nie mamy miejsca na jej przechowywanie, a więc musimy ja odrzucić. Zatem 4x 0 = (8c) x 1 = (8d) W podobny sposób wyliczamy x 2 = Wyniki kolejnych iteracji przedstawia poniższa tabela: Copyright c P. F. Góra 1 13

14 n x n Jak widzimy, w wyniku prowadzenia obliczeń ze skończona precyzja, ciag stały zamienił się w ciag monotonicznie rozbieżny do. Gdybyśmy Copyright c P. F. Góra 1 14

15 prowadzili obliczenia z większa ale wciaż skończona precyzja, rezultat byłby taki sam, choć liczba stanów przejściowych, gdy wyrazy ciagu wciaż sa bliskie ścisłej wartości 3 1, zwiększyłaby się. Copyright c P. F. Góra 1 15

16 Uwarunkowanie zadania numerycznego Niech ϕ : R n R m będzie pewna funkcja odpowiednio wiele razy różniczkowalna i niech x R n. Definicja: Mówimy, że zagadnienie obliczenia ϕ(x) jest numerycznie dobrze uwarunkowane, jeżeli niewielkie względne zmiany danych daja niewielkie względne zmiany rozwiazania. Zagadnienia, które nie sa numerycznie dobrze uwarunkowane, nazywamy źle uwarunkowanymi. Copyright c P. F. Góra 1 16

17 Przykład Rozważmy problem znalezienia rozwiazań równania x 2 + bx + c = 0, (9) przy czym zakładamy, że b 2 4c > 0. Wiadomo, że rozwiazania maja w tym wypadku postać x 1,2 = 1 2 ( b ± ) b 2 4c. (10) Jak dobrze uwarunkowane jest zagadnienie obliczania (10)? Danymi sa tu współczynniki trójmianu, b, c. Zaburzmy te współczynniki: b b + ε 2, c c + ε 3. Copyright c P. F. Góra 1 17

18 Rozwiazaniami sa teraz x 1,2 = ( b + ε 2 ± b ± (b + ε 2 ) 2 4(c + ε 3 ) b 2 4c + ε 2 ± 2bε 2 4ε 3 2 b 2, (11) 4c gdzie dokonaliśmy rozwinięcia Taylora do pierwszego rzędu w ε 1,2. Widzimy, że bład względny x 1,2 x 1,2 x 1,2 ) (12) rośnie nieograniczenie, gdy b 2 4c 0 +. Problem wyznaczania pierwiastków trójmianu (9) jest wówczas numerycznie źle uwarunkowany. Problem ten jest dobrze uwarunkowany, gdy b 2 4c 0. Copyright c P. F. Góra 1 18

19 Norma wektora Niech V będzie pewna przestrzenia wektorowa nad ciałem C (lub R). Norma wektora nazywam funkcję : V R, spełniajac a następujace warunki (x, y V): 1. x 0 x = 0 x = α x = α x α C. 3. x + y x + y. Mówiac niezbyt prezycyjnie, norma jest uogólnieniem pojęcia wartości bezwzględnej na przypadek wektorów. Copyright c P. F. Góra 1 19

20 Przykłady norm wektorów W naszych rozważaniach przestrzeń liniowa V najczęściej będzie przestrzenia R n. Można w niej definiować wiele (różnych) norm. Najczęściej używa się jednej z trzech: Norma taksówkowa: Norma Euklidesowa: x 1 = x 1 + x x n x 2 = x T x = Norma maximum (worst offender): x = x x x2 n max x i i=1,...,n (13a) (13b) (13c) Jeżeli nie zaznaczymy inaczej, przez normę wektorowa będziemy rozumieć normę Euklidesowa. Copyright c P. F. Góra 1 20

21 Współczynnik uwarunkowania Niech ϕ : R n R m będzie pewna funkcja, x R n dokładna wartościa argumentu, a x R n znanym numerycznym przybliżeniem x. Definicja: Jeżeli istnieje κ R taka, że x, x: ϕ(x) ϕ( x) R m ϕ(x) R m κ x x R n x R n (14) nazywamy ja współczynnikiem uwarunkowania zagadnienia wyliczenia wartości ϕ( ) (względem zadanych norm). Copyright c P. F. Góra 1 21

22 Współczynnik uwarunkowania mówi jak bardzo bład względny wyniku obliczeń przekracza bład względny samej różnicy przybliżenia i wartości dokładnej. Spodziewamy się, że jeżeli przybliżenie znacznie różni się od wartości dokładnej, także wyniki obliczeń będa się znacznie różnić. W zagadnieniach numerycznie źle uwarunkowanych może się zdarzyć, że nawet niewielkie odchylenie przybliżenia od wartości dokładnej doprowadzi do znacznej różnicy wyników. Copyright c P. F. Góra 1 22

23 Układy równań liniowych Niech A R n n będzie macierza, x, b R n. Rozpatrujemy równanie Ax = b, (15) Zakładamy, że macierz A oraz wektor wyrazów wolnych b sa znane. Poszukujemy wektora x. Równanie (15) jest równoważne następujacemu układowi równań liniowych: a 11 x 1 + a 12 x 2 + a 13 x a 1n x n = b 1 a 21 x 1 + a 22 x 2 + a 23 x a 2n x n = b 2 a 31 x 1 + a 32 x 2 + a 33 x a 3n x n = b 3. a n1 x 1 + a n2 x 2 + a n3 x a nn x n = b n (16) gdzie a ij sa elementami macierzy A, natomiast x j, b j sa elementami wektorów, odpowiednio, x, b. Copyright c P. F. Góra 1 23

24 Rozwiazywanie układów równan liniowych rzadko stanowi samoistny problem numeryczny. Zagadnienie to występuje jednak bardzo często jako pośredni etap wielu problemów obliczeniowych. Dlatego też dogłębna znajomość algorytmów numerycznego rozwiazywania układów równań liniowych jest niezwykle ważna. Copyright c P. F. Góra 1 24

25 Rozwiazywalność układów równań liniowych Układ równań (15) ma jednoznaczne rozwiazanie wtedy i tylko wtedy, gdy det A 0. (17) Z elementarnej algebry wiadomo, że rozwiazania można wówczas skonstruować posługujac się wzorami Cramera. Uwaga: Numeryczne korzystanie ze wzorów Cramera jest koszmarnie drogie i dlatego w praktyce korzystamy z innych algorytmów. Jak dobrze uwarunkowane jest zagadnienie rozwiazania równania (15)? Copyright c P. F. Góra 1 25

26 Przykład Rozważmy następujace układy równań: 2x + 6y = 8 2x y = x + 6y = 8 2x y = Współczynniki tych układów równan różnia się co najwyżej o = Rozwiazaniem pierwszego sa liczby (1, 1), drugiego liczby (10, 2). Widzimy, że mała zmiana współczynników powoduje, że różnica rozwiazań jest 10 6 razy większa, niż zaburzenie współczynników. Powyższe układy równań sa źle uwarunkowane. Copyright c P. F. Góra 1 26

27 Norma macierzy Niech A R N N. Norma macierzy (indukowana) nazywam A = max { } Ax x : x RN, x 0 = max { Ax } (18) x =1 Promieniem spektralnym macierzy A R N N nazywam ρ = AA T (19) Copyright c P. F. Góra 1 27

28 Współczynnik uwarunkowania układu równań liniowych Rozwiazujemy układ rownań (det A 0) Ay = b (20a) Przypuśćmy, że wyraz wolny b jest obarczony jakimś błędem b, czyli rozwiazujemy Aỹ = b + b (20b) Zauważmy, że ỹ y = A 1 (b + b) A 1 b = A 1 b. Copyright c P. F. Góra 1 28

29 Jak bład wyrazu wolnego wpływa na rozwiazanie? Obliczamy ỹ y A 1 b A 1 b = y y y Z drugiej strony (21a) b = Ay A y skad wynika, że 1 y A b (21b) Ostatecznie ỹ y y A A 1 b }{{} b κ (21c) Copyright c P. F. Góra 1 29

30 Współczynnik uwarunkowania macierzy symetrycznej, rzeczywistej Niech A R N będzie odwracalna macierza symetryczna, rzeczywista. W takim wypadku jej wartości własne sa rzeczywiste a jej unormowane wektory własne {e i } n i=1 stanowi a bazę ortogonaln a w Rn. Oznaczmy wartości własne tej macierzy przez {λ i } n i=1. Weźmy dowolny x Rn taki, że x = 1. Wówczas Ax = n A i=1 n i=1 x = α i e i n i=1 α i e i, = n i=1 α i Ae i α 2 i max(λ2 i ) = max i n i=1 α 2 i = 1. (22) = n i=1 n λ i i=1 α i λ i e i = n α 2 i λ2 i i=1 α 2 i = max i λ i (23) Copyright c P. F. Góra 1 30

31 Uwzględniajac (18), widzimy, że A = max i λ i : norma odwracalnej macierzy symetrycznej, rzeczywistej jest równa największemu modułowi spośród jej wartości własnych. Rozważmy teraz macierz A 1. Ma ona te same wektory własne, co A, natomiast jej wartości własne sa odwrotnościami wartości własnej macierzy nieodwróconej, A 1 e i = λ 1 e i i. Postępujac jak powyżej, łatwo możemy pokazać, że A 1 = max i 1 λ i = 1 min λ i. (24) i Copyright c P. F. Góra 1 31

32 Widzimy zatem, że Współczynnik uwarunkowania macierzy A R n n wynosi κ = A A 1 (25) Dla macierzy symetrycznych, rzeczywistych sprowadza się to do κ = max λ i i min λ i, (26) i gdzie λ i oznaczaja wartości własne macierzy. Copyright c P. F. Góra 1 32