Относительная ошибка метода формула

Материал из MachineLearning.

Перейти к: навигация, поиск

Содержание

1 Введение
- 1.1 Постановка вопроса. Виды погрешностей
2 Виды мер точности
3 Предельные погрешности
4 Погрешности округлений при представлении чисел в компьютере
5 Погрешности арифметических операций
6 Погрешности вычисления функций
7 Числовые примеры
8 Список литературы
9 См. также

Введение

Постановка вопроса. Виды погрешностей

Процесс исследования исходного объекта методом математического моделирования и вычислительного эксперимента неизбежно носит приближенный характер, так как на каждом этапе вносятся погрешности. Построение математической модели связано с упрощением исходного явления, недостаточно точным заданием коэффициентов уравнения и других входных данных. По отношению к численному методу, реализующему данную математическую модель, указанные погрешности являются неустранимыми, поскольку они неизбежны в рамках данной модели.

При переходе от математической модели к численному методу возникают погрешности, называемые погрешностями метода. Они связаны с тем, что всякий численный метод воспроизводит исходную математическую модель приближенно. Наиболее типичными погрешностями метода являются погрешность дискретизации и погрешность округления.
При построении численного метода в качестве аналога исходной математической задачи обычно рассматривается её дискретная модель. Разность решений дискретизированной задачи и исходной называется погрешностью дискретизации. Обычно дискретная модель зависит от некоторого параметра (или их множества) дискретизации, при стремлении которого к нулю должна стремиться к нулю и погрешность дискретизации.
Дискретная модель представляет собой систему большого числа алгебраических уравнений. Для её решения используется тот или иной численный алгоритм. Входные данные этой системы, а именно коэффициенты и правые части, задаются в ЭВМ не точно, а с округлением. В процессе работы алгоритма погрешности округления обычно накапливаются, и в результате, решение, полученное на ЭВМ, будет отличаться от точного решения дискретизированной задачи. Результирующая погрешность называется погрешностью округления (вычислительной погрешностью). Величина этой погрешности определяется двумя факторами: точностью представления вещественных чисел в ЭВМ и чувствительностью данного алгоритма к погрешностям округления.

Итак, следует различать погрешности модели, дискретизации и округления. В вопросе преобладания какой-либо погрешности ответ неоднозначен. В общем случае нужно стремиться, чтобы все погрешности имели один и тот же порядок. Например, нецелесообразно пользоваться разностными схемами, имеющими точность 10⁻⁶, если коэффициенты исходных уравнений задаются с точностью 10⁻².

Виды мер точности

Мерой точности вычислений являются абсолютные и относительные погрешности. Абсолютная погрешность определяется формулой

$Delta(tilde a)=|tilde a-a|,$

где $tilde a$ – приближение к точному значению $a$ .
Относительная погрешность определяется формулой

$delta(tilde a)=frac{|tilde a-a|}{a}.$

Относительная погрешность часто выражается в процентах. Абсолютная и относительная погрешности тесно связаны с понятием верных значащих цифр. Значащими цифрами числа называют все цифры в его записи, начиная с первой ненулевой цифры слева. Например, число 0,000129 имеет три значащих цифры. Значащая цифра называется верной, если абсолютная погрешность числа не превышает половины веса разряда, соответствующего этой цифре. Например, $tilde a=9348$ , абсолютная погрешность $Delta(tilde a)=15$ . Записывая число в виде

$9348=9cdot10^3+3cdot10^2+4cdot10^1+8cdot10^0,$

имеем $0,5cdot10^1<Delta(tilde a)<0,5cdot10^2$ , следовательно, число имеет две верных значащих цифр (9 и 3).

В общем случае абсолютная погрешность должна удовлетворять следующему неравенству:

$Delta(tilde a)<0,5cdot10^{m-n+1} ,$

где $m$ — порядок (вес) старшей цифры, $n$ — количество верных значащих цифр.
В рассматриваемом примере $Delta(tilde a)le0,5cdot10^{3-2+1}le0,5cdot10^2=50$ .

Относительная погрешность связана с количеством верных цифр приближенного числа соотношением:

$delta(tilde a)lefrac{Delta(tilde a)}{alpha_m}10^mlefrac{10^{m-n+1}}{alpha_m10^m}lefrac{1}{alpha_m10^{n-1}},$

где $alpha_m$ — старшая значащая цифра числа.

Для двоичного представления чисел имеем $delta(tilde a)le2^{-n}$ .

Тот факт, что число $tilde a$ является приближенным значением числа $a$ с абсолютной погрешностью $Delta(tilde a)$ , записывают в виде

$a=tilde apmDelta(tilde a),$

причем числа $tilde a$ и $Delta(tilde a)$ записываются с одинаковым количеством знаков после запятой, например, $a=2,347pm0,002$ или $a=2,347pm2cdot10^{-3}$ .

Запись вида

$a=tilde a(1pmdelta(tilde a))$

означает, что число $tilde a$ является приближенным значение числа $a$ с относительной погрешностью $delta(tilde a)$ .

Так как точное решение задачи как правило неизвестно, то погрешности приходится оценивать через исходные данные и особенности алгоритма. Если оценка может быть вычислена до решения задачи, то она называется априорной. Если оценка вычисляется после получения приближенного решения задачи, то она называется апостериорной.

Очень часто степень точности решения задачи характеризуется некоторыми косвенными вспомогательными величинами. Например точность решения системы алгебраических уравнений

$AX=F$

характеризуется невязкой

$R=F-Atilde X,$

где $tilde X$ — приближенное решение системы.
Причём невязка достаточно сложным образом связана с погрешностью решения $Delta(X)=tilde X-X$ , причём если невязка мала, то погрешность может быть значительной.

Предельные погрешности

Пусть искомая величина $a$ является функцией параметров $t_1, ldots , t_n in Omega, qquad a*$ — приближенное значение $a$ . Тогда предельной абсолютной погрешностью называется величина

$D(a^*) = suplimits_{(t_1, ldots ,t_n) in Omega } left|{a(t_1, ldots ,t_n) - a^*}right| ,$

Предельной относительной погрешностью называется величина $D(a*)/| a*|$ .

Пусть $left|{t_j - t_j^*}right| le Delta (t_j^* ), qquad j = 1 div n$ — приближенное значение $a^* = a(t_1^*, ldots ,t_n^* )$ . Предполагаем, что $a$ — непрерывно дифференцируемая функция своих аргументов. Тогда, по формуле Лагранжа,

$a(t_1, ldots ,t_n) - a^* = sumlimits_{j = 1}^n gamma_j (alpha )(t_j - t_j^*),$

где $gamma_j (alpha ) = a^{prime}_{t_j}(t_1^* + alpha (t_1 - t_1^*), ldots ,t_n^* + alpha (t_n - t_n^*)), qquad 0 le alpha le 1$ .

Отсюда

$left|{a(t_1, ldots ,t_n) - a^*}right| le D_1 (a^*) = sumlimits_{j = 1}^n b_j Delta (t_j^*),$

где $b_j = suplimits_Omega left|{a^{prime}_{t_j}(t_1, ldots ,t_n)}right|$ .

Можно показать, что при малых $rho = sqrt{{(Delta (t_1^* ))}^2 + ldots + {(Delta (t_n^* ))}^2 }$ эта оценка не может быть существенно улучшена. На практике иногда пользуются грубой (линейной) оценкой

$left|{a(t_1, ldots ,t_n) - a^*}right| le D_2 (a^*),$

где $D_2 (a^*) = sumlimits_{j = 1} left|{gamma_j (0)}right| Delta (t^*)$ .

Несложно показать, что:

$Delta ( pm t_1^* pm , ldots , pm t_n^*) = Delta (t_1^* ) + ldots + Delta (t_n^* )$ — предельная погрешность суммы или разности равна сумме предельных погрешностей.
$delta (t_1^* cdots t_m^* cdot d_1^{* - 1} cdots d_m^{* - 1} ) = delta (t_1^* ) + ldots + delta (t_m^*) + delta (d_1^*) + ldots + delta (d_n^*)$ — предельная относительная погрешность произведения или частного приближенного равна сумме предельных относительных погрешностей.

Погрешности округлений при представлении чисел в компьютере

Одним из основных источников вычислительных погрешностей является приближенное представление чисел в компьютере, обусловленное конечностью разрядной сетки (см. Международный стандарт представления чисел с плавающей точкой в ЭВМ). Число $a$ , не представимое в компьютере, подвергается округлению, т. е. заменяется близким числом $tilde a$ , представимым в компьютере точно.
Найдем границу относительной погрешности представления числа с плавающей точкой. Допустим, что применяется простейшее округление – отбрасывание всех разрядов числа, выходящих за пределы разрядной сетки. Система счисления – двоичная. Пусть надо записать число, представляющее бесконечную двоичную дробь

$a=underbrace{pm2^p}_{order}underbrace{left(frac{a_1}{2}+frac{a_2}{2^2}+dots+frac{a_t}{2^t}+frac{a_{t+1}}{2^{t+1}}+dotsright)}_{mantissa},$

где $a_j={0\1$ , $qquad (j=1,2,...)$ — цифры мантиссы.
Пусть под запись мантиссы отводится t двоичных разрядов. Отбрасывая лишние разряды, получим округлённое число

$tilde a=pm2^pleft(frac{a_1}{2}+frac{a_2}{2^2}+dots+frac{a_t}{2^t}right).$

Абсолютная погрешность округления в этом случае равна

$a-tilde a=pm2^pleft(frac{a_{t+1}}{2^{t+1}}+frac{a_{t+2}}{2^{t+2}}+dotsright).$

Наибольшая погрешность будет в случае $a_{t+1}=1, qquad a_{t+2}=1,$ , тогда

$|a-tilde a|lepm2^pfrac{1}{2^{t+1}}underbrace{left(1+frac{1}{2}+frac{1}{2^2}+dotsright)}_{=2}=2^{p-t}.$

Т.к. $|M|ge0,5$ , где $M$ — мантисса числа $a$ , то всегда $a_1=1$ . Тогда $|a|ge2^pcdot2^{-1}=2^{p-1}$ и относительная погрешность равна $frac{|a-tilde a|}{|a|}le2^{-t+1}$ . Практически применяют более точные методы округления и погрешность представления чисел равна

( 1 )

$frac{|a-tilde a|}{|a|}le2^{-t},$

т.е. точность представления чисел определяется разрядностью мантиссы $t$ .
Тогда приближенно представленное в компьютере число можно записать в виде $tilde a=a(1pmepsilon)$ , где $|epsilon|le2^{-t}$ – «машинный эпсилон» – относительная погрешность представления чисел.

Погрешности арифметических операций

При вычислениях с плавающей точкой операция округления может потребоваться после выполнения любой из арифметических операций. Так умножение или деление двух чисел сводится к умножению или делению мантисс. Так как в общем случае количество разрядов мантисс произведений и частных больше допустимой разрядности мантиссы, то требуется округление мантиссы результатов. При сложении или вычитании чисел с плавающей точкой операнды должны быть предварительно приведены к одному порядку, что осуществляется сдвигом вправо мантиссы числа, имеющего меньший порядок, и увеличением в соответствующее число раз порядка этого числа. Сдвиг мантиссы вправо может привести к потере младших разрядов мантиссы, т.е. появляется погрешность округления.

Округленное в системе с плавающей точкой число, соответствующее точному числу $x$ , обозначается через $fl(x)$ (от англ. floating – плавающий). Выполнение каждой арифметической операции вносит относительную погрешность, не большую, чем погрешность представления чисел с плавающей точкой (1). Верна следующая запись:

$fl(abox b)=abox b(1pmepsilon),$

где $box$ — любая из арифметических операций, $|epsilon|le2^{-t}$ .

Рассмотрим трансформированные погрешности арифметических операций. Арифметические операции проводятся над приближенными числами, ошибка арифметических операций не учитывается (эту ошибку легко учесть, прибавив ошибку округления соответствующей операции к вычисленной ошибке).

Рассмотрим сложение и вычитание приближенных чисел. Абсолютная погрешность алгебраической суммы нескольких приближенных чисел равна сумме абсолютных погрешностей слагаемых.

Если сумма точных чисел равна

$S=a_1+a_2+dots+a_n,$

сумма приближенных чисел равна

$tilde S=a_1+Delta(a_1)+a_2+Delta(a_2)+dots+a_n+Delta(a_n),$

где $Delta(a_i), qquad i=1,2,...,n$ — абсолютные погрешности представления чисел.

Тогда абсолютная погрешность суммы равна

$Delta(S)=Delta(a_1)+Delta(a_2)+dots+Delta(a_n).$

Относительная погрешность суммы нескольких чисел равна

( 2 )

$delta(S)=frac{Delta(S)}{S}=frac{a_1}{S}left(frac{Delta(a_1)}{a_1}right)+frac{a_2}{S}left(frac{Delta(a_2)}{a_2}right)+dots=frac{a_1delta(a_1)+a_2delta(a_2)+dots}{S},$

где $delta(a_i), qquad i=1,2,...,n$ — относительные погрешности представления чисел.

Из (2) следует, что относительная погрешность суммы нескольких чисел одного и того же знака заключена между наименьшей и наибольшей из относительных погрешностей слагаемых:

$min quad delta(a_k)ledelta(S)le max quad delta(a_k), qquad k=1,2,...,n, quad a_k>0.$

При сложении чисел разного знака или вычитании чисел одного знака относительная погрешность может быть очень большой (если числа близки между собой). Так как даже при малых $Delta(a_i)$ величина $S$ может быть очень малой. Поэтому вычислительные алгоритмы необходимо строить таким образом, чтобы избегать вычитания близких чисел.

Необходимо отметить, что погрешности вычислений зависят от порядка вычислений. Далее будет рассмотрен пример сложения трех чисел.

$S=x_1+x_2+x_3,$

$tilde S_1=(x_1+x_2)(1+delta_1),$

( 3 )

$tilde S=(tilde S_1+x_3)(1+delta_2)=(x_1+x_2)(1+delta_1)(1+delta_2)+x_3(1+delta_2).$

При другой последовательности действий погрешность будет другой:

$tilde S_1=(x_3+x_2)(1+delta_1),$

$tilde S=(x_3+x_2)(1+delta_1)(1+delta_2)+x_1(1+delta_2).$

Из (3) видно, что результат выполнения некоторого алгоритма, искаженный погрешностями округлений, совпадает с результатом выполнения того же алгоритма, но с неточными исходными данными. Т.е. можно применять обратный анализ: свести влияние погрешностей округления к возмущению исходных данных. Тогда вместо (3) будет следующая запись:

$tilde S=tilde x_1+tilde x_2+tilde x_3,$

где $tilde x_1=x_1(1+delta_1)(1+delta_2), quad tilde x_2=x_2(1+delta_1)(1+delta_2), quad tilde x_3=x_3(1+delta_2).$

При умножении и делении приближенных чисел складываются и вычитаются их относительные погрешности.

$S=a_1cdot a_2,$

$tilde S=a_1cdot a_2(1+delta(a_1))(1+delta(a_2))$ ≅ $a_1cdot a_2(1+delta(a_1)+delta(a_2)),$

с точностью величин второго порядка малости относительно $delta$ .

Тогда $delta(S)=delta(a_1)+delta(a_2)$ .

Если $S=frac{a_1}{a_2}$ , то $Delta(S)=frac{a_1(1+delta_1)}{a_2(1+delta_2)}-frac{a_1}{a_2}=frac{a_1(delta_1-delta_2)}{a_2(1+delta_2)}approx frac{a_1}{a_2}(delta_1-delta_2), qquad delta(S)$ ≅ $delta_1-delta_2.$

При большом числе n арифметических операций можно пользоваться приближенной статистической оценкой погрешности арифметических операций, учитывающей частичную компенсацию погрешностей разных знаков:

$delta_Sigma approx delta_{fl} quad sqrt{n},$

где $delta_Sigma$ – суммарная погрешность, $|delta_{fl}|leepsilon$ – погрешность выполнения операций с плавающей точкой, $epsilon$ – погрешность представления чисел с плавающей точкой.

Погрешности вычисления функций

Рассмотрим трансформированную погрешность вычисления значений функций.

Абсолютная трансформированная погрешность дифференцируемой функции $y=f(x)$ , вызываемая достаточно малой погрешностью аргумента $Delta(x)$ , оценивается величиной $Delta(y)=|f'(x)|Delta(x)$ .

Если $f(x)>0$ , то $delta(y)=frac{|f'(x)|}{f(x)}Delta(x)=left|(ln(f(x)))'right|cdotDelta(x)$ .

Абсолютная погрешность дифференцируемой функции многих аргументов $y=f(x_1, x_2, ..., x_n)$ , вызываемая достаточно малыми погрешностями $Delta(x_1), Delta(x_2), ..., Delta(x_n)$ аргументов $x_1, x_2, ...,x_n$ оценивается величиной:

$Delta(y)=sumlimits_{i=1}^nleft|frac{partial f}{partial x_i}right|Delta(x_i)$ .

Если $f(x_1,x_2,...,x_n)>0$ , то $delta(y)=sumlimits_{i=1}^nfrac{1}{f}cdotleft|frac{partial f}{partial x_i}right|cdotDelta(x_i)=sumlimits_{i=1}^{n}left|frac{partial l_n(f)}{partial x_i}right|Delta(x_i)$ .

Практически важно определить допустимую погрешность аргументов и допустимую погрешность функции (обратная задача). Эта задача имеет однозначное решение только для функций одной переменной $y=f(x)$ , если $f(x)$ дифференцируема и $f'(x)not=0$ :

$Delta(x)=frac{1}{|f'(x)|}Delta(y)$ .

Для функций многих переменных задача не имеет однозначного решения, необходимо ввести дополнительные ограничения. Например, если функция $y=f(x_1,x_2,...,x_n)$ наиболее критична к погрешности $Delta(x_i)$ , то:

$Delta(x_i)=frac{Delta(y)}{left|frac{partial f}{partial x_i}right|}qquad$ (погрешностью других аргументов пренебрегаем).

Если вклад погрешностей всех аргументов примерно одинаков, то применяют принцип равных влияний:

$Delta(x_i)=frac{Delta(y)}{nleft|frac{partial f}{partial x_i}right|},qquad i=overline{1,n}.$

Числовые примеры

Специфику машинных вычислений можно пояснить на нескольких элементарных примерах.

ПРИМЕР 1. Вычислить все корни уравнения

$x^4 - 4x^3 + 8x^2 - 16x + 15.underbrace{99999999}_8 = {(x - 2)}^4 - 10^{- 8} = 0.$

Точное решение задачи легко найти:

$(x - 2)^2 = pm 10^{- 4},$

$x_1= 2,01; x_2= 1,99; x_{3,4}= 2 pm 0,01i.$

Если компьютер работает при $delta _M > 10^{ - 8}$ , то свободный член в исходном уравнении будет округлен до $16,0$ и, с точки зрения представления чисел с плавающей точкой, будет решаться уравнение $(x-2)^4= 0$ , т.е. $x_{1,2,3,4} = 2$ , что, очевидно, неверно. В данном случае малые погрешности в задании свободного члена $approx10^{-8}$ привели, независимо от метода решения, к погрешности в решении $approx10^{-2}$ .

ПРИМЕР 2. Решается задача Коши для обыкновенного дифференциального уравнения 2-го порядка:

$u''(t) = u(t), qquad u(0) = 1, qquad u'(0) = - 1.$

Общее решение имеет вид:

$u(t) = 0,5[u(0) + u'(0)]e^t + 0,5[u(0) - u'(0)]e^{- t}.$

При заданных начальных данных точное решение задачи: $u(x) = e^{-t}$ , однако малая погрешность $delta$ в их задании приведет к появлению члена $delta e^t$ , который при больших значениях аргумента может существенно исказить решение.

ПРИМЕР 3. Пусть необходимо найти решение обыкновенного дифференциального уравнения:

$stackrel{cdot}{u} = 10u,qquad u = u(t),\ u(t_0) = u_0,qquad t in [0,1].$

Его решение: $u(t) = u_0e^{10(t - t_0 )}$ , однако значение $u(t_0)$ известно лишь приближенно: $u(t_0) approx u_0^*$ , и на самом деле $u^*(t) = u_0^*e^{10(t - t_0)}$ .

Соответственно, разность $u* - u$ будет:

$u^* - u = (u_0^* - u_0)e^{10(t - t_0)}.$

Предположим, что необходимо гарантировать некоторую заданную точность вычислений $epsilon > 0$ всюду на отрезке $t in [0,1]$ . Тогда должно выполняться условие:

$|{u^*(t) - u(t)}| le varepsilon.$

Очевидно, что:

$maxlimits_{t in [0,1]} |{u^*(t) - u(t)}| = |{u*(1) - u(1)}| = |{u_0^* - u_0}|e^{10(1 - t_0)}.$

Отсюда можно получить требования к точности задания начальных данных $delta: qquad|u_0^* - u_0| < delta, qquad delta le varepsilon e^{ - 10}$ при $t_0= 0$ .

Таким образом, требование к заданию точности начальных данных оказываются в $e^{10}$ раз выше необходимой точности результата решения задачи. Это требование, скорее всего, окажется нереальным.

Решение оказывается очень чувствительным к заданию начальных данных. Такого рода задачи называются плохо обусловленными.

ПРИМЕР 4. Решением системы линейных алгебраических уравнений (СЛАУ):

$left{ begin{array}{l} u + 10v = 11, \ 100u + 1001v = 1101; \ end{array} right.$

является пара чисел ${1, quad 1}$ .

Изменив правую часть системы на $0,01$ , получим возмущенную систему:

$left{ begin{array}{l} u + 10v = 11.01, \ 100u + 1001v = 1101; \ end{array} right.$

с решением ${11.01, quad 0.00}$ , сильно отличающимся от решения невозмущенной системы. Эта система также плохо обусловлена.

ПРИМЕР 5. Рассмотрим методический пример вычислений на модельном компьютере, обеспечивающем точность $delta_M = 0,0005$ . Проанализируем причину происхождения ошибки, например, при вычитании двух чисел, взятых с точностью до третьей цифры после десятичной точки $u = 1,001,quad v = 1,002$ , разность которых составляет $Delta = |v_M - u_M| = 0,001$ .

В памяти машины эти же числа представляются в виде:

$u_M = u(1 + delta_M^u), quad v_M = v(1 + delta_M^v)$ , причем $mid delta_M^umid le delta_M$ и $mid delta_M^vmid le delta_M.$

Тогда:

$u_M - u approx udelta_M^u, quad v_M - v approx vdelta_M^v.$

Относительная ошибка при вычислении разности $u_M - v_M$ будет равна:

$delta = frac{(u_M - v_M) - (u - v)}{(u - v)} = frac{(u_M - u) - (v_M - v)}{(u - v)} = frac{delta_M^u - delta_M^v}{(u - v)}.$

Очевидно, что $delta = left|{frac{delta_M^u - delta_M^v}{Delta }} right| le frac{2delta_M}{0,001} approx 2000delta_M = 1$ , т.е. все значащие цифры могут оказаться неверными.

ПРИМЕР 6. Рассмотрим рекуррентное соотношение $u_{i+1} = qu_i, quad i ge 0, quad u_0 = a,quad q > 0, quad u_i > 0.$

Пусть при выполнении реальных вычислений с конечной длиной мантиссы на $i$ -м шаге возникла погрешность округления, и вычисления проводятся с возмущенным значением $u_i^M = u_i + delta_i$ , тогда вместо $u_{i+1}$ получим $u_{i + 1}^M = q(u_i + delta_i) = u_{i + 1} + qdelta_i$ , т.е. $delta_{i + 1} = qdelta_i,quad i = 0,1,ldots$ .

Следовательно, если $|q| > 1$ , то в процессе вычислений погрешность, связанная с возникшей ошибкой округления, будет возрастать (алгоритм неустойчив). В случае $mid qmid le 1$ погрешность не возрастает и численный алгоритм устойчив.

Список литературы

А.А.Самарский, А.В.Гулин. Численные методы. Москва «Наука», 1989.
http://www.mgopu.ru/PVU/2.1/nummethods/Chapter1.htm
http://www.intuit.ru/department/calculate/calcmathbase/1/4.html

См. также

Практикум ММП ВМК, 4й курс, осень 2008

Источник

1.2.1. Погрешности данных, метода и вычислений

Почти всегда используемые на практике
решения математических задач имеют
некоторые погрешности.

Погрешность решения задачи обуславливается
следующими причинами:

1. Математическое описание задачи
является неточным, в частности, неточно
заданы исходные данные описания.

2. Применяемый для решения метод часто
не является точным: получение точного
решения задачи требует неограниченного
или неприемлемо большого числа
арифметических операций, и поэтому
вместо получения точного решения
приходится прибегать к приближенному.

3. При выполнении арифметических операций
на ЭВМ или любым другим образом, как
правило, производятся округления. (Это
же относится к вводу чисел в память ЭВМ
и выводу полученных результатов.)

Погрешности, соответствующие этим
причинам, называются:

 неустранимая
погрешность,

 погрешность
метода,

 вычислительная
погрешность.

1.3. Абсолютная и относительная погрешности вычисления

Если
—
точное значение некоторой величины, а—
известное приближение к нему, то
абсолютной погрешностью приближенияназывают
обычно некоторую величину,
про которую известно, что она удовлетворяет
неравенству:

Относительной погрешностью
называют некоторую величину
,
про которую известно, что она удовлетворяет
неравенству:

Относительную погрешность часто выражают
в процентах. Она дает более точное
представление о величине ошибки,
содержащейся в некоторой величине.

1.4. Погрешности
арифметических операций.

1.4.1. Погрешность
вычисления значений функции.

Пусть
непрерывно
дифференцируемая функция,

—
приближенные значения ее аргументов,
для которых

—
известные абсолютные погрешности.

Для погрешности приближенного
значения функции
по
формуле Лагранжа получаем

,
где

Заменяя
, получаем

Оценка погрешности соответственно:

,
где

или , где

1.4.2. Погрешность
суммы

Пусть задана функция

Тогда
,.

Для абсолютной погрешности получаем

Относительная погрешность

Пусть
,,
тогда,
т.е. при сложении приближенных величин
относительная погрешность не возрастает.

1.4.3. Погрешность
разности

Пусть задана функция

Тогда аналогично предыдущему абсолютная
погрешность

Для относительной погрешности имеем
формулу

Отсюда следует, что если
приближенные значения
иблизки
друг к другу, то относительная погрешность
их разностиможет оказаться намного большеи.

1.4.4. Погрешность
произведения

Пусть задана
функция

Тогда абсолютная
погрешность

Относительная
погрешность

1.4.5. Погрешность
частного

Пусть задана функция

Тогда абсолютная погрешность

Относительная погрешность

1.5. Обратная
задача оценки погрешности

Иногда возникает задача
определения допустимой погрешности
аргументов, при которой погрешность
значений функции будет не более заданной
величины
.

Используем ранее полученное неравенство

Должно быть
.

При n=1 вопрос
решается однозначно:

При n>1
возможны разные подходы:

1. Считать погрешности всех аргументов
одинаковыми

Тогда получаем , следовательно

2. Считать, что вклад
погрешности каждого аргумента в
погрешность результата одинаков. ,
тогда

Если для разных аргументов
достижение определенной точности их
задания существенно различается, то
можно ввести функцию стоимости
затрат
на задание точкис
заданными абсолютными погрешностямии
искать ее минимум в области

Источник

Статья обновлена 10.07.2022

Что такое погрешность измерения

Любой расчет состоит из истинного и вычисляемого значения. При этом всегда должны учитываться значения ошибки или погрешности. Погрешность — это расхождение между истинным значением и вычисляемым. В маркетинге выделяют следующие виды погрешностей.

Математическая погрешность. Она описывается алгебраической формулой и бывает абсолютной, относительной и приведенной. Абсолютная погрешность измерения — это разница между вычисляемым и истинным значением. Относительная погрешность вычисляется в процентном соотношении истинного значения и полученного. Вычисление погрешности приведенной схоже с относительной, указывается она также в процентах, но дает разницу между нормирующей шкалой и полученными данными, то есть между эталонными и полученными значениями.
Оценочная погрешность. В маркетинге она бывает случайной и систематической. Случайная погрешность возникает из-за любых факторов, которые случайным образом влияют на измерение переменной в выборке. Систематическая погрешность вызывается факторами, которые систематически влияют на измерение переменной в выборке.

Математическая погрешность: формула для каждого типа

Если определение погрешности можно провести точным путем, она считается математической. Зачем нужно вычисление этого значения в маркетинге?

Погрешности возникают настолько часто, что популярной практикой в исследованиях является включение значения погрешности в окончательные результаты. Для этого используются формулы. Математическая погрешность — это значение, которое отражает разницу между выборкой и фактическим результатом. Если при расчетах учитывалась погрешность, в тексте исследования указывается что-то вроде: «Абсолютная погрешность для этих данных составляет 3,25%». Погрешность можно вычислить с любыми цифрами: количество человек, участвующих в опросе, погрешность суммы, затраченной на маркетинговый бюджет, и так далее.

Формулы погрешностей вычисляются следующим образом.

Абсолютная погрешность измерений: формула

Формула дает разницу между измеренным и реальным значением.

Формула абсолютной погрешности

Относительная погрешность: формула

Формула использует значение абсолютной погрешности и вычисляется в процентах по отношению к фактическому значению.

Формула относительной погрешности

Приведенная погрешность: формула

Формула также использует значение абсолютной погрешности. В чем измеряется приведенная погрешность? Тоже в процентах, но в качестве «эталона» используется не реальное значение, а единица измерения любой нормирующей шкалы. Например, для обычной линейки это значение равно 1 мм.

Формула приведенной погрешности

Классификация оценочной погрешности

Определение погрешности в оценках — это всегда методическая погрешность, то есть допустимое значение ошибки, основанное на методах проведения исследования. Погрешность метода вызывает два типа погрешностей — случайные и систематические. Таблица погрешностей в графической форме покажет все возможные типы.

Классификация оценочной погрешности

Что такое случайная погрешность

Случайная погрешность бывает статической и динамической. Динамическая погрешность возникает, когда мы имеем дело с меняющимися значениями — например, количество человек в выборке при маркетинговом исследовании. Статическая погрешность описывает ошибки при вычислении неизменных величин — вроде количества вопросов в вопроснике. Все они относятся к случайным погрешностям.

Типичный пример возникновения случайной погрешности — настроение участников маркетингового опроса. Как известно, эмоциональный настрой человека всегда влияет на его производительность. В ходе тестирования одни люди могут быть в хорошем расположении духа, а другие — в «миноре». Если настроение влияет на их ответы по заданному критерию выборки, это может искусственно завышать или занижать наблюдаемые оценки. Например, в случае с истинным значением 1 случайная погрешность может дать как -0,8, так и +0,5 к этому числу. Очень часто это случается при оценке времени ответа, например.

Случайная погрешность добавляет изменчивости данным, но не оказывает постоянного влияния на всю выборку. Вместо этого она произвольно изменяет измеряемые значения в диапазоне. В маркетинговой практике считается, что все случайные погрешности в распределении перекрывают друг друга и практически не влияют на конечный результат. Поэтому случайная погрешность считается «шумом» и в расчет не принимается. Эту погрешность нельзя устранить совсем, но можно уменьшить, просто увеличив размер выборки.

Что такое систематическая погрешность

Систематическая погрешность существует в результатах исследования, если эти результаты показывают устойчивую тенденцию к отклонению от истинных значений. Иными словами, если полученные цифры постоянно выше или ниже расчетных, речь идет о том, что в данных имеется систематическая погрешность.

В маркетинговых исследованиях есть два основных типа систематической погрешности: погрешность выборки и погрешность измерения.

Погрешность выборки

Погрешность выборки возникает, когда выборка, используемая в исследовании, не репрезентативна для всей совокупности данных. Типы такой погрешности включают погрешность структуры, погрешность аудитории и погрешность отбора.

Погрешность структуры

Погрешность структуры возникает из-за использования неполной или неточной основы для выборки. Распространенным источником такой погрешности в рамках маркетинговых исследований является проведение какого-либо опроса по телефону на основе существующего телефонного справочника или базы данных абонентов. Многие данные там указаны неполно или неточно — например, если люди недавно переехали или изменили свой номер телефона. Также такие данные часто указывают неполную или неверную демографию.

Если в качестве основы для исследования взят телефонный справочник, оно подвержено погрешности структуры, так как не учитывает всех возможных респондентов.

Погрешность аудитории

Погрешность аудитории возникает, если исследователь не знает, как определить аудиторию для исследования. Пример — оценка результатов исследования, проведенного среди клиентов крупного банка. Доля ответов на анкету составила чуть менее 1%. Анализ профессий всех опрошенных показал, что процент пенсионеров среди них в 20 раз выше, чем в целом по городу. Если эта группа значительно различается по интересующим переменным, то результаты будут неверными из-за погрешности аудитории.

Погрешность отбора

Даже если маркетологи правильно определили структуру и аудиторию, они не застрахованы от погрешности отбора. Она возникает, когда процедуры отбора являются неполными, неправильными или не соблюдаются должным образом. Например, интервьюеры при полевом исследовании могут избегать людей, которые живут в муниципальных домах. Потому что, по их мнению, жители вряд ли согласятся пройти такой опрос. Если жители муниципальных домов отличаются от тех, кто проживает в домах бизнес-класса, в результаты опроса будет внесена погрешность отбора.

Как минимизировать погрешность выборки

Знайте свою аудиторию.
Знайте, кто покупает ваш продукт, использует его, работает с вами и так далее. Имея базовую социально-экономическую информацию, можно составить стабильную выборку целевой аудитории. Маркетинговые исследования часто касаются одной конкретной группы населения — например, пользователей Facebook или молодых мам.
Разделите аудиторию на группы.
Вместо случайной выборки разбейте аудиторию на группы в соответствии с их численностью в общей совокупности данных. Например, если люди с определенной демографией составляют 35% населения, убедитесь, что 35% респондентов исследования отвечают этому условию.
Увеличьте размер выборки.
Больший размер выборки приводит к более точному результату.

Погрешность измерения

Погрешность измерения представляет собой серьезную угрозу точности исследования. Она возникает, когда существует разница между искомой информацией — то есть истинным значением, и информацией, фактически полученной в процессе измерения. К таким погрешностям приводят различные недостатки процесса исследования. Погрешность измерения, в основном, вызывается человеческим фактором — например, формулировкой вопросника, ошибками ввода данных и необъективными выводами.

К погрешностям измерения приводят следующие виды ошибок.

Ошибка цели

Ошибка цели возникает, когда существует несоответствие между информацией, фактически необходимой для решения проблемы, и данными , которые собирает исследование. Например, компания Kellogg впустую потратила миллионы на разработку завтраков для снижения уровня холестерина. Реальный вопрос, который нужно было бы задать в исследовании, заключался в том, купят ли люди овсяные хлопья для решения своей проблемы. Ответ «Нет» обошелся бы компании дешевле.

Предвзятость ответов

Некоторые люди склонны отвечать на конкретный вопрос определенным образом. Тогда возникает предвзятость ответа. Предвзятость ответа может быть результатом умышленной фальсификации или неосознанного искажения фактов.

Умышленная фальсификация происходит, когда респонденты целенаправленно дают неверные ответы на вопросы. Есть много причин, по которым люди могут сознательно искажать информацию. Например, они хотят скрыть или хотят казаться лучше, чем есть на самом деле.

Бессознательное искажение информации происходит, когда респондент пытается быть правдивым, но дает неточный ответ. Этот тип предвзятости может возникать из-за формата вопроса, его содержания или по другим причинам.

Предвзятость интервьюера

Интервьюер оказывает влияние на респондента — сознательно или бессознательно. Одежда, возраст, пол, выражение лица, язык тела или тон голоса могут повлиять на ответы некоторых или всех респондентов.

Ошибка обработки

Примеры включают наводящие вопросы или элементы дизайна анкеты, которые затрудняют запись ответов или приводят к ошибкам в них.

Ошибка ввода

Это ошибки, возникающие при вводе информации. Например, документ может быть отсканирован неправильно, и его данные по ошибке перенесутся неверно. Или люди, заполняющие опросы на смартфоне или ноутбуке, могут нажимать не те клавиши.

Виды проводимых маркетинговых исследований различны, поэтому универсальных рецептов не существует. Мы дадим несколько общих советов, используемых для минимизации систематических погрешностей разного типа.

Как минимизировать погрешность измерения

Предварительно протестируйте.
Погрешностей обработки и предвзятости можно избежать, если проводить предварительные тесты вопросника до начала основных интервью.
Проводите выборку случайным образом.
Чтобы устранить предвзятость, при выборке респондентов можно включать каждого четвертого человека из общего списка.
Тренируйте команду интервьюеров и наблюдателей.
Отбор и обучение тех, кто проводит исследования, должен быть тщательным. Особое внимание нужно уделять соблюдению инструкций в ходе каждого исследования.
Всегда выполняйте проверку сделанных записей.
Чтобы исключить ошибки ввода, все данные, вводимые для компьютерного анализа, должны быть перепроверены как минимум дважды.

Мир без ошибок не может существовать. Но понимание факторов, влияющих на маркетинговые исследования и измеряемые погрешности, имеет важное значение для сбора качественных данных.

Источник

Абсолютная и относительная погрешность

Чтобы оценить степень отклонения, используется показатель абсолютной и относительной погрешности.

В математике, физике и метрологии этот коэффициент может быть использован для округления полученных результатов.

Показатель бывает нескольких видов. Для его определения применяют разные методы.

Понятие и классификация

Под термином погрешность принято понимать степень отклонения реальной величины от вычисленной. Этот показатель служит мерой точности измерения.

Существует несколько разновидностей погрешности:

как вычислить относительную погрешность

как рассчитать абсолютную погрешность

Абсолютная — оценка ошибки в абсолютных единицах. Величина ее может быть разной в зависимости от способа расчета.
Относительная — отношение абсолютной величины к тому значению, которое принято считать истинным. Измеряется в процентах.
Приведенная — разновидность относительной. Ее вычисляют отношением абсолютной и условной постоянной величины, определяется в процентах.
Приборная или инструментальная — погрешность, которую дают технические средства измерений. Она обусловлена неточной цифровой градуировкой приборов или недостаточной наглядностью. Класс точности приборов будет равен максимальной приведенной погрешности и выражается в процентах. К примеру, класс точности вольтметра ΔU = ±0,75 В.
Методическая — связанная с несовершенством метода измерения или его чрезмерным упрощением.
Субъективная или операторная — погрешность, связанная с личными свойствами оператора — невнимательностью, утомлением, профессиональной подготовленностью.
Случайная. Погрешность, которая может изменяться при разных измерениях. Изменения возможны по знаку или величине отклонения. Причиной может быть техническое несовершенство приборов отсчета или объекта измерения, неблагоприятные для работы условия или особенности измеряемых единиц.
Систематическая. Погрешность, изменения которой имеют некоторую закономерность во времени. В качестве частного случая допускают постоянное отклонение, которое не изменяется во времени.
Прогрессирующая или дрейфовая — медленно изменяется во времени и не может быть предсказана. Такое отклонение относится к случайным.
Грубая или промах. Значительное отклонение от принятой нормы. Возникает в результате неисправности аппаратуры или ошибки экспериментатора.

Выделяют также отклонения прямых или косвенных измерений. Вторая разновидность учитывается в тех случаях, когда измерить величину напрямую невозможно и ее можно посчитать по формулам исходя из других данных.

Абсолютная и относительная погрешности

Абсолютная погрешность величины — это разница между ней и принятым точным значением. Чтобы определить этот показатель, из большего числа вычитают меньшее. Единицы обозначения такие же, как и для основной величины. В формулах обозначается греческой буквой дельта и исследуемой величиной.

Пример: В пакете находится 478 граммов сахара. Это число можно округлить до 500. В этом случае абсолютная погрешность приближения будет 500 — 478 =22 г

Чему равна относительная погрешность измерения

Для вычислений разработана специальная формула: Δа=А-а,

где А — это точная величина,

а — приближенная, это число, которое немного отличается от точного.

Результаты вычисления записывают со знаком ±. Например, длина бумажного рулона составляет 25 м ± 5 см. Наибольшее значение абсолютной погрешности принято называть ее пределом.

Чтобы получить измерения высокой точности, рассчитать абсолютную погрешность недостаточно. Если измерять предмет длиной 30 см и допустить неточность в 1 см, ее величина будет значительной. При измерении 30-метрового участка дороги то же самое отклонение в 1 см допускается, такое измерение будет наиболее точным. При вычислении ускорения свободного падения с помощью маятника неточность не превышает 10 ^-5 м/с. ²

Определите относительную погрешность измерения времени

Относительная погрешность — условная величина, равная отношению абсолютной к самому числу.

Пример: количество сахара в пакете равно 478 граммов, абсолютная погрешность составляет 22 грамма, относительная равняется 22: 478 = 0, 046. Если перевести в проценты, получается 4,6%. Для отрезка длиной 10 см погрешность в 1 см будет составлять 10%, а для отрезка в 1 м такая же абсолютная величина составит всего 1%. Относительная оценка считается наиболее точной.

Относительная погрешность может быть случайной, возникающей под действием внешних факторов. Ее размер зависит от способа нахождения.

Методики расчета

Существует несколько методов определения отклонения. Наиболее простой и доступный способ:

относительная погрешность примеры

Необходимые измерения проводят не менее 5 раз. Это дает возможность вычислить наиболее точное значение параметра. Результаты вносят в таблицу excel.
Полученные величины складывают и делят на количество замеров. В результате получится действительное значение. Его обычно применяют вместо истинного, так как нет возможности вычислить последнее.
Следующий шаг — определение абсолютной погрешности. Ее считают для каждого измерения. Чтобы узнать величину этого показателя, из результата каждого замера вычитают действительное значение. Для обработки данных неважно, положительная или отрицательная получилась цифра. Используют модули полученных чисел, пренебрегая знаками.
Чтобы определить относительную погрешность измерения, нужно разделить абсолютную на действительное значение. Полученное число умножают на 100%.

Для определения предельного отклонения выбирают наибольшее значение из всех полученных.

Чтобы получить наиболее точные показатели дискретности цифровых приборов, пользуются средним квадратическим отклонением. Вычислить его можно следующим способом:

Как определить относительную погрешность измерения

Каждый показатель абсолютной погрешности возводят в квадрат и записывают.
Полученные результаты складывают между собой.
Сумму всех квадратов делят на число, которое на единицу меньше количества измерений.
Из результата вычислений извлекают квадратный корень — это и будет среднее квадратическое отклонение.

Чтобы вычислить, чему равна относительная погрешность измерения, важно придерживаться некоторых правил. Складывая или вычитая числа, учитывают абсолютные отклонения. Если числа нужно разделить или перемножить, прибегают к относительным показателям. Возведение числа в степень требует умножить относительную погрешность на показатель этой степени.

Результаты фиксируются в виде десятичных дробей. Точное значение может быть очень длинным, вплоть до бесконечного. Для удобства используют только среднее значение. При этом важно помнить о существовании верных и сомнительных цифр. У первой категории цифр разряд бывает выше допустимой погрешности, у второй — ниже.

При расчете относительной погрешности измерения времени формула включает в себя отношение среднего отклонения к среднему значению времени, умноженное на 100%. Эта же закономерность применяется для оценки температуры и других физических величин.

Произвести необходимые расчеты можно с помощью онлайн-калькулятора. В окошки вносятся необходимые данные, после чего программа выдает результат.

Методы Корнфельда и Стьюдента

Некоторые экспериментальные исследования требуют многократного измерения одного и того же показателя с помощью аппаратуры или приспособлений. В этом случае высока вероятность возникновения отклонений разброса. Определить ее величины можно разными способами. Самый распространенный и доступный из них называется по автору — методом Корнфельда.

Он применяется в ситуации, когда какая-либо физическая величина была измерена n раз. В этом случае рекомендован следующий порядок действий:

Относительная погрешность измерения времени формула

Предполагается, что имеется ряд результатов измерений от Х1 до Хn.
Из этих величин выбирают минимальную и максимальную.
Вычисляют среднее значение Х.
В пределах от наименьшего до наибольшего показателя выбирают доверительный интервал.
Чтобы найти абсолютное отклонение, необходимо вычесть из максимального результата измерения величину минимального. Полученную разность делят пополам.

Метод Корнфельда имеет существенный недостаток. Чтобы определить вероятность приведенного результата, необходимо провести большое количество измерений. При этом нет возможности изменить границы доверительного интервала. Более точные данные можно получить, используя метод расчета Стьюдента. Для этого используют специальные таблицы, где отражены так называемые коэффициенты Стьюдента.

Эти показатели вычисляются на основе доверительной вероятности и большого количества измерений.

Источник

Относительная ошибка метода формула

Материал из MachineLearning.

Содержание

Введение

Постановка вопроса. Виды погрешностей

Виды мер точности

Предельные погрешности

Погрешности округлений при представлении чисел в компьютере

Погрешности арифметических операций

Погрешности вычисления функций

Числовые примеры

Список литературы

См. также

1.2.1. Погрешности данных, метода и вычислений

1.3. Абсолютная и относительная погрешности вычисления

Что такое погрешность измерения

Математическая погрешность: формула для каждого типа

Абсолютная погрешность измерений: формула

Относительная погрешность: формула

Приведенная погрешность: формула

Классификация оценочной погрешности

Что такое случайная погрешность

Что такое систематическая погрешность

Погрешность выборки

Как минимизировать погрешность выборки

Погрешность измерения

Как минимизировать погрешность измерения

Понятие и классификация

Абсолютная и относительная погрешности

Методики расчета

Методы Корнфельда и Стьюдента

А вот еще интересные материалы: